基于动力和热力因子的空气质量动态融合统计预报方法与流程

技术特征：

1.基于动力和热力因子的空气质量动态融合统计预报方法，其特征在于，包括：

数据收集，包括历史环境监测数据、历史气象观测数据、实时环境监测数据和实时气象观测数据；

数据预处理，包括数据规整、异常值处理、数据格式转换、时空尺度转换，所述数据规整指将收集到的数据进行整理，以缺省值补全缺测时次；所述异常值处理指去除数据中的异常值，以缺省值代替；所述数据格式转换指将数据转换为统一格式；所述时空尺度转换指将数据计算到相应时空尺度；

引入动力和热力影响因子；

天气形势分类，根据气象条件将地面天气形势进行分类；

选取显著性水平α＝0.01的影响因子组成向量矩阵，对该向量矩阵进行自然正交分解，

再选取累积方差贡献超过98％的主成分；

使用所述主成分，分不同污染物、不同城市、不同季节、不同天气类型建立回归方程；

利用反向传播神经网络算法，使用所述主成分从不同污染物、不同城市、不同季节、不同天气类型的角度分别建立神经网络模型；

对所述回归方程和所述神经网络模型的拟合结果和历史预报准确性进行评估检验；

将回归方程和神经网络模型的历史预报结果与实况进行对比，使用加权平均算法计算最终预报结果，并提供表示可能性大小的概率预报；

对最终预报结果的准确性进行评估检验；

预报模型动态更新。

2.根据权利要求1所述的基于动力和热力因子的空气质量动态融合统计预报方法，其特征在于，所述动力和热力影响因子包括：地面与850hPa温差、逆温层底高、逆温层厚度、逆温强度、大气稳定度、最大混合层高度、通风量、污染物通量、污染物物通量散度、静稳指数，其中，污染物通量指单位时间通过单位截面积的污染物质量，

式中为垂直于截面风矢量，单位m·s^-1；q为某种污染物浓度，单位为该中污染物质量通量散度矢量，单位μg·m^-2·s^-1；

污染物质量通量散度

式中为污染物质量通量的散度，单位μg·m^-2·s^-1；u、v分别为x、y方向的风速分量，单位m·s^-1。

3.根据权利要求1所述的基于动力和热力因子的空气质量动态融合统计预报方法，其特征在于，所述天气形势包括低压后、低压前、低压内、低压顶部、低压底部、高压前部弱梯度、高压前部、高压内、高压后部、均压区、辅合区和高压后低压前部。

4.根据权利要求1所述的基于动力和热力因子的空气质量动态融合统计预报方法，其特征在于，所述评估检验的检验指标有：标准化平均偏差、标准化平均误差、均方根误差和相关系数，所述标准化平均误差小于50％、所述相关系数大于0.3且通过显著性检验则认为检验合格。

5.根据权利要求1所述的基于动力和热力因子的空气质量动态融合统计预报方法，其特征在于，所述表示可能性大小的概率预报：

$\stackrel{\‾}{P}=w_1{P}_1+w_2{P}_2$

P₁为回归方程预报结果，P₂为神经网络模型预报结果，w₁和w₂分别为回归方程和神经网络模型所占权重，由预报结果和实况进行拟合所得，加权平均值为最终融合预报结果；概率预报为该拟合方程历史预报准确率。

6.根据权利要求1所述的基于动力和热力因子的空气质量动态融合统计预报方法，其特征在于，所述预报模型动态更新包括：收集逐日新生的污染样本及气象样本数据加入到历史数据集，收集变化中的污染和气象条件特征，实时更新回归方程和神经网络模型，使模式系统能够反映变化中的污染状况；通过对模型预报结果准确性的评估检验，对回归方程和神经网络模型做出调整；通过对最终预报结果准确性的评估检验，实时调整回归方程和神经网络模型预报结果所占权重。