基于深度学习的人工智能空气质量预报系统构建

针对现有空气质量预报系统存在预报精度低、人工经验辅助、适用范围单一等问题,利用深度学习方法在分析数据内在特征方面表现出的优异性能,结合多源数据融合技术,设计了基于深度学习的空气质量预报系统实现方案。通过对多源数据集的实时制作更新、分析空气质量演变的时空特性、定义和拟合深度学习模型并部署于服务器等关键技术的研究,最终实现了空气质量的多尺度、高精度实时预报服务和预报结果可视化服务。应用结果表明,基于深度学习的空气质量预报系统具有更高的预报精度和更优良的应用效果,可提高预报效率,为空气质量预报服务提供一种新型、高效的实现方式。     

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。     

基于平衡计分卡的大气环境监测数据共享网站绩效评估研究

基于平衡计分卡原理,结合网站特点,建立了大气环境监测数据共享网站绩效评估模型。以共享网站的战略愿景为模型框架的中心,以财务、顾客、内部程序、学习与成长等4个基本维度为一级指标,构建了绩效评估指标体系,并采用层次分析法确定了各指标的权重。利用该模型对长三角区域空气质量预测预报系统和宁波市空气质量预报预警平台的大气数据共享模块进行实证研究,绩效评估结果均为良好。     

城市环境空气质量指数范围预报方法初探

城市环境空气质量指数预报是环境信息公众服务的重要内容,以城市24 h空气质量指数预报为例,探讨了其范围预报方法,并通过均方差的数理统计方法,分析典型城市每日空气质量指数实况数据的波动范围以及预报与实况偏差,针对不同空气质量级别提出建议性的空气质量指数预报变化幅度修正范围,并对预报过程中的质量控制技术进行了初步讨论。     

空气质量数值模型的构建及应用研究进展

综述了近年来国内外空气质量模型的发展历程、空气质量数值模型构建的关键技术以及应用研究。指出了目前空气质量数值预报及应用主要面临气象条件，尤其是大气边界层模拟、大气污染物排放源和大气物理化学过程等问题。提出，应当通过规范化制作和完善排放源清单数据，建立统一的排放源分析标准，提高排放源数据的准确性；多向发展观测手段，加大监测密度和频率，并进行实验室化学分析，提出适合我国的大气物理化学机制。就空气质量模式而言，对模式方案进行优化，以及使用气象、卫星资料同化等技术手段，将其与观测相结合，构建监测与预报系统相结合的统一体系，应用于多平台。     

外来沙尘输送对北京市空气质量影响的预报预警技术初步研究

利用多方位监测数据和气象资料,分析了2010—2011年春季外来沙尘输送对北京市空气质量指数的影响,提出外来沙尘对北京市空气质量级别影响的预报判据。此外,基于NAQPMS模型的沙尘模块,开展数值预报研究,并对北京市2010年3月一次沙尘天气污染过程进行数值模拟试验,结果表明,模拟的PM10浓度值与实测值有较好的一致性。通过判别预报和数值模拟两种预报技术的开展,可以预报沙尘输送影响的空气质量级别、沙尘分布和演变规律,为进一步开展空气质量预报预警和防控沙尘工作打下了很好的科学基础。     

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。     

上海环境空气质量预报考核评分方法研究和应用

根据环境空气质量新标准和技术规范的要求，结合上海空气质量预报工作的实际，制定了一套环境空气质量预报考核评分方法，为空气质量预报结果的考核和预报工作的改进提供了定量依据，并在上海得到实际应用。该方法基于空气质量指数评价方法，重点对未来24 h的分段预报（当日夜间20：00至次日6：00、次日上午6：00—12：00、次日下午12：00—20：00）结果进行考核，区分优级时段和非优级时段，侧重对污染日的评估并突出首要污染物的评分权重，并增加级别变化趋势的描述评分和污染加分项。     

美国加州南岸地区空气质量预报系统运行管理与借鉴

借鉴美国加州南岸空气质量预报经验,特别是其运行管理模式对于现阶段中国城市环境空气质量预测预报具有极高的参考价值。简要介绍了加州南岸空气质量管理局(SCAQMD)空气质量预报业务流程、技术方法、信息发布方式和预报效果评估策略。建议从4个方面借鉴SCAQMD经验:(1)建立相对完善的空气质量预报体系,分层级自上而下指导预报工作;(2)选择合适的空气质量预报方法,综合统筹成本-效益评估工作;(3)评估预报效果进而提高预报准确率;(4)在优化空气质量预报能力的基础上,有序开展预警协同控制工作。     

湖南空气质量预报中的数据预处理和特征工程

为提高空气质量预报的准确率,建立了融合气象和环境观测资料、结合机器学习和数值天气预报,且预测时效较长、预测精度较高的机器学习模型库。以湖南6个城市(长沙、株洲、湘潭、益阳、常德、岳阳)的空气质量预报为例,将数据预处理、特征工程方法运用到模型之中,得出以下几点结论:①数据预处理工作包括样本收集、数据清洗、缺失值处理、异常值剔除等,对提高模型预测稳定性帮助很大。②点、线、面的特征组合有助于完整地描述污染物的生消过程。引入传输指数后,株洲市模型对传输型污染过程的预测性能得到明显提高,对轻度、中度、重度污染的分类准确度分别提升了23.6%、16.6%、30.0%。引入静稳指数后,长沙市模型PM_2.5浓度测试的相关系数由0.938提升至0.959,均方根误差由10.33下降至8.46,且模型对中度以上污染天气的极值预报结果更接近实况;益阳市模型在高浓度样本预测中存在的系统性偏低现象得到改善,对轻度以上污染天气的预报结果得到较大矫正。③随机森林的特征重要性排序功能可以大幅度减少特征的数量,使得模型的可解释性和稳定性增强。     

