北京市重度大气污染时段污染物时空扩散特征

该文通过分别对北京市重度大气污染时段的风力与空气污染指数(API)以及空气质量指数(AQI)分析,建立了风力预测大气污染程度的回归模型,并探讨了不同风力条件下空气质量(污染)指数时空扩散规律。结果表明:(1)风力与空气质量指数和空气质量指数均为负相关,且有极其显著的相关性,但空气质量指数对风力的响应程度更高。(2)各空气污染指数预测模型均表现出南部模型精度中部北京市北部,前者比后者的精度高16%~26%。二次模型是预测空气污染指数简便、实用、有效的模型。而在空气质量指数预测模型中,北京市、中部及南部均是指数模型预测能力最好,二次模型较差。北部则相反。(3)重度大气污染时段,大气污染物由南向北扩散过程基本需要3 d时间。若南部空气质量指数300,且污染过程持续4 d,则北部的污染程度将超过南部。一般情况下,风力需要大于3级,且要持续1 d以上,空气污染程度才会降低。否则,全市大气污染程度相差不大,均处于重度或严重污染。     

基于贝叶斯网络的大连市空气质量预测与诊断

贝叶斯网络具有双向推理能力,可有效解决空气质量研究中的不确定问题。将贝叶斯网络引入到空气质量研究中,基于大连市2014—2016年空气质量指数(AQI)以及SO_2、NO_2、O_3、CO、PM_(10)、PM_(2.5)6种污染物浓度数据,通过构建贝叶斯网络模型对大连市空气质量进行了预测与诊断研究。结果表明:(1)利用贝叶斯网络因果推理功能验证了贝叶斯网络预测模型的有效性:大连市春、夏、秋、冬四季和全年的空气质量预测精度分别为89.29%、92.86%、88.89%、85.19%、89.09%;(2)利用贝叶斯网络模型和模糊综合评价法分别对大连市2017年5月1日至15日的空气质量进行预测,并比较官方的监测值,结果显示贝叶斯网络模型用于空气质量的预测更为准确;(3)利用贝叶斯网络诊断推理得出O_3和PM_(2.5)是大连市空气污染的主要贡献者。贝叶斯网络技术用于空气质量的预测和诊断具有可行性和可靠性。     

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。     

天气形势预测法在深圳市空气质量预报中的应用研究

基于深圳市2013年4月-2014年3月每日气象观测数据和空气质量监测数据,分析了深圳市不同空气污染程度下的天气规律及影响要素特征,并通过将天气系统分为13种类型,在寻求与建立不同天气类型情景下污染物(PM_(2.5)、PM_(10)、SO_2、NO_2、CO、O_3与AQI指数)变化函数的基础上,构建了天气形势预测模型对深圳市未来1~3 d空气质量进行预测。结果表明:(1)整体而言,低压系统和辐合区有利于深圳市大气污染物的扩散,而高压系统和均压区不利于大气污染物的扩散。(2)当深圳市出现轻度以上污染时,陆地一般由高压系统所控制,且深圳以处于高压前部分主。(3)天气形势预测模型对深圳市AQI指数的24、48、72 h预报相对误差分别为22.0%、22.2%与21.9%,该模型具有一定的准确率和可靠性,对空气质量预测具有较好的应用价值,可为空气质量预报预警提供科学的参考依据。     

基于多通道长短期记忆网络的PM2.5小时浓度预报

PM_2.5作为主要的大气污染物之一,严重影响空气质量和人体健康. 基于深度学习的PM_2.5小时预报研究中,不同输入要素的历史时间序列对PM_2.5预报结果的响应情况存在差异. 因此,基于太原市2019—2020年空气质量监测站、气象观测站的数据,提出一种多通道长短期记忆网络(Multi-Channels Long Short Term Memory,MULTI-LSTM)模型对PM_2.5浓度进行预报. 首先使用独立的长短期记忆网络(LSTM)学习每个输入要素,然后将每个模型的学习结果进行融合,最终获得未来多小时的PM_2.5浓度预报结果. 将单通道LSTM模型(BASE-LSTM)和LSTM扩展模型(LSTME)作为对照模型,与MULTI-LSTM模型的预报精度进行对比. 结果表明:不同观测窗与预报时效下,MULTI-LSTM模型在测试集上的预报精度明显高于其他2个对照模型. 其中,MULTI-LSTM模型在8 h观测窗和6 h预报时效组合下,均方根误差(RMSE)、平均绝对百分误差(MAPE)以及拟合指数(IA)分别为20.26 μg/m3、51%、0.91. 对未来逐6 h的预报中,观测窗宽度从8 h增至32 h,MULTI-LSTM模型的预报精度无明显变化,观测窗宽度为40和48 h时,RMSE比8 h观测窗下分别下降了2%和3%. 此外,增加LSTM层深度不会提升模型的预报精度. 研究显示,利用MULTI-LSTM模型作为PM_2.5浓度小时预报模型,通过选取合适的观测窗宽度与气象要素,可获得精度较高的预报结果.      

