论文部分内容阅读
摘要采用灰色拓扑预测方法，以怀化市1981～2008年汛期降水量（4～9月）数据为基础建立了降水量预测模型，并利用2009～2013年降水数据对模型的预测结果进行了检验，最后对2014～2018年汛期降水量进行了预测。研究表明，灰色拓扑预测方法具有良好的预测效果，其结果可为怀化市汛期降水预报提供借鉴和参考。
关键词降水量；汛期；灰色拓扑预测；GM（1，1）；怀化市
中图分类号S161.6文献标识码A文章编号0517-6611（2015）07-181-02
The Grey Topology Prediction of Precipitation during Flood Season in Huaihua City
ZHANG Kun，WANG Xin-fa，XIAO Min et al
（Meteorological Administration of Huaihua City， Huaihua， Hunan 418000）
AbstractUsing the grey topology prediction method， the precipitation prediction model was established on the basis of flood season precipitation in Huaihua during 1981-2008 （4-9 months）， and the prediction results of the model was tested by using the precipitation data of 2009-2013 years. Finally， the precipitation in flood season during 2014-2018 was forecasted.Research shows that：the grey topological prediction method has good prediction effect， the results can provide the reference for the rainfall forecast in flood season in Huaihua City.
Key words Precipitation； Flood season； Grey topology predictionl； GM（1， 1）； Huaihua City
区域降水量与干旱、洪涝灾害的发生、发展及其强度密切相关，对农业生产乃至整个国民经济发展具有重要影响[1]，准确预测降水量对预防和减少干旱、洪涝灾害损失，提高气象灾害预警和防灾减灾能力具有重要意义。近年来，不少专家学者采用灰色系统论对区域年降水量及汛期降水量进行预测研究，取得了较好的预测效果。如周春花等基于1981～2003年降水资料，应用灰色系统GM（1，1）模型，对东川地区未来年份的降水量进行了灰色预测，预测效果良好[2]；王琳琳等基于灰色拓扑理论对辽宁朝阳地区降水量进行了预测，其预测精度基本满足要求[3]；袁月平等基于灰色自记忆模型，对杭州市年降水量序列进行拟合和预测，结果表明模型有效可行、精度高、稳定性好[4]。
怀化市位于湖南省西南部，地处武陵、雪峰两大山脉之间，属中亚热带季风湿润气候，小气候多样，垂直差异大，山地气候带明显，自然灾害频发[5]。对怀化市汛期（4～9月）降水量进行预测，分析未来降水趋势，可为汛期短期降水预报提供借鉴和参考，并对气象防灾减灾具有重要意义。该研究基于灰色系统理论对怀化市1981～2013年汛期降水量序列进行分析，用1981～2008年的数据进行参数率定，建立汛期降水量灰色拓扑预测模型，用2009～2013年数据对模型预测精度进行检验，最后对未来5年汛期降水量进行预测。
1资料与方法
1.1 数据的选取与预处理
所用资料为怀化气象观测站1981～2013年汛期（4～9月）降水数据。其中，利用1981～2008年汛期降水数据建立预测模型；使用2009～2013年的汛期降水量数据对模型预测精度进行检验。
1.2灰色系统理论
1.2.1
GM（1，1）模型。
灰色系统理论是邓聚龙在1982年提出并建立的，是一种研究少数据、贫信息不确定性问题的新方法，主要通过对“部分”已知信息的生成、开发，提取有价值的信息，实现对系统运行行为、演化规律的正确描述和有效监控[6]。灰色系统理论已被广泛地运用于某种事件发生的预测，如数列预测、灾变预测、拓扑预测等，均收到了较好效果[7]。GM（1，1） 模型是灰色预测的核心，它是一种单变量预测的一阶微分方程模型，其离散时间响应函数近似呈指数规律[3]。GM（1，1）模型的建模过程如下[6]：
