楊陽(yáng) 沈澤昊 鄭天立 丁雨賝 李本綱

?

中國(guó)當(dāng)前城市空氣綜合質(zhì)量的主要影響因素分析

楊陽(yáng) 沈澤昊 鄭天立 丁雨賝 李本綱?

北京大學(xué)城市與環(huán)境學(xué)院, 北京 100871; ?通信作者, E-mail: libengang@pku.edu.cn

基于2010年我國(guó) 78 個(gè)主要城市的5個(gè)空氣質(zhì)量指標(biāo)數(shù)據(jù), 利用主成分分析方法, 計(jì)算城市空氣質(zhì)量綜合得分; 采用多元線性回歸方法, 從氣候、地形、城市發(fā)展和城市環(huán)境狀況四方面的 48 個(gè)變量中篩選出與城市空氣質(zhì)量顯著相關(guān)的 10 個(gè), 并定量評(píng)價(jià)不同因子對(duì)城市空氣質(zhì)量的貢獻(xiàn)。依據(jù)空氣質(zhì)量綜合得分, 從 78 個(gè)城市中分層隨機(jī)選取 30 個(gè)城市作為訓(xùn)練樣本, 構(gòu)建基于徑向基函數(shù)(RBF)的人工神經(jīng)網(wǎng)絡(luò)模型。利用城市自然、社會(huì)、經(jīng)濟(jì)特征及環(huán)境管理現(xiàn)狀模擬城市空氣質(zhì)量, 并應(yīng)用于我國(guó)173個(gè)主要城市空氣質(zhì)量狀況的模擬。結(jié)果表明, 年平均飽和水氣壓、城市建成區(qū)面積、城區(qū)海拔落差和第二產(chǎn)業(yè)占 GDP 的百分比是影響中國(guó)當(dāng)前城市空氣綜合質(zhì)量的主要因素, 分別可以解釋城市空氣質(zhì)量變異性的 14.7%, 12.8%, 8.8%和7.2%。研究結(jié)果突破了以往大部分空氣質(zhì)量評(píng)價(jià)模型僅以大氣污染物和氣象因子作為模型輸入因子的局限, RBF人工神經(jīng)網(wǎng)絡(luò)模型的模擬結(jié)果準(zhǔn)確性較高(2=0.658,<2.2×10-14)。

人工神經(jīng)網(wǎng)絡(luò); 城市空氣質(zhì)量; 影響因子

大氣環(huán)境質(zhì)量是大氣污染物和氣象因素變化共同作用的結(jié)果, 對(duì)人體健康和生態(tài)環(huán)境影響巨大[1–2]。由于針對(duì)高度聚集的人群, 城市大氣環(huán)境質(zhì)量問(wèn)題更受關(guān)注[3]。改善城市空氣質(zhì)量涉及社會(huì)生產(chǎn)生活的多個(gè)方面[4], 如城市經(jīng)濟(jì)發(fā)展將對(duì)城市消耗燃料的總量、類(lèi)型構(gòu)成、污染物排放量及處理技術(shù)產(chǎn)生影響, 城市綠地面積等影響城市內(nèi)部對(duì)大氣污染物的吸附和降解能力[5]。另一方面, 區(qū)域地形通過(guò)大氣水平和垂直交換影響大氣污染物的擴(kuò)散條件[6]。因此, 為了對(duì)城市大氣污染治理和環(huán)境改善進(jìn)行科學(xué)決策, 需要對(duì)影響城市大氣環(huán)境的多方面因素進(jìn)行綜合分析。

已有的研究主要從兩個(gè)方面探討大氣質(zhì)量與影響因素之間的關(guān)系: 1) 開(kāi)展環(huán)境質(zhì)量評(píng)價(jià), 利用各類(lèi)環(huán)境監(jiān)測(cè)數(shù)據(jù)的時(shí)空統(tǒng)計(jì)對(duì)大氣環(huán)境質(zhì)量進(jìn)行宏觀描述分析, 如探討大氣污染物排放的時(shí)間序列或者空間分布[7]、大氣污染物排放對(duì)大氣環(huán)境質(zhì)量的影響[8]; 2) 利用多變量模型評(píng)價(jià)排放以外的因素對(duì)城市空氣質(zhì)量的影響[9], 如影響城市空氣中污染顆粒的各類(lèi)因素[10]、天氣和氣候等對(duì)城市空氣質(zhì)量的影響[11]。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性擬合能力以及強(qiáng)大的自學(xué)習(xí)能力[12], 在城市空氣質(zhì)量模擬研究中已得到應(yīng)用。然而, 以往的研究存在以下問(wèn)題: 1) 僅以大氣污染物和氣象因子作為網(wǎng)絡(luò)輸入, 無(wú)法顯示其他因素對(duì)大氣環(huán)境質(zhì)量的影響[13]; 2) 該方法不具備因子選擇能力, 需要結(jié)合其他方法來(lái)選取關(guān)聯(lián)因子, 構(gòu)建優(yōu)化的模型結(jié)構(gòu)[14–17]。

