1. 引言
在全球环境治理的大背景下，各国政府、企业及社会公众正以协同共进的姿态，在政策制定、技术创新、环保实践等多个层面形成合力，共同推动空气质量改善成为普遍共识与持续行动。近年来，安徽省在经济总量跃上新高度，产业创新与开放活力双轮驱动，民生福祉显著改善方面成绩斐然，但随着地区人口与产业高度集聚，城市规模持续扩张，城市运行中的能源消耗、交通出行等活动强度不断加大，空气污染状况却显著。空气质量作为生态核心指标，其改善本是环境优化与可持续发展的关键验证，如今却面临严峻挑战。尽管安徽省发展成就斐然，但面对人口产业集聚带来的空气污染挑战，空气质量的改善已刻不容缓、势在必行。
Hongliang Gu [1]参照2019~2023年TROPOMI数据，揭示了安徽省城乡空气污染差异，并研究发现景观格局与污染物浓度显著相关，研究为城乡差异化治理提供了依据。Długosz-Lisiecka Magdalena [2]应用因子法，分析2010~2020年B-7浓度与气象条件关系，发现其与气象、气溶胶浓度高度相关，证实温湿、日照与TSP浓度长期关系，并依据11年数据预测变化。董清浩[3]分析2016~2021年安徽省空气质量，发现AQI呈空间正相关且南北振荡，年降水量为主要影响因素，构建的SSA-SVR-SVR模型对合肥市AQI预测效果最优，建议实施区域差异化治理并推广组合预测方法；王航[4]针对传统空气质量预测模型精度低、参数经验化等问题，提出VMD-SSA-BiLSTM混合模型。通过各项对比筛选，结合PSO优化与SSA特征提取，优化模型结构。王学梅[5]分析2015~2019年安徽省PM2.5时空分布特征，基于主成分分析建立BP神经网络和三次指数平滑组合模型，为研究区域PM2.5治理提供科学依据。
综上所述，无论是在国内还是国际上，丰富的研究已经丰富了空气质量治理的理论与实践，本文剖析了AQI的时空特征，并构建了模型以实现精准预测，从而为区域差异化治理提供了科学依据，推动安徽省走持续发展之路。
2. 安徽省空气质量大数据集的构建
2.1. 研究区域概括
安徽省地处中国华东腹地，横跨长江、淮河两大流域，是长三角一体化战略与中部崛起战略的交汇枢纽，同时也是长江经济带的重要节点与先进制造业新兴增长极，其地理坐标大致为北纬29˚41'~34˚38'，东经114˚54'~119˚37' (见图1)。安徽省地形复杂多样，地势南高北低，水系纵横交织。由于地形复杂与气候多变的叠加效应，该地区局部区域存在空气污染扩散条件受限问题，加之工业化与城市化快速推进，大气污染防治面临结构性挑战。鉴于此，系统研究安徽省空气质量的时空演变规律及其驱动机制，对于科学制定区域协同治理策略、推动绿色低碳转型具有重大现实意义。
Figure 1. Administrative distribution map in Anhui province
图1. 安徽省行政分布图
目前，空气质量监测系统通过多站点协同、多参数监测，构建了污染物浓度时空分布数据库。本研究使用的数据集来源于安徽省生态环境厅官网，选取了安徽省合肥市、芜湖市和安庆市等16个省级标准环境空气监测站点，采用2018年1月1日0时到2024年12月31日23时的小时级空气质量监测数据。所收集数据包含了六种主要空气污染物的浓度，以及空气质量指数AQI、主要污染物的种类和污染等级的情况。由于监测站点分布广泛且均匀，覆盖区域全面，通过对这些站点收集的数据进行分析，能够准确地反映出市区内部空气污染物的浓度变化情况。
2.2. 数据采集
本文所采用的数据均源自安徽省生态环境厅官方发布渠道，经严格筛选与整理后形成分析基础，具体数据选取范围及内容详见表1所示。
空气质量监测网捕获的空气质量数据是依照时间顺序进行采集的，气候变化和地理环境影响导致AQI数据存在噪声干扰和非线性等特征。由于直接使用原始历史数据不能较好地进行预测，本研究采用粒子群算法优化的变分模态分解对历史数据进行处理，再结合CNN-SLTM构造组合模型，用于城市空气质量预测。为使论文的叙述呈现更具直观性与清晰性，在内容展示上，仅选取合肥市作为城市代表案例，并以SO2和PM2.5这两项关键污染物作为重点分析内容。
