（气象学专业论文）西安市大气污染气象条件分析及空气质量预报方法研究.pdf

中文摘要 本文利用1 9 9 8 - 2 0 0 4 年西安市区s o z 、n o z 、蹦- 。浓度资料，分析了空气污染物的时空 分布特征；利用同期的地面气象要素和天气图等资料重点分析了遵温、沙尘天气以及降水 等对空气污染的影响，探讨了污染物浓度变化的成因，在此基础上利用逐步回归统计方法 和基于主成分的人工神经网络方法建立了不同季节p m ：o 的浓度预报模型，并对这两种预报 模型进行了比较研究。结果表明： ( 1 ) 西安市区污染物浓度的总趋势是逐年递减；可吸入颗粒物雕。o 是首要污染物。冬、 春季空气污染比夏、秋季严重，采暖期比非采暖期的污染严重。小寨商业区的s 0 ，和n o 。浓 度较高，纺织城工业区的p m m 浓度最高。 l 2 ) 风速大小和逆温强度与空气污染浓度的大小密切相关。当西安处于冷高压前部或强 高压控制时空气质量较好；受变性高压或均压场等不利于污染物扩散的地面形势控制时， 空气污染较重。 ( 3 ) 受春季沙尘天气影响，p m 。1 小时平均浓度可增加0 5 8 5m g m ，月平均浓度可提高 1 2 1 。微量的降雨( 雪) 会使空气污染加重，i m m 以上的降雪和5 m m 以上降雨对气溶胶粒 子有显著的清除作用。冬季i m m 的降雪对s o z 、n 0 e 和p m ，。的清除能力分别是夏季降雨清除 能力的4 倍、3 倍和3 7 8 倍。 ( 4 ) 春季p 弧。重度污染主要由外来源引起，p m ，。浓度日变化特征是急升急降，重度污染 日前后气象要素变化剧烈。冬季p m ，o 重度污染是在不利污染扩散的天气形势下，本地污染 物经过逐渐积累后达到重度污染，p m - o 浓度变化缓慢，气象要素变化也比较平稳。 ( 5 ) 运用线性逐步回归预报方程和基于主成分的人工神经网络模型两种方法对p m 。o 浓度 进行预报，结果表明后者在历史样本的拟合精度上和独立样本的检验结果上都明显优于前 者。因此主成分神经网络预报模型通过浓缩信息，降维去噪可达剪提高污染预报准确率的 效果。 关键词：大气污染，时空特征，神经网络，蹦，o 浓度预报 a b s t r a c t i n t h i sp a p e r , t h es p a t i a la n dt e m p o r a lv a r i a b l ec h a r a c t e r i s t i c so fa i rp o l l u t i o ni n x i a nc i t yi sa n a l y z e db yu s i n gd a t ao fa n n u a lm e a nc o n c e n t r a t i o no fs 0 2 ，n 0 2a n d p m l 0f r o m1 9 9 8t o2 0 0 4a n dd a i l yr e p o r t so f e n v i r o n m e n t a lm o n i t o r i n gf r o m2 0 0 1t o 2 0 0 4 af u r t h e rs t a t i s t i c a la n a l y s i si sm a d ea b o u tt h ei n f l u e n c eo fp e r c e p t i o n ， s a n d d u s ts t o r m sa n do t h e rm e t e o r o l o g i c a lf a c t o r ss u c ha sw i n d t h e r m a li n v e r s i o n f e a t u r e si nc o n v e c t i o nl a y e ra sw e l la st h ei n f l u e n c eo fw e a t h e rp r o g n o s t i cf i e l db y u s i n gt h ed a t ao f r o u t i n es u r f a c ea tt h ec o r r e s p o n d i n gp e r i o d ，a n ds y n o p t i cc h a r ta n d m e t e o r o l o g i c a lp a r a m e t e ri na t m o s p h e r i c a lb o u n d a r y ，w h i c ha c c o u n t sf o rt h ec h a n g e o ft h ec o n c e n t r a t i o no fa i rp o l l u t a n t s ，b a s e do nw h i c ham o d e li ss e tu pf o rs t a t i s t i c a l p r e d i c t i o no fp m l 0c o n c e n t r a t i o nb ya d o p t i n gs t e p w i s er e g r e s s i