（交通信息工程及控制专业论文）人工神经网络在城市空气质量预报中的应用研究.pdf

中山大学硕士学位论文 人工神经网络在城市空气质量预报中的应用研究 专业：交通信息工程及控制 硕士生：谢敏 指导教师：蔡铭副教授 刘永红博士 摘要 目前，国内外的大中城市空气质量逐渐恶化，严重灰霾、光化学污染等空气污染突 发事件时有发生，人们希望通过空气质量预报了解当天或者未来一段时间内的空气质量 状况，及时调整出行或采取有效的应对措施。 由于机动车尾气的排放，城市主干道周边是空气污染最为严重的区域之一，预测其 空气污染物浓度对指导居民出行和预防空气质量恶化有重要的意义。而区域性的整体空 气质量对城市人口生活质量的影响也相当大，所以城市一般点的空气质量预报也十分必 要。 空气质量预报方法的研究和应用在国内外仍处于发展阶段。一般的预报方法有数值 计算模型和统计模型等。数值计算模型输入参数复杂、难以获取，并且数据量大、计算 时间长；而一般统计模型则难以模拟空气污染隐含的非线性特性。针对这些问题，本文 提出了一种基于神经网络模型的空气质量预报方法。论文从城市路边点空气质量预报和 城市一般点空气质量预报两个方面展开模型研究。 首先，利用人工神经网络对城市主干道周边多种机动车污染物的小时平均浓度进行 预测。将影响机动车污染物浓度的因素分为交通因素、背景浓度因素、气象因素和地理 因素四类，其中，以车流量小时系数来表示交通因素。然后进行三次路边自动监测实验 获得影响因素数据和污染物浓度数据，再用这些数据分别建立和检验可用于预测污染物 小时浓度值的b p 神经网络，最后与多元线性回归模型、美国加州c a l i n e 4 模型的预 测值进行对比，结果表明神经网络的预测精度较高。 第二，对于城市一般点空气质量的预报，考虑到模型的适用性，采用了常规的气象 预报参数作为模型的输入，包括风向方位、风速等级、雨量等级、云量等级、温度及湿 度，同时也考虑了背景浓度的影响。经过分季节的处理，以夏季模型和非季节模型为例， 人工神经网络在城市空气质量预报中的应用研究 通过分别建模、检验，使用气象局公布的实际天气预报数据作为输入，进行污染物浓度 日均值预测，实际检验了模型的预测效果。最后采用国家规定的空气质量日报预报精确 度评分，对两种模型进行比较。结果显示夏季模型的预报精确度评分高于非季节模型。 第三，基于气象因素对污染物扩散和浓度分布起关键作用的考虑，提出了基于气象 相似性的模型构建方法。采用动态划定气象数据子集的方法，来选取预报模型的训练样 本集合，从而缩小训练样本的范围，在数据量足够的情况下可以提高模型的预测精度。 研究中发现训练样本数据量对预报效果的稳定性存在较大的影响。 关键词：人工神经网络；空气质量预报；污染物浓度；车流量小时系数；气象相似性 中山大学硕士学位论文 r e s e a r c ho nu s i n ga n i f i c i a ln e u r a ln e t w o r kf o ru r b a na i rq u a l i t y p r e d i c t i o n m 勾o r ：t r a m ci n f o 锄a t i o ne n g i n e e r i n ga n dc o n t r o l n a m e ：x i em i n s u p e r v i s o r ：a s s o c i a t ep r o f e s s o rc a im i n g d e n g l i uy o n 曲o n g a b s t r a c t i np r e s e n t ，t h ea i rq u a l i t yi sb e c o m i n gw o r s ea n dw o r s ei nl a r g ec i t i e sb o t hh o m ea i l d a b r o a d s e v e r eh a z ep r o b l e ma n dp h o t o c h e m i c a la i rp o l l u t i o nh a p p e no c c a s i o n a l l y t h u s p e o p l e e x p e c tt ok n o wt h ei n 仃a d a yo r 缸u r ea i rq u a l i 够恤o u 曲a i rq u a l i t yf o r e c a s t ，a n da d j u s t t h e i rs c h e d u l eo rt a k es o m ev a l i da c t i o n 。 