周海波 吳宗培 李海員 王占立 王雁慧

【摘? 要】在諸多影響空氣質(zhì)量的污染源中，鋼鐵企業(yè)大氣排污是最重要的因素之一。如何利用數(shù)據(jù)采集和上報(bào)的排污數(shù)據(jù)，客觀分析大氣排污數(shù)據(jù)與空氣質(zhì)量之間的關(guān)系，是智慧環(huán)保的重要問題。論文采集了2018年1月1日至2021年5月31日的鋼鐵企業(yè)大氣排污指標(biāo)數(shù)據(jù)，通過數(shù)據(jù)治理、清洗及融合，對鋼鐵行業(yè)大氣排污數(shù)據(jù)與空氣質(zhì)量數(shù)據(jù)之間的相關(guān)性進(jìn)行了深入分析。結(jié)果表明，河北省的空氣環(huán)境質(zhì)量與鋼鐵行業(yè)大氣排污指標(biāo)PM10的相關(guān)度極大。

【Abstract】Among many pollution sources affecting air quality， air pollutant discharge from iron and steel enterprises is one of the most important factors. How to use data collection and pollutant discharge data reported to objectively analyze the relationship between air pollutant discharge data and air quality is an important problem of intelligent environmental protection. The paper collects the air pollutant discharge index data of iron and steel enterprises from January 1， 2018 to May 31， 2021， and deeply analyzes the correlation between air pollutant discharge data of the iron and steel industry and air quality data through data governance， cleaning and fusion. The results show that there is a great correlation between the air environmental quality of Hebei Province and the air pollutant discharge index PM10 of the iron and steel industry.

【關(guān)鍵詞】空氣質(zhì)量;大氣排污;相關(guān)性分析;SO2;PM10;NO2

【Keywords】air quality; air pollutant discharge; correlation analysis; SO2; PM10; NO2

【中圖分類號(hào)】X51? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻(xiàn)標(biāo)志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號(hào)】1673-1069（2021）10-0113-05

1 引言

空氣污染是中國當(dāng)下最受熱議的環(huán)境問題?；茉慈紵俏覈諝馕廴镜闹匾蛑弧ｄ撹F、水泥等重工業(yè)企業(yè)的生產(chǎn)過程消耗了大量化石能源，也因此排放了大量污染性氣體，成為空氣污染的“主要元兇”。

改革開放以來，我國的經(jīng)濟(jì)水平以迅猛的速度提升，伴隨著產(chǎn)業(yè)結(jié)構(gòu)的變化，持續(xù)增長的鋼鐵產(chǎn)量對經(jīng)濟(jì)發(fā)展有著尤為重要的作用，鋼鐵產(chǎn)業(yè)也成為支撐著國民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，其中，河北省的鋼鐵產(chǎn)量更是位于全國鋼鐵產(chǎn)量的領(lǐng)先地位，也極大地促進(jìn)了當(dāng)?shù)氐慕?jīng)濟(jì)發(fā)展。據(jù)統(tǒng)計(jì)，到2019年，河北的粗鋼產(chǎn)量已經(jīng)達(dá)到了2.4億噸，占全國產(chǎn)量的四分之一。根據(jù)2020年的數(shù)據(jù)顯示，河北鋼鐵集團(tuán)在全球的鋼鐵企業(yè)榜單上也名列前茅[1]。然而，近年來，由于鋼鐵行業(yè)的高能耗、高排放等問題，行業(yè)發(fā)展造成的環(huán)境污染是不可避免的，頻繁引起國內(nèi)諸多行業(yè)的關(guān)注，問題主要集中于廢棄物質(zhì)的產(chǎn)生根源、減排方法以及治理方向，尤其要對工業(yè)末端排放的廢氣對于大氣環(huán)境質(zhì)量的影響進(jìn)行探究[2]。鋼鐵生產(chǎn)的廢氣主要是來源于煉鐵廠中運(yùn)送原材料引起的粉塵、煉鐵高爐出鐵時(shí)產(chǎn)生的有機(jī)廢氣包括粉塵、SO2、CO等以及高爐煤氣的放散和高純石墨碳的有機(jī)廢氣，此外，還包括燒結(jié)廠和軋鋼廠生產(chǎn)流程中產(chǎn)生的有機(jī)廢氣[3]。鋼鐵工業(yè)的廢氣大多是煙塵廢氣，顆粒小而且吸附能力較強(qiáng)，使得廢氣的治理難度增大?？紤]到經(jīng)濟(jì)發(fā)展帶來的環(huán)境影響，黨中央在十九大上作出了打贏藍(lán)天保衛(wèi)戰(zhàn)的重要決策，作為污染防治攻堅(jiān)戰(zhàn)的首要任務(wù)，對提高人民的生活質(zhì)量有著重大意義。此外，產(chǎn)業(yè)集中更會(huì)導(dǎo)致區(qū)域污染加重，對于以鋼鐵產(chǎn)業(yè)為支柱性產(chǎn)業(yè)的河北省更是如此?，F(xiàn)如今，除政府外，其他各行各業(yè)也應(yīng)齊心協(xié)力共同合作解決難題，而隨著信息化時(shí)代的到來，大數(shù)據(jù)技術(shù)不斷發(fā)展，數(shù)據(jù)存儲(chǔ)、挖掘的技術(shù)日益成熟，積累了大量存在值得深入挖掘的信息的數(shù)據(jù)，通過科學(xué)的方法對數(shù)據(jù)進(jìn)行采集處理以及精準(zhǔn)和有效的分析，可以更好地對環(huán)境進(jìn)行監(jiān)控而后達(dá)到治理的目的[4]。將大數(shù)據(jù)技術(shù)應(yīng)用于環(huán)保領(lǐng)域已成為一個(gè)新趨勢。

