基于時空模型鄭州市PM2.5影響因素研究

(青島大學 山東 青島 266100)

一、引言

隨著社會科學技術的發展，伴隨著城市化進程的加速，污染氣體的排放問題正在變得越來越嚴重，生態安全問題也日趨嚴重。這一切都在提醒我們關注空氣質量健康，部分城市空氣質量堪憂，當地地區以及人民深受其害。通過調查我們可以發現，中國地區pm2.5分布具有明顯的時空變異特征，造成這種情況的因素有很多，比如排放源的分布，地形的差異，溫度濕度的差別等。

過去的數十年內，國外方面對pm2.5展開了大規模的研究，研究內容包括pm2.5污染特征，pm2.5對人體能夠造成的影響等方面。相應的國內方面主要的研究方向是污染特征，化學組成，源解析等，在這些方面做了大量研究并取得了一定成果。綜合來看，越來越多的學者致力于空氣污染的研究工作，數據主體正由城市和城市群轉向全國和大區域，污染物類型也不斷豐富。除了上述所說的污染氣體有重要的影響作用外，氣象條件也是影響空氣質量的重要因素，綜合已有的研究結論可知，氣象條件的確影響細顆粒物的濃度，因此有必要對主要氣象因素的不同影響程度進行定量研究。

本文對空氣中的細顆粒物PM2.5濃度一年觀測值進行建模，主要目的是研究污染氣體排放濃度和氣象條件對PM2.5濃度的影響。

二、Pm2.5的理論概述

(一)Pm2.5的含義。PM2.5是指大氣中顆粒物直徑小于或等于2.5m的顆粒物。PM是顆粒物的英文縮寫，PM2.5數值越高.就標明空氣污染越嚴重。

(二)PM2.5的來源。PM2.5主要來源于發電廠、工業生產、汽車尾氣排放的殘留物。主要來自機動車尾氣，燃煤燃燒產生的煙塵、帶有揮發性的有機物等。

(三)PM2.5帶來的危害。1.公共危害。城市大規模的進行建設，城市儼然變成了工地，導致能見度很低，交通事故也頻繁發生，嚴重危害了人民群眾的生命財產安全。2.疾病危害。專家認為，PM2.5會對呼吸系統和心腦血管系統造成傷害，其中，老人和小孩及心肺疾病患者是易感染的人群。3.健康危害。專家認為小于2.5μm的顆粒物，會引發哮喘、支氣管炎等疾病，它們會損害血紅蛋白偷送氧氣的能力，從而產生嚴重的后果。

三、模型的選擇和建立

(一)模型的選擇。由各空氣監測站PM2.5小時濃度計算對應時段鄭州市總體污染水平,利用單變量方差分析方法,對鄭州市PM2.5濃度日變化特征和周末效應進行研究。為降低缺失數據的干擾,對觀測數據量少于12組的予以舍去。

(二)模型的建立。選擇鄭州市每日的平均氣溫、相對濕度、風速、平均海平面氣壓、日照時數5項因子,五日內降雨量、前一日的PM2.5濃度均值作為BP-ANN預測模型的輸入因子,由各測站小時實測數據計算整個鄭州市日平均PM2.5濃度,作為輸出因子。數據來源自2018年8—12月,以日為單位共得到137組樣本。隨機抽取80%作為訓練數據,用于構建模型;將剩余20%作為模型的驗證數據。

四、二級神經網絡具體實施步驟

(一)數據預處理。本研究即采用3層BP網絡結構,通過模型自動尋優確定隱含層最佳節點數為14,構建PM2.5濃度BP神經網絡預測模型結構,所有過程均通過Matlab編程實現。

(二)網絡構建。對所構建的BP-ANN模型,通過擬合一致性指標(D)、平均偏差(MBE)、平均絕對誤差(MAE)、均方根誤差(RMSE)、相關系數(r)共5項因子進行模型評價。同時采用逐步回歸方法,構建一個多元線性模型用于比較。利用驗證數據分別檢驗兩模型的擬合度和穩定性。

