基于CEEMD-BiGRU模型的徐州市大气污染物浓度预测

目前大气污染物对于地区经济以及人体健康的影响不容忽视。选取徐州市2016-01-01—2021-01-24大气污染物和气象要素数据,针对大气污染物浓度波动性强等特点,运用互补集成经验模态分解(CEEMD)将污染物数据分解为本征模态分量,提取出原始数据的各项特征,再对分解出的各本征模态分量构建双向门控循环单元模型(BiGRU),通过双向循环训练,学习各分量的特征趋势并获得最优训练参数,将输出结果重构,得到最终的预测值。结果表明:与BiGRU、BP模型相比,CEEMD-BiGRU模型预测各项大气污染物的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别下降15%、20%和2百分点以上,预测精度有较大提升。在此基础上,利用CEEMD-BiGRU模型预测后一时间段残差,以修正原预测值,得到大气污染物预测区间上界,进一步扩展模型的适用性。     

西安市2013年空气质量状况分析

本文收集西安市2013年环境监测站发布的空气质量指数（AQI）及环境空气状况与监测月报资料,对空气质量等级、AQI变化情况、主要污染物浓度变化趋势及采暖期和非采暖期浓度比较进行分析.研究结果表明：西安市2013空气质量二级以上的达标率为37.8％,年均AQI值为151,SO2、NO2、PM10和PM2.5的月监测浓度变化趋势无显著意义,采暖期平均浓度均显著高于非采暖期平均浓度,PM2.5采暖期均值是非采暖期均值的3.09倍.由此可见控制SO2、NO2、PM10和PM2.5的排放是改善西安市空气质量的重点工作.     

基于熵权法和聚类分析法的成都市空气质量综合评价

传统方法在评价大气环境质量中存在因素较为单一等缺点,文章综合考虑多评价单元的多种指标,运用熵权系数法对成都市各区域AQI进行计算,以区域AQI年均值,区域年污染天数两个评价参数,构建成都市现阶段各区域空气质量状况的指标体系。同时利用聚类分析方法对成都市21个区县,根据空气质量指数AQI日均值进行结果验证。研究结果表明:郫县,青白江区和新都区综合评价等级最高,均在8.5以上,体现出这三个区域空气质量状况较差,综合评价等级较低的都江堰和蒲江县AQI年均值也较低,污染天数很少,其余区域的评分和其AQI以及污染天数均相符合,可以得出该综合评价模型可以很好的很客观的反映出各区域的空气质量状况。聚类分析呈现出较好的聚类效果,整个成都市各区域空气质量均值分布分为四大区域,较符合实际结果,可以为其他城市的空气质量综合评价提供一定的参考。     

辽宁省一次大气重度污染过程预报准确性分析

2019年春季辽宁省出现了一次长时间、大范围的空气质量重度污染过程,为进一步了解此次环境空气重度污染过程的预报情况,对CMAQ模型、REG模型和人工订正法在此次污染过程中的污染等级和AQI范围的预报准确率进行了分析。结果表明:人工订正法未来24 h跨级预报准确率最高,72 h最低;AQI范围预报中,人工订正法在未来24和72 h均值预报中准确率均为最高,48 h预报REG模型准确率最高,CMAQ模型均为最低;各预报方法在污染过程前期、后期的预报准确率均高于污染过程中期。     

基于GA-ANN改进的空气质量预测模型

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(PM₁₀₎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.      

基于GIS的多权重年际空气质量模型研究

随着工业技术的发展,空气质量逐渐恶化,空气污染已经发展为全人类共同面对的严峻问题。随着监测技术的提升,空气污染数据迅速增加,人们对空气质量时空变化的研究逐渐向年际及年代际时间尺度靠拢。而现阶段对年际时间尺度空气质量评价的方法较少,常用年均AQI作为评价指标。由于AQI是单一污染物指数,抵消了多种污染物的累计效应,产生的模糊信息会掩盖其他污染物对健康的实际影响。因此,该研究基于中国AQI计算方法提出了一种基于多权重的特定的年际时间尺度空气质量评价模型——综合空气质量指数(CAQI),用于修正中国空气质量指数在年际空气质量评价中的缺陷。通过对模型验证发现该模型具有良好的性能,在年际时间尺度空气质量评价中效果较好,具有更高的合理性。     

