章 紅，高雅萍

(成都理工大學(xué) 地球科學(xué)學(xué)院，成都 610059)

BP神經(jīng)網(wǎng)絡(luò)天頂濕延遲與霧霾相關(guān)分析

章 紅，高雅萍

(成都理工大學(xué) 地球科學(xué)學(xué)院，成都 610059)

為了進(jìn)一步研究監(jiān)測(cè)霧霾的方法，提出運(yùn)用GPS手段進(jìn)行霧霾監(jiān)測(cè)：先對(duì)天頂濕延遲與PM2.5含量進(jìn)行相關(guān)性分析；然后利用BP神經(jīng)網(wǎng)絡(luò)對(duì)霧霾天氣進(jìn)行預(yù)測(cè)，通過分析天頂濕延遲的變化趨勢(shì)推導(dǎo)出霧霾的變化趨勢(shì)。實(shí)驗(yàn)結(jié)果表明：霧霾與天頂濕延遲具有一定的正相關(guān)性，BP神經(jīng)網(wǎng)絡(luò)方法能夠在一定程度上利用天頂濕延遲的含量變化預(yù)測(cè)霧霾的變化。

霧霾；BP神經(jīng)網(wǎng)絡(luò)；天頂濕延遲；PM2.5

0 引言

近些年來，我國(guó)的經(jīng)濟(jì)高速發(fā)展，但同時(shí)環(huán)境污染問題也日益突出。其中最突出的就是霧霾污染。在氣象學(xué)中霧與霾是2種不同的概念，霧是由水汽凝結(jié)而成，霾則是由大量漂浮在空氣中的顆粒物形成。霧的形成相對(duì)濕度大于90 %且能見度小于1 km，而霾的相對(duì)濕度大于80 %且能見度小于10 km。通常把相對(duì)濕度在80 %～90 %之間且能見度低于10 km的渾濁現(xiàn)象稱為霧霾。霧霾主要組成為二氧化硫、氮氧化物和可吸入顆粒物?？晌腩w粒物是指空氣動(dòng)力學(xué)當(dāng)量直徑小于10 μm的顆粒物?？諝鈩?dòng)力學(xué)當(dāng)量直徑小于等于2.5 μm的顆粒物稱為細(xì)顆粒物(particulate matter 2.5，PM2.5)。因?yàn)镻M2.5能夠長(zhǎng)時(shí)間懸浮在空氣中，所以PM2.5含量會(huì)直接影響到能見度和空氣質(zhì)量。

利用全球定位系統(tǒng)(globle positioning system，GPS)監(jiān)測(cè)的數(shù)據(jù)可以進(jìn)行大氣可降水量(precipitable water vapor，PWV)的計(jì)算。隨著GPS氣象學(xué)的發(fā)展，國(guó)內(nèi)許多學(xué)者利用GPS數(shù)據(jù)計(jì)算得到的PWV對(duì)霧霾進(jìn)行研究。文獻(xiàn)[1-2]利用GPS技術(shù)進(jìn)行霧霾天氣監(jiān)測(cè)的探索。文獻(xiàn)[3]利用GPS及格洛納斯衛(wèi)星導(dǎo)航系統(tǒng)(global navigation satellite system,GLONASS)組合精密單點(diǎn)定位技術(shù)監(jiān)測(cè)北京地區(qū)霧霾對(duì)天頂對(duì)流層延遲的影響，得出霧霾發(fā)生時(shí)對(duì)流層延遲與霧霾程度有一定的相關(guān)性。文獻(xiàn)[4]在空氣質(zhì)量良好的條件下對(duì)GPS水汽與PM2.5變化進(jìn)行分析。文獻(xiàn)[5-6]利用北京地區(qū)和西安地區(qū)資料將GPS水汽與霧霾進(jìn)行對(duì)比分析。文獻(xiàn)[7-12]研究不同季節(jié)的霧霾天氣與GPS水汽含量的相關(guān)性，同時(shí)利用小波分析方法將GPS PWV與PM2.5進(jìn)行比較研究。

