基于聚类与多元回归的空气质量预报模型开发

为了方便准确地预测空气污染物浓度,基于气象因子聚类与多元回归的方法,以广东省顺德区为例开发了空气质量统计预报模型。预报模型能够较好地模拟出顺德区NO2、SO2、CO、PM10、PM2.5日均浓度和O3日最大8 h浓度水平和变化趋势,模型的模拟结果与实测值具有较高的相关性（相关系数R约为0.76）,标准化平均偏差为1.2%-13.4%,标准化平均误差为14.2%-30.3%,模型普遍略为高估各项污染物浓度水平。预报模型具有简单易行、节约人力物力、准确可靠等优点,适用于地级市及区县空气污染物的预报。

基于逐步回归分析方法的PM10浓度预报模型

根据沈阳市2003～2005年的PM10浓度资料以及同期的气象要素资料,采用逐步回归方法建立了分季节的空气污染物PM10与气象因子的关系模型,并且利用2006年PM10资料和气象资料对模型进行了验证。结果表明:PM10预报浓度准确率和等级准确率最好的是夏秋两季,最差的是春季。春季当PM10日均浓度出现很高值时,预报结果与实测值有较大的误差,但趋势是一致的。秋季趋势的一致性不好,但波动比较小。冬季和夏季预报值与实测值的变化趋势基本上一致。

西安市春夏气象因素对大气污染的影响

目的探讨气象因素对大气污染的影响。方法收集2005年4月1日—6月30日西安市气象因素(日最高、最低气温、日平均气压、日平均相对湿度)和大气污染物浓度(SO2、NO2及PM10)资料,绘制资料中各要素的时间趋势图,研究气象因素以及大气污染物随时间变化的趋势;对大气污染物浓度与气象因素进行多重线性回归分析和相关分析。结果该时间段气温呈上升趋势,日均相对湿度也呈一定上升趋势,日均气压逐渐下降;空气污染物浓度呈一定下降趋势但并不明显。各气象因素和大气污染物之间呈现一定统计学相关(P<0.05),各气象因素对大气污染物浓度影响的回归方程为lnSO2=-3.352+0.019×最高气温-0.026×最低气温,lnNO2=-3.448-0.003×日均湿度+0.012×最高气温-0.015×最低气温,lnPM10=-2.197+0.011×最高气温-0.021×最低气温。结论气象因素的变化对大气污染状况具有一定的影响。

2013-2016年广州市气象因素、空气污染与猩红热发病相关性研究

目的了解广州市近年猩红热病流行特征,利用负二项回归分析气象因素、空气污染中PM2.5与猩红热发病间关系,为广州猩红热防控提供参考依据。方法收集并分析2013-2016年间广州市猩红热发病信息,以及同期的气象和PM2.5数据,通过交叉相关分析筛选影响因素,在考虑周末效应与假期效应下,应用负二项回归模型分析气象与PM2.5与猩红热发病的相关性。结果 3-6月和11-次年1月为发病高峰期,0~14岁病例占99.72%,其中3~7岁病例占78.42%,男女比为1.75∶1。猩红热发病数与发病前7天的平均气温相关系数为-0.05(P<0.01),与发病前6天的累计降雨量相关系数为0.005(P<0.05)。结论广州市猩红热发病每年存在两个流行高峰,儿童是重点防控人群,猩红热发病数与发病前7天的平均气温和发病前6天的累计降雨量存在关联,结果为发病预警和防控提供参考依据。

空气污染预测与地面气象要素应用

利用逐步回归的数理统计方法及本溪市大气环境监测资料和地面常规气象观测资料 ,对辽宁省本溪市空气污染物TSP和SO2 的浓度分别进行了计算分析并建立了预测方程 ,并对这两种污染物分别进行了预测检验。

