[01369171]基于数据驱动的宁波市区域环境空气质量预报研究

本项目基于数据驱动研究对宁波大区空气质量监测预报准确度的有效提高方法。项目结合宁波各区域的生态、工业环境、污染源和气象条件,根据采集到的环境监测站的空气质量监测数据、气象数据、污染源等基础信息,建立环境监测的基础数据平台;通过对气象条件的分析,采用统计学习、机器学习及计算智能等方法,提取环境监测的时空特征,研究提高大气污染颗粒物浓度的预报精度的方法,为今后实现业务化应用及区域未来大气污染防治及空气质量保障提供决策支持。 相应的研究内容包括： 1、基础数据平台建立。根据2012 年和2015 年宁波市环境空气污染物观测数据及气象数据,研究污染物、大气能见度、颗粒物吸收和散射特性的历史变化趋势,变化规律等特征,及与工业污染源排放的关系; 采集宁波市及周边地区的空气质量数据以及气象数据,包括了宁波地区如市中心、鄞州、北仑、镇海等多个站点的近年来的环境、气象数据和全市各站点的环境重点污染源排放数据,这些数据呈现复杂的时间关系和空间关系,具有多源、多变量、海量、多尺度、多时相等特点,建立环境空气监测系统的基础数据平台。 结合宁波各站点空气质量的基础数据平台,分析各地区的污染现状,及各颗粒物随季节、地区的变化趋势。根据2012 年和2015 年宁波市环境空气污染物（SO2、NO2、PM10、PM2.5、O3 和CO）观测数据,分析污染物历史变化趋势,季节、月、日变化规律和空间分布特征。 2、预报模型时空特征分析。根据污染物、大气能见度、颗粒物吸收和散射特性的监测数据,研究大气污染物、大气能见度及与气象数据间的相关性,研究各大气污染物颗粒模型的时空特征; 空气质量指数预报数据往往具有时间、空间的依赖性,信息具有明确的过去、现在和未来的顺序,研究时空序列数据的性质对建模非常重要。基于环境监测基础数据平台,分析空气污染物（SO2、NO2、Pm10、P㎡.5、O3 和CO）和大气能见度观测数据,如：按不同的气象条件、不同的时间段及不同的监测站进行空气质量数据分析。可采用的分析方法如：1)协方差系数;2)时间自相关函数和偏相关函数;3)小波的分解与重构;4)多向主成分、独立成分等。分析污染物、能见度的历史变化趋势,季节、月、日变化规律和空间分布特征,通过分析获得不同气象条件、不同的时间段及不同的空间监测站对大气污染物浓度和能见度的时空特征。 3、预报方法研究。通过神经网格、非线性Wiener 时序、模糊建模和智能建模方法,研究提高各大气颗粒物浓度预报准确度的有效方法。从而提高宁波大气区域环境的AQI 预报精度。 基于数据驱动的空气污染物浓度建模是一种有效的空气污染预报方法,至今,国内外对此已开展了较长时间的研究工作。传统建模方法主要有三类：1)回归建模;2)神经网络建模;3)非线性时间序列建模等。经课题组前阶段的数据分析研究,认为大气污染物浓度影响参数众多复杂,监测数据相互间的统计特征不明确以及外界气象条件突然性变化都直接影响空气质量预报的准确度。为此,本项目采用数据驱动的预报建模方法,将结合统计学、小波理论、多尺度技术、计算智能及机器学习等方法研究提高模型预报精度。