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

閆 妍，張云鵬，李鎧月，楊光美

（西北工業(yè)大學(xué) 機電學(xué)院， 陜西 西安 710072）

近年來，隨著我國經(jīng)濟社會的快速發(fā)展，以煤炭為主的能源消耗大幅攀升，機動車保有量急劇增加，西安地區(qū)氮氧化物（NOx）和揮發(fā)性有機物（VOCs）排放量顯著增長，臭氧（O3）和細顆粒物（PM2.5）污染加劇，在可吸入顆粒物（PM10）和總懸浮顆粒物（TSP）污染還未全面解決的情況下，由于西部大開發(fā)進程的日益推進，眾多企業(yè)紛紛在西安投資興建，加之機動車迅猛增加，汽車尾氣排放量加大，使得二氧化硫、二氧化氮、PM10、PM2.5、臭氧和一氧化碳等污染加重，灰霾現(xiàn)象頻繁發(fā)生，能見度降低，環(huán)境空氣質(zhì)量評價以及污染治理等問題再一次引起大眾的關(guān)注。通過污染物監(jiān)測項目，加嚴部分污染物限值，客觀反映我國環(huán)境空氣質(zhì)量狀況，推動大氣污染防治；并且通過空氣污染指數(shù)（API）判斷空氣質(zhì)量[1]。

近年來迅速發(fā)展的人工神經(jīng)網(wǎng)絡(luò)，由于具有人腦思維的特點和具有自學(xué)習(xí)、自適應(yīng)及自組織的功能，應(yīng)用于模式分類與識別有適應(yīng)性強、客觀性好的優(yōu)點，已廣泛地用于系統(tǒng)控制和預(yù)測等方面。通過運用人工神經(jīng)網(wǎng)絡(luò)的多層神經(jīng)網(wǎng)絡(luò)對大氣污染物濃度的實測值及其相關(guān)因子進行訓(xùn)練學(xué)習(xí)，從而建立大氣污染物濃度與其在大氣中的限制因子的相關(guān)模型，再用此模型對大氣污染物濃度進行預(yù)測預(yù)警，以達到對大氣環(huán)境質(zhì)量進行預(yù)測預(yù)警的作用[2]。

1 西安空氣質(zhì)量狀況分析

1.1 采用API和AQI對西安市的空氣質(zhì)量進行評價

API空氣污染指數(shù)，是國家舊的空氣質(zhì)量評價體系，只包括二氧化硫、二氧化氮和PM10三種污染物。AQI：空氣質(zhì)量指數(shù)，是新修訂的《環(huán)境空氣質(zhì)量標準》中空氣質(zhì)量評價體系，包括6種污染物：二氧化硫、二氧化氮、PM10、PM2.5、臭氧和一氧化碳[3]。

1.2 分析影響西安市空氣質(zhì)量的原因

將空氣質(zhì)量功能區(qū)分為三類，通過對三類區(qū)的分析比較，選取了比較有代表性的三類區(qū)：一類區(qū)為自然風(fēng)景保護區(qū)；二類區(qū)為擁有眾多高校及居民院所；三類區(qū)為擁有眾多工廠的區(qū)域。對環(huán)境空氣質(zhì)量的三類區(qū)相應(yīng)的三類標準及其污染物濃度、工業(yè)增加值等數(shù)據(jù)進行定量分析，對比。根據(jù)分析結(jié)果，繪制相關(guān)圖表及表格，進一步討論空氣污染指數(shù)（API）和環(huán)境空氣質(zhì)量指數(shù)（AQI）的變化對西安市空氣質(zhì)量影響，并分析影響空氣質(zhì)量的原因。

1.3 預(yù)測未來一周西安市空氣質(zhì)量狀況

為預(yù)測未來一周西安市空氣質(zhì)量狀況，結(jié)合天氣原因（風(fēng)力、風(fēng)向、氣溫、是否降水等）運用BP人工神經(jīng)網(wǎng)絡(luò)的多層神經(jīng)網(wǎng)絡(luò)對全市大氣污染物濃度的實測值進行訓(xùn)練學(xué)習(xí)，建立模型。再結(jié)合未來一周西安市天氣預(yù)報，用此模型對污染物濃度進行預(yù)測和預(yù)報，以達到對大氣環(huán)境質(zhì)量進行預(yù)測預(yù)警的作用，由此預(yù)測未來一周空氣質(zhì)量的狀況。

2 模型的建立與求解

2.1 AQI與API模型的建立

影響空氣質(zhì)量分指數(shù)及對應(yīng)的污染物濃度限值如表1所示。

一般，數(shù)據(jù)的無量綱化處理有標準差方法、極值差方法和功效系數(shù)方法。此處影響空氣質(zhì)量因素的污染物濃度值根據(jù)AQI技術(shù)規(guī)定空氣質(zhì)量分指數(shù)的將指標量綱化，利用插值方法計算相應(yīng)的AQI與API[4]。

