何佳玥，韓 余，陳道勁，賀 靖

(1.重慶市萬(wàn)盛經(jīng)開(kāi)區(qū)自然災(zāi)害預(yù)警預(yù)防辦公室，重慶 408200；2.重慶市氣象局，重慶 401147；3.寧夏回族自治區(qū)石嘴山市氣象局，寧夏 石嘴山 753000)

引 言

美國(guó)是較早開(kāi)展空氣污染預(yù)報(bào)研究的國(guó)家，從70年代初開(kāi)始開(kāi)展大氣污染潛勢(shì)業(yè)務(wù)預(yù)報(bào)，并于1976年公布了全面統(tǒng)一的污染物標(biāo)準(zhǔn)指數(shù)(Pollutant Standards Index, PSI)，供各級(jí)空氣污染防治機(jī)構(gòu)采用。從70年代起，歐洲一些國(guó)家的氣象學(xué)家就著手建立各種各樣的空氣污染預(yù)報(bào)方法，到80年代開(kāi)始做空氣污染業(yè)務(wù)預(yù)報(bào)，目前空氣污染預(yù)報(bào)的范圍已延伸到能見(jiàn)度、紫外線、花粉過(guò)敏等的預(yù)報(bào)。我國(guó)的大氣污染研究工作起步較晚，1980年以前主要是研究影響污染物稀釋擴(kuò)散的天氣形勢(shì)和氣象條件。從80年代開(kāi)始，北京、蘭州、沈陽(yáng)等一些城市初步開(kāi)展了以SO2為主的城市空氣污染試驗(yàn)預(yù)報(bào)和預(yù)報(bào)研究工作。2000年11月24日中國(guó)國(guó)家環(huán)境保護(hù)總局和中國(guó)氣象局聯(lián)合下文(環(huán)發(fā)[2000]231號(hào))規(guī)定，自2001年6月5日起，在中央電視臺(tái)發(fā)布47個(gè)環(huán)境保護(hù)重點(diǎn)城市空氣質(zhì)量預(yù)報(bào)[1]。隨著研究的進(jìn)展，我國(guó)工作者陸續(xù)在污染氣象學(xué)、污染氣象參數(shù)與污染濃度之間的關(guān)系、大氣擴(kuò)散模式、以及空氣污染預(yù)報(bào)方法等方面進(jìn)行了研究。于淑秋等[2～4]研究分析了大氣污染物的時(shí)空分布特征，發(fā)現(xiàn)污染物具有明顯的季節(jié)變化。姜大膀[5～8]等研究分析了氣象條件與大氣污染物濃度之間的關(guān)系，發(fā)現(xiàn)低空大氣溫度層結(jié)狀況、大氣降水、大風(fēng)揚(yáng)塵等氣象因素對(duì)大氣污染物濃度的影響顯著。污染源排放、大氣理化過(guò)程和氣象條件是影響環(huán)境空氣質(zhì)量的主要因素，統(tǒng)計(jì)預(yù)報(bào)通常忽略源排放量變化，視為常量，更多的是考慮天氣形勢(shì)或氣象條件對(duì)空氣質(zhì)量變化的影響，借助歷史的環(huán)境空氣質(zhì)量數(shù)據(jù)和同期氣象觀測(cè)資料(如溫度、風(fēng)速、風(fēng)向、相對(duì)濕度等)通過(guò)統(tǒng)計(jì)學(xué)方法建立擬合方程或統(tǒng)計(jì)模型，外推得到未來(lái)空氣質(zhì)量預(yù)報(bào)結(jié)果。統(tǒng)計(jì)預(yù)報(bào)具有運(yùn)算量少、硬件要求低、易于操作、簡(jiǎn)單實(shí)用等優(yōu)點(diǎn)，常見(jiàn)的模型包括人工神經(jīng)網(wǎng)絡(luò)、多元線性回歸、ARMA、動(dòng)態(tài)統(tǒng)計(jì)等[9]。