Table 1. Air quality data indicators in Anhui province
表1. 安徽省空气质量数据指标
站点 |
主要污染物 |
单位 |
指标释义 |
安徽省各地市 |
NO2 |
ug/m3 |
用于表示每立方米体积中所含某种物质的质量是多少微克 |
SO2 |
ug/m3 |
用于表示每立方米体积中所含某种物质的质量是多少微克 |
CO |
ug/m3 |
用于表示每立方米体积中所含某种物质的质量是多少微克 |
O3 |
ug/m3 |
用于表示每立方米体积中所含某种物质的质量是多少微克 |
PM10 |
ug/m3 |
用于表示每立方米体积中所含某种物质的质量是多少微克 |
PM2-5 |
ug/m3 |
用于表示每立方米体积中所含某种物质的质量是多少微克 |
2.3. 构建空气质量指数大数据集
基于研究收集数据，通过数据筛选、异常数据剔除、丢失数据恢复、异构数据格式转换，对安徽省空气质量数据进行处理和清洗，主要包括以下步骤：
① 数据筛选：根据分析的需要，筛选出对研究内容有用的数据。
② 数据标准化：对数据进行标准化处理，统一编码。
③ 数据去重：去除重复的数据，避免对分析结果的影响。
④ 数据异常值处理：对数据进行初步筛选，删除数据中的异常值。
⑤ 数据缺失值处理：采用时间序列恢复、历史数据恢复的方法对缺失的数据进行恢复。
⑥ 海量数据的归纳：在保证数据安全性和完整性前提下，最大限度地减少海量数据存储空间。
3. 安徽省空气质量现状分析
3.1. 合肥市AQI指数变化特征剖析
对安徽省2018~2022年的空气污染物数据和空气质量指数进行分析，探究安徽省空气质量波动和变化趋势。其中空气主要污染物有NO2、SO2、CO、O3、PM10和PM2.5。依据年度特征，对安徽省空气质量数据进行分析。
根据表2，以空气质量指数对应的颜色为背景，绘制2018~2024年各市AQI指数变化。
Table 2. Air quality index category and corresponding color code table
表2. 空气质量指数类别及对应颜色对照表
空气质量指数 |
空气质量指数类别及表示颜色 |
0~50 |
优 |
绿色 |
51~100 |
良 |
黄色 |
101~150 |
轻度污染 |
橙色 |
151~200 |
中度污染 |
红色 |
201~300 |
重度污染 |
紫色 |
>300 |
严重污染 |
褐红色 |
在生态环境备受关注的当下，空气质量指数成为衡量城市空气质量的关键指标。而AQI的变化能直观反映出当地空气质量动态。安徽省作为华东地区重要省份，其城市AQI现状反映着区域生态环境的健康程度。
以安徽省为例，如图2所示。
3.2. 安徽省各地市污染物浓度特征剖析
为明确各地市整体污染水平的高低趋势，精准筛选出污染重点防控地市，从而为大气污染防治策略的制定提供科学指引，特针对不同地市间各类污染物平均浓度的差异显著性进行分析，并据此绘制各地市污染物平均浓度面积图，如图3所示。
Figure 2. Changes in the AQI Index of Hefei from 2018 to 2024
图2. 2018~2024年合肥市AQI指数变化
Figure 3. Average concentration area map of pollutants in various cities
图3. 各地市污染物平均浓度面积图
3.3. 安徽省季度空气质量呈“U”型特征
通过对2018~2025年安徽省各地市空气污染物浓度相关数据进行分析，可以得出各类污染物浓度波动频繁且复杂，不同地市表现出高低起伏态势，无明显一致走向，反映空气质量受多种因素交织影响。从推测“U”型特征角度看，时间维度上可能因夏季高温强光照利于光化学反应，使臭氧等污染物浓度升高，拉高整体污染水平，年初年末因气象扩散条件较好及季节性生产活动变化等，污染物浓度相对较低，从而呈现类似“U”型特征，但仅从图中难以直接精准判定。此外，各地市污染物浓度差异明显，不同地市高值集中时段不同，综合叠加后也可能促成整体的“U”型特征，如图4所示。
