基于BP神经网络的北京城区公园土壤PAHs含量预测

屈雅静， 魏海英， 马 瑾

1.山西大学环境与资源学院， 山西 太原 030006

2.中国环境科学研究院， 环境基准与风险评估国家重点实验室， 北京 100012

北京是世界上人口密度最大的城市之一，近年来北京城市化建设水平不断提升，城市公园和绿地面积不断增加. 据统计，近40年来，北京人均公园绿地面积从5.1 m2增至16.2 m2，然而北京人均公园绿地面积仍远低于世界平均水平[1-2]. 在《北京城市总体规划(2016—2035年)》中，北京人均公园绿地面积到2020年增至16.5 m2，到2035年增至17 m2. 诸如北京这样的特大型城市，由于居住空间有限，暴露于污染土壤的主要健康风险与公共开放空间密切相关[3]. 城市公园作为城市人群休闲娱乐的重要场所，对维护居民身心健康具有重要意义[4].

多环芳烃(PAHs)作为一类重要环境污染物，主要来源于与城市发展相关的人类社会经济活动，包括交通尾气排放、化石燃料燃烧、煤和生物质的燃烧和工业生产等[5-7]. PAHs已成为城市地区的主要污染物类型以及城市居民潜在的致癌风险[8-9]. LIU等[10]发现，北京城市土壤PAHs含量与市区城市化历史密切相关；PENG等[11]指出，城市的建筑年龄、人口密度、道路密度以及距城市中心的距离均与土壤中PAHs含量呈显著相关. 由此可见，社会经济因子和城市公园特征都会影响城市公园土壤PAHs含量. PAHs含量的预测是预防污染对健康有害影响的重要步骤[12]. 已有研究针对土壤环境质量的分析主要集中于污染来源分析与风险评价，而关于社会经济因子、城市公园特征与土壤PAHs污染水平相关性的研究较为罕见，尤其是关于系统、定量地分析城市发展对城市公园土壤PAHs含量水平发展的影响研究鲜见报道.

人工神经网络(Artificial Neural Network, ANN)从信息处理角度抽象了人脑神经元网络，按不同的连接方式组成不同的网络建立模型，是一种能建立输入量与输出量之间映射关系的分析方法[13]. BP神经网络作为其中应用最为广泛的一种，是按照误差逆向传播算法(Error Back Propagation Training)训练的多层前馈神经网络，适合分析具有非明确关系对象的对应性[14-15]. 该方法目前主要应用于人工智能、模式识别等领域，并在含量预测等方面表现出高于传统方法的精确度[16]. 该研究借助BP神经网络模型分析北京社会经济因子、城市公园特征与城市公园土壤PAHs污染的相关性，并预测PAHs含量水平，旨在为预测PAHs含量提供合理方法，对社会经济的发展趋势及其相关政策的调控起到一定指导作用，并为城市公园土壤环境管理提供科学依据.

1 材料与方法

1.1 研究区概况

该研究选取了北京市7个主要城区，包括东城区、西城区、朝阳区、海淀区、石景山区、丰台区和通州区部分地区. 北京西、北和东北三面群山环绕，东南是向渤海倾斜的华北平原；山地有煤、铁等多种矿物和花岗石、大理石等优良建筑材料；境内贯穿五大河，主要是东部的潮白河、北运河以及西部的永定河和拒马河. 气候为典型的温带半湿润大陆性季风气候，春、秋短促，夏季炎热多雨，冬季寒冷干燥；降雨季节分配不均均匀，主要集中在夏季. 根据2011—2018年《北京统计年鉴》，至2017年研究区总面积为 2 291 km2，城市绿地覆盖率为48.4%，人均公园绿地面积为16.2 m2；总常住人口由2010年的 1 290×104人增至2017年的 1 359.6×104人，地区生产总值由 10 558.1×108元增至 20 467.1×108元，能源消费总量由 3 782.8×104t(以标准煤计，下同)降至 3 190.3×104t.