o ne q u a t i o n an e w p m l 0c o n c e n t r a t i o np r e d i c t i o nm o d e lo fa r t i f i c i a ln e u r a ln e t w o r k ( a n n ) h a sb e e n t r i e dt oe s t a b l i s hb a s e do nm a i np r i n c i p a lc o m p o n e n t s t h ed i f f e r e n c e sb e t w e e nt h e t w op r e d i c t i o nm o d e l sa r ea l s oc o m p a r e di nt h ep a p e r t h er e s u l t sa r ea sf o l l o w s ： i d u r i n g1 9 9 8 - - 2 0 0 3 ，a n n u a lm e a nc o n c e n t r a t i o no f s 0 2 ，n 0 2a n dp m l op r e s e n t s at r e n do ff l u c t u a t i n gd e c r e a s e p m l 0i sc h i e fp o l l u t a n ti nx i a nc i t y t h em o n t h l y m e a nc o n c e n t r a t i o n so ft h et h r e ek i n d so fp o l l u t a n t sa r ea th i 曲l e v e ri nt h es p r i n g a n dw i n t e rp e r i o d sa n da tl o wl e v e ri nt h es u m m e ra n df a l lp e r i o d s a n dt h es l i m e t r e n dc a na l s ob eo b s e r v e di nh e a t i n gp r o v i d i n gp e r i o da n dt h ep e r i o dw i t h o u th e a t i n g s p a t i a ld i s t r i b u t i o ni sd i s c o v e r e dt h a tt h em a x i m u m o fa n n u a lm e a nc o n c e n t r a t i o no f s 0 2a n dn 0 2a p p e a r sa tt r a 简ca n dc o m m e m i a la r e a j t h em a x i m u mo fa n n u a lm e a n c o n c e n t r a t i o no fp m l 0a p p e a r sa ti n d u s t r i a la r e a i i t h ec o n d i t i o no fw i n da n dt h ec h a r a c t e r i s t i c so fs t r a t i f i c a t i o no fl o w e r , l a y e r a t m o s p h e r i ct e m p e r a t u r ea r ei m p o r t a n tt oa i rp o l l u t i o ni nx i a nc i t y t h ec o r r e l a t i o n c o e f f i c i e n tb e t w e e nt e m p e r a t u r ev e r t i c a ld e c r e a s er a t eo fl o w l a y e ra t m o s p h e r ea n d a i rp o l l u t a n tc o n c e n t r a t i o ni sn e g a t i v e w h e nx i a nc i t yw a sc o n t r o l l e db yac o l d 2 h i 曲- p r e s s u r es y s t e mo ra tt h eb a c k s i d eo fc o l df r o n t ，o n l yl i g h tp o l l u t i o nm i 曲t h a p p e nt h e r e o n et h ec o n t r a r y , c o n t r o l l e db yh o m o g e n e o u sp r e s s u r es y s t e mo ra tt h e f o r e s i d eo f c o l df r o n t ，am o d e r a t eo rh e a v yp o l l u t i o ne a s i l yh a p p e n e d i i i 。