环境科学  2024, Vol. 45 Issue (11): 6294-6300   PDF    
引用本文
郑祚芳, 王耀庭, 祁文, 高华. 北京城区气传花粉含量分季节预测模型[J]. 环境科学, 2024, 45(11): 6294-6300.
ZHENG Zuo-fang, WANG Yao-ting, QI Wen, GAO Hua. Seasonal Prediction Model for Airborne Pollen Content in Beijing Urban Area[J]. Environmental Science, 2024, 45(11): 6294-6300.
北京城区气传花粉含量分季节预测模型
郑祚芳1,2,3, 王耀庭1,2,3, 祁文4, 高华1,2,3     
1. 北京城市气象研究院, 北京 100089;
2. 中国气象局城市气象重点开放实验室, 北京 100089;
3. 北京城市气象工程技术研究中心, 北京 100089;
4. 铜陵市气象局, 铜陵 244061
收稿日期: 2023-12-01; 修订日期: 2024-02-23
基金项目: 中国气象局城市气象重点开放实验室开放基金项目（LUM-2023-05）
作者简介: 郑祚芳（1972~）, 男, 硕士, 研究员, 主要研究方向为城市环境与大气污染, E-mail：zfzheng@ium.cn
通信作者: 高华, E-mail：hgao@ium.cn
摘要: 气传花粉是主要大气污染物的生物成分之一, 可引起人群过敏反应, 导致一系列过敏性疾病的发生, 准确的花粉含量预测可给易感人群更有效的帮助. 基于2021~2022年花粉季北京城区多站点实测数据, 分析了花粉含量时空分布特征及与气象因子间的联系. 发现花粉含量与气象因子间存在较一致的空间相关性, 但这种相关性具有明显的季节性差异. 在此基础上, 应用格兰杰检验方法遴选出影响北京城区花粉含量的主要气象因子, 结合支持向量机和多元线性回归理论分别建立了北京城区空气花粉含量分季节预测模型. 应用2023年实测数据检验表明, 两种分季节预测模型在2023年春季预测准确率分别为61.2%和60.1%, 秋季预测准确率为68.1%和66.7%, 性能均优于现有业务预测模型, 尤其对重污染事件预测中的跨等级误差改善明显, 为进一步完善北京地区花粉含量预测技术提供了新途径.
关键词: 气传花粉含量      格兰杰检验      预测模型      气象因子      机器学习     
Seasonal Prediction Model for Airborne Pollen Content in Beijing Urban Area
ZHENG Zuo-fang1,2,3 , WANG Yao-ting1,2,3 , QI Wen4 , GAO Hua1,2,3     
1. Institute of Urban Meteorology, China Meteorological Administration, Beijing 100089, China;
2. Key Laboratory of Urban Meteorology, China Meteorological Administration, Beijing 100089, China;
3. Beijing Research Center for Urban Meteorological Engineering and Technology, Beijing 100089, China;
4. Tongling Meteorological Bureau, Tongling 244061, China
Abstract: Airborne pollen is considered to be one of the air pollutants that can cause allergic reactions in humans, leading to the occurrence or aggravation of a series of allergic diseases. The latest study showed that the positive rate of pollen allergens in allergic rhinitis patients in urban areas of Beijing exceeded 80%. Accurate prediction of pollen content could provide more effective assistance to susceptible populations. Based on the measured data from multiple stations in the urban area of Beijing during the pollen season from 2021 to 2022, the spatiotemporal distribution characteristics of pollen content were analyzed. The results showed that the main meteorological factors affecting spring pollen content in the urban area of Beijing were daily average wind speed, 3-day average temperature, water vapor pressure, daily average, temperature, and accumulated temperature. The main meteorological factors affecting autumn pollen content were 3-day average temperature, water vapor pressure, minimum surface temperature, and daily average temperature. In addition, it was found that there was a consistent spatial correlation between the current air pollen content and meteorological elements in the urban area of Beijing, but this correlation had significant seasonal differences. Furthermore, the Granger causality test method was applied to select the main meteorological factors that affected airborne pollen content in the urban area of Beijing, and two prediction models for air pollen content in the Beijing urban area for different seasons were established based on the support vector machine method (SVM) and multiple linear regression theory. The test of the prediction results for 2023 showed that both the SVM model considering seasonal differences and the multiple linear regression model could predict the daily distribution trend of pollen content well. The overall correlation coefficients between the predicted pollen content and the measured values were 0.693 and 0.636 (P < 0.01), respectively. Additionally, both models had good predictive ability for several severe content pollen pollution events within the year. In the spring of 2023, the prediction accuracy of the SVM model and linear model were 61.2% and 60.1%, respectively. During autumn, the prediction accuracy was 68.1% and 66.7%, respectively. The performance was better than that of existing business models, especially in the cross-level error improvement of heavy pollution event prediction. The research results provide reference value for further improving the prediction technology of airborne pollen content in the Beijing area.
Key words: airborne pollen content      Granger causality test      prediction model      meteorological factors      machine learning     

