基于Bayes判別分析的大氣污染潛勢定量預報*

周須文 高旭旭 于長文 韓世茹 許啟慧

河北省氣候中心，河北省氣象與生態(tài)環(huán)境重點實驗室，石家莊 050021

提 要： 依據(jù)大氣污染物質(zhì)量守恒方程，構建大氣污染氣象因子，并以空氣質(zhì)量指數(shù)日增量為對象，對大氣污染潛勢進行了定量化分級劃分。采用Q型聚類分析方法，把秋、冬季大氣環(huán)流背景分為冷空氣型、混合型、暖空氣型三種環(huán)流類型，并研究了區(qū)分三種大氣環(huán)流類型的指標因子及其閾值。采用Bayes判別分析方法，分別建立了冷空氣型、混合型和暖空氣型大氣環(huán)流背景的污染潛勢五分級預測模型。對邢臺2017—2019年秋、冬季資料建立的預測模型，各年判別正確率分別為80.0%、71.0%、74.7%，綜合正確率為75.2%。采用2015—2017年秋、冬季資料對該模型進行檢驗，綜合正確率為63.6%。對2019—2021年秋、冬季大氣自凈能力指數(shù)和污染潛勢五分級預測結果與空氣質(zhì)量指數(shù)(AQI)日增量實況進行對比分析，污染潛勢五分級預測結果與AQI日增量的變化趨勢有較高的一致性，相關系數(shù)在0.67以上，明顯好于大氣自凈能力指數(shù)計算結果；污染潛勢五分級預測對極利于擴散等級和極不利于擴散等級判別正確次數(shù)明顯高于大氣自凈能力指數(shù)。

引 言

霧-霾天氣一直是人們關注的焦點、研究的熱點和政府治理大氣污染的重點。霧-霾天氣形成的條件主要有兩個：一是人類活動向大氣中排放的污染物，為霾的形成提供物質(zhì)條件；二是靜穩(wěn)的氣象條件。在污染源基本穩(wěn)定的前提下，空氣質(zhì)量的優(yōu)劣主要由氣象條件決定。

Ding and Liu(2014)、江琪等(2017)、蔡子穎等(2017)、尚可等(2016)、于文金等(2016)、梅梅等(2019)等對氣象條件與空氣污染關系的研究表明：空氣污染濃度與邊界層內(nèi)多個氣象要素顯著相關，70%的引起空氣污染濃度日均值波動的因素是氣象條件的變化。在環(huán)境氣象服務中需要建立綜合表達空氣污染氣象條件的量化指標，用于預測和評估污染氣象條件的長、中、短期變化。國外，Wang and Angell(1999)通過對日平均海平面氣壓、地轉(zhuǎn)風速、500 hPa日平均水平風速、850 hPa及以下逆溫情況等設定判別條件定義了靜穩(wěn)天氣指數(shù)；Tai et al(2010)基于上文靜穩(wěn)天氣的定義，統(tǒng)計分析了美國在大氣靜穩(wěn)日和非靜穩(wěn)日PM2.5濃度的差別。該靜穩(wěn)天氣指數(shù)給出的是大氣靜穩(wěn)的定性判斷依據(jù)，無法滿足我國環(huán)境氣象業(yè)務對定量描述大氣靜穩(wěn)程度的需求。國內(nèi)學者在對霧-霾天氣氣象條件的定量描述上開展了許多指數(shù)的研發(fā)工作，朱蓉等(2001)基于箱模式理論建立了空氣污染潛勢指數(shù)，并開發(fā)了城市大氣污染數(shù)值預報系統(tǒng)(CAPPS)；楊元琴等(2009)選取敏感氣象要素：氣溫、氣壓、風、相對濕度、穩(wěn)定度，并引入凝結函數(shù)開發(fā)了空氣質(zhì)量氣象參數(shù)(PLAM)指數(shù)；廖碧婷等(2012)利用K指數(shù)、沙氏指數(shù)和L指數(shù)構建了垂直交換系數(shù)，對空氣污染物的垂直輸送能力進行了評估，并嘗試對灰霾天氣和無視程障礙天氣進行預報；徐大海等(2016)提出了用A值法確定大氣環(huán)境容量的方法；張恒德等(2017)根據(jù)預報經(jīng)驗和歷史氣象要素統(tǒng)計，挑選與大氣污染有關的氣象要素及其閾值，通過權重求和初步構建了靜穩(wěn)天氣綜合指數(shù)(SWI)；朱蓉等(2018)根據(jù)大氣自身所具有的通風稀釋和濕清除能力，定義大氣自凈能力指數(shù)，給出基于常規(guī)氣象觀測的計算方法。上述指數(shù)從不同角度體現(xiàn)了氣象條件對空氣污染的作用，但在環(huán)境氣象業(yè)務應用中體現(xiàn)氣象條件對大氣污染的綜合影響還有一定難度。本文結合氣象業(yè)務部門現(xiàn)有數(shù)據(jù)環(huán)境，以大氣污染物質(zhì)量守恒方程為理論基礎，構建物理意義明確的氣象因子，并選取與大氣污染密切相關的氣象要素，基于數(shù)據(jù)挖掘技術建立大氣污染潛勢分級預測模型，實現(xiàn)大氣污染潛勢的客觀化、定量化、精細化預報。

