基于动态数据驱动的灰霾预报模型的研究

灰霾形成与消除是一个非线性过程，且影响因素众多，包括高低空气象参数和不同种类的污染物，这使得灰霾预报具有较大难度。目前，传统统计学和数值预报模型均有不足之处：前者在一定时期内预报精度相对较高，但自适应能力不足；后者趋势预报效果较好，但建模过程做了诸多假设和模型运行需高精度的污染源排放清单，模型实用性不高。.因此，本文将动态数据驱动引入到灰霾预报中，重点解决样本动态筛选问题和构建基于动态样本的神经网络模型等，使得预报模型能更真实地描述灰霾与各主要影响因素之间的对应关系，最终提高灰霾预报的精度和实用性。首先在灰霾观测实验（观测参数：水平能见度、细微颗粒物、黑碳等）的基础上，研究灰霾特征和变化规律；其次基于灰霾形成物理机制和气象相似性原理，定量研究影响灰霾的关键气象因子和主要污染物，研究动态样本子集阈值和权重矩阵，再研究自适应数据驱动模型，建立自适应的灰霾预报模型。

灰霾是目前受高度重视的空气污染问题。本项目将动态数据驱动引入到灰霾预报中，重点解决样本动态筛选问题和构建基于动态样本的神经网络模型等。首先在灰霾观测实验基础上，研究灰霾特征和变化规律；其次基于灰霾形成物理机制和气象相似性原理，定量研究影响灰霾的关键气象因子和主要污染物，研究动态样本子集阈值和权重矩阵，再研究自适应数据驱动模型，建立动态灰霾预报模型。具体来讲，完成了以下研究工作：.首先，采用复合型空气污染自动监测系统对广州进行了共计26200个小时连续监测，并构建了实时环境空气质量和气象数据抓取平台，实时下载全国典型城市的小时气象、污染物浓度和未来气象预报等信息，建立了2012年以来，覆盖广东省及21个地市、京津冀等城市数据容量达2.61G的动态基础数据库。.以上述数据为基础，分析了广州、华南与华北城市不同时间尺度的可吸入颗粒物浓度变化规律、能见度变化规律、能见度与各种污染物的关联关系、灰霾天气下污染物浓度特征及变化规律。.其次，建立了基于气象空间相似、背景浓度相似和主要气象因素变化趋势一致性的样本优化方法，即三层架构的样本筛选方法，并分别针对不同污染物影响因子确定了上述规则中的相关参数、权重和阈值。首先将不同气象参数的影响效果进行了量化，建立了不同气象参数的权重系数，从而构建了关键气象参数的当量函数关系式；研究了湿度、风度、气压等关键气象参数的筛选阈值，建立了动态样本子集筛选的阈值矩阵和总体阈值矩阵。.并构建了动态的灰霾预测模型，将模型分别应用在华南和华北典型城市。利用动态样本子集筛选方法和BP神经网络模型建立了可吸入颗粒日均值预测模型；通过模型在华南典型城市（广州、佛山、珠海）和华北典型城市（北京、天津、石家庄）的应用，进行了可吸入颗粒物等污染物日均浓度预测误差分析；然后利用污染物浓度、气象参数对能见度的影响分析，建立了基于污染物浓度的能见度计算模型。研究表明，华南和华北城市可吸入颗粒物日均值预报平均误差在30%以下，而广州的能见度计算模型平均相对误差为13.3%，均方根误差为1.767。.在以上研究的基础上，研究了神经网络模型、支持向量机、小波分析等机器学习算法，建立了单一、以及多方法相结合的PM2.5小时预报模型，并研究了上述模型在香港应用的误差和可行性。.项目共发表期刊及会议论文共26篇，获得软件著作权2项，申请发明专利一项，获厅级奖项1项，省部级奖项1项。