基于小波分析优化PM 2.5浓度预测模型

采用多元线性回归方法(MLR)和BP神经网络方法(BPNN),按1 h、3 h、6 h、12 h、24 h、48 h预测时长对贵港市2015—2018年PM_2.5浓度建模并检验对比模型准确率。结果表明,基于MLR与BPNN都能对PM_2.5浓度作预测,预测效果随着预测时长的增加而下降,MLR、BPNN模型预测结果平均绝对误差(MAE)分别为4.01μg/m³~15.48μg/m³、3.89μg/m³~15.63μg/m³。采用小波分析方法对污染物数据优化并再次建模,结果表明,小波-多元线性回归(W-MLR)模型与小波-神经网络(W-BPNN)模型均得到优化,3 h~24 h预测时长优化效果尤为显著,W-MLR、W-BPNN模型预测结果分别使MAE降低1.6%~13.5%、0.8%~9.8%,且后者预测效果优于前者。     

基于神经网络模型对城市空气质量预报方法的优化研究

基于郑州市2017年1月1日—2022年2月28日环境空气细颗粒物(PM_(2.5))逐日质量浓度监测数据和同期气象数据,利用反向传播(BP)神经网络构建了环境空气PM_(2.5)质量浓度预报模型,实现了对郑州市后1日环境空气PM_(2.5)质量浓度日均值进行预报。构建了考虑大气氧化性因素(情景一)和不考虑大气氧化性因素(情景二)这2种情景,并对2种情景下的预报效果进行评价。结果显示,在情景一下,各季节PM_(2.5)预报质量浓度与实况质量浓度的标准化平均偏差(NMB)和均方根误差(RMSE)均处于较低水平,表明预报效果均具有较好的稳定性;各季节PM_(2.5)实况质量浓度与预报质量浓度之间的相关系数(r)、一致性指数(IA)、准确率(Q)和级别预报准确率(G)均处于较高水平,其中Q值均>79%,G值均>80%,表明各季节PM_(2.5)实况质量浓度与预报质量浓度趋势的吻合程度较高。情景一各季节PM_(2.5)预报质量浓度与实况质量浓度的NMB和RMSE均低于情景二,降幅分别为0.8%~2.3%和2.3~4.2μg/m 3;r值、IA、Q值和G值均高于情景二,增幅分别为3.5%~36.1%,2.2%~14.6%,6.4%~9.4%和3.5%~9.1%,表明考虑大气氧化性因素能够优化该模型。     

基于LSTM-GCN的PM2.5浓度预测模型

应用机器学习算法开展空气质量预测已成为当前研究热点之一,空气质量监测数据具有显著的时空特征,即具有时间维度时序特征和空间维度传输演化特征。面向空气质量监测数据,联合LSTM提取的时间特征和GCN提取的空间特征,提出预测PM_2.5浓度的LSTM-GCN组合模型。以北京市35个空气质量监测站2018—2020年监测数据进行仿真实验,并将LSTM-GCN模型与LSTM模型、GCN模型以及时空地理加权回归模型(GTWR)进行对比,结果显示:LSTM-GCN模型相较于LSTM模型均方根误差(RMSE)、平均绝对误差(MAE)分别降低了11.68%、7.34%;相较于GCN模型RMSE、MAE分别降低了40.22%、36.37%;相较于GTWR模型RMSE、MAE分别降低了17.52%、23.69%,表明所提出LSTM-GCN模型在准确率上有所提升。用LSTM-GCN模型预测2021年1—7月PM_2.5浓度,结果显示预测效果较好。     

沈阳市冬季环境空气质量统计预报模型建立及应用

利用沈阳市2013年1—2月大气自动监测数据和同期气象资料,选取19项预报因子,采用逐步回归方法建立了沈阳市冬季环境空气质量统计预报模型,预报项目包括细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、一氧化碳(CO)日均浓度及臭氧(O3)日最大8 h平均浓度。2013年11月至2014年1月,应用该模型并结合人为经验修订,开展了沈阳市环境空气质量预报工作,预报结果与实测结果的对比验证结果表明,环境空气预测结果级别准确率达到79.1%,首要污染物准确率为73.6%。     

基于自回归GA-BP神经网络的AQI预测

基于徐州市2013年12月—2018年11月的空气质量指数日均值,建立了时间序列自回归输入的GA-BP神经网络模型用于空气质量指数预测。结果表明,所建立的网络模型能够准确预测徐州市空气质量指数的变化趋势,其中夏季预测相对误差18. 23%,仿真均方根误差(RMSE)为14. 59;冬季预测相对误差9. 14%,仿真RMSE为11. 47。     

