基于天气分型和气象要素聚类的空气重污染案例判别方法技术

一种基于天气分型和气象要素聚类的空气重污染案例判别方法，包括：利用气象要素历史数据及监测的PM2.5小时数据，从影响大气污染扩散的气象学角度，对影响PM2.5浓度分布的主要天气系统、气象要素进行分型研究，同时结合后向轨迹模式，创新性建立了天气分型及污染物来源分析算法；同时在数值模式模拟预报WRF结果的基础上，与历史上相同季节污染天气的典型天气形势查找相似案例，为空气质量预报服务。本发明专利技术将天气分型法与数值计算模拟法相结合，既提高了预报结果的精确度，又可合理避免数值计算结果中出现的异常情况；建立了自动分型相似性预报方法，提高空气质量预报的业务化；可以分析重污染的成因及来源，极大提高了算法的适用性。

【技术实现步骤摘要】

本专利技术涉及大气环境监测领域，更具体地涉及一种基于天气分型和气象要素聚类的空气重污染案例判别方法。
技术介绍
空气污染物传输、扩散方式受天气驱动，天气类型与大气污染有密切的联系，不同地区开展天气分型的相关研究具有很重要的指示意义。天气分型是通过对历史天气图的分析，研究总结出各种天气所对应的天气系统形势分布特征，在预报空气质量时作为参考。全面了解北京市污染天气分型情况，可以为空气质量预报提供可靠的依据。传统的天气分型主要针对不利于污染物扩散的天气形势，且针对污染过程，不能自动进行计算，还需要手工判断。如何开发一套基于大数据建立的天气分型自动计算方法，是目前天气分型研究的难点。
技术实现思路
有鉴于此，本专利技术的主要目的在于提供一种基于天气分型和气象要素聚类的空气重污染案例判别方法，以解决上述技术问题中的至少之一。为了实现上述目的，本专利技术提供了一种基于天气分型和气象要素聚类的空气重污染案例判别方法，包括以下步骤：步骤1：收集待预测区域的历年PM2.5与气象要素的观测数据，将历年PM2.5观测数据按时间序列一一排列，并与气象要素的观测数据对应，得到一组PM2.5实测浓度变化的序列；步骤2：采用收集的待预测区域的历年气象要素的观测数据对上述待预测区域的气压场进行WRF模拟，对WRF模拟的所述待预测区域内长时间序列的地面气压场进行分析，得到不同的天气分型，进而将不同天气分型所对应的时间序列抽出；步骤3：将步骤2与步骤1中的时间序列对应的天气分型及PM2.5实测浓度变化的序列进行统计分析，得到不同天气分型下PM2.5浓度的分布特征；步骤4：将步骤2中得到的WRF模拟的不同天气分型对应的时间序列输入到hysplit模型中，进行48h后向轨迹聚类分析，得到待预测区域的PM2.5浓度分布与不同天气分型对应的气团轨迹聚类，即得到了不同天气分型下PM2.5的来源；基于步骤3和步骤4建立不同天气分型对应的PM2.5浓度分布及来源的案例库；步骤5：采用WRF预报的气象数据，对所述待预测区域在未来预测时间时的天气状况进行WRF模拟，得到预测的天气分型，将所述天气分型与案例库进行相似性匹配，即得到所述待预测区域在未来预测时间时的PM2.5浓度分布及来源。基于上述技术方案可知，本专利技术的方法具有如下有益效果：(1)不同的天气形势，反映了各种气象因子对空气质量的综合影响，在一定的污染源下，可能对应不同的大气污染等级，所以对不同污染等级对应的大气环流进行分型，对空气质量预报、总量控制等具有重要意义；本方法形成了基于图像自动识别的天气分型方法，并建立了基于天气分型的空气污染过程的案例库，该案例库包括基本的天气类型、PM2.5浓度分布及污染气团的来源三个属性；(2)将天气分型法与数值计算模拟法相结合制作天气预报，既提高了预报结果的精确度，又可合理地避免了数值计算结果中出现的异常情况；过去天气分型的过程都是人工完成的，其中会难以避免地出现各种人为造成的误差，影响天气分型法的效果；本专利技术建立了自动分型相似性预报方法，提高空气质量预报的业务化。且本专利技术与后向轨迹模式结合，可以分析重污染的成因及来源，极大提高了算法的适用性。