基于氣象條件的北京市AQI的分析與擬合探討論文

　　1.引言

　　由于目前國內(nèi)主要依靠空氣質(zhì)量指數(shù)AQI(Air Quality Index)來向公眾提供及時、準(zhǔn)確、易于理解的城市空氣質(zhì)量狀況，利用AQI也可進行環(huán)境評價與預(yù)測，是一種應(yīng)用廣泛、接受度高的環(huán)境氣象預(yù)報預(yù)警指數(shù)。伴隨著經(jīng)濟的高速發(fā)展，自然環(huán)境與我們?nèi)祟惤】刀汲惺苤�越來越沉重的壓力與嚴(yán)峻的挑戰(zhàn)，尤其是經(jīng)濟發(fā)展迅猛、人口密度大的首都北京。至今已有很多學(xué)者對北京市空氣污染方面進行了研究，李德平等統(tǒng)計分析了2001年-2007年北京地區(qū)3級以上AQI與氣象要素之間的相關(guān)關(guān)系，并對出現(xiàn)4級以上的重污染日污染源進行了分析；李令軍等利用時間序列分析的方法對空氣質(zhì)量指數(shù)(AQI)大于200的空氣重污染做了系統(tǒng)分析，進一步按照污染原因?qū)⒈本┛諝庵匚廴緞澐譃殪o穩(wěn)積累型、沙塵型、復(fù)合型和特殊型4種類型；李文杰等研究了京津石三市空氣質(zhì)量指數(shù)（AQI）的時空分布特征及其與氣象要素的關(guān)系；周秀杰等進行了基于BP網(wǎng)絡(luò)的空氣質(zhì)量指數(shù)預(yù)報研究；龍熙華、黨婕提出了一種基于可拓理論的新興網(wǎng)絡(luò)結(jié)構(gòu)，將北京市12個區(qū)的歷史監(jiān)測數(shù)據(jù)作為訓(xùn)練樣本，以可拓距離作為度量工具建立并測試網(wǎng)絡(luò)，結(jié)果表明該算法具有可行性和有效性，且在結(jié)構(gòu)與訓(xùn)練速度上優(yōu)于BP網(wǎng)絡(luò)；祝媛、黃勝以西北某市2002年NO2小時濃度為例，在三次分段Hermite插值處理后，利用相空間重構(gòu)的結(jié)果構(gòu)造神經(jīng)網(wǎng)絡(luò)模型來預(yù)測污染物濃度。目前，國內(nèi)應(yīng)用對空氣質(zhì)量指數(shù)模擬和預(yù)測的方法主要是基于最小二乘法的線性回歸模型和基于非線性函數(shù)映射的神經(jīng)網(wǎng)絡(luò)模型，時間序列方法應(yīng)用較少。本文中筆者在區(qū)分污染日、非污染日和分月基礎(chǔ)上深入分析了北京市2009-2011年AQI與氣象要素的關(guān)系，尤其首次對污染指數(shù)和氣溫的關(guān)系進行了細致研究；再創(chuàng)新性地嘗試使用Fourier級數(shù)和廣義相加模型(GAM)來擬合和預(yù)測北京市逐日、逐旬和逐月的AQI數(shù)值，并與普遍使用的線性逐步回歸進行比較。以期對氣象條件和污染濃度間的關(guān)系進行更深層次的剖析，并為城市空氣質(zhì)量指數(shù)的預(yù)報方面提供新的思路和方法。

　　2.材料來源與方法介紹

　　2.1 資料來源

　　本文選用的2009年1月1日-2011年12月31日北京市空氣質(zhì)量指數(shù)（AQI）和同期常規(guī)地面氣象觀測資料。氣象資料包括平均/最高/最低氣壓、平均/最高/最低溫度、平均/最大風(fēng)速、相對濕度、24h降水量、日照時數(shù)等主要氣象要素，污染數(shù)據(jù)包括逐日AQI值、污染等級、首要污染物等。氣象數(shù)據(jù)來源于中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)，污染數(shù)據(jù)來源于中華人民共和國環(huán)境保護部數(shù)據(jù)中心。

　　2.2 方法介紹

　　基本思想是：對全部因子按其對因變量影響程度大小，從大到小地依次逐個地引入回歸方程，并對回歸方程當(dāng)時所含的全部變量進行檢驗，看其是否仍然顯著，如不顯著就將其剔除，直到回歸方程中所含的所有變量的作用都顯著時，才考慮引入新的變量。直到最后再沒有顯著因子可以引入，也沒有不顯著的變量需要剔除為止。

　　3.結(jié)果

　　3.1 數(shù)據(jù)的描述性統(tǒng)計結(jié)果、年際變化與季節(jié)分布

　　所用空氣質(zhì)量指數(shù)與氣象要素的基本分布特征�？芍�北京三年的AQI平均值為83.74，四分位數(shù)間距為40；平均氣溫13.15℃，平均相對濕度50.38％，平均風(fēng)速2.23m/s。

