于秀麗

(大連海洋大學(xué) 遼寧 大連 116023)

引言

環(huán)境問(wèn)題一直以來(lái)都是世界各國(guó)關(guān)注的焦點(diǎn)，大氣污染影響著人類的身心健康，是生態(tài)文明的根源，影響著社會(huì)可持續(xù)發(fā)展。區(qū)域大氣環(huán)境質(zhì)量問(wèn)題是我國(guó)經(jīng)濟(jì)發(fā)展中出現(xiàn)的重要問(wèn)題，許多學(xué)者都開(kāi)始對(duì)此進(jìn)行關(guān)注。[1]PM2.5對(duì)人類健康和大氣環(huán)境質(zhì)量影響十分嚴(yán)重，建立可靠的空氣污染預(yù)測(cè)預(yù)警系統(tǒng)，為決策部門(mén)控制污染物排放提供參考，對(duì)于保護(hù)人們的身體健康和促進(jìn)社會(huì)的和諧穩(wěn)定具有重要的科學(xué)價(jià)值和實(shí)際意義。

目前，國(guó)內(nèi)外學(xué)者對(duì)大氣污染預(yù)測(cè)的研究主要是對(duì)空氣質(zhì)量指數(shù)(Air Quality Index，AQI)的研究，尤其集中在以PM2.5為主的污染物濃度預(yù)測(cè)。Vlachogianni等利用多元線性回歸對(duì)不同地區(qū)的NOx和PM10濃度進(jìn)行研究，檢驗(yàn)了由于不同氣候條件而導(dǎo)致的模型預(yù)測(cè)能力變化，[2]練秀緣結(jié)合時(shí)間序列模型和多元回歸理論對(duì)PM2.5建模預(yù)測(cè)研究；[3]Wu等人研究了日常城市空氣質(zhì)量預(yù)測(cè)的問(wèn)題，通過(guò)對(duì)變分模式子序列進(jìn)行重組解決過(guò)度分解的問(wèn)題；[4]Wang等人研究了一種基于L1范式的空氣質(zhì)量預(yù)測(cè)問(wèn)題，使用多跟蹤器優(yōu)化算法參數(shù)確定最終的預(yù)測(cè)結(jié)果；[5]羅宏遠(yuǎn)等人提出了基于二層分解技術(shù)和改進(jìn)極限學(xué)習(xí)機(jī)模型的PM2.5濃度預(yù)測(cè)方法，融合了模態(tài)分解技術(shù)以及差分演化算法優(yōu)化。[6]上述模型針對(duì)多特征共同作用的常規(guī)性大氣污染，雖然也能滿足對(duì)空氣質(zhì)量預(yù)測(cè)的要求，預(yù)測(cè)模型可以顯著提高PM2.5濃度的預(yù)測(cè)精度，但計(jì)算過(guò)程相對(duì)比較復(fù)雜，尤其針對(duì)由單特征顯著主導(dǎo)的突發(fā)性大氣污染時(shí)，融合模型需要進(jìn)一步探索。本文聚焦沿海區(qū)域火災(zāi)煙塵排放數(shù)據(jù)，融合氣象信息，探索該排放對(duì)周?chē)用窨諝赓|(zhì)量預(yù)測(cè)的影響。在王旭坪等[7]的研究基礎(chǔ)上，選用高斯煙羽模型求解PM2.5的污染擴(kuò)散，利用蟻群神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)問(wèn)題討論，并用具體的監(jiān)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行了驗(yàn)證，結(jié)果表明模型能夠完成對(duì)該地區(qū)的污染預(yù)測(cè)分析。

1 問(wèn)題描述及提出方法

針對(duì)沿海區(qū)域突發(fā)性大氣污染，以火災(zāi)為例探索如何以特征信息為核心，通過(guò)特征融合的不斷創(chuàng)新以最大限度捕捉信息，獲取較大的預(yù)測(cè)進(jìn)展以及較好的預(yù)測(cè)精度。

依據(jù)《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)(GB3095-2012)》中的AQI計(jì)算方法：第一步是比較各項(xiàng)污染物的分級(jí)濃度限值，分別計(jì)算得出空氣質(zhì)量分指數(shù)(IAQI)；第二步是從各項(xiàng)污染物的IAQI中選擇最大值，并將其確定為AQI，當(dāng)AQI大于50時(shí)，IAQI最大的污染物被確定為首要污染物。由此可知，當(dāng)園區(qū)發(fā)生火災(zāi)、泄漏等事件引起的大氣污染時(shí)，由于首要污染物的顯著性擴(kuò)散，其IAQI將直接決定周?chē)目諝赓|(zhì)量指數(shù)。

