BP神经网络天顶湿延迟与雾霾相关分析

章 红，高雅萍

(成都理工大学 地球科学学院，成都 610059)

BP神经网络天顶湿延迟与雾霾相关分析

章 红，高雅萍

(成都理工大学 地球科学学院，成都 610059)

为了进一步研究监测雾霾的方法，提出运用GPS手段进行雾霾监测：先对天顶湿延迟与PM2.5含量进行相关性分析；然后利用BP神经网络对雾霾天气进行预测，通过分析天顶湿延迟的变化趋势推导出雾霾的变化趋势。实验结果表明：雾霾与天顶湿延迟具有一定的正相关性，BP神经网络方法能够在一定程度上利用天顶湿延迟的含量变化预测雾霾的变化。

雾霾；BP神经网络；天顶湿延迟；PM2.5

0 引言

近些年来，我国的经济高速发展，但同时环境污染问题也日益突出。其中最突出的就是雾霾污染。在气象学中雾与霾是2种不同的概念，雾是由水汽凝结而成，霾则是由大量漂浮在空气中的颗粒物形成。雾的形成相对湿度大于90 %且能见度小于1 km，而霾的相对湿度大于80 %且能见度小于10 km。通常把相对湿度在80 %～90 %之间且能见度低于10 km的浑浊现象称为雾霾。雾霾主要组成为二氧化硫、氮氧化物和可吸入颗粒物。可吸入颗粒物是指空气动力学当量直径小于10 μm的颗粒物。空气动力学当量直径小于等于2.5 μm的颗粒物称为细颗粒物(particulate matter 2.5，PM2.5)。因为PM2.5能够长时间悬浮在空气中，所以PM2.5含量会直接影响到能见度和空气质量。

利用全球定位系统(globle positioning system，GPS)监测的数据可以进行大气可降水量(precipitable water vapor，PWV)的计算。随着GPS气象学的发展，国内许多学者利用GPS数据计算得到的PWV对雾霾进行研究。文献[1-2]利用GPS技术进行雾霾天气监测的探索。文献[3]利用GPS及格洛纳斯卫星导航系统(global navigation satellite system,GLONASS)组合精密单点定位技术监测北京地区雾霾对天顶对流层延迟的影响，得出雾霾发生时对流层延迟与雾霾程度有一定的相关性。文献[4]在空气质量良好的条件下对GPS水汽与PM2.5变化进行分析。文献[5-6]利用北京地区和西安地区资料将GPS水汽与雾霾进行对比分析。文献[7-12]研究不同季节的雾霾天气与GPS水汽含量的相关性，同时利用小波分析方法将GPS PWV与PM2.5进行比较研究。

1 天顶湿延迟与PM2.5相关性分析

用GPS的方法来探测空间水汽是一种新型的探测方法，目前这种方法广泛用于数值天气预报、气候监测等方面。GPS信号在穿过大气层时会受到大气折射延迟的影响，这些延迟分为2类，一类是电离层延迟，另一类是对流层延迟。电离层延迟可以通过双频或电离层模型观测予以减弱或消除。对流层天顶总延迟(zenith total delay，ZTD)是指GPS信号从天顶方向穿过大气层到达地面接收机的传播路径与理论路径的偏差。ZTD分为天顶干延迟(zenith hydrostatic delay，ZHD)和天顶湿延迟(zenith wet delay，ZWD)。ZTD等于ZHD与ZWD之和。ZHD可以通过地表气象参数利用模型来获得，计算ZHD的模型有hopfield模型、saastamoinen模型、black模型、EGNOS模型等。ZWD也可通过模型获取，但需要知道地面的水汽压，这样增加了地面气象要素和气象要素观测误差对湿延迟计算精度的影响，导致ZWD的计算精度不高。故ZWD可以利用ZTD减去ZHD获得，即天顶湿延迟可以写成ZWD=ZTD-ZHD。

为了分析ZWD与PM2.5的相关性，需要知道PM2.5的含量。本文选取的是2014-10北京市每小时的PM2.5含量数据。由于数据较多，选取2014-10北京的部分PM2.5含量数据，如表1所示。

表1 2014-10北京部分PM2.5含量 μg·m-3

本文的天顶总延迟数据是通过国际全球卫星导航系统(global navigation satellite system，GNSS)服务组织(International GNSS Service，IGS)网站下载得到的。IGS网站下载的BJFS站的ZTD的时间间隔为5 min，将其转化为时间间隔1 h的ZTD。由于IGS网站2014-10-15和2014-10-16 BJFS站的ZTD数据缺失，故2014-10 BJFS的ZTD数据只有29 d。ZHD的计算是采用saastamoinen模型通过Matlab编程计算得到。saastamoinen模型计算公式参照文献[13]。计算天顶干延迟所需的气象参数可以在IGS网站下载。由于IGS上的气象参数采样间隔为30 s，本文将1 h的气象参数平均值代入到天顶干延迟的计算模型中。在IGS网站下载的计算天顶干延迟所的部分气象参数如图1所示。

