大氣環境影響評價AERMOD模型參數優化研究

陳華，張光怡，來賀菲，劉峰，翟麗，孫玲玲

（1.北京市環境信息中心，北京 100048；2.北京市環境影響評價評估中心，北京 100161；3.北京思路創新科技有限公司，北京 100085）

近年來，北京地區的空氣污染歷史變化經歷了如下階段[1]：1983～1998年總體環境空氣質量下降；1999～2008年有所改善；2009年至今又再次出現了下降趨勢。隨著社會經濟的快速發展，氣象對社會經濟的影響越來越大，關系到人們的生活和生產[2]。近期國務院印發《打贏藍天保衛戰三年行動計劃》，明確要求北京市環境空氣質量改善目標應在“十三五”目標基礎上進一步提高，并提出優化產業布局，積極推進區域規劃環境影響評價等要求，評估工作備受重視。通過大氣環境影響評價模型，實現對復雜大氣化學和物理輸送過程的模擬，對污染物定量評估，可判斷項目建成后對評價范圍大氣環境影響的程度和范圍。AERMOD是《環境影響評價技術導則-大氣環境》（HJ2.2-2008）中推薦的，也是我國環評中應用最廣的大氣擴散預測模型之一[3、4]。AERMOD采用最新的大氣邊界層和大氣擴散理論，基于此模型推出的商用軟件，使得該模型的應用變得更為廣泛深入，國內外諸多學者的研究也表明，此模型更能反映污染物的實際擴散規律[5、6]。

遺傳算法是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種用于模型參數優化估計的通用方法。其對模型是否線性、連續、可微等不做任何限制，也不受優化變量數目、約束條件的束縛，而直接在優化準則的目標函數引導下進行全局尋優，因而已廣泛用于線性優化、模式識別、參數尋優、系統規則和結構設計等許多領域[7]。李祚泳等[8、9]將遺傳算法用于不同季節大氣顆粒物的來源和空氣質量影響因素的分析，驗證了該遺傳算法的簡單、快速、方便、實用性。

本研究以北京市懷柔區為研究范圍，將遺傳算法與模型數據自動化輸入輸出相結合，通過對AERMOD模型預測結果校驗，不斷調整優化參數，逐步提升模型預測的精準度，為建設項目環評工作中的大氣環境影響預測提供數據參考。

1 AERMOD模型簡介

AERMOD由EPA聯合美國氣象學會組建法規模式改善委員會開發，是現階段較廣泛應用的穩態煙羽大氣預測模式[10]。該模型采用穩態高斯擴散方程，具有以下特點[11]：1）可以處理地面源和高架源，平坦地形和復雜地形以及城市邊界層；2）考慮了高尺度對流場結構及湍流動能的影響；3）在對流條件下，采用非正態的PDF模式；4）考慮了浮力煙羽和混合層頂的相互作用；5）湍流擴散由參數化方程給出，穩定度用連續參數表示。

1.1 AERMOD模型構成

一個AERMOD方案需要引用一個AERMOD預測氣象、一個AERMOD預測點，此外在需要時可以引用一個建筑物下洗方案（本研究不考慮建筑物下洗）。預測氣象、預測點和建筑物下洗分別由單獨的AERMET、AERMAP和BPIP預處理程序運行。預先設置需要的預測氣象、預測點和建筑物下洗方案，預處理后，生成AERMOD接受的格式，供AERMOD選擇使用。AERMOD預測模式流程如圖1。

圖1 AERMOD預測模式流程

1.2 參數的選擇

AERMOD模型預測污染物擴散濃度公式是根據大氣邊界層理論，分為穩定邊界層和對流邊界層兩種情形，邊界層條件不同，所用的擴散模式不同，預測出的污染物濃度值就存在很大差異。大氣邊界層的變化和分布特征分別由大環境的熱能和機械能決定。大氣熱能流場的表征量是表面熱通量；機械能的表征量是莫寧-奧本霍夫長度、表面摩擦速度和表面粗糙度。波文比和反照率通過影響表面熱通量而影響邊界層的結構，決定AERMOD預測所選的計算方程；粗糙度通過影響表面摩擦速度和莫寧-本霍夫長度而影響混合層高度及模型運行參數（風速）。

2 模型方案設置與參數優化

在設置模型方案的基礎上，利用VB程序逆向分析與修改技術和Windows消息模擬技術實現AERMOD數據自動輸入、結果自動輸出，并利用遺傳算法對AERMOD進行參數優化。

2.1 模型方案設置

2.1.1 污染源源強

以北京市2016年的排放清單數據為主，以環評文件數據為輔，統計模型計算時所需要的各項參數，涉及的參數包括坐標、煙囪幾何高度、煙囪出口內徑、煙氣流量、污染物排放強度等。“排放強度隨時間變化”因子，根據具體的排放周期確定。