基于卡尔曼滤波的空气质量指数预测方法

分析了卡尔曼滤波预测空气质量指数的机理,用ARMA算法为卡尔曼滤波建立模型,提出了将RBF神经网络融合于卡尔曼滤波的方法,实现对空气质量指数的混合预测。根据空气质量指数时间序列的特点,建立了自回归预测模型,进而建立卡尔曼滤波的状态方程和测量方程。采用随机梯度逼近训练算法训练RBF神经网络,用RBF神经网络的输出作为卡尔曼滤波测量方程的观测值。融合了RBF神经网络后的卡尔曼滤波预测方法减少了单一方法的延迟现象,使同种性质的误差累积减小,提高了预测精度。对AQI序列预测的仿真显示融合后的卡尔曼滤波方法优于单一的卡尔曼滤波方法,亦优于现已广泛应用的BP神经网络预测方法。     

空气质量健康指数构建及与现有评价体系的比较:以丽水市为例

为了解大气污染物对人体健康的影响,采用时间序列广义可加模型分析2013-2018年丽水市大气污染物与健康效应的关系,构建丽水市不同人群空气质量健康指数（AQHI）及分级方法,比较AQHI、调整后的环境空气质量健康指数（AQHI_a）、空气质量指数（AQI）和环境空气质量综合指数对健康效应的预测能力.结果表明:①如以AQI和环境空气质量综合指数来评价,丽水市春夏季主要污染物为O₃,秋冬季为PM_2.5;如以AQHI来评价,则O₃为丽水市全年最主要的污染物,其次是NO₂.②在多种污染物同时存在的情况下,AQHI比AQI具有更高的敏感性,AQHI与环境空气质量综合指数的相关性比与AQI的相关性好.③4种指数在秋冬季对健康效应的预测准确度均高于春夏季,AQHI_a是4类指数中预测健康效应最好的,其次为环境空气质量综合指数.研究显示,需高度重视O₃污染问题,建议空气质量较好的地区构建AQHI或AQHI_a来反映空气质量.      

空气质量实况比预测骨感？

一些细心的城市居民经常发现,AQI（空气质量指数）预报情况与实际情况存在一定出入,似乎空气质量预测的数值总比实际监测值偏低,预报给人的感觉总是不准。对PM2.5浓度的预报同样存在类似情况。有市民调侃说,是不是在预报数上再自己加20才有参考意义呢？     

基于时间序列模型残差的中国东部地区空气质量指数（AQI）空间自相关特征分析

空间自相关分析可以揭示变量的空间聚集性质.基于中国东部城市群的日空气质量指数(AQI)数据,研究了AQI的空间自相关特征.同时,考虑到日AQI的空间非平稳性,分析分成两步进行.首先,对每个城市的日AQI序列建立时间序列模型,进而获得其标准残差序列;然后再基于残差项进行空间自相关分析,计算其全局Moran's I指数和局域Moran's I指数.结果表明,全局Moran's I指数体现出明显的季节变化特征,呈现出冬季高而夏季低的以年为周期的循环变化.通过分析局域Moran's I指数,发现中国东部城市群存在2个值得重视的高空间自相关区域:京津冀地区和长三角地区.由于残差项体现的是气象条件的影响,因此,大面积的高自相关区体现了邻近城市群空气质量对气象条件变化的同步响应特征.     

B-P神经网络在环境空气质量预报中的应用

通过对神经网络应用实例的论证,探讨B-P神经网络应用于环境空气质量预报的可行性及其先进性.B-P神经网络对污染物浓度变化趋势的预测较线性回归统计模式更为敏感,其预测值的绝对误差也比线性回归统计模式小.显示出其逼近精度高、训练学习速度快、对基础数据时间长度要求不高的优越特性.     

