贵阳市主要污染物浓度预报模型研究

夏晓玲，宋 丹

(贵州省气象服务中心，贵州 贵阳 550002)



贵阳市主要污染物浓度预报模型研究

夏晓玲，宋 丹

(贵州省气象服务中心，贵州 贵阳 550002)

选取贵阳市环保站2013年3月—2014年2月共12个月的主要污染物(PM10、PM2.5和O3)浓度的小时均值进行分析，发现PM10和PM2.5在20时—次日08时较容易出现日最大值，O3在12—18时较容易出现日最大值，PM10和PM2.5污染物浓度的月平均，以夏季最低，冬春两季最高，这可能与贵阳市冬春两季的采暖有一定的关系。而O3浓度的月平均值以冬夏两季较低，春秋两季较高，但整体变化幅度不大。分析以上3种污染物和气象要素的相关性发现，湿度对污染物浓度较大，呈负相关。运用逐步回归方法分别建立PM10、PM2.5和O3的预报方程，其中PM10的预报方程预报等级的准确率为67.81%，订正后准确率为70.55%；PM2.5的预报方程准确率为65.75%，订正后准确率为71.23%，故业务对PM10和PM2.5的预报中可以参考订正值。O3的预报方程准确率为70.55%，订正后准确率为68.49%，业务中预报O3可以直接参考预报值。

PM10；PM2.5；O3；SPSS；预报模型

1 引言

随着社会经济与城市化进程的快速发展，大气污染日益加剧，环境空气质量问题已引起人们密切的关注和重视[1]。目前对于城市大气污染的研究主要有污染个例分析、浓度变化规律、污染物和气象因子的关系等这几个方面[2-4]。同时对于空气污染较为严重的地区例如长江三角洲和环渤海地区的研究较多[5-9]，对于西南地区的研究普遍较少[10-13]，虽然2013年贵阳市空气质量优良率为76.2%，在74个城市中总和排名为第10，省会排名为第4(贵州省环保厅公布)，但是2013年中有中度污染14 d，重度污染1 d，同时在贵阳市布设的10个观测点中，可吸入颗粒物(PM10)和细颗粒物(PM2.5)年均值指标未达到国家环境空气质量二级标准。贵阳市主要的污染物有PM10、PM2.5和O3这3种[14]，故本文利用12个月PM10、PM2.5和O3的观测资料和气象要素进行分析，形成预报方程，为贵阳市PM10、PM2.5和O3的预报提供依据。

2 数据和方法

本文选取贵阳市环保站2013年3月—2014年2月共12个月PM10、PM2.5和O3的污染物浓度小时均值进行分析，考察污染物峰值出现的时段；通过小时均值计算日均值，分析日均值的月变化，为研究以上3个污染物浓度日均值的变化和气象要素之间的关系，选取相同日期的地面，高空3个层次(850 hPa、700 hPa和500 hPa)风速、风向、温度、湿度等57个贵阳站的气象要素进行相关性分析，最后运用SPSS软件对污染物浓度进行多元线性逐步回归分析，建立模型。多元线性逐步回归法是目前空气质量统计预报中运用最广泛的建立污染物浓度预报模型的方法[15-16]。建立模型后，选取模型中模拟较好的，运用2014年4—8月的污染物浓度和EC细网格预报数据对模型进行检验，订正后形成基于EC细网格气象要素预报的贵阳市PM10，PM2.5和O3污染物浓度日均值的预报方程。

3 贵阳市环保站PM10、PM2.5和O3污染物浓度变化规律

3.1 PM10浓度变化规律

分析时间段内，PM10小时均值的日极值大部分出现在20时—次日08时，其中冬季的比例略低，为56.56%，秋季的比例最高，为72.43%，最大浓度为839 μg/m3，出现在2013年4月15日00时。而PM10日均值的最大值为223.7 μg/m3，出现在2013年10月10日；最小值为9.4 μg/m3，出现在2013年9月25日。分析PM10的月平均变化，可以看出，夏季PM10的浓度明显低于其他3个季节，夏季气温高，降水多，对空气中可吸入颗粒物有净化作用；而冬春两季的PM10浓度偏高，这与冬春两季贵阳处于采暖期可能有一定的关系。同时在11月和2月PM10浓度有明显的低值，查询天气实况发现，在2013年11月和2014年2月，受较强冷空气影响，贵阳市有几次明显的雨雪天气，降雨量较常年略偏多，对PM10的湿沉降作用明显，故这2个月和夏季一样，月平均浓度有明显的下降。

