开化县负氧离子浓度预测模型的建立

2017-12-06丁丽华顾振海

浙江农业科学 2017年11期

关键词：开化县负氧离子露点

丁丽华，顾振海，吴丹，程创

(1.开化县气象局，浙江开化 324300； 2.衢州市气象局，浙江衢州 324000)

开化县负氧离子浓度预测模型的建立

丁丽华1，顾振海2*，吴丹1，程创1

(1.开化县气象局，浙江开化 324300； 2.衢州市气象局，浙江衢州 324000)

为研究开化县空气负氧离子的日变化及其与环境、气象因子的相关性，利用SPSS统计软件，分析了空气负氧离子浓度日变化及其与气象因子的关系。结果表明，开化负氧离子浓度大致呈正弦波分布，6：00左右达到最高值，13：00和20：00前后达到最低值。影响负氧离子浓度的气象因子主要是露点温度和PM10，且均与负氧离子浓度呈负相关关系但并非单一的负相关关系。负氧离子浓度日变化主要受气温和相对湿度的影响。经检验，所建立的负氧离子浓度预测模型可为开化空气负离子浓度预报提供参考，并为开展旅游气象服务提供理论依据。

负氧离子浓度；气象因子；预测模型；预报检验

随着社会对气候变化、气象环境的关注，研究人员对负氧离子展开了广泛的研究与应用，并获得了一些新的成果。但由于设备型号和规范的不统一，及其他未明原因，得出的结论有相当大的差别。如陈雅芬等[1]研究认为，日照时数相对较多的晴天，负氧离子浓度低。叶彩华等[2]研究则表明，负氧离子在晴天比阴天明显多，阴天数值稳定，峰值不明显。丛菁等[3]提出气温和PM10等是影响大连市负氧离子浓度的关键因素，且均与负氧离子浓度呈负相关关系；而谭东等[4]认为负氧离子浓度与温度呈正相关。周晓香等[5]研究表明，负氧离子浓度在春季最高，秋季最低。韦朝领等[6]认为负离子浓度年变化趋势表现为夏季最高，冬季最低。综上，负氧离子浓度与气象要素关系密切，但受周围环境影响更大，地域性特征明显。本文研究开化县气象因子对空气负离子浓度的影响，从而为空气负离子浓度预报提供参考，并为开展旅游气象服务提供理论依据。

1 材料与方法

1.1 研究区概况

开化县位于浙江省西部，是钱塘江的源头，北纬28°54′，东经118°01′，地处浙皖赣3省7县交界处，县域总面积2 231 km2。开化县作为国家公园、中国天然氧吧，县内拥有钱江源国家森林公园、古田山国家自然保护区等多处自然景观，全县森林覆盖率超过80%。

1.2 方法

负氧离子浓度测定采用的FLZ1型大气负离子自动观测系统，是目前唯一通过中国气象局大气负离子自动观测系统试验考核并且已经定型的产品。FLZ1型大气负离子自动观测系统运用国际上公认的动态测量法——美国Wesix技术(电容式吸入法)的工作原理，每日发送24组负氧离子值。测量的离子值为2档，迁移率分别为1.0和0.4。测量误差小于(10%+10个)·cm-3。

本文所用空气负离子资料来源于开化县负氧离子监测站，距离开化国家一般气象站和气象大楼环境空气自动监测站50 m内。利用2014—2015年空气负氧离子小时资料和同步气象要素观测资料，分析空气负氧离子浓度日变化与气象因子的关系，选择线性、对数、二次多项式等多种函数进行曲线拟合，选择最优方式进行逐步回归建立预测模型，对计算结果进行对比分析，选取最优方案建立空气负氧离子浓度预测预报模型，并对模型进行极值分析和检验。

2 结果与分析

2.1 负氧离子日变化

由图1可知，开化县负氧离子浓度大致呈正弦波分布，日差较小，夜间高，白天低，6：00左右达到最高值，13：00和20：00前后达到最低值。顾小丽等[7]研究表明，空气中负氧离子浓度有夜间高白天低的日变化规律，且最高浓度出现在早晨，最低值出现在午后，呈明显的U型变化特征，本研究结论与此一致。因此选择6：00—7：00进行晨练，可以呼吸到负氧离子含量相对较高的清新空气。