大连市空气污染预测预报统计方法的研究

通过分析大连市的大气污染因子与气象因子的关系 ,利用统计学中多元回归的方法 ,建立了大连空气污染预测预报方程。

千岛湖国家森林公园大气能见度变化特征及其影响因素

【目的】研究千岛湖国家森林公园大气能见度变化特征及其影响因素,为提升森林景观及游览质量提供数据支撑。【方法】利用2015-12-01—2016-11-30监测数据,分析大气能见度变化特征,探究大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、CO和O_3)和气象因子(风速、气温、露点温度、海平面气压和空气相对湿度)对大气能见度的影响。【结果】千岛湖国家森林公园年均大气能见度为12.84 km,除PM_(2.5)年均浓度略超出环境质量一级标准外,其他大气污染物年均浓度皆处于一级标准内,表明千岛湖国家森林公园空气质量较高;大气能见度呈夏秋季高、春冬季低的变化特征,最大值出现在8月,最低值出现在1月;从日变化规律看,最大值出现在傍晚(17:00),最低值出现在清晨(5:00);将大气能见度分为极差(<4 km)、差(4~10 km)、好(10~20 km)和极好(≥20 km)4个级别进行分析,发现不同级别大气能见度出现的频率有明显季节性,春冬季极差和差的频率高,好和极好的频率低,夏秋季好和极好的频率较高,差和极差基本未出现;年内数据相关性分析显示,大气能见度与大气污染物PM_(10)、PM_(2.5)、CO、SO_2和NO_2浓度及空气相对湿度和海平面气压负相关(相关系数分别为-0.29,-0.33,-0.26,-0.16,-0.35,-0.42和-0.11),而与气温、风速和露点温度正相关(相关系数分别为0.39,0.20和0.19);K均值聚类分析表明,千岛湖大气能见度较高时,气象条件为高温、高风速、低湿和低海平面气压,是夏秋季午后典型的气象特征,而大气能见度出现低值时,气象特征为低温、高湿、高海平面气压和低风速,为春冬季夜晚及凌晨典型的气象特征;以消光系数、干消光系数与AQI和大气污染物PM_(10)、PM_(2.5)、SO_2、CO、NO_2浓度构建回归模型,显示回归(P<0.001),且相对于其他污染物浓度指标,AQI和PM_(10)、PM_(2.5)浓度对大气能见度贡献率(R2)较高,表明其对大气能见度变化影响较大。【结论】千岛湖国家森林公园大气能见度高,空气环境质量较好,大气能见度呈现出明显的季节和日变化特征;大气能见度与大气污染物浓度和气象因子相关,气温、风速、空气相对湿度对大气能见度影响较高,AQI和PM_(10)、PM_(2.5)浓度对大气能见度影响较大;除去雨、雾等特殊天气影响后的大气能见度可有效反映大气环境质量。

基于灰色BP-NN优化组合的PM2.5预测

针对传统的BP神经网络模型无法有效表达时间序列数据中存在的历史特征的缺陷,提出利用灰色预测原理具备发现事物历史变化规律性的优势来解决BP神经网络预测模型的这一弱点,最后得到的灰色BP-NN优化组合模型具备了更高的预测精度。实验采用中国气象站2018年1月至2月北京市10个监测点的PM2.5质量浓度及其对应的每小时的空气污染物浓度、气象因子建立神经网络预测模型,并采用灰色预测算法对神经网络模型进行改进,改进后的结果为:在系统误差上有了较大的降低,同时预测结果与实测结果之间的拟合程度更好。

基于Matlab的神经网络在绵阳空气质量预测中的应用

以绵阳市2014~2016年空气污染指数(API)以及SO 2、NO 2、PM 10等污染物为研究对象,探讨了绵阳市空气污染的变化规律,并分析它们与常规观测的地面气象资料之间的关系。尝试采用多元线性回归方法及BP神经网络方法建立污染预报模型,并检验分析两种模型的可行性。结果表明基于BP神经网络的预报模型在污染预报中可行,并建立基于BP神经网络进行空气质量预测的预测模型,利用历史资料进行验证。

Kalman滤波法在城市空气污染预报中的应用

利用 Kalman滤波法结合由逐步回归法选出的 T1 0 6气象因子 ,对大连市的空气质量进行预测预报 ,得出了该法与传统的多元回归法相比具有物理意义明显、准确率高的结论。

岳阳城区空气污染的变化特征及气象影响因素

根据2003年12月至2013年12月空气污染资料,对岳阳城区空气污染的变化特征及气象影响因素进行了分析,探讨了2013年岳阳城区出现的典型空气污染过程的天气实况、大尺度环流背景及成因。结果表明:近10年来,岳阳城区API指数呈显著下降趋势。冬季空气污染最严重且年际变化较大,而夏季空气污染相对较轻且年际变化较小。1—12月API指数基本呈V形变化,且具有冬半年(10月至次年3月)偏高,夏半年(4—9月)偏低的变化规律。工业布局、主导风向、地理条件等导致岳阳城区空气质量具有显著的时空分布。气温日较差大、逆温等大气处于稳定状态下空气污染加重。本地气象和外地输入因素导致2013年岳阳城区出现一次比较典型的空气污染过程。用多元回归方法建立的API指数预报方程表明,气象要素和天气现象对岳阳城区API指数有显著影响。