1.2 样品的采集与化学分析

1.3 指标选取

该研究收集了城市化进程中影响北京市城区公园土壤中PAHs累积的8个社会经济因子和6个城区公园特征因子，共14个影响指标用于BP神经网络训练. 其中，8个社会经济指标：地区生产总值GDP(X1)、常住人口(X2)、常住人口密度(X3)、能源消费总量(X4)、煤炭消费总量(X5)、天然气消费总量(X6)、液化石油气消费总量(X7)、汽油消费总量(X8)，各指标数值均来源于《北京统计年鉴2018》(见表1). 6个城区公园特征指标：①公园存续时间，即公园建园时间；②公园面积；③距北京市中心距离，以天安门为中心，测量各采样点与天安门之间的直线距离；④所处环线位置，以北京环线高速公路为基准，确定其位置；⑤道路长度，根据采样公园地图，借助ArcGIS 10.2软件获得公园附近道路的总长度；⑥道路等级，道路可划分为四级，并以最邻近公园主干道的道路级别为该采样点的道路级别. 道路等级：①一级或二级公路；②高速公路；③轨道；④小径或人行道. 14个影响指标数据时段均为2010—2017年.

表1 2017年研究区域各行政区社会经济指标数据

1.4 BP神经网络的构建

BP神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成[23]，其网络拓扑结构由输入层、隐层和输出层3层构成(见图1). 该研究中BP神经网络的输入部分为选取的14个影响指标，输出部分为北京城区公园土壤w(PAHs)，因此输入层节点数为14，输出层节点数为1. 每个节点代表一种特定的输出函数，称为激活函数[24]；每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，每一层的权重值可以通过学习来调整[25]. 学习速率可以决定每一次循环中所产生的权值变化量[15]，该研究采用固定学习速率0.05. 将纯线性函数(purlin)应用到输出层，训练函数采用梯度下降训练函数(traingd)，设定最大学习迭代次数为25 000次，通过反复迭代运算，最后确定权值系数及阀值，学习训练过程结束，模型建立. 在模型建立前，将121个样本依次排列，每3个样本取出1个作为检验样本，其余为建模训练样本，即训练与验证样本数分别为81和40个. 分别以2017年的14个影响指标数据和北京城区公园土壤w(PAHs)为输入层和输出层，经过网络训练，对比验证预测值与样本实测值，利用相关系数(R)来验证模型的拟合程度.

图1 该研究中BP神经网络拓扑结构

1.5 毒性当量浓度

苯并[a]芘(BaP)被用来评估致癌的PAHs，而毒性等效因子(TEF)被描述为与BaP相对应的各单体PAHs的致癌能力[26-28]. 将w(PAHs)乘以其TEF值，得到PAHs的毒性当量浓度(TEQ)[29]. TEQ与土壤w(PAHs)直接相关：

(1)

式中：Ci为土壤中组分i的实测浓度；TEFi为组分i的毒性当量因子，取值采用Nisbet等[30]编制的TEFs列表，其中BaP的TEF值为1，在所有PAHs中最高.

1.6 数据分析

样品检测过程中，使用空白样本、平行样本和加标样本进行质量控制，具体分析和质量保证质量控制(QAQC)方法按照US EPA 8270E. 所有试验数据用Microsoft Excel 2013软件进行计算，并采用SPSS 20.0软件进行统计分析；运用R语言实现CIT模型；利用ArcGIS 10.2软件绘制土壤中w(PAHs)的空间分布；在Matlab中实现BP神经网络的模型建立. 采用CorelDRAW X7和OriginPro 9.0软件进行图表处理.

2 结果与讨论

2.1 PAHs含量及其空间分布

北京城区公园土壤中w(PAHs)见表2. 结果显示，w(PAHs)范围为0.033～4.182 mgkg，平均值为0.219 mgkg，中位数为0.142 mgkg. 北京土壤中w(PAHs)范围变化较大，最大值约为最小值的127倍，其中BbF和Chy含量占比较大. 按照生态环境部发布的《土壤环境质量 建设用地土壤污染风险管控标准(试行)》(GB 36600—2018)土壤污染风险筛选值，各单体PAH的含量均低于土壤污染风险筛选值. 研究表明，高环PAHs具有毒性和致突变性[31-32]，且BbF是致癌前体[33]. 为了比较和量化土壤中PAHs的致癌性，利用毒性当量因子(TEFs)计算了土壤PAHs的毒性当量浓度(TEQ). 由表2可见，土壤样品中PAHs的TEQ范围为0.005 ～0.721 mgkg，平均值为0.048 mgkg. 121个城区公园土壤样本中PAHs的TEQ均低于世界卫生组织(WHO)标准值(1 mgkg). 由此可见，北京城区公园土壤中PAHs污染水平整体较低，PAHs对人体健康的毒性风险较小.

