大气环境质量评价方法综述修

《大气环境质量评价方法综述修》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、大气环境质量评价方法研究综述摘要：介绍了目前大气环境质量评价方法的种类和优缺点，前瞻了将来能够有所发展的大气环境质量评价新方法。并运用模糊集理论中的权距离和隶属度概念推导出一种改进的大气环境质量评价方法，评价过程能充分利用实际数据所包含的各种信息。针对提出的方法进行了一系列的实例验证，证明了其可行性与优越性。关键词：大气环境质量评价模糊综合分析法分级标准大气环境质量评价（atmosphericenvironmentalqualityevaluation）是指根据不同的目的和要求，按照一定的原则和评价标准，用一定的评价方法对大气环境质量的优劣

2、进行定性或定量的评估[1]。大气环境质量评价的目的是准确阐明大气污染的现状和质量水平，指出未来发展的趋势和可能采取的最优化对策或措施等。大气环境质量评价的主要内容包括[2]-[3]：第一，对污染源的调查与分析，从而确定主要的污染源和污染物，找出污染物的排放方式、途径、特点和规律。第二，对大气污染现状的评价。根据污染源调查结果和环境监测数据的分析，确定大气污染的程度。第三，对大气自净能力的评价。研究主要污染物的大气扩散、变化规律，阐明在不同气象条件下对环境污染的分布范围与强度。第四，对生态系统及人体健康影响的评价。通过环境流行病学调查，分析大

3、气污染对生态系统和人体健康已产生的效应。第五，对环境经济学的评价。通过因大气污染所造成的直接或间接的经济损失，进行调查与统计分析。进行大气环境质量评价一般用大气质量指数来衡量与评定大气污染的程度。1.常用的大气环境质量评价方法常用的大气环境质量评价方法有综合指数法，主分量分析法，层次决策法，模糊集理论及灰色系统分析等[4]。这些方法已用于大气环境质量分析与评价，其中以模糊集理论与指数法相结合的模糊指数分析法为应用最广泛的方法。1.1模糊综合分析法7大气环境质量评价是一项复杂的工作，且影响空气质量的因素较多，由于大气环境质量评价中存在着不确定

4、性即模糊性，因此用模糊综合评价方法更为合理。模糊综合评价不仅考虑多因素的影响，而且评价结果包含较多的信息，利用级别特征值就可以判定评价结果的等级。大气环境质量的预测也是一项比较复杂的问题，因为空气中的各项污染物的浓度不仅随着一天时刻的变化而变化，而且还具有季节性，如一天当中清晨的空气质量较好，一年当中夏天的空气质量较好，所以选择大气环境质量发展趋势的预测指标极为重要。随着控制和治理大气环境污染措施的逐步加大，大气环境质量呈逐步转好趋势。大气环境质量的摸糊综合评价结果，即级别变量的特征值具有较好的规律性，基本呈现出逐年减少的趋势，反映出大气环

5、境质量的发展趋势[5]-[6]。因此，在大气环境质量趋势预测时，可以选定每年的大气环境质量的模糊综合评价指际作为基本数据，年大气环境质量作为预测对象。1.2灰色系统理论大气环境是一个多因素相互耦合的复杂系统，各种污染物的时空分布受到众多因素的制约，而环境质量评价中所使用的监测数据是在有限时间及空间内获得的，即所提供信息是灰色的。因此，灰色系统理论认为，任何随机过程都是一定时空区域变化的灰色过程。它以小样本、贫信息的不确定性系统作为研究对象，将随机过程看作是在一定时空区域变化的与时间有关的灰色过程，通过对已知信息的加工处理，挖掘其内部隐含的有

6、价值的信息，使灰色问题淡化或白化，从而对整个系统现状和未来实现更好的掌控[7]-[8]。2.大气环境质量评价新方法前瞻目前在国际上有所发展的大气环境质量评价方法有人工神经网络（ANN）、物元可拓集（MEES）、集对分析（SPA）、遗传算法（GA）和投影寻踪技术（PP）等[9]。2.1人工神经网络理论较为常用的人工神经网络理论有BP网络和RBF网络两种，其中BP网络应用更为广泛而简便。两种网络结构的最简示意图分别如下图1和图2所示：7图1BP神经网络结构图2RBF神经网经络结构在理论上，RBF网络和BP网络一样能以任意精度逼近任何非线性函数。

7、但由于它们使用的激励函数不同，其逼近性能也不相同。Poggio和Girosi已经证明，RBF网络是连续函数的最佳逼近，而BP网络不是。BP网络使用的Sigmoid函数具有全局特性，它在输入值的很大范围内每个节点都对输出值产生影响，并且激励函数在输入值的很大范围内相互重叠，因而相互影响，因此BP网络训练过程很长。此外，由于BP算法的固有特性，BP网络容易陷入局部极小的问题不可能从根本上避免，并且BP网络隐层节点数目的确定依赖于经验和试凑，很难得到最优网络。采用局部激励函数的RBF网络在很大程度上克服了上述缺点，RBF不仅有良好的泛化能力，而且

8、对于每个输入值，只有很少几个节点具有非零激励值，因此只需很少部分节点及权值改变[10]-[12]。学习速度可以比通常的BP算法提高上千倍，容易适应新数据，其隐层节点的数目也在训练