于秀麗

(大連海洋大學 遼寧 大連 116023)

引言

環(huán)境問題一直以來都是世界各國關注的焦點，大氣污染影響著人類的身心健康，是生態(tài)文明的根源，影響著社會可持續(xù)發(fā)展。區(qū)域大氣環(huán)境質(zhì)量問題是我國經(jīng)濟發(fā)展中出現(xiàn)的重要問題，許多學者都開始對此進行關注。[1]PM2.5對人類健康和大氣環(huán)境質(zhì)量影響十分嚴重，建立可靠的空氣污染預測預警系統(tǒng)，為決策部門控制污染物排放提供參考，對于保護人們的身體健康和促進社會的和諧穩(wěn)定具有重要的科學價值和實際意義。

目前，國內(nèi)外學者對大氣污染預測的研究主要是對空氣質(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測。Vlachogianni等利用多元線性回歸對不同地區(qū)的NOx和PM10濃度進行研究，檢驗了由于不同氣候條件而導致的模型預測能力變化，[2]練秀緣結合時間序列模型和多元回歸理論對PM2.5建模預測研究；[3]Wu等人研究了日常城市空氣質(zhì)量預測的問題，通過對變分模式子序列進行重組解決過度分解的問題；[4]Wang等人研究了一種基于L1范式的空氣質(zhì)量預測問題，使用多跟蹤器優(yōu)化算法參數(shù)確定最終的預測結果；[5]羅宏遠等人提出了基于二層分解技術和改進極限學習機模型的PM2.5濃度預測方法，融合了模態(tài)分解技術以及差分演化算法優(yōu)化。[6]上述模型針對多特征共同作用的常規(guī)性大氣污染，雖然也能滿足對空氣質(zhì)量預測的要求，預測模型可以顯著提高PM2.5濃度的預測精度，但計算過程相對比較復雜，尤其針對由單特征顯著主導的突發(fā)性大氣污染時，融合模型需要進一步探索。本文聚焦沿海區(qū)域火災煙塵排放數(shù)據(jù)，融合氣象信息，探索該排放對周圍居民空氣質(zhì)量預測的影響。在王旭坪等[7]的研究基礎上，選用高斯煙羽模型求解PM2.5的污染擴散，利用蟻群神經(jīng)網(wǎng)絡模型進行預測問題討論，并用具體的監(jiān)測數(shù)據(jù)對模型進行了驗證，結果表明模型能夠完成對該地區(qū)的污染預測分析。

1 問題描述及提出方法

針對沿海區(qū)域突發(fā)性大氣污染，以火災為例探索如何以特征信息為核心，通過特征融合的不斷創(chuàng)新以最大限度捕捉信息，獲取較大的預測進展以及較好的預測精度。

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

因此，本文針對突發(fā)性園區(qū)大氣污染設計特征處理的方法，分析大氣污染的特征變量，針對由單特征顯著主導的突發(fā)性大氣污染情況，分析單特征污染物的擴散結果，結合高斯擴散模型和神經(jīng)網(wǎng)絡模型，實現(xiàn)大氣污染影響預測。該方法根據(jù)沿海區(qū)域突發(fā)性大氣污染的特征，建立融合準則，并在此基礎上選擇或修正模型形成最佳的特征融合方案，從而有效提高預測質(zhì)量。

2 基于高斯煙羽模型的污染擴散

2.1 高斯煙羽模型

沿海區(qū)域內(nèi)火災雖然不是最嚴重的環(huán)境突發(fā)事件，但卻是最常見的，火災的發(fā)生通常會伴隨大量的煙塵、一氧化碳、熱(溫度)、光(火焰)等，如果通過火災把有毒物質(zhì)泄漏到大氣環(huán)境中或是水中，對沿海生態(tài)環(huán)境的破壞是非常嚴重的。因此，識別園區(qū)火災發(fā)生后的隱患，為決策者提供技術支撐，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際意義。

