基于Copula函數的成都夏季O3污染潛勢模型

任至涵,倪長健,陳云強,楊 泓

基于Copula函數的成都夏季O3污染潛勢模型

任至涵1,2,倪長健1,2,陳云強3*,楊 泓3

(1.成都信息工程大學大氣科學學院,四川 成都 610225；2.高原大氣與環境四川省重點實驗室,四川 成都 610225；3.四川省氣象服務中心,四川 成都 610072)

利用成都市2016～2019年6～8月O3濃度的逐時監測數據以及該時段同時次的地面氣象觀測資料,構建了O3污染潛勢3維(紫外輻射、相對濕度和氣溫)Copula聯合概率分布模型,并開展了模型的適用性研究.首先,通過對SciPy庫概率分布函數的優選,確定了不同O3濃度等級條件下紫外輻射、氣溫和相對濕度的最優邊緣概率分布函數(均通過了顯著性水平=0.05的K-S檢驗);其次,計算了3種Copula聯合概率分布函數的均方根誤差(RMSE值)、赤池信息準則(AIC值)、貝葉斯信息量(BIC值),并借助Anderson-Darling檢驗,發現非對稱3維frank Copula聯合概率分布函數(M3Copula)可以最佳地表征不同O3濃度等級條件下紫外輻射、相對濕度和氣溫的聯合概率分布特征;最后,將不同O3濃度等級條件下M3Copula聯合概率密度作為對應O3濃度等級的隸屬度,O3污染潛勢的分類結果對實際O3濃度等級具有較好的指示意義,模擬的平均準確率為63%,其中優等級、良等級、輕度污染等級以及中度及以上污染等級的模擬準確率分別為82%、64%、48%和75%.

O3；污染潛勢；Copula函數；隸屬度；成都；污染特征

十三五期間,我國整體環境空氣質量得到明顯改善,全國及重點區域PM2.5濃度顯著下降,重污染天數大幅減少,但近地面O3濃度和超標天數持續上升,O3污染呈持續加重趨勢,嚴重影響當前環境空氣質量[1-4].高濃度O3不僅危害人體的健康以及植物的生長,而且可通過改變大氣的氧化性,進而加劇大氣復合污染的復雜性和不確定性[5-8].

研究表明[9-10],平流層輸入是對流層O3的天然源,但近地面O3主要來源于O3的光化學反應.氮氧化物(NO)和揮發性有機物(VOCs)等前體物在光照等適宜氣象條件下發生一系列光化學反應產生O3,使得前體物和氣象要素與O3濃度之間構成了一個復雜的非線性動力系統[11].針對長江三角洲地區代表城市杭州市臭氧濃度影響因素的研究指出,前體物濃度和氣象要素對O3濃度均存在顯著影響[12].良好的天氣條件如強輻射、低風速有利于臭氧及其前體物的積累,從而有利于光化學反應的發生[13].在O3前體物排放相對固定的條件下,近地面O3濃度變化主要與表征O3污染潛勢的氣象條件密切相關.太陽輻射和氣溫均與O3濃度之間存在顯著的正相關關系,強太陽輻射和高溫能促進光化學反應速率,有利于O3濃度的升高[14-16].總云量、低云量和相對濕度則與O3濃度呈現出負相關關系,一方面,水汽的增加會減弱太陽輻射的強度并降低日最高氣溫,另一方面,水汽能與O3發生反應并消耗近地面O3[17-18].對中國典型城市O3濃度與多種氣象要素之間的復雜關系分析表明太陽輻射、相對濕度和氣溫是影響O3光化學反應生成的關鍵要素[19-21].任至涵等[22]針對成都地區的進一步研究表明,11:00～19:00的氣象要素對逐日O3污染潛勢具有最優的指示意義.由上述分析可見,氣象要素顯著影響O3光化學反應的進程,是O3光化學反應非線性動力系統的重要驅動因子.