因此，本文針對(duì)突發(fā)性園區(qū)大氣污染設(shè)計(jì)特征處理的方法，分析大氣污染的特征變量，針對(duì)由單特征顯著主導(dǎo)的突發(fā)性大氣污染情況，分析單特征污染物的擴(kuò)散結(jié)果，結(jié)合高斯擴(kuò)散模型和神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)大氣污染影響預(yù)測(cè)。該方法根據(jù)沿海區(qū)域突發(fā)性大氣污染的特征，建立融合準(zhǔn)則，并在此基礎(chǔ)上選擇或修正模型形成最佳的特征融合方案，從而有效提高預(yù)測(cè)質(zhì)量。

2 基于高斯煙羽模型的污染擴(kuò)散

2.1 高斯煙羽模型

沿海區(qū)域內(nèi)火災(zāi)雖然不是最嚴(yán)重的環(huán)境突發(fā)事件，但卻是最常見(jiàn)的，火災(zāi)的發(fā)生通常會(huì)伴隨大量的煙塵、一氧化碳、熱(溫度)、光(火焰)等，如果通過(guò)火災(zāi)把有毒物質(zhì)泄漏到大氣環(huán)境中或是水中，對(duì)沿海生態(tài)環(huán)境的破壞是非常嚴(yán)重的。因此，識(shí)別園區(qū)火災(zāi)發(fā)生后的隱患，為決策者提供技術(shù)支撐，降低發(fā)生重大環(huán)境污染事件的可能性，保障沿海生態(tài)環(huán)境更加有其重要的實(shí)際意義。

火災(zāi)發(fā)生時(shí)，物質(zhì)在燃燒過(guò)程中產(chǎn)生的大量煙塵，成為對(duì)大氣影響主要的因素，對(duì)周?chē)h(huán)境產(chǎn)生不利影響。在此將煙塵(PM2.5)作為顯著單特征，事故現(xiàn)場(chǎng)被視為污染源，研究這一時(shí)期大氣污染物的擴(kuò)散和濃度分布時(shí)，選擇高斯煙羽模型進(jìn)行解釋，計(jì)算事故發(fā)生后釋放的煙塵物質(zhì)擴(kuò)散對(duì)周?chē)h(huán)境的影響，對(duì)園區(qū)周?chē)O(jiān)測(cè)點(diǎn)位的空氣質(zhì)量指數(shù)進(jìn)行預(yù)測(cè)。假設(shè)所有影響物質(zhì)擴(kuò)散的因素變量是恒定不變的，并且物質(zhì)在擴(kuò)散過(guò)程中不會(huì)發(fā)生任何根本性的變化，定義Kx、Ky、Kz分別為x、y、z方向上的湍流擴(kuò)散系數(shù)，將x軸表示為物質(zhì)的流動(dòng)方向，根據(jù)擴(kuò)散微分方程化簡(jiǎn)得到：

高斯煙羽公式

(1)

其中，C(x, y, z)表示地點(diǎn)(x, y, z)處的物質(zhì)濃度，(x0,y0,0)為煙羽中心坐標(biāo)，σx、σy、σz分別表示x, y, z方向上的擴(kuò)散系數(shù)，Q代表整個(gè)過(guò)程中物質(zhì)的排放量。

一般情況下，污染物質(zhì)的產(chǎn)生是在某一時(shí)段內(nèi)連續(xù)地排放，因此以高斯煙羽為基礎(chǔ)，將T時(shí)段內(nèi)多個(gè)地點(diǎn)排放的污染物質(zhì)看作是在點(diǎn)(x, y, z)處多個(gè)時(shí)間點(diǎn)產(chǎn)生的疊加。根據(jù)此假設(shè)，得出一種新的擴(kuò)散模式：

可得擴(kuò)散濃度公式：

(2)

通常計(jì)算，取σx=σy=γ1Xα1，σz=γ2Xα2。在確定穩(wěn)定度后，取樣時(shí)間在30分鐘以內(nèi)，根據(jù)橫向、垂直擴(kuò)散參數(shù)冪函數(shù)表達(dá)式數(shù)據(jù)，選取有風(fēng)條件下的擴(kuò)散參數(shù)σy、σz。

2.2 模型應(yīng)用與結(jié)果分析

本研究中，SO2質(zhì)量指數(shù)、NO2質(zhì)量指數(shù)、CO質(zhì)量指數(shù)、O3質(zhì)量指數(shù)等均來(lái)自當(dāng)?shù)丨h(huán)境監(jiān)測(cè)站空氣質(zhì)量日?qǐng)?bào)數(shù)據(jù)中心，風(fēng)速、大氣壓和溫度均來(lái)自氣象局，如表1所示。

