人為排放及氣象因素對(duì)空氣質(zhì)量影響的定量分析——以疫情期間邢臺(tái)市為例

亓浩雲(yún),王曉琦,程水源

人為排放及氣象因素對(duì)空氣質(zhì)量影響的定量分析——以疫情期間邢臺(tái)市為例

亓浩雲(yún),王曉琦,程水源*

(北京工業(yè)大學(xué)環(huán)境與生命學(xué)部,區(qū)域大氣復(fù)合污染防治北京市重點(diǎn)實(shí)驗(yàn)室,北京 100020)

選擇河北省邢臺(tái)市作為研究對(duì)象,將2020疫情作為一個(gè)極限管控措施下的極限減排實(shí)驗(yàn)情景,把2021疫情作為未來(lái)常態(tài)化疫情防控實(shí)驗(yàn)分析情景.與疫情前期對(duì)比,兩次疫情期間臭氧濃度均有提升且2021疫情時(shí)期顆粒物濃度同樣有提高,2020疫情時(shí)期其他污染物濃度均有不同程度的改善,而與2019歷史同期相比,兩次疫情期間臭氧濃度同樣有升高現(xiàn)象,除此以外,2021疫情時(shí)期污染物改善較好.利用長(zhǎng)短期記憶網(wǎng)絡(luò) (LSTM)算法和空氣質(zhì)量預(yù)報(bào)模式系統(tǒng)(WRF-CMAQ)量化了兩次疫情時(shí)期氣象因素對(duì)于污染物濃度變化的影響,根據(jù)空氣質(zhì)量模擬法反推了不同污染物受人為影響的濃度變化.實(shí)驗(yàn)結(jié)果表明,LSTM算法在兩次疫情期間的模擬均顯示人為影響對(duì)污染物產(chǎn)生了負(fù)影響(降低了污染物濃度)且在總變化影響中占比較高,而CMAQ模式模擬結(jié)果中的氣象因素影響占比遠(yuǎn)高于LSTM算法.CMAQ模式在兩次疫情模擬中表現(xiàn)出了不同的結(jié)果,在2020疫情中人為影響占據(jù)了主導(dǎo),而在2021疫情中,相比較2020疫情時(shí)期,除NO2外,人類活動(dòng)對(duì)其他污染物的影響均為正值(促進(jìn)了污染物濃度升高).

機(jī)器學(xué)習(xí)算法；空氣質(zhì)量模型；新冠肺炎；邢臺(tái)市；PM2.5

國(guó)內(nèi)外大量學(xué)者針對(duì)新冠肺炎造成的封鎖等一系列管控措施對(duì)城市空氣質(zhì)量產(chǎn)生的影響進(jìn)行了深度分析,其中,為了分析氣象因素、人為因素對(duì)空氣質(zhì)量產(chǎn)生的具體影響,部分研究使用了統(tǒng)計(jì)分析法,更多的研究基于空氣質(zhì)量模型、機(jī)器學(xué)習(xí)模型進(jìn)行了量化分析.空氣質(zhì)量模型的研發(fā)始于1960年代,目前為止已經(jīng)發(fā)展到了第三代,空氣質(zhì)量模型納入了大氣中的主要反應(yīng),利用氣象模式輸入的氣象場(chǎng)以及研究區(qū)域的污染源排放清單數(shù)據(jù),最大程度模擬真實(shí)大氣環(huán)境,但空氣質(zhì)量模型的準(zhǔn)確性依賴于污染源清單以及氣象場(chǎng)的模擬精度,而污染源清單更新周期長(zhǎng)、氣象場(chǎng)模型參數(shù)配置復(fù)雜造成了空氣質(zhì)量模型難以準(zhǔn)確模擬以及實(shí)時(shí)得到污染物濃度.機(jī)器學(xué)習(xí)運(yùn)用不同算法引導(dǎo)計(jì)算機(jī)學(xué)習(xí)已有數(shù)據(jù)獲得模型,訓(xùn)練通過(guò)自動(dòng)提取輸入數(shù)據(jù)的特征能在多次迭代后獲得最優(yōu)算法,但機(jī)器學(xué)習(xí)算法主要針對(duì)單個(gè)站點(diǎn)且缺少理化過(guò)程的可解釋性,兩種方法的特點(diǎn)不同,通過(guò)對(duì)比兩種方法得到的結(jié)果,可以為大氣環(huán)境管理提供研究思路.

Huang等[1]利用WRF-CMAQ設(shè)置不同減排方案分析了武漢市不同污染源封鎖期間對(duì)各污染物的影響,Zhang等[2]利用CMAQ模式直接量化了由于人為減排而導(dǎo)致的疫情封鎖期間印度空氣質(zhì)量的變化,Granella等[3]基于一種機(jī)器學(xué)習(xí)方法,通過(guò)構(gòu)建反事實(shí)場(chǎng)景,隔離天氣變化的影響,量化了意大利倫巴底地區(qū)排放變化對(duì)污染物濃度的影響.大部分研究顯示,2020年新冠肺炎疫情初次爆發(fā)后,為防止疫情擴(kuò)散采取了極限管控措施的情況下,除臭氧以外,大部分城市中的各主要污染物(PM2.5、PM10、SO2、NO2、CO)濃度均有不同程度下降,而臭氧濃度沒有顯著下降甚至出現(xiàn)上升的現(xiàn)象,如Mario等[4]對(duì)奧地利格拉茨的研究、Chen等[5]對(duì)中國(guó)大陸各省份的研究、Fu等[6]對(duì)除南極洲外的六大洲20個(gè)主要受到疫情影響城市的研究.在疫情對(duì)空氣質(zhì)量影響的不確定性研究中,Huang等[1]認(rèn)為應(yīng)仔細(xì)評(píng)估疫情影響時(shí)期的氣象條件,Rudke等[7]建議在分析疫情對(duì)空氣質(zhì)量的影響時(shí)應(yīng)充分考慮這一時(shí)期的大氣狀況.基于以上研究,考慮到新冠病毒可能與人類長(zhǎng)時(shí)間共存,本研究選擇遭受到2次疫情爆發(fā)的河北省邢臺(tái)市作為研究區(qū)域,以2020年疫情時(shí)期作為極限管控措施下的減排實(shí)驗(yàn)分析情景、2021年疫情時(shí)期作為未來(lái)應(yīng)對(duì)疫情突然爆發(fā)后短時(shí)間內(nèi)政府實(shí)施一定的交通管制、暫停部分密閉場(chǎng)所營(yíng)業(yè)政策的實(shí)驗(yàn)分析情景,與此同時(shí),考慮到現(xiàn)有的公開氣象觀測(cè)數(shù)據(jù)種類有限,無(wú)法完整表征出氣象條件進(jìn)行分析,本研究使用LSTM算法作為機(jī)器學(xué)習(xí)方法的代表,同時(shí)使用WRF-CMAQ模式作為空氣質(zhì)量模型的代表來(lái)進(jìn)行疫情期間氣象因素量化分析,根據(jù)氣象因素量化的結(jié)果計(jì)算得出人為因素對(duì)各主要污染物的影響.