设有初始序列
X（0）={x（0）（1），x（0）（2），…，x（0）（n）}
（1）
对序列（1）进行一次累加（1-AGO），生成新的序列，即
X（1）={x（1）（1），x（1）（2），…，x（1）（n）}
（2）
其中累加公式为：
x（1）（K）=∑kt=1x（0）（t），
根据序列（2）可以建立白化一阶微分方程
dx（1）dt+ax（1）=u，
式中，a为待辨识参数，亦称发展系数；u为待辨识内生变量，亦称灰作用量。参数a和u根据最小二乘法确定，且满足
a^=[a，u]T=（BTB）-1BTY，
其中
B= -12（x（1）（1）+x（1）（2））1
-12（x（1）（2）+x（1）（3））1
……
-12（x（1）（n-1）+x（1）（n））1
、
Y=[x（0）（2），x（0）（3），…，x（0）（n）]T，
由此可以得到白化一阶微分方程的解（时间响应函数）为：
x（1）（k+1）=（x（0）（1）-ua）e-ak+ua。
由于GM（1，1）模型曲线是比较简单的指数形式，而降水量的变化波形比较复杂，起伏波动变化较大，因此直接将GM（1，1）模型用于降水量预测一般精度较低，很难达到理想的效果。
1.2.2
灰色拓扑预测方法。
灰色拓扑预测又称波形预测，是对原始数据的波形变化进行预测[8]，其实质是GM（1，1）模型群的预测，它可以弥补单一GM（1，1）模型对不规则变化曲线预测精度较差的不足。灰色拓扑预测的基本思想为：
将汛期降水量原始序列X（0）在二维平面上按点（t，x（0）（t））绘制时间序列变化曲线。为了对整个曲线的未来发展变化进行预测，人为选定一系列阈值ξi（i=1，2，...，n），假设序列X（0）的最大值为Max x（0），最小值为Min x（0），则Min x（0）≤ξi≤Max x（0）。在二维平面上，做平行于横轴的直线ξi，得到与原始序列X（0）变化曲线相交（切）点的横坐标序列mt（0）t={mt（0）i（1），mt（0）i（2），…，mt（0）i（ni）}。对序列mt（0）i建立GM（1，1）模型，预测阈值ξi出现的时刻，根据预测时间值和对应的阈值ξi绘制曲线，以预测汛期降水量在未来的变化趋势。
1.2.3
模型精度检验。
为了分析模型的可靠性，必须对模型的拟合精度进行检验，目前较为通用的方法是进行模型的后验差检验[9]。即，先计算原始序列的方差S1，
S21=1n
∑nk=1
[x（0）（k）-1n
∑nk=1
x（0）（k）]2，
然后计算残差序列的方差S2，
S22=1n
∑nk=1
[ε（k）-1n
∑nk=1
ε（k）]2，
最后计算后验差比（均方差比值）C及小误差概率P，
C=S2S1、
P=P（|ε（k）-1n
∑nk=1
ε（k）|<0.674 5S1），
根据后验差比C及小误差概率P可以对模型进行检验，确定模型的精度等级，检验标准如表1所示。
表1 模型精度检验等级参照
模型精度等级CP
好<0.35>0.95
合格<0.50>0.80
勉强<0.65>0.70
不合格≥0.65≤0.70
2汛期降水量灰色拓扑预测
进行灰色拓扑预测建模时，阈值的选取是人为确定的，可以根据样本数据的特征选取一系列等间距或非等间距阈值，一般而言，阈值之间的间距越小，模型预测精度会越高，但计算量也会随之加大。在此所选资料为1981～2013年汛期（4～9月）共33年降水量数据，其中利用1981～2008年的数据进行建模。统计可知，1981～2008年怀化市汛期降水量的最小值为1985年的483.2 mm，最大值为2002年的1 343.1 mm，因此阈值ξi（i=1，2，...，n）的取值在483.2～1 343.1 mm。进行GM（1，1）建模时，初始序列一般应至少有4个数据，根据样本数据特征，选取阈值的初始值为765，增量为25，阈值最大值为1 290，共取22个阈值，以所取22个阈值分别作平行于横轴的等高线，可得到与1981～2008年汛期降水量变化曲线相交的22个交点横坐标序列。在各阈值下，以每一个交点的横坐标序列作为建模的初始数据分别建立GM（1，1）模型，用模型分别求出横坐标序列的拟合值和预测值，然后换算出各阈值所对应的时间（年份）序列。
以阈值ξi=1 165为例，与1981～2008年汛期降水量曲线相交得到的横坐标序列X（0）ξi={14.910 6，15.096 6，17.194 3，18.328 2，20.474 2，21.305 8}，由此可建立模型：
x（1）（k+1）=162.001 2e0.084 0k-147.090 6，