重慶市萬(wàn)盛經(jīng)開(kāi)區(qū)礦藏資源豐富，工業(yè)發(fā)展對(duì)當(dāng)?shù)乜諝赓|(zhì)量產(chǎn)生影響，開(kāi)展空氣污染預(yù)報(bào)可以在促使經(jīng)濟(jì)發(fā)展的同時(shí)使環(huán)境得到改善，利于該區(qū)全域旅游的深度發(fā)展，利于樹立良好的國(guó)內(nèi)及國(guó)際形象，可以吸引更多的綠色企業(yè)到萬(wàn)盛扎根從而進(jìn)一步促進(jìn)經(jīng)濟(jì)發(fā)展，吸引更多的游客到萬(wàn)盛旅游帶動(dòng)旅游收益，而萬(wàn)盛目前并沒(méi)有針對(duì)空氣污染開(kāi)展相關(guān)預(yù)報(bào)。根據(jù)監(jiān)測(cè)數(shù)據(jù)顯示，萬(wàn)盛的重污染日主要集中在12月～次年2月。本文利用萬(wàn)盛經(jīng)開(kāi)區(qū)環(huán)保局提供的空氣質(zhì)量指數(shù)和萬(wàn)盛經(jīng)開(kāi)區(qū)氣象局提供的氣象數(shù)據(jù)，對(duì)2017年4月～2019年3月污染天氣進(jìn)行統(tǒng)計(jì)分析，利用主要污染物與氣象要素之間的聯(lián)系建立污染預(yù)報(bào)模型，預(yù)報(bào)未來(lái)空氣質(zhì)量，對(duì)分析城市空氣污染成因、提出針對(duì)性改善措施及建議具有重要意義。

1 資料與方法

1.1 資料

本文采用的資料為萬(wàn)盛經(jīng)開(kāi)區(qū)萬(wàn)東北路監(jiān)測(cè)點(diǎn)2017年4月～2019年3月的空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)和同期萬(wàn)盛國(guó)家基本氣象站的氣象資料?？諝赓|(zhì)量監(jiān)測(cè)數(shù)據(jù)來(lái)源于萬(wàn)盛經(jīng)開(kāi)區(qū)環(huán)境保護(hù)局，主要監(jiān)測(cè)項(xiàng)目為PM10、SO2、NO2、PM2.5、O3-8h、CO。氣象數(shù)據(jù)自萬(wàn)盛經(jīng)開(kāi)區(qū)氣象局，氣象要素主要有最高氣溫、最低氣溫、平均氣溫、降水量、風(fēng)速、相對(duì)濕度等。其中最高氣溫、最低氣溫均為逐小時(shí)最高氣溫和最低氣溫的日平均值，平均氣溫、風(fēng)速及相對(duì)濕度為逐日日平均值，降水量為逐日日總值。

1.2 方法

1.2.1 空氣質(zhì)量指數(shù)(AQI)

空氣質(zhì)量指數(shù)，是指定量描述空氣質(zhì)量狀況的無(wú)量綱指數(shù)。根據(jù)環(huán)境空氣質(zhì)量指數(shù)(AQI)技術(shù)規(guī)定(HJ633-2012)，每項(xiàng)空氣污染物對(duì)應(yīng)一個(gè)空氣質(zhì)量分指數(shù)(IAQI)，IAQI與各項(xiàng)空氣污染物的質(zhì)量濃度有關(guān)，AQI取各項(xiàng)分指數(shù)的最大值。AQI大于50時(shí)，IAQI最大的污染物為首要污染物。AQI共分為6級(jí)，如表1所示。

表1 空氣質(zhì)量指數(shù)分級(jí)標(biāo)準(zhǔn)Tab.1 Classification standard of air quality index

1.2.2 多元回歸預(yù)報(bào)模型

多元回歸模型是用來(lái)進(jìn)行回歸分析的數(shù)學(xué)模型(含相關(guān)假設(shè))，其中只含有一個(gè)回歸變量的回歸模型稱為一元回歸模型，否則稱為多元回歸模型。

