基于气象条件的北京市AQI的分析与拟合研究.docVIP

基于气象条件的北京市AQI的分析与拟合研究 1.引言 由于目前国内主要依靠空气质量指数AQI(Air Quality Index)来向公众提供及时、准确、易于理解的城市空气质量状况，利用AQI也可进行环境评价与预测，是一种应用广泛、接受度高的环境气象预报预警指数。伴随着经济的高速发展，自然环境与我们人类健康都承受着越来越沉重的压力与严峻的挑战，尤其是经济发展迅猛、人口密度大的首都北京。至今已有很多学者对北京市空气污染方面进行了研究，李德平等统计分析了2001年-2007年北京地区3级以上AQI与气象要素之间的相关关系，并对出现4级以上的重污染日污染源进行了分析；李令军等利用时间序列分析的方法对空气质量指数(AQI)大于200的空气重污染做了系统分析，进一步按照污染原因将北京空气重污染划分为静稳积累型、沙尘型、复合型和特殊型4种类型；李文杰等研究了京津石三市空气质量指数（AQI）的时空分布特征及其与气象要素的关系；周秀杰等进行了基于BP网络的空气质量指数预报研究；龙熙华、党婕提出了一种基于可拓理论的新兴网络结构，将北京市12个区的历史监测数据作为训练样本，以可拓距离作为度量工具建立并测试网络，结果表明该算法具有可行性和有效性，且在结构与训练速度上优于BP网络；祝媛、黄胜以西北某市2002年NO2小时浓度为例，在三次分段Hermite插值处理后，利用相空间重构的结果构造神经网络模型来预测污染物浓度。目前，国内应用对空气质量指数模拟和预测的方法主要是基于最小二乘法的线性回归模型和基于非线性函数映射的神经网络模型，时间序列方法应用较少。本文中笔者在区分污染日、非污染日和分月基础上深入分析了北京市2009-2011年AQI与气象要素的关系，尤其首次对污染指数和气温的关系进行了细致研究；再创新性地尝试使用Fourier级数和广义相加模型(GAM)来拟合和预测北京市逐日、逐旬和逐月的AQI数值，并与普遍使用的线性逐步回归进行比较。以期对气象条件和污染浓度间的关系进行更深层次的剖析，并为城市空气质量指数的预报方面提供新的思路和方法。 2.材料来源与方法介绍 2.1 资料来源 本文选用的2009年1月1日-2011年12月31日北京市空气质量指数（AQI）和同期常规地面气象观测资料。气象资料包括平均/最高/最低气压、平均/最高/最低温度、平均/最大风速、相对湿度、24h降水量、日照时数等主要气象要素，污染数据包括逐日AQI值、污染等级、首要污染物等。气象数据来源于中国气象科学数据共享服务网，污染数据来源于中华人民共和国环境保护部数据中心。 2.2 方法介绍 2.2.1 逐步回归法 基本思想是：对全部因子按其对因变量影响程度大小，从大到小地依次逐个地引入回归方程，并对回归方程当时所含的全部变量进行检验，看其是否仍然显著，如不显著就将其剔除，直到回归方程中所含的所有变量的作用都显著时，才考虑引入新的变量。直到最后再没有显著因子可以引入，也没有不显著的变量需要剔除为止。 3.结果 3.1 数据的描述性统计结果、年际变化与季节分布 空气质量指数与气象要素的基本分布特征。可知北京三年的AQI平均值为83.74，四分位数间距为40；平均气温13.15℃，平均相对湿度50.38％，平均风速2.23m/s。 3.2 AQI与气象要素的关系 3.2.1 区分污染日与非污染日后的Spearman相关性 以AQI=100（轻微污染下界）为分割划分空气污染日与优良日，分别将空气质量指数与气象条件做相关，结果分别见表4、表5所示。同时发现在污染日，首要污染物全部为可吸入颗粒物。 当AQIlt;100时，其与气象要素的关系见表5。可知污染指数与平均/最高/最低气压、平均/最大风速和日照时数为显著性负相关，而与平均/最高/最低温度、相对湿度、最小相对湿度、降水量为显著性正相关。空气优良时，一般没有外来污染源输入（沙尘暴、浮尘等），污染主要来源于本地工业废气、汽车尾气等，首要污染物可能为SO2、NO2和可吸入颗粒物中的任何一种。大气层结较为稳定的多云和阴天，温度偏高（尤其是最低温度），湿度较大，日照时数短，风速小，气流的垂直对流活动和水平输送都较弱，导致本地污染物持续累积在边界层，污染物浓度升高（AQI值升高）。 3.2.2 分月的AQI与气温的关系 为了更详尽的了解不同季节背景下的污染指数与气象要素的关系，求出12个月AQI与各气象要素的关系，并结合天气进行分析。表6所示为各月AQI与气象要素的Spearman相关系数。 3.3 AQI的拟合方法研究 分别试采用线性拟合的逐步回归法，