火災發(fā)生時，物質(zhì)在燃燒過程中產(chǎn)生的大量煙塵，成為對大氣影響主要的因素，對周圍環(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)場被視為污染源，研究這一時期大氣污染物的擴散和濃度分布時，選擇高斯煙羽模型進行解釋，計算事故發(fā)生后釋放的煙塵物質(zhì)擴散對周圍環(huán)境的影響，對園區(qū)周圍監(jiān)測點位的空氣質(zhì)量指數(shù)進行預測。假設所有影響物質(zhì)擴散的因素變量是恒定不變的，并且物質(zhì)在擴散過程中不會發(fā)生任何根本性的變化，定義Kx、Ky、Kz分別為x、y、z方向上的湍流擴散系數(shù)，將x軸表示為物質(zhì)的流動方向，根據(jù)擴散微分方程化簡得到：

高斯煙羽公式

(1)

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

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

可得擴散濃度公式：

(2)

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

2.2 模型應用與結果分析

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)等均來自當?shù)丨h(huán)境監(jiān)測站空氣質(zhì)量日報數(shù)據(jù)中心，風速、大氣壓和溫度均來自氣象局，如表1所示。

表1 當?shù)乜諝夂蜌庀髷?shù)據(jù)采集

確定穩(wěn)定度后，取樣時間在30分鐘以內(nèi)時，根據(jù)有風條件下的擴散參數(shù)σy、σz，假設突發(fā)火災區(qū)域為20m*20m*1m的空間，則根據(jù)火災發(fā)生當前PM2.5的濃度值，可以得到Q=0.27*105，風速u為研究日的當天風速，監(jiān)測點位距離著火源1km，PM2.5的濃度突然增值兩倍，繼而高斯擴散模型求出2019年4月21日的火災。因倉庫木質(zhì)材料起火，面積約400m2，可燃氣體增加了PM2.5在空氣中的濃度，進入大氣造成大氣污染。發(fā)生擴散數(shù)小時后，距離火災發(fā)生地1km外的沿海核心居民生活區(qū)監(jiān)測點的PM2.5污染濃度值，如2所示。

表2 PM2.5污染擴散的計算結果

對于火災擴散引起的突發(fā)性大氣污染，與以往的常規(guī)性空氣污染預報系統(tǒng)相比，其內(nèi)部結構更加精簡化，分析單特征污染物的擴散結果，在一定程度上縮短了火災擴散信息的獲取時間，提高了預測環(huán)節(jié)的效率。比較PM2.5污染擴散情況與當天監(jiān)測點位的實際檢測指數(shù)，與實測PM2.5走勢基本一致。表明污染擴散模型具有良好的擬合效果，基本能夠描述實際PM2.5污染物的產(chǎn)生和擴散。

3 基于蟻群神經(jīng)網(wǎng)絡的影響預測

3.1 蟻群神經(jīng)網(wǎng)絡模型

對污染特征的選取問題，若特征參量選取合理有效，系統(tǒng)識別處理信息的正確率就高。討論火災煙塵的擴散對大氣環(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系，所以將SO2、NO2、CO、O3、風速、大氣壓和溫度這7個特征參量也納入特征參量的集合，判斷當前沿海區(qū)域待監(jiān)測環(huán)境中發(fā)生污染存在的概率，y為空氣質(zhì)量指數(shù)(無污染、輕微污染、輕度污染、中度污染、重度污染和嚴重污染等)，作為預測的輸出結果。采用三層前饋BP神經(jīng)網(wǎng)絡進行網(wǎng)絡參數(shù)的訓練，建立BP神經(jīng)網(wǎng)絡結構，如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡結構

