楊陽 沈澤昊 鄭天立 丁雨賝 李本綱

?

中國當前城市空氣綜合質量的主要影響因素分析

楊陽 沈澤昊 鄭天立 丁雨賝 李本綱?

北京大學城市與環(huán)境學院, 北京 100871; ?通信作者, E-mail: libengang@pku.edu.cn

基于2010年我國 78 個主要城市的5個空氣質量指標數據, 利用主成分分析方法, 計算城市空氣質量綜合得分; 采用多元線性回歸方法, 從氣候、地形、城市發(fā)展和城市環(huán)境狀況四方面的 48 個變量中篩選出與城市空氣質量顯著相關的 10 個, 并定量評價不同因子對城市空氣質量的貢獻。依據空氣質量綜合得分, 從 78 個城市中分層隨機選取 30 個城市作為訓練樣本, 構建基于徑向基函數(RBF)的人工神經網絡模型。利用城市自然、社會、經濟特征及環(huán)境管理現狀模擬城市空氣質量, 并應用于我國173個主要城市空氣質量狀況的模擬。結果表明, 年平均飽和水氣壓、城市建成區(qū)面積、城區(qū)海拔落差和第二產業(yè)占 GDP 的百分比是影響中國當前城市空氣綜合質量的主要因素, 分別可以解釋城市空氣質量變異性的 14.7%, 12.8%, 8.8%和7.2%。研究結果突破了以往大部分空氣質量評價模型僅以大氣污染物和氣象因子作為模型輸入因子的局限, RBF人工神經網絡模型的模擬結果準確性較高(2=0.658,<2.2×10-14)。

人工神經網絡; 城市空氣質量; 影響因子

大氣環(huán)境質量是大氣污染物和氣象因素變化共同作用的結果, 對人體健康和生態(tài)環(huán)境影響巨大[1–2]。由于針對高度聚集的人群, 城市大氣環(huán)境質量問題更受關注[3]。改善城市空氣質量涉及社會生產生活的多個方面[4], 如城市經濟發(fā)展將對城市消耗燃料的總量、類型構成、污染物排放量及處理技術產生影響, 城市綠地面積等影響城市內部對大氣污染物的吸附和降解能力[5]。另一方面, 區(qū)域地形通過大氣水平和垂直交換影響大氣污染物的擴散條件[6]。因此, 為了對城市大氣污染治理和環(huán)境改善進行科學決策, 需要對影響城市大氣環(huán)境的多方面因素進行綜合分析。

已有的研究主要從兩個方面探討大氣質量與影響因素之間的關系: 1) 開展環(huán)境質量評價, 利用各類環(huán)境監(jiān)測數據的時空統(tǒng)計對大氣環(huán)境質量進行宏觀描述分析, 如探討大氣污染物排放的時間序列或者空間分布[7]、大氣污染物排放對大氣環(huán)境質量的影響[8]; 2) 利用多變量模型評價排放以外的因素對城市空氣質量的影響[9], 如影響城市空氣中污染顆粒的各類因素[10]、天氣和氣候等對城市空氣質量的影響[11]。人工神經網絡具有很強的非線性擬合能力以及強大的自學習能力[12], 在城市空氣質量模擬研究中已得到應用。然而, 以往的研究存在以下問題: 1) 僅以大氣污染物和氣象因子作為網絡輸入, 無法顯示其他因素對大氣環(huán)境質量的影響[13]; 2) 該方法不具備因子選擇能力, 需要結合其他方法來選取關聯因子, 構建優(yōu)化的模型結構[14–17]。

本研究采用逐步回歸法, 以我國 78 個主要城市為研究對象, 從城市氣候因子、城市發(fā)展因子、城市治理因子和城市地形因子中篩選出與空氣質量存在較強關系的因子, 在對比不同網絡特性及模擬結果后, 選擇學習速度快且能避免反復迭代的RBF(radial basis function, 徑向基函數)人工神經網絡模型, 用于構建模型, 探討城市社會經濟結構、自然環(huán)境和空間屬性與城市空氣質量之間的聯系; 基于統(tǒng)計關系, 定量探討影響我國城市空氣質量的多方面因素及其相對貢獻, 利用 RBF 人工神經網絡模型模擬我國主要城市空氣質量的宏觀格局, 以期為城市空氣質量治理提供決策依據。

