沈阳市PM2.5浓度ARIMA-SVM组合预测研究

首先利用回归树分类方法,对采暖期与非采暖期各日进行气象类型划分,识别出易造成重污染天气的气象类型.其次分别在各气象类型内,以污染源排放量为自变量,利用差分自回归滑动平均与支持向量机（ARIMA+SVM）组合方法建立起PM_2.5浓度日均值预测模型,并选取2013年01月~2017年06月间,沈阳市区内9个环境监测点PM_2.5浓度日均值进行实证分析.结果表明,使用气象分类下的ARIMA+SVM组合模型对PM_2.5浓度日均值进行预测,相比于不划分气象类型时的普通机器学习模型,其模型预测值与实测值趋势的吻合度更高,且对峰-谷值的识别能力更强.在采暖期与非采暖期,组合模型均具有平均绝对误差更低、预测正确率更高的优点.     

基于深度学习模型的广州市大气PM2.5和PM10浓度预测

精准预测大气污染颗粒物PM_2.5、PM₁₀浓度能为大气污染防治提供科学依据,但目前较多PM_2.5和PM₁₀浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM_2.5和PM₁₀浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_2.5、PM₁₀日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_2.5、PM₁₀日均浓度。根据MSE、RMSE、MAPE、MAE和R2等评价指标,对4个模型的PM_2.5、PM₁₀预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_2.5、PM₁₀浓度。     

基于时空指示克里格的PM2.5不确定性分布

以山东省2014年PM_2.5浓度监测数据为对象,利用时空指示克里格理论和方法,实现对PM_2.5时空分布的不确定性分析.结果表明,山东省境内PM_2.5的空间自相关范围大于100km,时间自相关范围为3d左右.此外,山东省境内各空间位置全年空气质量以大于0.8的概率达到空气质量"优"级别的时空占比为7%,以大于0.8的概率达到轻度污染级别的时空占比为34%,以大于0.8的概率超过严重污染级别的时空占比为1%;东部沿海地域空气质量达到轻度污染的概率明显高于中西部,夏季空气质量也明显优于其它季节.     

基于集总参数模型的室内PM2.5浓度预测

基于颗粒物浓度集总参数模型建立室内PM_2.5预测模型,同时对模型中的关键参数穿透率、沉降率理论模型进行理论计算.以常州市某住宅建筑为例,通过动态模型对穿透率和沉降率模型进行实验验证,实验采样时间为2017年3月~2018年1月.根据实验数据计算换气次数在0.31~0.89h^-1范围内PM_2.5通过维护结构的穿透率为0.78~0.97,室内PM_2.5沉降率为0.3~0.69h^-1.本模型能较好地适用于自然通风、机械通风等不同通风工况室内颗粒物浓度预测.当室外PM_2.5浓度在135~150μg/m³变化时,使用过滤效率为82%的新风系统可维持室内PM_2.5浓度值在40~46μg/m³.     

基于Informer的PM2.5浓度预测

针对现有PM_2.5浓度时序预测模型预测精度不高的问题,基于Informer建立了1个Seq2Seq的单站点PM_2.5浓度多步时序预测模型,以历史污染物数据和气象数据为输入,实现对未来一段时间PM_2.5浓度的预测。所构建模型基于ProbSparse (概率稀疏)自注意力机制提取所输入的序列信息,能够广泛地捕获输入序列的长期依赖信息,并对影响因子之间复杂的非线性关系进行建模,从而提高预测准确度。采用北京市2015-2019年逐小时空气污染物数据与气象数据进行模型训练、验证和测试,建立与循环神经网络(RNN)、长短期记忆网络(LSTM)的对比实验并与其他现有研究方法进行比较,结果表明:对未来1~6 h的PM_2.5浓度时序预测,Informer的平均绝对误差(MAE)、均方根误差(RMSE)和可决系数(R2)指标均为最好,实现了较为准确的预测。     

