恩平市空气负氧离子时空分布特征及日变化预测研究

何博翰; 姚钰玲; 朱怀卫; 温文; 肖悦; 刘敏

doi:10.16032/j.issn.1004-4965.2026.052

恩平市空气负氧离子时空分布特征及日变化预测研究

doi: 10.16032/j.issn.1004-4965.2026.052

何博翰¹,
姚钰玲^2, ,,
朱怀卫¹,
温文³,
肖悦³,
刘敏¹

1.
广东省生态气象中心，广东广州 510640
2.
中国气象局广州热带海洋气象研究所，广东广州 510640
3.
恩平市气象局，广东恩平 524001

基金项目:

广东省气象局科学技术研究项目 GRMC2025M50

广东省生态气象中心科学技术研究项目 STZX215040005

广东省气象局科学技术研究项目 GRMC2023M38

详细信息

通讯作者:
姚钰玲，女，山西省人，助理研究员，主要从事气象大数据分析、气候预测和气旋动力学研究。E-mail: yaoyl@gd121.cn

中图分类号: P49
计量
- 文章访问数: 2
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 0
出版历程
- 收稿日期: 2025-01-26
- 修回日期: 2025-04-24
- 网络出版日期: 2026-09-04
- 刊出日期: 2026-08-20

Spatiotemporal Distribution Characteristics and Daily Variation Prediction of Air Negative Oxygen Ions in Enping

1.
Guangdong Ecological Meteorology Center, Guangzhou 510640, China
2.
Guangzhou Institute of Tropical and Marine Meteorology, China Meteorological Administration, Guangzhou 510640, China
3.
Enping Meteorological Bureau, Enping, Guangdong 524001, China

摘要

摘要: 空气负氧离子是衡量空气质量的核心指标之一。利用2022—2023年广东省恩平市4个地面负氧离子观测站点数据，系统分析负氧离子浓度时空变化特征，并结合多元线性回归方法和轻量级梯度提升机（Light Gradient Boosting Machine，LightGBM）机器学习算法，建立基于气象因子的负氧离子日变化预测模型并进行对比验证。结果表明：就单站而言，负氧离子浓度均值排序为七星坑站 > 气象局站 > 鳌峰山站 > 青南角站；平均来看，恩平市负氧离子多年平均值可达2 697个·cm^-3。月际变化显示，负氧离子浓度在5—9月达到最大。日变化则呈现两峰一谷型特征，在05:00和16:00（北京时，下同）较大，10:00最小。恩平市负氧离子日均浓度与同期的相对湿度、降水量和气温呈显著正相关，与平均气压和PM_2.5呈显著负相关。当负氧离子浓度较大时，两个模型的预测结果均较实际值偏小。相较于传统的多元线性回归模型，LightGBM预测模型对恩平市负氧离子浓度日变化预测结果的均方根误差和平均绝对误差更小，决定系数更接近于1，与实际情况的拟合更好，预测结果更为精准。
- 负氧离子 /
- 时空分布特征 /
- 模型预测 /
- LightGBM机器学习
Abstract: Negative oxygen ion (NOI) concentration is one of the crucial indicators for air quality. Using the observational data from four NOI stations in Enping from 2022 to 2023, this study analyzed the spatiotemporal variations of NOIs. Based on multiple linear regression (MLR) and Light Gradient Boosting Machine (LightGBM) algorithm, the daily prediction models for NOI variations were established, incorporating meteorological and ecological factors. The results indicate that Enping has high NOI levels which are highly beneficial to human health. Overall, the annual mean NOI concentrations reaches 2 697 cm^-3. Spatially, the ranking of NOI concentrations across stations are as follows: Qixingkeng > Meteorological Bureau > Aofeng Mountain > Qingnanjiao. Diurnally, the NOI concentration exhibited a bimodal pattern, with two peaks at 05:00 BJT and 16:00 BJT, and in-between a trough at 10:00 BJT. The monthly averages of NOI concentrations were higher from May to September and lower in other months. Correlation analysis revealed that the daily average NOI concentrations were significantly positively correlated with relative humidity, precipitation, and temperature, but negatively correlated with average atmospheric pressure and PM_2.5 concentrations. Both models tended to underestimate relatively larger observed values. However, compared to the MLR model, the LightGBM model demonstrated superior performance, yielding a lower root mean square error (RMSE), a lower absolute mean error (MAE) and a coefficient of determination closer to 1. These findings suggest that the LightGBM model provides a better fit to the observed data, thus a more accurate and robust tool for forecasting daily NOI variations in Enping.
- negative oxygen ions (NOI) /
- spatiotemporal distribution characteristics /
- model-based prediction /
- LightGBM machine learning