图1 IGS下载的部分气象参数

由于数据较多、篇幅限制，本文仅仅列出2014-10-1 BJFS站的ZTD、ZHD、ZWD结算结果，具体如表2所示。

表2 2014-10-1 BJFS站的对流层延迟解算结果 mm

在解算出ZHD、ZWD的值后，以时间为横坐标轴，分别绘制出PM2.5与ZTD、ZWD和ZHD的折线图，如图2～图4所示。

图2 PM2.5与ZTD

图3 PM2.5与ZHD

图4 PM2.5与ZWD

从图2～图4可以看出ZWD和ZHD与PM2.5都有一定的相关性。利用SPSS Statistics软件分别对ZTD、ZHD、ZWD与PM2.5 进行相关分析，得到相关系数Pearson系数和sig值：相应的Pearson系数分别为0.351、-0.415、0.453；相应的sig值为0.000、0.000、0.000。ZTD和ZWD的Pearson系数都大于0且sig值都小于0.01，ZTD和ZWD与PM2.5含量呈现正相关性；而ZHD的Pearson系数小于0且sig值小于0.01，ZHD与PM2.5含量呈现负相关。

2 BP神经网络

BP神经网络是基于误差逆向传播算法训练的多层前馈网络，每个神经元只前馈到下一层的所有神经元，没有层内联结、各层联结和反馈联结，在科学和工程领域得到广泛的应用。BP神经网络具有输入层、隐含层、输出层。BP神经网络结构如图5所示。

图5 BP神经网络结构

在这个神经网络结构图中输入值有i个，隐含层有j层，输出值为k个，输入层与隐含层之间的连接权为Wij，隐含层与输出层的连接权为Wjk。BP神经网络的实质是将输入和输出的一组样本转化成非线性优化问题，通过梯度算法利用迭代运算求解权值问题的一种算法。其主要学习过程分为2部分：第一部分是信息正向传播过程；第二部分是误差反向传播过程。在正向传播过程中，输入信息经过输入层、隐含层处理并传向输出层；如果输出层得不到期望的输出，则进入误差反向传播过程，将误差信号沿原来的路径返回，通过反复修改权值和阈值，使其达到期望的输出。

3 实验与结果分析

文献[14]是BP神经网络用于雾霾的预测，本文是运用BP神经网络以ZWD对PM2.5含量进行预测。由于IGS网站2014-10-15和2014-10-16 BJFS站的ZTD数据缺失，利用神经网络预测PM2.5含量时选取的时间段为2014-10-17至2014-10-31。将时间间隔为1 h的ZWD和PM2.5含量以取平均值的方式转化成时间间隔为1 d的ZWD和PM2.5含量。通过SPSS Statistics软件对ZWD和PM2.5含量进行相关性分析发现：PM2.5含量与当天和前一天的ZWD相关性较大。本文选取的神经网络结构如下：输入层分为2种情况，第1种情况输入层的训练数据为[98.34 140.49 116.23 89.30 108.30 110.62 104.26 111.54 39.34 92.89 112.63]'，其单位为μg·m-3，第2种情况输入层的训练数据为[62.84 98.34 140.49 116.23 89.30 108.30 110.62 104.26 111.54 39.34 92.89；98.34 140.49 116.23 89.30 108.30 110.62 104.26 111.54 39.34 92.89 112.63]'，其单位为g·m-3；输出层为PM2.5的含量；隐含层数的确定方法参照文献[15]中的Kolmogorov定理所给出的输入层神经数目与隐含层神经元数目的等量关系；隐含层的激活函数为tansig，输出层的激活函数为logsig；前11组数据为训练数据，后3组数据为测试数据。选取神经网络的结构图如图6～图7所示。

图6 第1种情况网络结构

图7 第2种情况网络结构

根据所选的神经网路结构，将2种情况分别运用Matlab软件进行编程计算，得到的结果如图8～图9所示。

图8 第1种情况运行的结果

图9 第2种情况运行的结果

分别对比图8～图9的预测值与期望值可知其虽有差别但变化的趋势基本一致。将期望输出的PM2.5含量与预测输出的PM2.5含量的差值除以期望输出的PM2.5含量再乘以百分之百，称为误差率。其2种情况的误差率如表3所示。

