卢盛栋，李 芬*，蔡兆鑫，李 强，牛永波，陈 玲，贺洁颖

（1.山西省气象灾害防御技术中心，山西 太原 030012；2.山西省气象科学研究所，山西太原 030002）

随着城市化的发展及工业进程的加快，环境污染已成为人们关注的焦点。空气质量较好的环境下适宜人们出游活动，较差的空气质量不仅不适合人们外出，还会诱发诸多疾病[1]。空气质量影响因素复杂，不仅与当地污染物[2-4]排放有关，还受当地地形地貌[5]、气象条件[6-9]的影响，近年来，空气质量变化特征及其影响因素受到广大学者的广泛研究[10-16]。朱红蕊等[12]分析了气象因子对哈尔滨空气质量的影响，发现空气质量与降水、风速为负相关，与气压以正相关为主，后半年相关性比较显著，相对湿度对空气质量的影响秋冬季表现为正相关，5—9月表现为负相关。毛卓成等[13]分析了上海地区空气质量与气象条件的关系，结果表明在冬季平均风速减小、逆温强度增强和次数增多条件下易导致PM2.5浓度显著上升。熊世为等[14]分析了滁州市空气质量与气象要素的关系，发现降水量与污染物浓度呈负相关，降水对污染物的湿沉降作用显著，但弱降水也能使空气质量变差，可能原因是弱降水能使空气湿润，大气中的雾滴容易吸附污染物，使得污染物在空气中长时间滞留[15-16]。

气象因子与空气质量指数的定量关系研究，诸多学者多采用逐步回归分析方法[17-20]。白雪等[20]利用逐步回归的方法，以气温、风速、气压等气象要素和前一时段空气质量构建了锦州市空气质量预报方程。姚清晨等[21]利用相关分析、小波分析方法研究了空气质量变化特征及与气象因子的关系。该模型都有一定的适用性，但此类模型都为固定参数模型，而气象因子对空气质量的影响具有双重性，即同一个气象因子对空气质量指数的影响在不同时间尺度上可表现为显著正相关，也可表现为显著负相关，因此固定参数模型准确率明显下降，误差增大。神经网络方法具有良好的容错性，在气象预报领域已经有了广泛应用[22-24]，本文引进神经网络方法，对逐步回归方法构建的模型具有一定的修正能力。

太原是山西省会，华北地区重工业城市之一，污染物排放较大。近年来广大学者对太原地区空气质量进行了研究[25-28]。马杰[25]利用2014年空气质量与气象数据，分析了山西省11个地级市空气质量变化特征及气象要素对空气质量的影响；闫世明等[26]研究得出太原市秋冬季大气污染特征和输送路径；赵莹等[27]研究了太原市空气质量空间分布特点；戴燕燕等[28]分析了空气质量与污染物浓度的相关性。以上关于太原地区空气质量的研究大都采用2013—2016年空气质量指数及气象因子日平均数据，然而，近几年山西转型发展步伐加快，城市扩容，特别是南部小店区，与周围的晋中市同城化发展，空气质量及其影响因子也发生了显著变化。本文利用2017—2019年太原小店区空气质量指数及气象逐时观测数据，较日平均数据更精准、全面，分析了气象因子对空气质量的影响，利用神经网络方法构建了气象因子与空气质量指数的关系模型，并进行检验。与逐步回归固定参数模型相比，该模型误差较小、准确率高，为太原地区空气质量预报提供科学参考。

1 资料与方法

文章使用了2017—2020年太原小店区气象、空气质量逐时观测数据（去掉奇异值），时间为北京时间。其中，气象数据由山西省气象信息中心提供，空气质量数据由山西省环境质量监测中心提供。

空气质量指数（Air Quality Index，AQI）是根据2012年环保部门颁布实施的《环境空气质量指数技术规定》（HJ633-2012）[29]提出的，即对某一时段PM2.5、PM10、O3、NO2、SO2、CO 6种污染物浓度经过换算，最大值计为空气质量指数，当空气质量指数＞50时，对应的污染物为首要污染物[29]。空气质量等级见表1。

表1 空气质量等级

使用神经网络方法构建了气象因子与AQI的关系模型。神经网络是一种前馈性神经网络，有信号前向传递、误差反向传播的特点[23]。输入信号从输入层、隐含层逐层处理直至输出层，隐含层设10个节点，根据预测误差调整网络权值和阈值，使预测输出不断逼近期望输出。

