潘文超，郝金明，徐海鑫，吴　帅

(信息工程大学，河南 郑州 450052)

Research on the Air Quality Index Forecast Using IGS Tropospheric Products

PAN Wenchao，HAO Jinming，XU Haixin，WU Shuai



利用IGS对流层产品预报空气质量指数研究

潘文超，郝金明，徐海鑫，吴帅

(信息工程大学，河南 郑州 450052)

Research on the Air Quality Index Forecast Using IGS Tropospheric Products

PAN Wenchao，HAO Jinming，XU Haixin，WU Shuai

摘要：空气质量指数用来反映雾霾对大气的污染状况，如何对空气质量进行预报成为研究的重点和难点。空气质量指数与近地面气象参数相关，本文简要介绍了常用的空气质量预报方法及卫星数据观测预报的优势。利用北京房山IGS站气象数据文件，建立了空气质量指数预报的多元线性回归最小二乘模型和卡尔曼滤波模型。结果表明卡尔曼滤波模型得到的预报值与实际值的相关系数和RMS分别为0.995和7.532，均显著优于多元回归模型。为了验证模型的适用性和效果，选用了雾霾较少的2014年夏季气象数据和空气质量指数数据，试验发现：采用卡尔曼滤波模型得到的相关系数和RMS分别为0.985和7.378，预报值与实际值符合得很好，且预报精度较高。本文验证了利用卫星导航地面气象参数进行空气质量预报的可行性，为下一步利用卫星导航系统对流层产品对空气质量进行监测和预报奠定了一定的研究基础。

关键词：雾霾；IGS；空气质量指数；卡尔曼滤波

雾霾是雾和霾的统称，是一种大气的污染状态，其中PM2.5(空气动力学中直径小于等于2.5 μm的颗粒物)被认为是造成雾霾天气的“元凶”[1-2]。报告显示，中国最大的500个城市中，只有不到1%的城市达到世界卫生组织推荐的空气质量标准。因此，对雾霾的监测和预报成了十分迫切和重要的课题。

雾霾的厚度为地面以上1~3 km，当前对雾霾的判断主要依靠地面气象站的实测数据，虽然可以得到较为准确的雾霾信息，但只能在站点附近有限的区域内进行，难以反映出雾霾的范围、动态变化的趋势。而卫星观测具有宏观性、时效性、经济性、真实性、信息源可靠等诸多优势[3]。

全球卫星导航系统的建成投入使用，不仅在导航领域有着广泛的应用，更促进了相关领域的研究和发展。近年兴起的GPS/MET，通过研究影响GPS精密定位和数据处理主要误差源之一的对流层延迟，求解出包含大气折射信息的大气折射量，来反演大气中的水汽分布，从而进行气象学研究和天气预报[4]。国际GNSS服务组织(International GNSS Service，IGS)通过网络可以近乎实时地提供高精度的GPS观测数据、卫星星历、高质量的卫星轨道、电离层数据和对流层数据等服务，为当今许多重大科学项目和课题的研究提供了数据支持，如国际地球参考框架的实施与改进、固体地球的形变的监测、对流层效应及气候学研究和异常恶劣天气的预报等[5-6]。

本文利用IGS提供的对流层相关产品，提出两种AQI预报模型，得到了有参考意义的结果。

一、空气质量指数预报

通常采用空气质量指数(air quality index，AQI)来对雾霾信息表征，空气中的主要污染物有PM2.5、PM10、二氧化硫、一氧化碳等。空气质量指数是定量描述空气质量状况的无量纲指数[7]。针对单项污染物还规定了空气质量分指数(individual air quality index，IAQI)。参与空气质量评价的主要污染物为细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等6项。

二、模型建立和AQI预报

本文选用国家环保部官网上发布的城市日(24-hour average)AQI和北京市环保局官网上提供的北京市各监测点的每小时(1-hour average)AQI和IAQI数据，分别选取了2012、2013和2014年雾霾多发的春冬两季[15]。数据较为连续，数据质量较高且相对完整，天气状况较为稳定且无大的水汽波动和降雨天气，年积日为47—76共计30 d的AQI数据。同时选用了位于北京房山的IGS站BJFS，获取了对应时段包含气温(T)、气压(P)和相对湿度(H)气象数据(M)文件。下面将利用BJFS站的P、T、H3个基本参数分别建立线性回归最小二乘模型和卡尔曼滤波模型，来对AQI进行预报和模型精度评定检核。

