利用IGS對流層產品預報空氣質量指數研究

潘文超，郝金明，徐海鑫，吳　帥

(信息工程大學，河南 鄭州 450052)

Research on the Air Quality Index Forecast Using IGS Tropospheric Products

PAN Wenchao，HAO Jinming，XU Haixin，WU Shuai

?

利用IGS對流層產品預報空氣質量指數研究

潘文超，郝金明，徐海鑫，吳帥

(信息工程大學，河南 鄭州 450052)

Research on the Air Quality Index Forecast Using IGS Tropospheric Products

PAN Wenchao，HAO Jinming，XU Haixin，WU Shuai

摘要：空氣質量指數用來反映霧霾對大氣的污染狀況，如何對空氣質量進行預報成為研究的重點和難點。空氣質量指數與近地面氣象參數相關，本文簡要介紹了常用的空氣質量預報方法及衛星數據觀測預報的優勢。利用北京房山IGS站氣象數據文件，建立了空氣質量指數預報的多元線性回歸最小二乘模型和卡爾曼濾波模型。結果表明卡爾曼濾波模型得到的預報值與實際值的相關系數和RMS分別為0.995和7.532，均顯著優于多元回歸模型。為了驗證模型的適用性和效果，選用了霧霾較少的2014年夏季氣象數據和空氣質量指數數據，試驗發現：采用卡爾曼濾波模型得到的相關系數和RMS分別為0.985和7.378，預報值與實際值符合得很好，且預報精度較高。本文驗證了利用衛星導航地面氣象參數進行空氣質量預報的可行性，為下一步利用衛星導航系統對流層產品對空氣質量進行監測和預報奠定了一定的研究基礎。

關鍵詞：霧霾；IGS；空氣質量指數；卡爾曼濾波

霧霾是霧和霾的統稱，是一種大氣的污染狀態，其中PM2.5(空氣動力學中直徑小于等于2.5 μm的顆粒物)被認為是造成霧霾天氣的“元兇”[1-2]。報告顯示，中國最大的500個城市中，只有不到1%的城市達到世界衛生組織推薦的空氣質量標準。因此，對霧霾的監測和預報成了十分迫切和重要的課題。

霧霾的厚度為地面以上1~3 km，當前對霧霾的判斷主要依靠地面氣象站的實測數據，雖然可以得到較為準確的霧霾信息，但只能在站點附近有限的區域內進行，難以反映出霧霾的范圍、動態變化的趨勢。而衛星觀測具有宏觀性、時效性、經濟性、真實性、信息源可靠等諸多優勢[3]。

全球衛星導航系統的建成投入使用，不僅在導航領域有著廣泛的應用，更促進了相關領域的研究和發展。近年興起的GPS/MET，通過研究影響GPS精密定位和數據處理主要誤差源之一的對流層延遲，求解出包含大氣折射信息的大氣折射量，來反演大氣中的水汽分布，從而進行氣象學研究和天氣預報[4]。國際GNSS服務組織(International GNSS Service，IGS)通過網絡可以近乎實時地提供高精度的GPS觀測數據、衛星星歷、高質量的衛星軌道、電離層數據和對流層數據等服務，為當今許多重大科學項目和課題的研究提供了數據支持，如國際地球參考框架的實施與改進、固體地球的形變的監測、對流層效應及氣候學研究和異常惡劣天氣的預報等[5-6]。

本文利用IGS提供的對流層相關產品，提出兩種AQI預報模型，得到了有參考意義的結果。

一、空氣質量指數預報

通常采用空氣質量指數(air quality index，AQI)來對霧霾信息表征，空氣中的主要污染物有PM2.5、PM10、二氧化硫、一氧化碳等。空氣質量指數是定量描述空氣質量狀況的無量綱指數[7]。針對單項污染物還規定了空氣質量分指數(individual air quality index，IAQI)。參與空氣質量評價的主要污染物為細顆粒物、可吸入顆粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等6項。

二、模型建立和AQI預報

本文選用國家環保部官網上發布的城市日(24-hour average)AQI和北京市環保局官網上提供的北京市各監測點的每小時(1-hour average)AQI和IAQI數據，分別選取了2012、2013和2014年霧霾多發的春冬兩季[15]。數據較為連續，數據質量較高且相對完整，天氣狀況較為穩定且無大的水汽波動和降雨天氣，年積日為47—76共計30 d的AQI數據。同時選用了位于北京房山的IGS站BJFS，獲取了對應時段包含氣溫(T)、氣壓(P)和相對濕度(H)氣象數據(M)文件。下面將利用BJFS站的P、T、H3個基本參數分別建立線性回歸最小二乘模型和卡爾曼濾波模型，來對AQI進行預報和模型精度評定檢核。

