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.     

济南市空气质量数值预报研究

在大规模大气环境参数综合野外测试资料的基础上,为在济南市开展大气污染业务预报新近开发了空气质量数值预报模式系统.该系统由污染源模型(SM)、下垫面参数化模型(XDM)、诊断模式(DM)、中尺度-α气象模式(M-αM)、中尺度-β气象模式(M-βM)、行星边界层(PBL)湍流统计量参数化模式(PBLTM)、干湿沉积模式(DWDM)和高分辨化学模式(HRCM)组成.该系统已成功地应用于济南市空气质量数值预报工作,其预报与实测质量浓度之间有很好的一致性,日平均预报准确率可达80%以上.      

基于气象相似准则的城市空气质量预报模型

为提高城市空气质量预报准确率,文章在传统BP神经网络的基础上提出了基于气象相似准则的样本优化方法,建立了三层样本筛选优化机制,确定了阀值及权重矩阵,从而建立了城市空气质量动态预报模型。将模型应用在广州8个空气质量监测站点的预报上,并与传统的BP神经网络空气质量预报模型进行了对比分析,效果良好。分析结果表明,广州8个空气质量监测站点的SO2、NO2、PM10/2.5的实测值与预报值的平均绝对误差分别为0.016 mg/m3、0.014 mg/m3、0.020 mg/m3,级别预报准确性评分分别为89.6、92.6和84.6,预报准确度综合评分达81.6,并且比传统神经网络模型具有更高的预报精度。     

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.     

辽宁省空气质量预报体系建设初探

空气质量预报是对未来空气质量变化趋势预测及重污染天气应对的重要手段。在对常用预报模型综述基础上,结合辽宁省空气质量预报现状,从模型选择、队伍建设、污染源排放调查及会商机制建设等方面对辽宁省空气质量预报体系建设进行探析,为辽宁省空气质量预报工作的开展提供参考。     

利用多模式集合和多元线性回归改进北京PM_(10)预报

本研究将多模式集合预报和多元线性回归集成方法结合起来减小空气质量预报的不确定性.首先评估了北京空气质量多模式集合预报系统中3个模式成员(NAQPMS、CAMx、CMAQ)对北京地区PM10日均浓度的预报性能,在此基础上引入多元线性回归将历史观测信息纳入进来对3个模式预报结果进行集成,并将集成预报结果与3个模式算术平均的预报结果进行比较.结果发现:1不同模式的预报结果差异较大,并没有一个模式的预报技巧完全优于其它两个模式,其中CMAQ对北京PM10变化趋势的预报优于其它两个模式,NAQPMS预报的均方根误差整体低于其他两个模式.2多模式预报结果的算术平均在趋势预报和偏差两项指标上都低于部分单模式预报,并不能有效改进PM10预报;基于分站点的模式和观测数据构建的多元线性回归集成预报模型能显著提高PM10预报的准确率,选定合适的训练天数(36 d)后,28个站点PM10日均值预报的均方根误差相对单模式预报或集合平均预报下降32%~43%,预报偏差大幅减小至5.8μg·m-3,总体预报技巧显著优于单模式和多模式算术平均的预报结果,并且采用线性回归集成方法大幅提高了对污染过程的预报能力.     

城市空气污染数值预报的技术关键

在分析城市空气污染数值预报要素的基础上,建立了包括污染源排放清单,气象中尺度数值预报模型MM5,ADMS-城市模型软件的城市空气质量预报系统。首次提出了空气质量环境背景值的确定等提高城市空气污染预报准确率的有效措施。     

城市空气质量预报的意义及其进展

从空气质量周报、日报发展到现在的空气质量预报，标志着环境保护工作达到了一个新高点，充分体现了环境保护“以人为本”的工作宗旨。本文阐述了城市空气污染预报的意义及国内外城市空气污染预报的研究情况，并简单地介绍了目前哈尔滨开展城市空气质量预报工作的情况。     

铁岭市空气日报及预报的相关性研究

本文采用了空气污染指数进行评价空气质量,确定铁岭市空气质量日报、预报。根据空气污染指数值确定空气质量污染程度,最后采用数据统计方法对日报、预报的结果进行检验,检查两个样本均值之间是否有显著性差异。     

环境空气质量趋势预报研究

阐述和分析了环境空气质量趋势预报作为一种具体的预报方法,在空气质量预报中的重要地位和作用,应作为今后空气质量预报的重要手段,并提出开展趋势预报的一些具体经验.     