附图说明图1为本专利技术的地面天气分型和污染气团追踪分析的计算方法的流程图；图2为北京市2013～15年PM2.5与九种天气分型关系的柱状图；图3为北京市2013～15年PM2.5与不同气团轨迹对应的浓度图；图4为北京市2013～15年PM2.5与不同天气分型对应的气团轨迹聚类的原理示意图；图5为北京市2013～15年PM2.5与不同天气分型对应的气团轨迹聚类的实际结果示意图；图6为北京市2013～15年九种不同天气类型对应的PM2.5来源。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术作进一步的详细说明。本专利技术公开了一种基于天气分型和气象要素聚类的空气重污染案例判别方法，利用气象要素历史数据及监测的PM2.5小时数据，从影响大气污染扩散的气象学角度，对影响PM2.5浓度分布的主要天气系统、气象要素进行分型研究，同时结合后向轨迹模式，创新性建立了天气分型及污染物来源分析算法；同时在数值模式模拟预报WRF结果的基础上，与历史上相同季节污染天气的典型天气形势查找相似案例，为空气质量预报服务。更具体地，本专利技术的基于天气分型和气象要素聚类的空气重污染案例判别方法，包括以下步骤：步骤1：收集待预测区域的历年PM2.5与气象要素的观测数据，将历年PM2.5观测数据按时间序列一一排列，并与气象要素的观测数据对应，得到一组PM2.5实测浓度变化的序列；步骤2：采用收集的待预测区域的历年气象要素的观测数据对上述待预测区域的气压场进行WRF模拟，对WRF模拟的待预测区域内长时间序列的地面气压场进行分析，得到不同的天气分型，进而将不同天气分型所对应的时间序列抽出；步骤3：将步骤2与步骤1中的时间序列对应的天气分型及PM2.5实测浓度变化的序列进行统计分析，得到不同天气分型下PM2.5浓度的分布特征；步骤4：将步骤2中得到的WRF模拟的不同天气分型对应的时间序列输入到hysplit模型中，进行48h后向轨迹聚类分析，得到待预测区域的PM2.5浓度分布与不同天气分型对应的气团轨迹聚类，即得到了不同天气分型下PM2.5的来源；基于步骤3和步骤4建立不同天气分型对应的PM2.5浓度分布及来源的案例库；步骤5：采用WRF预报的气象数据，对待预测区域在未来预测时间时的天气状况进行WRF模拟，得到预测的天气分型，将天气分型与案例库进行相似性匹配，即得到待预测区域在未来预测时间时的PM2.5浓度分布及来源。其中，步骤2对WRF模拟的待预测区域内长时间序列的地面气压场进行分析的步骤中，是根据图像色素高低值变化来进行自动计算的，具体地，是在WRF模拟的气象图中根据图像色素高低值变化生成若干等值线，根据等值线值大小的比较来决定等值线内侧是高值区还是低值区，取内侧所有点的最大/最小值，把该点定义为该高/低值区的中心点。其中，步骤2中的天气分型包括：高压、高压前部、高压后部、高压底部、弱高压、闭合低压、低压底后部、倒槽、均压场等。其中，步骤4中48h后向轨迹聚类分析采用基于Ward法的谱系聚类分析法。其中，步骤5中所述的相似性匹配是基于图像识别技术实现的。下面，以北京市的天气观测数据为例，侧重于对有利于和不利于北京市大气污染扩散的天气形势进行分类研究，其中利用2013～15年WRF模拟的3km北京市气象要素及监测的PM2.5小时数据，重点从影响大气污染扩散的气象学角度，对影响PM2.5浓度分布的主要天气系统、气象要素进行了分型研究，同时结合后向轨迹模式，创新性的建立了天气分型及污染物来源分析算法；同时在数值模式模拟预报WRF结果的基础上，与历史上相同季节污染天气的典型天气形势查找相似案例，可为空气质量预报服务。本专利技术利用2013～15年WRF模拟的3km北京市气象要素及监测的PM2.5小时数据，重点从影响大气污染扩散的气象学角度，对影响PM2.5浓度分布的主要天气系统、气象要素进行了分型研究，同时结合后向轨迹模式，创新性的建立了天气分型及污染物来源分析算法。PM2.5数据为北京市环境保护监测中心监测获得的2013年～1本文档来自技高网...

