基于BP神經網絡的河北中南部空氣質量預報研究

張 珺,王式功,杜亮亮, 王 娜

(1.蘭州大學 大氣科學系，甘肅 蘭州 730000； 2.河北省邯鄲市氣象局，河北 邯鄲 056001；3.河北省保定市氣象局，河北 保定 071000；4.遵義院士工作中心 氣候環境與醫療康養重點實驗室，貴州 遵義 563000)

清潔的空氣是人類賴以生存的基本環境條件。隨著社會經濟的發展，人類社會消耗了大量能源，呈現出空氣污染物種類和濃度的增加，許多國家和地區面臨著包括PM2.5、PM10、O3、氮氧化物(NOx)、CO、SO2等有害物質濃度增加的問題，空氣污染已成為影響人類健康的重要因素，備受社會和公眾的普遍關注[1-4]。

21世紀以來，隨著社會經濟的飛速發展，自然資源被大量消耗而引發的環境問題已成為當下許多發展中國家亟待解決的焦點問題。河北中南部煤炭、鋼鐵等重工業的能源發展結構使得大量污染物的排放，導致該地區重污染天氣頻發[5-7]。近年來，氣象部門充分發揮了技術優勢，對河北中南部區域環境氣象實施了有效監測，通過對大氣污染特征分析，以期找出相關的氣象因素，進而提升河北中南部地區監測、預報重污染天氣的準確率，減少霧霾、空氣污染給人類生產生活帶來的不利影響。

近年來，針對河北中南部空氣污染的問題，國內專家也開展了很多研究[8-10]。王叢梅等[11]對河北中南部2013年1月空氣重污染的成因分析表明：地形特點是重污染形成的一個重要影響因素，穩定的偏西氣流翻越太行山后與平原的偏東風容易形成輔合，在輔合線附近易造成污染物的累積，造成污染加重。劉曉慧等[12]通過對河北中南部2014年的2次重污染天氣成因分析指出，均壓場和靜穩的天氣形勢不利于空氣污染物的擴散，結合衛星火點和污染源分析表明，2014年10月河北中南部重污染過程中本區域及周邊區域的秸稈燃燒加重了污染。

以往對河北中南部空氣污染的研究大多圍繞空氣污染特征和氣象條件進行，且研究的污染物大多為3種左右，但對最近幾年6種主要污染物濃度特征及空氣質量預報的研究較少。本文以河北中南部石家莊、邢臺為例，利用BP神經網絡對不同城市分季節建立空氣污染物濃度的預報模型，并對預報結果進行了對比檢驗，可為政府科學決策大氣污染防治提供技術支持。

1 資料與方法

1.1 資料來源

本文選用的資料主要包括空氣污染的監測資料和氣象資料，空氣污染監測資料來自河北省環保廳所公開資料，資料時間為2013年1月～2015年12月，包括石家莊、邢臺主城區環境監測站PM2.5、PM10、SO2、NO2、CO、O3等6種主要污染物的日平均濃度和小時平均濃度資料，以及石家莊、邢臺所轄區78個空氣質量監測站的AQI日均值；空氣質量預報所用資料的測定時間為2013年1月～2016年12月。氣象資料來自河北省氣象局整編資料，為同期石家莊、邢臺主城區的地面氣象觀測站氣溫、氣壓、風、降水、相對濕度、日照時數等常規觀測資料及高空資料。

1.2 分析方法

利用逐步回歸分析法對污染物濃度及氣象因素進行多元逐步回歸分析，為空氣質量預報因子的篩選奠定基礎；利用BP神經網絡法，構建空氣污染物相鄰兩日濃度差值的預報模型。

2 河北中南部空氣污染物濃度預報模型的建立

利用BP神經網絡的功能和特點，構建了空氣污染物相鄰兩日濃度差值的預報模型，以石家莊和邢臺為例，選取了PM2.5、PM10、SO2、CO、NO2、O3等6種空氣污染物對預報模型進行設計。

