基于天气分型和气象要素聚类的空气重污染案例判别方法与流程

本发明涉及大气环境监测领域，更具体地涉及一种基于天气分型和气象要素聚类的空气重污染案例判别方法。

背景技术：

空气污染物传输、扩散方式受天气驱动，天气类型与大气污染有密切的联系，不同地区开展天气分型的相关研究具有很重要的指示意义。天气分型是通过对历史天气图的分析，研究总结出各种天气所对应的天气系统形势分布特征，在预报空气质量时作为参考。全面了解北京市污染天气分型情况，可以为空气质量预报提供可靠的依据。传统的天气分型主要针对不利于污染物扩散的天气形势，且针对污染过程，不能自动进行计算，还需要手工判断。如何开发一套基于大数据建立的天气分型自动计算方法，是目前天气分型研究的难点。

技术实现要素：

有鉴于此，本发明的主要目的在于提供一种基于天气分型和气象要素聚类的空气重污染案例判别方法，以解决上述技术问题中的至少之一。

为了实现上述目的，本发明提供了一种基于天气分型和气象要素聚类的空气重污染案例判别方法，包括以下步骤：

步骤1：收集待预测区域的历年PM2.5与气象要素的观测数据，将历年PM2.5观测数据按时间序列一一排列，并与气象要素的观测数据对应，得到一组PM2.5实测浓度变化的序列；

步骤2：采用收集的待预测区域的历年气象要素的观测数据对上述待预测区域的气压场进行WRF模拟，对WRF模拟的所述待预测区域内长时间序列的地面气压场进行分析，得到不同的天气分型，进而将不同天气分型所对应的时间序列抽出；

步骤3：将步骤2与步骤1中的时间序列对应的天气分型及PM2.5实测浓度变化的序列进行统计分析，得到不同天气分型下PM2.5浓度的分布特征；

步骤4：将步骤2中得到的WRF模拟的不同天气分型对应的时间序列输入到hysplit模型中，进行48h后向轨迹聚类分析，得到待预测区域的PM2.5浓度分布与不同天气分型对应的气团轨迹聚类，即得到了不同天气分型下PM2.5的来源；基于步骤3和步骤4建立不同天气分型对应的PM2.5浓度分布及来源的案例库；

步骤5：采用WRF预报的气象数据，对所述待预测区域在未来预测时间时的天气状况进行WRF模拟，得到预测的天气分型，将所述天气分型与案例库进行相似性匹配，即得到所述待预测区域在未来预测时间时的PM2.5浓度分布及来源。

基于上述技术方案可知，本发明的方法具有如下有益效果：(1)不同的天气形势，反映了各种气象因子对空气质量的综合影响，在一定的污染源下，可能对应不同的大气污染等级，所以对不同污染等级对应的大气环流进行分型，对空气质量预报、总量控制等具有重要意义；本方法形成了基于图像自动识别的天气分型方法，并建立了基于天气分型的空气污染过程的案例库，该案例库包括基本的天气类型、PM2.5浓度分布及污染气团的来源三个属性；(2)将天气分型法与数值计算模拟法相结合制作天气预报，既提高了预报结果的精确度，又可合理地避免了数值计算结果中出现的异常情况；过去天气分型的过程都是人工完成的，其中会难以避免地出现各种人为造成的误差，影响天气分型法的效果；本发明建立了自动分型相似性预报方法，提高空气质量预报的业务化。且本发明与后向轨迹模式结合，可以分析重污染的成因及来源，极大提高了算法的适用性。

附图说明

图1为本发明的地面天气分型和污染气团追踪分析的计算方法的流程图；

图2为北京市2013～15年PM2.5与九种天气分型关系的柱状图；

图3为北京市2013～15年PM2.5与不同气团轨迹对应的浓度图；

图4为北京市2013～15年PM2.5与不同天气分型对应的气团轨迹聚类的原理示意图；

图5为北京市2013～15年PM2.5与不同天气分型对应的气团轨迹聚类的实际结果示意图；

图6为北京市2013～15年九种不同天气类型对应的PM2.5来源。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

本发明公开了一种基于天气分型和气象要素聚类的空气重污染案例判别方法，利用气象要素历史数据及监测的PM2.5小时数据，从影响大气污染扩散的气象学角度，对影响PM2.5浓度分布的主要天气系统、气象要素进行分型研究，同时结合后向轨迹模式，创新性建立了天气分型及污染物来源分析算法；同时在数值模式模拟预报WRF结果的基础上，与历史上相同季节污染天气的典型天气形势查找相似案例，为空气质量预报服务。