目前，國內(nèi)已有學(xué)者通過分析大數(shù)據(jù)技術(shù)在生態(tài)環(huán)境保護(hù)領(lǐng)域中的應(yīng)用，得出實(shí)踐中需要把握生態(tài)環(huán)境信息化的大數(shù)據(jù)需求，要從多維度出發(fā)挖掘有價(jià)值的信息以服務(wù)環(huán)境保護(hù)工作[5]。有學(xué)者通過灰色關(guān)聯(lián)分析法對京津冀的經(jīng)濟(jì)指標(biāo)和空氣質(zhì)量之間的相關(guān)性進(jìn)行了分析研究，并對改善空氣質(zhì)量提出合理建議[6]。也有學(xué)者全面分析了河北省的AQI時(shí)空分布特征，通過結(jié)合統(tǒng)計(jì)分析與空間分析法分析了河北省大氣污染的變化趨勢[7]。還有學(xué)者通過研究總結(jié)全國地級(jí)行政單元的面板數(shù)據(jù)，討論了人口遷移隨城市空氣質(zhì)量的變化[8]。

本文利用了河北省鋼鐵行業(yè)的大氣排污數(shù)據(jù)，經(jīng)過對數(shù)據(jù)的一系列處理包括數(shù)據(jù)清洗和融合等，數(shù)據(jù)中包括PM10等影響空氣質(zhì)量的指標(biāo)，利用主成分分析、規(guī)范相關(guān)分析方法探究了其與空氣質(zhì)量的關(guān)系，更好地分析得出河北省各鋼鐵企業(yè)的排污強(qiáng)度、分布及其對周圍環(huán)境造成的影響，有利于從根本上把握污染物質(zhì)的變化規(guī)律，可以對河北的空氣質(zhì)量檢測與管理決策發(fā)揮至關(guān)重要的作用，利用大數(shù)據(jù)技術(shù)對空氣質(zhì)量進(jìn)行監(jiān)管預(yù)警，可以向大眾普及環(huán)保知識(shí)，強(qiáng)化人們的環(huán)保意識(shí)，環(huán)境數(shù)據(jù)的透明化也使得人們對環(huán)保部門的工作有了進(jìn)一步認(rèn)識(shí)，起到了監(jiān)督作用，彰顯了大數(shù)據(jù)技術(shù)在環(huán)境保護(hù)方面的作用[9]。