m o s to fs a n d - d u s tw e a t h e rm a i n l yt a k e sp l a c ei ns p r i n ge s p e c i a l l yi na p r i l t h e yc l o u dm a k et h ea v e r a g eg r o w t hr a t eo fp m l 0c o n c e n t r a t i o nt or e a c h1 2 1 d u r i n gm a r c ha n da p r i l m e a nh o u r l yp m l oc o n c e n t r a t i o nc o u l di n c r e a s eb yo 5 8 5 m g m - 3 , m a x i m u mp m l oc o n c e n t r a t i o nr e a c h e d0 9 7 0 m g m i nas e r v e rs a n d - d u s t s t o r m s n o w f a l li nw i n t e rc a nr a i no u tm o r ee f f i c i e n t l yt h a nr a i n f a l li no t h e rs e a s o n s ， t h ee f f e c to fl m ms n o w f a l li nw i n t e rc l e a n i n go u ts 0 2 ，n 0 2a n dp m i oc o n c e n t r a t i o n i s4t i m e s 3t i m e sa n d3 7 8t i m e so f t h a ti ns u m m e rw i t hs a m ep r e c i p i t a t i o n i v s e v e r es a n d - d u s tw e a t h e rc a l ll e a dt ov e r yh e a v ya i rp o l l u t i o ni ns p r i n gi nx i a r t c i t y , a n di ti so b v i o u s l yd i f f e r e n tf r o mt h ec h a r a c t e r s t h a tt h eh e a v i e s tp o l l u t i o n o c c u r si nd e c e m b e ro fw i n t e r v p m l oc o n c e n t r a t i o ni nd i f f e r e n ts e a s o n si nx i a nc i t yw a sf o r e c a s t e db yt h e w a y so fl i n e a rr e g r e s s i o np r e d i c t i o ne q u a t i o na n db pa r t i f i c i a ln e u r a ln e t w o r k m o d e l b a s e do nm a i np r i n c i p a lc o m p o n e n t s t h er e s u l t si n d i c a t e dt h a tt h eb a c k - p r o p a g a t i o n ( b p ) n e u r a ln e t w o r km o d e l i sm u c hb e t t e rt h a nl i n e a rr e g r e s s i o np r e d i c t i o ne q u a t i o n i nh i s t o r i c a ls a m p l ef i t t i n g sa n di n d e p e n d e n ts a m p l et e s t ，b e c a u s ep m l 0c o n c e n t r a t i o n p r e d i c t i o n m o d e lo fn e u r a ln e t w o r k ，c o n d e n s i n gf o r e c a s ti n f o r m a t i o n ，r e d u c i n g d i m e n s i o na n de l i m i n a t i n gp r e d i c tn o i s e ，c o u l da d v a n c et h ep r e d i c t i o na c c u r a c y k e y w o r d s ：a i rp o l l u t i o n ，s p a t i a l - t e m p o r a lv a r i a t i o n ，a r t i f i c i a ln e u r a ln e t w o r k ，p m t o c o n c e n t r a t i o np r e d i c t i o n 3 1 1 研究的目的和意义 第一章前言 1 1 1 大气污染的概念及危害 随着现代工业的发展和技术的进步。