本研究采用逐步回歸法, 以我國(guó) 78 個(gè)主要城市為研究對(duì)象, 從城市氣候因子、城市發(fā)展因子、城市治理因子和城市地形因子中篩選出與空氣質(zhì)量存在較強(qiáng)關(guān)系的因子, 在對(duì)比不同網(wǎng)絡(luò)特性及模擬結(jié)果后, 選擇學(xué)習(xí)速度快且能避免反復(fù)迭代的RBF(radial basis function, 徑向基函數(shù))人工神經(jīng)網(wǎng)絡(luò)模型, 用于構(gòu)建模型, 探討城市社會(huì)經(jīng)濟(jì)結(jié)構(gòu)、自然環(huán)境和空間屬性與城市空氣質(zhì)量之間的聯(lián)系; 基于統(tǒng)計(jì)關(guān)系, 定量探討影響我國(guó)城市空氣質(zhì)量的多方面因素及其相對(duì)貢獻(xiàn), 利用 RBF 人工神經(jīng)網(wǎng)絡(luò)模型模擬我國(guó)主要城市空氣質(zhì)量的宏觀格局, 以期為城市空氣質(zhì)量治理提供決策依據(jù)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)域與數(shù)據(jù)

選取最低為地級(jí)的城市作為研究對(duì)象。這是由于地級(jí)市之間具有較為顯著的歷史、社會(huì)、經(jīng)濟(jì)背景差異, 國(guó)家統(tǒng)計(jì)部門(mén)對(duì)其經(jīng)濟(jì)和社會(huì)發(fā)展的年度狀況可提供完整的統(tǒng)計(jì)數(shù)據(jù), 以其作為研究對(duì)象有較強(qiáng)的代表性和可操作性。同時(shí), 出于數(shù)據(jù)完整性的考慮, 選擇2010年為研究年份。

人口、產(chǎn)業(yè)結(jié)構(gòu)、土地資源等城市發(fā)展因子和城市環(huán)境狀況因子數(shù)據(jù)來(lái)自《中國(guó)城市統(tǒng)計(jì)年鑒2011》[18]。研究區(qū)域氣候數(shù)據(jù)來(lái)源于“中國(guó)氣候科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)”中的“中國(guó)地面氣候資料年值數(shù)據(jù)集” (http://data.cma.cn/data/index/6d1b5efbdcbf9a5 8.html), 提取研究城市氣象臺(tái)站的 23 個(gè)氣候指標(biāo)的 2010 年平均數(shù)據(jù)。城市地形因子以美國(guó)地質(zhì)調(diào)查局(USGS)發(fā)布的 SRTM3 (http://dds.cr.usgs.gov/ srtm/version2_1/)為數(shù)據(jù)源。該數(shù)據(jù)球面坐標(biāo)系統(tǒng)為WGS1984, 像元大小為3″, 在ArcGIS Desktop 9.5 (www.esri.org)中做 Albertz 等積割圓錐投影后, 重采樣成空間分辨率為 1000 m 的數(shù)字高程模型, 利用《中國(guó)區(qū)域經(jīng)濟(jì)統(tǒng)計(jì)年鑒 2011》提供的城市中心地理坐標(biāo)并設(shè)置30 km緩沖區(qū), 以此計(jì)算各城市區(qū)域內(nèi)的地形值。由于數(shù)據(jù)來(lái)源不同, 不同數(shù)據(jù)中缺失不同的城市數(shù)據(jù), 對(duì)數(shù)據(jù)進(jìn)行整理, 去除不完整數(shù)據(jù)后, 共獲得173個(gè)城市的完整數(shù)據(jù)。

城市大氣空氣質(zhì)量來(lái)源于 2010 年國(guó)家環(huán)境保護(hù)部公布的指標(biāo): 主要城市空氣質(zhì)量污染物濃度、空氣質(zhì)量等級(jí)以及優(yōu)良天數(shù)占全年比例。