　　各項數(shù)據(jù)的頻率分布直方圖，由圖可見，除最低氣壓外所有數(shù)據(jù)都不符合正態(tài)分布，故下文中統(tǒng)一采用Spearman相關(guān)分析，而非一般的Poisson相關(guān)。

　　3.2 AQI與氣象要素的關(guān)系3.2.1 區(qū)分污染日與非污染日后的Spearman相關(guān)性

　　以AQI=100（輕微污染下界）為分割劃分空氣污染日與優(yōu)良日，分別將空氣質(zhì)量指數(shù)與氣象條件做相關(guān)，結(jié)果分別見表4、表5所示。同時發(fā)現(xiàn)在污染日，首要污染物全部為可吸入顆粒物。在雙側(cè)置信度為99％時，相關(guān)性是顯著的；*表示在雙測置信度為95％時，相關(guān)性是顯著的。

　　3.3 AQI的擬合方法研究

　　分別試采用線性擬合的逐步回歸法，非線性擬合的傅里葉級數(shù)法與廣義相加模型來擬合污染指數(shù)的時間序列，并比較各種方法的優(yōu)劣。

　　3.3.1 利用氣象要素的逐步回歸法

　　分月回歸公式見表7，其中1~4月、7~10月與12月公式中各項均通過了顯著性水平為0.05的檢驗，6月、11月的回歸公式不顯著，5月無法輸出擬合公式，說明氣象要素在5月對污染指數(shù)的影響較小。在所有顯著的回歸方程中，可決系數(shù)R2由大到小排序為1月>2月>10月>7月>3月>8月>9月>12月>4月，最大R2=0.458，最小R2=0.108，擬擬合效果一般。

　　3.3.2 基于時間序列分析的AQI擬合與預(yù)測研究

　　北京市2009-2011年逐日空氣質(zhì)量指數(shù)的時間序列圖見圖4，可見AQI值存在一定的波動性與周期性，極大值處于每年的春、冬季，在大的周期上疊加著繁多的細小波動。圖5所示為逐日AQI值的頻率譜密度，發(fā)現(xiàn)曲線整體波動幅度較大，且線條下降幅度不夠明顯，說明逐日數(shù)據(jù)并沒有明顯的主周期，而是眾多不同周期的波疊加而成，并且這些波的解釋方差沒有明顯差別。而傅里葉擬合需要首先確定時間序列的主要周期，故逐日AQI值并不適宜用Fourier級數(shù)來擬合。故以下將分別進行AQI月均值與旬均值的Fourier級數(shù)擬合。

　　4. 討論

　　在所有影響空氣質(zhì)量的因素中，氣象因素是極其重要與直接的條件之一，通常來講，風(fēng)速、降水對空氣質(zhì)量具有立竿見影的作用，但以逐日AQI與氣象要素的相關(guān)關(guān)系來看，溫度對空氣質(zhì)量指數(shù)具有明顯的指示性。這并不是說氣溫與空氣質(zhì)量存在直接的因果關(guān)系，而是以溫度作為某種“指示劑”或者“標(biāo)志”，可以代表不同季節(jié)/月份的綜合天氣狀況（不同的天氣型對應(yīng)不同的溫度范圍），那么某時段特定的天氣下空氣質(zhì)量指數(shù)的變化一般是相似的。一年不同的時段對應(yīng)的溫度不同，天氣狀況也迥然不同，那么擴散條件必定有所差異，只有了解了污染與氣溫之間的關(guān)系，就可根據(jù)溫度實況與前幾日的變化趨勢、結(jié)合天氣預(yù)報對未來的污染指數(shù)進行分析預(yù)報。本文在研究不同月份AQI與氣象要素關(guān)系的基礎(chǔ)上，創(chuàng)新性地將Fourier級數(shù)與GAM模型引入空氣質(zhì)量指數(shù)的擬合與分析中來，對逐月和逐旬AQI的擬合準(zhǔn)確度分別達到R2=0.921和R2=0.627，這是常規(guī)的線性擬合無法達到的，問題的根源就在于污染指數(shù)與氣象要素之間復(fù)雜的非線性關(guān)系（圖9~圖10）。本文初步但是較為系統(tǒng)地得出了不同溫度段下的AQI與日平均氣溫的非線性關(guān)系，在此僅為相關(guān)研究提供參考和一種新的思路，還可做更加深入的探討與分析。

【基于氣象條件的北京市AQI的分析與擬合探討論文】相關(guān)文章：

基于SWOT分析的新疆農(nóng)產(chǎn)品電子商務(wù)發(fā)展探討10-26

基于大數(shù)據(jù)理念構(gòu)建經(jīng)濟金融管理體系的探討經(jīng)濟論文10-13

煤礦機電的管理與維護分析探討10-26

基于SWOT分析的泰安市旅游資源分析10-26

案例分析論文11-07

化學(xué)實驗教學(xué)探討論文06-24

基于電子商務(wù)人才供求錯位探討電子商務(wù)教學(xué)10-26

基于檔案的社會作用管理論文10-13

基于典型相關(guān)分析方法的尺度不變特征變換10-26

基于因子分析的甘肅投資環(huán)境評價10-26