將2017年4月1日～2019年3月31日的PM2.5、PM10、O3日數(shù)據(jù)及同期氣象數(shù)據(jù)進(jìn)行歸一化處理，使得預(yù)處理的數(shù)據(jù)被限定在[0，1]的范圍內(nèi)，從而消除奇異樣本數(shù)據(jù)導(dǎo)致的不良影響，轉(zhuǎn)換函數(shù)如下：

(1)

進(jìn)一步根據(jù)歸一化后的數(shù)據(jù)建立回歸模型，變形組(自變量)(x1t,x2t,x3t,…,xkt;y),(t=1,2,3,…,n;n≥k),的n組觀測(cè)數(shù)，y為變形效應(yīng)量。建立線性回歸方程如下：

y=b+b1x1+b2x2+…+bkxk

(2)

將數(shù)據(jù)進(jìn)行最佳預(yù)報(bào)，求出自變量系數(shù)(b,b1,b2,…,bk，建立自變量(x1,x2,x3,…,xk,與y變形效應(yīng)量之間的數(shù)學(xué)模型。

最后將通過(guò)回歸模型計(jì)算得到的PM2.5、PM10、O3數(shù)值進(jìn)行去歸一化處理，從而得到所需的預(yù)報(bào)數(shù)據(jù)。

1.2.3 ARIMA(p, d, q)預(yù)報(bào)模型

ARIMA(p,d,q)指在ARMA(p,q)(自回歸移動(dòng)平均過(guò)程)基礎(chǔ)上進(jìn)行d次差分后得到的平穩(wěn)的自回歸移動(dòng)平均過(guò)程。ARMA(p,q)指一個(gè)剔除均值和確定成分的線性隨機(jī)過(guò)程由自回歸和移動(dòng)平均兩部分共同構(gòu)成，其表示如下：

xt=∑pi=1φixt-i+ut+∑qi=1θiut-i

(3)

其中φi是自回歸(AR)參數(shù)，ut是白噪聲過(guò)程，θi是移動(dòng)平均(MA)參數(shù)。

差分是時(shí)間序列變量的本期值與其滯后值相減得到的，假設(shè)一個(gè)隨機(jī)過(guò)程含有d個(gè)單位根，其經(jīng)過(guò)d次差分后可以變換為一個(gè)平穩(wěn)的自回歸移動(dòng)平均過(guò)程，則該隨機(jī)過(guò)程稱為單積(整)自回歸移動(dòng)平均過(guò)程。在找到合適的d之后，xt轉(zhuǎn)化為平穩(wěn)的隨機(jī)過(guò)程Δdxt，Δdxt構(gòu)建為自回歸移動(dòng)平均過(guò)程，ARMA(p,q)，即完成了將隨機(jī)過(guò)程xt表示為ARIMA的流程，將構(gòu)建好的ARIMA過(guò)程記做ARIMA(p,d,q)。其中p，d，q分別代表自回歸(AR)階數(shù)、差分次數(shù)、移動(dòng)平均(MA)階數(shù)。

2 結(jié)果分析

2.1 萬(wàn)盛大氣污染特征分析

通過(guò)統(tǒng)計(jì)發(fā)現(xiàn)2017年4月～2019年3月，萬(wàn)盛共計(jì)出現(xiàn)良以上天數(shù)達(dá)520 d，首要污染物為PM2.5、PM10、O3、SO2、NO2(圖1)。其中PM2.5所占比例最高為64.5%，其次是O3和PM10，他們所占比例分別為24.3%和9.4%，而SO2、NO2所占比例不足2%。由此可見(jiàn)萬(wàn)盛顆粒物污染所占比例遠(yuǎn)超其他污染物，PM2.5是萬(wàn)盛最主要的污染物。

通過(guò)對(duì)2017年4月～2019年3月三種主要污染物(PM2.5、PM10、O3)多年逐月月平均濃度統(tǒng)計(jì)(圖2)，可以看出，PM2.5及PM10隨時(shí)間變化趨勢(shì)基本一致，全年變化呈單波變化，冬半年10月～次年3月以顆粒物污染為主，峰值出現(xiàn)在12月，PM2.5濃度月均值超過(guò)了100 μg/m3，谷值出現(xiàn)在7～8月。而O3的變化趨勢(shì)則剛好與之相反，4～9月夏半年以O(shè)3污染為主，峰值出現(xiàn)在8月，月均值為105 μg/m3，谷值則出現(xiàn)在12月。

