PM算法范文

PM算法范文（精选8篇）

PM算法 第1篇

1 程序设计及运行结果

根据研究任务, 需设计数字低通滤波器的性能指标如下:通带截止频率wp=0.2π, 阻带截止频率ws=0.3π, 实际通带波动Rp0.25d B, 最小阻带衰减Ar≥50d B。

采用PM算法, 设计程序如下:

2 结果分析

程序运行结果:N=47;Rp=0.0114;Asd=51.0857。

由程序运行结果可以看出, 当滤波器长度N=47时, 实际的通带波动为0.0114 d B, 实际阻带衰减为51.0857 d B, 满足设计要求, 所设计的滤波器脉冲响应和频域曲线如图1所示。

3 结论

利用MATLAB设计滤波器方法简单、快捷直观。本文采用PM算法, 利用matlab设计了FIR数字低通滤波器, 程序运行结果符合设计技术指标要求, 取得了较理想的实验效果。

参考文献

[1]祁才君.数字信号处理技术的算法分析与应用[M].北京:机械工业出版社, 2005:24-25.

[2]段佳佳.基于MATLAB的FIR滤波器的设计[J].电子测试, 2011: (8) 19-21.

PM算法 第2篇

北京市区-01-16-04-30PM10和PM2.5的`监测结果表明,虽然ρ(PM10),ρ(PM2.5)的变化幅度较大,但是其变化趋势非常相似.PM10,PM2.5质量浓度的日变化呈双峰特征分布.ρ(PM2.5)/ρ(PM10)的平均值为56.6%,说明可吸入颗粒物(PM10)中细粒子(PM2.5)的含量大于粗粒子(PM2.5～10).

作 者：于建华 虞统 魏强 王欣 时建纲 李海军 作者单位：于建华(北京市环境保护监测中心,北京,100044;中国科学院,安徽光学精密机械研究所,安徽,合肥,230031)

虞统,魏强,王欣,时建纲,李海军(北京市环境保护监测中心,北京,100044)

PM算法 第3篇

通信信号调制方式自动识别是信号分析领域中一个比较新的研究方向, 它有很大的应用前景, 尤其是在军事通信领域。随着电子对抗技术研究的不断升温, 迫切需要进行调制信号自动识别技术的研究, 它被广泛应用于信号确认、干扰识别、无线电侦听、信号监测和威胁分析等领域[1]。

到目前为止, 通信信号调制方式自动识别的基本方法, 一般认为有两类:基于决策理论的最大似然假设检验方法;基于特征提取的统计模式识别方法。决策论途径的基本框架是符合假设检验, 它适应于待识别种类有限的情况;而统计模式识别途径的基本框架则是先从信号中提取事先选定的特征, 然后进行模式识别[2]。Nandi A K等提出了基于五个特征参数、六种调制方式的统计模式识别方法[3];叶健等提出了RBF神经网络优化的识别方法[4];陈卫东等提出基于循环累积不变量的识别方法[5];徐海源等提出了基于二阶矩和相位差统计特性的识别方法[6];路威等提出快速独立成分分析的识别分类算法[7]。上述这些算法都需要拥有大量的数据和复杂的计算, 从而需要一定的处理时间。在卫星通信的许多应用场合, 并不太强调需要非常精确的调制信号参数, 但对时效性有非常高的要求。此时, 实时调制识别对测控链路信号的检测和解调就起到关键作用, 具有非常重要的意义。根据对已有国内外典型中低轨卫星测控体制的分析可知[8,9], 常用的调制信号一般包括PM (调相) 、BPSK (二相键控) 、QPSK (四相键控) 等。本文研究的内容是对卫星测控链路中常用的PM, BPSK, QPSK调制信号的实时识别。本文将从PM信号、BPSK信号及其二倍频信号、QPSK信号及其二倍频、四倍频信号的频谱特性出发, 分析其特点, 并在此基础上对上述信号的实时识别进行算法研究。

1PM, BPSK, QPSK三种信号的数学描述[10]

(1) PM信号的表达式为:

$s(t)=A\text{c}\text{o}\text{s}[\omega {}_{\text{c}}t+{\rm K}{}_{\text{p}}m(t)](1)$

式中:ωc为载波频率;A为振幅;Kp为调制指数。

从PM信号的数学表示式可以看出, PM信号中本身就含有载波的单频分量, 故可以直接提取载频。

(2) BPSK信号的数学公式可以表示为:

$\begin{array}{l}s(t)=[{\displaystyle \sum _{n}a}{}_{n}g(t-n{\rm T}{}_{\text{s}})]\cos \omega {}_{\text{c}}t\\ =[{\displaystyle \sum _{n}A}{}_n]\cos \omega {}_{\text{c}}t(2)\end{array}$

式中:An=ang (t-nTs) ;g (t) 为单个矩形脉冲;Ts为脉宽;ωc为载波频率;

由于An具有一定的频谱宽度, 故从BPSK信号的频谱中无法直接提取载频分量。由此可知, BPSK信号是载波抑制信号。

BPSK信号二倍频后的表达式为:

$s{}^2(t)=A{}_n^2\cos {}^2\omega {}_{\text{c}}t=0.5A{}_n^2(1+\cos 2\omega {}_{\text{c}}t)(3)$

式中:$A{}_n={\displaystyle \sum _{n}a}{}_{n}g(t-n{\rm T}{}_{\text{s}})$。

可以看出, 经过二倍频后BPSK信号会出现直流分量和载波的二倍频分量, 提取出该分量就能得到二倍载波频率的估计值。

(3) QPSK信号的数学公式可以表示为:

$\begin{array}{l}s(t)=[{\displaystyle \sum _{n}a}{}_{n}g(t-n{\rm T}{}_{\text{s}})]\cos \omega {}_{\text{c}}t+\\ [{\displaystyle \sum _{n}b}{}_{n}g(t-n{\rm T}{}_{\text{s}})]\sin \omega {}_{\text{c}}t\\ =A{}_n\cos \omega {}_{\text{c}}t+B{}_n\sin \omega {}_{\text{c}}t(4)\end{array}$

式中:$A{}_n={\displaystyle \sum _{n}a}{}_{n}g(t-n{\rm T}{}_{\text{s}})$;$B{}_n={\displaystyle \sum _{n}b}{}_{n}g(t-n{\rm T}{}_{\text{s}})$。

QPSK信号可以看作是两路正交的BPSK信号相叠加。这两路正交的BPSK信号幅度相同, 功率相当, 码元同步。由于An, Bn频谱具有一定宽度, 从QPSK信号的频谱中也无法直接提取载频分量。

QPSK信号二倍频后为:

$s{}^2(t)=A{}_n^2\cos {}^2\omega {}_{\text{c}}t+B{}_n^2\sin {}^2\omega {}_{\text{c}}t+2A{}_{n}B{}_n\cos \omega {}_{\text{c}}t\text{s}\text{i}\text{n}\omega {}_{\text{c}}t(5)$

因为QPSK信号的两路可视为均衡的, 幅度一样, 所以式 (5) 可以化简为:

$s{}^2(t)=A{}_n^2+A{}_{n}B{}_n\sin 2\omega {}_{\text{c}}t(6)$

即直流分量与AnBnsin 2ωct之和。又因为An, Bn互有正负, AnBn频谱依然具有一定宽度, QPSK的二倍频信号仍然是载波抑制信号, 不含有载波二倍频分量, 故无法直接从QPSK信号二倍频频谱中仍提取载频分量。

而QPSK信号四倍频后为:

可以看出, 由于A2nB${}_n^2$为常量1, 经过四倍频后QPSK信号出现了载波的四倍频分量, 可以直接提取该分量得到四倍载波频率的估计值。

2三种信号频谱特性的Matlab仿真

信号频谱是信号在频域方面的一种特征, 不同调制方式的信号, 其频域表现不同。信号的频谱特性是时域信号经过傅里叶变换反映到频域上的特性。傅里叶变换公式为[11]:

$F(\omega )={\displaystyle {\int }_{-\infty }^{\infty }f}(t)\text{e}{}^{-\text{j}\omega t}\text{d}t$