1. 線性回歸最小二乘模型

式中，X0j=1，k=0,1,…,N。通過推導變換可化為如下求解多元線性回歸最小二乘解的正規方程組

(1)

(2)

式中,P為測站氣壓；T為測站溫度；H為測站相對濕度。

2. 卡爾曼濾波模型

設卡爾曼濾波的量測方程為yi=b0+b1x1i+b2x2i+…+bmxmi+li，li為量測噪聲。在卡爾曼濾波系統中，將b0、bi作為狀態向量，從t-1時刻到t時刻變化的過程中有狀態向量bt=bt-1+lt-1，表明狀態向量從bt-1變化到bt受到動態噪聲lt-1的影響。其中動態噪聲lt-1與量測噪聲li均為隨機向量，并假定它們互不相關，均值為0，方差分別為W、V的白噪聲，應用廣義最小二乘法，得到如下公式

(3)

Rt=Ct-1+W

(4)

(5)

(6)

(7)

(8)

3. 誤差分析

通過對數據處理，采用多元回歸模型和卡爾曼濾波模型得到AQI預報值，與AQI實際值作對比。限于篇幅，這里只給出2014年模型預報值與實際值的變化圖。

從圖1中可以看出，多元回歸模型得到預報值曲線較為平滑，與實際值相比基本可以反映AQI等的變化趨勢，但是峰值和谷值都不明顯，偏差較大。相比較而言，采用卡爾曼濾波模型，則能很好地反映真實值的變化趨勢，峰值和谷值明顯，但存在一定的滯后性，這主要是由卡爾曼濾波的遞推特性所造成的，通過加入上一次的修正值，對本次量測值進行預報。通過計算，得到回歸模型和卡爾曼濾波模型與實際值的相關系數和RMS，見表1和表2。

圖1　2014年AQI模型預報值與實際值

201220132014多元回歸0.5320.5370.521卡爾曼濾波0.9310.9650.995

表2　預報值與實際值差值RMS

通過相關系數和RMS比較不難發現，采用卡爾曼濾波模型得到的預報值相較于多元回歸模型，都有較大的改善。其中的一個原因可能是由于采用數據量相對較少，因此不能很好地利用多元回歸模型得到較為準確的預報值。而在數據量較少的情況下采用卡爾曼濾波方法得到AQI預報值與實際值的相關系數為0.995，RMS為7.5，能夠較好地預報AQI及其變化趨勢，且精度較高。

4. 模型驗證

為了進一步驗證采用卡爾曼濾波模型的精度和有效性，本文選用了2014年積日147—181霧霾較少季節共30 d的BJFS的M文件和1 h分辨率的AQI數據。采用相同的處理方法，首先使用多元回歸模型確定回歸系數初值，然后利用卡爾曼濾波模型進行AQI預報，并作相應的誤差分析。對數據進行處理，得到線性回歸方程

YAQI=273.8-0.559 9P+9.996 9T+1.672 3H

(9)

以回歸模型系數初始值作為卡爾曼濾波模型初值，通過模型得到預報值。

由圖2不難發現，采用卡爾曼濾波模型得到的AQI預報值要遠遠好于多元回歸模型，基本與實際值的變化相一致，而多元回歸模型變化則較為平緩，峰值表現不明顯，二者與實際值的相關系數和RMS見表3。

圖2　2014年6月份AQI預報值與實際值

相關系數RMS多元回歸0.39738.937卡爾曼濾波0.9857.378

綜合表1、表2和表3不難發現，采用卡爾曼濾波方法，利用氣象參數進行AQI預報精度較高，證明了利用IGS站氣象參數進行AQI預報的可行性和有效性。同時，預報值RMS接近10，仍有改進的空間。下一步將進一步研究影響AQI的其他因素，加入更多參數，使得模型的預報精度及時間分辨率更高，以滿足日常的監測和預報需求。

