基于BP神經(jīng)網(wǎng)絡(luò)的污染物濃度多模式集成預(yù)報

張恒德,張庭玉,李 濤,張?zhí)旌?(.中國氣象局國家氣象中心,北京 0008；.南京信息工程大學(xué)電子與信息工程學(xué)院,江蘇 南京 0044)

隨著工業(yè)化和城市化進程的不斷加快,空氣污染問題日益凸顯.近幾年,我國中東部地區(qū)霧霾天氣事件頻發(fā),尤其以京津冀地區(qū)污染較為嚴(yán)重[1-2].2013年 1月,北京和石家莊一些監(jiān)測點PM2.5日平均濃度超過500μg/m3[3];2014年2月,北京、天津和石家莊PM2.5過程平均濃度值分別達到256、181和365μg/m3[4].霧霾天氣過程持續(xù)時間長、污染重、能見度低,對人們的生活和身體健康造成重大影響.大氣污染問題已經(jīng)成為人民群眾和各級政府關(guān)注的重大問題[5].因此,加強空氣質(zhì)量預(yù)報技術(shù)研發(fā),對提高城市大氣環(huán)境預(yù)報能力有著重要作用,進而有利于大氣污染防治.

目前,多種空氣質(zhì)量數(shù)值預(yù)報模式為我國不同地區(qū)空氣質(zhì)量預(yù)報業(yè)務(wù)提供了支撐.中國氣象局霧-霾數(shù)值預(yù)報系統(tǒng)CUACE由中國氣象科學(xué)研究院研發(fā),國家氣象中心運行維護,在全國得到普遍應(yīng)用[6-8].北京區(qū)域環(huán)境氣象數(shù)值預(yù)報系統(tǒng)BREMPS集空氣質(zhì)量、能見度和氣象要素預(yù)報為一體,在北京市和周邊省市得到較好的應(yīng)用[3].上海市氣象局開發(fā)運行的華東區(qū)域大氣環(huán)境數(shù)值預(yù)報系統(tǒng)為華東地區(qū)的環(huán)境氣象業(yè)務(wù)提供了預(yù)報產(chǎn)品[9-10].經(jīng)檢驗,CUACE模式對霧霾過程預(yù)報具有較高參考價值,但對過程中污染物濃度預(yù)報存在一定偏差[8];BREMPS模式對京津冀PM2.5濃度的預(yù)報效果較好,大部分站點的相關(guān)系數(shù)在0.6以上,但預(yù)報值相比觀測總體偏低,24h之后預(yù)報效果略有下降[3];華東WRF-Chem模式對華東區(qū)域的 PM2.5預(yù)報具有較好效果,但預(yù)報值相對于觀測值平均偏低 20%～30%[10].由于各個環(huán)境氣象模式采用的排放源、初始條件等參數(shù)不同,預(yù)報與實況存在一定差異[11].多模式集成技術(shù)能夠合理利用各單模式預(yù)報結(jié)果,綜合考慮各模式優(yōu)勢,是減少模式系統(tǒng)偏差的一個有效途徑[12-13].

已有許多研究利用集合平均[14]和加權(quán)集成[15-16]的多模式集成技術(shù)來預(yù)報空氣質(zhì)量.王自發(fā)等[17]利用算術(shù)平均、權(quán)重集成的方法集成NAQPMS、CMAQ及CAMx模式,結(jié)果表明權(quán)重集成方法預(yù)報的2008年4～11月的 PM10日均值優(yōu)于算術(shù)平均方法.黃思等[18]利用多元線性回歸集成改進了北京空氣質(zhì)量預(yù)報系統(tǒng)[17],28個站點PM10日均值預(yù)報的均方根誤差相對單模式預(yù)報或算術(shù)平均預(yù)報下降 32%～43%,大幅提高了對污染過程的預(yù)報能力.以上研究表明算術(shù)平均不能將觀測信息有效應(yīng)用到集成預(yù)報上,而多元線性回歸方法只研究了單個城市,單個污染物的預(yù)報,不適用于解決非線性問題.所以在空氣質(zhì)量多模式集成預(yù)報上引入其他集成方法顯得十分必要.已有研究利用超級集合[19-20],消除偏差集合平均[21-22],神經(jīng)網(wǎng)絡(luò)[23],遺傳算法[24]等方法應(yīng)用在溫度、降水等集成預(yù)報中,但在空氣質(zhì)量集成預(yù)報上的應(yīng)用較少.

人工神經(jīng)網(wǎng)絡(luò)具有處理非線性問題的能力,在空氣污染物預(yù)報方面越來越受到重視[25-26].蔡子穎等[27]利用BP神經(jīng)網(wǎng)絡(luò)的方法,結(jié)合CUACE模式、BERMPS模式預(yù)報產(chǎn)品使天津地區(qū)的能見度和觀測之間的相關(guān)系數(shù)提高 7%,相對誤差減小 32%.張偉等[28]將 BP神經(jīng)網(wǎng)絡(luò)方法引入到奧運空氣質(zhì)量預(yù)報工作中,結(jié)果表明 BP神經(jīng)網(wǎng)絡(luò)預(yù)報和觀測之間的平均誤差率減少 34.7%,相關(guān)系數(shù)提高 39%.以上研究只是某個地區(qū)和某段時間的預(yù)報,目前我國系統(tǒng)地利用神經(jīng)網(wǎng)絡(luò)集成多個環(huán)境氣象模式進行空氣質(zhì)量預(yù)報的詳細(xì)研究的較少.

