空氣品質預報方法與流程
2023-10-24 02:49:37 4
本發明涉及數值分析技術領域，適用於大氣環境分析領域,特別涉及一種空氣品質預報方法。
背景技術：
隨著工業化進程的發展，空氣汙染成為越來越嚴重的一個問題。城市區域是空氣汙染最常發生的地區，分布於珠江三角洲、四川盆地、長江三角洲、京津冀、東北平原地區的都市化城市和重工業城市空氣汙染的狀況比其他地區更為嚴重。目前城市空氣品質問題已受到普遍關注，其形成機理、影響、控制途徑及預報預測系統的建立與發展已成為亟需解決的問題。
目前，城市空氣品質多通過統計學預報法和數值預報法進行預報。統計學預報法是分析空氣汙染出現時的大尺度天氣系統活動規律，分析中低空大氣溫度、相對溼度和風速等氣象要素和汙染物的統計學關係。該方法簡單方便，但由於氣象條件、氣溶膠濃度、譜分布、化學成分的關係非常複雜，建立準確度較高的統計預報方程難度較大，且這種方法需要同期城市汙染物和氣象監測資料，預報成本較高。
數值預報法則是通過空氣品質數值預報模式計算汙染物濃度分布和變化規律。該方法雖具有完善的理論基礎，但預報過程難度大且計算量。以美國環保局(epa)為代表,從1970年至今已開發了三代空氣品質模型。第三代空氣品質模式,通稱為models-3,該類模式擬將所有的大氣問題均考慮進模式之中,可以有效地進行較為全面的空氣品質控制策略的評估。目前類似的比較常用的空氣品質模式還有：eurad模式、adom模式、radm模式、uam模式、stem模式等，這些模式各有特色,各有其優缺點。前三種主要用於酸雨問題的研究，而後幾種用於大氣光化學和氣溶膠二次汙染的模擬。雖然各模式的動力框架結構不一,但所採取的化學反應機理主要是cbm-iv、radmii、以及saprc等。
國內空氣品質預報根據其應用於環境決策和環境研究的目標、汙染物的排放特徵和汙染物在大氣中的相互作用、形成和轉化的特點，對模型的參數和功能作修訂和改進,也發展形成了具有適應區域特點的各種尺度多模型體系。第一代模型主要是高斯煙流模型,國 內第二代模式有城市尺度的空氣品質預報模式(如中國科學院大氣物理研究所hrdm)及區域尺度汙染物歐拉輸送模式(如中國科學院大氣物理研究所raqm、南京大學區域酸沉降模式regadm等)。目前國內模式發展也進入第三代，以一個大氣的概念，建構了從全球尺度、區域尺度及套網格的大氣環境模式系列，有南京大學的區域大氣環境模式系統(regaems)、中國科學院大氣物理研究所的嵌套網格空氣品質預報系統(naqpms[10])、中國科學院大氣物理研究所全球環境大氣輸送模式等。
上述空氣品質預報模型依賴各種排放源清單能夠從全球或區域尺度進行大範圍的空氣品質模擬預報。每個模型根據不同的大氣物理化學機理從不同角度反應了大氣成分的變化，但是沒有一個模型能全面包括所有的大氣物化反應機理。在現有技術中，雖然採用了多模式集合預報的方法，但該方法只可針對較大範圍尺度的區域(如全球)或是中等範圍尺度的區域(如亞洲、中國東北地區等)進行預報，預報精度較低，並且預報過程中計算量大，耗時多。
技術實現要素：
為了解決上述問題，本發明的目的在於提供一種空氣品質預報方法,對空氣中一種或多種氣體或顆粒物的含量進行預報，包括以下步驟、:
步驟一：採集待預報地區的歷史環境數據，並將歷史環境數據依次輸入兩個或兩個以上空氣品質預報模型中，分別得到兩個或兩個以上歷史空氣品質預測數據；
步驟二：將兩個或兩個以上歷史空氣品質預測數據以實際觀測數據為參考數據進行修正，計算出各空氣品質預報模型在最終集合計算結果中所佔權重值；
步驟三：採集待預測地區的當前環境數據，並將當前環境數據依次輸入兩個或兩個以上空氣品質預報模型中，分別得到兩個或兩個以上初始預測數據；
步驟四：根據權重值對初始預測數據進行修正，得到最終預報數據。