1 數據與方法

1.1 研究區(qū)域與數據

選取最低為地級的城市作為研究對象。這是由于地級市之間具有較為顯著的歷史、社會、經濟背景差異, 國家統(tǒng)計部門對其經濟和社會發(fā)展的年度狀況可提供完整的統(tǒng)計數據, 以其作為研究對象有較強的代表性和可操作性。同時, 出于數據完整性的考慮, 選擇2010年為研究年份。

人口、產業(yè)結構、土地資源等城市發(fā)展因子和城市環(huán)境狀況因子數據來自《中國城市統(tǒng)計年鑒2011》[18]。研究區(qū)域氣候數據來源于“中國氣候科學數據共享服務網”中的“中國地面氣候資料年值數據集” (http://data.cma.cn/data/index/6d1b5efbdcbf9a5 8.html), 提取研究城市氣象臺站的 23 個氣候指標的 2010 年平均數據。城市地形因子以美國地質調查局(USGS)發(fā)布的 SRTM3 (http://dds.cr.usgs.gov/ srtm/version2_1/)為數據源。該數據球面坐標系統(tǒng)為WGS1984, 像元大小為3″, 在ArcGIS Desktop 9.5 (www.esri.org)中做 Albertz 等積割圓錐投影后, 重采樣成空間分辨率為 1000 m 的數字高程模型, 利用《中國區(qū)域經濟統(tǒng)計年鑒 2011》提供的城市中心地理坐標并設置30 km緩沖區(qū), 以此計算各城市區(qū)域內的地形值。由于數據來源不同, 不同數據中缺失不同的城市數據, 對數據進行整理, 去除不完整數據后, 共獲得173個城市的完整數據。

城市大氣空氣質量來源于 2010 年國家環(huán)境保護部公布的指標: 主要城市空氣質量污染物濃度、空氣質量等級以及優(yōu)良天數占全年比例。

由于本研究的目的是探討城市的自然、社會和經濟結構對城市空氣質量的影響, 故采用同一年份的空氣質量數據進行分析。近 5 年來以 2010 年公布的城市空氣質量排名信息最為豐富, 共有 78 個城市提供了完整的信息, 故使用 78 個城市 2010 年的空氣質量數據, 包括(SO2)年平均值、(NO2)年平均值、(PM10)年平均值、空氣質量等級、優(yōu)良天數占全年比例等 5 個指標。以這 78 個城市為我國城市樣本, 進行空氣質量和影響因素的篩選及后續(xù)模型的構建。對因子匯總的結果如表1所示。

表1 觀測指標匯總

1.2 數據處理方法

1.2.1 空氣質量數據綜合

由于所得5個空氣質量指標之間存在顯著相關性, 故對原數據進行主成分分析[19], 在保證數據信息損失最小的前提下, 經線性變換舍棄小部分信息, 以少數的綜合變量取代原始的多維變量[20–21]。在此基礎上, 將提取出的前 2 個主成分因子的得分與對應的特征值和所提取主成分因子總的特征值之和的比值相乘, 然后求和得到城市空氣質量綜合得分, 以此分析影響空氣質量的各類因素[22]。

1.2.2 空氣質量影響因子篩選

采用多元線性回歸模型, 利用城市氣候、地形、社會經濟發(fā)展和環(huán)境質量四方面共 48 個指標解釋城市空氣質量綜合得分, 并使用逐步回歸的方法進行篩選, 以降低模型預測變量之間的共線性。定量評價不同指標對城市空氣質量影響的顯著性。

1.3 RBF人工神經網絡模型建模

RBF 人工神經網絡模型是近年來應用于土壤、水、大氣等生態(tài)環(huán)境質量評價的一類人工神經網絡模型[23]。它是前向型神經網絡的一種, 具有強大的矢量分類功能、良好的非線性擬合功能和靈活快速的自組織計算能力, 能以任意精度逼近任意非線性函數[24]。目前選擇 RBF 人工神經網絡模型的算法主要有聚類算法和隨機選擇中心點等。該模型的一個明顯不足是缺少確定合適的模型輸入變量的方 法[25]。為此, 我們利用逐步回歸完成模型輸入變量的篩選, 得到對城市空氣質量具有獨立、顯著影響的城市自然環(huán)境與環(huán)境管理、社會經濟結構等方面的指標[26–27]。

在RBF 人工神經網絡模型中(圖 1), 隱含層單元輸出:

