基于深度学习模型的广州市大气PM2.5和PM10浓度预测

精准预测大气污染颗粒物PM_2.5、PM₁₀浓度能为大气污染防治提供科学依据,但目前较多PM_2.5和PM₁₀浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM_2.5和PM₁₀浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_2.5、PM₁₀日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_2.5、PM₁₀日均浓度。根据MSE、RMSE、MAPE、MAE和R2等评价指标,对4个模型的PM_2.5、PM₁₀预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_2.5、PM₁₀浓度。     

基于IG-LASSO模型的城市空气质量指数混合预测研究

空气质量指数是各个地区空气污染状况的数据表征,可用于政府对城市空气污染的控制。论文使用天津市2014年1月1日-2016年4月30日的空气质量数据和气象数据,建立一个基于IG(信息增益)和LASSO(最小绝对收缩率和选择算子)的空气质量指数混合预测模型,对未来一天的空气质量指数进行预测。整体实验由预测模型选取、特征变量选取和混合预测3个部分组成。实验结果说明基于IG和LASSO的空气质量指数混合预测模型要比单独使用LASSO模型的预测准确性要好,其误差率为4.75%,并且空气质量指数混合预测模型也可以有效的减少输入变量的数量以及降低模型的复杂程度。同时,也得出天津市空气质量指数的预测准确度受PM_(10)、PM_(2.5)、NO_2和SO_(2)4种空气污染物浓度影响较大,与风向、天气现象和风力关联性不强的结论。     

基于HHO-CNN-LSTM的CMAQ修正模型及其在上海市空气质量预报中的应用

建立空气质量预报模型，预测污染物浓度对人类健康和社会经济发展具有重要意义。然而，传统的空气质量模型CMAQ对污染物浓度的预报精度并不理想。对此，本文提出了一种基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的空气质量预报修正模型，并使用哈里斯鹰算法(HHO)对模型的超参数进行优化；用CMAQ模型对上海市2022年12月六种大气污染物(SO₂、NO₂、PM₁₀、PM_2.5、O₃、CO)浓度的预报数据以及监测站的气象数据和污染物浓度实测数据作为HHO-CNN-LSTM模型的输入，对CMAQ模型预报结果进行修正。使用均方根误差(RMSE)、平均绝对误差(MAE)和一致性指数(IOA)作为评价指标。结果显示，修正模型显著提高了六项污染物浓度的预测精度，RMSE减少了73.11%～91.31%,MAE减少了67.19%～89.25%,IOA提升了35.34%～108.29%。同时针对HHO算法陷入局部最优而导致修正模型对CO浓度预测效果不佳的问题，使用高斯随机游走策略对HHO算...     

基于ANFIS改进的大气腐蚀环境缺失数据填补方法

目的针对大气腐蚀中重要环境数据缺失的复杂问题,提出一种相关因素(Relevance Factors)和自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System)结合的方法(RF-ANFIS)对缺失数据进行填补。方法首先采用相关因素方法计算缺失数据和多项环境因素间的相关程度,筛选出相关系数较大的因子,然后应用ANFIS构建缺失数据与所选环境因子的关系模型。最后以二氧化硫数据为具体对象,采用北京2015年的气象数据对所建立的模型进行检验。结果经过改进的RF-ANFIS模型在最优情况下样本均方误差为0.696,在14个测试样本中有13个相对误差在20%以内,针对有限样本的数据分析中更为适用。结论该方法有效提高了大气腐蚀环境数据缺失的填补精度,对在数据缺失情况下预测大气腐蚀速率具有重要意义。     

基于GA-ANN改进的空气质量预测模型

基于人工神经网络的空气质量预测模型优于传统的逐步回归模型,但由于性能差异不明显而较少在空气质量预报中应用. 设计了将遗传算法和神经网络算法相结合的基于GA_-ANN的空气质量预测模型,并利用天津市2003—2007年气象和污染物监测资料对该模型进行验证. 对2007年全年的ρ(SO₂),ρ(NO₂)和ρ(PM₁₀₎进行预测,预测值与实测值的相关系数分别为0.899 6,0.828 3和0.600 0. 与一般的人工神经网络预测模型相比较,GA_-ANN模型将空气质量等级预报的准确率从77.57%提高到79.67%. GA_-ANN模型可结合其他方法进行日常空气质量预报.      

