CN110807567A - 一种基于周期分析和滤波技术的污染减排效果评估方法 - Google Patents

Abstract

本发明提供了一种基于周期分析和滤波技术的污染减排效果评估方法，包括如下步骤，1)气象要素的选择及时间序列分解；选择KZ滤波或小波变换，将选择的气象因子的时间序列分解；2)污染物浓度与气象因子之间的关系建模；利用BP神经网络，分别就短期分量尺度和基线尺度，建立气象因子与污染物浓度之间的关系模型；3)基于气象调整的污染物浓度时间序列重建；4)通过比较重建前后的污染物浓度时间序列变化，反映出气象因素对污染控制有效性的影响。本发明实现了将混杂在污染物浓度中的气象信息与污染源信息分离，而后分别估算污染源变化和气象条件二者对环境质量的影响程度。可以实现污染减排效果的定量评估。

Description

一种基于周期分析和滤波技术的污染减排效果评估方法

技术领域

本发明属于大气污染防治技术领域，尤其是涉及一种基于周期分析和滤波技术的污染减排效果评估方法。

背景技术

大气污染控制实施后的环境效果在很大程度上取决于同期的气象条件，当有利于污染物扩散的气象条件出现较频繁时，污染控制的环境效果就显著，而当抑制大气扩散的气象条件出现的频率超过一定限值后，污染控制的环境效果会不显著，甚至有可能出现控制后的环境浓度较控制前还高的反常情况。

大气污染物浓度的时间序列中包含两类信息：一是污染源的影响；二是气象条件的影响；气象条件变化引起的空气污染物浓度变化的幅度往往大于由污染源排放变化引起的浓度变化的幅度，污染源排放变化的信息往往被“掩盖”。

为了检验大气污染控制是否有效，需要了解仅由污染源排放变化所致的污染物浓度变化趋势。这就必须建立适当的方法，先将混杂在污染物浓度中的气象信息与污染源信息分离，而后分别估算污染源变化和气象条件二者对环境质量的影响程度。

目前评估气象要素对颗粒物大气污染控制有效性的影响，主要是利用数值模拟方法。数值模拟一般是假设排放源不变条件下，分别利用拟评估时段(年、季等)的气象要素及基准气象要素进行模拟计算，对比分析两者数值模拟的污染物浓度差异，认为是评估时段气象要素对污染物环境浓度变化的影响和贡献。此种方法是基于数值模式计算，计算时间长，且受排放源清单和模式中化学机制的不确定性影响。

发明内容

有鉴于此，本发明的目的是克服以上方法在应用过程中的局限性，基于长时间序列污染物浓度变化周期分析和滤波技术分别定量评估污染减排和气象要素对空气质量变化的贡献。特别涉及大气环境改善中减排和气象贡献的定量评估方法。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于周期分析和滤波技术的污染减排效果评估方法，包括如下步骤，

1)气象要素的选择及时间序列分解；选择KZ滤波或小波变换，将选择的气象因子的时间序列分解；

2)污染物浓度与气象因子之间的关系建模；利用BP神经网络，分别就短期分量尺度和基线尺度，建立气象因子与污染物浓度之间的关系模型；

3)基于气象调整的污染物浓度时间序列重建；

4)通过比较重建前后的污染物浓度时间序列变化，反映出气象因素对污染控制有效性的影响。

优选的，步骤1)中，选择KZ滤波或小波变换，将选择的气象因子的时间序列分解为短期分量、季节分量及长期分量，各分量的尺度(或频段)选择与污染物浓度时间序列分解时相同；

M(t)＝MW(t)+MS(t)+Me(t) (1)

式中，M(t)、MW(t)、MS(t)及Me(t)分别表示分解前的气象因子时间序列及分解后的短期分量、季节分量和长期分量。

优选的，气象因子包括24小时温差ΔT₂₄、日最低气温TMIN、24小时变温场、风速、混合层高度、总云量、低云量、相对湿度、露点温度中的一种或两种以上；优选的，24小时温差ΔT₂₄采用差分形式，ΔT′＝3ΔT_i-4ΔT_i-1+ΔT_i-2，其中，ΔT_i表示第i天最高气温与最低气温的差值；日最低气温TMIN采用差分形式，TMIN′＝3TMIN_i-4TMIN_i-1+TMIN_i-2，其中，TMIN_i表示第i天的最低气温；24小时变温场指的是850hpa高度的24小时变温场。

