利用机器学习技术分析城市光污染的监测与影响
作者：周若鑫 学校：上海市川沙中学
摘要：随着城市化进程的不断加快，光污染问题日益严重，尤其在大城市中，过度的人工照明不仅影响了人们的生活质量，还对生态环境、健康和天文观测等方面造成了负面影响。为有效监测和预测光污染，本文结合机器学习技术，采用BP神经网络模型对城市光污染进行预测。通过对上海市不同区域光污染数据进行分析，研究构建了一个基于BP神经网络的光污染预测模型，并与传统的支持向量机（SVM）和深度学习算法（如LSTM）进行对比。实验结果表明，BP神经网络能有效捕捉光污染数据中的非线性规律，预测精度优于其他算法，模型在均方误差（MSE）、平均绝对误差（MAE）和决定系数（R²）等指标上表现良好。研究表明，机器学习模型，尤其是BP神经网络，在城市光污染监测与治理中具有重要的应用前景，为城市管理者提供了有力的数据支持。
关键词：光污染；BP神经网络；机器学习；预测模型；城市环境；支持向量机；LSTM
随着现代城市化的不断推进，城市的夜晚变得越来越明亮。街道灯光、广告牌、建筑照明等人工光源几乎覆盖了整个城市的夜空，造成了日益严重的光污染。光污染不仅影响了人们的生活质量，也对生态环境、天文观测等方面造成了很大的负面影响。作为一名高中生，我在日常生活中逐渐意识到光污染给城市带来的困扰。尤其是晚上，当城市的灯光遮掩了星空，我们难以再看到美丽的星辰，甚至无法感受到夜空的宁静与神秘。这让我对光污染产生了的浓厚兴趣，想通过科学的方式去了解和解决这一问题。
光污染对生态环境的影响令人关注。例如，一些夜行性动物，如昆虫、鸟类等，依赖自然光来导航和寻找食物。过度的人工照明让它们迷失方向，甚至无法正常繁殖，严重破坏了生态平衡。同时，光污染对人类健康也有潜在威胁，长期暴露在过多的人工光源下，可能导致生物钟紊乱，影响睡眠质量，从而引发一系列健康问题。
在传统的光污染监测中，往往依靠人工测量和光度计等工具，这些方法虽有效，但操作繁琐、耗时且难以全面反映整个城市的光污染状况。随着计算机技术和机器学习的飞速发展，我意识到利用机器学习技术可更高效、精准地分析和预测光污染的分布情况。这不仅可以提升光污染监测的效率，还能为解决光污染问题提供科学依据。
因此，我决定将机器学习与光污染结合，进行深入的研究。通过收集不同区域的光污染数据，利用机器学习模型分析光污染的分布规律，以及影响光污染的主要因素，从而为减少光污染、改善环境质量提供可行的建议。这项研究不仅具有较强的学术价值，也对社会、环保、生态保护等方面有着积极的影响。作为一名高中生，能够将所学的科学知识应用于实际问题，解决现实生活中的环境难题，既是一次难得的学习机会，也让我对科学研究产生更深的兴趣和热情。
1. 实验设计
1.1. 数据集划分
在构建机器学习模型时，数据集的划分是一个至关重要的步骤，合理的划分可有效评估模型的性能并防止过拟合。为了保证模型训练的有效性和准确性，通常将数据集分为三个部分：训练集、验证集和测试集。常见的划分比例为8:2，即将80%的数据用于训练模型，剩余的20%用于测试模型的性能。
训练集：用于训练模型，它包含了模型学习所需的输入数据和对应的输出结果。在光污染预测模型中，训练集包括各类与光污染相关的特征（如时间、地理位置、天气、历史光污染数据等）及其对应的光污染强度。通过使用训练集，模型会根据输入数据调整其内部参数（如权重和偏差），以学习数据的潜在规律。
测试集：用于评估训练好的模型的性能，它不参与训练过程，只用于检查模型的泛化能力。测试集包含与训练集相同类型的特征数据，但其输出结果（即光污染强度）未被模型看过。通过将模型应用于测试集，可以衡量模型在未见过的数据上的表现，评估其预测准确性。
通常，数据划分有以下几种常见的方法：
随机划分：数据可以随机地分配到训练集和测试集中。这样可以确保训练集和测试集的分布尽可能一致，有助于模型的泛化能力。常见的划分比例为8:2或 7:3，即80%或70%的数据用于训练，剩余20%或30%用于测试。
交叉验证：为了进一步提高模型的可靠性，可以采用交叉验证的方法，特别是K折交叉验证。交叉验证通过将数据集分成K个子集，轮流将一个子集作为验证集，其他K-1个子集作为训练集，从而多次评估模型的性能。虽然这种方法相对复杂，但它可以充分利用数据，降低过拟合的风险。
数据集的划分
1.2. 实验环境 在本研究中，实验环境使用了MATLAB作为主要的开发平台。MATLAB具有强大的数值计算和数据处理能力，特别适用于机器学习和信号处理任务。它提供了丰富的内置函数和工具箱，能有效支持光污染预测模型的构建、训练和评估。
硬件环境方面，实验使用了一台配备高性能CPU和较大内存的计算机。具体配置包括至少16GB的内存和多核处理器，这些资源确保了在处理大规模光污染数据集时，能够快速进行数据加载、预处理和模型训练。由于BP神经网络训练需要进行大量的计算，因此高效的硬件支持对于实验的顺利进行至关重要。
在软件环境中，MATLAB是数据分析和模型构建的主要工具。通过MATLAB的神经网络工具箱，我们可以轻松地构建、训练和评估BP神经网络模型。此外，MATLAB提供的其他工具箱，如统计和机器学习工具箱以及优化工具箱，也为数据预处理、特征选择、模型优化和评估提供了丰富的功能。
