王月秋
(唐山市生態環境局玉田縣分局,河北 唐山 063000)
在人類的日常生活和生產過程中,汽車尾氣、工業污染、垃圾焚燒以及道路揚塵等均是造成空氣污染的主要因素[1-3]。其中,道路揚塵是路面塵土在風力作用下進入大氣中而形成的懸浮顆粒物,具有顯著的開放性特性。道路揚塵存在一次、二次揚塵過程,嚴重時,會使空氣污濁,甚至誘發呼吸疾病。在建筑施工過程中,會產生大面積的開放性揚塵場所[4],若不及時治理,將會對空氣質量產生較大影響??諝赓|量在線監測是一種實時掌控空氣質量情況的方法,可利用多傳感器和長短期記憶模型(LSTM)等實現監測目的[5-6]。
現有監測方法對于造成空氣污染、影響空氣質量的道路揚塵等因素的考慮較少?,F考慮道路揚塵的影響因素,構建一種考慮揚塵特性的空氣質量在線監測方法,該方法通過檢測揚塵顆粒物濃度,能夠完成空氣質量的預測,實現道路揚塵的在線監測。
考慮揚塵特性的環境空氣質量在線監測框架示意見圖1,該框架包含3個部分:前端數據監測模塊、監測通信模塊和云服務器。
圖1 考慮揚塵特性的環境空氣質量在線監測框架示意
(1)前端數據監測模塊:該模塊的主要作用是對大氣環境進行監測,包括傳感單元、嵌入式工控機。其中,傳感單元主要由多種傳感器組成,包含溫度、濕度、氣壓、噪聲、風速、風向、顆粒物濃度等傳感器[7],采用RS232接口實現通信。嵌入式工控機具備數據采集、解析、存儲、傳輸等功能,其中,采用光全散射法檢測道路揚塵的顆粒物。
(2)監測通信模塊:該模塊作為中間模塊,依靠通用分組無線業務(GPRS)和互聯網,實現前端數據監測模塊和云服務器之間的通信,其中GPRS主要采用RS232接口實現通信,該接口具備數據傳輸、控制、設置等功能[8]。
(3)云服務器:其主要作用是對前端數據監測模塊監測的大氣環境數據進行預測[9],判斷空氣質量,同時對超過閾值的結果進行空氣質量預警,完成預測數據的存儲。
由于揚塵進入空氣后,會形成漂浮顆粒物,因此,可將道路揚塵監測視為顆粒物監測[10]。引入光全散射法,將入射光作用在大氣環境中,當光通過存在顆粒物的環境空間后,在消光作用下,其強度逐漸減弱。如果已知顆粒物的成分和折射率,那么顆粒物的大小和濃度則是直接影響光減弱程度的主要因素[11]。以朗伯-比耳定律為依據,設λ為光的波長,L為待檢測顆粒物的厚度,前者穿過后者時,會產生2種光強,即入射光強和透射光強,兩者之間的關聯見式(1)。
(1)
τ的計算公式見式(2)。
(2)
式中:N——單位體積內不同粒徑顆粒物的總數;D——粒徑尺寸;Dmax、Dmin——粒徑的最大和最小值;m——復折射率;Kext(λi,m,D)——D、λi和m的消光系數。N(D)——顆粒數量頻率分布系數,為避免發生測量誤差,采用非獨立模式算法計算。
假如N(D)符合雙峰-對數正態分布,則計算公式見式(3)。
(3)
式中:D1、D2——顆粒尺寸參數;A——權系數;σ1、σ2——分布參數。
實際應用過程中,用體積分布取代顆粒物數量分布,結合公式(1)和公式(2)構建目標函數,其公式見式(4)。
(4)
采用多波求解方法,對公式(4)進行求解。由于N、A、σ1、σ2均為待求參數,因此,為實現公式(4)的值最小,結合顆粒尺寸參數,對上述參數實行調整,保證調整后的參數值為最優值。
在得出公式(4)的結果后,計算大氣顆粒物的質量濃度(Cm)和密度(ρ)[12]。計算公式見式(5)。
(5)
結合N(D)的計算結果,以監測點為原點,以光波長為半徑,將其看作一個包含6個部分的三維球體空間,空間內的體積等同于容積,大氣顆粒物密度ρ已知,在保證6個目標函數皆為最優值的情況下,即可計算道路揚塵分布密度。
1.3.1 基于極限學習機神經網絡的預測模型
采用極限學習機神經網絡,對環境空氣質量進行預測,以此獲取空氣質量在線監測結果。
(6)
式中:j=1,2,…,N;βi、αi——連接權值,前者對應輸入,后者對應輸出,均屬于第i個隱含層;bi——偏置。采用矩陣的方式描述上述公式,見式(7)。
(7)
設誤差平方和用E(W)表示,屬于期望值和實際值之間,定義其為代價函數,獲取最佳權值W=(α,b,β)即完成求解,實現E(W)最小化前提下,模型公式見式(8)。
(8)
式中:εj——第j個樣本的誤差。
1.3.2 基于自適應粒子群的預測模型優化
為提升模型對空氣質量預測的可靠性,采用自適應粒子群優化算法,對預測模型的權值實行優化,提升預測結果的可靠性[13]。
