论文部分内容阅读
大气污染问题严重影响公众健康,限制社会经济发展,掌握大气污染状况的基本特征及提供及时准确的预报结果将有助于污染防治措施的实施以减轻大气污染。本文选择安徽省三个气候、地形、经济发展特征不同的城市（合肥、蚌埠、池州）为研究对象。首先,利用2015-2018年冬季期间气象资料及污染物浓度监测资料对三市的PM2.5污染特征进行深入分析,具体包括PM2.5时空分布特征分析、潜在源区特征分析以及典型个例分析。然后,在此基础上,通过阈值分析、结合集合经验模态分解算法（EEMD）在预报因子筛选、提高模型对峰值和谷值的捕捉能力两个方面逐步提升PM2.5统计预报模型的预报效果。主要有以下结论:（1）安徽省冬季PM2.5浓度的空间分布特征表现为,自北向南的逐渐递减,其中蚌埠市PM2.5浓度最高,合肥市次之,池州市最低。年变化特征表现为,2016年之前有所增加,之后呈逐年下降趋势。安徽三市冬季PM2.5浓度变化趋势不同,合肥市显著下降,蚌埠市较稳定,池州市波动较大,污染有加重趋势。三市PM2.5日变化均呈双峰分布,合肥和蚌埠早、晚高峰出现时间分别是10:00、22:00,池州市PM2.5日变化早、晚高峰出现时间分别为12:00、20:00,最低值出现在清晨7:00。（2）三市的污染特征有较大差异。合肥市受城市建筑物阻挡,冬季风速偏小,风向较为发散。PM2.5污染潜在源区较大且分散,大部分来自北部和西南部,少部分来自东南沿海。除风向风速外,其PM2.5浓度变化受人类活动、稳定度影响较大,城市化特征较明显;蚌埠市主导风是东北风,其次是东风。在3级及以下风条件下,来自各个方向上的PM2.5浓度均较高,本地排放累积明显。3级以上风条件下,来自东北方向的污染输送较显著。其PM2.5浓度变化受天气形势变化、边界层高度、通风率影响较大;池州市受地形影响,主导风（东北风）的风频达40%以上,风速较大。其PM2.5浓度受人类活动影响较小,污染主要受偏北气流和西南气流两大输送带的影响。持续、大量的降水对其PM2.5浓度的清除较彻底。（3）对三个典型城市分别建立PM2.5统计预报模式,发现本文提出的阈值分析筛选预报因子的方法能够有效提升模型的预报效果。相较于Pearson相关系数筛选的预报因子,其使BP模型的平均绝对误差、平均相对误差和均方根误差分别降低了30～34%、34～42%和30～34%,一致性指数和相关系数分别提升了11～12%和20～22%。另外,相较于BP模型,EEMD-BP混合模型对PM2.5浓度的峰值和谷值的捕捉更为准确。与业务中常用的多元回归（MLR）模型比较,发现EEMD-BP混合模型的平均绝对误差、平均相对误差和均方根误差分别降低了46～55%、16～49%和45～49%,一致性指数和相关系数分别提升了17～23%和30～32%。EEMD-BP混合模型优化效果显著,尤其是针对重度污染以及上的PM2.5浓度预报。最后,EEMD-BP模型在针对三市的PM2.5预报应用中,表现出较好的稳定性和较强的泛化能力。