首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 249 毫秒

1.  基于GA_ANN改进的空气质量预测模型  被引次数:1
   赵宏  刘爱霞  王恺  白志鹏《环境科学研究》,2009年第22卷第11期
   基于人工神经网络的空气质量预测模型优于传统的逐步回归模型,但由于性能差异不明显而较少在空气质量预报中应用. 设计了将遗传算法和神经网络算法相结合的基于GA_ANN的空气质量预测模型,并利用天津市2003-2007年气象和污染物监测资料对该模型进行验证. 对2007年全年的ρ(SO2), ρ(NO2)和ρ(PM 10)进行预测,预测值与实测值的相关系数分别为 0.899 6, 0.828 3和 0.600 0. 与一般的人工神经网络预测模型相比较,GA_ANN模型将空气质量等级预报的准确率从77.57%提高到79.67%. GA_ANN模型可结合其他方法进行日常空气质量预报.    

2.  基于气象相似准则的城市空气质量预报模型  被引次数:1
   李璐  刘永红  蔡铭  赵黛青《环境科学与技术》,2013年第5期
   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。    

3.  气象因素对大气污染物影响的季节差异分析及预测模型对比——以深圳为例  
   方晓婷  段华波  胡明伟  蔡家思《环境污染与防治》,2019年第5期
   以深圳为例,通过收集其2014年9月至2017年8月的地面气象观测数据、大气污染物PM_(2.5)和PM_(10)浓度数据及空气质量指数(AQI),利用SPSS软件分别构建线性回归模型与非线性多层神经网络(MLP)模型,探讨了气象因素对PM_(10)、PM_(2.5)及AQI影响的季节性差异,并利用构建的两种模型对PM_(2.5)、PM_(10)和AQI进行预测和对比。结果表明,气温、湿度、风速及风向均对深圳PM_(2.5)、PM_(10)及AQI有较大影响,且影响因素存在季节差异性;两种模型中,MLP模型在对复杂多变的空气质量预测上更具优越性。研究结果可为深圳空气质量优化以及城市局部和整体规划提供科学依据,并为其他城市空气质量模拟分析提供参考。    

4.  空气中PM_(10)浓度的BP神经网络预报研究  
   曹兰《污染防治技术》,2010年第23卷第1期
   建立了某市PM10浓度预报的分段BP神经网络模型,经验证,所建立的BP预报模型,预测精度比较高,PM10日平均浓度误差大多在-0.010~0.010mg/m^3范围内,相对误差在-20%~20%,表明BP神经网络对PM10的浓度预报是一种有效的工具。    

5.  BP人工神经网络在环境空气SO_2质量浓度预测中的应用  
   申浩洋  韦安磊  王小文  冯舒  张娟娟《环境工程》,2014年第6期
   根据西安市雁塔区小寨环境空气监测点2011年7月31日起400 d的SO224小时平均浓度监测数据时间序列建立BP人工神经网络(ANN)预测模型,并用接下来100 d的数据对模型的仿真性能进行检验,从而验证了BP人工神经网络模型预测环境空气SO224小时平均浓度的可行性与准确度。经反复调试,最终选用2-3-1的网络结构并以trainbr作为训练算法,经34次迭代网络收敛,耗时7 s,预测结果相对于实际监测数据的平均绝对百分比误差为0.082,模型显示出良好的预测性能。预测结果表明,结构设定合理、训练算法选用适宜的BP人工神经网络模型能较好地反映SO2浓度的动态变化规律,具有可行性。    

6.  基于不同的神经网络模型PM_(2.5)浓度预测对比  
   范剑辉  杨震  王海波  王小蓉《青海环境》,2018年第1期
   近年来,以PM_(2.5)为主要污染物的重霾污染事件频频发生,给国民经济及居民健康造成了严重威胁。本文采用BP、RBF及Elman神经网络分别建立预测模型,并以青海省某工业园区某监测站监测的数据为实例对预测模型进行了具体的应用。结果表明:BP神经网络、RBF神经网络及Elman神经网络都可以有效预测PM_(2.5)浓度,但是BP神经网络预测模型预测误差要小于RBF神经网络模型及Elman神经网络模型,具有更高的稳定性和准确定。    