我国空气质量健康指数的初步研究

收集我国16个城市2001~2010年每日PM10、SO2和NO2浓度和居民日死亡数,采用经典的时间序列研究方法和贝叶斯层次模型,分析在全国水平上各污染物与居民每日总死亡率的暴露反应关系,据此构建我国空气质量健康指数(AQHI).比较AQHI与现行空气污染指数(API)和空气质量指数(AQI)预测居民日死亡率的能力.结果显示,AQHI的构建公式为:AQHI=10/16.4×100×[exp(0.00019×PM10)-1+exp (0.00061×NO2)-1].AQHI预测居民每日总死亡率、心血管疾病死亡率和呼吸系统疾病死亡率的强度和精确度均优于现行的API与AQI.     

大气自净能力指数的气候特征与应用研究

为了定量地评估污染气象条件对空气污染的作用并实现对空气污染潜势的预报,本文在城市大气污染数值预报系统（CAPPS）预报原理的基础上,定义了大气自净能力指数,并分别给出了采用气象站观测资料和通过数值模拟计算大气自净能力指数的方法.基于气象站观测资料的全国大气自净能力指数分析计算表明,全国大气自净能力最差的地区分布在四川盆地和新疆塔里木盆地,大气自净能力最强的地区分布在青藏高原、蒙古高原、云贵高原、以及东北平原和三江平原、山东半岛和海南岛;1961~2017年,京津冀、长三角和珠三角地区的大气自净能力指数呈下降的变化趋势,全年低自净能力日数呈上升的变化趋势.采用大气自净能力指数评估2014年北京APEC会议期间大气污染防控效果,表明在11月8~10日极端不利扩散气象条件发生时,减排措施使北京市空气质量AQI平均降低77%,使京津冀平原地区11个城市的空气质量AQI平均降低37%.基于国家气候中心月动力延伸气候预测模式（DERF2.0）的预报产品和中尺度模式（WRF）,建立了可以预测全国未来40d逐日大气自净能力指数的延伸期-月尺度大气污染潜势预测系统,回报实验表明,在大多数情况下可以提前15d预报出大气重污染过程;月尺度的大气重污染过程预报效果更大程度上取决于月动力延伸气候预测模式（DERF2.0）的预报准确率.     

长江经济带空气质量的时空分布特征及影响因素

基于2015~2018年空气质量实时监测数据，研究了长江经济带AQI的时空变化特征，从大气污染物排放量和气象因素两方面选取评价指标，利用地理探测器揭示了长江经济带AQI分布的影响因素及其季节变化.结果表明：2015~2018年长江经济带空气质量总体趋于改善，平均超标率由19.8%降至16.2%，除O₃超标率上升外，其余常规监测指标均有不同程度的下降.2017年开始O₃的超标率超过PM₁₀，成为长江经济带仅次于PM_2.5的大气污染物.AQI月变化曲线大体呈U型，具有冬春高、夏秋低的特点.长江经济带空气质量改善主要体现在冬、秋两季，O₃浓度的上升使夏季空气超标率上升，春季变化不大.AQI和空气超标率总体呈东高西低、北高南低的分布特征，其中上海、江苏、安徽中北部和浙江北部污染最严重，湖北中部和成渝地区其次，云南、贵州和四川西部空气质量良好.春夏季AQI的差异主要表现为东西向，秋冬季则主要表现为南北向.污染物排放量因子对长江经济带AQI分布有显著的正向影响，气象因子的影响方向则随季节变化而变化.全年和春、秋、冬3季AQI的分布格局主要由大气污染物排放量决定，夏季气象因子的影响力则更大.     

黑龙江省重点城市AQI指数特征及其与气象要素之关系

空气质量状况的优劣,直接关系到人体健康和经济社会可持续发展。利用2014年黑龙江省4个重点城市的空气质量数据,结合同期常规气象要素资料,分析了黑龙江省AQI指数基本特征及与气象要素的关系。分析结果表明：黑龙江省重点城市年平均AQI指数以哈尔滨最大（轻度污染级别）,其次牡丹江、大庆、齐齐哈尔（良级别）;单日空气质量指数最高值在大庆（500）,其次是哈尔滨（490）,牡丹江和齐齐哈尔单日最高值分别为264和251;AQI指数年分布特征是冬季最高,其次秋季,再次春季,夏季最低;首要污染物最多的是PM_2.5,其次PM₁₀、NO₂和臭氧8 h。AQI指数与平均气温,在年尺度上呈负相关,月和四季呈正相关为主;与降水日呈负相关;与相对湿度是冷月（1-2月）呈正相关,渐暖月（5-6月）呈负相关;与最大风速,采暖季呈明显负相关;与本站气压呈正相关,与日照时数冬季呈负相关关系。     

