盧盛棟，李 芬*，蔡兆鑫，李 強(qiáng)，牛永波，陳 玲，賀潔穎

（1.山西省氣象災(zāi)害防御技術(shù)中心，山西 太原 030012；2.山西省氣象科學(xué)研究所，山西太原 030002）

隨著城市化的發(fā)展及工業(yè)進(jìn)程的加快，環(huán)境污染已成為人們關(guān)注的焦點(diǎn)?？諝赓|(zhì)量較好的環(huán)境下適宜人們出游活動(dòng)，較差的空氣質(zhì)量不僅不適合人們外出，還會(huì)誘發(fā)諸多疾病[1]?？諝赓|(zhì)量影響因素復(fù)雜，不僅與當(dāng)?shù)匚廴疚颷2-4]排放有關(guān)，還受當(dāng)?shù)氐匦蔚孛瞇5]、氣象條件[6-9]的影響，近年來(lái)，空氣質(zhì)量變化特征及其影響因素受到廣大學(xué)者的廣泛研究[10-16]。朱紅蕊等[12]分析了氣象因子對(duì)哈爾濱空氣質(zhì)量的影響，發(fā)現(xiàn)空氣質(zhì)量與降水、風(fēng)速為負(fù)相關(guān)，與氣壓以正相關(guān)為主，后半年相關(guān)性比較顯著，相對(duì)濕度對(duì)空氣質(zhì)量的影響秋冬季表現(xiàn)為正相關(guān)，5—9月表現(xiàn)為負(fù)相關(guān)。毛卓成等[13]分析了上海地區(qū)空氣質(zhì)量與氣象條件的關(guān)系，結(jié)果表明在冬季平均風(fēng)速減小、逆溫強(qiáng)度增強(qiáng)和次數(shù)增多條件下易導(dǎo)致PM2.5濃度顯著上升。熊世為等[14]分析了滁州市空氣質(zhì)量與氣象要素的關(guān)系，發(fā)現(xiàn)降水量與污染物濃度呈負(fù)相關(guān)，降水對(duì)污染物的濕沉降作用顯著，但弱降水也能使空氣質(zhì)量變差，可能原因是弱降水能使空氣濕潤(rùn)，大氣中的霧滴容易吸附污染物，使得污染物在空氣中長(zhǎng)時(shí)間滯留[15-16]。

氣象因子與空氣質(zhì)量指數(shù)的定量關(guān)系研究，諸多學(xué)者多采用逐步回歸分析方法[17-20]。白雪等[20]利用逐步回歸的方法，以氣溫、風(fēng)速、氣壓等氣象要素和前一時(shí)段空氣質(zhì)量構(gòu)建了錦州市空氣質(zhì)量預(yù)報(bào)方程。姚清晨等[21]利用相關(guān)分析、小波分析方法研究了空氣質(zhì)量變化特征及與氣象因子的關(guān)系。該模型都有一定的適用性，但此類模型都為固定參數(shù)模型，而氣象因子對(duì)空氣質(zhì)量的影響具有雙重性，即同一個(gè)氣象因子對(duì)空氣質(zhì)量指數(shù)的影響在不同時(shí)間尺度上可表現(xiàn)為顯著正相關(guān)，也可表現(xiàn)為顯著負(fù)相關(guān)，因此固定參數(shù)模型準(zhǔn)確率明顯下降，誤差增大。神經(jīng)網(wǎng)絡(luò)方法具有良好的容錯(cuò)性，在氣象預(yù)報(bào)領(lǐng)域已經(jīng)有了廣泛應(yīng)用[22-24]，本文引進(jìn)神經(jīng)網(wǎng)絡(luò)方法，對(duì)逐步回歸方法構(gòu)建的模型具有一定的修正能力。