本文利用BP神經(jīng)網(wǎng)絡(luò)的方法對CUACE、BREMPS和WRF-Chem 3個環(huán)境氣象模式系統(tǒng)預(yù)報產(chǎn)品進行集成預(yù)報,之后將集成預(yù)報結(jié)果和模式結(jié)果進行比較,評估集成系統(tǒng)預(yù)報性能, 使數(shù)值預(yù)報產(chǎn)品在業(yè)務(wù)應(yīng)用中發(fā)揮更有效的作用,以進一步提高空氣質(zhì)量的預(yù)報準(zhǔn)確率.

1 資料和方法

1.1 模式資料

本文使用的模式資料為 CUACE模式、BREMPS模式和WRF-Chem模式每天12:00(世界時)起報的未來3d逐3h的北京、天津和石家莊的 PM2.5、PM10、CO、NO2、O3和 SO2濃度,資料長度為2015～2016年共731d. CUACE模式使用的是HTAP(2012)和EDGARV4.2(2012)排放清單,BREMPS和 WRF-Chem使用的是清華大學(xué)INDEX-B(2012)排放清單.表1列出了各數(shù)值預(yù)報模式分辨率和預(yù)報時效,本文將BREMPS和WRF-Chem模式按預(yù)報范圍簡寫為 NNC和ENC.實況資料為對應(yīng)時段中國環(huán)境監(jiān)測總站發(fā)布的各污染物濃度觀測資料.

表1 各模式參數(shù)Table 1 Parameters of three regional models

1.2 數(shù)據(jù)預(yù)處理方法

首先由于各模式產(chǎn)品的預(yù)報分辨率不同,需要將模式輸出的格點數(shù)據(jù)轉(zhuǎn)換成站點數(shù)據(jù).另外為了消除各數(shù)據(jù)之間不同量綱的影響,將數(shù)據(jù)經(jīng)過標(biāo)準(zhǔn)化處理,使數(shù)據(jù)處于同一個數(shù)量級進行分析.本文采取min-max歸一化方法,將結(jié)果值映射到[0,1]之間.轉(zhuǎn)換函數(shù)如下:

式中:max為數(shù)據(jù)中的最大值;min為數(shù)據(jù)中的最小值.

1.3 BP神經(jīng)網(wǎng)絡(luò)集成方法

BP神經(jīng)網(wǎng)絡(luò)作為人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最為廣泛的多層前饋網(wǎng)絡(luò),已成為研究空氣污染預(yù)測的有效工具之一[29-30].BP神經(jīng)網(wǎng)絡(luò)包含一個輸入層、一個或多個隱含層和一個輸出層,每一層可以有多個神經(jīng)元.圖1為3層BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),輸入層節(jié)點數(shù)為M,隱含層節(jié)點數(shù)為N,輸出層節(jié)點數(shù)為K.xi為輸入層第i個神經(jīng)元,輸入層到隱含層的權(quán)重為wij,θj為閾值,隱含層到輸出層的權(quán)值為 wjk,θk為閾值.BP網(wǎng)絡(luò)的訓(xùn)練過程主要是信息的前向傳播和誤差的反向傳播.首先網(wǎng)絡(luò)輸入信息向前傳播到隱含層,通過權(quán)重和傳遞函數(shù)f(x)逐層向后傳播,最終由輸出層輸出得到預(yù)測結(jié)果.所以隱含層第j個神經(jīng)元的輸出為xj′:

輸出層第k個神經(jīng)元的輸出為yk:

如果預(yù)測結(jié)果與期望輸出存在誤差較大,那么將誤差值沿網(wǎng)絡(luò)反向傳播,對網(wǎng)絡(luò)權(quán)值和閾值進行調(diào)整.定義網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則為最小均方誤差準(zhǔn)則,網(wǎng)絡(luò)訓(xùn)練一個樣本產(chǎn)生的均方誤差為每個輸出單元誤差平方值和,即

式中: P表示學(xué)習(xí)樣本的個數(shù);yk(p)表示網(wǎng)絡(luò)的輸出值;dk(p)表示期望輸出值.重復(fù)上述過程,直到網(wǎng)絡(luò)輸出的誤差減小到一定程度或達到最大訓(xùn)練次數(shù)為止.

圖1 3層BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 The topology structure of BP neural network with three layers

1.4 檢驗評估方法

本文采用歸一化平均偏差(NMB)、相關(guān)系數(shù)(R)和均方根誤差(RMSE)定量評估不同模式和集成模型對污染物濃度的預(yù)報性能.具體計算公式如下:

歸一化平均偏差:

相關(guān)系數(shù):

均方根誤差:

式中:n代表樣本個數(shù);Mi表示第i個樣本的模式模擬濃度;Oi表示第i個樣本的觀測濃度;表示模擬濃度平均值;表示觀測濃度平均值.

