使用自组织映射和广义相加模型调查天气尺度气象状态对空气质量的影响外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

使用自组织映射和广义相加模型调查天气尺度气象状态对空气质量的影响

摘要：在关于未来气候变化的问题上，天气尺度环流对空气质量的影响在空气质量管理领域已经成为越来越热门的话题。本研究分析了墨尔本地区预期的大气环流模式，因为这个区域与澳大利亚的空气质量有一定的联系。使用自组织映射的方法来对每日的平均海平面气压（MSLP）进行重新分析以获得二十种澳大利亚区域的大尺度气候模式。在广义相加模型的框架内使用以为时间序列的气候原型来分辨大气环流与大气污染物浓度的明显变化之间的联系。在对每种气候类型进行长期趋势、季节、周排放、时间连续性和空间变化的控制后，广义相加模型对大气污染物的浓度的估计误差在可接受的范围内。实验结果发现对于模式里的气候原型的全部解释可以知道最适度的O₃日变化时5%，PM₁₀的日变化是4.7%以及NO₂的日变化是7.1%。这表明大气环流的特征并不是污染物浓度逐日变化的初始驱动力。但是对部分响应样本进行更进一步的分析可以发现：尽管对总的平均水平有比较合适的响应，但是个别的气候类型对空气污染有不同的影响。尤其是在东北梯度风控制下的墨尔本地区，NO₂和O₃的浓度比平均的高20%。当有比较强的反气旋系统直接控制在墨尔本地区的时候，PM₁₀的最大值将会提高20%。总而言之，自组织映射和广义相加模型的统一分类法给我们提供了一套可以识别某个特定区域的全面的大气环流模式以及对影响当地空气质量的影响的量化的一套机制。

1、引言

城镇空气污染物浓度的增加并不是因为排放量的突然增加而导致的，而是因为气象条件阻碍了污染物在大气中的扩散或者是气象条件加速了污染物的生成。（Cheng et al.,2007）温度、风、辐射、大气湿度和混合层深度等多种气象要素会对上述过程产生重要影响。（EPA,2009）因为大气环流是控制所有气候特征的天气气候学途径和包迹，所以它可以作为评估气象要素对当地环境例如空气污染的影响的一种途径。（Triantafyllou，2001;Chen et al.,2009;Beaver and Palazoylu,2009）上述研究已经让空气质量学界意识到大气环流是局地空气污染的一个重要驱动力。

本研究希望增加对墨尔本地区大尺度天气环流和空气污染之间的联系的了解。墨尔本（37^°48^rsquo;49^rsquo;rsquo;S，144^°57^rsquo;47^rsquo;rsquo;E）位于澳洲大陆东南边缘的Port Phillip Bay地区，靠近南太平洋，拥有390万人口。墨尔本的气候可以被描述为温和的海洋性气候。墨尔本也因其多变的天气的闻名。（BOM,2009）部分原因时这座城市位于副热带大陆的边缘，因此在其上空有冷热气团输送的通道。影响此地区的中纬度天气系统是持续的西风带，在其北边有副热带高压系统，在其南边有南太平洋低压系统。这个区域还会受到由副热带气团和极地气团相互作用所形成的锋面的影响。相对于其他与墨尔本规模相当的城市来说，墨尔本的空气质量算是比较不错，近期异常的环境状况对其空气污染的分析提供了机会。（Murphy and Timbal,2008）本研究的目的时调查模式中墨尔本地区的不同大气环流类型时如何影响局地空气质量的。为了达到这一目的，我们使用自组织映射方法开发了一个澳大利亚东南部的气候模型，然后用广义相对模型来使其与大气污染数据相链接。

2、数据

2.1大尺度气象数据

长时间和大面积的平均海平面气压数据使调查某一特定区域的大尺度大气压力模式成为可能。平均海平面气压常被用来做大气环流的替代品，因为可以与空间模式进行很好的关联。（Huth et al,2008）在此次分析，ERA-Interim重新分析的每天四次的网格化平均海平面气压数据被用来决定影响墨尔本的大气环流模式。此次重新分析由ECMWF完成，有Uppala et al.进行更详细的讨论。（2008）平均海平面气压场数据时在当地标准时间每天的10 a.m.,4 p.m.,10 p.m.和4 a.m.获取的。其再分析的区域是在25~50^°S和120~160^°E之间，分辨率是0.72^°。我们还使用了ERA40和NCEP/NCAR的再分析产品来检验本次分析的结果。当这些产品产生的气候类型与ERAI相似时，它们将会被选出来以提高数据的空间分辨率来产生能够更好地解释墨尔本地区的天气类型。