式中:F (ω) 为连续信号f (t) 的频谱。对f (t) 进行采样量化后得到离散序列x (n) , 称$X(\text{e}{}^{\text{j}\omega })={\displaystyle \sum _{n=-\infty }^{\infty }x}(n)\text{e}{}^{-\text{j}\omega }$为序列x (n) 的傅里叶变换, X (ejω) 是序列x (n) 的频谱, 对x (n) 做N点离散傅里叶变换 (DFT) :$X(k)={\displaystyle \sum _0^{{\rm N}-1}x}(n)\text{e}{}^{-\text{j}\frac{2\text{π}}{{\rm N}}}‚k$的取值范围为0～N-1。X (k) 实际是X (ejω) 在区间[0, 2π]上N点的等间隔采样。对DFT算法进行改进, 形成了一套高效运算方法, 称为快速傅里叶变换, 简称FFT。这种算法使DFT的运算效率提高1～2个数量级, 为数字信号处理技术应用于各种信号的实时处理创造了良好的条件[12]。

Matlab软件最早是一种基于矩阵运算的仿真软件, 经过多年发展完善, 目前在通信领域应用广泛。本文通过该软件分别对PM信号、BPSK信号及其二倍频、QPSK信号及其二倍频、四倍频频谱特性进行了Matlab仿真[13], 如图1～图3所示。以下所有仿真都没有加入噪声, 载波频率为5 MHz, 采样率为56 MHz, 码元速率为1.024 MHz。

由图1～图3可见, PM信号在载波位置处有一个明显的单频分量, BPSK信号的二次方谱在二倍载波处有一个单频分量, QPSK信号的四次方谱在四倍载波处有一个单频分量。这说明仿真与理论分析是一致的。

3识别算法的具体实现

由前面的分析可知, 信号的功率谱及信号高次方频谱可以较好地反映多种调制方式的特征, 正确地提取这些特征可以作为调制识别的特征参数。

信号功率谱直接反映出调制信号中各频率分量的功率分布。对于有载波分量信号 (如PM, AM (调幅) 、ASK (振幅键控) 等) 和无载波分量信号 (如PSK (相移键控) 、DSB (双边带调制) 、FM (调频) 等) , 它们的信号功率谱在载频处有很大的不同, 可以作为它们的主要分类特征。平方谱反映出调制信号倍频后其频谱功率的分布特性。

对载波只有π跳变的信号, 如BPSK信号和DSB信号, 平方谱在2倍载频处有很强的单频分量;信号的四次方谱主要用于区分M=4的MPSK (多进制相位调制) 和M>4的MPSK, 同时也可用于OQPSK (交错正交相移键控) 频率调制信号的分类。因此, 通过分析信号频谱、平方谱和四次方谱可以简单地判别接收信号是否为有载波的PM, 有相位π跳变的BPSK及QPSK信号。

根据这一思路, PM, BPSK, QPSK这三种规格信号的调制方式识别算法流程图如图4所示。信号先经过FFT运算求出频谱, 然后判断频谱里是否具有单频分量, 如果有, 则是PM信号;如果没有, 则对信号进行平方运算, 再通过FFT运算看频谱是否有单频分量, 以此类推依次判断出信号是否为BPSK信号或QPSK信号。

单频搜索是整个识别模块的核心部分, 无论是PM, BPSK或QPSK信号的识别都基于这个子模块。该算法的实现可以引入一个参数窗长Win (Win=[80 100]) , 和一个参数Rmax。首先将待分析的FFT结果划分为[Nfft/Win]个Win长的数据窗, 然后对每个窗内的数据求其对应的R参数。R参数定义为每个窗内FFT数据结果中最大值与这个最大值及其相邻两点外其他值的均值之比, Rmax=max (R) 。如果信号FFT结果中Rmax大于某一门限, 则可以判定该信号为PM;同理, 如果2倍频谱中有Rmax大于某一门限, 则可以判定该信号为BPSK;如果4倍频谱中有Rmax大于某一门限, 则可以判定该信号为QPSK。处理流程见图5。

从图4可以看出, 所涉及的主要运算只包括FFT, 平方 (即乘法) 运算, 单频搜索中的数据查找和判断, 没有涉及很复杂的计算, 所以处理时间不会长。同时, 此算法也非常适合在专用的数字信号处理 (DSP) 芯片上实现。DSP芯片自身集成有乘法器, 非常适合乘法以及FFT运算, 并且运算速度非常快, 具有高达近6 000 MIPS (每秒执行百万条指令) 的能力, 使许多基于DSP芯片的实时数字信号处理系统得以实现。

因此如果用高性能的DSP芯片来运行此算法, 是可以做到实时识别这三种调制信号的。同时还可以根据识别结果进一步指导后续的分类识别, 以精确地调制参数工作。

为了提高所仿真的带限数字已调信号的逼真度, 使用随机序列作为调制信号源, 并对已调信号进行限带滤波处理。

模拟AWGN卫星信道, 用均值为0服从正态分布的随机数发生器产生加性高斯白噪声序列, 并且进行限带滤波处理, 带宽为20 MHz。信号符号速率为512 b/s, 载波位置在60～80 MHz之间, PSK信号的滚降系数为0.2～0.9, PM调制指数Kp=1.5。在仿真中, 每个信号产生24 000个样点, 每个信号在同一信噪比下仿真100次。图6给出不同信噪比的仿真结果。

仿真表明, 当SNR在-16 dB以上时, 对PM信号的识别率可达95%;当SNR在-10 dB以上时, 对BPSK信号的识别率可达95%;当SNR在-3 dB以上时, 对QPSK信号的识别率达到95%以上, 而且识别率基本上是随着SNR的提高而增加。

运用此算法在基于TI公司的DSP芯片TMS320C6416的测控系统上运行, 10 ms左右就给出了正确的判决结果。

4结语

本文研究的基于PM信号频谱、BPSK信号二倍频谱、QPSK信号四倍频谱特性的调制方式识别算法可以对大量应用于卫星测控链路的PM, BPSK, QPSK信号的调制方式进行快速实时识别。在满足一定SNR情况下, 具有较高的识别率。实际应用证明此算法可行。

摘要：针对卫星测控链路中大量使用的PM, BPSK, QPSK调制信号的实时识别问题, 提出基于信号频谱特性的分类算法。首先在理论上分析PM信号的频谱特性、BPSK的二倍频频谱特性、QPSK二倍频和四倍频频谱特性, 并用Matlab进行了仿真分析, 得到与理论分析一致的结论;然后根据这三种信号的频谱特征探讨了实时识别的方法, 并给出具体实现算法。用Matlab进行计算机仿真, 其结果表明识别率较高, 实际应用也证明此算法可行。

PM算法 第4篇

PM2. 5对人体健康影响严重,其浓度的增高与心肺疾病的发病率,死亡率息息相关。

由于PM2. 5测量系统在测量过程中,会受到各种环境因素的影响,使用时间一长,会使测量精度下降, 在实际设计中要提高整个系统的测量精度,通常选择测量精度高的灰尘传感器,但成本较高。故为了控制成本,需选择经济型的灰尘传感器,并在实际测量中对影响其测试精度的因素进行补偿。文献[1]中提出了一种基于递归神经网络的加速度传感器动态性能补偿方法,文献[2]中给出了一种基于改进遗传RBF神经网络的传感器动态特性补偿算法,文献[3]中给出了一种物联网框架下PM2. 5高精度测试模型仿真分析, 文献[4]中给出了一种基于 β 射线吸收法的PM2. 5测量技术的研究。

综合分析,本文提出了一种改进的BP神经网络PID算法对PM2. 5测量系统进行优化补偿,并通过仿真验证了其有效性。

1系统优化补偿原理

用灰尘传感器设计的PM2. 5测量系统,用于室内灰尘,烟雾的测量,在无污染的环境下,系统本身会有一个初始电压,称为无尘电压v,环境灰尘浓度为x,输出电压为y,假设输出电压与灰尘浓度以及无尘电压的关系为

在输出端串联一个补偿优化网络,输出值y,目标值x,以及无尘电压之间有一种映射关系,如式( 1) 所示。通过PSO - BP - PID优化网络优化训练,得到优化值p,其可更好的逼近实际目标值x的期望输出y0,即,从而提高系统的测量精度。优化网络框图如图1所示。

2 PSO - BP - PID优化算法

2. 1 PID控制

经典PID控制已极为成熟,其算法简单,可靠性高及鲁棒性好,已被广泛应用于各种工业领域［5］。在PID控制中,经典增量式数字PID控制算式为式( 2)