OPAQ系统两种模式对O 3预报准确率的探讨

以江苏省宿迁环境监测中心OPAQ系统为例,基于人工神经网络算法的OPAQ空气质量预报系统的2种模式对O 3预报准确率的进行了分析,结果表明,趋势最优模式(RMSE模式)对预报当天及未来3 d的预报值与监测值的相关性系数均>0.78,相对误差在25%以下,在预测当天及未来24、48及72 h优-良天的预测准确率较高,分别为88.8%、87.2%、86.3%及84.7%,在预测轻度污染-重度污染的准确率较低;极值最优模式(SI模式)对预报当天及未来3 d的预报值与监测值的相关性系数(R)均>0.76,相对误差<32%,预测未来24和48 h的轻度污染-中度污染的级别准确率>60%。OPAQ系统的极值最优模式(SI模式)更适合作为夏季ρ(O 3)较高时的预测工具。     

基于数值模拟的青岛市O3快速来源解析

为了建立臭氧污染快速来源解析方法,提高解析结果的时空分辨率,以2017、2018年青岛市环境空气质量精细化管理实践为契机,利用CAMx-OSAT模型的污染源识别与追踪技术,预测解析未来时段特别是污染期间不同区域、行业的排放源对目标站点O3浓度的贡献量和贡献率。结果显示:模拟的春、夏季2个时段青岛市的O3来源主要为工业、电厂、交通、生活源,2个时段的模拟结果本地和外来源中工业源的贡献分别占62. 0%和65. 0%,交通源分别占24. 5%和16. 0%,生活源分别占8. 4%和8. 0%,电厂源分别占5. 0%和11. 0%,O3高浓度污染时,工业源的贡献上升明显,青岛市的O3浓度外来源的贡献约占40%~80%。该数值模型O3来源解析及预测方法已成功用于青岛市的空气质量精细化管理及应急管控。     

t分布受控遗传算法优化BP神经网络的PM2.5质量浓度预测

根据齐齐哈尔大学监测点2014年3—5月PM2?5质量浓度及其对应的每小时的气象因素、气体污染物浓度，建立基于t分布受控遗传算法的BP神经网络模型（ BPM?TCG），对PM2?5质量浓度进行模拟预测。并将其与BP神经网络模型、遗传算法优化BP神经网络模型（ BP?GA）进行对比分析。3种模型预测结果表明：BPM?TCG模型预测精度最高，泛化能力最好。 BPM?TCG模型对PM2?5质量浓度的准确预测为预防和控制PM2?5提供依据。     

利用Keras构建神经网络在空气质量预测中的应用

利用python语言搭建了一整套空气质量神经网络预测系统,底层利用Keras设计并建立了基于tensorflow的神经网络模型。选择日平均气压、日平均气温、日平均相对湿度、日降水量、日平均风速、前1日空气质量因子监测数据等因素作为模型输入变量,分别针对广东省所有监测站点和地市的空气质量因子(PM_(2.5)、PM_(10)、NO_2、SO_2、CO、O_3、AQI)进行预测,结果表明,7个因子的地市平均相对误差值为16.15%～27.7%,地市相关系数为0.36～0.77,该模型在城市空气质量预测中具有良好的效果。     

以北运河（北京段）为例模拟评估北京市“水十条”水质改善效果

基于MIKE11构建北运河(北京段)一维水质模型,以氨氮、COD为目标污染物,建立污染源与水质响应关系。以2013年为基准年,考虑不同人口疏解情景预测2020年北运河(北京段)流域人口,并结合北京市"水十条"设置减排情景方案,对2020年水质改善效果进行量化评估。模拟结果表明:北京市"水十条"可实现显著的水质改善效果,到2020年,在中人口疏解方案下,北运河氨氮、COD平均质量浓度相比2013年分别下降40.8%~77.7%、39.3%~59.7%。COD质量浓度可稳定达标,氨氮质量浓度离达标还有一定差距,但日浓度可稳定在8mg/L以下,基本消除了黑臭水体。     

