GIS技术在空气污染物数值预报中的应用研究

段利军　古意瑾　欧虹伶　吴倩茵　廖志朗

摘要：为实现空气污染物数值预报精度的提升，研究GIS技术在空气污染物数值预报中的应用。选择十六个预报点，通过3S技术采集预报点的地理信息数据、遥感数据与栅格数据、矢量数据。选取12个常规地面观测的相关气象要素作为空气污染物预报试验中的预报因子，利用逐步回归的方式构建该地区的空气污染物预报回归模型。预报该地区各预报点的空气污染物浓度，计算实测值与预报结果之间的平均相对误差与平均绝对误差。实验结果表明，模型对于PM10、NO2、SO2的小时预报整体比较准确，小时预报平均相对误差与平均绝对误差均较低。

关键词：地理信息技术；GIS软件；空气污染物数值预报；逐步回归

中图分类号：X831 文献标志码：B

前言

随着环境问题的严峻与人们环保意识的加强，空气污染问题受到了广泛关注，全球都在积极探讨空气污染问题的解决方案。空气污染问题不仅会对人类健康造成严重危害，引发鼻炎、神经系统疾病、皮肤病、咽喉炎、支气管炎等常见疾病，还会对经济的可持续发展造成很大制约。

特别是近十几年，各种先进技术逐渐普及，使精准的空气污染物预报成为可能，也越来越受到重视。基于该背景对GIS等地理信息技术在空气污染物数值预报中的应用进行分析，以通过在空气污染物预报中应用各种地理信息技术来实现预报精度的提升。对于空气污染物预报问题的研究，目前已经有很多学者提出了多样化的决策评估与数值模拟方法，并实现了多污染物实时协同效应的模拟与多种尺度下的决策评估。

谭小容等人提出通过优化初始条件来提高钟差预报精度的方法，构建初始条件未知的CM（1，1）预报模型，采用原始序列的最新分量求解初始条件；卢健涛等人提出采用WebGIS、大数据、云计算和人工智能等新一代信息技术，研究开发了基于WebGIS的中珠联围洪涝预报预警系统，提供监测监控、预报预警、洪涝模拟、风险展示等综合功能。现对以往的研究成果进行梳理，在空气污染物数值预报中对GIS等地理信息技术进行应用。

1 空气污染物预报回归模型构建

1.1 采集数据

通过GIS技术、GPS技术以及RS技术等地理信息技术对预报中需要的地理信息数据进行采集。通过相关渠道查询某市数据，选择高铁站、军分区路口、市图书馆、文化广场、文体中心、人民公园、市政府广场、河西街道办、第一实验小学、万达购物广场、滨江公园、消防支队路口、第四高级中学、市博物馆、市人民医院、自来水厂16个地点作为预报点。

采集以上预报点的地理信息数据。在位置数据的采集中，地形坐标系选用的是UTM坐标系，将区域计算网格大小定为500 m×500m。

并采集以上预报点的遥感数据与栅格数据、矢量数据。同时还要采集该地区的气象数据，通过区域气象观测站对气象数据进行采集，选取每个预报点最近的区域气象观测站代表该预报点的气象数据。在对采集数据进行导入前，首先实施气象数据的预处理。如当使用的气象数据未达到该有的采集频率，需要对其实施插值处理。在试验中收集2021年8月至2022年7月逐日、逐次的气象数据。

收集的地面气象数据具体包括温度、云量（以基本观测站数据替代）、风速、风向、降水量、相对湿度等。在AERMET模块中导人各种收集数据，通过AERMET模块对该地区预报点的地面平均气压差、边界层廓线、温度梯度等数据进行计算。最后还要对各预报点的前日污染物浓度数据进行采集，采集的污染项目包括PM10、NO2、SO2。

1.2 预报因子选取与模型构建

通过对城市气象条件与空气污染的关系进行分析，可知该市区空气中污染物的清除、稀释、扩散的速度是由天气形势决定的。选取12个常规地面观测的相关气象要素作为空气污染物预报试验中的预报因子。