表2 北京城区公园土壤中PAHs水平和毒性当量浓度

北京城区公园土壤中w(PAHs)及其空间分布见图2. 由图2可见，w(PAHs)最高的采样点位于东坝郊野公园(红色点位)，该公园位于朝阳区北面，长期无人管理且有大量垃圾堆积. 研究发现，城市生活垃圾渗滤液中存在PAHs等有机污染物[34]，且在生活垃圾堆填区不同距离的土壤中4～6环PAHs的含量均高于清洁土壤[35]，推测垃圾渗滤液是该采样点土壤中PAHs的一个可能来源. 研究表明，在交通道路沿线，机动车尾气是地表土壤中PAHs的主要来源[36-37]，东坝郊野公园被机场第二高速通道环绕，车流量大，有较大的交通负荷，推测大量汽车尾气的排放也会增加该地区土壤中w(PAHs).w(PAHs)其余高值点(黄色点位)分别位于北焦公园、白云公园、北海公园、世界花卉大观园和古城公园. 北焦公园原为焦化厂，始建于1958年，是国内规模最大的独立焦化厂，同时是国内最大的焦炭供应和出口基地，是首都主要能源供给基地，以供应北京市燃料煤气为主，生产焦炭和20多种化工原料产品. 白云公园沿永定河水渠而建，是北京市河道景观的重要组成部分. 古城公园临北京首钢工业原址，首钢集团曾是全国十大钢铁企业之一，目前其主体已完成了整体搬迁，但长期的煤炭使用和钢铁冶炼，排放粉尘中的PAHs以大气为传播途径进入周围土壤环境. 北海公园和世界花卉大观园均为北京著名景区，每日接待游客量较大，人口流动量非常大. 研究[38]表明，城市人口数量及活动强度与其产生的多环芳烃浓度呈正相关. 综上，城区公园土壤w(PAHs)高值点位较为分散，且可以看出w(PAHs)与社会经济背景及人类活动密切相关.

图2 北京城区公园土壤PAHs含量分布

2.2 BP神经网络模型建立

经过网络训练，成功建立BP神经网络模型，拟合检验如图3所示. 结果显示，所构建的BP神经网络模型的拟合值(R)为0.845，最大拟合误差为25%，相关性较好，预测值曲线与实测值曲线也较为接近. 在其他研究[15]中，采用回归模型进行定量预测时，预测精度一般为70%左右，明显低于BP神经网络.

图3 BP神经网络预测结果与实测数据对比

由此证明该模型具有一定的可靠性，能够较好地预测北京城区公园土壤中w(PAHs).

2.3 基于BP神经网络的影响因子和土壤PAHs含量预测

结合目前社会经济发展趋势，以3年为等差值，根据上述收集的8个社会经济指标数据，通过BP神经网络构建8个回归模型，包括线性回归模型和多项式回归模型，得到2020年和2023年研究区域各社会经济指标数据随时间的变化趋势，各模型拟合程度(R2)范围为0.849～0.998(见表3)，接近于1，说明模型拟合精度高，可用于预测分析.

表3 研究区域各行政区社会经济指标数据BP神经网络拟合程度(R2)

影响因子预测结果显示，至2023年，通州区各模型回归趋势稍有不同，其他行政区各模型回归趋势均相同. 研究区域内各行政区的GDP指标均随时间发展呈线性增长趋势；通州区的常住人口和人口密度将会持续增长，而其他6个行政区的常住人口和人口密度均呈下降趋势. 这与北京疏解非首都功能、控制城市规模、更多建筑及资源转移到五环外的政策相吻合[39]. 与之相反的是，通州区的总能源消费呈下降趋势，而其他6个行政区总能源消耗均呈增长趋势. 其中，各行政区的煤炭消耗呈下降趋势，天然气消耗呈上升趋势. 各行政区的汽油消耗量也随时间发展将会持续增长. 对于液化石油气，通州区的消耗量呈增长趋势，而其他行政区则呈下降趋势. 所有能源消费水平的发展趋势符合北京城市规划. 2019年北京市规划和自然资源委员会发布《建设项目规划使用性质正面和负面清单》，提出“将城市副中心(通州区)建设为生态涵养区”[39]. 因此，预测的2020年和2023年北京社会经济指标数据符合发展趋势. 对于城区公园特征指标，统计显示，多年来公园所处地理位置与公园面积均未发生变化，因此假定未来6年内这些公园所处地理位置、周边道路情况和公园面积均不发生变化；同时根据时间发展，推算出公园存续时间. 由此可见，该研究预测的14个影响指标可以用于北京城区公园土壤w(PAHs)的预测.

