基于随机森林算法的滁州市空气质量预报研究

利用2017—2019年滁州市6种空气污染物质量浓度和AQI资料、气象要素及ECMWF数值预报作为输入参数，构建基于随机森林算法的污染物质量浓度和AQI预报模型，其中AQI预报按季节划分为4个模型。结果表明：6种污染物中O3的预报效果最好，相关系数为0.84，PM2.5、PM10和NO2相关系数分别为0.76、0.72和0.72，SO2和CO预报效果略差；基于分季节模型AQI的24 h预报结果TS评分为0.77，空报率（FAR）和漏报率（PO）分别为15%和12%，相较于非季节模型预报效果更好；春季和秋季的TS评分分别为0.88和0.86，相较于冬季和夏季预报效果更好。     

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。     

空气中PM_(10)浓度的BP神经网络预报研究

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。     

基于小波分析优化PM2.5浓度预测模型

采用多元线性回归方法(MLR)和BP神经网络方法(BPNN),按1 h、3 h、6 h、12 h、24 h、48 h预测时长对贵港市2015—2018年PM_2.5浓度建模并检验对比模型准确率。结果表明,基于MLR与BPNN都能对PM_2.5浓度作预测,预测效果随着预测时长的增加而下降,MLR、BPNN模型预测结果平均绝对误差(MAE)分别为4.01μg/m³~15.48μg/m³、3.89μg/m³~15.63μg/m³。采用小波分析方法对污染物数据优化并再次建模,结果表明,小波-多元线性回归(W-MLR)模型与小波-神经网络(W-BPNN)模型均得到优化,3 h~24 h预测时长优化效果尤为显著,W-MLR、W-BPNN模型预测结果分别使MAE降低1.6%~13.5%、0.8%~9.8%,且后者预测效果优于前者。     

江苏省空气质量预报准确度及改进方法分析

介绍了江苏省重污染天气监测预报预警系统以及大气重污染预警会商流程,将2015年13个地级市的模式预报、人工预报结果分别与实际观测值进行比较。结果表明:人工预报更准确,PM_(2.5)日均值、臭氧日最大8 h平均值、AQI 3个指标人工预报和实况的相关性分别比模式预报高出12.8%、0.3%、11.4%,平均标准误差(MNE)分别低20.7%、3.1%、23.1%。依据国家空气质量预报技术指南评分办法,对各市2015年全年空气质量级别为"良"时进行评分。通过开展07∶00预报更新,使2015年上半年空气质量预报级别得分平均提高了0.9分,全年级别得分平均提高了2.6分;通过改进模式预报参数,使PM_(2.5)日均预报值、臭氧日最大8 h平均预报值、AQI预报值和实际观测值的相关性比上年同期分别提高26.0%、5.0%、33.9%,MNE分别降低3.6%、31.3%、7.6%。     

利用Keras构建神经网络在空气质量预测中的应用

利用python语言搭建了一整套空气质量神经网络预测系统,底层利用Keras设计并建立了基于tensorflow的神经网络模型。选择日平均气压、日平均气温、日平均相对湿度、日降水量、日平均风速、前1日空气质量因子监测数据等因素作为模型输入变量,分别针对广东省所有监测站点和地市的空气质量因子(PM_(2.5)、PM_(10)、NO_2、SO_2、CO、O_3、AQI)进行预测,结果表明,7个因子的地市平均相对误差值为16.15%～27.7%,地市相关系数为0.36～0.77,该模型在城市空气质量预测中具有良好的效果。     

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。     

广州市污染季节空气质量预报效果评估及误差分析

基于广州市2016年第四季度空气质量实测及预报数据,对广州市污染季节空气质量预报效果进行了评估,结果表明,2016年第四季度广州市空气质量级别预报准确率83.7%、AQI范围预报准确率67.4%、首要污染物预报准确率67.2%、综合考核评分87.4分、相关系数0.78,预报效果总体良好,预报准确率在优良级别时相对较高,而在轻度污染以上级别时相对较低。预报误差分析表明,气象预报精细化程度不足、模式预报不确定性等客观因素,预报员缺乏对污染过程物理化学机制的深入理解等主观因素共同导致了预报的误差。     