人类赖以生存的大气环境质量却不断恶化“1 。本 世纪5 0 、6 0 年代，世界上相继发生了许多严重的城市大气污染事件，例如1 9 3 0 年1 2 月比 利时的马斯河谷工业区发生了世界上的第一次严重的工业大气污染事件，工业有害废气和 粉尘造成一周内6 0 人死亡，心脏病、肺病患者死亡率急剧增高：1 9 4 8 年1 0 月美国宾夕法 尼亚州多诺拉镇的二氧化硫及其氧化物，与大气尘埃结合构成的大气污染事件造成2 0 多人 当即死亡，5 9 1 1 人发病；1 9 5 2 年1 2 月4 9 日发生的伦敦烟雾灾难，由于烟煤和硫化物的 增加，加上特定的气象条件一浓雾从而使伦敦遭浓密的烟云袭击、覆盖，导致几天内4 0 0 0 人死亡，两个月后又有8 0 0 0 人死亡，患者无法统计；1 9 5 3 年儿月，美国洛杉矶由于汽车 排放的尾气造成空气污染，加上当地盆地地形和长时间控制该地区的高气压，使受污染的 空气难以向外扩散形成光化学烟雾污染。大气污染已成为各国的公害之一。数起因大气污 染导致的重大灾害事件激起了人们对大气环境的广泛注意，引起了各级政府的高度重视。 人们要求对空气质量开展预报，以便采取更广泛、更有效的措旅控制污染。研究分析大气 污染状况。建立大气污染预报方法已成为人们羲要的研究课题。 所谓大气污染是指大气污染物或由其转化的二次污染物浓度达到了有害于人类健康和 破坏自然环境的危害现象。大气污染有自然过程( 例如火山爆发、森林火灾等) 和人为因 素( 例如工业废气、生活燃煤、汽车尾气、核爆炸等) 。其主要过程由污染物排放、大气传 播、人和环境三个环节构成。2 0 世纪5 0 年代以前，大气污染主要由燃煤产生的烟尘和和 二氧化硫所引起。后来由于内燃机的广泛使用，在燃煤引起污染日益严重的同时，又增加 了石油燃烧带来的污染。近几十年来，随着汽车倍增，汽车尾气及其在阳光下形成的光化 学污染，加重了大气污染。大气中的主要污染物是大气气溶胶、二氧化硫、二氧化氮、一 氧化碳、氯气和光化学烟雾。因此大气污染是目前全球最为关注的环境问题之一”。 大气污染物对人体健康造成了很大危害。“1 ，较常见的疾病有咽喉炎、支气管炎、鼻炎、 4 皮肤病及神经系统疾病等。目前被列入空气质量标准的大气污染物有硫化物、氮氧化物、 碳氧化物、颗粒污染物和臭氧。硫化物主要是二氧化硫( s 0 2 ) ，主要来源是含硫煤、石油 等及含硫金属矿物的冶炼过程中产生。s 0 。具有窒息性和腐蚀性，长期吸入可引起慢性鼻 炎、慢性咽炎和慢性支气管炎吸入浓度更高的s 0 2 时可发生肺气肿和呼吸麻痹，当s o 。达 到4 0 0 1 0 1 以上时，可使人致死。s 0 2 的浓度与哮喘病的发病率呈剂量反应关系，由于硫 化物污染的加剧，哮喘的发病率也称逐年上升的趋势。据研究在大气污染严重的城市里哮 喘的发病率高达1 3 ，而农村仅为4 2 。另外烟煤型大气污染有明显的致癌作用。由工业 生产、汽车、农用氮肥等人类活动排放到大气中的氮氧化合物( n o x ) ，主要是一氧化氮( n 0 j 和二氧化氮( n n ) 等气体污染物以及由此产生的二次污染物，对人的呼吸道有刺激作用。 空气污染特别是颗粒物污染对居民的呼吸疾病和肺功能有不利影响，据美国一些大城 市调查发现，空气中细颗粒污染物或更复杂的混台物造成肺，l t , 病人和肺癌死亡率的增加”1 。 大气中直径小于5 , u r n 的无机尘埃粒。可随人的呼吸进支气管和肺的深部，长期吸入尘粒 在肺部容易引起沉积，导致尘肺病。p m ，o 是空气动力学直径小于1 0 i 肋，在空气中能够长期 悬浮而不易沉降的颗粒状污染物。有的颗粒物本身就是有毒物质有的还可以成为其它有 毒物质的载体，当其通过呼吸道进入人体时，所带来的危害往往高于单一污染物。大气中 的颗粒物还可以作为大气中的一些化学反应的温床，使空气污染变的错综复杂。研究表明， t s p 与呼吸系统、心血管系统疾病密切相关，t s p 浓度每上升1 0 m 。呼吸、心血管疾病 医院门诊就诊人数增加3 ，居民死亡率将上升1 。因此，对p m - o 的研究尤其重要。 1 1 2 研究大气污染的意义 目前我国正处于工业化和城市化发展的加快时期，而环境质量仍在不断恶化，尤其是 2 0 世纪8 0 年代以来，由于经济持续高速增长使得环境压力明显增大，长期积累的环境 风险开始出现。在诸多环境问题中，大气污染造成的损失尤其巨大。根据支付意愿法计算， 1 9 9 5 年，中国大气污染及其引发的酸雨污染造成的损失就高达4 8 0 亿美元”1 。以山城重庆 为例，2 0 0 2 年在环境污染损失中大气污染引起的损失最大达4 0 5 1 亿元，如果加上大气污 染对人体健康的影响，其损失值会更大”1 。城市环境污染不但产生了巨大的经济损失”1 ，而 且对城市人居环境、旅游景观环境、投资环境等都带来了巨大的负面影响，严重影响了城 市的可持续发展和城市化进程。