基于IG-LASSO模型的城市空气质量指数混合预测研究

空气质量指数是各个地区空气污染状况的数据表征,可用于政府对城市空气污染的控制。论文使用天津市2014年1月1日-2016年4月30日的空气质量数据和气象数据,建立一个基于IG(信息增益)和LASSO(最小绝对收缩率和选择算子)的空气质量指数混合预测模型,对未来一天的空气质量指数进行预测。整体实验由预测模型选取、特征变量选取和混合预测3个部分组成。实验结果说明基于IG和LASSO的空气质量指数混合预测模型要比单独使用LASSO模型的预测准确性要好,其误差率为4.75%,并且空气质量指数混合预测模型也可以有效的减少输入变量的数量以及降低模型的复杂程度。同时,也得出天津市空气质量指数的预测准确度受PM_(10)、PM_(2.5)、NO_2和SO_(2)4种空气污染物浓度影响较大,与风向、天气现象和风力关联性不强的结论。     

基于HHO-CNN-LSTM的CMAQ修正模型及其在上海市空气质量预报中的应用

建立空气质量预报模型，预测污染物浓度对人类健康和社会经济发展具有重要意义。然而，传统的空气质量模型CMAQ对污染物浓度的预报精度并不理想。对此，本文提出了一种基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的空气质量预报修正模型，并使用哈里斯鹰算法(HHO)对模型的超参数进行优化；用CMAQ模型对上海市2022年12月六种大气污染物(SO₂、NO₂、PM₁₀、PM_2.5、O₃、CO)浓度的预报数据以及监测站的气象数据和污染物浓度实测数据作为HHO-CNN-LSTM模型的输入，对CMAQ模型预报结果进行修正。使用均方根误差(RMSE)、平均绝对误差(MAE)和一致性指数(IOA)作为评价指标。结果显示，修正模型显著提高了六项污染物浓度的预测精度，RMSE减少了73.11%～91.31%,MAE减少了67.19%～89.25%,IOA提升了35.34%～108.29%。同时针对HHO算法陷入局部最优而导致修正模型对CO浓度预测效果不佳的问题，使用高斯随机游走策略对HHO算...     

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.      

基于Wavelet-LSTM模型的北京空气污染物浓度预测

文章为了达到精准预测北京市空气污染物浓度目的,应用小波分解变换(wavelet transform)和长短期神经记忆网络(long short-term memory,LSTM)相结合的方法,建立Wavelet-LSTM空气污染物浓度预测模型,对北京市6项空气污染物浓度预测。研究首先通过小波分解变换将日空气污染物浓度的历史时间序列分解为不同频率并重新组合为高维训练数据集合;其次使用高维数据集训练LSTM预测模型,重复试验调整参数,获得最优预测模型。研究结果表明,组合模型对于污染物浓度预测比传统LSTM模型的预测精度和稳定性更高。     

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。     

空气污染潜势-统计结合预报模型的建立及应用

建立了一个空气污染潜势预报和统计预报相结合的模型,该模型以特征气象因子和大气扩散清除因子为基础,并考虑不同因子的权重,定义空气污染潜势指数APPI.所考虑的因子包括:地面风速、混合层高度、混合层内平均风速、风向日变化、稳定度级数、垂直扩散系数、SO2干沉降速率、NO2干沉降速率、PM10干沉降速率、降水时长、地面天气形势.进一步利用统计方法建立空气污染指数API与APPI之间的关系.利用南京地区2009~2010年气象资料计算APPI,通过3项式拟合得到API与APPI的统计方程.结果表明,拟合得到的API与实际API相关系数为0.67,具有显著的相关性,且等级准确率为76.7%.进一步利用2011年1~12月中尺度气象模式WRF预报的气象场开展实况预报.研究表明,24h预报、48h预报、回顾预报的逐月等级正确率分别为44.4%~87.5%,46.4%~100%和63.0%~80.0%,年均等级正确率为60.6%,62.4%.和73.1%.若定义预报API与实际API相差±20以内为正确,则24h预报、48h预报、回顾预报的正确率分别为58.1%, 59.4%和63.8%.在IBM x3500并行集群服务器上计算,48h预报需要机时3h.可见,该模型具有较好的预报性能, 相对数值模型计算效率很高.     