近年來,在全球氣候變化以及城市化進程不斷加快的背景下,以高溫熱浪為代表的極端天氣氣候事件多發且頻發,由此導致O3光化學反應關鍵氣象因子的組合模態愈加復雜[23].目前空氣污染潛勢研究大多以天氣形勢及影響大氣擴散能力的氣象要素指標為依據,對未來大氣環境質量進行定性或半定量的預報,這顯然不足以表征O3光化學反應污染潛勢的高維、非線性以及不確定性等特點[24].建立多變量聯合分布的傳統方法要求變量間不能存在較強的相關性,且邊際分布屬于同一類型或是需要轉換為同一類型;另外,在對數據進行多次處理與變換過程中,還可能導致數據信息的失真[25-26].而金融領域運用成熟的Copula函數為構建聯合分布提供了一種應用潛力巨大的新方法,它在建立聯合結構的同時,能夠有機結合隨機變量間不同的相關程度和相關模式,建立聯合分布的過程可以分解為邊緣分布和聯合分布,這兩個互相獨立的部分分別加以處理[27-28].Copula函數模型的形式靈活多樣,且不受邊際分布形式的限制,具有客觀、定量、準確以及實用性強等優點,已被廣泛應用于多領域復雜問題的研究[29-34],這也為多指標O3污染潛勢模型的建立提供了方法論.

成都位于四川盆地的西部,是中國西南地區社會、經濟和文化中心.成都人口稠密,工業發達,O3前體污染物排放量大,加之特殊地形和氣候條件的綜合影響,該區域一直是四川盆地夏季O3濃度的高值中心[35].本文利用成都市2016～2019年6～8月O3逐時監測數據以及該時段同時次的地面氣象觀測資料,基于不同O3濃度等級分別構建了O3污染潛勢3維(紫外輻射、相對濕度和氣溫)Copula聯合概率分布函數,進而分析了該模型的特點和適用性,據此深化對成都地區O3光化學氣象成因的認知.

1 數據與方法

1.1 數據來源及處理

數據來源:采用資料包括成都市溫江區氣象觀測站(103.83°E,30.70°N)所提供的2016～2019年6～8月逐時O3連續監測數據和氣象觀測數據.氣象數據包括常規地面觀測氣象資料氣溫和相對濕度以及地面輻射觀測資料(紫外A輻射輻照度(UVA),以下簡稱紫外輻射),并對監測數據進行嚴格的質量控制.

數據處理:根據《環境空氣質量指數技術規定》(HJ633—2012)標準[36],對逐時O3數據進行8h滑動平均處理,以表征O3濃度等級的O3日最大8h滑動平均濃度(O3-8)構建O3濃度的日序列;基于成都地區關鍵時段的研究成果[22],在研究時段內逐日求取11:00～19:00氣象要素的平均值,據此得到氣象要素的日序列.

1.2 研究方法

1.2.1 邊緣分布函數的優選 紫外輻射、相對濕度和氣溫的概率分布函數源于Python的SciPy包,Fitter函數可以遍歷其中的104種概率分布函數.利用極大似然估計法進行參數估計,基于Kolmogorov-Smirnov檢驗(K-S檢驗)、RMSE值、AIC值和BIC值的綜合分析,對紫外輻射、相對濕度和氣溫的概率分布函數進行優選.RMSE值、AIC值和BIC值越小,表征該概率分布函數的擬合效果越好.

在常用的Copula函數當中,Archimedean Copula具有形式簡單且適用性強等特點,已被廣泛地應用于研究金融和水文水資源等方面的復雜現象[38-39].由于二維以上對稱Archimedean Copula只能描述變量間正的相依性并且要求變量間相關系數非常接近,本研究選用非對稱Archimedean Copula函數中的Frank Copula函數、Clayton Copula函數和AMH Copula函數,分析它們作為紫外輻射、相對濕度和氣溫聯合分布函數的適用性.

(1)Frank Copula函數

(2)Clayton Copula函數

(3)AMH Copula函數

式中:參數1和2所體現的相關程度是逐層遞減的,即1和2的相關性比1和3、2和3的相關性都強[40].