1 材料與方法

1.1 研究區(qū)域概況

邢臺(tái)市位于河北省中南部,地處太行山脈與華北平原的交匯處.市內(nèi)鐵路、高速路縱貫?zāi)媳?與邢臺(tái)國(guó)際內(nèi)陸港、邢臺(tái)機(jī)場(chǎng)構(gòu)成了“東出西聯(lián),南承北接”的交通樞紐.邢臺(tái)市屬于暖溫帶亞濕潤(rùn)季風(fēng)氣候,四季分明,降水集中.邢臺(tái)市總面積12400km2,市區(qū)建成區(qū)面積214.84km2,常住人口739.52萬(wàn)人,城鎮(zhèn)人口401.04萬(wàn)人(圖1).

圖1 邢臺(tái)市人口密度

1.2 研究數(shù)據(jù)

1.2.1 數(shù)據(jù)來(lái)源 6種污染物數(shù)據(jù)來(lái)源為中國(guó)環(huán)境監(jiān)測(cè)總站的全國(guó)城市空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái)(http://106.37.208.233:20035/),包含邢臺(tái)市4個(gè)空氣質(zhì)量監(jiān)測(cè)點(diǎn)(達(dá)活泉站、邢師高專站、路橋公司站、市環(huán)保局站),污染物數(shù)據(jù)包括CO、NO2、O3、PM2.5、PM10、SO26種污染物的逐時(shí)濃度數(shù)據(jù).近地面常規(guī)氣象數(shù)據(jù)(空氣溫度、露點(diǎn)溫度、海平面氣壓、風(fēng)速、風(fēng)向、能見度、6h降雨量)來(lái)源于中國(guó)氣象局常規(guī)地面觀測(cè),時(shí)間尺度為3h,選取的是邢臺(tái)市氣象站點(diǎn)(114.3°E,37.04°N),觀測(cè)站海拔高度77.3m,為了匹配氣象數(shù)據(jù),將空氣質(zhì)量數(shù)據(jù)篩選為3h時(shí)間間隔的數(shù)據(jù).人口密度數(shù)據(jù)來(lái)自于LandScan全球人口動(dòng)態(tài)統(tǒng)計(jì)分析數(shù)據(jù)庫(kù),由美國(guó)能源部橡樹嶺國(guó)家實(shí)驗(yàn)室(ORNL)開發(fā),East View Cartographic提供(https://www.satpalda.com/product/ landscan/).

依據(jù)邢臺(tái)市人民政府網(wǎng)站中關(guān)于新冠肺炎疫情的防控公告及國(guó)家統(tǒng)計(jì)局、衛(wèi)健委病患數(shù)以及病例信息公布數(shù)據(jù),將邢臺(tái)市2次疫情的防控時(shí)間劃分為2020年疫情防控前期(2019年12月22日～2020年1月25日)和2020年疫情防控期(1月26日～2月29日)、2021年疫情防控前期(2020年12月11日～2021年1月3日)和2021年疫情防控期(2021年1月4日～2021年1月27日).

1.2.2 數(shù)據(jù)預(yù)處理 各空氣質(zhì)量監(jiān)測(cè)站點(diǎn)的監(jiān)測(cè)數(shù)據(jù)存在缺失,短期的缺失值選擇近7h的平均值代替,長(zhǎng)期的缺失值選擇近20h的平均值代替[8].由于臭氧等污染物存在較為明顯的時(shí)間變化特征,包括日變化、季節(jié)變化[9-10],同時(shí),為了在一年中的某個(gè)時(shí)間創(chuàng)建相同的邏輯循環(huán)并捕捉排放源隨時(shí)間的變化[11-12],本文對(duì)月變量和日變量進(jìn)行處理,利用python中的時(shí)間戳功能及三角函數(shù)創(chuàng)建了新的日變化特征、月變化特征,加入到數(shù)據(jù)集中,較好地體現(xiàn)出了時(shí)間變化特征.最終獲得4個(gè)監(jiān)測(cè)站點(diǎn)2017年1月1日～2019年12月31日逐3h數(shù)據(jù),每組數(shù)據(jù)共有17個(gè)特征.

由于量綱不統(tǒng)一,特征的單位、大小相差較大,容易影響結(jié)果,為了防止模型學(xué)習(xí)不到其他特征,對(duì)數(shù)據(jù)進(jìn)行Min-Max歸一化處理,歸一化指定區(qū)間為0～1,公式如下:

式中:為歸一化后的中間值;為原始值;min為原始數(shù)據(jù)的最小值;max為原始數(shù)據(jù)的最大值;為最終結(jié)果;mx為指定區(qū)間的最大值;mi為指定區(qū)間的最小值.