由于本研究的目的是探討城市的自然、社會(huì)和經(jīng)濟(jì)結(jié)構(gòu)對(duì)城市空氣質(zhì)量的影響, 故采用同一年份的空氣質(zhì)量數(shù)據(jù)進(jìn)行分析。近 5 年來(lái)以 2010 年公布的城市空氣質(zhì)量排名信息最為豐富, 共有 78 個(gè)城市提供了完整的信息, 故使用 78 個(gè)城市 2010 年的空氣質(zhì)量數(shù)據(jù), 包括(SO2)年平均值、(NO2)年平均值、(PM10)年平均值、空氣質(zhì)量等級(jí)、優(yōu)良天數(shù)占全年比例等 5 個(gè)指標(biāo)。以這 78 個(gè)城市為我國(guó)城市樣本, 進(jìn)行空氣質(zhì)量和影響因素的篩選及后續(xù)模型的構(gòu)建。對(duì)因子匯總的結(jié)果如表1所示。

表1 觀測(cè)指標(biāo)匯總

1.2 數(shù)據(jù)處理方法

1.2.1 空氣質(zhì)量數(shù)據(jù)綜合

由于所得5個(gè)空氣質(zhì)量指標(biāo)之間存在顯著相關(guān)性, 故對(duì)原數(shù)據(jù)進(jìn)行主成分分析[19], 在保證數(shù)據(jù)信息損失最小的前提下, 經(jīng)線性變換舍棄小部分信息, 以少數(shù)的綜合變量取代原始的多維變量[20–21]。在此基礎(chǔ)上, 將提取出的前 2 個(gè)主成分因子的得分與對(duì)應(yīng)的特征值和所提取主成分因子總的特征值之和的比值相乘, 然后求和得到城市空氣質(zhì)量綜合得分, 以此分析影響空氣質(zhì)量的各類(lèi)因素[22]。

1.2.2 空氣質(zhì)量影響因子篩選

采用多元線性回歸模型, 利用城市氣候、地形、社會(huì)經(jīng)濟(jì)發(fā)展和環(huán)境質(zhì)量四方面共 48 個(gè)指標(biāo)解釋城市空氣質(zhì)量綜合得分, 并使用逐步回歸的方法進(jìn)行篩選, 以降低模型預(yù)測(cè)變量之間的共線性。定量評(píng)價(jià)不同指標(biāo)對(duì)城市空氣質(zhì)量影響的顯著性。

1.3 RBF人工神經(jīng)網(wǎng)絡(luò)模型建模

RBF 人工神經(jīng)網(wǎng)絡(luò)模型是近年來(lái)應(yīng)用于土壤、水、大氣等生態(tài)環(huán)境質(zhì)量評(píng)價(jià)的一類(lèi)人工神經(jīng)網(wǎng)絡(luò)模型[23]。它是前向型神經(jīng)網(wǎng)絡(luò)的一種, 具有強(qiáng)大的矢量分類(lèi)功能、良好的非線性擬合功能和靈活快速的自組織計(jì)算能力, 能以任意精度逼近任意非線性函數(shù)[24]。目前選擇 RBF 人工神經(jīng)網(wǎng)絡(luò)模型的算法主要有聚類(lèi)算法和隨機(jī)選擇中心點(diǎn)等。該模型的一個(gè)明顯不足是缺少確定合適的模型輸入變量的方 法[25]。為此, 我們利用逐步回歸完成模型輸入變量的篩選, 得到對(duì)城市空氣質(zhì)量具有獨(dú)立、顯著影響的城市自然環(huán)境與環(huán)境管理、社會(huì)經(jīng)濟(jì)結(jié)構(gòu)等方面的指標(biāo)[26–27]。

在RBF 人工神經(jīng)網(wǎng)絡(luò)模型中(圖 1), 隱含層單元輸出:

,

X為輸入層的輸入;C=(C1,C2, …,C)T為基函數(shù)的中心;為基函數(shù)的寬度;和均為徑向?qū)ΨQ(chēng)的非線性函數(shù), 其中為Gauss型徑向基函數(shù),為歸一化的徑向基函數(shù);為隱含層單元個(gè)數(shù);為輸入模式,=1, 2, …,(為輸入模式數(shù))。

輸出層單元的輸出:

