基于AQI的九江市空氣質量統計預報方法

徐潔玲，楊 超，李 恒

(1.九江市氣象局，332005，江西，九江；2.九江市環境監測站,332000，江西，九江)

0 引言

隨著中國城市化進程加快，城鎮大氣污染問題越來越突出[1]，嚴重時會危害人體健康[2]。根據《環境空氣質量指數(AQI)技術規定(試行)》(HJ 633—2012)規定[3]：空氣污染指數劃分為6個級別，分別為0～50、51～100、101～150、151～200、201～300和>300六級，新標準更科學、準確地表述了國內的空氣質量情況。空氣質量預報的關鍵是對氣象環境場預報，是科學研究和業務開展的重要內容。相對其他天氣預報業務，空氣質量預報技術還不成熟，重污染天氣預報、預警業務和發布機制不完善。隨著大氣污染防治攻堅戰的開展，城市空氣質量監測及空氣污染預報預警工作迫在眉睫，掌握大氣污染演變趨勢，可為污染防治提供參考和依據。

很多學者[4-7]從大氣污染與氣象要素的相關性著手，找出影響空氣質量的氣象因子。王景云[8]等研究發現北京地區不同季節和不同等級空氣條件下，氣象因素對空氣質量影響差異較大，得出了關于空氣質量預報的定性結論。王明潔[9]等提出不同季節應關注不同污染物濃度變化和天氣形勢演變。劉郁鈺[10]等研究發現在不同季節各氣象要素與污染天氣相關關系有較大差異，通過分析不同氣象條件下污染天氣發生的情況，找出主要氣象影響因子，歸納了用于當地污染天氣預報的指標。天氣形勢的分型和與氣象要素的相關得到一些關于空氣質量預報的定性結論，數值預報是空氣質量預報重要方法和手段[11]，但預報結果仍然需要人工訂正。程念亮[12]等研究發現數值預測模型自動計算生成得出的預測結果，由于受預報平臺性能和本身設置影響，準確率并不理想，預報人員根據以往積累的經驗，再結合其他資料對數值預報結果做主觀訂正，能提高預報準確率。麥建華[13]等基于GRAPES-CMAQ模式開發的中山市空氣質量預報系統對AQI等級、首要污染物、PM2.5和O3濃度預報有一定的預報能力，但是該預報系統仍然不能有效預報出目前空氣重污染天氣。李昊[14]等利用ECMWF和T639數值預報產品和污染物質量濃度監測數據建立空氣質量日均濃度預報模型，發現對24 h時效空氣質量指數等級和首要污染物的預報成功較高。岳旭[15]等利用BP神經網絡法對目前通過數值預報的6種污染物濃度預報結果進行訂正，發現集合訂正方法對單一模式NO2、SO2、PM2.5污染物的預報結果有一定改進作用。

目前業務應用中空氣質量預報方法都是數值預報和人工訂正相結合方式得出預報結果，空氣質量指數AQI的預報準確率跟訂正人員的預報水平有很大的關系。九江市空氣質量研究正在開展[16-17]，但AQI預報缺少有數據支撐的方法。為此，建立一個適合于九江城市特點，適用于實際業務工作中空氣質量預報方法，需求迫切。本文根據氣象要素與AQI指數的相關性分析，嘗試分季節建立統計預報模型，定量計算空氣質量指數，以期為業務工作者預報、訂正AQI指數提供有效參考，進而為環境管理決策提供定量、及時、準確、全面的大氣環境質量信息。

1 資料與方法

1.1 資料來源

2014—2017 年九江市環境監測站提供空氣質量觀測數據，包括西園、茅山頭、綜合工業園、水科所、十里、五七二七廠和石化總廠7個自動站的SO2、NO2、O3、CO、PM10和PM2.56類污染物逐日平均濃度、AQI日均值與首要污染物等要素。九江市氣象觀測站觀測的地面氣象要素。

1.2 分析方法及軟件

數據統計分析使用的軟件為Excel 2016、SPSS Statistics V22.0，用以污染物和污染日數的統計分析、建立統計學預報模型。

2 九江市2014—2017年空氣質量季節分布特征

2.1 九江市空氣質量概況

2014—2017年，九江市空氣質量為優的天數逐漸增多,全年總天數從16%增加到23%，但污染總日數仍無下降趨勢。2014—2017年，輕度污染以上總天數為281 d，占總天數的19%，其中2014年70 d，占全年19%，2015年59 d，占全年16%，2016年76 d，占全年21%，2017年76 d，占全年21%(圖1)。