對于AQI等級的預(yù)報采用TS評分方法,包括TS評分、空報率(NH)、漏報率(PO).具體公式如下:

式中:NA為預(yù)報和實測均出現(xiàn)某等級;NB為預(yù)報出現(xiàn)而實測未出現(xiàn)某等級;NC為預(yù)報未出現(xiàn)而實測出現(xiàn)某等級.

2 污染物濃度多模式集成預(yù)報模型的建立

2.1 BP神經(jīng)網(wǎng)絡(luò)各參數(shù)的敏感性分析

建立基于BP神經(jīng)網(wǎng)絡(luò)的污染物濃度多模式集成預(yù)報模型(BPANN).在實際應(yīng)用中,BP神經(jīng)網(wǎng)絡(luò)各參數(shù)的值會影響最終的應(yīng)用效果.其中,訓(xùn)練函數(shù)、隱含層節(jié)點數(shù)和樣本長度對網(wǎng)絡(luò)最終的結(jié)果影響較大[31].本文挑選北京站點的6種污染物的12、24、48和72h預(yù)報時效的2015～2016年數(shù)據(jù)進行BPANN集成模型的參數(shù)敏感性實驗.張偉等[28]使用的BP網(wǎng)絡(luò)的隱含層節(jié)點數(shù)為11.黃思等[18]通過實驗最終確定最優(yōu)訓(xùn)練時長為36d.所以本文以隱含層節(jié)點數(shù)為 11,訓(xùn)練樣本長度為30作為基準(zhǔn),分別通過敏感性實驗找出最優(yōu)訓(xùn)練函數(shù)、隱含層節(jié)點數(shù)和樣本長度.

在訓(xùn)練函數(shù)敏感性實驗中,將隱含層節(jié)點數(shù)和訓(xùn)練樣本長度分別固定為 11和 30,訓(xùn)練函數(shù)分別設(shè)置為梯度下降法 traingd、有動量的梯度下降法traingdm、LM(Levenberg-Marquardt)算法trainlm以及貝葉斯歸一化法trainbr.圖2顯示了不同訓(xùn)練函數(shù)下,BPANN預(yù)報的各污染物濃度和觀測之間的 NMB、RMSE和 R.結(jié)果顯示,trainbr預(yù)報的24h時效PM2.5濃度和觀測值之間的NMB、RMSE和R的值分別為1%、65 μg/m3和0.71.而traingd、traingdm和trainlm函數(shù)預(yù)報的NMB、RMSE和R值分別在-4%～1%、70～80 μg/m3和 0.5～0.65范圍內(nèi)波動.說明當(dāng)使用 trainbr時,BPANN預(yù)報的24h時效PM2.5濃度最接近觀測值.其他各預(yù)報時效和各物種的情況類似,所以最終使用trainbr作為BPANN集成模型的訓(xùn)練函數(shù).

目前并沒有一個理想的解析式可以用來確定合理的隱含層節(jié)點數(shù).通常的做法是根據(jù)如下經(jīng)驗公式來選取3層BP網(wǎng)絡(luò)隱層神經(jīng)元:

式中:s表示隱含層節(jié)點數(shù);m和n分別表示輸入層和輸出層節(jié)點數(shù);a表示 0～10之間的常數(shù).所以在本文隱含層節(jié)點數(shù)敏感性實驗中,訓(xùn)練函數(shù)和樣本長度分別固定為trainbr和30,將節(jié)點數(shù)范圍設(shè)置為 2～12.圖 3顯示了隨著節(jié)點數(shù)的增加,BPANN預(yù)報的各污染物濃度和觀測值之間的NMB、RMSE和 R.可以看出,當(dāng)節(jié)點數(shù)不同時,預(yù)報的 6種污染物濃度和觀測之間的誤差有一定差別.CO、NO2、O3和SO2的4個預(yù)報時效預(yù)報和觀測的誤差在趨勢上基本相同,并且節(jié)點數(shù)大于8時RMSE小幅降低,R小幅提高,當(dāng)隱含層節(jié)點數(shù)為10時達到極值.PM2.5和PM10的4個預(yù)報時效預(yù)報結(jié)果的最佳值也出現(xiàn)在神經(jīng)元個數(shù)為 10左右.當(dāng)隱含節(jié)點數(shù)為 10時,24h時效 O3預(yù)報的 NMB為?14%,其余污染物預(yù)報的 NMB都在?5%～5%之間.所以最終確定隱含層節(jié)點數(shù)為10.