气传致敏花粉是主要大气污染物环境颗粒物的生物成分之一, 散播在空气中的花粉严重影响易感人群的身体健康[1, 2]. 世界卫生组织数据显示全球约有30%人口对花粉具有一定形式过敏反应. 我国过敏性花粉症患者亦已超过千万人, 发病率0.5%~1%（高发区可达5%）, 并呈增长趋势[3]. 近年来, 空气花粉研究得到各国政府和科学家广泛关注. 研究空气花粉含量的变化规律, 预测其变化趋势, 对于植被生产布局、环境评估以及预防当地居民花粉过敏性疾病的发生都具有重要指导意义[4, 5].

目前花粉含量预测模型主要有经验模型、物候模型、传输模型及机器学习等方法. 其中, 应用最广泛的经验模型主要利用阈值定义或统计方法建立花粉含量与天气、气候和土地利用等因素间的关联[6 ~ 9]. 基于过程的物候模型通过模拟植被生长机制来预测花粉释放周期和花粉含量[10, 11]. 与经验模型相比, 机器学习算法通常具有更高准确率, 缺陷在于极值预测误差较大, 并且因为将自变量与因变量之间的关系视作“黑匣子”, 结果可解释性较弱[12]. 花粉传输模型则主要考虑花粉远距离传输的影响, 重点描述湍流通量和对流速度等在花粉运输中的作用[13]. 国内针对花粉含量的监测和预测工作开展较晚, 目前仅在北京、天津、南京和武汉等城市开展花粉监测及少量研究, 结果表明花粉含量受空气温度、地面温度、大气湿度、风速及降水影响较明显[6 ~ 8, 14 ~ 19], 但整体关系较为复杂. 其中, 张姝丽等[6]和张德山等[7]较早应用正交筛选法研究了花粉含量回归预测模型, 奠定了北京地区了逐日花粉含量预测业务基础；齐晨等[20]开展了花粉年含量峰值日期预测试验；赵文芳等[21]、卞萌等[22]和刘宇通等[23]尝试应用机器学习算法及遥感植被数据来改进模型性能. 以上研究对预测模型的改进起到了较好推动作用, 但尚未考虑花粉含量分布的季节性差异, 对气象影响因子亦多基于主观选择, 较少进行客观归因分析.

北京是国内为数不多开展花粉含量观测及预报服务的城市. 市气象局与北京同仁医院合作, 每年花粉季（一般为3月5日~9月31日）每日向公众发布北京城区花粉含量观测实况及未来24 h预报产品. 本文将基于2021~2022年花粉季实测资料, 在分析花粉含量与气象因子相关性基础上, 尝试建立北京城区花粉含量分季节预测模型, 并应用2023年实测数据评估模型性能.

1 材料与方法 1.1 数据

本文所用数据包括：①北京城区2021~2022年花粉季逐日花粉含量及同期气象观测数据, 源自北京市气象数据中心, 用于建立预测模型；②北京城区2023年花粉季逐日花粉含量预测、监测数据及同期气象因子预报产品, 分别取自北京市气象服务中心“花粉监测预报”微信公众号及北京市气象局业务数值预报系统, 用于验证模型性能. 以上数据均可通过公共途径获得.