在模型检验时，用到平均绝对误差（公式1）和准确率，定义如下：

其中，Fi为空气质量指数模拟值，Oi为空气质量指数实况值，n为样本个数。准确率采用了中国气象局减灾司空气质量预报评分规定：为满分100；25＜≤50为50分，＞50为0分。因此，准确率指标值为25。

2 结果与分析

2.1 太原空气质量及主要气象因子变化特征

2017—2019年太原空气质量6个等级均出现过，其中，良占比最大，为51.9%；其次为轻度污染占24.31%，优占12.1%；严重污染最少，占1.9%。图1给出12个月空气质量不同等级分布，1和12月空气质量较差，严重污染等级分别高达10.94%、5.03%，1月优等级为6.6%，12月仅为3.26%。2—5月及10—11月，空气质量逐渐转好，优等级在10%左右，严重污染较低，为2%左右。6—9月是太原地区空气质量较好的月份，没有出现严重污染等级，其中8月最好，优等级占25.21%，最差为中度污染，仅为0.56%，没有出现重度污染及严重污染等级。

图1 太原市逐月空气质量指数各等级占比分布

为进一步了解太原地区各月首要污染物成分，文章统计了2017—2019年太原各月份逐时段首要污染物及所占比例（图2）。由图2可知，太原首要污染物均为颗粒物，1—2月以PM2.5为主，3—12月以PM10为主。4—10月出现臭氧污染，其中，6—7月臭氧污染较多，SO2和NO2作为首要污染物较少。可见，太原地区首要污染物以颗粒物污染为主。

图2 太原市逐月首要污染物占比分布

图3给出了2017—2019年AQI及主要气象因子月均值分布。其中，由于降水不具有连续性，降水数据采取了逐月降水总和的年均值。由图3可知，太原地区1—2月AQI均值在100以上，1月空气质量最差；从3月开始，空气质量逐渐好转，AQI均值在100以下，为优良等级。分析原因可能是3月开始太原地区大风逐渐增多，驱使污染物扩散。7—8月为全年空气质量较好的月份，其中8月最好。7—8月太原地区降水增多，相对湿度较大，对污染物湿沉降作用显著，且气温较高、气压较低，空气活跃，有助于污染物的垂直对流。11月太原地区供暖开始，AQI月均值上升到100以上，污染较明显。11月—次年2月，空气质量较差，均值在100以上，为全年易污染月份。

图3 太原空气质量指数（a）、气温（b）、相对湿度（c）、风速（d）、降水（e）、气压（f）月分布

2.2 主要气象因子对AQI的影响

AQI与首要污染物随时间变化特征明显，表明AQI受同时段气象因子变化影响较大。表2给出近3 a太原地区逐月AQI与主要气象因子的相关系数。9月—次年2月气温与AQI呈显著负相关，可能原因是气温越低，空气活动减弱，容易形成稳定层，不利于污染物扩散。由表2也可看出，5—8月，太原地区气温与AQI呈正相关，且通过0.01的显著性检验，可能原因是这几个月气温较高，往往伴有雨水，对污染物进行冲洗，空气质量好转。

表2 太原地区逐月空气质量指数与气象因子的相关系数

相对湿度与AQI主要表现为正相关、强相关，尤其在8月—次年3月呈显著相关，可能原因是湿度越大，空气中雾滴容易吸附污染物，使得污染物长期在空中滞留。但6—7月相对湿度与AQI呈显著负相关，原因可能是相对湿度较低，并常伴有大风天气，大风容易引发沙尘天气，使空气质量变差、AQI偏高。该时段首要污染物主要为PM10，也说明大风使颗粒物浓度升高。

风速与AQI主要表现为负相关，8月—次年3月呈显著强相关，这是因为风促使污染物水平扩散，降低污染物浓度。5—7月，风速与AQI表现为正相关，且在6月通过了0.05的显著性检验。可能是因为在该时段，风速较大易引起沙尘天气，使空气质量变差，且该时段恰好与相对湿度和AQI呈负相关的时段吻合。

