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。     

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%。     

克拉玛依市空气质量特征分析

为研究克拉玛依市空气质量特征,对2015年克拉玛依市空气自动站监测数据进行分析。结果表明,克拉玛依市空气质量整体较为清洁,优良天数占有效监测天数的91.5%,PM_(2.5)平均浓度为31μg/m~3,PM_(10)平均浓度为64μg/m~3,PM_(2.5)在PM_(10)中占比近半;SO_2和NO_2浓度相对不高,NO_2/SO_2比值为2.4,流动源问题相对突出;对各项污染物的综合指数分担率分析发现,克拉玛依市PM_(10)和PM_(2.5)为综合指数分担率最高的因子,不足四分之一,O_3排第三位,超过五分之一,SO_2最低,仅为3.6%。     

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。     

达州市城区环境空气质量变化趋势及CMAQ模型预报分析

利用Spearman秩相关系数法、污染日历图、浓度分析法和CMAQ预测模型研究了达州市城区2015—2019年空气质量状况。结果表明:2015—2019年,达州市城区O_3浓度变化趋势为显著上升(P0.05),季度变化明显,8月易发生因O_3超标导致的轻度污染状况;CO年均值变化趋势为显著降低(P0.05);NO_2年均值呈上升趋势,但尚未达到显著水平(P0.05);SO_2、PM_(10)和PM_(2.5)年均值呈下降趋势,但变化趋势不明显(P0.05)。2019年,1月和12月污染最重,PM_(2.5)超标是主因,PM_(10)和PM_(2.5)年均值达标形势严峻,全年一半以上天数的PM_(2.5)浓度超过年均值二级标准限值,PM_(10)也近半;NO_2年均值达标形势严峻,全年212 d超过年均值二级标准限值。CMAQ模型对不同污染指标的预测准确率不同,预测PM_(2.5)浓度、首要污染物和空气质量等级时的准确率不及人工预测,预测AQI时的准确率高于人工预测,更多污染指标的预测比较还有待进一步研究。     

基于小波分析与BP神经网络的PM_(10)浓度预测模型

应用小波分析和BP神经网络相结合的方法,建立大气污染物浓度预测模型。首先,利用静态小波分解将原始的大气污染物浓度序列分解为不同频段的小波系数序列;其次,将重要的气象因子和各尺度上的小波系数序列作为BP神经网络的输入;最后,对输出的各序列预测值重构,得到最终的预测结果。使用该模型对重庆市主城区某国控监测站点的PM_(10)浓度预测,结果表明,与传统的BP神经网络模型相比,该预测模型的推广能力强、预测精密度高,具有良好的应用前景。     

武汉市秋季PM2.5中硫酸盐、硝酸盐理化特征及影响因素

为了解武汉市秋季PM_(2.5)中硫酸盐、硝酸盐理化特征,2016年9—11月利用热还原法在线连续监测分析系统对此进行了采样分析,并同步收集气象因子和离子色谱方法监测结果。结果表明,硫酸盐、硝酸盐的热还原分析方法与离子色谱法的相关系数分别为0.88、0.94;PM_(2.5)中硫酸盐、硝酸盐的水溶性部分占比达92.5%,难溶性部分为7.5%;空气质量为优、良和轻度污染时,硫酸盐、硝酸盐与PM_(2.5)的占比分别为45%、42%、45%;硫酸盐、硝酸盐在降水日和非降水日平均质量浓度分别为(19.6±18.5)μg/m~3和(31.0±9.1)μg/m~3;硝酸盐与硫酸盐的质量比为1.1,高于国内其他城市,与武汉市机动车保有量大幅增加有关。     

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。     

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。     

南阳市PM_(10)、PM_(2.5)污染特征及其与气象因子的关系

利用2015年1月1日至12月31日南水北调中线源头南阳市主城区5个国控空气质量监测站24 h自动连续采样的PM_(10)、PM_(2.5)质量浓度数据和同期气象要素观测数据,分析了南阳市大气颗粒物浓度的污染特征及其与气象因子的关系。结果表明:2015年南阳市PM_(10)、PM_(2.5)年均质量浓度分别为0.136、0.074 mg/m~3,超标率分别为31.8%、39.2%;PM_(10)、PM_(2.5)峰值均出现在1月,PM_(10)谷值出现在11月,PM_(2.5)谷值出现在9月;PM_(10)四季日变化均呈双峰型,而PM_(2.5)冬季日变化呈双峰型,其他季节无明显峰值;PM_(2.5)/PM_(10)值在43%~65%,均值54%;PM_(10)、PM_(2.5)与大气压呈显著正相关,与温度、相对湿度呈显著负相关,与风速、降水相关性不明显。