图1 负氧离子浓度的日变化曲线

2.2 负氧离子浓度月变化

开化县负氧离子浓度具有明显的季节变化特征，夏季最高，冬季最低(图2)，这与前人研究结论一致[7-9]。开化县1月负氧离子浓度最低，7月负氧离子浓度为全年峰值，1月和7月之间负氧离子浓度差值高达2 400个·cm-3。

图2 负氧离子浓度的月变化曲线

2.3 日均负氧离子浓度预报模型的建立

选取日雨量、日平均气温、日最高气温、日最低气温、日最大风速、日极大风速、日平均湿度、日平均PM2.5、日平均PM10、日均露点温度、日均水汽压、日均露点温度差、日照、日均能见度、14时温度、14时露点温度、14时水汽压、14时最大风速等气象要素作相关性分析，并建立逐步回归预报方程。结果表明：日均负氧离子浓度与气温、极大风速、湿度、露点温度、能见度及14时温度、露点温度、水汽压呈正相关；和PM2.5、PM10、露点温度差呈负相关；和雨量、日照的相关性不明显，未通过显著性检验。

选择线性、对数、二次多项式等多种函数进行曲线拟合，选取最优方式进行逐步回归，选取R2最大且通过显著性检验的模型。日均负氧离子浓度与气象因子间多以二次多项式或三次多项式为优，具体参数略。以气温为例，通过曲线拟合，其中三次多项式模型的R2最大，为0.211，且通过了0.01的显著性水平检验。由此建立的预报方程：

通过逐步回归方法，建立预报方程：

式中，Y为日均负氧离子浓度，T为日均气温，PM10为日均PM10浓度，Td为日均露点温度。

选取2015年1月1日至2月10日的逐日负氧离子浓度作为检验样本，其模型计算值与实测值对比如图3所示。其中，线性逐步回归方程的预报效果明显优于气温的三项式方程。其预报值与实测值两者的相关系数达0.723，具有较好的预报能力。

图3 日均负氧离子浓度观测值与模型计算值对比

2.4 负氧离子浓度日变化预报模型的建立

2.4.1 负氧离子浓度日变化与气象因子关系

选取气温、水汽压、露点温度、露点温度差、相对湿度、日照时数、PM2.5和PM10等因子作相关性分析。结果表明，负氧离子浓度的日变化与气温(R2=-0.803)、水汽压(R2=-0.710)、露点温度(R2=-0.528)、露点温度差(R2=-0.742)、PM2.5(R2=-0.581)和PM10(R2=-0.683)呈极显著负相关(P<0.01)。负氧离子浓度的日变化与相对湿度呈极显著正相关(R2=0.755，P<0.01)。说明负氧离子浓度日变化受气象要素影响较大，日照时数与负氧离子浓度的日变化没有明显的相关性。

2.4.2 负氧离子浓度日变化预测模型的建立

选择线性、对数、二次多项式等多种函数进行曲线拟合，选取最优方式进行逐步回归，选取R2最大且通过显著性检验的模型。以气温为例，通过曲线拟合，二次多项式模型的R2最大，为0.718，且通过了0.01的显著性水平检验。

因此，负氧离子浓度日变化和温度的回归模型选择二次多项式来建立，其回归方程为

有研究表明，湿度模型较温度模型更切合实际[10]，开化县负氧离子浓度日变化和湿度的回归模型方程为

式中，H表示相对湿度。

同样，负氧离子浓度日变化和水汽压、露点温度、露点温度差、PM2.5及PM10的回归模型都以二项式最优，具体方程略。由此可见，负氧离子浓度日变化和主要的气象因子并不是呈简单的线性关系。以气温为例，负氧离子浓度与气温的日变化总体呈负相关，但并非单一的负相关关系；根据极值分析，当气温>20.4 ℃时，负氧离子浓度日变化与气温呈正相关，反之，呈负相关，这与王宝等[10]的研究结果一致。

通过线性逐步回归建立的预报方程为：

经过线性化建立的逐步回归方程：

考虑季节因素，进一步将冬季(12—2月)、春季(3—5月)、夏季(6—8月)、秋季(9—11月)数据分别进行曲线拟合。以春季为例，负氧离子浓度和气温的二次多项式模型的R2最大，为0.3，且通过了0.01的显著性水平检验。其关系式为