,

X為輸入層的輸入;C=(C1,C2, …,C)T為基函數的中心;為基函數的寬度;和均為徑向對稱的非線性函數, 其中為Gauss型徑向基函數,為歸一化的徑向基函數;為隱含層單元個數;為輸入模式,=1, 2, …,(為輸入模式數)。

輸出層單元的輸出:

O為輸出層的輸出,V為隱含層輸出,W為從隱含層單元到輸出層單元的連接權。

圖1 RBF人工神經網絡模型結構

Fig. 1 The structure of RBFN

1.4 人工神經網絡構建

從78個城市中分層隨機選取30個城市作為特征城市[28], 其分布如表 2[24]所示, 以保證綜合得分能夠對選取城市的空氣質量有較為準確的衡量。為避免量綱影響, 對全體指標進行歸一化處理[29], 將所有數值都歸一化到[–1, 1]區(qū)間, 轉換方式為

表2 用來訓練網絡的30個城市[24]

為歸一化前的30個城市綜合質量得分,max為30個城市綜合質量得分中的最大值,min為 30 個城市綜合質量得分中的最小值,為歸一化后的數據。

在此基礎上, 對這 30 個城市的相關數據進行訓練, 設置的停止訓練誤差為 10-3, 當訓練次數達到26次時, 誤差小于10–6, 訓練停止。

因子分析使用 SPSS 20.0, 逐步回歸使用 R 軟件3.0.1版本。RBFN網絡模型在MATLAB (2012a)中構建和運行。

2 結果與討論

2.1 城市空氣質量得分

主成分分析得到的前 2 個主成分累計承載了 5個原始空氣質量指標78.7%的信息。圖 2 反映 78個城市空氣質量綜合得分的頻率分布, 值域為[–6.0,7.0]。綜合得分數值越小表示空氣質量越好, 數值越大表示空氣質量越差。其中空氣質量等級為 1 的城市其綜合得分小于-4.5, 平均得分為-5.0; 空氣質量等級為2的城市綜合得分值域為[-4.5, 1.5], 平均得分為-0.8; 空氣質量等級為 3 的城市其綜合得分大于1.5, 平均得分為2.7。

2.2 城市空氣質量主要影響因素

利用城市空氣質量的綜合得分對氣候因子、城市發(fā)展因子、城市環(huán)境治理因子和城市地形因子分別進行逐步回歸, 剔除不顯著因子, 并參考已有文獻篩選因子, 然后將最終所得 10 個因子綜合起來建立回歸模型, 得到的回歸結果及解釋量如表 3 所示。所有因子對空氣質量綜合得分的解釋程度達到56.0%, 建成區(qū)面積對于綜合得分的解釋量最高, 達到 14.7%; 年平均飽和水汽壓次之, 解釋量為12.8%; 城區(qū)海拔落差的解釋量為 8.8%; 第二產業(yè)占GDP的比重解釋量為 7.2%。其中風速、風向等普遍認為與空氣質量有較大關系的因子都在逐步回歸中被剔除, 這可能是由于風速、風向的多周期變化存在, 并與污染物排放時空分布之間不存在一致性的聯系 (如風速最大時并不一定是污染物排放最多的時間), 因此, 盡管在特定時刻風速、風向與城市大氣污染有較強的關系, 但在年際時間尺度上, 這個效應可能被平均或掩蓋。

表3 篩選得到的因子及其回歸參數

注: *表示<0.05, **表示<0.01

年平均最高氣溫和年平均飽和水氣壓從南向北均呈遞減格局; 建成區(qū)面積以幾個一線城市和直轄市為首, 其他城市的分布格局相對分散; 地區(qū)生產總值的分布格局與建成區(qū)面積相似, 不同之處在于地區(qū)生產總值與一、二線城市的規(guī)?；疽恢? 第二產業(yè)占總產值的比例呈現從東向西依次遞減的趨勢; 公路客運量基本呈現中部地區(qū)向四周遞減的格局; 人均城市道路面積的分布比較隨機, 規(guī)律不明顯; 人均綠地面積與人均城市道路面積的分布格局較為相似[29]; 城區(qū)海拔落差與城區(qū)海拔標準差都呈現平原地區(qū)低、山地高的特點。