利用邊緣函數推斷法估算三維不對稱Copula函數的參數[41],進而通過RMSE值、AIC值和BIC值開展Copula函數的優選[38],最終基于Anderson- Darling檢驗統計量(AD統計量)對最優Copula函數進行擬合度檢驗[42-43].經驗累積聯合概率計算公式為:

2 結果與分析

2.1 成都夏季O3濃度分級及建模樣本的確定

根據《環境空氣質量指數技術》(HJ633—2012)[36],按O3-8濃度空氣質量分指數逐年統計2016～2019年6～8月優、良、輕度污染、中度污染以及重度污染的日數,如表1所示. 2016～2019年6～8月優、良、輕度污染、中度污染以及重度污染的日數分別為61, 140, 118, 31和9d,對應占比是16.99%、39.00%、32.87%、8.64%和2.51%.由于重度污染日數較少,單獨建模會導致模型代表性不強,將中度污染日和重度污染日并稱為中度及以上污染日,據此得到4個O3濃度等級,即優等級、良等級、輕度污染等級和中度及以上污染等級,對應建模的樣本量分別為61,140,118和40.

表1 2016～2019 年5個O3濃度等級的天數(d)

2.2 不同O3濃度等級下紫外輻射、相對濕度和氣溫概率分布函數的優選

表2 4個O3濃度等級下3種氣象要素的最優概率分布函數

注:概率分布函數及其參數來源于https://docs.scipy.org/doc/scipy/reference/stats.html SciPy庫.

2.3 不同O3濃度等級下紫外輻射、相對濕度和氣溫3維Copula模型

基于不同O3濃度等級下紫外輻射、相對濕度和氣溫概率分布函數的優選結果,利用clayton Copula、frank Copula和AMH Copula函數進行完全嵌套以構建3維O3污染潛勢模型,并通過邊緣函數推斷法(二階段法)估計Copula聯合概率分布函數的參數,結果如表3所示. AMH Copula函數的參數估計結果雖然收斂,但4個O3濃度等級參數值均存在超出規定參數取值范圍的情況[37],非對稱frank Copula函數(M3Copula)和clayton Copula函數(M4Copula)的參數估計結果則符合構建條件.針對M3Copula和M4Copula函數的進一步計算表明,不同O3濃度等級下M3Copula的RMSE值、AIC值和BIC值均相對較小,即M3Copula能夠最佳地描述紫外輻射、相對濕度和氣溫之間的相關關系.另外,圖2給出了4個O3濃度等級的M3Copula聯合概率分布函數的理論累積概率分布和實測累積概率分布散點圖. M3Copula聯合概率分布函數的理論累積概率和實測累積概率點均勻分布在45°對角線附近,決定系數2位于0.8641～0.9750之間.綜上,非對稱3維frank Copula聯合概率分布函數(M3Copula)能最佳地表征不同O3濃度等級下紫外輻射、相對濕度和氣溫的相關關系.

a:優等級;b:良等級;c:輕度污染等級;d:中度及以上污染等級

表3 4個O3濃度等級下3種Copula聯合概率分布函數擬合結果

注:AMH函數的參數估計結果均超出規定參數取值范圍,””表示未進行后續檢驗結果計算.

由上分析可知,M3Copula分布函數可以最佳地表征不同O3濃度等級條件下紫外輻射強度、相對濕度和氣溫的聯合概率分布.如圖3所示, O3優等級下M3Copula聯合概率密度高值對應紫外輻射、相對濕度和氣溫的主要分布區間分別為0～12W/m2、80%～100%和18～27℃,計算的聯合概率分布為59%;O3良等級下M3Copula聯合概率密度高值對應紫外輻射、相對濕度和氣溫的主要分布區間分別為10～24W/m2、55%～90%和23～30℃,計算的聯合概率分布為57%;O3輕度污染等級下M3Copula聯合概率密度高值對應紫外輻射、相對濕度和氣溫的主要分布區間分別為15～28W/m2、40%～80%和27～33℃,計算的聯合概率分布為58%;O3中度及以上污染等級下M3Copula聯合概率密度高值對應紫外輻射、相對濕度和氣溫的主要分布區間分別為20～30W/ m2、37%～65%和30～35℃,計算的聯合概率分布為60%.即隨著O3濃度等級的提高,M3Copula聯合概率密度函數的高值區域對應的紫外輻射強度、相對濕度和氣溫也呈現出顯著的響應特征.