O為輸出層的輸出,V為隱含層輸出,W為從隱含層單元到輸出層單元的連接權(quán)。

圖1 RBF人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

Fig. 1 The structure of RBFN

1.4 人工神經(jīng)網(wǎng)絡(luò)構(gòu)建

從78個(gè)城市中分層隨機(jī)選取30個(gè)城市作為特征城市[28], 其分布如表 2[24]所示, 以保證綜合得分能夠?qū)x取城市的空氣質(zhì)量有較為準(zhǔn)確的衡量。為避免量綱影響, 對(duì)全體指標(biāo)進(jìn)行歸一化處理[29], 將所有數(shù)值都?xì)w一化到[–1, 1]區(qū)間, 轉(zhuǎn)換方式為

表2 用來(lái)訓(xùn)練網(wǎng)絡(luò)的30個(gè)城市[24]

為歸一化前的30個(gè)城市綜合質(zhì)量得分,max為30個(gè)城市綜合質(zhì)量得分中的最大值,min為 30 個(gè)城市綜合質(zhì)量得分中的最小值,為歸一化后的數(shù)據(jù)。

在此基礎(chǔ)上, 對(duì)這 30 個(gè)城市的相關(guān)數(shù)據(jù)進(jìn)行訓(xùn)練, 設(shè)置的停止訓(xùn)練誤差為 10-3, 當(dāng)訓(xùn)練次數(shù)達(dá)到26次時(shí), 誤差小于10–6, 訓(xùn)練停止。

因子分析使用 SPSS 20.0, 逐步回歸使用 R 軟件3.0.1版本。RBFN網(wǎng)絡(luò)模型在MATLAB (2012a)中構(gòu)建和運(yùn)行。

2 結(jié)果與討論

2.1 城市空氣質(zhì)量得分

主成分分析得到的前 2 個(gè)主成分累計(jì)承載了 5個(gè)原始空氣質(zhì)量指標(biāo)78.7%的信息。圖 2 反映 78個(gè)城市空氣質(zhì)量綜合得分的頻率分布, 值域?yàn)閇–6.0,7.0]。綜合得分?jǐn)?shù)值越小表示空氣質(zhì)量越好, 數(shù)值越大表示空氣質(zhì)量越差。其中空氣質(zhì)量等級(jí)為 1 的城市其綜合得分小于-4.5, 平均得分為-5.0; 空氣質(zhì)量等級(jí)為2的城市綜合得分值域?yàn)閇-4.5, 1.5], 平均得分為-0.8; 空氣質(zhì)量等級(jí)為 3 的城市其綜合得分大于1.5, 平均得分為2.7。

2.2 城市空氣質(zhì)量主要影響因素

利用城市空氣質(zhì)量的綜合得分對(duì)氣候因子、城市發(fā)展因子、城市環(huán)境治理因子和城市地形因子分別進(jìn)行逐步回歸, 剔除不顯著因子, 并參考已有文獻(xiàn)篩選因子, 然后將最終所得 10 個(gè)因子綜合起來(lái)建立回歸模型, 得到的回歸結(jié)果及解釋量如表 3 所示。所有因子對(duì)空氣質(zhì)量綜合得分的解釋程度達(dá)到56.0%, 建成區(qū)面積對(duì)于綜合得分的解釋量最高, 達(dá)到 14.7%; 年平均飽和水汽壓次之, 解釋量為12.8%; 城區(qū)海拔落差的解釋量為 8.8%; 第二產(chǎn)業(yè)占GDP的比重解釋量為 7.2%。其中風(fēng)速、風(fēng)向等普遍認(rèn)為與空氣質(zhì)量有較大關(guān)系的因子都在逐步回歸中被剔除, 這可能是由于風(fēng)速、風(fēng)向的多周期變化存在, 并與污染物排放時(shí)空分布之間不存在一致性的聯(lián)系 (如風(fēng)速最大時(shí)并不一定是污染物排放最多的時(shí)間), 因此, 盡管在特定時(shí)刻風(fēng)速、風(fēng)向與城市大氣污染有較強(qiáng)的關(guān)系, 但在年際時(shí)間尺度上, 這個(gè)效應(yīng)可能被平均或掩蓋。

表3 篩選得到的因子及其回歸參數(shù)