1. 线性回归最小二乘模型

式中，X0j=1，k=0,1,…,N。通过推导变换可化为如下求解多元线性回归最小二乘解的正规方程组

(1)

(2)

式中,P为测站气压；T为测站温度；H为测站相对湿度。

2. 卡尔曼滤波模型

设卡尔曼滤波的量测方程为yi=b0+b1x1i+b2x2i+…+bmxmi+li，li为量测噪声。在卡尔曼滤波系统中，将b0、bi作为状态向量，从t-1时刻到t时刻变化的过程中有状态向量bt=bt-1+lt-1，表明状态向量从bt-1变化到bt受到动态噪声lt-1的影响。其中动态噪声lt-1与量测噪声li均为随机向量，并假定它们互不相关，均值为0，方差分别为W、V的白噪声，应用广义最小二乘法，得到如下公式

(3)

Rt=Ct-1+W

(4)

(5)

(6)

(7)

(8)

3. 误差分析

通过对数据处理，采用多元回归模型和卡尔曼滤波模型得到AQI预报值，与AQI实际值作对比。限于篇幅，这里只给出2014年模型预报值与实际值的变化图。

从图1中可以看出，多元回归模型得到预报值曲线较为平滑，与实际值相比基本可以反映AQI等的变化趋势，但是峰值和谷值都不明显，偏差较大。相比较而言，采用卡尔曼滤波模型，则能很好地反映真实值的变化趋势，峰值和谷值明显，但存在一定的滞后性，这主要是由卡尔曼滤波的递推特性所造成的，通过加入上一次的修正值，对本次量测值进行预报。通过计算，得到回归模型和卡尔曼滤波模型与实际值的相关系数和RMS，见表1和表2。

图1　2014年AQI模型预报值与实际值

201220132014多元回归0.5320.5370.521卡尔曼滤波0.9310.9650.995

表2　预报值与实际值差值RMS

通过相关系数和RMS比较不难发现，采用卡尔曼滤波模型得到的预报值相较于多元回归模型，都有较大的改善。其中的一个原因可能是由于采用数据量相对较少，因此不能很好地利用多元回归模型得到较为准确的预报值。而在数据量较少的情况下采用卡尔曼滤波方法得到AQI预报值与实际值的相关系数为0.995，RMS为7.5，能够较好地预报AQI及其变化趋势，且精度较高。

4. 模型验证

为了进一步验证采用卡尔曼滤波模型的精度和有效性，本文选用了2014年积日147—181雾霾较少季节共30 d的BJFS的M文件和1 h分辨率的AQI数据。采用相同的处理方法，首先使用多元回归模型确定回归系数初值，然后利用卡尔曼滤波模型进行AQI预报，并作相应的误差分析。对数据进行处理，得到线性回归方程

YAQI=273.8-0.559 9P+9.996 9T+1.672 3H

(9)

以回归模型系数初始值作为卡尔曼滤波模型初值，通过模型得到预报值。

由图2不难发现，采用卡尔曼滤波模型得到的AQI预报值要远远好于多元回归模型，基本与实际值的变化相一致，而多元回归模型变化则较为平缓，峰值表现不明显，二者与实际值的相关系数和RMS见表3。

图2　2014年6月份AQI预报值与实际值

相关系数RMS多元回归0.39738.937卡尔曼滤波0.9857.378

综合表1、表2和表3不难发现，采用卡尔曼滤波方法，利用气象参数进行AQI预报精度较高，证明了利用IGS站气象参数进行AQI预报的可行性和有效性。同时，预报值RMS接近10，仍有改进的空间。下一步将进一步研究影响AQI的其他因素，加入更多参数，使得模型的预报精度及时间分辨率更高，以满足日常的监测和预报需求。

