侯素霞，張鑒達，李靜

1. 河北科技工程職業(yè)技術(shù)大學(xué)資源與環(huán)境工程系，河北 邢臺 054000；2. 河北師范大學(xué)資源與環(huán)境科學(xué)學(xué)院/河北省環(huán)境演變與生態(tài)建設(shè)省級重點實驗室，河北 石家莊 050024；3. 河北交通職業(yè)技術(shù)學(xué)院黨政辦公室，河北 石家莊 050011

隨著中國城市化和工業(yè)化進程不斷加快，PM10、PM2.5、SO2、NO2、O3等大氣污染問題日趨嚴重（武曉紅等，2021）。大氣污染不僅影響氣候變化、經(jīng)濟和社會發(fā)展（De Marco et al.，2019），也對交通安全（Li et al.，2020）及公共健康（Dedoussi et al.，2020）帶來極大威脅。2015年全球疾病、傷害和風(fēng)險因素研究表明，大氣污染是造成全球疾病負擔(dān)，特別是低收入和中等收入國家疾病負擔(dān)的主要原因（Cohen et al.，2017）。環(huán)境顆粒物帶來的日益嚴重的粉塵污染，不僅對全球可持續(xù)發(fā)展戰(zhàn)略產(chǎn)生不利影響，還對居民的健康和壽命產(chǎn)生威脅，大氣中 PM2.5質(zhì)量濃度每增加 10 μg·m?3，全因死亡率將會增加 10%，心血管疾病死亡率會增加 3.76%（Brook et al.，2010）。根據(jù)世界衛(wèi)生組織（WHO）的數(shù)據(jù)，環(huán)境顆粒物污染每年導(dǎo)致西班牙2.5萬人過早死亡（Choubin et al.，2020）。一項針對加州大氣污染與新型冠狀病毒（COVID-19）疫情相關(guān)性的研究表明，PM10、PM2.5、SO2、NO2等環(huán)境污染物與加州COVID-19疫情存在顯著相關(guān)性（Bashir et al.，2020）。同時，印度、意大利、法國、西班牙等多個國家的研究者均發(fā)現(xiàn)在COVID-19大流行中，位于空氣污染更嚴重的地區(qū)可能會面臨更高的感染及死亡風(fēng)險（Chakraborty et al.，2020；Conticini et al.，2020；Saez et al.，2020）。除此之外，長期暴露于污染空氣中，也會增加各類肺部疾病及呼吸道疾病的發(fā)病率及死亡率（Liu et al.，2016）。

近年來，各國研究者已經(jīng)對PM10、PM2.5、SO2、NO2、O3等大氣污染物進行了大量研究。氣象條件是影響大氣污染物濃度的重要因素之一，日照增強會導(dǎo)致O3濃度的上升。不同地理區(qū)域的污染物也會呈現(xiàn)不同的分布特征，由于冬季降雨量少，華南地區(qū)的環(huán)境顆粒物水平相對較低，同時華南地區(qū)由于燃煤量較少，SO2的濃度普遍低于NO2濃度（Xie et al.，2015；沈楠馳等，2020；葉延瓊等，2019）。除此之外，大氣中各個污染物之間也存在相互影響關(guān)系，化石燃料燃燒排放的CO2，SO2等污染物使得大氣中更易形成氣溶膠微粒，氣溶膠微粒使得氣候溫度下降，從而掩蓋了部分溫室氣體排放造成的變暖效應(yīng)（Shindell et al.，2019）。然而，劇毒氣溶膠微粒的吸入每年會導(dǎo)致數(shù)百萬人死亡（Cohen et al.，2017）。

為控制大氣污染物對生態(tài)環(huán)境及人體健康帶來的危害，除了研究其形成分布特征及影響因素，還應(yīng)對污染物濃度進行精準的預(yù)測。目前國內(nèi)關(guān)于大氣污染物濃度預(yù)測的研究相對較少，選用的研究方法有多元線性回歸，隨機森林模型等。BP神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)信息處理方法，在擬合復(fù)雜的環(huán)境系統(tǒng)方面展現(xiàn)了出色的能力，能夠發(fā)現(xiàn)離散和噪聲相加數(shù)據(jù)之間的高度非線性關(guān)系。