污染物項目P的空氣質(zhì)量分指數(shù)按下式計算

式中：IAQIP——污染物項目P的空氣質(zhì)量分指數(shù)；

Cp——污染物項目P的質(zhì)量濃度值；

BPHi——表中與Cp相近的污染物濃度限值得高位值；

BPLo——表1中與Cp相近的污染物濃度限值得低位值；

IAQIHi——表1中與BPHi對應(yīng)的空氣質(zhì)量分指數(shù)；

IAQILo——表1中與BPLo對應(yīng)的空氣質(zhì)量分指數(shù)。

總的空氣質(zhì)量分指數(shù)按下式計算：

式中：AQI——空氣質(zhì)量分指數(shù)

n——污染物項目

API與AQI的計算方法類似，區(qū)別僅在于檢測污染物項目較少，因此不再贅述。

表1 空氣質(zhì)量分指數(shù)及對應(yīng)的污染物項目濃度限值Tab.1 Air quality index and corresponding pollutant’s item concentration limit

2.2 AQI與API模型的結(jié)果

由Matlab軟件求解得到2013年西安空氣質(zhì)量分指數(shù)指標如圖1和圖2所示，密集點的橫坐標表示 2013年已知的各種污染物的濃度，縱坐標表示根據(jù)AQI與API模型計算得到的相應(yīng)結(jié)果。折線為表1對應(yīng)的關(guān)系折線。

由圖1和圖2可以看出，計算結(jié)果與國家標準完全吻合，即程序正確合理，結(jié)果準確可靠。根據(jù)實測數(shù)據(jù)繪制AQI與API圖形如圖3和圖4所示。

由圖3和圖4可知，影響空氣質(zhì)量的主要因素為PM2.5與PM10，其中PM2.5更為顯著。由AQI與API所呈結(jié)果可知影響空氣質(zhì)量的污染物主要為顆粒物，而并非氧化性污染物。在利用API進行空氣質(zhì)量評估時，忽略了PM2.5的影響，由上述分析可知，PM2.5對空氣質(zhì)量的影響比PM10更為顯著，因此利用API進行空氣質(zhì)量評估不夠客觀準確，需要利用AQI進行空氣質(zhì)量評估，重點監(jiān)測PM2.5及PM10的含量變化。

3 神經(jīng)網(wǎng)絡(luò)預(yù)測模型

人工神經(jīng)網(wǎng)絡(luò)是一種模仿人類神經(jīng)系統(tǒng)的數(shù)學(xué)模型，對于任意一種隨機數(shù)據(jù)，都可應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進行系統(tǒng)分析，做出擬合預(yù)測[5]。

圖1 2013年西安空氣質(zhì)量分指數(shù)指標PM2.5Fig.1 PM2.5 of Xi’an AQI in 2013

圖2 2013年西安空氣質(zhì)量分指數(shù)指標NO2Fig.2 NO2 of Xi’an AQI in 2013

圖3 2013年西安市環(huán)境空氣質(zhì)量指數(shù)（AQI）變化曲線圖Fig.3 Curve chart of AQI Change of Xi’an in 2013

圖4 2013年西安市空氣污染指數(shù)（API）變化曲線圖Fig.4 Curve chart of API change of Xi’an in 2013

為了預(yù)測未來一周西安市空氣質(zhì)量狀況，根據(jù)影響西安市空氣質(zhì)量的分析結(jié)果，可能影響空氣污染物的氣象參數(shù)包括：最高溫度（Tmax）、最低溫度（Tmin）、風(fēng)向（θ）、風(fēng)力（v）、天氣狀況（H）。其中，風(fēng)向（θ）經(jīng)正弦、余弦轉(zhuǎn)換成2個變量sinθ和cosθ，即將風(fēng)向分別轉(zhuǎn)換為東西方向與南向方向2個變量；天氣狀況（H）作為雙變量使用，令H=0代表無降雨，H=1代表有降雨。

將上述參數(shù)作為輸入矩陣P，2013年實測污染物濃度作為輸出矩陣T，建立含有一個隱含層的神經(jīng)網(wǎng)絡(luò)模型，并對此模型進行訓(xùn)練。模型示意圖5所示[6]。

圖5 模型圖Fig.5 Diagrammatic figure

將西安市2013年定性化氣象數(shù)據(jù)用上述方法進行量化，作為神經(jīng)網(wǎng)絡(luò)的輸入層，把2013年西安市污染物濃度數(shù)據(jù)作為輸出層，利用Matlab建立BP神經(jīng)網(wǎng)絡(luò)。