1 資料與方法

選用2015—2021年秋、冬季(10月1日至翌年3月31日)邢臺地面、高空氣象資料和空氣質(zhì)量指數(shù)資料。地面氣象資料包括逐日4個標準時次的資料(氣溫、氣壓、風速)及日資料(平均氣溫、平均氣壓、相對濕度、平均風速和降水量)；高空氣象資料為逐日4個標準時次的1 000、925、850、700、600和500 hPa的氣溫、位勢高度、風速。其中地面氣象資料及08時、20時(北京時，下同)的高空氣象資料由河北省氣象信息中心提供；02時的高空資料由前一日20時和當日08時的相應資料計算平均獲得，14時的高空資料由當日08時和20時的相應資料計算平均獲得。地面及1 000、925和850 hPa的日平均垂直速度，為距離邢臺站最近格點(37.5°N、115.0°E)再分析資料(源自NCEP/NCAR，https:∥psl.noaa.gov/data/gridded/data.ncep.reanalysis.html)。逐日的空氣質(zhì)量指數(shù)(AQI)資料來源于河北省生態(tài)環(huán)境監(jiān)測中心空氣質(zhì)量實時發(fā)布平臺。

本研究主要應用統(tǒng)計分析方法中的聚類分析(施能，2009)和Bayes判別分析(Friedman et al，1997)方法。

2 大氣背景場的分類

楊旭等(2017)對京津冀地區(qū)冬半年空氣污染天氣進行了分型研究，表明不同天氣類型下影響污染物擴散、輸送、生成和轉(zhuǎn)化的氣象條件有所差異。周須文等(2020)對京津冀地區(qū)冬半年霧-霾消散大氣進行了分類，表明在不同類型大氣下，對霧-霾消散的影響因子及其貢獻也不相同。因此有必要先對大氣背景場進行分類研究。

2.2 大氣背景場的聚類分析

對流層是大氣圈最靠近地面的一層，受太陽輻射與大氣環(huán)流的影響，對流層中下層的氣流運動對天氣現(xiàn)象的發(fā)生及大氣污染物的擴散、輸送和轉(zhuǎn)化影響最大。對流層大氣的氣流運動狀態(tài)可由各氣壓層氣團熱力性質(zhì)變化來表征，因此選取對流層中下層標準氣壓層(500、600、700、850、925、1 000 hPa)08時的24 h變溫和代表整個氣柱冷暖氣團變化的地面24 h變壓作為研究大氣背景場因子。

對邢臺2017—2019年秋、冬季逐日大氣362個個例進行Q型聚類，分析自動生成的不同數(shù)量的分類個例特征，認為把大氣背景場分三類的個例特征具有明確的天氣學意義。圖1是大氣分三類中個例24 h變溫因子(ΔT24 h)合成，可以清楚看出三類大氣特征具有明顯差異：第一類對流層中下層(500 hPa 以下)均是明顯的負變溫；第三類均是正變溫；第二類在邊界層內(nèi)(850 hPa以下)為正變溫，邊界層以上(850～500 hPa)為負變溫。表明第一類大氣對流層中下層冷氣團移入為主，稱為冷空氣型；

