摘要
近年来，随着我国工业与经济的不断发展，大气污染问题日益严重。其中，京津冀地区大气污染问题尤为突出，主要体现为空气质量指数(AQI)较高，PM2.5、O3等大气污染物浓度超标严重。目前，我国大气污染监测数据较多，但利用相对不足。基于此，预测模型构建等方面的研究日益增多，旨在为大气污染溯源及精准管控提供有力参考。其中，统计预测模型(如线性预测模型、人工神经网络模型)应用最为广泛，其相较于数值预测模型，具有简单、经济且易于实现等优点。但目前统计预测模型仍存在一定的问题，主要表现为对非线性数据拟合效果不佳、可解释性差等。基于已有现状及问题，本文提出了一种基于数据分析的大气污染预测模型，并对模型进行了可视化和敏感性分析，所得模型预测性能较好，且具有一定可解释性和应用价值。论文主要的研究内容及结果如下： (1)本文通过获取2015-2018年京津冀地区典型城市(北京、天津、石家庄、唐山、邢台)空气质量数据和相关气象数据，对各城市大气污染状况进行了研究。研究表明，2015-2018年，各典型城市空气质量均有一定提升，但多项污染物(如PM2.5、O3等)超标情况仍较为普遍。基于此，本文对各城市首要大气污染物和时间分布特征进行了分析，结果表明PM2.5和O3分别为冬季和夏季首要污染物，并针对这两种大气污染物，重点进行了系统的模型构建与预测分析。同时，为提升预测模型准确性，对各城市PM2.5和O3进行了气象指标相关性分析，明确了各城市预测模型中应添加的气象指标。 (2)基于以上研究工作，本文分别针对京津冀地区各典型城市构建了3种PM2.5和O3预测模型，结果表明BP神经网络模型预测性能显著优于线性预测模型。随后，通过调整和优化BP神经网络模型参数，得到了北京、天津、石家庄、唐山和邢台最优参数PM2.5-BP神经网络模型，决定系数(R2)分别为：0.93、0.93、0.97、0.95和0.95；最优参数O3-BP神经网络模型，决定系数(R2)分别为：0.90、0.88、0.90、0.93和0.90。 (3)研究表明，尽管上述模型预测精度较高，但仍存在一定缺陷，即对高浓度PM2.5和O3预测能力不佳。因此，基于PM2.5和O3显著的季节性特点，本文以北京为例，分别构建了2018年北京冬季PM2.5和夏季O3-BP神经网络模型，其对冬季PM2.5和夏季O3拟合能力显著提升，决定系数(R2)分别达到0.97和0.90。这表明基于城市季节性特点的模型优化策略，效果显著，对其他大气污染物预测模型的优化具有一定借鉴意义。此外，为便于提升模型在工程实践中的可应用性，本文还利用Python实现了模型的可视化，构建了基于预测模型的北京市PM2.5和O3预测程序，具有一定的应用价值。 (4)最后，在完成各城市PM2.5和O3-BP预测模型构建的基础上，为增强模型可解释性，明确模型输出对各模型变量变化的敏感程度，本文对相应模型进行了敏感性分析。结果显示，各典型城市PM2.5和O3-BP预测模型对各模型变量变化敏感度均远低于100%，表明各模型性能在应对变量变化时表现较为稳定。同时，通过对比不同城市各模型变量敏感度，发现当BP神经网络模型应用于不同城市时，各模型变量敏感性存在一定差异。分析原因，可能与各城市的区位、能源和产业结构以及企业生产特点差异有关。因此，未来预测模型在不同区域的应用，需要对各模型变量敏感性进行具体评估。
NETL