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。     

基于组合模型的PM2.5浓度预测及其不确定性分析

运用GIS软件及克里金(Kriging)插值等方法分析合肥城市圈PM_2.5浓度的时空分布,根据合肥市环境监测历史数据、地面气象站点数据及历史气象数据,采用多元回归分析、相关分析等方法,研究合肥市PM_2.5浓度的影响因素。结果表明:1) PM_2.5浓度整体变化情况为冬季>秋季>春季>夏季,大部分城市PM_2.5浓度峰值出现在1月,之后浓度开始逐渐下降,7月达到最低值,此后浓度逐渐升高。2) PM_2.5浓度与CO呈高度正相关,相关系数高达0. 875;与PM10、SO₂、NO₂的相关性也较高;与O₃呈负相关。PM_2.5浓度与气压、风速、降雨量以及能见度呈负相关,与温度、相对湿度呈强正相关。基于2018—2019年合肥市地面站点PM_2.5浓度监测数据,构建预测PM_2.5浓度的组合模型:对比三次指数平滑模型,确定模拟退火+遗传+三次指数平滑...     

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。     

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.     

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。     

基于MRMR-HK-SVM模型的PM2.5浓度预测

以赣州市2017年全年的空气质量和气象数据为研究对象,通过最大相关最小冗余算法（MRMR）提取出最优的特征子集,并将其作为预测模型的输入数据,同时构造混合核函数（HK）对传统的支持向量机模型（SVM）进行改进,最终建立MRMR-HK-SVM模型.实验结果表明,MRMR-HK-SVM模型有着更低的平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）,相较于传统SVM模型,预测结果平均绝对误差下降了26.9%,且能更加准确的追踪到PM_2.5浓度的突变时刻.可见,MRMR-HK-SVM模型具有更好的泛化能力,能够更加精确地预测PM_2.5浓度.     

鼎湖山PM2.5 中水溶性离子浓度特征分析

为研究珠江三角洲背景区域大气气溶胶中水溶性离子的特征及其来源,于2007年1月～2008年12月,在鼎湖山利用大流量滤膜采样器采集PM2.5样品,并用离子色谱(IC)分析其中的水溶性离子成分含量.结果表明,PM2.5中总水溶性离子年平均浓度为(36.3±16.4)μg.m-3.其中,3种主要离子SO24-、NH4+和NO3-占总离子浓度的89%;夏季受到来自海洋气团的影响,Na+和Cl-相关性明显增强,相关系数R2为0.91;NO3-/SO24-的平均值为0.32,表明固定源对鼎湖山地区污染的贡献更大;PM2.5中Σ阳离子电荷/Σ阴离子电荷的变化范围为0.44～2.59,平均值是1.03,水溶性离子电荷基本平衡.     

基于LUR模型的2019年北京地区PM2.5与PM10浓度空间分异模拟

在城市区域内,空气污染物的浓度在小范围内存在显著差异,而离散的地面监测点分布不均匀,且监测范围有限,无法满足污染物暴露评估等研究的需求.本研究基于GIS空间分析和多元逐步回归的模型构建的方法,建立了土地利用回归（LUR）模型,并模拟了北京市2019年PM_2.5和PM₁₀浓度的空间分布特征.选择土地覆盖数据、气象数据（风速、降水、温度）和植被覆盖度数据等预测变量,以研究区34个监测站点为中心建立0.1~5 km共7个系列缓冲区,表征不同尺度下各变量对PM_2.5和PM₁₀浓度的影响.研究结果表明：①进入PM_2.5回归模型中的变量有：年均风速、温度、降水量和周围中等植被覆盖、耕地和不透水面的面积;进入PM₁₀回归模型中的变量有：年均风速和周围中等植被覆盖的面积.两个模型的调整R²分别为0.829和0.677,模型精度较高.②抑制污染物浓度的变量,影响力随着空间范围扩大而增强;使污染物浓度增加的变量,影响力随着空间范围缩小而增强.③浓度模拟结果显示,PM_2.5和PM₁₀在西北部山区浓度较低,南偏东的城区浓度较高,并且向南有逐渐增加趋势.4植被覆盖度这一变量不仅进入了上述两个方程,且影响力都强于其他土地利用类型,故以后的模型改进应该考虑植被覆盖度这一因素.     