本發明所涉及的空氣預報方法簡單實用，可針對較小範圍的區域(如城市、區縣等)進行預報，預報精度高，且計算過程簡單，方便採樣。
進一步地，歷史環境數據包括第一歷史排放數據、歷史第一地形數據以及歷史氣象數據。
優選地,當前環境數據包括第一當前排放數據、當前第一地形數據以及當前氣象數據。
進一步地,在步驟一中，增加採集歷史第二地形數據，並將歷史氣象數據與歷史第二地形數據分別與兩個或兩個以上空氣品質預報模型得到的基於歷史第一地形數據的歷史 空氣品質預測數據進行計算，分別得到兩個或兩個以上基於歷史第二地形數據的初始預測數據。
優選地,步驟三中，增加採集當前第二地形數據，並將當前氣象數據與當前第二地形數據分別與兩個或兩個以上空氣品質預報模型得到的基於當前第一地形數據的當前空氣品質預測數據進行計算，分別得到兩個或兩個以上基於當前第二地形數據的初始預測數據。
進一步地，在步驟一中，將歷史第二地形數據，歷史氣象數據以及第二歷史排放數據一起依次輸入到兩個或兩個以上空氣品質預報模型中，以嵌套計算的方式進行運算，分別得到兩個或兩個以上歷史空氣品質預測數據。
優選地，在步驟一中，以歷史第二地形數據、歷史人口分布數據和/或歷史工廠分布數據對歷史空氣品質預測數據進行重採樣運算，得到基於歷史第一地形數據的歷史空氣品質預測數據。
進一步地，在步驟三中，將當前第二地形數據、當前氣象數據以及第二當前排放數據一起依次輸入兩個或兩個以上空氣品質預報模型中，以嵌套計算的方式進行運算，分別得到兩個或兩個以上基於當前第二地形數據的初始預測數據。
優選地，在步驟三中，以當前第二地形數據、人口分布數據和/或工廠分布數據對歷史空氣品質預測數據進行重採樣運算，得到基於當前第二地形數據的初始預測數據。
進一步地，空氣品質預報模型為三個。
優選地，空氣品質預報方法主要對空氣中pm2.5、pm10、二氧化硫、二氧化氮、一氧化碳、臭氧中一種或多種的含量進行預報。
如上，本發明所涉及的空氣品質預報方法預報過程簡單，採樣方便，且預報精確度高，還可改善因排放源數據缺乏造成的城市尺度空氣品質預報精度較差的問題。
附圖說明
圖1為本發明空氣品質預報方法的流程圖。
圖2為空氣預報分析區域示例圖；
圖3(a)為pm10含量預報結果示例圖；
圖3(b)為二氧化硫含量預報結果示例圖；
圖3(c)為二氧化氮含量預報結果示例圖；
圖3(d)為臭氧含量預報結果示例圖；
圖3(e)為一氧化碳含量預報結果示例圖；
圖3(f)為pm2.5含量預報結果示例圖。
具體實施方式
具體來說，本發明所涉及的空氣品質預報方法是一種基於數據同化方法和待預測地區環境數據的多模式空氣品質預報方法。
以下由特定的具體實施例說明本發明的實施方式，本領域技術人員可由本說明書所揭示的內容輕易地了解本發明的其他優點及功效。雖然本發明的描述將結合較佳實施例一起介紹，但這並不代表此發明的特徵僅限於該實施方式。恰恰相反，結合實施方式作發明介紹的目的是為了覆蓋基於本發明的權利要求而有可能延伸出的其它選擇或改造。為了提供對本發明的深度了解，以下描述中將包含許多具體的細節。本發明也可以不使用這些細節實施。此外，為了避免混亂或模糊本發明的重點，有些具體細節將在描述中被省略。
另外，在以下的說明中所使用的「上」、「下」、「左」、「右」、「頂」、「底」，不應理解為對本發明的限制。
如圖1所示，本發明提供一種空氣品質預報方法,對空氣中一種或多種汙染物含量進行預報，在本發明的空氣品質預報方法主要對空氣中pm2.5、pm10、二氧化硫、二氧化氮、一氧化碳、臭氧中一種或多種的含量進行預報，包括以下步驟:
步驟一：採集待預報地區的歷史環境數據，並將歷史環境數據依次輸入兩個或兩個以上空氣品質預報模型中，分別得到兩個或兩個以上歷史空氣品質預測數據；
