论文部分内容阅读
本文以广州市2001年至2004年主要空气污染物PM<,10>、SO<,2>、NO<,2>和CO的监测数据以及同期地面气象要素风速、风向、平均温度、相对湿度、降雨量和气压等资料为研究对象开展广州市PM<,10>污染状况及PM<,10>预测方法研究。主要研究结果如下：
1、对广州市PM<,10>的时空分布特征分析结果表明，广州市PM<,10>年平均浓度在2001～2004年的4年中都低于我国环境空气质量二级标准值，但PM<,10>年平均浓度呈现出明显的逐年上升趋势，其月平均浓度变化趋势也较明显，秋冬季节污染严重，春夏季节污染较轻。在空间上，广州市区PM<,10>污染具有由东向西、由北向南污染逐渐加强的分布特征，污染严重的是海珠区和黄埔区，污染较轻的为越秀区、天河区和花都区。9个空气监测点中，广东商学院的PM<,10>污染最严重，花都师范学校的PM<,10>污染最轻。主成分分析结果显示广州市9个监测点对广州市PM<,10>污染的贡献大小相当。
2、分析了PM<,10>日平均浓度与风速、风向、温度、湿度、降雨量和气压的关系，得到了PM<,10>浓度与各种气象要素之间的量化关系：PM<,10>日平均浓度在不同季节均随着风速的增大而减小，各季污染日多出现在风速小于2m/s时。广州的污染系数和风向频率在全年都是以西(W)和西西南(WWS)最小，表明广州的大气污染具有由东向西，由北向南增强的空间分布特征。不同等级的降雨对PM<,10>污染均有一定的清除作用，PM<,10>日平均浓度的改变量总的来说是随着降雨量的增大而增大，同一降雨等级内，PM<,10>浓度值的改变量以秋季和冬季下降最为明显；4mm降雨量对PM<,10>的清除能力按春、夏、秋、冬依次递增。相对各季的季平均相对湿度而言，春、夏、秋3个季节是当相对湿度低于季平均相对湿度时容易出现PM<,10>污染天气，而冬季则相反。春、秋两季日平均气温对PM<,10>污染的影响为当日平均气温在季平均值附近徘徊时，较易出现PM<,10>污染，而冬季则相反。较高气压下PM<,10>污染日的出现频率明显高于非污染日。
3、对PM<,10>与各气象要素之间的相关分析发现，相对湿度与PM<,10>日平均浓度在夏季相关性最强外，温度、风速、气压和降雨量均在冬季与PM<,10>的相关性最强。温度与PM<,10>浓度在夏、秋季节呈正相关，而在春、冬季呈负相关，而相对湿度、风速、气压和降雨量在春、夏、秋、冬各季节均与PM<,10>呈负相关。
4、通过对PM<,10>与SO<,2>、NO<,2>、CO之间的关系进行线性和非线性拟合，结果发现SO<,2>和NO<,2>与PM<,10>之间均为非线性关系，它们之间的回归方程都可以用幂函数来描述，而CO与PM<,10>之间则表现为线性关系，它们之间的回归方程为一元线性回归方程。
5、PM<,10>与SO<,2>、NO<,2>和CO的相关性均呈显著正相关。其中，SO<,2>和NO<,2>与PM<,10>的相关性较为相似，一年四季中其相关系数的绝对值均较大，各季节中相关系数的大小顺序也相同，均为冬>秋>春>夏。而CO与PM<,10>的相关性与SO<,2>和NO<,2>的有所差异，其相关系数的绝对值在一年四季中相差较大，表现为秋>冬>春>夏，秋、冬季CO对PM<,10>的影响较大，而春、夏季CO对PM<,10>的影响较小。
6、采用主成分分析法研究了广州市各种空气污染物(PM<,10>、SO<,2>、NO<,2>和CO)浓度与同期的地面气象要素(相对湿度、温度、风速、气压和降雨量)之间的关系，结果表明主成分法能够较好地揭示污染物浓度与气象要素两组数据之间的关系，空气的温度、湿度及对流速度对空气污染影响较大，气温高、空气对流速度快、降水多对空气的净化作用较明显。污染物与气象要素两组数据之间的典型相关分析表明污染物浓度与气象要素之间存在显著的相关关系，温度和风速对气态污染物浓度有显著影响。
7、对广州市大气能见度的研究结果表明，广州市大气能见度年平均只有12～14km，呈明显的逐年下降趋势，一年之中，春季能见度最低，夏季能见度最高，一日之中，早晨08时能见度最差，午后14时最好。能见度与风速呈显著正相关，与相对湿度呈显著负相关，与温度和气压不相关。能见度与各空气污染物在简单相关分析中均表现为显著负相关，但在偏相关分析中，能见度与各空气污染物的相关性较弱。能见度与同期污染物浓度和气象要素的回归分析表明，PM<,10>、NO<,2>和相对湿度对能见度的影响贡献较大。
8、在论述了BP神经网络的结构、算法以及其主要缺陷的基础上，把遗传算法引入BP网络，建立了基于实数编码的遗传算法优化BP神经网络预测模型，对广州市PM<,10>日平均浓度值进行预测，并进行了实验对比分析，研究结果表明，预测结果与实际监测值的平均绝对误差为0.009517，平均相对误差为9.461117％，均方差为0.000156，且预测值与实测值拟合良好。通过与一般BP神经网络的预测结果比较，证明遗传算法对BP神经网络的优化是有效的，GA-BP神经网络用于预测PM<,10>是可行的。