2.3 城市空氣質量模擬

根據構建的 RBF 人工神經網絡模型, 對 78 個城市的空氣質量進行模擬驗證, 模擬結果與實際綜合得分(2.1 節(jié)中城市空氣質量得分)進行對比, 發(fā)現二者在地理空間上差距不大(圖 3)。從整體上來看, 空氣質量為四級的地級市在全國均勻分布, 未呈現明顯的經、緯度分布特征。沿海城市空氣質量平均較優(yōu), 內陸城市空氣質量相對較差; 珠江三角洲區(qū)域的城市空氣質量為全國最優(yōu), 長江三角洲區(qū)域的城市次之, 京津冀區(qū)域的城市空氣質量則普遍較差。長江流域城市的空氣質量普遍好于黃河流域城市[30]。為了驗證模擬模型的穩(wěn)定性和可靠程度, 使用模擬綜合得分與實際綜合得分 1:1 的坐標圖來驗證模型的模擬準確度, 模擬綜合得分與實際綜合得分比例為 0.775, 擬合優(yōu)度達 0.658,<2.2×10–14, 因此模型整體上有較好的模擬準確性。

將城市模擬得分與影響因子相對比, 發(fā)現氣候因子、城市發(fā)展因子、城市治理因子和地形因子對于城市空氣質量有不同的影響。年平均相對濕度、年平均最高氣溫、年平均飽和水汽壓等氣候因子較大的城市空氣質量較好。建成區(qū)面積、地區(qū)生產總值、第二產業(yè)占總產值的比例、公路貨運量和公路客運量等城市發(fā)展因子較大的城市空氣質量較差。在城市治理因子中, 人均城市道路面積越大的城市空氣質量越不好, 而人均綠地面積越大的城市空氣質量更好。海拔落差和海拔標準差較大時, 城市空氣質量也較差。

對比發(fā)現, 城市空氣質量的模擬值與 2010 年實際觀測值之間存在一定的區(qū)域性差異。究其原因, 一方面可能是空氣污染的年際差異所致, 另一方面, 也可能是一些區(qū)域性的環(huán)境因素未納入網絡中造成的[31]。如長江三角洲地區(qū)城市的模擬空氣質量好于 2010 年空氣質量的實際觀測值, 而已有文獻認為長江三角洲地區(qū)城市空氣質量受周圍農民燃燒秸稈的習慣影響較大[10]。渤海和黃海周邊城市空氣質量實際觀測值優(yōu)于模擬得分, 推測原因可能是模型沒有考慮海洋吸納空氣污染物和面?？臻g對空氣污染的稀釋作用。

利用該模型對 173 個城市的空氣質量得分進行模擬, 結果如圖 4 所示。沿海地區(qū)空氣質量相對較優(yōu), 平均氣溫較低的省份(如黑龍江、遼寧)城市空氣質量也相對較好。珠江三角洲城市群的空氣質量優(yōu)于長三角城市群, 京津冀城市群的空氣質量最差。環(huán)渤海地區(qū)由于能源結構、產業(yè)布局等各方面的原因, 導致其空氣質量問題難以解決。黃河中下游地區(qū)的城市, 普遍空氣質量堪憂。

我國的城市空氣質量基本上呈現“南優(yōu)北劣”的特點, 珠江三角洲城市群的空氣質量優(yōu)于長江三角洲, 京津冀城市群的空氣質量最差。另外, 黃河中下游地區(qū)和環(huán)渤海地區(qū)的城市也比長江中下游的城市空氣質量差。對比發(fā)現, 長江三角洲城市群的實際情況比 RBF 人工神經網絡模型模擬結果差, 而瀕臨渤海和黃海城市的實際情況比模擬結果好, 推測可能與城市周邊的環(huán)境有關?；?RBF 人工神經網絡模型的模擬結果說明, 氣候因子、城市發(fā)展因子、地形因子都對城市空氣質量起負作用, 而城市治理因子的上升有助于城市空氣質量改善。

3 結論

1) 利用多元統(tǒng)計方法, 篩選得到城市自然環(huán)境、社會經濟結構和環(huán)境治理 10 個因子, 包括年平均飽和水汽壓、年平均最高氣溫、地區(qū)生產總值、建成區(qū)面積、第二產業(yè)占 GDP 的總量、公路客運量、人均城市道路面積、人均綠地面積、海拔落差和海拔標準差, 由此構建的城市空氣質量 RBF人工神經網絡模型可以較好地模擬城市空氣質量, 表明城市所處的自然環(huán)境條件、經濟結構和發(fā)展階段、城市的環(huán)境治理投入等不僅對城市空氣質量具有不同程度的貢獻, 同時也對污染氣體排放和稀釋降解方面有影響。