一种基于小波变换和LSTM的大气污染物浓度预测模型

针对现有大气污染物浓度预测模型存在预测精度不高、污染物种类单一等不足的问题,通过小波分解将高维大气污染物数据转换为低维数据,再对分解序列建立长短期记忆网络（LSTM）预测模型,最后通过小波重构将分解序列重构为污染物时间序列,建立了1种基于小波变换（WT）的LSTM大气污染物预测模型（WT-LSTM）,用以预测目标区域内的次日平均ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）和ρ（O₃）。采用长沙市2015—2018年10处国控站点的数据进行验证,结果表明:相对于LSTM、多元线性回归（MLR）和基于WT的WT-MLR模型,WT-LSTM的均方根误差和绝对平均误差均下降了50%,其对PM_2.5、PM₁₀、SO₂、NO₂和O₃的污染等级预测准确率均在80%以上。     

基于热网络模型的导弹贮存温度预计方法

目的提供一种预计空空导弹的外场贮存温度的方法,以确定空空导弹的环境适应性要求。方法基于热网络模型,预计不同环境条件下导弹的贮存温度与日高温极值。考虑各种环境因素对导弹热环境的综合影响,建立导弹内外各节点的能量守恒方程。将实测数据代入方程,利用最小二乘法拟合方程系数建立预计模型,将实测结果与模型的预计结果进行对比以验证模型的准确性。结果热网络模型预计的温度结果和实测结果较为吻合,95%置信度下实测数据与预计的日高温极值误差均值为0.3℃。结论该方法对舱内温度的预计结果较好,可用以确定空空导弹的环境适应性要求。     

陕甘宁地区城市空气质量特征及影响因素分析

利用历史观测数据来探究短时间内AQI（空气质量指数）的起伏变化,有助于制定空气污染防治措施,对区域环境经济的协调发展具有重要意义.为研究陕西省、甘肃省和宁夏回族自治区（简称"陕甘宁地区"）2015-2017年空气质量特征,对3 a的AQI及评价体系中6项污染物（PM_2.5、PM₁₀、O₃、NO₂、SO₂、CO）质量浓度特征进行研究.通过数理统计对29个监测站点32 910个样本数据进行整理,采用克里金法分析AQI及6项污染物质量浓度的时空变化特征.结果表明:①空间上,陕甘宁地区西南部污染较轻,陕西省中部关中平原、宁夏回族自治区北部及甘肃省河西走廊西北部污染较严重.ρ（O₃）高值集中分布在研究区西北部地区,ρ（CO）、ρ（NO₂）高值集中分布在东部地区,ρ（PM_2.5）、ρ（PM₁₀）分布特征与AQI分布特征相似,ρ（SO₂）高值集中分布在北部地区.②时间上,3 a的AQI平均值为88,AQI季节性变化呈冬季（108）>春季（88）>秋季（78）>夏季（74）的规律.③通过数理统计对污染物质量浓度月变化特征分析发现,ρ（O₃）夏季最高,峰值为140.3 μg/m3,春秋次之,冬季最低;ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）和ρ（CO）均为冬季最高,其最高值分别为83.7 μg/m3、155.9 μg/m3、72.6 μg/m3、52.1 μg/m3、2.04 mg/m3.④相关性分析表明,AQI与自然因素中的平均气温、平均降水量和气压的相关系数分别为-0.859、-0.903和0.620,平均气温、平均降水量与AQI均呈极显著负相关（P < 0.01）,气压与AQI呈显著正相关（P < 0.05）.DEM（数字高程模型）地形起伏度分析发现,地形起伏度级别越大,AQI越小.社会经济因素中,AQI受工业企业数的影响最大,相关系数为0.634.研究显示,自然因素对陕甘宁地区空气质量的影响大于社会经济因素的影响,气象条件对空气污染的扩散起重要作用.