上海市作為中國的經(jīng)濟中心，其空氣質(zhì)量問題一直受到各界廣泛關(guān)注。本文對上海市2016—2020年的大氣主要污染物（PM2.5、PM10、SO2、NO2及O3）質(zhì)量濃度進行分析，探究各污染物隨時間的年度變化、月度規(guī)律及星期效應(yīng)。利用多元線性回歸模型及BP神經(jīng)網(wǎng)絡(luò)建立污染物與氣象因素之間的相關(guān)關(guān)系，并對其濃度進行預(yù)測，分析對比不同模型的預(yù)測結(jié)果，以期為上海市及周邊地區(qū)大氣污染協(xié)同治理提供理論依據(jù)。

1 方法

1.1 數(shù)據(jù)來源

本文從上海市生態(tài)環(huán)境局上?？諝赓|(zhì)量發(fā)布平臺（https://sthj.sh.gov.cn）上收集了2016年1月1日—2020年12月31日上海市19個空氣質(zhì)量監(jiān)測站點的 PM2.5、PM10、SO2、NO2及 O3的日均質(zhì)量濃度（μg·m?3）。2016—2020 年上海市氣象參數(shù)來自氣象數(shù)據(jù)共享平臺（https://rp5.ru/），每日氣象數(shù)據(jù)包括溫度（℃）、相對濕度（%）、平均風(fēng)速（m·s?1）和水平能見度（km）。

1.2 數(shù)據(jù)處理

由于 PM10在監(jiān)測過程中包含 PM2.5，故 PM10的日均質(zhì)量濃度理論上應(yīng)大于PM2.5的日均質(zhì)量濃度，但實際監(jiān)測過程中，受到監(jiān)測儀器及監(jiān)測環(huán)境的影響，數(shù)據(jù)中可能會出現(xiàn)“PM2.5和PM10倒掛”點（即PM2.5日均值>PM10日均值），后期數(shù)據(jù)處理過程中將倒掛數(shù)據(jù)剔除得到PM2.5、PM10、SO2、NO2及O3的日均質(zhì)量濃度各1512個數(shù)據(jù)點。

1.3 皮爾遜（Pearson）相關(guān)系數(shù)法

皮爾遜相關(guān)系數(shù)（r）是用來反映兩個變量線性相關(guān)程度的統(tǒng)計量，r的絕對值越大則表明相關(guān)性越強。根據(jù)文獻（Xie et al.，2015），本研究基于2016年1月1日—2020年1月2日1512個監(jiān)測點的數(shù)據(jù)，通過皮爾遜相關(guān)系數(shù)建立了各污染物、污染物與氣象因素之間的相關(guān)關(guān)系。

1.4 多元線性回歸模型

多元線性回歸（MLR）模型是一種已在全球范圍內(nèi)廣泛使用的空氣污染預(yù)測方法（Abdullah et al.，2020）。在大多數(shù)研究，尤其是顆粒物和臭氧研究中，它能夠?qū)χ饕廴疚锏臐舛冗M行適度準確的預(yù)測。該模型能通過簡單的計算和易于實現(xiàn)的方法來表示因變量（氣態(tài)污染物）與幾個獨立變量（氣象因素）之間的關(guān)系（Zhao et al.，2018；Liao et al.，2021）。多重共線性表示的是各個自變量之間的相關(guān)關(guān)系，由于較高的共線性會使模型的預(yù)測功能失效，因此在多元線性回歸分析之前應(yīng)對自變量進行多重共線性診斷，剔除有顯著共線性的自變量。

本研究首先運用方差膨脹因子（VIF）對氣象因素（溫度、相對濕度、平均風(fēng)速、水平能見度）進行多重共線性檢驗。VIF>10表明自變量間存在多重共線性，當(dāng)VIF<10表明自變量間不存在多重共線性。其次，利用SPSS軟件，在95%的置信區(qū)間，對上海市大氣污染物中的PM2.5、PM10及O3濃度與氣象因素（溫度、相對濕度、平均風(fēng)速、水平能見度）之間的相關(guān)性及相關(guān)程度進行多元線性回歸分析。最后，通過均方誤差（RMSE）對模型準確度進行評估，具體計算如公式（1）所示：