太原是山西省會(huì)，華北地區(qū)重工業(yè)城市之一，污染物排放較大。近年來(lái)廣大學(xué)者對(duì)太原地區(qū)空氣質(zhì)量進(jìn)行了研究[25-28]。馬杰[25]利用2014年空氣質(zhì)量與氣象數(shù)據(jù)，分析了山西省11個(gè)地級(jí)市空氣質(zhì)量變化特征及氣象要素對(duì)空氣質(zhì)量的影響；閆世明等[26]研究得出太原市秋冬季大氣污染特征和輸送路徑；趙瑩等[27]研究了太原市空氣質(zhì)量空間分布特點(diǎn)；戴燕燕等[28]分析了空氣質(zhì)量與污染物濃度的相關(guān)性。以上關(guān)于太原地區(qū)空氣質(zhì)量的研究大都采用2013—2016年空氣質(zhì)量指數(shù)及氣象因子日平均數(shù)據(jù)，然而，近幾年山西轉(zhuǎn)型發(fā)展步伐加快，城市擴(kuò)容，特別是南部小店區(qū)，與周圍的晉中市同城化發(fā)展，空氣質(zhì)量及其影響因子也發(fā)生了顯著變化。本文利用2017—2019年太原小店區(qū)空氣質(zhì)量指數(shù)及氣象逐時(shí)觀測(cè)數(shù)據(jù)，較日平均數(shù)據(jù)更精準(zhǔn)、全面，分析了氣象因子對(duì)空氣質(zhì)量的影響，利用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了氣象因子與空氣質(zhì)量指數(shù)的關(guān)系模型，并進(jìn)行檢驗(yàn)。與逐步回歸固定參數(shù)模型相比，該模型誤差較小、準(zhǔn)確率高，為太原地區(qū)空氣質(zhì)量預(yù)報(bào)提供科學(xué)參考。

1 資料與方法

文章使用了2017—2020年太原小店區(qū)氣象、空氣質(zhì)量逐時(shí)觀測(cè)數(shù)據(jù)（去掉奇異值），時(shí)間為北京時(shí)間。其中，氣象數(shù)據(jù)由山西省氣象信息中心提供，空氣質(zhì)量數(shù)據(jù)由山西省環(huán)境質(zhì)量監(jiān)測(cè)中心提供。

空氣質(zhì)量指數(shù)（Air Quality Index，AQI）是根據(jù)2012年環(huán)保部門頒布實(shí)施的《環(huán)境空氣質(zhì)量指數(shù)技術(shù)規(guī)定》（HJ633-2012）[29]提出的，即對(duì)某一時(shí)段PM2.5、PM10、O3、NO2、SO2、CO 6種污染物濃度經(jīng)過換算，最大值計(jì)為空氣質(zhì)量指數(shù)，當(dāng)空氣質(zhì)量指數(shù)＞50時(shí)，對(duì)應(yīng)的污染物為首要污染物[29]。空氣質(zhì)量等級(jí)見表1。

表1 空氣質(zhì)量等級(jí)

使用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了氣象因子與AQI的關(guān)系模型。神經(jīng)網(wǎng)絡(luò)是一種前饋性神經(jīng)網(wǎng)絡(luò)，有信號(hào)前向傳遞、誤差反向傳播的特點(diǎn)[23]。輸入信號(hào)從輸入層、隱含層逐層處理直至輸出層，隱含層設(shè)10個(gè)節(jié)點(diǎn)，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使預(yù)測(cè)輸出不斷逼近期望輸出。

在模型檢驗(yàn)時(shí)，用到平均絕對(duì)誤差（公式1）和準(zhǔn)確率，定義如下：

其中，F(xiàn)i為空氣質(zhì)量指數(shù)模擬值，Oi為空氣質(zhì)量指數(shù)實(shí)況值，n為樣本個(gè)數(shù)。準(zhǔn)確率采用了中國(guó)氣象局減災(zāi)司空氣質(zhì)量預(yù)報(bào)評(píng)分規(guī)定：為滿分100；25＜≤50為50分，＞50為0分。因此，準(zhǔn)確率指標(biāo)值為25。

