基于BP神经网络的西安环境空气质量的预测

闫 妍，张云鹏，李铠月，杨光美

（西北工业大学 机电学院， 陕西 西安 710072）

近年来，随着我国经济社会的快速发展，以煤炭为主的能源消耗大幅攀升，机动车保有量急剧增加，西安地区氮氧化物（NOx）和挥发性有机物（VOCs）排放量显著增长，臭氧（O3）和细颗粒物（PM2.5）污染加剧，在可吸入颗粒物（PM10）和总悬浮颗粒物（TSP）污染还未全面解决的情况下，由于西部大开发进程的日益推进，众多企业纷纷在西安投资兴建，加之机动车迅猛增加，汽车尾气排放量加大，使得二氧化硫、二氧化氮、PM10、PM2.5、臭氧和一氧化碳等污染加重，灰霾现象频繁发生，能见度降低，环境空气质量评价以及污染治理等问题再一次引起大众的关注。通过污染物监测项目，加严部分污染物限值，客观反映我国环境空气质量状况，推动大气污染防治；并且通过空气污染指数（API）判断空气质量[1]。

近年来迅速发展的人工神经网络，由于具有人脑思维的特点和具有自学习、自适应及自组织的功能，应用于模式分类与识别有适应性强、客观性好的优点，已广泛地用于系统控制和预测等方面。通过运用人工神经网络的多层神经网络对大气污染物浓度的实测值及其相关因子进行训练学习，从而建立大气污染物浓度与其在大气中的限制因子的相关模型，再用此模型对大气污染物浓度进行预测预警，以达到对大气环境质量进行预测预警的作用[2]。

1 西安空气质量状况分析

1.1 采用API和AQI对西安市的空气质量进行评价

API空气污染指数，是国家旧的空气质量评价体系，只包括二氧化硫、二氧化氮和PM10三种污染物。AQI：空气质量指数，是新修订的《环境空气质量标准》中空气质量评价体系，包括6种污染物：二氧化硫、二氧化氮、PM10、PM2.5、臭氧和一氧化碳[3]。

1.2 分析影响西安市空气质量的原因

将空气质量功能区分为三类，通过对三类区的分析比较，选取了比较有代表性的三类区：一类区为自然风景保护区；二类区为拥有众多高校及居民院所；三类区为拥有众多工厂的区域。对环境空气质量的三类区相应的三类标准及其污染物浓度、工业增加值等数据进行定量分析，对比。根据分析结果，绘制相关图表及表格，进一步讨论空气污染指数（API）和环境空气质量指数（AQI）的变化对西安市空气质量影响，并分析影响空气质量的原因。

1.3 预测未来一周西安市空气质量状况

为预测未来一周西安市空气质量状况，结合天气原因（风力、风向、气温、是否降水等）运用BP人工神经网络的多层神经网络对全市大气污染物浓度的实测值进行训练学习，建立模型。再结合未来一周西安市天气预报，用此模型对污染物浓度进行预测和预报，以达到对大气环境质量进行预测预警的作用，由此预测未来一周空气质量的状况。

2 模型的建立与求解

2.1 AQI与API模型的建立

影响空气质量分指数及对应的污染物浓度限值如表1所示。

一般，数据的无量纲化处理有标准差方法、极值差方法和功效系数方法。此处影响空气质量因素的污染物浓度值根据AQI技术规定空气质量分指数的将指标量纲化，利用插值方法计算相应的AQI与API[4]。

污染物项目P的空气质量分指数按下式计算

式中：IAQIP——污染物项目P的空气质量分指数；

Cp——污染物项目P的质量浓度值；

BPHi——表中与Cp相近的污染物浓度限值得高位值；

BPLo——表1中与Cp相近的污染物浓度限值得低位值；

IAQIHi——表1中与BPHi对应的空气质量分指数；

IAQILo——表1中与BPLo对应的空气质量分指数。

总的空气质量分指数按下式计算：

式中：AQI——空气质量分指数

n——污染物项目

API与AQI的计算方法类似，区别仅在于检测污染物项目较少，因此不再赘述。

表1 空气质量分指数及对应的污染物项目浓度限值Tab.1 Air quality index and corresponding pollutant’s item concentration limit

2.2 AQI与API模型的结果

由Matlab软件求解得到2013年西安空气质量分指数指标如图1和图2所示，密集点的横坐标表示 2013年已知的各种污染物的浓度，纵坐标表示根据AQI与API模型计算得到的相应结果。折线为表1对应的关系折线。

由图1和图2可以看出，计算结果与国家标准完全吻合，即程序正确合理，结果准确可靠。根据实测数据绘制AQI与API图形如图3和图4所示。

由图3和图4可知，影响空气质量的主要因素为PM2.5与PM10，其中PM2.5更为显著。由AQI与API所呈结果可知影响空气质量的污染物主要为颗粒物，而并非氧化性污染物。在利用API进行空气质量评估时，忽略了PM2.5的影响，由上述分析可知，PM2.5对空气质量的影响比PM10更为显著，因此利用API进行空气质量评估不够客观准确，需要利用AQI进行空气质量评估，重点监测PM2.5及PM10的含量变化。