式中：

1.5 BP神經(jīng)網(wǎng)絡(luò)模型

如圖1a所示，人工神經(jīng)網(wǎng)絡(luò)是模仿生物神經(jīng)系統(tǒng)的功能和結(jié)構(gòu)發(fā)展起來的信息處理系統(tǒng)，是由大量簡單地神經(jīng)元相互連接構(gòu)成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，包括輸入層、隱藏層和輸入層，對非線性系統(tǒng)具有很強的模擬映射能力。圖1b為神經(jīng)元工作機理，神經(jīng)元X0通過樹突賦予權(quán)重W0，每個神經(jīng)元經(jīng)過累加，最后通過激活函數(shù)，獲得單個神經(jīng)元的輸出結(jié)果。

圖1 人工神經(jīng)網(wǎng)絡(luò)（a）及神經(jīng)元工作機理（b）示意圖Fig. 1 Artificial neural network inversion (a) and mechanism of neural unit (b)

2 結(jié)果與討論

2.1 PM2.5、PM10、SO2、NO2和 O3的時間分布特點

2.1.1 各污染物的年度變化

2016—2020年上海市空氣 PM2.5、PM10、SO2、NO2及 O3年平均質(zhì)量濃度變化如圖2所示。2016年 PM2.5、PM10、SO2、NO2及 O3年平均質(zhì)量濃度分別為 44.07、62.81、13.69、42.16 和 71.51 μg·m?3，2020年分別為25.03、40.82、6.00、34.99和70.74 μg·m?3，整體均呈現(xiàn)出下降趨勢。這主要歸因于近年來上海市政府的積極號召及有關(guān)環(huán)保部門的努力配合，使得上海市的大氣環(huán)境治理初見成效，空氣質(zhì)量有了明顯改善。自《大氣十條》實施以來，國家及各地區(qū)對可吸入顆粒物的防治力度明顯加大，圖中顯示上海市PM2.5、PM10年平均質(zhì)量濃度逐年下降趨勢較為明顯，防治效果顯著。根據(jù)《環(huán)境空氣質(zhì)量標(biāo)準》（GB 3095—2012），PM10的年均一級質(zhì)量濃度限值為 40 μg·m?3。由此可見，到 2020年，上海市 PM10的年平均質(zhì)量濃度已基本達到標(biāo)準要求。

圖2 2016—2020年上海市PM2.5、PM10、SO2、NO2及O3質(zhì)量濃度年變化Fig. 2 Annual variation of the concentrations of PM2.5, PM10, SO2,NO2 and O3 in Shanghai from 2016 to 2020

NO2及O3年平均質(zhì)量濃度在2016—2017年間呈現(xiàn)上升趨勢，NO2年平均質(zhì)量濃度隨年份變化波動較大。近5年來，O3年平均質(zhì)量濃度在2017年達到最大的 78.57 μg·m?3，2017—2019 年逐年下降后，2020年又略有升高。除此之外，圖2中還顯示出，隨著可吸入顆粒物的控制、濃度的下降，O3已逐漸成為上海市大氣環(huán)境的主要污染物，也成為危害人體健康的主要污染物。已有研究表明，O3污染的健康風(fēng)險比PM2.5更高（郭云等，2021）。因此，未來應(yīng)加強對大氣中 O3的防治和減排，以保證居民生命健康。

