永安市环境空气质量预报方法研究及应用

来源:用户上传      作者: 楼建华

　　[摘要] 将永安市环境监测站2005、2006年空气质量自动监测资料与同期气象观测资料进行对比相关分析，运用统计学方法，对各相关气象因子进行筛选，针对不同污染物，分别建立了适合本区域使用的时间系列分析模型和逐步回归预报模型，通过试报取得较好的预报结果。
　　[关键词] 城市空气污染 预报方法
　　
　　1 引言
　　
　　随着国民经济的快速发展和人民生活水平的日益提高，政府和民众越来越关注城市的空气质量问题。大气污染物会对人体的健康产生严重的影响，如粒径小于10μm的气溶胶粒子能直接进入并粘附在人体上下呼吸道和肺叶中，导致呼吸道疾病等。开展城市空气质量预报，是环保部门拓宽服务领域的一项重要内容，不仅可以让民众更清楚、更全面地了解各种气象条件下污染物的变化，为民众提供安排各种活动的参考依据，为管理部门实施空气污染控制决策提供科学的依据。永安是一个地处闽西北内陆地区的工业城市，城市空气污染比较严重。永安市环境监测站自1999年开展污染物浓度监测，积累了一定时限的监测资料。2005年1月1日起，环保局开始在每日电视天气预报节目中播出“每日环境质量公报”，向社会发布当日的空气质量实况，取得了很好的社会效益。
　　根据国家环保局规定，空气质量主要以SO2、NO2、PM10三种污染物浓度来衡量。污染物浓度除了受排放量的变化影响之外，另一主要影响因素就是气象要素的变化。一般来说，除突发事件外，一个城市的污染物排放在以月为时间尺度考虑是接近定常的，而每日污染物浓度的变化主要取决于当地的气象条件变化。
　　
　　2 资料及处理
　　
　　本文采用永安市环境监测站提供的2005-2006年监测项目（SO2、NO2、PM10）浓度值，缺测资料用序列前后值进行插值替换。
　　2.1 污染物浓度的年分布
　　
　　
　　图1 永安市2005-2006年SO2、NO2、PM10浓度月平均值曲线（单位：mg/m3）
　　
　　图1为永安市2005-2006年SO2、NO2、PM10浓度（单位：mg/m3）月平均值分布曲线，三条曲线都可以近似认为是双峰双谷曲线。
　　图中三种污染物浓度的曲线走向比较一致，冬季浓度比夏季高，SO2浓度最高值出现在12月，为0.062，次峰值出现在3月；最低值出现在6月，为0.022，次谷值出现在2月；PM10浓度最高值出现在1月，为0.095，次峰值也出现在3月；最低值出现在8月，为0.038，次谷值出现在2月；NO2浓度最高值出现在2月，为0.054，次峰值出现在9月；最低值出现在8月，分别为0.026。
　　2.2 污染物浓度与气象因子的分析
　　2.2.1 天气类型对污染物浓度的影响
　　根据两年来对永安市高污染的日数（API指数大于100）的天气过程进行分析，发现：①首要污染物都为PM10；②高污染日数多出现在由晴转雨的前一到二天，此时高空多为西南气流或偏西气流，天空云系比较多，风力较小。③高污染出现日数是气象条件与污染物排放总量共同作用的结果，但目前没有污染物排放量的统计资料，所以只能对其气象背景条件进行分析。
　　2.2.2 预报因子的筛选
　　理论上讲，可用以建立预报方程的因子很多，为便于实际操作和预报的发布，研究中选用相对容易获取的地面常规气象要素作为初选因子进行分析和实验。空气质量监测主要监测影响人们日常活动近地面层大气污染物浓度，因此气象因子的选取依据地面气象观测资料比较合理。近地面层常规气象要素观测有：气温T、地温D0（地表温度）、风向、风速Vf、降水量Ｒ、气压Ｐ、总云量Ｎ、低云量Nl、湿度U、日照S、能见度V等。
　　
　　3 预报方法
　　