基于逆方差多模型融合的空气质量指数预测方法

空气质量预测对合理制定环境治理政策具有重要意义。针对目前单体预测模型存在模型不稳定和泛化能力不强的问题,提出基于逆方差权重分配方法融合3种单体模型的空气质量指数(air quality index, AQI)预测方法。首先,以北京市为例,构建空气质量指数预测数据集;其次,分别构建长短期记忆网络(LSTM)、门控循环单元(GRU)、双向长短期记忆网络(Bi-LSTM)、自回归积分滑动平均模型(ARIMA)和多元线性回归(MLR)5种模型对数据集进行预测,并对比以上模型的预测结果;最后,在多模型融合方法中,选择逆方差法计算预测精度较高的3种单体模型的权重,根据算得权重构建逆方差融合预测模型。与预测精度较高的3种单体模型以及加权平均融合预测模型相比,逆方差融合预测模型对空气质量指数的预测精度R²分别提高3.9%、3.4%、1.6%和0.5%,达到0.933。结果表明：逆方差融合预测模型综合了各单体预测模型的优点,能够提高AQI预测精度。     

基于贝叶斯网络的大连市空气质量预测与诊断

贝叶斯网络具有双向推理能力,可有效解决空气质量研究中的不确定问题。将贝叶斯网络引入到空气质量研究中,基于大连市2014—2016年空气质量指数(AQI)以及SO_2、NO_2、O_3、CO、PM_(10)、PM_(2.5)6种污染物浓度数据,通过构建贝叶斯网络模型对大连市空气质量进行了预测与诊断研究。结果表明:(1)利用贝叶斯网络因果推理功能验证了贝叶斯网络预测模型的有效性:大连市春、夏、秋、冬四季和全年的空气质量预测精度分别为89.29%、92.86%、88.89%、85.19%、89.09%;(2)利用贝叶斯网络模型和模糊综合评价法分别对大连市2017年5月1日至15日的空气质量进行预测,并比较官方的监测值,结果显示贝叶斯网络模型用于空气质量的预测更为准确;(3)利用贝叶斯网络诊断推理得出O_3和PM_(2.5)是大连市空气污染的主要贡献者。贝叶斯网络技术用于空气质量的预测和诊断具有可行性和可靠性。     

利用多元线性回归方法评估气象条件和控制措施对APEC期间北京空气质量的影响

气象条件对大气污染物的扩散和传输有重要影响,准确分离和定量气象因素对空气质量的影响是评估大气污染控制政策有效性的前提.本研究利用APEC会议期间及前后(2014-10-15～2014-11-30)北京城区朝阳观测站点SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)以及气象因素的观测数据,采用多元线性回归分析方法,定量评估了气象条件和空气污染控制措施对APEC期间北京空气质量的影响.在假定排放条件不变的情况下,基于气象因素参数建立的预测污染物浓度的多元线性回归模型模拟效果较为理想,决定系数R~2在0. 494～0. 783之间.控制措施使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低48. 3%、53. 5%、18. 7%、40. 6%、3. 6%、34. 8%、28. 8%和40. 6%,气象因素使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低1. 7%、-2. 8%、18. 7%、4. 5%、18. 6%、27. 5%、30. 6%和35. 6%.气象因素和控制措施共同作用使得APEC控制期北京空气质量得到了明显改善.控制措施对SO_2和氮氧化物浓度的下降起主导作用,气象因素对CO浓度的下降起主导作用,气象因素和控制措施对颗粒物浓度降低的贡献相当.本研究还利用相对权重方法研究了气象因素对污染物浓度影响的贡献,结果表明影响不同污染物浓度的决定性气象因素不同.     