制约大气污染物水平、垂直扩散的直接因素是平均风和湍流，而平均风和湍流又由大尺度天气背景与大气边界层层结所控制。根据污染形成特点及其与气象条件的相关关系，选择如下种典型的气象要素，来研究其对污染物日均浓度的影响：

(1)24小时温差ΔT₂₄

ΔT₂₄是指24小时内(当日00时至次日00时)最高气温与最低气温的差值。当24小时周期内的天气系统为暖高压控制时，天空晴朗，地面有效辐射较大，夜间降温多，日间增温大，最高气温与最低气温的差值ΔT₂₄较大。由于高压控制下，一般风速较小，并伴有空气的下沉运动，形成下沉逆温，抑制湍流的向上发展，阻碍污染物的垂直扩散。因此，ΔT₂₄通常与大气污染物日均浓度有明显的正相关关系。

由于ΔT₂₄不是时间的连续函数，为应用方便，选择如下的差分形式：ΔT′＝3ΔT_i-4ΔT_i-1+ΔT_i-2，其中，ΔT_i表示第i天最高气温与最低气温的差值。ΔT′可以在一定程度上表征天气系统是否高压(或低压)控制。

(2)日最低气温TMIN

统计资料显示，日最低温度与SO₂和PM₁₀浓度也存在较好的相关性。但日最低温度具有明显的季节变化特征，因此，TMIN与上述污染物浓度表现出的相关性有可能是间接的。为了去除季节变化，定义差分形式的变量TMIN′，其中，TMIN_i表示第i天的最低气温。

TMIN′＝3TMIN_i-4TMIN_i-1+TMIN_i-2

(3)24小时变温场

850hpa高度的24小时变温场是反映冷空气强弱的重要指标，变温越大，说明冷空气越强，通常在这种天气过程时，SO₂和PM₁₀环境浓度较小。

(4)风速

大气污染物的水平稀释和输送主要是平均风的作用。一般，风速越大，污染物的扩散能力越强，但另一方面，风速越大，则烟羽的抬升高度越低，反而会增加污染物的地面浓度，同时风速增大还可能增加开放源的源强，因此风速对污染物环境浓度具有双重影响。

(5)混合层高度

大气边界层的高度(或厚度)和结构与大气边界层内的温度分布或大气稳定度相关。中性或不稳定时，由于动力或热力湍流的作用，边界层内上下层之间产生强烈的动量或热量交换。混合层向上发展时，常受到位于边界层上边缘的逆温层底部的限制。日间混合层高度表征了污染物垂直扩散的最大高度，混合层高度越高，说明大气垂直扩散能力越强。混合层高度可以由探空资料求得。

优选的，步骤2)中，根据污染物浓度及气象因子的时间序列分解结果，分别从短期分量尺度和基线分量(季节变化+长期分量)尺度，按一定显著性水平筛选出统计检验为显著的气象因子作为自变量，利用神经网络建立气象因子与污染物浓度之间的函数关系模型，形如下式：

W(t)＝f(MW₁(t),MW₂(t),MW₃(t)......) (2)

X_baseline(t)＝f(M_1baseline(t),M_2baseline(t),M_3baseline(t)......) (3)

式中，W(t)及MW₁(t),MW₂(t),MW₃(t).....分别为污染物浓度及气象因子时间序列的短期分量；X_baseline(t)及M_1baseline(t),M_2baseline(t),M_3baseline(t)...分别为污染物浓度及气象因子时间序列的基线；

式中，W(t)、MW_i(t)分别为污染物浓度及第i气象因子的短期分量；α_i为回归系数；ε_st(t)为短期分量的回归残差。类似地，X_baseline(t)、Mi_baseline(t)分别为污染物浓度及第i气象因子的基线；β_j为回归系数；ε_baseline(t)为基线回归残差。

优选的，步骤3)中，根据步骤2)中的关系模型，拟和得出的污染物浓度时间序列X′(t)可认为主要反映了气象因素的影响；“真实”的污染物浓度时间序列(即样本值)X(t)与拟和的时间序列X′(t)之间的残差ε_{mod el}(t)可表示如下：