HTML全文

图 1 恩平市监测站点位置

圆点代表负氧离子监测站点，分别为（1）七星坑，（2）气象局，（3）鳌峰山，（4）青南角；菱形点为恩平国家气象站位置。

下载: 全尺寸图片幻灯片

图 2 模型训练集（黑色实线，单位：个·cm^-3）和验证集（黑色点线，单位：个·cm^-3）划分

灰色垂直虚线为训练集和验证集的分界线，括号内为个例序号。

下载: 全尺寸图片幻灯片

图 3 恩平市四个站点（点线图）和多站平均（绿色柱状图）负氧离子（单位：个·cm^-3）月平均变化

红色、黄色、蓝色和黑色电线分别代表气象局、鳌峰山、七星坑和青南角。黑色标注数字为多站平均月均值最大、最小值。

下载: 全尺寸图片幻灯片

图 4 恩平市PM₁₀（黑色，单位：μg·cm^-3）和PM_2.5（灰色，单位：μg·cm^-3）月均变化

下载: 全尺寸图片幻灯片

图 5 恩平市FVC（单位：%）月均值变化

下载: 全尺寸图片幻灯片

图 6 恩平市负氧离子（单位：个·cm^-3）小时变化

实线为小时平均变化，虚线为最大、最小值与所对应时刻的连接线。

下载: 全尺寸图片幻灯片

图 7 负氧离子与各类因子相关性热力图

“**”表示通过99%置信度的显著性检验。

下载: 全尺寸图片幻灯片

图 8 负氧离子浓度（单位：个·cm^-3）预测值和实际值的对比散点图

a. LightGBM模型预测；b.多元线性回归模型预测。虚线为预测值与实际值相等的对角线。

下载: 全尺寸图片幻灯片

图 9 负氧离子浓度（单位：个·cm^-3）预测值和实际值残差对比

a. LightGBM模型预测；b.多元线性回归模型预测。虚线代表残差为0。

下载: 全尺寸图片幻灯片

图 10 模型预测结果泰勒图

横、纵轴均为RSD，虚线为1/1 000倍的RMSE，外圈弧线标注了R。红色和黄色圆点分别代表LightGBM模型和多元线性回归模型。

下载: 全尺寸图片幻灯片

表 1 恩平市负氧离子监测站点名称与位置

序号站点名称经度/°E 纬度/°N

1 七星坑 112.10 22.19

2 气象局 112.25 22.27

3 鳌峰山 112.31 22.19

4 青南角 112.38 22.16

下载: 导出CSV

表 2 两种模型的RMSE（单位：个·cm^-3）、MAE（单位：个·cm^-3）和R²

模型 RMSE MAE R²

LightGBM模型 433.52 306.30 0.87

多元线性回归模型 476.47 371.96 0.84

下载: 导出CSV

参考文献(37)