负氧离子浓度日变化和湿度的回归模型其回归方程为：

通过线性逐步回归建立的预报方程为：

经过线性化建立的逐步回归方程：

式中：Y为负氧离子浓度日变化，T为气温，H为相对湿度，Td为露点温度。其他季节方程略。

2.4.3 负氧离子浓度日变化预测模型的检验

将各相关数据回代预测模型(3)(4)(5)(6)，计算出的预测值与实测值相比较，变化趋势基本一致，但预测值与实测值差别较大，表明方程具有一定的预测能力。同时，方程(5)(6)考虑了气温和湿度两方面的因素，其结果也更为接近实测值。经过线性化处理的预报模型与线性预报方程结果较为接近，但其预测结果未有明显提升。

在考虑了季节因素后，其预报结果有了明显提高。如图4所示，根据全年预报方程计算出的春季负氧离子浓度总体较实况偏大明显，而使用春季预报模型，其预报值和实况值差值减小。

图4 负氧离子浓度观测值与模型计算值对比

选取开化县2016年3月29日的气象数据作为检验样本，从图5可以看出，其预报值和实测值差值较大，分级后的模型较分级前有所进步。表明季节分型的负氧离子浓度日变化预报模型较全年模型有明显提高，具有一定的预测能力，但离实际应用还有较大距离。

图5 2016年3月29日负氧离子浓度观测值与模型计算值对比

3 小结

开化县负氧离子浓度特点如下：1)大致呈正弦波分布，夜间高，白天低。6：00左右达到最高值，13：00和20：00前后达到最低值。2)负氧离子浓度具有明显的季节变化特征，夏季最高，冬季最低；1月负氧离子浓度最低，7月负氧离子浓度最高。3)影响负氧离子浓度的气象因子主要是露点温度和PM10，且均与负氧离子浓度呈负相关关系但并非单一的负相关关系，负氧离子浓度日变化主要受气温和相对湿度的影响。

由于观测资料问题，所建立的预报模型较粗略，有待于进一步改进。理论上同一地区周边环境无明显变化时，负氧离子浓度受气象要素影响明显，利用气象因子可建立合适的预报模型，但在实际观测中，2～3 m的距离即可造成负氧离子浓度数据较大的偏差，因此，气象因素之外的影响条件有待进一步研究。

[1] 陈雅芬. 空气负离子浓度与气象要素的关系研究[D]. 南昌: 南昌大学, 2008.

[2] 叶采华, 王晓云. 空气中负离子浓度与气象条件关系初探[J]. 气象科技, 2000, 28(4): 51-52.

[3] 丛菁, 孙立娟. 大连市负氧离子浓度分布及预测模型的建立[J]. 气象与环境学报, 2010, 26(4): 44-47.

[4] 谭东, 张样盛, 杨娟. 茶山竹海负氧离子浓度分布状况及变化规律初探[J]. 环境影响评价, 2010, 32(3): 26-28.

[5] 周晓香, 洪辉, 王钰. 资溪县城空气负离子特征及与气象因子相关性分析[J]. 气象与环境学报, 2007, 23(6): 32-34.

[6] 韦朝领, 王敬涛, 蒋跃林, 等. 合肥市不同生态功能区空气负离子浓度分布特征及其与气象因子的关系[J]. 应用生态学报, 2006, 17(11): 2158-2162.

[7] 顾小丽, 钱燕珍, 鲍岳建,等. 宁波市负氧离子浓度分布与预测模型及其在旅游气象中的应用[J]. 气象与环境学报, 2013, 29(6): 128-133.

[8] 吴楚材, 郑群明, 钟林生. 森林游憩区空气负离子水平的研究[J]. 林业科学, 2001, 37(5): 75-81.

[9] 邵海荣, 贺庆棠, 阎海平, 等. 北京地区空气负离子浓度时空变化特征的研究[J]. 北京林业大学学报, 2005, 27(3): 35-39.

[10] 王宝, 解福燕, 张自祥, 等. 玉溪空气负氧离子预测模型的建立[J]. 高原气象, 2015, 34(1):251-257.

(责任编辑：侯春晓)