一种北京市冬季大气PM2.5浓度变化预测方法与流程

本发明属于大气污染物预测方法技术领域，特别是涉及一种北京市冬季大气pm2.5浓度变化预测方法。

背景技术：

大气细颗粒物pm2.5(空气动力学当量直径不大于2.5μm的大气悬浮颗粒)与人体健康状况显著相关，对气候变化有着重要影响，并因其涉及二次污染和跨区域输送而备受关注。与较粗的大气颗粒物相比，pm2.5粒径小，面积大，吸附能力强，富含大量的有毒、有害物质且在大气中停留时间长，可通过呼吸道直接进入人体肺泡甚至血液，不仅影响肺的颜色，更会损坏肺的功能，甚至引起心血管等疾病。此外，pm2.5通过散射和吸收太阳辐射，改变到达地球表面的辐射量，从而改变地面气温；它作为云凝结核改变云的反照率、生命期等性质，进而影响云的生消过程和降水效应，甚至水循环；pm2.5还通过对太阳光的吸收和散射效应降低能见度。因此，预测大气pm2.5浓度变化对人类健康和全球气候变化非常关键。

目前，对大气pm2.5浓度变化预测的统计方法是利用线性回归分析大气pm2.5浓度和气象因素，如温度、气压、风速、降水和相对湿度之间的关系，进而做出预测。大气pm2.5浓度与日均气温呈负相关，即pm2.5的浓度随温度的增大而减小，这主要是由于温度升高时，上下层空气的湍流得到加强，暖空气上升，垂直方向产生对流交换，有利于颗粒物的稀释扩散，使pm2.5的浓度降低；大气pm2.5浓度和气压呈显著负相关，在同一季节气压偏低时很容易出现空气污染，气压较高时不容易出现污染；风速和降水均对颗粒物状态变化有较大影响，这主要是因为风和降水有助于颗粒物的消散；大气pm2.5浓度与相对湿度有显著的正相关性，一般在高的相对湿度情况，易使得大气中颗粒物积累而造成较重污染。

技术实现要素：

有鉴于此，本发明的目的在于提供一种北京市冬季大气pm2.5浓度变化预测方法，运用大气气旋波活动变化状况来预测北京市冬季大气pm2.5浓度变化。

为达到上述目的，本发明的所采用的技术方案如下：

一种北京市冬季大气pm2.5浓度变化预测方法，包括步骤如下：

1)收集构建大气气旋波活动和北京市冬季大气pm2.5回归模型的样本数据：历史500百帕冬季位势高度和北京市冬季大气pm2.5浓度观测数据；

2)根据历史500百帕位势高度计算北京市历史大气气旋波活动数据；

3)根据计算出的北京市历史大气气旋波活动数据和大气pm2.5浓度观测数据构建大气气旋波活动和大气pm2.5浓度之间关系的回归模型；

4)将未来的北京市大气气旋波活动变化数据代入步骤3)推算出的大气气旋波活动和大气pm2.5浓度之间关系的回归模型，预测未来北京市冬季大气pm2.5浓度变化。

优选地，所述的步骤2)具体为：假定北半球500百帕位势高度q随纬度减小，对于一个给定的值q＝q，q等值线向北极环绕的面积s为：

s(q)＝∫∫q≤qa²cosφdλdφ

a为地球半径，λ为经度，φ为纬度；

定义的等效纬度

其中，大气气旋波由经度和纬度组成的函数决定，为500百帕位势高度偏离平均状态的涡度偏差，经度λ，纬度φe处的局地的大气气旋波定义为：

在北半球，as≤0，代表大气气旋波。

优选地，所述的未来的北京市大气气旋波活动变化数据＝未来的北京市大气气旋波数据-历史的北京市大气气旋波数据。

本发明的有益效果：

本发明首先通过历史数据来建立北京市大气气旋波活动和大气pm2.5浓度的回归模型，将该回归模型中的大气pm2.5浓度随大气气旋波活动变化率作为大气pm2.5浓度预测模型；再将未来北京市大气气旋波活动的变化量输入大气pm2.5浓度预测模型中得到未来大气pm2.5浓度变化量。本发明从大气环流角度来预测北京市未来冬季大气pm2.5浓度的变化，可以提高大气pm2.5浓度预测准确率。