2 數(shù)據(jù)采集與相關(guān)性分析方法

本文技術(shù)框架如圖1所示。

所涉及的方法主要有：①主成分分析（PCA，Principal Component Analysis）;②規(guī)范相關(guān)分析（CCA，Canonical Correlation Analysis）;③判別極小保持投影規(guī)范相關(guān)性分析（Discriminant Minimal Preserving Canonical Correlation Analysis）。

其中，PCA是一種最常見的相關(guān)性分析方法，其基本思想是將高維空間的數(shù)據(jù)映射到低維空間，并且能夠保持?jǐn)?shù)據(jù)最大方差和協(xié)方差結(jié)構(gòu)，該方法目的是在盡可能保持原始數(shù)據(jù)信息的情況下降低原始數(shù)據(jù)維度，得到獨(dú)立性較高的投影數(shù)據(jù)。

若有數(shù)值化輸入，數(shù)據(jù)表如下：

X==（X1 X2 … Xp）? ? ? ? （1）

其中Xi代表采集到的第i個(gè)指標(biāo)數(shù)據(jù)，p是一個(gè)整數(shù)，代表指標(biāo)個(gè)數(shù);n是一個(gè)整數(shù)，代表數(shù)據(jù)采樣的排污企業(yè)數(shù)。該算法首先對數(shù)據(jù)表進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化。其目的是消除p個(gè)特征量綱差異帶來的數(shù)據(jù)差異。通常采用的標(biāo)準(zhǔn)化公式如下：

x=（i=1，2，…，n;j=1，2，…，p）? ? ? ? ?（2）

其中，j=x，var（xj）=（x-j）2。

根據(jù)標(biāo)準(zhǔn)化后的數(shù)據(jù)，計(jì)算指標(biāo)之間相關(guān)系數(shù)：

r=

得到相關(guān)系數(shù)，數(shù)據(jù)表如下：

R=

計(jì)算相關(guān)數(shù)據(jù)矩陣R的特征值：

λ1≥λ2≥…≥λp≥0

根據(jù)給定的閾值，按照下面的計(jì)算式確定最優(yōu)主成分：

m*=arg ≥α

其中，m*是一個(gè)整數(shù)，代表最優(yōu)成分;α是一個(gè)經(jīng)驗(yàn)參數(shù)，本文中α取0.95;“arg”和“min”是兩個(gè)機(jī)器學(xué)習(xí)常用代號(hào)，分別表示取出最優(yōu)參數(shù)和極小化風(fēng)險(xiǎn)函數(shù)。

然后根據(jù)m個(gè)特征值計(jì)算相應(yīng)的特征向量：

β1=β11β21βp1，β2=β12β22βp2，…，βm=β1mβ2mβpm

按照如下公式得到投影后數(shù)據(jù)：

Z=βTX

β是投影矩陣，由上面的分量β1，β2，…，βm組合而成。

規(guī)范相關(guān)分析（canonical correlation analysis，CCA）考慮兩組指標(biāo)間的最大相關(guān)性實(shí)現(xiàn)高維數(shù)據(jù)向低維數(shù)據(jù)的投影，使得兩組指標(biāo)的相關(guān)系數(shù)最大，其關(guān)鍵思想如下。首先將輸入數(shù)據(jù)分組：

X=[X1，X2]

計(jì)算兩組數(shù)據(jù)之間的協(xié)方差矩陣：

V=

CCA的目標(biāo)是求得一對最優(yōu)的投影變換矩陣（P*，Q*），使得在分組意義下，數(shù)據(jù)相關(guān)性極大，按照如下模型計(jì)算：

（P*，Q*）=arg ，

投影后數(shù)據(jù)為：

Y=[P*TX1Q*TX2]。

DMPCCA是融合局部結(jié)構(gòu)信息和全局判別規(guī)則的規(guī)范相關(guān)分析改進(jìn)方法。其理論和CCA一致，但是充分考慮數(shù)據(jù)類別內(nèi)部的相關(guān)性，其模型如下：

（P*，Q*）=arg

其中，B是保證類間間隔大，具備強(qiáng)分類性的類內(nèi)相關(guān)性矩陣;S11、S22是2個(gè)類內(nèi)局部保留矩陣，其投影后數(shù)據(jù)仍然使用Y=[P*TX1Q*TX2]得到。