7.  空气中PM10浓度的BP神经网络预报研究  被引次数:1
   曹兰《环境研究与监测》,2010年第23卷第2期
   BP神经网络在空气污染预报领域的应用越来越广泛,本文建立了某市PM10浓度预报的分段BP神经网络模型。经验证所建立BP预报模型预测精度比较高,PM10日平均浓度误差大多数在-0.010-0.010mg/m3范围内,相对误差在-20%~20%范围内,表明BP神经网络对PM10的浓度预报是一种有效的工具。    

8.  气象参数对基于BP神经网络的PM2.5日均值预报模型的影响  
   姚达文  刘永红  丁卉  黄晶  詹鹃铭  徐伟嘉《安全与环境学报》,2015年第6期
   建立了基于BP神经网络的PM2.5质量浓度预报模型,对广州市5个监测点2012年6月-2013年5月的PM2.5质量浓度日均值进行预报,分析了总体预报误差、不同风速和降雨量下的预报误差,以及天气预报误差对PM2.5质量浓度预报误差的影响.结果表明,BP神经网络模型对5个站点的PM2.5预报结果稳定,平均相对误差为29.71%.在有利于PM2.5扩散的气象条件下预报误差较大,风速较大时与风速较小时预报误差的差异高达15%,而不同降雨量情况下的预报误差较相近.修正天气预报后,各站点的预报误差平均降低了4.67%.这表明可从空气质量数据质量等方面人手改进模型.    

9.  修正的BP神经网络森林火灾成灾面积预测研究  
   马奔  薛永基  顾艳红《资源开发与市场》,2014年第30卷第12期
   以1997-2012年《中国林业统计年鉴》的全国森林火灾成灾面积为依据,应用BP神经网络模型对成灾面积进行了预测,对预测方法进行了检验.在此基础上,利用残差提出了修正的BP神经网络模型,并对预测方法进行了改进.研究结果表明,修正的BP神经网络预测精度高于BP神经网络,预测相对误差平均为7.2%,可应用于森林火灾成灾面积的预测.    

10.  基于Matlab的BP神经网络在大气污染物浓度预测中的应用  被引次数:3
   欧阳钧  王爱枝《环境科学与管理》,2009年第34卷第11期
   为了寻求有效控制和改善环境质量的相应措施,选用了英国伦敦Bloomsbury监测站的PM10小时平均浓度监测资料,采用“提前终止法”泛化改进的BP神经网络模型,预测PM1024 h内的小时平均浓度。结果表明:采用BP神经网络法对大气污染物浓度进行预测,预测相对误差在2%-48%之间,且绝大部分在2%-17%之间,预测精度较高,泛化能力较好,为大气污染物浓度预测提供了一种全新的思路和方法。    

11.  基于BP人工神经网络的城市PM2.5浓度空间预测  被引次数:1
   王敏  邹滨  郭宇  何晋强《环境污染与防治》,2013年第35卷第9期
   针对PM2.5日均质量浓度,采用BP人工神经网络模型,预测研究区空气中PM2.5浓度的空间变异,通过与普通克里格(Ordinary Kriging)插值方法对比验证BP人工神经网络预测模型的精度.结果表明:BP人工神经网络预测模型下研究区检验样本点位置的PM2.5仿真浓度与观测浓度之间的均方差、平均绝对误差、平均相对偏差和相关系数分别为0.296 μg2/m6、0.412 μg/m3、1.650%和0.851;而与此同时,普通克里格插值方法下的对应结果分别为1.041 μg2/m6、0.689 μg/m3、11.910%、0.638.研究成果在肯定BP人工神经网络预测模型可用于揭示PM2.5浓度空间变异特征的同时,也证实了其相对于普通克里格插值方法在固定空间点位准确预测PM2.5浓度方面的优势.    