基于構建的O3污染潛勢3維(紫外輻射、相對濕度和氣溫)Copula聯合概率分布模型,進一步開展了模型的適用性研究.利用成都市2016～2019年6～8月期間合計359個樣本數據,在不同O3濃度等級(優、良、輕度污染和中度及以上污染)條件下分別計算紫外輻射強度、相對濕度和氣溫的M3Copula聯合概率密度值,并將計算結果作為相應O3濃度等級的隸屬度,據此判定O3的污染潛勢,結果如表5所示. O3污染潛勢Copula模型的模擬準確率為63%.就模擬準確率在不同濃度等級下的分布而言,優等級和中度及以上污染等級的模擬準確率較高,分別為82%和75%,良等級和輕度污染等級的模擬正確率略低,分別為64%和48%.

表4 4個O3濃度等級下M3Copula聯合概率分布函數擬合度檢驗結果

注:”AD2”代表樣本量為的實測樣本AD檢驗統計量.

綜上分析可見,紫外輻射強度、相對濕度和氣溫的變化會導致同一O3等級下M3Copula聯合概率密度的改變,而相同的紫外輻射強度、相對濕度和氣溫在不同O3等級下M3Copula聯合概率密度的計算結果也呈現規律性差異.構建的成都夏季O3污染潛勢模型表征了紫外輻射強度、相對濕度和氣溫對O3濃度變化的綜合影響,該模型的分類結果對實際O3濃度等級具有較好的指示意義,但也存在一定偏差,其中原因主要有以下幾個方面.(1)O3濃度的演化與氮氧化物(NO)和揮發性有機物(VOCs)等前體污染物的變化密切相關,本文假定這些前體物的排放相對固定,只考慮紫外輻射強度、相對濕度和氣溫等氣象因子對O3的作用,這是基于該模型進行O3濃度等級分類誤差的重要來源.(2)本文構建的O3污染潛勢指標體系只包括紫外輻射、相對濕度和氣溫3個氣象因子,這主要考慮到近地面O3是光化學反應的產物以及研究區主要為靜小風的環境背景,但實際風場、降水以及其它相關氣象因子也會在一定程度上對O3濃度造成影響,由此導致模型的不確定性.(3)值得一提的是,每日O3濃度還取決于前一日O3濃度狀況.另外,O3濃度等級之間的模糊不確定性也會在很大程度上降低分類的準確性,這可能是良等級尤其是輕度污染等級分類精度相對較差的重要成因.若將O3優等級和良等級聚為一類,輕度污染等級和中度及以上污染等級聚為一類,該模型對二者的分類準確率分別為82%和83%.因此,模型分類結果是判定會否出現O3污染的重要依據.

圖3 4個O3濃度等級M3Copula聯合概率密度分布圖

Fig.3 Joint probability density distribution of M3Copula at four O3 concentration levels

a:優等級;b:良等級;c:輕度污染等級;d:中度及以上污染等級

表5 2016～2019年O3污染潛勢分類結果

3 結論

3.1 紫外輻射、相對濕度和氣溫在不同O3濃度等級條件下的最優邊緣概率分布函數及其統計參數均存在顯著的差異,體現了氣象條件變化及其耦合效應對O3濃度演化影響的復雜性和不確定性.

3.2 M3Copula聯合概率分布函數可以最佳地表征不同O3濃度等級條件下紫外輻射、相對濕度和氣溫的聯合概率分布特征.M3Copula聯合概率密度函數高值區域對應的紫外輻射強度、相對濕度和氣溫隨著O3濃度等級的增加均呈現出顯著的響應特征.

3.3 O3污染潛勢模型M3Copula聯合概率分布函數的分類模擬結果對實際O3濃度等級具有較好的指示意義,平均準確率為63%,其中優等級和中度及以上污染等級的模擬準確率較高,分別為82%和75%,良等級和輕度污染等級的模擬正確率略低,分別為64%和48%.