1.2 方法 1.2.1 花粉含量分级标准

为直观描述花粉含量的危害影响程度, 提示花粉过敏患者及时采取防范措施, 采用中国天气网花粉含量过敏指数分级标准, 见表 1.

表 1 花粉含量分级标准 Table 1 Grading standards for airborne pollen content

1.2.2 格兰杰检验

以往研究在挑选气象影响因子时主要通过相关性分析方法, 当两个变量的相关系数达到一定显著性水平时就认为其存在某种因果关系或物理联系. 这种方法隐含着一种伪相关性, 数据序列的自相关会影响不同变量间的互相关. 格兰杰因果检验既考察变量间的相互关系又考虑其自身变化, 其基本出发点是两个变量X与Y呈高度相关, 并不能说明它们一定存在因果关系, 可能存在其它因素使X与Y之间显示出协同变化趋势, 因此须对相关变量进行检验. 近年来, 格兰杰检验在区域气候变化归因[24]、空气污染驱动力分析[25]和植物花期预测[26]方面均有实施范例.

1.2.3 预测模型

文中采用支持向量机（support vector machine, SVM）和多元线性回归方法分别对逐日花粉含量进行建模, 并比较两种方案的预测性能. SVM方法利用核函数将自变量投射到高维空间, 根据自变量在高维空间相对超平面的位置来判断分类, 是一种有坚实理论基础的小样本机器学习方法, 在气象和环境领域应用广泛[21, 27].

SVM建模时选取具有较强非线性映射能力的高斯核函数：

(1)

式中, K（X, Y）表示两个样本Xi和Yi间的关系, 核函数参数γ决定样本空间至特征空间的映射. 实际应用中需对核函数参数γ及误差惩罚参数C进行优化, 以保证模型的最佳预测效果.

多元线性回归是最常用的统计分析方法, 根据最小二乘法原理由历史数据统计得到多个自变量与因变量间的线性经验关系.

2 分季节预测模型 2.1 花粉含量分布基本特征

北京市气象部门共有12个气传花粉含量观测站（均布设于各区县气象站内）, 其中6个站点（海淀、朝阳、石景山、丰台、昌平和顺义）具备实时（逐日）花粉种类识别及计数能力. 目前北京城区花粉含量观测、预测信息发布主要针对这6个站点进行.

有研究发现[7, 16], 北京地区花粉含量月分布呈现两个高峰期, 第一个高峰在3~5月, 主要为木樨科、杨属、柳属等树木花粉, 占全年总量的53%；第二个高峰在8~10月, 以菊科、藜科及苋科等莠草花粉为主, 占全年总量的26%. 卞萌等[22]依据北京多年花粉含量统计得出年度最小均值出现在第202 d（即7月20日）, 并以此为界将花粉季分为春季和秋季两部分. 图 1给出的是2021年花粉季北京城区6个观测站花粉含量序列（期间数据无缺测）. 可见, 不同站点花粉含量年内分布均符合双峰值分布特征, 但站点间差异很大. 例如3月24日石景山站的花粉含量为3 626粒·（103 mm2）-1, 丰台站的花粉含量仅为718粒·（103 mm2）-1, 相差约5倍. 其次, 花粉含量短期内变化剧烈, 例如4月30日石景山站花粉含量为2 745粒·（103 mm2）-1, 5月1日花粉含量仅为686粒·（103 mm2）-1. 这可能与花粉植物相对观测站点的分布不均匀有关, 另外也可能受局地气象因子的影响较大（例如风、降水的扩散与清除效应）.

图 1 2021年北京城区各站点花粉含量序列 Fig. 1 Daily sequence of airborne pollen content in Beijing urban area in 2021

2.2 主要气象影响因子遴选

影响次日花粉含量的主要因素之一是前日花粉含量实测值, 这受植物生理过程决定[8]. 其次, 某些气象因子被认为与花粉含量间存在关联. 由于不同研究选取的初始气象因子及样本时段存在差异, 结论也不尽一致. 本文选取：日平均风速、日极大风速、风速一阶导数、3 d平均气温、平均相对湿度、水汽压、日照时数、地表平均温度、地表最低温度、地表最高温度、日最低气温、日最高气温、日平均气温、气温日较差、气温一阶导数、积温（每年3月1日开始）和日降水量等17个气象变量, 分别定义为：X1, X2, …, X17. 基本涵盖了已有研究对气象因子及其衍生因子的选定范围.