2 結(jié)果與分析

2.1 太原空氣質(zhì)量及主要?dú)庀笠蜃幼兓卣?/h3>

2017—2019年太原空氣質(zhì)量6個(gè)等級(jí)均出現(xiàn)過，其中，良占比最大，為51.9%；其次為輕度污染占24.31%，優(yōu)占12.1%；嚴(yán)重污染最少，占1.9%。圖1給出12個(gè)月空氣質(zhì)量不同等級(jí)分布，1和12月空氣質(zhì)量較差，嚴(yán)重污染等級(jí)分別高達(dá)10.94%、5.03%，1月優(yōu)等級(jí)為6.6%，12月僅為3.26%。2—5月及10—11月，空氣質(zhì)量逐漸轉(zhuǎn)好，優(yōu)等級(jí)在10%左右，嚴(yán)重污染較低，為2%左右。6—9月是太原地區(qū)空氣質(zhì)量較好的月份，沒有出現(xiàn)嚴(yán)重污染等級(jí)，其中8月最好，優(yōu)等級(jí)占25.21%，最差為中度污染，僅為0.56%，沒有出現(xiàn)重度污染及嚴(yán)重污染等級(jí)。

圖1 太原市逐月空氣質(zhì)量指數(shù)各等級(jí)占比分布

為進(jìn)一步了解太原地區(qū)各月首要污染物成分，文章統(tǒng)計(jì)了2017—2019年太原各月份逐時(shí)段首要污染物及所占比例（圖2）。由圖2可知，太原首要污染物均為顆粒物，1—2月以PM2.5為主，3—12月以PM10為主。4—10月出現(xiàn)臭氧污染，其中，6—7月臭氧污染較多，SO2和NO2作為首要污染物較少?？梢?，太原地區(qū)首要污染物以顆粒物污染為主。

圖2 太原市逐月首要污染物占比分布

圖3給出了2017—2019年AQI及主要?dú)庀笠蜃釉戮捣植?。其中，由于降水不具有連續(xù)性，降水?dāng)?shù)據(jù)采取了逐月降水總和的年均值。由圖3可知，太原地區(qū)1—2月AQI均值在100以上，1月空氣質(zhì)量最差；從3月開始，空氣質(zhì)量逐漸好轉(zhuǎn)，AQI均值在100以下，為優(yōu)良等級(jí)。分析原因可能是3月開始太原地區(qū)大風(fēng)逐漸增多，驅(qū)使污染物擴(kuò)散。7—8月為全年空氣質(zhì)量較好的月份，其中8月最好。7—8月太原地區(qū)降水增多，相對(duì)濕度較大，對(duì)污染物濕沉降作用顯著，且氣溫較高、氣壓較低，空氣活躍，有助于污染物的垂直對(duì)流。11月太原地區(qū)供暖開始，AQI月均值上升到100以上，污染較明顯。11月—次年2月，空氣質(zhì)量較差，均值在100以上，為全年易污染月份。

圖3 太原空氣質(zhì)量指數(shù)（a）、氣溫（b）、相對(duì)濕度（c）、風(fēng)速（d）、降水（e）、氣壓（f）月分布

2.2 主要?dú)庀笠蜃訉?duì)AQI的影響

AQI與首要污染物隨時(shí)間變化特征明顯，表明AQI受同時(shí)段氣象因子變化影響較大。表2給出近3 a太原地區(qū)逐月AQI與主要?dú)庀笠蜃拥南嚓P(guān)系數(shù)。9月—次年2月氣溫與AQI呈顯著負(fù)相關(guān)，可能原因是氣溫越低，空氣活動(dòng)減弱，容易形成穩(wěn)定層，不利于污染物擴(kuò)散。由表2也可看出，5—8月，太原地區(qū)氣溫與AQI呈正相關(guān)，且通過0.01的顯著性檢驗(yàn)，可能原因是這幾個(gè)月氣溫較高，往往伴有雨水，對(duì)污染物進(jìn)行沖洗，空氣質(zhì)量好轉(zhuǎn)。

