大气环境影响评价AERMOD模型参数优化研究

陈华，张光怡，来贺菲，刘峰，翟丽，孙玲玲

（1.北京市环境信息中心，北京 100048；2.北京市环境影响评价评估中心，北京 100161；3.北京思路创新科技有限公司，北京 100085）

近年来，北京地区的空气污染历史变化经历了如下阶段[1]：1983～1998年总体环境空气质量下降；1999～2008年有所改善；2009年至今又再次出现了下降趋势。随着社会经济的快速发展，气象对社会经济的影响越来越大，关系到人们的生活和生产[2]。近期国务院印发《打赢蓝天保卫战三年行动计划》，明确要求北京市环境空气质量改善目标应在“十三五”目标基础上进一步提高，并提出优化产业布局，积极推进区域规划环境影响评价等要求，评估工作备受重视。通过大气环境影响评价模型，实现对复杂大气化学和物理输送过程的模拟，对污染物定量评估，可判断项目建成后对评价范围大气环境影响的程度和范围。AERMOD是《环境影响评价技术导则-大气环境》（HJ2.2-2008）中推荐的，也是我国环评中应用最广的大气扩散预测模型之一[3、4]。AERMOD采用最新的大气边界层和大气扩散理论，基于此模型推出的商用软件，使得该模型的应用变得更为广泛深入，国内外诸多学者的研究也表明，此模型更能反映污染物的实际扩散规律[5、6]。

遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种用于模型参数优化估计的通用方法。其对模型是否线性、连续、可微等不做任何限制，也不受优化变量数目、约束条件的束缚，而直接在优化准则的目标函数引导下进行全局寻优，因而已广泛用于线性优化、模式识别、参数寻优、系统规则和结构设计等许多领域[7]。李祚泳等[8、9]将遗传算法用于不同季节大气颗粒物的来源和空气质量影响因素的分析，验证了该遗传算法的简单、快速、方便、实用性。

本研究以北京市怀柔区为研究范围，将遗传算法与模型数据自动化输入输出相结合，通过对AERMOD模型预测结果校验，不断调整优化参数，逐步提升模型预测的精准度，为建设项目环评工作中的大气环境影响预测提供数据参考。

1 AERMOD模型简介

AERMOD由EPA联合美国气象学会组建法规模式改善委员会开发，是现阶段较广泛应用的稳态烟羽大气预测模式[10]。该模型采用稳态高斯扩散方程，具有以下特点[11]：1）可以处理地面源和高架源，平坦地形和复杂地形以及城市边界层；2）考虑了高尺度对流场结构及湍流动能的影响；3）在对流条件下，采用非正态的PDF模式；4）考虑了浮力烟羽和混合层顶的相互作用；5）湍流扩散由参数化方程给出，稳定度用连续参数表示。

1.1 AERMOD模型构成

一个AERMOD方案需要引用一个AERMOD预测气象、一个AERMOD预测点，此外在需要时可以引用一个建筑物下洗方案（本研究不考虑建筑物下洗）。预测气象、预测点和建筑物下洗分别由单独的AERMET、AERMAP和BPIP预处理程序运行。预先设置需要的预测气象、预测点和建筑物下洗方案，预处理后，生成AERMOD接受的格式，供AERMOD选择使用。AERMOD预测模式流程如图1。

图1 AERMOD预测模式流程

1.2 参数的选择

AERMOD模型预测污染物扩散浓度公式是根据大气边界层理论，分为稳定边界层和对流边界层两种情形，边界层条件不同，所用的扩散模式不同，预测出的污染物浓度值就存在很大差异。大气边界层的变化和分布特征分别由大环境的热能和机械能决定。大气热能流场的表征量是表面热通量；机械能的表征量是莫宁-奥本霍夫长度、表面摩擦速度和表面粗糙度。波文比和反照率通过影响表面热通量而影响边界层的结构，决定AERMOD预测所选的计算方程；粗糙度通过影响表面摩擦速度和莫宁-本霍夫长度而影响混合层高度及模型运行参数（风速）。

2 模型方案设置与参数优化

在设置模型方案的基础上，利用VB程序逆向分析与修改技术和Windows消息模拟技术实现AERMOD数据自动输入、结果自动输出，并利用遗传算法对AERMOD进行参数优化。

2.1 模型方案设置

2.1.1 污染源源强

以北京市2016年的排放清单数据为主，以环评文件数据为辅，统计模型计算时所需要的各项参数，涉及的参数包括坐标、烟囱几何高度、烟囱出口内径、烟气流量、污染物排放强度等。“排放强度随时间变化”因子，根据具体的排放周期确定。