利用2021~2022年花粉季北京城区海淀、朝阳、石景山、丰台、昌平和顺义等6个站点观测资料, 计算了逐日花粉含量与气象因子（X1, X2, …, X17）之间的相关系数（图 2）. 可见, 尽管不同站点间花粉含量观测值具有较大局地差异（图 1）, 但其与当地17个气象因子间的相关性具有一致性, 几乎同步变化. 最近姜江等[19]针对北京12个观测站的统计分析也表明, 虽然各站点花粉含量值存在地域差异, 但其与日平均气温、风速、相对湿度等气象因子的相关性在12个区域均表现一致. 这表明, 北京地区花粉含量与气象因子间的相关性具有普适性, 意味着可以针对研究区域建立统一的预报模型. 同时笔者注意到, 春季和秋季（以7月20日为界）花粉含量与气象因子间相关性差异显著. 例如在春季, 花粉含量与风速（X1和X2）具有较强的正相关, 但在秋季花粉含量与风速（X1和X2）的相关性很弱. 这与不同季节主导花粉种类不同有关, 春季以树木花粉为主, 花粉从高空散落过程中受风的影响较大. 秋季以草本花粉为主, 低矮植物花粉扩散过程对风速不太敏感. 花粉含量对气象条件的敏感性差异意味着预测模型应针对不同季节分别建模. 之前的研究往往试图在整个花粉季内寻求与气象因子的相关性[15 ~ 19], 这可能也是结果不够理想的主要原因.

1表示X1, 2表示X2, 3表示X3, 4表示X4, 5表示X5, 6表示X6, 7表示X7, 8表示X8, 9表示X9, 10表示X10, 11表示X11, 12表示X12, 13表示X13, 14表示X14, 15表示X15, 16表示X16, 17表示X17 图 2 花粉含量与气象因子的皮尔逊相关系数 Fig. 2 Pearson's correlation coefficient of airborne pollen content and meteorological factors

鉴于北京城区大气污染细物颗粒物对环境气象因子的直接响应期一般不超过2 d[24], 进一步应用2021~2022年观测数据计算了北京城区气象因子与不同滞后期（1~2 d）花粉含量间的相关系数（表 2）. 可见在春季, 花粉含量与平均风速（X1）、极大风速（X2）、3 d平均气温（X4）、平均湿度（X5）、水汽压（X6）、地表平均温度（X8）、地表最低温度（X9）、日最低气温（X11）、日平均气温（X13）和积温（X16）等10个气象因子具有较高相关性（通过0.05置信标准）, 且这种高相关性一般在2 d的滞后期内均有体现, 随着滞后期的延长, 相关性总体上是减弱的. 在秋季, 花粉含量仅与3 d平均气温（X4）、水汽压（X6）、地表最低温度（X9）、日平均气温（X13）和积温（X16）等5个气象因子具有较高相关性. 这种差异进一步暗示花粉含量气象预测模型分季节建模的必要性.

表 2 气象因子与花粉含量的皮尔逊相关系数1） Table 2 Pearson's correlation coefficient of airborne pollen content and meteorological conditions

2.3 格兰杰检验

为避免可能的伪相关现象影响模型的预测性能, 应用格兰杰检验法对上述相关性进行了检验. 本文应用Eview6.0软件进行, 在验证序列平稳性基础上首先假定所有自变量与因变量间均不具备因果关系, 并设定当检验信度小于0.05时, 拒绝原假设. 滞后期k依据表 2, 选为1 d和2 d. 表 3给出的是针对春季气象因子X与花粉含量Y之间具有因果关系的变量. 可见在P为0.05置信标准下影响花粉含量的主要气象因子为日平均风速（X1）、3 d平均气温（X4）、水汽压（X6）、日平均气温（X13）和积温（X16）. 且以上因子仅在滞后期k = 1 d对花粉含量Y有影响, 其他因子均未能通过格兰杰检验, 不再作为建模样本. 在滞后期k = 2 d时, 所有气象变量对花粉含量均没有直接影响, 这与Zheng等[24]关于细颗粒污染物对北京局地气象因子响应期的研究结果一致.

