基于支持向量機和樹葉磁學的大氣顆粒物濃度模擬

許 悅,劉雪梅,周夢帆,李慧明,錢 新

(南京大學環境學院,污染控制與資源化研究國家重點實驗室,南京 210023)

1 前 言

近年我國城市化和工業化進程的加快,大量污染物排放到大氣中,大氣污染問題日益顯著,對人類健康產生了潛在威脅[1]。城市化導致機動車輛的劇增和頻繁活動,工業化導致大量工業廢氣和工業塵埃的排放,產生多種大氣污染物,包括大氣重金屬以及磁性顆粒物[2]。盡管磁性微粒本身不會對人體健康構成直接威脅,但由于它們與有害污染物密切相關,有潛力用作評估大氣污染的指標[3]。

環境磁學的原理是通過測量環境介質中物質的磁學特征,從中提取環境信息[4]。城市植物葉片比表面積大、生長周期長,可通過葉表內外面的蠟質層吸附或通過氣孔直接吸收大氣顆粒物,尤其是粒徑小于10μm的細顆粒物[5-6],而植物本身通過根從土壤中吸收的部分相對于其通過葉片蠟質層吸收的大氣沉降物質,其背景場微乎其微,可忽略不計[7]。此外,植物葉片采集方便且磁學參數測試經濟可行,因此,可通過分析自然生長的樹葉磁學信息來評估大氣污染狀況[8],這對我國城市大氣顆粒物監測具有重要現實意義。

2 材料與方法

2.1 樣品采集與處理

樹葉及大氣顆粒物采樣點位于南京大學仙林校區內(見右上圖),在校園環境空氣質量自動監測站點1km范圍之內選擇樹齡、高度相似且生長狀況良好的桂花、雪松及女貞各5棵,于2015年12月4日～2016年11月30日采集樹葉樣品。每隔4天采集樹葉樣品一次,雨雪或臺風等極端天氣下暫停采樣。采樣時佩戴一次性塑料手套,用陶瓷剪刀于1.5～2m高的范圍內選擇成熟、健康無病害、無蟲斑、新生樹枝上最成熟的葉片進行采集,桂花和女貞于每棵樹的不同方向采集4～8片樹葉,雪松每棵樹采集12簇松針,樹葉采集后置于塑料自封袋中,帶回實驗室放入冰箱冷藏保存,以備處理。每類樹共采集到84組樹葉樣品,測試磁學特征后用于大氣顆粒物模型的構建。

圖 采樣點位置Fig. Sampling site

2.2 磁性參數測試

將采集到的樹葉樣品放入烘箱,50～60℃烘干,再用陶瓷剪刀剪碎,稱取約2g樣品用保鮮膜包裹置于用于磁學參數測試的10mL圓柱狀聚乙烯樣品盒中,壓實待測。利用KY-3S卡帕橋磁化率儀測量樣品的體積磁化率(κ),經密度對κ進行校正從而得到樹葉樣品的質量磁化率(χ)。使用Molspin交變退磁儀進行退磁后,利用JR-6A旋轉磁力儀測量樹葉樣品的非磁滯剩磁(ARM)。使用ASC Scientific Model IM-10-30對樹葉樣品加1 000mT的磁場進行脈沖磁化后,利用JR-6A旋轉磁力儀測量樹葉樣品的等溫剩磁(IRM1T),作為樹葉樣品的飽和等溫剩磁(SIRM)。樹葉樣品的磁學參數測試均在南京大學地球科學與海洋學院的古地磁實驗室完成。

2.3 大氣顆粒物濃度和氣象數據的獲取

氣象數據(風速、溫度、濕度和氣壓)的小時值從仙林監測站獲取,PM2.5和PM10濃度小時數據從南京市十個主要國控點空氣質量實時發布系統(http://222.190.111.117:8023/)中獲取,均取采樣日期對應的四天平均值作為模型的氣象因子輸入參數。

2.4 支持向量機模型構建

以PM2.5和PM10濃度作為輸出層,分別以“氣象因子+樹葉磁學參數”以及“樹葉磁學參數”作為輸入參數,隨機選取80%作為訓練數據,剩下20%作為驗證數據,在MATLAB 環境下使用Libsvm作為建模工具,選取支持向量機中常用的徑向核函數(RBF核函數)epsilon-SVR模型,通過交叉試驗的方法選取預測模型的最佳核函數 g 值及懲罰因子 c 值,建立大氣顆粒物濃度模擬模型。

2.5 統計方法

運用SPSS 23.0軟件將PM2.5和PM10同步監測的4天移動平均濃度值與樹葉磁學參數、氣象數據進行皮爾遜相關性分析。使用相關性系數(Correlation coefficient,R)、平均絕對誤差(Mean absolute error,MAE)和均方根誤差(Root mean squared error,RMSE)評價模型模擬精度,計算公式如下:

(1)

(2)

(3)