注: *表示<0.05, **表示<0.01

年平均最高氣溫和年平均飽和水氣壓從南向北均呈遞減格局; 建成區(qū)面積以幾個(gè)一線城市和直轄市為首, 其他城市的分布格局相對(duì)分散; 地區(qū)生產(chǎn)總值的分布格局與建成區(qū)面積相似, 不同之處在于地區(qū)生產(chǎn)總值與一、二線城市的規(guī)?；疽恢? 第二產(chǎn)業(yè)占總產(chǎn)值的比例呈現(xiàn)從東向西依次遞減的趨勢(shì); 公路客運(yùn)量基本呈現(xiàn)中部地區(qū)向四周遞減的格局; 人均城市道路面積的分布比較隨機(jī), 規(guī)律不明顯; 人均綠地面積與人均城市道路面積的分布格局較為相似[29]; 城區(qū)海拔落差與城區(qū)海拔標(biāo)準(zhǔn)差都呈現(xiàn)平原地區(qū)低、山地高的特點(diǎn)。

2.3 城市空氣質(zhì)量模擬

根據(jù)構(gòu)建的 RBF 人工神經(jīng)網(wǎng)絡(luò)模型, 對(duì) 78 個(gè)城市的空氣質(zhì)量進(jìn)行模擬驗(yàn)證, 模擬結(jié)果與實(shí)際綜合得分(2.1 節(jié)中城市空氣質(zhì)量得分)進(jìn)行對(duì)比, 發(fā)現(xiàn)二者在地理空間上差距不大(圖 3)。從整體上來(lái)看, 空氣質(zhì)量為四級(jí)的地級(jí)市在全國(guó)均勻分布, 未呈現(xiàn)明顯的經(jīng)、緯度分布特征。沿海城市空氣質(zhì)量平均較優(yōu), 內(nèi)陸城市空氣質(zhì)量相對(duì)較差; 珠江三角洲區(qū)域的城市空氣質(zhì)量為全國(guó)最優(yōu), 長(zhǎng)江三角洲區(qū)域的城市次之, 京津冀區(qū)域的城市空氣質(zhì)量則普遍較差。長(zhǎng)江流域城市的空氣質(zhì)量普遍好于黃河流域城市[30]。為了驗(yàn)證模擬模型的穩(wěn)定性和可靠程度, 使用模擬綜合得分與實(shí)際綜合得分 1:1 的坐標(biāo)圖來(lái)驗(yàn)證模型的模擬準(zhǔn)確度, 模擬綜合得分與實(shí)際綜合得分比例為 0.775, 擬合優(yōu)度達(dá) 0.658,<2.2×10–14, 因此模型整體上有較好的模擬準(zhǔn)確性。

將城市模擬得分與影響因子相對(duì)比, 發(fā)現(xiàn)氣候因子、城市發(fā)展因子、城市治理因子和地形因子對(duì)于城市空氣質(zhì)量有不同的影響。年平均相對(duì)濕度、年平均最高氣溫、年平均飽和水汽壓等氣候因子較大的城市空氣質(zhì)量較好。建成區(qū)面積、地區(qū)生產(chǎn)總值、第二產(chǎn)業(yè)占總產(chǎn)值的比例、公路貨運(yùn)量和公路客運(yùn)量等城市發(fā)展因子較大的城市空氣質(zhì)量較差。在城市治理因子中, 人均城市道路面積越大的城市空氣質(zhì)量越不好, 而人均綠地面積越大的城市空氣質(zhì)量更好。海拔落差和海拔標(biāo)準(zhǔn)差較大時(shí), 城市空氣質(zhì)量也較差。

對(duì)比發(fā)現(xiàn), 城市空氣質(zhì)量的模擬值與 2010 年實(shí)際觀測(cè)值之間存在一定的區(qū)域性差異。究其原因, 一方面可能是空氣污染的年際差異所致, 另一方面, 也可能是一些區(qū)域性的環(huán)境因素未納入網(wǎng)絡(luò)中造成的[31]。如長(zhǎng)江三角洲地區(qū)城市的模擬空氣質(zhì)量好于 2010 年空氣質(zhì)量的實(shí)際觀測(cè)值, 而已有文獻(xiàn)認(rèn)為長(zhǎng)江三角洲地區(qū)城市空氣質(zhì)量受周?chē)r(nóng)民燃燒秸稈的習(xí)慣影響較大[10]。渤海和黃海周邊城市空氣質(zhì)量實(shí)際觀測(cè)值優(yōu)于模擬得分, 推測(cè)原因可能是模型沒(méi)有考慮海洋吸納空氣污染物和面?？臻g對(duì)空氣污染的稀釋作用。