[1] 劉 建,吳 兌,范紹佳,等.前體物與氣象因子對珠江三角洲臭氧污染的影響[J]. 中國環境科學, 2017,37(3):813-820.

Liu J, Wu D, Fan S J, et al. Impacts of precursors and meteorological factors on ozone pollution in Pearl River Delta [J]. China Environmental Science, 2017,37(3):813-820.

[2] 姜 華,常宏咪.我國臭氧污染形勢分析及成因初探 [J]. 環境科學研究, 2021,34(7):1576-1582.

Jiang H, Chang H M. Analysis of China's Ozone Pollution Situation, Preliminary Investigation of Causes and Prevention and Control Recommendations [J]. Research of Environmental Sciences, 2021, 34(7):1576-1582.

[3] Zhang Z Y, Zhang X L, Gong D Y, et al. Evolution of surface O3and PM2.5concentrations and their relationships with meteorological conditions over the last decade in Beijing [J]. Atmospheric Environment, 2015,108:67-75.

[4] 栗澤苑,楊雷峰,華道柱,等.2013～2018年中國近地面臭氧濃度空間分布特征及其與氣象因子的關系 [J]. 環境科學研究, 2021,34(9): 2094-2104.

Li Z Y, Yang L F, Hua D Z, et al. Spatial Pattern of Surface Ozone and its Relationship with Meteorological Variables in China during 2013～2018 [J]. Research of Environmental Sciences, 2021,34(9): 2094-2104.

[5] Liu Y M, Wang T. Worsening urban ozone pollution in China from 2013 to 2017–Part 2: The effects of emission changes and implications for multi-pollutant control [J]. Atmospheric Chemistry and Physics, 2020,20(11):6323-6337.

[6] 張天岳,沈楠馳,趙 雪,等.2015～2019年成渝城市群臭氧濃度時空變化特征及人口暴露風險評價 [J]. 環境科學學報, 2021,41(10): 4188-4199.

Zhang T Y, Shen N C, Zhao X, et al. Spatiotemporal variation characteristics of ozone and its population exposure risk assessment in Chengdu-Chongqing urban agglomeration during 2015 to 2019 [J].Acta Scientiae Circumstantiae, 2021,41(10):4188-4199.

[7] 方笑堃,羅小三,張 丹,等.臭氧污染對水稻生長、產量及礦質金屬元素含量的影響 [J]. 環境科學, 2020,41(8):3797-3803.

Fang X K, Luo X S, Zhang D, et al. Effects of Ozone Pollution on Growth, Yields, and Mineral Metallic Element Contents of Paddy Rice [J]. Environmental science, 2020,41(8):3797-3803.

[8] Xie B, Zhang H, Wang Z L, et al. A modeling study of effective radiative forcing and climate response due to tropospheric ozone [J]. Advances in Atmospheric Sciences, 2016,33(7):819-828.

[9] 林偉立,胡建信,唐孝炎.臭氧層耗損對對流層大氣質量的影響和在中國的響應 [J]. 環境科學研究, 2002,(3):61-64.

Lin W L, Hu J X, Tang X Y. The Impact of Stratospheric Ozone Depletion on the Tropospheric Air Quality and Implications for China [J]. Research of Environmental Sciences, 2002,(3):61-64.

[10] 李嫣婷,孫天樂,何 龍,等.深圳市秋季大氣臭氧立體分布特征 [J]. 中國環境科學, 2020,40(5):1975-1981.

Li Y T, Sun T L, He L, et al. Vertical distribution characteristics of ozone pollution in Shenzhen in autumn [J]. China Environmental Science, 2020,40(5):1975-1981.

[11] 唐孝嚴,張遠航,邵 敏.大氣環境化學 [M]. 北京:高等教育出版社, 2006:272-273.

Tang X Y, Zhang Y H, Shao M. Atmosphere Environmental Chemistry [M]. Beijing: China Higher Education Press, 2006:272-273.