表1 當(dāng)?shù)乜諝夂蜌庀髷?shù)據(jù)采集

確定穩(wěn)定度后，取樣時(shí)間在30分鐘以內(nèi)時(shí)，根據(jù)有風(fēng)條件下的擴(kuò)散參數(shù)σy、σz，假設(shè)突發(fā)火災(zāi)區(qū)域?yàn)?0m*20m*1m的空間，則根據(jù)火災(zāi)發(fā)生當(dāng)前PM2.5的濃度值，可以得到Q=0.27*105，風(fēng)速u(mài)為研究日的當(dāng)天風(fēng)速，監(jiān)測(cè)點(diǎn)位距離著火源1km，PM2.5的濃度突然增值兩倍，繼而高斯擴(kuò)散模型求出2019年4月21日的火災(zāi)。因倉(cāng)庫(kù)木質(zhì)材料起火，面積約400m2，可燃?xì)怏w增加了PM2.5在空氣中的濃度，進(jìn)入大氣造成大氣污染。發(fā)生擴(kuò)散數(shù)小時(shí)后，距離火災(zāi)發(fā)生地1km外的沿海核心居民生活區(qū)監(jiān)測(cè)點(diǎn)的PM2.5污染濃度值，如2所示。

表2 PM2.5污染擴(kuò)散的計(jì)算結(jié)果

對(duì)于火災(zāi)擴(kuò)散引起的突發(fā)性大氣污染，與以往的常規(guī)性空氣污染預(yù)報(bào)系統(tǒng)相比，其內(nèi)部結(jié)構(gòu)更加精簡(jiǎn)化，分析單特征污染物的擴(kuò)散結(jié)果，在一定程度上縮短了火災(zāi)擴(kuò)散信息的獲取時(shí)間，提高了預(yù)測(cè)環(huán)節(jié)的效率。比較PM2.5污染擴(kuò)散情況與當(dāng)天監(jiān)測(cè)點(diǎn)位的實(shí)際檢測(cè)指數(shù)，與實(shí)測(cè)PM2.5走勢(shì)基本一致。表明污染擴(kuò)散模型具有良好的擬合效果，基本能夠描述實(shí)際PM2.5污染物的產(chǎn)生和擴(kuò)散。

3 基于蟻群神經(jīng)網(wǎng)絡(luò)的影響預(yù)測(cè)

3.1 蟻群神經(jīng)網(wǎng)絡(luò)模型

對(duì)污染特征的選取問(wèn)題，若特征參量選取合理有效，系統(tǒng)識(shí)別處理信息的正確率就高。討論火災(zāi)煙塵的擴(kuò)散對(duì)大氣環(huán)境的影響， PM2.5的演變和其它污染物以及氣象條件有直接關(guān)系，所以將SO2、NO2、CO、O3、風(fēng)速、大氣壓和溫度這7個(gè)特征參量也納入特征參量的集合，判斷當(dāng)前沿海區(qū)域待監(jiān)測(cè)環(huán)境中發(fā)生污染存在的概率，y為空氣質(zhì)量指數(shù)(無(wú)污染、輕微污染、輕度污染、中度污染、重度污染和嚴(yán)重污染等)，作為預(yù)測(cè)的輸出結(jié)果。采用三層前饋BP神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)參數(shù)的訓(xùn)練，建立BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

上圖中BP神經(jīng)網(wǎng)絡(luò)有八個(gè)輸入節(jié)點(diǎn)xi，分別表示PM2.5濃度、CO濃度、…、溫度大小，每一個(gè)輸入層節(jié)點(diǎn)對(duì)應(yīng)一個(gè)傳感器信號(hào)，ωik表示輸入層節(jié)點(diǎn)i到隱藏層節(jié)點(diǎn)k的連接權(quán)值，ωko表示隱藏層節(jié)點(diǎn)k與輸出層節(jié)點(diǎn)o的連接權(quán)值，yo表示網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)。由于BP神經(jīng)網(wǎng)絡(luò)的局部極小、收斂速度慢等問(wèn)題，通過(guò)蟻群算法為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值尋優(yōu)，經(jīng)過(guò)合理選取蟻群模型參數(shù)，利用最佳的權(quán)值和閾值組合來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)性能，加快算法收斂速度，提高預(yù)測(cè)精度。