多城市PM_(2.5)、PM_(10)、O_(3)浓度与气象条件关联性的Meta分析

使用2015~2017年我国29个城市的空气污染物PM_(2.5)、PM_(10)、O_(3)浓度和气象要素(包括气压、气温、相对湿度、降水量、风速、日照时数)日数据,对每个城市空气质量变化特征与气象要素的月平均值进行了线性相关和多元回归模型分析,然后Meta分析合并相关系数和回归系数。结果表明:PM_(2.5)浓度与所有气象变量(除风速)呈相关、PM_(10)浓度与所有气象变量呈相关,而O_(3)也与所有气象变量(除相对湿度)呈相关,但O_(3)与气象变量的相关方向和PM_(2.5)、PM_(10)相反。通过对污染物浓度和气象变量的多元回归分析,21个城市的空气污染都得到较好程度的解释(R^(2)>0.5)。同时,对影响PM_(2.5)、PM_(10)和O_(3)的主要气象因素的效应进行了合并。

长沙市气象因素对大气污染的影响分析

基于湖南省长沙市2016~2019年逐日大气污染监测数据,对长沙市过去4年的空气质量进行了时间序列的变化趋势分析。利用长沙市2016~2019年逐日同期气象数据,通过相关性分析和逐步回归分析方法揭示了长沙市气象因素变化对大气污染的影响。研究表明:(1)长沙市空气质量逐年向好,SO_(2)、NO_(2)、CO、PM_(10)的浓度基本保持在二级标准以内,状况优良,PM_(2.5)对大气的污染逐年减轻,但O_(3)对大气的污染逐年加重。(2)对O_(3)浓度正面影响的气象因素是平均气温和日照时数,负面影响的气象因素是平均气压、平均风速和平均相对湿度;对PM_(2.5)浓度正面影响的气象因素是平均气压,显著负面影响的是平均气温、日照时数和平均相对湿度。(3)长沙市O_(3)浓度变化的46%能够由气象因素解释,PM_(2.5)浓度变化的23%可由气象因素解释。

晋江城市空气质量污染潜势统计预报方法初探

根据实际工作经验,通过分析气象条件对晋江城市空气质量的影响,建立了一套以天气形势为依托,综合考虑气象要素变化,以分类法与趋势外推法相结合的空气污染潜势的统计预报方法。经实践检验:用该方法预报空气质量为Ⅰ级和Ⅲ级以上的准确率分别为95.2%和79.2%,API指数误差在[-10,10]的命中率达到82.5%。预报方法简单、经济、实用,预报准确率较高,可为沿海地区中小城市今后开展空气质量预报提供参考。

武汉市空气质量与气象条件的关系及气象预报方法研究

利用2013~2014年武汉市空气质量指数和气象要素因子,分析了武汉市环境空气质量分布特征以及气象要素因子对空气质量的影响。结果表明,武汉市空气质量严重污染天气占全年的4%;近10年（2005~2014年）武汉市PM10、SO2污染物浓度逐年下降,首要污染物以细颗粒物为主。武汉市空气质量变化与气温、低云量、平均风速、降水量等气象因子相关性最好,均呈明显的负相关性。利用数理统计方法,选用与空气质量指数相关性较好的气象因子制作逐日空气质量指数多元回归预测方程,可结合气象预报产品及时制作空气质量预报。