利用該模型對(duì) 173 個(gè)城市的空氣質(zhì)量得分進(jìn)行模擬, 結(jié)果如圖 4 所示。沿海地區(qū)空氣質(zhì)量相對(duì)較優(yōu), 平均氣溫較低的省份(如黑龍江、遼寧)城市空氣質(zhì)量也相對(duì)較好。珠江三角洲城市群的空氣質(zhì)量?jī)?yōu)于長(zhǎng)三角城市群, 京津冀城市群的空氣質(zhì)量最差。環(huán)渤海地區(qū)由于能源結(jié)構(gòu)、產(chǎn)業(yè)布局等各方面的原因, 導(dǎo)致其空氣質(zhì)量問(wèn)題難以解決。黃河中下游地區(qū)的城市, 普遍空氣質(zhì)量堪憂(yōu)。

我國(guó)的城市空氣質(zhì)量基本上呈現(xiàn)“南優(yōu)北劣”的特點(diǎn), 珠江三角洲城市群的空氣質(zhì)量?jī)?yōu)于長(zhǎng)江三角洲, 京津冀城市群的空氣質(zhì)量最差。另外, 黃河中下游地區(qū)和環(huán)渤海地區(qū)的城市也比長(zhǎng)江中下游的城市空氣質(zhì)量差。對(duì)比發(fā)現(xiàn), 長(zhǎng)江三角洲城市群的實(shí)際情況比 RBF 人工神經(jīng)網(wǎng)絡(luò)模型模擬結(jié)果差, 而瀕臨渤海和黃海城市的實(shí)際情況比模擬結(jié)果好, 推測(cè)可能與城市周邊的環(huán)境有關(guān)?；?RBF 人工神經(jīng)網(wǎng)絡(luò)模型的模擬結(jié)果說(shuō)明, 氣候因子、城市發(fā)展因子、地形因子都對(duì)城市空氣質(zhì)量起負(fù)作用, 而城市治理因子的上升有助于城市空氣質(zhì)量改善。

3 結(jié)論

1) 利用多元統(tǒng)計(jì)方法, 篩選得到城市自然環(huán)境、社會(huì)經(jīng)濟(jì)結(jié)構(gòu)和環(huán)境治理 10 個(gè)因子, 包括年平均飽和水汽壓、年平均最高氣溫、地區(qū)生產(chǎn)總值、建成區(qū)面積、第二產(chǎn)業(yè)占 GDP 的總量、公路客運(yùn)量、人均城市道路面積、人均綠地面積、海拔落差和海拔標(biāo)準(zhǔn)差, 由此構(gòu)建的城市空氣質(zhì)量 RBF人工神經(jīng)網(wǎng)絡(luò)模型可以較好地模擬城市空氣質(zhì)量, 表明城市所處的自然環(huán)境條件、經(jīng)濟(jì)結(jié)構(gòu)和發(fā)展階段、城市的環(huán)境治理投入等不僅對(duì)城市空氣質(zhì)量具有不同程度的貢獻(xiàn), 同時(shí)也對(duì)污染氣體排放和稀釋降解方面有影響。

2) 年平均飽和水氣壓、城市建成區(qū)面積、城區(qū)海拔落差和第二產(chǎn)業(yè)占 GDP 的百分比是影響當(dāng)前中國(guó)城市空氣綜合質(zhì)量的主要因素, 分別可以解釋城市空氣質(zhì)量變異性的 14.7%, 12.8%, 8.8%和7.2%, 總共 10 個(gè)因子對(duì)中國(guó)當(dāng)前城市空氣質(zhì)量的解釋程度達(dá)到56.0%。

3) 使用模擬綜合得分與實(shí)際綜合得分 1:1 的坐標(biāo)圖來(lái)驗(yàn)證 RBF 人工神經(jīng)網(wǎng)絡(luò)模型的模擬準(zhǔn)確度, 模擬綜合得分與實(shí)際綜合得分比例為0.775, 擬合優(yōu)度達(dá)0.658,<2.2×10-14, 說(shuō)明模型的模擬準(zhǔn)確性較好, 揭示了城市空氣質(zhì)量的影響因素, 為城市空氣質(zhì)量控制的機(jī)理性研究提供線索。

4) 城市空氣質(zhì)量綜合得分的模擬值與實(shí)際觀測(cè)值之間存在一定的區(qū)域性差異, 可能是一些區(qū)域性的環(huán)境因素未納入網(wǎng)絡(luò)中造成的, 比如長(zhǎng)江三角洲地區(qū)城市空氣質(zhì)量受周?chē)r(nóng)民燃燒秸稈習(xí)慣的影響較大。