利用Matlab建立BP神經(jīng)網(wǎng)絡(luò)對空氣質(zhì)量進行預(yù)測，其結(jié)果如圖6所示[6]。

圖6 PM2.5的訓(xùn)練數(shù)據(jù)與實際數(shù)據(jù)相關(guān)性Fig.6 Data dependency between training data and real data of PM2.5

4 結(jié) 論

充分利用所建公式，建立分段函數(shù)，直觀的反映出各個污染物對環(huán)境影響的關(guān)系。在預(yù)測中建立的神經(jīng)網(wǎng)絡(luò)模型具有非線性映射，自學(xué)習(xí)自映射能力，能自動提取數(shù)據(jù)，輸出數(shù)據(jù)間的合理規(guī)則，從而做出預(yù)測。運用BP人工神經(jīng)網(wǎng)絡(luò)[7]的多層神經(jīng)網(wǎng)絡(luò)對西安市大氣污染物濃度的實測值進行訓(xùn)練學(xué)習(xí)，建立模型。同時結(jié)合未來一周西安市天氣預(yù)報，用此模型對污染物濃度進行預(yù)測和預(yù)報，以達到對大氣環(huán)境質(zhì)量進行預(yù)測預(yù)警的作用。雖然神經(jīng)網(wǎng)絡(luò)算法的收斂速度較慢，數(shù)據(jù)較多，處理起來有些困難。但該模型在數(shù)據(jù)的對比與預(yù)測中還較為成功，可見模型的適用性較好，可將模型推廣到水質(zhì)評測，土壤品質(zhì)等各個方面的問題。推廣應(yīng)用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)，對大氣環(huán)境質(zhì)量的綜合評價和預(yù)測預(yù)警具有普遍意義。根據(jù)所建模型，進行對比及預(yù)測，從而對環(huán)保部門提出相關(guān)建議。

[1]鞏芳，陶鶴爭.基于BP—GM的工業(yè)污染生態(tài)安全預(yù)警系統(tǒng)研究[J].資源開發(fā)與市場，2013，29（3）：237-239，298.

GONG Fang，TAO He-zheng.Research on BP-GM earlywarning system of industrial pollution ecological security[J].Resource Development＆ Market，2013，29（3）：237-239，298.

[2]李德志，李彥濤，李峰.人工神經(jīng)網(wǎng)絡(luò)在區(qū)域短期大氣環(huán)境質(zhì)量預(yù)測預(yù)警中的應(yīng)用[J].公用工程設(shè)計，2010（7）：74-77.

LI De-zhi，LI Yan-tao，LI Feng.Short-term predictionand warningofregionalatmospheric environmentalqualityby artificial[J].Public Engineering Design，2010（7）：74-77.

[3]吉祝美.環(huán)境空氣質(zhì)量標準新標準解讀[J].污染防治技術(shù)，2012，25（6）：67-69.

JI Zhu-mei.The interpretation of the last ambient air quality standards[J].Pollution ControlTechnology，2012，25 （6）：67-69.

[4]陳新，劉曉冬，宋旭.API法及其在城市大氣環(huán)境質(zhì)量評價中的應(yīng)用[J].黑龍江八一農(nóng)墾大學(xué)學(xué)報，2006，18（1）：89-92.

CHEN Xin，LIU Xiao-dong，SONG Xu.API method and the application in atmosphere environment evaluation[J].Journal Heilongjiang August First Land Reclamation University，2006，18（1）：89-92.

[5]杜先君，余萍，王強.結(jié)合神經(jīng)網(wǎng)絡(luò)的一般模型控制策略研究[J].工業(yè)儀表與自動化裝置，2013（1）:12-14.

DU Xian-jun，YU Ping，WANG Qiang.StudyonGMC combined with neural network control strategy[J].Industrial instrumentation ＆ automation，2013（1）:12-14.

[6]石靈芝，鄧啟紅，路嬋，等.基于BP人工神經(jīng)網(wǎng)絡(luò)的大氣顆粒物PM10質(zhì)量濃度預(yù)測[J].中南大學(xué)學(xué)報：自然科學(xué)版，2012，43（5）：1969-1974.

YAN yan，Lai KAI-yue，YANG Guang-mei.Prediction of PM10 mass concentrations based on BP artificial neural network[J].Journal of Central South University：Science and Technology，2012，43（5）：1969-1974.

[7]周鐵軍，顧曉輝，呂艷新.基于BP神經(jīng)網(wǎng)絡(luò)的地震動信號識別[J].現(xiàn)代電子技術(shù)，2012，35（10）：100-102.

ZHOU Tie-jun，GU Xiao-hui，LV Yan-xin.Recognition of ground vibration signal based on BP neural network[J].Modern Electronics Technique，2012，35（10）：100-102.