环境规划与环境管理

X32 9801970环境污染预测的人工神经网络模型/李柞泳…(成都气象学院)//成都气象学院学报/成都气象学院一1997,12(4)一279~283 环信N一71 用基于B一P算法的人工神经网络,提出了建立环境污染物浓度预测的方法,并通过一个大气污染物502浓度的人工神经网络预测实例,证实了人工神经网络用于环境污染预测的可行性。表3参7排污收费对企业污染控制技术创新激励作用的研究/郭京菲…(清华大学环境工程系)//环境污染与防治/浙江省环保局一1997,19(5)一19~22 环信X一3 运用模型方法研究了排污收费和行政手段对企业污染控制技术创新的激励作用,为环境…     

神经网络模型在O_3浓度预测中的应用

O3是近地面大气中一种重要的二次污染物.本研究采用神经网络多层感知器（Multi-Layer Perceptron）和多元线性回归2种模型,以广州万顷沙站2006年的气象观测数据为输入,对该站O3的1 h平均峰值浓度进行提前1 d的预测,并比较了2种模型的预测效果.模型的输入参数为前1d O3的最高1h平均浓度和第二天...     

基团贡献法对取代苯类化合物生物降解性的预测

测定了 47种取代苯类化合物在松花江水中的 5日生化需氧量 (BOD5) .分别采用线性基团贡献法和非线性基团贡献法(人工神经网络法 )对化合物的生物降解性BOD5 ThOD(ThOD :理论需氧量 )进行QSBR研究 .得到不同基团对生物降解性的贡献为 :C6H5>COOH >OH >CH3 O CH3 >NH2 >Cl >NO2 .线性基团贡献法对于训练组和测试组的定性预测正确率分别为72 %和 86 % ;而人工神经网络法的预测正确率分别为 92 %和 86 % .预测结果表明线性和非线性基团贡献法的预测效果都很好 ,相比而言 ,非线性方法对生物降解性的预测更准确     

基于BP神经网络的大气污染物浓度预测

利用BP神经网络结合变量筛选的方法建立了SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物的浓度预测模型,并选取2014-01-01至2015-11-28时段,昆明市区5个环境监测点以上6种污染物浓度的监测数据建立了昆明市污染物日均浓度预测模型.采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日均浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日均浓度进行预测.结果表明,在关上监测点利用浓度预测模型对SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物浓度进行预测,污染物浓度预测值和实测值趋势吻合度较高.变量筛选后SO_2、PM_(2.5)预测效果比变量筛选前的预测效果好.O3的均方根误差和PM_(10)的标准化平均偏差,变量筛选前的预测效果比变量筛选后的预测效果好.变量筛选前的NO_2和CO的预测结果比变量筛选后的预测效果好.其他4个环境监测点的污染物浓度预测结果与关上监测点的结果相似.     

BP人工神经网络在环境空气SO_2质量浓度预测中的应用

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。     

基于模糊神经网络的A2/O工艺出水氨氮在线预测模型

采用厌氧/缺氧/好氧污水处理系统(A2/O)对人工合成污水进行处理,并利用人工神经网络(ANN)模型和自适应模糊人工神经网络(ANFIS)模型对A2/O处理污水的过程进行仿真模拟.在MATLAB环境下,选取可在线监测的水力停留时间(HRT)、进水pH值(pH)、好氧池溶解氧(DO)和混合液回流比(r)作为输入参量,系统出水氨氮浓度(NH4+eff)为输出量,建立在线预测模型.结合自适应模糊C均值聚类算法,确定ANFIS模型的模糊规则数及最优运行参数,对实验数据进行仿真预测.结果表明,与ANN模型相比,ANFIS模型的仿真输出值与实际值的拟合程度更高,相对误差在6.45%之内,平均绝对百分比误差(MAPE)为2.8%,均方根误差(RMSE)为0.1209,相关系数(R)达0.9956.模型训练过程中所得到的三维曲面图,可直观的反映各因素与出水氨氮浓度之间的非线性函数关系,为A2/O系统的高效稳定运行提供指导.     

载甲苯活性炭微波解吸过程人工神经网络模拟

采用人工神经网络对微波解吸过程进行了模拟研究.采用解吸温度、栽气线速、活性炭床层厚度、活性炭对甲苯的吸附量、解吸时间5个因子作为神经网络的输入变量,解吸浓度为输出变量.网络创建后采用已有的实验数据对网络进行训练,经124步收敛后网络达到指定精度.采用实测数据对网络的预测精度进行检验后表明:人工神经网络对载甲苯活性炭的解吸过程能够较精确的进行模拟,多数预测数据的误差范围在±5％之内.     

