基于不同的神经网络模型PM_(2.5)浓度预测对比

近年来,以PM_(2.5)为主要污染物的重霾污染事件频频发生,给国民经济及居民健康造成了严重威胁。本文采用BP、RBF及Elman神经网络分别建立预测模型,并以青海省某工业园区某监测站监测的数据为实例对预测模型进行了具体的应用。结果表明:BP神经网络、RBF神经网络及Elman神经网络都可以有效预测PM_(2.5)浓度,但是BP神经网络预测模型预测误差要小于RBF神经网络模型及Elman神经网络模型,具有更高的稳定性和准确定。     

万盛大气污染特征分析及污染预报模型的建立

利用2017年4月1日～2019年3月31日万盛经开区万东北路站点的空气质量日均值监测数据进行分析发现,万盛大气污染具有很强的季节变化特征,冬半年主要污染物为PM_(2.5),夏半年主要污染物为O_3,冬半年污染重于夏半年,颗粒物污染重于O_3污染。万盛污染以轻度污染为主,仅有冬季会出现中度以上污染天气,其首要污染物均为PM_(2.5)。利用多元回归模型和差分自回归移动平均模型(ARIMA)建立了万盛PM_(2.5)、PM_(10)与O_3的预报模型。通过对模型得出的预报值与实况值的比较来看,预报与实况的变化趋势基本一致,均可以较好的指示未来AQI的变化趋势。多元回归预报模型中,O_3的预报效果要远好于PM_(2.5)和PM_(10);而ARIMA预报模型三者预报效果接近。总体来说,ARIMA (p,d,q)预报模型对颗粒物污染的预报效果要远好于多元回归预报模型,而O_3则两种模型预报效果接近。     

神经网络在空气污染预报中的应用研究

空气污染预报是一项复杂的系统工程，是当今环境科学研究的热点，国内外已有将神经网络法应用于大气污染预报的研究。本论文以PM2．5为例，采用伦敦市PM2．5的小时平均浓度数据，使用传统的BP神经网络建立预报模型，定量预测伦敦市PM2.5的小时平均浓度，探讨了大气污染预报网络的建模过程中，扩大样本集、去除样本集数据噪声和在输入向量中加入气象变量等因素对建模所产生的影响。最后得出结论，适当的选择样本集、气象变量，有利于提高所建立网络模型的预测精度。     

滇池水污染物浓度预测的人工神经网络模型

本文针对滇池日益严重的水污染现状,根据云南昆明西苑隧道断面2004年-2010年的监测资料,建立了基于BP神经网络的主要污染指标预测模型,并对其进行训练检验,研究结果表明：独立样本中pH、溶解氧、氨氮、高锰酸盐浓度的预测值与监测值的线性相关系数分别为0．952、0．967、0．945、0．936。结果证明该模型预测精度满足要求,通过准确地预测湖泊水污染物可以为治理湖泊营养化和综合利用水资源、规划管理、决策提供重要的科学依据。     

WRF CMAQ模式对常州市空气质量预报效果的评估

基于通用多尺度空气质量模型The Weather Research and Forecasting model coupled with CMAQ(WRF-CMAQ)对常州市2018年6～12月的空气质量预报结果,结合实况资料,进行了预报效果评估,以期为常州市空气质量的预报提供更好的参考。结果表明:(1)模式对常州市各预报时效空气质量指数(AQI)和各污染物浓度的标准化平均偏差(MFB)和标准化分数误差(MFE)均处于"理想水平"范围,能较好的反映实际空气质量变化趋势。(2)当空气质量为优良时,AQI和空气质量等级(AQI等级)预报效果最好,当空气质量达中度及以上污染时,预报效果最差,应进一步优化调整。(3)模式对首要污染物24小时预报准确率为66.9%,当空气质量为轻度污染及以上级别时,预报准确率较高。(4)模式对AQI的预报总体存在负偏差,对细颗粒物(PM_(2.5))浓度的模拟结果较好,对臭氧(O_3)和可吸入颗粒物(PM_(10))存在低估现象,对二氧化硫(SO_2)、二氧化氮(NO_2)和一氧化碳(CO)等3项污染物浓度均有所高估。     

修正的BP神经网络森林火灾成灾面积预测研究

以1997-2012年《中国林业统计年鉴》的全国森林火灾成灾面积为依据,应用BP神经网络模型对成灾面积进行了预测,对预测方法进行了检验.在此基础上,利用残差提出了修正的BP神经网络模型,并对预测方法进行了改进.研究结果表明,修正的BP神经网络预测精度高于BP神经网络,预测相对误差平均为7.2％,可应用于森林火灾成灾面积的预测.     