2.1.2 AERMOD预测气象

AERMOD预测气象地面特征参数：地面分为2个扇区，扇区分界度为110～180（城市）、180～110（落叶林）；地面时间周期按季；地表湿度为中等湿度气候；地表参数，优化前预测按地表类型自动生成地面参数，优化时和优化后预测时手工输入地面特征参数。

预测气象生成：经度116.575E、纬度40.466N；选择气象数据，经过预测气象处理生成AERMOD可识别的SEC、PFL文件。本次建模输入的地面气象、探空数据是北京市怀柔区气象站2016年四个季度的地面逐日气象资料。地面气象数据包括时间、风向、风速、总云量、低云量等。

设置地面反照率、粗糙度、波文率等地面特征参数和基础数据，然后在预测气象生成中选择地面气象数据（及相应的探空和现场气象数据），设置运行选项，运行AERMET生成预测气象。为了节省时间、提高操作的准确度，此参数设置、数据输入将通过人工模拟实现自动化输入输出。

2.1.3 污染物预测方案的设定

根据北京市怀柔地区的环境特性，选取SO2为目标污染物，其排放源有工业点源、生活面源和线源。

假设全部源都会产生SO2，计算工业点源、生活面源和线源SO2排放每日、每月、全时段平均浓度和各源的分布值。

污染物预测方案的基本参数：AEROMD运行方式为一般方式“非缺省”，预测气象选择“预测气象”中对应的春季优化前、后的气象条件，常用模型选项选择“考虑对全部源速度优化、考虑扩散过程的衰减”。

预测点方案，在AEROMD预测点中进行设置，通过运行AERMAP生成任意点的控制高程数据。

2.2 人工模拟数值输入

本研究中AERMOD模型是封装的，参数优化时无法实现参数的自动输入，手动输入次数可能达到成千上万次，因此在模型算法优化时需通过VB程序逆向分析与修改技术和Windows消息模拟技术实现人工模拟鼠标完成数据的自动输入和输出。

自动化执行分析与实现，EIAProA.exe是执行AERMOD模型计算的程序，根据计算规模大小不同，每次计算时间从几十秒到几十分钟不等，如果手动执行，将进行成千上万次的执行，显然是不现实的，因此必须实现自动化运行。对于命令行程序，通过传递参数调用很容易实现自动化，而对于窗口程序，实现自动化就变得非常繁琐。由于VB程序是完全基于窗口的程序，每个VB程序中都存在窗口，EIAProA.exe程序的窗口数量更是多达5249个，其中与AERMOD模型计算相关的窗口达400余个。具体应该操作哪个窗口，需在全部窗口中用Find Window、GetWindow、GetWindowText、GetClassName等Windows API进行判断和查找，在每一步执行模拟操作前必须查找到相应的窗口，否则定会执行失败。

模拟鼠标键盘操作窗口主要有两种方式：SendMessage/PostMessage方式和mouse-event/keybd-event方式。前者直接将消息放入目标窗口消息队列，不会真的影响鼠标或键盘的位置等状态，对系统影响小，实现起来简单方便，且理论上不需要窗口在最前端，甚至最小化也可以使用。但实际上此方法并不是很稳定，偶尔会发生失效现象，并不能在所有场合有效。后者真的会产生鼠标键盘事件而生成相应的消息，影响鼠标的实际位置等状态，在使用时对整个桌面进行操作，不区分单个窗口，对系统影响较大，同时需要准确判断目标点位置，容易出错。

综合以上两点，通过SetForegroundWindow、SetFocus等API函数，调整窗口层次，充分利用每种方式的优点，规避不足，最终研发出稳定的自动化执行程序，实现了AERMOD模型计算的自动化执行。

2.3 遗传算法参数优化

遗传算法（Genetic Algorithm，GA）是基于进化论原理发展起来的启发式算法，通过模拟自然界中种群在选择压力下的演化过程，最终得到问题的近似解或最优解。首先将问题的解设为一个个体，每个个体相当于“染色体”，之后随机建立的一组个体，并将这一组个体定义为“初始种群”。每个个体都通过“适应度”来判断与想得到结果的差异度，在自然界中，适应度越高，个体染色体被遗传的概率就越大，反之，则被淘汰的概率就越大。除了通过适应度来选择、淘汰已有的个体，还会通过染色体交叉、变异产生新的个体，形成下一代种群，在这一过程中，必须要保持种群规模的一致。经过N代演化后，会得到问题的最优解。这一系列过程正好体现了生物界优胜劣汰的自然规律。基于遗传算法的AERMOD模型参数优化的流程如图2。