式中,kp,ki,kd分别为比例系数、积分系数和微分系数; u( k) 是控制器的输出。

目前测量中常用的PID控制,其控制参数是固定不变的,而测量系统所处的环境具有大量不确定性因素,传统上的PID控制已难以满足测量需求。神经网络的自学习能力以及非线性模型逼近的能力,可较好地改善参数的在线整定问题。为了提高测量的准确性,避免传统PID的不足,引入BP神经网络是一种有效的解决方法。由于BP神经网络算法容易陷入局部最优,收敛速度慢,针对这个缺点,文中先用PSO优化算法对BP神经网络进行优化。

2. 2改进的粒子群优化算法的BP神经网络

粒子群优化算法( Particle Swarm Optimization, PSO) ,是一种基于群体智能的全局随机搜索算法,其通过追随当前搜索到的最优值来寻找全局最优。粒子群优化算法要先对粒子进行初始化,接着经过数次的迭代寻找最优解。粒子的速度和位置分别按照下式进行更新

式中,vid是粒子速度; xid是粒子位置; w是权重因子,用于调节对解空间的搜索范围; c1和c2是学习因子,调节学习步长,一般c1= c2= 2,r1,r2是[0,1]内的随机数,pbid为个体极值,pgd为全局极值。

由速度式( 3) 可知,粒子速度由权重,学习因子和随机数共同决定,可通过减少参数,避免通过经验对学习因子进行调整

式( 5) 中,通过线性递减粒子群的局部最优和递增全局最优的影响控制例子速度,增强了粒子群的全局搜索能力。

BP神经网络［6］采用3层结构,其由输入层,隐含层和输出层组成,其结构如图2所示。

将粒子群优化算法的全局寻优能力与BP神经网络的搜索思想相结合［7 － 8］,既克服了寻优中的盲目性, 也避免了局部收敛情况的发生。粒子群算法中的粒子由网络的权值和阈值组成,粒子的选择由群体极值来决定,从而通过适应度值对个体极值和群体极值不断的更新,最后得到最优群体极值对应的粒子,最终将选出的适应度最佳的个体值作为相应的BP神经网络的连接权值和阈值。粒子群优化算法优化神经网络的流程如图3所示。

2. 3改进的PSO优化神经网络的PID控制

将改进的BP神经网络与PID控制相结合［9］,基于改进的BP神经网络的PID控制器结构如图4所示。 由图4可知,改进的BP神经网络的PID控制系统由两部分组成: ( 1) PID控制器: kp,ki,kd为在线调整参数。 ( 2) 改进的BP神经网络: 粒子群优化算法对神经网络的权值进行训练,获得最佳权值; 神经网络在线调节PID控制器参数,通过神经网络的自学习和自适应能力,实现系统的自适应控制。其算法主要步骤如下:

步骤1用改进的粒子群优化算法对神经网络的权值进行训练,从而获得最佳权值。

步骤2确定BP网络的结构,确定各层节点数, 根据( 1) 获得的最佳权值及神经网络各层的公式计算输入输出。得到的神经网络的输出,即是PID控制器的参数。

步骤3通过采样得到输入rin,得到输出yout计算误差error = yout- rin。

步骤4通过神经网络的自学习能力,通过e( k) 反传调整权值,从而实现PID控制器的参数的自适应调整。

步骤5控制系统若达到稳态,则此时误差已足够小,停止学习。否则,将不断调整学习算法的权值。

3仿真与分析

对空气中PM2. 5的含量监测已成为衡量大气污染程度的重要手段,使用PM2. 5测量系统的用户也日益增多,将PM2. 5测量系统应用到室内灰尘的测量已成为一个趋势［10］。

PM2. 5测量系统由灰尘传感器输出模拟信号,信号经A/D转换器后,经过单片机对信号进行采集、计算和处理后,通过USB线或无线装置将PM2. 5的数值显示在电脑或LCD显示屏上。

系统硬件由灰尘传感器、单片机、A/D转换器和电源电路等部分组成,系统主要用于除尘设备、空气净化设备、除尘机器人、大气测量、烟气测量等领域,其系统组成框图如图5所示。

为验证PSO - BP - PID算法对测量系统输出电压优化后的效果,分别用PSO - BP - PID和传统PID进行对比试验。

该研究PSO - BP网络中,PSO惯性系数w ∈ [0. 4,0. 9],c1= c2= 2,BP网络结构为4 - 5 - 3,设定输入值为rin,输出值yout,输入层的加权系数的初始值是4 × 5矩阵,隐含层的加权系数的初始值是一个5 × 3矩阵,输出层的3个输出值分别对应PID控制器的kp,ki,kd。通过仿真验证,分别得到了优化前后系统输入信号及响应曲线和误差曲线的对比图。

由图6和图7对比可知,优化前,曲线有较大振动,优化后,在较短的时间内便可达到稳定状态,即优化后系统的性能得到了大幅改善; 由图8和图9对比可知,优化前,系统误差可平稳减少,但优化后效果明显更好,优化后减少了输出的误差,提高了测量精度。

4结束语

用PSO算法优化BP神经网络避免了其收敛性慢和易陷入局部最优的缺点,可快速找到全局最优解。 针对PM2. 5测量系统的非线性,大延迟和大惯性的问题,运用BP神经网络的自学习能力,自适应能力以及非线性系统任意逼近的特性,将改进的BP神经网络与PID控制器相结合,通过仿真表明,用改进的粒子群优化算法优化的BP神经网络的PID控制对测量系统进行优化,可明显提高测量精度。

摘要：针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。

PM算法 第5篇

针对日渐严重的雾霾天气,国务院在2013年9月公开发布《大气污染防治行动计划》,提出了奋斗目标、具体指标和总体要求。2015年8月29日,第十二届全国人民代表大会常务委员会第十六次会议修订通过了《中华人民共和国大气污染防治法》。同时,目前学术界对雾霾这一社会问题也从各个角度开展了研究,为治理雾霾提供新策略、新思路。王金南等以区域联合防治的角度,讨论了我国实施区域联防联控的技术与方法,包括联防联控区域划分方法、区域大气环境问题控制技术、区域总量控制目标确定与分配方法及区域大气污染联防联控保障体系等[1]。Chao Ye等分析了中国农历新年期间PM2.5的极端值,并提出了解决严重空气污染问题的4种解决方案[2]。庞军等利用等热值替代方法对2010年全国15个城市天然气替代燃煤集中供暖城市的大气污染物减排量进行测算,结果发现城市利用天然气替代燃煤集中供暖对CO2、颗粒物(PM)、SO2和NOx都有较明显的减排效果[3]。

对于PM2.5的实时监测同样是一个重要且具有挑战性的任务。目前关于颗粒物预测的模型主要有三种:统计模型、人工智能模型和化学运输模型。化学运输模型是一种通常用来模拟大气中化学物质扩散的计算机数值模型,在大气领域得到广泛应用[4]。然而,化学运输模型的预测精度需要大量的数据以方便进行模拟,缺乏数据会导致模型预测效果的较大不确定性。

统计模型和人工智能模型需要被历史数据所训练,由于不需要太多信息,使其在数据不足的情况下,他们的预测精度会比化学运输模型更好。统计建模方法是建立一个历史数据与预测数据之间的映射关系,包括线性和非线性方法。在模型辨识、参数估计和模型检验之后,确定研究时间序列的数学模型,并将其应用于预测预报。彭斯俊等使用ARIMA模型对可吸入颗粒物浓度进行预测,结果显示采用分时段序列的ARIMA预测模型精度高于灰色GM(1,1)模型和采用全年时间序列的ARIMA模型[5]。Jean-MichelPoggi等比较了三种用来预测法国诺曼底地区每小时PM10的模型效果,结果表明:聚类线性回归模型的预测精度优于其他两个模型[6]。

为解决非线性的问题,人工智能模型已被频繁地使用和研究大气污染问题。在外文文献方面,人工神经网络已经被用来预测意大利佩鲁贾[7]、印度新德里[8]、土耳其伊斯坦布尔[9]等地区的污染物浓度。在国内文献方面,冯科展等[10]使用灰色模型,马天成等[11]使用模糊神经网络均对PM2.5预测进行研究。本文使用人群搜索算法一支持向量机模型对京津冀地区的三个代表性城市北京、天津和石家庄的PM2.5浓度进行点预测和区间预测,并与常用的模型进行比较以检测该模型的预测效果。人群搜索算法用于优化支持向量机的两个参数和,支持向量机用来计算预测结果。由于冬季为雾霾的多发季节,本文主要对冬季三月的污染数据进行预测。