　　目前我国空气质量预报的主要方法有数值模式、数理统计和综合经验三类方法。中小城市大多采用数理统计类。此类方法气象因子的选取对空气质量预报的准确率有着很大的影响，因此其关键点是准确分析气象因子对污染浓度的影响，寻找合适的气象因子（预报因子）。本文通过对永安2005- 2006近地面层常规观测气象要素进行因子相关普查，并采用多元逐步回归的方法，建立最优回归方程。
　　
　　4 回归方程的建立
　　
　　4.1 污染物浓度逐步回归方程
　　①Y1(SO2)=0.00379-0.000399*X1+0.000266*X2-
　　0.000190*X3+0.68*X4
　　式中，X1：08时气温；X2：14时气温；
　　X3：08时能见度；X4：前一天SO2浓度。
　　②Y2(NO2)=0.0128+0.79*X1
　　式中，X1：前一天NO2浓度
　　③Y3(PM10)=0.0452-0.000117*X1-0.000405*X2-
　　0.000307*X3+0.57*X4
　　式中，X1：11时能见度；X2：08时风速；
　　X3：预报第二天雨量；X4：前一天PM10浓度。
　　4.2 API多因子逐步回归方程
　　经过相关普查，发现API指数与多个因子也具有很高的相关度，于是在业务运行中又通过逐步回归建立了API指数的回归方程，作为对浓度方程的补充。
　　④Y4(API)= 21.97+1.2*X1-2.548*X2+0.521*X3+0.5
　　式中，X1：预报日的温度日较差（预报值）；X2：预报日的蒸发（预报值）；X3：前一天API指数。
　　
　　5 预报操作步骤
　　
　　制作预报时，用浓度方程得出预报时效内的浓度，计算出API的预报值1，再用方程④得出API的预报值为2，两者在不同的季节采用不同的加权平均，最后得出最终的API预报值。
　　整个预报过程已通过VB6.0编程，在电脑上实现了空气质量预报预警系统。预报员在制作预报时，只要输入各相关因子，就可自动得出预报结论。
　　
　　6 预报准确率的检验
　　
　　根据2007年1-6月业务试运行情况，共预报181次，其中等级正确140次，准确率为77.3%，预报指数精确度评分为86.4，平均逐日质量评分为78.2。
　　
　　7 结论
　　
　　7.1 通过对永安市环境空气质量预报方法的研究，我们认为各种污染物在大气中的排放、扩散以及影响范围等的变化过程十分复杂，要精切描述并模拟出相应的数值模式显然是困难的。因此采用统计预报的方法，引入一些对影响污染物浓度变化有物理意义，但又不苛求它们之间确切的影响机制的预报因子，通过一些数理统计方法，构造数学模型是可行的。
　　7.2 在中小城市(如永安)，利用多年气象观测和污染物浓度资料，通过统计学的方法，确定预报量与预报因子的定量关系，最后根据这些定量关系预报未来的空气污染浓度，具有操作简便，方式灵活、使用方便、维持经费低且精度较高的特点,并且便于推广。
　　
　　参考文献
　　[1] 蒋维楣，曹文俊，蒋瑞宾. 空气污染气象学教程[M]. 北京：气象出版社，1993. 1-23.
　　[2] 殷达中，刘万军. 海外大气污染预报的状况及方法[J]. 气象科技，1997(1): 19-22.
　　[3] 朱 蓉，徐大海，孟燕君, 等. 城市空气污染数值预报系统CAPPS及其应用[J]. 应用气象学报, 2001, 12: 267-278.
　　[4] 韩志伟，杜世勇，雷孝恩, 等. 城市空气污染数值预报模式系统及其应用[J]. 中国环境科学，2002, 22: 202-206.
　　[5] 谷德军，吴艳标, 江奕光，等. 珠江三角洲城市群污染指数预报的模式方法[J]. 热带气象学报，1999, 15: 128-135.
　　[6] 任阵海, 苏福庆等. 边界层大气排放物形成重污染背景分析[J]. 大气科学. 2005, (1): 57-63.

转载注明来源:https://www.xzbu.com/1/view-244403.htm