基于化学反应动力学的饮用水铝形态分布模型研究

目前饮用水中的总铝超标现象十分严重,其危害与铝的存在形态密切相关.本研究利用三层前反馈式的人工神经网络技术,建立了基于化学反应动力学的铝形态预测模型.结果表明,无机单核铝和溶解铝的浓度变化速率与反应时间及水温、pH、总铝、氟离子、磷酸根和硅酸根等水质参数密切相关,二者的反应级数均为三级.通过人工神经网络可有效地进行饮用水中无机单核铝和溶解铝反应动力学参数的预测;反应速率常数k和初始浓度项1/c02的计算值和模型预测值的相关系数R均大于0.999.由M市管网水铝形态的预测结果可知:当总铝浓度0.05mg·L-1时,模型对无机单核铝浓度的预测误差较大;而当总铝浓度0.05mg·L-1时,模型有较好的预测能力,无机单核铝和溶解铝的相对预测误差分别为±15%和±10%.     

耦合遗传算法与RBF神经网络的PM2.5浓度预测模型

基于北京市空气质量监测点获取的空气污染物浓度数据,通过遗传算法搜索径向基人工神经网络的最优隐含层神经元数目和扩展常数,构建了耦合径向基人工神经网络算法与遗传算法的预测模型,预测北京市未来一天24h平均PM_2.5质量浓度.结果表明,预测精度与泛化性能良好.该模型不需要输入气象和地理位置信息等数据,具有依赖变量少、预测精度高（R²达0.75）和运算效率高等特征,并可以通过训练样本的驱动,使自身不断优化调整.该模型预测效果可以通过扩展输入特征、增加训练样本量等方法进一步提升,可对多种时空情境下的城市空气污染进行高效率且精确的预测.     

利用复介电常数和BP人工神经网络进行浓度预测的研究

制备了一定含水率不同浓度的CuCl2的PVA样品,用微波矢量网络分析仪和微波传感器测量S11参数,计算得到相对复介电常数。以样品相对复介电常数的实部、虚部及对应频率作为输入,以CuCl2溶液的浓度作为输出,建立BP人工神经网络模型。用训练样本集对网络训练后,检验样本的预测结果与实际值最大误差为0.97%。结果表明,利用复介电常数和BP人工神经网络进行浓度预测是一种很好的方法,进而为环境监测提供了方法依据。     

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.      

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。     

南京城市下垫面变化对夏季臭氧浓度的影响研究

利用南京基准地面气象站1951~2010年的气象数据分析南京气象要素的长期变化,利用2007年南京草场门大气污染物监测数据探讨O3同气象要素之间关系并分析气象要素改变对污染的可能影响,结合WRF-CALGRID模式基于2008年7月的情景模拟研究1990年代以后南京城市下垫面变化对气象要素变化的贡献,并分析其对O3浓度的影响.结果显示,南京气温呈现增长趋势,平均风速、大气湿度、日照时数呈现降低趋势.气温与O3浓度呈一定的正相关关系、较小的风速和相对湿度有利于O3的生成.城市下垫面的增加使得南京城区气温增高超过1℃、风速减小0.4m/s、湿度下降0.5g/kg、混合层高度增加100m.气象要素的改变使地面NOx浓度减小,最大减小量超过6×10-9.对O3浓度的影响有增有减,南京市北部、西部增加,增加量超过2×10-9,主要受温度增加、风速减小以及NO的垂直输送影响;主城区的南部、东部O3浓度减小,减少量1×10-9~3×10-9,主要受混合层高度增加的影响.     

耦合观测数据-模型计算-案例分析的臭氧综合预报方法

当前臭氧模式预报和统计预报的技术难以满足不同地域精细化环境管理需求,亟需构建稳定性高、实用性强的本地化臭氧预报方法. 本研究通过构建臭氧预报工作流程并明确臭氧预报流程中相关技术参数和要求,以陕西省及其省会城市—西安市为例分析历史气象和环境空气质量数据,获取陕西省臭氧污染规律以及西安市不同气象条件下臭氧等级分布规律和典型案例预报要点,确立人工订正经验技术集的方法,明确案例库构建、会商和预报回顾机制的相关要求,旨为臭氧预报模式的本地化提供科学的技术路线. 结果表明:通过臭氧预报效果评估与结果择优、人工订正、预报会商及预报结果回顾所组成的臭氧业务化预报工作流程具备切实可行性;此外,陕西省臭氧浓度与相对湿度、气压和风速均呈显著负相关,与温度呈显著正相关,臭氧预报时应重点关注日均温度大于28 ℃、日最大温度大于34 ℃、相对湿度小于57%、气压低于959 hPa、风速小于2.3 m/s的气象条件下的臭氧等级.      