基于GTWR-XGBoost模型的四川省PM2.5小时浓度估算

卫星气溶胶光学厚度(AOD)和气象数据已被广泛用于估算空气动力学直径≤2.5μm的地表颗粒物(PM_2.5)浓度.研究高时间分辨率、高精度的PM_2.5浓度估算方法,对及时准确的空气质量预报和大气污染的预防及缓解具有重要意义.使用Himawari-8 AOD小时产品和ERA5气象再分析资料作为估算变量,提出GTWR-XGBoost组合模型,对四川省PM_2.5小时浓度进行估算.结果表明：(1)提出的组合模型运用于全数据集的性能优于KNN、 RF、 AdaBoost、 GTWR、 GTWR-KNN、 GTWR-RF和GTWR-AdaBoost模型,拟合精度指标R²、 MAE和RMSE分别为0.96、 3.43μg·m^-3和5.52μg·m^-3,验证精度指标R²、 MAE和RMSE分别为0.9、 4.98μg·m^-3和7.92μg·m^-3.(2)该模型作用于PM_2.5浓度小时估算...     

陕西省PM2.5浓度空间维度分析与预测

文章基于陕西省2014年1月-2020年12月59个空气站的空气质量数据,对陕西省各城市PM_2.5浓度及其影响因素进行分析和预测。通过绘制陕西省各城市PM_2.5浓度及其变化的热度图和折线图可以发现,西安、宝鸡、咸阳以及渭南这4个城市的PM_2.5浓度存在一定的同期变化性。利用全局、局部莫兰指数对陕西省各城市PM_2.5浓度的空间效应进行检验,结果表明,陕西省各城市PM_2.5浓度具有正向的空间自相关性,其中西安、咸阳和渭南呈现出较强的PM_2.5高浓度聚集效应。考虑到地理位置对PM_2.5浓度的影响,建立陕西省各城市PM_2.5浓度与PM₁₀、O₃、NO₂、SO₂、CO浓度的空间变系数模型。通过绘制解释变量回归系数估计值的3D散点图可以发现,PM₁₀、NO₂及CO浓度等在不同的地理位置对PM     

基于树模型的北京市PM2.5预测效果对比分析

在城市空气质量预测中,ρ（PM_2.5）会受到气象条件和时间周期的影响。选取北京市全市为实验区域,对多种污染物浓度特征、时间特征及天气特征等进行分析,采用2019年33个空气质量监测站逐小时数据开展PM_2.5预测实验,建立了基于特征的LightGBM （light gradient boosting machine） PM_2.5质量浓度预测模型,分别与随机森林模型（RF）、梯度提升树模型（GBDT）、 XGBoost模型3个PM_2.5浓度预测模型进行对比。结果表明:在PM_2.5浓度预测精度方面,LightGBM模型最高,XGBoost模型次之,RF模型最差。LightGBM模型的PM_2.5污染浓度预测准确率高于其他模型,R2为0.9614,且具有训练快、内存少等优点。LightGBM模型的5个评估指标均优于其他模型,说明其在PM_2.5逐时预测上具有很好的稳定性和应用前景。     

中国城市PM2.5和PM10时空分布特征和影响因素分析

PM_2.5和PM₁₀浓度超标引发的空气质量问题严重影响公众健康,研究PM_2.5和PM₁₀浓度对制定有效的污染防控和治理措施具有重要意义.运用时空分析法,分析2018年季度PM_2.5和PM₁₀浓度时空分布,并用GWR探究浓度差异的原因.结果表明：(1)PM_2.5和PM₁₀的浓度均呈冬春高、夏秋低的季节性规律;四季污染物浓度在胡焕庸线两侧存在显著差异,该线以东地区高浓度聚集在京津冀地区,该线以西地区高浓度聚集在新疆中南部.(2)PM_2.5和PM₁₀浓度的Moran’s I在四季均为正,且均在冬季增至最大值;PM_2.5和PM₁₀的分布格局基本一致,“高-高”类和“低-低”类集中分布现象明显.(3)各因素对PM_2.5和PM₁₀浓度的影响存在较大空间异质性.温度和坡度对PM_2.5     