圖1 萬(wàn)盛各首要污染物比例Fig.1 Proportion of major pollutants in Wansheng

圖2 萬(wàn)盛各主要污染物多年逐月月平均濃度Fig.2 Monthly average concentration of main Pollutants in Wansheng for many years

按照優(yōu)、良、輕度以上污染(AQI>100)三個(gè)等級(jí)統(tǒng)計(jì)了其所占全年比例(圖3)，可以看出，萬(wàn)盛空氣質(zhì)量指數(shù)主要以良為主，占全年57.3%，優(yōu)的日數(shù)次之占28.8%，最后是輕度以上污染日數(shù)占14.0%。按照以上三個(gè)等級(jí)分別統(tǒng)計(jì)了2017年4月～2019年3月多年逐月月平均天數(shù)，從統(tǒng)計(jì)結(jié)果看(圖4)，萬(wàn)盛冬季(12月～次年2月)污染最為嚴(yán)重，輕度以上污染月平均天數(shù)均在9天以上，占全年總污染天數(shù)的70.6%。尤其以1月最嚴(yán)重，有15.5天達(dá)到輕度以上污染；其次是12月，有11.5天達(dá)到輕度以上污染。7～10月空氣質(zhì)量最好，月平均優(yōu)天數(shù)均在10d以上，達(dá)到全年總優(yōu)天數(shù)的55.7%，4～10月輕度以上污染月平均天數(shù)均在2d以下；其中7月和9月沒(méi)有出現(xiàn)輕度以上污染，其中7月月平均優(yōu)天數(shù)達(dá)到19.0d，為全年最高。全年各月月平均良天數(shù)均在10d以上，其中春季(3月～5月)超過(guò)22d，5月月平均良天氣達(dá)到24.5d，為全年最高。

圖3 萬(wàn)盛優(yōu)、良、輕度以上污染多年平均天數(shù)所占比例Fig.3 Proportion of the average number of days over the years for Wansheng excellent, good and light pollution or above

圖4 萬(wàn)盛優(yōu)、良、輕度以上污染多年逐月月平均日數(shù)Fig.4 Monthly average days of Wansheng excellent, good and light pollution or above for many years

分別統(tǒng)計(jì)良(圖5)、輕度污染(圖6)、中度污染(圖7)、重度污染(圖8)四個(gè)污染等級(jí)中，各污染物出現(xiàn)天數(shù)的逐月平均，圖5中可以看出，9月～次年3月AQI等級(jí)為良時(shí)首要污染物以PM2.5為主，每月均有超過(guò)10天的首要污染物為PM2.5，其中3月最多達(dá)19.0天；4～8月AQI等級(jí)為良時(shí)首要污染物為O3，均有超過(guò)7.5d的首要污染物為O3，其中8月最多達(dá)15.0d。PM10為首要污染物的日數(shù)在春秋季節(jié)較多，其中5月最高為8d。SO2和NO2的日數(shù)較少，均不超過(guò)一天。

圖6中可以看出，10月～次年4月PM2.5是造成輕度污染的主要原因，尤其以冬季(1～2月)最為嚴(yán)重，均有超過(guò)9.0d的首要污染物為PM2.5；5～8月O3是造成該等級(jí)污染的主要原因。中度污染只在每年11月～次年2月出現(xiàn)(圖7)，1月最多為5d，首要污染物只有PM2.5。重度污染只出現(xiàn)在12月～次年2月(圖8)，12月最多為4.0d，與中度污染一樣，首要污染物也只有PM2.5。

圖5 各污染物出現(xiàn)天數(shù)的多年逐月月平均(良)Fig.5 Monthly average number of days for each pollutant (Good)

圖6 各污染物出現(xiàn)天數(shù)的多年逐月月平均(輕度污染)Fig.6 Monthly average number of days for each pollutant (light pollution)

