基于BP神经网络空气质量评价及预测.docVIP

基于BP神经网络空气质量评价及预测 　　摘要：报告环境空气质量的参数有新旧两种――空气质量指数（AQI）和空气污染指数（API）。本文在某市13个监测点从2010年1月1日至2013年4月28日各污染物浓度监测数据的基础上，通过计算AQI和API指标，对该市空气质量展开评估；以MATLAB为工具，采用BP神经网络模型，对该市空气质量进行预测。 　　关键词：AQI；API；BP神经网络；评价及预测 　　中图分类号：TP3891 文献标识码：A 文章编号：1001-828X（2014）012-000-02 　　一、引言 　　近年来，随着我国经济社会的快速发展，大气中各污染物浓度显著增长，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。空气污染指数（Air pollution Index，简称API）就是将常规监测的几种空气污染物浓度简化成为单一的概念性指数值形式，并分级表征空气污染程度和空气质量状况，适合于表示城市的短期空气质量状况和变化趋势。 　　2012年上半年国家环保部出台规定，将用空气质量指数（Air Quality Index，简称AQI）替代原有的空气污染指数（API）。AQI与原来发布的空气污染指数（API）有着很大的区别。本文将通过AQI和API新旧指标的比较分析以及BP神经网络模型，根据某市13个监测点从2010年1月1日至2013年4月28日各污染物浓度监测数据，对该市空气质量进行评价和预测。 　　二、API和AQI指数比较评价 　　1.API和AQI的计算 　　反应空气质量的参数有两种――空气污染指数（API）和空气质量指数（AQI）。 　　（1）API的计算方法 　　空气污染分指数的计算公式： 　　（1） 　　各种污染物的污染分指数都计算出以后，取最大者为该区域或城市的空气污染指数API。 　　首要污染物的确定方法： 　　IAPI最大的污染物为首要污染物。若IAPI最大的污染物有两项或两项以上时，并列为首要污染物。 　　（2）AQI的计算方法 　　空气污染分指数的计算公式： 　　（2） 　　各种污染物的质量分指数都计算出以后，取最大者为该区域或城市的空气质量指数AQI。 　　首要污染物的确定方法： 　　IAQI最大的污染物为首要污染物。若IAQI最大的污染物有两项或两项以上时，并列为首要污染物。 　　AQI和API计算方法的主要区别就是新标准中增加了污染物监测项目，AQI参与评价的污染物为SO2、NO2、PM10、PM2.5、O3、CO等六项，而API参与评价的污染物仅为SO2、NO2和PM10等三项。除此之外，AQI的计算方法加严了部分污染物限值，完善了分级标准，所以其计算结果更加准确客观。 　　2.对某市空气质量的评价 　　通过对某市2010-2013年平均大气污染物浓度进行API和AQI指数计算，可以发现，2010-2012年，无论是API还是AQI的值都是处于在50-100区间平稳波动的状态。2013年发生突增，之后一直保持很高的水平。这说明，2013年开始，该市的空气质量状况急剧下降，并且一直没有得到很好的改善。 　　三、某市环境空气质量状况预测 　　1.BP神经网络模型 　　BP（Back Propagation）网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP算法是一种有监督式的学习算法，其主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。 　　2.某市空气质量状况预测 　　本文通过对该市空气污染物（以SO2为例）进行预测从而对空气质量状况进行预测。 　　（1）用历史SO2数据进行预测 　　使用BP神经网络对该市未来一周的平均数据进行预测，选取数据段（2013年4月4日-2013年4月19日），对时间段（2013年4月20日-2013年4月26日）进行预测。训练时，使用前三天的数据，对今天进行预测。因为智能算法每次得到的值不同，因此计算时采用重复十次取平均值的方法。预测结果如图3所示： 　　图3 SO2预测值与实际值对比折线图 　　由对比折线图可以看出，使用该模型的预测效果的精度还是有待提高的。原因是跟模型有关，模型是最原始模型，忽略所有的相关因素，就是根据历史SO2的数据列来进行训练（因为污染物是有一定的累计效应的），最后预测未来时间段的值。历史SO2的数列本来就没有一定的规律，当然截取不同时间段的数据来训练也会得出不同的预测结果，所以预测结果跟实际值有很大的差别。 　　（2）用前一天的历史数据与本天的风力情况进行预测 　　考虑到上一节模型