城市综合交通规划环境评价中大气环境预测的数学模型

以城市综合交通规划环境影响评价中大气环境影响预测为例,分析了战略环境评价(SEA)中环境影响预测的特点,提出了SEA中应用空气质量模型的基本原则。在此基础上,对现有的空气质量模型(主要包括箱模式、高斯模式、拉格朗日模式和欧拉型数值模式)分别讨论了模型的时空尺度、所描述的环境要素和因子、模型的复杂性和输入数据、模拟区的下垫面特征在城市综合交通规划环境评价中的适用性。     

乌鲁木齐市空气污染时空分布特征及其与气象因素相关分析

基于乌鲁木齐市7个检测站点实测数据(参照《环境空气质量标准》规定的6项常规监测污染物(PM_2.5、PM_10、SO_2、NO_2、CO、O_3)的24小时/8小时国家二级标准和AQI分级标准),对乌鲁木齐市2016年空气质量做变化趋势分析。结合乌鲁木齐市气象要素和城市发展数据对乌鲁木齐市空气质量影响因素做相关分析,然后利用层次分析法(AHP)对乌鲁木齐市环境空气污染时空分布特征的影响因素做评价分析。研究结果有:(1)乌鲁木齐市2016年1月,轻度污染天气占整月的3%、中度污染天气占26%、严重污染天气占32%、重度污染天气占39%;工业园区集中的米东区是乌鲁木齐市空气污染最严重的城区。(2)乌鲁木齐市的城区空气污染物因子和同期气象因素相关性显著;(3)重要污染物企业的空间分布对乌鲁木齐市空气污染空间分布起到绝对的影响作用。     

利用多元线性回归方法评估气象条件和控制措施对APEC期间北京空气质量的影响

气象条件对大气污染物的扩散和传输有重要影响,准确分离和定量气象因素对空气质量的影响是评估大气污染控制政策有效性的前提。本研究利用APEC会议期间及前后(2014-10-15~2014-11-30)北京城区朝阳观测站点SO2、NO、NO2、NOx、CO、PM2.5、PM1和PM10以及气象因素的观测数据,采用多元线性回归分析方法,定量评估了气象条件和空气污染控制措施对APEC期间北京空气质量的影响。在假定排放条件不变的情况下,基于气象因素参数建立的预测污染物浓度的多元线性回归模型模拟效果较为理想,决定系数R2在0.494~0.783之间。控制措施使得APEC控制期SO2、NO、NO2、NOx、CO、PM2.5、PM1和PM10浓度分别降低48.3%、53.5%、18.7%、40.6%、3.6%、34.6%、28.8%和40.6%,气象因素使得APEC控制期SO2、NO、NO2、NOx、CO、PM2.5、PM1和PM10浓度分别降低1.7%、-2.8%、18.7%、4.5%、18.6%、27.5%、30.6%和35.6%。气象因素和控制措施共同作用使得APEC控制期北京空气质量得到了明显改善。控制措施对SO2和氮氧化物浓度的下降起主导作用,气象因素对CO浓度的下降起主导作用,气象因素和控制措施对颗粒物浓度降低的贡献相当。本研究还利用相对权重方法研究了气象因素对污染物浓度影响的贡献,结果表明影响不同污染物浓度的决定性气象因素不同。     

珠海市空气质量预测模型研究与分析

空气质量统计预报模型是当前空气质量预报的重要工具之一。该研究选取珠海市4个国控大气自动监测站点(吉大、唐家、前山、斗门),基于大气环境监测数据和气象数据研究了同期回归、多元回归2种空气质量预报统计模型,并对模型在不同污染物(NO_2、SO_2、CO、O_3、PM_(10)、PM_(2.5))、不同预报时段(24、48、72、96、120、144 h)、不同国控监测站点的情景下进行了预报准确度综合评估。结果表明:(1)PM_(2.5)浓度与风向的皮尔逊相关系数最大,其相关系数为0.403;O_3浓度与气温、湿度均具有较大的相关性,其相关系数分别为0.705、-0.823;(2)同期回归模型对于6项污染物浓度预报的准确度由高至低分别为:COPM_(10)PM_(2.5)O_3NO_2SO_2,其准确度分别为84%、75.9%、73.4%、72.3%、66.8%与61.9%;(3)多元回归模型对于6项污染物浓度预报的准确度由高至低分别为:COPM_(2.5)PM_(10)O_3NO_2SO_2,其准确度分别为85.6%、73.3%、69.9%、67.6%、67.4%与58.7%。     