表 3 针对春季的格兰杰检验 Table 3 Granger causality test for spring

类似的, 针对秋季观测数据的格兰杰检验结果见表 4. 在0.05置信标准下影响花粉含量的主要气象因子为3 d平均气温（X4）、水汽压（X6）、地表最低温度（X9）和日平均气温（X13）, 且以上因子同样仅在滞后期k=1 d时对花粉含量Y有直接影响.

表 4 针对秋季的格兰杰检验 Table 4 Granger causality test for autumn

2.4 预测模型

基于遴选出的气象因子和前一日花粉含量观测值（X18）, 利用2021~2022年北京城区6站实测数据, 首先基于最小二乘法原理可得到线性回归模型：

(2)
(3)

式中, Y为预测值（Y1和Y2分别表示春季和秋季）, X为自变量. 线性模型在春季和秋季的拟合复相关系数分别为0.881和0.963, 回归方程F检验P值均小于0.001. 模型在春季和秋季的拟合优度分别为0.772和0.924, 标准误差分别为129.8粒·（103 mm2）-1和49.8粒·（103 mm2）-1.

SVM建模时选择交叉验证与网格搜索法进行参数优化. 将训练样本集均分为M组, 每次用M-1组样本为训练集, 用另一组数据测试, 重复M次. 网格搜索法通过在设定的范围内针对每组参数进行训练, 直到找到惩罚因子C和核函数参数γ最优值. 参考已有的工作[21, 27], 首先对自变量进行归一化处理以避免因子间量级差异的影响. 设置C和γ的优化范围分别为[0, 1 000]和[0, 50], 验证分组M = 4. 采用交叉验证网格搜索对所有自变量组合进行参数寻优, 当C=435, γ =24.07时模型在春季拟合优度为0.790, 标准误差为120.2粒·（103 mm2）-1；当C=302, γ =19.12时, 秋季拟合优度为0.932, 标准误差为46.7粒·（103 mm2）-1, 略优于线性回归模型.

3 模型验证

应用2023年3月5日~9月31日（共计210 d）逐日花粉含量观测值及北京市气象局业务数值预报产品, 对上述预测模型进行了验证（图 3）. 对照图 1可见, 2023年北京城区花粉含量较2021年日际差异更大、峰值更强, 例如在3月11日及5月11日城区花粉含量均值分别为4 061粒·（103 mm2）-1和3 534粒·（103 mm2）-1, 大幅超过花粉含量最高等级标准. 整体上看, 线性模型和SVM模型均能较好预测出花粉含量逐日分布趋势, 预测花粉含量与实测值总体相关系数分别为0.636和0.693, 超过0.01显著性水平. 模型对年内两次超高含量花粉事件均有较好反映, 但预测的峰值日期较观测略有滞后, 峰值强度也偏弱, 表明模型对突发性高含量花粉事件预测能力仍有待进一步提升.

图 3 2023年分季节预测模型性能验证 Fig. 3 Validation of the predictive performance of seasonal prediction models in 2023

表 5给出了上述两种分季节预测模型与北京地区现有花粉预测业务模型（简称现有模型）在不同季节的预测性能. 其中现有模型基于张姝丽[6]和张德山等[7]早期研究成果, 并在多年业务实践中逐渐完善, 但未考虑季节差异. 综合预测值与实测值相关系数、平均偏差和均方根误差等指标来看, 各模型在秋季的预测性能都要优于春季, 这可能与秋季草本花粉含量相对较低有关. 在春季, 花粉含量不仅绝对数值高而且日际波动很大, 与之关系密切的气象因子也更多（表 2）, 导致准确的预测相对困难. 表 5还显示, 分季节SVM模型和线性模型预测性能均优于现有模型, 其性能提升在春季较秋季更明显. 相关评估指标显示, 分季节SVM模型性能略优于线性模型.