3.2 PM2.5浓度变化规律

与PM10的变化规律相似，PM2.5小时均值的日极值大部分也出现在20时—次日08时，其中冬季比例较小为62.22%，其余3个季节均为72%左右。小时均值最大为485 μg/m3，出现在2014年1月31日01时。而PM2.5日均值的最大值为167 μg/m3，出现在2013年12月23日，最小值为7.2 μg/m3出现在2013年7月22日。对于PM2.5的月平均变化图可以看出，同PM10相似，夏季的浓度明显低于其他3个季节，这与夏季降水的对污染物的湿沉降有明显的关系。同时对比图1和图2可以看出PM10和PM2.5的变化规律比较相似，两者浓度有一定的相关性，11月和2月的浓度低值可能也与当月受冷空气影响，降水量偏多有一定的关系。

图1 2013年3月—2014年2月贵阳市环保站PM10月平均变化规律

图2 2013年3月—2014年2月贵阳市环保站PM2.5月平均变化规律

3.3 O3浓度变化规律

O3的变化和PM10及PM2.5有明显的不同，其小时均值的日极值大部分出现在12—18时，冬季的比例较小为52.55%，夏季的比例最大为92.39%。小时均值最大为171 μg/m3，出现在2013年5月21日18时。而O3日均值的最大值为129.8 μg/m3，出现在2013年9月22日，最小值为5.5 μg/m3，出现在2013年5月12日。从月平均来看，O3的浓度在冬季和夏季明显偏低，其余两个季节偏高，但整体的浮动不大。

图3 2013年3月—2014年2月贵阳市环保站O3月平均变化规律

4 PM10、PM2.5和O3污染物浓度日均值与主要气象要素的相关性分析

研究以上3个污染物浓度日均值变化和气象要素之间的关系，选取相同日期的地面，高空3个层次(850 hPa、700 hPa和500 hPa)的风速、风向、温度、湿度等57个气象要素进行相关性分析，其中，PM10与37个变量有相关性，且大部分通过了0.1的显著性水平检验，为正相关的有15个变量，负相关的有22个变量；PM2.5与43个变量有相关性，且大部分通过了0.1的显著性水平检验，为正相关的有16个，负相关的有27个；O3与14个变量有相关性，且大部分通过了0.1的显著性水平检验，其中呈正相关的有6个变量，呈负相关的有8个变量。其中有8个变量与以上3个污染物浓度的日均值都有显著相关性(表1)，除地面20时的风速和O3为显著正相关外，其余变量均与污染物浓度的日均值呈显著负相关。其中不同层次的湿度变量有5个，说明湿度对污染物浓度有明显的影响，湿度越大，污染物浓度越小。同时500 hPa的湿度与PM10以及PM2.5浓度的日均值也为显著负相关，故预报PM10和PM2.5时，可以用各层湿度做参考。

表1 与PM10、PM2.5和O3浓度日均值显著相关的气象要素及相关系数(**表示通过α<0.1的显著性检验)

5 预报模型的建立和订正

为了准确的预报PM10、PM2.5和O3浓度的日均值，运用SPSS采用逐步回归的方式建立预报模型，并且运用2014年4—8月的污染物浓度和EC细网格预报数据对模型进行检验并订正，从而形成预报模型。

5.1 PM10预报模型

运用SPSS逐步回归方法[13]，以PM10浓度日均值为因变量，前日PM10浓度日均值和36个气象要素为自变量(此处剔除了温度露点差变量，保留湿度变量，因为两个变量相关性较大，同时由于EC细网格对降水的预报值偏大的比例较高，使得预报值

明显偏低，故也剔除)，生成预报模型8个，其中第8个模型的复相关系数R，决定系数R方，校正决定系数调整R方较前7个模型都偏大，且随机误差的估计值都偏小。Anova表(表2)中模型8的Sig<0.05，故该模型可用，选取第8个模型。在模型8中运用的变量有：前日PM10浓度日均值，850 hPa 20时的湿度，850 hPa 20时的风速，地面08时风速，地面08时气压，地面20时总云量。以上6个变量的sig均<0.05，故采用这6个变量做回归模型，回归系数见表3，预报方程为：

PM10浓度日均值=-1 366.059+0.530x1-0.746x2-4.367x3+4.595x4+1.470x5-1.318x6

其中x1为前日PM10浓度的日均值，x2为850hPa 20时湿度，x3为850 hPa 20时风速，x4为地面08时风速，x5地面20时气压，x6为20时总云量。