d u et o 也ev e h i c u l a re x h a u s t ，a i rp 0 1 l u t i o ni sv e r ) rs e r i o u sn e a ra n e r i a l s p r e d i c t i n ga i r p o l l l l 切mc o n c e n t r a t i o n sn e a ra n e r i a l si so fp r a c t i c a ls i g n i f i c a n c ei ng u i d i n ga u t h o r i t i e st o d e r i v ea i rp o i l u t i o np r e v e n t i o np o l i c i e sa n dr e s i d e n t sf o rt t l e i rt r i p - m a k i n gd e c i s i o n s m e a i l w h i l e ，t h eg e n e r a la n dt e r r i t o r i a la i rq u a l i t ) ，c a na f i f e c tm ec i t i z e n s l i f eq u a l i t ) r ，s oi t i s a l s oi m p o 吨u l tt op r e d i c tt 1 1 ea i rq u a l i t yo fr e g u l a ru r b a ns i t e s t h ea i rq u a l i t yp r e d i c t i o nm e t h o d sa r es t i l ld e v e l o p i n ga r o u n dt h ew o r l d i ng e n e r a l ， 硼m e r i c a lm o d e l sa 1 1 ds t a t i s t i cm o d e l sa r et w oo ft h em o s tr e g u l a rp r e d i c t i o nm e t h o d s t h e i n p u tp a r a m e t e r so fn 唧e r i c a lm o d e l sa r ec o m p l e xa n dh a r dt oo b t a i n ，a n di tn e e d sl a r g e a m o u n to fd a ：t aa n dv e r yl o n gt i m et on m a n di ti sh a r dt os i m u l a t et h en o n l i n e a rc i l a r a c t e ro f a i rp 0 1 l u t i o nw i t hn o m a ls t a t i s t i c a lm o d e l s t oa v o i dt h e s ep r o b l e m s ，a 1 1a i rq u a l 埘p r e d i c t i o n m e t h o db a s e do na n i f i c i a ln e u r a ln e t v 旧r ki sr e p r e s e n t e di nt h i sp a p e r r e s e a r c hi nm i sp 印e r i sg e n e r a l l yo nt h ed i f f e r e ma i rq u a l i t yp r e d i c t i o nm o d e l sf o r b o t l lu r b a nr o a d s i d ea i l dr e g u l a r s i t e s f i r s t l y ，t h i sp 印e r 印p l i e sa n i f i c i a ln e u r a ln e 铆o r k 印p r o a c ht op r e d i c ts o m e 、e l l - k n o w n a i rp o l l u t a n t s h o u r l yc o n c e n t r a t i o n sn e a ra i lu r b a na r t e r i a l f a c t o r sm a ti n n u e n c ep o l l 删 c o n c e n t r a t i o n sa r ec l a s s 砺e di n t 0f o l l rc a t e g o r i e s ：t r a 伍e r e l a t e d ，b a c k g r o u n dc o n c e n t r a t i o n ， m e t e o r o l o g i c a la n dg e o 伊a p h i c a lf a c t o r s a n dt r a 衔c - r e l a t e d f 乱o r sa r ee x p r e s s e da l st l l e c o e 贩c i e mo fh o u r l yt r a m cv o l 啪e t h eh o u r l ya v e r a g e so ft h e s ei n f l u e n t i a lf a c t o r sa n d p o l l u ta n _ tc o n c e m r a t i o n sw e r em e a s u r e da tt h r e es e l e c t e ds i t e sn e a rm ea r