二、PM2.5浓度预测模型方法介绍

1. 支持向量机(SVM)。

支持向量机(Support Vector Machine)回归方法的基本思想是将数据通过非线性映射映射到高维特征空间中,并在这个空间中进行线性回归。对于给定的训练样本(xi,yi),xi∈Rd,yi∈R,i=1、2、…、n,xi是输入向量,yi是对应的输出向量。回归的目标是解决如下回归函数和以下优化问题。

其中w是权重向量,b是常数,Φ(x)表示特征空间中的映射函数,C是给定的,用来控制模型的复杂度和近似误差。C越高,数据的拟合程度越高。ε用于控制支持向量的数目和泛化能力。ε越大,支持向量越少,但精度越低。这样,将优化问题转化为相应的对偶问题,同时引入核方法,将核方法转化为以下约束的最大值,求αi,αi*。

出于稳定性的考虑,b是支持向量的平均值。

从而得到目标的回归方程:

2. 人群搜索算法。

人群搜索算法(Seeker Optimization Algorithm,SOA)是一种基于种群的启发式随机搜索算法。该算法可以对4种人体的随机搜索行为进行模拟,得到经验梯度,然后确定一个方向的搜索。根据搜索规则和步骤确定模糊干扰,对搜索者的位置进行更新。由人群搜索算法优化后的支持向量机具有精度高和鲁棒性(Robustness)好等优点。

(1)参数编码。令种群P中的搜寻者个体数为S,每个粒子的位置矢量由SVM的两个控制参数组成,即个体的位置矢量的维数D=2。该种群可以用一个S×D的矩阵来表示。

(2)适应度函数选取。在人群搜索算法中,适应度函数用来评价个体的好坏,指引着程序按照提高精度的方向不断进化。在本文中,适应度函数采用MAPE为目标函数。

(3)搜索步长。SOA算法通过模拟人的智能搜索行为,建立感知(目标函数值)和行为(步长)之间的联系。这其中的模糊规则可以描述如下:目标函数越小,则搜索步长亦越小。因此,定义搜索步长模糊变量如下,该函数为高斯隶属函数:

当输出变量超出[u-3σ,u+3σ]时,若隶属度小于0.0111,则可以忽略,故一般设定umin=0.0111。这里采用线性隶属度函数,隶属度与函数值排列顺序成正比,处于最佳位置的搜寻着具有最大值1,最差位置为0.0111。对于其他位置,u<1.0,如式(7):

ui为目标函数值i的隶属度;uij为j维搜索空间目标函数值i的隶属度;在得到隶属度值后,可计算步长:

其中,δij为高斯隶属度函数的参数,

xmin和xmax为种群中具有最小和最大函数值的位置;w是惯性权值,随着进化代数的增加从0.9线性递减至0.1;Tmax和t分别为最大迭代次数和当前迭代次数。

(4)搜索方向的确定。在SOA算法中,搜索方向为对人的利己行为、利他行为和预动行为随机加权集合平均确定为最终的搜索方向。图1介绍了该混合优化模型的流程示意图。

三、大气污染数据介绍

本文采用京津冀的三个代表性城市北京、天津和石家庄作为研究对象,检测人群搜索算法优化后支持向量机模型的预测效果。

本文所使用的数据来自中国空气质量在线监测分析平台(http://www.aqistudy.cn/)。数据从2013年12月2日至2015年2月28日(共454天)。数据为每日均值,观测的污染物主要为PM2.5、PM10、二氧化硫、一氧化碳、二氧化氮和臭氧。一阶滞后的PM2.5、PM10、二氧化硫、一氧化碳、二氧化氮、臭氧和二阶滞后的PM2.5被作为模型的输入变量。

单位:μg/m3

表1显示的是北京、天津和石家庄数据的统计特性。通过观察可以发现,这三个城市的PM2.5浓度均值都属于轻度污染,石家庄的浓度高于北京和天津。此外,石家庄在所观测时间段的浓度极值甚至达到了648ug/m3,被称作“爆表”,也说明了其空气污染的严重程度。

表2列出了所观测的时间段内污染天数分布情况,与表1类似,同样可以看出石家庄的严重污染和重度污染天数均多于北京和天津,而优、良、轻度污染和中度污染天数均少于京津。北京与天津分布大致相同,但北京的空气质量比天津略微好一些,被评为“优”的天数比天津多54天。表3列出的是PM2.5浓度评价标准。

四、模型误差评价标准

为评价模型预测效果,本文采用以下评价标准进行比较。对于点估计,本文采用威尔莫特一致性指数(IA)、平均绝对百分比误差(MAPE)以及均方根误差(RMSE)进行比较。下面是这些标准的表达式:

IA是一个无量纲的指标,取值从0(表现最好)到1(表现最差),计算的是模型的适应度。MAPE和RMSE则计算的是预测值偏离真实值得程度,其值越大表示预测效果越差。对于区间预测结果,本文采用覆盖率(IFCP)和平均宽度(IFAW)两个指标进行衡量。下面是这些标准的表达式:

IFCP计算的是真实值落在所预测区间的覆盖率,若真实值大于预测区间的下界且小于预测区间的上界,则ε取1。反之,εi取0。IFAW计算的是预测区间的平均宽度。这两个指标应综合起来使用,因为若预测区间的下界取预测值的最小值而上界取预测值的最大值,那么毫无疑问覆盖率会达到100%,但这也是毫无意义的。理想情况是,宽度足够窄且覆盖率足够高[12]。

五、PM2.5浓度模型预测结果

1. PM2.5浓度模型点预测结果。

在点预测实验中,本文将复合模型SOA-SVM与两个经常被用来进行污染物预测的模型:基于集合经验模式分解的广义回归神经网络(EEMD-GRNN)[13]和人工神经网络(ANN)[7]来进行比较。对于每一个城市,本文都做了三次实验:对于预测2014年12月的数据,用2013年12月2日至2014年11月30日的数据来训练模型,2014年12月1日至2014年12月31日的数据用来验证模型;对于预测2015年1月的数据,用2014年1月1日至2014年12月31日的数据来训练模型,2015年1月1日至2015年1月31日的数据用来验证模型;对于预测2015年2月的数据,用2014年2月1日至2015年1月31日的数据来训练模型,2015年2月1日至2015年2月28日的数据用来验证模型。由于ANN每次实验的结果不一样,本文采取重复10次实验取平均值的方法。

从图2～4可以看出,对于北京的三个模型,2015年2月的预测效果都是这三个月中最好的。SOA-SVM的预测效果优于EEMD-GRNN和ANN。预测误差最小的实验是用SOA-SVM模型预测2015年2月的PM2.5浓度,模型适应度最好的实验是用SOA-SVM模型预测2014年12月的PM2.5浓度。

从天津的预测模型可以看出,虽然北京和天津从地理位置来说很近,但实验结果却有很大差别。同样可以看出SOA-SVM的预测效果优于EEMD-GRNN和ANN。SOA-SVM的2014年12月、2015年1月和2月的MAPE值分别比EEMD-GRNN要低6.04%、14.17%、17.81%,比ANN要低9.33%、21.3%、21.15%。

从表4可以看出,SOA-SVM和EEMD-GRNN对石家庄的预测效果要高于京津两地。最低的RMSE为用SOA-SVM预测2月PM2.5浓度,最低的MAPE和最高的IA均为用SOA-SVM预测1月PM2.5浓度。

可见,人群搜索算法优化后的支持向量机模型(SOA-SVM)预测效果高于另外两个预测模型(EEMD-GRNN和ANN),可应用于PM2.5浓度点预测。ANN模型的预测效果不好,且很不稳定。

2. PM2.5浓度模型区间预测结果。

与点预测不同,区间预测的结果是区间的上下界,所以区间预测的结果所包含的信息量比点预测更多,除了上下界外,还可得到区间的中点和区间半径。但由于区间预测需要更多的假设条件,所以目前应用并不广泛。由于篇幅有限,图5、6、7只描述了天津三种显著性水平下的区间预测结果。本实验对SOA-SVM按照三个不同的显著性水平0.1、0.05和0.025分别进行预测,其与点预测的不同如下:

一是训练集与预测集划分。训练集和预测集的划分方式与点预测一样,同样是用1年的数据预测1个月的数据,但有所不同的是,训练集的输出改为原始输出乘以1加上显著性水平和1减去显著性水平。

二是目标函数:由于输出改为输出上下界,故目标函数改为如下形式:

其中,Ui和Li是训练输出的上下界,是预测输出的上下界。

对于北京的预测,区间宽度随着显著性水平增大而变宽,同时覆盖率也随着显著性水平增大而变宽。在0.10显著性水平下,北京2015年2月份的预测区间表现最好,具有85.71%的覆盖率,同时16.346的区间宽度也在可以接受的预测范围内。

对于天津的预测模型:12月显著性水平为0.1的预测区间具有最好的覆盖率,但同时区间宽度也最高;0.025和0.05显著性水平的区间都很小,但覆盖率过低,不具有应用价值。

对于石家庄的预测模型,显著性水平为0.10的平均覆盖率比显著性水平为0.05的高31.27%,平均宽度多6.53μg/m3;显著性水平为0.10的平均覆盖率比显著性水平为0.025的高43.82%,平均宽度多11.76μg/m3。

总之,显著性水平为0.10的SOA-SVM模型具有最好的覆盖率,但同时区间宽度也宽于另外两个水平。考虑到覆盖率高于另两个水平且区间并未过宽,所以可以认为显著性水平为0.1的SOA-SVM区间预测可以应用于京津冀地区的PM2.5浓度预测,但美中不足的是覆盖率仍未达到理想的要求,即9成以上,仍须深入研究。

六、结论

京津冀地区的大气污染问题十分严重,这一问题已经引起有关部门的高度重视。本文从大气污染物预警的角度,使用人群搜索算法优化后的支持向量机来预测京津冀地区三个核心城市北京、天津和石家庄的2014年12月至2015年2月的PM2.5浓度。并使用点预测和区间预测相结合的方法来评价该模型的预测效果。对于点预测,将该模型与两个常用的预测模型EEME-GRNN和ANN进行比较,结果显示SOA-SVM模型的预测精度高于这两个模型;对于区间预测,本文在显著性水平为0.1、0.05和0.025三个水平下比较预测区间的精度,结果显示显著性水平为0.1是预测区间的覆盖率最高。但不足的是覆盖率仍未达到理想的水平。总体上说,使用人群算法优化后的支持向量机可以用来对京津冀地区的PM2.5浓度进行预测。

摘要：本文利用京津冀地区的污染数据,使用人群搜索算法一支持向量机模型对污染物浓度分别进行点预测和区间预测,并与常用的几个污染物预测模型进行比较。实验结果显示,在点预测方面,该模型的预测精度优于其他模型;在区间预测方面,在显著性水平为0.1的情况下该模型区间预测覆盖率最高。整体来看,该预测模型可以应用于对中国京津冀地区的污染物浓度进行预测。

PM算法 第6篇

大气颗粒物是大气中固体和液体颗粒物的总称[1]。可吸入颗粒物(PM10)能增加人群发病率及提高人群死亡率,尤其是对呼吸系统疾病,如哮喘、急性支气管炎、咳嗽影响更大[2,3,4,5,6]。城市空气污染引起健康的问题越来越集中于可吸入肺颗粒物,即细颗粒物又称细粒、细颗粒(粒径在2.5μm以下的颗粒物,PM2.5)、NOx及O3等物质上[1,7,8]。PM2.5对重金属以及气态污染物等有明显的吸附及富集作用,同时还可成为病毒和细菌的载体,为呼吸道传染病推波助澜,对人体健康产生极大危害。由于PM2.5在大气中的停留时间长、输送距离远,易引发变异性结膜炎,会对人体呼吸系统、心血管系统、免疫系统、生殖系统、神经系统和遗传系统产生有害影响[3,9,10,11,12]。随着社会经济快速发展,我国环境空气污染特征发生显著变化,PM2.5引起的区域性大气污染问题日趋严重。

南昌市地处平原地带,冬季逆温频度大于夏季,冬季城区空气中二氧化硫、可吸人颗粒物浓度时有超标现象。从大气污染趋势来看,污染天气呈天数逐渐增多、频率逐步增大趋势。重污染天数2001—2009年仅1次,从2010年开始逐步升高到年均1次,2013年达到14次,为历史上最高次数,频率和危害逐步增大。从污染特征和主要污染因子来看,以煤烟型污染为主要特征向复合型污染转化,2000—2010年的首要污染物以SO2、PM10为主,2011—2013年,特别是2013年以PM2.5为主。2013年12月19日,《南昌、九江区域大气污染联防联控规划》方案要求经过三年努力,南昌城市空气质量达到或好于《环境空气质量标准(GB3095—2012)》二级标准。为了更深入探讨南昌市PM颗粒物的污染情况,笔者对2013年的空气质量自动监测相关数据进行了整理与分析。

1 材料与方法

利用南昌市大气自动监测系统同时在南昌市9个采样点开展大气污染相关指标(PM2.5、PM10、NOx及SO2等)的自动监测。南昌市环境监测站建立了较完善的质量管理体系,对已开展空气自动监测的站点的自动监测设备的维护和校准均按照环保部的《环境空气质量自动监测技术规范》(HJ/T193—2005)和《环境空气质量标准》(GB3095—2012)的要求进行,严格质量控制和质量保证;为保证监测数据准确和有效性,避免错误或是不符合常规的数据报出,采用了监测数据三级审核制度。

2 结果与分析

2.1 PM污染季节分布

PM10的浓度为66.3~204.8μg/m3,年均PM10为115.1μg/m3,PM2.5的浓度为36.8~136.0μg/m3,年均PM2.5的浓度为69.3μg/m3,均未达到国家空气质量二级标准(PM10为70μg/m3,PM2.5为35μg/m3)。PM10及PM2.5呈现明显的季节分布特征[13],如图一所示。

2.2 SO2/NO2污染季节分布

SO2的浓度为26.8~62.6μg/m3,年均SO2的浓度为40.0μg/m3,NO2的浓度为25.0~70.0μg/m3,年均NO2的浓度为40.1μg/m3,达到或接近国家空气质量二级标准(SO2为60μg/m3,NO2为40μg/m3)。SO2及NO2也呈现明显的季节分布特征,如图二所示,表明气象因素对空气污染影响很大[14]。

2.3 PM2.5/PM10的相关性分析

从图三中可以看出,PM2.5与PM10之间有较好的相关性,Y=0.6815X-9.1494,R2=0.9673,平均浓度中PM2.5占PM10的60.21%。

2.4 SO2/NO2的相关性分析

从图四中可以看出,SO2与NO2之间有较好的相关性,Y=1.1886X-7.3886,R2=0.9404,表明SO2、NO2来自相同的污染源。

2.5 南昌市空气质量优良率

2013年,全年达标天数222天,达标天数比例即优良率为60.80%,优良天数主要分布于5~9月份,这与南昌地处南方雨水多有很大关系。如表一所示。

3 结束语

PM10年均浓度为115.1μg/m3,PM2.5年均浓度为69.3μg/m3,均未达到国家空气质量二级标准(PM10为70μg/m3,PM2.5为35μg/m3),并且有很大差距。SO2及NO2的年均浓度达到或接近国家空气质量二级标准(SO2为60μg/m3,NO2为40μg/m3)。

南昌市城市大气污染呈现明显的季节变化特征,2013年全年达标优良率为60.80%。PM2.5是PM10的主要构成部分,两者之间有很好的相关性;SO2与NO2之间也有较好的相关性。

PM算法 第7篇

1 PM 10和PM 2.5的概念

1.1 PM 10的概念

PM 10指悬浮在空气中,空气动力学直径10μm的颗粒物[1]。它是漂浮在空气中的微细固态和液态颗粒物的总称。由于PM10容易通过鼻腔和咽喉进入人体呼吸道内,因此也称作可吸入颗粒物(Inhalable Particles)。