1.3 LSTM算法

1.3.1 算法原理 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)算法,傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)算法在反向傳播更新參數(shù)時(shí),梯度會(huì)按照時(shí)間步連續(xù)相乘,容易導(dǎo)致梯度消失或爆炸[13],因此,在1997年Hochreitere等[14]提出了LSTM算法.

LSTM算法的細(xì)胞單元結(jié)構(gòu)圖如圖2所示.

圖2 LSTM細(xì)胞單元結(jié)構(gòu)[15]

式中:w、w、w、w、w、w、w、w為各相應(yīng)門限、細(xì)胞態(tài)的待訓(xùn)練參數(shù)矩陣,b、b、b、b為各相應(yīng)門限、細(xì)胞態(tài)對(duì)應(yīng)權(quán)重的待訓(xùn)練偏置項(xiàng),是上個(gè)時(shí)刻的短期記憶體,是Sigmoid激活函數(shù)的前饋網(wǎng)絡(luò)層[19],為記憶體.

本研究的訓(xùn)練數(shù)據(jù)集為2017年1月1日～2019年11月30日,驗(yàn)證數(shù)據(jù)集為2019年12月1日～2019年12月21日,測(cè)試數(shù)據(jù)集為兩次疫情前及疫情時(shí)期,包括2019年12月22日～2020年2月29日、2020年12月1日～2021年1月27日.在訓(xùn)練、驗(yàn)證、測(cè)試各過(guò)程中,為達(dá)到最好的模擬效果,針對(duì)不同監(jiān)測(cè)站點(diǎn)的不同污染物分別放入LSTM算法進(jìn)行訓(xùn)練.

模型評(píng)價(jià)指標(biāo)選取(相關(guān)性系數(shù))、RMSE(均方根誤差)、MAE(平均絕對(duì)誤差),各評(píng)價(jià)指標(biāo)的計(jì)算公式如下:

式中:為數(shù)據(jù)值的數(shù)量;y為污染物濃度經(jīng)過(guò)模型計(jì)算的預(yù)測(cè)值;t為污染物濃度的真實(shí)觀測(cè)值,mg/m3,為觀測(cè)數(shù)據(jù)的平均值,mg/m3,為模型預(yù)測(cè)數(shù)據(jù)的平均值,mg/m3.

1.3.2 算法網(wǎng)絡(luò)結(jié)構(gòu)及方法描述 本研究的實(shí)驗(yàn)環(huán)境部署在windows10操作系統(tǒng),利用Tensorflow學(xué)習(xí)庫(kù)進(jìn)行LSTM算法實(shí)驗(yàn),python采用3.7版本.

LSTM算法由3層基本網(wǎng)絡(luò)構(gòu)成,包括輸入層、隱藏層、輸出層,本研究設(shè)計(jì)的隱藏層:第一層為L(zhǎng)STM層(設(shè)置了80個(gè)記憶體);第二層為Dropout層(比例設(shè)置為0.2);第三層為L(zhǎng)STM層(設(shè)置了100個(gè)記憶體);第四層為Dropout層(比例設(shè)置為0.2);最后一層為全連接層,損失函數(shù)使用MSE(均方根誤差),采用Adam優(yōu)化器,學(xué)習(xí)率設(shè)置為0.0002.本研究使用過(guò)去8h的污染物濃度數(shù)據(jù)和氣象數(shù)據(jù)、以及兩種日變化虛擬變量、兩種月變化虛擬變量作為輸入數(shù)據(jù),總計(jì)136項(xiàng)自變量,輸出數(shù)據(jù)為未來(lái)1h的各污染物濃度數(shù)據(jù).

通過(guò)LSTM算法預(yù)測(cè)的污染物濃度數(shù)據(jù)與真實(shí)監(jiān)測(cè)數(shù)據(jù)的差值來(lái)評(píng)估疫情管控對(duì)邢臺(tái)市空氣質(zhì)量產(chǎn)生的影響,該方法基于以下假設(shè):通過(guò)訓(xùn)練集訓(xùn)練獲得的算法模型保留了疫情發(fā)生前污染物濃度數(shù)據(jù)、氣象數(shù)據(jù)、時(shí)間虛擬變量之間的非線性關(guān)系[12],將疫情期間的氣象數(shù)據(jù)與疫情前的氣象數(shù)據(jù)互換,可以得到相同排放條件下不同氣象條件的污染物濃度數(shù)據(jù),由于人民日常活動(dòng)水平、社會(huì)生產(chǎn)變化水平數(shù)據(jù)較難獲取,因此,疫情發(fā)生后疫情管控導(dǎo)致的空氣質(zhì)量變化值等于總變化值(疫情管控期間與疫情前之間的污染物濃度差值)減去由LSTM算法模擬獲得的不同氣象條件下污染物濃度變化值.

1.4 WRF-CMAQ模型設(shè)置

本文使用的空氣質(zhì)量模型是WRF與CMAQ的耦合模式,本次研究使用的WRF版本為4.0,CMAQ版本為5.3.2,化學(xué)機(jī)制為cb05_ae6_aq,微物理過(guò)程方案選擇Thompson等方案,長(zhǎng)波輻射機(jī)制選擇RRTM,短波輻射方案選擇Dudhia,陸面過(guò)程方案選擇Noah,邊界層方案選擇YSU,積云參數(shù)化方案選擇淺對(duì)流Kain-Fritsch,氣象數(shù)據(jù)使用NCEP提供的FNL全球再分析資料,時(shí)間間隔為6h,水平分辨率1°×1°,京津冀區(qū)域外大氣污染排放清單數(shù)據(jù)使用了2017年MEIC清單[20],MEIC清單是清華大學(xué)開發(fā)的中國(guó)每月人為排放高分辨率清單,包括工藝過(guò)程源、固定燃燒源、移動(dòng)源、溶劑使用源、廢棄物處理源以及農(nóng)業(yè)源6大類,分辨率為0.25°京津冀區(qū)縣級(jí)排放清單來(lái)自本實(shí)驗(yàn)室課題組多年積累[21],該清單包含SO2、NO、PM2.5、PM10、TSP、CO、VOCs、NH3等10類污染物種排放總量信息,根據(jù)排放源特征分為8類:電力、工業(yè)源、居民源、移動(dòng)源、揚(yáng)塵源、VOCs排放源、氨排放源.