环境污染是大气科学的重要问题之一，它与经济建设以及 人民生活息息相关，因此应进一步加强对大气污染的研究。 西安是世界著名的历史文化名城，也是中国西北地区最大的中心城市，集经济、文化、 交通等中心与一身，同时又是西北与西南、中南、华北联系的窗口。进入g o 年代，西安市 经济走上了快速发展得轨道，但是随着经济的发展和城市化进程的加快，城市环境污染问题 曰益加剧。1 9 9 8 年1 0 月，我国在参加国际大气污染评定时，西安市被列为世界上污染最 严重得十大城市之一，列第九位。2 0 0 0 年以来，随着西安市政府加大力度实施“煤改气” 工程和城市绿地面积的不断增加，西安的空气质量虽然得到定改善。3 ，但空气污染还是 比较严重，这在一定程度上制约着西安市社会经济的持续健康发展。因此深入分析西安市 区大气污染浓度的时空分布状况和动态变化规律，研究污染气象条件和气象参数特征及其 与污染物浓度的关系，在此基础上建立适合于西安市地方特点的空气质量预报模式，提高 污染浓度预报水平，从而为环境质量管理、探索综合治理大气污染的途径及预防重大污染 事件的发生具有十分重要的意义。 1 2 国内外关于空气污染研究的动态及现状 1 2 1 国内外研究动态 一些发达国家相继从7 0 、8 0 年代开始进行大气污染综合分析和预报研究，为当地政府 提供依据，对可能出现的空气污染提前采取措施“。美国于1 9 7 1 年4 月就进行了全国性的 大气环境调查，首次颁布了全国统一的环境质量标准( n a a o s ) 之后，又多次进行了修订和 调整，从7 0 年代初开始开展大气污染潜势业务预报。美国国家气象局( n w s ) 依据天气预 报的风、涡度、天气状况、大气稳定度、混合层高度等气象因子，用一个简单的箱模式及 污染源源强进行未来2 4 小时的扩散计算，从而做出空气污染预报。k e r m a ng l ( 1 9 7 5 ) 为此建立了一个花费损失比决策模式。由于限制污染排放必然造成工业损失，而严重污染 有可能对人体有害，与大气污染可信度相结合就产生决策鳆经济的问题。k e r m a n 的模式 就试图解决这一科学决策难题。这一模式在加利福尼亚的大气污染预报中进行了应用。 p r i o re d w i nj 等( 1 9 8 1 ) 利用1 9 7 6 年圣路易斯区域大气污染研究数据，进行空气质量 6 输送轨迹研究，结合浓度与气象要素相关分析对美国东北部地区进行s 0 。及硫酸盐浓度和沉 降速率的预报。g o n gy u hl j n ( 1 9 8 2 ) 利用相关分析给出了c o z 浓度、气象变量及污染发生 过程之间的统计关系，预报加利福尼亚南海岸地区大气污染过程。 从7 0 年代起t 德国、荷兰等欧洲一些国家的气象学家就着手建立各种各样的空气污染 预报方法。到8 0 年代开始做空气污染业务预报，目前空气污染有本的范围己延伸到能见度、 紫外线、花粉过敏等的预报。 由于日本广岛光化学烟雾及高氧化物浓度经常出现，o t a ( 1 9 7 6 ) 利用1 9 7 4 年广岛的资 料建立了氧化物浓度与低层大气气象因子之间的统计关系。o t a ( 1 9 8 3 ) 利用更多的资料建立 氧化物浓度与气象因子之间的关系，并利用天气预报资料，在每日早晨与天气预报同时发 布广岛得氧化物浓度预报。日本为了加强防治日趋严重的汽车尾气污染，从1 9 8 8 年1 2 月 开始对东京、大阪等城市大气中的氮氧化物进行污染预报。在每天上午的新闻节目中发布 前一天的污染状况和当天的空气污染预报。如果污染超过“警戒线”，城市大气自动监测系 统便通过媒体向社会发布“空气污染警报”。 我国的大气污染研究工作是从1 9 7 3 年第一次全国环保工作会议之后开始的“。1 9 8 0 年以前主要是研究影响污染物稀释扩散的天气形势和气象条件。从8 0 年代开始，北京、兰 州、沈阳等一些城市初步开展了以s 0 2 为主的城市空气污染试验预测和预报研究工作。进 入9 0 年代，我国在城市区域空气污染预报方面取得了较为突出的成绩。1 9 9 7 年，国务院 环委会确定在全国4 6 个环保重点城市开展空气质量周报、日报和空气污染预报。2 0 0 0 年6 月5 日，又组织了4 2 个重点城市开展了空气质量日报。2 0 0 1 年世界环保日起开始发布全 国4 7 个城市空气质量预报。 随着空气质量预报业务的逐步开展，我国科学家陆续在污染气象学、污染气象参数与 污染浓度之间的关系、大气扩散模式以及空气污染预报方面进行了研究。 研究大气污染物的时空分布特征，对治理、预测和控制大气污染都有很重要的 意义。于淑秋等“”利用s o 。、p m mn o 。、c o 、0 a 等5 类污染物逐日大气污染指数和 等级资料，分析了北京市区大气污染的时空分布特征，研究表明：北京市区的污染 物以可吸入颗粒物和二氧化硫为主，出现3 级以上的概率分别为5 0 和2 0 9 6 ：北京 市区污染物有明显的季节变化，s o z 出现3 级以上的概率在冬半年( 1 1 月至翌年3 7 月) 为3 4 在夏半年( 4 l o 月) 几乎不出现，但p m 。o 的季节变化没有其它4 类 污染物明显。