參考文獻(xiàn)

[1]WANG Shuxiao, HAO Jiming. Air quality manage-ment in China: issues, challenges, and options. Journal of Environmental Sciences (China): 2012, 24(1): 1001–0742

[2]邵超峰, 鞠美庭, 張?jiān)７? 等. 突發(fā)性大氣污染事件的環(huán)境風(fēng)險(xiǎn)評(píng)估與管理, 環(huán)境科學(xué)與技術(shù), 2009, 32(3): 200–205

[3]Wahid H, Ha Q P, Duc H, et al. Neural network-based meta-modelling approach for estimating spatial distribution of air pollutant levels. Applied Soft Computing, 2013, 13(10): 4087–4096

[4]薛佳平, 田偉利, 張清宇. 杭州市機(jī)動(dòng)車(chē) Nox 排放清單的建立及其對(duì)空氣質(zhì)量的影響. 環(huán)境科學(xué)研究, 2010, 23(5): 613–618

[5]Westerlund J, Urbain J P, Bonilla J. Application of air quality combination forecasting to Bogota. Atmosphe-ric Environment, 2014, 89(1): 22–28

[6]程好好, 曾輝, 汪自書(shū), 等. 城市綠地類(lèi)型及格局特征與地表溫度的關(guān)系. 北京大學(xué)學(xué)報(bào): 自然科學(xué)版, 2009, 45(3): 495–501

[7]余波, 周英, 劉祖涵, 等. 基于混沌理論的蘭州市近 10 a 空氣污染指數(shù)時(shí)間序列分析. 干旱區(qū)地理, 2014, 37(3): 570–578

[8]De Gennaro G, Trizio L, di Gilio A. Neural network model for the prediction of PM10daily concentrations in two sites in the Western Mediterranean. Science of the Total Environment, 2013, 463/464(1): 875–883

[9]周?chē)?guó)亮, 劉希玉, 武魯英. BP 神經(jīng)網(wǎng)絡(luò)模型在空氣質(zhì)量級(jí)別評(píng)價(jià)中的應(yīng)用. 計(jì)算機(jī)工程與設(shè)計(jì), 2009, 30(2): 392–394

[10]吳立新, 呂鑫, 秦凱, 等. 秸稈焚燒期間徐州市空氣污染物時(shí)空分布特征分析. 地理與地理信息科學(xué), 2014, 30(1): 18–31

[11]李婧, 智穎. 呼和浩特市空氣顆粒物影響因素研究. 中國(guó)環(huán)境監(jiān)測(cè), 2014, 3(7): 26–30

[12]李名升, 孫媛, 陳遠(yuǎn)航, 等. 污染排放與環(huán)境質(zhì)量關(guān)系模型構(gòu)建與應(yīng)用. 環(huán)境科學(xué), 2014, 35(3): 1198–1204

[13]Ching J. A perspective on urban canopy layer modeling for weather, climate and air quality appli-cations. Urban Climate, 2013, 3(1): 13–39

[14]Cheng Shuiyuan, Li Li, Chen Dongsheng, et al. A neural network based ensemble approach for impro-ving the accuracy of meteorological fields used for regional air quality modeling. Journal of Environmen-tal Management, 2012, 112(7): 404–414

[15]李雙成, 吳紹洪, 戴爾阜. 生態(tài)系統(tǒng)響應(yīng)氣候變化脆弱性的人工神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià). 生態(tài)學(xué)報(bào), 2005, 25(3): 25–27

[16]Wang Jun, Sheng Zheng, Zhou Bihua. Lightning potential forecast over Nanjing with denoised sounding-derived indices based on SSA and CS-BP neural network. Atmospheric Research, 2014, 137(1): 245–256

[17]Font A, Baker T, Mudway I S. Degradation in urban air quality from construction activity and increased traffic arising from a road widening scheme. Science of the Total Environment, 2014, 497/498(1): 123–132

[18]國(guó)家統(tǒng)計(jì)局. 中國(guó)統(tǒng)計(jì)年鑒 2011. 北京: 中國(guó)統(tǒng)計(jì)出版社, 2012

[19]Voukantsis D, Karatzas K, Kukkonen J, et alIntercomparison of air quality data using principal component analysis, and forecasting of PM10and PM2.5concentrations using artificial neural networks, in Thessaloniki and Helsinki. Science of the Total Environment, 2011, 409(1): 1266–1276