圖2 BPANN不同訓(xùn)練函數(shù)北京站點各污染物12、24、48和72h時效預(yù)報與觀測之間的NMB、RMSE和RFig.2 Comparisons of the NMB, RMSE and R between forecasted and observed pollutants’ concentrations with different training functions in 12, 24, 48 and 72 hours of Beijing station

圖3 BPANN不同隱含層節(jié)點數(shù)北京站點各污染物12、24、48和72h時效預(yù)報與觀測之間的NMB、RMSE和RFig.3 Comparisons of the NMB, RMSE and R between forecasted and observed pollutants’ concentrations with different number of nodes of hidden layers in 12, 24, 48 and 72 hours of Beijing station

最后,將訓(xùn)練函數(shù)和隱含節(jié)點數(shù)固定為trainbr和11,樣本長度范圍設(shè)置為2～60.不同樣本長度下,BPANN預(yù)報的各污染物濃度和觀測值之間的NMB、RMSE和R如圖4.從整體趨勢來看,隨著樣本長度的不斷增大,NMB、RMSE和R都有上下波動, 且其 RMSE呈現(xiàn)下降趨勢,R呈現(xiàn)上升趨勢.當(dāng)樣本長度為 50時,24h時效的PM2.5濃度和觀測值之間的 NMB、RMSE和 R分別為 6%、63μg/m3和 0.72,且長度大于50時,NMB、RMSE和R趨于平緩.其他污染物的各預(yù)報時效的情況類似,因此最終確定樣本長度為50.

圖4 BPANN不同訓(xùn)練樣本北京站點各污染物12、24、48和72h時效預(yù)報與觀測之間的NMB、RMSE和RFig.4 Comparisons of the NMB, RMSE and R between forecasted and observed pollutants’ concentrations with different lengths of training samples in 12, 24, 48 and 72 hours of Beijing station

2.2 污染物濃度多模式集成預(yù)報模型構(gòu)建

本文采用滾動訓(xùn)練建立BPANN集成預(yù)報模型,即每天的訓(xùn)練模型都是該天前一段時間的數(shù)據(jù)的訓(xùn)練結(jié)果.Robert Hecht-Nileson[32]證明了對于任何一個在閉區(qū)間內(nèi)連續(xù)的函數(shù)都可以使用一個隱含層的 BP 網(wǎng)絡(luò)來逼近,也就是 3層 BP網(wǎng)絡(luò)可以實現(xiàn)從任意的m維到n維的映射.因此,本文采用3層網(wǎng)絡(luò)結(jié)構(gòu),傳遞函數(shù)為Sigmoid函數(shù),輸入層節(jié)點數(shù)為 3,分別為 3個模式,輸出層節(jié)點數(shù)為1,即集成結(jié)果.集成預(yù)報模型流程如圖5.具體步驟如下:

圖5 集成模型流程Fig.5 The flow chart of ensemble model

(1) 獲得各模式的污染物濃度資料和實況資料,將格點數(shù)據(jù)插值到站點.

(2) 設(shè)置網(wǎng)絡(luò)模型參數(shù).通過上節(jié)對參數(shù)的敏感性實驗,最終確定訓(xùn)練函數(shù)為 trainbr,隱含層節(jié)點數(shù)為 10,訓(xùn)練樣本長度為 50,網(wǎng)絡(luò)訓(xùn)練最大迭代次數(shù)為1000.

(3) 輸入訓(xùn)練樣本,模式資料作為網(wǎng)絡(luò)輸入,觀測資料作為期望輸出,并進行歸一化處理.

(4) 對網(wǎng)絡(luò)進行訓(xùn)練.訓(xùn)練直到網(wǎng)絡(luò)輸出的誤差減小到最小誤差閾值,或者達到最大迭代次數(shù)為止.

(5) 將預(yù)報當(dāng)天的各模式預(yù)報值輸入訓(xùn)練好的網(wǎng)絡(luò)進行集成預(yù)報.

(6) 網(wǎng)絡(luò)輸出值進行反歸一化處理,得到最終預(yù)報結(jié)果.

3 結(jié)果分析

選取京津冀的3個重點城市北京、天津和石家莊站點的預(yù)報結(jié)果進行檢驗評估.首先評估2015～2016年6種污染物濃度和AQI的預(yù)報結(jié)果,之后進一步評估 BPANN模型對典型污染過程的預(yù)報情況.