12.  基于B—P神经网络优化算法的城市环境空气中PM10浓度预测模型  被引次数:1
   武常芳  张承中  邢诒  王晓平  李文韬《环境保护科学》,2008年第34卷第1期
   将B—P神经网络应用于西安市环境空气中P10浓度预测,对网络结构和算法进行了优化,建立了PM10浓度预测模型。经验证模型精确度比较高,PM10日平均浓度绝对误差0.015~0.020mg/m^3,相对误差在-20%~20%范围内。    

13.  NARX神经网络模型在昆明市环境空气质量预测中的应用  
   赵琦琳  邱飞  杨健《中国环境监测》,2019年第35卷第3期
   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。    

14.  基于改进型灰色神经网络组合模型的空气质量预测  
   司志娟  孙宝盛  李小芳《环境污染治理技术与设备》,2013年第9期
   基于空气质量数据不足及波动较大的情况,将灰色GM(1,1)模型与人工神经网络模型组合并改进,建立改进型灰色神经网络组合模型。利用天津市2001—2008年PM10、SO2和NO2年均值作为原始数据预测2009—2010年PM10、SO2和NO2的浓度以进行模型精度检验,最后利用该模型预测2011—2015年天津市空气质量状况。结果表明,与灰色GM(1,1)模型、传统灰色神经网络组合模型相比,所建立的改进型灰色神经网络组合模型相对模拟误差小,预测结果更为可靠,可以用于空气质量预测。    

15.  基于BP神经网络的空气污染指数预测模型研究  被引次数:1
   白鹤鸣  沈润平  师华定  董钰春《环境科学与技术》,2013年第3期
   BP神经网络已成为研究空气污染预测的有效工具之一。文章利用近十年北京市地面气象观测资料和空气污染指数数据,通过BP神经网络技术构建了不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测。通过相关系数分析法,对比分析了预测结果与实际监测结果,研究结果表明:春、夏、秋、冬季的预测值与监测值线性相关系数分别为0.81、0.84、0.89、0.85。北京春季常伴随有沙尘天气,而文章并没有考虑沙尘天气对预测模型的影响,因此春季BP神经网络预测精度在四季中最低,其预测值与监测值的线性相关系数为0.81。由于秋季不同空气质量级别的数据都有较多分布,因此该季节构建的网络更具有代表性,其预测精度在四季中最高,预测值与监测值的线性相关系数高达0.89。总之,BP神经网络模型对于北京空气污染指数预测是行之有效的。    

16.  上海市城区典型居民住宅区PM2.5和PM10监测结果比较研究  被引次数:1
   张元茂 郑叶飞 楼文艳《甘肃环境研究与监测》,2003年第16卷第4期
   在上海市环境空气质量连续自动监测网络中的一个城市居民住宅区监测点进行了为期一年的PM2.5和PM10的同步监测,监测结果表明:PM2.5和PM10日平均浓度之间的比值范围为0.194~0.889,月平均浓度之间的比值范围为0.420~0.667;冬季颗粒物中小粒径颗粒物PM2.5的比例较高,春季则较低;随着相对湿度的上升;颗粒物中小粒径颗粒物PM2.5的比例缓慢升高;比值变化的风向特征与监测点周围环境情况有关;PM2.5和PM10监测结果月均值之间和各月的日均值之间均线性相关,回归直线关系存在。    

17.  利用人工神经网络对空气中O3浓度进行预测  被引次数:9
   万显烈  杨凤林  王慧卿《中国环境科学》,2003年第23卷第1期
   将人工神经网络应用于对空气中O3的浓度预测,提出了完整的预测模型,选取风速、风向、相对湿度、云量、平均气温、最高气温等6项气象因子作为输入量,经过两个月的预测实验,结果表明,实测值与预测值的平均相对误差为21.49%,相关系数为0.837.表明人工神经网络对O3的浓度预测是一种有效的工具.    

