论文部分内容阅读
对环境中的污染物开展定量溯源研究不仅是环境质量评估的重要依据,也是有效控源、保障环境安全的基本前提。非负矩阵分解(Non-Negative Matrix Factorization,NMF)因其能够确保所分解矩阵的非负特性而被应用在环境数据的溯源研究中。作为因子分析模型的改进手段,NMF不仅能够依据数学推导求得污染源的指纹图谱,还能够对因子载荷矩阵和得分矩阵作非负性约束,进而解析出具有实际物理意义的污染源贡献率及因子得分。尽管NMF在众多定量源解析方法中是一种相对先进的源解析求解模型,但在其实际运用过程中,仍然要使用参数估值法来确定源贡献率的数值。且NMF在依据随机矩阵的梯度下降方向做多次迭代优化后,常常会陷入到模型的局部极值。鉴于此,本论文试图克服现阶段NMF源解析技术的缺陷,提出一种新的基于NMF的源解析方法(Non-Negative Matrix Factorization NEW,NMF-NEW)。通过改进NMF模型的初始化方法及其运算模式,获得全局最优的解算数值,使源解析结果更为可靠。在此基础上,对NMF-NEW模型进行稳定性测试,并将其应用到海河流域最重要的五大水系之一——子牙河的多环芳烃溯源研究之中,阐明该水系的主要污染来源类型及其贡献率。本论文的主要贡献及研究结论如下: (1)针对现有定量源解析技术的缺陷,提出了一种新的基于NMF的源解析方法,该方法具有以下优点:将因子分析模型和NMF模型之优点相结合,通过对初始浓度矩阵进行归一化处理,解决了不同量纲之间的匹配问题,确保了矩阵分解结果的可靠性;将矩阵分解的无约束优优化问题转化为约束优化问题,同时对目标函数进行非负约束,以确保分解而得的因子载荷矩阵和污染源贡献率矩阵均为非负;通过计算协方差矩阵的特征值和累计方差贡献率,合理的估计出显著污染源数目;对归一化后的浓度数据协方差矩阵进行SVD分解,并将该分解结果作为运算初始值,使初始结果接近目标函数的极值结果,保证了本文所提出的新方法在确保取得全局最优解的同时,也能够加速迭代收敛速率。 (2)以2014年黄浦江表层沉积物多环芳烃浓度数据为输入源,开展了上述源解析新方法的稳定性测试。将本方法的源解析结果与EPA-PMF5.0模型的运行结果进行比对分析,以验证其可靠程度。由本文所提新方法解析而得的主要源及其贡献率依次为交通源61.3%、燃煤及生物质燃烧源26.7%、炼焦源12.0%。经EPA-PMF5.0运行而得的三位主要源及其贡献率依次为交通源57.6%、燃煤和生物质燃烧源32.1%、炼焦源10.3%。两种源解析模型的解析而得的污染源类别及主次顺序较为一致,这表明本文所提新方法相具有很好的稳定性。两种源解析方法均表明黄浦江表层沉积物中的多环芳烃主要来源自于交通源排放以及燃煤/生物质的燃烧。 (3)对子牙河流域沉积物中多环芳烃的源解析研究发现,NMF-NEW和PMF得到的污染源指纹谱基本一致。其中,NMF-NEW对沉积物中多环芳烃主要来源的判定结果依次为石油类燃烧源35.28%,煤炭类燃烧源31.5%,交通类排放源21.95%,生物质燃烧源11.27%;与之对应PMF得到的各污染源及贡献率依次为石油类燃烧源39.42%,煤炭类燃烧源30.78%,交通类排放源23.05%,生物质燃烧源6.75%。此溯源结果与河北省能源结构数据相一致,揭示了化石类燃烧源和交通排放源是导致子牙河流域多环芳烃污染的主要原因。控煤并提倡清洁能源的使用或许是控制该地区水环境中有机毒物污染进一步恶化的重要措施。NMF-NEW在应用过程中,无需人为计算数据集的不确定度,而将数据预处理与源解析流程融合为同一个算法框架,剔除了冗余内存。NMF-NEW极大的提升了现有源解析方案的效率和精度,且其操作简便,更易于推广应用。