3 環(huán)境質(zhì)量預(yù)測模型

SVM支持向量機(jī)（Support Vector Machine）是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的線性分類算法。目的就是基于訓(xùn)練集D在樣本空間中尋找一個(gè)劃分超平面，這個(gè)劃分超平面要求其產(chǎn)生的分類結(jié)果是魯棒的。

在樣本空間中，下面的線性方程用來表示劃分超平面：

L=ωTx+b

其中，ω=（ω1，ω2，…，ωd）是超平面的法向量，法向量確定了超平面的方向;b表示位移項(xiàng)，其含義是原點(diǎn)與超平面之間的距離?？梢?，如果確定了法向量ω和位移b，那么超平面就可以被唯一確定。為提高便捷性，將法向量為ω，位移為b的超平面記為（ω，b）。樣本空間中任意一個(gè)點(diǎn)x與超平面（ω，b）之間的距離記為：

r=

假設(shè)超平面（ω，b）能將訓(xùn)練樣本正確分類，即對于（xi，yi）∈D，若（xi，yi）∈D，若yi=+1，則有ωTxi+b>0;若yi=-1，則有ωTxi+b<0。令：

ωTxi+b≥+1，yi=+1ωTxi+b≤-1，yi=-1

與超平面距離最近的幾個(gè)訓(xùn)練樣本點(diǎn)使上面不等式組的等號(hào)成立，則這些樣本點(diǎn)稱為“支持向量”，兩個(gè)異類支持向量到超平面的距離之和為：

r=

如果能找到滿足上面不等式組中約束的參數(shù)ω和b，使得r=最大，那么就能找到具有最大間隔的劃分超平面。將最大化問題轉(zhuǎn)換為最小化問題，要想最大化超平面的間隔，僅需最小化‖ω‖2，即：

‖ω‖2

s.t. yi（ωTxi+b）≥1，i=1，2，…，m

4 相關(guān)性分析

4.1 指標(biāo)間相關(guān)性分析

通過數(shù)據(jù)治理，本文從鋼鐵行業(yè)大氣排污數(shù)據(jù)中抽取指標(biāo)數(shù)據(jù)，如表1所示。

為說明數(shù)據(jù)規(guī)律，本文隨機(jī)選取3個(gè)企業(yè)，將響應(yīng)數(shù)據(jù)展示如下，選取的企業(yè)代碼如表2所示。

3個(gè)企業(yè)X1～X8，Y1～Y4這13個(gè)指標(biāo)的時(shí)序圖如圖2～4所示。

4.2 空氣質(zhì)量數(shù)據(jù)相關(guān)性分析

圖5～7是選取的3個(gè)企業(yè)的相關(guān)分析圖。

圖5～7中均有3個(gè)圖，第一個(gè)圖表示X1～X8以及L兩兩之間的相關(guān)性，第二個(gè)圖表示Y1～Y4以及L兩兩之間的相關(guān)性，從相關(guān)性可視化圖形中可以看出，分析出來的排污指標(biāo)之間無明顯相關(guān)性，不同的企業(yè)，相關(guān)性不同，但是相關(guān)性規(guī)律不明顯。