1 天頂濕延遲與PM2.5相關(guān)性分析

用GPS的方法來探測(cè)空間水汽是一種新型的探測(cè)方法，目前這種方法廣泛用于數(shù)值天氣預(yù)報(bào)、氣候監(jiān)測(cè)等方面。GPS信號(hào)在穿過大氣層時(shí)會(huì)受到大氣折射延遲的影響，這些延遲分為2類，一類是電離層延遲，另一類是對(duì)流層延遲。電離層延遲可以通過雙頻或電離層模型觀測(cè)予以減弱或消除。對(duì)流層天頂總延遲(zenith total delay，ZTD)是指GPS信號(hào)從天頂方向穿過大氣層到達(dá)地面接收機(jī)的傳播路徑與理論路徑的偏差。ZTD分為天頂干延遲(zenith hydrostatic delay，ZHD)和天頂濕延遲(zenith wet delay，ZWD)。ZTD等于ZHD與ZWD之和。ZHD可以通過地表氣象參數(shù)利用模型來獲得，計(jì)算ZHD的模型有hopfield模型、saastamoinen模型、black模型、EGNOS模型等。ZWD也可通過模型獲取，但需要知道地面的水汽壓，這樣增加了地面氣象要素和氣象要素觀測(cè)誤差對(duì)濕延遲計(jì)算精度的影響，導(dǎo)致ZWD的計(jì)算精度不高。故ZWD可以利用ZTD減去ZHD獲得，即天頂濕延遲可以寫成ZWD=ZTD-ZHD。

為了分析ZWD與PM2.5的相關(guān)性，需要知道PM2.5的含量。本文選取的是2014-10北京市每小時(shí)的PM2.5含量數(shù)據(jù)。由于數(shù)據(jù)較多，選取2014-10北京的部分PM2.5含量數(shù)據(jù)，如表1所示。

表1 2014-10北京部分PM2.5含量 μg·m-3

本文的天頂總延遲數(shù)據(jù)是通過國(guó)際全球衛(wèi)星導(dǎo)航系統(tǒng)(global navigation satellite system，GNSS)服務(wù)組織(International GNSS Service，IGS)網(wǎng)站下載得到的。IGS網(wǎng)站下載的BJFS站的ZTD的時(shí)間間隔為5 min，將其轉(zhuǎn)化為時(shí)間間隔1 h的ZTD。由于IGS網(wǎng)站2014-10-15和2014-10-16 BJFS站的ZTD數(shù)據(jù)缺失，故2014-10 BJFS的ZTD數(shù)據(jù)只有29 d。ZHD的計(jì)算是采用saastamoinen模型通過Matlab編程計(jì)算得到。saastamoinen模型計(jì)算公式參照文獻(xiàn)[13]。計(jì)算天頂干延遲所需的氣象參數(shù)可以在IGS網(wǎng)站下載。由于IGS上的氣象參數(shù)采樣間隔為30 s，本文將1 h的氣象參數(shù)平均值代入到天頂干延遲的計(jì)算模型中。在IGS網(wǎng)站下載的計(jì)算天頂干延遲所的部分氣象參數(shù)如圖1所示。

圖1 IGS下載的部分氣象參數(shù)

由于數(shù)據(jù)較多、篇幅限制，本文僅僅列出2014-10-1 BJFS站的ZTD、ZHD、ZWD結(jié)算結(jié)果，具體如表2所示。

表2 2014-10-1 BJFS站的對(duì)流層延遲解算結(jié)果 mm

在解算出ZHD、ZWD的值后，以時(shí)間為橫坐標(biāo)軸，分別繪制出PM2.5與ZTD、ZWD和ZHD的折線圖，如圖2～圖4所示。

圖2 PM2.5與ZTD

圖3 PM2.5與ZHD

圖4 PM2.5與ZWD

從圖2～圖4可以看出ZWD和ZHD與PM2.5都有一定的相關(guān)性。利用SPSS Statistics軟件分別對(duì)ZTD、ZHD、ZWD與PM2.5 進(jìn)行相關(guān)分析，得到相關(guān)系數(shù)Pearson系數(shù)和sig值：相應(yīng)的Pearson系數(shù)分別為0.351、-0.415、0.453；相應(yīng)的sig值為0.000、0.000、0.000。ZTD和ZWD的Pearson系數(shù)都大于0且sig值都小于0.01，ZTD和ZWD與PM2.5含量呈現(xiàn)正相關(guān)性；而ZHD的Pearson系數(shù)小于0且sig值小于0.01，ZHD與PM2.5含量呈現(xiàn)負(fù)相關(guān)。

2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是基于誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，每個(gè)神經(jīng)元只前饋到下一層的所有神經(jīng)元，沒有層內(nèi)聯(lián)結(jié)、各層聯(lián)結(jié)和反饋聯(lián)結(jié)，在科學(xué)和工程領(lǐng)域得到廣泛的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)具有輸入層、隱含層、輸出層。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在這個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖中輸入值有i個(gè)，隱含層有j層，輸出值為k個(gè)，輸入層與隱含層之間的連接權(quán)為Wij，隱含層與輸出層的連接權(quán)為Wjk。BP神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)是將輸入和輸出的一組樣本轉(zhuǎn)化成非線性優(yōu)化問題，通過梯度算法利用迭代運(yùn)算求解權(quán)值問題的一種算法。其主要學(xué)習(xí)過程分為2部分：第一部分是信息正向傳播過程；第二部分是誤差反向傳播過程。在正向傳播過程中，輸入信息經(jīng)過輸入層、隱含層處理并傳向輸出層；如果輸出層得不到期望的輸出，則進(jìn)入誤差反向傳播過程，將誤差信號(hào)沿原來的路徑返回，通過反復(fù)修改權(quán)值和閾值，使其達(dá)到期望的輸出。