Figure 4. Concentration change of air pollutants in various cities of Anhui province from 2018 to 2025
图4. 2018~2025年安徽省各地市空气污染物浓度变化图
3.4. 安徽省各地市空气质量状况年度分析
在对安徽省2018~2024年空气质量状况深入探究过程中，前期已对各类污染物数据及空气质量指数等进行了多维度分析。了解到不同污染物浓度的变化规律，也知晓了各地市空气质量存在的差异(见图5)。在此基础上，为更直观呈现安徽省各地市之间、各年份之间空气质量的变化情况，采用堆积柱形图进行可视化分析。通过这一可视化手段，挖掘空气质量在空间与时间维度上的特征与趋势，进一步全面把握安徽省空气质量的整体脉络。
Figure 5. Air quality index stacked bar chart
图5. 空气质量指数堆积柱状图
3.5. 主要污染物与AQI的Pearson相关性分析
空气中的主要污染物是计算AQI指数的主要特征，从上述分析中可以分析出AQI的年度变化特征与空气中各项污染物年度变化的特征密切相关。所以想要对AQI指数变化进行分析，必须对空气中各项污染物与AQI的相关性关系进行分析，找出对AQI指数影响最大的空气污染物，从而可以对空气治理提供更加针对性的方案。
采取Pearson相关系数法对空气质量因子和AQI之间关系作热力图，可以直观地看清空气质量因子之间的内在关联。公式如下：
通过将不同的变量带入Pearson公式，其中我们可以得到两个变量之间的相关性系数(见图6)。根据判别相关性系数的趋向程度得出两个因素的相关程度。与0越接近表示相关程度在减弱，反之表示两者相关性在增加。
Figure 6. Main pollutant correlation heatmap
图6. 主要污染物相关性热力图
4. 基于多源数据的安徽省空气质量预测剖析
进行安徽省空气质量预测，旨在通过分析工业、交通、生活等污染源的排放现状及未来变化，考量环保政策落实效果；研究风速、降水等气象条件和沙尘、逆温等特殊气象现象的影响；探究山地、平原等地形地貌对污染物扩散的作用；强化区域传输监测，加强与周边地区协同；利用空气质量监测数据构建模型；关注政策法规与减排措施，评估其对污染源排放的约束和对空气质量的改善成效，从而实现对安徽省空气质量的精准预测，为环境保护和决策制定提供科学依据。
4.1. 粒子群优化VMD分解算法
长短时记忆网络(LSTM)是一种特殊的循环神经网络，通过引入记忆单元和三个门控机制(输入门、遗忘门、输出门)，能够有效地捕捉和记忆序列数据中的长期依赖关系，用于时间序列的预测。
APSO-VMD算法实现步骤如图7所示：
Figure 7. APSO-VMD algorithm flowchart
图7. APSO-VMD算法流程图
① 初始化：设置PSO算法参数，例如粒子数量、迭代次数、速度和位置的限制范围等；
② 初始化粒子群：随机生成N个粒子，每个粒子表示一组VMD参数[k, α]；
③ VMD分解：对于每个粒子，利用对应的VMD参数对输入信号进行分解，得到K个IMF；
④ 适应度评价：根据预设的适应度函数，计算每个粒子的适应度值。适应度函数的设计应根据具体应用场景进行调整；
⑤ 更新粒子速度和位置：根据PSO算法的更新规则，更新每个粒子的速度和位置；
⑥ 更新个体最优和全局最优：更新每个粒子的个体最优位置和全局最优位置；
⑦ 循环以上步骤，直到满足终止条件；
⑧ 输出结果：输出全局最优解，即最优VMD参数[k, α]，以及对应的IMF分解结果。
4.2. CNN-LSTM混合模型原理
CNN-LSTM混合架构借助时空特征耦合提升建模能力，利用CNN的空间滤波器提取局部时序模式，通过LSTM的门控机制建模全局动态演化规律，进而提高模型预测性能。在应用该架构进行质量指数预测时，先运用VMD分解原始质量指数数据序列，得到平滑稳定的IMF子序列，缓解原始数据的非线性问题；接着将子序列与时间等特征合并构建特征矩阵并归一化；然后把处理好的特征矩阵输入CNN-LSTM模型训练，输出子序列预测值；最终叠加重构预测子序列，得到质量指数的最终预测结果。如图8所示：