大数据背景下采用互信息与随机森林算法的空气质量预测

为了实现城市空气质量的精准预测,针对与城市空气质量预测相关的大数据种类多、规模大、维度高和生成速度快等特点,在研究城市不同区域空气质量评价指标的基础上,提出不同区域空气质量子空间聚类分析方法,挖掘不同区域空气质量的特征。通过对不同区域进行群体划分,并利用互信息矩阵从城市功能、地形、气象条件等方面辨识与不同区域空气质量相关联的因素,构建基于随机森林算法的城市空气质量预测模型。该方法可以有效识别城市不同区域空气质量的强关联因素,避免由于关联因素的差异性对空气质量预测造成的不利影响。仿真结果表明:该方法适用于大数据的分析与处理,并具有较高的预测精度。     

多模式模拟评估奥运赛事期间可吸入颗粒物减排效果

以空气质量多模式系统为工具,分析奥运赛事期间可吸入颗粒物(PM10)浓度大幅减小特征,从气象场和排放源两方面研究PM10浓度大幅减小的主要原因.多模式系统由嵌套网格空气质量模式(NAQPMS)、通用空气质量多尺度模式(CMAQ)和复杂大气空气质量三维模式(CAMx)3个空气质量复合模型组成,并以中尺度气象模式(MM5)和稀疏矩阵排放处理模型(SMOKE)提供统一气象场及排放源.研究对比2006年8月、2008年8月两组气象条件下北京PM10浓度水平及模拟效果,结果表明奥运赛事期间PM10浓度大幅减小的主要原因不是气象因素,而是由于额外措施引起的PM10排放减少.同时采用多模式系统数值模拟反向评估,获得北京奥运赛事期间奥运控制及额外减排措施引起的PM10减排量,结果表明,奥运赛事期间所有额外控制措施对颗粒物浓度效果相当于在2008年8月气象条件下,削减大约200t.d-1的无组织PM10排放,相当于北京正常时期PM10排放的50%.     

关中地区城市空气质量特征及影响因素分析

本文对陕西省关中地区33个城市环境空气质量自动监测站点2015年全年的监测数据进行统计和研究,讨论了关中城市空气质量特征和主要影响因素。结果表明,关中地区城市间空气质量具有密切的相关性和整体性,影响关中城市群全年空气质量最主要的污染因子是可吸入颗粒物(PM10)和细颗粒物(PM2.5),首要污染物呈现出显著的季节变化规律。人类活动、气象因素以及地形特征是造成关中地区空气质量现状的主要原因。     

基于决策树的统计预报模型在臭氧浓度时空分布预测中的应用研究

近地面层臭氧是光化学污染的主要污染物之一.臭氧污染不仅严重影响着空气质量并且危害人类健康与动、植物生长.本研究以徐州市为研究区,基于环境监测站连续监测数据分别采用分类回归树(CART)、随机森林(RF)和M5模型树方法建立臭氧浓度统计预报模型,选取1、4、7、10等4个月作为季度代表进行区域臭氧浓度预测的研究.以2015整年逐小时徐州市国控大气监测站实时监测的臭氧浓度(因变量)和气象因子数据(自变量)为训练样本建立臭氧浓度统计预报模型.模型验证结果表明,总体上3种决策树模型能够较好的预测臭氧浓度动态变化特征,月尺度上预测值与观测值相关系数均值为0.68,平均绝对误差和均方根误差均值分别为21.63μg·m~(-3)和27.42μg·m~(-3).在此基础上,基于站点观测所建立臭氧统计预报模型,以WRF模型模拟的气象场作为输入,预报区域网格化臭氧预报值,并发现臭氧浓度空间分布与站点观测特征总体一致性较好.经与观测值进行对比,结果表明两者相关系数均值为0.58,平均绝对误差及均方根误差分别为29.38μg·m~(-3)和37.15μg·m~(-3),预报准确率均高于75%.同时利用周步长观测值与预测值建立的多元线性集合预报回归方程对3种决策树模型的预报值进行修正,在一定程度上提高了预报值的精度.     