步驟二：將兩個或兩個以上歷史空氣品質預測數據以實際觀測數據為參考數據進行修正，計算出各空氣品質預報模型在最終集合計算結果中所佔權重值；
步驟三：採集待預測地區的當前環境數據，並將當前環境數據依次輸入兩個或兩個以上空氣品質預報模型中，分別得到兩個或兩個以上初始預測數據；
步驟四：根據權重值對初始預測數據進行修正，得到最終預報數據。
在本發明中,歷史環境數據優選包括第一歷史排放數據、歷史第一地形數據以及歷史氣象數據；當前環境數據優選包括當前排放數據、當前第一地形數據以及當前氣象數據。
在步驟一中，首先採集第一歷史排放數據、歷史第一地形數據以及歷史氣象數據，利用兩個或兩個以上空氣品質預報模型對待預報地區進行歷史時段的空氣品質預報，得到歷史空氣品質預測數據。
進一步地，待預測地區優選為城市，為了使計算所得結果更為精確，在步驟一中，增 加採集歷史第二地形數據，並將歷史氣象數據與歷史第二地形數據分別與兩個或兩個以上空氣品質預報模型得到的基於歷史第一地形數據的歷史空氣品質預測數據進行計算，分別得到兩個或兩個以上基於第二歷史地形數據的歷史空氣品質預測數據，具體來說，即增加採集歷史第二地形數據，並將歷史環境數據與歷史第二地形數據與基於第一地形數據的歷史空氣品質預測數據進行如下方式之一的操作：
方式一：採集歷史第二地形數據以及待預報城市區域所對應的第二歷史排放數據，並將歷史第二地形數據、歷史氣象數據以及第二歷史排放數據一起依次輸入兩個或兩個以上空氣品質預報模型中，以嵌套計算的方式分別得到兩個或兩個以上基於第二歷史地形數據的空氣品質預測數據；在該方式中，對第二歷史排放數據的測量精度要求較高，以獲得較為精確的計算結果。
方式二：由於在實際操作中，高精度的第二歷史排放數據往往較難獲得，因此，在本發明中，針對實際上缺乏高精度的第二歷史排放源數據的大多數城市區域的情況，利用方式一中基於第二歷史排放數據的多層嵌套計算可用基於人口分布數據和/或工廠分布數據的重採樣計算替代，用以提高城市區域預報的精度。即利用歷史第二地形數據，以及待預報地區的人口分布數據和/或工廠分布數據對基於歷史第一地形數據計算得到的歷史空氣品質預測數據進行重採樣運算，得到基於第二地形數據的空氣品質預測數據。
在步驟二中，將步驟一中所得到的歷史空氣品質預測數據與已採集的實際觀測數據進行比對，以實際觀測數據為參考對歷史空氣品質預測數據進行數據同化，對歷史空氣品質預測數據進行修正，得到修正後的歷史空氣品質預測數據和誤差值；再分別計算各個空氣品質預報模型所得到的數據與實際觀測數據的相關性，並根據相關係數計算出各空氣品質預報模型在最終集合計算結果中所佔權重值。
在步驟三中，採集待預測地區的當前環境數據，即第一當前排放數據、當前第一地形數據以及當前氣象數據，利用多個空氣品質預報模式進行未來時段的預報，並利用前述計算得到的權重進行加權集成計算得到最終的集合預報結果。
進一步地，在步驟三中，待預測地區優選為城市，為了使計算所得結果更為精確，增加採集當前第二地形數據，並將當前氣象數據與當前第二地形數據分別與兩個或兩個以上空氣品質預報模型得到的基於當前第一地形數據的當前空氣品質預測數據進行計算，分別得到兩個或兩個以上基於當前第二地形數據的初始預測數據，具體來說，即增加採集當前第二地形數據，並將當前氣象數據與當前第二地形數據與基於當前第一地形數據的當前空氣品質預測數據進行如下方式之一的操作：
方式一：採集當前第二地形數據以及待預報城市區域所對應的第二當前排放數據，並將當前第二地形數據、當前氣象數據以及第二當前排放數據一起依次輸入兩個或兩個以上空氣品質預報模型中，以嵌套計算的方式分別得到兩個或兩個以上基於第二地形數據的空氣品質預測數據；在該方式中，對第二當前排放數據的測量精度要求較高，以獲得較為精確的計算結果。
