气象因子对臭氧的影响及其在空气质量预报中的应用

张 灿，蒋昌潭，罗财红，刘姣姣，叶 堤，谯 捷，韩世刚

1.重庆市生态环境监测中心，重庆 401147 2.城市大气环境综合观测与污染防控重庆市重点实验室，重庆 401147 3.重庆市环境监察总队，重庆 401147 4.重庆市气象服务中心，重庆 401147

气象因子对臭氧的影响及其在空气质量预报中的应用

张 灿1,2，蒋昌潭1,2，罗财红1,2，刘姣姣1,2，叶 堤1,2，谯 捷3，韩世刚4

1.重庆市生态环境监测中心，重庆 401147 2.城市大气环境综合观测与污染防控重庆市重点实验室，重庆 401147 3.重庆市环境监察总队，重庆 401147 4.重庆市气象服务中心，重庆 401147

为提高重庆市臭氧(O3)预报准确率，利用2013—2015年5—10月O3监测数据和气象数据，通过主成分分析、逐步回归分析等方法，确定了影响重庆O3浓度的主要气象因素为最高温度、温差、太阳辐射、降水量、相对湿度、水气压和压差；通过基于O3污染水平相似的主要气象控制因子筛选和最优组合的预报结果优化方法，提高了O3预报准确率，使2016年5—8月O3的AQI类别预报准确率由57.7%增至72.4%，O3超标的预报准确率由38%增至46%。

气象因子；臭氧；预报

环境空气质量预报已经成为监测部门一项比较重要的例行工作[1]。我国目前的环境空气污染表现为以大气细颗粒物(PM2.5)和臭氧(O3)为代表的复合型大气污染，高浓度O3对眼睛和呼吸道有很强的刺激性，损害人体肺功能和伤害农作物，并使大气能见度降低[2]。O3已经成为各大城市除PM2.5之外的造成环境空气质量超标的首要污染物，因此对O3的准确预报显得尤为重要。

目前的预报方法主要有数值模型和统计模型。统计模型只需气象数据、污染物监测浓度数据即可进行预报[3]，运算量小、易于操作，不需要源清单和高性能计算硬件设备[4]，避免了数值模型预报方法的弊端[3]。与数值模型相比，统计模型预报结果准确率高[5]，适合预报刚刚起步的城市使用。重庆市从2014年10月开始对公众发布空气质量预报结果，利用的是法兰德斯技术研究院 (VITO)与比利时环保署合作开发的基于神经网络的OVL模型。2014—2015年统计结果表明，模型对O3的AQI类别的预报准确率为67.5%，低于其对PM2.5的预报准确率73.9%；对O3超标的判断准确率仅为36.4%，远低于PM2.5的67.9%。重庆市空气质量超标天数均由PM2.5和O3造成，提高O3浓度预报准确率尤其是准确预判O3超标天数将在很大程度上提高预报准确率。

近几年，北京、天津、上海、厦门、珠三角区域、沈阳、西宁、太原、临安本底站等都针对气象条件对O3影响进行了研究[6-16]；但对O3预报方法的研究较少，安俊琳等[6]利用主成分和回归分析方法对北京O3进行了预报；刘明花等[9]将多元非线性预报模式应用在上海地面O3浓度的预报中；宋榕荣等[10]利用多元线性回归法建立了厦门市O3预报及评估系统，都得到了相关性较好的预报结果。重庆也进行了O3的相关研究[17]，但目前尚没有针对重庆O3预报的研究。

重庆下垫面类型复杂，高温高湿，太阳辐射强度大，与其他城市不同。统计模型预报不需要源清单，更多的是依赖气象条件的变化，在不同的天气类型下，污染物扩散方式和浓度分布均有明显差异，天气类型对区域空气质量有关键作用。由于各个气象因子并不是独立的而是相互影响、相互制约和协同作用的，仅单个分析气象因素对O3浓度的影响难免造成信息缺失或误导。本文在利用主成分分析和逐步回归分析分析确定了O3的主控气象因素后，提出了基于O3污染水平相似的主要气象控制因子筛选和最优组合的预报结果优化方法，对OVL模型进行补充，以期提高O3预报准确率，为环境管理和污染天气预警提供及时准确的信息。