从误差率来看第2种情况预测的PM2.5含量总体较第1种情况好，即以2 d的ZWD为神经网络的输入层比1 d的ZWD为神经网络的输入层预测的PM2.5含量更准确。

表3 误差率

4 结束语

本文对ZTD、ZHD、ZWD与PM2.5含量的相关性进行分析，得出ZWD与PM2.5含量具有正相关性。使用BP神经网络对PM2.5含量进行预测，利用2014-10 BJFS站的ZWD和北京市的PM2.5含量数据，以ZWD为神经网络的输入层，PM2.5含量为神经网络的输出层，对PM2.5含量进行预测。预测的PM2.5含量与期望的PM2.5含量变化趋势基本一致。但此方法只能通过监测ZWD来预测PM2.5含量的变化趋势，尚不能准确预测PM2.5含量的大小。

[1] 吕旭阳.GPS技术用于雾霾天气监测的探索研究[D].西安：长安大学，2015.

[2] 李燕敏.地基GNSS反演技术在PM2.5监测中的初步探究[D].成都：成都理工大学，2015.

[3] 陈林，郭承军，范进伟.GNSS系统监测雾霾对天顶对流层延迟的影响[J].通信与网络，2016，42(4)：95-98.

[4] 刘严萍，王勇，李江波.北京APEC会议期间GPS水汽与PM2.5/PM10的相关性比较[J].灾害学，2015，30(3)：26-30.

[5] 张双成，李振宇，戴凯阳，等.北京地区GPS水汽变化与雾霾的相关性[J].测绘科学，2016(41)：43-47.

[6] 张双成，赵迎辉，戴凯阳，等.西安地区雾霾与GPS水汽的相关性分析[J].工程勘察，2016(3)：47-50.

[7] 王勇，刘严萍，李江波，等.不同季节的北京市GPS可降水量与PM2.5/PM10的比较研究[J].大地测量与地球动力学，2015，35(3)：365-367.

[8] 王勇，刘严萍，李江波，等.河北省GPS水汽与PM2.5质量浓度比较研究[J].大地测量与地球动力学，2016，36(1)：40-42.

[9] 王勇，刘严萍.基于小波分析的GPS PWV与PM2.5比较研究[J].大地测量与地球动力学，2016，36(5)：430-433.

[10] 王勇，闻德保，刘严萍，等.雾霾天气对GPS天顶对流层延迟与可降水量影响研究[J].大地测量与地球动力学，2014，34(2)：120-123.

[11] 王勇，刘严萍，李江波，等.GPS和无线电探空的水汽变化与PM2.5/PM10变化的相关性研究[J].武汉大学学报(信息科学版)，2016，41(12)：1626-1631.

[12] 王勇，刘严萍.地基GPS气象学原理与应用研究[M].北京：测绘出版社，2012.

[13] 文鸿雁，何美琳，潘元进.区域延迟模型在CORS站反演水汽中的应用[J].测绘科学技术学报，2012，29(6)：406-409.

[14] 艾洪福，石莹.基于BP人工神经网络的雾霾天气预测研究[J].计算机仿真，2015，32(1)：402-405.

[15] 焦斌，叶明星.BP神经网络隐层单元数确定方法[J].上海电机学院学报，2013，16(3)：113：116.

CorrelationanalysisbetweenzenithwetdelayandhazebyBPneuralnetwork

ZHANGHong，GAOYaping

(College of Earth Sciences，Chengdu University of Technology，Chengdu 610059，China)

In order to further study on the technological methods of mornitoring haze，the paper proposed to use GPS in the supervision：the correlation between zenith wet delay and PM2.5 contents was analyzed，and the hazy weather was predicted by using BP neural network，and the changing trend of haze was deduced through analyzing that of zenith wet delay.Experimental result showed that there existed a positive correlation between haze and zenith wet delay，and the BP neural network method could predict the change of haze by analyzing the content change of zenith wet delay to some extent.

haze；BP neural network；zenith wet delay；PM2.5

2017-04-07

章红(1991—)，男，安徽铜陵人，硕士研究生，研究方向为GPS数据处理。

章红，高雅萍.BP神经网络天顶湿延迟与雾霾相关分析[J].导航定位学报，2017，5(4)：46-50.(ZHANG Hong，GAO Yaping.Correlation analysis between zenith wet delay and haze by BP neural network[J].Journal of Navigation and Positioning，2017，5(4)：46-50.)

10.16547/j.cnki.10-1096.20170410.

P228

A

2095-4999(2017)04-0046-05