（1）编码

图2 遗传优化算法基本流程

将AERMOD模型优化的6个参数进行编码（6个参数为每个区域的不同地形地貌下的反照率、波纹比以及粗糙度组合），采用优化参数浮点数编码方式，每个参数就是一个基因，一个解就是一串基因的组合，即染色体串。其中北京市怀柔区，每组染色体6个基因排列顺序为，城市：反照率、波纹比、粗糙度；落叶林：反照率、波纹比、粗糙度。

（2）建立初始种群

（3）适应度计算

计算种群中个体的适应度，根据适应度来度量种群中个体优劣（符合条件的程度）的指标值。

预测某季度的污染浓度，对于某一个个体Xi，其在监测站某天预测的结果数据为，表示使用Xi预测获得的第k天监测站污染物日均浓度值。

适应度函数要使预测结果与在线监测结果误差平方和最小，对于某一个个体Xi，其适应度函数定义为：

（4）选择

选择的目的是从种群中选出优秀的个体，进行选择的原则是适应性强的个体为下一代贡献的概率大，以实现达尔文的适者生存原则。实现选择的步骤如下：

1）计算种群中所有适应值的和。

2）计算个体Xi遗传到下一代的概率。

3）累积概率，使每个概率值组成一个区域，全部概率值之和为1。

（5）交叉、变异

交叉运算是遗传算法中产生新个体的主要操作过程，其以某一概率相互交换某两个个体间的部分染色体，具体计算方法如下：

在进化过程中，种群中的每组染色体的每个基因都有一定几率产生随机变异，从而产生新的个体，保持种群内的多样性。因此我们需要引入变异算法，具体计算方法为：

（6）中止

理论上，种群经过无休止地进化，总能找到最优解，但在实际应用中精确度和执行效率往往无法兼得，因此需在两者之间寻找最适解，一般可以采取以下2种方式：

1）给定一个最大的遗传代数T，算法迭代在达到T时停止。

2）设定可接受的结果范围，当种群进化到误差范围内，停止迭代计算。本研究发现种群中全部个体适应度≥0.8，可认为算法已达到最优解。无法进行改进性的标识方法为：当种群中全部个体适应度≥0.8时，可认为算法已优化到极限。

人工模拟结合遗传算法得到怀柔区春季参数优化结果。参数优化前后值对比详见表1。

3 模型预测结果及校验

利用AERMOD模型建立SO2浓度模拟值与在线监测数据的关系，选取怀柔区春季的实际监测值、参数优化前后的预测值进行对比，对比结果见表2。

表2 预测值与监测值对比 （单位：μg/m3）

为验证模型参数的可靠性、合理性及实用性，以确定其预测准确率，选用直接比较和符合度两种方法对监测值与优化后的预测值进行分析。

（1）直接比较

采用P/O（预测值/监测值）的平均值评估。平均值代表系统整体偏离度为1时无任何偏差。影响模型预测结果的因素，包括但不限于模式类型、混合层高度和稳定度、扩散参数。

对AERMOD模型计算预测值与监测值直接比较，分析结果见表3。

表3 SO2的P/O分析

P/O结果分析：经过使用遗传算法优化后的参数计算出的结果，其P/O的平均值降为1.02，优化后的预测值与监测值的一致性，相比优化前可提升15%。可见，优化后P/O比值更接近于1，说明参数优化后的AERMOD模型预测更准确。

（2）符合度

利用一系列署名点的预测值和监测值的分析符合度d、均方误差MSE。均方误差越小，符合度越高，d越接近于1，说明模型符合实际情况，预测结果更准确。

对AERMOD模型计算结果进行符合度分析，分析结果见表4。

表4 SO2预测值符合度分析

符合度结果分析：参数优化后预测结果的符合度更趋近于1，MSE较小。由于污染物在大气扩散过程中的不确定性，可以认为此模型优化后的预测值和监测值一致性良好，较为符合实际情况。

综上，充分验证了AERMOD模型参数优化的必要性，丁峰等[12]于AERMOD模型在环评中的应用研究中也有相似的结论。相比参数优化前、参数优化后的AERMOD模型对北京市怀柔区的大气环境影响评价预测结果更接近实际监测值，有效解决了引进产品本地化应用的问题。

4 结论

选取北京具有代表性区域的污染源监测数据，利用VB程序逆向分析与修改技术和Windows消息模拟技术，实现AERMOD模型数据自动输入，预测结果自动输出，同时采用遗传算法对AERMOD模型中的参数进行优化，利用模型程序对大气环境影响进行预测。研究表明参数优化后SO2预测值相比优化前与实际监测值更接近，接近度可提升15%；同时本研究也验证了人工模拟结合遗传算法在大气环境影响预测模型参数优化中的可行性，为大气环境预测研究提供理论依据，为引进产品本地化应用奠定了基础。