ε_model(t)＝ε_BL(t)+ε_ST(t) (7)

式中，ε_BL(t)和ε_ST(t)分别为基线拟和残差与短期分量拟和残差；ε_model(t)为总残差。总残差反映了如下几方面的贡献：(1)污染物排放源强变化的影响；(2)建模时未考虑到的气象因素的影响；(3)噪声，主要包括：建模的方法误差、污染物浓度的监测误差、气象因子的观测误差以及其它随机波动。

对ε_{mod el}(t)再进行KZ(365,3)滤波(或相应尺度的小波变换重构)，得到如下的关系式：

ε_model(t)＝ε_LT(t)+δ(t) (8)

式中，ε_LT(t)表示与污染控制有关的污染源排放改变所引起的SO₂和PM₁₀日均浓度(对数值)非线性的长期变化；δ(t)为未考虑到的气象因素影响及其它噪声；

为直观地反映滤除气象影响(气象调整)前后，污染物浓度(长期分量)时间序列的变化，对其进行如下的重建：

式中，X_LTadj(t)为经气象调整后(滤除气象因素影响)重建的污染物日均浓度长期分量时间序列；为污染物浓度序列长期分量的均值，即：

由于引起污染物浓度长期分量在其均值

附近波动的因素有两个：气象因素变化和污染源排放变化。而ε_LT(t)反映了污染源排放的改变所引起的浓度长期分量波动，因此，将ε_LT(t)叠加于

上即可得到仅与污染源排放有关的浓度长期分量。通过比较重建前后的污染物浓度时间序列变化，可反映出气象因素对污染控制有效性的影响。

本发明所述的一种基于周期分析和滤波技术的污染减排效果评估方法的有益效果：

大气污染物浓度时间序列是多种不同时空尺度的物理和化学过程作用的结果，为了分析不同尺度过程对污染物浓度的影响，需要将浓度时间序列分解为不同周期的波动。由于大气污染物的形成机制不同，且不同尺度(周期)的过程对污染物浓度变化的贡献存在较大的差异，因此，首先需要建立污染物时间序列分解的有效方法。同时要筛选影响污染物浓度的关键气象因子，建立能较好地反映气象因子与污染物浓度之间映射关系的模型。最后将先将混杂在污染物浓度中的气象信息与污染源信息分离，分别估算污染源变化和气象条件二者对环境质量的影响程度。