3.1 污染物濃度和AQI結(jié)果分析

圖 6為北京站點 3～72h逐 3h各模式和BPANN預(yù)報與觀測的6種污染物之間的NMB、RMSE和R值.圖6(a)顯示BPANN預(yù)報的北京PM2.5濃度和觀測之間的 NMB在-15%～15%之間,而其他單模式預(yù)報值在-50%～25%之間.BPANN預(yù)報的北京站點PM10、CO和NO2濃度和觀測之間的NMB在-20%～20%之間,O3和SO2濃度和觀測的NMB在±40之間,而參與集成的單模式預(yù)報污染物濃度和觀測的 NMB值在-60%～180%之間,說明 BPANN預(yù)報的各污染物的NMB值明顯降低.從圖6(b)可以看出, BPANN預(yù)報的北京 PM2.5濃度和觀測之間的 RMSE在55～95μg/m3之間,相比于各單模式預(yù)報值降低了10～50μg/m3.北京站點 PM10、CO、NO2、O3和SO2的情況類似,BPANN預(yù)報和觀測之間濃度的RMSE 在 50～105μg/m3、800～1400μg/m3、20～40μg/m3、20～40μg/m3和 10～15μg/m3之間,而原來各單模式預(yù)報的污染物濃度和觀測的 RMSE分別為 80～150μg/m3、1000～2250μg/m3、30～120μg/m3、30～70μg/m3和 10～180μg/m3,誤差顯著降低.圖6(c)顯示BPANN預(yù)報的PM2.5濃度和觀測之間的R在27和51h時效為0.3～0.4之間,其余時效都在 0.4～0.75之間,而各單模式預(yù)報和觀測的R在0.3～0.65之間.BPANN預(yù)報的北京站點PM10、CO、NO2、O3和SO2的濃度值和觀測之間的 R 在 0.4～0.7、0.5～0.8、0.3～0.8、0.3～0.85和0.3～0.8之間,而其他單模式預(yù)報和觀測之間濃度的 R 的范圍分別為 0.2～0.6、0.3～0.7、0.1～0.7、0.25～0.85 和 0.1～0.65.

圖7顯示天津站點的6種污染物之間的評估結(jié)果.從圖 7(a)可見,BPANN 預(yù)報的天津站點污染物濃度和觀測之間NMB的情況和北京站點情況類似,除 O3和 SO2的 NMB 超出±20%,其余污染物的NMB值都在-20%～20%之間.圖7(b)可以看出 BPANN預(yù)報的PM2.5、PM10和SO2與觀測之間的 RMSE 分別在 50～70μg/m3、60～120μg/m3和18～25μg/m3之間,相比于其他單模式分別降低了 10～30μg/m3、20～40μg/m3和 10～50μg/m3;其余污染物濃度與觀測的RMSE都有所降低.天津站點各模式和BPANN 6種污染物預(yù)報和觀測之間的R值和北京站點類似,如圖7(c).所有污染物除27和51h時效以外,其余時效預(yù)報和觀測的R都在0.4以上.石家莊站點各模式和BPANN預(yù)報的檢驗結(jié)果與北京和天津類似,PM2.5、PM10、CO和NO2的NMB降低到-20%～20%之間,所有污染物預(yù)報和觀測的RMSE普遍降低15%以上,R在大部分時效都在0.4以上.

圖6 2015～2016年北京站點各模式和BPANN預(yù)報的6種污染物3～72h逐3h濃度與觀測之間NMB、RMSE和RFig.6 Comparisons of the NMB, RMSE and R between forecasted and observed pollutants’ concentrations in 3～72 hours in Beijing station from 2015 to 2016

圖7 2015～2016年天津站點各模式和BPANN預(yù)報的6種污染物3～72h逐3h濃度與觀測之間NMB、RMSE和RFig.7 Comparisons of the NMB, RMSE and R between forecasted and observed pollutants’ concentrations in 12, 24,3～72 hours in Tianjin station from 2015 to 2016

表2 2015～2016年北京、天津和石家莊站點各模式和BPANN預(yù)報的6種污染物的每天3～72h逐3h濃度和觀測之間的NMB、RMSE和RTable 2 The NMB, RMSE and R between the forecasted and observed daily pollutants’ concentrations in 3～72 hours by 3 hours of Beijing, Tianjin and Shijiazhuang stations from 2015 to 2016

總體來說,3個城市都是BPANN預(yù)報值和觀測的NMB和RMSE最低,R最高,且并不存在對所有的RMSE和R均表現(xiàn)最優(yōu)的單模式,同一模式在不同城市預(yù)報存在較大差異.CUACE模式對于PM2.5和PM10的預(yù)報效果較好,但對于NO2和SO2的預(yù)報誤差極大,對于CO和O3的預(yù)報誤差偏高;NNC模式對于PM2.5和PM10的預(yù)報效果與 CUACE相當(dāng),對于 O3的預(yù)報效果較好;ENC模式對于 CO、NO2和 SO2的預(yù)報效果較好.BPANN對各污染物的預(yù)報效果都較好.

表3 2015～2016年北京站點各模式和BPANN預(yù)報的24h預(yù)報的6種污染物不同季節(jié)的濃度和觀測之間的NMB、RMSE和RTable 3 The NMB, RMSE and R between the forecasted and observed pollutants’ concentrations in different seasons of Beijing station from 2015 to 2016