2.2局地尺度的气象数据

对当地不同的天气状态的局地气象情况的描述，使用的时1999年至2006年的位于墨尔本国际机场的编号为086282的自动气象站的每周观测数据。这个站点位于37^°48^rsquo;49^rsquo;rsquo;S，144^°57^rsquo;47^rsquo;rsquo;E，海拔为113米。他被选中是因为它在多年一致的基础上收集了全面的观测数据。其中变量由国家气象局的国家气候中心的气候信息服务部门提供，其中包括每日最高气温（°C）、平均海平面气压（hPa）、全球辐射（MJ/m²）、水汽压（hPa）、纬向风（u）和经向风（v）（km/m²）、降水量（mm）。另外，边界层高度（BLH）使用的时37^°30^rsquo;0^rsquo;rsquo;S，145^°30^rsquo;0^rsquo;E的ERA-Interim数据，时间为当地标准时间4 p.m.，因为这时边界层的高度最大。

2.3空气污染监测数据

局地空气污染数据是由维多利亚州环保局（EPAV）在Port Phillip Bay的空气监测网所提供的。污染物包括O₃、PM₁₀和NO₂。O₃和NO₂浓度的测量方式为化学荧光脉冲法和紫外线吸收技术，其单位为ppb。PM₁₀浓度的测量方式时照片光谱分析法，其单位为micro;g/m³.本次分析使用的数据时O₃每日最高的8小时的值，PM₁₀时每日24小时的平均值，NO₂的数据时每日最大的1小时值。这些数据的来源是1999年至2006年所有可利用的观测站数据。这个时间段的选择是为了把空气质量与州环保政策规定的空气质量做对比。（SPEE,1999）把明显与气象条件无关的空气污染事件（如森林大火，工厂排放等）从数据中剔除时很重要的。此外，根据EPAV的指导，O₃和NO₂的观测限制提高到5ppb，PM₁₀的观测限制提高到3micro;g/m³。本质上这个数据的变动可以看做因为忽略掉低于5的值 所造成的随机误差。我们认为这些偏差大约为O₃值的1.6%，PM₁₀的0.2%，NO₂的值的3.4%。这些偏差对于数据来说只是很小的一部分。

3、研究方式

3.1自组织映射

自组织映射（SOM）是一种用来聚类分析、可视化和抽象化的人工神经网络（ANN）算法。（Kohonen，2001）实际上，SOM可以被描述为一个根据数据之间的相似之处以一种有序化的方式把高维的输入数据变成低维的常规输出数组的非线性映射。“自组织”指的是SOMs在相似或不相似的基础上通过参考向量来迭代更新低维数组排序的培训流程。（Astell et al.,2007）“映射”指的是典型的使用可视化向量（如大气环流模式）的二维数组以及它们的最终排列方式。（Hewitson and Crane,2002）SOMs在环境领域有很广泛的应用，而且与其他相似的方法比较，它的表现更好。

在本次分析中，我们使用SOMs来进行天气学分型。天气学分型时一种根据空间形态与大气环流之间的联系来将大气状况分割成几个大类的方法。使用天气学分型或分类是为了更好得观察大尺度天气过程对局地环境状况的影响。（Huth et al,2008）尽管有很多种方法去进行天气学分类，但是我们还是选了SOMs方法，因为其有能力去识别罕见的极端天气事件（Cassano et al,2006）这个措施对于我们研究空气污染事件具有显著优势，特别是在墨尔本地区，往往意味着强迫机制也不多见。

技术上，我们用SOM算法先用4times;5的输出尺寸来对海平面气压数据进行描述。SOM算法，比如K平均聚类法，试图在输入的数据分布中识别处被自定义了的天气学类型编号。使用小的尺寸去进行映射会导致输入数据被分成广泛的大类，而使用大的尺寸去进行映射将会导致邻近的类型比较相似。（Cassano et al.,2006）我们认为基于我们SOM维度在澳大利亚的先前工作管理中的安排，已经证明了天气模式的预期范围刚好代表了我们感兴趣的区域。