表2 PM10浓度日均值预报模型汇总

表3 模型8所需变量及系数

运用2014年4—8月的污染物浓度和EC细网格预报数据对PM10预报模型8进行检验，其中共有146 d的可用数据。预报结果和实况进行对比发现，该预报模式对于极值的预报效果不佳，5月28日的预报值明显较实况偏低，同时大部分实况值明显高于预报值，定义(实况值-预报值)/预报值为预报误差百分比，计算146 d的误差百分比后剔除误差百分比绝对值>1的数，求平均后得到系统偏差为0.12，故可以将预报值乘以(1+0.12)得到订正值。订正后浓度变化曲线更加接近实况值，但是该种订正方式对于极端情况的预报效果依然不理想。根据污染物浓度等级对预报及预报订正进行检验，即污染物浓度<50为1级，污染物浓度在51～150之间为2级，浓度在151～250之间为3级，浓度在251～350之间为4级，浓度在351以上为≥等级5级(HJ633-2014环境空气质量指数(AQI)技术规定(试行))。预报和实况的等级相同时视为预报正确。未订正的预报准确率为67.81%，订正后的准确率为70.55%，提高了2.74%，订正的效果一般，但订正后预报正确率>70%，业务中可以参考订正值。

图4 PM10预报值和订正值与实况对比

5.2 PM2.5预报模型

与PM10类似，运用SPSS逐步回归方法预报模型6个，其中模型6的复相关系数R，决定系数R方，校正决定系数调整R方较前5个模型都偏大，且随机误差的估计值都偏小。Anova表(表4)中模型6的Sig<0.05，故该模型可用，选取第6个模型。

表4 PM2.5浓度日均值预报模型汇总

在模型6中，运用的变量有：前日PM2.5浓度日均值，地面08时气压，850 hPa 20时的湿度，850 hPa 20时的风速，700 hPa 20时温度，850 hPa 08时的风速。采用这6个变量做回归模型，回归系数见表5，预报方程为：PM2.5浓度日均值=-351.577+0.653x1+0.399x2-0.284x3-2.274x4-0.986x5+1.163x6

其中x1为前日PM2.5浓度的日均值，x2为地面08时气压，x3为850 hPa 20时湿度，x4为850 hPa 20时风速，x5700 hPa 20时温度，x6为850 hPa 08时风速。

表5 模型6所需变量及系数

运用2014年4—8月的污染物浓度和EC细网格预报数据对PM2.5预报模型6进行检验。预报结果和实况进行对比发现，该预报模式的预报值明显偏高，与PM2.5的检验相同，求得系统偏差为-0.39，故将预报值乘以(1-0.39)得到订正值。订正值相对于预报值有明显的改善，但是对于极端情况的预报效果依然不理想。根据污染物浓度等级对预报及预报订正进行检验，即污染物浓度<35为1级，污染物浓度在36～75之间为2级，浓度在76～115之间为3级，浓度在116～150之间为4级，浓度在151以上为≥5级(HJ633-2014环境空气质量指数(AQI)技术规定(试行))。预报和实况的等级相同时视为预报正确。未订正的预报准确率为65.75%，订正后的准确率为71.23%，正确率提高5.48%，订正后预报正确率>70%，业务中可以参考订正值。

图5 PM2.5预报值和订正值与实况对比

5.3 O3预报模型

运用SPSS逐步回归方法生成O3浓度的预报模型5个，其中模型5的复相关系数R，决定系数R方，校正决定系数调整R方较前4个模型都偏大，且随机误差的估计值都偏小。表Anova表(表6)中模型5的Sig<0.05，故该模型可用，选取第5个模型。

在模型5中，运用的变量有：前日O3浓度日均值，850 hPa 20时的风速，850 hPa 08时的风速，地面20时风速，地面20时总云量。以上5个变量的sig均<0.05，故采用这5个变量做回归模型，回归系数见表7，预报方程为：

表6 O3浓度日均值预报模型汇总

O3浓度日均值=13.413+0.529x1+1.293x2-0.827x3+1.51x4-0.309x5

其中x1为前日O3浓度的日均值，x2为850 hPa 20时风速，x3为850 hPa 08时风速，x4为地面20时风速，x5为总云量。

表7 模型5所需变量及系数

运用2014年4—8月的污染物浓度和EC细网格预报数据对O3预报模型5进行检验，预报结果和实况进行对比发现，该预报模式的预报值略偏低，求得系统偏差为0.17，故将预报值乘以(1+0.17)得到订正值。订正值相对于预报值略有改善，由于标准中对O3的浓度日均值无明确规定，故采用与PM2.5相同的分类，对预报值和订正值进行分等级检验。预报和实况的等级相同时视为预报正确。未订正的预报准确率为70.55%，订正后的准确率为68.49%，订正后的正确率反而有所下降，由于模式5未订正时的预报准确率>70%，故业务中可以参考该模式的预报值。