1 实验部分

1.1数据来源和处理

由于重庆O3污染主要集中在5—10月，因此，O3浓度数据利用2013—2015年5—10月主城区逐日自动监测数据；监测仪器为河北EC9810B O3自动监测仪，采用紫外光度法原理。逐日气象数据来自重庆市气象台，包括雨量、最高温度、最低温度、相对湿度、最小湿度、水气压、气压、最低气压、最高气压、风速、风向；温差、压差由原始数据计算而得，有降水标记为“1”，无降水记为“0”。太阳辐射数据来自重庆市大气环境监测超级站，监测仪器为荷兰UVS-AB紫外辐射计，UVS-AB紫外辐射计通过紫外辐射传感器和CR1000数据采集模块实时测量透过大气层的太阳紫外辐射UV-A和UV-B，监测到达地面的太阳紫外线辐射强度，共521个有效样本。

1.2分析方法

1.2.1 主成分分析

主成分分析(PCA)是对一组变量进行降维的统计学方法，即用少量的独立变量来代替大量的有相关性的变量的一种方法。现在PCA方法中普遍采用最大方差正交旋转法来得到有意义的因子[18-19]。PCA的具体计算过程大体分3步：奇异值分解；维数的选择(一般选择特征值大于1的提取原则)；因子旋转(一般采用方差最大正交旋转)[6]。

1.2.2 逐步回归分析

多元线性方程的建立一般采用逐步回归算法。逐步回归算法是在所有考虑的参数中，按其对因变量Y(大气污染物预报浓度)影响的显著程度的大小，由大到小逐个引进回归方程。若已被引进回归方程的参数，在引进新参数后，可能会由显著变为不显著，此时需将其从回归方程中剔除，以保证在众多预报参数中挑选出最佳的关键参数组合，建立最优预报方程。污染物预报浓度Y与预报关键参数X建立的最优回归方程格式：

式中：Y为污染物预报浓度；BQ为常数项；X1，X2，…，Xn为预报关键参数；B1，B2，Bn为关键参数的系数[4]。刘闽等[20]采用逐步回归方法建立了沈阳市冬季环境空气质量统计预报模型。

2 结果与讨论

2.1主要影响因子

2.1.1 主成分分析

将太阳最大辐射、降水量、最高温度、湿度、最小湿度、水气压、最高气压、风速、风向、压差、温差、是否下雨等12个参数作为变量，进行主成分分析，使用方差极大法进行旋转，选择KMO(Kaiser-Meyer-Olkin)和Bartlett的球形度检验，得到旋转后的因子载荷矩阵(见表1)，Bartlett球检验显著性指标sig.<0.05为显著，说明存在因子结构。KMO>0.9，说明非常适合因子分析；0.8

旋转后的因子载荷矩阵共产生3个贡献较大的因子，其特征值均大于1，说明具有统计显著性。相关研究表明，选取因子时一般选取载荷大于0.50的因子[18]。载荷为负值时说明该因子与本项目呈负相关关系。第一个因子中的高载荷组分主要指示了相对湿度、温差、是否下雨，其次为最大太阳辐射、雨量、最高温度，这些因子解释了36.2%的因变量变化；第二个因子中的高载荷组分主要指示了水气压、最高气压，这些因子解释了21.7%的因变量变化；第三个因子中的高载荷组分主要指示了压差、风速，这些因子解释了14.5%的因变量变化。这些因子共解释了72.4%的因变量，说明最大辐射、降水量、最高温度，水气压、最高气压，压差、风速是影响5—10月气象形势的主要因素。

表1 旋转后的因子载荷矩阵

用同样的方法对O3质量浓度小于或等于160 μg/m3的样本(O3的AQI≤100，O3达标日)以及O3质量浓度大于160 μg/m3的样本(O3的AQI>100，O3超标日)分别进行主成分分析，结果见表2、表3。O3达标日产生3个主要因子，解释了73.5%的变量，反映了相对湿度、最高温度、温差、降水、水气压、最高气压、压差和风速等对O3达标日气象形势的影响，与5—10月相似。