2.1.2 各污染物的月度規(guī)律

2016—2020年上海市空氣 PM2.5、PM10、SO2、NO2及 O3月平均質(zhì)量濃度變化如圖3所示。圖中顯示，PM2.5的月平均質(zhì)量濃度全年變化整體呈“V”型分布，從一月開始基本呈現(xiàn)下降趨勢，極小值多集中8—10月，10—12月濃度又逐步上升，表現(xiàn)出明顯的季節(jié)差異，即PM2.5在冬季月份平均質(zhì)量濃度較高，夏季月份平均質(zhì)量濃度最低。與上海市相似，陳兵紅等（2021）在研究浙江省的 PM2.5濃度分布時也發(fā)現(xiàn)了冬高夏低的明顯季節(jié)差異。PM10月平均質(zhì)量濃度在1—5月呈現(xiàn)增長趨勢，5—9月逐漸降低到最低值后開始增長，質(zhì)量濃度最高值也出現(xiàn)在冬季，最低值出現(xiàn)在夏季。Liu et al.（2019）研究發(fā)現(xiàn)由于冬季頻繁的近地表溫度逆溫不利于氣溶膠污染物在地表邊界層的擴散和遷移，從而導(dǎo)致了嚴重的氣溶膠污染。逆溫現(xiàn)象影響了氣溶膠污染物的遷移擴散，導(dǎo)致PM2.5、PM10的質(zhì)量濃度值在冬日處于較高水平。逆溫現(xiàn)象不僅會影響可吸入顆粒物的遷移擴散，也會影響大氣中 NO2的遷移擴散。圖中可以看出，近5年來，上海市NO2月平均質(zhì)量濃度也呈現(xiàn)出冬高夏低的“V”型分布（Wallace et al.，2009）。

圖3 2016—2020上海市PM2.5、PM10、SO2、NO2及O3質(zhì)量濃度月度變化Fig. 3 Month variation of the concentrations of PM2.5, PM10, SO2, NO2 and O3 in Shanghai from 2016 to 2020

O3作為近年來上海市大氣主要污染物，極大值多集中于5—6月，整體呈現(xiàn)夏季濃度高，冬季濃度低的趨勢。這是由于城市地區(qū)地表 O3合成的主要前驅(qū)體是氮氧化物（NOx）和揮發(fā)性有機物（VOC），冬季可吸附顆粒物污染更為嚴重，濃度較高，大氣能見度較低，削弱了輻射強度，同時冬季氣溫偏低，均不利于NOx和VOC反應(yīng)合成O3（Ueno et al.，2019）。2016—2020年O3平均質(zhì)量濃度最高月份及其濃度值分別為 5 月（100.95 μg·m?3），7 月（103.77 μg·m?3），6 月（103.64 μg·m?3），5 月（99.22 μg·m?3），5 月（96.19 μg·m?3）。雖然高溫和強輻射有利于 O3的產(chǎn)生，但圖中可以觀察到，除2017年外，其余年份上海市空氣 O3月平均濃度變化趨勢均呈現(xiàn)相似的“M”型分布，在氣溫最高的7—8月均出現(xiàn)了下降，這表明除了受到氣溫和輻射的影響，人類活動及工業(yè)生產(chǎn)等其它因素也可能會對大氣中 O3濃度產(chǎn)生顯著影響（Xie et al.，2015）。

2.1.3 各污染物的周變化趨勢

2016—2020 年上海市空氣 PM2.5、PM10、SO2、NO2及O3質(zhì)量濃度周變化趨勢如圖所示。其中，SO2質(zhì)量濃度最低，其濃度在周內(nèi)隨日期波動較小。2016年，PM2.5、PM10、SO2周內(nèi)平均質(zhì)量濃度變化趨勢相似，周二至周五濃度上升，周五為污染物濃度極大值點（PM2.5：53.1 μg·m?3，PM10：70.64 μg·m?3，SO2：15.04 μg·m?3），周五至周一濃度下降。NO2（43.25 μg·m?3）及 O3（74.57 μg·m?3）的濃度極大值分別為周三和周二。2017年，O3的平均質(zhì)量濃度在周六最高（84.77 μg·m?3），PM2.5（39.06 μg·m?3）和PM10（61.69 μg·m?3）濃度最大值點均在周日，周五則是 SO2（11.29 μg·m?3）和 NO2（45.22 μg·m?3）的質(zhì)量濃度最高點。2019年P(guān)M2.5、PM10、SO2、NO2及O3的質(zhì)量濃度最大值點分別出現(xiàn)在周日（31.15 μg·m?3）、周四（54.11 μg·m?3）、周二（6.55 μg·m?3）、周二（41.66 μg·m?3）及周日（74.56 μg·m?3）。2018及2020年各污染物質(zhì)量濃度的極大值點均在周內(nèi)。不難看出，大多數(shù)污染物濃度最高值都出現(xiàn)在工作日，這與工作日人們的外出頻率、出行方式及次數(shù)等社會因素有關(guān)。由于社會因素、人為因素的不確定性，同時也導(dǎo)致了污染物在一周內(nèi)的變化規(guī)律不是很明顯。