圖1 2017—2019年秋、冬季邢臺個例合成的三種大氣環(huán)流類型的氣壓-變溫圖Fig.1 Vertical distributions of temperature change and pressure for three atmospheric types in Xingtai during autumn and winter from 2017 to 2019

第二類大氣在邊界層內(nèi)以正變溫為主，邊界層以上以負變溫為主，對流層中下層呈上冷下暖的分布特征，稱為混合型；第三類大氣對流層中下層均為正變溫，說明多為暖氣團移入，稱為暖空氣型。這三類清楚地表明了邊界層上部自由大氣的運動狀態(tài)。

2.2 大氣背景場分類的指標氣象因子及閾值

2.2.1 大氣分類的指標氣象因子分析

為了比較各氣壓層24 h變溫因子在三類大氣中的分布差異，對三類大氣中24 h變溫≤0的個例數(shù)占該類總個例數(shù)的百分比進行統(tǒng)計。根據(jù)三類大氣型的天氣學意義，冷空氣型大氣中，24 h變溫≤0的個例數(shù)占比越大越好；暖空氣型大氣中，24 h變溫≤0的個例數(shù)占比越小越好。由圖2可見，冷空氣型大氣中850 hPa的24 h變溫≤0的個例數(shù)占比最大，為81.6%；暖空氣型大氣中850 hPa的24 h變溫≤0的個例數(shù)占比最少，只有2.5%；表明850 hPa的24 h變溫因子在冷空氣型和暖空氣型大氣中重疊個例最少?；旌闲痛髿庵?50 hPa的24 h變溫≤0的個例數(shù)占比為50%，說明該因子中位數(shù)為0，其值大多在0附近。從各類型大氣因子平均值(圖1)看到：在850 hPa層上，混合型大氣因子平均值接近0，而冷空氣型和暖空氣型因子平均值與混合型大氣因子平均值相差都較大，顯然850 hPa的24 h變溫因子較其他氣壓層的因子對三類大氣更具代表性。因此采用850 hPa的24 h變溫因子作為大氣背景分類的指標氣象因子。

圖2 2017—2019年秋、冬季邢臺三種大氣環(huán)流類型24 h變溫≤0的個例占比Fig.2 The case proportions of ΔT24 h≤0 for three atmospheric types in Xingtai during autumn and winter from 2017 to 2019

2.2.2 指標因子閾值的確定

統(tǒng)計850 hPa的24 h變溫因子在各類大氣中的頻數(shù)及概率分布(圖3)，三類大氣環(huán)流背景下的24 h變溫因子發(fā)生頻次均呈現(xiàn)單峰形態(tài)，并且冷空氣型、混合型和暖空氣型因子自左至右呈錯峰分布，峰值位置具有明顯的差異。它們的概率分布都具有正態(tài)分布特征，相鄰兩類之間呈雙峰結構，采用雙峰法選擇閾值，即雙峰之間的最低谷處就是兩類分割的閾值，根據(jù)這一原理可以計算相近兩類大氣的分割閾值。計算結果顯示，冷空氣型與混合型大氣分割閾值為-2.84℃，混合型與暖空氣型大氣分割閾值為1.36℃。根據(jù)上述閾值對邢臺2017—2019年秋、冬季逐日大氣進行區(qū)分，區(qū)分三類大氣環(huán)流類型的正確百分率分別為：69%(冷空氣型)、61%(混合型)、78%(暖空氣型)。表明選取的指標因子及其閾值對大氣背景具有較好的分類效果。

圖3 2017—2019年秋、冬季邢臺24 h變溫因子在三種大氣環(huán)流類型中的頻數(shù)和概率分布Fig.3 Frequency and probability distribution of ΔT24 h factor for three atmospheric types in Xingtai during autumn and winter from 2017 to 2019

3 大氣污染潛勢氣象因子的選取

3.3 大氣污染潛勢氣象因子構建的理論基礎

根據(jù)大氣污染物質(zhì)量守恒方程(龔強等，1999):

(1)

式中:C為大氣中的污染物濃度,v為水平風速,ω為垂直速度,p為氣壓,K為湍流擴散系數(shù),Q為污染物的排放量,H為濕沉降量,2代表水平二維向量算子，3代表空間三維向量算子。