方式二：進一步地，由於在實際操作中，高精度的第二當前排放數據往往較難獲得，因此，在本發明中，針對實際上缺乏高精度的第二當前排放源數據的大多數城市區域的情況，利用方式一中基於第二當前排放數據的多層嵌套計算可用基於人口分布數據和/或工廠分布數據的重採樣計算替代，用以提高城市區域預報的精度。即利用當前第二地形數據，以及待預報地區的人口分布數據和/或工廠分布數據對基於歷史第一地形數據計算得到的歷史空氣品質預測數據進行重採樣運算，得到基於當前第二地形數據的空氣品質預測數據。
其中，當前/歷史第二地形數據和第二當前/歷史排放數據的解析度高於當前/歷史第一地形數據和第一當前/歷史排放數據的解析度，也就是說，當前/歷史第一地形數據和第一當前/歷史排放數據的每一個值覆蓋的空間範圍較大，當前/歷史第二地形數據和第二當前/歷史排放數據的每一個值覆蓋的空間範圍較小。
進一步地，在本發明中，基於當前第二地形數據、人口分布數據和/或工廠分布數據的重採樣計算方式如下：
計算待預測城市區域範圍內的當前第二地形數據平均值a、人口分布數據平均值p、工廠分布數據平均值f，按下式計算城市範圍內的當前第二地形數據、人口分布數據，工廠分布數據每個網格的權重w：
其中a,p,f為各類數據每個網格的實際值。
將基於歷史第一地形數據的歷史空氣品質預測數據中的每個值按下式重採樣得到基於歷史第二地形數據的預測數據中的多個值：
其中，v1是基於歷史第一地形數據的預測數據的值，v2是基於歷史第二地形數據的預測數據的值，n為每個v1的網格對應的v2的網格數量，wi為n個網格中第i個的權重。
因此，本發明所涉及的空氣品質預報方法能利用多種空氣品質預報模型的側重於不同的空氣物理化學變化機理的優點，改善傳統算術平均集成方法所忽略的各模型精度不同的 問題，同時對於數據缺乏的地區能夠較大程度的提高區域模擬的精度。更進一步地，在本發明中，空氣品質預報模型優選為三個：氣象研究預報-區域建模分析系統(weatherresearch&forecast-communitymodelingandanalysissystem，下文簡稱wrf-cmaq)、化學物質含量預報模型(weatherresearchforecastcoupledwithchemistry，下文簡稱wrf-chem)、綜合空氣品質擴展模型(comprehensiveairqualitymodelwithextensions，下文簡稱camx)。在本發明中，可以根據實際所需預報的汙染物種類，選擇上述模型中的一個或多個進行計算。
進一步地，在本發明中，還可以採用其他各種模型替代上述模型，如wrf-chem模型可用mm5/rams/arps等模型進行替代；wrf-chem/camx模型可用aermod/adms/uam等模型進行替代。其中，mm5(mesoscalemodel5)為中尺度預報模型、rams(regionalatmospheremodelingsystem)為區域大氣建模系統、arps(advancedregionalpredictionsystem)為區域預測系統、aermod(ams/eparegulatorymodel)為大氣模擬預測管理模型、adms(atmosphericdiffusionmodelsystem)為大氣擴散模型系統、uam(urbanatmospheremodel)為城市大氣模型。
但本發明並不局限於此，還可以用其他各種模型對上述模型進行替代，以獲得所需的空氣汙染物含量。