圖4 2016—2020上海市PM2.5、PM10、SO2、NO2及O3質(zhì)量濃度周變化Fig. 4 Weekly variation of the concentrations of PM2.5, PM10, SO2, NO2 and O3 in Shanghai from 2016 to 2020

2.2 各污染物和氣象因素之間相關(guān)性分析

利用python和可視化安裝包seaborn探討了從2016—2020年各因素（各污染物和氣象參數(shù)）之間的相關(guān)性及分布情況。圖5為各參數(shù)（污染物和氣象參數(shù)）層次熱力圖。

圖5 層次熱力圖：各參數(shù)相關(guān)性分析Fig. 5 Correlation analysis of various parameters among the heatmap

由圖5可知，可吸入顆粒物（PM2.5、PM10）質(zhì)量濃度與 NO2質(zhì)量濃度之間存在顯著的正相關(guān)關(guān)系，這是因為大氣中的 NO2會經(jīng)一系列反應(yīng)生成NH4NO3銨鹽，而銨鹽正是PM2.5的主要成分之一，致使可吸入顆粒物質(zhì)量濃度升高（Zhang et al.，2021）。O3質(zhì)量濃度與NO2質(zhì)量濃度之間的相關(guān)系數(shù)為?0.345，呈現(xiàn)顯著的負相關(guān)關(guān)系，O3質(zhì)量濃度與PM10質(zhì)量濃度之間的相關(guān)系數(shù)為0.076，呈正相關(guān)關(guān)系，而O3質(zhì)量濃度與PM2.5質(zhì)量濃度之間的相關(guān)系數(shù)為0.006，其沒有顯著的相關(guān)關(guān)系。針對氣象因素（溫度、濕度、風(fēng)速和可見度）而言，除了溫度與平均風(fēng)速之間不存在顯著的相關(guān)性，其余氣象因素之間均存在顯著的相關(guān)關(guān)系。溫度與相對濕度、水平能見度之間的皮爾遜相關(guān)系數(shù)分別為0.191和0.230，存在顯著的正相關(guān)關(guān)系；相對濕度與平均風(fēng)速、水平能見度的皮爾遜相關(guān)系數(shù)分別為?0.085和?0.302，存在顯著的負相關(guān)關(guān)系；平均風(fēng)速與水平能見度之間也存在顯著的正相關(guān)關(guān)系（0.227）。圖5顯示，NO2質(zhì)量濃度主要與風(fēng)速呈負相關(guān)關(guān)系，其相關(guān)性為0.6；O3質(zhì)量與溫度之間的相關(guān)系數(shù)為正值，表明大氣污染物中的O3質(zhì)量濃度與溫度呈正相關(guān)關(guān)系，此結(jié)果與國內(nèi)外許多學(xué)者研究一致。

2.3 模型預(yù)測

2.3.1 多元線性模型

通過多元線性回歸分析上海市5年來的氣象因素（溫度CT、相對濕度CRH、平均風(fēng)速CAWS、水平能見度CHV）與 PM2.5、PM10、NO2、O3之間的相關(guān)關(guān)系如表1所示。其中，VIF所示為各氣象因素之間的多重共線性診斷，VIF均小于10，表明各氣象因素之間不存在多重共線性。

表1 多元線性回歸模型Table 1 Multiple linear regression models

多元線性回歸分析表明，上海市的PM2.5及NO2質(zhì)量濃度與各氣象因素均呈負相關(guān)，即隨著溫度升高、相對濕度的增加、平均氣壓及水平能見度的增大而減小，相對濕度，平均風(fēng)速及水平能見度對PM2.5質(zhì)量濃度有顯著影響。NO2質(zhì)量濃度則受到4種氣象因素的顯著影響。多元線性回歸分析顯示PM10質(zhì)量濃度與溫度之間顯著性水平為0.303，意味著溫度對上海市大氣 PM10質(zhì)量濃度并沒有產(chǎn)生顯著影響，而相對濕度、平均氣壓及水平能見度則對PM10質(zhì)量濃度產(chǎn)生了顯著性影響，PM10質(zhì)量濃度隨相對濕度的增加、平均氣壓及水平能見度的增大而減小。O3質(zhì)量濃度與溫度和平均風(fēng)速呈正相關(guān)，與相對濕度和水平能見度呈負相關(guān)。

