基于GAM模型的昆明地面臭氧与气象要素拟合分析.pdf

第15卷第4期2023年7 月基于GAM模型的昆明地面臭氧与气象要素拟合分析环境监控与预警Environmental Monitoring and ForewarningVol.15,No.4July 2023D01:10.3969/j.issn.1674-6732.2023.04.006白燕，杨建斌2*，孙俊奎，李建云？（1中国海洋大学，海洋与大气学院气象学系，山东青岛昆明6 50 0 2 2;3.昆明市气象局，云南昆明6 50 0 34)摘要：基于昆明2 0 18 一2 0 2 1年0，日最大8 h滑动平均值p（0,-8 h）和气象要素数据，采用广义相加模型（GAM）中的平滑样条函数拟合单要素、交互项的平滑回归函数拟合多要素与p(O,-8h)的影响关系。引人相对危险度概念，用分布滞后非线性模型（DLNM)分析气象要素和p(O，-8 h)的滞后效应。构造滞后项和交互项的GAM模型,进行p(O,-8h)拟合预测。结果表明：当地面气压 8 18 hPa或平均风速 2 0 0 g/m）。3结果与分析3.1数据基本情况昆明市2 0 18 一2 0 2 1年0 3质量浓度和气象要素统计信息见表1。由表1可见,平均p(0,-8h)为83.8g/m，日平均相对湿度为6 8.2%。一39 一2023年7 月项和非参数平滑项，无须设定参数，也不需要掌握因变量与自变量之间的关系。非参数平滑项是GAM的关键部分，自变量分成若干区间，每个区间通过解释变量函数拟合生成平稳、光滑的回归曲线。因变量的分布可以是正态分布、二项分布、泊第15卷第4期项目p(0,-8 h)/(g m3)平均气温/相对湿度/%地面气压/hPa日照时数/h水汽压/hPa平均风速/(m s=l)注：P25、Ps o、Pr s 为百分位数，相关系数为Spearman相关系数，双侧检验P0.01。平均气温、日照时数、平均风速与p（O 3-8h）呈现正相关关系（相关系数分别为0.2 9 3，0.514和0.2 54,P0.01）；相对湿度、地面气压、水汽压与p(03-8h)呈现负相关关系（相关系数分别为-0.6 7 9,-0.2 2 2 和-0.2 30,P0.01)。3.2GAM模型的单气象要素分析选取相对湿度、平均气温、水汽压、地面气压、日照时数和平均风速作为自变量，p（O,-8 h）为因变量构建拟合模型。表达式见式（1）。LogE(Y,)=+s(weather,df)+ns(time,df)+ydow式中：E一Y,在概率意义上的数值,即预测值;Y,第t天的p(O,-8 h),g/m;截距;s非参数平滑样条函数；weather气象要素;df自由度;ns自然立方样条函数;time时间序列变量；对应效应的系数;dow星期几哑变量。排除长期趋势等混杂因素的影响。200(a)相对湿度180160(.u.n1)/(48-c0)d140120806040200L3040200r(d)水汽压180160(e.u.a1l)/(8-0)d140120100806040200681012141618202224水汽压/hPa图1GAM模型6 个气象要素与p(O,-8h)的平滑曲线拟合40一白燕等.基于GAM模型的昆明地面臭氧与气象要素拟合分析表1昆明市2 0 18 2 0 2 1年0，质量浓度和气象要素统计信息最小值P7583.8 31.81016.5 4.90.168.2 14.525.3810.9 3.2803.07.6 3.6012.9 4.94.02.2 0.80.6(1)200(b)平均气温180160(.u.Bt)(u8-c0)d14012010080604020ILIILL5060元7 0 8 090100相对湿度/%(e.u.3r)(u8-c0)d2023年7 月P25P50617912.617.258.370.8808.5810.65.59.08.512.11.72.2将6 个气象要素中的1个要素作为自变量，p(O;-8 h)为因变量,控制其他相关要素的混杂效应影响，采用平滑样条函数构建拟合模型，根据GAM模型的估计自由度、参考自由度、F检验统计量（F）、匹配显著性标记（P-value），广义交叉验证得分（G CV）、方差解释率和判定系数（R）,分析单气象要素对p(0-8 h)的影响和拟合效果（表2)。6 个气象要素与p(O,-8h)均在P0.01水平下显著相关。