t e r i a lu s i n gv e k c u l a r i i i 人丁神经网络在城市空气质鼍预报中的应用研究 a u t o m a t i cm o i l i t o r i n ge q u i p m e n t m o d e l sb a s e do nb a c k p r o p a g a t i o nn e u r a ln e t 、o r k 、e r e t r a i n e d ，v a l i d a t e da n dt e s t e du s i n gt h ec o l l e c t e dd a t a ac o m p a r i s o ns t l l d ys h o w st h a tt h e n e u r a ln e 铆o r km o d e lp e r f o m l sb e t t e rt h a l lam u i t i p l ei i n e a rr e g r e s s i o nm o d e la n dt h e c a l i f o m i al i n es o u r c ed i s p e r s i o nm o d e l s e c o n d l y ，c o n s i d e r i n gt h e 印p l i c a b i l i t yo ft h ea j rq u 2 l l i t ) rp r e d i c t i o nm o d e lf o rt h er e g u l a r u r b a ns i t e s ，s o m er o u t i n ef o r e c a s t e dm e t e o r o l o g i c a lf a c t o r sw e r eu s e da sm o d e li n p u tu 1 1 i t s ， w l l i c hi n c l u d ew i n dd i r e c t i o na z i m u t l l ，、忻n ds p e e d 伊a d e ，r a i n f a l lg r a d e ，c l o u dv 0 1 u m eg r a d e ， t e m p e r a t u r ea n dh u m i d i t ) r b a c k g r o u n dc o n c e n t r a t i o nw a sa l s oc o n s i d e r e d b yc l a s s i 母i n g d a t aw i t hd i f i f e r e n ts e a s o n s ，as u m m e rm o d e la i l dan o n - s e a s o nm o d e lw e r ee s t a b l i s h e da n d v a l i d a t e d w i mt h ea c t u a lw e a t h e rf o r e c a s td a 唿p u b l i c i z e db ym e t e o r o l o g i c a lb u r e a u ，t h e p r a c t i c a lp r e d i c t i o ne f f e c to ft h et w om o d e l sw e r ev a l i d a t e d ac o m p 撕s o ns t u d yu s i n gt h e n a t i o n a ls p e c i f i e da i rq u a l i t yp r e d i c t i o np r e c i s i o ng r a d e ss h o w st h a tt l l es u m m e rm o d e lg a i n s h i g h e r 伊a d et h a i lt h en o n s e a s o nm o d e l t m r d l y ，b a s e do nt h et h o u g h tt h a tm e t e o r o l o g yi sad o m i n a n tf a c t o rm a ti n n u e n c e s p o l l u 讹td i s p e r s i o na n dc o n c e n t r a t i o nd i s t r i b u t i o n ，am o d e lc o n s t r u c t i o nm e t h o db a s e do n m e t e o r o l o g ys i m i l 撕够i sr e p r e s e n t e d b yd i v i d i n gm e t e o r o l o g yd a t ai n t os u b s e t sd y n a m i c a l i y ， t h e 倾i n i n gd a t as e to fp r e d i c t i o nm o d e l sw e r