污染物實測值與預(yù)測值的線性擬合如圖 6所示，PM2.5、PM10、NO2、O3的調(diào)整r2分別為 0.593、0.506、0.595、0.316，均方根誤差（RMSE）分別為14.44、20.73、23.79、11.72。說明多元線性回歸模型雖然能夠解釋各污染物與氣象因子之間的相關(guān)關(guān)系，但其預(yù)測的污染物質(zhì)量濃度的精確度較差。

圖6 多元線性回歸模型實測值和預(yù)測值線性擬合圖Fig. 6 Linear fitting diagram of the measured and predicted values with the multiple linear regression model

2.3.2 基于BP神經(jīng)網(wǎng)絡(luò)的污染物質(zhì)量濃度預(yù)測

圖7所示為神經(jīng)網(wǎng)絡(luò)預(yù)測PM2.5，PM10，NO2和O3質(zhì)量濃度訓(xùn)練過程中迭代次數(shù)與均方誤差關(guān)系。迭代次數(shù)也是BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中重要的參數(shù)之一。每一次迭代都將更新一次權(quán)重，進而運算到損失函數(shù)，最后在BP算法中更新參數(shù)。圖7為不同迭代次數(shù)下BP神經(jīng)網(wǎng)絡(luò)均方差分布情況。由圖7可知，當(dāng)?shù)螖?shù)為43次時，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集和測試集都達到收斂狀態(tài)，且均方誤差在測試集最大值都為0.15。

圖7 BP神經(jīng)網(wǎng)絡(luò)預(yù)測污染物過程中迭代次數(shù)與均方誤差關(guān)系Fig. 7 The relationship between the iteration times and the MSE in the prediction process of air pollutions using BP neural network

通過BP神經(jīng)網(wǎng)絡(luò)對各污染物進行預(yù)測，實測值與預(yù)測值的相關(guān)性r2如圖8所示，PM2.5、PM10、NO2、O3的 r2分別為 0.986、0.974、0.976、0.983。因此，相比多元線性回歸法，BP神經(jīng)網(wǎng)絡(luò)根據(jù)氣象參數(shù)預(yù)測污染質(zhì)量物濃度具有更高的準確性，說明BP神經(jīng)網(wǎng)絡(luò)在預(yù)測污染物質(zhì)量濃度表現(xiàn)出強大的泛化能力。

圖8 BP神經(jīng)網(wǎng)絡(luò)預(yù)測PM2.5、PM10、NO2、O3性能表現(xiàn)Fig. 8 Performance of concentration prediction of PM2.5, PM10, NO2, and O3 with BP neural network

3 結(jié)論

（1）2016—2020年上海市大氣污染物PM2.5、PM10、SO2、NO2及O3質(zhì)量濃度隨時間變化整體呈現(xiàn)下降趨勢，同時季節(jié)變化差異顯著，PM2.5及PM10質(zhì)量濃度呈“冬高夏低”，而O3質(zhì)量濃度呈“冬低夏高”。

（2）可吸入顆粒物（PM2.5、PM10）質(zhì)量濃度與SO2、NO2質(zhì)量濃度之間具有顯著相關(guān)性，O3質(zhì)量濃度與 NO2質(zhì)量濃度之間也存在顯著的相關(guān)關(guān)系。

（3）多元線性回歸分析表明相對濕度、平均風(fēng)速及水平能見度 3個氣象因素會對上海市 PM2.5、PM10質(zhì)量濃度產(chǎn)生顯著影響；溫度、相對濕度、平均風(fēng)速及水平能見度 4個氣象因素會對上海市 O3質(zhì)量濃度產(chǎn)生顯著影響。

（4）相比多元線性回歸法，BP神經(jīng)網(wǎng)絡(luò)根據(jù)氣象參數(shù)預(yù)測污染物質(zhì)量濃度具有更高的準確性，表現(xiàn)出強大的泛化能力，PM2.5、PM10與NO2、O3真實值與預(yù)測值相關(guān)系數(shù)分別為98.6%、97.4%、97.6%和98.3%。