论文部分内容阅读
由于地表O3对人体和生态环境的严重危害,使得准确预测高浓度地表O3,减少人类在高浓度地表O3环境下的暴露时间有着巨大的意义。本文以美国Livermore盆地和休斯顿地区的气象、污染物监测数据为基础,针对两地建模数据的非正态分布特性,使用基于主元分析(Principal component analysis, PCA)的主元空间非参数T2控制限法和广义线性混合模型(Generalized linear mixed model,GLMM)来分别预报两地地表O3浓度超限事件。本论文的主要研究内容包括：(1)利用基于PCA主元空间的非参数T2控制限法来预报地表03浓度超限事件。Hotelling T2控制限的正态分布假设与实际数据分布的差异较大,导致了对地表O3超限点的较多漏报,本文通过使用基于预测变量的实际分布得到PCA主元空间的非参数T2控制限来预报地表03浓度超限事件。(2)利用GLMM预测地表O3浓度。由于不同天气类型中气象因素对地表O3形成的影响不同以及地表O3浓度的非正态分布特性,使用普通线性回归模型往往导致对高浓度地表O3系统性的被低估。为此,本文通过聚类方法将建模数据归入不同天气模式；然后,采用GLMM预测地表O3浓度。因为GLMM可以同时考虑地表O3数据的非正态分布特性和不同天气类型中气象因素对地表03形成的影响,所以GLMM预测效果优于普通线性模型。(3)模型对比。在Livermore站点,基于PCA主元空间的非参数T2控制限法可以预报出全部11个地表O3浓度超限事件,GLMM能预报出5个；在Deer Park站点,基于PCA主元空间的非参数T2控制限法和GLMM的准确预报率都为62.5%。由于GLMM在数据补充过程中删除了2007年间两个地表03浓度超限事件,故在预报过程中GLMM的实际上预测出6个地表臭氧超限事件中的5个,基于PCA的主元空间非参数T2控制限法预报出8个地表臭氧超限事件中的5个。虽然两种模型都考虑了建模数据的非正态分布特性,但是非参数T2控制限是通过实际预测变量分布得到的,故在预报地表03单峰非正态分布的Livermore站点优于GLMM; GLMM通过聚类过程把双峰分布的地表O3浓度分成两个较易处理的单峰分布,而基于PCA主元空间的非参数T2控制限法没有对建模数据分类。因此,GLMM在预报地表03双峰非正态分布的Deer Park站点优于基于PCA主元空间的非参数T2控制限法。