2.1.2 AERMOD預測氣象

AERMOD預測氣象地面特征參數：地面分為2個扇區，扇區分界度為110～180（城市）、180～110（落葉林）；地面時間周期按季；地表濕度為中等濕度氣候；地表參數，優化前預測按地表類型自動生成地面參數，優化時和優化后預測時手工輸入地面特征參數。

預測氣象生成：經度116.575E、緯度40.466N；選擇氣象數據，經過預測氣象處理生成AERMOD可識別的SEC、PFL文件。本次建模輸入的地面氣象、探空數據是北京市懷柔區氣象站2016年四個季度的地面逐日氣象資料。地面氣象數據包括時間、風向、風速、總云量、低云量等。

設置地面反照率、粗糙度、波文率等地面特征參數和基礎數據，然后在預測氣象生成中選擇地面氣象數據（及相應的探空和現場氣象數據），設置運行選項，運行AERMET生成預測氣象。為了節省時間、提高操作的準確度，此參數設置、數據輸入將通過人工模擬實現自動化輸入輸出。

2.1.3 污染物預測方案的設定

根據北京市懷柔地區的環境特性，選取SO2為目標污染物，其排放源有工業點源、生活面源和線源。

假設全部源都會產生SO2，計算工業點源、生活面源和線源SO2排放每日、每月、全時段平均濃度和各源的分布值。

污染物預測方案的基本參數：AEROMD運行方式為一般方式“非缺省”，預測氣象選擇“預測氣象”中對應的春季優化前、后的氣象條件，常用模型選項選擇“考慮對全部源速度優化、考慮擴散過程的衰減”。

預測點方案，在AEROMD預測點中進行設置，通過運行AERMAP生成任意點的控制高程數據。

2.2 人工模擬數值輸入

本研究中AERMOD模型是封裝的，參數優化時無法實現參數的自動輸入，手動輸入次數可能達到成千上萬次，因此在模型算法優化時需通過VB程序逆向分析與修改技術和Windows消息模擬技術實現人工模擬鼠標完成數據的自動輸入和輸出。

自動化執行分析與實現，EIAProA.exe是執行AERMOD模型計算的程序，根據計算規模大小不同，每次計算時間從幾十秒到幾十分鐘不等，如果手動執行，將進行成千上萬次的執行，顯然是不現實的，因此必須實現自動化運行。對于命令行程序，通過傳遞參數調用很容易實現自動化，而對于窗口程序，實現自動化就變得非常繁瑣。由于VB程序是完全基于窗口的程序，每個VB程序中都存在窗口，EIAProA.exe程序的窗口數量更是多達5249個，其中與AERMOD模型計算相關的窗口達400余個。具體應該操作哪個窗口，需在全部窗口中用Find Window、GetWindow、GetWindowText、GetClassName等Windows API進行判斷和查找，在每一步執行模擬操作前必須查找到相應的窗口，否則定會執行失敗。

模擬鼠標鍵盤操作窗口主要有兩種方式：SendMessage/PostMessage方式和mouse-event/keybd-event方式。前者直接將消息放入目標窗口消息隊列，不會真的影響鼠標或鍵盤的位置等狀態，對系統影響小，實現起來簡單方便，且理論上不需要窗口在最前端，甚至最小化也可以使用。但實際上此方法并不是很穩定，偶爾會發生失效現象，并不能在所有場合有效。后者真的會產生鼠標鍵盤事件而生成相應的消息，影響鼠標的實際位置等狀態，在使用時對整個桌面進行操作，不區分單個窗口，對系統影響較大，同時需要準確判斷目標點位置，容易出錯。

綜合以上兩點，通過SetForegroundWindow、SetFocus等API函數，調整窗口層次，充分利用每種方式的優點，規避不足，最終研發出穩定的自動化執行程序，實現了AERMOD模型計算的自動化執行。

2.3 遺傳算法參數優化

遺傳算法（Genetic Algorithm，GA）是基于進化論原理發展起來的啟發式算法，通過模擬自然界中種群在選擇壓力下的演化過程，最終得到問題的近似解或最優解。首先將問題的解設為一個個體，每個個體相當于“染色體”，之后隨機建立的一組個體，并將這一組個體定義為“初始種群”。每個個體都通過“適應度”來判斷與想得到結果的差異度，在自然界中，適應度越高，個體染色體被遺傳的概率就越大，反之，則被淘汰的概率就越大。除了通過適應度來選擇、淘汰已有的個體，還會通過染色體交叉、變異產生新的個體，形成下一代種群，在這一過程中，必須要保持種群規模的一致。經過N代演化后，會得到問題的最優解。這一系列過程正好體現了生物界優勝劣汰的自然規律。基于遺傳算法的AERMOD模型參數優化的流程如圖2。