完成预报因子的选取后，利用逐步回归的方式，构建该地区的空气污染物预报回归模型。构建模型的具体步骤如下：

（1）构建初始预测模型，具体如式（1）：

Cn=B0+B1An1+B2An2+…+B12An12 式（1）

式（1）中，n指时间序列，B指回归因子。

（2）对初始预测模型的方差贡献进行计算，计算公式具体如式（2）：

式（2）中，Wl指第l个变量的方差贡献；dll指逆矩阵内的元素；Gl指对应因子变量的元素。

（3）实施F检验，剔除变量。F检验的公式如式（3）：

式（3）中，WQl指变量方差的最小贡献者；F2是指F分布；uQxx指线性回归方程中引入因子后的偏回归平方和；Q指服从分子自由度。

结合采集数据构建该地区各种污染物的浓度预报方程，以冬季采暖期为例，构建PM10浓度预报方程具体如式（4）：

CPM10=0.001+0.125A1+0. 652A3+0.231A5+0.458A6+0.756A7+0.215A9+0.152A11 式（4）

构建的冬季采暖期的NO2浓度预报方程具体如式（5）：

CNO2=-0.001+0.125A1-0.123A2+0.315A6 -0. 326A7 -0.132A10 -0.326A11 -0.052A12 式（5）

构建的冬季采暖期的SO2浓度预报方程具体如式（6）：

CSO2=0.002+0.563A2-0.254A3+0.325A4 -0. 124A5 -0.315A7 -0.125A8 -0.326A11 式（6）

利用构建模型对该地区各预报点的空气污染物浓度进行预报，计算实测值与预报结果之间的平均相对误差。其中平均相对误差的计算公式具体如式（7）：

式（7）中，Oij指实测值与预报结果之间的相对误差；Jij指模型计算值；Hij指污染物的实测值；O指平均相对误差；i指第i个样本；M指总样本数；j指污染物种类。

计算实测值与预报结果之间的平均绝对误差，计算公式具体如式（8）：

获得测试结果后对测试结果进行分析。

2 实例分析

2.1 工程概况

此次研究选择广西省贺州市作为研究区域，选择十六个预测点完成预测。研究所采用的空气质量数据取自贺州市环保局，包括2021年至2022年期间的SO2、NO2、PM10等数据。气象数据则来源于中国气象局网站，具体选取了贺州市2021年至2022年的气象资料。文章利用连续两年（即2021年至2022年）的日平均污染数据，对主要污染物SO2、NO2、PM10进行了小时级别的预报分析。

2.2 使用设备

在测试中使用的设备包括GIS设备、GPS设备以及RS设备，具体如下：

（1）GIS设备：软件包括移动GIS、ArcGIS En-gine、Maplnfo、MapGIS等GIS软件；基本设备包括计算机主机、磁盘阵列、数字化仪等；扩展GIS设备包括计算机网络设备、全站仪、多媒体系统、图像处理系统、数字测量系统等。

（2）GPS设备：主要包括BS - 7953DN型CPS接收器BS -7953DN和T113_PRO - S3型GPS解析器。

（3） RS设备：主要包括ALS50型机载激光雷达、ADS80型航空摄影数码相机、ALSA+型机载成像光谱仪及ABS型机载双谱扫描仪。

2.3 预报检验结果

2.3.1 PM10的小时预报检验结果

对于选择的十六个预测点，PM10的小时预报检验结果见表1。

根据表1测试结果，所提模型对于PM10的小时预报整体比较准确，小时预报平均相对误差与小时预报平均绝对误差均较低，其中，小时预报平均绝对误差整体低于0. 006，小时预报平均相对误差整体低于16%。对于小时预报平均相对误差来说，春季的误差最大；对于小时预报平均绝对误差来说，冬季采暖期与夏秋季非采暖期的误差最大。

2.3.2 NO2的小时预报检验结果

对于选择的十六个预测点，NO2的小时预报检验结果见表2。

根据表2的测试结果，所提模型对于NO2的小时预报整体比较准确，小时预报平均相对误差与小时预报平均绝对误差均较低，其中小时预报平均绝对误差整体低于0. 008，小时预报平均相对误差整体低于12%。对于小时预报平均相对误差来说，冬季采暖期的误差最大；对于小时预报平均绝对误差来说，夏秋季非采暖期的误差最大。

2.3.3 SO2的小时预报检验结果

对于选择的十六个预测点，SO2的小时预报检验结果见图1。

图1测试结果表明，所提模型对于SO2的小时预报结果同样比较准确，两种均较低，其中小时预报平均绝对误差整体低于0. 005，小时预报平均相对误差整体低于14%。对于小时预报平均相对误差来说，春季的误差最大；对于小时预报平均绝对误差来说，夏秋季非采暖期的误差最大。

3 结束语

为实现大气污染物的精准预测，此次研究开展GIS等地理信息技术在空气污染物数值预报中的应用分析。选取贺州市为研究区域，采集该地区的气象数据、前日污染物浓度数据，选取每个预报点最近的区域气象观测站代表该预报点的气象数据，在AERMET模块中导人各种收集数据，通过AERMET模块对该地区预报点的地面平均气压差、边界层廓线、温度梯度等数据进行计算。选取12个常规地面观测的相关气象要素作为空气污染物预报试验中的预报因子，利用逐步回归的方式，构建该地区的空气污染物预报回归模型。应用GIS等地理信息技术开展空气污染物数值预报，经实例分析表明，该方法可实现比较准确的污染物预报，对于人们安排出行活动、决策部门作出相关决策等具有参考意义。