基于AOD数据与GWR模型的2016年新疆地区PM2.5和PM10时空分布特征

PM_2.5与PM₁₀的时空分布特征及其相关性是大气颗粒物研究的主要内容,传统方法是基于监测站点数据进行分析,难以揭示PM_2.5与PM₁₀时空分布的区域特征.为此,本文利用地理加权回归模型估算了2016年新疆地区PM_2.5与PM₁₀的月均浓度,在此基础上对区域尺度的PM_2.5与PM₁₀浓度特征进行分析.结果表明：地理加权回归相较最小二乘回归的拟合精度更高,PM_2.5和PM₁₀的决定系数分别为0.93和0.96,且误差较小;PM_2.5和PM₁₀年均浓度分别为70.88 μg·m^-3和194.53 μg·m^-3,说明大气颗粒物污染严重,且空间分布呈西南高、东北低的特征;PM_2.5和PM₁₀季节浓度均为春季最高,夏季最低;PM_2.5月均浓度2月最高,9月最低,PM₁₀月均浓度3月最高,8月最低;PM_2.5与PM₁₀年均浓度的相关系数r为0.95,相关性较高;PM_2.5/PM₁₀冬季最高为51%,其余季节小于50%,说明冬季PM_2.5对大气颗粒物污染贡献率较高,其余季节则以可吸入颗粒物中的粗颗粒贡献为主.     

基于CEEMDAN-SE和LSTM神经网络的PM10浓度预测

针对PM₁₀浓度时间序列具有明显的非线性和波动性特征,提出一种基于自适应噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-样本熵(sample entropy,SE)和长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型。首先利用CEEMDAN-SE将原始PM₁₀浓度时间序列分解为若干个复杂度差异明显的子序列;然后针对各子序列的内在特性结合气象因素分别建立适当参数空间的LSTM预测模型;最后将预测结果进行叠加得到最终预测结果。以唐山市4个空气质量监测站的实测PM₁₀浓度数据进行模型验证分析,结果表明:所提预测模型对比其他几种预测模型显示出较高的预测精度,以及良好的普适性。     

一种基于小波变换和LSTM的大气污染物浓度预测模型

针对现有大气污染物浓度预测模型存在预测精度不高、污染物种类单一等不足的问题,通过小波分解将高维大气污染物数据转换为低维数据,再对分解序列建立长短期记忆网络(LSTM)预测模型,最后通过小波重构将分解序列重构为污染物时间序列,建立了 1种基于小波变换(WT)的LSTM大气污染物预测模型(WT-LSTM),用以预测目标区域...     

基于协整与误差修正模型的PM_(2.5)影响因素分析

基于重庆市监测数据,运用协整与误差修正模型研究了输入变量平均温度、相对湿度、PM_(10)浓度、一氧化碳(CO)浓度、二氧化氮(NO2)浓度以及二氧化硫(SO_2)浓度对输出变量PM_(2.5)浓度的影响机理。结果表明:1)PM_(2.5)与空气中相对湿度、PM_(10)浓度和CO浓度呈正相关关系;2)当系统短期偏离长期均衡时,系统将以0.213的调节力度将非均衡状态拉回到均衡状态;3)建立的模型预测误差极小,并具有较强的泛化能力。     

基于SWAT模型的挠力河流域地表径流数值模拟与不确定性分析

为探究水文模型参数敏感性及模型不确定性对径流模拟的影响,运用SWAT模型对挠力河流域地表径流过程进行了数值模拟,利用SUFI-2方法评价模型参数敏感性及不确定性对模拟结果的影响,选取决定系数（R2）与Nash-Sutcliffe效率系数（E_NS）对模型精度进行评价。敏感性分析结果表明:对挠力河流域径流模拟影响最大的4个参数是CN2（SCS径流曲线数）、SLSUBBSN （平均坡长）、SOL_BD （土壤湿密度）和SOL_K （土壤饱和导水率）,表明SCS径流曲线数、土壤与地形地貌是影响挠力河流域地表径流最重要的因素。月径流模拟过程与实测水文过程拟合较好,率定期和验证期R2与E_NS分别为0.68、0.67和0.76、0.44,均达到令人满意的结果。不确定性分析结果表明:p因子为0.78,r因子为0.94,模型不确定性较小,进一步验证了模型的适用性。研究结果可为其他相似流域SWAT模型的应用及参数的率定提供参考。     