利用WRF提供的中尺度氣象場(chǎng)輸入到CMAQ模式中,模擬采用雙層網(wǎng)格嵌套(圖3),分辨率分別為9km和3km,外層水平網(wǎng)格數(shù)為90×90,內(nèi)層水平網(wǎng)格數(shù)為90×70,垂直方向分為28層.模式模擬的驗(yàn)證數(shù)據(jù)集時(shí)間為2018年12月1日～2019年2月28日.

圖3 WRF-CMAQ雙層嵌套示意

2 結(jié)果與討論

2.1 預(yù)測(cè)效果及評(píng)價(jià)

通過(guò)不斷調(diào)整優(yōu)化LSTM算法中的超參數(shù),并且多次實(shí)驗(yàn)以減少算法誤差,發(fā)現(xiàn)迭代次數(shù)在400～ 600次時(shí),大部分污染物的預(yù)測(cè)效果可以達(dá)到最好.在各監(jiān)測(cè)站點(diǎn)上的不同污染物驗(yàn)證數(shù)據(jù)效果評(píng)價(jià)如表1所示,除SO2外,其余污染物的預(yù)測(cè)值與檢測(cè)值的相關(guān)系數(shù)均超過(guò)0.8,研究發(fā)現(xiàn),對(duì)SO2的預(yù)測(cè)中,對(duì)突發(fā)高值的預(yù)測(cè)效果較差,可能是由于SO2與其他輸入特征的皮爾遜相關(guān)系數(shù)較低,因此導(dǎo)致預(yù)測(cè)效果較差.

表1 基于LSTM算法的各站點(diǎn)驗(yàn)證數(shù)據(jù)集的預(yù)測(cè)效果

與代興良等[12]利用隨機(jī)森林算法的研究相比,本研究LSTM預(yù)測(cè)的SO2誤差較大,CO的預(yù)測(cè)效果幾乎一致,其他污染物的預(yù)測(cè)效果均優(yōu)于其研究的預(yù)測(cè)效果.與何哲祥等[22]利用基于小波變換的LSTM大氣污染預(yù)測(cè)模型對(duì)比,在RMSE這一指標(biāo)中,本研究LSTM預(yù)測(cè)的PM2.5、SO2較高,差值分別為2.3、0.74,PM10、NO2、O3較低,差值分別為3.17,3.94,22.19.與Zhang等[23]利用CMAQ4.7.1對(duì)青島PM2.5的逐時(shí)模擬結(jié)果相比,本研究對(duì)PM2.5的預(yù)測(cè)相關(guān)性系數(shù)指標(biāo)高出了0.13～0.23.

如圖4所示,所選取時(shí)間段內(nèi)的氣象站點(diǎn)所在網(wǎng)格的模擬溫度、風(fēng)速、風(fēng)向、相對(duì)濕度與觀測(cè)值整體趨勢(shì)較吻合,總的來(lái)說(shuō),WRF模式能夠較好地模擬出邢臺(tái)市測(cè)試時(shí)間段的氣象狀況,滿足CMAQ所需要的氣象條件輸入.

從WRF-CMAQ模擬結(jié)果來(lái)看,模擬效果最好的污染物是O3,與LSTM算法相似,SO2的模擬效果最差(表2),這可能是模型中SO2氧化太慢導(dǎo)致[24].與Chen等[24]利用WRF-Chem對(duì)北京的模擬結(jié)果相比,顆粒物和CO模擬效果較差,而O3、SO2模擬效果較好.與LSTM算法相比,CMAQ模型模擬的各污染物誤差較大,這是由于空氣質(zhì)量模型物理化學(xué)機(jī)理復(fù)雜、排放源清單存在較大不確定性,同時(shí),模式的物理參數(shù)仍需不斷完善.機(jī)器學(xué)習(xí)算法能夠有效捕捉各類污染物之間隱藏的非線性特征[25],從而導(dǎo)致CMAQ的準(zhǔn)確性低于機(jī)器學(xué)習(xí)算法.

圖4 WRF模擬效果評(píng)估圖

表2 基于CMAQ模型的各站點(diǎn)驗(yàn)證數(shù)據(jù)集的預(yù)測(cè)效果

2.2 疫情對(duì)空氣質(zhì)量的影響分析

對(duì)比分析邢臺(tái)市兩次疫情對(duì)空氣質(zhì)量產(chǎn)生的影響,如表3所示.總體來(lái)看,兩次疫情期間與疫情前、2019年歷史同期對(duì)比,空氣質(zhì)量均有不同程度的改善,除O3以外,其他各項(xiàng)污染物濃度都有不同程度水平的下降,O3_8h濃度在兩次疫情期間卻得到了上升,這與大多數(shù)2020年冬季疫情期間的空氣質(zhì)量變化研究相符合[12,26-29].由表4可知,溫度較高、濕度較低、風(fēng)速較大、降水少、能見度高,氣象條件有利于顆粒物等污染物擴(kuò)散、同時(shí)也利于臭氧的積累.2021疫情期間與疫情前相比,溫度較低、濕度較低、風(fēng)速較大、能見度較高,氣象條件有利于顆粒物等污染物擴(kuò)散,不利于顆粒物吸濕增長(zhǎng)和污染物二次反應(yīng).