降水与AQI主要为负相关，且在5—11月显著，通过了0.01的显著性检验。因为降水对空气具有净化作用，使污染物沉降明显[12]。但12月—次年2月表现为正相关，相关系数较小，为极弱相关，可能原因是太原处于供暖期，污染物排放较多，降水较少，少量的降水不但不能冲刷污染物，反而增加空气湿度，使得大气中的水汽吸附污染物长期滞留在空中，加剧空气质量恶化。这也与蒲维维[15]、张夏琨[16]等的研究结论一致。

气压与AQI主要表现为负相关，并在7月—次年4月显著，可能原因是近地面气压大，容易造成污染物水平扩散，降低了污染物浓度，使空气质量变好。5月表现为弱正相关，可能原因是地面气压小，容易造成污染物在垂直方向扩散，使空气质量变好。朱红蕊等[12]研究哈尔滨空气质量与气象要素的关系，发现哈尔滨地区气压与空气质量主要表现为正相关，这与太原地区正好相反，这可能与太原三面环山，同时气压升高，促使污染物水平流动有关。

综上所述，气象因子对空气质量指数的影响具有双重性，在不同时间尺度上基本表现为显著的正相关或负相关。

2.3 易污染月空气质量及主要气象因子的变化

由图3a可知，太原11月—次年2月，AQI均值在100以上，统一称为易污染月。研究易污染月空气质量对该地区具有重要的意义。分析2017—2019年太原易污染月不同等级下空气质量指数和各气象因子的均值及不同等级出现频率（表3），由于降水不具有连续性，降水数据为易污染月各污染等级累加年平均所得。由表3可知，易污染月空气质量以良为主，占比为40.65%；严重污染的发生频率最少，为4.59%。

随着空气污染加重，气温、风速、气压逐渐降低，相对湿度逐渐升高，特别在严重污染时段，相对湿度达70.69%，且风速降至1 m/s以下，相对湿度、风速变化显著。由表2可知，在易污染月，相对湿度、风速与空气质量指数相关系数较大，呈强相关，气温、气压相关系数较低，呈弱相关。由表3可知，在易污染月，空气质量受相对湿度、风速影响较大。

在易污染月，降水和AQI呈极弱正相关（表2），降水数据变化不明显（表3），所以在易污染月降水不是主要影响因子。在易污染月，太原地区降水偏少，降水样本数据也较少，在以后的研究中，将增加资料时段，以得到更准确的分析结果。

表3 2017—2019年易污染月不同等级下的空气质量指数及气象因子

为进一步验证易污染月太原地区空气质量主要受相对湿度、风速的影响，选取典型个例加以分析。2019年1月5日09时—1月8日13时太原出现一次典型的空气污染过程，空气质量指数最高达362，属于空气质量严重污染级别。由于该时段没有降水，所以分析过程没有降水数据变化。

由图4可知，1月5日09时，空气质量指数为68，属于二级良，但随着风速急剧降低，空气质量不断恶化。5日21时，风速降为0，AQI上升到279，之后随着相对湿度不断增大，空气质量持续恶化。6日07时，空气质量高达317，此时相对湿度达89%，风速为0，气压较低，为933.6 hPa，气温为一日中最低，为-14℃，之后随着相对湿度降低，风速逐渐增大，空气质量逐渐好转。6日11时，风速处于波峰，为2.2 m/s，此时相对湿度持续降低，AQI出现短暂波谷，为247，之后风速降低，相对湿度升高，空气质量又出现恶化。7日03时，AQI出现波峰，为362，此时相对湿度处于波峰88%，风速为0，之后相对湿度降低，风速增大，气压升高，空气质量逐渐好转。8日13时，相对湿度为20%，风速达2.9 m/s，AQI为56，在15时空气质量指数为46，属于一级优，此次空气污染过程结束。整个过程，空气质量指数的波峰（谷）与相对湿度的波峰（谷）及风速的波谷（峰）较为一致，说明，相对湿度、风速对空气质量指数影响显著。

图4 2019年1月5日9时—1月8日13时空气污染过程空气质量指数、相对湿度、气压（a）以及气温、风速（b）的变化特征

2.4 空气质量指数与气象因子的关系模型初探

逐步回归是将变量逐个引入，如果原变量由于新变量的引入不再显著则将其删除，直到没有显著变量引入回归方程，也没有不显著变量删除为止。相关研究表明[18-19]，上一时段空气质量指数对下一时段空气质量指数具有显著影响，使用气温、相对湿度、降水、风速、气压、上一时段空气质量指数及同一时段空气质量指数逐时数据，利用逐步回归方法构建AQI与气象因子的关系模型为：y=7.671+0.935X1+0.03X2-1.586X3，其中，X1、X2、X3分别代表上一时段空气质量、相对湿度、风速。