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。     

空气质量多模式预报系统在中山市的应用

介绍了中山市空气质量多模式预报系统。对2015年3月—2016年2月的预报效果评估表明:系统可以较好地反映污染物的变化趋势但仍存在系统性偏差。通过对排放源清单的调整优化及对模式干沉降模块的改进使模式系统的偏差显著减小。总结并建立中山市污染天气案例库,发现在典型污染天气形势下,除O3-8 h外,其他污染物均值均能达到空气质量二级标准。未来将从2个方面提高中山市空气质量预报预警系统的实用性,包括逐步实现污染源排放清单的动态及时更新和提高极端气象条件下O3污染预报能力。     

LaSVM-based big data learning system for dynamic prediction of air pollution in Tehran

Due to critical impacts of air pollution, prediction and monitoring of air quality in urban areas are important tasks. However, because of the dynamic nature and high spatio-temporal variability, prediction of the air pollutant concentrations is a complex spatio-temporal problem. Distribution of pollutant concentration is influenced by various factors such as the historical pollution data and weather conditions. Conventional methods such as the support vector machine (SVM) or artificial neural networks (ANN) show some deficiencies when huge amount of streaming data have to be analyzed for urban air pollution prediction. In order to overcome the limitations of the conventional methods and improve the performance of urban air pollution prediction in Tehran, a spatio-temporal system is designed using a LaSVM-based online algorithm. Pollutant concentration and meteorological data along with geographical parameters are continually fed to the developed online forecasting system. Performance of the system is evaluated by comparing the prediction results of the Air Quality Index (AQI) with those of a traditional SVM algorithm. Results show an outstanding increase of speed by the online algorithm while preserving the accuracy of the SVM classifier. Comparison of the hourly predictions for next coming 24 h, with those of the measured pollution data in Tehran pollution monitoring stations shows an overall accuracy of 0.71, root mean square error of 0.54 and coefficient of determination of 0.81. These results are indicators of the practical usefulness of the online algorithm for real-time spatial and temporal prediction of the urban air quality.     

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.     

Modeling of SO<Subscript>2</Subscript> distribution in Istanbul using artificial neural networks

Urban air pollution is a growing problem in developing countries. Some compounds especially sulphur dioxide (SO₂) is considered as typical indicators of the urban air quality. Air pollution modeling and prediction have great importance in preventing the occurrence of air pollution episodes and provide sufficient time to take the necessary precautions. Recently, various stochastic image-processing algorithms such as Artificial Neural Network (ANN) are applied to environmental engineering. ANN structure employs input, hidden and output layers. Due to the complexity of the problem, as the number of input–output parameters differs, ANN model settings such as the number of neurons of these layers changes. The ability of ANN models to learn, particularly capability of handling large amounts (or sets) of data simultaneously as well as their fast response time, are invariably the characteristics desired for predictive and forecasting purposes. In this paper, ANN models have been used to predict air pollutant parameter in meteorological considerations. We have especially focused on modeling of SO₂ distribution and predicting its future concentration in Istanbul, Turkey. We have obtained data sets including meteorological variables and SO₂ concentrations from Istanbul-Florya meteorological station and Istanbul-Yenibosna air pollution station. We have preferred three-layer perceptron type of ANN which consists of 10, 22 and 1 neurons for input, hidden and output layers, respectively. All considered parameters are measured as daily mean. The input parameters are: SO₂ concentration, pressure, temperature, humidity, wind direction, wind speed, strength of sunshine, sunshine, cloudy, rainfall and output parameter is the future prediction of SO₂. To evaluate the performance of ANN model, our results are compared to classical nonlinear regression methods. The over all system finds an optimum correlation between input–output variables. Here, the correlation parameter, r is 0.999 and 0.528 for training and test data. Thus in our model, the trend of SO₂ is well estimated and seasonal effects are well represented. As a result, we conclude that ANN is one of the compromising methods in estimation of environmental complex air pollution problems.     

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。     

基于数值模式的环境空气质量预报影响因素和改进方法

数值预报是各地开展环境空气质量业务预报的主流预报方法之一。模式预报产品、基础输入资料、外部技术支持、主客观预报偏差和预报命中概率等诸多因素均会不同程度地影响数值模式预报效果,研究探讨了上述因素对数值模式预报效果的影响及其针对性的改进方法,以期降低预报偏差,改善业务预报整体效果,为各地提高业务预报质量提供方法思路和技术参考。     

深度学习在裸地扬尘源监测中的应用研究

裸地是扬尘的重要来源，施工建设过程中形成的裸地极易在大风天气作用下造成扬尘污染。因此，快速、有效地定位裸地位置，并确认其管控措施落实情况，对于开展裸地扬尘源监管具有重要意义。基于高分辨率遥感监测数据，结合人工解译裸地扬尘源数据集，以北京市大兴区为例，利用深度学习方法对裸地和防尘网覆盖裸地进行分类识别。同时，利用颜色匹配法对大兴区防尘网覆盖裸地进行识别，横向评估深度学习方法的识别精度。结果显示：深度学习方法对防尘网覆盖裸地的识别精度达97%,对裸地的识别精度达61%;颜色匹配法对防尘网覆盖裸地的识别精度达85%。防尘网覆盖裸地的颜色特征鲜明，深度学习方法和颜色匹配法对防尘网覆盖裸地的识别精度都在85%以上。深度学习方法对于面积大于2 000 m²的图斑有着较好的识别精度。深度学习方法可以提高裸地遥感解译的效率，实现规范化图像识别，可以作为人工判读的辅助手段。在实际应用中，可通过进一步积累样本来增强模型性能。深度学习方法适用于裸地扬尘源线索快速发现、工地防尘网措施落实情况快速检测等场景。