表2 太原地區(qū)逐月空氣質(zhì)量指數(shù)與氣象因子的相關(guān)系數(shù)

相對(duì)濕度與AQI主要表現(xiàn)為正相關(guān)、強(qiáng)相關(guān)，尤其在8月—次年3月呈顯著相關(guān)，可能原因是濕度越大，空氣中霧滴容易吸附污染物，使得污染物長(zhǎng)期在空中滯留。但6—7月相對(duì)濕度與AQI呈顯著負(fù)相關(guān)，原因可能是相對(duì)濕度較低，并常伴有大風(fēng)天氣，大風(fēng)容易引發(fā)沙塵天氣，使空氣質(zhì)量變差、AQI偏高。該時(shí)段首要污染物主要為PM10，也說(shuō)明大風(fēng)使顆粒物濃度升高。

風(fēng)速與AQI主要表現(xiàn)為負(fù)相關(guān)，8月—次年3月呈顯著強(qiáng)相關(guān)，這是因?yàn)轱L(fēng)促使污染物水平擴(kuò)散，降低污染物濃度。5—7月，風(fēng)速與AQI表現(xiàn)為正相關(guān)，且在6月通過了0.05的顯著性檢驗(yàn)。可能是因?yàn)樵谠摃r(shí)段，風(fēng)速較大易引起沙塵天氣，使空氣質(zhì)量變差，且該時(shí)段恰好與相對(duì)濕度和AQI呈負(fù)相關(guān)的時(shí)段吻合。

降水與AQI主要為負(fù)相關(guān)，且在5—11月顯著，通過了0.01的顯著性檢驗(yàn)。因?yàn)榻邓畬?duì)空氣具有凈化作用，使污染物沉降明顯[12]。但12月—次年2月表現(xiàn)為正相關(guān)，相關(guān)系數(shù)較小，為極弱相關(guān)，可能原因是太原處于供暖期，污染物排放較多，降水較少，少量的降水不但不能沖刷污染物，反而增加空氣濕度，使得大氣中的水汽吸附污染物長(zhǎng)期滯留在空中，加劇空氣質(zhì)量惡化。這也與蒲維維[15]、張夏琨[16]等的研究結(jié)論一致。

氣壓與AQI主要表現(xiàn)為負(fù)相關(guān)，并在7月—次年4月顯著，可能原因是近地面氣壓大，容易造成污染物水平擴(kuò)散，降低了污染物濃度，使空氣質(zhì)量變好。5月表現(xiàn)為弱正相關(guān)，可能原因是地面氣壓小，容易造成污染物在垂直方向擴(kuò)散，使空氣質(zhì)量變好。朱紅蕊等[12]研究哈爾濱空氣質(zhì)量與氣象要素的關(guān)系，發(fā)現(xiàn)哈爾濱地區(qū)氣壓與空氣質(zhì)量主要表現(xiàn)為正相關(guān)，這與太原地區(qū)正好相反，這可能與太原三面環(huán)山，同時(shí)氣壓升高，促使污染物水平流動(dòng)有關(guān)。

綜上所述，氣象因子對(duì)空氣質(zhì)量指數(shù)的影響具有雙重性，在不同時(shí)間尺度上基本表現(xiàn)為顯著的正相關(guān)或負(fù)相關(guān)。

2.3 易污染月空氣質(zhì)量及主要?dú)庀笠蜃拥淖兓?/h3>

由圖3a可知，太原11月—次年2月，AQI均值在100以上，統(tǒng)一稱為易污染月。研究易污染月空氣質(zhì)量對(duì)該地區(qū)具有重要的意義。分析2017—2019年太原易污染月不同等級(jí)下空氣質(zhì)量指數(shù)和各氣象因子的均值及不同等級(jí)出現(xiàn)頻率（表3），由于降水不具有連續(xù)性，降水?dāng)?shù)據(jù)為易污染月各污染等級(jí)累加年平均所得。由表3可知，易污染月空氣質(zhì)量以良為主，占比為40.65%；嚴(yán)重污染的發(fā)生頻率最少，為4.59%。