設n為粒子數量,由其組成種群規模Y=(Y1,Y2,…,YK),其中K表示空間維數,則Yi=(yi1,yi2,…,yiK)可表示第i個粒子的位置,Vi=(vi1,vi2,…,viK)則表示速度,當前最佳位置用Pi=(pi1,pi2,…,piK)和Pg=(pg1,pg2,…,pgK)表示,前者對應第i個粒子,后者對應所有粒子。前者的位置和速度的更新公式見式(9)和式(10),該更新在K維空間內完成。
(9)
(10)
式中:r1、r2——隨機數,取值范圍為[0,1],兩者需要服從均勻分布;ω——慣性權重,表示可擴展粒子的搜索空間,本研究采用自適應ω,使其在迭代次數的增加下,逐漸下降,計算公式見式(11)。
(11)
式中:ω0、ωf——ω的初始值和最終值;t、tmax——當前迭代次數和最大迭代次數。
c1、c2均為學習因子,其用于粒子的加速系數,本研究采用自適應學習因子,以此保證算法的全局檢索性能,兩者的計算公式見式(12)和式(13)。
(12)
(13)
式中:c1f、c1i、c2f、c2i均為常數。
粒子在搜索過程中,通過公式(10)完成速度更新,在實行位置更新時,需要以速度更新為基礎,采用映射的方式實現,且映射區間為[0,1],依據該映射概率確定位置的最終更新結果[14],通過Sigmoid函數完成映射,計算公式見式(14)。
(14)
在上述內容的基礎上,即可計算優化后的權值(yij),計算公式見式(15)。
(15)
以某城市為研究對象,測試本方法在環境空氣質量在線監測中的應用效果。通過本方法,布設9個監測點位(圖2),采集環境空氣質量數據,采集時間為1個月,每小時采集1次,共有6 480組數據。大氣數據以該市生態環境局發布的行政區內每小時更新的為主,共有5 430組數據。將上述數據進行歸一化處理后,共形成2 160組數據;將這些數據的20%作為測試集,剩余的80%作為訓練集。
圖2 監測點位示意
參數設置:最大迭代次數為120次,種群規模為15,輸入、隱含和輸出3個層次的神經元數量分別為5,35和1,訓練次數為5 000次,訓練目標為誤差<0.1%。
進行監測前,需要確定學習速率取值,以訓練目標誤差為衡量標準,測試在不同的學習速率取值下的誤差結果,見圖3。
圖3 學習速率測試結果
由圖3可見,訓練集和測試集隨著學習速率取值的逐漸增加,發生無規則的波動變化,在取值為0.05時,訓練集和測試集的誤差均低于目標誤差結果,取兩集誤差最低值對應的學習速率0.5,用于整個實例測試中。
為測試方法對顆粒物濃度和密度的測試效果,對測試集進行計算,將計算結果與實測結果進行對比,見圖4。
圖4 顆粒物濃度和密度測試結果
由圖4可見,計算得出的顆粒物濃度和密度結果與實測結果的吻合程度較高,表明本方法對顆粒物濃度和密度的檢測效果良好,結果可信度較高,能夠為空氣質量預測提供準確的數據依據。
采用解釋方差作為評價指標,對方法優化前后的監測性能進行評價,計算公式見式(16)。
(16)
式中:VAF——解釋方差;var——方差函數;y*——預測值;y——觀測值。解釋方差越大表示預測效果越差,反之則越好,該指標的期望標準為<3.5%。
依據公式(16)獲取方法在不同的樣本數量下,優化前后對細顆粒物(PM2.5)、可吸入顆粒物(PM10)、二氧化硫、一氧化碳、二氧化氮的解釋方差測試結果,見圖5。
圖5 解釋方差測試結果
由圖5可見,優化前VAF的結果均高于期望標準,優化后VAF的結果均低于期望標準(<2%),優化后的方法能夠更好地完成環境空氣質量監測。
對不同風速下,各個監測點揚塵顆粒物的擴散時間進行監測,結果見圖6。由圖6可見,隨著風速的逐漸增加,揚塵顆粒物的擴散時間逐漸減低,表明其擴散速度明顯提升。說明方法具備良好的監測效果,能夠完成揚塵污染物的實時在線監測。
圖6 揚塵顆粒物擴散監測結果
采用本方法獲取測試區域內符合國家空氣質量日均值達到一級標準的區域(API=0~50),并將結果與該區域實際發布的結果進行對比,評估方法的應用性,結果見圖7。
圖7 方法應用性測試結果
由圖7可見,本方法能夠依據監測結果,判斷某地區空氣質量達到一級標準的區域,與生態環境局實際發布的一級標準區域吻合程度較高。說明方法具有良好的應用性,能夠在空氣污染的情況下判斷適宜的健康活動區域。
為實時掌握環境空氣質量,構建了研究考慮道路揚塵特性的環境空氣質量在線監測方法,該方法以揚塵顆粒物的監測為基礎,結合空氣質量預測方法,實現了環境空氣質量的在線監測。該方法性能可靠,可獲取環境空氣中污染顆粒物的濃度和密度情況,實現實時監測;對空氣質量的預測效果良好,可在誤差較小的前提下獲取預測結果;同時能夠根據監測結果,判斷監測區域的揚塵擴散情況,為室外健康活動區域的選擇提供可靠依據。