空氣質量為輕度污染以上的天氣主要出現在冬季，其次是春季，10—12月、1—2月的冬、春季節，占總污染日數的60%，夏季和初秋最少(圖2)。中度污染以上天氣中76%出現在冬春季節，其次是5月、6月的初夏，4月、7月和8月污染最輕。

圖2 九江市2014—2017年輕度以上污染月分布圖

2.2 不同季節首要污染物分布

2014—2017年，在九江市影響空氣質量的主要污染物有PM2.5、PM10和O33種，重度以上污染日的首要污染物全部是PM2.5(圖略)。對2014—2017年首要污染物分季節分布分析(圖3)發現，不同季節的首要污染物不同：春、秋季首要污染物是PM10、PM2.5、O3，且污染天數大致相同，夏季首要污染物主要是O3，冬季首要污染物主要為PM2.5，O3污染天數很少。

圖3 九江市2014—2017年分季節首要污染物分布天數

具體到逐月分布，如圖4所示，在11月到次年2月PM2.5是最重要的污染物，占比達到78 %，其次是PM10污染占比21 %，O3污染占比僅為2%。5—9月由于溫度和日照的影響，首要污染物中O3占比57 %為最高，PM10占比23 %，PM2.5占比明顯下降，僅占19%。PM10污染則分布比較均勻，沒有表現出明顯的月變化。由此可見，在不同季節，影響空氣質量的首要污染物不同，為此嘗試分季節分析污染日的氣象影響因子。

圖4 九江市2014—2017年各類首要污染物逐月分布圖

3 AQI與氣象要素的相關和統計模型

3.1 2014—2016年逐日AQI與氣象要素的相關性分析

對2014—2016年1 093 d的有效樣本分季節做回歸分析，發現相關性最明顯為相對濕度項，其中最小相對濕度與AQI的相關系數達-0.33，其后依次為晴雨情況，20—20時降水量和極大風速，相關系數分別為-0.28，-0.27，-0.26，然后為日照時數、最低氣溫和平均氣壓，而最小的最高氣溫的相關系數也在-0.04以上。利用2014—2016年全年的相關系分析做回歸預報方程，發現AQI預報結果并不理想，在實際業務對空氣質量的預報應用性較差，為此嘗試不同季節的分別建立回歸方程對AQI指數的預報準確率高。

3.2 不同季節AQI與氣象要素的相關

九江市四季主要特點是四季分明，雨量充沛。春季受冷空氣和南支槽的共同影響，多低溫陰雨和強對流。夏季多降水、高溫天氣，全年降水50%以上集中在雨季4—7月。秋季受副熱帶高壓脊或大陸高壓控制，秋高氣爽。冬季主要受冷空氣南下侵入影響，以鄱陽湖區域為向北開口的盆地，冷空氣長驅直下，氣溫顯著下降，污染物隨之輸送而來。基于這種氣候背景，不同季節首要污染物不同，AQI與氣象要素也呈現不同的相關性。對樣本分季節作相關性計算，從而找出不同季節影響空氣質量的主要氣象因子。

如表1所示，春季的AQI相關性與全年的相比，主要表現為最高氣溫和極大風速提高明顯，春季隨著氣溫的升高，O3污染也更加明顯，所以才會呈現出最高氣溫的相關性升高，春季冷空氣相對活躍，污染物隨冷空氣沿鄱陽湖口輸入本地，極大風速的相關性較好。

表1 春季AQI與部分氣象要素的相關系數

如表2所示，夏季相對濕度、日照時數、最高氣溫和降水量呈現高度相關。根據前文分析，夏季的O3污染有明顯的升高，這跟日照增多和氣溫升高有密切的關系。夏季西南季風活躍，多降水天氣，降水對大氣中的污染物有顯著的沉降作用，故而濕度和雨量對AQI表現出了明顯的負相關。

表2 夏季AQI與部分氣象要素的相關系數

秋季秋高氣爽、伏秋期多高溫干旱，AQI與最高氣溫和日照時數呈現較好的相關，初秋有臺風影響，受臺風外圍下沉氣流影響，下沉增溫影響最高氣溫。而在深秋，大氣環流的季節調整，冷空氣開始活躍，晴雨變化頻繁，由于污染物的累積特征和降水對污染物的清除作用，降水、前一日降水和相對濕度呈現了顯著的負相關(表3)。

表3 秋季AQI與部分氣象要素的相關系數

如表4所示，冬季的相關系數普遍不高，氣象因子主要表現為氣溫、降水量、極大風速和氣壓。分析發現由于冷空氣活躍，弱冷空氣導致的北方污染物從鄱陽湖口輸入，再加上冬季大氣垂直層結穩定，易形成逆溫，導致垂直擴散能力下降。冬季九江市所有的重污染天氣都是由于外部輸入型及外部輸入和本地堆積的混合型造成的，弱冷空氣將北方污染物隨著近地層偏北風輸送到本地區。