隨著空氣污染加重，氣溫、風(fēng)速、氣壓逐漸降低，相對(duì)濕度逐漸升高，特別在嚴(yán)重污染時(shí)段，相對(duì)濕度達(dá)70.69%，且風(fēng)速降至1 m/s以下，相對(duì)濕度、風(fēng)速變化顯著。由表2可知，在易污染月，相對(duì)濕度、風(fēng)速與空氣質(zhì)量指數(shù)相關(guān)系數(shù)較大，呈強(qiáng)相關(guān)，氣溫、氣壓相關(guān)系數(shù)較低，呈弱相關(guān)。由表3可知，在易污染月，空氣質(zhì)量受相對(duì)濕度、風(fēng)速影響較大。

在易污染月，降水和AQI呈極弱正相關(guān)（表2），降水?dāng)?shù)據(jù)變化不明顯（表3），所以在易污染月降水不是主要影響因子。在易污染月，太原地區(qū)降水偏少，降水樣本數(shù)據(jù)也較少，在以后的研究中，將增加資料時(shí)段，以得到更準(zhǔn)確的分析結(jié)果。

表3 2017—2019年易污染月不同等級(jí)下的空氣質(zhì)量指數(shù)及氣象因子

為進(jìn)一步驗(yàn)證易污染月太原地區(qū)空氣質(zhì)量主要受相對(duì)濕度、風(fēng)速的影響，選取典型個(gè)例加以分析。2019年1月5日09時(shí)—1月8日13時(shí)太原出現(xiàn)一次典型的空氣污染過程，空氣質(zhì)量指數(shù)最高達(dá)362，屬于空氣質(zhì)量嚴(yán)重污染級(jí)別。由于該時(shí)段沒有降水，所以分析過程沒有降水?dāng)?shù)據(jù)變化。

由圖4可知，1月5日09時(shí)，空氣質(zhì)量指數(shù)為68，屬于二級(jí)良，但隨著風(fēng)速急劇降低，空氣質(zhì)量不斷惡化。5日21時(shí)，風(fēng)速降為0，AQI上升到279，之后隨著相對(duì)濕度不斷增大，空氣質(zhì)量持續(xù)惡化。6日07時(shí)，空氣質(zhì)量高達(dá)317，此時(shí)相對(duì)濕度達(dá)89%，風(fēng)速為0，氣壓較低，為933.6 hPa，氣溫為一日中最低，為-14℃，之后隨著相對(duì)濕度降低，風(fēng)速逐漸增大，空氣質(zhì)量逐漸好轉(zhuǎn)。6日11時(shí)，風(fēng)速處于波峰，為2.2 m/s，此時(shí)相對(duì)濕度持續(xù)降低，AQI出現(xiàn)短暫波谷，為247，之后風(fēng)速降低，相對(duì)濕度升高，空氣質(zhì)量又出現(xiàn)惡化。7日03時(shí)，AQI出現(xiàn)波峰，為362，此時(shí)相對(duì)濕度處于波峰88%，風(fēng)速為0，之后相對(duì)濕度降低，風(fēng)速增大，氣壓升高，空氣質(zhì)量逐漸好轉(zhuǎn)。8日13時(shí)，相對(duì)濕度為20%，風(fēng)速達(dá)2.9 m/s，AQI為56，在15時(shí)空氣質(zhì)量指數(shù)為46，屬于一級(jí)優(yōu)，此次空氣污染過程結(jié)束。整個(gè)過程，空氣質(zhì)量指數(shù)的波峰（谷）與相對(duì)濕度的波峰（谷）及風(fēng)速的波谷（峰）較為一致，說(shuō)明，相對(duì)濕度、風(fēng)速對(duì)空氣質(zhì)量指數(shù)影響顯著。