基于随机森林算法的长江三角洲地区PM2.5浓度模拟研究

PM_(2.5)影响人们的生活,危害城市居民的健康,因而在大范围、连续空间上精准预测PM_(2.5)的浓度对于降低居民暴露在大气污染环境中的风险意义重大。基于空气中PM_(2.5)浓度对气象因子、社会经济因子和下垫面条件因子的响应关系,利用皮尔逊相关分析、PCA分析和随机森林模型RF构建了长江三角洲地区浓度的预测模型。研究发现:(1)PM_(2.5)浓度大小分布与夜间灯光指数NLI、国内生产总值GDP、降雨量PRE、温度TEP、相对湿度RH、植被指数EVI以及土地利用覆被LUCC呈显著相关(P0.05),其中NLI和GDP与PM_(2.5)浓度呈正相关,PRE、TEP、RH与PM_(2.5)浓度呈负相关。(2)主成分数量为4时,方差累积贡献率达到86.7%,PRE、RH、GDP、NLI和EVI是影响长三角地区PM_(2.5)浓度空间变化的最重要的5个因子。(3)PCA-RF模型对于PM_(2.5)浓度的预测具有较好的表现且在长三角中西部的城市预测效果好于东南部沿海城市。相对于逐步回归SR模型,PCA-RF模型验证数据集上的均方根误差RMSE降低12.7%,决定系数R2提高12.1%,平均绝对误差MAE降低8.3%。     

天津市基于新标准的空气质量预报模型效果评估

利用2015年环境空气质量监测数据,对天津市OPAQ空气质量统计预报模型预测效果进行验证评估。结果表明,模型对天津市AQI和PM_(2.5)、PM_(10)、O_3、NO——2的预测结果与实测结果具有较好的趋势一致性,且预测时间越临近,拟合度越好,24 h预报的相关系数r全部达到0.8以上。对PM_(2.5)的预报性能明显优于PM_(10)、O_3和NO_2,PM_(2.5)平均值预测略呈正偏差,但重污染预测值偏低约15%;O_3和NO_2预测值呈明显负偏差,O_3峰值预测不足,NO_2预测值整体偏低,均以24 h预报趋势性最好,但负偏差最为突出。     

重庆市内环货车错时限行对空气质量的影响

在分析货车实施错时限行后内环车流量时段分布变化基础上,通过对PM_(2.5)、NO_2等指标的ADMS模型模拟和实际监测数据对比分析,探讨了内环货车错时限行对环境空气质量的影响。结果表明,货车错时限行后主城区环境空气中PM_(2.5)、NO_2小时平均质量浓度分别降低了9.4%和6.0%,峰值浓度明显降低,晚上出现峰值时间往后推移了2~3 h。经ADMS模型模拟计算,内环高峰时段机动车排放对主城区NO_2、PM、VOCs的浓度贡献分别降低了54.1%、56.3%、17.5%,CO浓度贡献不大。内环货车错时限行措施对重庆市主城区空气质量的改善有一定的积极作用。     

不同模式版本对长三角区域大气污染物模拟结果对比评估

选取2015年1、4、7、10月(分别代表冬、春、夏、秋4季),应用CMAQv4.7.1和CMAQv5.1模式模拟长三角区域的空气质量,对比了NO2、SO2、O3、PM2.54个常规污染物的模拟结果,表明CMAQv5.1对NO2、SO2和PM2.5的模拟效果优于CMAQv4.7.1,而CMAQv4.7.1的O3模拟效果优于CMAQv5.1;CMAQv5.1的NO2模拟值更接近地面观测值,比起不同版本的化学机制对NO2模拟效果的影响,NO2的模拟偏差受排放高估的影响更大;2个版本SO2的模拟值差距较小,且都与地面观测值之间差异较小;CMAQv5.1 PM2.5的模拟值比CMAQv4.7.1更接近观测值,气溶胶模块机制的更新(例如新增细分的PM2.5模式物种和部分二次有机气溶胶生成机制的改进等)对PM2.5模拟效果的改善显著;CMAQv5.1的O3模拟值比CMAQv4.7.1高,CMAQv5.1的O3模拟值在O3观测值的高值时段更接近观测值,而CMAQv4.7.1的O3模拟值在低值时段更接近观测值,CMAQv5.1在日最大8小时平均(MDA8)O3观测浓度超标日的O3模拟效果相比CMAQv4.7.1有一定程度的改善,但在非超标日模拟效果变差,CMAQv5.1的O3模拟效果总体相比CMAQv4.7.1并未得到有效提升。提出,未来针对低值时段和低值区域的O3模拟机制的改进将进一步提升O3模拟效果。     