基于移动监测的隧道内部PM_(2.5)与PM_(10)质量浓度分布研究

以上海市5条隧道为研究对象,采用车载移动监测的方式监测记录各条隧道沿程颗粒物(PM_(2.5)和PM_(10))的质量浓度,结合隧道自身特点,探究隧道内部颗粒物分布规律和成因。结果表明:隧道内颗粒物质量浓度分布主要与隧道自身的通风方式、结构特点和通过的车辆及其形成的活塞风有关。通过平行比较5条隧道的通风效果,发现翔殷路隧道通风效果较好,人民路隧道北线污染较为严重。     

生活垃圾焚烧烟气Hg浓度空间分布及健康风险评估

生活垃圾焚烧的大气Hg排放所带来的人体健康风险一直倍受社会关注。依据上海市DB 31/768—2013《生活垃圾焚烧大气污染物排放标准》中Hg的排放速率限值,采用AERMOD对上海市某生活垃圾焚烧厂排入大气的Hg浓度分布进行计算并借助VOXLER实现三维化空间分布模拟,进而利用健康风险评估模型计算当地居民面临的健康风险,并借助不确定性分析方法—Monte Carlo评估各个参数的敏感性。结果表明:宏观上,大气中Hg的浓度以排放源为中心向周边衰减,空间浓度最大值1.86×10-4mg/m3位于(-500 m,0 m,80 m)处;最大浓度点位的成人和儿童风险区间非致癌危害商值分别为0.200~0.480和0.280~0.620,不会对当地居民造成健康危害,空气吸入量和体重分别是成人和儿童Hg风险计算的主要不确定性因素。     

基于阶段式时序注意力网络的PM2.5鲁棒预测

PM_2.5浓度的预测对于大气污染治理、改善环境质量等起到重要作用。受气象条件变化与大气污染物排放等多种因素的交叉影响,PM_2.5预测通常易受突变事件及噪声数据干扰。因此,基于对气象条件以及大气污染物与PM_2.5的相关性分析,提出阶段式时序注意力网络模型（staged temporal-attention network,STAN）,该方法融合多段注意力学习模块与循环神经网络,建模气象因素与大气污染物对PM_2.5浓度的交叉影响。统计分析北京市、上海市、广州市预测结果的绝对误差值,可知:1）对比广泛使用的单一类模型支持向量机（support vector machine,SVM）、长短期时序记忆方法（long short-term memory,LSTM）和多层感知机（multilayer perceptron,MLP）,STAN可达到10%以上的性能领先;对比最新的融合类模型U型网络（U-net）,STAN领先了7%的优势。2）以北京市冬季预测结果为例进行统计分析,STAN的预测值与实测值之间的拟合系数可有95.2%的性能领先。此外,在鲁棒性分析中发现,STAN在含有10%噪声的数据上进行预测,误差上升幅度仅为9.3%。结果表明:注意力机制与时序学习模块相结合能够深度挖掘PM_2.5变化规律并抑制噪声数据,且STAN模型可以进行PM_2.5浓度的鲁棒预测。     

基于GA优化的SVR水质预测模型研究

针对污水中BOD₅参数不易直接测得的特点,提出了基于遗传算法(Genetic Algorithm,GA)优化参数的支持向量机回归(Support Vector Regression,SVR)水质预测模型。采用机器学习的方法,通过建立污水中COD等参数与BOD₅的数学关系模型的方式对BOD₅进行测定。使用遗传算法对SVR中的关键参数进行寻优,解决了传统SVR预测模型参数选择的问题。以北京市污水处理厂进水污水作为研究对象进行实验,结果表明,与BP神经网络与SVR相比,使用GA-SVR方法进行预测的结果更优,其平均误差与均方根误差分别降至0.009443与16.88 mg/L。