對代碼為130281000281的企業(yè)數(shù)據(jù)做PCA變換，通過方差下降曲線選取降維后的維度，圖8是方差下降曲線圖。

通過觀察方差下降曲線圖，本文將數(shù)據(jù)維度降低到7維，圖9是做PCA數(shù)據(jù)變換后的7維數(shù)據(jù)的時(shí)序圖。

對代碼為130481000171的企業(yè)數(shù)據(jù)做PCA變換，通過方差下降曲線選取降維后的維度，圖10是方差下降曲線圖。

通過觀察方差下降曲線圖，本文將數(shù)據(jù)維度降低到6維，圖11是做PCA數(shù)據(jù)變換后的6維數(shù)據(jù)的時(shí)序圖。

對代碼為130481000395的企業(yè)數(shù)據(jù)做PCA變換，通過方差下降曲線選取降維后的維度，圖12是方差下降曲線圖。

通過觀察方差下降曲線圖，本文將數(shù)據(jù)維度降低到6維，圖13是做PCA數(shù)據(jù)變換后的6維數(shù)據(jù)的時(shí)序圖。

5 相關(guān)性分析結(jié)果與預(yù)測結(jié)果分析

對于CCA和DMPCCA，對表1得到的屬性劃分集合進(jìn)行特征融合和維數(shù)約減，PCA則直接對整個(gè)數(shù)據(jù)集進(jìn)行主成分分析，提取有效特征。為了比較CCA、PCA、DMPCCA在特征提取上的優(yōu)勢，本文在約減后的特征集上選擇相同的維數(shù)進(jìn)行實(shí)驗(yàn)，保證了實(shí)驗(yàn)的可比性。用CCA（）、PCA（）、DMPCCA（）表示三種降維方法。下面以DMPCCA的操作步驟為例，具體操作過程如下：

①計(jì)算各自的投影向量：

[Wxdmpcca，Wydmpcca]=DMPCCA（X，Y）。

②投影向量與樣本相乘：

dmpcca_X=Wxdmpcca×X，dmpcca_Y=Wydmpcca×Y。

③降維后的特征集合可用以作為SVM的輸入，需要將兩部分合并，形成新的降維后的特征集

[xdmpcca_X，ydmpcca_Y]。

SVM完成分類任務(wù)。原始數(shù)據(jù)集經(jīng)CCA、PCA、DMPCCA處理之后，提取到的特征作為SVM分類器的輸入，輸出結(jié)果為0/1，1表示環(huán)境質(zhì)量惡化，0表示不惡化或者好轉(zhuǎn)。

表3給出了經(jīng)過數(shù)據(jù)數(shù)約后，SVM用于預(yù)測環(huán)境質(zhì)量的分類結(jié)果對比。

6 結(jié)語

通過數(shù)據(jù)治理，本文得到了鋼鐵行業(yè)高質(zhì)量的大氣排污數(shù)據(jù)，從結(jié)果來看，PM10、SO2、NO2的排放與環(huán)境質(zhì)量的相關(guān)度超過了0.8，屬于強(qiáng)相關(guān)性，可以根據(jù)PM10、SO2、NO2的排放量等數(shù)據(jù)，建立環(huán)境質(zhì)量等級(jí)的預(yù)測系統(tǒng)。

【參考文獻(xiàn)】

【1】郭曉杰.新中國成立以來河北鋼鐵產(chǎn)業(yè)組織形態(tài)的歷史變遷及未來發(fā)展趨勢[J].經(jīng)濟(jì)論壇，2020（8）：17-22.

【2】蔡九菊.鋼鐵工業(yè)的空氣消耗與廢氣排放[J].鋼鐵，2019，54（4）：1-11.

【3】國家環(huán)境保護(hù)局.鋼鐵工業(yè)廢氣治理[M].北京：中國環(huán)境科學(xué)出版社，1992.

【4】譚靜儀.大數(shù)據(jù)及環(huán)境保護(hù)大數(shù)據(jù)的應(yīng)用意義淺述[J].電子技術(shù)與軟件工程，2018（11）：211.

【5】孫永鵬.試論大數(shù)據(jù)技術(shù)在生態(tài)環(huán)境保護(hù)領(lǐng)域的應(yīng)用架構(gòu)及相關(guān)技術(shù)[J].中小企業(yè)管理與科技（下旬刊），2021（2）：162-163.

【6】張翠芝，安海崗，劉沅靈.京津冀及周邊城市群空氣質(zhì)量與經(jīng)濟(jì)發(fā)展規(guī)模的關(guān)聯(lián)性分析[J].中小企業(yè)管理與科技（中旬刊），2021（7）：51-52.

【7】何振芳，郭慶春，劉加珍，等.河北省大氣污染時(shí)空變化特征及其影響因素[J].自然資源學(xué)報(bào)，2021，36（2）：411-419.

【8】曹廣忠，劉嘉杰，劉濤.空氣質(zhì)量對中國人口遷移的影響[J].地理研究，2021，40（1）：199-212.

【9】李祥芹.大氣環(huán)境監(jiān)測中大數(shù)據(jù)解析技術(shù)應(yīng)用研究[J].中國新技術(shù)新產(chǎn)品，2021（5）：122-124.