Figure 8. CNN-LSTM algorithm flowchart
图8. CNN-LSTM算法流程图
4.3. 预测安徽省未来30天的空气质量指数——以合肥市为例
拆分复杂数据、分离特征成分，给VMD-CNN-LSTM模型提供优质数据，提升安徽省空气质量预测精度与可靠性，基于PSO优化VMD分解原始质量指数数据序列。
图9中呈现了经PSO-VMD算法分解原始质量指数数据序列所得的5个IMF子序列。其中，IMF1波动平缓，振幅与频率低，反映质量指数中稳定、变化慢的成分；IMF2-IMF5波动复杂，IMF3-IMF5更剧烈，体现原始数据中快速变化的高频成分。这是因为PSO-VMD算法借助粒子群优化找最优参数，能依信号局部特征自适应分解数据，且安徽省空气质量受工业排放、气象等多因素影响，这些因素在时间和频率上差异大，致使原始数据波动复杂，算法便将其按不同尺度和频率特征分解开来。
分析合肥市空气质量相关数据的信号特征，合肥市2018~2024年空气质量数据波动幅度较大，在不同时间点差异显著，数值在25~175左右的区间大幅波动，说明合肥市质量状况在这段时间内变化剧烈，不同时段质量水平差异明显。合肥市空气质量数据波动频繁且无固定规律，属于非平稳信号。
为助力安徽省空气质量的精准监测与高效管理，本研究构建CNN-LSTM预测模型，深入剖析每日实际质量指数与预测质量指数的波动特征，以及二者相对偏差的变化情况，如图10，旨在精准探寻质量指数的波动规律，明晰预测偏差根源。
图11中展示了安徽省质量检测相关的每日实际质量指数波动、预测每日质量指数波动以及相对偏差变化。质量指数波动频繁，主要是因安徽省内地理环境多样，工业分布、植被覆盖、降水等环境因素复杂，且受季节性气象条件如冬季取暖燃煤排放、夏季降水等影响。预测值与实际值前期偏差波动大后期渐稳，原因在于预测模型数据可能覆盖不全，未充分考虑突发因素，模型参数及算法存在局限，不过随着时间推移通过优化等手段使偏差逐渐稳定。
通过对比实际与预测值的偏差，为空气质量防控和治理提供科学决策依据，使用PSO-VMD对数据进行分解，将各子序列与时间等特征合并构建特征矩阵，经归一化处理后输入CNN-LSTM模型训练，输出子序列预测值，从而实现对空气质量的精准分析与预测。
图12中展示了不同IMF分量的质量指数波动曲线，包括实际、预测及向后预测30天的情况。实际与预测曲线有一定相似性，说明CNN-LSTM模型在一定程度上能捕捉质量指数波动特征。但各曲线间也存在明显偏差，尤其向后预测30天的曲线差异更大。
Figure 9. Time-frequency domain waveform of IMF components after PSO-VMD decomposition
图9. 基于PSO-VMD分解后IMF分量的时频域波形图
Figure 10. Original data time series chart
图10. 原始数据时序图
原因在于，一方面空气质量受气象、人为排放等多种复杂因素影响，模型难以完全涵盖这些动态变化；另一方面，预测时间跨度增加，不确定因素增多，模型对长期趋势的把握能力有限。此外，不同IMF分量特征复杂程度有别，模型对复杂波动特征的学习不够精准，导致预测存在偏差。
构建VMD-CNN-LSTM模型并叠加重构预测子序列以输出质量指数预测结果，是为精准预测安徽省空气质量指数，为管控决策提供科学依据。
图13中呈现了VMD-CNN-LSTM模型的测试集实际质量指数波动曲线、测试集预测质量指数波动曲线及向后预测30天质量指数波动曲线。红色预测曲线与青色实际曲线多数时候波动趋势相近，说明模型能捕捉部分规律，但也有偏离，存在误差；蓝色向后预测30天曲线末端与前两者差异大。这是因为VMD-CNN-LSTM模型虽结合多种优势能学习数据规律，可空气质量影响因素复杂，模型难以完全覆盖。且预测时间跨度增至30天，不确定因素增多，模型应对能力有限，导致预测误差增大。预测结果如表3所示：
