ECWMF和T639在基于LS-SVM的兰州市空气质量预报-ResearchGate

ECMWF和T639数值预报产品在兰州市空气质量预报应用中的对比研究李昊1，尚可政1，王式功1,2，石彦军3 ，杨旭1(1.兰州大学大气科学学院/甘肃省干旱气候变化与减灾重点实验室,兰州730000；2. 成都信息工程大学大气科学学院/环境气象与健康研究院，成都610225；3.兰州大学信息科学与工程学院，兰州730000）摘要：针对兰州市空气质量预报系统研发的实际需求，本文利用2013-2015年兰州市空气污染逐日监测资料，首先分析了在此期间兰州市六种主要空气污染物PM10、PM2.5、NO2、SO2、CO和O3的污染特征；然后以2014年欧洲中期天气预报中心(ECMWF)资料与T639资料的气象要素预报产品，结合同期污染物质量浓度监测数据，分别建立了基于最小二乘法支持向量机(LS-SVM)的兰州市6种主要空气污染物未来2d的日均质量浓度预报模型；进而将ECMWF和T639中2015年2月1日到10月31日的气象要素与污染监测数据分别输入各自模型进行预报检验。

结果表明，以ECMWF建立的预报模型对未来2d的PM10、PM2.5、NO2、SO2和CO的日均质量浓度的预报效果好于T639，而T639对预报O3有一定优势。

用ECMWF 建立的预报模型对未来24h的空气质量指数等级和首要污染物的预报成功率为86.14%，48h的为82.33%；T639对应的未来24h预报成功率83.52%，48h的为74.43%。

总之，两种数值产品均可应用于基于LS-SVM的空气质量预报，使用ECMWF 的预报效果整体上更好。

关键词：空气质量预报；LS-SVM；兰州市；T639L60预报产品;ECMWF预报产品中图分类号：X823引言兰州市是我国建国后首批重点建设的工业城市之一，兰州西固区又是我国最早建成的一个重要石油化工基地，工业污染源、生活污染源、交通污染源等综合排放量大；加之兰州市区处于河谷盆地，地形复杂，大气边界层逆温强、层结稳定，静风频率高，边界层大气扩散条件差[1]，因此，一直是我国大气污染最严重的城市之一，倍受关注。

空气污染预报作为预防城市空气污染的重要措施之一，受到国内外诸多学者的重视。

尚可政等[2]研究了兰州冬季空气污染与地面气象要素的关系；何建军等[3]利用WRF(Weather Research and Forecasting)模式研究了风速、稳定能量、Froude数、边界层高度、位温递减率、输送指数和梯度理查森数与兰州大气污染物质量浓度的关系；马敏劲等[4]分析了2001-2011年兰州大气污染物质量浓度的季节资助项目：国家重点研发计划“全球变化及应对”重点专项（2016YFA0602004）和国家人口与健康科学数据共享平台专项课题(2016NCMIZX09)共同资助。

作者简介：王式功（1955-），男，山东安丘人，二级教授，硕士，E-mail：wangsg@，研究方向为环境气象与健康，通信联系人特征与边界层结构对兰州严重污染事件的影响；杨民等[5-6]将潜势预报方法结合统计预报与数值预报，以箱模式为基础初步研究了兰州市的空气质量业务系统，在前期的业务中得到了应用，取得了一定的成效。

然而，针对兰州市空气质量的预报方法主要为统计预报和空气质量模式。

传统统计预报受限于各种线性回归和非线性回归方法的局限，对空气质量预报的效果有限；而空气质量模式虽然在预报效果和预报的时空分辨率等几个方面上有很大的提升，但是其运行维护成本大，配套设施要求高，不利于普及。

基于人工神经网络算法的统计预报方法通过输入各类气象要素和其它相关数据，利用其对非线性数据较好的逼近能力直接输出大气污染物质量浓度，能较好地对特定城市群或区域的空气质量进行预测，是对空气质量模式的重要补充。

此方面已往的研究主要局限于各类人工神经网络等机器学习算法对于兰州市空气质量的应用，而使用不同气象资料对前者在预报效果的影响却尚未见公开报道。

中国气象局国家气象中心的TL639L60全球集合预报产品（下称T639）和欧洲中期天气预报中心业务用细网格资料（下称ECMWF）是我国科研和业务单位较常用的二种全球中期数值预报产品。

本文从数值预报产品释用和先进的统计预报方法相结合的角度，利用了二者2014年1月至2015年10月间发布的未来0-52小时业务产品，结合同期兰州市六种污染物质量浓度资料，分别建立了基于最小二乘法支持向量机(LS-SVM)方法的兰州市6种主要空气污染物未来两天日平均质量浓度预报模型，对比研究了二者对于兰州市空气质量预报结果的影响程度，可为兰州市空气污染预报预警系统的改进与提高提供科学依据。

1.资料来源与方法1.1资料来源本文空气污染资料由兰州市环保局环境检测中心提供，原始资料为兰州四个不同区域的6种主要空气污染物自动监测站采样日均数据，依据《环境空气质量标准》(GB3095-2012)[7]中城市日平均污染质量浓度的评价标准处理方法,得到兰州市二氧化硫(SO2)、二氧化氮(NO2)、可吸入颗粒物(PM10)、细颗粒物(PM2.5)和一氧化碳(CO)的日平均质量浓度,以及臭氧8和滑动平均的日平均质量浓度(下称O3)。