2.1 預報模型設計

本研究構建了基于相關性較好的初始樣本機制的BP神經網絡預報模型，利用這一預報模型實現了空氣污染物相鄰兩日濃度差值的預測。由于相鄰兩日的污染物濃度具有一定的連續性，預報濃度差值可保持其連續性，且污染物濃度本身存在一個背景濃度，在背景濃度一定的情況下，預報相鄰兩日濃度差值比直接預報污染物濃度誤差更小，預報模型的穩定性更高。該模型的原理：以前一日污染物濃度和相關性較好的氣象因子作為模型輸入因素，對空氣污染物相鄰兩日濃度差值進行預測，通過此模型預報出的濃度差值，加上前一日污染物濃度的實測值，即可預報出未來一日污染物濃度。

空氣污染物相鄰兩日濃度差預測值算法：輸入參數，對樣本進行優化篩選，選出最優樣本，在進行訓練前先將樣本數據歸一化到[-1，1]區間，然后從最優的樣本中選出訓練樣本和測試樣本，選取最優訓練樣本建立BP神經網絡并進行誤差測試，然后根據平均相對誤差及平均絕對誤差指標，選擇最優預測模型[13-14]。輸入歸一化后的相關因子，將得到的輸出結果進行數據反歸一化處理，得出預測值。空氣污染物相鄰兩日濃度差預測值算法如圖1所示。

2.2 動態樣本篩選參數

根據歷史相關性樣本篩選機制的基本原理，所建立的樣本篩選主要涉及到利用各類氣象要素因子與歷史不同空氣污染物所作的相關性比較；以石家莊和邢臺為例，利用SPSS軟件對氣象要素日均值與同期污染物相鄰兩日濃度差值進行多元逐步回歸分析，根據逐步回歸的結果，進行相關性的判定，從而挑選出相關性強的氣象因子。PM2.5、PM10、SO2、NO2、CO濃度為日均值(0：00～23：00點)的濃度數據，O3為最大8 h滑動平均濃度數據，選取平均氣溫X1、最高氣溫X2、最低氣溫X3、降水量X4、平均氣壓X5、平均相對濕度X6、最小相對濕度X7、平均風速X8、最大風速X9、日照時數X10、靜穩指數X11、混合層高度X12、地表通風系數X13等氣象因子。

通過石家莊和邢臺在不同季節空氣污染物相鄰兩日濃度差值與氣象因子的逐步回歸結果得出，相關性最好的氣象因子為平均氣溫，其次依次為降水量、平均氣壓和混合層高度。由于不同季節不同污染物相關性好的氣象因子各有不同，不再一一列舉。對氣象要素日均值與污染物相鄰兩日濃度差值進行多元逐步回歸的結果將為確定神經網絡空氣質量預報樣本的選取及輸入氣象參數的確定提供參考。

圖1 預測模型算法流程圖

2.3 BP神經網絡模型輸入的方法

2.3.1 數據處理 采用的輸入數據主要為2014～2016年逐日的污染物濃度和氣象數據；以3～5月為春季；6～8月為夏季；9～11月為秋季；12月、1～2月為冬季；其中前一日的污染物濃度、氣溫、平均氣壓、相對濕度、風速、日照時數、混合層高度、地表通風系數、靜穩指數等因子都采用均一化處理；降水量按照降水等級進行輸入[15]，無降水時等級記為0、小雨記為1、中雨記為2、大雨記為3、暴雨記為4、大暴雨記為5、特大暴雨記為6、小中大雪均記為1、暴雪記為2。

2.3.2 輸入因子 根據歷史相關性對比，最終挑選出相關性較好的因子進行輸入，由于各個城市各季的相關性程度不同，故不同城市、不同季節、不同污染物輸入的氣象因子也不同。

2.3.3 BP神經網絡結構 BP神經網絡層數選取時涉及到輸入層、輸出層和隱藏層的選取，輸入層個數的確定取決于所選擇的因子，此處選擇與污染物相關性較好的氣象因子，有n個輸入神經元，輸入層個數就為n。隱藏層個數通過試驗得到，試驗方案[16-18]為：首先從歷史樣本數據中挑選出訓練樣本與測試樣本，其中主要通過訓練樣本建立初始網絡映射，隨后再將輸入層映射到輸出層。測試樣本則為確定最佳隱藏層節點個數起到調試模型的作用。本文將某一種污染物相鄰兩日濃度差值作為模型輸出，所建立的BP神經網絡模型的輸出層為1。所建立的6種污染物的BP神經網絡結構如表1～表4所示。

表1 BP神經網絡結構(春季)

2.4 預報結果實例分析

采用本文所建立的歷史相關性樣本篩選機制的BP神經網絡預報模型，分別對石家莊、邢臺進行預報。

表2 BP神經網絡結構(夏季)