[12] Li K W, Chen L H, Ying F, et al. Meteorological and chemical impacts on ozone formation: A case study in Hangzhou, China [J]. Atmospheric Research, 2017:40-52.

[13] Tao W, Li X, Peter B, et al. Ozone pollution in China: A review of concentrations, meteorological influences, chemical precursors, and effects [J]. Science of the Total Environment, 2016:1582-1596.

[14] 易 睿,王亞林,張殷俊,等.長江三角洲地區城市臭氧污染特征與影響因素分析 [J]. 環境科學學報, 2015,35(8):2370-2377.

Yi R, Wang Y L, Zhang Y J, et al. Pollution characteristics and influence factors of ozone in Yangtze River Delta [J]. Acta Scientiae Circumstantiae, 2015,35(8):2370-2377.

[15] 曹庭偉,吳 鍇,康 平,等.成渝城市群臭氧污染特征及影響因素分析 [J]. 環境科學學報, 2018,38(4):1275-1284.

Cao T W, Wu K, Kang P, et al. Study on ozone pollution characteristics and meteorological cause of Chengdu-Chongqing urban agglomeration [J]. Acta Scientiae Circumstantiae, 2018,38(4):1275- 1284.

[16] 黃 俊,廖碧婷,吳 兌,等.廣州近地面臭氧濃度特征及氣象影響分析 [J]. 環境科學學報, 2018,38(1):23-31.

Huang J, Liao B T, Wu D, et al. Guangzhou ground level ozone concentration characteristics and associated meteorological factors [J]. Acta Scientiae Circumstantiae, 2018,38(1):23-31.

[17] 王 磊,劉端陽,韓桂榮,等.南京地區近地面臭氧濃度與氣象條件關系研究 [J]. 環境科學學報, 2018,38(4):1285-1296.

Wang L, Liu D Y, Han G R, et al. Study on the relationship between surface ozone concentrations and meteorological conditions in Nanjing, China [J]. Acta Scientiae Circumstantiae, 2018,38(4):1285-1296.

[18] Ying Y T, Sze F L, Roland V G. The influence of meteorological factors and biomass burning on surface ozone concentrations at Tanah Rata, Malaysia [J]. Atmospheric Environment, 2013,70:435-446.

[19] 徐 錕,劉志紅,何沐全,等.成都市夏季近地面臭氧污染氣象特征[J]. 中國環境監測, 2018,34(5):36-45.

Xu K, Liu z h, He M Q, et al. Meteorological Characteristics of O3Pollution Near the Ground in Summer of Chengdu [J]. Environmental Monitoring in China, 2018,34(5):36-45.

[20] 胡成媛,康 平,吳 鍇,等.基于GAM模型的四川盆地臭氧時空分布特征及影響因素研究 [J]. 環境科學學報, 2019,39(3):809-820.

Hu C Y, Kang P, Wu K, et al. Study of the spatial and temporal distribution of ozone and its influence factors over Sichuan Basin based on generalized additive model [J]. Acta Scientiae Circumstantiae, 2019,39(3):809-820.

[21] 嚴曉瑜,緱曉輝,楊 婧,等.中國典型城市臭氧變化特征及其與氣象條件的關系[J]. 高原氣象, 2020,39(2):416-430.

Xiao Y, GOU X H, YANG J, et al. The Variety of Ozone and its Relationship with Meteorological Conditions in Typical Cities in China [J]. Plateau Meteorology, 2020,39(2):416-430.

[22] 任至涵,倪長健,花瑞陽,等.成都O3逐日污染潛勢關鍵時段優選的GAM模型 [J]. 中國環境科學, 2021,41(11):5079-5085.

Ren Z H, Ni C J, Hua R Y, et al. Optimization of the key period of daily ozone pollution potential in Chengdu based on Generalized Additive Model [J]. China Environmental Science, 2021,41(11):5079- 5085.

[23] 白瑩瑩,程炳巖,王 勇,等.城市化進程對重慶夏季高溫炎熱天氣的影響 [J]. 氣象, 2015,41(3):319-327.