表2（GAM模型的单气象要素对p(O,-8 h)的影响和拟合效果平滑效估计参考FP-value应项自由度自由度相对湿度2.132.63478.6210-16454.246.40.463平均气温3.943.9947.121016901.611.60.114水汽压3.633.9135.2210-16930.28.80.085地面气压3.853.9842.6210-16910.210.70.105日照时数3.643.93159.321016712.830.10.299平均风速2.252.6738.6 1,表示气象要素与p(O;-8 h)是非线性曲线关系。GAM模型6 个气象要素与p(O,-8h)的平滑曲线拟合见图1（a)一（f),其中实线为拟合线,阴影区域为9 5%置信区间，水平坐标轴短线为气象要素值分布区间情况。由图1(a)和(f)可见,拟合曲线近似直线,相对湿度与p(O,-8 h)负相关,当相对湿度 16 0 g/m。平均风速与p(O,-8 h)正相关。由图1(b)和(e)可见,拟合曲线近似反“L形,平均气温和日照时数与p(Os-8 h)正相关,当平均气温 2 0.5时,p(0,-8h)随平均气温升高而快速升高;当平均气温2 3.5 时,p(0,-8 h)160 g/m。p(O,-8h)随日照时数呈波动性升高，当日照时数 12 h时,p(0,-8 h)160 g/m。由图1(c)可见,拟合曲线近似倒“S形。由图1(d)可见,拟合曲线近似倒“U”形。地面气压和水汽压在合适的区间内,p（0,-8 h）较高；地面气压 8 2 0 hPa、平均风速 1.0,且均具有统计学意义（P818hPa、平均风速 1.0)。白燕等.基于GAM模型的昆明地面臭氧与气象要素拟合分析(a)地面气压总体效应2.52.01.51.00.58048068088108128148168188203.0,(b)平均风速总体效应2.52.01.51.00.5(c)地面气压滞后期10,98765430.968521804806808810812814816(d)平均风速滞后期101.00019F1.02028P/?7651.04141.061321011.522.533.544.555.56平均风速/(ms)注：(c)和(d)为RR等值线分析。图2 气象要素对p(O,-8h)的总体效应和滞后期3.4滞后项和交互项GAM模型的多气象要素分析气象要素之间存在交互作用,将有物理意义的交互项纳人模型，采用若干组2 个连续自变量的交一 41.一2023年7 月3.0,地面气压/hPa1120.997S0.99752-地面气压/hPa1.00010.979.521.000$6L601.02073平均风速/(ms-l)0.9970.99758S6040.968 558188201.0207_1.00010.979 5256第15卷第4期互项的平滑回归函数和单自变量的非参数平滑样条函数（包含滞后项的自变量平滑函数）与p（O 3-8h）的关系建立GAM模型,表达式见式（3）。LogE(Y,)=+s(weather,df)+te(weather;,weatherj,df)+ns(time,df)+dow(3)式中:teweather,和weather,2种气象要素交互项的平滑回归函数；E、Y、s、w e a t h e r、d f、n s、time、d o w 同式（1）。相对湿度、平均气温、水汽压、地面气压、日照时数和平均风速分别用rhum、temp、q P、h、w 表示，滞后时间用正整数表示，如pl表示1d前的地面气压,以此类推。滞后项和交互项GAM模型的多气象要素分析见表3。表3滞后项和交互项GAM模型的多气象要素分析光滑函数估计自由度参考自由度te(temp,rhum)11.7te(temp,q)6.0te(rhum,p)7.3te(rhum,w)3.7te(pl,rhuml)3.0te(temp,w)6.2te(h,temp)7.4te(h,g)13.0te(h,p)2.0te(temp1,pl)8.3te(pl,w1)7.6te(p2,w2)6.8由表3可见，12 个交互项的P-value均 0.6,方差解释率均 6 0%,GCV均 39 0,表明模型拟合效果较好。相对而言，te函数模型优一 42 一白燕等，基于GAM模型的昆明地面臭氧与气象要素拟合分析FP-value14.15.420.00.820.01.58.01.53.02.87.78.920.00.615.02.211.00.420.01.020.02.48.53.1方差解释率/%62.769.12023年7 月于s函数模型。3.5气象要素交互项作用分析各气象要素交互项对p（O 3-8 h）的影响效应见图3（a）一（c）。由图3（a）可见，平均气温为1323、水汽压为9 19 hPa时,对p(0,-8 h)的影响较高，适当的气温和适中的水汽压有利于p(03-8 h)的增加。