基于气象因素和改进支持向量机的空气质量指数预测

空气污染已成为人类社会面临的严峻挑战,为了构建准确的空气质量预测模型,文章首先运用统计分析方法进行相关性分析,探讨气象要素变化对空气质量的影响;针对传统支持向量机预测精确度受输入变量影响较大的弊端,采用基于熵权理论对变精度粗糙集约简进行了改进,以处理支持向量机的输入变量,提高支持向量机的预测精度;最后以沈阳市的历史气象数据和空气质量指数进行验证。与传统方法相比,所提方法能够将预测准确率由71.28%提高到77.83%,空报率和漏报率也有降低,与实际基本吻合。     

采用门限自回归模型预测环境空气质量

应用汤家豪博士提出的门限自回归模型，以上海市环境空气质量时间序列监测数据和相应的气象数据，建立门限自回归大气污染预测模型，对上海市环境空气质量进行预测预报。结果表明：门限自回归模型计算较为简便且便于计算机自动建模。显著性检验表明门限自回归预报方程高度显著，在实际应用中，采用最新的数据建模和采用分站建立模型的方法可以使预测精度进一步提高。     

基于注意力机制优化的LSTM河流溶解氧预测模型研究

溶解氧(DO)是水体中的重要水质指标,构建数据驱动模型,实现对溶解氧的准确预测,将为水环境管理提供科学有效的技术手段. 考虑到溶解氧序列数据非线性强、非平稳性突出的特点,提出一种基于双阶段注意力权重优化机制的长短时记忆网络(long short-term memory, LSTM)的河流溶解氧预测模型(DAIW-LSTM模型),该模型的编码器包含双阶段权重优化的空间注意力机制,而解码器包含双阶段权重优化的时间注意力机制. 将该模型应用于流溪河流域白云李溪坝、流溪河山庄、从化街口等水质监测站溶解氧日均值预测的研究,开展了该模型与DA-LSTM、LSTM、Bi-LSTM等基线模型的预测效果对比分析,探讨了特征权重优化机制及上游站点水质数据输入对模型预测性能的影响. 结果表明:①通过与基线模型的预测效果对比,验证了DAIW-LSTM模型的精准性,其对白云李溪坝站溶解氧预测的对称平均绝对百分比误差(SMAPE)、平均绝对误差(MAE)、均方误差(MSE)分别为0.075、0.611、0.712,在所有模型中最优. ②对于新的注意力权重优化机制,第二阶段会对第一阶段的初步权重进行优化修正;针对pH、电导率、水温、气温等影响溶解氧预测的重要特征,DAIW-LSTM模型会自适应调整其权重在时间序列上的分布,从而提高该模型的预测精度. ③加入上游水质特征的输入影响,通过9个组合试验对比可知,DAIW-LSTM模型仍然为表现最佳的模型,该系列组合试验也证明上游站点及其特征变量选取的重要性. 研究显示,注意力权重优化机制的引入使得该模型相较其他基线模型展现出更好的适用性和精准性,可为地表水水质预测研究提供新思路.      