表4 冬季AQI與部分氣象要素的相關系數

3.3 建立分季節的回歸模型

由于九江地處江南，AQI的升高是污染物累積的過程，九江的AQI指數是一個滑動的曲線性變化，前一天的指數對后一天的指數預報有重要的指示意義。對前后兩天的AQI進行了分析發現相關系數高達0.66，經過檢驗對比，在回歸模型中加入前一天的AQI這項參數后，AQI指數的預報質量有顯著的提高，所以在不同季節分別建立回歸模型時，前一天的AQI值作為最重要的一項參數。

1)春季回歸模型。

Y=73.98+0.71X1-0.43X2-0.29X3-2.1X4-0.2X5+0.53X6

其中：X1為最高氣溫，X2為平均相對濕度，X3為20—20時降水量，X4為極大風速，X5日照時數，X6為前一天AQI。

2)夏季回歸模型。

Y=87.83-1.23X1-0.47X2-0.17X3+1.37X4+0.61X5

其中：X1為最高氣溫，X2為最小相對濕度，X3為20—20時降水量，X4為日照時數，X5為前一天AQI。

3)秋季回歸模型。

Y=85.7+0.01X1-0.4X2-0.07X3-0.15X4-3.04X5+0.14X6+0.45X7

其中：X1為最高氣溫，X2為最小相對濕度，X3為20—20時降水量，X4為前一天08—08時降水量，X5為極大風速，X6為日照時數，X7為前一天AQI。

4)冬季回歸模型。

Y=456.05-0.39X1+1.39X2-1.23X3-2.44X4+0.51X5

其中：X1為最高氣壓，X2為最高氣溫，X3為20—20時降水量，X4為極大風速，X5為前一天AQI。

4 預報能力檢驗

利用2017年1月1日—12月31日的數據對預報模型進行檢驗發現(圖5)，春季AQI±20預報準確率為78%，污染等級預報準確率為82%；夏季AQI±20預報準確率為81%，污染等級預報準確率為80%；秋季AQI±20預報準確率為68%，污染等級預報準確率為66%；冬季AQI±20預報準確率為58%，污染等級預報準確率為54%。

圖5 預報模型預測與實況檢驗圖

春季、夏季由于降水比較明顯，且由O3造成的污染日數相對較多，而高溫和日照對O3有顯著的相關，所以AQI的預報能力較強，預報準確率高，且能較好地預報轉折性的污染變化。秋冬季隨著外來輸送污染嚴重和PM2.5首污的日數增加，氣象因子的相關性較低，預報能力也隨之降低。

5 小結與討論

本文利用空氣質量監測數據、氣象數據開展AQI與氣象要素的相關性分析，對2014—2016年1 093 d的有效樣本做分季節回歸分析，得出分季節的不同統計學預報模型，用客觀預報產品和數值預報產品做預報初始場，得出未來24 h的AQI指數預報，得到以下結論。

1)相對于全年回歸預報方程，分不同季節的回歸方程對AQI指數的預報準確率高。不同季節的氣象要素與AQI的相關程度不同，春季選取的主要預報因子為最高氣溫、平均相對濕度、降水量、極大風速、日照時數；夏季預報因子為最高氣溫、最小相對濕度、降水量、日照時數；秋季預報因子為最高氣溫、最小相對濕度、降水量、前一日降水量、極大風速和日照時數；冬季預報因子為降水量、極大風速、最高氣壓、最高氣溫。

2)AQI指數的增長有累積特點，前后兩天的AQI相關系數高達0.66，在回歸的過程中將前一天的AQI值做為最重要的一項參數，極大地提高了預報準確率。

3)AQI預報準確率春、夏季相對秋、冬季節較高。春季和夏季由于降水比較明顯，而且高溫和日照對O3有顯著的相關，所以AQI的預報能力較強，預報準確率高，且能較好地預報轉折性的污染變化。秋冬季隨著污染的加強和PM2.5首污的日數增加，相關性較弱，預報能力也隨之降低。

4)模型中預報初始場最高氣溫、降水量為主觀預報產品，其余要素均使用數值預報結果，因此AQI的預報準確率不僅受限于統計模型本身，還取決于天氣要素預報的準確率。

5)九江市秋冬季受外來輸送污染嚴重[18]，今后可以嘗試將上游AQI值作為影響因子加入預報模型中，用以改善該模型對秋冬季AQI的預報能力。