基于人工蜂群算法的BP双隐含层神经网络水质模型

采用人工蜂群算法优化BP神经网络的初始权值和阈值,同时采用双隐含层来提高网络精度,选取DO、IMn、COD、BOD5和NH3-N作为评价指标,建立一个基于人工蜂群算法的BP双隐含层神经网络模型,并应用该模型对2012年黄河水系下河沿断面的各月监测数据进行水质评价,同时与BP神经网络、模糊层次评价方法作比较。结果表明:基于人工蜂群算法的BP双隐含层神经网络在水质评价时,均方误差小,多次运行的结果始终一致,评价结果合理有效。     

南京市空气质量预报效果评估及误差分析

基于2020年南京市空气质量实况数据及预报数据,评估了当年南京市空气质量预报效果,分析了预报偏差特征及其成因。结果表明,4个季节中,秋季的空气质量指数(AQI)预报准确率评分和综合评分最高,夏季的首要污染物准确率评分最高;4个季节均出现正预报偏差,其中夏、冬季偏差大于春、秋季;首要污染物误报率与季节相关,二氧化氮(NO_(2))和可吸入颗粒物(PM_(10))的误报率较高的原因是NO_(2)和PM_(10)作为首要污染物主要出现在春、秋季,而这2个季节4种主要污染物的空气质量分指数(IAQI)值非常接近,增加了预报员经验修正的难度。典型预报偏差个例分析结果表明,模式预报对于污染物质量浓度量级的预报偏差以及预报员对气象条件和前体物质量浓度变化关注不足,是导致最终预报出现低估的主要原因。     

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BP神经网络的儿童卧室内灰尘PAEs浓度预测

在实测数据的基础上,以邻苯二甲酸酯(PAEs)的各类影响因素为自变量,PAEs浓度为因变量,采用Back-propagation(BP)神经网络建立儿童卧室内PAEs浓度预测模型.结果表明,该模型的预测效果较理想,其中,STD比值均＞0.5,NMB均接近0,EMR均＜19％.以室内环境与儿童健康(CCHH)课题组天津地...     

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.     

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。     

基于信号改进深度学习网络的京津冀城市群二氧化氮浓度预测

在中国华北地区,二氧化氮污染仍旧不容忽视,尤其是在机动车辆密集和工业生产相对集中的京津冀城市群。运用小波分解(WD)和长短期记忆(LSTM)神经网络建立了W-LSTM组合模型,用于预测未来京津冀地区二氧化氮日均浓度和分指数。使用2014年1月—2018年5月主要大气污染物数据对组合预测模型进行训练试验,在获得最优模型参数后,使用2018年6月—2019年6月数据进行模型预测性能测试试验。结果表明,相较于传统的LSTM预测模型,W-LSTM组合预测模型具有更好的预测性能,预测结果的平均绝对百分误差为9.21%。在此基础上,使用最优预测模型对京津冀城市群2019年7月—2020年12月二氧化氮日均浓度进行了预测,并描绘了时空分布图用以表征其时空变化特征。     

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。     

基于决策树技术及在线监测的水质预测

利用北方某城市水源的水质在线监测系统,建立了基于决策树技术,具有较强可视性和实际应用,以及能预测次日源水中叶绿素水平的决策树模型.该模型将某城市水源在线监测的溶解氧和太阳辐射照度数据转换计算为每日平均标准偏差及均值,并与每日定时取样测定的叶绿素含量一起作为预测因子,通过将115组数据的前100组数据作为训练集建立预测次日叶绿素水平决策树模型,并采用后15组数据进行模型的仿真预测检验,结果只有3 d的预测出错,预测准确率达80%.并讨论了模型建立对数据的要求及解读预测规则等问题.     

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。     

基于深度学习的空气质量预报方法新进展

空气质量预报与人们的日常生活密切相关,其基本思想是分析历史空气质量数据,发现其内在的时空相关性,结合未来气象信息以及污染源排放量,对未来的空气质量进行预测。目前,环境管理和社会公众服务对空气质量预报提出了长时间、多维度、高精度的预测要求,一些新型的空气质量预测方法仍处于起步探索阶段。近年来,随着人工智能的普及与推广(特别是云计算与大数据的发展),深度学习这项基于传统人工神经网络的技术被国内外研究者所重视。笔者对现有典型的空气质量预报方法进行了阐述,包括数值预测模型方法、统计预报模型方法、基于机器学习模型的预测方法等,并重点介绍了该领域最新进展:基于深度学习模型的预测方法,并在此基础上进行了总结与展望。