圖7 各污染物出現(xiàn)天數(shù)的多年逐月月平均(中度污染)Fig.7 Monthly average number of days for each pollutant (moderate pollution)

圖8 各污染物出現(xiàn)天數(shù)的多年逐月月平均(重度污染)Fig.8 Monthly average number of days for each pollutant (severe pollution)

總體來(lái)說(shuō)，萬(wàn)盛冬半年污染重于夏半年，顆粒物污染重于O3污染，冬半年主要污染物為PM2.5，夏半年主要污染物為O3。萬(wàn)盛污染一般輕度污染為主，僅有冬季會(huì)出現(xiàn)中度以上污染天氣，其首要污染物均為PM2.5。

2.2 污染預(yù)報(bào)模型

在排除突發(fā)性污染事件及人為控制減排等因素影響下，大氣污染物的排放量在短時(shí)間內(nèi)變化不大，一個(gè)地區(qū)的污染物濃度變化更多的是依賴于氣象條件變化的影響，所以從氣象條件影響的角度來(lái)對(duì)污染物濃度變化進(jìn)行預(yù)報(bào)，是污染預(yù)報(bào)的一種切實(shí)可行的方法。

由于萬(wàn)盛主要污染物為PM2.5、PM10、O3，三者占比高達(dá)98.6%，故只針對(duì)這三種污染物建立萬(wàn)盛污染預(yù)報(bào)模型。AQI取各項(xiàng)分指數(shù)的最大值， AQI大于50時(shí)，IAQI最大的污染物為首要污染物，從而建立萬(wàn)盛空氣污染預(yù)報(bào)模型。

2.2.1 多元回歸污染預(yù)報(bào)模型

選取最高氣溫、最低氣溫、平均氣溫、降水量、相對(duì)濕度、平均風(fēng)速分別與PM2.5、PM10、O3建立多元回歸方程，去歸一化后即可得到各污染物的濃度預(yù)報(bào)。

Y=b+b1X1+b2X2+b3X3+b4X4+b5X5+b6X6

(4)

其中Y為歸一化后的PM2.5、PM10、O3預(yù)報(bào)值，X1，X2，X3，X4，X5，X6分別是平均氣溫、最高氣溫、最低氣溫、降水量、相對(duì)濕度和平均風(fēng)速，b，b1，b2，b3，b4，b5，b6為其對(duì)應(yīng)的自變量系數(shù)，如表2所示。

表2 擬合方程自變量系數(shù)Tab.2 Independent variable coefficient of fitting equation

表3 給出PM2.5、PM10、O3預(yù)報(bào)值及實(shí)況值的Person相關(guān)系數(shù)、顯著性及均方根誤差(表3)，可以看出三者均為顯著相關(guān)，其中O3相關(guān)系數(shù)最高，顯著性最好，PM2.5次之，PM10最低。從均方根誤差來(lái)看，其中O3最小，PM2.5次之，PM10最大。

表3 預(yù)報(bào)值與實(shí)況值相關(guān)系數(shù)、顯著性及均方根誤差Tab.3 Correlation coefficient, significance and root mean square error between forecast value and actual value

注：**表示通過(guò)0.01顯著性檢驗(yàn)

將預(yù)報(bào)值與實(shí)際值進(jìn)行對(duì)比，從圖9可以看出PM2.5、PM10、O3的預(yù)報(bào)值與實(shí)際值的趨勢(shì)基本一致，總體來(lái)看預(yù)報(bào)值小于實(shí)況值，對(duì)O3的預(yù)報(bào)效果要遠(yuǎn)好于PM2.5和PM10?？梢暂^好的指示未來(lái)AQI的變化趨勢(shì)。同時(shí)PM2.5、PM10與O3的趨勢(shì)接近相反，即PM2.5、PM10的峰值對(duì)應(yīng)O3的谷值，反之對(duì)應(yīng)O3的峰值，這與實(shí)際情況一致。

圖9 基于多元回歸預(yù)報(bào)模型得到的PM2.5(a)、PM10(b)、O3(c)預(yù)報(bào)值與實(shí)際值趨勢(shì)Fig.9 Trend of predicted and actual values of PM2.5 (a), PM10 (b), O3 (c) based on multiple regression prediction model