基于周边站点优化选取的随机森林PM2.5小时浓度预测研究

空气中的PM_2.5是威胁人体健康的主要大气污染物,对其进行有效预测和及时预警具有重要意义.大量研究表明,纳入周边站点信息的随机森林模型在单站点PM_2.5预测中显示出良好的效果,但在周边站点选取问题上目前尚缺乏针对性研究,部分选取方法带有主观性.本文提出了一种基于时间滞后互相关分析的周边站点优化选取方法,并以上海十五厂空气质量监测站（国控站）为例,构建了预测该站未来1~24 h PM_2.5浓度的随机森林回归模型集,比较分析了预测模型中各输入因子的重要性.研究发现,预测站点当前PM_2.5浓度值对未来1~16 h的预测最为重要,而气象要素中的风向则对于未来17~24 h的预测重要性最高;周边站点PM_2.5信息随着预测时间的延长,其重要程度排名有明显提升,且不同站点对不同时间预测的影响具有显著差异,在建模时应区别对待,优化选取.比较结果表明,使用本文方法选取周边站点建立的预测模型不仅在RMSE等精度指标上具有一定优势（12 h和24 h预报RMSE分别降低11.8%和13.3%）,还在有实用价值的污染事件空报率上有明显降低（12 h和24 h预报空报率分别降低16.1%和25.6%）,具有业务应用潜力.     

基于组合赋权集对分析的空气质量评价——以长沙市为例

空气质量评价是大气环境综合治理的重要基础,合理、科学地对空气质量进行评价,才能做出精确的治理规划和制定有效的治理措施,为大气环境管理提供依据。提出一种基于组合赋权集对分析的空气质量评价方法。该方法首先采用超标倍数法和熵值法分别确定空气质量各评价指标的权重,然后根据离差平方和最小原理建立优化模型确定各评价指标最终的组合权重,并结合集对理论构建了空气质量评价模型,最后将该模型应用于长沙市,对该市2015—2019年空气质量进行了综合评价,并将其评价结果与空气质量指数法和模糊综合评价法的评价结果进行了对比,以验证模型的可靠性和可行性。结果表明:利用本文评价方法得到的评价结果与空气质量指数法得到的评价结果基本一致,准确度达到了83.33%;与模糊综合评价法相比,组合赋权集对分析法的评价结果波动性小,更加稳定。     

基于小波神经网络的芦苇潜流人工湿地水质预测

人工湿地系统对污水的处理效果好,工艺简单,投资运行费用低,但影响其出水水质的因素很多,并且往往是非线性的,因此目前很难将这些影响因素模型化并用于水质预测. 已有的预测方法不是过于复杂就是预测精度不高. 神经网络是一种具有较强预测能力的新方法,适用于各种非线性模型的预测. 在小试研究的基础上,使用3种不同的、经过训练的小波神经网络,对芦苇潜流人工湿地沿程各采样口的水温,ρ(DO),pH,Eh和ρ(COD_Cr)等水质指标进行了预测. 结果显示,各指标的平均相对误差分别为:水温≤4.21%,pH≤1.36%,ρ(DO)≤9.77%,Eh≤6.50%,ρ(COD_Cr)≤17.76%,表明小波神经网络模型适用于人工湿地模型的预测.      

基于轻量级梯度提升机的南京大气臭氧浓度预测

采用南京地区2015年1月至2016年12月期间的空气质量数据和常规气象资料数据,分析了南京地区O₃浓度变化特征,建立基于轻量级梯度提升机(LightGBM)的O₃浓度预测模型,并将该模型与支持向量机、循环神经网络和随机森林等3种在空气质量预测方向上常用的机器学习方法进行了对比,验证模型的有效性和可行性.结果表明,南京地区O₃浓度变化具有显著的季节性差异,浓度变化受前期浓度、气象因子和其他空气污染物浓度的共同影响.LightGBM模型较为准确地预测了南京地区地面O₃浓度(R²=0.92),且该模型的预测精度和计算效率等性能优于其他模型.尤其是在容易出现臭氧污染的高温天气,该模型预测准确性明显高于其他模型,模型稳定性较好.LightGBM具有预测准确度高、稳定性好、有良好的泛化能力和运算时间短等特点,在O₃浓度预测方面具有显著的优势.     

城市空气污染数值预报模式系统及其应用

 介绍了城市空气污染数值预报模式系统,并利用该系统对济南市空气污染进行了预报.结果表明,该系统具有较好的预报性能;预报与实测值之间有较好的相关性;空气质量级别的预报效果更好,对SO₂、PM₁₀和NO₂ 3项污染物的级别预报准确率分别为84.6%,83.2%和94.6%,其总体级别预报准确率达到87.5%.研究结果还显示,济南市的SO₂污染已得到明显改善,机动车尾气污染相对较轻,而PM₁₀的污染比较严重,已上升为首要污染物,其来源、扩散、转化机制及其控制措施的研究是目前济南市面临的首要问题.     

基于BP神经网络的空气污染指数预测模型研究

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。