表3 各污染物不同時(shí)期平均濃度對(duì)比

表4 不同時(shí)期氣象要素對(duì)比

2020年疫情管控期間與2020年疫情前期對(duì)比可得,O3_8h濃度上升38.32mg/m3,增長(zhǎng)幅度為101.48%;CO、NO2、PM10、PM2.5、SO2濃度分別降低0.96mg/m3,38.20mg/m3,84.41mg/m3,60.55mg/m3,5.75mg/m3,AQI均值下降71.17,降幅分別為41.74%、61.14%、44.07%、43.19%、28.47%、39.43%.與2019年同期對(duì)比可得,O3_8h濃度上升12.64mg/m3,增長(zhǎng)幅度為19.92%; CO、NO2、PM10、PM2.5、SO2濃度分別降低0.29mg/m3,26.51mg/m3,86.15mg/m3,54.26mg/m3,15.26mg/m3,AQI均值下降63.34,降幅分別為17.79%、52.20%、44.58%、40.52%、51.36%、36.69%.

2021年疫情管控期間與2021年疫情前期對(duì)比可得,O3_8h、PM10、PM2.5、濃度分別上升22.00,29.46,6.37mg/m3,增長(zhǎng)幅度分別為59.39%、25.89%、9.87%;CO、NO2、SO2濃度分別降低0.16mg/m3,21.54mg/m3,2.63mg/m3,降幅分別為10.73%、36.41%、14.15%,AQI均值上升20.17,增長(zhǎng)幅度為21.43%.與2019年同期對(duì)比可得,O3_8h濃度上升24.09mg/m3,增長(zhǎng)幅度為68.92%;CO、NO2、PM10、PM2.5、SO2濃度分別降低0.80mg/m3、35.88mg/m3、64.20mg/m3、57.13mg/m3、22.30mg/m3,AQI均值下降52.66,降幅分別為37.55%、48.81%、30.95%、44.63%、58.30%、31.55%.

對(duì)比兩次疫情管控期間的空氣質(zhì)量變化,發(fā)現(xiàn)2020年疫情管控期的污染物改善降幅環(huán)比高于2019年歷史同比,而2021年疫情管控期的污染物改善降幅環(huán)比低于2019年歷史同比,與疫情前期對(duì)比,2020疫情時(shí)期污染物改善更多,而與2019歷史同期相比,2021疫情時(shí)期污染物改善較好,這主要是因?yàn)?020疫情爆發(fā)后,政府立即實(shí)行了封鎖城市,最大限度減少公眾聚集性活動(dòng),而2021年疫情前期,全球疫情形勢(shì)依舊嚴(yán)峻,我國(guó)一直處于常態(tài)化防疫狀態(tài),仍實(shí)施了一定的管控措施防止發(fā)生大規(guī)模聚集,因此在2021疫情爆發(fā)后,政府只對(duì)疫情區(qū)進(jìn)行了一定程度的封鎖,主要限制了移動(dòng)源的排放,對(duì)其他污染源限制較少.與疫情前期相比,兩次疫情管控期間改善最多的污染物均為NO2,這一現(xiàn)象與2020年疫情管控期正處于我國(guó)春節(jié)假期以及兩次疫情期間政府實(shí)施了嚴(yán)格的交通管制措施有很大關(guān)系,與2019年歷史同期相比發(fā)現(xiàn),2020疫情時(shí)期改善最多的污染物是NO2其次是SO2,2021疫情時(shí)期改善最多的污染物是SO2,其次是NO2.

兩次疫情期間,O3_8h濃度均有不同程度的升高,這與NO污染物濃度的大幅度降低從而減弱了與O3之間的“滴定作用”有很大關(guān)系,同時(shí),有研究指出,顆粒物濃度的下降將大幅度提高O3冬季污染風(fēng)險(xiǎn)[30],這與兩次疫情期間顆粒物濃度的下降、O3_8h濃度的升高情況較為符合.

通常用SO2/NO2比率評(píng)估固定源、移動(dòng)源對(duì)空氣污染貢獻(xiàn)的程度[31],兩次疫情管控期間的SO2/NO2比率與疫情前期相比均有一定的增長(zhǎng),說(shuō)明發(fā)生疫情后政府的主要管控措施是限制聚集性活動(dòng)、減少人民外出等封鎖性政策,移動(dòng)源污染貢獻(xiàn)下降較多,而固定源污染貢獻(xiàn)下降較少.

2.3 利用LSTM對(duì)兩次疫情氣象因素量化分析

為了量化兩次疫情管控期間氣象因素、人為減排因素分別對(duì)污染物濃度變化產(chǎn)生的影響,基于LSTM算法分析,利用訓(xùn)練集為2017年1月1日～ 2019年11月30日的污染物濃度數(shù)據(jù)、氣象數(shù)據(jù)的訓(xùn)練模型,將兩次疫情的氣象因素特征分別與疫情前期相同時(shí)間段進(jìn)行替換,再利用LSTM算法進(jìn)行多次模擬取平均值,計(jì)算得到疫情前與疫情期由于氣象因素產(chǎn)生的影響的量化結(jié)果.

由于LSTM算法的魯棒性較好,且除了主要的空氣污染物以外,其余的氣象因素與模擬的污染物的皮爾遜相關(guān)系數(shù)較低,因此,基于LSTM算法的疫情期間氣象因素量化結(jié)果整體偏低.

如表5所示,兩次疫情時(shí)期的氣象因素對(duì)CO、NO2、PM10、PM2.5、SO2等污染物均有改善作用,而對(duì)O3濃度的上升產(chǎn)生了一定的貢獻(xiàn),同時(shí),2020年疫情氣象因素對(duì)O3濃度上升產(chǎn)生的貢獻(xiàn)高于2021年疫情,這與兩次疫情時(shí)期前后氣象因素對(duì)比較為符合,2020疫情時(shí)期溫度高于疫情前期、相對(duì)濕度低于疫情前期,高溫低濕易造成臭氧濃度升高,而2021疫情時(shí)期溫度、相對(duì)濕度均低于疫情前期.基于LSTM算法模擬的2020年疫情時(shí)期受氣象因素影響變化幅度最大的污染物是SO2,其次是O3、CO,受氣象因素影響變化幅度最小的污染是NO2;2021年疫情時(shí)期受氣象因素影響變化幅度最大的污染物是O3,其次是SO2,受氣象因素影響變化幅度最小的污染物是NO2.