1.2 PM 2.5的概念

PM 2.5指悬浮在空气中,空气动力学直径2.5μm的颗粒物[1]。PM 2.5可以直接进入肺泡也可称为可吸入肺颗粒物。

2 PM 10和PM 2.5来源

2.1 PM 10的来源

PM 10可吸入颗粒物的来源可以分为天然源、人为源和混合源。天然源主要包括地面扬尘、火山喷发所释放出的火山灰、大风或干旱所引起的沙尘以及植物的花粉、孢子等;人为源主要是燃料燃烧过程中形成的烟尘、飞灰,工业生产过程中所散发出来的原料或产品微粒,汽车尾气中的含铅化合物等;混合源是指既受到自然力作用又受到人为力作用而排放的颗粒物,主要是扬尘[2]。在不同的国家和地区,可吸入颗粒物的来源因各自的经济水平、能源结构、工艺方法以及管理水平等的不同而差别很大,通常贡献率比较大的几种排放源是燃煤烟尘、冶金工业、汽车尾气、物料转运、建筑施工以及地面扬尘等[3]。

2.2 PM 2.5的来源

PM 2.5不是一种单一成分的空气污染物。而是由来自许多不同的人为或自然污染源的大量同化学组分一起组成的一种复杂而可变的大气污染物。就产生过程而言,PM 2.5可以由污染源直接排出(称为一次粒子),也可以是各污染源排出的气态污染物经过冷凝或在大气中发生复杂的化学反应而生成的(称为二次粒子)。PM 2.5中的一次粒子主要是OC(有机碳)、EC(元素碳)和土壤尘等。PM 2.5中的二次粒子主要有硫酸盐、硝酸盐、铵盐和半挥发性有机物等[4]。

PM 2.5中的一次粒子主要产生于石化燃料(主要是石油和煤炭)和生物质的燃烧,但在一些地区某些工业过程也能产生大量的一次颗粒,来源包括从铺装路面和未铺装路面扬起的无组织排放及矿物质的加工和精炼过程等,其他的一些源如来自建筑、农田耕作、风蚀等的地表尘对环境PM 2.5的贡献则相对较小。可凝结粒子主要由可在环境温度凝结而形成颗粒物的半挥发性有机物组成。

二次PM 2.5由多相化学反应而形成,而普通的气态污染物通过该反应可转化为极细小的粒子。在北京地区,硫和氮为所观察到的二次PM 2.5的主要成分[5],而二次有机气溶胶在一些地区也可能是重要的组成部分。我国研究人员发现,我国大城市的PM2.5主要来源于燃料的燃烧(以煤炭燃烧为主)及机动车尾气。

3 PM 10和PM 2.5危害

3.1 PM 10的危害

PM 10可吸入颗粒物的危害在于被人吸入后,会累积在呼吸系统中、引发许多疾病。颗粒物的直径越小,进入呼吸道的部位越深。10μm直径的颗粒物通常沉积在上呼吸道,粒径10μm以上的颗粒物,会被挡在人的鼻子外面;粒径在2.5~10.0μm之间的颗粒物,能够进入上呼吸道,但部分可通过痰液等排出体外,对人体健康危害相对较小[6,7,8,9,10,11,12]。

3.2 PM 2.5的危害

PM2.5的直径还不到人的头发丝粗细的1/20。PM 2.5颗粒的危害在于以下几点:(1)可以穿透人体呼吸道的防御毛发状结构(也就是鼻腔中的鼻纤毛)进入人体内部,引发人体整个范围的疾病。PM 2.5对心血管系统也可以产生毒性作用[13]。它主要通过两条途径危害人体的心血管:一是通过引起炎症反应及继发的高凝状态,二是通过改变自主神经功能。人体吸入PM 2.5颗粒物后可能会引发机体的一系列急性应激反应,并改变循环系统功能,从而导致心血管系统疾病的发生。大量流行病学研究证明,心血管系统疾病患者的入院率和病死率与室外空气污染相关,特别是与PM 2.5浓度相关[14]。Schwartz等[15]研究发现,心肺疾病的日病死率增加与PM 2.5有密切的关系,PM 2.5日平均值每增加10μg/m3,当日的病死率会增加1.5%。(2)PM 2.5对大气能见度有强烈的消光能力,使大气的消光度数倍甚至数十倍的增加,使视野大大缩短,远处变成一片暗灰色。能见度的下降让大自然的美丽风景变的黯然失色,容易使人的心理健康受到影响;能见度下降严重时,还可能导致交通受阻等。Sloane等[16]研究表明,能见度降低的主要原因是物体和环境之间失去了对比度和大气细颗粒和气体污染物对光的吸收和散射减弱了光信号。我国关于可吸入颗粒物对能见度的影响也有所研究,王京丽[17]和宋宇[18]等统计了不同季节里PM 2.5对能见度的影响。(3)PM 2.5浓度太高对气候最显著的影响是日照显著减少,PM 2.5同时还改变了气温和降水模式,导致我国雾天增多。

4 国内PM 10和PM 2.5采样与检测技术

4.1 PM 10和PM 2.5采样技术

1986年,我国将PM10的测定归入大气飘尘浓度测定[19],2011年由环保部施行新标准[1],将飘尘改为可吸入颗粒物PM 10。对采样器性能指标进行修改,将切割粒径Da50=(10±1)μm改为Da50=(10±0.5)μm,捕集效率的几何标准差σg1.5改为σg=(1.5±0.1)μm。全部性能指标要求符合《PM 10采样器技术要求及检测方法》中的规定。还增加PM 2.5采样器性能指标,切割粒径Da50=(2.5±0.2)μm;捕集效率的几何标准差为σg=(1.2±0.1)μm,其他性能指标要求符合《PM 10采样器技术要求及检测方法》中的规定。

4.2 PM 10和PM 2.5检测技术

目前,我国对环境空气PM 10和PM 2.5的测定主要采用重量法[1]。方法原理是通过具有一定切割特征的采样器,以恒速抽取一定体积空气,使环境空气中PM 2.5和PM 10被截留在已知质量的滤膜上,根据采样前后滤膜的重量差和采样体积,计算出PM 2.5和PM 10浓度。

5 PM 10和PM 2.5污染治理

由于影响环境空气质量的PM 10和PM2.5来源不同,要治理PM 10和PM 2.5造成的污染需要从多个方面着手,多个部门齐抓共管,通力协作,加强源头管理。我们可以采取以下措施。

5.1 增强PM 10和PM 2.5防治的法制建设和政府监管力度

首先政府要起到带头作用,统领全局,相关部门要推动PM 10和PM 2.5大气颗粒物污染防治的规范化和制度化进程,颁布健全的法律法规制度,制定完善的污染物排放标准和流程。

5.2 加快研究大气污染的途径制定控制的策略

我国快速发展的城市化已经严重影响城市的生态环境和人群的健康,必须加快研究大气污染的途径,制定控制的策略,具体应该考虑在广泛应用PM 10指标的基础上进一步考虑增加应用PM 2.5指标,努力将我国的空气污染降到最低限度。

5.3 控制和削减道路交通扬尘污染

(1)要进一步加强机动车尾气的防治,在市区实施机动车尾气环保标志管理制度,对尾气检测不合格机动车禁止上路行驶,对尾气不达标的机动车不允许延长报废期,在上下班交通繁忙的时间,对市区交通及时疏导,减少汽车怠速时尾气的排放。(2)市区内从事散装货物运输的车辆一律实行密闭运输,特别是对出入工地车辆实施封闭运输,及时进行车身清洗等措施。(3)加强城市道路的清扫保洁,对重要交通干道采取定时洒水冲刷,消除交通扬尘隐患。

5.4 监督企业按照国家标准进行合理排放

减少大气污染大气颗粒物污染的防治还要从源头做起,针对那些产生大气污染的企业,要求填埋严格按照国家标准进行合理排放,对于不达标准的依法予以停业整改直到他们满足条件后才可以开始生产使用。

5.5 加强城市绿化,减少裸露地面[20]

进一步加强城市生态建设,落实绿化责任制,完成已建成道路,裸露地面的绿化和铺装,提高城市绿化覆盖率,建设生态屏障,防止裸露地面遇风起尘。

6 国外关于PM 10和PM 2.5标准体系的建立

WHO指出:对于发展中国家的城市而言,PM 10中50%是PM 2.5;在发达国家城市中,PM 10中的PM 2.5占50%~80%。WHO向全球发布的发布了更新版的空气质量标准文件《WHO空气质量准则2005年》指出:PM10的日均浓度每升高10μg/m3,就会使死亡率增加约0.5%。当PM 10浓度达到150μg/m3时,预期日死亡率会增加5%。在这一文件中,WHO还提出PM2.5的年均暴露指导值是10μg/m3[21],这一指导值在高度发达国家较大城市地区是可以实现的。当低于这一水平时,预期可以显著降低健康风险。同时,针对高污染的国家和地区,还提出了PM 2.5的3个过渡时期目标值(即IT)[21]。见表1。