表 5 2023年北京花粉含量预测准确率 Table 5 Prediction accuracy of airborne pollen content in 2023 in Beijing

为使本研究有一个更贴近日常生活认知的精度结果, 依据表 1分级标准计算了现有模型和本文分季节模型的预测准确率. 在春季（表 6）, 大多数情况下（约85%的样本）3个模型的预报误差均小于一个等级, 表明模型整体具有较高的预报水平. 比较可见, 分季节SVM模型和线性模型较现有模型在实测花粉含量为一级、三级、四级和五级等样本数较多的花粉日预报准确率均有改进, 特别是在花粉污染较严重的四级和五级样本中, 预测准确率提升明显（约20个百分点）. 在整个春季138 d中, 分季节SVM模型和线性模型的总体准确率为61.2%和60.1%, 分别高出现有模型13.4和12.3个百分点. 此外还可见, 在大多数花粉污染日, 分季节模型的预报误差均小于现有模型. 例如, 现有模型预报误差为一个等级的样本占37.0%, 分季节SVM模型和线性模型仅为28.3%和29.7%. 同时, 对重污染事件的预测改善明显. 2023年春季共有14个极高污染日（六级）, 现有模型预测偏差3个等级以上的天数占21.4%, 分季节SVM模型和线性模型仅为7.1%.

表 6 2023年春季北京花粉含量预测准确率1） Table 6 Prediction accuracy of airborne pollen content in spring 2023 in Beijing

类似的, 表 7显示的是秋季的预报准确率. 总体上, 3个模型的预报准确率均高于春季, 与表 5展现的评估指标一致. 在秋季, 分季节SVM模型和线性模型的总体准确率为68.1%及66.7%, 分别高出现有模型5.3个百分点和3.9个百分点. 分季节模型的优势在于对二级及以上的花粉日预报准确率有明显改进, 特别是污染严重的四级和五级污染日预报准确率提升显著, 但在花粉含量较低（一级）的情况下略不及现有模型. 此外亦可见, 在多数花粉污染日分季节模型的预报误差小于现有现有模型, 并减弱了跨等级预报误差.

表 7 2023年秋季北京花粉含量预测准确率 Table 7 Prediction accuracy of airborne pollen content in autumn 2023 in Beijing

4 结论

（1）针对2021~2022年观测数据分析发现, 北京城区不同站点花粉含量与气象因子间存在较一致的相关性, 但这种关联存在明显的季节性差异, 因此在建立花粉含量预测模型时有必要分季节建模.

（2）影响北京城区春季花粉含量的主要气象因子为日平均风速、3 d平均气温、水汽压、日平均气温和积温；影响秋季花粉含量的主要气象因子为3日平均气温、水汽压、地表最低温度和日平均气温.

（3）基于支持向量机SVM和线性回归理论分别建立了分季节预测模型, 在2023年春（秋）季总体准确率分别为61.2%（68.1%）和60.1%（66.7%）, 尤其对重污染事件预测中的跨等级误差改善明显. 其中基于机器学习方案的SVM模型更具优势, 且均优于现有预测模型.

