姚 寧，馬青蘭，張 晶，文 印

1．太原理工大學(xué):a．環(huán)境科學(xué)與工程學(xué)院，b．現(xiàn)代科技學(xué)院，山西 太原 030024

2．廣西大學(xué)林學(xué)院，廣西 南寧 530004

3．亞熱帶農(nóng)業(yè)生物資源保護與利用國家重點實驗室，廣西 南寧 530004

近年來，隨著國家對大氣污染防治的重視，全國城市空氣質(zhì)量總體保持穩(wěn)定，但以二氧化硫、氮氧化物和顆粒物為主的大氣污染依然較為嚴(yán)重［1］，尤其是霧霾現(xiàn)象逐漸引起公眾的關(guān)注?？諝馕廴緦夂颉⑸鷳B(tài)系統(tǒng)、土壤以及人體健康帶來的危害是巨大的，因此，大氣污染物濃度的預(yù)測將會成為未來氣象預(yù)報的重要內(nèi)容，也會成為未來環(huán)境管理和預(yù)警的重要參考［2］。

經(jīng)典的大氣污染物濃度預(yù)測方法主要依靠以污染物排放源為基礎(chǔ)的數(shù)學(xué)模型，這些數(shù)學(xué)模型主要研究污染物擴散因子之間的關(guān)系，典型的有無界高斯煙流擴散模式、靜小風(fēng)擴散模式、封閉性擴散模式、線源擴散模式、面源擴散模式等［3］。隨著模糊數(shù)學(xué)、系統(tǒng)工程學(xué)、GIS空間分析在環(huán)境科學(xué)領(lǐng)域的深入，以及現(xiàn)代人工智能技術(shù)的不斷完善，出現(xiàn)了一系列基于環(huán)境因子的新型預(yù)測方法，如模糊識別法、人工神經(jīng)網(wǎng)絡(luò)預(yù)測、GIS空間插值預(yù)測［4］等。

本研究建立污染物濃度與影響因子之間的BP神經(jīng)網(wǎng)絡(luò)，對城市中各監(jiān)測點位的次日大氣污染物濃度進行預(yù)測，并運用GIS的插值分析進行污染物空間分布預(yù)測，其中BP神經(jīng)網(wǎng)絡(luò)的輸入向量采用AGNES算法進行處理，總體結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)總體結(jié)構(gòu)

1 構(gòu)建大氣污染物濃度的優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

1.1 神經(jīng)網(wǎng)絡(luò)模型架構(gòu)

BP(Back-Propagation)神經(jīng)網(wǎng)絡(luò)是目前使用最廣泛的人工神經(jīng)網(wǎng)絡(luò)，對于非線性關(guān)系可以做出很好的模擬和預(yù)測。該網(wǎng)絡(luò)是基于誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)［5］，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特點是誤差反向傳播。如圖2所示，根據(jù)輸出節(jié)點的誤差反饋，調(diào)整輸入節(jié)點的權(quán)重系數(shù)，以達到最佳的神經(jīng)網(wǎng)絡(luò)模型［6］。

研究表明，氣溫、濕度、降水量、氣壓、風(fēng)速等氣象因素是大氣污染物擴散的主要影響因子［7］，當(dāng)天的污染物濃度還與前5天的歷史濃度有著比較強的非線性關(guān)系［8］。本研究采用氣溫、濕度、降水量、換算后成海平面氣壓的大氣壓強、風(fēng)速和前5天的污染物濃度等10個參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，用X=［x1，x2…x10］表示，輸入層神經(jīng)元個數(shù)為10。根據(jù)萬能逼近定理［9］，存在一個可以以任意精度逼近任意連續(xù)函數(shù)的高斯型模糊邏輯系統(tǒng)，所以對于3層BP神經(jīng)網(wǎng)絡(luò)來說，只要隱藏層的神經(jīng)元個數(shù)足夠多，是能夠做出高精度預(yù)測的。設(shè)隱藏層輸出向量為 Y=［y1，y2…yn］，神經(jīng)元個數(shù)為n，隱藏層輸入函數(shù)為f1，輸出層為監(jiān)測點位的污染物濃度值，神經(jīng)元個數(shù)為1，輸出函數(shù)為f2，輸出值設(shè)為a，ω為各層神經(jīng)元之間的連接權(quán)重系數(shù)，θ為各神經(jīng)元的閾值。隱藏層的輸出為式中:k為輸出層神經(jīng)元的下標(biāo)，本文中k=1。

用MATLAB中的newff函數(shù)創(chuàng)建一個反射傳播算法的BP神經(jīng)網(wǎng)絡(luò)，隱藏層神經(jīng)元個數(shù)的確定根據(jù)經(jīng)驗公式［10］，取3 ～14。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)示意圖

1.2 數(shù)據(jù)歸一化

數(shù)據(jù)歸一化是為了避免因離散值存在而造成的數(shù)據(jù)模型不收斂的情況［11］，采用 MATLAB軟件中的premnmx函數(shù)進行數(shù)據(jù)歸一化處理，模型輸出值用postmnmx函數(shù)進行反歸一化，以得到相應(yīng)量綱的數(shù)據(jù)。

