基于AQI-Wavelet的安徽省旅游中心城市空气质量的分析和研究

高鹏，谢东

（铜陵学院电气工程学院，安徽铜陵244000）

基于AQI-Wavelet的安徽省旅游中心城市空气质量的分析和研究

高鹏，谢东

（铜陵学院电气工程学院，安徽铜陵244000）

以安徽省4个旅游中心城市蚌埠市、合肥市、芜湖市和黄山市2016年全年366天的空气质量指数AQI为研究对象。运用小波变换对其进行分析，并在Matlab R2012b中采用Db4小波基进行一维小波变换。将4座城市的2016年AQI数据导入小波分析工具箱中。进行小波分解后，得到4组近似信号a4，并对得到的4组近似信号分别分城市和分季度进行分析。结果表明4座城市中黄山市的a4近似信号波动最小且数值最低。其余3座城市季节波动均较大,从而得出黄山市空气质量最优，其次是芜湖市，而合肥市和蚌埠市近似信号波动较大且整体数值较大，空气质量全年总体较差。

空气质量指数；小波变换；安徽省；旅游中心城市

1 引言

安徽省政府办公厅印发《安徽省“十三五”旅游业发展规划》中提出将建立合肥、芜湖、黄山、蚌埠市四大旅游中心城市。4个城市将发挥旅游产业动力极、旅游活力迸发极、旅游线路放射极的极化作用，充分释放其战略潜能，在更大范围内、更广领域上带动全省旅游业的整体发展。作为旅游中心城市的大气环境质量的好坏不仅直接影响到生活在该城市中居民幸福指数的高低，而且制约着该城市旅游产业的发展。AQI是空气质量指数（Air Quality Index）的简称，是定量描述空气质量状况的无量纲指数。其数值越大、级别和类别越高说明空气污染状况越严重，对人体的健康危害也就越大。小波变换作为近30年发展起来的一种新型数据分析方法，已被用于分析武汉、上海、成都、兰州等国内大中型城市的空气质量指数的分析和研究中[1-7]。本文以国家环保部数据中心所发布的2016年蚌埠市、合肥市、芜湖市和黄山市4座城市的日AQI为研究对象，应用一维连续小波Db4对其进行变换和分析，从而得出变化规律，为这4座城市的大气环境监测和保护提供科学的依据。

2 数据与分析方法

2.1 数据来源

本文的分析数据是蚌埠市、合肥市、芜湖市和黄山市4座城市2016年逐日AQI，该数据来源于环保部数据中心网站http://datacenter.mep.gov.cn/，具有较高的权威性和可信度。本次分析的数据从2016年1月1日到2016年12月31日共366天，具体4座城市的变化如图1-4所示。

图1 蚌埠市2016年空气质量指数AQI的逐日变化

图2 合肥市2016年空气质量指数AQI的逐日变化

图3 芜湖市2016年空气质量指数AQI的逐日变化

图4 黄山市2016年空气质量指数AQI的逐日变化

2.2 小波分析方法

小波分析是建立在傅里叶分析基础上的分析工具，相较于傅里叶分析，小波变换可以从时域和频域上充分展示被分析对象的局部化特征，可以聚焦细节信号，小波变换可以对任意时频分辨率分解信号且自适应性强[8-10]。

在不同尺度上，记L2（R）是定义在实数集上平方可积的空间。如φ（t）∈L2（R）满足允许性条件则φ（t）称为可允许小波函数或基小波函数。通过基小波函数φ（t）的伸缩和平移，由连续小波得到可允许小波函数其中，a,b∈R，a＞0。对于任意函数f（t）∈L2（R）,其可允许小波函数φa,b（t）的连续小波变换为Wf（a,b）=其中a表示伸缩尺度因子，b表示平移尺度因子，Wf（a,b）就成为小波系数。本文主要是对小波变换后的近似信号进行分析。

在Matlab R2012b命令窗口中输入wavemeun命令，进入小波变换工具箱（Wavelet Toolbox），如图5所示。

图5 Matlab R2012b小波变换工具箱

3 结果分析

本文采用Db4小波基进行一维小波变换，将4座城市的2016年AQI数据导入小波分析工具箱中，进行小波分解后，得到4组近似信号a4，如图6所示。

图6 4座城市2016年AQI的小波变换近似信号

从城市之间来看，4座城市中的空气质量最优的是黄山市，黄山市的a4近似信号波动最小且数值最低，其次是芜湖市，而合肥市和蚌埠市近似信号波动较大且整体数值较大，空气质量全年总体较差；从分季度看，除黄山市外的3座城市均存在着第二季度的空气质量是全年中空气质量最优的季度，而第四季度和第一季度交接季是全年空气质量最差的季节，而在第三季度又有二次的污染高峰；单独来看，黄山市全年整体空气质量较好，而且季度性变化不明显。

[1]谭壮.近10年尺度成都市空气污染指数变化小波分析[J].中国农学通报，2015,31（14）：200-205.

[2]曾伟，李云桢，陈军辉.近基于AQI和小波分析的成都市空气质量评价研究[J].湖南农业科学，2016（10）：56-60.

[3]冯奇.基于小波的武汉市PM10空气污染指数时间序列分析[J].华中师范大学学报：自然科学版，2010,44（4）：678-685.

[4]吴小玲.基于小波变换的上海市SO2污染指数的变化[J].环境科学，2008,30（8）：2193-2198.

[5]王海鹏.基于小波变换的兰州市近十年空气污染指数变化[J].环境科学学报，2011,31（5）：1070-1076.

[6]刘盈曦，彭贵芬，陈先刚.香格里拉未来50a主要气候环境变化预估——基于小波分析和多元VAR回归预估模型[J].济源科学，2016,38（9）：1754-1767.

[7]杨义，舒和平，马金珠，等.基于Mann-Kendall法和小波分析中小尺度多年气候变化特征研究[J].干旱区资源与环境，2017,31（5）：126-131.

[8]高志.Matlab小波分析及应用[M].北京：国防工业出版社，2007:15-28.

[9]邵晓梅，许月卿.黄河流域降水序列变化的小波分析[J].北京大学学报：自然科学版，2006，42（4）：503-509.

[10]刘明才.小波分析及应用[M].北京：清华大学出版社，2005:134-138.

An Analysis of the Air Quality in Tourist Cities in Anhui Based on AQI-Wavelet Transform

Gao Peng,Xie Dong
(Tongling University,Tongling 244000,China)

The AQI of 366 days in Bengbu City,Hefei City,Wuhu City and Huangshan City in 2016 in Anhui Province is studied using wavelet transform,and Db4 wavelet base is used for one-dimensional wavelet transform in the Matlab R2012b.The AQI data of 4 cities are then introduced into the wavelet analysis toolbox.After the wavelet decomposition,4 groups of approximate signals a4 are obtained,and the 4 groups of approximate signals are analyzed by city and quarter respectively.The results show that the a4 approximate signal fuctuation of Huangshan City is the slightest in the 4 cities while the seasonal fluctuation in the other 3 cities is obvious.Therefore,the air quality is the best in Huangshan City,followed by Wuhu City.The air quality in Hefei and Bengbu City is generally poor throughout the year,as they have greater approximate signal fluctuations and larger overall values.

air quality index;wavelet transform;Anhui province;tourist city

TP395；X51

A

1672-447X(2017)05-0030-003

2017-04-21

铜陵学院自然科学研究项目（2015tlxy30）；安徽省高校自然科学基金重点资助项目（KJ2015A245）

高鹏（1984-），安徽颍上人，铜陵学院电气工程学院讲师，研究方向为现代控制理论方法与应用。

责任编辑：胡德明