潘建国等”研究分析了珠海大气中p m - o 的时空变化特征，并将珠海空 气质量与国内和国外部分城市进行比较，表明珠海的空气质量优于国内的武汉、兰 州和重庆，接近洛杉矶、巴黎和米兰等国外一些质量好的城市。蔡旭晖等“结合风 场诊断和随机游走扩散模式方法，分析了北京地区污染物的输送扩散作用对郊外清 洁对照点浓度的影响，计算了北京地区各季p m - o 、s 0 ：的背景浓度。 气象条件与大气污染物浓度关系的探讨为城市污染预报提供了依据，姜大膀等“”统计 分析了兰州市区低空大气温度层结的特征及其与空气污染的关系，研究表明兰州市区3 种 主要污染物s o 。、c o 、n o x 浓度与逆温层发生频率、最大混合层厚度以及低空大气层结温 度递减率有显著的关系，低空逆温层结状况是影响该市空气污染程度的重要因素之一。桑 建人等“”分析了自然降水对揭染物的清洁贡献率。研究表明平均一次降雨过程可直接减轻 s o ：、p m mn o 。污染达3 3 。盛立方等1 研究了2 0 0 2 年春季沙尘暴对青岛大气气溶胶的影 响，研究指出2 0 0 2 年3 月的2 次沙尘天气过程中t s p 质量浓度分别比平时增加了2 8 和 4 1 倍。3 月2 1 2 3 日的沙尘暴天气期间2 7 o n 粒径的粒子质量浓度增加了3 0 倍。北京 市气象科学研究所的孟燕军等“”研究分析了影响北京大气污染变化的地面天气形势的高低 空气象要素特点及其对s o 。、p m ，。、n o 。、c 0 4 种污染物的影响程度，将影响污染物扩散 的地面天气形势划分为2 类( 有利于污染物扩散类和不利于污染物扩散类) 1 8 种 天气形势。 1 2 2 城市空气污染预报的研究进展 空气质量预报就是根据污染物的排放情况，以及地理地貌条件和未来的气象条件等预 报出关心区域内的空气污染程度，以便使有关部门及时做出防范和控制措施。经过一、二 十年的努力大气污染监测网络日趋完善。欧美等一些国家已采用先进的开展不同时空尺 度的监测分析，它有力地推动了空气质量预报的发展。本世纪6 0 年代初，开始出现区域尺 度空气污染潜势预报，它是在不考虑排放的情况下，以可能导致空气污染加重的天气形势 和气象状况预报为主。到6 0 年代后期逐步发展起了大气污染物浓度的统计预报方法以及半 经验数值模型，如基于质量守恒的箱模型、基于湍流统计理论的高斯模型、萨顿模型；自 7 0 年代后期发展起来的基于大气物理一化学过程耦合的城市空气质量动力模型。随着大气 化学分析技术及计算机技术的快速发展，该方法已逐渐成为大气污染预报的主要手段o “。 城市空气质量预报是一项复杂的系统工程，是当今环境科学研究的热点。按预报的要 素划分，则可分为污染潜势预报和污染浓度预报。按预报的方法划分城市空气质量短期预 报可分为污染潜势预报、统计预报和数值预报三类。 ( 1 ) 污染潜势预报所谓污染潜势，是指有可能出现重污染的天气尺度气象条件。它 仅仅由气象因子定义，不考虑是否排放；在人烟稀少的地方也可能出现高污染潜势，但实 际空气质量很好。制作污染潜势必须以理论为依据，找出那些导致强污染且意义清楚的气 象因子，通过大量历史资料验证确实准确的因子，做出高污染潜势的判据。潜势预报的方 法是以天气形势及其气象要素指标为依据，对未来大气环境状况进行定性或半定量的分析。 例如美国国家气象中心根据当地低空探测资料中的风、温度和稳定度确定空气停滞区， 通过计算其混合层高度和输送风速及通风量等气象条件，判断是否发布污染潜势预报，主 要依据统计表中有关气象参数加权指数值得代数和来确定。1 9 9 7 年中国气象科学研究院 大气物理研究所徐大海“”等利用大气平流扩散方程积分得到的多尺度箱格预报模 型，引入空气污染潜势指数，开展城市大气污染潜势预报。王迎春“、杨民等“”、 王川等“”分别建立了北京、兰州、西安等城市的空气质量潜势预报方法。刘实等” 建立了长春市空气污染潜势预报的统计模型。 ( 2 ) 数值预报在气象场预报模式的基础上，数值求解有源汇的污染物传输扩散方程， 找出源排放量与接受体空气污染浓度之间的关系，从而对污染浓度进行预报，需要较详尽 的污染源强及其时空分布资料。以及时空分辨率很高的气象预报模式。污染浓度数值预报 是以大气物理、边界层地球动力学及大气化学理论相结合为理论基础，该系统是以中小尺 度大气动力学模型、污染源排放率分析模型、大气中化学物质( 包括其相和气溶胶物质) 的化学反应模型以及各类污染物干、湿沉降模型为基本部分组成。中小尺度大气动力学模 型还必须以天气尺度数值预报产品为依托。目前使用的空气污染浓度预报模式主要有简单 的箱模式，高斯模式，要求能够估计烟体的几何参数盯。、盯：k - 理论模式要求能估计三 维扩散率丘、臣。、足：。 国内的数值预报模式主要有雷孝恩等。”的城市污染数值预报模式系统，徐大海。5 3 的 q 城市空气质量预报业务系统c a p p s ( c i t ya i rp o l l u t i o np r e d ic t i o ns y s t e m ) ， 该系统已在全国省会城市进行了业务应用推广。南京气象学院陈万隆”“、佟华等1 发展的空气污染准业务数值模式，是将修改过的二维m a s s 风场模式预报的风场根 据实测风廓线推广到三维，用有限元法求解欧拉方程，预报上海地区s o ：指数和浓 度分布效果良好。