在本發明中，在獲得將對兩個或兩個以上歷史空氣品質預測數據後，以實際觀測數據為參考數據進行修正所採用的方法為數據同化的方法。數據同化是分析處理隨空間和時間分布的觀測資料為數值預報提供初始場的一個過程，具體包括兩層基本涵義：合理利用各種不同精度的非常規觀測資料，把它們與常規觀測資料融合為有機的整體，為數值預報提供更好的初始場，並綜合利用不同時間段所採集的觀測資料，將這些資料中所包含的時間演變信息轉化為要素場的空間分布狀況。數據同化從最初的逐步訂正法，最優插值法，到現在的變分同化和集合卡爾曼濾波已經有多種同化方法。具體來說：
初步預報值定義為背景場xb，最終修正後的目標值為分析場xa，觀測值構成觀測場yo1)三維變分同化中，
xa＝xb+(b-1＋htr-1h)-1htr-1(yo-h(x))
其中，x，y變量為矩陣，h(x)為前向算子，形如y＝h(x)，是分析變量到觀測變量的一個計算函數，最簡單的為插值函數，即：(d為觀測值與背景值的空間距離)；
t為矩陣轉置運算；r為觀測誤差協方差矩陣；b為背景誤差協方差矩陣。
建立目標函數如下：
jb和jo表示對背景場和觀測場的擬合程度。j(x)對x的梯度函數為：：
通過迭代法求最小的x則對應最終的xa。其中，是j(x)對x的梯度函數，也就是j(x)對x的偏導數。
2)集合最優插值同化中，
xa＝xb+w(yo-h(xb))
其中，
w＝bht(htbh＋r)-1
更進一步，在本發明中，在計算各空氣品質預報模型所得出結果的權重時，相關或相關係數是用於反映變量之間相關關係密切程度的統計指標，相關及相關係數可通過如下方法確定：
其中，x，y分別為觀測值集合，和與觀測值位置時刻一致的同化後的分析值集合。
對應的基於相關係數的權重確定方案按下式確定，其中，c1、c2、c3分別代表三個模型所計算出的數值，w1、w2、w3分別代表三個數值的權重：
w1＝c1/(c1+c2+c3)
w2＝c2/(c1+c2+c3)
w3＝c3/(c1+c2+c3)
基於上述計算方法，本發明的空氣品質預報方法可以細化為如下步驟：
1、利用歷史時段的數據進行預報和同化，求取多模式集合所需權重：
a)將歷史氣象數據，歷史排放源數據和歷史第一地形數據分別輸入所選三個空氣品質預報模式wrf-cmaq，wrf-chem，wrf-camx中，計算得到初始大尺 度低解析度的歷史空氣品質預測數據。
b)利用較為精確的排放源數據，歷史第二地形數據和歷史空氣品質預測數據進行嵌套計算，得到三個模式的初始城市尺度高解析度空氣品質預報結果。
c)如果缺乏較為精確的排放源數據，則採用歷史第二地形數據，人口分布數據和/或工廠分布數據對初始低解析度的歷史空氣品質預測數據進行重採樣計算，首先計算權重，再按下式重採樣得到城市尺度高解析度空氣品質預報結果。
d)採用三維變分同化方法，對城市尺度預報結果和歷史空氣品質預測數據進行同化，得到修正後的城市空氣品質預報結果和誤差項。
e)計算三個修正後城市空氣品質預報結果和觀測數據的相關性，並計算對應三個模式的權重。
2、利用當前時段的數據對未來時段的空氣品質進行預報：
a)將當前氣象分析數據，當前排放源數據和當前第一地形數據分別輸入所選三個空氣品質預報模式wrf-cmaq，wrf-chem，wrf-camx中，計算得到初始大尺度低解析度初始預測數據。
b)利用較為精細的當前排放源數據，當前第二地形數據和當前空氣品質預測數據進行嵌套計算，得到三個模式的初始城市尺度高解析度空氣品質預報結果。
c)如果缺乏較為精細的當前排放源數據，則可採用當前第二地形數據，當前人口分布數據和/或工廠分布數據對初始低解析度預測數據進行重採樣計算，在計算權重後，得到當前城市尺度高解析度空氣品質預報結果。
3、將得到的三個當前城市尺度高解析度空氣品質預測數據按照歷史空氣品質預測數據計算得到的集成權重值進行集合加權計算，得到最終的空氣品質預報結果。
下面通過兩具體實施例對本發明進行詳細說明：
第一實施例：