上圖中BP神經(jīng)網(wǎng)絡有八個輸入節(jié)點xi，分別表示PM2.5濃度、CO濃度、…、溫度大小，每一個輸入層節(jié)點對應一個傳感器信號，ωik表示輸入層節(jié)點i到隱藏層節(jié)點k的連接權值，ωko表示隱藏層節(jié)點k與輸出層節(jié)點o的連接權值，yo表示網(wǎng)絡的輸出層節(jié)點。由于BP神經(jīng)網(wǎng)絡的局部極小、收斂速度慢等問題，通過蟻群算法為BP神經(jīng)網(wǎng)絡的初始權值和閾值尋優(yōu)，經(jīng)過合理選取蟻群模型參數(shù)，利用最佳的權值和閾值組合來優(yōu)化BP神經(jīng)網(wǎng)絡性能，加快算法收斂速度，提高預測精度。

3.2 模型應用與結果分析

通過PM2.5、SO2、NO2、CO、O3、風速、大氣壓和溫度共8個自變量數(shù)據(jù)來預測對應的空氣質(zhì)量等級。針對不同的機器學習算法，本質(zhì)是在不同的數(shù)據(jù)空間觀測數(shù)據(jù)，根據(jù)自身算法規(guī)則構建相應模型。預測結果通過擬合優(yōu)度(R2)進行評測，擬合優(yōu)度R2的值越接近1，說明回歸對觀測值的擬合程度越好。不同模型的R2在數(shù)據(jù)集的表現(xiàn)如圖2所示。

圖2 多種機器學習算法在R2的表現(xiàn)

結果發(fā)現(xiàn)，神經(jīng)網(wǎng)絡擬合優(yōu)度的值最接近1，預測效果最優(yōu)。選擇3層BP神經(jīng)網(wǎng)絡進行仿真分析，按照經(jīng)驗公式并經(jīng)反復訓練調(diào)試。誤差收斂因子為0.00001，學習率為0.1，為使神經(jīng)網(wǎng)絡獲得更好的預測效果，選擇合理的蟻群模型，調(diào)整神經(jīng)網(wǎng)絡的權重和偏置參數(shù)，進行網(wǎng)絡的有效訓練，蟻群算法的參數(shù)為信息素強度Q=0.1，信息素揮發(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)個體，并將最優(yōu)個體解作為BP網(wǎng)絡的初始權值和閾值，在此基礎上進行網(wǎng)絡訓練。將預測值和實際值進行比較，可得出BP神經(jīng)網(wǎng)絡的訓練誤差曲線及蟻群神經(jīng)網(wǎng)絡訓練誤差，結果表明，蟻群神經(jīng)網(wǎng)絡模型具有較高的預測精度，實際值與預測值的曲線趨勢如圖3所示。

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

表3 BP網(wǎng)絡算法和ACO-BP算法的比較

輸出結果表明，蟻群神經(jīng)網(wǎng)絡的輸出誤差較小，說明蟻群神經(jīng)網(wǎng)絡能有效地提高BP神經(jīng)網(wǎng)絡的收斂速度，同時克服了陷入局部極小值的缺陷，顯著提高了預測精度，證明了算法的可行性和有效性。

結語

針對單特征顯著主導的突發(fā)性大氣污染情況，分析單特征污染物的擴散結果，然后基于特征融合模型預測污染影響，從而有效提高預測質(zhì)量。研究首先采用高斯模型對PM2.5的擴散趨勢進行預測，并計算出PM2.5的污染擴散范圍；而后，結合氣象因素及其它空氣污染物對PM2.5濃度的影響，構建一個空氣質(zhì)量指數(shù)的演變模型，通過蟻群神經(jīng)網(wǎng)絡完成對沿海區(qū)域的污染影響預測，最后用監(jiān)測點的數(shù)據(jù)對模型進行驗證。結果表明，模型能夠完成對該地區(qū)的污染預測分析。通過研究發(fā)現(xiàn)，高斯煙羽模型可以很好地擬合PM2.5的擴散規(guī)律，但由于擴散本身是一個非常復雜的問題，因此模型的適應范圍仍需要進一步研究。例如，擴大其應用范圍，考慮更多的因素對模型進行適度改進，以獲得更好的模擬效果，解決更多的實際問題。