出現(xiàn)這種情況的可能原因是：大氣環(huán)境中可吸入顆粒物的來(lái)源多樣，成分復(fù)雜，不僅與氣象條件相關(guān)，與地理?xiàng)l件等自然因素以及經(jīng)濟(jì)水平、能源結(jié)構(gòu)、管理水平等社會(huì)因素也有很大關(guān)系，僅考慮氣象條件的影響對(duì)于顆粒物污染的預(yù)報(bào)還遠(yuǎn)遠(yuǎn)不夠。而近地面O3大多是在高溫光照條件下，由機(jī)動(dòng)車、發(fā)電廠、燃煤鍋爐和水泥爐窯排放的氮氧化物，加上機(jī)動(dòng)車、石化工業(yè)排放和有機(jī)溶劑的揮發(fā)出的揮發(fā)性有機(jī)物(VOCs)，兩者在光照太陽(yáng)輻射的催化作用下產(chǎn)生的，氣象條件的影響相對(duì)較大。故僅考慮氣象條件的影響時(shí)，O3的預(yù)報(bào)準(zhǔn)確率相對(duì)較高。

2.2.2 ARIMA(p,d,q)污染預(yù)報(bào)模型

根據(jù)最高氣溫、最低氣溫、平均氣溫、降水量、相對(duì)濕度、平均風(fēng)速等氣象數(shù)據(jù)及PM2.5、PM10、O3等空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)，選擇p,d,q數(shù)值創(chuàng)建ARIMA(p,d,q)污染預(yù)報(bào)模型，相關(guān)系數(shù)如表4所示。

表4 ARIMA(p,d,q)污染預(yù)報(bào)模型相關(guān)系數(shù)Tab.4 Correlation coefficient of ARIMA (p, d, q) pollution prediction model

表5給出PM2.5、PM10、O3預(yù)報(bào)值及實(shí)況值的Person相關(guān)系數(shù)、顯著性及均方根誤差(表5)，可以看出三者均為顯著相關(guān)，其中O3相關(guān)系數(shù)最高，顯著性最好，PM2.5次之，PM10最低。從均方根誤差來(lái)看，其中PM10最小，PM2.5次之，O3最大。

表5 預(yù)報(bào)值與實(shí)況值相關(guān)系數(shù)、顯著性及均方根誤差Tab.5 Correlation coefficient, significance and root mean square error between forecast value and actual value

注：**表示通過(guò)0.01顯著性檢驗(yàn)

將預(yù)報(bào)值后與實(shí)際值進(jìn)行對(duì)比，從圖10可以看出PM2.5、PM10、O3的預(yù)報(bào)值與實(shí)際值的趨勢(shì)基本一致，總體來(lái)看預(yù)報(bào)值小于實(shí)況值，同樣可以較好的指示未來(lái)AQI的變化趨勢(shì)。同時(shí)PM2.5、PM10與O3的趨勢(shì)接近相反，即PM2.5、PM10的峰值對(duì)應(yīng)O3的谷值，反之對(duì)應(yīng)O3的峰值，這與多元回歸預(yù)報(bào)模型得出的結(jié)論一致。

將兩個(gè)模型進(jìn)行對(duì)比發(fā)現(xiàn)(表3、表5)，兩者均為顯著相關(guān)，但ARIMA(p,d,q)預(yù)報(bào)模型計(jì)算得到的PM2.5、PM10、O3的相關(guān)系數(shù)均高于多元回歸預(yù)報(bào)模型，尤其是對(duì)PM2.5和PM10來(lái)說(shuō)，前者遠(yuǎn)高于后者。從均方根誤差來(lái)看，ARIMA(p,d,q)預(yù)報(bào)模型計(jì)算得到的PM2.5、PM10的結(jié)果小于多元回歸預(yù)報(bào)模型，而O3則大于多元回歸預(yù)報(bào)模型計(jì)算得到的結(jié)果，進(jìn)一步說(shuō)明ARIMA(p,d,q)預(yù)報(bào)模型對(duì)顆粒物污染的預(yù)報(bào)效果要遠(yuǎn)好于多元回歸預(yù)報(bào)模型。