更具体地，本发明的基于天气分型和气象要素聚类的空气重污染案例判别方法，包括以下步骤：

步骤1：收集待预测区域的历年PM2.5与气象要素的观测数据，将历年PM2.5观测数据按时间序列一一排列，并与气象要素的观测数据对应，得到一组PM2.5实测浓度变化的序列；

步骤2：采用收集的待预测区域的历年气象要素的观测数据对上述待预测区域的气压场进行WRF模拟，对WRF模拟的待预测区域内长时间序列的地面气压场进行分析，得到不同的天气分型，进而将不同天气分型所对应的时间序列抽出；

步骤3：将步骤2与步骤1中的时间序列对应的天气分型及PM2.5实测浓度变化的序列进行统计分析，得到不同天气分型下PM2.5浓度的分布特征；

步骤4：将步骤2中得到的WRF模拟的不同天气分型对应的时间序列输入到hysplit模型中，进行48h后向轨迹聚类分析，得到待预测区域的PM2.5浓度分布与不同天气分型对应的气团轨迹聚类，即得到了不同天气分型下PM2.5的来源；基于步骤3和步骤4建立不同天气分型对应的PM2.5浓度分布及来源的案例库；

步骤5：采用WRF预报的气象数据，对待预测区域在未来预测时间时的天气状况进行WRF模拟，得到预测的天气分型，将天气分型与案例库进行相似性匹配，即得到待预测区域在未来预测时间时的PM2.5浓度分布及来源。

其中，步骤2对WRF模拟的待预测区域内长时间序列的地面气压场进行分析的步骤中，是根据图像色素高低值变化来进行自动计算的，具体地，是在WRF模拟的气象图中根据图像色素高低值变化生成若干等值线，根据等值线值大小的比较来决定等值线内侧是高值区还是低值区，取内侧所有点的最大/最小值，把该点定义为该高/低值区的中心点。

其中，步骤2中的天气分型包括：高压、高压前部、高压后部、高压底部、弱高压、闭合低压、低压底后部、倒槽、均压场等。

其中，步骤4中48h后向轨迹聚类分析采用基于Ward法的谱系聚类分析法。

其中，步骤5中所述的相似性匹配是基于图像识别技术实现的。

下面，以北京市的天气观测数据为例，侧重于对有利于和不利于北京市大气污染扩散的天气形势进行分类研究，其中利用2013～15年WRF模拟的3km北京市气象要素及监测的PM2.5小时数据，重点从影响大气污染扩散的气象学角度，对影响PM2.5浓度分布的主要天气系统、气象要素进行了分型研究，同时结合后向轨迹模式，创新性的建立了天气分型及污染物来源分析算法；同时在数值模式模拟预报WRF结果的基础上，与历史上相同季节污染天气的典型天气形势查找相似案例，可为空气质量预报服务。

本发明利用2013～15年WRF模拟的3km北京市气象要素及监测的PM2.5小时数据，重点从影响大气污染扩散的气象学角度，对影响PM2.5浓度分布的主要天气系统、气象要素进行了分型研究，同时结合后向轨迹模式，创新性的建立了天气分型及污染物来源分析算法。

PM2.5数据为北京市环境保护监测中心监测获得的2013年～15年全市12个点位逐日、逐时浓度平均资料；气象资料为WRF模拟的3km北京市气象要素，与污染资料相对应。天气图则为韩国实测天气图，后向轨迹模拟为HYSPLIT(http://ready.arl.noaa.gov/HYSPLIT_traj.php)。

传统的天气分型主要针对不利于污染物扩散的天气形势，且针对污染过程，传统的北京大气重污染可分为静稳积累型、沙尘型、复合型以及特殊型4个类型，本发明则侧重于有利于和不利于北京市大气污染扩散的天气形势进行分类研究。

本发明将WRF模拟的3km北京市各个网格的气压值进行分类，基于长时间序列、多网格区域内气压场分布(图3)。气象场分布图反应了各种分类的气象场分布，通过该图可以观察不同类别之间气象场的区别，了解区分度。依据气压场的分布特征(图像色素高低值分布)自动识别天气类型。

对于一张天气图来讲，哪一个范围是高值区，哪一个范围是低值区，用人眼马上就可以分清，机器识别就不容易了，但这又是进行图形识别的关键。作为高度场和气压场的高、低中心不仅是值的最高和最低，同时也是流场的环流中心。

