广东肇庆大气影响评价中模糊类聚法的应用

傅远龙

(肇庆市环科所环境科技有限公司，广东 肇庆 526000)

1 引言

肇庆市地处广东省中西部，其地理坐标为北纬22°47′～24°24′、东经111°21′～112°，其东南部与佛山市相连，东北部及北部与清远市接壤，西南和云浮市相邻，西及西北与广西壮族自治区交界。肇庆市的空气质量在广东省排名榜中处于落后位置，由于地理环境和产业结构等原因，肇庆市大气污染防治形势十分严峻，改善压力巨大。主要空气污染物为SO2、NO2和颗粒物PM2.5。其主要原因是肇庆城区为盆地地形，受地形因素影响，污染物在不利气象条件下容易积累，难以稀释扩散，对空气质量产生较明显的影响;区域能源消费结构不尽合理，原煤占比接近60%。相关部门提出，要围绕提高大气环境质量，有利推进全市大气污染预防治理的针对性和有效性[1，2]。重点关注挥发性有机物和氮氧化物排放企业(玻璃、陶瓷等行业)的达标减排和整治工作。深入开展改善环境空气质量攻坚工作，实现优良天数比例力争达到90%以上，细颗粒物(PM2.5)年均浓度下降到36 μg/m3以下，力争环境空气质量全面达标[2]。

为了改善大气环境质量，必须对区域环境规划和管理进行深入研究。本研究以肇庆市2020年6个自动监测点(图1所示)的空气质量监测数据为基础，将模糊聚类分析方法应用于肇庆市大气环境功能区划。当环境质量/影响的综合分类包含多个参数时，可使用模糊聚类分析。在模糊聚类分析中，分类是由模糊关系决定的[3,4]。在建立模糊相似矩阵并稳定模糊关系后，可以开发动态聚类图。给定一个合适的阈值，就可以完成适当的分类。该方法相对简单，能够提供有价值的信息，以支持决策和改善环境管理[5]。

图1 空气质量自动监测点分布

2 模糊聚类分析方法

2.1 模糊聚类方法简介

众所周知，常用的聚类分析方法有：模糊聚类分析、灰色聚类分析、系统聚类分析等[5，6]。本文主要介绍模糊聚类分析方法及其应用。模糊聚类是指应用模糊数学方法，依据样本数量化性质进行合理分类的分析方法[7]。模糊聚类分析是模糊数学的一种应用，将数据元素划分为类或簇，以便同一类中的项目尽可能相似。但在实际的分类过程中，样本空间中存在多种元素属性，不同无量纲特征元素之间的界限不清，受物理约束，需要借助模糊数学分类的原理和方法。本文主要应用模糊聚类分析来评价肇庆市大气环境质量[8，9]。

2.2 模糊聚类评价方法的具体步骤

2.2.1 聚类样本组合和数据标准化

首先，将聚类对象进行样本规划，一般通过集合的形式进行表示，在大气环境质量监测中环境质量便是一个模糊的概念，而集合中的元素便是检测过程中的污染源。当n个监测点被分类时，需要对n个监测点进行分类。当收集设置为X=(X1，X2，…，Xn)的有限域时，每个点由第m个属性指示器来表征[9]。表示模糊关系的模糊矩阵Rij：

(1)

为了建立模糊相似关系，必须对原始数据进行标准化。将不同维度和污染指标整合到共同特征中，并在[0,1]中对原始数据进行归一化，以闭合区间为准。在本研究中，在不同的数据标准化方法中使用了单一污染指数方法，表达式为[10]：

Pi=Ci/Si

(2)

式(2)中，Pi为单项污染指数，Ci为实测污染浓度，Si为评价标准值。Si参考国家环境空气质量标准(GB3095-2012)[1]的二次浓度限值，见表1。

表1 大气污染物浓度限值

2.2.2 建立模糊相似矩阵

利用标准化数据，得到n个监测点之间的相似系数Rij。Rij是分类单元之间相似程度的指标。本研究采用欧几里德距离法[11,12]，数学模型表示为：

(3)

式(3)中，c是一个常数，它使得0≤Rij≤1，i，j=1，2，…，n。Rij是第i个监测点和第j个监测点之间的相似系数。由此，建立了模糊相似关系矩阵R。

2.2.3 模糊等价矩阵

建立的相似关系矩阵R应具有以下三个性质[10]：

(1)自反性：Rii=1，(i=1,2,…,m)。

(2)对称性：Rij=Rji。

(3)传递性：R。R∈R。

接下来，需要将R转化为模糊等价矩阵。根据数学定理，R是逐步求幂直到Rk=R2k，Rk是一个模糊等价关系矩阵[12]。

2.2.4 模糊聚类分析

选取合适的置信水平λ或阈值，对建立的聚类模糊等价关系矩阵进行操作。将满足阈值条件的值设置为1，不满足阈值条件的值设置为0。当其值由1降到0时，所分的类由细变粗，逐渐归为一类，绘制形成一个动态聚类图，由此完成聚类过程[13]。

3 模糊聚类分析在肇庆市大气功能区划中的应用

本研究的原始数据由肇庆市环境监测站于2020年监测，为日常监测数据。图1所示为选取的6个监测点(A至F)的分布情况，6个自动数据采集点较为均匀地分布在肇庆市的整个区域之内，能够较好地采集数据，为相关决策者提供指导[14]。月平均监测结果见表2。

表2 2020年月平均监测结果 mg/m3

为了使不同的污染物标准化，通过公式2计算Rij，得到新的矩阵R1获得：

(4)

使c为d值矩阵的最大元素。模糊相似矩阵R2为：

(5)

重复此步骤，直到Rk=R2k。最终矩阵为R3：

(6)

如果λ=0.179，可以看出在该水平上，采样点分为两类：{A，B，C，E，F}和{D}。一般而言，阈值λ值越大，表示分类元素之间的相关性越大，阈值λ值越小，表示分类元素之间的相关性越小[15]。

(6)

总体而言，当λ=0.179时，6个监测点根据实际情况分为两种基本类型，这种分类结果的原因与当地的产业结构布局和气候条件有关。根据模糊聚类分析理论，同一类别的监测区域的大气污染程度几乎相同，因此，对于同类区域，可以制定相同的环境政策措施，为大气环境分类治理提供有效方案。

4 结论与讨论

大气质量监测本身就是一项较为困难的项目，一方面，大气环境中所含污染物成分是动态变化的，只有通过更加密集的检测频率才能够获得实时的质量评价结果；另一方面，在进行污染程度评价的过程中，许多模糊类指标无法进行精确表述，而模糊聚类方法能够很好地解决这一问题。本文根据肇庆市2020年6个自动监测点的大气环境数据，采用模糊聚类分析方法，将肇庆市大气功能区划分为两类，实现了对其大气质量评价的目的。结果表明，将大气功能区划分为两类，这与区域实际情况相符。这种分类有助于区域环境规划和设计管理，并为未来的区域规划和政策制定提供指导。上述研究说明模糊聚类分析方法在大气质量评价中应用潜力巨大，能够为城市环境规划的全面改进提供科学依据。