附图说明

图1为大气气旋波活动示意图；

图2为2008-2014年冬季平均大气气旋波活动示意图；

图3为观测的北京市2008-2014年冬季平均大气pm2.5和大气气旋波相关系数分布图；

图4为北京市冬季大气pm2.5浓度和显著相关区域的大气气旋波散点图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种北京市冬季大气pm2.5浓度变化预测方法，包括步骤如下：

步骤1：收集中国区域2008-2014年的冬季500百帕位势高度观测数据，数据来自于欧洲中心(ecmwf)era-interim数据；

步骤2：运用过去7年500百帕位势高度结合如下公式计算大气气旋波活动数据；

假定北半球500百帕位势高度q随纬度减小，对于一个给定的值q＝q，q等值线向北极环绕的面积s为：

s(q)＝∫∫q≤qa²cosφdλdφ

a为地球半径，λ为经度，φ为纬度；

定义的等效纬度

大气气旋波由经度和纬度组成的函数决定，经度λ，纬度φe处的局地的大气气旋波定义为：

如图1所示，在北半球，as≤0，代表大气气旋波，为500百帕位势高度偏离平均状态的涡度偏差，φ为纬度，φe为等效纬度，dφ表示φ的微小变化；

计算出的中国区域2008-2014年7年冬季平均大气气旋波活动分布如图2所示，所有大气气旋波都小于零。

步骤3：运用上一步计算出的大气气旋波活动数据和2008-2014年的北京市冬季大气pm2.5浓度数据建立回归模型；

2008-2014年北京市冬季大气pm2.5浓度数据使用美国大使馆公布的pm2.5数据，北京市位置如图2中黑色圆点所示。该数据的起始时间为2008年4月，大气pm2.5数据为逐小时数据，取日平均值作为当日值。

计算2008-2014年北京市冬季大气pm2.5浓度和整个区域(20-60n，70-150e)大气气旋波相关系数，在北京市东北方向有个相关系数中心，最大值为0.48，如图3所示，通过95％t检验的区域用黑色小点表示。由于大气气旋波小于零，所以表明北京市大气pm2.5浓度和大气气旋波之间存在负相关关系，负相关系数中心位于北京市东北方向。在此，将相关系数大于等于0.38的区域定义为和北京市大气pm2.5浓度有显著负相关关系的大气气旋波活动区域，如图3黑色实线区域所示。

运用2008-2014年冬季显著相关区域的大气气旋波数据和北京市pm2.5浓度数据建立回归模型，其中散点图如图4所示，回归模型为:y＝71.67x。

步骤4：将未来冬季大气气旋波活动变化代入步骤3中回归模型所得斜率，计算未来北京市冬季大气pm2.5浓度变化量。

历史冬季大气气旋波活动量为2008-2014年冬季大气气旋波活动平均值；未来冬季大气气旋波活动量为模式模拟出的2106-2125年冬季平均大气气旋波活动平均值，其中未来大气气旋波活动的位势高度数据来自于美国大气研究中心通用地球系统模式模拟出的未来值(模拟序列为：b.e11.tsrefc2.femis2000.y2100.f19.f19.ccmi23.001)，该序列强迫采用当前排放和未来的气象要素。将未来的500百帕位势高度代入上述气旋波公式，可得到未来大气气旋波数据。

未来的北京市大气气旋波活动变化数据＝未来的北京市大气气旋波数据-历史的北京市大气气旋波数据，计算值为0.07(单位：10⁸m²)。

未来北京市冬季大气pm2.5浓度变化量＝0.07.*北京市冬季大气pm2.5浓度随大气气旋波活动变化率＝0.07.*71.67＝5(单位：μgm^-3)。

未来北京市冬季由大气气旋波活动变化所造成的大气pm2.5浓度变化量为5μgm^-3。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。