3 結果與討論

3.1 樹葉磁學特征

χ大小主要取決于樣品亞鐵磁性礦物的含量[16];SIRM與礦物磁性和鐵磁性物質含量有關,也可指示磁疇特征[17],同時也易受反亞鐵磁性礦物干擾,不受順磁性礦物影響[18];ARM反映了鐵磁晶粒的磁疇信息,與單疇晶粒的含量呈正相關[19]。如表1所示,總體上,雪松樹葉的χ、SIRM和ARM值最高。3種樹葉的χ值季節分布均為:冬季>春季>秋季>夏季。桂花和雪松樹葉的 SIRM值季節分布為:冬季>春季>秋季>夏季,而女貞樹葉的SIRM值季節分布為:冬季>秋季>春季>夏季。桂花和女貞樹葉的ARM值季節分布為:冬季>秋季>夏季>春季,而雪松樹葉的分布為:冬季>春季>秋季>夏季。除桂花和女貞樹葉的ARM值季節分布外，三種樹葉的χ、SIRM和ARM值統一呈現出冬高夏低的季節分布特征，這也與PM2.5和PM10濃度季節分布情況一致(PM2.5濃度季節分布為春季63.34±16.142μg/m3，夏季43.124±10.649μg/m3，秋季52.088±10.571μg/m3，冬季77.402±19.524μg/m3；PM10濃度季節分布為春季96.86±29.433μg/m3，夏季63.586±14.787μg/m3，秋季74.928±24.016μg/m3，冬季105.161±27.165μg/m3)，即冬季大氣顆粒物污染更加嚴重。

ARM/χ和ARM/SIRM值主要反映與磁疇狀態相關的鐵磁性礦物顆粒的大小,數值低代表樣品以粗粒的假單疇(PSD,0.50～15.00μm)或多疇(MD,15.00～17.00μm以上)顆粒為主;數值高代表樣品以細粒穩定的疇顆粒(SSD,0.03～0.50μm)為主[20]。由表1可知,3種樹葉夏季和秋季ARM/χ和ARM/SIRM值較高,而在春季和冬季較低,表明3種樹葉在夏季和秋季富集了相對較多的細磁疇磁性顆粒物,而在春季和冬季富集了相對較多的粗磁疇磁性顆粒物。

表1 桂花、雪松和女貞樹葉的磁學參數 Tab.1 Magnetic parameters of leaves of Osmanthus fragrans Lour,Ceder deodara G.Don and Ligustrum lucidum Ait

表2為不同城市不同樹種的磁學參數χ和SIRM之間的對比。總體上,南京市桂花和女貞樹葉的χ和SIRM值相對表中其他城市偏低,而雪松的χ值大于安徽鳳陽縣城的楊樹和平頂山的紫葉李,小于其他城市的樹種。上海廣玉蘭的χ和SIRM值最高,臨沂檜柏、白皮松(2012.4)的χ值僅次于上海廣玉蘭,北京常青圓柏、白皮松、日本扁柏的SIRM值僅次于上海廣玉蘭。不同城市樹葉磁學參數的差異與樹葉的附塵能力、各地大氣污染狀況和磁性顆粒物的來源有關[15]。

表2 南京樹葉磁學參數與中國其他城市對比 Tab.2 Comparison of leaf magnetic parameters between Nanjing and other cities in China

3.2 大氣顆粒物濃度與樹葉磁學參數、氣象數據的相關性分析

經驗證,大氣顆粒物濃度與樹葉磁學參數、氣象數據符合正態分布,因此采用皮爾遜相關系數分析大氣顆粒物濃度與樹葉磁學參數、氣象數據的相關性,結果如表3所示,PM10和PM2.5與風速、溫度和濕度之間顯著負相關,與大氣壓顯著正相關。可能原因是風速對大氣污染物有一定的稀釋作用,風速越高,越易降低大氣顆粒物濃度;一般來說,溫度越高,大氣壓越低,空氣對流運動越明顯,大氣顆粒物擴散速率越快,其濃度也同時有所下降;空氣濕度對大氣顆粒物最顯著的影響是降水對其的沖刷作用。

PM10和PM2.5濃度與3種樹葉的磁學參數χ、ARM和SIRM的相關系數范圍為:桂花樹葉0.182～0.641,雪松松針0.088～0.543,女貞樹葉0.051～0.596;PM10和PM2.5濃度與3種樹葉的磁學參數χ、SIRM顯著正相關(p<0.05),其中與桂花樹葉χ、SIRM的相關系數r均高于0.560;顆粒物濃度與χ和SIRM的相關性高于ARM值。結果表明，周圍環境中大氣顆粒物濃度可能是影響樹葉磁學參數的因素之一。本文只建立顆粒物濃度與樹葉磁學參數的關系，不同來源大氣顆粒物及顆粒物化學成分與樹葉磁學的響應關系還需進一步研究。