Bai Y Y, Cheng B Y, Wang Y, et al. Influences of Urbanization Speed on the Summer High Temperature and Sultry Weather in Chongqing [J]. Meteorological monthly, 2015,41(3):319-327.

[24] 黃曉嫻,王體健,江 飛.空氣污染潛勢-統計結合預報模型的建立及應用 [J]. 中國環境科學, 2012,32(8):1400-1408.

Huang X X, Wang T J, Jiang F, et al. An air pollution potential forecast model combined with statistical method and its application [J]. China Environmental Science, 2015,35(8):2370-2377.

[25] Mishra A K, Singh V P, Desai V R. Drought characterization: A probabilistic approach [J]. Stochastic Environment Research and Risk Assessment, 2009,23(1):41-55.

[26] Song S B, Singh V P. Meta-elliptical copulas for drought frequency analysis of periodic hydrologic data [J]. Stochastic Environmental Research and Risk Assessment, 2010,24(3):425-444.

[27] Longin F, Solnik B. Extreme correlations of international equity markets [J]. Journal of Finace, 2001,56:649-676.

[28] Hu L. Dependence patterns across financial markets: A mixed copula approach [J]. Applied Financial Economics, 2006,16(10):717-729.

[29] Zhang L, Singh V P. Trivariate flood frequency analysis using the Gumbel-Hougaard copula [J]. Journal of Hydrologic Engineering, 2007,12(4):431-439.

[30] Garcia-Portugues E, Crujeiras R M, Gonzalez-Manteiga W. Exploring wind direction and SO2concentration by circular-linear density estimation [J]. Stochastic Environmental Research & Risk Assessment, 2013,27(5):1055-1067.

[31] 李 寧,顧孝天,劉雪琴.沙塵暴災害致災因子三維聯合分布與重現期探索 [J]. 地球科學進展, 2013,28(4):490-496.

Li N, Gu X T, Liu X Q. Return period analysis based on joint distribution of three hazards in dust storm disaster [J]. Advances in Earth Science, 2013,28(4):490-496.

[32] 陳子燊,黃 強,劉曾美.基于非對稱Archimedean Copula的三變量洪水風險評估 [J]. 水科學進展, 2016,27(5):763-771.

Chen Z Y, Huang Q, Liu Z M. Three-variable flood risk assessment based on asymmetric Archimedean Copula [J]. Advances in water Science, 2016,27(5):763-771.

[33] 許紅師,練繼建,賓零陵,等.臺風災害多元致災因子聯合分布研究 [J]. 地理科學, 2018,38(12):2118-2124.

Xu H S, Lian J J, Bin L L et al. Joint Distribution of Multiple Typhoon Hazard Factors [J]. Scientia Geographica Sinica, 2018,38(12):2118- 2124.

[34] Ji Z H, Liu X Q. Comparative analysis of PM2.5pollution risk in China using three-dimensional Archimedean copula method [J]. Geomatics, Natural Hazards and Risk, 2019,10(1):2368-2386.

[35] 汪可可,康 平,周明衛,等.四川盆地臭氧濃度空間分異及驅動因子研究 [J]. 中國環境科學, 2020,40(6):2361-2370.

Wang K K, Kang P, Zhou M W, et al. Spatial differentiation and driving factors of ozone concentration in Sichuan Basin [J]. China Environmental Science, 2020,40(6):2361-2370.

[36] HJ633-2012 環境空氣質量指數技術規定(試行) [S].

HJ633-2012 Technical regulation on ambient air quality index (on trial) [S].

[37] Sklar A. Random variables, joint distribution functions and copulas [J]. Kybernetika-Praha, 1973,9(6):449-460.

[38] 宋松柏,蔡煥杰,金菊良,等.Copulas函數及其在水文中的應用 [M]. 北京:科學出版社, 2012:112-113.

Song S B, Cai H J, Jin J L, et al. Copulas function and its application in hydrology [M]. Beijing: Science Press, 2012:112-113.

[39] 王 沁,呂王勇.基于非對稱阿基米德Copula模型的投資組合風險度量 [J]. 四川師范大學學報(自然科學版), 2019,42(2):260-268.