图6 O3预报值和订正值与实况对比

6 小结

本文通过对贵阳市内市环保站的主要污染物(PM10、PM2.5和O3)的污染物浓度的小时均值和日均值进行分析，得出以下结论：

① PM10和PM2.51 d内的最大小时均值大部分出现在20时—次日08时，而O31 d内的最大小时均值大部分出现在12-18时。PM10和PM2.5污染物浓度的月平均，以夏季最低，冬春两季最高，这可能和贵阳市冬春两季的采暖有一定的关系。而O3浓度的月平均以冬夏两季较低，春秋两季较高，但整体变化幅度不大。

② 分析PM10、PM2.5和O3日均值变化和选取的57个气象要素之间的关系，发现其中有8个变量与以上3个污染物浓度的日均值都有显著相关性，除地面20时的风速和O3为显著正相关外，其余变量均与污染物浓度的日均值呈显著负相关。其中不同层次的湿度变量有5个，说明湿度对污染物浓度有明显的影响，湿度越大，污染物浓度越小，故预报PM10和PM2.5时，可以用各层湿度做参考。

③ 通过逐步回归建立PM10的预报方程的等级预报准确率为67.81%，订正值为预报值乘以(1+0.12)，订正后准确率为70.55%，故业务中可以参考订正值。

④ 通过逐步回归建立PM2.5的预报方程的等级预报准确率为65.75%，订正值为预报值乘以(1-0.39)，订正后准确率为71.23%，故业务中可以参考订正值。

⑤ 通过逐步回归建立O3的预报方程的等级预报准确率为70.55%，订正值为预报值乘以(1+0.17)，订正后准确率为68.49%，订正效果不理想，故业务中可以直接参考预报值。

⑥ 由于污染物浓度的观测数据来源于环保部门，仅取得了1 a的数据进行研究分析，从统计学的角度考虑，样本量偏少，但随着中央气象局和贵州省气象局对AQI和主要污染物浓度预报的研究和开展，在以后的业务工作中可以积累数据资料，并对以上模型进行进一步的订正和完善。

[1] Helmut M.Air pollution in cities[J].Atmosphere Environment，1999，33：4029-4037.

[2] 蔡彦枫，王体健，谢旻，等.南京地区大气颗粒物影响近地面臭氧的个例研究[J].气候与环境研究，2013(2)：251-260.

[3] 王俊，夏伟，史金保，等.宣城市空气污染特征与气象要素的关系分析[J].安徽农业科学，2014，42(10)：3042-3044.

[4] 胡琳，曹红利，张文静，等.西安市环境空气质量变化特征及其与气象条件的关系[J].气象与环境学报，2013，29(6)：150-153.

[5] 王郁，侯青.2000—2010年北京空气持续污染特征研究[J].高原气象，2012(06)：1675-1681.

[6] 陈雷华，余晔，陈晋北，等.2001—2007年兰州市主要大气污染物污染特征分析[J].高原气象，2010(06)：1627-1633.

[7] 程兴宏，徐祥德，陈尊裕，等.北京地区PM10浓度空间分布特征的综合变分分析[J].应用气象学报，2007，18(2)：165-172.

[8] 王红磊，朱彬，马梁臣，等.南京市夏季城市不同功能区气溶胶污染特征[J].南京信息工程大学学报：自然科学版，2010，2(3)：221-229.

[9] 邱粲，曹洁，王静，等.济南市空气质量状况与气象条件关系分析[J].中国环境监测，2014(01)：53-59.

[10] 高原.昆明市主城区环境空气质量及变化趋势[J].环境科学导刊，2011，30(1)：79-81.

[11] 王京，王初，陈振楼.贵阳市城区近地面PM10/PM2.5及重金属污染水平研究[J].环境科学与技术，2011(04)：74-76.

[12] 俞相阳，李金娟，杨荣师.贵阳市大气PM10中水溶性金属元素的污染特征[J].贵州大学学报：自然科学版，2011，28(3)：137-140.

[13] 罗乃兴，曾莉萍.近年来贵阳市SO2污染的变化特征分析[J].贵州气象，2015，39(2)：29-33.

[14] 宋丹.贵阳市空气质量状况和预报方法研究[J].西南区域气象中心预报技术交流会，2014，34-44.

[15] 许杨，王凯，贾桥莲，等.2007—2008年武汉市空气质量预报及检验[J].气象与环境学报，2012，28(2)：81-84.

[16] 张朝能，胡冰.空气质量预报方法综述[J].云南环境科学，2003，22(2 )：55-57.

2015-01-28

夏晓玲(1990—)，女，助工，主要从事气象服务工作。

空气质量和空气污染气象条件预报研究(黔气科合KF[2015]04号)。

1003-6598(2015)06-0050-06

P456

B