在数据管理方面，所有的光污染数据集被存储在MATLAB支持的格式中（如.mat文件）。这些数据格式可以高效地存储大规模的数值数据，且便于在MATLAB环境中加载和处理。数据清洗、归一化和标准化等预处理操作均在MATLAB中完成，使用MATLAB自带的函数和脚本进行数据转换和清理，以确保数据质量。
为了可视化分析结果，我们利用MATLAB的绘图功能生成了各种类型的图表，包括光污染分布图、预测结果与实际数据的对比图以及评估指标的可视化图形。MATLAB的图形工具和可视化功能非常强大，能帮助我们直观展示模型的性能，并深入分析不同区域和时间段的光污染情况。
1.3. 实验步骤
1）数据采集与准备
在实验的第一步，我们从公共数据源收集与光污染相关的数据，这些数据包括城市的光污染强度、时间、地理位置、气象条件等。数据被导入MATLAB中，存储为MATLAB支持的格式（如.mat文件或.csv文件）。在此过程中，我们确保数据完整性，并清除任何缺失值或异常值，保证数据的质量。
2）数据预处理
数据预处理是实验中的关键步骤。首先，我们使用MATLAB内置的函数对数据进行清洗，去除缺失值和异常值。接着，对数据进行归一化或标准化处理，使用normalize函数确保所有特征具有相同的尺度。然后，进行特征工程，提取影响光污染强度的最相关特征，减少冗余特征，优化数据输入。
3）模型构建与训练
在数据预处理完成后，我们使用MATLAB的神经网络工具箱构建BP神经网络模型。通过newff函数创建一个前馈神经网络，并根据数据特点选择合适的网络结构（如输入层、隐藏层和输出层的节点数）。模型使用误差反向传播算法进行训练，采用交叉验证来优化模型性能。在训练过程中，调整学习率和其他超参数，以确保模型高效学习数据中的规律。
4）模型评估与测试
训练完成后，使用MATLAB的sim函数将训练好的模型应用于测试集，进行光污染强度的预测。通过计算评估指标，如均方误差（MSE）、平均绝对误差（MAE）和决定系数（R²），评估模型的预测准确性。同时，使用MATLAB的可视化工具绘制实际值与预测值的对比图，帮助我们直观地分析模型的表现。如果模型结果不理想，可能会进一步优化，如调整神经网络结构、选择不同的特征或优化超参数。
GA-BP算法流程图
1.4. 实验参数设置 1）遗传算法（GA）参数设置
遗传算法是一种基于自然选择和遗传机制的全局优化算法，其参数设置对GA的优化效果有重要影响。以下是本研究中使用的遗传算法的具体参数设置：
2） BP神经网络参数设置 BP神经网络通过反向传播算法调整网络权重来最小化预测误差。本文中使用的BP神经网络参数经过实验调优，以提升模型的预测精度。以下是具体的参数设置：
2. 结果与讨论 2.1. 实验结果
在本实验中，我们使用BP神经网络对光污染进行了预测，并获得了具体的实验结果。以下是基于测试集的详细评估指标和结果，包括实际数据与预测数据的对比、误差分析及模型性能评估。
1）评估指标
2）实验结果
以下为GA-BP算法基于实验测试集的评估指标结果：
为了全面评估光污染预测模型的效果，我们还对比了四种常见的算法：GA-BP、普通BP、支持向量机（SVM）和长短期记忆网络（LSTM）。以下是各算法在预测光污染强度方面的表现：
4）结果分析 本次实验中，我们使用了四种算法——GA-BP、普通BP、SVM和LSTM——对光污染进行了预测。实验结果显示，GA-BP算法在所有评估指标上表现最优。具体来说，GA-BP模型的均方误差（MSE）为0.0221，平均绝对误差（MAE）为0.1243，决定系数（R²）为0.872。这表明，GA-BP算法不仅具有较小的预测误差，且能更好地拟合光污染数据中的复杂非线性关系。
遗传算法的引入优化了BP神经网络的初始权重，避免了局部最优问题，提高了模型的全局搜索能力，并提升了预测精度。相比之下，普通BP、SVM和LSTM的预测误差较大，尤其是在一些关键时段，GA-BP算法的表现显著优于其他算法。
通过对比实际光污染强度与不同算法预测值的对比结果，可以发现，GA-BP的预测值与实际值最为接近，误差最小，表现出最高的预测精度。相比之下，普通BP、SVM和LSTM的预测结果在一些时段偏离实际值较大，特别是在高光污染区域，其他算法的表现逊色于GA-BP。
图表展示了不同算法在预测光污染强度时的误差分布，图中的数据表明，GA-BP算法的预测值大部分都与实际值相符，且误差较小。其他算法如普通BP和SVM在某些时间段存在较大误差，特别是在高光污染时段。
综上所述，GA-BP算法在光污染预测中具有明显的优势，能够提供更准确的预测结果，对城市的光污染治理和监控具有重要意义。通过进一步优化算法和扩展数据集，预计能进一步提升模型的精度和适用性。
参考文献[1]. 张晖, 李峰. (2019). 环境污染监测中的机器学习应用研究综述. 环境科学与技术, 42(7), 35-41.
[2]. 王小明, 张敏. (2020). 城市光污染监测与评估方法研究. 环境保护与科学, 23(5), 55-63.
[3]. 周伟, 黄浩. (2017). 基于BP神经网络的环境污染预测研究. 环境保护, 28(3), 120-127.
[4]. 刘春雨, 赵刚. (2018). 基于大数据的光污染监测与预警系统研究. 计算机与应用化学, 35(12), 15-22. 责任编辑：李银慧
小字号