1.3 模型訓(xùn)練

采用研究城市最近200天的10個影響參數(shù)和對應(yīng)該日污染物濃度值(來源于當(dāng)?shù)丨h(huán)境保護局空氣質(zhì)量發(fā)布系統(tǒng))作為輸入矩陣對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練函數(shù)采用traingdm函數(shù)，訓(xùn)練完成即可進行預(yù)測仿真。

1.4 AGNES算法優(yōu)化訓(xùn)練數(shù)據(jù)

AGNES(Agglomerative Nesting)是凝聚的層次聚類算法［12］，首先找出對象間歐式距離最小的兩個簇，合并為一個新的簇，然后將其包含在下一次的聚類對象中，繼續(xù)尋找合并，直到所有的簇都合并成為一個最大的簇，建立層次聚類表，按照條件選出最佳聚類方案。將歸一化之后的訓(xùn)練輸入數(shù)據(jù)進行AGNES算法聚類，然后找出每一類中偏差最大的一組數(shù)據(jù)(某一天的10個參數(shù))剔除，這樣做有助于減少個別離散值對BP神經(jīng)網(wǎng)絡(luò)帶來的影響，對提高網(wǎng)絡(luò)的精確性有幫助。

2 基于GIS的污染物空間分布預(yù)測

GIS的空間插值分析主要是從有限個點的觀測數(shù)據(jù)中找到一組函數(shù)關(guān)系，并根據(jù)這組函數(shù)關(guān)系推求出更多點的值或是整個區(qū)域值的分布，表1列出了ArcGIS中5種插值方法的比較［13－16］。根據(jù)環(huán)保部門發(fā)布的各國控監(jiān)測點位污染物濃度和氣象預(yù)報，結(jié)合BP神經(jīng)網(wǎng)絡(luò)和GIS空間差值法，可以實現(xiàn)污染物的分布預(yù)測。由于自動監(jiān)測技術(shù)有限，各城市檢測點位普遍不多［17］，所以采用ArcGIS中的Kriging插值法。

表1 ArcGIS中5種插值方法的比較

3 預(yù)測實例

3.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測污染物濃度

采用太原市環(huán)保局AQI發(fā)布系統(tǒng)公布的SO2、PM10日均值濃度(2013年10月28日—2014年5月17日，第N天到第(N+4)天的濃度作為(N+5)天的參數(shù))和中央氣象臺發(fā)布的太原市氣象數(shù)據(jù)(2013年11月2日—2014年5月22日，包括平均溫度、平均濕度、降水量、海平面氣壓、平均風(fēng)速)作為研究對象，把這些數(shù)據(jù)按照1∶1分為訓(xùn)練集和驗證集，訓(xùn)練集數(shù)據(jù)經(jīng)過歸一化、AGNES算法聚類和剔除離散值，可以作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練矩陣和目標(biāo)矩陣，設(shè)置最大訓(xùn)練次數(shù)為90 000 次，計算精度 10－2，速率為10－2。

試驗結(jié)果顯示，預(yù)測SO2、PM10濃度的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果均較好(圖3)。

圖3 預(yù)測SO2、PM10的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果

將這兩種污染物的驗證集輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進行仿真預(yù)測，把預(yù)測結(jié)果(反歸一化前)和實際污染物濃度(歸一化后)做相關(guān)性分析，如圖4、圖5所示。結(jié)果表明，預(yù)測結(jié)果與實際濃度顯著相關(guān)。

圖4 SO2預(yù)測濃度與實際濃度的相關(guān)性

圖5 PM10預(yù)測濃度與實際濃度的相關(guān)性

3.2 GIS空間插值分析預(yù)測污染物的空間分布

運用上述BP神經(jīng)網(wǎng)絡(luò)，預(yù)測2014年5月27日太原南寨、澗河、尖草坪、桃園、塢城、小店、金勝、晉源8個監(jiān)測點位SO2和PM10的濃度值。使用ArcGIS的坐標(biāo)轉(zhuǎn)換功能，將上述8個點位導(dǎo)入圖層(北京54坐標(biāo)系)，創(chuàng)建點文件，以污染物濃度預(yù)測值作為Z值字段，對文件進行正態(tài)分布分析、協(xié)方差分析、空間相關(guān)性分析，導(dǎo)出Kriging插值分析圖，把太原市區(qū)行政圖的柵格文件導(dǎo)入作為對照。

兩種污染物濃度趨勢大體都為從南向北增大，這主要是由于該區(qū)域內(nèi)國控大氣污染企業(yè)的分布大體呈現(xiàn)北密南疏的趨勢，污染物濃度最高的區(qū)域為市中心，生活污染源和交通線源污染對其濃度的貢獻不容忽視，加之太原西、北、東三面環(huán)山的地形特點，使得太原地區(qū)的空氣常處于沉積、滯留狀態(tài)［18］，污染物的分布如圖6、圖7所示。

圖6 SO2濃度分布預(yù)測圖(μg/m3)

圖7 PM10濃度分布預(yù)測圖(μg/m3)

