BP网络模型在朝阳地区大气污染预报中的应用

目前,人工神经网络理论发展迅速,并在模式识别和系统辨识中得到广泛应用。而其中采用误差反向传播方法(Back Error Propagation)的BP网络模型是目前应用最为广泛的神经网络模型之一,它是一种简单而又非常有效的算法。本文应用人工神经网络方法,在模拟人脑的思维方式下,建立了大气污染物浓度的神经网络预报模型,并将计算结果与监测值进行了对比验证,计算结果表明,BP模型应用于大气污染物浓度预报具有较高的预报精度。     

方位聚散因子及其在PM2.5浓度预报中的应用

污染物浓度预报是应对大气污染问题的重要手段.现有的模式类预报方法受限于排放源清单的准确性,而在污染物排放源短期少变的条件下,基于气象要素的统计类预报方法是一种更具实用性的方法.但现有统计类预报方法的计算模型输入量缺乏对气象要素累积效应的表征,以及对气象因素影响大气污染物聚散过程的表征,严重影响了预报的精度.为此,本文提出了一种着眼于改善计算模型输入量的统计类PM_(2.5)浓度预报方法.该方法采用方位聚散因子作为计算模型输入量,既可表征出PM_(2.5)累积与消散的过程,又考虑了气象要素在一定时段内的累积效应,为提高预报精度奠定了良好的基础.同时,通过BP神经网络训练,本方法在方位聚散因子与PM_(2.5)浓度值之间建立起关联模型,从而完成对PM_(2.5)浓度值的准确预报.     

基于BP模型的大气污染预报方法的研究

BP模型是目前最为广泛应用的神经网络模型之一,它是一种简单而又非常有效的算法.笔者将BP网络模型引入到大气污染预报领域,并根据大气污染物含量与气象要素的关系建立了大气污染物含量的神经网络预报模型.计算结果表明,BP模型应用于大气污染预报具有较高的预测精度和良好的泛化能力,它为信息社会的城市空气污染预报工作提供了一种全新的思路和方法.      

区域大气污染物总量控制模型软件使用简介

区域大气污染物总量控制模型和软件是国家“九五”重点攻关课题研究成果，也是为了配合全国大气污染物总量控制制度实施而开发的大气污染物总量控制管理软件，该研究课题已通过国家鉴定。软件内容有一组基础计算程序和适用于不同的情况的５组总量模型程序组。基础程序计算组可以选择各种不同的大气扩散参数，风速扩线指数和计算参数，确定大气污染物基础排放量和一些基础计算：其中有单源地面浓度计算、考虑混合层的单源地面浓度计算，考虑地形影响的单源地面浓度计算和颗粒物的地面浓度，计算区间和计算参数可以任意选择，并且马上组出地面…     

区域大气污染物总量控制模型软件使用简介

区域大气污染物总量控制模型和软件是国家“九五”重点攻关课题研究成果，也是为了配合全国大气污染物总量控制制度实施而开发的大气污染物总量控制管理软件，该研究课题已通过国家鉴定。软件内容有一组基础计算程序和适用于不同的情况的５组总量模型程序组。基础程序计算组可以选择各种不同的大气扩散参数，风速扩线指数和计算参数，确定大气污染物基础排放量和一些基础计算：其中有单源地面浓度计算、考虑混合层的单源地面浓度计算，考虑地形影响的单源地面浓度计算和颗粒物的地面浓度，计算区间和计算参数可以任意选择，并且马上组出地面…     

抚顺市空气污染预报方案筛选

空气污染预报的准确性取决于大气污染物扩散模型的选取和预报方案的设计。本文以经过验证的ADMS-大气污染物扩散模型为基础。设计了四种预报方案。并对四种方案的预报准确性进行检验，从而筛选出了适用于抚顺市空气污染特点的最佳预报方案。     

线性规划方法在城市大气污染物排放总量控制中的应用

为了实施城市大气污染物排放总量控制，实现逐点浓度达标与各功能区达标，本文讨论了线性规划方法在大气污染物排放总量控制中的具体应用，提出了合理选择控制点和计算污染物浓度贡献系数矩阵的方法，结合控制点源排放的Ａ－Ｐ值法建立了大气污染物排放总量控制模型。     

基于CMAQ模式产品的福州市空气质量预报系统

利用CMAQ(Community Multiscale Air Quality Model)模式预报产品和福州市2007年1月至2010年6月大气污染物的观测资料以及常规地面气象观测资料,根据动力-统计相结合的预报方法,通过多元线性逐步回归,建立不同天气系统下CMAQ模式产品和多类预报因子相结合的日污染物浓度预报模型.结果表明,影响福州市的天气系统共分为大陆高压、副热带高压、切变、暖区辐合、高空槽、台风和热带辐合带7类天气型.在暖区辐合、高空槽和大陆高压控制下,福州市的空气质量较差,而副热带高压和台风系统影响时,福州市的空气质量最好.日污染物浓度预报方程置信度均为P=0.000,模型有统计学意义.利用模型对2010年7~12月福州市各污染物浓度进行预报效果回代检验,模型对PM10的污染指数等级预报正确率达到了71.3%,对SO2和NO2的级别预报正确率达到了100%,日预报综合评分平均达88.8分.     