表2為 6種污染物2015～2016每天 3～72h 逐 3h濃度和觀測的統(tǒng)計評估.可以看出,在各單模式中,沒有一個模式優(yōu)于其他模式,但 BPANN預(yù)報效果比單模式預(yù)報顯著提高.北京站點BPANN預(yù)報的 PM2.5濃度和觀測的 NMB為1%,RMSE比NNC模式降低17%,R由0.50提高到0.61.其他污染物的情況類似,PM10、CO、NO2、O3和 SO2預(yù)報和觀測之間的 NMB都在-10%～10%之間,預(yù)報值和觀測的 RMSE分別比最優(yōu)單模式降低20%、27%、33%、16%和35%,R都提高至0.50以上,其中O3的R達到0.82.天津站點所有污染物濃度預(yù)報值和觀測的NMB都在-5%～5%之間,所有污染物預(yù)報和觀測的 RMSE分別比最優(yōu)單模式降低19%、27%、22%、27%、28%和 24%,R都在 0.49以上.石家莊站點的PM2.5、PM10、CO、NO2、O3和SO2預(yù)報值和觀測的NMB都在-10%～10%之間, RMSE分別比最優(yōu)單模式預(yù)報降低13%、15%、19%、26%、17%和44%,R都在0.63以上.綜合3個城市的預(yù)報結(jié)果可以看出,相對于單個模式,BPANN對不同城市污染物的預(yù)報效果均有所提高,預(yù)報偏差明顯降低,相關(guān)性更強.

表 3為不同季節(jié)各模式預(yù)報能力的評估.可以看出,在不同季節(jié),BPANN預(yù)報效果優(yōu)于各單模式.從 PM2.5預(yù)報效果來看,各模式在秋冬季的預(yù)報效果優(yōu)于春季和夏季,BPANN預(yù)報的PM2.5與觀測之間的NMB在±20%以內(nèi),偏差顯著降低;四季的 RMSE值比 CUACE模式平均降低17%;在春、秋和冬季,BPANN的預(yù)報與觀測的 R都在 0.66以上.PM10的預(yù)報情況與PM2.5類似.在春夏季,ENC預(yù)報的北京的CO結(jié)果要優(yōu)于 NNC和 CUACE.從 NMB和 RMSE的結(jié)果來看,BPANN預(yù)報的NO2與觀測之間的NMB在±20%以內(nèi),誤差明顯下降,但從R來看,各模式對夏季 NO2的預(yù)報效果都較差,相關(guān)程度較低.O3結(jié)果看出,各模式秋冬季的結(jié)果偏差較大,BPANN預(yù)報和觀測的R達到0.8.CUACE和 ENC對SO2的預(yù)報效果較差,CUACE預(yù)報的 NMB在秋冬季分別為 341%和 194%,ENC模式對 SO2的預(yù)報優(yōu)于 CUACE和 NNC.總的來說,BPANN綜合各模式的優(yōu)點,預(yù)報效果明顯改善.

表4 2016年北京、天津和石家莊站點各模式與BPANN預(yù)報的AQI和觀測之間的TS評分結(jié)果對比Table 4 Comparisons of TS scores of forecasted AQI values among BPANN and each regional models of Beijing,Tianjin and Shijiazhuang stations in 2016

由AQI分級的對比結(jié)果(表4)可看出, BPANN模型預(yù)報的輕度污染的結(jié)果相比于CUACE模式在北京和石家莊的準(zhǔn)確率分別提高了22%和3%,在天津的TS評分結(jié)果是0.76,比NNC提高25%;BPANN預(yù)報的天津中度污染的TS評分為0.71,比NNC提高22%,但在其他城市預(yù)報的中度污染準(zhǔn)確率與CUACE相差不大.BPANN模型預(yù)報的重度污染的結(jié)果相比于CUACE模式在天津的準(zhǔn)確率提高了36%,在北京和石家莊程度與CUACE相差不大.所有城市的空報率和漏報率都有一定程度的降低.在北京,BPANN預(yù)報的輕度、中度和重度污染的空報率相比于 CUACE分別降低了8%、24%和38%;在天津,BPANN預(yù)報的輕度、中度和重度污染的漏報率相比于CUACE分別降低了39%、23%和25%;在北京,BPANN預(yù)報的輕度污染的漏報率相比于CUACE降低了21%.AQI的TS評分結(jié)果進一步驗證了本文的方法在空氣質(zhì)量預(yù)報上具有一定應(yīng)用價值.

3.2 重污染過程結(jié)果分析

2016年12 月2～4日,10～13日和16～21日發(fā)生3次重污染過程,所以本節(jié)選取2016年12月的情況加入評估,對首要污染物PM2.5濃度預(yù)報效果進行檢驗.圖8為12月各模式和BPANN預(yù)報的北京、天津和石家莊24h時效PM2.5日均濃度和觀測的時間序列.總的來看,所有模式預(yù)報的趨勢基本能和觀測一致,但NNC和ENC模式預(yù)報的值總體都偏低,CUACE模式能模擬某些時段觀測的值,但時間點與觀測不一致,容易出現(xiàn)預(yù)報值偏高的情況.BPANN集成模型預(yù)報的 PM2.5濃度的演變趨勢和實況更加相符,但值存在一定偏差.