從式(1)可見，某地污染濃度變化取決于平流擴散、對流擴散、湍流擴散、污染物排放和濕沉降五大項。假設污染物排放量沒有變化，污染濃度變化主要由其余四項決定。大氣低層污染物的擴散和清除主要發(fā)生在混合層內(nèi),那么大氣對污染物的平流擴散能力可用混合層的大氣通風量表示：

(2)

式中：VE為大氣通風量，u(z)為混合層內(nèi)z高度的風速，h為混合層高度。

對流擴散是大氣垂直運動的結果，因此對流擴散能力由大氣邊界層內(nèi)的垂直速度ω來表示。

湍流擴散是大氣中不規(guī)則、無組織的時空尺度跨度很大的氣團運動，分為機械湍流和熱力湍流。機械湍流激發(fā)的擴散能力可用風速的垂直切變率來表示：

(3)

式中：VR表示風速的垂直切變率，z2、z1表示兩個氣壓層的高度，u2、u1表示兩個氣壓層的風速。

熱力湍流主要是在垂直方向產(chǎn)生溫度梯度而造成的。國際原子能機構在1980年推出了溫度梯度法，即用兩層大氣間鉛直方向的溫度梯度來表示垂直方向上的湍流狀態(tài)，判據(jù)可表示為：

(4)

式中：TR表示鉛直方向溫度梯度，ΔT表示兩個氣壓層的溫度差，Δz表示兩個氣壓層的厚度。

濕沉降是指降水對大氣中污染物沖刷使得大氣中污染物濃度降低。濕沉降能力(Vw)可表示為:

Vw=Wrr

(5)

式中：Wr表示雨洗常數(shù)，取6×105;r為降水率。

3.3 氣象因子的計算方法

(1)混合層高度

大氣邊界層的上限高度即為混合層高度，因天氣條件而異，白天與夜晚不同，城鄉(xiāng)也有明顯差別。在中緯度城市，通常晴天的白天混合層高度可達到1000～1500 m(850 hPa)，夜晚只有200 m左右。由于受觀測資料所限，把850 hPa以下的大氣認為是大氣邊界層，由于大氣邊界層內(nèi)不同高度的氣象因子對污染物遷移擴散作用不同，根據(jù)氣象部門現(xiàn)有的氣象資料，把混合層高度按標準氣壓層(850 hPa、925 hPa)分為兩段(地面至925 hPa、925～850 hPa)分別進行計算。

根據(jù)天氣學原理,兩等壓面之間的厚度計算公式為：

(6)

式中：比氣體常數(shù)R=2.87，Tm=0.5(T1+T0)(等壓面p1和p0的氣溫平均值);地面至925 hPa的厚度記為h1，925～850 hPa的厚度記為h2;混合層高度：h=h1+h2。

(2)平流擴散因子——大氣通風量

地面至925 hPa的通風量：VE1=0.5(u地面+u925)h1

925～850 hPa的通風量：VE2=0.5(u925+u850)×h2

(3)對流擴散因子——垂直速度

選取了地面(ω地)和邊界層內(nèi)標準氣壓層的垂直速度(ω1000,ω925,ω850)。

(4)機械湍流因子——風速垂直切變

地面至925 hPa的風切變：VR1=(u925-u地面)/h1

925～850 hPa的風切變：VR2=(u850-u925)/h2

(5)熱力湍流因子——垂直溫度梯度

地面至925 hPa的溫度梯度：TR1=(T925-T地面)/h1

925～850 hPa的溫度梯度：TR2=(T850-T925)/h2

(6)濕沉降因子

濕沉降因子代表的是降水對大氣中污染物的沖刷能力，因此選取24 h降水量作為濕沉降因子。

3.3 大氣污染潛勢氣象因子的選取

根據(jù)實際氣象資料情況，選取地面和邊界層內(nèi)標準氣壓層的日平均垂直速度作為對流擴散因子；選取24 h降水量作為濕沉降因子，因子對應符號見表1。平流擴散因子選取大氣邊界層內(nèi)2個高度層4個時次的大氣通風量，共8個因子；湍流擴散因子選取大氣邊界層內(nèi)2個高度層4個時次的風速垂直切變、垂直溫度梯度，共16個因子。因子對應符號見表2。另外，根據(jù)楊元琴等(2009)、張恒德等(2017)的研究成果，選取了地面敏感氣象要素：日平均氣溫、日平均氣壓、日平均相對濕度、日平均風速、24 h變壓、24 h變溫，因子對應符號見表3。