本发明设计了一个网格点客观分析程序，所选分析区域东西方向为113°27′～119°50′，南北方向为36°05′～42°40′之间。分两步进行天气形势的分类，第一步通过提取模拟的每个格点的的气象场数据，假设一年共计365d，格点数1000个，就创建了365*1000矩阵，并将每个格点的气压值根据大小用平面图像展示出来，蓝色代表低值，红色代表高值。如定义高压和低压，根据一方与另一方等值线值(像素值)相比的大与小决定该等值线内侧是高与低值区，取内侧所有点的最大(或最小)值，把该点定义为该高(或低)值区的中心点。第二步，根据K平均聚类方法确定聚类数，根据图像色彩的深浅确定天气类型，即得到不同天气类型下气压场图像的分布情况。

根据大量的计算首先将影响北京的地面天气形势分析归纳为以下9种天气类型：高压、高压前部、高压后部、高压底部、弱高压、闭合低压、低压底后部、倒槽、均压场(表1)。其中高压后部、闭合低压、倒槽、均压都是不利扩散型，天气形势较稳定，出现时间有相对连续性。高压、高压前部、弱高压为有利于污染物扩散的天气形势，高压底部、低压底后部为较为有利于污染物扩散的天气形势。依据未来气压场的分布特征可(图像高低值分布)自动识别天气类型并筛选出最相似的天气类型。

表1北京市2013～15年PM2.5对应天气分型名称及编号

将9类不同天气形势对应的时间序列与观测的PM2.5浓度一一对应，得到不同天气类型对应的PM2.5浓度分布，见图2。地面天气形势为高压后部、闭合低压、倒槽、均压控制时大气水平运动较弱，空气湿度较大，本地污染物累积较快，加之周边污染物传输引起本地污染背景浓度较高，所以污染物浓度最大；地面天气形势为高压类控制时一般地面有弱的辐散，水平扩散能力较强，污染物浓度也较低；地面天气形势为高压底部、低压底后部控制时，地面水平辐合较弱，但其逆温强度不大，所以污染物浓度较低。对天气型的分析表明，天气分型方法不仅提供不同污染浓度等级的天气类型，而这些结果完全符合不同季节大气环流的变化特征，具有清晰的天气学意义。

将9类不同天气形势对应的时间序列输入到hysplit模型中，进行48h后向轨迹聚类分析，得到北京市2013～15年PM2.5不同天气分型对应的气团轨迹聚类，见图4-6。系统聚类法是聚类分析中较成熟的算法，其基本思想是聚类开始时将样本各自作为一类，并规定样本之间的距离及类与类之间的距离，并将距离最近的两类合并为一个新类，计算新类与其他类之间的距离，重复进行直到最终合并为一个大类。本发明采用基于Ward法的谱系聚类对不同的天气事件进行分类。可以看出不利于污染物扩散天气形势控制时，北京污染物主要来自石家庄-保定和衡水-廊坊等太行山山前一线；当北京市处于有利于污染物扩散的天气系统控制时，上游的清洁空气影响北京；当北京处于较为有利于污染物天气系统控制时，气团主要为偏西北气流和来自海上的湿润气流。

未来发生重污染过程时，采用WRF预报的气象数据，判断得到即将发生的天气类型，将该天气类型与案例库进行相似性匹配，即得到未来即将发生重污染过程中，PM2.5浓度分布及来源。

预报及追踪：

不同的天气形势，反映了各种气象因子对空气质量的综合影响，在一定的污染源下，可能对应不同的大气污染等级，所以对不同污染等级对应的大气环流进行分型，对空气质量预报、总量控制等具有重要意义。天气分型不失为制作各种天气预报的一种简便有效的手段。

本发明得到了天气分型与对应的PM2.5浓度分布的污染过程案例库后，未来如出现库中一种天气类型，那么就可以调取最相似、最匹配的案例进行分析，极大地节省了时间并提高了预报结果的精确度，又可合理地避免了数值计算结果中出现的异常情况。

过去天气分型的过程都是人工完成的，其中会难以避免地出现各种人为造成的误差，影响天气分型法的效果。本发明建立了自动分型相似性预报方法，提高空气质量预报的业务化。且本发明与后向轨迹模式结合，可以分析重污染的成因及来源，极大提高了算法的适用性。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。