O3超标日产生5个主要因子：第一个因子中的高载荷组分主要指示了最高温度、相对湿度、最高气压；第二个因子中的高载荷组分主要指示了最小湿度、水气压、温差；第三个因子中的高载荷组分主要指示了降水量；第四个因子中的高载荷组分主要指示了最大辐射；第五个因子中的高载荷组分主要指示了压差。这5个因子共解释了78.7%的变量，反映了最高温度、温差、相对湿度、最高气压、压差、水气压、降水量和最大太阳辐射对O3超标日气象形势的影响。与O3达标日有所不同，多了“最大太阳辐射”的影响，而少了“风速”的影响。

表2 O3达标日旋转后的因子载荷矩阵

表3 O3超标日旋转后的因子载荷矩阵

2.1.2 逐步回归分析

对521个样本经过逐步回归分析，因变量为O3浓度，自变量为雨量、最高温度、最低温度、相对湿度、最小湿度、水气压、气压、最低气压、最高气压、风速、风向、温差、压差、是否下雨；利用Durbin-Watson值(DW，取值0～4)检验回归模型中残差独立的假设，当DW愈接近2时，残差项间越不相关。本次计算得到的DW=1.238，可以基本确定残差是独立的。

回归结果如表4所示，共得到影响O3浓度的4个主要参数，即温差、最高温度、是否下雨和水气压。膨胀因子VIF<10，容差大于0.1，说明这4个变量间不存在共线性，都可用于方程。sig.均小于0.05，具有显著意义。根据表4得到O3浓度的逐步回归方程式：

式中：Y为O3质量浓度，μg/m3；X1为温差，℃；X2为最高温度，℃；X3为是否下雨，下雨为“1”，不下雨为“0”；X4为水气压，hPa。

表4 逐步回归结果

注：“/”表示共线性仅针对变量进行统计。

由图1可知，通过该方程得到的O3浓度与实际值呈显著正相关关系，相关系数达到0.86，通过了α=0.01水平(双侧)的显著性验证。通过对521个数据进行验证，该方程对O3的AQI类别的预报准确率为73.9%，虽然对优、良水平的预报准确率较高，但对O3超标的预报准确率仅为24.6%。

图1 O3浓度拟合值与实际值的关系Fig.1 Fitting value and actual value of O3 concentration

通过以上方法，已经基本确定了重庆主城区影响O3生成的主要气象因素为最高温度、温差、太阳辐射、降水量、相对湿度、水气压、压差(见表5)。

表5 不同方法提取出的气象因子

注：“√”表示影响较大；“空”表示没有影响或者影响不显著。

安俊琳等[6]分析了北京太阳紫外辐射、温度、相对湿度和压力对夏季O3浓度的影响，表明气温和相对湿度是主要影响因素，其次是紫外辐射。北京超标日O3浓度与气压、相对湿度呈负相关关系，与风速、温度呈正相关关系[7]。任丽红等[8]对北京夏季不同高度O3浓度与气象条件的研究表明：风速在2 m/s以下，近地面O3浓度随着风速增加而增加；风速超过2 m/s，O3浓度随风速的变化比较复杂，其原因有待进一步研究。临安大气本底站研究也表明，O3与风向的关系较复杂，与局地生成的O3有关[16]。刘明花[9]研究发现，上海一年四季对近地面O3影响最大的气象因素是太阳辐射。厦门市O3污染与温度、风速、相对湿度等气象条件相关，且不同季节气象因子的影响程度各不相同[10]。沈阳风速和温度对O3浓度影响较大[11]。天津影响O3浓度的主要气象因素是气温、相对湿度和风速风向[12]。太原市城区O3与温度、湿度和风速存在极显著的相关性[13]。西宁地区地面O3浓度随云量状况、风向、风速、相对湿度、气压等要素的变化比较明显[15]。石家庄O3浓度与气温呈正相关，与相对湿度呈负相关[21]。从各个城市的研究结果来看，温度、相对湿度均是影响O3浓度的主要因素；其他因素也因为地域气象特征、地形特征的不同而有所不同。

2.2因子最优组合

图2给出了气象因素在不同分段值内O3的AQI范围。

图2 O3的AQI在不同气象因子下的分布Fig.2 Distribution of O3 AQI under meteorological factors

从图2可以看出：

1)最高温度：温度在30 ℃及其以上时，出现O3超标，且主要集中在33～39 ℃；27 ℃及以下，O3的AQI基本为0～50。

2)温差：温差在8 ℃及以下时，O3不会超标；温差在8 ℃以上时，开始出现O3超标；温差在6 ℃及以下时，O3的AQI基本为0～50；温差为10～12 ℃，容易出现高浓度O3，AQI>150。

