基于LSTM-GCN的PM2.5浓度预测模型

应用机器学习算法开展空气质量预测已成为当前研究热点之一,空气质量监测数据具有显著的时空特征,即具有时间维度时序特征和空间维度传输演化特征。面向空气质量监测数据,联合LSTM提取的时间特征和GCN提取的空间特征,提出预测PM_2.5浓度的LSTM-GCN组合模型。以北京市35个空气质量监测站2018—2020年监测数据进行仿真实验,并将LSTM-GCN模型与LSTM模型、GCN模型以及时空地理加权回归模型(GTWR)进行对比,结果显示:LSTM-GCN模型相较于LSTM模型均方根误差(RMSE)、平均绝对误差(MAE)分别降低了11.68%、7.34%;相较于GCN模型RMSE、MAE分别降低了40.22%、36.37%;相较于GTWR模型RMSE、MAE分别降低了17.52%、23.69%,表明所提出LSTM-GCN模型在准确率上有所提升。用LSTM-GCN模型预测2021年1—7月PM_2.5浓度,结果显示预测效果较好。     

低浓度SO2和NOx自动监测系统性能评价方法

通过对7种废气自动监测系统的比较研究和现场测试,提出了非分散红外法、紫外差分法、紫外荧光法、化学发光法等多种SO2和NO x自动监测技术在低浓度范围实现准确定量监测的性能评价方法,定义了CEMS的系统检出限及其主要影响因素。建议采用系统检出限、线性误差等关键参数作为低浓度CEMS的性能评价方法,提出将全系统多点标准气体校准或加标回收率作为验收和质控监督的基本方法。     

低浓度SO2和NOx 自动监测系统性能评价方法

通过对7种废气自动监测系统的比较研究和现场测试，提出了非分散红外法、紫外差分法、紫外荧光法、化学发光法等多种 SO2和 NO x 自动监测技术在低浓度范围实现准确定量监测的性能评价方法，定义了 CEMS 的系统检出限及其主要影响因素。建议采用系统检出限、线性误差等关键参数作为低浓度 CEMS 的性能评价方法，提出将全系统多点标准气体校准或加标回收率作为验收和质控监督的基本方法。     

降雨对噪声自动监测数据的影响分析

选取北京市近5年夏半年(4—9月)的降雨数据及相关噪声自动监测小时等效声级,利用数学统计软件进行有雨-无雨声级差异性分析、声级-降雨相关性分析及平均声级-雨量变化趋势分析等,提出降雨确实对噪声自动监测小时数据有一定贡献,不同雨量对不同功能区噪声影响不同,建议噪声自动监测系统建设时应考虑雨噪声影响,以保证对声环境质量评价的科学性和准确性。     

北京地区风速对噪声自动监测数据的影响分析

选取2012年11月至2013年5月期间的噪声和气象自动监测数据,采用SPSS统计软件对个体样本(典型日)、总体样本进行风速—声级相关性分析,分析得出总体上噪声级随风速增加而提高,风速≤1 m/s时噪声值受影响不显著或不受影响。     

北京市机动车尾气排放PM10组分特征研究

为提高机动车尾气排放可吸入颗粒物PM10成分谱的代表性和准确性,提出并采用在机动车尾气检测线上采用稀释通道采样器随机采集机动车排出PM10的采样方法。采集了591辆轻、重型汽油车和柴油车尾气排放PM10,测试并分析了颗粒物的27种组分。数据表明:机动车排放颗粒物PM10中含量丰富的组分为OC、EC、NH+4、NO-3和SO2-4;柴油车排放PM10中OC和EC的质量分数为49.08%,是汽油车(38.38%)的1.3倍,汽油车的OC/EC(2.36)是柴油车(0.78)的3倍;汽油车排放PM10中的二次转化产物(SO42-+NH4++NO3-)的质量分数为19.37%,是柴油车(3.57%)的5.4倍;汽油车排放NH+4是柴油车的5.3倍。     

基于BP神经网络城市环境噪声预测及实证研究

城市噪声污染严重影响着人们的生活与工作,采用合适的方法对噪声污染进行评价并预测,进而提出有效的预防及治理措施是噪声污染防治的关键问题,文章利用灰色关联分析选取了影响环境噪声的主要因素,采用BP(Back propagation,BP)神经网络对北京市1994~2006年的环境噪声污染进行评价并预测,验证结果误差较小,说明基于灰色关联的BP神经网络能够有效地对城市环境噪声污染进行评价和预测。