面向多源数据的AQP区域大气污染精准溯源研究

空气质量优先保障(AQP, Air Quality Priority)区域包括城市居住区和亚运会、世博会等重大活动的举办地等.为了解决AQP区域PM_2.5浓度超标而无法准确追溯污染源头的问题,提出一种新的面向多源数据的AQP区域大气污染精准溯源方法 .由于直接溯源方法无法量化不同污染源区域对复合污染的贡献大小,建立一种融合气象数据、污染源区域排放数据、污染物浓度数据的机器学习模型LightGBM-PSO,以捕捉污染源排放和大气污染物浓度之间的非线性响应,模型输出AQP及相邻区域各污染源监测区域排放输入的特征重要程度(FI),由此可得各污染源区域的贡献度排名,并通过贡献度划分污染源站点等级,结合不同等级污染源站点的空间分布确定溯源结果.以2022年1月1日—4月15日杭州市滨江区、上城区、西湖区和萧山区的气象数据、污染源区域排放数据和大气污染物数据进行实验验证.结果表明：相比于贝叶斯优化算法,PSO对LightGBM模型超参数具有更好的优化效果,分别在RMSE、MAE和R2指标上高出7%、3%和3%;相比于SVR、LSTM和CNNLSTM模型,提出的LightGBM...     

集成AEC和时空特征的工业园区PM2.5浓度预测

为实现工业园区企业污染排放精细化管控,捕捉工业园区内企业污染排放与污染物浓度之间的响应关系,提出一种集成大气环境容量（AEC）和时空特征的工业园区PM_2.5浓度预测模型.通过有限体积法获得工业园区日均大气自净能力指数（ASI）,结合工业园区日排放数据作为AEC特征;同时利用小波分析和Pearson相关系数法提取时空特征,包括目标监测站PM_2.5浓度的时间变化特征和其与周围监测点PM_2.5的空间相关特征.通过CNN获取训练数据中PM_2.5的关联特征,并利用BILSTM充分反映时间序列训练数据中隐含的关键历史长短期依赖关系,确保快速准确的预测性能,以2018~2020年濮阳市工业园区大气污染物观测数据、气象数据及排放数据进行实验验证.结果表明：本文提出的CNN-BILSTM预测模型相较于传统LSTM模型预测精度提升10%;AEC特征和时空特征有利于提高模型精度和稳定性,集成AEC和时空特征的CNN-BILSTM预测模型在PM_2.5污染天数预测准确率最高,达93%;分季节预测结果表明,秋冬季的预测精度最高.