em a d eu pa n dl i m i t e dt 0t h e s es u b s e t s p r e d i c t i o na c c u r a c yc a l lb ei m p r o v e dw i t hs u 瓶c i e n tt r a i n i n gd a t a r e s e a r c hs h o w st h a tm e s c a l eo f t r a i n i n gd a t as e tm a k e sag r e a ti m p a c to np r e d i c t i o ns t a b i l i 够 k e yw o r d s ：a r t i f i c i a ln e u r a in e t w o r k ：a i rq u a h 够f o r e c a s t ；p o 玎u t a n tc o n c e n t r a t i o h ； c o e f f i c i e n to fh o u r l yt r a m c v o l u m e ；m e t e o r o l o g ys i m i l a r n y i v 中山大学硕士研究生学位论文 论文原创性声明内容 本人郑重声明：所呈交的学位论文，是本人在导师的指导下， 独立进行研究工作所取得的成果。除文中已经注明引用的内容外， 本论文不包含任何其他个人或集体己经发表或撰写过的作品成 果。对本文的研究作出重要贡献的个人和集体，均已在文中以明 确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名：佛敬 日期：伽侔占月f 日 中山大学硕士研究生学位论文 学位论文使用授权声明 本人完全了解中山大学有关保留、使用学位论文的规定，即： 学校有权保留学位论文并向国家主管部门或其指定机构送交论文 的电子版和纸质版，有权将学位论文用于非赢利目的的少量复制 并允许论文进入学校图书馆、院系资料室被查阅，有权将学位论 文的内容编入有关数据库进行检索，可以采用复印、缩印或其他 方法保存学位论文。 学位论文作者签名：i 黔孜 日期：弘力7 年占月f 日 导师签名：孽铭当一乙5 日期：2 纡月f 日 中山大学硕士学位论文 第一章绪论弟一早珀下匕 1 1 研究背景及意义 随着工业及交通运输业的不断发展，大量的有害物质被排放到空气中，改变了空气 的正常组成，使空气质量变坏，人们健康和生活质量受到了不良影响，因此空气质量状 况日益成为群众注目的环保焦点。 污染物浓度是考察城市空气质量的一个重要指标，通过预测污染物浓度来预报空气 质量状况，不仅可为制定各项控制措施提供量化的参考，而且可为环境管理和交通规划 提供理论依据。目前，随着环境监测工作的发展，我国有近7 0 个城市建立了城市空气 质量自动监测系统，建成1 1 0 多个城市空气质量自动监测点、5 0 个乡村空气质量自动监 测点和6 个国家空气质量自动监测背景点，用以监测各项空气污染物的实时浓度。所有 地级市全部实现空气质量自动监测。空气质量周报已经逐步发展为空气质量日报，在1 0 0 个环境保护重点城市逐步开展空气质量预报工作。最终将使得有关部门和广大公众对城 市的空气质量情况做到像天气预报一样事先“早知道”，对可能出现的空气污染采取及 时、有效的防范措施。 然而，当前国内的空气质量预报业务尚处于发展阶段，各个城市均从自身实际业务 出发，独立开发了一定水平的预报系统，采用的方法各种各样且无统一标准。例如安阳 市同时选用统计预报和数值预报两种模式进行空气质量预报，在2 0 0 5 年1 月9 月期间 预报p m l o ( 可吸入颗粒物) 浓度的准确率为7 4 7 0 【l 】。福建省永安市建立了时间系列 分析模型和逐步回归预报模型，通过2 0 0 7 年1 6 月的业务试运行预报等级准确率为 7 7 3 ，预报指数精确度评分为8 6 4 ，平均逐同质量评分为7 8 2 1 2 j 。根据全国4 7 个重点 城市从2 0 0 1 年6 月5 日2 0 0 4 年1 2 月3 1 日的空气质量预报和日报的结果对比分析表 明，空气质量指数预报准确率范围为2 3 4 3 8 1 1 5 ，总体准确率为4 8 3 7 ，级别预 报准确率较高，范围为4 9 2 3 9 3 8 7 ，总体准确率达7 4 7 8 附引。总体来说，预测精 度还有待提高，并且未见将神经网络方法应用到空气质量预测的实例，有必要尝试采用 神经网络方法对城市空气质量预报问题继续做深入的研究。 人工神经网络在城市空气质鼍预报中的应用研究 另外，随着机动车数量的逐年增加和城市建设的逐步推进，交通繁忙的城市主干道 附近的空气质量受机动车尾气排放的影响十分严重，研究和预测城市路边空气污染物的 浓度能为民众的具体和临时的出行提供参考。 近年来，我国机动车保有量持续迅猛增长，2 0 0 7 年底全国机动车保有量为1 5 9 亿 辆，比2 0 0 6 年底增加了1 4 5 5 万辆，增幅为1 0 0 2 【4 j 。到了2 0 0 8 年9 月底，全i 马机动 车保有量为1 6 8 亿辆，比2 0 0 7 年底增加了8 2 5 5 万辆，增长5 1 7 【5 j 。