本发明实现了将混杂在污染物浓度中的气象信息与污染源信息分离，而后分别估算污染源变化和气象条件二者对环境质量的影响程度。可以实现污染减排效果的定量评估。

附图说明

图1为本发明实施例所述的污染控制有效性评估流程；

图2为本发明实施例所述的SO₂日均浓度时间序列分解；

图3为本发明实施例所述的污染物浓度和气象因子的基线及短期变化时间序列分解；

图4为本发明实施例所述的SO₂浓度(对数值)与气象因子基线时间序列的神经网络回归结果，

(a)为监测值与拟和值的散点图；R表示监测值与拟和值之间的相关系数

(b)为污染物浓度监测值(实线)与拟和值(虚线)的基线时间序列；

图5为本发明实施例所述的PM10浓度(对数值)与气象因子基线时间序列的神经网络回归结果，

(a)为监测值与拟和值的散点图；R表示监测值与拟和值之间的相关系数

(b)为污染物浓度监测值(实线)与拟和值(虚线)的基线时间序列；

图6为本发明实施例所述的滤除气象影响前后SO₂日均浓度长期变化趋势(黑色曲线为未滤除气象影响的序列，浅色曲线为滤除气象影响后的序列)；

图7为本发明实施例所述的滤除气象影响前后PM₁₀日均浓度长期变化趋势(黑色曲线为未滤除气象影响的序列，浅色曲线为滤除气象影响后的序列)。

具体实施方式

除有定义外，以下实施例中所用的技术术语具有与本发明所属领域技术人员普遍理解的相同含义。

下面结合实施例来详细说明本发明。

第一步污染物浓度和气象因子时间序列的分解

利用小波变换滤波，将气象因子和污染物浓度时间序列ME(t)分解为短期变化分量和基线分量两部分。

图3为选择的部分气象因子经小波变换分解后的基线时间序列和短期变化时间序列。

第二步：污染物浓度与气象因子基线时间序列的关系建模

神经网络应用于基线时间序列建模

对SO₂和PM₁₀浓度基线序列分别建立3层的MLP网络。初始输入层包括10个神经元，分别为：24小时温差的差分dt24、日最低气温的差分dtmin、每天08时、14时和20时的混合层高度、相对湿度的日均值、ws为日平均风速、每天02时、08时、14时和20时露点温度等气象变量的基线时间序列；输出层有一个神经元(SO₂或PM₁₀日均浓度对数值的基线序列)；隐层中的神经元数目经试错法确定，SO₂模型和PM₁₀模型的隐层神经元均为20个。

图4和5分别为利用改进的BP神经网络回归的SO₂及PM₁₀浓度基线时间序列与气象因子基线序列之间的关系。监测值与拟和值之间的相关系数R值在0.96-0.97之间；监测值与拟和值符合地较好，仅在个别突变点上偏差较大。

第三步：残差分析及气象调整后的浓度时间序列重建

关系模型的残差分析

利用建立的关系模型得到的拟和值P_i反映了气象因子变化所引起的污染物浓度的变化；而污染物日均浓度监测值的对数(即样本值)O_i与关系模型的拟和值P_i之间的残差ε_{mod el}(t)则反映了其它因素对污染物浓度的影响。ε_model(t)由两部分组成，表示如下：

ε_model(t)＝O_i-P_i＝ε_BL(t)+ε_ST(t) (11)

式中，ε_BL(t)和ε_ST(t)分别为基线拟和残差与短期分量拟和残差。ε_model(t)为总残差，反映了如下几方面对污染物浓度变化的贡献：(1)污染物排放源强变化的影响；(2)未考虑到的气象因素的影响；(3)噪声，主要包括：建模的方法误差、污染物浓度的监测误差、气象因子的观测误差以及其它随机波动。

对ε_{mod el}(t)进行KZ(365,3)滤波或相应尺度的小波变换，得到如下的关系式：

ε_model(t)＝ε_长期(t)+δ(t) (12)

式中，ε_长期(t)＝ε_KZ(365,3)(t)表示污染源排放改变(与污染控制有关)所引起的SO₂和PM₁₀日均浓度的长期变化。δ(t)为未考虑到的气象因素影响及其它噪声。

气象调整后的浓度时间序列重建

为直观地反映滤除气象因子的影响(即“气象调整”)前后，污染物日均浓度的长期变化，需要对污染物浓度序列进行重建。引起污染物浓度长期分量在其均值附近波动的因素有两个：气象因素和污染源排放。而ε_长期(t)恰反映了滤除气象因素影响后，仅由于污染源排放的改变所引起的浓度长期分量的变化。因此，将ε_长期(t)叠加于

上即可得到“滤除气象因素影响”后的污染物日均浓度长期分量序列X_LTadj(t)。

其中，X_LTadj(t)为滤除气象因子的影响后重建的污染物日均浓度长期分量(对数值)；

为污染物日均浓度长期分量的均值(对数值)，

n为时间序列的长度。由于前述时间序列分解及建模均针对的是SO₂和PM₁₀日均浓度的对数值，还原为常规的污染物浓度表示方法后，C_LTadj(t)＝exp(X_LTadj(t))为重建的污染物日均浓度长期分量序列。

第四步 污染控制的有效性评估

“滤除”及“未滤除”气象因素影响的污染物日均浓度长期分量变化趋势如图6和图7所示，图中黑色曲线为“未滤除气象因素影响”时，污染物日均浓度监测值的长期变化趋势；浅色曲线为“滤除气象因素影响”后的污染物日均浓度长期趋势，该序列仅反映了污染源排放的改变所引起的污染物浓度长期变化。

2002年－2003年间，“滤除气象影响”后SO₂浓度长期分量值比“未滤除气象影响”时低；而在2004年，“滤除气象影响”后的SO₂浓度长期分量值却比“未滤除气象影响”时高。说明，2002年－2003年的气象条件总体上不利于SO₂扩散，可使SO₂日均浓度长期分量增加3μg/m³左右；而2004年的气象条件有利于SO₂扩散，使SO₂日均浓度长期分量减小5μg/m³左右。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于周期分析和滤波技术的污染减排效果评估方法，其特征在于：包括如下步骤，