由图3（b）可见,平均气温20、相对湿度 2 0、相对湿度8 0%相比,对p(0,-8h)的影响较大,干冷和湿热天气有利于p（0 3-8 h）的增加。由图3（c）可见，平均风速 8 15hPa时,与平均风速 3.0 m/s、地面气压 8 0 8 hPa相比,对p(03-8 h)的影响较大,低压大风和高压小风天气有利于p(O3-8h)的聚集增加。2 10-16（a）水汽压与平均气温0.00081.9 10160.00270.038 4 2 10-160.03530.003 60.041 60.004 623.5）、长日照时数（12 h）、低相对湿度（16 0 g/m）的0 3。综合分析发现，地面气压、平均风速和水汽压在合适的区间内,p(O,-8 h)较高。(2)采用DLNM模型分析，表明地面气压和平均风速滞后1 3d,滞后项与p（0 3-8 h)的关联较高。(3)用GAM模型的单要素项对p（O 3-8 h）进行拟合发现，单要素平滑样条函数没有显著性影响，纳入交互项后，交互项的平滑回归函数对p(O,-8 h)变化有显著性影响。（4)风速的区域传输作用比较复杂，分析地面天气形势的背景,才能发现风速和p(O,-8h)的变化关系。0，高质量浓度等级的天气形势最常见有2类：首先是低压大风类，特点是空气辐合，0，聚集；其次是高压小风类，特点是晴热天气，太阳辐射强，利于0，生成，而且局部0，扩散速度较慢，易在大气低层积累。（5）纳人交互项（包含滞后项）的GAM模型与其他机器学习模型进行比较，交互项GAM模型的拟合误差小、准确率高，特别在拟合因变量峰值和谷值优势明显。交互项（包含滞后项）的GAM模型的拟合效果好于其他模型。参考文献1严文莲，刘端阳，康志明，等.江苏臭氧污染特征及其与气象因子的关系 J.气象科学，2 0 19,39（4）：47 7-48 7.2严晓瑜，晓辉，杨婧，等.中国典型城市臭氧变化特征及其与气象条件的关系 J.高原气象，2 0 2 0,39（2）：2 0 6-2 2 0.3杨雪，秦玮，王晨波，等.江苏省春季臭氧污染特征分析 J.环境监控与预警,2 0 2 1,13(1)：2 0-2 4.白燕等，基于GAM模型的昆明地面臭氧与气象要素拟合分析究,2 0 16,33(4)：10 4-112.8李莉莉，张璇，杜梅慧.基于广义可加模型的PM2.5预测研究 J.数理统计与管理，2 0 2 0,39（5）：8 11-8 2 3.9黄小刚,邵天杰，赵景波，等.基于GAM模型的西安市O，浓度影响因素解析 J.环境科学，2 0 2 0,41（4）：1535-1543.10 任至涵，倪长健，花瑞阳，等.成都0，逐日污染潜势关键时段优选的GAM模型J.中国环境科学，2 0 2 1，41（11）：5079-5085.11张莹，倪长健，冯鑫媛，等.基于GAMs模型分析成都市气象因子交互作用对0，浓度变化的影响 J.环境科学,2 0 2 1，42(11):5228-5238.12胡成媛,康平,吴错，等.基于GAM模型的四川盆地臭氧时空分布特征及影响因素研究 J.环境科学学报,2 0 19,39（3）：809-820.13】王彤，贾彬，王琳娜.广义可加模型稳健估计在空气污染对健康影响评价中的应用J.中国卫生统计，2 0 0 7 2 4（3：245-247.14杨军，欧春泉，丁研，等.分布滞后非线性模型 J.中国卫生统计,2 0 12,2 9(5):7 7 2-7 7 3.15洪盛茂，焦荔，何曦，等.杭州市区大气臭氧浓度变化及气象要素影响 J.应用气象学报，2 0 0 9,2 0（5）：6 0 2-6 11.16郑永光，陈炯，朱佩君，等.南亚地区生物体燃烧对昆明地区对流层中下层臭氧浓度的影响J.北京大学学报（自然科学版）,2 0 0 6,43(3)：12-18.17 】铁治欣，程晓宁，林德守，等.基于时间序列延迟相关算法改进LSTM的臭氧浓度预测模型 J.软件工程与应用，2 0 2 0，9(2):135-142.18 董红召.融合时空特征的PCA-PSO-SVM臭氧（O，）预测方法研究 J.中国环境科学，2 0 2 1,41（2）：59 6-6 0 5.2023年7 月4史霖.银川市臭氧浓度与气象要素的相关性及其预测方法研究 J.环境科学与管理，2 0 2 0,45（4）：12 5-12 8.5陈辰，洪莹莹，谭浩波，等.佛山臭氧浓度预报方程的建立与应用 J.环境科学，2 0 2 2,43（10）：4316-432 6.6庞业，潘润西，何宇，等.广西臭氧时空分布特征及污染天气类型研究 J：环境监控与预警，2 0 19,11（3）：44-48.7许亦频，倪苹.适用于大数据集的广义可加模型 J统计研一 44一