3.2 模型應(yīng)用與結(jié)果分析

通過(guò)PM2.5、SO2、NO2、CO、O3、風(fēng)速、大氣壓和溫度共8個(gè)自變量數(shù)據(jù)來(lái)預(yù)測(cè)對(duì)應(yīng)的空氣質(zhì)量等級(jí)。針對(duì)不同的機(jī)器學(xué)習(xí)算法，本質(zhì)是在不同的數(shù)據(jù)空間觀測(cè)數(shù)據(jù)，根據(jù)自身算法規(guī)則構(gòu)建相應(yīng)模型。預(yù)測(cè)結(jié)果通過(guò)擬合優(yōu)度(R2)進(jìn)行評(píng)測(cè)，擬合優(yōu)度R2的值越接近1，說(shuō)明回歸對(duì)觀測(cè)值的擬合程度越好。不同模型的R2在數(shù)據(jù)集的表現(xiàn)如圖2所示。

圖2 多種機(jī)器學(xué)習(xí)算法在R2的表現(xiàn)

結(jié)果發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)擬合優(yōu)度的值最接近1，預(yù)測(cè)效果最優(yōu)。選擇3層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真分析，按照經(jīng)驗(yàn)公式并經(jīng)反復(fù)訓(xùn)練調(diào)試。誤差收斂因子為0.00001，學(xué)習(xí)率為0.1，為使神經(jīng)網(wǎng)絡(luò)獲得更好的預(yù)測(cè)效果，選擇合理的蟻群模型，調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置參數(shù)，進(jìn)行網(wǎng)絡(luò)的有效訓(xùn)練，蟻群算法的參數(shù)為信息素強(qiáng)度Q=0.1，信息素?fù)]發(fā)系數(shù)ρ=0.05，螞蟻數(shù)h=20，最大優(yōu)化次數(shù)10。獲得最優(yōu)個(gè)體，并將最優(yōu)個(gè)體解作為BP網(wǎng)絡(luò)的初始權(quán)值和閾值，在此基礎(chǔ)上進(jìn)行網(wǎng)絡(luò)訓(xùn)練。將預(yù)測(cè)值和實(shí)際值進(jìn)行比較，可得出BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線及蟻群神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差，結(jié)果表明，蟻群神經(jīng)網(wǎng)絡(luò)模型具有較高的預(yù)測(cè)精度，實(shí)際值與預(yù)測(cè)值的曲線趨勢(shì)如圖3所示。

從給出的圖結(jié)果可以看出，ACO-BP的曲線擬合效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，ACO-BP模型建立的可靠性和可信性水平較高，能夠解決和說(shuō)明實(shí)際問(wèn)題。兩種方法對(duì)比情況如表3所示。

表3 BP網(wǎng)絡(luò)算法和ACO-BP算法的比較

輸出結(jié)果表明，蟻群神經(jīng)網(wǎng)絡(luò)的輸出誤差較小，說(shuō)明蟻群神經(jīng)網(wǎng)絡(luò)能有效地提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度，同時(shí)克服了陷入局部極小值的缺陷，顯著提高了預(yù)測(cè)精度，證明了算法的可行性和有效性。

結(jié)語(yǔ)

針對(duì)單特征顯著主導(dǎo)的突發(fā)性大氣污染情況，分析單特征污染物的擴(kuò)散結(jié)果，然后基于特征融合模型預(yù)測(cè)污染影響，從而有效提高預(yù)測(cè)質(zhì)量。研究首先采用高斯模型對(duì)PM2.5的擴(kuò)散趨勢(shì)進(jìn)行預(yù)測(cè)，并計(jì)算出PM2.5的污染擴(kuò)散范圍；而后，結(jié)合氣象因素及其它空氣污染物對(duì)PM2.5濃度的影響，構(gòu)建一個(gè)空氣質(zhì)量指數(shù)的演變模型，通過(guò)蟻群神經(jīng)網(wǎng)絡(luò)完成對(duì)沿海區(qū)域的污染影響預(yù)測(cè)，最后用監(jiān)測(cè)點(diǎn)的數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。結(jié)果表明，模型能夠完成對(duì)該地區(qū)的污染預(yù)測(cè)分析。通過(guò)研究發(fā)現(xiàn)，高斯煙羽模型可以很好地?cái)M合PM2.5的擴(kuò)散規(guī)律，但由于擴(kuò)散本身是一個(gè)非常復(fù)雜的問(wèn)題，因此模型的適應(yīng)范圍仍需要進(jìn)一步研究。例如，擴(kuò)大其應(yīng)用范圍，考慮更多的因素對(duì)模型進(jìn)行適度改進(jìn)，以獲得更好的模擬效果，解決更多的實(shí)際問(wèn)題。