【技术保护点】
一种基于天气分型和气象要素聚类的空气重污染案例判别方法，其特征在于，包括以下步骤：步骤1：收集待预测区域的历年PM2.5与气象要素的观测数据，将历年PM2.5观测数据按时间序列一一排列，并与气象要素的观测数据对应，得到一组PM2.5实测浓度变化的序列；步骤2：采用收集的待预测区域的历年气象要素的观测数据对上述待预测区域的气压场进行WRF模拟，对WRF模拟的所述待预测区域内长时间序列的地面气压场进行分析，得到不同的天气分型，进而将不同天气分型所对应的时间序列抽出；步骤3：将步骤2与步骤1中的时间序列对应的天气分型及PM2.5实测浓度变化的序列进行统计分析，得到不同天气分型下PM2.5浓度的分布特征；步骤4：将步骤2中得到的WRF模拟的不同天气分型对应的时间序列输入到hysplit模型中，进行48h后向轨迹聚类分析，得到待预测区域的PM2.5浓度分布与不同天气分型对应的气团轨迹聚类，即得到了不同天气分型下PM2.5的来源；基于步骤3和步骤4建立不同天气分型对应的PM2.5浓度分布及来源的案例库；步骤5：采用WRF预报的气象数据，对所述待预测区域在未来预测时间时的天气状况进行WRF模拟，得到预测的天气分型，将所述天气分型与案例库进行相似性匹配，即得到所述待预测区域在未来预测时间时的PM2.5浓度分布及来源。...

【技术特征摘要】
1.一种基于天气分型和气象要素聚类的空气重污染案例判别方法，其特征在于，包括以下步骤：步骤1：收集待预测区域的历年PM2.5与气象要素的观测数据，将历年PM2.5观测数据按时间序列一一排列，并与气象要素的观测数据对应，得到一组PM2.5实测浓度变化的序列；步骤2：采用收集的待预测区域的历年气象要素的观测数据对上述待预测区域的气压场进行WRF模拟，对WRF模拟的所述待预测区域内长时间序列的地面气压场进行分析，得到不同的天气分型，进而将不同天气分型所对应的时间序列抽出；步骤3：将步骤2与步骤1中的时间序列对应的天气分型及PM2.5实测浓度变化的序列进行统计分析，得到不同天气分型下PM2.5浓度的分布特征；步骤4：将步骤2中得到的WRF模拟的不同天气分型对应的时间序列输入到hysplit模型中，进行48h后向轨迹聚类分析，得到待预测区域的PM2.5浓度分布与不同天气分型对应的气团轨迹聚类，即得到了不同天气分型下PM2.5的来源；基于步骤3和步骤4建立不同天气分型对应的PM2.5浓度分布及来源的案例库；步骤5：采用WRF预报的气象数据，对所述待预测区域在未来预测时间时的天气状况进行WRF模拟，得...

【专利技术属性】
技术研发人员：程念亮，李云婷，张大伟，闫贺，王步英，崔继宪，潘锦秀，
申请(专利权)人：北京市环境保护监测中心，
类型：发明
国别省市：北京;11