注:AQG空气质量准则值。

美国相关法规规定,国家环境空气质量标准(NAAQS)每5年定期发布审查结果,其依据是每年环境空气质量标准研究的新成果。美国1971年颁布的国家环境空气质量标准是以总悬浮颗粒物(TSP)作为颗粒物指标,1987年改为可吸入颗粒物(PM 10)。1997年再次修订了国家环境空气质量标准,新增加了PM 2.5标准,并对保留的PM 10标准做了小幅修改。2007年在实施新颗粒物环境空气质量标准中,取消PM 10年均值标准。PM 10日均值为150μg/m3,将PM 2.5的日均值降低为35μg/m3,PM 2.5年均值为15μg/m3[22]。各国对空气中颗粒物的限制标准见表2。

7 国内PM 2.5标准体系建立存在的问题

目前,国外的PM 2.5标准信息内容远不能满足我国需求,相关的出版物和文献信息也很缺乏,这给环境质量标准的修订工作带来了诸多困难。而随着经济社会的快速发展、科学技术的不断进步,我国开展PM 2.5环境质量标准研究工作非常重要。

我国PM 2.5质量标准和质量标准存在的问题主要有:2012年修订的《环境空气质量标准》增加了PM 2.5环境质量标准限值[25],但是有关PM 2.5的很多科学问题尚未开展深入研究;缺乏有关PM 2.5污染的基础数据和信息,如污染水平、时空变化、理化特性、来源等监测、检测和相关研究资料;PM 2.5污染特征与健康危害关系的科学证据不足;我国PM 2.5理化特征和人群遗传背景与欧美存在较大差异,制订相关质量标准和防治对策时不能照搬国外研究成果;环境标准体系缺乏一套基于完整科学理论和足量实测数据支持的PM 2.5环境质量标准体系作为科技支撑;与欧美发达国家相比,环境健康、生态毒理等基础研究以及环境监测技术发展相对滞后。这些都给环境标准的完善和修订以及环境管理和污染控制带来了困难。

开展PM 2.5环境质量标准研究,可以为降低PM 2.5对健康和生态的影响提供指导,为我国空气质量管理和政策制定提供更多的信息,同时为制定适合当地目标的政策提供多种选择。

综上所述,日益严峻的PM 10和PM 2.5颗粒物对我们的身体健康造成日益巨大的威胁,在空气污染严重的地区掩盖了蓝天、甚至可能改变气候。幸而这些环境空气质量问题已引起了国家越来越高的关注,从2011年开始更新制定了一系列测定PM 10和PM 2.5标准法规。而这些标准是在参考了WHO空气质量的指导值之上,根据我国国情而制定的,既考虑了我国现阶段发展水平,又初步与国际接轨,是符合我国当前实际情况的一个标准。并且2012年下半年,74个国控监测点将陆续发布关于二氧化硫、二氧化氮、臭氧、PM 10、PM 2.5、一氧化碳空气质量信息。

随着标准法规的不断更新完善,对大气颗粒物PM 10、PM2.5污染物的治理措施的不断增强,环境空气质量问题的解决正朝着越来越可控的方向发展。对环境空气质量的保护,将更好地维护我们赖以生存的环境。

摘要：悬浮在空气中的颗粒物,按其空气动力学直径的大小,可分为PM 10和PM 2.5。其中PM2.5由于可直接进入肺泡、称为可吸入肺颗粒物,对人体具有更大危害作用;PM 2.5对心血管系统可以产生毒性作用,心肺疾病的日病死率增加与PM2.5有密切的关系。PM 10和PM 2.5对天气和气候具有危害作用,例如可能降低大气能见度、显著减少日照、改变气温和降水模式、导致雾天增多等。为此,有必要对PM 10和PM 2.5进行监测、治理和控制。分析发现,颗粒物的来源复杂多样,大城市的PM 2.5的主要来源为燃料的燃烧(以煤炭燃烧为主)及机动车尾气。PM 10和PM 2.5污染的治理需要从多个方面着手、多个部门通力协作、加强源头管理。目前,国内主要采用重量法对环境空气PM 10和PM 2.5进行测定,2012年修订的《环境空气质量标准》增加了PM 2.5环境质量标准限值,但是缺乏基于完整科学理论和足量实测数据的支撑,需要深入开展对PM 2.5环境质量标准体系的研究,为空气质量管理和政策制定提供更多的信息。

PM算法 第8篇

1 基本特征

1.1 主要组分

了解大气颗粒物所吸附的化学物质的构成及其含量的多少, 可用以判断颗粒物的来源及分析其可能对人体健康造成的危害。大气颗粒物 (PM2.5) 中主要包含有机碳 (OC) 、元素碳 (EC) 及碳酸盐碳。OC是上百种有机化合物的混合体, 包括水溶性组分 (WSOC) 和非水溶性组分, 常见组分有脂肪类、芳香族类、酸类等, 包括多环芳香烃、正构烷烃、酞酸酯和醛酮类羧基化合物等物质[5]。

崔蓉等[6]研究了2006年北京市采暖期大气颗粒物PM2.5与PM10的污染特征, 发现水溶性离子、含碳组分依然是北京市采暖期大气颗粒物的主要成分 (PM2.5和PM10中8种水溶性离子总浓度及含碳组分的质量浓度分别占PM2.5和PM10质量浓度的29.8%、17.5%和21.0%、14.6%) ;PM2.5和PM10中元素的污染水平较高 (PM2.5和PM10中所测定元素总浓度分别占PM2.5和PM10质量浓度的4.8%和5.8%) , 建筑扬尘、土壤尘等可能为2种粒子中元素的主要来源之一;相对于PM10, 本研究所测定的水溶性元素大多在PM2.5中浓度较高;本研究所测定的17种多环芳烃以4和5环为主, 二者浓度之和分别占PM2.5和PM10中多环芳烃总浓度的84.9%和86.3%, 推测主要源自民用污染 (燃煤) 和交通污染 (机动车尾气排放) 。

徐薇等[7]研究了上海市灰霾污染天大气颗粒物中水溶性有机碳 (WSOC) 污染特征, 发现2009有机碳占PM2.5的比值平均在 (16.16±20.19) %, 元素碳占PM2.5的比值平均在 (3.36±5.44) %左右, 有机碳和元素碳的总和也占到了PM2.5的20%左右, 可见有机碳为PM2.5中主要碳颗粒污染物。水溶性有机碳是有机碳中的主要物质。水溶性有机碳是由生物质燃烧的排放物和二次污染物组成, 一次污染源来自于生物质燃料、化石燃料的燃烧;二次污染源主要在有臭氧等氧化剂存在的情况下, 发生大气光化学反应产生的污染物。

1.2 PM2.5质量浓度

根据国内已有的研究, 北京市20082009年, 北京城区大气颗粒物污染超标非常严重, PM10、PM2.5日均浓度超标天数和超标率分别为210 d、29.6%、249 d和35.1%[4]。胡保昆等[8]对20092010年北京市宝联大气成分观测站连续PM2.5浓度的观测资料进行了分析, PM2.5浓度20092010年四季平均值春季为55.05μg/m3, 夏季为65.76μg/m3, 秋季为68.27μg/m3, 冬季为63.31μg/m3。由此可知北京四季PM2.5浓度春季最低, 秋季最高, 估计与风沙有关。PM2.5细颗粒物浓度3月平均值最低为46.60μg/m3, 污染最小;4月平均值次低, 为54.02μg/m3, 污染较小;11月平均值最大, 为86.78μg/m3, 污染最严重;7月平均值较大, 为72.88μg/m3, 污染较严重。每天PM2.5浓度在6和16时PM2.5细颗粒物浓度较低 (173.8和170μg/m3) , 1和10时PM2.5细颗粒物浓度较高 (195.4和199.5μg/m3) , 18~23时形成一高值区, 其中21时达到一日浓度最大 (242.7μg/m3) 。上海市冬季PM2.5的平均值明显较春季的值高, 由于冬季采暖期一次燃烧产生, 且冬季采样期间降水较少, 而春季雨水较多, 雨水对有机物有一定的洗脱作用。灰霾日的PM2.5平均值较非灰霾日高[7]。上海宝山地区PM2.5污染较为严重, 按美国环境保护局 (EPA) 质量标准65μg/m3计算, 超标率已达到37.9%。上海宝山地区大气PM2.5质量浓度为3~260μg/m3, 平均52μg/m3。且冬季PM2.5质量浓度高于夏季、春季和秋季, 变化规律依次为冬季>夏季>春季>秋季[2]。西安市20042008年做了大气PM2.5污染监测, 按照美国EPA《国家环境空气质量标准》 (2006修订版) 的PM2.5日均值浓度35μg/m3的标准, 日超标率都达到95%以上[3]。影响道路环境细颗粒物污染浓度的因素主要有区域污染输送和道路交通排放。沈俊秀等[9]于2010年11月17日交通高峰和非高峰时段在上海市陆家嘴功能区2个监测点开展道路环境颗粒物浓度监测, 发现城市主干道和支路监测点的PM10浓度高于全市日均值, 尤其是高峰时段。主干道监测点L1的PM10约为全市日均值的2.08~5.45倍, 支路监测点L2的PM10约为全市日均值的1.58~4.98倍。道路环境中细颗粒物污染水平较高。污染最严重的11月1日L1和L2点PM2.5分别达到1.454和1.210 mg/m3。城市道路环境中细颗粒物污染严重, 污染日PM2.5/PM10达到0.91[9]。香港的Qiu在2000年1月2005年12月检测PM2.5和PM10的浓度, 发现PM10的平均浓度为 (56.1±27.8) μg/m3, PM2.5的平均浓度为 (39.4±20.7) μg/m3[10]。

