在产企业用地土壤污染物超标预测方法研究——以炼焦行业为例
文献类型：学位论文
| 作者 | 鞠铁男 |
| 答辩日期 | 2022-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 雷梅 |
| 关键词 | 在产企业 时空格局 污染物排放标准量化 土壤污染物含量预测方法 机器学习回归 |
| 学位名称 | 博士 |
| 学位专业 | 环境科学 |
| 英文摘要 | 建设用地土壤污染问题是近年来我国重点关注的对象。而建设用地一旦受到污染，治理难度大且成本高，这种“末端治理”方式难以应对我国上百万个建设用地的土壤污染问题。所以现在国家对于在产和新建企业的管理重点采用源头预防，切断途径的方式保护土壤不被污染。但目前由于采样调查数量有限，对于在产企业的土壤污染管理难以具有针对性。如果能够提前预测出在产企业目前及未来的土壤污染状况和土壤污染趋势，从而提前采取措施预防或减轻场地污染所导致的负面影响，对于土壤环境质量预警和区域建设用地管理政策的实施十分重要。所以目前急切需要一套行之有效的建设用地土壤污染物浓度预测方法。数据挖掘方法在交通、商业等领域已经发挥出较好的预测功能，然而环境领域在聚焦到某一行业时数据量小、更新速度慢，如何利用为数不多的数据类型达到较为准确的污染物超标的预测，是环境领域需要突破的关键节点之一。本文以我国炼焦企业土壤苯并[a]芘为研究对象，利用多源环境大数据，通 过对污染物排放标准的细致研究并创建量化方法，结合企业自身信息和自然环 境信息，构建了一套建设用地土壤污染物浓度预测方法，并预测了我国现在及 未来 20 年在产炼焦企业土壤苯并[a]芘的超标情况。获得的主要结论如下： （1）企业用地的格局是企业土壤污染产生的根本因素，企业的重心转移改 变了环境污染的分布，企业密集的地区在发展过程中造成的污染是影响国家污 染物排放标准改进的重要因素。因此论文首先剖析了我国炼焦企业用地格局，为土壤超标预测提供总体污染趋势信息。通过多源地理大数据，共收集到我国2020年1884家炼焦企业，其中包括 719 家在产企业和1165家关闭搬迁企业。并以此为基础，对我国改革开放以来炼焦企业的发展和空间格局进行了系统分析。我国炼焦企业在改革开放后共经历了 3 个阶段。1978-2000 的平稳增长期间，是我国炼焦企业格局形成的重要时期，逐渐形成了以包鄂榆、三晋、冀中南、冀东、山东半岛及云贵交界为主的分布格局，在此阶段我国炼焦企业重心不断向西移动。在 2001-2010 的高速增长期，建立了我国 53%以上的炼焦企业；在此期间，新疆成为我国炼焦企业新的增长点，我国炼焦企业的重心先是向南移动，在2005年之后，又逐渐向西北方向移动。2011-2020 的优化整合期间，我 国炼焦企业格局基本无变化，新增企业仍是在基础格局上继续发展；在此阶段重心仍继续向西北方向转移，表明我国炼焦企业在西北地区的增速已经超过东 部地区，是我国今后炼焦企业发展的重点。企业用地的基础格局和重心转移表 明历史遗留的超标地块聚焦于包鄂榆、三晋、冀中南、冀东、山东半岛及云贵 交界，而趋势预测的关注点还应考虑企业自身的生产因素以及环境政策因素。 （2）企业污染物排放量与其自身的生产过程十分相关，所以企业的产量信息是建设用地土壤污染物浓度预测方法构建上重要的因素。但在全国尺度产量信息难以获取。本文通过创建污染物排放标准量化方法，对在产炼焦企业执行的污染物排放标准量化并结合企业自身信息，构建机器学习回归预测模型，对在产炼焦企业 SO2 的实际排放量进行预测。并基于不同省份的焦炭产量，利用产量分解法对各个在产炼焦企业的焦炭产量进行分解计算。受焦炉类型和地区的影响，我国目前炼焦企业共执行了21种排放标准，存在明显差异。量化后的污染物排放标准能够大大提升预测准确性。在加入量化结果后，支持向量机回归和随机森林回归的 RMSE 分别从 0.055 kt/a 和 0.059 kt/a 下降到 0.045 kt/a 和0.039 kt/a，R 2 分别从 0.890 和 0.881 上升到 0.926 和0.945。最终利用随机森林 回归方法预测出我国炼焦企业 45%的 SO2排放都集中在山西、陕西和河北三省。 我国不同炼焦企业焦炭年产量具有明显差异，最小的不足 5 万吨，而最大的则 超过 500 万吨。方法上的创新在一定程度上解决了不同地区炼焦企业污染物排 放标准的差异性导致的污染物排放量的不同，并验证了方法的有效性，使最终 产生的偏差在可接受范围内。 （3）根据场地报告和文献共收集到 198 家含有土壤苯并[a]芘含量的企业。 结合本文创建的全生产周期污染物排放标准综合量化方法对炼焦企业在产期内 所执行的污染物排放标准进行综合表征，并将量化结果引入机器学习回归预测 模型构建中。通过比较 5 种机器学习回归算法的 R 2，最终选择随机森林回归方 法（R2 最大为 0.7714）对我国炼焦企业苯并[a]芘含量进行预测。其中污染物排 放标准综合量化结果是预测模型中最重要的因素，生产时间和产量则排在第二 和第三。2020 年我国炼焦企业苯并[a]芘超标比例为 38.8%，主要集中在山西、 河北、陕西和辽宁等地区。到了 2040 年超标比例上升至 53.37%。20 年期间， 新增超标企业主要在山西、新疆、陕西、内蒙古和山东等地区，这些地区的炼 焦企业是我国今后在产炼焦企业重点管控的对象。本文探索了机器学习算法的 筛选过程，为今后的机器学习用于数据量小、关键指标缺失的环境领域预测研究提供了参考。 从源头预防我国在产企业污染物的产生与排放，是未来很长一段时间国家 的重点工作。本文构建了一整套建设用地土壤污染物超标预测方法，不仅能够 预测目前在产企业土壤污染物的超标与否，还能够对未来的超标情况进行预测，预测方法的建立能够使我国未来的土壤污染管控工作更加聚焦。 |
| 学科主题 | 环境科学 |
| 语种 | 中文 |
| 页码 | 101 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/184630]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 鞠铁男. 在产企业用地土壤污染物超标预测方法研究——以炼焦行业为例[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2022. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。