AERMOD与估算模式在环境影响评价中的应用与比较

采用AERMOD、估算模式两种预测模式对同一生活垃圾填埋场进行了预测,比较两种预测结果可以看出,在污染源、预测范围、运行周期相同的情况下,敏感点处的落地浓度均与排放源强呈正比、与距离呈反比。预测结果同时说明,估算模式是一种保守的预测模式,其预测结果比AERMOD模式大,可作为进一步预测模式的有效补充。     

河流水质预测模型的应用研究

河流水质预测模型使用的参数未引入预测断面现状监测结果 ,使预测结果可能与现状监测结果发生矛盾。针对这一情况 ,通过对预测模式的推导转化 ,在模型中引入污染源现状源强和预测断面现状监测浓度 ,将预测结果同现状监测结果联系起来 ,使预测结果更贴近实际     

计算机在环境预测中的应用

详细介绍了常用于定量预测的多元线性回归法，以及回归系数的精确解法－高斯按比例消元法；并依据此算法，给出用数据库管理系统编制的通用型环境预测系统的源程序。结合实例预测，达到预测效果。     

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。     

东平湖及上游河段水质分析预测

运用水质数学模型,对东平湖及上游河段各控制断面的水质进行了预测和验证,说明了该预测方案的科学性和可行性。并分析了预测中误差存在的原因,提出了改进措施。     

环境影响预测中基准值问题的探讨

鉴于目前环境影响预测中基准值取法存在的问题，提出了结合目前通用做法与灰色预测的灰靶方案，该方案使得环境影响预测结果在一定范围内变化，从而更为切合评价实际。     

环境污染周期性变动的定基比率法预测

一、预测计算过程 定基比率法是在连环比率系数法基础上形成的一种新的季节模型预测法，其预测计算过程如下：     

应用递推GM（1,1）模型预测废气排放量

一、概述灰色系统理论中的一阶单变量预测模型GM(1,1),目前在环境预测实践中异常活跃,仅最近一段时间就有多种杂志刊登了多篇此类文章.总的来说,这些文章有以下两个特点:1.应用领域的拓广.如应用于港口油污染预测,降水pH值预测,城市环境综合整治定量考核指标预测,工业废渣产生量预测,大气悬浮颗粒物浓度预测,水污染控制系统中应用等等.2.预测方法的应用.如采用残差再度建模修正的方法,新陈代谢模型(等维信息模型)方法,拓扑预测方法,灾变预测方法等等.从根本上而言,这些应用实践均基于同样的建模原理及辨识方法(本文称之为普通GM(1,1)模型),即为连续的微分模型.本文将这种建模原理及辨识方法作适当的改变,介绍一种递推的差分模型,并应用于     

PSO和SVM混合算法确定太湖入湖河流水质主要影响因子

以影响太湖入湖河流水质的24个因子值为研究对象，将PSO算法与SVM算法相结合。PSO算法用于优化SVM算法的参数c和g，以利于快速、高效地确定c和g的全局最优值；SVM算法基于最优的c和g，分别以24，21，18，15，12，9和6个因子作为特征向量预测水质的污染程度。结果表明，当特征向量为9个影响因子时预测率最高。其参数c=18.56，g=1.35，对应的预测率为：全局预测率92.59%，重度污染水质预测率88.89%，轻度污染水质预测率94.45%。因此，通过PSO和SVM混合算法，可以确定影响太湖入湖河流水质的主要因子，利用这些主要因子对水质进行预测预警，不但可以节省时间，而且可以得到精确的结果。     

FHWA模式在港口建设项目环评中的应用

运用美国ＦＨＷＡ公路噪声预测模式对秦皇岛新港口建设引起的相关公路两侧垢学环境变化进行了预测。通过预测与实测结果对比,证明了ＦＨＷＡ模式不仅适用于公路建设项目环境影响评价,而且适合于港口建设项目环境影响评价。     

利用MOBILE 6.2模型预测LPG出租车排放因子

针对MOBILE6．2预测天然气汽车排放因子的功能，分析了其在预测液化石油气（LPG）轻型汽车上的可行性。并根据LPG出租车汽车排放总量分析系统（VMAS）测试结果，得到所需参数，预测了实验车队的排放因子，与实测值的误差≤10％，表明MOBILE6．2预测LPG轻型汽车排放因子具有良好的适用性。     

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.     

基于小波分析优化PM 2.5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。     

微机模拟在污染控制预测研究中的应用

全省重点行业（企业）污染的排放全过程宏观控制规划预测研究微机模拟系统，是根据实际工作需要开发研制的。系统数据库，预测评价及决策与一体，将系统分为数据库子系统、目标预测子系统、质量评价子系统和总量控制子系统四大部分。     

兰州市SO2排放总量预测的BP人工神经网络模型

依据兰州市大气污染复杂的特点，首次将BP人工神经网络用于兰州市SO2排放总量的预测，结果表明，BP人工神经网络能较好地用于污染物排放总量的预测，且具有预测精度高，对数据数量和精度要求不高和客观性较强等优点。     

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L-M神经网络的道路交通噪声预测研究

神经网络具有很强的预测功能.根据石家庄公路交通噪声的实测数据,利用L-M优化算法的多层神经网络预测模型进行道路交通噪声的预测,经检验,计算值与实测值接近,预测精度令人满意.     

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GM（1,1）模型的城镇生活污水排放量预测

根据2000--2012年全国城镇生活污水排放量数据，建立了相应的GM（1，1）模型和预测函数。通过后验差检验等对预测函数进行了评估，并对2013--2017年城镇生活污水排放量进行了预测，结果表明，2013--2017年全国城镇生活污水的排放量逐年增加，呈上升趋势，从2013年的477．2736亿t上升到2017年的624．1022亿t；灰色预测模型和方法简单易用，利用较少的数据即可进行精度较高的预测。