1)气象要素的选择及时间序列分解；选择KZ滤波或小波变换，将选择的气象因子以及污染物浓度的时间序列分解；

2)污染物浓度与气象因子之间的关系建模；利用BP神经网络，分别就短期分量尺度和基线尺度，建立气象因子与污染物浓度之间的关系模型；

3)基于气象调整的污染物浓度时间序列重建；

4)通过比较重建前后的污染物浓度时间序列变化，反映出气象因素对污染控制有效性的影响。

2.根据权利要求1所述基于周期分析和滤波技术的污染减排效果评估方法，其特征在于：步骤1)中，选择KZ滤波或小波变换，将选择的气象因子的时间序列分解为短期分量、季节分量及长期分量，各分量的尺度(或频段)选择与污染物浓度时间序列分解时相同；

M(t)＝MW(t)+MS(t)+Me(t) (1)

式中，M(t)、MW(t)、MS(t)及Me(t)分别表示分解前的气象因子时间序列及分解后的短期分量、季节分量和长期分量。

3.根据权利要求2所述基于周期分析和滤波技术的污染减排效果评估方法，其特征在于：气象因子包括24小时温差ΔT₂₄、日最低气温TMIN、24小时变温场、风速、混合层高度、总云量、低云量、相对湿度、露点温度中的一种或两种以上；优选的，24小时温差ΔT₂₄采用差分形式，ΔT′＝3ΔT_i-4ΔT_i-1+ΔT_i-2，其中，ΔT_i表示第i天最高气温与最低气温的差值；日最低气温TMIN采用差分形式，TMIN′＝3TMIN_i-4TMIN_i-1+TMIN_i-2，其中，TMIN_i表示第i天的最低气温；24小时变温场指的是850hpa高度的24小时变温场。

4.根据权利要求1所述基于周期分析和滤波技术的污染减排效果评估方法，其特征在于：步骤2)中，根据污染物浓度及气象因子的时间序列分解结果，分别从短期分量尺度和基线分量(季节变化+长期分量)尺度，按一定显著性水平筛选出统计检验为显著的气象因子作为自变量，利用BP神经网络，建立气象因子与污染物浓度之间的函数关系模型，形如下式：

W(t)＝f(MW₁(t),MW₂(t),MW₃(t)......) (2)

式中，W(t)及MW₁(t),MW₂(t),MW₃(t).....分别为污染物浓度及气象因子时间序列的短期分量；X_baseline(t)及

分别为污染物浓度及气象因子时间序列的基线；

式中，W(t)、MW_i(t)分别为污染物浓度及第i气象因子的短期分量；α_i为回归系数；ε_st(t)为短期分量的回归残差。类似地，X_baseline(t)、Mi_baseline(t)分别为污染物浓度及第i气象因子的基线；β_j为回归系数；ε_baseline(t)为基线回归残差。

5.根据权利要求1所述基于周期分析和滤波技术的污染减排效果评估方法，其特征在于：步骤3)中，根据步骤2)中的关系模型，拟和得出的污染物浓度时间序列X′(t)可认为主要反映了气象因素的影响；“真实”的污染物浓度时间序列(即样本值)X(t)与拟和的时间序列X′(t)之间的残差ε_model(t)可表示如下：

ε_model(t)＝ε_BL(t)+ε_ST(t) (7)

式中，ε_BL(t)和ε_ST(t)分别为基线拟和残差与短期分量拟和残差；

对ε_model(t)再进行滤波或相应尺度的小波变换重构，得到如下的关系式：

ε_model(t)＝ε_LT(t)+δ(t) (8)

式中，ε_LT(t)表示与污染控制有关的污染源排放改变所引起的SO₂和PM₁₀日均浓度(对数值)非线性的长期变化；δ(t)为未考虑到的气象因素影响及其它噪声；

污染物浓度(长期分量)时间序列的变化，对其进行如下的重建：

式中，X_LTadj(t)为经气象调整后(滤除气象因素影响)重建的污染物日均浓度长期分量时间序列；

为污染物浓度序列长期分量的均值，即：

Images