参考文献
[1] 汤蕊, 王良录, 尹佳, 等. 花粉症的中国历程[J]. 中国科学: 生命科学, 2021, 51(8): 901-907.
Tang R, Wang L L, Yin Jia, et al. History of hay fever in China[J]. Scientia Sinica Vitae, 2021, 51(8): 901-907.
[2] 欧阳昱晖, 张罗. 花粉过敏的防御和治疗[J]. 中国耳鼻咽喉头颈外科, 2020, 27(4): 177-179.
Ouyang Y H, Zhang L. Prevention and treatment of seasonal allergic rhinitis[J]. Chinese Archives of Otolaryngology-Head and Neck Surgery, 2020, 27(4): 177-179.
[3] Wang X Y, Ma T T, Wang X Y, et al. Prevalence of pollen-induced allergic rhinitis with high pollen exposure in grasslands of northern China[J]. Allergy, 2018, 73(6): 1232-1243. DOI:10.1111/all.13388
[4] 赵 德䴖宇, 叶彩华, 王宇飞, 等. 京津冀地区气传花粉数据分析[J]. 植物学报, 2021, 56(6): 751-760.
Zhao D J Y, Ye C H, Wang Y F, et al. Analysis on the data of airborne pollen in Beijing-Tianjin-Hebei region[J]. Chinese Bulletin of Botany, 2021, 56(6): 751-760.
[5] Bicakci A, Tosunoglu A, Altunoglu M K, et al. An aeropalynological survey in the city of Van, a high altitudinal region, East Anatolia-Turkey[J]. Aerobiologia, 2017, 33(1): 93-108. DOI:10.1007/s10453-016-9453-3
[6] 张姝丽, 张德山, 何海娟, 等. 北京城区8月日花粉总数量和致敏花粉数量短期预报[J]. 气象科技, 2006, 34(6): 724-727.
Zhang S L, Zhang D S, He H J, et al. Daily total pollen and allergic pollen forecasting in august in Beijing[J]. Meteorological Science and Technology, 2006, 34(6): 724-727. DOI:10.3969/j.issn.1671-6345.2006.06.015
[7] 张德山, 徐景先, 张姝丽, 等. 北京地区花粉通量演变曲线的预报模式初探[J]. 气象科学, 2010, 30(6): 822-826.
Zhang D S, Xu J X, Zhang S L, et al. Preliminary study on predicting model of airborne pollen flux in Beijing[J]. Scientia Meteorologica Sinica, 2010, 30(6): 822-826. DOI:10.3969/j.issn.1009-0827.2010.06.011
[8] Zink K, Pauling A, Rotach M W, et al. EMPOL 1.0: a new parameterization of pollen emission in numerical weather prediction models[J]. Geoscientific Model Development, 2013, 6(6): 1961-1975. DOI:10.5194/gmd-6-1961-2013
[9] Fang Y M, Ma C M, Bunting M J, et al. Airborne pollen concentration in Nanjing, Eastern China, and its relationship with meteorological factors[J]. Journal of Geophysical Research: Atmospheres, 2018, 123(19): 10842-10856.
[10] Picornell A, Buters J, Rojo J, et al. Predicting the start, peak and end of the Betula pollen season in Bavaria, Germany[J]. Science of the Total Environment, 2019, 690: 1299-1309. DOI:10.1016/j.scitotenv.2019.06.485
[11] Romero-Morte J, Rojo J, Pérez-Badia R. Meteorological factors driving airborne grass pollen concentration in central Iberian Peninsula[J]. Aerobiologia, 2020, 36(2): 527-540.
[12] 尹炤寅, 刘燕, 党冰, 等. 气传花粉监测数据研究进展[J]. 科技导报, 2022, 40(15): 49-63.
Yin Z Y, Liu Y, Dang B, et al. Progress of research based on the airborne pollen monitoring data[J]. Science & Technology Review, 2022, 40(15): 49-63.
[13] Menut L, Vautard R, Colette A, et al. A new model of ragweed pollen release based on the analysis of meteorological conditions[J]. Atmospheric Chemistry and Physics Discussions, 2014, 14(7): 10891-10927.
[14] 孙爱芝, 张海红, 李雪银, 等. 北京市北部空气花粉类型及浓度变化特征研究[J]. 地理科学, 2023, 43(4): 737-744.
Sun A Z, Zhang H H, Li X Y, et al. Characteristics of airborne pollen types and concentrations in the north of Beijing, China[J]. Scientia Geographica Sinica, 2023, 43(4): 737-744.
[15] 张军, 徐新, 张增信, 等. 南京市空气中花粉特征及其与气象条件关系[J]. 气象与环境学报, 2009, 25(5): 67-71.
