河北省2013~2020年大气污染治理进程中的减污降碳协同效益

当前,我国面临着大气污染治理与碳减排的双重挑战,"减污降碳"成为了社会经济绿色转型的重要抓手.大气污染物和CO₂排放清单是"减污降碳"工作的基础支撑,但已有研究存在着物种覆盖不全、源类体系不一、时间范围较窄等问题.基于统一的源分类体系与源排放表征技术,建立了河北省2013~2020年排放清单,据此分析了排放的总量趋势、结构演变、变化驱动、协同效益和区域分布.研究期内,河北省取得了社会经济发展与人为源排放控制的双赢,SO₂排放在"大气十条"期间下降速度较快,VOCs和NH₃排放在"蓝天保卫战"期间减排效果更好,NO_x和PM_2.5排放的下降速度相对稳定,CO₂排放略有上升.燃煤治理有效削减了大气污染物和CO₂排放,重点行业超低排放改造降低了SO₂、NO_x和PM_2.5排放,但VOCs治理力度有待提升.电力源和民用源实现了大气污染物与CO₂的协同减排,散煤治理从源头优化了能源结构,使得民用源具有更高的减排协同度.河北省"减污降碳"的重点区域为石家庄、唐山、邯郸、保定和廊坊.研究提出的方法与结论可为区域"减污降碳"工作提供技术借鉴与决策参考.     

基于图像感兴趣区域融合特征的PM2.5浓度预测方法

通过图像预测PM_2.5浓度的准确性,在很大程度上取决于模型所选用的特征参数。为丰富特征参数的表达,设计了一种基于图像传统特征与深度特征充分融合的PM_2.5浓度预测方法。首先,根据不同PM_2.5浓度下的成像差异,选定图像感兴趣区域,解决图像尺寸过大导致的模型运算效率较低问题。然后,针对所选取的局部图像,利用传统图像处理方法手动设计并提取图像浅表视觉特征,同时利用卷积神经网络自动提取图像深层语义特征。最后,将两种特征融合,交由卷积神经网络的全连接层实现对PM_2.5浓度的回归预测。预测误差比对结果显示,相比使用单种特征,使用融合特征能够有效提高模型的预测性能。     

基于复合LSTM模型的PM2.5浓度预测

在对淄博市19个空气质量监测站点监测数据进行分析后，提出了一种基于机器学习的复合模型——灰色关联度分析(GRA)-改进的完备总体经验模态分解(ICEEMD)-长短期记忆网络(LSTM)模型。通过分析淄博市2019年大气污染物和气象数据，选用LSTM模型预测PM_2.5浓度。由于传统单一模块机器学习模型具有训练时间较长和预测精度较低的问题，提出了复合LSTM模型。该模型由3部分组成：GRA,用于PM_2.5浓度影响因素变量筛选；ICEEMD,用于PM_2.5分解、分量筛选和原始大气污染物及气象数据处理；LSTM,用于PM_2.5浓度预测。预测结果表明：淄博市中部丘陵地带PM_2.5浓度高于南部山区和北部平原，东部高于西部；淄博市逐月PM_2.5浓度呈“U”形分布，1月最高，8月最低；淄博市PM_2.5浓度受PM₁₀和CO影响较大，受湿度和温度影响较小。对比单一LSTM模型和GRA-LSTM模型，GRA-ICEEMD-LSTM模型...