大气环境数据分析预测方法对比研究

以西安市2006年9月27日至2008年5月3日每日的SO₂平均浓度时间序列为例,应用时间序列分析对前555个数据进行拟合,得到合适的时间序列模型ARIMA(1,1,2);利用神经网络中的BP神经网络和RBF神经网络对同样的样本进行训练,用这三种方法对2008年4月4日至2008年5月3日的SO₂日均浓度值进行了预测,并用同样的方法分析预测了同期PM₁₀日均浓度值,最后比较了它们的预测效果。结果表明,利用这三种方法进行浓度预测都是可行的,其中RBF神经网络法的预测误差最小,效果最好。  

基于Matlab小波分析的南京北郊大气O3浓度变化特征研究

以2008年南京北郊大气中O₃ 质量浓度观测资料和常规观测资料为基础，利用Matlab小波分析工具，对O₃浓度的年时间序列进行分析，得出该地区的O₃ 日均浓度的变化特征：春、夏季节O3浓度大于秋、冬季节，最高浓度出现在春末夏初，最低浓度出现在冬季；并且全年共有5个突变点；弱高压的天气系统、较高的温度、较低的湿度和晴朗少云的天气是造成南京北郊O₃浓度突变的主要气象因素。结合HYSPLIT气流后向轨迹模拟，对污染源来源进行追踪，结果表明：南京北郊O₃高浓度污染来源主要分为本地局地污染和外来污染物输送两类；垂直方向上，O₃的区域尺度或中尺度的输送主要稳定在混合层的底层。  

小波方差分析北京市PM_(2.5)质量浓度序列周期特征

为分析北京市大气污染物PM_(2.5)质量浓度的时间序列周期性,采用Morlet小波变换对PM_(2.5)质量浓度进行分析,利用小波方差估计该市PM_(2.5)日均质量浓度的主周期,并通过显著性检验。结果表明,北京市PM_(2.5)日均质量浓度主周期为180 d左右,为后续大气污染物PM_(2.5)时间序列研究提供参考。  

2017—2019年扬州市大气污染物与儿童呼吸系统门诊量的时间序列分析

收集扬州市2017—2019年大气污染物细颗粒物(PM_(2.5))、二氧化硫(SO_2)、二氧化氮(NO_2)和臭氧(O_3)的日均质量浓度、气象因素(日均温度、相对湿度)以及每日儿童呼吸系统门诊量数据,运用广义相加模型(GAM)进行单污染物和多污染物分析。结果表明,单污染物分析中,大气污染物的质量浓度累积滞后效应均大于单独滞后效应。ρ(PM_(2.5))、ρ(SO_2)和ρ(NO_2)对儿童呼吸系统门诊量影响效应均在累积滞后7 d(lag 07)达到最大值,ρ(O_3)在累积滞后6 d(lag 06)达到最大值。表现为ρ(PM_(2.5))、ρ(SO_2)和ρ(NO_2)在lag 07时,每升高10μg/m~3,儿童呼吸系统门诊量超额危险度分别为0.720%[95%置信区间(95%CI):0.346%～1.095%]、6.955%(95%CI:5.197%～8.743%)和2.133%(95%CI:1.516%～2.754%);ρ(O_3)在lag 06时,每升高10μg/m~3,儿童呼吸系统门诊量超额危险度为1.160%(95%CI:0.873%～1.447%)。多污染物分析中,当引入所有污染物(SO_2+NO_2+O_3)时,PM_(2.5)对儿童呼吸系统门诊量风险影响消失。大气污染物浓度的升高会增加儿童呼吸系统疾病的发生风险,并且其影响存在一定的滞后效应,有必要开展有针对性的大气污染物与儿童呼吸系统疾病的预警研究,保护易感人群,合理分配卫生资源。  

两种应用场景下NDVI时间序列数据拟合方法研究

植被覆盖指数（NDVI）时间序列数据集包含地表植被的长势、生长周期、时空变化等信息，其拟合重建结果可应用于物候信息提取、生态质量评价、人类活动扰动识别、覆被变化动态监测等方面。基于TIMESAT软件，选取物候参数提取和扰动识别2个应用场景，结合地面站点数据和Jacknife法模拟数据，对比分析非对称高斯函数拟合法（AG法）、双Logistic函数拟合法（D-L法）和Savitzky-Golay滤波法（S-G法）3种方法的拟合效果。结果表明：（1）3种方法拟合重建后提取的生长开始时间（SOS）、生长结束时间（EOS）、生长周期（LOS）等物候参数接近站点数据，AG法和D-L法保持NDVI时序曲线整体变化特征的能力较强，提取的SOS和EOS更接近站点数据；（2）人类活动扰动识别应用场景中，S-G法在滤波时能够最大限度地保留时序曲线细节变化，恢复速率相关系数达到0.618，回归估计标准差低于AG法和D-L法，因此识别精度最优。  