表5 基于LSTM的兩次疫情時(shí)期氣象因素對(duì)污染物影響量化

注:氣象因素影響百分比為量化的疫情氣象因素對(duì)污染物數(shù)據(jù)的影響值與原始?xì)庀髷?shù)據(jù)模擬的污染物數(shù)據(jù)的比.

2.4 利用CMAQ對(duì)兩次疫情氣象因素量化分析

由于CMAQ模式中有WRF模式作為空氣質(zhì)量模式的氣象輸入,因此通過(guò)固定污染源清單并替換疫情前與疫情期的氣象輸入文件的方法來(lái)定量分析氣象因素對(duì)各主要污染物的影響,將疫情前與疫情期的氣象文件進(jìn)行替換后,通過(guò)交叉驗(yàn)證得到疫情期間較為準(zhǔn)確的氣象因素量化數(shù)據(jù).

表6 基于CMAQ的兩次疫情時(shí)期氣象因素對(duì)污染物影響量化

CMAQ模式的模擬結(jié)果明顯與WRF氣象輸入文件有著緊密的聯(lián)系,整體模擬結(jié)果受氣象因素影響遠(yuǎn)大于LSTM算法.如表6所示,與LSTM算法模擬結(jié)果趨勢(shì)較為一致,兩次疫情時(shí)期的氣象因素對(duì)CO、NO2、PM10、PM2.5、SO2等污染物均有改善作用,而對(duì)O3濃度的上升產(chǎn)生了一定的貢獻(xiàn)且2020年疫情氣象因素對(duì)O3濃度上升產(chǎn)生的貢獻(xiàn)高于2021年疫情,基于WRF－CMAQ模式模擬的2020、2021年兩次疫情時(shí)期受氣象因素影響變化幅度最大的污染物均為O3,同時(shí),兩次疫情時(shí)期受氣象因素影響變化幅度最小的污染物都是NO2.

2.5 綜合分析

本次研究假定各類污染物的變化僅由氣象因素和人為因素影響引起,人為因素影響的各類污染物的變化值等于各類污染物變化總值減去氣象因素影響的各類污染物的變化值,同時(shí)利用人為因素影響量化數(shù)據(jù)除以人為因素影響量化數(shù)據(jù)、氣象因素影響量化數(shù)據(jù)絕對(duì)值的和,作為人為影響百分比數(shù)據(jù).

如表7、8所示,由于LSTM算法穩(wěn)定性較好,不易受其他變量條件干擾,在交換氣象數(shù)據(jù)后對(duì)模擬結(jié)果產(chǎn)生的影響較小,因此兩次疫情期間氣象量化模擬過(guò)程中,LSTM算法模擬均顯示人為影響對(duì)污染物濃度變化產(chǎn)生了較高的影響,而CMAQ模式與氣象模式WRF耦合,使其包含了較為完整的氣象數(shù)據(jù),從而提高了氣象因素在影響量化結(jié)果中的占比.基于CMAQ的兩次疫情模擬中,人為影響均促進(jìn)了SO2的濃度提升,這與北方冬季取暖發(fā)電等有一定的關(guān)系.

總體來(lái)說(shuō),CMAQ模式中的氣象因素影響占比遠(yuǎn)高于LSTM算法,LSTM算法的模擬結(jié)果顯示大部分污染物受人為影響百分比遠(yuǎn)大于氣象因素,同時(shí),兩種模擬方法均顯示受人為影響最大的污染物是NO2,這主要是因?yàn)橐咔槠陂g為防止病毒擴(kuò)散從而限制人員流動(dòng)并實(shí)施了嚴(yán)格的交通方面的管制措施.而CMAQ模式在兩次疫情模擬中表現(xiàn)出了不同的結(jié)果:在2020疫情期間,中國(guó)正處于春節(jié)期間,政府采取了停工停產(chǎn)、居家隔離等嚴(yán)格的封鎖政策,這些政策嚴(yán)重限制了社會(huì)生產(chǎn)活動(dòng),導(dǎo)致人為因素對(duì)各類污染物的影響較大且主要為負(fù)影響,使得在2020疫情中人為影響占據(jù)了主導(dǎo)條件,而在2021疫情期間,在面對(duì)第二次疫情突發(fā)時(shí)期,政府部門等有了較為豐富的應(yīng)對(duì)經(jīng)驗(yàn),并且第二次疫情突發(fā)時(shí)期在春節(jié)假期之前,工廠等沒有大面積停工,采取的主要防疫措施為一定的交通管制、減少大范圍人口聚集等,相比較2020疫情時(shí)期,除NO2外,其他污染物的人為影響均為正值(促進(jìn)了污染物濃度升高),也從一定程度上說(shuō)明了在第二次面對(duì)疫情突發(fā)情況時(shí),政府進(jìn)行了一定的管控措施后仍能維持其他工業(yè)商業(yè)活動(dòng)正常運(yùn)轉(zhuǎn).

表7 基于LSTM的各污染物兩次疫情受人為影響對(duì)比

注:CO單位為mg/m3,其余污染物單位為μg/m3.

表8 基于CMAQ的各污染物兩次疫情受人為影響對(duì)比

注:CO單位為mg/m3,其余污染物單位為μg/m3.