表3 BP神經網絡結構(秋季)

表4 BP神經網絡結構(冬季)

2.4.1 預報結果的評價指標 本文主要采用以下2種指標對預報結果進行分析，分別為平均絕對誤差MAE、平均相對誤差MRE。以下為平均絕對誤差和平均相對誤差的計算公式：

上式中，prei為污染物濃度預測值，moni為污染物濃度監測值。

2.4.2 結果分析

2.4.2.1 春季預報結果 由表5可知，石家莊站點春季空氣污染物預報結果的平均相對誤差(MRE)分布在0.09～0.42的范圍內。其中以O3的平均相對誤差最小，為0.09；SO2次之，為0.23；PM2.5最差，為0.42。平均絕對誤差(MAE)中以CO最大，這與CO自身的背景濃度較大有關，PM10次之。

表5 石家莊春季空氣污染物相鄰兩日濃度差值預測結果的誤差統計結果

由表6可知，邢臺站點春季空氣污染物預報結果的平均相對誤差(MRE)分布在-0.03～0.38的范圍內。其中以PM10的平均相對誤差(MRE)最小，為-0.03；PM2.5次之，為0.08；NO2最差，為0.38。平均絕對誤差(MAE)中仍以CO最大；其次為PM10。

2.4.2.2 夏季預報結果 由表7可知，石家莊站點夏季空氣污染物預報結果的平均相對誤差(MRE)分布在-0.23～0.25的范圍內。其中以CO的平均相對誤差最小，為0.02；PM10次之，為0.03；PM2.5最大，為0.25。平均絕對誤差(MAE)中以CO最大；其次為O3。

表6 邢臺春季空氣污染物相鄰兩日濃度差值預測結果的誤差統計結果

表7 石家莊夏季空氣污染物相鄰兩日濃度差值預測結果的誤差統計結果

由表8可知，邢臺站點夏季空氣污染物預報結果的平均相對誤差(MRE)分布在-0.21～0.72的范圍內。其中以PM10的平均相對誤差最小，為0.05；NO2次之，為0.08；SO2最差，為0.72。平均絕對誤差(MAE)以CO最大；其次為PM10。

表8 邢臺夏季空氣污染物相鄰兩日濃度差值預測結果的誤差統計結果

2.4.2.3 秋季預報結果 由表9可知，石家莊站點秋季空氣污染物預報結果的平均相對誤差(MRE)分布在-0.09～0.26的范圍內。其中以PM10的平均相對誤差(MRE)最小，為-0.09；O3次之，為0.12；SO2最差，為0.26。平均絕對誤差(MAE)以CO最大；其次為PM10。

由表10可知，邢臺站點秋季空氣污染物預報結果的平均相對誤差(MRE)分布在-0.35～0.24的范圍內。其中以PM10的平均相對誤差(MRE)最小，為0.02；CO次之，為-0.03；SO2最差，為-0.35。同樣，平均絕對誤差(MAE)仍以CO最大；其次為PM10。

表9 石家莊秋季空氣污染物相鄰兩日濃度差值預測結果的誤差統計結果

表10 邢臺秋季空氣污染物相鄰兩日濃度差值預測結果的誤差統計結果

2.4.2.4 冬季預報結果 由表11可知，石家莊站點冬季空氣污染物預報結果的平均相對誤差(MRE)分布在-1.17～1.75的范圍內。其中以O3的平均相對誤差最小，為0.05；PM10次之，為0.09；CO最差，為1.75。平均絕對誤差(MAE)以CO最大；PM10次之。

表11 石家莊冬季空氣污染物相鄰兩日濃度差值預測結果的誤差統計結果

由表12可知，邢臺站點冬季空氣污染物預報結果的平均相對誤差(MRE)分布在-1.02～1.83的范圍內。其中以NO2的平均相對誤差最小，均為0.19；CO最差，為1.83。同樣，平均絕對誤差以CO最大；PM10次之。

表12 邢臺冬季空氣污染物相鄰兩日濃度差值預測結果的誤差統計結果

綜上所述：2個站點中不同污染物在不同季節的預報效果不同，石家莊站點春、冬季O3的平均相對誤差(MRE)最小，夏季CO的平均相對誤差最小，秋季PM10的平均相對誤差最小；邢臺站點春、夏、秋季PM10的平均相對誤差最小，冬季NO2的平均相對誤差最小。平均絕對誤差(MAE)中，石家莊和邢臺CO、PM10都較大。