圖4 2019年1月5日9時(shí)—1月8日13時(shí)空氣污染過程空氣質(zhì)量指數(shù)、相對(duì)濕度、氣壓（a）以及氣溫、風(fēng)速（b）的變化特征

2.4 空氣質(zhì)量指數(shù)與氣象因子的關(guān)系模型初探

逐步回歸是將變量逐個(gè)引入，如果原變量由于新變量的引入不再顯著則將其刪除，直到?jīng)]有顯著變量引入回歸方程，也沒有不顯著變量刪除為止。相關(guān)研究表明[18-19]，上一時(shí)段空氣質(zhì)量指數(shù)對(duì)下一時(shí)段空氣質(zhì)量指數(shù)具有顯著影響，使用氣溫、相對(duì)濕度、降水、風(fēng)速、氣壓、上一時(shí)段空氣質(zhì)量指數(shù)及同一時(shí)段空氣質(zhì)量指數(shù)逐時(shí)數(shù)據(jù)，利用逐步回歸方法構(gòu)建AQI與氣象因子的關(guān)系模型為：y=7.671+0.935X1+0.03X2-1.586X3，其中，X1、X2、X3分別代表上一時(shí)段空氣質(zhì)量、相對(duì)濕度、風(fēng)速。

同一個(gè)氣象因子在不同時(shí)間尺度對(duì)空氣質(zhì)量指數(shù)的影響具有雙重性，固定參數(shù)模型易產(chǎn)生誤差。神經(jīng)網(wǎng)絡(luò)具有良好的容錯(cuò)性，現(xiàn)在以氣溫、相對(duì)濕度、降水、風(fēng)速、氣壓、上一時(shí)段空氣質(zhì)量指數(shù)為自變量，空氣質(zhì)量指數(shù)為因變量，以2017年1月—2019年10月數(shù)據(jù)為訓(xùn)練模型，以2019年11—12月數(shù)據(jù)為模擬期，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。

圖5給出了兩種不同模擬方法的擬合結(jié)果，兩種模型都有一定的模擬效果，但相比逐步回歸分析，神經(jīng)網(wǎng)絡(luò)模擬值更趨向?qū)蔷€集中，決定系數(shù)R2由0.9提高到0.94，相關(guān)系數(shù)由0.92提高到0.97，模擬準(zhǔn)確率由91%提高到94%，平均絕對(duì)誤差由11.08降到8.63，神經(jīng)網(wǎng)絡(luò)模型模擬效果更佳。

圖5 逐步回歸分析模型（a）和神經(jīng)網(wǎng)絡(luò)模型（b）的擬合結(jié)果

兩種不同模擬結(jié)果，誤差均呈正態(tài)分布（圖6），兩種模擬結(jié)果誤差主要集中在20以內(nèi)，其中逐步回歸分析模擬結(jié)果誤差＜20的概率為90%，神經(jīng)網(wǎng)絡(luò)模擬結(jié)果誤差概率提高到93%，說(shuō)明神經(jīng)網(wǎng)絡(luò)方法構(gòu)建的氣象因子與空氣質(zhì)量指數(shù)關(guān)系模型的誤差更集中。