气象因素对西安市城区空气质量的影响

以西安市城区2014年1月1日~2015年12月31日空气质量监测数据和气象资料为基础,分析了气象因素对空气质量的影响。相关性分析表明:在各污染等级下,气温T和露点温度Td与气态污染物SO_2、CO、NO_2呈显著负相关,与O3呈显著正相关;4级污染时,露点温度Td与PM_(2.5)呈显著负相关,气温T与PM_(10)呈显著正相关;3、4级时,气温T与PM_(2.5)呈显著负相关。3级污染时,仅有气压趋势Pa对PM_(2.5)、PM_(10)、SO_2、CO存在显著相关性;4级及以上污染时,大气压P0、平均海平面大气压P与各污染物浓度间的显著相关性基本一致。4级污染时,湿度RH与PM_(10)和NO_2呈显著负相关,4级及以上污染时,RH与SO_2呈显著负相关。PM_(10)主成分回归模型通过了显著性检验、拟合优度很好且无多重共线性,CO、NO_2、PM_(2.5)、T、Td、RH对PM_(10)浓度存在显著影响。

偏最小二乘回归法研究气象因素对武汉市空气质量参数的影响

[目的]用偏最小二乘回归法研究2009—2012年武汉市可吸入颗粒物(PM10)、二氧化硫(SO2)和二氧化氮(NO2)浓度的气象影响因素。[方法]研究数据为2009—2012年武汉市环境自动监测点监测的PM10、SO2和NO2日平均浓度,以及同期武汉市地面气象观测台所观测的24 h(当日20:00到次日20:00)累积降水量、平均气压、平均风速、平均气温、平均相对湿度和平均日照时数。用偏最小二乘回归法提取变量的变异信息,交叉验证方法确定最佳主成分数,进而确定气象因素与大气污染物间的线性关系。[结果]2009—2012年间武汉市空气质量逐年改善,呈现PM10和NO2复合型大气污染特征。偏最小二乘回归分析结果提示,第一主成分对PM10、SO2和NO2变异的解释能力分别为0.722、0.915和0.702。24 h累积降水量的增加、平均风速的加大、平均气温的升高、平均相对湿度和平均日照时数的增加能够降低该城空气质量参数(PM10、SO2和NO2)的浓度,而平均气压的上升会使PM10、SO2和NO2浓度增加。气象因素对PM10、SO2和NO2浓度的作用程度存在差异。平均风速和平均温度是气态污染物浓度的主要气象影响因子,降水量对NO2浓度的稀释作用明显强于对PM10浓度的影响。[结论]偏最小二乘回归法能够克服气象因素之间的多重共线性。气象因素(降水量、平均风速、平均气温、平均相对湿度、平均日照时数、平均大气压)对武汉市大气污染物浓度的影响存在差异性。

大气污染对急性出血性结膜炎发病的影响

目的探讨广州市大气污染因素对急性出血性结膜炎(AHC)发病的影响。方法收集广州市2017—2019年AHC发病数据和同期二氧化氮、二氧化硫、PM10、一氧化碳、臭氧(O3)和PM2.5等大气污染物浓度以及温度和湿度等气象因素资料,使用Spearman相关分析和多元逐步回归法进行分析。结果2017—2019年广州市累计报告AHC病例477例。单因素和多因素分析结果显示,O3与AHC发病呈正相关(RR=1.002,95%CI:1.000~1.004);日平均O3达到366μg/m^(3)时,AHC的RR值最大,为1.404。结论大气污染的各类因素对AHC发病影响各有差异,O3是影响AHC发病的主要大气污染因素。

支持向量回归联合气象和空气污染指标在细菌性痢疾预测中的应用

目的探讨支持向量回归(support vector regression, SVR)模型联合气象和空气污染物指标在兰州市细菌性痢疾发病预测中的应用,为细菌性痢疾防控提供科学的参考依据。方法利用兰州市2013年12月-2016年8月细菌性痢疾发病时间序列数据,结合同期气象和空气污染物数据作为训练集建立SVR模型,以2016年9月-2017年12月的发病数据及同期气象和空气污染数据作为验证集验证模型,并比较不同来源数据模型的拟合及预测效果。结果 2013年12月-2017年12月兰州市共报告细菌性痢疾7 192例。除气压外,其他气象和空气污染因子与细菌性痢疾发病数的相关系数均>0.4。基于整合数据对拟合模型的参数进行选择,得到最小测试误差值所对应的三个参数分别为:C=5、γ=0.02和ε=0.000 1。利用验证集对不同来源的拟合模型进行测试显示整合数据模型具有最好的预测精度性和稳健性,均方根误差(root mean squared error,RMSE)为0.164 7,平均绝对百分比误差(mean absolute percentage error,MAPE)为16.405%。结论应用SVR模型联合气象和空气污染指标预测细菌性痢疾效果良好。