(青岛大学 山东 青岛 266100)

一、引言

随着社会科学技术的发展，伴随着城市化进程的加速，污染气体的排放问题正在变得越来越严重，生态安全问题也日趋严重。这一切都在提醒我们关注空气质量健康，部分城市空气质量堪忧，当地地区以及人民深受其害。通过调查我们可以发现，中国地区pm2.5分布具有明显的时空变异特征，造成这种情况的因素有很多，比如排放源的分布，地形的差异，温度湿度的差别等。

过去的数十年内，国外方面对pm2.5展开了大规模的研究，研究内容包括pm2.5污染特征，pm2.5对人体能够造成的影响等方面。相应的国内方面主要的研究方向是污染特征，化学组成，源解析等，在这些方面做了大量研究并取得了一定成果。综合来看，越来越多的学者致力于空气污染的研究工作，数据主体正由城市和城市群转向全国和大区域，污染物类型也不断丰富。除了上述所说的污染气体有重要的影响作用外，气象条件也是影响空气质量的重要因素，综合已有的研究结论可知，气象条件的确影响细颗粒物的浓度，因此有必要对主要气象因素的不同影响程度进行定量研究。

本文对空气中的细颗粒物PM2.5浓度一年观测值进行建模，主要目的是研究污染气体排放浓度和气象条件对PM2.5浓度的影响。

二、Pm2.5的理论概述

(一)Pm2.5的含义。PM2.5是指大气中颗粒物直径小于或等于2.5m的颗粒物。PM是颗粒物的英文缩写，PM2.5数值越高.就标明空气污染越严重。

(二)PM2.5的来源。PM2.5主要来源于发电厂、工业生产、汽车尾气排放的残留物。主要来自机动车尾气，燃煤燃烧产生的烟尘、带有挥发性的有机物等。

(三)PM2.5带来的危害。1.公共危害。城市大规模的进行建设，城市俨然变成了工地，导致能见度很低，交通事故也频繁发生，严重危害了人民群众的生命财产安全。2.疾病危害。专家认为，PM2.5会对呼吸系统和心脑血管系统造成伤害，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。专家认为小于2.5μm的颗粒物，会引发哮喘、支气管炎等疾病，它们会损害血红蛋白偷送氧气的能力，从而产生严重的后果。

三、模型的选择和建立

(一)模型的选择。由各空气监测站PM2.5小时浓度计算对应时段郑州市总体污染水平,利用单变量方差分析方法,对郑州市PM2.5浓度日变化特征和周末效应进行研究。为降低缺失数据的干扰,对观测数据量少于12组的予以舍去。

(二)模型的建立。选择郑州市每日的平均气温、相对湿度、风速、平均海平面气压、日照时数5项因子,五日内降雨量、前一日的PM2.5浓度均值作为BP-ANN预测模型的输入因子,由各测站小时实测数据计算整个郑州市日平均PM2.5浓度,作为输出因子。数据来源自2018年8—12月,以日为单位共得到137组样本。随机抽取80%作为训练数据,用于构建模型;将剩余20%作为模型的验证数据。

四、二级神经网络具体实施步骤

(一)数据预处理。本研究即采用3层BP网络结构,通过模型自动寻优确定隐含层最佳节点数为14,构建PM2.5浓度BP神经网络预测模型结构,所有过程均通过Matlab编程实现。

(二)网络构建。对所构建的BP-ANN模型,通过拟合一致性指标(D)、平均偏差(MBE)、平均绝对误差(MAE)、均方根误差(RMSE)、相关系数(r)共5项因子进行模型评价。同时采用逐步回归方法,构建一个多元线性模型用于比较。利用验证数据分别检验两模型的拟合度和稳定性。

五、结果讨论

(一)PM2.5浓度日变化特征。图1给出了周末、工作日与国庆节不同时期PM2.5浓度的日变化趋势。从相似性角度分析,各时期细颗粒物污染日变化均具有明显单峰分布特征,日平均波动幅度为37%,变化显著。

图1 郑州市总体PM2.5浓度日变化趋势及周末效应研究

从差异性角度分析,国庆节期间郑州市整体细颗粒物污染日变化显著,高出周末和工作日平均污染浓度的32.8%。通过单变量方差分析和成对比较,可以认为周末、工作日均与国庆节时期的PM2.5浓度均值有显著差异,国庆节期间空气污染更为严重。工作日与周末两个时期在图1中相比,PM2.5浓度表现出前者高后者低的现象，然而从统计学角度分析,两者总体均值无显著差异,尚不能认为郑州市PM2.5浓度存在明显“周末效应”。

(二)PM2.5浓度空间变化特征。采用IDW算法,对已知监测站进行插值,生成郑州市PM2.5浓度连续曲面,进行符号化处理后得到郑州市细颗粒物污染空间分布,并对9个测站数据进行统计分析。由数据可知,其中郑纺机、经开区管委两测站PM2.5平均浓度最高,位于远郊的对比监测点岗里水库,其平均PM2.5浓度并未随距市中心的距离增大而降低,反而基本持平于观测期间郑州市109.4μg/m3的总体污染水平。结合本研究观测时期特点,城郊及北部农村秸秆焚烧现象和岗里水库附近的烧烤成风,均对该地区PM2.5浓度存在重要贡献;市中心地带受到燃煤供暖、密集交通影响,污染物排放增加的影响，且观测期间郑州市空气对流运动弱,不易于污染物的扩散稀释,造成了更为严重的二次污染。此外,观测期间,郑州市城区多处进行的地铁施工、大型建筑施工等建设所产生的扬尘、水泥尘对PM2.5浓度贡献也不容忽视。

(三)BP-ANN模型验证。由Pearson相关系数可知除五日内降雨量因子外,其余因子均通过了显著性检验(P<0.05)。结合具体气象数据,表明PM2.5浓度在一定程度上受气象条件影响,验证了通过气象数据预测细颗粒物污染程度的合理性。

为了更好验证所构建BP-ANN模型的优劣,采用逐步回归方法,在SPSS中构建多元线性回归模型用于比较,其最优方程为

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

式中:x1为由各测站计算出的整个郑州市前一日PM2.5平均浓度(μg/m3),x2为风速(km/h),x3为平均海平面气压(hPa)。

分别将31组验证数据带入BP-ANN模型和逐步回归模型,对各模型的预测值和实际监测值进行对比。

通过计算两模型的评价指标发现(见表1),在建模阶段,BP-ANN模型的拟合一致性指标取值表明在建模阶段该取值更好地学习了样本规律;在验证阶段,两模型与观测值的Pearson系数相近,但其平均偏差和均方根误差均高于后者;分析整个过程,所构建的BP-ANN模型的预测结果与实际监测值的线性拟合能力(R2=0.759)优于回归模型(R2=0.667)。综上,所构建的BP神经网络预测结果能更为精确地模拟郑州市细颗粒物污染浓度的分布。

表1 BP-ANN预测模型的评价指标

通过对观测期间郑州市PM2.5浓度进行统计,结合气象数据、基础地理数据进行综合分析,得到如下结论:1)观测期间郑州市PM2.5平均浓度为109.4μg/m3,超标率为64.2%，污染情况不容乐观。2)郑州市PM2.5浓度日变化呈单峰模式，国庆节污染程度显著高于平日,表明人为活动的加剧影响PM2.5的排放;周末效应则不明显。3)在气象因素中,风速、相对湿度、平均海平面气压是影响郑州市PM2.5浓度的主要因子,验证了通过气象数据预测细颗粒物污染程度的科学性。相对于传统回归模型,BP-ANN模型具备更好的短期预测能力。