3 神经网络预测模型

人工神经网络是一种模仿人类神经系统的数学模型，对于任意一种随机数据，都可应用人工神经网络进行系统分析，做出拟合预测[5]。

图1 2013年西安空气质量分指数指标PM2.5Fig.1 PM2.5 of Xi’an AQI in 2013

图2 2013年西安空气质量分指数指标NO2Fig.2 NO2 of Xi’an AQI in 2013

图3 2013年西安市环境空气质量指数（AQI）变化曲线图Fig.3 Curve chart of AQI Change of Xi’an in 2013

图4 2013年西安市空气污染指数（API）变化曲线图Fig.4 Curve chart of API change of Xi’an in 2013

为了预测未来一周西安市空气质量状况，根据影响西安市空气质量的分析结果，可能影响空气污染物的气象参数包括：最高温度（Tmax）、最低温度（Tmin）、风向（θ）、风力（v）、天气状况（H）。其中，风向（θ）经正弦、余弦转换成2个变量sinθ和cosθ，即将风向分别转换为东西方向与南向方向2个变量；天气状况（H）作为双变量使用，令H=0代表无降雨，H=1代表有降雨。

将上述参数作为输入矩阵P，2013年实测污染物浓度作为输出矩阵T，建立含有一个隐含层的神经网络模型，并对此模型进行训练。模型示意图5所示[6]。

图5 模型图Fig.5 Diagrammatic figure

将西安市2013年定性化气象数据用上述方法进行量化，作为神经网络的输入层，把2013年西安市污染物浓度数据作为输出层，利用Matlab建立BP神经网络。

利用Matlab建立BP神经网络对空气质量进行预测，其结果如图6所示[6]。

图6 PM2.5的训练数据与实际数据相关性Fig.6 Data dependency between training data and real data of PM2.5

4 结 论

充分利用所建公式，建立分段函数，直观的反映出各个污染物对环境影响的关系。在预测中建立的神经网络模型具有非线性映射，自学习自映射能力，能自动提取数据，输出数据间的合理规则，从而做出预测。运用BP人工神经网络[7]的多层神经网络对西安市大气污染物浓度的实测值进行训练学习，建立模型。同时结合未来一周西安市天气预报，用此模型对污染物浓度进行预测和预报，以达到对大气环境质量进行预测预警的作用。虽然神经网络算法的收敛速度较慢，数据较多，处理起来有些困难。但该模型在数据的对比与预测中还较为成功，可见模型的适用性较好，可将模型推广到水质评测，土壤品质等各个方面的问题。推广应用人工神经网络系统，对大气环境质量的综合评价和预测预警具有普遍意义。根据所建模型，进行对比及预测，从而对环保部门提出相关建议。

[1]巩芳，陶鹤争.基于BP—GM的工业污染生态安全预警系统研究[J].资源开发与市场，2013，29（3）：237-239，298.

GONG Fang，TAO He-zheng.Research on BP-GM earlywarning system of industrial pollution ecological security[J].Resource Development＆ Market，2013，29（3）：237-239，298.

[2]李德志，李彦涛，李峰.人工神经网络在区域短期大气环境质量预测预警中的应用[J].公用工程设计，2010（7）：74-77.

LI De-zhi，LI Yan-tao，LI Feng.Short-term predictionand warningofregionalatmospheric environmentalqualityby artificial[J].Public Engineering Design，2010（7）：74-77.

[3]吉祝美.环境空气质量标准新标准解读[J].污染防治技术，2012，25（6）：67-69.

JI Zhu-mei.The interpretation of the last ambient air quality standards[J].Pollution ControlTechnology，2012，25 （6）：67-69.

[4]陈新，刘晓冬，宋旭.API法及其在城市大气环境质量评价中的应用[J].黑龙江八一农垦大学学报，2006，18（1）：89-92.

CHEN Xin，LIU Xiao-dong，SONG Xu.API method and the application in atmosphere environment evaluation[J].Journal Heilongjiang August First Land Reclamation University，2006，18（1）：89-92.

[5]杜先君，余萍，王强.结合神经网络的一般模型控制策略研究[J].工业仪表与自动化装置，2013（1）:12-14.

DU Xian-jun，YU Ping，WANG Qiang.StudyonGMC combined with neural network control strategy[J].Industrial instrumentation ＆ automation，2013（1）:12-14.

[6]石灵芝，邓启红，路婵，等.基于BP人工神经网络的大气颗粒物PM10质量浓度预测[J].中南大学学报：自然科学版，2012，43（5）：1969-1974.

YAN yan，Lai KAI-yue，YANG Guang-mei.Prediction of PM10 mass concentrations based on BP artificial neural network[J].Journal of Central South University：Science and Technology，2012，43（5）：1969-1974.

[7]周铁军，顾晓辉，吕艳新.基于BP神经网络的地震动信号识别[J].现代电子技术，2012，35（10）：100-102.

ZHOU Tie-jun，GU Xiao-hui，LV Yan-xin.Recognition of ground vibration signal based on BP neural network[J].Modern Electronics Technique，2012，35（10）：100-102.