3 結(jié)論

3.1 對(duì)比兩次疫情管控期的空氣質(zhì)量變化,發(fā)現(xiàn)2020年疫情管控期的污染物改善降幅環(huán)比高于2019歷史同比,而2021年疫情管控期的污染物改善降幅環(huán)比低于2019歷史同比.與疫情前期相比,2020疫情時(shí)期除O3外其他污染物均有不同程度的改善幅度,2021疫情時(shí)期O3和顆粒物濃度得到了提高,而與2019歷史同期相比,兩次疫情期間的O3濃度均有升高,除此以外,2021疫情時(shí)期污染物改善幅度更大.

3.2 兩次疫情期間氣象量化模擬過(guò)程,LSTM算法模擬均顯示人為影響對(duì)污染物濃度變化產(chǎn)生了較高的影響,而CMAQ模式中的氣象因素影響占比遠(yuǎn)高于LSTM算法.兩種模擬方法顯示,在兩次疫情期間受人為影響最大的污染物均為NO2.

3.3 CMAQ模式在兩次疫情模擬中表現(xiàn)出了不同的結(jié)果:在2020疫情中人為影響占據(jù)了主導(dǎo),而在2021疫情中,除NO2外,其他污染物的人為影響均為正值(促進(jìn)了污染物濃度升高).

[1] Huang C,Wang T,Niu T,et al. Study on the variation of air pollutant concentration and its formation mechanism during the COVID- 19period in Wuhan [J]. Atmospheric Environment,2021,251(12-14): 118276.

[2] Zhang M,Katiyar A,Zhu S,et al. Impact of reduced anthropogenic emissions during COVID-19 on air quality in India [J]. Atmospheric Chemistry and Physics,2021,21(5):4025-4037.

[3] Granella F,Aleluia Reis L,Bosetti V,et al. COVID-19 lockdown only partially alleviates health impacts of air pollution in Northern Italy [J]. Environmental Research Letters,2021,16:0350123.

[4] Lovri? M,Pavlovi? K,Vukovi? M,et al. Understanding the true effects of the COVID-19lockdown on air pollution by means of machine learning [J]. Environmental Pollution (1987),2021,274: 115900.

[5] Chen Q X,Huang C L,Yuan Y,et al. Influence of COVID-19 event on air quality and their association in mainland China [J]. Aerosol and Air Quality Research,2020,20(7):1541-1551.

[6] Fu F,Purvisroberts K L,Williams B. Impact of the COVID- 19pandemic lockdown on air pollution in 20 major cities around the world [J]. Atmosphere,2020,11(11):1189.

[7] Rudke A P,Martins J A,de Almeida D S,et al. How mobility restrictions policy and atmospheric conditions impacted air quality in the State of S?o Paulo during the COVID-19 outbreak [J]. Environmental Research. 2021,198:111255.

[8] 周永生.基于LSTM神經(jīng)網(wǎng)絡(luò)的PM2.5預(yù)測(cè) [D]. 長(zhǎng)沙:湖南大學(xué),2018.

Zhou Y S. Prediction of PM2.5based on LSTM neural network [D]. Changsha: Hunan University,2018.

[9] 張玉強(qiáng).研究中國(guó)地面臭氧時(shí)空分布特征 [D]. 北京:清華大學(xué),2011.

Zhang Y Q. Seasonal and spatial variability of surface ozone over China [D]. Beijing: Tsinghua University,2011.

[10] 聶 滕,李 璇,王雪松,等.北京市夏季臭氧前體物控制區(qū)的分布特征 [J]. 北京大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,50(3):557-564.

Nie T,Li X,Wang X S,et al. Characteristics of the spatial distributions of ozone-precursor sensitivity regimes in summer over Beijing [J]. Acta Scientiarum Naturalium Universitatis Pekinensis,2014,50(3): 557-564.

[11] Grange S K,Carslaw D C,Lewis A C,et al. Random forest meteorological normalisation models for Swiss PM10trend analysis [J]. Atmospheric Chemistry and Physics,2018,18(9):6223-6239.

[12] 代興良,宋國(guó)君,姜曉群,等.新冠肺炎疫情對(duì)咸陽(yáng)市空氣質(zhì)量的影響 [J]. 中國(guó)環(huán)境科學(xué),2021,41(7):3106-3114.

Dai X L,Song G J,Jiang X Q,et al. The impact of the COVID- 19pandemic on air quality in Xianyang [J]. China Environmental Science,2021,41(7):3106-3114.

[13] Bengio,Y,Simard,et al. Learning long-term dependencies with gradient descent is difficult [J]. Neural Networks IEEE Transactions on,1994,5(2):157-166.

[14] Hochreiter S,Schmidhuber J. Long short-term memory [J]. Neural Computation,1997,9(8):1735-1780.

[15] 張 宇,張鵬遠(yuǎn),顏永紅.基于注意力LSTM和多任務(wù)學(xué)習(xí)的遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別 [J]. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2018,58(3):249-253.

Zhang Y,Zhang P Y,Han Y H. Long short-term memory with attention and multitask learning for distant speech recognition [J]. Journal of Tsinghua University (Science and Technology),2018,58(3):249-253.

[16] Graves A,Mohamed A R,Hinton G. Speech recognition with deep recurrent neural networks [C]. 2013 IEEE International Conference on Acoustics,Speech and Signal Processing (ICASSP). 2013:6645-6649.

[17] Zhou P,Shi W,Tian J,et al. Attention-based bidirectional long short- term memory networks for relation classification [C]//Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers). 2016.

[18] 陳衛(wèi)華.基于深度學(xué)習(xí)的上證綜指波動(dòng)率預(yù)測(cè)效果比較研究 [J]. 統(tǒng)計(jì)與信息論壇,2018,33(5):99-106.

Chen W H. Forecasting volatility of shanghai composite index with deep learning [J]. Journal of Statistics and Information,2018,33(5): 99-106.

[19] 於 雯,周武能.基于LSTM的商品評(píng)論情感分析 [J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用,2018,27(8):159-163.