多遥感设备联用在区域空气质量变化与边界层结构关系研究中的应用

为研究佛山地区空气质量变化与边界层结构的关系,2015年10-12月在佛山地区3个站点同步开展了多台风廓线雷达、激光雷达、微波辐射计联用的大气边界层结构观测实验.结果表明:风廓线雷达探测可获得平均风场垂直分布的连续变化,发现佛山地区风场垂直分层结构明显,空气污染与近地小风层厚度的相关性较强.激光雷达探测可获得颗粒物消光特性垂直分布的连续变化,发现佛山地区颗粒物消光特性与大气边界层结构有密切关系,空气质量指数(AQI)变化与颗粒物激光雷达探测反演的边界层高度相关性较高,相关系数为-0.58.微波辐射计探测可获得平均温度、相对湿度垂直分布的连续变化,逆温和相对湿度变化对边界层日变化及空气污染成因分析有较高的价值.通过多设备联合探测,可同时获得研究地区平均风场垂直分布特征、颗粒物浓度变化特征、逆温和相对湿度的变化特征.多设备联合探测,有利于区域空气质量变化与边界层结构关系机理研究,对区域空气质量变化的预测预报有重要作用.     

太原市PM2.5预报统计修正模型及其应用检验

为提高太原市PM_2.5预报准确率,更好地服务于空气质量预报预警工作,在华北区域BREMPS（环境气象数值预报系统）预报结果的基础上,结合MR（多元线性回归）、BP（BP神经网络）和MLR（多层递阶）建立10 d的滚动修正模型,并对太原市2017年1月15日—4月15日ρ（PM_2.5）进行了修正.结果表明:3种修正模型对BREMPS预报的ρ（PM_2.5）小时值和日均值均有不同程度的改善,尤其是MLR修正结果在多项评价指标上明显优于MR和BP,其小时值的RMSE（均方根误差）由原来的42.46 μg/m3降至26.74 μg/m3,重污染和非重污染时段日均值的RMSE分别由未修正前的63.78、43.68 μg/m3降至28.52、21.27 μg/m3,日均值修正结果的基础评分从0.65升至0.88,预报准确率由原来的66.18%升至86.74%.从3种修正模型的构建来看,MR和BP方法对系统平稳状态的修正具有一定的优势,而对系统大幅变化的识别能力较弱,所以在天气变化时临界状态的修正结果误差较大,模型的稳定性较差.研究显示,MLR方法本身具有一定的自适应能力,稳定性和修正结果的整体趋势明显优于MR和BP方法,对太原市空气质量预报改进、重污染天气预警和大气污染防治等方面具有较大的应用价值.      

ISC3模式对高架点源输入参数的探讨

为分析ISC3模式中参变量的相对重要性及各参变量对模式预测结果的影响程度,采用2000年北京市全年气象统计资料,利用ISC3模拟火电厂高架点源排放,对应用广泛的ISC3空气质量模式进行了误差和灵敏度分析,结果表明:高架点源预测过程中,源强、风速、混合层高度和稳定度类型对模拟结果影响较显著,且为全程影响;排放温度、排放速度和环境温度在近距离影响较显著,对于远距离影响较小。     

CCSM4/WRF-CMAQ动力降尺度预估RCP8.5情景下京津冀地区空气质量的潜在变化

目前,针对气候变化对区域空气质量影响的研究相对较少,并且多采用统计降尺度方法对全球气候模式结果进行处理.采用WRF中尺度气象模式对CCSM4气候模式的CMIP5 RCP8.5情景预估结果进行动力降尺度处理,并为CMAQ空气质量模式提供气象场;在2012年清华大学MEIC大气污染物排放清单的基础上,选取2005年作为气候现状代表年、2049-2051年作为未来气候代表年,对京津冀地区典型月份（1月、4月、7月、10月）的气象及空气质量数值模拟结果进行对比,以此预估气候变化背景下京津冀地区空气质量潜在变化.结果表明,在排放情况不变及RCP8.5情景下,未来代表年与现状代表年相比,京津冀地区以典型月份为代表的年均气象因素整体呈现温度升高,风速、相对湿度及大气边界层高度均降低的趋势;年均大气污染物浓度整体呈现升高的趋势,其中,温度升高约0.8℃,风速降低约0.11 m/s,相对湿度降低约2%,大气边界层高度降低约8 m,ρ（PM_2.5）升高约2.4 μg/m3,ρ（SO₂）升高约1.8 μg/m3,ρ（NO_x）升高约1.0 μg/m3;此外,主要的气象条件（温度、风速、相对湿度、大气边界层高度）中,风速及大气边界层高度的降低可能是造成这些大气污染物浓度变化的主要气象因素,并且风速及大气边界层高度的降低与ρ（PM_2.5）降低的相关系数分别约为-0.44和-0.26.研究显示,气候变化会对京津冀地区造成污染物浓度升高的潜在风险,同时由于现阶段缺乏可用于空气质量模式的未来排放情景数据、在线耦合模式日臻完善,在我国气候-空气质量的研究领域亟待进行更深层次的研究.