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。     

乌鲁木齐市大气污染时空分布规律研究

为掌握乌鲁木齐市大气污染时空分布规律，利用近年乌鲁木齐市大气污染物的浓度最新资料，详尽分析了其空气质量的年际变化和空间分布特征。统计了2008年各污染物日、月变化规律。结果表明，近年乌鲁木齐市城区大气污染物质量浓度具有明显时空分布规律，即大气污染物质量浓度冬春季大于夏秋季，PM10和SO2浓度夜间大于白天。在空间分布上，PM10和SO2南部区域最高，中部次之，市区北部最轻，NO2则呈现出由北向南逐渐升高的分布特征。     

北京市大气污染物浓度空间分布与优化布点研究

基于地统计学方法对北京市2012年11—12月的大气污染物SO2、NO2、PM10和PM2.5浓度数据进行了空间分析。结果表明,4种污染物浓度数据均符合正态分布,满足地统计学分析的使用条件且均呈现中等强度的变异性。4种污染物半变异函数的块金效应值分别是29%、24%、7%、4%,表现出很强的空间相关性。4种污染物长轴变程分别是63、58、62、90 km,短轴变程分别是31、37、48、50 km,空间分布呈现出各向异性,变程范围与中尺度天气系统相当。研究大气污染物的空间分布特性对于整体把握区域环境空气质量和监测点位优化十分重要,以北京市区域空气质量中PM2.5监测站点设置为例,其监测站点在长轴方向上的间隔设置应取20~25 km,短轴方向上布点间隔应为8~12 km。     

拉萨市大气污染分布特征及气象影响因子分析

以2001～2006年拉萨市的空气环境质量自动监测结果为基础数据,阐明拉萨市区主要大气污染物SO2、NO2、PM10的逐日变化、季节变化以及年变化特征.在此基础上,分析了大气污染物浓度与气象条件的关系.结果表明,除NO2日夜差别不大之外,SO2与PM10质量浓度分别存在典型的单峰、双峰变化;各污染物质量浓度具有冬强夏弱的季节变化规律;就年平均而言,SO2浓度增加,PM10浓度降低,NO2浓度变化不显著,各污染物有明显的突变现象.大多数气象要素与污染物浓度具有较好的负相关,即满足降水量增加、温度升高、相对湿度增大会导致污染物浓度减小的规律,气象要素量级与大气污染天数多少也存在密切关系.     

太原市2013年环境空气质量变化特征分析

为全面了解太原市的环境空气质量状况及污染物的时间变化规律,本文选取太原市8个站点2013年1月至12月六种主要污染物(SO2、NO2、PM10、CO、O3、PM2.5)为期一年的监测数据,评价该市2013年环境空气质量的总体情况,研究各污染物在不同时间尺度的变化特征及相互之间的关系。结果表明,2013年太原市环境空气质量以良和轻度污染为主,首要污染物主要为PM2.5和PM10;SO2、NO2、PM10、CO和PM2.5的小时变化规律较为一致,都呈现"双峰型"的变化特征,O3则呈显著的"单峰型"变化规律;上述六种污染物具有明显的季节变化特征,SO2的浓度峰值主要集中在供暖期,NO2和O3—8h浓度在夏季要高于其他季节,PM10的浓度峰值出现在春季(3月)和秋季(10月),CO的浓度峰值集中在11月和12月,PM2.5的浓度峰值主要集中在冬季;相关性分析结果表明,SO2、NO2、PM10、CO、PM2.5浓度日均值在全年各时段均具有很好的正相关性,化石燃料的燃烧可能是上述污染物质的共同来源。     

深圳市大气能见度特征分析及其与主要污染物因子相关性分析

近些年,随着深圳市大气污染防治举措的加强,空气质量不断趋好。文章汇总了深圳市2006～2009年大气能见度特征数据,分析了深圳市能见度的年度、季度和月度变化,发现近些年深圳市大气能见度具有向好的发展趋势。探讨了大气能见度与空气主要污染物PM10、NO2、SO2的相关关系,计算了PEARSON相关系数和偏相关系数,发现PM10浓度与能见度具有显著相关性。在此基础上总结了各个主要污染物与能见度的回归曲线。利用多元线性回归法建立了大气能见度与空气主要污染物PM10、NO2、SO2之间的回归方程。     