五、結果討論

(一)PM2.5濃度日變化特征。圖1給出了周末、工作日與國慶節不同時期PM2.5濃度的日變化趨勢。從相似性角度分析,各時期細顆粒物污染日變化均具有明顯單峰分布特征,日平均波動幅度為37%,變化顯著。

圖1 鄭州市總體PM2.5濃度日變化趨勢及周末效應研究

從差異性角度分析,國慶節期間鄭州市整體細顆粒物污染日變化顯著,高出周末和工作日平均污染濃度的32.8%。通過單變量方差分析和成對比較,可以認為周末、工作日均與國慶節時期的PM2.5濃度均值有顯著差異,國慶節期間空氣污染更為嚴重。工作日與周末兩個時期在圖1中相比,PM2.5濃度表現出前者高后者低的現象，然而從統計學角度分析,兩者總體均值無顯著差異,尚不能認為鄭州市PM2.5濃度存在明顯“周末效應”。

(二)PM2.5濃度空間變化特征。采用IDW算法,對已知監測站進行插值,生成鄭州市PM2.5濃度連續曲面,進行符號化處理后得到鄭州市細顆粒物污染空間分布,并對9個測站數據進行統計分析。由數據可知,其中鄭紡機、經開區管委兩測站PM2.5平均濃度最高,位于遠郊的對比監測點崗里水庫,其平均PM2.5濃度并未隨距市中心的距離增大而降低,反而基本持平于觀測期間鄭州市109.4μg/m3的總體污染水平。結合本研究觀測時期特點,城郊及北部農村秸稈焚燒現象和崗里水庫附近的燒烤成風,均對該地區PM2.5濃度存在重要貢獻;市中心地帶受到燃煤供暖、密集交通影響,污染物排放增加的影響，且觀測期間鄭州市空氣對流運動弱,不易于污染物的擴散稀釋,造成了更為嚴重的二次污染。此外,觀測期間,鄭州市城區多處進行的地鐵施工、大型建筑施工等建設所產生的揚塵、水泥塵對PM2.5濃度貢獻也不容忽視。

(三)BP-ANN模型驗證。由Pearson相關系數可知除五日內降雨量因子外,其余因子均通過了顯著性檢驗(P<0.05)。結合具體氣象數據,表明PM2.5濃度在一定程度上受氣象條件影響,驗證了通過氣象數據預測細顆粒物污染程度的合理性。

為了更好驗證所構建BP-ANN模型的優劣,采用逐步回歸方法,在SPSS中構建多元線性回歸模型用于比較,其最優方程為

Y=132.053+0.821X1-6.637X2-0.055X3,(P<0.01)

式中:x1為由各測站計算出的整個鄭州市前一日PM2.5平均濃度(μg/m3),x2為風速(km/h),x3為平均海平面氣壓(hPa)。

分別將31組驗證數據帶入BP-ANN模型和逐步回歸模型,對各模型的預測值和實際監測值進行對比。

通過計算兩模型的評價指標發現(見表1),在建模階段,BP-ANN模型的擬合一致性指標取值表明在建模階段該取值更好地學習了樣本規律;在驗證階段,兩模型與觀測值的Pearson系數相近,但其平均偏差和均方根誤差均高于后者;分析整個過程,所構建的BP-ANN模型的預測結果與實際監測值的線性擬合能力(R2=0.759)優于回歸模型(R2=0.667)。綜上,所構建的BP神經網絡預測結果能更為精確地模擬鄭州市細顆粒物污染濃度的分布。

表1 BP-ANN預測模型的評價指標

通過對觀測期間鄭州市PM2.5濃度進行統計,結合氣象數據、基礎地理數據進行綜合分析,得到如下結論:1)觀測期間鄭州市PM2.5平均濃度為109.4μg/m3,超標率為64.2%，污染情況不容樂觀。2)鄭州市PM2.5濃度日變化呈單峰模式，國慶節污染程度顯著高于平日,表明人為活動的加劇影響PM2.5的排放;周末效應則不明顯。3)在氣象因素中,風速、相對濕度、平均海平面氣壓是影響鄭州市PM2.5濃度的主要因子,驗證了通過氣象數據預測細顆粒物污染程度的科學性。相對于傳統回歸模型,BP-ANN模型具備更好的短期預測能力。