Yu W,Zhou W N. Sentiment analysis of commodity reviews based on LSTM [J]. Computer Systems & Applications,2018,27(8):159-163.

[20] Bo Z,Dan T,Meng L,et al. Trends in China's anthropogenic emissions since 2010as the consequence of clean air actions [J]. Atmospheric Chemistry & Physics Discussions,2018,18(19):14095- 14111.

[21] 關(guān)攀博.典型跨區(qū)域污染物傳輸規(guī)律及其主控因子識(shí)別研究 [D]. 北京:北京工業(yè)大學(xué),2021.

Guan P B. Study on the characteristics of inter-regional air pollutant transport and the chief control factors in typical urban agglomeration [D]. Beijing: Beijing University of Technology,2021.

[22] 何哲祥,李 雷.一種基于小波變換和LSTM的大氣污染物濃度預(yù)測(cè)模型 [J]. 環(huán)境工程,2021,39(3):111-119.

He Z X,Li L. An air pollutant concentration prediction model based on wavelet transform and LSTM [J]. Environmental Engineering,2021,39(3):111-119.

[23] Zhang Q,Xue D,Liu X,et al. Process analysis of PM2.5pollution events in a coastal city of China using CMAQ [J]. Journal of Environmental Sciences,2019,79(5):225-238.

[24] Chen D,Liu Z,Fast J,et al. Simulations of sulfate–nitrate–ammonium (SNA) aerosols during the extreme haze events over northern China in October 2014 [J]. Atmospheric Chemistry and Physics,2016,16(16): 10707-10724.

[25] 蘆 華,謝 旻,吳 鉦,等.基于機(jī)器學(xué)習(xí)的成渝地區(qū)空氣質(zhì)量數(shù)值預(yù)報(bào)PM2.5訂正方法研究 [J]. 環(huán)境科學(xué)學(xué)報(bào),2020,40(12):4419- 4431.

Lu H,Xie M,Wu Z,et al. Adjusting PM2.5prediction of the numerical air quality forecast model based on machine learning methods in Chengyu region [J]. Acta Scientiae Circumstantiae,2020,40(12):4419- 4431.

[26] Li L,Li Q,Huang L,et al. Air quality changes during the COVID-19lockdown over the Yangtze River Delta Region: An insight into the impact of human activity pattern changes on air pollution variation [J]. Science of the Total Environment,2020,732:139282.

[27] Lian X,Huang J,Huang R,et al. Impact of city lockdown on the air quality of COVID-19-hit of Wuhan city [J]. Science of the Total Environment,2020,42:140556.

[28] Wang S,Zhang Y,Ma J,et al. Responses of decline in air pollution and recovery associated with COVID-19lockdown in the Pearl River Delta [J]. Science of the Total Environment,2020,756:143868.

[29] Wang J,Xu X,Wang S,et al. Heterogeneous effects of COVID- 19lockdown measures on air quality in Northern China [J]. Applied Energy,2020,282:116179.

[30] 余益軍,孟曉艷,王 振,等.京津冀地區(qū)城市臭氧污染趨勢(shì)及原因探討 [J]. 環(huán)境科學(xué),2020,41(1):106-114.

Yu Y J,Meng X Y,Wang Z,et al. Driving factors of the significant increase in surface ozone in the Beijing-Tianjin-Hebei Region,China,during 2013～2018 [J]. Environmental Science,2020,41(1):106-114.

[31] Aneja V P,Agarwal A,Roelle P A,et al. Measurements and analysis of criteria pollutants in New Delhi,India [J]. Environment International,2002,27(1):35-42.

Quantitative analysis of the impact of anthropogenic emissions and meteorological factors on air quality: Cases during the epidemic in Xingtai City.

QI Hao-yun,WANG Xiao-qi,CHENG Shui-yuan*

(Key Laboratory of Beijing on Regional Air Pollution Control,Faculty of Environmental and Life,Beijing University of Technology,Beijing 100020,China).,2022,42(8)：3512～3521

Meteorological and human factors during the specific epidemic are critical for effectively evaluating the causes of air quality changes in different areas. This study selected Xingtai City,Hebei Province as the research object,took 2020 epidemic situation as an experimental scenario of extreme emission reduction under the extreme control measures,and 2021 epidemic situation as an experimental analysis scenario of future normalized epidemic prevention and control. Compared with the period prior to the epidemic,the ozone concentration during the two epidemics increased,and the particle concentration during the 2021 epidemic also increased. The concentration of other pollutants during the 2020 epidemic decreased to varying degrees. Compared with the same period in 2019,the ozone concentration during the two epidemics also increased. In addition,the pollutant concentration during the 2021 epidemic declined more. Using LSTM algorithm and WRF-CMAQ model to quantify impacts of meteorological factors on the changes in pollutant concentration during the two epidemic periods. The human-induced changes in different pollutant concentrations were deduced as indicated by the results from the air quality simulation. The simulation of LSTM algorithm during the two outbreaks shows that human being had a negative impact on pollutants (reducing their concentration) and accounted for a high proportion in the total change,while the influence of meteorological factors simulated with CMAQ model was much higher than that with LSTM algorithm. Anthropogenic influences dominated during the 2020 epidemic period,while compared to that during the 2020 epidemic period,the impact of anthropogenic activities on pollutants (except NO2) was positive (promoting an increase in pollutant concentration) during the 2021 epidemic period.

machine learning algorithm；air quality model；COVID-19；Xingtai City；PM2.5

X511

A

1000-6923(2022)08-3512-10

2022-01-28

國(guó)家自然科學(xué)基金資助項(xiàng)目(51638001)

* 責(zé)任作者,教授,chengsy@bjut.edu.cn

亓浩雲(yún)(1995-),男,山東威海人,北京工業(yè)大學(xué)博士研究生,主要研究方向?yàn)榇髿馕廴緮?shù)值模型及優(yōu)化調(diào)控.發(fā)表論文7篇.