表1 對流擴散因子、濕沉降因子的名稱、符號對照Table 1 Reference table of atmospheric factor symbols for convection diffusion and wet depositions

表2 平流擴散因子、湍流擴散因子的名稱、符號對照Table 2 Reference table of atmospheric factor symbols for advection and turbulent diffusion

4 大氣污染潛勢分級預測模型建立

4.4 大氣污染潛勢分級

大氣污染潛勢直接影響空氣質(zhì)量的變化，因此大氣污染潛勢的分級可依據(jù)AQI日增量來劃分。對2015—2019年秋、冬季邢臺AQI日增量統(tǒng)計分析(圖4)：AQI日增量出現(xiàn)頻率呈正態(tài)分布，AQI日增量平均值為0.46，標準差為65，表明大氣污染潛勢五級劃分比較合理；參考全國氣象防災減災標準化技術委員會(2018)，把AQI日增量-80、-30、30、80作為分界值(表4)。劃分的AQI日增量五分級與AQI日增量的相關性為0.95，說明AQI日增量五分級能較好代表AQI日變化狀況。

圖4 2015—2019年秋、冬季邢臺AQI日增量分布Fig.4 Frequency distribution of AQI daily increment in Xingtai during autumn and winter from 2015 to 2019

表4 污染潛勢五級等級標準和描述Table 4 Five grades of air pollution potential

4.4 建立大氣污染潛勢五分級預測模型

創(chuàng)建預測模型采用的是2017—2019年秋、冬季邢臺的資料。首先對建模資料進行處理：(1)根據(jù)大氣背景分類指標因子及其閾值對研究的個例進行識別分類，建立冷空氣型、混合型和暖空氣型三類大氣影響因子數(shù)據(jù)庫。(2)對各類型大氣個例的AQI日增量按表4的污染潛勢五分級標準進行劃分，構建帶有標號的模型創(chuàng)建訓練數(shù)據(jù)集。

由于選取的變量因子較多，在應用Bayes判別方法建立判別函數(shù)過程中，通過逐步選擇法對自變量因子進行篩選，剔出了最低容差水平在0.001以下的變量，最后保留了對模型判別貢獻較大的變量因子。通過對數(shù)據(jù)集訓練確定了五分級判別函數(shù)的變量因子系數(shù)(表5～表7)。對比表5～表7發(fā)現(xiàn)，不同大氣背景的五分級判別函數(shù)，參與的變量因子及其權重都有所不同，說明大氣中污染物的聚集和消散是復雜多變的，不同大氣背景下其變化機制存在較大差異，分類建立預測模型是必要的。

表5 冷空氣型大氣污染潛勢五分級判別函數(shù)系數(shù)Table 5 Five grades discriminant function of pollution potential for cold air type

