基于BP神經網絡的西安環境空氣質量的預測

閆 妍，張云鵬，李鎧月，楊光美

（西北工業大學 機電學院， 陜西 西安 710072）

近年來，隨著我國經濟社會的快速發展，以煤炭為主的能源消耗大幅攀升，機動車保有量急劇增加，西安地區氮氧化物（NOx）和揮發性有機物（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，由于西部大開發進程的日益推進，眾多企業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，灰霾現象頻繁發生，能見度降低，環境空氣質量評價以及污染治理等問題再一次引起大眾的關注。通過污染物監測項目，加嚴部分污染物限值，客觀反映我國環境空氣質量狀況，推動大氣污染防治；并且通過空氣污染指數（API）判斷空氣質量[1]。

近年來迅速發展的人工神經網絡，由于具有人腦思維的特點和具有自學習、自適應及自組織的功能，應用于模式分類與識別有適應性強、客觀性好的優點，已廣泛地用于系統控制和預測等方面。通過運用人工神經網絡的多層神經網絡對大氣污染物濃度的實測值及其相關因子進行訓練學習，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模型，再用此模型對大氣污染物濃度進行預測預警，以達到對大氣環境質量進行預測預警的作用[2]。

1 西安空氣質量狀況分析

1.1 采用API和AQI對西安市的空氣質量進行評價

API空氣污染指數，是國家舊的空氣質量評價體系，只包括二氧化硫、二氧化氮和PM10三種污染物。AQI：空氣質量指數，是新修訂的《環境空氣質量標準》中空氣質量評價體系，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量的原因

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

1.3 預測未來一周西安市空氣質量狀況

為預測未來一周西安市空氣質量狀況，結合天氣原因（風力、風向、氣溫、是否降水等）運用BP人工神經網絡的多層神經網絡對全市大氣污染物濃度的實測值進行訓練學習，建立模型。再結合未來一周西安市天氣預報，用此模型對污染物濃度進行預測和預報，以達到對大氣環境質量進行預測預警的作用，由此預測未來一周空氣質量的狀況。

2 模型的建立與求解

2.1 AQI與API模型的建立

影響空氣質量分指數及對應的污染物濃度限值如表1所示。

一般，數據的無量綱化處理有標準差方法、極值差方法和功效系數方法。此處影響空氣質量因素的污染物濃度值根據AQI技術規定空氣質量分指數的將指標量綱化，利用插值方法計算相應的AQI與API[4]。

污染物項目P的空氣質量分指數按下式計算

式中：IAQIP——污染物項目P的空氣質量分指數；

Cp——污染物項目P的質量濃度值；

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對應的空氣質量分指數；

IAQILo——表1中與BPLo對應的空氣質量分指數。

總的空氣質量分指數按下式計算：

式中：AQI——空氣質量分指數

n——污染物項目

API與AQI的計算方法類似，區別僅在于檢測污染物項目較少，因此不再贅述。

表1 空氣質量分指數及對應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模型的結果

由Matlab軟件求解得到2013年西安空氣質量分指數指標如圖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AQI與API模型計算得到的相應結果。折線為表1對應的關系折線。

由圖1和圖2可以看出，計算結果與國家標準完全吻合，即程序正確合理，結果準確可靠。根據實測數據繪制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所呈結果可知影響空氣質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對空氣質量的影響比PM10更為顯著，因此利用API進行空氣質量評估不夠客觀準確，需要利用AQI進行空氣質量評估，重點監測PM2.5及PM10的含量變化。

3 神經網絡預測模型

人工神經網絡是一種模仿人類神經系統的數學模型，對于任意一種隨機數據，都可應用人工神經網絡進行系統分析，做出擬合預測[5]。

圖1 2013年西安空氣質量分指數指標PM2.5Fig.1 PM2.5 of Xi’an AQI in 2013

圖2 2013年西安空氣質量分指數指標NO2Fig.2 NO2 of Xi’an AQI in 2013

圖3 2013年西安市環境空氣質量指數（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（API）變化曲線圖Fig.4 Curve chart of API change of Xi’an in 2013

為了預測未來一周西安市空氣質量狀況，根據影響西安市空氣質量的分析結果，可能影響空氣污染物的氣象參數包括：最高溫度（Tmax）、最低溫度（Tmin）、風向（θ）、風力（v）、天氣狀況（H）。其中，風向（θ）經正弦、余弦轉換成2個變量sinθ和cosθ，即將風向分別轉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網絡模型，并對此模型進行訓練。模型示意圖5所示[6]。

圖5 模型圖Fig.5 Diagrammatic figure

將西安市2013年定性化氣象數據用上述方法進行量化，作為神經網絡的輸入層，把2013年西安市污染物濃度數據作為輸出層，利用Matlab建立BP神經網絡。

利用Matlab建立BP神經網絡對空氣質量進行預測，其結果如圖6所示[6]。

圖6 PM2.5的訓練數據與實際數據相關性Fig.6 Data dependency between training data and real data of PM2.5

4 結 論

充分利用所建公式，建立分段函數，直觀的反映出各個污染物對環境影響的關系。在預測中建立的神經網絡模型具有非線性映射，自學習自映射能力，能自動提取數據，輸出數據間的合理規則，從而做出預測。運用BP人工神經網絡[7]的多層神經網絡對西安市大氣污染物濃度的實測值進行訓練學習，建立模型。同時結合未來一周西安市天氣預報，用此模型對污染物濃度進行預測和預報，以達到對大氣環境質量進行預測預警的作用。雖然神經網絡算法的收斂速度較慢，數據較多，處理起來有些困難。但該模型在數據的對比與預測中還較為成功，可見模型的適用性較好，可將模型推廣到水質評測，土壤品質等各個方面的問題。推廣應用人工神經網絡系統，對大氣環境質量的綜合評價和預測預警具有普遍意義。根據所建模型，進行對比及預測，從而對環保部門提出相關建議。

[1]鞏芳，陶鶴爭.基于BP—GM的工業污染生態安全預警系統研究[J].資源開發與市場，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.人工神經網絡在區域短期大氣環境質量預測預警中的應用[J].公用工程設計，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.環境空氣質量標準新標準解讀[J].污染防治技術，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境質量評價中的應用[J].黑龍江八一農墾大學學報，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.結合神經網絡的一般模型控制策略研究[J].工業儀表與自動化裝置，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人工神經網絡的大氣顆粒物PM10質量濃度預測[J].中南大學學報：自然科學版，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神經網絡的地震動信號識別[J].現代電子技術，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.