同一个气象因子在不同时间尺度对空气质量指数的影响具有双重性，固定参数模型易产生误差。神经网络具有良好的容错性，现在以气温、相对湿度、降水、风速、气压、上一时段空气质量指数为自变量，空气质量指数为因变量，以2017年1月—2019年10月数据为训练模型，以2019年11—12月数据为模拟期，构建神经网络模型。

图5给出了两种不同模拟方法的拟合结果，两种模型都有一定的模拟效果，但相比逐步回归分析，神经网络模拟值更趋向对角线集中，决定系数R2由0.9提高到0.94，相关系数由0.92提高到0.97，模拟准确率由91%提高到94%，平均绝对误差由11.08降到8.63，神经网络模型模拟效果更佳。

图5 逐步回归分析模型（a）和神经网络模型（b）的拟合结果

两种不同模拟结果，误差均呈正态分布（图6），两种模拟结果误差主要集中在20以内，其中逐步回归分析模拟结果误差＜20的概率为90%，神经网络模拟结果误差概率提高到93%，说明神经网络方法构建的气象因子与空气质量指数关系模型的误差更集中。

图6 逐步回归分析模型和神经网络模型误差分布的正态曲线

选取太原市2020年1月空气质量及气象逐时数据，对两种模型进行分级检验。2020年1月太原市出现多次空气污染，轻度级以上污染占全月的68%。以空气质量指数实况值及模拟值100为分界线（轻度污染指数阈值），将模拟结果散点图分成4个区域（图7），分别为Ⅰ、Ⅱ、Ⅲ、Ⅳ，对应的散点落在各自区域的点数分别计为a、b、c、d，利用对应公式，分别计算TS评分、漏报率和空报率，结果见表4。由表4可知，两种模型的TS评分都在0.9以上，漏报率都在10%以下，都有一定的模拟效果，但相比逐步回归模型，神经网络模型TS评分由0.92提高到0.94，漏报率由8%降到5%，空报率由17%降到13%，神经网络模型模拟效果更佳，为太原地区治理大气污染提供决策依据。

图7 对于2020年1月两种不同模型的拟合结果

表4 两种不同模型的分级检验

3 结论

（1）2017—2019年，太原地区空气质量6个等级均出现过，其中，良占比最大，为51.9%，轻度污染占24.3%，优占12.1%，严重污染出现次数最少，为1.9%。1、12月空气质量较差，严重污染等级分别高达10.9%、5.1%，8月空气质量最好，优等级占25.2%。1—2月太原地区首要污染物为PM2.5，其它月以PM10为主。太原地区11月—次年2月为空气质量易污染月，AQI均值在100以上。

（2）气象因子AQI的影响具有双重性，在不同时间尺度上表现为显著的正相关或负相关。气温和AQI在1—2月，9月—次年2月表现为显著负相关，5—8月呈显著正相关。相对湿度和AQI在8月—次年3月表现为显著正相关且相关系数较大，6—7月呈显著负相关。风速和AQI在8月—次年3月表现为显著负相关且为强相关，5—7月为正相关。降水与AQI主要表现为负相关，5—11月通过-0.01的显著性检验，每年12月—次年2月为极弱正相关。气压和AQI主要表现为显著负相关。

（3）在易污染月，太原地区空气质量以良为主，占比为40.7%；其次为轻度污染，占比为24.8%；严重污染最少，为4.6%。随着空气质量的恶化，平均气温、风速、气压逐渐降低，相对湿度均值升高。在易污染月，相对湿度、风速与AQI的相关系数较高，分别为0.724、-0.622，表现为强相关，选取个例也表明AQI受相对湿度、风速影响较大。

（4）利用逐步回归和神经网络构建气象因子与空气质量指数关系模型，与逐步回归模型相比，神经网络模型相关系数由0.92提高到0.97，准确率由91%提高到94%，TS评分由0.92提高到0.94，神经网络模型模拟效果更佳，为太原地区治理大气污染提供重要的决策依据。