為了進一步評價污染物分布情況，筆者在該圖上標(biāo)注出區(qū)域內(nèi)所有國控大氣污染重點企業(yè)，并對污染物分布和國控企業(yè)分布做了空間相關(guān)性分析。結(jié)果表明，兩種污染物的分布預(yù)測與國控企業(yè)分布顯著相關(guān)，Pearson相關(guān)系數(shù)分別為0.969、0.949。

4 結(jié)論

1)基于AGNES算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，可以減少個別離散值對BP神經(jīng)網(wǎng)絡(luò)帶來的影響，將輸入數(shù)據(jù)分為訓(xùn)練集和驗證集，能夠較好地反映出BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果;把氣象數(shù)據(jù)和污染物濃度歷史數(shù)據(jù)共同作為影響因子，可以更加真實地反映出污染物濃度的時空變化趨勢，為大氣環(huán)境質(zhì)量預(yù)測和預(yù)警提供有效參考。

2)通過對太原市大氣污染物濃度的預(yù)測可知，試驗所建立的AGNES優(yōu)化BP神經(jīng)網(wǎng)絡(luò)基本上可以預(yù)測出污染物濃度，對SO2和PM10濃度的預(yù)測較為準(zhǔn)確。

3)通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測各監(jiān)測位點的污染物濃度，結(jié)合GIS空間插值分析可以繪制出污染物分布預(yù)測圖，可以對城市大氣污染物的分布作出預(yù)測，為區(qū)域環(huán)境規(guī)劃和管理提供科學(xué)依據(jù)。由于影響大氣污染物擴散的因素還包括大氣穩(wěn)定度、實際地形地貌、建筑物阻擋、建筑施工等，所以該實驗方法只能對分布趨勢做大致預(yù)測，不能體現(xiàn)局部細節(jié)。

［1］2013 中國環(huán)境狀況公報［R］．中華人民共和國環(huán)境保護部，2014-5-27．

［2］雷蕾，秦俠，姚小麗．人工神經(jīng)網(wǎng)絡(luò)在環(huán)境科學(xué)中的應(yīng)用［J］．環(huán)境研究與監(jiān)測，2007，20(1):50-52，56．

［3］馬太玲，張江山．環(huán)境影響評價［M］．武漢:華中科技大學(xué)出版社，2009.08:116-117．

［4］Corw in D L，Wagenet R J．Application of GIS to the modeling of nonpoint source pollutants in the Vadose zone:a conference overview ［J］． Journal of Environmental Quality，1996，25:403-411．

［5］BaawainM S，AlSerihi A S．Systematic approach for the prediction of ground-level air pollution(around an Industrial Port)using an Artificial Neural Network［J］．Aerosol Air Quality Research，2014，14(1):124-134．

［6］Qimeng W，Ming W．A mathematical expression for air ESD current waveform using BP neural network［J］．Journal of Ekectrostatics，2013，71(2):125-129．

［7］閆妍，張云鵬，李鎧月，等．基于BP神經(jīng)網(wǎng)絡(luò)的西安環(huán)境空氣質(zhì)量的預(yù)測［J］．電子設(shè)計工程，2013，21(21):54-57．

［8］歐陽鈞，王愛枝．基于Matlab的BP神經(jīng)網(wǎng)絡(luò)在大氣污染物濃度預(yù)測中的應(yīng)用［J］．環(huán)境科學(xué)與管理，2009，34(11):176-180．

［9］李士勇，李妍．智能優(yōu)化算法原理與應(yīng)用［M］．哈爾濱:哈爾濱工業(yè)大學(xué)出版社，2012:13-17．

［10］徐明德，閻正坤，朱秋麗，等．基于BP神經(jīng)網(wǎng)絡(luò)－隸屬度的河流黑臭評價研究［J］．?dāng)?shù)學(xué)的實踐與認(rèn)識，2012，42(17):55-61．

［11］Iliadis L，Jayne C．Engineering applications of neural networks［M］．London:Springer，2011:20-24．

［12］許國根．模式識別與智能計算的 MATLAB實現(xiàn)［M］．北京:北京航空航天大學(xué)出版社，2012:24-25．

［13］BhattaC S，Mitra，P，Ghosh SK．Spatial interpolation to predict missing attributes in GIS using semantic kriging［J］．Ieee Transactions on Geoscience And Remote Sensing，2014，52(8):4771-4780．

［14］GulerM，Kara T．A comparison of different interpolation techniques used in mapping monthly precipitation in northern turkey［J］．Fresenius Environmental Bulletin，2014，23(2):341-347．

［15］El-Hoz M，Mohsen A，Iaaly A．Assessing groundwater quality in a coastal area using the GIS technique［J］．Desalination and Water Treatment，2014，52(10):1 980-1 989．

［16］Richard L，Glenn G．An interpolation approach for fitting computationally intensive models［J］．Cognitive Systems Research，2014，29-30:53-65．

［17］國家環(huán)境監(jiān)測“十二五”規(guī)劃［R］．北京:中華人民共和國環(huán)保部，2011．

［18］李艷紅，周晉紅，張春梅．太原市大氣污染形成原因初探［J］．山西煤炭科技，2006，11:31-32，43．