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...     

应用均生函数预测营口市大气污染趋势

通过分析营口市４种主要大气污染物浓度的四季变化主要特征，建立均生函数预测模型，拟合及预报试验表明，该预测模型不但可以很好地拟合大气污染物，而且还能对未来时段的大气污染浓度做出较符合实际的预报。     

济南市大气污染物时空变化及预测分析

大气污染影响生产生活和人体健康,了解大气污染物时空分布特征及污染源是大气污染治理的基础和前提。基于济南市2014-2018年空气质量实时监测数据,主要污染物浓度数据和气象要素数据,运用相关分析法和BP神经网络预测模型,分析了济南市大气污染物时空分布特征及污染物来源,并对济南市6种主要污染物进行预测。结果表明:在时间维度上,空气质量呈逐年好转趋势,季节上则表现出冬季污染最严重,夏季最轻,采暖期污染物浓度远远高于非采暖期的特点;从日变化看,上下班高峰段是污染最严重时段。在空间维度上,城市外围污染较为严重,市区污染相对较轻。在污染物成分上,PM₁₀逐渐成为颗粒物污染的主体。通过济南市污染物浓度预测结果,分析未来3年内污染物浓度变化情况,进一步提出合理优化的污染治理方案来改善济南市大气污染状况。     

基于CEEMD-BiGRU模型的徐州市大气污染物浓度预测

目前大气污染物对于地区经济以及人体健康的影响不容忽视。选取徐州市2016-01-01—2021-01-24大气污染物和气象要素数据,针对大气污染物浓度波动性强等特点,运用互补集成经验模态分解(CEEMD)将污染物数据分解为本征模态分量,提取出原始数据的各项特征,再对分解出的各本征模态分量构建双向门控循环单元模型(BiGRU),通过双向循环训练,学习各分量的特征趋势并获得最优训练参数,将输出结果重构,得到最终的预测值。结果表明:与BiGRU、BP模型相比,CEEMD-BiGRU模型预测各项大气污染物的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别下降15%、20%和2百分点以上,预测精度有较大提升。在此基础上,利用CEEMD-BiGRU模型预测后一时间段残差,以修正原预测值,得到大气污染物预测区间上界,进一步扩展模型的适用性。     

基于树模型的北京市PM2.5预测效果对比分析

在城市空气质量预测中,ρ（PM_2.5）会受到气象条件和时间周期的影响。选取北京市全市为实验区域,对多种污染物浓度特征、时间特征及天气特征等进行分析,采用2019年33个空气质量监测站逐小时数据开展PM_2.5预测实验,建立了基于特征的LightGBM （light gradient boosting machine） PM_2.5质量浓度预测模型,分别与随机森林模型（RF）、梯度提升树模型（GBDT）、 XGBoost模型3个PM_2.5浓度预测模型进行对比。结果表明:在PM_2.5浓度预测精度方面,LightGBM模型最高,XGBoost模型次之,RF模型最差。LightGBM模型的PM_2.5污染浓度预测准确率高于其他模型,R2为0.9614,且具有训练快、内存少等优点。LightGBM模型的5个评估指标均优于其他模型,说明其在PM_2.5逐时预测上具有很好的稳定性和应用前景。     

区域大气污染数值模拟方法研究

大气污染是一个区域性的环境污染问题,北京大气环境的质量与周边地区污染源的排放有密切关系.将气象模型高级区域预报系统(ARPS)与空气污染模型Models-3耦合进行模拟计算,从检验结果可以看出,模拟值与实测值有较好的一致性,表明该模式系统可以用来研究区域大气污染物传输及相互影响.模拟计算了2002年北京地区各季ρ(PM10)以及山西污染源对北京的贡献,结果表明,在特殊的天气条件下的典型时段,尤其是在西南风气流场控制下,山西污染源对北京空气质量有较大的影响.比较而言,夏季(8月)山西污染源的平均贡献率最大,约为15.44%;冬季(1月)最小,约为2.25%.表明控制北京大气污染不容忽视周边污染源的影响.      