世博会对主办城市宏观经济的影响研究——以上海市为例

历届世博会对主办城市和主办国的经济影响较为明显。在认真分析世博经济内涵与外延的基础上,通过建立BP神经网络模型,比较GDP预测值和实际值,测度投资拉动期(2003—2009年)世博会对上海宏观经济的影响程度;通过建立GM(1,1)灰度模型,对2010年度世博会的影响力进行预测评估;通过建立灰度BP神经网络模型,充分考虑前期投资对会展过后的"引致影响",计算预测值和引致影响值之和,得到上海市2011—2020年的GDP预测值。模型结果显示,上海世博会在准备期、会展期、后续效应期都对上海宏观经济产生巨大影响,对上海2003—2020年GDP的拉动累计将达到23264.83亿元,城镇新增就业人数约1083.14万人。与历届世博会相比,上海世博的影响力居于首位。     

基于模糊神经网络的煤炭企业循环经济评价模型

针对煤炭企业循环经济水平具有模糊性的特点,利用模糊神经网络具有模糊化和良好泛化的能力,在探讨煤炭企业发展循环经济影响因素的基础上,从经济发展、资源利用、节能减排、环境状况、循环特征五个方面建立了煤炭企业循环经济评价指标体系,构建基于模糊神经网络的煤炭企业循环经济评价模型,并按照模糊神经网络结构的建立、输入数据的模糊化、输出数据的反模糊化、BP神经网络训练进行模型求解和运算,算例验证了该模型具有较好的学习能力.利用该模型评价煤炭企业循环经济具有有效性和准确性.     

BP神经网络预警在旅游安全预警信息系统中的应用

将BP神经网络预警技术应用于旅游安全预警信息系统的开发实践，研究建立了一个基于BP神经网络的旅游安全预警模型。该模型有4个子系统构成，即预警知识提取子系统、预警信息库、报警系统和人机互动设备，分析总结了包含旅游地灾害频度、出游设施安全度和旅游地区域安全度三大类10个子因子为内容的旅游安全预警影响因素。在旅游安全预警的影响因素和安全预警的报警判别模式的基础上，进行了旅游安全预警应用的实验设计。实验结果显示，该模型应用效果良好。     

基于Adaboost集成BP网络原煤生产成本预测研究

为了提高传统BP神经网络预测模型精度,避免BP网络容易陷入局部极值、收敛速度慢等问题,将BP神经网络与Ada-boost算法相结合,提出了一种Adaboost集成BP神经网络模型.结合磁县观台煤矿原煤生产成本相关数据,建立了原煤生产成本预测的Adaboost集成BP神经网络模型,将该模型用于实际的原煤成本预测.结果表明：该模型预测精度高于传统的BP神经网络,收敛速度快,具有较强的鲁棒性,预测精度能满足实际预测需要,为原煤生产成本预测提供了一种新的途径,也为原煤生产成本控制提供了重要依据.     

基于支持向量机-小波神经网络的PM_(2.5)预测模型

近年来我国多地区雾霾天气频发,针对PM_(2.5)浓度变化的非线性、时变性等特点,建立了基于支持向量机-小波神经网络(SVM-WNN)的组合预测模型。采用网格搜索算法对SVM的参数进行优化,利用优化后的模型进行初始预测,并结合WNN强大的非线性拟合能力的特点对其预测残差进行修正。以石家庄市每小时监测的PM_(2.5)浓度数据为样本建立模型并进行预测,结果表明,组合模型预测的平均相对误差为7. 2%。对比单一模型,组合模型的预测的效果更好,这也为短时PM_(2.5)浓度预测提供一个新的方法。     

运用4种数值模型分析辽宁省空气质量预报准确率

数值模型是当前空气质量预报的主要方法。基于CMAQ模型、WRF-Chem模型、CMAx模型和REG模型对2017年辽宁省空气质量指数(AQI)的范围和级别预报准确率进行了分析。结果表明:CMAQ模型对辽宁省AQI范围和级别的预报准确率均高于其他3个模型,REG模型准确率均最低,WRF-Chem模型和CMAx模型准确率基本持平;各模型对辽宁省东南部区域的预报准确率整体高于对中部和西部的预报准确率。     

2014~2016年成都地区空气污染气象要素分型研究

为研究成都地区发生不同程度空气污染时,地面气象要素的搭配类型特征,基于成都地区2014~2016年多个逐日气象要素值(气温、气压、湿度等)和逐日AQI资料,对2014~2016年成都地区空气质量状况进行特征分析,并且通过TSI天气分型方法,并结合同期逐日空气质量资料探讨了四季不同天气类型下空气质量特征,主要结果为:(1)2014~2016年成都市总体空气质量夏秋季空气质量最佳,春季次之,冬季最差。(2)不同天气类型空气质量状况差异较大。春季3型和4型容易发生轻度污染;夏季1型和4型容易发生轻度污染;秋季3型容易出现轻度污染;冬季4型和5型天气下容易发生轻度污染以上的空气污染状况。研究为成都地区空气污染气象研究提供参考依据,也为空气污染预报提供一些借鉴意义。     