k的取值从0开始，其最大值由交点的数量确定。根据起始年份（1981年）及上述模型即可换算出阈值ξi=1 165所出现的年份，即{1996，1997，1998，1999，2001，2003}。
同理，可以根据其他所选取的阈值分别建立不同的预测模型，并对模型进行后验差检验。由灰色拓扑预测模型与模型的检验结果（表2）可见，除阈值765、790所对应的模型等级为合格外，其他阈值下所建立的预测模型的精度等级均为好。由灰色拓扑预测模型的拟合结果可知， 1971～2008年怀化市汛期降水量灰色拓扑预测模型的拟合平均相对误差为13.82%，其中，除1985年（相对误差71.25%）、1986年（相对误差20.73%）、2000年（相对误差23.52%）、2003年（相对误差44.13%）误差较大外，其余年份拟合误差均在20%以内。由于阈值选取的原因，预测结果中缺少1983～1984年的拟合值，但这并不影响模型的拟合结果。
表2灰色拓扑预测模型及检验结果
阈值预测模型CP模型等级
765x（1）（k+1）=9.191 2e0.494 7k-8.999 90.409 80.8合格 790 x（1）（k+1）=9.079 1e0.495 6k-8.792 20.406 60.8合格
815 x（1）（k+1）=8.033 8e0.372 4k-7.651 20.309 21好
840 x（1）（k+1）=12.075 9e0.258 4k-11.597 70.271 31好
865 x（1）（k+1）=23.892 2e0.176 2k-23.318 40.149 71好
890 x（1）（k+1）=62.279 0e0.084 6k-61.609 50.195 51好
............
1 165 x（1）（k+1）=162.001 2e0.084 0k-147.090 60.140 51好
............
1 290 x（1）（k+1）=221.112 6e0.074 6k-203.217 00.349 81好
从2009～2013年怀化市汛期降水量预测结果（表3）可知，除2009年（相对误差50.85%）、2011年（相对误差48.70%）较大外，其余年份相对误差均较小。利用灰色拓扑预测模型对2014～2018年怀化市汛期降水量进行预测，结果发现这5年的汛期降水量分别为1 052.50、1 097.50、956.67、1 151.36、1 010.83 mm。
3结论与讨论
（1）降水量的长期预测具有较大难度，而基于GM（1，1）
模型的灰色拓扑预测方法则具有所需样本数据少、预测结果
图12010年1～12月分宜负离子浓度日变化
图22010年1～12月分宜负离子平均浓度变化
相对湿度等气象要素与负离子浓度大小的相关关系不太明显。排除季节性原因，负离子浓度较高时所处的有利天气条件所占比例较大。一般负离子浓度较高时，多为雷雨天气，或降水天气过程的第1天至第2天，即降水将空气中的尘埃冲刷干净，空气质量较高，而这种情况下湿度一般也较大，风
速适中，但是否各方面天气条件有利的配合才会使得负离子浓度更高，还需要有更长期的数据进行有利的分析。
3 小结与讨论
就测点而言，分宜站负离子浓度一般，空气清新度一般。负离子浓度呈现明显的年变化特征，夏、秋季高，冬、春季低。日变化规律，3～8和11月下午高于上午，其他各月均为上午略高于下午。阵雨、间歇性小雨和雷暴天气过后，负离子浓度明显升高。负离子浓度与云量、风速、相对湿度等气象要素的相关关系不太明显。
开展负离子观测、预报及研究可以指导公众合理安排日常生活，促进身心健康，特别是对于有特殊需求的敏感人群预防和控制疾病，恢复健康具有重要的意义。优良的生态环境为地方经济社会发展提供了良好的可持续发展基础。负离子浓度是衡量生态保护区、自然保护区、旅游度假区生态环境质量的重要指标，针对重点旅游景区开展负离子的观测、预报与服务，不仅可以对公众进行正确的引导和服务，且对提升重点旅游景点的生态价值和品位、增加地方旅游收入、促进地方社会经济的发展具有重要作用。空气中负离子浓度与当地气象条件有直接关系，研究负离子与天气气候的关系，提示其影响变化规律，有利于提高天气气候预测预报的准确率，提高防灾减灾水平。负离子的分布特征和浓度水平可以用于区域大气环境质量评价，为预防和控制大气环境污染提供科学依据。
参考文献
[1]
唐春燕，蔡哲，肖安，等.井冈山空气负离子浓度特征及其与气象条件关系[J]. 安徽农业科学，2011，39（1）：495-496.
[2] 叶彩华，王晓云，郭文利.空气中负离子浓度与气象条件关系初探[J].气象科技，2000（4）：51-52.