马尔科夫链在环境质量预测中的应用

鉴于目前环境质量预测在理论方法和实践经验上的缺乏,把马尔科夫链引入环境质量的预测中,将各种污染物的浓度变化过程视作马尔科夫过程,通过预测各种污染物的污染负荷系数来推知其浓度值。实例中通过多元回归分析计算出马尔科夫转移矩阵,以2005年辽宁省5种大气污染物的污染负荷系数作为初始向量,预测了今后5年的变化。然后利用GM(1,1)模型预测出降尘的具体浓度值,由此计算出了2006-2010年辽宁省5种污染物的浓度值。     

城市空气污染数值预报模式系统及其应用

 介绍了城市空气污染数值预报模式系统,并利用该系统对济南市空气污染进行了预报.结果表明,该系统具有较好的预报性能;预报与实测值之间有较好的相关性;空气质量级别的预报效果更好,对SO₂、PM₁₀和NO₂ 3项污染物的级别预报准确率分别为84.6%,83.2%和94.6%,其总体级别预报准确率达到87.5%.研究结果还显示,济南市的SO₂污染已得到明显改善,机动车尾气污染相对较轻,而PM₁₀的污染比较严重,已上升为首要污染物,其来源、扩散、转化机制及其控制措施的研究是目前济南市面临的首要问题.     

一种基于小波变换和LSTM的大气污染物浓度预测模型

针对现有大气污染物浓度预测模型存在预测精度不高、污染物种类单一等不足的问题,通过小波分解将高维大气污染物数据转换为低维数据,再对分解序列建立长短期记忆网络（LSTM）预测模型,最后通过小波重构将分解序列重构为污染物时间序列,建立了1种基于小波变换（WT）的LSTM大气污染物预测模型（WT-LSTM）,用以预测目标区域内的次日平均ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）和ρ（O₃）。采用长沙市2015—2018年10处国控站点的数据进行验证,结果表明:相对于LSTM、多元线性回归（MLR）和基于WT的WT-MLR模型,WT-LSTM的均方根误差和绝对平均误差均下降了50%,其对PM_2.5、PM₁₀、SO₂、NO₂和O₃的污染等级预测准确率均在80%以上。     

基于阶段式时序注意力网络的PM2.5鲁棒预测

PM_2.5浓度的预测对于大气污染治理、改善环境质量等起到重要作用。受气象条件变化与大气污染物排放等多种因素的交叉影响,PM_2.5预测通常易受突变事件及噪声数据干扰。因此,基于对气象条件以及大气污染物与PM_2.5的相关性分析,提出阶段式时序注意力网络模型（staged temporal-attention network,STAN）,该方法融合多段注意力学习模块与循环神经网络,建模气象因素与大气污染物对PM_2.5浓度的交叉影响。统计分析北京市、上海市、广州市预测结果的绝对误差值,可知:1）对比广泛使用的单一类模型支持向量机（support vector machine,SVM）、长短期时序记忆方法（long short-term memory,LSTM）和多层感知机（multilayer perceptron,MLP）,STAN可达到10%以上的性能领先;对比最新的融合类模型U型网络（U-net）,STAN领先了7%的优势。2）以北京市冬季预测结果为例进行统计分析,STAN的预测值与实测值之间的拟合系数可有95.2%的性能领先。此外,在鲁棒性分析中发现,STAN在含有10%噪声的数据上进行预测,误差上升幅度仅为9.3%。结果表明:注意力机制与时序学习模块相结合能够深度挖掘PM_2.5变化规律并抑制噪声数据,且STAN模型可以进行PM_2.5浓度的鲁棒预测。     

深圳市PM_(2.5)浓度特征及统计预报研究

根据2015年1—12月深圳市城区11站点PM_(2.5)小时浓度监测数据,探讨了深圳市PM_(2.5)浓度的时空分布特征。结果显示:监测期间深圳市城区PM_(2.5)平均浓度为29.8μg/m~3,PM_(2.5)平均浓度整体呈现出:冬季>秋季>春季>夏季的特征,PM_(2.5)质量浓度日变化整体呈现出双峰型分布,午后12:00—16:00浓度较低。空间分布上,年均浓度从东南至西北方向依次升高,梯度特征明显。PM_(2.5)浓度与PM_(10)呈高度相关,与SO_2、NO_2、CO呈显著正相关,与O_3呈实相关。相邻城市间空气污染物浓度呈现出一定的相关性,区域污染突出。建立的PM_(2.5)回归统计模型对深圳市2015年PM_(2.5)临近预报的级别准确率在70%以上,能较好地反映PM_(2.5)浓度变化趋势。     

基于GM(1,1)模型的甘肃省武威市空气污染物浓度的预测及分析

目的分析并预测2011-2015年甘肃省武威市空气主要污染物的污染状况。方法运用灰色系统方法,根据武威市2006-2010年空气主要污染物的监测数据建立灰色预测模型并进行预测。结果除SO2外,NO2和PM10都呈增长趋势,2015年的预测值分别为0.027 5、0.024 1和0.199 mg/Nm3。结论通过对模型的残差及关联度进行检验,所见模型合格,预测结果可为武威市空气的污染治理及科学管理提供辅助决策依据。