（1）編碼

圖2 遺傳優化算法基本流程

將AERMOD模型優化的6個參數進行編碼（6個參數為每個區域的不同地形地貌下的反照率、波紋比以及粗糙度組合），采用優化參數浮點數編碼方式，每個參數就是一個基因，一個解就是一串基因的組合，即染色體串。其中北京市懷柔區，每組染色體6個基因排列順序為，城市：反照率、波紋比、粗糙度；落葉林：反照率、波紋比、粗糙度。

（2）建立初始種群

（3）適應度計算

計算種群中個體的適應度，根據適應度來度量種群中個體優劣（符合條件的程度）的指標值。

預測某季度的污染濃度，對于某一個個體Xi，其在監測站某天預測的結果數據為，表示使用Xi預測獲得的第k天監測站污染物日均濃度值。

適應度函數要使預測結果與在線監測結果誤差平方和最小，對于某一個個體Xi，其適應度函數定義為：

（4）選擇

選擇的目的是從種群中選出優秀的個體，進行選擇的原則是適應性強的個體為下一代貢獻的概率大，以實現達爾文的適者生存原則。實現選擇的步驟如下：

1）計算種群中所有適應值的和。

2）計算個體Xi遺傳到下一代的概率。

3）累積概率，使每個概率值組成一個區域，全部概率值之和為1。

（5）交叉、變異

交叉運算是遺傳算法中產生新個體的主要操作過程，其以某一概率相互交換某兩個個體間的部分染色體，具體計算方法如下：

在進化過程中，種群中的每組染色體的每個基因都有一定幾率產生隨機變異，從而產生新的個體，保持種群內的多樣性。因此我們需要引入變異算法，具體計算方法為：

（6）中止

理論上，種群經過無休止地進化，總能找到最優解，但在實際應用中精確度和執行效率往往無法兼得，因此需在兩者之間尋找最適解，一般可以采取以下2種方式：

1）給定一個最大的遺傳代數T，算法迭代在達到T時停止。

2）設定可接受的結果范圍，當種群進化到誤差范圍內，停止迭代計算。本研究發現種群中全部個體適應度≥0.8，可認為算法已達到最優解。無法進行改進性的標識方法為：當種群中全部個體適應度≥0.8時，可認為算法已優化到極限。

人工模擬結合遺傳算法得到懷柔區春季參數優化結果。參數優化前后值對比詳見表1。

3 模型預測結果及校驗

利用AERMOD模型建立SO2濃度模擬值與在線監測數據的關系，選取懷柔區春季的實際監測值、參數優化前后的預測值進行對比，對比結果見表2。

表2 預測值與監測值對比 （單位：μg/m3）

為驗證模型參數的可靠性、合理性及實用性，以確定其預測準確率，選用直接比較和符合度兩種方法對監測值與優化后的預測值進行分析。

（1）直接比較

采用P/O（預測值/監測值）的平均值評估。平均值代表系統整體偏離度為1時無任何偏差。影響模型預測結果的因素，包括但不限于模式類型、混合層高度和穩定度、擴散參數。

對AERMOD模型計算預測值與監測值直接比較，分析結果見表3。

表3 SO2的P/O分析

P/O結果分析：經過使用遺傳算法優化后的參數計算出的結果，其P/O的平均值降為1.02，優化后的預測值與監測值的一致性，相比優化前可提升15%。可見，優化后P/O比值更接近于1，說明參數優化后的AERMOD模型預測更準確。

（2）符合度

利用一系列署名點的預測值和監測值的分析符合度d、均方誤差MSE。均方誤差越小，符合度越高，d越接近于1，說明模型符合實際情況，預測結果更準確。

對AERMOD模型計算結果進行符合度分析，分析結果見表4。

表4 SO2預測值符合度分析

符合度結果分析：參數優化后預測結果的符合度更趨近于1，MSE較小。由于污染物在大氣擴散過程中的不確定性，可以認為此模型優化后的預測值和監測值一致性良好，較為符合實際情況。

綜上，充分驗證了AERMOD模型參數優化的必要性，丁峰等[12]于AERMOD模型在環評中的應用研究中也有相似的結論。相比參數優化前、參數優化后的AERMOD模型對北京市懷柔區的大氣環境影響評價預測結果更接近實際監測值，有效解決了引進產品本地化應用的問題。

4 結論

選取北京具有代表性區域的污染源監測數據，利用VB程序逆向分析與修改技術和Windows消息模擬技術，實現AERMOD模型數據自動輸入，預測結果自動輸出，同時采用遺傳算法對AERMOD模型中的參數進行優化，利用模型程序對大氣環境影響進行預測。研究表明參數優化后SO2預測值相比優化前與實際監測值更接近，接近度可提升15%；同時本研究也驗證了人工模擬結合遺傳算法在大氣環境影響預測模型參數優化中的可行性，為大氣環境預測研究提供理論依據，為引進產品本地化應用奠定了基礎。