盐城市空气污染对呼吸系统日门诊量关系的时间序列分析

根据盐城市2014—2018年逐日空气污染物监测数据细颗粒物(PM_(2.5))、可吸入颗粒物(PM_(10))、二氧化氮(NO_2)、二氧化硫(SO_2)、臭氧(O_3)、气象数据(日平均温度、日平均相对湿度)及市区某三甲综合医院呼吸系统日门诊资料,采用时间序列半参数广义相加模型,以滞后天数最大效应值作为空气污染物对人群呼吸系统日门诊量影响的超额危险度,分析了盐城市空气污染物短期暴露对人群呼吸系统日门诊量的影响。结果表明,2014—2018年盐城市空气PM_(2.5)、PM_(10)、NO_2、SO_2和O_3平均值分别为48.4,81.8,26.3,15.8和111.2 mg/m~3,其中PM_(2.5)、PM_(10)值高于《环境空气质量标准》(GB 3095—2012)二级标准。污染物PM_(2.5)、PM_(10)、NO_2、SO_2和O_3值每升高10 mg/m~3,呼吸系统日门诊量就增加0.52%,0.31%,3.54%,4.36%和0.03%,SO_2效应最强。空气污染物的短期暴露影响呼吸系统日门诊量,且存在滞后效应,其中PM_(2.5)、PM_(10)、NO_2、SO_2影响较大。  

不同区域城市空气O3和PM2.5累积速率时序模型

利用2017—2018年全国7个区域10个典型城市环境空气O₃和PM_2.5浓度数据，统计污染物累积速率，进而采用回归方法拟合污染物浓度及其累积速率的时间序列模型，分析不同区域污染物时序变化特征差异。结果表明：不同区域O₃浓度时序曲线拟合程度总体高于PM_2.5，石家庄O₃拟合程度最高，西安PM_2.5拟合程度最高。以07：00、14：00分别作为O₃、PM_2.5模拟起点是24 h中的最优模型。不同城市夏季O₃小时浓度时序变化曲线均为单峰形态，O₃浓度及累积速率峰值出现时间可能由城市所处经度决定，太原O₃累积最快，西安O₃消解最快。各城市间冬季PM_2.5小时浓度及其累积速率时序变化曲线形态差异较大，沈阳PM_2.5累积和消解均最快。与浓度相比，城市环境空气O₃和PM_2.5累积速率与光照、扩散条件等有更好的时间相关性。  

动态因子分析在环境监测数据综合处理中的应用

动态因子分析(DFA)作为降维度的多元统计方法,被设计用于时间序列分析,以揭示多元变量中解释变量与共同趋势对响应变量的影响程度。相较传统多元统计方法,DFA显性考虑时间因素,并量化影响响应变量的潜在因素。该方法可以忽略内在理化过程,具有良好的模拟效果,且在国外已广泛应用于地表水及地下水生态环境、空气污染等领域,但在国内尚未被应用。DFA在自身完善、应用范围、信息挖掘、数据预处理、预测分析、空间分析方面仍有巨大发展前景。  

2001—2020年合肥市空气质量变化趋势研究

为系统分析合肥市长时间序列空气质量变化特征,对合肥市2001—2020年SO₂、NO₂和PM₁₀,以及2013—2020年CO、O₃和PM_2.5的浓度特征开展研究。采用Mann-Kendall(M-K)时间趋势检验法分析了6项污染物的时间变化规律,同时考虑了人为活动对污染物小时浓度的影响。结果表明,PM_2.5和O₃是目前影响合肥市空气质量的首要污染物。2014年以来,合肥市PM₁₀、PM_2.5、CO和SO₂年均浓度均呈逐年下降趋势,但NO₂和O₃污染有加剧趋势。合肥市SO₂和颗粒物浓度表现为冬春季节高、夏秋季节低;O₃浓度变化趋势与之相反;NO₂和CO浓度呈秋冬季节高、春夏季节低。  

定西县城区大气环境质量预测

本文利用定西县城区１９８６～１９９３年８年大气环境质量中的ＮＯｘ，ＳＯ２，ＴＳＰ平均值，使用时间序列法的二次移动平均值，二次指数平滑法对定西县工业区未来大气环境质量进行预测，并对１９９４年的各种污染物预测值和实际值进行对比，其结果相近，证明该法有较高的实用价值。