數據源採用美國國家環境預報中心(下文簡稱ncep)提供的全球地理資料庫，全球基礎排放源數據，歷史和即時的全球預報系統(下文簡稱gfs)氣象場數據。實驗所面向的區域為華北某城市範圍，在3km解析度尺度下由50*50的格網覆蓋，圖2顯示了在嵌套計 算方式下各層所對應的範圍。分析時間為2015年12月5日，預報時間為12月6日00時至9日00時，總計72小時。歷史數據採用12月1日至12月5日共120小時的數據。
步驟1：輸入地理數據，36km全球排放源數據和1-5日的gfs氣象數據至wrf-cmaq，wrf-chem，wrf-camx三種模式中，計算初始無嵌套預報結果，得到36km格網分析結果。統計pm2.5，pm10，no2，so2，o3，co六種主要汙染物。
步驟2：以嵌套計算方式處理1-5日36km分析結果，即修改三個模型中的嵌套計算方式，並輸入嵌套計算後兩層所需9km和3km北京區域詳細排放源數據，處理得到3km分析結果。
步驟3：將1-5日3km汙染物預報結果和地面觀測站數據輸入三維變分數據同化計算模型，計算得到同化後的三種模式的3km汙染物數據。
步驟4：計算同化後三種模式3km汙染物數據與地面觀測數據的相關係數，分別為：0.782,0.634,0.699。並以三個相關係數，確定三個模型對應的權重值分別為：0.370，0.300，0.330.
步驟5：輸入地理數據，36km全球排放源數據和6-8日的gfs氣象分析數據計算三個模式的未來時段預報結果，格網大小36km。
步驟6：以嵌套方式計算6-8日3km分析結果。
步驟7：以步驟4得到的權重為係數，計算集合預報的最終結果。
步驟8，輸出空氣中各汙染物/顆粒物濃度結果(如圖3(a)至圖3(f)所示)。
第二實施例：
步驟1：輸入地理數據，36km全球排放源數據和1-5日的gfs氣象數據至wrf-cmaq，wrf-chem，wrf-camx三種模式中，計算初始無嵌套預報結果，得到36km格網分析結果。統計pm2.5，pm10，no2，so2，o3，co六種主要汙染物。
步驟2：以重採樣方式處理1-5日36km分析結果。
步驟2-1：以3km解析度的北京城區地形高度數據，人口分布數據，工廠分布數據計算重採樣權重值。
步驟2-2：以3km重採樣權重值為依據對36km分析結果對應區域進行重採樣。
步驟3：將1-5日3km汙染物預報結果和地面觀測站數據輸入三維變分數據同化計算模型，計算得到同化後的三種模式的3km汙染物數據。
步驟4：計算同化後三種模式3km汙染物數據與地面觀測數據的相關係數，分別為： 0.754,0.579,0.649。並以三個相關係數，確定三個模型對應的權重值：0.382，0.291，0.327
步驟5：輸入地理數據，3km全球排放源數據和6-8日的gfs氣象數據計算三個模式的預報結果。
步驟6：以重採樣方式計算6-8日3km分析結果。
步驟7：以步驟4得到的權重為係數，計算集合預報的最終結果。
步驟8，輸出顆粒物濃度結果。
綜上，本發明所涉及的空氣品質預報方法通過數據同化後的精度和相關性分析來評估多個空氣品質預報模式在最終集合預報結果中的貢獻度，並且利用城市地形數據，人口經濟數據與霧霾產生的相關性來提高初始預報的解析度，並從而解決精細排放源數據難以獲取的問題。此外，本發明經過數據同化輔助提供多模式集合預報的結果精度得到提高，還可在在顯著降低數據獲取成本的同時提高城市級別空氣預報的精度，值得進行廣泛推廣應用。
上述實施例僅例示性說明本發明的原理及其功效，而非用於限制本發明。任何熟悉此技術的人士皆可在不違背本發明的精神及範疇下，對上述實施例進行修飾或改變。因此，舉凡所屬技術領域中具有通常知識者在未脫離本發明所揭示的精神與技術思想下所完成的一切等效修飾或改變，仍應由本發明的權利要求所涵蓋。