2001年～2008年及奥运会期间天津市大气污染特征分析

根据天津市大气质量监测数据,对2001年～2008年及奥运会期间天津市大气污染特征和主要大气污染物的变化规律进行了分析。结果表明,2001年～2008年天津市的PM10、SO2和NO2污染总体呈下降趋势,但质量浓度仍相对较高。2008年8月奥运会期间天津市PM10和SO2质量浓度达到国家空气质量二级标准,NO2质量浓度达到国家空气质量一级标准,空气质量良好。天津市PM10污染相对稳定,SO2和NO2的污染分布呈现明显的季节性,时间上表现为冬强夏弱。气象条件对污染物浓度影响明显,沙尘、大雾等天气可使污染物浓度急剧升高。     

2016年武汉市大气污染物时空分布特征及影响因素

利用统计学和GIS方法对2016年武汉市各区不同污染物的时空分布特征及相关性进行分析。结果表明：武汉市大气污染季节性特征明显，春季和冬季颗粒物（PM2.5、PM10）及NO2污染突出,夏季O3污染严重。污染物空间差异显著，主城区和东西湖区颗粒物及NO2污染严重，郊区O3污染严重。平均气温、平均水汽压与SO2、NO2、CO、PM2.5和PM10均呈显著负相关，而与O3呈显著正相关；降水量与SO2、NO2和CO呈显著负相关。     

大气环境数据分析预测方法对比研究

以西安市2006年9月27日至2008年5月3日每日的SO2平均浓度时间序列为例,应用时间序列分析对前555个数据进行拟合,得到合适的时间序列模型ARIMA(1,1,2);利用神经网络中的BP神经网络和RBF神经网络对同样的样本进行训练,用这三种方法对2008年4月4日至2008年5月3日的SO2日均浓度值进行了预测,并用同样的方法分析预测了同期PM10日均浓度值,最后比较了它们的预测效果。结果表明,利用这三种方法进行浓度预测都是可行的,其中RBF神经网络法的预测误差最小,效果最好。     

杭州市大气污染物排放清单及特征

以杭州市区为研究区域,通过调查整合多套污染源数据库及其他统计资料,研究文献报道及模型计算的各种污染源排放因子,获得杭州市区各行业PM10、PM2.5、SO2、NOx、CO、VOCs、NH3等污染物的排放量,建立了杭州市区2010年1 km×1 km大气污染物排放清单。结果表明,2010年杭州市区PM10、PM2.5、SO2、NOx、CO、VOCs和NH3的排放总量分别为7.96×104、4.02×104、7.23×104、8.98×104、73.90×104、39.56×104、3.32×104t。从排放源的行业分布来看,机动车尾气排放是杭州市区大气污染物最重要排放源之一,对PM10、PM2.5、NOx、CO和VOCs的贡献分别达到14.4%、27.1%、40.3%、21.4%、31.1%。道路扬尘、电厂锅炉、工业炉窑、植被、畜禽养殖对不同污染物分别有着重要贡献,道路扬尘对PM10和PM2.5的贡献分别为44.6%和20.0%、电厂锅炉对SO2和NOx的贡献分别为37.0%和25.7%、工业炉窑对CO的贡献为41.5%、植被排放对VOCs的贡献为27.1%、畜禽养殖对NH3的贡献为76.5%。从空间分布来看,萧山区和余杭区对SO2、NH3和植被排放BVOC的贡献要显著高于主城区;而主城区机动车对PM2.5、NOx和VOCs的贡献分别达到36.3%、56.0%和47.4%,较市区范围内显著增加,表明机动车尾气排放已成为杭州主城区大气污染最重要的来源之一。     

基于OPAQ的城市空气质量预报系统研究

空气质量预测在国内的关注度日益提高,传统的空气质量预测系统通常运用数值化学传输模型,利用物理方程来计算污染物的扩散、沉降和化学反应。而化学传输模型的预测准确性很大程度上需要依赖详细的污染源排放信息和气象模型的输出结果。基于统计模型的OPAQ空气质量预报业务系统,采用人工神经网络算法,可预测各污染物的日均值或日最大值。并对北京空气质量预报的结果进行了评价,OPAQ空气质量预报业务系统对空气质量预测的准确性较高,能够利用较低的计算资源得到较为准确的预测结果。与数值预报相比,OPAQ空气质量预报业务系统不需要大量的基础数据作为输入,可弥补数值预报的不足,并成为数值预报的有力补充。     