3)太阳辐射：太阳辐射小于或等于40 W/m2时，O3达标；太阳辐射大于40 W/m2时，开始出现O3超标，且主要集中在40～70 W/m2；高浓度O3，AQI>150主要出现在40(不含40)～60之间；辐射更高时(如70 W/m2以上)，O3超标率反而不高。

4)降水量：O3超标主要发生在无降水时；降水量在20 mm以上时，O3的AQI基本为0～50。

5)相对湿度：相对湿度在80%及以下时，都可能出现O3超标，主要集中在40%～70%；高浓度O3出现在50%～70%；相对湿度大于80%时，O3的AQI为0～50。

6)水气压：水气压在任何范围内，都可能出现O3超标，只是水气压在15～20 hPa时，超标概率较小。

7)压差：压差在4 hPa以下时，O3基本不会超标；压差在4 hPa以上时，开始出现O3超标；超标主要集中在压差4～8 hPa。

单看一种气象条件下O3的浓度特征，对预报的支撑作用有限。需要对主要气象影响因子做不同的组合，找到最大程度(概率)影响O3浓度的最优组合。根据气象因子预报数据准确度高、易获得的原则，以最高温度作为首要约束条件，层层筛选其他气象影响因子，直至得到O3浓度最大相似的组合。通过这种方法，可以得到若干组不同气象条件组合下对应的O3浓度，这里只列出O3超标时主要气象因子的部分组合(见表6)。

表6 最优化组合示例

注：“空”表示不对该气象参数进行判断。

2.3结果评估

利用2016年5—8月的O3预报结果进行验证分析，如图3所示，本研究对2016年5—8月O3类别的预报准确率为72.4%，高于现有OVL模型的57.7%以及逐步回归方法的68.3%。对O3超标的预报准确率为46%，高于OVL模型和逐步回归的38%、31%。

从预报结果来看，基于O3浓度相似的主要气象最优组合的预报方法适合重庆本地O3预报，能得到较高的预报准确率。虽然准确率有所提高，但该方法也存在各种模型的共同问题，当空气质量为O3引发的轻度污染时，前一日可以较准确地判断出首要污染物为O3，但对空气质量类别容易低估。

图3 本研究O3预报准确率与其他方法对比Fig.3 The accuracy of O3 forecast compared with other methods

3 结论

1)通过主成分分析、逐步回归分析等方法，确定影响重庆主城区O3浓度的主要气象因素为最高温度、温差、太阳辐射、降水量、相对湿度、水气压、压差。

2)通过基于O3污染水平相似的主要气象控制因子筛选和最优组合的预报结果优化方法，对2016年5—8月O3类别的预报准确率为72.4%，高于现有OVL模型的57.7%。对O3超标的预报准确率为46%，高于OVL模型的38%。该方法适合重庆本地O3预报，能得到较高的预报准确率。

3)本研究仅考虑了气象条件的影响，下一步仍需考虑其前体物NO2、VOCs的影响，不断完善规律，以提高预报准确性。

4)样本量也是重要的影响因素，目前仅利用2013—2015年数据，毕竟3年的天气形势会有所不同，需要多年甚至十几年的监测和气象数据，才能更好地反映本地特征。

5)不同地区的气象条件不同，对O3的影响规律也不尽相同，需要在分析规律的基础上，对当地O3预报进行指导。

[1] 王晓彦,陈佳,朱莉莉,等.城市环境空气质量指数范围预报方法初探[J].中国环境监测,2015,31(6):139-142.

WANG Xiaoyan,CHEN Jia,ZHU Lili, et al. Discussion on the methods of urban ambient air quality index range forecasting [J]Environmental Monitoring in China, 2015,31(6):139-142.

[2] 张远航,邵可声,唐孝炎,等.中国城市光化学烟雾污染研究[J].北京大学学报(自然科学版),1998,34(2):392-400.

ZHANG Yuanhang, SHAO Kesheng, TANG Xiaoyan,et al. The study of urban photochemical smog pollution in China[J]. Acta Scientiarum Naturalium Universitatis Pekinensis (Natural Science Edition), 1998,34(2):392-400.