3 實(shí)驗(yàn)與結(jié)果分析

文獻(xiàn)[14]是BP神經(jīng)網(wǎng)絡(luò)用于霧霾的預(yù)測(cè)，本文是運(yùn)用BP神經(jīng)網(wǎng)絡(luò)以ZWD對(duì)PM2.5含量進(jìn)行預(yù)測(cè)。由于IGS網(wǎng)站2014-10-15和2014-10-16 BJFS站的ZTD數(shù)據(jù)缺失，利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)PM2.5含量時(shí)選取的時(shí)間段為2014-10-17至2014-10-31。將時(shí)間間隔為1 h的ZWD和PM2.5含量以取平均值的方式轉(zhuǎn)化成時(shí)間間隔為1 d的ZWD和PM2.5含量。通過SPSS Statistics軟件對(duì)ZWD和PM2.5含量進(jìn)行相關(guān)性分析發(fā)現(xiàn)：PM2.5含量與當(dāng)天和前一天的ZWD相關(guān)性較大。本文選取的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下：輸入層分為2種情況，第1種情況輸入層的訓(xùn)練數(shù)據(jù)為[98.34 140.49 116.23 89.30 108.30 110.62 104.26 111.54 39.34 92.89 112.63]'，其單位為μg·m-3，第2種情況輸入層的訓(xùn)練數(shù)據(jù)為[62.84 98.34 140.49 116.23 89.30 108.30 110.62 104.26 111.54 39.34 92.89；98.34 140.49 116.23 89.30 108.30 110.62 104.26 111.54 39.34 92.89 112.63]'，其單位為g·m-3；輸出層為PM2.5的含量；隱含層數(shù)的確定方法參照文獻(xiàn)[15]中的Kolmogorov定理所給出的輸入層神經(jīng)數(shù)目與隱含層神經(jīng)元數(shù)目的等量關(guān)系；隱含層的激活函數(shù)為tansig，輸出層的激活函數(shù)為logsig；前11組數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，后3組數(shù)據(jù)為測(cè)試數(shù)據(jù)。選取神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖6～圖7所示。

圖6 第1種情況網(wǎng)絡(luò)結(jié)構(gòu)

圖7 第2種情況網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)所選的神經(jīng)網(wǎng)路結(jié)構(gòu)，將2種情況分別運(yùn)用Matlab軟件進(jìn)行編程計(jì)算，得到的結(jié)果如圖8～圖9所示。

圖8 第1種情況運(yùn)行的結(jié)果

圖9 第2種情況運(yùn)行的結(jié)果

分別對(duì)比圖8～圖9的預(yù)測(cè)值與期望值可知其雖有差別但變化的趨勢(shì)基本一致。將期望輸出的PM2.5含量與預(yù)測(cè)輸出的PM2.5含量的差值除以期望輸出的PM2.5含量再乘以百分之百，稱為誤差率。其2種情況的誤差率如表3所示。

從誤差率來看第2種情況預(yù)測(cè)的PM2.5含量總體較第1種情況好，即以2 d的ZWD為神經(jīng)網(wǎng)絡(luò)的輸入層比1 d的ZWD為神經(jīng)網(wǎng)絡(luò)的輸入層預(yù)測(cè)的PM2.5含量更準(zhǔn)確。

表3 誤差率

4 結(jié)束語

本文對(duì)ZTD、ZHD、ZWD與PM2.5含量的相關(guān)性進(jìn)行分析，得出ZWD與PM2.5含量具有正相關(guān)性。使用BP神經(jīng)網(wǎng)絡(luò)對(duì)PM2.5含量進(jìn)行預(yù)測(cè)，利用2014-10 BJFS站的ZWD和北京市的PM2.5含量數(shù)據(jù)，以ZWD為神經(jīng)網(wǎng)絡(luò)的輸入層，PM2.5含量為神經(jīng)網(wǎng)絡(luò)的輸出層，對(duì)PM2.5含量進(jìn)行預(yù)測(cè)。預(yù)測(cè)的PM2.5含量與期望的PM2.5含量變化趨勢(shì)基本一致。但此方法只能通過監(jiān)測(cè)ZWD來預(yù)測(cè)PM2.5含量的變化趨勢(shì)，尚不能準(zhǔn)確預(yù)測(cè)PM2.5含量的大小。

[1] 呂旭陽.GPS技術(shù)用于霧霾天氣監(jiān)測(cè)的探索研究[D].西安：長(zhǎng)安大學(xué)，2015.