根据构建的BP神经网络模型，利用2020年和2023年研究区域14个社会经济指标和城区公园特征指标数据，预测北京城区公园土壤w(PAHs). 将两组各14个影响指标数据作为BP神经网络模型的输入层，输出层为2020年和2023年北京城区公园土壤w(PAHs)，预测结果如图4所示.

由图4可知：2020年北京城区公园土壤中w(PAHs)范围为0.008～0.969 mgkg，平均值为0.271 mgkg，中位数为0.213 mgkg；2023年北京城区公园土壤中w(PAHs)范围为0.022～1.988 mgkg，平均值为0.740 mgkg，中位数为0.725 mgkg. 结果显示，除东坝郊野公园的异常高值外，2020年北京城区公园土壤中w(PAHs)平均值相差较小，但中位数较2017年有所增长，表明2020年北京城区公园土壤中w(PAHs)总体呈上升趋势，土壤PAHs污染的风险不可忽视. 2023年北京城区公园土壤中w(PAHs)平均值将是2017年的3倍以上，而中位数将是2017年的5倍左右，说明随着时间发展，土壤PAHs污染风险将持续加重. 由图4可知，2020年所有采样点的w(PAHs)变幅均较小，且仍处于1.0 mgkg水平以下，按照《土壤环境质量 建设用地土壤污染风险管控标准(试行)》(GB 36600—2018)可以推断，北京城区公园土壤中单体PAH含量水平应未超过土壤污染风险筛选值. 2023年北京城区公园土壤中w(PAHs)将不同程度的持续升高，按照2017年和2023年w(PAHs)平均值的比例(1∶3)，可以推断单体PAH含量水平应仍未超过GB 36600—2018《土壤环境质量 建设用地土壤污染风险管控标准(试行)》土壤污染风险筛选值. 其中，朝阳区和海淀区的城区公园土壤中w(PAHs)有大幅增长，与其他行政区形成鲜明对比；东城区和西城区的城区公园土壤中w(PAHs)相对没有明显变化，而其余3个行政区虽有上升趋势，但w(PAHs)水平仍处于1.0 mgkg以下. 由此可以看出，虽然北京城区公园土壤中w(PAHs)目前仍处于较安全水平，如不采取有效的污染防治措施，在城市化进程中，社会经济的持续发展将会影响土壤中PAHs的排放，导致PAHs累积. 该研究采用BP神经网络模型，利用其较好的自学习能力以及处理非线性函数能力，更好地拟合了社会经济指标、公园特性指标与土壤环境之间的相关性，确定了城市化因素与w(PAHs)之间具有对应性关系，并定量预测了城市公园土壤w(PAHs)，可为北京城市公园土壤环境管理提供一定参考. 在研究区域城市社会经济发展的同时，根据未来各行政区土壤w(PAHs)的不同增长速度，有针对性地进行污染防控，实现至2023年土壤环境质量总体保持稳定.

图4 BP神经网络预测的北京城区公园土壤PAHs含量

3 结论

a) 2017年北京市城区公园土壤中w(PAHs)平均值为0.219 mgkg，整体处于较低水平，但东坝郊野公园土壤中w(PAHs)最高，达到4.182 mgkg，需重点关注其污染风险.w(PAHs)与公园的存续时间、地理位置和周围道路交通等人类活动的长期影响有关，也与城市化进程中社会经济发展相关因素密切相关.

b) 北京城区公园土壤PAHs的TEQ平均值为0.048 mgkg，低于世界卫生组织标准值，北京城区公园土壤PAHs整体对人体健康的毒性风险较小. 其中BbF含量占比最高，可通过减少柴油排放等来源加以控制.

c) 至2023年，北京市城区公园土壤w(PAHs)的平均值为0.740 mgkg，整体仍低于GB 36600—2018《土壤环境质量 建设用地土壤污染风险管控标准(试行)》土壤污染风险筛选值.w(PAHs)随时间发展呈增长趋势，北京各行政区w(PAHs)增速不一，其中朝阳区和海淀区增长较快，2023年将增至2017年的3倍以上，需格外重视其污染防治工作.