基于动态数据驱动的灰霾预报模型的研究

灰霾是目前受高度重视的空气污染问题。本项目将动态数据驱动引入到灰霾预报中，重点解决样本动态筛选问题和构建基于动态样本的神经网络模型等。首先在灰霾观测实验基础上，研究灰霾特征和变化规律；其次基于灰霾形成物理机制和气象相似性原理，定量研究影响灰霾的关键气象因子和主要污染物，研究动态样本子集阈值和权重矩阵，再研究自适应数据驱动模型，建立动态灰霾预报模型。具体来讲，完成了以下研究工作：.首先，采用复合型空气污染自动监测系统对广州进行了共计26200个小时连续监测，并构建了实时环境空气质量和气象数据抓取平台，实时下载全国典型城市的小时气象、污染物浓度和未来气象预报等信息，建立了2012年以来，覆盖广东省及21个地市、京津冀等城市数据容量达2.61G的动态基础数据库。.以上述数据为基础，分析了广州、华南与华北城市不同时间尺度的可吸入颗粒物浓度变化规律、能见度变化规律、能见度与各种污染物的关联关系、灰霾天气下污染物浓度特征及变化规律。.其次，建立了基于气象空间相似、背景浓度相似和主要气象因素变化趋势一致性的样本优化方法，即三层架构的样本筛选方法，并分别针对不同污染物影响因子确定了上述规则中的相关参数、权重和阈值。首先将不同气象参数的影响效果进行了量化，建立了不同气象参数的权重系数，从而构建了关键气象参数的当量函数关系式；研究了湿度、风度、气压等关键气象参数的筛选阈值，建立了动态样本子集筛选的阈值矩阵和总体阈值矩阵。.并构建了动态的灰霾预测模型，将模型分别应用在华南和华北典型城市。利用动态样本子集筛选方法和BP神经网络模型建立了可吸入颗粒日均值预测模型；通过模型在华南典型城市（广州、佛山、珠海）和华北典型城市（北京、天津、石家庄）的应用，进行了可吸入颗粒物等污染物日均浓度预测误差分析；然后利用污染物浓度、气象参数对能见度的影响分析，建立了基于污染物浓度的能见度计算模型。研究表明，华南和华北城市可吸入颗粒物日均值预报平均误差在30%以下，而广州的能见度计算模型平均相对误差为13.3%，均方根误差为1.767。.在以上研究的基础上，研究了神经网络模型、支持向量机、小波分析等机器学习算法，建立了单一、以及多方法相结合的PM2.5小时预报模型，并研究了上述模型在香港应用的误差和可行性。.项目共发表期刊及会议论文共26篇，获得软件著作权2项，申请发明专利一项，获厅级奖项1项，省部级奖项1项。