三、結束語

由于區域性灰霾天氣頻發,危害日益嚴重，如何測量和控制灰霾天氣,改善區域環境空氣質量,成為我國實現區域可持續發展的關鍵問題之一。GPS等衛星導航系統的廣泛應用為其他領域的研究提供了全新的視角和思路。本文利用IGS提供的站點M文件中的氣壓、溫度和相對濕度參數，對BJFS站AQI建立多元回歸模型和卡爾曼濾波模型，對AQI進行了預報，并對預報結果進行了比對分析。試驗結果表明：使用卡爾曼濾波模型得到的預報值相對于多元回歸模型的預報值，更接近于實際值，具有較高的相關系數和較高的預報精度，為霧霾的監測和預報提供了一種新的思路和方法。各地區CORS系統的全面建設和使用，不僅利于區域導航定位精度的提高，促進地區建設，而且利用廣泛分布的地面CORS站。在獲取相關的對流層氣象參數后，利用本文建立的卡爾曼濾波模型等方法對空氣質量進行檢測預報，將會節約建立空氣質量監測站的費用和人力。同時利用高采樣率的CORS站氣象數據，將會提高空氣質量預報的分辨率。

參考文獻：

[1]孫亮.灰霾天氣成因危害及控制治理[J].環境科學與管理，2012，37(10)：71-72.

[2]錢凌.南京大氣氣溶膠的污染特征及其影響因素觀測研究[D].南京：南京信息工程大學，2008.

[3]姜杰，查勇，袁杰，等.遙感技術在灰霾監測中的應用綜述[J].環境監測管理與技術，2011，23(2)：15-17.

[4]TONG N，ELGERED G．Ground-based GPS for Validation of Climate Ground-based GPS：The Impact of the Elevation Cutoff Angle[J]．Transactions on Geoscience and Remote Sensing，2010，48(10)：10-15．

[5]WANG J，ZHANG L，DAI A．A Gobal, 2-hourly Atmospheric Precipitable Water Dataset from IGS Ground-based GPS Measurements：Scientific Applications and Future Needs[C]∥Proceeding of IGS Workshop．[S.l.]: IGS, 2006：8-11．

[6]MACLEOD K, CAISSY M. Real Time IGS Pilot Project(RT-PP) Status Report[R]. Newcastle: IGS Workshop,2010.

[7]中國環境保護部. 環境空氣質量指數(AQI)技術規定：HJ633—2012[S].北京：中國環境科學出版社，2012.

[8]朱紅芳，王東勇.合肥市空氣質量預報方法[J].氣象，2002, 28(5):40-43.

[9]朱玉強.幾種空氣質量預報方法的預報效果對比分析[J].氣象，2004,30(10):30-33.

[10]陳亦君，尤佳紅，束炯，等.基于WRF-RTIM的上海地區霾預報MOS方法研究[J].環境科學學報，2014,34(3):574-581.

[11]萬夫敬.南京地區降水預報研究[D].南京：南京大學，2011.

[12]劉大杰，于正林.動態測量系統與卡爾曼濾波[J].測繪學報，1988,17(4): 254-262.

[13]陸如華，徐傳玉，張玲，等.卡爾曼濾波的初值計算方法及其應用[J].應用氣象學報，1997,8(1):34-43.

[14]MALM W C．Characteristics and Origins of Haze in the Continental United-States[J]．Earth-Science Reviews，1992，33(1)：1-36．

[15]童堯青. 南京地區霆天氣及其污染特征分析[D].南京：南京信息工程大學，2008

[16]葛茂榮，劉經南.GPS定位中對流層折射估計研究[J].測繪學報，1996, 25(4): 285-291.

[17]張過，陳鉭，潘紅播，等.基于有理多項式系數模型的物方面元最小二乘匹配[J].測繪學報,2011,40(5):592-597.

[18]BOEHM J，HEINKELMANN R，SCHUH H. Short Note：A Global Model of Pressure and Temperature for Geodetic Applications[J]．Journal of Geodesy, 2007, 81(10)：679-683．

引文格式： 潘文超，郝金明，徐海鑫，等. 利用IGS對流層產品預報空氣質量指數研究[J].測繪通報，2016(1)：76-79.DOI:10.13474/j.cnki.11-2246.2016.0019.

作者簡介：潘文超(1989—)，男，助理工程師，主要從事衛星導航和對流層方面的研究工作。E-mail:ywsy2008003@yeah.net

收稿日期：2014-11-15

中圖分類號：P228.4

文獻標識碼：B

文章編號：0494-0911(2016)01-0076-04