從圖8中方框部分可以看出BPANN準(zhǔn)確地預(yù)報了天津的PM2.5濃度,3次污染過程的擬合效果最好.重污染天氣的發(fā)生和消散預(yù)報時間都比較準(zhǔn)確.從北京站點變化曲線可以看出, BPANN預(yù)報效果優(yōu)于各單模式,對于第 1次過程模擬較好,對于第2次過程發(fā)生的時間預(yù)報提前,過程中預(yù)報的程度偏低,消散的時間基本吻合,對于第 3次過程發(fā)生和消散的時間較準(zhǔn),對于過程中日均濃度低于 150μg/m3的情況,預(yù)報效果較好,但高于 150μg/m3時,預(yù)報與觀測值的偏差在 50～150μg/m3之間.BPANN預(yù)報的石家莊站點PM2.5濃度偏差和天津相似,BPANN對于石家莊的第2次過程預(yù)報較好,但對于第1次過程預(yù)報較差,過程中預(yù)報濃度偏差較大,對于第 3次過程預(yù)報值有所偏低,但預(yù)報效果仍優(yōu)于NNC和ENC,在過程發(fā)生和峰值的出現(xiàn)時間點上的把握比CUACE要好,說明BPANN有效改善了CUACE容易出現(xiàn)預(yù)報值偏高的情況.

圖8 2016年12月各模式、BPANN預(yù)報的北京、天津和石家莊站點24h時效PM2.5日均濃度與觀測的對比(框中表示重污染過程)Fig.8 Comparisons between forecasted and observed PM2.5 concentrations with 24 hours’ forecast validity in Beijing,Tianjin and Shijiazhuang stations during the December in 2016 (boxes indicated heavy pollution processes)

4 結(jié)論

4.1 BP神經(jīng)網(wǎng)絡(luò)的模型參數(shù)對集成效果影響較大.最終使用訓(xùn)練函數(shù)為 trainbr,隱含層節(jié)點為10,訓(xùn)練樣本長度為50較為合適.

4.2 2015～2016年污染物濃度評估結(jié)果表明,相對于各單模式,BPANN預(yù)報的3～72h逐3h6種污染物濃度和觀測之間的NMB從?100%～200%降低到?20%～20%,污染物濃度和觀測的 RMSE相比各單模式降低 15%以上,R從 0.1～0.8提升到0.3～0.85之間. BPANN對于6種污染物不同季節(jié)的預(yù)報效果優(yōu)于各單模式的預(yù)報.

4.3 對于2016年AQI等級評估發(fā)現(xiàn),BPANN預(yù)報的AQI與觀測之間的TS評分在輕度、中度和重度污染都有所提高,預(yù)報的輕度污染 TS評分值比 CUACE模式在北京和石家莊分別提高22%和3%.3個城市預(yù)報的空報率和漏報率都有一定程度下降.

4.4 重污染過程預(yù)報效果評估發(fā)現(xiàn),NNC和ENC模式預(yù)報的值總體偏低,CUACE模式能預(yù)報某些時段觀測的值,但時間點與觀測不完全一致,容易出現(xiàn)預(yù)報值突然偏高的情況.BPANN預(yù)報的 PM2.5濃度的演變趨勢和實況基本相符,且對于日均濃度低于 150μg/m3的情況,BPANN集成預(yù)報效果更好.

參考文獻：

[1]趙普生,徐曉峰,孟 偉,等.京津冀區(qū)域霾天氣特征 [J]. 中國環(huán)境科學(xué), 2012,32(1):31-36.

[2]張霖琳,王 超,刀 谞,等.京津冀地區(qū)城市環(huán)境空氣顆粒物及其元素特征分析 [J]. 中國環(huán)境科學(xué), 2014,34(12):2993-3000.

[3]趙秀娟,徐 敬,張自銀,等.北京區(qū)域環(huán)境氣象數(shù)值預(yù)報系統(tǒng)及PM2.5預(yù)報檢驗 [J]. 應(yīng)用氣象學(xué)報, 2016,27(2):160-172.

[4]張恒德,呂夢瑤,張碧輝,等.2014年2月下旬京津冀持續(xù)重污染過程的靜穩(wěn)天氣及傳輸條件分析 [J]. 環(huán)境科學(xué)學(xué)報, 2016,36(12):4340-4351.

[5]江 琪,王 飛,張恒德,等.北京市PM2.5和反應(yīng)性氣體濃度的變化特征及其與氣象條件的關(guān)系 [J]. 中國環(huán)境科學(xué), 2017,37(3):829-837.

[6]李曉嵐,馬雁軍,王揚鋒,等.基于CUACE系統(tǒng)沈陽地區(qū)春季空氣質(zhì)量預(yù)報的校驗及修正 [J]. 氣象與環(huán)境學(xué)報, 2016,32(6):10-18.

[7]楊關(guān)盈,鄧學(xué)良,吳必文,等.基于 CUACE模式的合肥地區(qū)空氣質(zhì)量預(yù)報效果檢驗 [J]. 氣象與環(huán)境學(xué)報, 2017,33(1):51-57.

[8]Zhou C H, Gong S, Zhang X Y, et al. Towards the improvements of simulating the chemical and optical properties of Chinese aerosols using an online coupled model CUACE/Aero [J]. Tellus Series B-chemical & Physical Meteorology, 2012,64(1):91-102.

[9]常爐予,許建明,周廣強,等.上海典型持續(xù)性PM2.5重度污染的數(shù)值模擬 [J]. 環(huán)境科學(xué), 2016,37(3):825-833.