[3] 邹忠旺，石星堂.对资溪空气负离子的分析与思考[C]//农业气象与生态环境年会论文集.中国气象学会，2006：478-481.
关键词降水量；汛期；灰色拓扑预测；GM（1，1）；怀化市
中图分类号S161.6文献标识码A文章编号0517-6611（2015）07-181-02
The Grey Topology Prediction of Precipitation during Flood Season in Huaihua City
ZHANG Kun，WANG Xin-fa，XIAO Min et al
（Meteorological Administration of Huaihua City， Huaihua， Hunan 418000）
AbstractUsing the grey topology prediction method， the precipitation prediction model was established on the basis of flood season precipitation in Huaihua during 1981-2008 （4-9 months）， and the prediction results of the model was tested by using the precipitation data of 2009-2013 years. Finally， the precipitation in flood season during 2014-2018 was forecasted.Research shows that：the grey topological prediction method has good prediction effect， the results can provide the reference for the rainfall forecast in flood season in Huaihua City.
Key words Precipitation； Flood season； Grey topology predictionl； GM（1， 1）； Huaihua City
区域降水量与干旱、洪涝灾害的发生、发展及其强度密切相关，对农业生产乃至整个国民经济发展具有重要影响[1]，准确预测降水量对预防和减少干旱、洪涝灾害损失，提高气象灾害预警和防灾减灾能力具有重要意义。近年来，不少专家学者采用灰色系统论对区域年降水量及汛期降水量进行预测研究，取得了较好的预测效果。如周春花等基于1981～2003年降水资料，应用灰色系统GM（1，1）模型，对东川地区未来年份的降水量进行了灰色预测，预测效果良好[2]；王琳琳等基于灰色拓扑理论对辽宁朝阳地区降水量进行了预测，其预测精度基本满足要求[3]；袁月平等基于灰色自记忆模型，对杭州市年降水量序列进行拟合和预测，结果表明模型有效可行、精度高、稳定性好[4]。
怀化市位于湖南省西南部，地处武陵、雪峰两大山脉之间，属中亚热带季风湿润气候，小气候多样，垂直差异大，山地气候带明显，自然灾害频发[5]。对怀化市汛期（4～9月）降水量进行预测，分析未来降水趋势，可为汛期短期降水预报提供借鉴和参考，并对气象防灾减灾具有重要意义。该研究基于灰色系统理论对怀化市1981～2013年汛期降水量序列进行分析，用1981～2008年的数据进行参数率定，建立汛期降水量灰色拓扑预测模型，用2009～2013年数据对模型预测精度进行检验，最后对未来5年汛期降水量进行预测。
1资料与方法
1.1 数据的选取与预处理
所用资料为怀化气象观测站1981～2013年汛期（4～9月）降水数据。其中，利用1981～2008年汛期降水数据建立预测模型；使用2009～2013年的汛期降水量数据对模型预测精度进行检验。
1.2灰色系统理论
1.2.1
GM（1，1）模型。
灰色系统理论是邓聚龙在1982年提出并建立的，是一种研究少数据、贫信息不确定性问题的新方法，主要通过对“部分”已知信息的生成、开发，提取有价值的信息，实现对系统运行行为、演化规律的正确描述和有效监控[6]。灰色系统理论已被广泛地运用于某种事件发生的预测，如数列预测、灾变预测、拓扑预测等，均收到了较好效果[7]。GM（1，1） 模型是灰色预测的核心，它是一种单变量预测的一阶微分方程模型，其离散时间响应函数近似呈指数规律[3]。GM（1，1）模型的建模过程如下[6]：
设有初始序列
X（0）={x（0）（1），x（0）（2），…，x（0）（n）}
（1）
对序列（1）进行一次累加（1-AGO），生成新的序列，即
X（1）={x（1）（1），x（1）（2），…，x（1）（n）}
（2）
其中累加公式为：
x（1）（K）=∑kt=1x（0）（t），
根据序列（2）可以建立白化一阶微分方程
dx（1）dt+ax（1）=u，
式中，a为待辨识参数，亦称发展系数；u为待辨识内生变量，亦称灰作用量。参数a和u根据最小二乘法确定，且满足
a^=[a，u]T=（BTB）-1BTY，
其中
B= -12（x（1）（1）+x（1）（2））1
-12（x（1）（2）+x（1）（3））1
……
-12（x（1）（n-1）+x（1）（n））1
、
Y=[x（0）（2），x（0）（3），…，x（0）（n）]T，
由此可以得到白化一阶微分方程的解（时间响应函数）为：