[3] 王淑莹,许荣,尹翠芳,等.基于OPAQ 的城市空气质量预报系统研究[J].中国环境监测,2016,32(3):13-20.

WANG Shuying, XU Rong,YIN Cuifang, et al. Study on urban air quality forecasting with OPAQ[J]. Environmental Monitoring in China, 2016,32(3):13-20.

[4] 中国环境监测总站.环境空气质量预报预警方法技术指南[M].北京:中国环境科学出版社:2014:24-25.

[5] 汪巍,高愈霄,赵熠琳,等.中小城市空气质量预报试验与问题研究[J].中国环境监测,2015,31(6):134-138.

WANG Wei,GAO Yuxiao,ZHAO Yilin,et al. Analysis on the experiment and problems of air quality forecast in small and medium-sized cities in China[J].Environmental Monitoring in China,2015,31(6):134-138.

[6] 安俊琳,王跃思,朱彬.主成分和回归分析方法在大气臭氧预报的应用——以北京夏季为例[J].环境科学学报,2010,30 (6): 1 286-1 294.

AN Junlin, WANG Yuesi, Zhu Bin.Principal component and multiple regression analysis predicting ozone concentrations: Case study in summer in Beijing[J]. Acta Scientiae Circumstantiae, 2010,30 (6): 1 286-1 294.

[7] 程念亮,李云婷,张大伟,等.2014年北京市城区臭氧超标日浓度特征及与气象条件的关系[J].环境科学,2016,37(6):2 014-2 051.

CHENG Nianliang, LI Yunting, ZHANG Dawei, et al. Characteristics of ozone over standard and its relationships with meteorological conditions in Beijing City in 2014[J]. Environmental Science, 2016,37(6):2 014-2 051.

[8] 任丽红,胡非,王玮.北京夏季O3垂直分布与气象因子的相关研究[J].气候与环境研究,2005,10(2):166-174.

REN Lihong, HU Fei, WANG Wei. A study of correlations between O3concentration and meteorological factors in summer in Beijing[J]. Climatic and Environmental Research, 2005,10(2):166-174.

[9] 刘明花.上海市地面臭氧浓度分析及多元非线性预报模式研究[D].上海：华东师范大学，2009.

[10] 宋榕荣,王坚,张曾弢,等.厦门市空气质量臭氧预报和评估系统[J].中国环境监测,2012,28(1):27-32.

SONG Rongrong, WANG Jian, ZHANG Zengtao, et al. The air quality forecast and evaluation system of ozone in Xiamen[J]. Environmental Monitoring in China, 2012,28(1):27-32.

[11] 王闯,王帅,杨碧波,等.气象条件对沈阳市环境空气臭氧浓度影响研究[J].中国环境监测,2015,31(3):32-37.

WANG Chuang, WANG Shuai, YANG Bibo, et al. Study of the effect of meteorological conditions on the ambient air ozone concentrations in Shenyang[J]. Environmental Monitoring in China, 2015,31(3):32-37.

[12] 姚青,孙玫玲,刘爱霞.天津臭氧浓度与气象因素的相关性及其预测方法[J].生态环境学报,2009,18(6):2 206-2 210.

YAO Qing, SUN Meiling, LIU Aixia. Analysis and prediction of surface ozone concentration and related meteorological factors in summer in Tianjin[J]. Ecology and Environmental Sciences, 2009, 18(6): 2 206-2 210.

[13] 温彦平.太原市近地面臭氧浓度变化规律及其与气象要素的关系[J].环境工程学报,2015,9(11):5 545-5 554.

WEN Yanping. Temporal variations of surface ozone and its relations with meteorological parameters in Taiyuan City[J].Chinese Journal of Environmental Engineering, 2015,9(11):5 545-5 554.

[14] 张浩月,王雪松,陆克定,等.珠江三角洲秋季典型气象条件对O3和PM10污染的影响[J].北京大学学报(自然科学版),2014,50(3):564-576.

ZHANG Haoyue, WANG Xuesong, LU Keding, et al. Impact of typical meteorological conditions on the O3and PM10pollution episodes in the Pearl River Delta in Autumn[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014,50(3):564-576.