在使用SOM算法对数据进行处理并形成“映射”后，就可以得到一个关于环流类型的直方图。这是通过训练SOM对每个网格的数据进行时间序列的处理以及在分析中的每个时段安排特定的天气类型进行训练来实现的。这样就可以形成一套时间序列的天气图。这套天气图可以用来决定在数据空间中某个特定的天气类型出现的频率和持续的时间。（Hewitson and Crane,2002）试图去了解如何从大气环流过程中看出污染事件是一件很有吸引力的事情。另外，从这个分析可以相对简单地把所有日子的映射放到一个节点并且可以决定其主要的气候状况。在我们的这个例子里，这个可以用墨尔本机场的自动气象站观测数据来达到上述目的。创建SOM的软件时SOM-PAK的一部分，SOM-PAK可以在http://www.cis.hut.fi/reseach/som-research上使用。更多关于SOMs在次级学科“天气学分类”中的信息请参考Hewiston和Crane的文章。（2002）

3.2广义相加模型

广义相加模型（GAMs）是可以使用平滑样条的回归模型，而不是协变量的线性系数。（Hastie and Tibshirani,1990）我们发现这个方法在控制空气污染研究的复杂度方面特别有效。（Aldrin and Haff,2005；Carslaw et al.,2007）相加模型中环境的浓度时间序列可以被写成如下公式：

log(y_i)=beta;₀ ε_i （3.1）

其中y_i表示第i个格点的空气污染物浓度；beta;₀表示全部反应的平均值；s_j（x_ij）表示的是第i个协变量j的平滑函数；n表示所有协变量的数目；ε_i表示的是第i个数据的残差。其中有var(ε_i)=sigma;²时，数据呈现出正态分布。平滑函数是一个通过使用惩罚回归样条和集成模型选择来进行平滑参数选择，同时优化配合，努力减少维度的数量模型。（Wood，2006）平滑参数是通过最大似然法（REMI）和使用绝对的贝叶斯方法估算出置信区间来进行选择的。（Wood，2006）本次分析是使用带有rsquo;mgcvrsquo;程序包的gam模型在R环境下进行数据分析的。

3.3模式的形成

O₃、PM₁₀和NO₂的各自模型的选择的第一步是配合初始基准模型。在数据里各自配合污染物是为了控制季节性、持续性、空间趋势和每周一次的发射模式。根据（3.1）式，初步的模型可以写成

log（y_i）=beta;₀ s(time) s(dow) s(long,lat) s(y_i-1) ε_i （3.2）

其中time时一个考虑了长期趋势和季节性的从1到2922的数值向量；dow是考虑了周内效应的从0~6的数值向量；long和lat是考虑了空间趋势的每个观测站的空间坐标；y_i-1是考虑短期的时间持续性的滞后项。剩余的空间变化是通过一下过程控制的：模式中的张量积平滑，s(long,lat)和每日污染物浓度的平滑函数，s(y_i-1)还包括了时间残差的自动校准。（Bivand et al.,2008）

另外，由于空气污染数据本质上具有周期性，一个预先设定好的平滑参数k=32（每个(k)代表每个季节的变化）被用于样条函数时间的构建。对其进行控制的目的是因为函数要在数据中应该表现出相对对称循环模式。为了检验我们控制时空效应的方式的妥善性，我们对观测位置数据的柱状图和时间序列图进行检验。所有的污染物数据没有明显的误差。

最后，包含着代表不同大气环流类型的大气环流绝对预测器被加入到模型中。根据（3.1）式，最终的模型可以写成：

log（y_i）=beta;₀ s(time) s(doy) s(dow) s(long,lat) s(y_i-1) C_p ε (3.3)

其中C_p表示的是第p种天气类型造成的影响，p=0,1hellip;,19。

3.4气候效应对空气污染影响的特点

众所周知，因为高维度的关系，在多元回归模型中要展现出完整的响应与预测之间的关系是很困难的。（Faraway,2005）因此我们选用部分响应图表来揭示不同天气类型与不同污染物之间的边际关系。（Faraway,2005）在对模型中的其他解释变量的效应

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[31482]，资料为PDF文档或Word文档，PDF文档可免费转换为Word