Wang Q, Lv W Y, et al. Portfolio risk measurement based on asymmetric Archimedes Copula model [J]. Journal of Sichuan Normal University (Natural Science), 2019,42(2):260-268.

[40] 王筱萍,高慧敏,曾建潮.基于嵌套Gumbel Copula函數的分布估計算法 [J]. 系統仿真學報, 2013,25(10):2337-2342.

Wang Y P, Gao H M, Zeng J C, Estimation of Distribution Algorithms Based on Nested Gumbel Copula [J]. Journal of System Simulation, 2013,25(10):2337-2342.

[41] 楊益黨,羅羨華.Copula函數的參數估計 [J]. 新疆師范大學學報(自然科學版), 2007,26(2):5.

Yang Y D, Luo X H. Parameter estimation of Copula function [J]. Journal of Xinjiang Normal University (Natural Sciences Edition), 2007,26(2):5.

[42] 馬明衛,宋松柏.橢圓型Copulas函數在西安站干旱特征分析中的應用 [J]. 水文, 2010,30(4):36-42.

Ma M W, Song S B. Application of Elliptic Copulas Function in Analysis of Drought Characteristics in Xi 'an Station [J]. Journal of China Hydrology, 2010,30(4):36-42.

[43] Ma M W, Ren L L, Song S B, et al. Goodness-of-fit tests for multi-dimensional copulas: Expanding application to historical drought data [J]. Water Science and Engineering, 2013,6(1):18-30.

Summer O3pollution potential model based on copula function in Chengdu.

REN Zhi-han1,2, NI Chang-jian1,2,

CHEN Yun-qiang3*, YANG Hong3(1.School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China；2.Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, Chengdu 610225, China；3.Meteorological Service Center of Sichuan Province, Chengdu 610072, China)., 2022,42(9)：4009～4017

The evolution of Ozone (O3) concentration near the ground is closely related to the coupling effect of multiple meteorological factors, but the complexity and uncertainty keep still unclear . In order to explore the problem mentioned above, the hourly monitoring data of O3concentration as well as the surface meteorological observation data during the same time period in Chengdu from 2016 to 2019 during summer were collected, a three-dimensional copula joint probability distribution model of O3pollution potential (including UV radiation, relative humidity, and temperature) was constructed, and the applicability of the model was further explored. Firstly, the optimal marginal probability distributions of UV radiation, relative humidity and ambient temperature under different O3concentration levels were determined at significant level of=0.05 in K-S test based on the optimization of probability distributions belonging to SciPy package. Secondly, the root-mean-square-error (RMSE), Akaike Information Criterion (AIC), and Bayesian Information criterion (BIC) of three kinds of joint probability distribution functions were calculated, respectively. With the help of Anderson-Darling test (A-D test), it was found that asymmetric three-dimensional frank Copula joint probability distribution function (M3Copula) has better fitting effects on the joint probability distribution characteristics of UV radiation, relative humidity, and ambient temperature, respectively, under different O3concentration levels. Finally, Taking the joint probability density of M3Copula under different O3concentration levels as the membership of O3concentration levels, the classification results of O3pollution potential has a fairly good indication of the actual O3concentration levels, and the M3Copula can simulate the O3concentration levels with 63% accuracy, of which the simulation accuracy of excellent level, good level, light pollution level and moderate or higher pollution level were 82%, 64%, 48%, and 75%, respectively. Our findings demonstrated that the classification results of O3pollution potential have a fairly good instruction significance to actual O3concentration levels.

ozone；pollution potential；Copula function；membership degree；Chengdu；pollution characteristics

X515

A

1000-6923(2022)09-4009-09

2022-01-23

國家重點研發計劃項目(2018YFC0214004;2018YFC1506006);四川省科技廳應用基礎研發項目(2021YJ0314)

*責任作者, 高級工程師, 179417919@qq.com

任至涵(1997-),女,四川閬中人,成都信息工程大學碩士研究生,主要從事大氣物理學與大氣環境方面研究.