高原气象

作者：吴亚平;张琦;王炳赟;王式功;邵平

单位：<sup class=\"mag-xml-aff-label-sup added-by-sys\">1.</sup> 成都信息工程大学大气科学学院, 高原大气与环境四川省重点实验室, 四川 成都 610225","<sup class=\"mag-xml-aff-label-sup added-by-sys\">2.</sup> 四川省雅安市气象局, 四川 雅安 625000","<sup class=\"mag-xml-aff-label-sup added-by-sys\">3.</sup> 遵义院士工作中心, 贵州 遵义 563000

关键词：大气污染物;气象要素;灰色关联度;BP神经网络;预测模型

基金：国家自然科学基金项目(91644226),四川省雅安市科技局2019年度科技计划项目(2019yyjskf02)

基于四川雅安城市空气质量预报和大气污染防控的需求以及冬季以颗粒物（PM2.5和PM10）污染为主、 夏季以臭氧（O3）污染为主的特点, 本文利用雅安市2015 -2018年空气污染监测数据以及同期气象观测资料, 重点分析雅安市空气污染物PM2.5、 PM10和O3浓度变化特征的基础上, 利用灰色关联度方法对上述污染物浓度与气象要素的相关关系进行了细致分析；通过BP神经网络进行两者的数学建模, 构建了雅安市空气质量短期预报模型, 并进行了试预报检验。研究表明: 雅安市2015 -2017年期间污染物O3、 PM2.5、 PM10浓度呈上升的趋势, 空气质量达标率自2015年的92.7%降低到2017年的82.2%, 2018年达标率略有上升为88%, 但仍出现了9天中度污染和1天重污染。污染物浓度与气象要素变化相关密切, 其中, 降雨量和气压与PM2.5和PM10污染关联最大, 表明雅安作为四川盆地的“雨城”, 其降水对颗粒物的湿清除效应是很显著的；而气温和风速与O3污染关联最大, 恰好反映了高温和由高温所隐含的强辐射对O3生成的促进作用。由BP神经网络所建立的雅安O3预报模型, 其准确度较稳定, 各季7天平均相对误差都&lt;19%, 并且预报效果排序为夏季&gt;冬季&gt;秋季&gt;春季；由BP神经网络所建立的雅安PM2.5预报模型, 其在春季和夏季预测准确度较好, 两季7日平均相对误差都&lt;16%, 秋季相对误差略高一点, 其四季预报准确度排序为夏季&gt;春季&gt;秋季&gt;冬季。此研究结果可为当地空气质量预报业务的开展提供技术支持。

来源：2020年第4期

《高原气象》期刊编辑部

查看高原气象杂志2020年第4期