圖10 基于ARIMA(p,d,q)預(yù)報(bào)模型得到的PM2.5(a)、PM10(b)、O3(c)預(yù)報(bào)值與實(shí)際值趨勢(shì)Fig.10 Trend of predicted and actual values of PM2.5 (a), PM10 (b), O3 (c) based on ARIMA (p, d, q) prediction model

3 結(jié)論和討論

3.1 萬(wàn)盛冬半年污染重于夏半年，顆粒物污染重于O3污染，冬半年主要污染物為PM2.5，夏半年主要污染物為O3。萬(wàn)盛污染一般以良到輕度污染為主，僅有冬季會(huì)出現(xiàn)中度以上污染天氣，其首要污染物均為PM2.5。

3.2 多元回歸預(yù)報(bào)模型和ARIMA(p,d,q)預(yù)報(bào)模型得出的PM2.5、PM10、O3的預(yù)報(bào)值與實(shí)際值的趨勢(shì)基本一致，均可以較好的指示未來(lái)AQI的變化趨勢(shì)。但就預(yù)報(bào)值來(lái)說(shuō)，多元回歸預(yù)報(bào)模型中，O3的預(yù)報(bào)效果要遠(yuǎn)好于PM2.5和PM10；而ARIMA(p,d,q)預(yù)報(bào)模型三者預(yù)報(bào)效果接近?？傮w來(lái)說(shuō)，ARIMA(p,d,q)預(yù)報(bào)模型對(duì)顆粒物污染的預(yù)報(bào)效果要遠(yuǎn)好于多元回歸預(yù)報(bào)模型，而O3則兩種模型預(yù)報(bào)效果接近。

3.3 多元回歸預(yù)報(bào)模型和ARIMA(p,d,q)預(yù)報(bào)模型均是線性回歸模型，要求時(shí)序數(shù)據(jù)是穩(wěn)定的，本質(zhì)上只能捕捉線性關(guān)系，不能捕捉非線性關(guān)系。因此下一步應(yīng)采用非線性的方法對(duì)預(yù)報(bào)模型進(jìn)行補(bǔ)充完善。

3.4 空氣污染不僅與氣象條件有關(guān)，與工業(yè)生產(chǎn)排放、汽車尾氣排放、冬季采暖燃燒煤炭等因素也息息相關(guān)，因此僅考慮氣象條件的影響還遠(yuǎn)遠(yuǎn)不夠，在未來(lái)的預(yù)報(bào)中還應(yīng)該進(jìn)一步考慮以上因素的影響。

3.5 本文中兩種方法均是基于歷史數(shù)據(jù)的變化趨勢(shì)預(yù)報(bào)未來(lái)發(fā)展，由于空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)時(shí)間序列短，對(duì)預(yù)報(bào)結(jié)果造成一定影響，未來(lái)應(yīng)增長(zhǎng)時(shí)間序列以期得到更好的預(yù)報(bào)結(jié)果。

3.6 中西部地區(qū)、中小城市及欠發(fā)達(dá)城市等受經(jīng)濟(jì)條件限制采用單一數(shù)值模式預(yù)報(bào)較多，部分沿海城市及經(jīng)濟(jì)發(fā)達(dá)地區(qū)多選用多模式集合預(yù)報(bào)，單一數(shù)值模型預(yù)報(bào)不確定性較大，多模式集合預(yù)報(bào)采用統(tǒng)一的模式區(qū)域設(shè)置，使用統(tǒng)一高分辨率源排放清單及排放處理過(guò)程，由統(tǒng)一氣象模式產(chǎn)生氣象驅(qū)動(dòng)，能降低氣象和排放源處理不一致引起模式性差異，多模式集合預(yù)報(bào)結(jié)果準(zhǔn)確率明顯高于單一數(shù)值預(yù)報(bào)，已成為發(fā)展的主流方向[10]。