把大氣污染潛勢1～5級判別函數(shù)的預測概率依次記為：P1、P2、P3、P4、P5，以冷空氣型為例，給出了大氣污染潛勢五分級預測模型：

P1=-64.292+1.57X1-0.611X2+0.547X3+

5.886X4+0.064X5+0.027X6-0.085X7-

0.055X9-0.031X10+0.09X11+11.545X12+

24.352X13-48.602X14-9.236X15-11.778X16-

18.647X17+113.96X18+74.001X19-211.39X20+169.279X22+47.454X23-184.127X24-64.508X25+

292.146X26-276.66X27+79.364X28

P2=-59.405+1.44X1-0.75X2+0.56X3+6.435X4+0.057X5+0.019X6-0.076X7-

0.05X9-0.02X10+0.08X11+11.322X12+

26.816X13-50.867X14-10.223X15-8.168X16-

20.104X17+102.322X18+57.35X19-190.612X20+

154.69X22+32.032X23-163.631X24-52.518X25+

260.469X26-231.071X27+58.711X28

表6 同表5，但為混合型Table 6 Same as Table 5, but for mixed air type

表7 同表5，但為暖空氣型Table 7 Same as Table 5, but for warm air type

P3=-51.758+1.232X1-0.475X2+

0.533X3+5.618X4+0.045X5+0.02X6-0.064X7-0.039X9-0.023X10+0.068X11+4.901X12+

29.293X13-44.598X14-12.488X15-5.91X16-

15.585X17+80.267X18+53.149X19-157.361X20+125.881X22+33.865X23-137.354X24-57.87X25+

230.189X26-164.605X27+27.415X28

P4=-64.256+1.587X1-0.225X2+0.58X3+

5.475X4+0.064X5+0.03X6-0.09X7-

0.055X9-0.03X10+0.095X11+8.999X12+

31.485X13-51.804X14-10.711X15-4.901X16-

18.594X17+106.541X18+76.41X19-224.287X20+176.865X22+40.092X23-195.532X24-72.354X25+249.041X26-170.643X27+36.046X28

P5=-65.768+2.219X1+1.136X2+

0.391X3+3.353X4+0.078X5-0.099X7-

0.067X9-0.007X10+0.101X11+39.136X12+

10.229X13-63.095X14-19.838X15-24.892X16+3.473X17+122.395X18+28.08X19-239.453X20+188.553X22-10.007X23-210.011X24+7.676X25+

246.443X26-277.51X27+85.526X28

上述判別函數(shù)通過自身驗證得到的大氣污染潛勢五級判別正確率為75.2%，其中冷空氣型預測模型判別正確率為80.0%，混合型為71.0%，暖空氣型為74.7%。

5 大氣污染潛勢五分級預測模型檢驗

5.5 模型獨立檢驗

模型獨立檢驗法是對判別分析得到的判別函數(shù)效果評判最客觀有效的方法。把2015—2016年秋、冬季邢臺逐日氣象資料代入預測模型中，比較各級判別函數(shù)值(P1,P2,P3,P4,P5)的大小，根據(jù)Bayes判別準則，函數(shù)值最大代表所對應級別出現(xiàn)概率最大，即是預測級別。把污染潛勢預測級別與實際AQI日增量級別進行對比，預測級別與AQI日增量級別相一致的記為正確，預測正確日數(shù)占實際出現(xiàn)日數(shù)的百分比即為預測正確率。表8為2015—2016年秋、冬季邢臺污染潛勢五分級預測正確率，看到三類大氣的預測模型雖然對各等級的污染潛勢預測正確率存在差別，但對各等級正確率的分布形態(tài)基本一致。都對大氣處于正常狀態(tài)的三級預測最好，正確率在80%以上；其次是非常利于大氣污染物擴散的一級和非常不利于擴散的五級，它們的各級正確率分別為64.8%和59.1%。該預測模型對2015—2016年秋、冬季邢臺污染潛勢五分級預測綜合正確率為63.6%，能較好預測大氣對污染物的聚集、擴散能力。

表8 2015—2016年秋、冬季邢臺污染潛勢五分級預測正確率(單位：%)Table 8 Five grades prediction accuracy of air pollution potential during autumn and winter from 2015 to 2016 (unit: %)

5.5 與大氣自凈能力指數(shù)預測對比分析

5.2.1 大氣自凈能力指數(shù)及其等級劃分

大氣自凈能力指數(shù)(ASI)是對霧-霾天氣氣象條件定量描述指數(shù)，它反映的是大氣運動對污染物的通風稀釋作用和降水對污染物的濕清除作用。根據(jù)朱蓉等(2018)提出的ASI計算方法，計算邢臺2019—2021年秋、冬季的ASI。

為了便于與預測模型判別結果對比，同樣將ASI劃分為五級進行評價。ASI五級劃分依據(jù)具體為：(1)ASI按2.5 t·d-1·km-2和4.1 t·d-1·km-2兩個限值，分為優(yōu)、良和一般三個評價等級(全國氣候與氣候變化標準化技術委員會,2020)。(2)根據(jù)朱蓉等(2018)對ASI的研究，當ASI低于1.4 t·d-1·km-2時，京津冀地區(qū)容易出現(xiàn)AQI達到200的空氣質(zhì)量重污染等級；(3)結合ASI與AQI日增量的統(tǒng)計分析，當ASI低于0.4 t·d-1·km-2時，AQI日增量在80以上，ASI的分級閾值和等級描述見表9。ASI劃分的五分級與ASI的相關系數(shù)為-0.915(表10)，通過了α=0.01顯著性水平檢驗，表明該五分級能較好地代表大氣的自凈能力指數(shù)。