18.  西安市PM2.5时空分布模型研究  
   黄国健  陈永当  陈博敏  胡婷婷《环境科学与管理》,2014年第39卷第9期
   由基于时间序列的神经网络与BP神经网络构成一个二级神经网络模型.首先用基于时间序列的神经网络来构造模型,在每个监测站运用基于时间序列的神经网络模型得到一PM2.5的预测值P1,PM2.5与地理坐标之间无根本联系,只与相应地理坐标的环境因子有关,故用BP神经网络建立预测值P1与实测值P的模型,从而得到预测值P2,即通过构建二级神经网络得到PM2.5时空分布模型,然后对P2与P求均方差根RMSE进行检验.    

19.  安徽省PM2.5时空分布特征及关键影响因素识别研究  
   张海霞  程先富  陈冉慧《环境科学学报》,2018年第38卷第3期
   基于2015年安徽省67个空气质量监测子站的PM_(2.5)浓度数据,分析PM_(2.5)的时空分布特征;运用BP神经网络改进DEMATEL模型,探讨影响PM_(2.5)浓度的关键因素及因子间的关联性.结果表明:(1)2015年安徽省PM_(2.5)平均浓度为52.03μg·m~(-3),总体呈现秋冬高、春夏低的季节性规律;PM_(2.5)浓度日变化总体呈双峰分布,冬季PM_(2.5)浓度昼夜变化剧烈,全年、春季和秋季变化趋势大致相同,夏季相对平缓;(2)安徽省PM_(2.5)浓度整体上由东向西、由中部向南北两侧呈递减趋势,浓度值由高到低依次为:江淮丘陵、长江中下游平原、淮北平原和皖南山区;(3)指标体系中,人口城镇化率、年平均气温、单位GDP电耗、工业废气治理设施数等4个指标因子属于强驱动因素,对PM_(2.5)浓度降低起着根本性推动作用;(4)年降水总量、房屋施工面积、O_3浓度等3个指标因子属于强特征因素,是降低PM_(2.5)浓度最直接的因素.结论表明,运用BP-DEMATEL模型能有效识别关键影响因素,有助于为PM_(2.5)综合治理提供参考.    

20.  BP网络框架下MODIS气溶胶光学厚度产品估算中国东部PM2.5  被引次数:7
   郭建平  吴业荣  张小曳  李小文《环境科学》,2013年第34卷第3期
   近年来随着中国经济的快速发展,中国区域的大气污染情况日趋严重,大气污染监测与治理已刻不容缓.由于卫星遥感具有较广的空间覆盖、成本低等优点,卫星遥感反演气溶胶光学厚度(AOD)产品被普遍认为是地面PM2.5浓度的重要指标,且已被广泛地应用于地面PM2.5遥感监测.利用2007~2008年的MODIS/Terra气溶胶光学厚度产品,考虑中国东部地区5个大气成分站点风速、风向、温度、湿度和边界层高度等气象数据,构建后向(BP)神经网络,提出了基于MODIS AOD产品估算PM2.5的模型.利用5个大气成分站点PM2.5观测数据对模型进行散点拟合和时间序列拟合验证,结果表明:①从PM2.5观测值与估算值的散点回归分析来看,PM2.5估算值与观测值相关系数最好的为庐山站(R=0.6),其它4个站次之,但其相关系数均在0.4(中强相关)以上;②从PM2.5观测值与估算值的时间序列比对分析来看,PM2.5估算值和观测值差值随时间变化而变化,且存在明显的日际振荡现象,但经相邻5 d滑动平均处理,5个站点的PM2.5估算值与观测值相关系数得到普遍提升,滑动后的相关系数RMA均在0.7以上(除郑州外),庐山RMA达到0.83.结果表明在BP网络框架下,基于MODIS AOD产品估算PM2.5的模型能较好地应用于PM2.5监测.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号