重庆铜梁县空气质量历时演变与评价

以重庆市铜梁县为例,分析了西部小城镇空气质量的历时演变规律,并对小城镇空气质量进行了评价。结果表明,小城镇空气质量夏季优于冬季,NO2和O3年均浓度(分别为29~33、18~34μg/m3)有所增加,但均在《环境空气质量标准》(GB 3095—2012)标准值内,PM10和SO2的年均浓度则逐年下降,2012年年均浓度比2010年分别下降了34%和19%;PM10、SO2、NO2浓度与温度、风速呈显著负相关关系,与大气压、相对湿度呈显著正相关关系,O3浓度与温度、风速、气压、相对湿度的相关性则刚好与此相反。对铜梁县近3年空气质量状况的评价结果表明,铜梁县空气质量稳步提升,相对于2010年的空气质量状况来说,2012年空气质量等级为优和良的天数分别提高了5%和9%,空气质量等级为轻微污染的天数则降低了9%。研究结果可为小城镇空气质量的宏观调控提供参考。     

NARX神经网络模型在昆明市环境空气质量预测中的应用

神经网络模型作为一种重要的手段被广泛应用于数学计算、物理建模、水文模拟、环境预测、人工智能等研究领域。为验证神经网络模型在高原山地城市环境空气质量预测中的作用,以昆明市环境空气自动监测站气象因子和污染物浓度数据为基础,构建NARX神经网络模型,对污染物浓度进行预测。结果表明,基于NARX神经网络建立的预测模型具有很强的非线性动态描述能力,能够对环境空气6参数做出较为准确的预测,其预测浓度相对误差显著低于CMAQ、NAQPMS空气质量数值模式以及LSTM统计模型预测结果。优化后的NARX神经网络对污染物浓度变化趋势的预测较其他几个模式更为敏感。     

渭-库绿洲耕层土壤砷含量高光谱估测研究

以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象,通过对原始光谱反射率(R)、包络线去除(CR)和一阶微分(R′)变换光谱数据结合连续小波变换生成小波系数,筛选出与砷含量具有极显著相关性的特征波段(P<0.001),运用偏最小二乘回归、BP神经网络、随机森林回归及支持向量机回归分析方法建立耕层土壤砷含量的高光谱估测模型。结果表明,经一阶微分结合连续小波变换处理后,光谱数据与砷含量之间的相关性提升尤为明显。综合考虑各模型估测精度及稳定性,认为R′-CWT-2⁶-SVMR模型可作为研究区耕层土壤砷含量的最佳估算模型,其训练集和验证集的决定系数(R²)分别为0.753和0.740,均方根误差(RMSE)分别为1.350 mg/kg和1.819 mg/kg,相对分析误差(RPD)分别为2.03和2.00。     

三维变分在PM2.5重污染数值模拟中的应用研究

为了探讨三维变分法(3DVAR)对成渝城市群冬季PM2.5重污染模拟的改善效果,采用3DVAR对成渝城市群2017年12月至2018年1月的空气质量数值模拟结果进行资料同化,对比评估嵌套网格空气质量预报模式(NAQPMS)原始数据与同化再分析数据的准确率,并分析成渝重污染特征。研究结果显示,3DVAR在PM2.5、PM10和NO2的同化实验中均取得较好的改善效果,成渝地区检验站点各污染物相关系数(r)的平均提升比例依次为44%、90%和332%,r改善的站点占检验站点总数的比例分别为98%、100%和82%;检验站点均方根误差(RMSE)的平均下降比例分别为15%、37%和31%,RMSE改善的站点占检验站点总数的比例为65%、98%和84%。与原始模拟结果相比,同化结果能够更准确地反映成渝地区冬季重污染期间的PM2.5和PM10空间分布特征。     

江苏省级区域空气质量数值预报模式效果评估

采用中国科学院大气物理研究所开发的嵌套网格空气质量模式系统(NAQPMS),搭建江苏省级区域空气质量数值预报模式系统,并测试了该系统对2013年夏季江苏省PM2.5质量浓度未来24 h预报以及7 d潜势预测的效果。结果表明,该系统成功应用于江苏省的空气质量预报;所有地市的24 h预报效果均在合理范围内(平均分数偏差小于±60%且平均分数误差小于75%);7 d潜势预测效果比24 h预报效果略差,整体能准确把握PM2.5质量浓度的变化趋势。     

上海市奉贤区O3污染特征与影响分析

于2014-2019年,对上海市奉贤区4个环境空气自动监测站的臭氧(O3)污染特征及其影响因素监测数据进行了统计分析.结果表明,O3质量浓度年均值大体平稳且略呈下降趋势,O3日8 h质量浓度中位值和最大值呈现逐步上升趋势,O3质量浓度的最高点和次高点均出现在4-10月.气温与O3质量浓度呈显著正相关关系;随着风速和湿度...