马尔可夫修正的BP神经网络在PM2.5预测中的应用

本文以昆山某点位的监测数据及天气网的气象数据为基础,选取了影响PM2.5因素中的10个指标进行了相关性分析,结果表明PM2.5与PM10是高度相关,与CO、SO_2、NO_2、O_3显著相关,并依据分析结果对模型输入数据进行了降维。运用BP网络对序列1-16的PM2.5进行预测,结果显示其误差在-25%~-26.9%。将预测误差划分为4个状态,计算概率转移矩阵,并对序列17、18的BP预测结果进行修正,结果显示修正后的误差由BP网络的-14%、-25%降为-7.1%、-8.3%,预测准确度大大提高,表明基于马尔可夫-BP神经网络模型在昆山PM2.5预测中具有一定的现实意义。     

基于轻量级梯度提升机的南京大气臭氧浓度预测

采用南京地区2015年1月至2016年12月期间的空气质量数据和常规气象资料数据,分析了南京地区O₃浓度变化特征,建立基于轻量级梯度提升机(LightGBM)的O₃浓度预测模型,并将该模型与支持向量机、循环神经网络和随机森林等3种在空气质量预测方向上常用的机器学习方法进行了对比,验证模型的有效性和可行性.结果表明,南京地区O₃浓度变化具有显著的季节性差异,浓度变化受前期浓度、气象因子和其他空气污染物浓度的共同影响.LightGBM模型较为准确地预测了南京地区地面O₃浓度(R²=0.92),且该模型的预测精度和计算效率等性能优于其他模型.尤其是在容易出现臭氧污染的高温天气,该模型预测准确性明显高于其他模型,模型稳定性较好.LightGBM具有预测准确度高、稳定性好、有良好的泛化能力和运算时间短等特点,在O₃浓度预测方面具有显著的优势.     

城市空气质量预测模型研究

以影响大气质量的因素为目标,提出了预测模型;并运用加权实时最小二乘法,对模型进行实时辨识。研究表明,模型完全适用于城市空气质量的预测。文章并给出了该模型在上海地区应用的结果。     

基于wavelet-SVM的PM10浓度时序数据预测

太原是以煤炭为主要能源的重工业城市,PM_(10)(particulate matter)是太原市的主要大气污染物,因此研究其变化趋势,并给出污染物浓度预测结果,为相关部门进行大气污染防治,为突发污染事件应急提供理论支持是一项非常重要的工作.支持向量机(support vector machine,SVM)应用于PM_(10)污染物浓度时序数据预测时,表现出良好的泛化能力.在预测模型建立过程中通常选择历史数据作为学习模型的输入特征,然而这样的数据表示形式,结构单一,信息表达不完备,在很大程度上将影响预测模型的泛化能力.本文以山西省太原市城区4个监测站点的PM_(10)日浓度数据为研究数据,通过小波变换(wavelet transform)将一维输入数据转化为由低频信息和高频信息构成的高维数据,并以该数据为输入数据建立wavelet-SVM预测模型.结果表明,相较于传统SVM模型预测,wavelet-SVM模型预测结果具有更高的精度,尤其能更加准确捕捉到PM_(10)浓度突变点,为大气污染预警提供有效信息支持,并且wavelet-SVM模型对于PM_(10)浓度时序数据变化趋势的预测精度有明显提升,能更好地预测PM_(10)浓度变化趋势,揭示PM_(10)浓度时序数据内在规律.