[15] 赵玉成,杨英莲,蔡永祥,等.西宁地区近地面臭氧(O3)浓度的变化特征及气象条件分析[J].青海环境,2013,23(2):76-89.

ZHAO Yucheng, YANG Yinglian, CAI Yongxiang, et al. Characteristics of near-surface ozone (O3) concentration and meteorological conditions in Xining[J]. Qinghai Environment, 2013,23(2):76-89.

[16] 范洋,樊曙先,张红亮,等.临安冬夏季SO2、NO2和O3体积分数特征及与气象条件的关系[J].大气科学学报,2013,36(1):121-128.

FAN Yang,FAN Shuxian, ZHANG Hongliang,et al. Characteristics of SO2,NO2,O3volume fractions and their relationship with weather conditions at Linan in summer and winter[J].Transactions of Atmospheric Sciences,36 (1):121-128.

[17] 刘姣姣,蒋昌潭,宋丹,等.重庆夏季近地面臭氧变化规律及影响因素分析[J].重庆大学学报：自然科学版,2014,37(8):91-98.

LIU Jiaojiao, JIANG Changtan, SONG Dan, et al. Analysis of Distribution Characteristics of Surface Ozone and its Influencing Factors in Summer in Chongqing[J]. Journal of Chongqing University: Natural Science Edition, 2014,37(8):91-98.

[18] GUO H, WANG T, LOUIE PKK. Source apportionment of ambient non-methane hydrocarbons in Hong Kong: application of a principal component analysis (PCA)/absolute principal component scores (APCS) receptor model [J]. Environmental Pollution, 2004,129(3):489-498.

[19] SINDOSI O A, KATSOU lIS B D, BARTZOKAS A. An objective definition of air mass types affecting Athens, Greece: the corresponding atmospheric pressure patterns and air pollution levels[J].Environmental Technology, 2003,24(8):947-962.

[20] 刘闽,王帅,林宏,等.沈阳市冬季环境空气质量统计预报模型建立及应用[J].中国环境监测,2014,30(4):10-15.

LIU Min, WANG Shuai, LIN Hong, et al. The study on establishment and application of winter environment air quality forecasting model of Shenyang [J]. Environmental Monitoring in China,2014,30(4):10-15.

[21] 潘本锋,程麟钧,王建国,等. 京津冀地区臭氧污染特征与来源分析[J].中国环境监测,2016,32(5):17-23.

PAN Benfeng,CHENG Linjun,WANG Jianguo, et al. Characteristics and source attribution of ozone pollution in Beijing-Tianjin-Hebei Region[J]. Environmental Monitoring in China, 2016,32(5):17-23.

EffectsofMeteorologicalConditionsonOzoneandItsApplicationinAirQualityForecast

ZHANG Can1，2, JIANG Changtan1，2, LUO Caihong1，2, LIU Jiaojiao1，2, YE Di1，2, QIAO Jie3, HAN Shigang4

1.Ecological and Environment Monitoring Centre of Chongqing, Chongqing 401147, China 2.Chongqing Key Laboratory of Urban Atmospheric Environment for Integrated Observation and Pollution Prevention and Control, Chongqing 401147, China 3.Chongqing Municipal Environmental Supervise Corps, Chongqing 401147, China 4.Chongqing Meteorological Service Centre, Chongqing 401147, China

In order to improve the accuracy of O3forecast in Chongqing, O3monitoring concentration and meteorological data from May to October in 2013-2015 were used to analyze the effects of meteorological factors on O3concentration by principal component analysis and stepwise regression analysis. The result showed that O3concentration was influenced by maximum temperature, temperature difference, radiation, precipitation, humidity, vapor pressure and pressure difference. By selection of major meteorological control factors on O3and the optimal combination of control factors based on O3concentration similarity, the accuracy of O3forecast was improved from 57.7% to 72.4% and the accuracy of O3over standard forecast was improved from 38% to 46% during May to August in 2016.

meteorological factors; ozone; forecast

X823；X84；X51

：A

：1002-6002(2017)04- 0221- 08

10.19316/j.issn.1002-6002.2017.04.28

2016-11-11;

：2017-01-12

重庆市环境保护局环保科技项目[2015(7号)]

张 灿(1982-)，女，山东金乡人，硕士，高级工程师。

罗财红