[1]	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, 28(4): 51-52.
[2]	Iwama H. Negative air ions created by water shearing improve erythrocyte deformability and aerobic metabolism[J]. Indoor Air, 2004, 14(4): 293-297.
[3]	王薇, 余庄. 中国城市环境中空气负离子研究进展[J]. 生态环境学报, 2013, 22(4): 705-711.
[4]	钟林生, 吴楚材, 肖笃宁. 森林旅游资源评价中的空气负离子研究[J]. 生态学杂志, 1998, 17(6): 56-60.
[5]	胡猛, 陈蝶聪, 任文斌. 揭西县空气负氧离子浓度的时空特征分析[J]. 广东气象, 2021, 43(1): 53-56.
[6]	陈兵红, 应俊辉, 靳全锋. 丽水市空气负氧离子分布特征及影响因素[J]. 浙江农业科学, 2018, 59(8): 1444-1448.
[7]	顾小丽, 钱燕珍, 鲍岳建, 等. 宁波市负氧离子浓度分布与预测模型及其在旅游气象中的应用[J]. 气象与环境学报, 2013, 29(6): 128-133.
[8]	余威, 旷云米, 李璐. 四川省大邑县负氧离子浓度分布分析及影响因子研究[J]. 北京农业, 2015(29): 148-149.
[9]	曲洪亮, 袁园, 李慧斌, 等. 小兴安岭腹地空气负氧离子浓度变化特征分析[J]. 气象科技, 2024, 52(4): 601-609.
[10]	冯晓钰, 张云惠, 王智楷, 等. 金华市不同区域负氧离子浓度特征与气象环境因素相关分析[J]. 沙漠与绿洲气象, 2024, 18(3): 150-157.
[11]	郁珍艳, 李正泉, 樊高峰, 等. 浙江省气象及环境因子对负氧离子浓度的影响[J]. 中国环境科学, 2023, 43(2): 514-524.
[12]	刘小菊, 黄文敏, 资桂荣, 等. 珠海市负氧离子时空特征及预报方程初探[J]. 绿色科技, 2023, 25(4): 47-50+56.
[13]	龚苗, 王晓荣, 刘清平, 等. 潜山国家森林公园负氧离子变化及主要气象因素的关系研究[J]. 中国农学通报, 2023, 39(30): 101-107.
[14]	何博翰, 颜昭潮, 向昆仑, 等. 龙门县负氧离子浓度的分布特征[J]. 广东气象, 2022, 44(3): 54-56.
[15]	李强, 帅川, 肖梦莹, 等. 遂川县负氧离子变化特征及其与气象因素关系[J]. 农业灾害研究, 2024, 14(7): 126-128+132.
[16]	计桂平. 浮梁县负氧离子密度与气象要素关系分析[J]. 气象水文海洋仪器, 2024, 41(3): 84-87.
[17]	简单, 金杨, 方鹤鸣, 等. 兰溪市负氧离子浓度特征与气象因素关系研究[J]. 四川环境, 2024, 43(2): 7-13.
[18]	刘佳明, 刘君, 李镜玉. 古田会址旅游景区空气负离子浓度变化特征与气象因素分析[J]. 防护林科技, 2019(6): 45-47+92.
[19]	金琪, 严婧, 杨志彪, 等. 湖北春季大气负氧离子浓度分布特征及与环境因子的关系[J]. 气象科技, 2015, 43(4): 728-733.
[20]	戴俊, 谢美兰, 戴华林. 邵阳市负氧离子浓度变化与气象要素相关分析[J]. 科技风, 2019(13): 115-116.
[21]	王薇, 张之秋. 城市住区空气负离子浓度时空变化及空气质量评价——以合肥市为例[J]. 生态环境学报, 2014, 23(11): 1783-1791.
[22]	丛菁, 孙立娟. 大连市负氧离子浓度分布及预测模型的建立[J]. 气象与环境学报, 2010, 26(4): 44-47.
[23]	王宝, 解福燕, 张自祥, 等. 玉溪空气负氧离子预测模型的建立[J]. 高原气象, 2015, 34(1): 251-257.
[24]	顾小丽, 段月, 王晓慧, 等. 四明山空气清新度分布变化特征及预测模型[J]. 浙江气象, 2021, 42(3): 10-17.
[25]	张春桂. 福建省空气负氧离子分布特征及气象预测模型[J]. 应用气象学报, 2023, 34(2): 193-205.
[26]	彭继达, 张春桂. 基于PCA-RF组合模型的福建省空气负氧离子浓度预测研究[J]. 能源与环保, 2024, 46(1): 17-24.
[27]	孟茹, 胡江波, 田光文, 等. 汉中负氧离子浓度分布特征及预测[J]. 陕西气象, 2024(1): 53-59.
[28]	贺海晏. 近40年广东省的旱涝特征[J]. 热带气象学报, 1998, 14(4): 297-305.
[29]	姜燕敏, 李正泉, 郁珍艳, 等. 空气负离子观测数据质量控制方法研究[J]. 气象水文海洋仪器, 2021, 38(1): 5-10.
[30]	胡梦玲, 庆涛, 朱鑫君, 等. 江宁区负氧离子变化特征及其与气象因素关系[J]. 环境科学与技术, 2021, 44(S2): 32-40.
[31]	Gupta P, Sayeed A. MERRA2_CNN_HAQAST bias corrected global hourly surface total PM2.5 mass concentration, V1 [DB/OL]. Greenbelt, MD, USA: Goddard Earth Sciences Data and Information Services Center (GES DISC), 2024[2025-03-05].
[32]	Zeng X B, Dickinson R E, Walker A, et al. Derivation and evaluation of global 1-km fractional vegetation cover data for land modeling[J]. Journal of Applied Meteorology, 2000, 39(6): 826-839.
[33]	Zhang T N, He W H, Zheng H, et al. Satellite-based ground PM2.5 estimation using a gradient boosting decision tree[J]. Chemosphere, 2021, 268: 128801.
[34]	Ke G L, Meng Q, Finley T, et al. LightGBM: A highly efficient gradient boosting decision tree[A]. In: Proceedings of the 31st International Conference on Neural Information Processing Systems[C]. Long Beach: Curran Associates Inc., 2017, 3149-3157.
[35]	Raschka S. Model evaluation, model selection, and algorithm selection in machine learning[PP/OL]. V3. arXiv (2020-11-11). https://doi.org/10.48550/arXiv.1811.12808.
[36]	胡丽华, 袁锡沛, 管勇, 等. 恩平市1962—2009年暴雨气候特征[J]. 广东气象, 2012, 34(1): 35-37+41.
[37]	陶威, 周雪婧, 王丹丹, 等. 湖州负氧离子分布特征及其与降雨的关系[J]. 自然科学, 2021, 9(5): 701-706.