但由于城市空气质量预报的复杂性，数值预报理论发展不够完善，而 且缺少可靠的污染实时排放数据。数值预报仍处于研究阶段。 ( 3 ) 统计预报将历史上的污染物浓度值与前期和同期的气象条件( 气象要素 及其时空分、天气类型) 联系起来，建立具有一定信度的统计关系，并利用该关系 对未来的污染物浓度进行预报。 采用统计学有两种方法：其一是在缺少气象资料的前提条件下，单纯利用环境 空气监测资料，建立空气污染的时间序列分析预报模型”：另外一种就是利用气象 资料，建立空气污染物浓度与气象因子的统计预报模式。与数值预报模式相比，统计 预报方法比较简便、经济、易于实现，是目前多数开展空气质量预报城市采用的预报方法 “”1 。北京市空气质量动态统计预报系统”8 中采用了线性回归模型l r m ，分类判别树c a r t 模型，c a r t 与l r m 结合的模型，动态统计模型d s m ，多点预报模型m p d s m 5 种模型。 非线性方法也在城市空气质量预报中得到应用。王素平”1 使用灰色系统理论，建立g m ( 1 ，1 ) 动态模型，对太原市s o e 浓度进行预测。大连环境监测站利用k a l m a n 滤波方法结 合逐步回归建立了预报模型。 近年来人工神经网络技术得到飞速发展，它已被广泛应用于众多的科学领域 ”。”1 ，由于该方法是一种大规模并行的非线性动力系统，具有很强的自适应和非线 性映射能力，因而在大气科学、水文等领域得到广泛应用。金龙等。“针对神经网 络方法在建模中存在的“过拟合”和提高泛化性能问题提出了采用主成分分析构造 神经网络低维学习矩阵的预报建模方法，研究发现该方法与传统的神经网络预报建 模方法及逐步回归预报模型相比泛化能率有显著提高。当今神经网络方法已成为空 气污染预测一种强有力的工具，李诈泳“”“3 的研究表明，用人工神经网络建立的预 测模型客观性较好，它能够很好的捕捉气象要素与大气污染之间内在的规律，其最 大特点是不需要设计任何数学模型，而是通过神经元之间的相互作用来完成摧个网 1 0 络的信息处理，从而得到很好的预测效果。d a h ej i a n g 等“”建立了基于人工神经 网络( a n n ) 的上海市空气质量指数( a p i ) 预报模型，该模型是一个多层感知( m l p ) 网络，气象预报资料作为主要输入预报上海市第二日的空气质量指数( a p i ) ，预 报效果较好。 1 8 本文主要研究内容 城市空气污染的研究虽然已取得了很大进展，但我国的空气质量预报方法研究 还处在研究和试验阶段。由于各大城市的地理位置、污染源分布及气象条件的差异， 应当根据本地情况研究分析当地的污染特征、气象条件及其与污染浓度的关系，探 索和建立不同的预报模型，在对预报模型对比分析的基础上建立适合于该城市特点 的污染浓度预报方法。 鉴于以往对西安空气污染的研究成果“”“4 ”大部分是基于不连续的监测资料 且预报模型的建立以线性统计方法为主，而实际情况是空气污染浓度受多种因素影 响，在时间和空间上都表现出明显的非线性特征。本文拟利用近几年最新的连续污 染监测资料，在分析西安市区空气污染的时空分布特征的基础上，同时利用地面和 高空资料研究分析西安空气污染与气象条件的关系，重点探讨自然降水和沙尘天气 对污染浓度的影响，最后利用s p a s s 统计软件“”和m a t l a b 语言“5 1 分别建立了西安 市空气首要污染物p m - 。浓度的逐步回归预报模型和基于主成分分析的b p 神经元网 络预报模式，并对这两种预报模型的预报结果进行对比检验。 基于以上考虑，本文确定以西安空气污染特征及其成因、首要污染物p m t 。浓度预报方 法为主要研究内容，具体是：( 1 ) 分析西安市区大气污染物的对间变化规律和空间变化状 况。通过对西安环境监测站提供的空气质量日报资料的统计分析，研究了西安市区空气污 染现状及3 种主要污染物的年际、月际和季节变化特征以及各功能区污染物的分布状况， 得到西安市区空气污染现状主要污染物的年、季、月际分布特征以及各功能区污染物的分 布特征。( 2 ) 西安市空气污染气象条件分析。研究了风、逆温、大气稳定度、天气形势等 与空气污染的关系，重点分析了大气降水、沙尘天气对空气污染的影响，得到影响西安市 空气污染浓度的主要天气形势和气象因子，得到了西安大气降水和沙尘天气对空气污染影 响的定量描述。( 3 ) p 浓度与主要气象要素的相关分析。研究西安市首要污染物雕。浓度 与主要气象要素的相关变化趋势，并分析空气质量 1 4 级污染日的气象要素分布特征，得 到对p g l o 浓度产生影响的气象因子。( 4 ) 预报模式的建立和检验。在上述分析的基础上选 出与p ml o 浓度相关性强的气象因子作为统计预报方法输入因子，利用主成分分析方法降维 去噪精选b p 神经元预报模型输入因子，采用逐步最优回归和b p 神经元网络方法分季节建 立p m m 浓度预报模式并进行模型的检验。( 5 ) 比较空气质量模型的利弊。对比分析逐步最 优回归和基于主成分分析的神经元网络模型对西安市首要污染物p m t o 浓度的预报能力，比 较各种预报方法之闻的差异。 2 1 资料说明 第二章资料与方法 本文选用的资料主要包括环境监测资料和气象资料。