资料序列长度为2013年1月1日至2015年10月31日，其中个别采样数据因缺失或有效性不足而弃用。

气象资料分别为T639与ECMWF。

其中T639资料分辨率为0.28125°×0.28125°，预报要素包括常规地面要素，750和800hPa温度以及800hPa垂直速度；ECMWF资料分辨率为0.25°×0.25°，预报要素包括常规地面要素，700和800hPa的温度以及800hPa垂直速度。

两种气象资料均为每日20时发布，本文选取的预报区间为0-52h，间隔为3h，资料总长度为2014年1月1日至2014年12月31日、2015年2月1日至2015年10月31日。

考虑到预报模型输入量个数过多而造成预报模型泛化能力和稳定性严重下降的风险[8]，截取T639与ECMWF网格在兰州市四周距离最近的4个格点，并使用反距离权重插值法[9-10]将各格点气象要素插值到兰州市中心(103.82°E，36.07°N)所在位置；最后将T639和ECMWF的未来0-54h产品各气象要素处理成未来24h和未来48h日均值。

1.2 研究方法本文采用了基于最小二乘法的支持向量机(Least Square Support Vector Machine)作为建立预报模型的架构。

LS-SVM是Suykens等[11]提出的基于对Vapnik[12]的支持向量机算法(Support Vector Machine, SVM)的改进算法，后者是以统计学习理论为基础建立的监督式学习算法。

诸多研究证明，SVM能够出色满足对非线性系统的拟合，并被广泛应用于预报各类与环境有关的问题[13-16]。

LS-SVM与SVM最大的区别在于结构风险计算中损失函数的选择，前者为预测误差，后者为预测误差的二范数。

LS-SVM与SVM相比具有计算效率高，对非线性函数估计的泛化性高的优点[17]。

LS-SVM虽然不是严格意义上的人工神经网络方法，但二者都属于机器学习算法，且使用它们解决非线性回归问题时在流程和结构等方面上有诸多相通之处。

已有研究对LS-SVM和SVM的原理做出过详细的说明，故本文不再赘述[11-17]。

2.兰州市2013-2015年空气污染特征分析2013至2014年兰州全年日平均空气质量指数（Air Quality Index，AQI指数）分别为111和94，2015年1月至10月平均AQI指数为86，相比2013和2014年同期的107及91有所降低。

其中2013年兰州发生了自3月9日至12日AQI连续达到500的严重污染事件，而2014年仅在4月24日出现1次AQI 达到500的情况，2015年1月1日至10月31日间没有发生AQI达500的严重污染事件。

这4例严重污染事件均由上游沙尘输送造成，尤其在2014年4月24日的沙尘天气过程中，PM10小时最高质量浓度超过1300μg/m3。

从图1可以看出，兰州市空气污染存在明显的季节特征：即AQI高峰出现在3、4月以及11月或12月，2月和9月则为极小值。

除春季外，2014和2015年各月平均AQI指数大部分低于2013年同期。

2014年4、5月AQI指数均高于2013年同期和2014年3月，可能是当年兰州市春季沙尘过程影响的结果[18]。

综合来看，2014年和2015年兰州空气质量相比2013年有较大改善；而2015年又比2014年有略微提高，但在夏季出现了反弹。

图1 兰州市2013-2015年AQI月均值Fig.1 Monthly averaged AQI of Lanzhou from 2013 to 2015从空气质量等级来看，2013年和2014年全年空气质量等级为优和良的总天数分别为193和260d，占全年的52.88%和71.25%；2015年1月至10月的空气质量等级为优和良的天数为228d。

同样可以说明兰州市2014和2015年的空气质量比2013年有明显改善。

兰州市2013年至2015年10月间的每日首要污染物明显的年际差异,其中2013年(365d)各首要污染物按累计出现频数依次为PM10 (264d) 、PM2.5 (89d) 、O3 (3d)和NO2 (2d);2014年(365d)依次为PM10 (216d) 、PM2.5 (111d) 、NO2 (21d) 和O3 (2d);2015年1月至10月期间(304d)依次为PM10 (201d) 、O3 (39d) 、PM2.5 (31d) 、NO2 (24d)和CO(1d)。

2013年比重最大的PM10(72.33%)和PM2.5(24.38%)共占2013年总样本数的96.71%；2014年PM10的比例下降到59.18%，但PM2.5的比例增加为30.41%，二者共占2014年总样本数天数的89.59%，同时NO2作为首要污染物的天数明显增加；2015年1月至10月间，O3作为首要污染物的天数大幅度增加，相比2014年增加了37d之多，而PM2.5的天数相比2013、2014年同期55d和76d显著减少，仅为31d。

总体而言，PM10和PM2.5依然是兰州最主要的污染物，但占比逐年下降；NO2和O3有增加的趋势。

特别是O3，其在2015年1月到10月间作为首要污染物时主要集中在夏季，是造成2015年夏季污染的主要原因之一。

因此，对PM10、PM2.5、NO2和O3这4种污染物质量浓度的预报效果将作为本文评价模型预报的重要依据。