2) 年平均飽和水氣壓、城市建成區(qū)面積、城區(qū)海拔落差和第二產業(yè)占 GDP 的百分比是影響當前中國城市空氣綜合質量的主要因素, 分別可以解釋城市空氣質量變異性的 14.7%, 12.8%, 8.8%和7.2%, 總共 10 個因子對中國當前城市空氣質量的解釋程度達到56.0%。

3) 使用模擬綜合得分與實際綜合得分 1:1 的坐標圖來驗證 RBF 人工神經網絡模型的模擬準確度, 模擬綜合得分與實際綜合得分比例為0.775, 擬合優(yōu)度達0.658,<2.2×10-14, 說明模型的模擬準確性較好, 揭示了城市空氣質量的影響因素, 為城市空氣質量控制的機理性研究提供線索。

4) 城市空氣質量綜合得分的模擬值與實際觀測值之間存在一定的區(qū)域性差異, 可能是一些區(qū)域性的環(huán)境因素未納入網絡中造成的, 比如長江三角洲地區(qū)城市空氣質量受周圍農民燃燒秸稈習慣的影響較大。

參考文獻

[1]WANG Shuxiao, HAO Jiming. Air quality manage-ment in China: issues, challenges, and options. Journal of Environmental Sciences (China): 2012, 24(1): 1001–0742

[2]邵超峰, 鞠美庭, 張裕芬, 等. 突發(fā)性大氣污染事件的環(huán)境風險評估與管理, 環(huán)境科學與技術, 2009, 32(3): 200–205

[3]Wahid H, Ha Q P, Duc H, et al. Neural network-based meta-modelling approach for estimating spatial distribution of air pollutant levels. Applied Soft Computing, 2013, 13(10): 4087–4096

[4]薛佳平, 田偉利, 張清宇. 杭州市機動車 Nox 排放清單的建立及其對空氣質量的影響. 環(huán)境科學研究, 2010, 23(5): 613–618

[5]Westerlund J, Urbain J P, Bonilla J. Application of air quality combination forecasting to Bogota. Atmosphe-ric Environment, 2014, 89(1): 22–28

[6]程好好, 曾輝, 汪自書, 等. 城市綠地類型及格局特征與地表溫度的關系. 北京大學學報: 自然科學版, 2009, 45(3): 495–501

[7]余波, 周英, 劉祖涵, 等. 基于混沌理論的蘭州市近 10 a 空氣污染指數時間序列分析. 干旱區(qū)地理, 2014, 37(3): 570–578

[8]De Gennaro G, Trizio L, di Gilio A. Neural network model for the prediction of PM10daily concentrations in two sites in the Western Mediterranean. Science of the Total Environment, 2013, 463/464(1): 875–883

[9]周國亮, 劉希玉, 武魯英. BP 神經網絡模型在空氣質量級別評價中的應用. 計算機工程與設計, 2009, 30(2): 392–394

[10]吳立新, 呂鑫, 秦凱, 等. 秸稈焚燒期間徐州市空氣污染物時空分布特征分析. 地理與地理信息科學, 2014, 30(1): 18–31

[11]李婧, 智穎. 呼和浩特市空氣顆粒物影響因素研究. 中國環(huán)境監(jiān)測, 2014, 3(7): 26–30

[12]李名升, 孫媛, 陳遠航, 等. 污染排放與環(huán)境質量關系模型構建與應用. 環(huán)境科學, 2014, 35(3): 1198–1204

[13]Ching J. A perspective on urban canopy layer modeling for weather, climate and air quality appli-cations. Urban Climate, 2013, 3(1): 13–39

[14]Cheng Shuiyuan, Li Li, Chen Dongsheng, et al. A neural network based ensemble approach for impro-ving the accuracy of meteorological fields used for regional air quality modeling. Journal of Environmen-tal Management, 2012, 112(7): 404–414

[15]李雙成, 吳紹洪, 戴爾阜. 生態(tài)系統(tǒng)響應氣候變化脆弱性的人工神經網絡模型評價. 生態(tài)學報, 2005, 25(3): 25–27

[16]Wang Jun, Sheng Zheng, Zhou Bihua. Lightning potential forecast over Nanjing with denoised sounding-derived indices based on SSA and CS-BP neural network. Atmospheric Research, 2014, 137(1): 245–256

[17]Font A, Baker T, Mudway I S. Degradation in urban air quality from construction activity and increased traffic arising from a road widening scheme. Science of the Total Environment, 2014, 497/498(1): 123–132