神经网络方法在地表高程预测中的应用研究

从地表高程预测的研究现状出发,基于Matlab神经网络工具箱构建了广义回归神经网络(GRNN),建立了能够预测地表高程的神经网络预测模型,并与反距离加权法(IDW)的预测结果进行了比较分析。结果表明,GRNN方法计算简单,在相同的样本数据条件下,GRNN的预测精度较高,表明神经网络方法在地表高程预测中的应用是可行的。     

基于BP-Adaboost强预测器的瓦斯涌出量预测

为了提高传统BP神经网络瓦斯涌出量预测模型精度,避免BP网络容易陷入局部极值、收敛速度慢等问题,将BP神经网络和Adaboost算法相结合,提出了一种BP-Adaboost强预测器模型.将该模型用于实际瓦斯涌出量预测,并进行了40次仿真实验.结果表明:该模型预测精度高于传统的BP神经网络,且收敛速度快,具有较强的鲁棒性,预测精度能满足实际工程需要,为瓦斯涌出量预测提供了一种新的途径.     

炼化企业无机前体物排放对大气细颗粒物的贡献

大气污染物SO_2、NO_X、NH_3是形成二次细颗粒物(PM_(2.5))的重要无机前体物。为控制PM_(2.5)污染,要求形成一套便于炼化企业自身核算无机前体物排放对PM_(2.5)贡献的方法体系。探讨了基于排放清单、PM_(2.5)化学组成和NH_4~+/SO_4~(2-)摩尔浓度比值所建立的计算模型的合理性和可行性,并将其用于某炼厂进行案例分析。结果表明,所建立的计算模型可满足炼化企业PM_(2.5)核算要求,用于核算无机前体物排放对PM_(2.5)最大贡献量。案例企业排放前体物转化形成的PM_(2.5)等效排放量远高于该企业PM_(2.5)直接排放量,应予以关注。     

多元回归和BP人工神经网络模型对混合厌氧消化产气量的预测研究

在中温且控制pH值条件下,对脂肪类单基质和城市污水厂剩余污泥进行混合厌氧消化试验。基于多元回归原理和BP人工神经网络原理,对其建立产气量预测模型。由实验数据计算得出:两个阶段多元回归模型的预测平均准确率分别为75.69%和79.29%;BP神经网络模型的预测平均准确率为79.05%。通过对比两种模型的预测结果可知,两种模型都有较高的预测准确率,但BP模型的预测准确率更高,更适用于混合厌氧消化产气量预测。     

基于BP神经网络的天线识别

本文比较研究了BP神经网络中的几种常用算法,针对这些不同算法下的BP神经网络进行训练,并得出了各自网络的性能。在此基础上,针对经典BP算法和LM算法进行对比研究,找到LM算法的改进之处。此外,在实际的应用中表明,不仅不同的BP算法对网络的运算速度、泛化能力等有较大的影响,而且BP神经网络对隐含层神经元数目也很敏感。我们希望在BP神经网络的基础上,构建一种合适的天线模型,来应用于天线的分类识别,这将具有很大的现实意义。     

基于大数据分析与认知技术的空气质量预报预警平台

为深入认识区域大气污染现象规律,完善并提高城市空气质量预报预警能力,提高大气污染治理决策支持能力,开展城市污染成因分析与空气质量预报预警研究是十分必要的。本文针对环境大数据时代下的城市空气质量预报,提出了一种基于大数据分析与认知技术的专业先进的大气环境业务应用系统体系。该体系基于底层统一的数据资源中心,融合各类不同类型的空气质量监测、不同预报系统的产品数据以及基础辅助数据,建立数据汇交、共享、质控管理机制,通过上层预报预警、综合分析、案例分析、应急决策支持四大子系统,从多模式集合预报结合专家调优支撑高性能预报会商应用,从大数据融合时空关联分析深度挖掘大气复合污染特征与污染成因,从多维度历史污染过程和天气形势全自动化认知分析支撑重污染过程研判,从业务化仿真情景方案与污染溯源助力专业应急决策。最后,通过在北京市环境保护监测中心的系统实现证明体系的高性能、稳定性和实用性。     

基于BP神经网络模型在珊溪水库水华预测中的应用

在珊溪水库藻类暴发期间应急监测数据的基础上,建立pH值、高锰酸盐指数、总氮、总磷、叶绿素a数据矩阵。运用MATLAB R2015b GUI可视化界面模块,将应急监测数据样本空间分为训练样本、验证样本、测试样本,建立珊溪水库BP神经网络模型,预测了珊溪水库藻类暴发期间叶绿素a浓度。BP神经网络建模结果显示:输出数据与实测数据相关系数0.978,平均相对误差-0.19%,标准方差18.54%,模型稳定性较好,叶绿素a预测结果符合预期。BP神经网络预测模型为珊溪水库饮用水水源地环境保护提供了科学依据。