其他城市的研究結果也顯示,樹葉磁學參數可用于指示大氣顆粒物濃度。如李勇(2016)[26]對安徽省鳳陽縣的研究表明,楊樹、銀杏樹和梧桐樹樹葉的磁學參數能反映局部大氣環境污染和變化;張春霞等(2006)[28]對北京首都機場高速公路旁松樹松針的磁學研究表明,χ、SIRM能間接反映顆粒物的含量及粒度等特征,是經濟實用的監測城市大氣污染的手段。HANESCH(2003)[2]等人的研究顯示,鋼鐵廠土壤和楓樹葉的磁化率可用于反映大氣狀況。

3.3 大氣顆粒物磁學模型構建與評估

將PM2.5和PM10濃度作為輸出因子,“四類氣象數據(風速、溫度、濕度和大氣壓)+三類樹葉磁學參數(χ、ARM和SIRM)”作為輸入因子;另外,為提高模型的可應用性,考慮到采樣點不能獲取氣象數據的情況,直接將“樹葉磁學參數”作為輸入因子構建模型,共構建了12個支持向量機模型,模型特征如表4所示。

表3 PM2.5和PM10平均濃度值與樹葉磁學參數、氣象數據的皮爾遜相關系數(n=84)Tab.3 Pearson’s coefficient(r)between concentrations of PM10 and PM2.5 and leaf magnetic parameters,meteorological factors(n=84)

注:* *表明在0.01水平(雙側)上顯著相關。

表4 12個支持向量機模型特征Tab.4 Features of twelve SVM models

12個支持向量機模型模擬結果的相關性系數(R)、平均絕對誤差(MAE)和均方根誤差(RMSE)如表5所示,模型對PM2.5和PM10濃度模擬值與監測值的比較如圖2所示。結果顯示,12個模型訓練組和驗證組的R值均>0.7,誤差也在可接受范圍內,說明利用樹葉磁學參數模擬大氣顆粒物濃度獲得了較為理想的效果。對于同一種顆粒物和同一類輸入因子,3種樹葉對顆粒物的模擬效果沒有明顯差異。在驗證階段,只將“樹葉磁學參數”作為輸入因子的模型對PM10濃度的模擬R>0.8,說明這些模型(模型8、10、12)對PM10具有較好的模擬效果。而將“樹葉磁學參數+氣象數據”作為輸入因子的模型,對PM2.5濃度模擬的R值均>0.8,說明這些模型(模型1、3、5)對PM2.5具有較好的模擬效果,這可能與PM2.5濃度受氣象條件的影響相對較大有關。因此,在模擬不同粒徑顆粒物濃度時,可考慮采用不同的輸入因子模型,以便獲得更好的模擬效果。

運用支持向量機和樹葉磁學能夠快速預測大氣顆粒物濃度，為重污染天氣的預防和控制策略制定提供數據支撐，還為空氣質量監測站還較為稀疏的城郊地區及還未普及的偏遠地區空氣質量監控提供技術支撐。

表5 12個模型相關性系數(R)、平均絕對誤差(MAE)和均方根誤差(RMSE)Tab.5 Correlation coefficients(R),average absolute error(MAE)and root mean square error(RMSE)of the twelve models

續表5

Model訓練組驗證組RMAERMSERMAERMSE40.71110.913.50.72610.0514.050.74910.312.90.8598.489.9860.71011.914.70.7297.9410.270.74616.020.20.74014.616.580.77115.819.10.82016.219.690.72315.219.10.71521.927.6100.79615.618.10.89017.119.1110.76415.418.40.73916.621.3120.77815.318.80.86717.119.6

圖2 樹葉磁學模型對PM2.5和PM10濃度的模擬結果Fig.2 Simulation results of PM2.5 and PM10 concentrations by leaf magnetic models

4 結 論

4.1 對于研究區域中3種樹葉的磁學參數,雪松的χ、SIRM和ARM值最高。χ值季節分布均為:冬季>春季>秋季>夏季。3種樹葉在夏季和秋季富集了相對較多的細磁疇磁性顆粒物,而在春季和冬季富集了相對較多的粗磁疇磁性顆粒物。

4.2 PM10和PM2.5濃度與風速、溫度和濕度之間顯著負相關,與大氣壓顯著正相關;顆粒物濃度與χ和SIRM的相關性高于ARM;與3種樹葉的磁學參數χ、SIRM顯著正相關(p<0.05),其中顆粒物濃度與桂花樹葉磁學參數的相關系數r均高于0.560。

4.3 支持向量機模型對PM10和PM2.5濃度模擬的誤差均在可接受范圍內,對于同一種顆粒物和同一類輸入因子,三種樹葉對顆粒物的模擬效果沒有明顯差異。在模型驗證階段,將“樹葉磁學參數+氣象數據”作為輸入因子的模型,對PM2.5濃度模擬的R值均>0.8,模擬效果較好;將“樹葉磁學參數”作為輸入因子的模型,對PM10濃度模擬的R值均>0.8,模擬效果較好。