2.4.2.5 空氣質量等級和首要污染物預報準確率檢驗 利用石家莊和邢臺2017年1月2日～2月28日(1月1日缺測)相關氣象數據和污染物濃度，以冬季空氣質量預報模型為例進行檢驗。

圖2和圖3分別為對石家莊和邢臺不同污染物預報得到的預測值與監測值的折線圖，實線為不同污染物相鄰兩日濃度差實測值，虛線為不同污染物相鄰兩日濃度差預測值。

圖2 石家莊冬季空氣污染物相鄰兩日濃度差的監測值與預測值曲線

對比冬季各類曲線圖可以發現，模型在預報各類污染物相鄰兩日濃度差值的極值點時效果欠佳，但趨勢走向較為準確。正是由于各種污染物的突變值導致模型的預測增加了難度[19-20]，很難準確預測出污染物相鄰兩日濃度差值極值的出現，但是對于污染物相鄰兩日濃度差值的變化趨勢可以較為清晰地表示出來，增加了模型的可用性。

圖3 邢臺冬季空氣污染物相鄰兩日濃度差的監測值與預測值曲線

對石家莊和邢臺冬季空氣污染物相鄰兩日濃度差監測值與預測值(圖2、圖3)間的相關系數進行了統計(表13)，結果表明：石家莊PM2.5的相鄰兩日濃度差監測值和預測值的相關系數最大，為0.79；石家莊O3的相關系數最小，為0.55。

表13 石家莊和邢臺冬季空氣污染物相鄰兩日濃度差監測值與預測值間的相關系數

通過冬季空氣質量模型預報出的各污染物相鄰兩日濃度差值，加上前一日污染物濃度得出各污染物的預報濃度，再利用單個污染物空氣質量指數(IAQI)運算公式，將各污染物濃度轉化為單個污染物的空氣質量指數(IAQI)，對空氣質量等級預報準確率和首要污染物預報準確率進行檢驗，檢驗結果如下。

石家莊SO2的等級預報準確率最高，為94.3%；O3的等級預報準確率次之，為92.7%；CO的等級預報準確率較高，為89.1%；PM2.5、PM10的等級預報準確率分別為87.7%和82.9%，處于中等水平；NO2的預報等級率略低，為80.5%。邢臺的SO2等級預報準確率為92.0%；O3的等級預報準確率也較高，為90.0%；NO2和CO的等級預報準確率較高，分別為91.2%和87.7%；PM2.5和PM10的等級預報準確率分別為81.2%和82.5%。

SO2和O3的等級預報準確率高與冬季該污染物濃度較低有關，由監測值計算出的IAQI均維持在一至二級范圍內，所以預報的等級準確率較高。PM2.5和PM10的等級預報出現錯誤大多出現在中度至重度污染這個范圍，因為冬季空氣污染較重，1～2月PM2.5和PM10的濃度較高，空氣質量有一半為中度污染以上，從空氣質量指數(AQI值)來看，中度污染的AQI范圍為151～200，重度污染的AQI范圍為201～300，可以看出，中度污染AQI下限值與重度污染AQI下限值僅差50，因此，PM2.5和PM10在中度至重度污染這個范圍內等級預報易報錯。

對首要污染物的預報準確率進行檢驗得出，石家莊首要污染物預報的準確率為82.4%，邢臺首要污染物預報準確率為87.7%。

3 結論與討論

以空氣污染物相鄰兩日濃度差值為預報量，基于BP神經網絡構建了空氣污染物濃度預報模型。利用以前一日污染物濃度和氣象要素日均值為氣象因子的預報模型進行預報，以冬季空氣質量模型為例，對空氣質量等級預報準確率進行檢驗，結果表明，石家莊和邢臺SO2、O3等級預報準確率均為90%以上，PM2.5、PM10的等級預報準確率均為80%以上；首要污染物預報準確率均為80%以上。總體上，石家莊的空氣質量等級預報準確率好于邢臺，首要污染物預報準確率石家莊略差于邢臺。在冬季的空氣質量預報中，需要根據歷史上對應的空氣污染狀況，對其預報結果進行適當的人工訂正。