Figure 11. Daily actual quality index fluctuation vs. Predicted daily quality index fluctuation comparison chart
图11. 每日实际质量指数波动与预测每日质量指数波动比对图
Figure 12. Predicted post-subsequence volatility curve
图12. 预测后子序列的波动曲线图
Figure 13. Comparison chart of air quality index fluctuations in Hefei city
图13. 合肥市空气质量指数波动对比图
Table 3. Prediction results table in Hefei city
表3. 合肥市预测结果表
合肥市 |
未来三十天 |
空气质量指数预测值 |
1 |
90.23 |
2 |
93.12 |
3 |
76.97 |
4 |
70.56 |
5 |
82.30 |
6 |
92.10 |
7 |
94.53 |
8 |
94.53 |
9 |
83.82 |
10 |
65.36 |
11 |
62.83 |
12 |
76.30 |
13 |
77.58 |
14 |
67.05 |
15 |
68.28 |
16 |
77.00 |
17 |
74.65 |
18 |
73.70 |
19 |
81.61 |
20 |
76.89 |
21 |
58.65 |
22 |
53.89 |
23 |
59.94 |
24 |
55.76 |
25 |
53.18 |
26 |
67.97 |
27 |
78.61 |
28 |
69.32 |
29 |
63.79 |
30 |
69.32 |
本研究以合肥市为例，致力于预测安徽省未来30天的空气质量指数。分析合肥市2018~2024年空气质量数据发现，其波动幅度大、无固定规律，属于非平稳信号。接着，剖析每日实际与预测质量指数的波动特征及偏差变化。研究发现，空气质量指数波动受地理环境、工业分布、气象条件等多种复杂因素影响，预测值与实际值前期偏差波动大，后期因模型优化渐趋稳定。不同IMF分量预测曲线显示，模型虽能捕捉部分波动特征，但受环境因素复杂多变、预测时间跨度增加以及模型对复杂波动特征学习不精准等因素影响，存在明显偏差。最终，输出合肥市未来30天的空气质量指数预测值，为安徽省空气质量管控决策提供了科学依据，但模型仍有优化空间，后续研究可进一步完善，以提升空气质量预测的准确性和可靠性。
5. 结论
时间维度上，季度变化呈现“U”型态势，夏季受光化学反应驱动，臭氧等污染物浓度攀升，拉高整体污染水平；年初年末则因气象扩散条件优越及季节性生产活动更迭，污染物浓度相对趋低。年度视角下，各地市空气质量等级占比在不同年份间波动明显。空间层面，各地市污染物平均浓度差距悬殊，部分地市污染负荷较重，是污染防控的关键区域。以合肥市为例，2018~2024年AQI指数波动频繁且幅度大，在25~175区间大幅震荡，空气质量动态变化剧烈。借助Pearson相关性分析，明确空气中主要污染物与AQI指数关联紧密。其中，PM10、PM2.5等污染物与AQI指数相关性尤为突出，对AQI指数的起伏变化影响显著。构建的VMD-CNN-LSTM模型具备一定捕捉空气质量指数波动特征的能力，测试集内预测曲线与实际曲线在多数时段波动趋势契合，但仍存在偏差。当向后预测30天，曲线与测试集曲线差异显著，这源于预测时间跨度延展致使不确定因素增多，模型对长期趋势的把控力不足，且不同IMF分量特征的复杂程度差异也干扰了预测精度。
总体而言，本研究全面剖析了安徽省空气质量的现状、污染物关联及预测模型表现。后续可基于这些结论，进一步优化预测模型，融入更多影响因子，提升模型精度与可靠性。同时，为政府及相关部门制定科学的空气质量管控策略、优化资源配置提供有力的数据支撑与决策参考，助力安徽省空气质量持续改善。