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BP神经网络的藻类水华预测模型研究

以宁波大学校内池塘2009年3—10月间30周的监测数据为基础,运用BP人工神经网络方法构建预测模型,探求颤藻生物量与总氮、总磷、透明度等6项环境因子之间的关系,选出最佳预测模型,并对模型进行敏感度分析。结果显示:①BP神经网络模型对颤藻生物量预测值与实测值之间拟合程度良好,相关系数达到了0.984,说明BP神经网络模型可以用于水体中藻类水华的短期预测。②通过对构建的BP神经网络模型进行敏感度分析,阐明了宁波大学校内池塘藻类水华的主要驱动因素,并指出控制水体的pH是宁波大学校内池塘藻类水华防治工作的重点。     

A Wavelet-based Neural Network Model to Predict Ambient Air Pollutants’ Concentration

The present paper proposes a wavelet based recurrent neural network model to forecast one step ahead hourly, daily mean and daily maximum concentrations of ambient CO, NO₂, NO, O₃, SO₂ and PM_2.5 — the most prevalent air pollutants in urban atmosphere. The time series of each air pollutant has been decomposed into different time-scale components using maximum overlap wavelet transform (MODWT). These time-scale components were made to pass through Elman network. The number of nodes in the network was decided on the basis of the strength (power) of the corresponding input signals. The wavelet network model was then used to obtain one-step ahead forecasts for a period extending from January 2009 to June 2010. The model results for out of sample forecast are reasonably good in terms of model performance parameters such as mean absolute error (MAE), mean absolute percentage error (MAPE), root mean square error (RMSE), normalized mean absolute error (NMSE), index of agreement (IOA) and standard average error (SAE). The MAPE values for daily maximum concentrations of CO, NO₂, NO, O₃, SO₂ and PM2.5 were found to be 9.5%, 17.37%, 21.20%, 13.79%, 17.77% and 11.94%, respectively, at ITO, Delhi, India. Bearing in mind that the forecasts are for daily maximum concentrations tested over a long validation period, the forecast performance of the model may be considered as reasonably good. The model results demonstrate that a judicious selection of wavelet network design may be employed successfully for air quality forecasting.     

几种空气质量预报方法对冬季预报效果的评估与对比

基于2016年冬季泰州市环境空气质量自动监测数据,定量评估NAQPMS模式、CMAQ模式和人工订正对污染物质量浓度和空气质量等级的预报效果。结果表明,模式预报和人工订正对各污染物预报的相关系数由高到低排列为PM_(2.5)、PM_(10)、NO_2、SO_2、O_3-8h,颗粒物预报效果最好。除O_3-8h外,NAQPMS对各项污染物预报的相关系数R为0.47～0.82,CMAQ为0.75～0.81,人工订正为0.43～0.78,3种预报方式均能准确反映污染物浓度的变化趋势;模式预报、人工订正对O_3-8h预报相关系数均0.4。在发生颗粒物污染过程时,人工订正结果相对更为准确。NAQPMS、CMAQ和人工订正对空气质量等级24 h预报准确率分别为38.9%、41.1%和35.6%,NAQPMS对优类别的预判准确率较高,CMAQ、人工订正对良类别的预判准确率较高。对比不同时效的预报效果,24 h预报时效的准确率高于48和72 h。提出,城市空气质量预报可采用集合预报方式,综合1～2种运行较稳定的主流预报模式预报结果,预报员对模式模拟结果进行人工修订,提高预报准确率。     

Using improved neural network model to analyze RSP,NOx and NO2 levels in urban air in Mong Kok,Hong Kong