具体是： 环境监测资料；( 1 ) 1 9 9 8 2 0 0 4 年6 月5 个监测站点主要空气污染物的s o 。、n 0 。和p m ，。 的逐日质量浓度资料；( 2 ) 2 0 0 2 年3 月 8 2 1 日一次强沙尘暴天气过程中的5 个监测站点 逐站逐时的p m ，o 浓度资料。 市区某种污染物日平均资料为开关厂、兴庆小区、小寨、纺织城四个监测点该种污染 物的平均值，北郊草滩清洁对照点不参加全市平均。 气象资料为：( 1 ) 1 9 7 1 2 0 0 3 年西安基准站地面气象观测资料，主要用于分析西安市 天气气候特征和沙尘天气气候特征；( 2 ) 2 0 0 1 2 0 0 3 年西安高空探测资料：( 3 ) 2 0 0 1 2 0 0 3 年的历史天气图资料。 2 2 方法说明 研究采用的主要方法有；相关分析、趋势分析、主成分分析、人工神经网络方法、逐 步回归方法以及回归效果的显著性检验等。下面就逐步回归方法、回归效果的显著性检验 “、主成分分析方法3 和人工神经网络方法做一说明。 1 2 2 2 1 逐步回归方法 逐步回归的基本方法是在选取的全部预报因子( 气象因子) 中，按其对，( p t d ，。浓度 值) 作用显著程度的大小，由大到小逐个地引入回归方程。在变量引入过程中，对作用不 显著的自变量( 气象因子) 从回归方程中逐步剔除，使方程中的各个自变量都是显著的， 最后得到“最优”的回归方程。具体过程为： ( 1 ) 求回归方程系数的标准方程组 若选入回归方程的预报因子有，x z ，x ”，x m 共i n 个，由于因子是逐个地选入，而且 还有可能被剔除所以m 的值是变动的。每个因子有n 个时间序列。假定预报模型为： y f = 风+ 届z 1 1 + 2 xr 2 + + p x 栅+ 占r t = l ，2 ，n( 2 1 ) 令x j ：丢妻z ， “f 1 醪：窆伍。一i ) 卜吉蕃y 由于入选的变量因子单位不同，因此要无量纲化，对所有的因子进行标准化变换： 瓦= 学，z r = 守 则式( 2 1 ) 变为： z f = p o + 届z 儿+ 卢2 z f 2 + + 几z 抽+ 占f ( 2 2 ) 假若f 1 ，2 ，n ，变量是由i q 个数值构成的时间序列，上述预报模型可写为矩阵方式。 x = l 墨! ! 二丝! x 1 2 - x 2 s 一一 1 茎! ! 二兰! x 2 ：- x 2 1 s 1s 2 x m 一爿l s 爿h 2 一x 2 s ， xl 。一x 。 s 。 x m x m s 。 j 。一x 。 s 。 y = y i y s 。 y 2 一y s 。 yn y s ， y 一 陟 。 i i 2 r s xx = 00 0 11 2 0 吒ir 2 2 0 10 2 0 ，l 。 吒。 t 。 竞广石酝。一i ) 2 旦1 i 一， ，j y = 宝e 。一i b ，歹)口。一x ，如，y j 2 生1 r 勺为因子，- g 之间的相关系数，0 为因子彳。与y 之间的相关系数。r 为预报园子工 与之间的相关系数构成的矩阵。得 风 届 2 0 根据正规方程组的原理，有风= 0 。回归模型( 2 2 ) 改为 z r = 届z i l + 屁z ，2 + + 成z 脚+ 占r ( 2 3 ) ( 2 ) 计算因子对方程的方差贡献大小： 计算公式：k = b ；c n ，其中v t ( k = 1 ，2 ，m ) 是第k 个变量方差贡献，b t 为对应因子 变量的元素；c 。为逆矩阵k 7 x ) - 1 中的元素。 ( 3 ) 变量剔除的f 检验： 计算公式如下： 瞪) = m i n 睹) ，# 1 川2 “，卜l f 2 = 岑- 1 ) c z 。， 服从分子自由度为l ，分母自由度为的分布，其中：睹是变量方差中最小的。彬1 是引 1 4 o 入因子后线形回归方程的偏回归平方和，当f 2 兄( 1 ，栉一三一1 ) 时剔除因子唆1 所对应的 在正态线性回归条件下，若自变量全体与依变量之间不存在线性相关，即 b l = b 2 b 。= 0 ，则统计量 n 卡 ( 2 5 ) q 分别为方程的回归平方和及残差平方和，可由样本的实测值y 。、估算值y ，和样本的平 均值y 求得，公式分别为： q ：窆一，一甜 眨e ) f f l “= 喜 眨， 归效果越显著，给定信度口，假设6 l = b 2 b 。= 0 ，查表求出满足 p p 兄) = a ( 2 8 ) 时的f 的置信限，由式( 2 5 ) 计算e ，如果，2 只，可拒绝原假设，则认为自变量 全体与依变量的线性关系是显著的。这是，m 个自变量中至少有一个b 0 但是并不排 除其中有若干个6 f = 0 。又因为“= r 2 呦，呦= “+ q ，其中r 为复相关系数，s w 为 样本总方差，则( 2 5 ) 式又可写为 r 2 ，= 一堕。一 1 一矗2 力一朋一1 ( 2 9 ) 由此可得复相关系数的另一表达式 r = 悉 眨埘 对应于兄，可以求得相应的复相关系数的值信限r 。， r 口= 厂历 1 丽丙 当求得的回归方程的复相关系数r r 。时，则拒绝6 i = b 2 b 。= 0 的假设。 2 2