而对于珠江三角 洲的情况，国家交通部发布的泛珠江三角洲区域合作公路水路交通基础设施规划纲要 中提到，预计到2 0 2 0 年泛珠江三角洲区域汽车保有量将达到3 7 0 0 万辆左右，是2 0 0 5 年底的5 倍，其中，预计到2 0 2 0 年珠江三角洲地区的区域汽车保有量将达到1 ，2 0 0 万辆 左右，是2 0 0 5 年底的6 倍多【6 。 于此同时，机动车尾气已逐渐成为许多城市大气污染的主要来源之一。例如，2 0 0 6 年，兰州市机动车尾气排放对c o ( 一氧化碳) 的分担率达到了9 0 以上，n o x ( 氮氧化 物) 的分担率达到2 5 以上，h c 排放也在以每年约1 0 左右的速度增长r 丌。在上海市中 心城区，机动车尾气对n o x 的排放分担率达8l 【8 j ，浓度贡献率为8 6 ；长春市机动车尾 气n o x 排放总量分担率为3 4 8 ，且呈逐年上升的趋势【9 】。南京市机动车尾气对p m l o 的贡 献在2 0 0 6 年达到1 3 ，是颗粒物污染的重要源类，而且机动车还排放氮氧化物、挥发性 有机物等污染物1 1 0 】。2 0 0 2 年以来，珠江三角洲地区的p m l o 污染日趋严重，一定程度上导 致了使空气质量和能见度下降的灰霾灾害天气的泛滥【1 1 1 。 由于空气污染物的时空分布受到气象场、排放源、复杂下垫面、理化过程的耦合等 多种因素的影响，具有较强的非线性特性。传统的模式方法，如高斯扩散模式，主要应 用于开阔道路、平坦区域( 例如高速公路) 等环境下的稳定状态下的中、长期的污染扩 散模拟，不适用于具有非线性特性的路边机动车尾气污染模拟与预测，也不适用于排放 源无法全面掌握的情况下的城市一般地点空气质量预测。而神经网络方法为解决非线性 问题提供了个良好的工具，同时也不需要完整的排放源强信息。因此，本文旨在通过 建立一个结构更为合理的神经网络，分析影响空气污染物浓度的主要因素，对多种污染 物的浓度进行模拟和预测。本文将从城市一般地点及路边点的空气质量预报这两个方面 进行研究，针对这两种环境各自的特点，来开展空气质量预报模型的研究及应用。 1 2 城市空气质量预报的发展现状 1 2 1 国内外城市空气质量现状 ( 1 ) 国外城市的空气质量现状及危害研究 中山大学硕士学位论文 对于国外经济发达的大城市，空气污染是一个不可以避免的问题。在美国，每年因 为空气污染引起的相关疾病的治疗代价达到1 5 0 0 亿美元。在英国伦敦，每年的n 0 2 ( 二 氧化氮) 和颗粒物浓度都不能达标i l2 1 ，且超过一半的伦敦人认为空气质量是伦敦面临的 严重问题u 引，其中更有多于三分之二的人相信恶劣的空气质量影响了他们的生活质量 【1 4 】 o 在美国，许多学者致力于研究空气污染流行病学，大量的研究报告了空气污染与人 群健康损害的关系。美国学者d o u g l a sw d o c k e 巧对美国六个大城市8 0 0 0 多名成年人 1 6 年进行跟踪研究，认为细微颗粒物污染或者说一种更复杂的与颗粒物有关的混合污染 物对“过度的 死亡率有主要的贡献l l 引。另外也有研究表明，住在主要道路附近的人群 死于心肺疾病危险性更耐怕】。 ( 2 ) 国内城市的空气质量现状 近几年的全国环境状况公报均显示，颗粒物是影响我国城市空气质量的主要污染 物，而大城市二氧化氮浓度相对较高。全国大气环境质量总体呈好转趋势，但形势依然 严峻。 中华人民共和国环境保护部公布的2 0 0 7 年中国环境状况公报【l 。7 】显示，全国地 级及以上城市( 含地、州、盟首府所在地) 空气质量达到国家一级标准的城市占2 4 ， 二级标准的占5 8 1 ，三级标准的占3 6 1 ，劣于三级标准的占3 4 。其中，颗粒物年 均浓度达到二级标准的城市占7 2 0 ，劣于三级标准的占2 2 。二氧化硫年均浓度达到 二级标准的城市占7 9 1 ，劣于三级标准的占1 2 。所有地级及以上城市二氧化氮年均 浓度均达到二级标准，8 6 9 的城市达到一级标准。2 0 0 7 年，1 1 3 个环境保护重点城市 空气质量保持稳定，空气质量达到二级标准的城市占4 4 2 ，三级的占5 4 9 ，劣于三 级的占o 9 。与2 0 0 6 年相比，劣于三级的城市比例降低6 2 个百分点。 大量的空气污染物来源于各种工业排放，国家在不断地推行节能减排政策和措施， 取得的一定的效果，但是依然需要继续加大力度。根据全国环境统计公报( 2 0 0 7 年) 的统计数据，2 0 0 7 年，全国废气中二氧化硫排放总量2 4 6 8 1 万吨，比上年减少4 7 。 其中，工业二氧化硫排放量占8 6 7 。烟尘排放总量9 8 6 6 万吨，比上年减少9 4 。其 中，工业烟尘排放量7 8 2 。工业粉尘排放量6 9 8 7 万吨，比上年减少1 3 6 。 1 2 2 空气质量预报方法的发展现状 国际上较早开展空气污染预报研究的国家有美国、英国、日本、荷兰、前苏联等。 6 0 年代和7 0 年代大都采用潜势预报方法即预报污染的气象条件，不能给出污染物浓度 人工神经网络在城市空气质量预报中的应用研究 的定量结果。进入8 0 年代以后，国际上开始致力于定量的污染浓度预报，包括统计预 报和数值预报。 ( 1 ) 统计预报 统计预报是在不了解事物变化机理的情况下，通过分析事件规律来进行预测的方 法。空气污染统计预报是不依赖物理、化学及生物过程的预测方法，主要有因次分析法 和回归分析法【l 引。在一特定的区域或城市内，首先需要多年同时间的气象与污染物浓度 分布资料，分析多年的天气变化规律，找出若干种天气类型。然后分析各种天气类型的 典型参数，将这些参数与相对应的环境质量实测数据建立起各种定量或半定量关系。这 些关系可以是线性的，也可以是非线性的；可以是有量纲的组合，也可以是无量纲的组 合。最后根据这些关系作定量或半定量的空气污染浓度预报。统计模式不足之处在于它 假定的预报区域内的污染源排放是平稳的，浓度与污染源不发生直接联系，要求有详实 的气象和空气质量实测数据。因为需要大量的长时间的监测资料，一般要花费大量的人 力和物力。其优点是简便、易普及，因此有一定的实用性。 ( 2 ) 数值预报 数值预报的方法是以天气形势及其气象要素指标为依据，对未来大气环境质量状况 进行定性或半定量的分析。为了定量描述空气中大气污染物浓度，预报它的变化，就要 掌握大气污染物在空气中演变规律，也就是要了解污染物在空气中所经历的理化过程。 用于描述这些过程的定量数学方程系统被称为模式。能够定量预报大气污染物浓度的方 法，具有代表性的模型有烟羽模式、烟团模式、箱式模式及求解物质守恒方程的数值模 式四类。数值模式用数值计算方法直接求解物质守恒方程，以求得污染物浓度在环境介 质中与界面上交换特征及其分布规律。通常采用的欧拉系统，适用于非定常和非均匀流 场、大范围、大量排放源、大量线性和非线性的化学反应、干湿沉积和其它迁移与清除 过程、生物效应等的处理。取不同的湍流闭合方案建立各种类型的数值模式，并以网格 形式实施。这种方法难度大、需要准确的源排放清单数据、花费的计算时间长，但科学 性强，能作出定量的浓度时空预报，并且节省人力和物力，因此是空气污染预报的发展 方向。 在我国，大气污染研究是1 9 7 3 年第一次全国环保工作会议之后才开始的。1 9 8 0 年 以前主要是研究影响污染物稀释扩散的天气形势和气象条件。从二十世纪8 0 年代开始 在北京、沈阳、兰州、太原、长沙等一些城市初步开展了以二氧化硫为主的城市空气污 染试验预测和预报研究工作，并取得一些有价值的研究成果，但这些方法只能给出定性 的统计预测结果，不能定量地预测大气污染物浓度的时间和空间分布。进入9 0 年代， 我国在城市或区域空气污染预报方面取得了较为突出的成绩。主要有以下几种方法 3 】： 中山大学硕士学位论文 ( 1 ) 动力学数值预报和统计学预报方法 2 0 0 0 年3 月，由中国环境监测总站与中科院大气所承担的国家环保总局“城市空气 污染预报方法及其应用技术研究”课题通过鉴定，该项目采用动力学数值预报和统计学 综合指数预报两种方法进行空气污染预报的研究和应用，并根据数值预报方法在天津的 试运行、统计学综合指数预报方法在沈阳的试运行效果，浓度逐时预报准确率达到6 0 ， 逐日预报达到6 5 ，空气污染指数级别预报达到7 0 ，两种方法在中国大、中城市的推 广具有很大的应用价值。 长春市使用的是以多元回归方法为主要预报方法，辅以权重系数法、相关系数法建 立浓度预报模型，预报准确率平均达到7 0 【l9 1 。吴嘉荣建立了一个统计回归模式，对泉 州市2 0 0 3 年1 月1 日至2 0 0 3 年3 月1 日连续6 0 同的p m l o 浓度进行预测，预测的空气 污染指数准确率为5 6 6 7 【2 0 1 。姚逊等人建立两种统计回归模式预测湖州市空气质量， 采用2 0 0 2 年7 月2 0 0 4 年1 2 月三个环境空气监测站点的自动监测数据和气象观测数据， 预报准确率平均达到7 0 以上，说明像湖州市这类处于江南地区平原地形的中小城市， 采用统计回归方法进行空气质量预测是可行的1 2 1j 。 ( 2 ) 珠江三角洲城市群污染指数预报的模式方法 此方法利用s y k e s ( 1 9 9 2 ) 引入的高斯烟团的一般二阶矩表示式，克服了传统烟团 模式的缺点，重点采用烟团分解与合并的处理方法，同时考虑大气中清除过程，模拟污 染物的长期浓度变化。并和广州热带气象研究所业务数值预报模式( g z t m ) 所提供的 华南地区细网格的三维数字化流场相结合，先计算s 0 2 、n o ”t s p 等各自的地面浓度 变化，通过求平均得到每种污染物的日均浓度，从而得到每种污染物的污染指数：最后 再计算出法治综合指数，从而对珠江三角洲地区的污染综合指数作出预报。 ( 3 ) 北京城区空气污染浓度长期预测 北京市环境监测中心与中国气象科学研究院合作，利用北京城区自动监测系统的污 染监测资料，分析北京城区4 种主要空气污染物( s 0 2 、n 0 x 、c o 、t s p ) 浓度的月、 季变化特征，建立起均生函数预测模型。拟合及预报试验表明，这些预测模型不但可以 很好地拟合空气污染浓度的变化趋势，而且还能够对未来几个月的空气污染浓度做出较 准确的预测。 ( 4 ) 非线性时问序列预测方法 非线性时间序列预测方法，是建立在确定论基础之上的，系统的动力学可以在一个 适当重构的相空间中被完整地恢复出来，它表现为一条确定的状态轨线，依照它给出的 规律，可以实现对未来状态的预测。