x（1）（k+1）=（x（0）（1）-ua）e-ak+ua。
由于GM（1，1）模型曲线是比较简单的指数形式，而降水量的变化波形比较复杂，起伏波动变化较大，因此直接将GM（1，1）模型用于降水量预测一般精度较低，很难达到理想的效果。
1.2.2
灰色拓扑预测方法。
灰色拓扑预测又称波形预测，是对原始数据的波形变化进行预测[8]，其实质是GM（1，1）模型群的预测，它可以弥补单一GM（1，1）模型对不规则变化曲线预测精度较差的不足。灰色拓扑预测的基本思想为：
将汛期降水量原始序列X（0）在二维平面上按点（t，x（0）（t））绘制时间序列变化曲线。为了对整个曲线的未来发展变化进行预测，人为选定一系列阈值ξi（i=1，2，...，n），假设序列X（0）的最大值为Max x（0），最小值为Min x（0），则Min x（0）≤ξi≤Max x（0）。在二维平面上，做平行于横轴的直线ξi，得到与原始序列X（0）变化曲线相交（切）点的横坐标序列mt（0）t={mt（0）i（1），mt（0）i（2），…，mt（0）i（ni）}。对序列mt（0）i建立GM（1，1）模型，预测阈值ξi出现的时刻，根据预测时间值和对应的阈值ξi绘制曲线，以预测汛期降水量在未来的变化趋势。
1.2.3
模型精度检验。
为了分析模型的可靠性，必须对模型的拟合精度进行检验，目前较为通用的方法是进行模型的后验差检验[9]。即，先计算原始序列的方差S1，
S21=1n
∑nk=1
[x（0）（k）-1n
∑nk=1
x（0）（k）]2，
然后计算残差序列的方差S2，
S22=1n
∑nk=1
[ε（k）-1n
∑nk=1
ε（k）]2，
最后计算后验差比（均方差比值）C及小误差概率P，
C=S2S1、
P=P（|ε（k）-1n
∑nk=1
ε（k）|<0.674 5S1），
根据后验差比C及小误差概率P可以对模型进行检验，确定模型的精度等级，检验标准如表1所示。
表1 模型精度检验等级参照
模型精度等级CP
好<0.35>0.95
合格<0.50>0.80
勉强<0.65>0.70
不合格≥0.65≤0.70
2汛期降水量灰色拓扑预测
进行灰色拓扑预测建模时，阈值的选取是人为确定的，可以根据样本数据的特征选取一系列等间距或非等间距阈值，一般而言，阈值之间的间距越小，模型预测精度会越高，但计算量也会随之加大。在此所选资料为1981～2013年汛期（4～9月）共33年降水量数据，其中利用1981～2008年的数据进行建模。统计可知，1981～2008年怀化市汛期降水量的最小值为1985年的483.2 mm，最大值为2002年的1 343.1 mm，因此阈值ξi（i=1，2，...，n）的取值在483.2～1 343.1 mm。进行GM（1，1）建模时，初始序列一般应至少有4个数据，根据样本数据特征，选取阈值的初始值为765，增量为25，阈值最大值为1 290，共取22个阈值，以所取22个阈值分别作平行于横轴的等高线，可得到与1981～2008年汛期降水量变化曲线相交的22个交点横坐标序列。在各阈值下，以每一个交点的横坐标序列作为建模的初始数据分别建立GM（1，1）模型，用模型分别求出横坐标序列的拟合值和预测值，然后换算出各阈值所对应的时间（年份）序列。
以阈值ξi=1 165为例，与1981～2008年汛期降水量曲线相交得到的横坐标序列X（0）ξi={14.910 6，15.096 6，17.194 3，18.328 2，20.474 2，21.305 8}，由此可建立模型：
x（1）（k+1）=162.001 2e0.084 0k-147.090 6，
k的取值从0开始，其最大值由交点的数量确定。根据起始年份（1981年）及上述模型即可换算出阈值ξi=1 165所出现的年份，即{1996，1997，1998，1999，2001，2003}。
同理，可以根据其他所选取的阈值分别建立不同的预测模型，并对模型进行后验差检验。由灰色拓扑预测模型与模型的检验结果（表2）可见，除阈值765、790所对应的模型等级为合格外，其他阈值下所建立的预测模型的精度等级均为好。由灰色拓扑预测模型的拟合结果可知， 1971～2008年怀化市汛期降水量灰色拓扑预测模型的拟合平均相对误差为13.82%，其中，除1985年（相对误差71.25%）、1986年（相对误差20.73%）、2000年（相对误差23.52%）、2003年（相对误差44.13%）误差较大外，其余年份拟合误差均在20%以内。由于阈值选取的原因，预测结果中缺少1983～1984年的拟合值，但这并不影响模型的拟合结果。
表2灰色拓扑预测模型及检验结果
阈值预测模型CP模型等级
765x（1）（k+1）=9.191 2e0.494 7k-8.999 90.409 80.8合格 790 x（1）（k+1）=9.079 1e0.495 6k-8.792 20.406 60.8合格
815 x（1）（k+1）=8.033 8e0.372 4k-7.651 20.309 21好
840 x（1）（k+1）=12.075 9e0.258 4k-11.597 70.271 31好
865 x（1）（k+1）=23.892 2e0.176 2k-23.318 40.149 71好
890 x（1）（k+1）=62.279 0e0.084 6k-61.609 50.195 51好
............