[20]Eder B, Bash J, Foley K, et al. Incorporating principal component analysis into air quality model evaluation. Atmospheric Environment, 2014, 82(1): 307–315

[21]胡開(kāi)明, 李冰, 王水, 等. 太湖流域(江蘇省)水質(zhì)污染空間特征. 湖泊科學(xué), 2014, 26(2): 200–206

[22]Yuan Hongchun, Shen Xiaoqian, Chen Xinjun. Pre-diction of fishing ground based on RBF neural net-work. Procedia Engineering, 2011, 15(1): 3240–3244

[23]師華定, 高慶先, 莊大方, 等. 基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFN)的內(nèi)蒙古土壤風(fēng)蝕危險(xiǎn)度評(píng)價(jià). 環(huán)境科學(xué)研究, 2008, 21(5): 1001–6929

[24]Russo A, Raischel F, Lind P G. Air quality prediction using optimal neural networks with stochastic vari-ables. Atmospheric Environment, 2013, 79(1): 822–830

[25]趙宏, 劉愛(ài)霞, 王愷, 等. 基于GA-ANN改進(jìn)的空氣質(zhì)量預(yù)測(cè)模型. 環(huán)境科學(xué)研究, 2009, 11(1): 1276–1281

[26]Han Honggui, Chen Qili, Qiao Junfei. An efficient self-organizing RBF neural network for water quality prediction. Neural Networks, 2011, 24(1): 717–725

[27]謝正苗, 王艷平, 周廣柱. 基于BP網(wǎng)絡(luò)的城市空氣質(zhì)量中長(zhǎng)期預(yù)測(cè)研究. 科技通報(bào), 2010, 26(2): 245–248

[28]Luna A S, Paredes M L, de Oliveira G. Prediction of ozone concentration in tropospheric levels using artificial neural networks and support vector machine at Rio de Janeiro, Brazil. Atmospheric Environment, 2014, 98(1): 98–104

[29]徐祥德, 丁國(guó)安, 卞林根. 北京城市大氣環(huán)境污染機(jī)理與調(diào)控原理. 應(yīng)用氣象學(xué)報(bào), 2007, 17(6): 815–828

[30]Jiang D, Zhang Y, Hu X, et alProgress in developing an ANN model for air pollution index forecast. Atmospheric Environment, 2004, 38(40): 7055–7064

[31]De Ridder K, Kumar U, Lauwaet D, et alKalman filter-based air quality forecast adjustment. Atmos-pheric Environment, 2012, 50(1): 381–384

[32]Huo Z, Feng S, Kang S, et al. Artificial neural net-work models for reference evapotranspiration in an arid area of northwest China. Journal of Arid Envir-onments, 2012, 82(1): 81–90

Influence Major Factors Analysis of Comprehensive Air Quality in the Cities in China

YANG Yang, SHEN Zehao, ZHENG Tianli, DING Yuchen, LI Bengang?

Laboratory MOE of Earth Surface Processes, College of Urban and Environmental Sciences, Peking University, Beijing 100871; ?Corresponding author, E-mail: libengang@pku.edu.cn

Based on the air quality data of five indices in 2010 for 78 main cities of China, the research calculated the comprehensive score of urban air quality, selected ten out of 48 variables describing the climate, topography, urban development and environment management of these cities with multivariate linear regression analysis, and quantified their contribution to the urban air quality. Based on the comprehensive score of urban air quality, the authors used a stratified random sample of 30 from the 78 cities, as a training sample, to construct a radial basis function network (RBFN) model, which was used to simulate air quality of 173 main cities in China based on the natural and social-economic features, and environmental management of the cities. The results indicated that the average saturation vapor pressure, built-up urban area, elevation range, and the percentage of industry in GDP as four major dominants of urban air quality, accounting for the variation by 14.7%, 12.8%, 8.8% and 7.2%, respectively. This study broke the limitation of most previous air quality assessment models, which merely took air pollutants and meteorological factors as input. The resultshowed a high accuracy (2=0.658,<2.2×10-14)of the RBFN model.

RBF neural network; urban air quality; causal factors

10.13209/j.0479-8023.2016.115

X144

國(guó)家自然科學(xué)基金(41371190, 31021001)資助

2015-05-12;

2015-08-19;

網(wǎng)絡(luò)出版日期: 2016-11-06