它不要求对控制空气污染过程的物理规律有多么精 细的了解，更无须等待建立起完善的数学物理模式，在它看来，所有的动力学信息和制 人t 神经网络在城市空气质量预报中的应用研究 约机制都包含在历史资料中了，系统未来状态的预测依赖于一个与之等价的、由历史资 料构成的几何学模式。 另外，国内外学者还尝试通过人工神经网络的方法对于特定地点的某种空气污染物 浓度的进行预测，但为见有成熟的方法应用于实际业务中。这部分的研究现状将在本文 第二章中详述。 1 2 3 空气质量预报系统的研发与应用现状 ( 1 ) 美国的发展现状 隶属于美国商务部的国家海洋和大气管理部门( n o a a ，n a t i o n a lo c e a n i ca n d a t m o s p h e r i ca d m 淌s t r a t i o n ) 致力于通过分析、预测和研究气象、水和大气相关的事件， 来保证和增强国家安全、经济安全和环境服务工作。 美国环境保护总署( e p a ，e n v i r 0 衄e n t a lp r o t e c t i o na g e n c y ) 和n o a a 联合，发挥 各自在资源和职权上的优势，共同缔造全国性的空气质量预报( a q f ，a i rq u a l i t y f o r e c a s t ) 【2 2 。目的在于提供足够精确的臭氧、颗粒物及其他污染物的提前预报，提醒 人们采取行动来预防或限制恶劣空气质量的危害。e p a 负责收集和更新全国的污染源排 放清单，并提供数据给n o a a ，用于空气质量预报。通过它与各州和地方的空气质量管 理部门，e p a 的a i r n o w 系统也会收集空气质量自动监测数据，并传输给n o a a 。n o a a 吸收合并排放源数据和n o a a 的气象观测资料，处理成为a q f 模型预测浓度所需的数 据，并生成指导性的污染物浓度预测。各州和地方的空气质量管理部门利用这个指导性 的意见，通过自己的判断来发布空气质量预报和空气质量指数。而e p a 全国性地发布 来自各州和地方的空气质量预报部门的信息。同时私营的发布机构可以使用和向公众传 播各州和地方的空气质量预报信息。对于已经开展空气质量预报的地方，新的n o a a 预报指导意见将提高预报员对恶劣空气质量的开始、严重程度和持续时间的预报能力。 最初在2 0 0 4 年9 月，n o a a 部署的a q f 指导性浓度，只提供了美国东北部的地面 高度的臭氧提前1 天的1 小时和8 小时平均浓度。随后2 0 0 5 年8 月和2 0 0 7 年9 月，向 西扩大区域，包含美国中部和东部以及4 8 个地势较低的州。未来几年，全国性的臭氧 预报将会启动，紧接着会是颗粒物的预报。未来1 0 年内，将会逐渐增加另外的污染物， 且预报间隔时间会延长至两天或更多。 ( 2 ) 国内的发展现状 如前文所述，国内城市的空气质量预报业务中采用最多的方法是统计学方法。也有 部分城市使用的是数值预报方法。 中山大学硕士学位论文 由中国气象科学研究院研制的一套城市空气污染数值预报系统一c a p p s( c 埘a i r p o l l u t i o np r e d i c t i o ns y s t e m ) 已在北京、上海、武汉、石家庄、广西、辽宁等多个城市推 广使用。c a p p s 是用有限体积法对大气平流扩散方程积分得到的多尺度箱格预报模型， 与中尺度大气数值模式m m 4 或m m 5 嵌套形成。不需要输入污染源强资料，根据污染 物浓度监测值预报城市空气中s 0 2 、n 0 2 、p m l o 的污染潜势指数和浓度【2 3 】。使用时需 要输入模型的实时资料有：每日0 8 ：o o 或2 0 ：0 0 探测的地面和8 5 0 1 0 0 h p a 各规定等压 面上温度、气压、湿度和风等的探空资料，以及前一天污染物平均浓度值。c a p p s 的 缺陷在于系统对前r 污染实况依赖性强，预报结果滞后，对高浓度污染日的预报能力偏 低。 而广东省的空气质量预报系统，则采用自行研制的统计( 含动态统计) 方法，以及 原本所自主开发的烟团模式、引进的平流扩散箱格模式等多种模式制作空气质量预报。 目前统计方法中有3 个模型：基于报文资料的动态统计模型；基于热带海洋气象 研究所中尺度气象模式预报产品的动力释用模型；基于热带海洋气象研究所中尺度 气象模式预报产品的动力释用动态模型。另外，完成了烟团模式、平流扩散箱格模式与 高分辨率热带中尺度模式的连接，在模式开发及模式本地化方面具有独特之处，实现了 日常业务运行，模式预报产品具有一定的预报指导作用，经过近两年的业务应用以及效 果检验，这些方法应用效果良好【2 引。 在调研全国的面向公众服务的空气质量预报业务中发现，全国空气质量预报已呈蓬 勃发展之势，预报方法也是多种多样，但耦合多种污染物的污染特征分析研究工作缺乏 深入，造成在业务预报工作中对于污染浓度剧变以及持续高浓度污染的预报能力尤其薄 弱。因此，有必要深入开展关键的基础性工作。 总之，国内外对大气污染浓度预测的研究仍存在不足的地方，首先，没有综合考虑 气象、排放源、地形等因素的影响；其次，复杂的排放源难以准确掌握，突发严重污染 预报能力差；模型计算较为复杂以及预测的精度仍有待提高。 