灰色模型在城市大气污染中的应用.docVIP

2014年武汉市大气污染浓度的灰色预测 摘要 在简述灰色系统GM(1,1)模型的基础上，引入平均弱化缓冲算子，通过改进的GM(1,1)模型，对武汉市2014年的主要大气污染物浓度进行了预测分析。通过预测得到，2009~2014年，武汉市的SO2浓度呈现逐步下降的趋势，NO2、PM10浓度变化不大，并且PM10浓度有逐步上升的趋势，应引起警惕。在今后几年内降低颗粒物的污染仍然是武汉市大气污染控制的首要任务。 1 引言 武汉市是中国重要的工业基地，其工业化与城市化的快速发展对城市环境产生了重要的影响.2013年，武汉市正式启动国家卫生城市创建，其中对改善市区空气质量提出了更高的要求.以空气中主要污染物SO2、NO2、悬浮颗粒物（主要为PM10）的浓度变化,对武汉市的大气污染物浓度进行预测,分析各阶段影响空气质量的主要因素,可为市政府改善武汉市的空气质量行动提供客观依据. 大气污染浓度预测，是通过获取多组监测数据进行的，监测数据获取，因受有限时空的限制，总是含有不甚明确的信息。一般信息完全明确的系统称为白色系统，信息完全不明确的系统称为黑色系统，实际人们遇到的多是介于白色和黑色之间的灰色系统【2】。环境空气质量预测就是属于典型的灰色系统。王贻锋[8]、苏静【9】利用灰色GM(1,1)模型分别对青岛、靖江的 空气质量进行短期预测,李名升则将马尔科夫链应用与环境质量预测,而综合利用灰色 马尔科夫模型对空气污染物浓度变化趋势预测的文献还不多见 目前对空气质量的监测主要是监测大气中SO2、NO2、悬浮颗粒物（主要为PM10）等的浓度，本文引入平均弱化缓冲算子，通过改进的GM(1,1)模型，对武汉市2014年的主要大气污染物浓度进行了预测分析。 2 改进的灰色GM(1,1)模型 2.1 缓冲序列的生成 在对大气污染物浓度预测模型的建立中，为了排除数据所受到的干扰，还原数据本来面目，提高预测精度，可以引入平均弱化缓冲算子，用以弱化原始数据序列的随机性。 我们用（1）来表示一组含有n个样本的原始数据序列： （1） 引入缓冲算子将原始数据序列的随机性加以弱化，进行一阶弱化，则引入一阶弱化算子D ，令 其中 将经过弱化后的数据形成的新序列记为，其中 2．2 改进的灰色预测GM（1,1）模型 对缓冲序列数据进行一次累加生成处理，得到生成时间序列： （2） 其中， 对生成时间序列建立我们所要的GM（1,1）模型： （3） 式中“”称为发展灰数”称为内生控制系数，是对系统的常定输入。由于在离散化计算的过程中要用到的两个时刻的值故对 （4） 可以用最小二乘法求出，如（5）式所示“ （5） 也可以表示成如（6）式所示的矩阵形式： （6） 式中： （6）式的解如（7）式所示： （7） 生成时间序列的拟合值，我们用表示它可以根据 （8） 最后，将原始数据的预测序列进行一次IAGO 得到预测模型： （9） 对于模型的预测结果，我们要进行可信度检验，符合一定要求的预测值才能做为最终预测结果。相对误差检验是一种直观的检验方法。 残差计算： 相对误差检验： 判断标准：如果相对误差比较小，则表明该模型的精度比较高，可以运用灰色预测模型进行预测，由此可以得到各个时期数据的预测值。 3 武汉市大气污染物预测 武汉市近几年大力进行旧城改造和城市交通建设，城市面貌日新月异，加上仍有一些工厂企业违规排放废弃物等，对空气质量产生很大影响.根据相关统计分析, SO2、NO2、悬浮颗粒物（主要为PM10）等为武汉市主要污染物，2009~2013年武汉市主要污染物浓度见表1. 表1武汉市2009-2013年主要污染物浓度（毫克/立方米） 年份 SO2 NO2 PM10 2009年 2010年 2011年 2012年 2013年 0.044 0.041 0.039 0.030 0.033 0.054 0.057 0.056 0.054 0.060 0.105 0.108 0.100 0.097 0.124 3.1 SO2、NO2、PM10浓度模拟 由表1可以获得SO2 的序列，根据上述步骤可以求出模型的时间响应式，如式所示： 从而SO2 的还原式： 根据模型所得的模