Zhang J, Xu X, Zhang Z X, et al. Allergic pollen characteristics in air and its relationship with meteorological factors in Nanjing[J]. Journal of Meteorology and Environment, 2009, 25(5): 67-71.
[16] 孟龄, 王效科, 欧阳志云, 等. 北京城区气传花粉季节特征及与气象条件关系[J]. 环境科学, 2016, 37(2): 452-458.
Meng L, Wang X K, Ouyang Z Y, et al. Seasonal dynamics of airborne pollens and its relationship with meteorological factors in Beijing urban area[J]. Environmental Science, 2016, 37(2): 452-458.
[17] Qin X X, Li Y Y. Influence of environmental factors on spatial and temporal variability of allergenic Artemisia pollen in Beijing, China[J]. Agricultural and Forest Meteorology, 2022, 313. DOI:10.1016/j.agrformet.2021.108690
[18] Chen L X, Zhang Y, Kong Z C. Airborne pollen patterns and their relationship with meteorological factors in the Betula microphylla-Dominated wetland of Ebinur Lake, Xinjiang, China[J]. Science China Earth Sciences, 2021, 64(10): 1746-1760.
[19] 姜江, 乔媛, 任成英, 等. 北京气传花粉浓度变化特征及其与气象条件的关系[J]. 气象与环境学报, 2023, 39(5): 91-98.
Jiang J, Qiao Y, Ren C Y, et al. Characteristics of airborne pollen concentration in Beijing and its relationship with meteorological factors[J]. Journal of Meteorology and Environment, 2023, 39(5): 91-98.
[20] 齐晨, 姜江, 叶彩华, 等. 北京主要气传致敏花粉年浓度峰值日期预测[J]. 生态学报, 2023, 43(7): 2650-2662.
Qi C, Jiang J, Ye C H, et al. Prediction of date of annual maximum concentration of main airborne allergenic pollen in Beijing[J]. Acta Ecologica Sinica, 2023, 43(7): 2650-2662.
[21] 赵文芳, 王京丽, 尚敏, 等. 基于粒子群优化和支持向量机的花粉浓度预测模型[J]. 计算机应用, 2019, 39(1): 98-104.
Zhao W F, Wang J L, Shang M, et al. Forecasting model of pollen concentration based on particle swarm optimization and support vector machine[J]. Journal of Computer Applications, 2019, 39(1): 98-104.
[22] 卞萌, 郭树毅, 王威, 等. 融合植被遥感数据的北京市次日花粉浓度预测[J]. 地球信息科学学报, 2021, 23(9): 1705-1713.
Bian M, Guo S Y, Wang W, et al. Next-day prediction of pollen concentration in Beijing by integrating remote sensing derived leaf area index[J]. Journal of Geo-Information Science, 2021, 23(9): 1705-1713.
[23] 刘宇通, 王汶. 结合百度指数和遥感数据的花粉过敏研究[J]. 遥感信息, 2021, 36(6): 113-119.
Liu Y T, Wang W. Analysis of pollen allergy based on Baidu index and remote sensing data[J]. Remote Sensing Information, 2021, 36(6): 113-119.
[24] Zheng Z F, Ren G Y, Wang H, et al. Relationship between fine-particle pollution and the urban heat island in Beijing, China: observational evidence[J]. Boundary-Layer Meteorology, 2018, 169(1): 93-113.
[25] 张晓彬, 宁淼, 于渤. 基于格兰杰因果关系的北京市PM2.5污染驱动因素分析[J]. 环境保护, 2020, 48(10): 59-64.
Zhang X B, Ning M, Yu B. Analysis of PM2.5 pollution driving factors in Beijing-Tianjin-Hebei region based on Granger causality[J]. Environmental Protection, 2020, 48(10): 59-64.
[26] 赵梦凡, 颜亮东, 周秉荣, 等. 基于格兰杰因果关系的门源油菜始花期预报方法[J]. 生态学杂志, 2023, 42(7): 1653-1660.
Zhao M F, Yan L D, Zhou B R, et al. Prediction method of first-flowering date for Brassica napus L. in Menyuan based on Granger causality[J]. Chinese Journal of Ecology, 2023, 42(7): 1653-1660.
[27] 宋萍, 车军辉, 国婷婷, 等. 环胶州湾高速路面低温气候特征和SVM预报模型[J]. 海洋气象学报, 2023, 43(3): 80-87.
Song P, Che J H, Guo T T, et al. Climatic characteristics and SVM forecast model of subfreezing road temperature on the expressways around Jiaozhou bay[J]. Journal of Marine Meteorology, 2023, 43(3): 80-87.