1 165 x（1）（k+1）=162.001 2e0.084 0k-147.090 60.140 51好
............
1 290 x（1）（k+1）=221.112 6e0.074 6k-203.217 00.349 81好
从2009～2013年怀化市汛期降水量预测结果（表3）可知，除2009年（相对误差50.85%）、2011年（相对误差48.70%）较大外，其余年份相对误差均较小。利用灰色拓扑预测模型对2014～2018年怀化市汛期降水量进行预测，结果发现这5年的汛期降水量分别为1 052.50、1 097.50、956.67、1 151.36、1 010.83 mm。
3结论与讨论
（1）降水量的长期预测具有较大难度，而基于GM（1，1）
模型的灰色拓扑预测方法则具有所需样本数据少、预测结果
图12010年1～12月分宜负离子浓度日变化
图22010年1～12月分宜负离子平均浓度变化
相对湿度等气象要素与负离子浓度大小的相关关系不太明显。排除季节性原因，负离子浓度较高时所处的有利天气条件所占比例较大。一般负离子浓度较高时，多为雷雨天气，或降水天气过程的第1天至第2天，即降水将空气中的尘埃冲刷干净，空气质量较高，而这种情况下湿度一般也较大，风
速适中，但是否各方面天气条件有利的配合才会使得负离子浓度更高，还需要有更长期的数据进行有利的分析。
3 小结与讨论
就测点而言，分宜站负离子浓度一般，空气清新度一般。负离子浓度呈现明显的年变化特征，夏、秋季高，冬、春季低。日变化规律，3～8和11月下午高于上午，其他各月均为上午略高于下午。阵雨、间歇性小雨和雷暴天气过后，负离子浓度明显升高。负离子浓度与云量、风速、相对湿度等气象要素的相关关系不太明显。
开展负离子观测、预报及研究可以指导公众合理安排日常生活，促进身心健康，特别是对于有特殊需求的敏感人群预防和控制疾病，恢复健康具有重要的意义。优良的生态环境为地方经济社会发展提供了良好的可持续发展基础。负离子浓度是衡量生态保护区、自然保护区、旅游度假区生态环境质量的重要指标，针对重点旅游景区开展负离子的观测、预报与服务，不仅可以对公众进行正确的引导和服务，且对提升重点旅游景点的生态价值和品位、增加地方旅游收入、促进地方社会经济的发展具有重要作用。空气中负离子浓度与当地气象条件有直接关系，研究负离子与天气气候的关系，提示其影响变化规律，有利于提高天气气候预测预报的准确率，提高防灾减灾水平。负离子的分布特征和浓度水平可以用于区域大气环境质量评价，为预防和控制大气环境污染提供科学依据。
参考文献
[1]
唐春燕，蔡哲，肖安，等.井冈山空气负离子浓度特征及其与气象条件关系[J]. 安徽农业科学，2011，39（1）：495-496.
[2] 叶彩华，王晓云，郭文利.空气中负离子浓度与气象条件关系初探[J].气象科技，2000（4）：51-52.
[3] 邹忠旺，石星堂.对资溪空气负离子的分析与思考[C]//农业气象与生态环境年会论文集.中国气象学会，2006：478-481.