美国Lepeule等[11]监测了哈佛6个城市2001年以来11年间的PM2.5浓度, 平均PM2.5浓度<18μg/m3。Winquist等[12]在美国圣路易斯市的8个密苏里县开展6.5 a (2001年1月2007年6月) 的空气监测, 24 h的PM2.5的平均浓度为14.4μg/m3 (标准差7.5μg/m3) 。Kim等[13]监测了丹佛市5个县20032007年大气中PM2.5的浓度, 发现PM2.5的浓度平均为6.87μg/m3 (范围-0.92~59.04μg/m3) 。

1.3 PM2.5质量浓度与气象因素的关系

上海宝山地区的研究发现, 风速与春季和冬季的PM2.5质量浓度之间呈负相关, PM2.5质量浓度随空气相对湿度增加而增大, 相对湿度与PM2.5质量浓度之间呈正相关;温度与PM2.5质量浓度之间则无明显相关性[2]。北京市的一项研究发现, PM2.5细颗粒物月平均浓度与月平均气温和相对湿度呈正相关[8]。边海等[14]利用天津市大气边界层观测站2009年能见度、相对湿度、风速逐时观测资料和2009年3月921日期间颗粒物的膜采样数据, 分析天津市大气能见度与颗粒物污染的关系, 发现PM10日均浓度均高于国家规定的二级质量标准限值, PM2.5质量浓度变化趋势与PM10一致, 且浓度较高。表明采样期间颗粒物污染突出。颗粒物浓度与能见度总体上呈现反相关关系, 即随着颗粒物浓度的升高, 大气能见度明显下降。当PM10质量浓度最大达401μg/m3, PM2.5质量浓度也达到最高值288μg/m3, 相应的能见度下降到5 km以下。说明颗粒物浓度大小对大气能见度有显著的影响。

2 与疾病的关联

2.1 与居民死亡率之间的关系

大气PM2.5浓度的升高会引起相应疾病死亡率的增加。赵柯等[3]以西安市大气PM2.5浓度为自变量, 以总死亡、呼吸系统疾病、心血管疾病、卒中、慢性阻塞型肺部疾病、冠心病、下呼吸道感染等疾病为因变量, 进行了单因素泊松回归分析。结果表明, 除PM2.5对下呼吸道感染死亡率的影响无显著意义以外, 与其他各种疾病死亡率之间的正相关关系均有显著意义。20天前的PM2.5浓度与呼吸系统疾病死亡率关系最大。暴露-反应关系模型显示:PM2.5浓度每升高100μg/m3, 总死亡、呼吸系统疾病、心血管疾病、冠心病、卒中、慢阻肺的死亡率分别增加4.08%、8.32%、6.18%、8.32%、5.13%和7.25%[3]。李沛等[4]通过Poisson广义相加模型 (GMA) 分析20082010年北京市大气颗粒物对人群健康的影响, PM2.5对人体的健康效应要远强于PM10, 最强损害出现在滞后第4天;在极端低温低湿 (T<-1.18, RH<22.5%) 情况下, 当PM2.5的质量浓度增加10μg/m3时, 呼吸系统疾病死亡、循环系统疾病死亡和非意外总死亡的危险度分别为1.007 63、1.004 31、1.006 66, 死亡百分率分别上升0.76%、0.43%和0.67%;当PM10的质量浓度增加10μg/m3时, 呼吸系统疾病死亡、循环系统疾病死亡和非意外总死亡的危险度分别为1.002 71、1.000 29、1.002 19, 死亡百分率分别上升0.27%、0.03%和0.22%[4]。

Ma等[15]在2006年8月1日2008年12月31日, 通过时间分层病例交叉分析, 研究PM2.5和沈阳市每日疾病死亡率的关系。PM2.5浓度每增加10μg/m3, 滞后2天的效应, 导致疾病全死因、心血管疾病死亡率和呼吸道疾病死亡率分别增加0.49%、0.53%和0.97%。对于75岁以上年龄组女性在温暖季节疾病死亡率效应更强。美国Logue等[16]研究室内空气污染对健康的影响, 发现PM2.5、丙烯醛和甲醛与居民伤残调整寿命年丧失有关, 引起每年每10万人400~1 100伤残调整寿命年损失。Lepeule等[17]研究低暴露PM2.5的健康效益, 运用COX回归分析, 发现PM2.5浓度每增加10μg/m3, 居民全死因增加37%。Jiménez等[18]运用Poisson广义相加模型, 在西班牙马德里75岁年龄组, 研究PM2.5短期暴露与疾病死亡率的关系, 发现PM2.5浓度与全死因有统计学关联, 但PM10与之却没有关联。PM2.5每增加25μg/m3, 居民全死因率增加1.057倍;循环系统相关死亡率增加1.088倍;呼吸系统相关死亡率增加1.122倍。归因危险度分别为5.41%, 8.12%和10.90%, 该效应是在滞后一二天时得出的。加拿大卑斯省北部地区PM2.5平均浓度为3.1~7.4μg/m3, PM2.5估计在成人中引起0.2%的全死因死亡率[19]。Valdés等[20]研究了智利首都圣地亚哥PM2.5和死亡率的关系。发现2天PM2.5浓度平均每增加10μg/m3, 心血管死亡率增加1.33%, PM2.5含有锌和硫能增强心脑血管死亡率。

2.2 与心血管疾病的关系

沙尘天气中, PM10和PM2.5的浓度也升高, 沙尘PM2.5和PM10在单污染模型中对居民心血管系统疾病日入院人数的影响在滞后第3天有统计学意义。颗粒物浓度分类模型分析表明, 沙尘天气PM2.5只有达到沙尘暴颗粒物水平 (>167.5μg/m3) 对男性心血管系统疾病日入院人数的影响才有意义, 而对女性的影响PM2.5在扬沙天气水平 (95.4~167.5μg/m3) 就有意义。沙尘天气PM10对男女性心血管系统健康的影响在扬沙天气水平 (150~250μg/m3) 就有意义, 达到沙尘暴水平时, 其影响达到最大[21]。

美国Lepeule等[17]研究低暴露PM2.5的健康效益, 运用COX回归分析, 发现PM2.5浓度每增加10μg/m3, 心血管疾病增加26%。Kim等运用广义相加模型研究了丹佛市5个县20032007年大气中PM2.5的浓度与疾病住院的关系, 发现PM2.5与心血管疾病有即时效应。PM2.5增加25%, 当日和次日与心血管病住院的RR值为1.007[13]。Abraham等[22]对服役于西南亚的军人进行了颗粒物暴露与心血管疾病的关系的研究, 却发现PM2.5浓度每增加10μg/m3, 罹患心血管疾病的OR值当日为0.92, 次日为1.01。PM10浓度每增加10μg/m3, 罹患心血管疾病的OR值当日为0.99, 次日为1.00。PM暴露对健康的年轻人的心血管没有影响。

3 结语