粒子群算法及神经网络在大气质量评价及预测中的应用

本文在计算大气污染损害率的普适公式的基础上，采用具有全局搜索功能的PSO算法对该公式中的参数进行优化，得到了对多种大气污染物均适用的具有更强普适性的大气污染损害率计算公式，从而得到了基于PSO的大气质量综合污染损害率评价模型和指数模型。通过实例评价的数值计算结果表明，该评价模型用于对城市大气质量评价具有一定的可行性、有效性，具有一定的实用价值。 1.1计算大气污染损害率的普适公式 第种大气污染物对大气质量的污染损害率可表示为： （1） 在公式（1）中，ai、bi为与污染物特性有关的待定参数；ci为该污染物的实测浓度。李祚泳将ci用浓度的相对值xi替换，即：xi=ci / ci0，于是公式（1）可表示为： （2） 其中ci0为设定的i污染物的某一确定值，通常取为其天然本底浓度值，采用相对值后的大气污染损害率计算公式中的参数ai、bi可认为与该污染物的特性无关。因此公式（2）是对于多种污染物均适用的具有普适性的大气污染损害率计算公式。 为了提出一种具有更强的普适性方法，文献[18]又在文献[17]方法的基础上，在公式（2）中引入一个与污染物特性无关的待确定的普适参数c，修正为： （3） 1.2 PSO算法对参数a、b、c的优化 采用PSO算法优化公式（3）中的参数需要构造的满足问题 的目标函数，即： （4） 其中，m=7为污染物种类数目；k=5为大气污染分级数目；Rik为i污染物的k级污染损害率，Rke为k级标准的污染损害率目标值。在满足公式（3）的情况下对公式（4）采用PSO算法进行全局优化，但在优化的过程中发现，随着PSO参数取值范围的不同 ，a、b、c值的变化较明显，且参数a无限地趋向于PSO参数取值范围的下限。鉴于以上特点，说明大气污染损害率与污染物的相对浓度之间的函数关系基本上可由两个参数确定。 因此，采用PSO算法对（4）式优化后得到的最优解为：a =63.93, b =0.3401。 故多种大气污染物均适用的具有更强普适性的大气污染损害率计算公式可表示为： （5） 1.3基于PSO大气质量综合污染损害率评价模型 　 　　受多种大气污染物影响的具有普适性的大气质量综合污染损害率计算公式为： （6） 式中m为污染物的种类数目；Ri为i污染物的污染损害率；为i污染物的归一化相对权值，它由Ri所处的级别相应的k值的相对重要性确定。实际计算时，需根据各污染损害率所处的级别及污染物种类数目将权值wi`归一化为相对权值wi。 1.4 大气污染损害分指数模型 大气污染损害分指数可定义为： （7） 1.5 基于PSO大气质量综合污染损害指数评价模型 受多种大气污染物影响的具有普适性的大气质量综合污染损 害指数计算公式为： （8） 式中Ii为第i种污染物损害分指数，wi为i污染物的归一化相对权值，它由Ri所处的级别相应的I值的相对重要性确定。(wi的具体计算方法参见文献[12]) 1.6实例评价 在实例1中，本文以某市10个监测点的SO2、NOx和TSP三种污染物的浓度监测值为例，采用基于PSO的 大气质量综合污染损害率评价模型对其进行评价，通过计算得出的综合污染损害率及综合评价结果表明，利用该种评价模型对大气质量进行综合评价，取得了令人满意的结果，具体结果详见表5。 在实例2中，本文根据长春市环境监测中心站提供的数据资料，以大气中的主要污染物：PM10（可吸入颗粒物）、SO2、NO2三种污染物的浓度值为主要监测对象，选取2002年1月1日至2002年3月31日间实际监测的三种主要污染物浓度的数据值作为数据样本，采用基于PSO的大气质量综合污染损害率评价模型对其进行评价，得到的评价结果与实际结果基本吻合。 改进的Elman神经网络在大气污染预测领域的应用 本文利用OIF Elman网络：输出－输入反馈网络（Output-Input Feedback Elman (OIF Elman)）模型对大气污染进行预测，本文的数据样本由长春市环境监测中心站提供，选取2001年12月1日至2002年11月30日连续365日的监测数据为数据样本，以大气中的主要污染物：PM10（可吸入颗粒物）、SO2、NO2三种污染物的浓度值为主要监测对象。为了较好地说明问题，文中均采用误差的平均值。网络的结构均为3-10-1式,即含有3个输入节点，10个隐层节点，1个输出节点的三层网络结构。输入层节点的输入为连续3日污染物浓度的监测值，输出为第4日该污染物浓度的预测值。 数值结果表明OIF Elman网络模型具有极佳的逼近性能，较高的拟合精度, 体现了OIF Elman在大气污染预测领域中的实用性和有效性，具有很好的应用前景。