As the health impact of air pollutants existing in ambient addresses much attention in recent years, forecasting of airpollutant parameters becomes an important and popular topic inenvironmental science. Airborne pollution is a serious, and willbe a major problem in Hong Kong within the next few years. InHong Kong, Respirable Suspended Particulate (RSP) and NitrogenOxides NO_x and NO₂ are major air pollutants due to thedominant diesel fuel usage by public transportation and heavyvehicles. Hence, the investigation and prediction of the influence and the tendency of these pollutants are ofsignificance to public and the city image. The multi-layerperceptron (MLP) neural network is regarded as a reliable andcost-effective method to achieve such tasks. The works presentedhere involve developing an improved neural network model, whichcombines the principal component analysis (PCA) technique and theradial basis function (RBF) network, and forecasting thepollutant levels and tendencies based in the recorded data. Inthe study, the PCA is firstly used to reduce and orthogonalizethe original input variables (data), these treated variables arethen used as new input vectors in RBF neural network modelestablished for forecasting the pollutant tendencies. Comparingwith the general neural network models, the proposed modelpossesses simpler network architecture, faster training speed,and more satisfactory predicting performance. This improvedmodel is evaluated by using hourly time series of RSP, NO_x and NO₂ concentrations collected at Mong Kok Roadside Gaseous Monitory Station in Hong Kong during the year 2000. By comparing the predicted RSP, NO_x and NO₂ concentrationswith the actual data of these pollutants recorded at the monitorystation, the effectiveness of the proposed model has been proven.Therefore, in authors' opinion, the model presented in the paper is a potential tool in forecasting air quality parameters and hasadvantages over the traditional neural network methods.     

Analysis of pollutant levels in central Hong Kong applying neural network method with particle swarm optimization

Air pollution has emerged as an imminent issue in modernsociety. Prediction of pollutant levels is an importantresearch topic in atmospheric environment today. For fulfillingsuch prediction, the use of neural network (NN), and inparticular the multi-layer perceptrons, has presented to be acost-effective technique superior to traditional statisticalmethods. But their training, usually with back-propagation (BP)algorithm or other gradient algorithms, is often with certaindrawbacks, such as: 1) very slow convergence, and 2) easilygetting stuck in a local minimum. In this paper, a newlydeveloped method, particle swarm optimization (PSO) model, isadopted to train perceptrons, to predict pollutant levels, andas a result, a PSO-based neural network approach is presented. The approach is demonstrated to be feasible and effective bypredicting some real air-quality problems.     

基于聚类分析的颗粒物监测网络优化研究

为了优化香港环境监测网络,收集香港14个监测站2011年1月1日至2015年11月30日的颗粒物PM_(2.5)、PM_(10)的小时数据进行统计分析。对PM_(2.5)进行聚类,并利用日均浓度变化图进行验证,结果表明,可将监测站分为4类(A、B、C、D类),A类位于城市郊区,B类则位于港口附近,且A、B类的PM_(2.5)日变化特征均呈现双峰型分布,峰值分别出现在09:00和21:00。对PM_(10)进行类似分析结果表明,监测站同样可以分为4类,A类位于九龙区,B类则位于港口附近,而且A、B类的PM_(10)日变化双峰分别出现在11:00和20:00左右。说明污染源头及地形的相似致使某些监测站颗粒物浓度的变化出现相同的趋势,导致监测设备的浪费和管理的冗余。建议建立更高效的空气管理系统,将冗余设备转移到其他地区,扩大空气监控区域。对PM_(2.5)/PM_(10)聚类结果表明,将监测站分为4类,B类均属于路边站,C类则位于居民区。同时还发现同类监测站PM_(2.5)/PM_(10)数值变化相同,并且可以用其中一个站的PM_(2.5)和PM_(10)浓度及另一个站的PM_(2.5)或PM_(10)浓度预测PM_(2.5)或PM_(10)浓度,为优化监测资源提供了一种新的思路。     

河北省火电企业吨煤烟气排放量测定及污染动态预测

火电企业大气污染动态预测是大气污染控制的基础。采用现场实测法,对河北省36家火电企业101台机组锅炉进行现场监测,经统计分析给出不同装机容量吨煤烟气排放量,并与其他方法进行了比较,发现实测结果更为合理。在此基础上,建立吨煤SO₂、NO_x,烟尘排放量和烟气浓度的关系,为火电企业大气污染动态预测提供新的公式,对定量测定火电企业污染物排放提供参考。