空气质量预报二次建模

建立空气质量预报模型提前获知可能发生的大气污染状况，并采取相应控制措施是减少大气污染危害的有效方法之一。本文针对WRF-CMAQ等模型预报结果不理想的问题，提出了基于一次预报数据和实测数据的二次预报模型，提高了一次预报模型的准确性，分析了气象条件对污染物浓度的影响程度，提出了时间序列预测模型和基于粒子群优化的BP神经网络模型，大大地提高了预测的精度。

随着工业和经济的快速发展以及城市人口数量的增长，对能源的不断消耗使得排放出来的大量污染物严重污染了我们赖以生存的环境。人类对自然环境产生的破坏主要体现在土地、森林、水源、以及空气等方面[1]，其中对人类的生存发展影响范围最广的就是大气污染问题。由于环境质量恶化所造成的危害严重影响着人们的身体健康和生活方式， 有研究表明PM2.5 的污染特征对人类疾病的产生具有较高的相关性[2]。空气污染问题的防治问题迫在眉睫。大气污染问题已越来越引起人们和各国政府的重视[3]，由国务院召开的全国环境保护大会多次在北京召开， 汇集众人的智慧为中国的生态环境治理提供解决方案， 不断推动生态文明建设，解决生态环境问题，构建美丽家园。

我国的空气质量监测起步较晚，但是发展较为迅速，从环境保护领导小组、环境保护局、国务院环境保护委员会，然后将国家环境保护局作为国务院环境保护委员会的办事机构。国家在保护环境的重任面前， 不断地克服困难， 坚决打胜这场污染防治攻坚战。

想要为空气污染防治提出更为有效的解决办法， 对空气质量监测提出更高的要求[4]，为制定解决策略提供理论基础。

根据《环境空气质量标准》(GB3095-2012)，用于衡量空气质量的常规大气污染物共有六种，分别为二氧化硫(SO2)、二氧化氮(NO2)、粒径小于10 μm 的颗粒物(PM10)、粒径小于2.5 μm 的颗粒物(PM2.5)、臭氧(O3)、一氧化碳(CO)等[5]。污染防治实践表明，建立空气质量预报模型，提前获知可能发生的大气污染过程并采取相应控制措施，是减少大气污染对人体健康和环境等造成的危害[6]，提高环境空气质量的有效方法之一。

近些年来，国内外对于空气质量预测的研究多集中于空气污染物的浓度预测。Liu [7]提出了基于回归模型和支持向量机的空气质量预测模型，验证了组合预测模型的的预测效果较好。Zamani [8]利用了深度学习等方法预测来了PM2.5 的数值，结果表明，相比于深度学习和随机森林方法，XGBoost 的预测误差最小。Bhat [9]提出了多变量回归与双变量线性模型对印度克什米拉阳地区的PM2.5 数值，经过分析对比， 双变量线性模型的预测效果更好。

Ma [10]提出了基于网格重要等级的XGBoost 的空气质量预测模型， 预测结果的R2 分数可以达到0.9 以上。

目前对于大气的质量预报的研究方法主要分为两种，第一种方法是统计预报的方法，该方法的研究方法是通过大量地监测到的空气质量数据。通过统计学的分析方法，对收集到的数据进行分析，得到污染物浓度与气象条件之间的关系， 通过建立预测模型得到空气质量的预报[11]。

另外一种方法是研究大气的动力学理论，通过对复杂的大气物理、化学变化的分析，建立大气污染物浓度在空气中的传输扩散数值模型，通过较为复杂的计算过程，借助于计算机完成运算，得到多种大气污染物在空气中的动态分布。