表9 ASI評價等級Table 9 Evaluation grads of ASI

5.2.2 大氣自凈能力指數(shù)和污染潛勢五分級預測對比

對2019—2021年秋、冬季邢臺逐日AQI日增量、ASI和污染潛勢五分級等預測進行了雙變量相關分析(表10)，可以看到：AQI日增量五分級與AQI日增量相關系數(shù)為0.947，表明AQI日增量五分級能較好地代表大氣對物的稀釋擴散能力。ASI五分級與AQI日增量、AQI日增量五分級的相關性均高于ASI，說明ASI五分級在對大氣擴散能力的描述上優(yōu)于ASI；污染潛勢五分級預測與AQI日增量、AQI日增量五分級的相關性分別為0.676和0.679，明顯高于ASI和ASI五分級。顯然污染潛勢五分級模型預測結果優(yōu)于ASI。

表10 2019—2021年秋、冬季邢臺不同預測結果的相關性分析Table 10 The correlation coefficients in different forecasts in Xingtai during autumn and winter from 2019 to 2021

圖5為2019年12月1日至2020年2月29日邢臺逐日AQI日增量等級實況和ASI等級、污染潛勢等級預測結果，無論是正常生產(chǎn)時段還是疫情封閉時段(2020年1月24日至2月29日)，AQI日增量等級變化沒有明顯差異，說明AQI日增量主要受大氣條件的影響，污染物排放量對其影響不大；模型判別的污染潛勢等級與AQI日增量等級的變化趨勢具有較高的一致性，明顯好于ASI等級；模型對極利于擴散的一級和極不利于擴散的五級判別正確次數(shù)明顯高于ASI；模型判別的污染潛勢等級與AQI日增量等級實況基本上是相同或相差一級，而ASI等級與AQI日增量等級相差兩級以上的較多。顯然，模型對大氣污染潛勢的五級判別能力好于ASI。

圖5 2019年12月1日至2020年2月29日邢臺AQI日增量、ASI、污染潛勢預測的等級時間序列Fig.5 Time series of AQI daily increment, ASI and model prediction grads in Xingtai from 1 December 2019 to 29 February 2020

6 結論與討論

介紹了應用數(shù)據(jù)挖掘技術研究大氣污染潛勢分級預報方法，對邢臺建立的大氣污染潛勢五分級預測模型進行了檢驗分析，得到結論如下：

(1)通過對大氣環(huán)流背景的分類研究，發(fā)現(xiàn)大氣背景場可分為具有明確物理意義的三種大氣環(huán)流類型(冷空氣型、混合型、暖空氣型)，850 hPa的24 h變溫是區(qū)分三類大氣環(huán)流的最佳指標因子；采用雙峰法選擇的指標因子閾值能較好地區(qū)分三類大氣環(huán)流，對冷空氣型、混合型、暖空氣型大氣區(qū)分正確率分別為69%、61%和78%。

(2)應用數(shù)據(jù)挖掘技術客觀選取變量因子及其權重，結果表明：大氣中污染物的聚集和消散都是復雜的過程，有眾多因子參與，不同大氣背景各因子的貢獻有較大差異。

(3)建立的大氣污染潛勢五分級預測模型能較好地對AQI日增量進行五級判別，綜合判別正確率為63.6%，其中冷空氣型預測模型綜合判別正確率最高，為70.6%。

(4)大氣污染潛勢五分級預測模型的判別結果與實際大氣AQI日增量等級的變化趨勢具有較高的一致性，相關系數(shù)在0.67以上；明顯好于ASI對污染潛勢五分級的預測結果。

數(shù)據(jù)挖掘大多數(shù)是大而全、多而精，數(shù)據(jù)越多模型越可能精確，變量越多，數(shù)據(jù)之間的關系越明確。由于受到現(xiàn)有氣象資料的限制，對氣象因子的選用和計算都較粗，隨著觀測技術的進步，還需要在選取因子及其計算方面不斷改進，使建立的預測模型準確率不斷提高。