[18]國家統(tǒng)計局. 中國統(tǒng)計年鑒 2011. 北京: 中國統(tǒng)計出版社, 2012

[19]Voukantsis D, Karatzas K, Kukkonen J, et alIntercomparison of air quality data using principal component analysis, and forecasting of PM10and PM2.5concentrations using artificial neural networks, in Thessaloniki and Helsinki. Science of the Total Environment, 2011, 409(1): 1266–1276

[20]Eder B, Bash J, Foley K, et al. Incorporating principal component analysis into air quality model evaluation. Atmospheric Environment, 2014, 82(1): 307–315

[21]胡開明, 李冰, 王水, 等. 太湖流域(江蘇省)水質污染空間特征. 湖泊科學, 2014, 26(2): 200–206

[22]Yuan Hongchun, Shen Xiaoqian, Chen Xinjun. Pre-diction of fishing ground based on RBF neural net-work. Procedia Engineering, 2011, 15(1): 3240–3244

[23]師華定, 高慶先, 莊大方, 等. 基于徑向基函數神經網絡(RBFN)的內蒙古土壤風蝕危險度評價. 環(huán)境科學研究, 2008, 21(5): 1001–6929

[24]Russo A, Raischel F, Lind P G. Air quality prediction using optimal neural networks with stochastic vari-ables. Atmospheric Environment, 2013, 79(1): 822–830

[25]趙宏, 劉愛霞, 王愷, 等. 基于GA-ANN改進的空氣質量預測模型. 環(huán)境科學研究, 2009, 11(1): 1276–1281

[26]Han Honggui, Chen Qili, Qiao Junfei. An efficient self-organizing RBF neural network for water quality prediction. Neural Networks, 2011, 24(1): 717–725

[27]謝正苗, 王艷平, 周廣柱. 基于BP網絡的城市空氣質量中長期預測研究. 科技通報, 2010, 26(2): 245–248

[28]Luna A S, Paredes M L, de Oliveira G. Prediction of ozone concentration in tropospheric levels using artificial neural networks and support vector machine at Rio de Janeiro, Brazil. Atmospheric Environment, 2014, 98(1): 98–104

[29]徐祥德, 丁國安, 卞林根. 北京城市大氣環(huán)境污染機理與調控原理. 應用氣象學報, 2007, 17(6): 815–828

[30]Jiang D, Zhang Y, Hu X, et alProgress in developing an ANN model for air pollution index forecast. Atmospheric Environment, 2004, 38(40): 7055–7064

[31]De Ridder K, Kumar U, Lauwaet D, et alKalman filter-based air quality forecast adjustment. Atmos-pheric Environment, 2012, 50(1): 381–384

[32]Huo Z, Feng S, Kang S, et al. Artificial neural net-work models for reference evapotranspiration in an arid area of northwest China. Journal of Arid Envir-onments, 2012, 82(1): 81–90

Influence Major Factors Analysis of Comprehensive Air Quality in the Cities in China

YANG Yang, SHEN Zehao, ZHENG Tianli, DING Yuchen, LI Bengang?

Laboratory MOE of Earth Surface Processes, College of Urban and Environmental Sciences, Peking University, Beijing 100871; ?Corresponding author, E-mail: libengang@pku.edu.cn

Based on the air quality data of five indices in 2010 for 78 main cities of China, the research calculated the comprehensive score of urban air quality, selected ten out of 48 variables describing the climate, topography, urban development and environment management of these cities with multivariate linear regression analysis, and quantified their contribution to the urban air quality. Based on the comprehensive score of urban air quality, the authors used a stratified random sample of 30 from the 78 cities, as a training sample, to construct a radial basis function network (RBFN) model, which was used to simulate air quality of 173 main cities in China based on the natural and social-economic features, and environmental management of the cities. The results indicated that the average saturation vapor pressure, built-up urban area, elevation range, and the percentage of industry in GDP as four major dominants of urban air quality, accounting for the variation by 14.7%, 12.8%, 8.8% and 7.2%, respectively. This study broke the limitation of most previous air quality assessment models, which merely took air pollutants and meteorological factors as input. The resultshowed a high accuracy (2=0.658,<2.2×10-14)of the RBFN model.

RBF neural network; urban air quality; causal factors

10.13209/j.0479-8023.2016.115

X144

國家自然科學基金(41371190, 31021001)資助

2015-05-12;

2015-08-19;

網絡出版日期: 2016-11-06