[10]周廣強,謝 英,吳劍斌,等.基于WRF-Chem模式的華東區(qū)域PM2.5預(yù)報及偏差原因 [J]. 中國環(huán)境科學(xué), 2016,36(8):2251-2259.

[11]程念亮,李紅霞,孟 凡,等.我國城市 PM2.5數(shù)值預(yù)報簡述 [J].安徽農(nóng)業(yè)科學(xué), 2015,43(7):243-246,271.

[12]段明鏗,王盤興.集合預(yù)報方法研究及應(yīng)用進展綜述 [J]. 大氣科學(xué)學(xué)報, 2004,27(2):279-288.

[13]李亞云,束 炯,沈 愈.上海市PM2.5濃度統(tǒng)計釋用綜合集成研究 [J]. 中國環(huán)境科學(xué), 2017,37(2):486-496.

[14]Monache L D, Stull R B. An ensemble air-quality forecast over western Europe during an ozone episode [J]. Atmospheric Environment, 2003,37(25):3469-3474.

[15]Pagowski M, Grell G A, Mckeen S A, et al. A simple method to improve ensemble-based ozone forecasts [J]. Geophysical Research Letters, 2005,32(7):351-394.

[16]陳煥盛,王自發(fā),吳其重,等.空氣質(zhì)量多模式系統(tǒng)在廣州應(yīng)用及對PM10預(yù)報效果評估 [J]. 氣候與環(huán)境研究, 2013,18(4):427-435.

[17]王自發(fā),吳其重,Alex GBAGUIDI,等.北京空氣質(zhì)量多模式集成預(yù)報系統(tǒng)的建立及初步應(yīng)用 [J]. 南京信息工程大學(xué)學(xué)報, 2009,1(1):19-26.

[18]黃 思,唐 曉,徐文帥,等.利用多模式集合和多元線性回歸改進北京PM10預(yù)報 [J]. 環(huán)境科學(xué)學(xué)報, 2015,35(1):56-64.

[19]林春澤,智協(xié)飛,韓 艷,等.基于TIGGE資料的地面氣溫多模式超級集合預(yù)報 [J]. 應(yīng)用氣象學(xué)報, 2009,20(6):706-712.

[20]智協(xié)飛,林春澤,白永清,等.北半球中緯度地區(qū)地面氣溫的超級集合預(yù)報 [J]. 氣象科學(xué), 2009,29(5):569-574.

[21]Zhi X F, Qi H X, Bai Y Q, et al. A comparison of three kinds of multi-model ensemble forecast techniques based on the TIGGE data [J]. Acta Meteorologica Sinica, 2012,26(1):41-51.

[22]智協(xié)飛,季曉東,張 璟,等.基于TIGGE資料的地面氣溫和降水的多模式集成預(yù)報 [J]. 大氣科學(xué)學(xué)報, 2013,36(3):257-266.

[23]趙聲蓉.多模式溫度集成預(yù)報 [J]. 應(yīng)用氣象學(xué)報, 2006,17(1):52-58.

[24]熊聰聰,王 靜,宋 鵬,等.遺傳算法在多模式集成天氣預(yù)報中的應(yīng)用 [J]. 天津科技大學(xué)學(xué)報, 2008,23(4):80-84.

[25]王 儉,胡筱敏,鄭龍熙,等.基于BP模型的大氣污染預(yù)報方法的研究 [J]. 環(huán)境科學(xué)研究, 2002,15(5):62-64.

[26]王 愷,趙 宏,劉愛霞,等.基于風(fēng)險神經(jīng)網(wǎng)絡(luò)的大氣能見度預(yù)測 [J]. 中國環(huán)境科學(xué), 2009,29(10):1029-1033.

[27]蔡子穎,韓素芹,姚 青,等.基于BP神經(jīng)網(wǎng)絡(luò)天津地區(qū)霾天氣能見度預(yù)報研究 [C]//中國環(huán)境科學(xué)學(xué)會學(xué)術(shù)年會論文集(第一卷), 2016.

[28]張 偉,王自發(fā),安俊嶺,等.利用BP神經(jīng)網(wǎng)絡(luò)提高奧運會空氣質(zhì)量實時預(yù)報系統(tǒng)預(yù)報效果 [J]. 氣候與環(huán)境研究, 2010,15(5):595-601.

[29]Ding W, Zhang J, Leung Y. Prediction of air pollutant concentration based on sparse response back-propagation training feedforward neural networks [J]. Environmental Science &Pollution Research, 2016,23(19):1-14.

[30]萬顯烈,楊鳳林,王慧卿.利用人工神經(jīng)網(wǎng)絡(luò)對空氣中 O3濃度進行預(yù)測 [J]. 中國環(huán)境科學(xué), 2003,23(1):110-112.

[31]陳 明,等. MATLAB神經(jīng)網(wǎng)絡(luò)原理與實例精解 [M]. 北京:清華大學(xué)出版社, 2013:164-166.

[32]Hecht-Nielsen R. Counterpropagation networks [J]. Applied Optics, 1987,26(23):4979.