三、结束语

由于区域性灰霾天气频发,危害日益严重，如何测量和控制灰霾天气,改善区域环境空气质量,成为我国实现区域可持续发展的关键问题之一。GPS等卫星导航系统的广泛应用为其他领域的研究提供了全新的视角和思路。本文利用IGS提供的站点M文件中的气压、温度和相对湿度参数，对BJFS站AQI建立多元回归模型和卡尔曼滤波模型，对AQI进行了预报，并对预报结果进行了比对分析。试验结果表明：使用卡尔曼滤波模型得到的预报值相对于多元回归模型的预报值，更接近于实际值，具有较高的相关系数和较高的预报精度，为雾霾的监测和预报提供了一种新的思路和方法。各地区CORS系统的全面建设和使用，不仅利于区域导航定位精度的提高，促进地区建设，而且利用广泛分布的地面CORS站。在获取相关的对流层气象参数后，利用本文建立的卡尔曼滤波模型等方法对空气质量进行检测预报，将会节约建立空气质量监测站的费用和人力。同时利用高采样率的CORS站气象数据，将会提高空气质量预报的分辨率。

参考文献：

[1]孙亮.灰霾天气成因危害及控制治理[J].环境科学与管理，2012，37(10)：71-72.

[2]钱凌.南京大气气溶胶的污染特征及其影响因素观测研究[D].南京：南京信息工程大学，2008.

[3]姜杰，查勇，袁杰，等.遥感技术在灰霾监测中的应用综述[J].环境监测管理与技术，2011，23(2)：15-17.

[4]TONG N，ELGERED G．Ground-based GPS for Validation of Climate Ground-based GPS：The Impact of the Elevation Cutoff Angle[J]．Transactions on Geoscience and Remote Sensing，2010，48(10)：10-15．

[5]WANG J，ZHANG L，DAI A．A Gobal, 2-hourly Atmospheric Precipitable Water Dataset from IGS Ground-based GPS Measurements：Scientific Applications and Future Needs[C]∥Proceeding of IGS Workshop．[S.l.]: IGS, 2006：8-11．

[6]MACLEOD K, CAISSY M. Real Time IGS Pilot Project(RT-PP) Status Report[R]. Newcastle: IGS Workshop,2010.

[7]中国环境保护部. 环境空气质量指数(AQI)技术规定：HJ633—2012[S].北京：中国环境科学出版社，2012.

[8]朱红芳，王东勇.合肥市空气质量预报方法[J].气象，2002, 28(5):40-43.

[9]朱玉强.几种空气质量预报方法的预报效果对比分析[J].气象，2004,30(10):30-33.

[10]陈亦君，尤佳红，束炯，等.基于WRF-RTIM的上海地区霾预报MOS方法研究[J].环境科学学报，2014,34(3):574-581.

[11]万夫敬.南京地区降水预报研究[D].南京：南京大学，2011.

[12]刘大杰，于正林.动态测量系统与卡尔曼滤波[J].测绘学报，1988,17(4): 254-262.

[13]陆如华，徐传玉，张玲，等.卡尔曼滤波的初值计算方法及其应用[J].应用气象学报，1997,8(1):34-43.

[14]MALM W C．Characteristics and Origins of Haze in the Continental United-States[J]．Earth-Science Reviews，1992，33(1)：1-36．

[15]童尧青. 南京地区霆天气及其污染特征分析[D].南京：南京信息工程大学，2008

[16]葛茂荣，刘经南.GPS定位中对流层折射估计研究[J].测绘学报，1996, 25(4): 285-291.

[17]张过，陈钽，潘红播，等.基于有理多项式系数模型的物方面元最小二乘匹配[J].测绘学报,2011,40(5):592-597.

[18]BOEHM J，HEINKELMANN R，SCHUH H. Short Note：A Global Model of Pressure and Temperature for Geodetic Applications[J]．Journal of Geodesy, 2007, 81(10)：679-683．

引文格式： 潘文超，郝金明，徐海鑫，等. 利用IGS对流层产品预报空气质量指数研究[J].测绘通报，2016(1)：76-79.DOI:10.13474/j.cnki.11-2246.2016.0019.

作者简介：潘文超(1989—)，男，助理工程师，主要从事卫星导航和对流层方面的研究工作。E-mail:ywsy2008003@yeah.net

收稿日期：2014-11-15

中图分类号：P228.4

文献标识码：B

文章编号：0494-0911(2016)01-0076-04