圖6 逐步回歸分析模型和神經(jīng)網(wǎng)絡(luò)模型誤差分布的正態(tài)曲線

選取太原市2020年1月空氣質(zhì)量及氣象逐時(shí)數(shù)據(jù)，對(duì)兩種模型進(jìn)行分級(jí)檢驗(yàn)。2020年1月太原市出現(xiàn)多次空氣污染，輕度級(jí)以上污染占全月的68%。以空氣質(zhì)量指數(shù)實(shí)況值及模擬值100為分界線（輕度污染指數(shù)閾值），將模擬結(jié)果散點(diǎn)圖分成4個(gè)區(qū)域（圖7），分別為Ⅰ、Ⅱ、Ⅲ、Ⅳ，對(duì)應(yīng)的散點(diǎn)落在各自區(qū)域的點(diǎn)數(shù)分別計(jì)為a、b、c、d，利用對(duì)應(yīng)公式，分別計(jì)算TS評(píng)分、漏報(bào)率和空?qǐng)?bào)率，結(jié)果見表4。由表4可知，兩種模型的TS評(píng)分都在0.9以上，漏報(bào)率都在10%以下，都有一定的模擬效果，但相比逐步回歸模型，神經(jīng)網(wǎng)絡(luò)模型TS評(píng)分由0.92提高到0.94，漏報(bào)率由8%降到5%，空?qǐng)?bào)率由17%降到13%，神經(jīng)網(wǎng)絡(luò)模型模擬效果更佳，為太原地區(qū)治理大氣污染提供決策依據(jù)。

圖7 對(duì)于2020年1月兩種不同模型的擬合結(jié)果

表4 兩種不同模型的分級(jí)檢驗(yàn)

3 結(jié)論

（1）2017—2019年，太原地區(qū)空氣質(zhì)量6個(gè)等級(jí)均出現(xiàn)過，其中，良占比最大，為51.9%，輕度污染占24.3%，優(yōu)占12.1%，嚴(yán)重污染出現(xiàn)次數(shù)最少，為1.9%。1、12月空氣質(zhì)量較差，嚴(yán)重污染等級(jí)分別高達(dá)10.9%、5.1%，8月空氣質(zhì)量最好，優(yōu)等級(jí)占25.2%。1—2月太原地區(qū)首要污染物為PM2.5，其它月以PM10為主。太原地區(qū)11月—次年2月為空氣質(zhì)量易污染月，AQI均值在100以上。

（2）氣象因子AQI的影響具有雙重性，在不同時(shí)間尺度上表現(xiàn)為顯著的正相關(guān)或負(fù)相關(guān)。氣溫和AQI在1—2月，9月—次年2月表現(xiàn)為顯著負(fù)相關(guān)，5—8月呈顯著正相關(guān)。相對(duì)濕度和AQI在8月—次年3月表現(xiàn)為顯著正相關(guān)且相關(guān)系數(shù)較大，6—7月呈顯著負(fù)相關(guān)。風(fēng)速和AQI在8月—次年3月表現(xiàn)為顯著負(fù)相關(guān)且為強(qiáng)相關(guān)，5—7月為正相關(guān)。降水與AQI主要表現(xiàn)為負(fù)相關(guān)，5—11月通過-0.01的顯著性檢驗(yàn)，每年12月—次年2月為極弱正相關(guān)。氣壓和AQI主要表現(xiàn)為顯著負(fù)相關(guān)。

（3）在易污染月，太原地區(qū)空氣質(zhì)量以良為主，占比為40.7%；其次為輕度污染，占比為24.8%；嚴(yán)重污染最少，為4.6%。隨著空氣質(zhì)量的惡化，平均氣溫、風(fēng)速、氣壓逐漸降低，相對(duì)濕度均值升高。在易污染月，相對(duì)濕度、風(fēng)速與AQI的相關(guān)系數(shù)較高，分別為0.724、-0.622，表現(xiàn)為強(qiáng)相關(guān)，選取個(gè)例也表明AQI受相對(duì)濕度、風(fēng)速影響較大。

（4）利用逐步回歸和神經(jīng)網(wǎng)絡(luò)構(gòu)建氣象因子與空氣質(zhì)量指數(shù)關(guān)系模型，與逐步回歸模型相比，神經(jīng)網(wǎng)絡(luò)模型相關(guān)系數(shù)由0.92提高到0.97，準(zhǔn)確率由91%提高到94%，TS評(píng)分由0.92提高到0.94，神經(jīng)網(wǎng)絡(luò)模型模擬效果更佳，為太原地區(qū)治理大氣污染提供重要的決策依據(jù)。