1 3 论文的研究内容与目标 预报空气质量状况要通过预报空气污染物浓度来达到。一种便捷、准确的空气污染 物浓度预报方法不仅是科学研究的目标，也是实际环境保护业务中急需的手段。 基于前面的研究背景，本文将以城市空气质量自动监测实验、气象参数的监测实验 和监测站实测数据记录为基础，把主要的研究对象分为城市主干道边和城市一般点位的 空气质量预报。使用基于神经网络的方法，分别针对路边和一般点的不同特点进行研究， 人工神经网络在城市空气质量预报中的应用研究 使得两种模型有各自的适用性。主要的研究内容将集中在如何通过全面考虑影响因素的 选取和处理，以及训练样本的相似性筛选，使得模型在预测精度方面有一定的提高，并 对所提出的方法进行验证与评价。另外，初步尝试将城市一般点的空气质量预报模型应 用到实际状况中，并形成一套完整的城市空气质量预报与管理系统。 1 4 论文的结构大纲 第一章，绪论部分。通过介绍城市空气质量预报的作用和现状，以及预报方法和预 报系统的发展，叙述了论文的研究背景、研究意义以及主要的研究内容等。 第二章，介绍了空气质量预报的评价指标和神经网络模型的基本理论，以及神经网 络模型在空气质量预报研究者中的应用现状。 第三章，对城市路边点空气质量预报模型进行了构建和检验。通过预测结果相关性 分析、鲁棒性分析，以及与另外两种经典模型进行比较，分析了神经网络模型的特点。 第四章，对城市一般点空气质量预报模型进行详细的阐述，并给出了参数敏感性分 析。最后，文章利用实际的气象预报资料，对模型的实际预测能力进行精度检验。 第五章，描述了基于气象相似性的模型训练数据选取方法，利用实例对采用该方法 构建的模型进行预测效果分析。 第六章，总结全文。归纳了论文的主要工作，并对空气质量预报模型的扩展研究内 容和下步研究工作进行了展望。 中山大学硕士学位论文 第二章基于人工神经网络的空气质量预报方法概述 2 1b p 人工神经网络模型原理概述 人工神经网络( a n n ，a n i f i c i a ln e u r a ln e t 、) ，o r k ) 是2 0 世纪8 0 年代后期迅速发展 和获得广泛应用的非线性模拟技术，是在人类对大脑神经网络认识理解基础上，人工构 造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模 仿大脑神经网络结构和功能而建立的一种信息处理系统。 它是由数据驱动的，这意味着输入大量关于系统过去特性的数据进行分析，称为“训 练”。在“训练 期间，神经网络系统研究它收到的原始的、随机性的数据，重建它们 的数学关系，将之转换为连续性的有数学规律的形式结果，得到一个适合这些数据的模 型( 称为“建模”) 。神经网络系统能依据所研究系统的输入输出数据对，通过学习， 得出一个描述系统输入输出关系的非线性映射。常规意义上的模型可以用一些二次或更 高阶的方程式来表达，这些方程可以从理论上给出输入的变量间的关系并得出结果。而 神经网络模型无法用常规的方程式来表达，它的信息大多依存于它的结构之中，依赖模 型本身的多层( 一般为三层) 结构和自学习特性，通过“训练 和“学习 建立和调整 模型，计算的重担被推给模型本身，在“训练 阶段，模型已建立了适合这些数据的内 部结构，而不需要额外的程序。所以神经网络建模是一种归纳思维过程，它通过数据本 身的内在联系，用网络自身的权值和阈值表示建模结构参数，建模的过程就是网络自适 应的训练过程。一般来说，神经网络方法采用的是非线性模型，它的适应性、容错性、 精确性及抗干扰能力都较强。 神经网络的类型是多种多样的，从功能特性和学习性能等可分为：感知器神经网络、 线性神经网络、b p ( b a c k - p r o p a g a t i o n ，即误差反向传播神经网络) 神经网络、径向函 数神经网络、自组织网络和反馈网络等，其中b p 网络是人工神经网络模型中使用最广 泛的一类。b p 即误差反向传播，指的是根据误差信号，沿着连接通路反向传送并调整 连接权值。当网络建立后，则采用一个输入输出对集合对网络进行训练，并通过网络未 曾“见过”的数据对来测试网络。 人工神经网络在城市空气质量预报中的应用研究 2 1 1 网络模型结构 人工神经网络模仿人类大脑神经网络结构而建立的并行计算结构体。具体来说，它 是由大量简单处理单元广泛互连而成，这些处理单元称为神经元。神经元分别被安排在 平行的层中，通过权值连接所有的层。在网络的中间至少有一个隐藏层，它起特征探测 的作用。输入神经元将收到的输入数据传输到隐藏层神经元。而隐藏层和输出层的神经 元的输出是将它们的输入通过一个非线性传递函数计算得到【2 5 1 。 从结构上讲，b p 网络属于多层网络，包含输入层、隐藏层和输出层，各层之间实 行全连接，前层单元的输出不能反馈到更前层，同层单元之间也没有连接，如图2 1 所 示。 输 入 隐藏层 图2 1 单隐藏层的b p 神经网络 f i g 。2 - 1b pn e u i a ln e t w o r kw i t ho n eh i d d e nl a y e r 输 出 b p 网络的基本原理是：当给定网络一个输入模式