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。     

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。     

城市空气质量数值预报模式系统及其应用

介绍了一种城市空气质量数值预报模式系统 ,该系统由气象模式 (中尺度气象模式MM5及城市大气边界层模式CBLM)和大气污染物输送扩散化学模式组成 .将模式系统应用于南京市 ,试预报结果同监测结果一致 ,表明模式具有较好的模拟性能 .模式系统试运行后的检验改进工作 ,气象资料、污染源及环境参数等质量的提高 ,预报结果检验方法的确定等都是模式系统业务化时应予以充分考虑的 .     

基于机器学习的成渝地区空气质量数值预报PM2.5订正方法研究

空气质量预报对于大气污染防治、打赢蓝天保卫战意义重大.本研究基于重庆市气象局的中尺度天气模式（WRF）和空气质量数值预报模式（CMAQ）的预报产品,采用2018年4个代表月份（1、4、7、10月,分别代表冬、春、夏和秋季）成渝地区22个观测站点的PM_2.5浓度和气象要素观测数据,建立基础特征变量数据集（包括训练数据集和测试数据集）,通过调整模型参数,并利用训练数据集采用机器学习方法（Lasso回归、随机森林回归、深度学习RNN-LSTM）进行模型训练,订正了成渝地区PM_2.5数值预报.其中,通过Lasso回归算法对成渝地区4个区域分别进行变量优选,优化模型,利用测试数据集对模型进行测试并检验评估.结果表明,基于3种机器学习方法订正后的PM_2.5小时浓度相比CMAQ模式模拟预报结果,偏差显著降低,相关系数显著提高.其中,随机森林回归和RNN-LSTM的订正效果优于Lasso回归,区域统计与站点统计结果较为一致;Lasso回归订正后的均方根误差减小50%左右,相关系数达70%,随机森林回归和RNN-LSTM订正后的均方根误差减小70%左右,相关系数达90%,随机森林回归与RNN-LSTM订正后的偏差范围相比Lasso回归集中范围更窄,最大概率分布更集中;3种方法对不同季节的订正效果与全年一致,其中,冬季订正效果更为显著.研究结果可为提高我国重点城市群区域—成渝地区PM_2.5浓度的大气污染预报能力提供有益参考.     

采用门限自回归模型预测环境空气质量

应用汤家豪博士提出的门限自回归模型，以上海市环境空气质量时间序列监测数据和相应的气象数据，建立门限自回归大气污染预测模型，对上海市环境空气质量进行预测预报。结果表明：门限自回归模型计算较为简便且便于计算机自动建模。显著性检验表明门限自回归预报方程高度显著，在实际应用中，采用最新的数据建模和采用分站建立模型的方法可以使预测精度进一步提高。     

区域大气环境模拟系统RegAEMS的研究进展

区域大气环境模拟系统RegAEMS是我国自主发展的空气质量模式之一,包含中尺度气象模式MM5/WRF/TAPM和大气环境模式AEM,并能与区域气候模式RegCM耦合,可以用于酸沉降、光化学烟雾、细颗粒物、重金属元素等大气污染的形成机理、模拟预测、管控对策、环境影响和气候效应研究.本文主要介绍RegAEMS的发展历程、框架结构和主要性能,重点介绍近期的模式改进和模拟验证情况.研究表明,改进的RegAEMS在硫酸盐、二次有机气溶胶、臭氧和氮沉降方面具有较强的模拟能力,可以用于区域大气复合污染模拟预测和管理控制的基础研究及业务应用.     

广西东南部容县崩塌滑坡的易发性评价

广西东南部容县的崩塌滑坡多发频发,对该县造成了严重的威胁。目前,由于缺乏崩塌滑坡易发性分区图,区域的防灾减灾工作正面临前所未有的挑战。因此,本文的目的是在基于对崩塌滑坡综合认识的基础上,采用信息量模型和逻辑回归模型来构建崩塌滑坡的易发性分区图。结果表明:(1)容县划分为极低、低、中、高易发区,信息量模型中四个区域的面积分别为0. 86%、26. 82%、44. 11%和28. 21%,逻辑回归模型中四个区域的面积分别为9. 88%、17. 73%、46. 36%和26. 03%;(2)崩塌滑坡在具备以下特征的区域发生:人类活动强度高、坡度为25°～35°、风化土层厚度大于15 m、岩性为花岗岩、页岩和泥岩;(3)两个模型的ROC曲线下的面积分别为0. 768 8和0. 736 2,相应的成功率分别为76. 88%、73. 62%。本文所采用的两种模型均具有有效的易发性评估能力并且能够达到预期的准确性,但信息量模型计算结果的精度较逻辑回归模型的略高。     

石家庄市大气主要污染物的统计预报

介绍了石家庄市在大气主要污染物预报统计模式方面的研究，包括统计回归分析的原理，预报选取的因子，主要污染物的回归方程及其相关系数和推广应用情况，通过分析指出了模式存在的不足，并给出了改进方向。     

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.     

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。