[2] 李燕敏.地基GNSS反演技術(shù)在PM2.5監(jiān)測(cè)中的初步探究[D].成都：成都理工大學(xué)，2015.

[3] 陳林，郭承軍，范進(jìn)偉.GNSS系統(tǒng)監(jiān)測(cè)霧霾對(duì)天頂對(duì)流層延遲的影響[J].通信與網(wǎng)絡(luò)，2016，42(4)：95-98.

[4] 劉嚴(yán)萍，王勇，李江波.北京APEC會(huì)議期間GPS水汽與PM2.5/PM10的相關(guān)性比較[J].災(zāi)害學(xué)，2015，30(3)：26-30.

[5] 張雙成，李振宇，戴凱陽，等.北京地區(qū)GPS水汽變化與霧霾的相關(guān)性[J].測(cè)繪科學(xué)，2016(41)：43-47.

[6] 張雙成，趙迎輝，戴凱陽，等.西安地區(qū)霧霾與GPS水汽的相關(guān)性分析[J].工程勘察，2016(3)：47-50.

[7] 王勇，劉嚴(yán)萍，李江波，等.不同季節(jié)的北京市GPS可降水量與PM2.5/PM10的比較研究[J].大地測(cè)量與地球動(dòng)力學(xué)，2015，35(3)：365-367.

[8] 王勇，劉嚴(yán)萍，李江波，等.河北省GPS水汽與PM2.5質(zhì)量濃度比較研究[J].大地測(cè)量與地球動(dòng)力學(xué)，2016，36(1)：40-42.

[9] 王勇，劉嚴(yán)萍.基于小波分析的GPS PWV與PM2.5比較研究[J].大地測(cè)量與地球動(dòng)力學(xué)，2016，36(5)：430-433.

[10] 王勇，聞德保，劉嚴(yán)萍，等.霧霾天氣對(duì)GPS天頂對(duì)流層延遲與可降水量影響研究[J].大地測(cè)量與地球動(dòng)力學(xué)，2014，34(2)：120-123.

[11] 王勇，劉嚴(yán)萍，李江波，等.GPS和無線電探空的水汽變化與PM2.5/PM10變化的相關(guān)性研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2016，41(12)：1626-1631.

[12] 王勇，劉嚴(yán)萍.地基GPS氣象學(xué)原理與應(yīng)用研究[M].北京：測(cè)繪出版社，2012.

[13] 文鴻雁，何美琳，潘元進(jìn).區(qū)域延遲模型在CORS站反演水汽中的應(yīng)用[J].測(cè)繪科學(xué)技術(shù)學(xué)報(bào)，2012，29(6)：406-409.

[14] 艾洪福，石瑩.基于BP人工神經(jīng)網(wǎng)絡(luò)的霧霾天氣預(yù)測(cè)研究[J].計(jì)算機(jī)仿真，2015，32(1)：402-405.

[15] 焦斌，葉明星.BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)確定方法[J].上海電機(jī)學(xué)院學(xué)報(bào)，2013，16(3)：113：116.

CorrelationanalysisbetweenzenithwetdelayandhazebyBPneuralnetwork

ZHANGHong，GAOYaping

(College of Earth Sciences，Chengdu University of Technology，Chengdu 610059，China)

In order to further study on the technological methods of mornitoring haze，the paper proposed to use GPS in the supervision：the correlation between zenith wet delay and PM2.5 contents was analyzed，and the hazy weather was predicted by using BP neural network，and the changing trend of haze was deduced through analyzing that of zenith wet delay.Experimental result showed that there existed a positive correlation between haze and zenith wet delay，and the BP neural network method could predict the change of haze by analyzing the content change of zenith wet delay to some extent.

haze；BP neural network；zenith wet delay；PM2.5

2017-04-07

章紅(1991—)，男，安徽銅陵人，碩士研究生，研究方向?yàn)镚PS數(shù)據(jù)處理。

章紅，高雅萍.BP神經(jīng)網(wǎng)絡(luò)天頂濕延遲與霧霾相關(guān)分析[J].導(dǎo)航定位學(xué)報(bào)，2017，5(4)：46-50.(ZHANG Hong，GAO Yaping.Correlation analysis between zenith wet delay and haze by BP neural network[J].Journal of Navigation and Positioning，2017，5(4)：46-50.)

10.16547/j.cnki.10-1096.20170410.

P228

A

2095-4999(2017)04-0046-05