秋季嘉兴PM2.5质量浓度特征分析

利用膜采样、颗粒在线称重方法和维萨拉气象仪对2004和2006年秋季嘉兴大气中ρ(PM_2.5)及气象因子进行了分析.结果表明:2004和2006年秋季ρ(PM2.5)分别为(84.7±62.4)和(89.0±61.5) 　μg/m3;ρ(PM2.5)占ρ(PM₁₀) 比例为42%～69%;ρ(PM_2.5)日均值变化大(16.7～345.7 μg/m3),晴天ρ(PM_2.5)约为阴雨天的2倍.ρ(PM_2.5)日变化分析表明,晴天呈双峰双谷现象,晚高峰(16:00—20:00)ρ(PM_2.5)大于早高峰(06:00—10:00),阴雨天日变化不明显.PM_2.5与相对湿度无显著相关性,但在不同相对湿度下PM_2.5与能见度呈显著的负指数关系.东北风和西北风是观测期内当地的主导风向,ρ(PM2.5)高值出现在西南风方向,重污染天气过程形成原因复杂.      

耦合遗传算法与RBF神经网络的PM2.5浓度预测模型

基于北京市空气质量监测点获取的空气污染物浓度数据,通过遗传算法搜索径向基人工神经网络的最优隐含层神经元数目和扩展常数,构建了耦合径向基人工神经网络算法与遗传算法的预测模型,预测北京市未来一天24h平均PM_2.5质量浓度.结果表明,预测精度与泛化性能良好.该模型不需要输入气象和地理位置信息等数据,具有依赖变量少、预测精度高（R²达0.75）和运算效率高等特征,并可以通过训练样本的驱动,使自身不断优化调整.该模型预测效果可以通过扩展输入特征、增加训练样本量等方法进一步提升,可对多种时空情境下的城市空气污染进行高效率且精确的预测.     

基于深度学习方法的PM2.5精细化时空估算模型

提出一种基于深度学习方法的地面PM_2.5浓度时空估算模型（PM_2.5-DNN）,该模型基于葵花-8卫星反演的AOD数据,结合PM_2.5监测站和气象站点观测数据对北京市地面PM_2.5浓度进行了逐时的高精度模拟,同时将PM_2.5-DNN模型的模拟性能与当前的主流方法进行了对比研究.结果表明,使用PM_2.5-DNN模型估算的北京地区1km分辨率每小时地面PM_2.5浓度与地表监测站观测数据对比的一致性较好,模型估算精度可达到R²=0.88,性能优于当前的主流方法.本文所提出的方法适用于区域尺度PM_2.5浓度时空分布细粒度建模与估算,采用端到端的训练方式构建模型,为精细的PM_2.5浓度估算提供了一个简便而有效的方法模型.     

低浓度甲醛和PM2.5联合暴露对哮喘小鼠的影响

为探究低浓度甲醛（FA）单独及与PM_2.5联合暴露对哮喘小鼠的影响,选取70只雄性Balb/c小鼠,随机分为5组,分别为：对照组、卵清蛋白（OVA）组、FA+OVA组、PM_2.5+OVA组、FA+PM_2.5+OVA组,每组14只,其中6只进行气道高反应性（AHR）检测,其余8只用于检测血清T-IgE、肺泡灌洗液（BALF）中IFN-γ、IL-4以及肺组织中活性氧（ROS）、丙二醛（MDA）的含量,并对BALF中炎症细胞进行计数.同时对小鼠肺组织进行H&E染色以及p-p38MAPK和p-p65NF-κB免疫组化分析.结果显示,与OVA组相比,0.5mg/m³FA单独暴露组哮喘小鼠肺部MDA水平显著升高（P<0.001）,肺部炎症细胞呈现上升趋势（P>0.05）,0.5mg/m³FA和0.5mg/kg PM_2.5联合暴露组哮喘小鼠肺部炎症显著加重（P<0.05或P<0.01）,肺功能减弱（P<0.01）,肺部氧化应激水平以及p38MAPK和NF-κB的磷酸化水平均显著升高（P<0.05或P<0.001）,Th2型细胞因子释放显著增加（P<0.01）.因此,低浓度FA单独暴露会加重哮喘小鼠肺部损伤而非抑制,并且可进一步促进PM_2.5对哮喘小鼠肺部的损伤,即低浓度FA和PM_2.5联合暴露会对哮喘小鼠肺部造成严重损害,这可能与ROS介导的p38MAPK途径加剧Th1/Th2型免疫反应失衡有关.     

基于AOD数据和GWR模型估算京津冀地区PM2.5浓度

利用MODIS气溶胶光学厚度（AOD）数据针对不同土地覆盖类型的适用性,提出了一种基于土地覆盖类型的AOD融合方法,生成了一种新的3km AOD数据集.在此基础上,通过地理加权回归（GWR）模型估算了京津冀地区2016年PM_2.5浓度,并用交叉验证的方法对模型性能进行评价.结果表明：利用融合后的AOD数据建立的模型可解释PM_2.594.85%的浓度变化,交叉验证R²为0.94,RMSE为9.27μg/m³,MPE为6.72μg/m³,明显优于多元线性回归（MLR）模型;基于GWR模型估算的京津冀地区2016年年均PM_2.5浓度为58.57μg/m³,其中冬季PM_2.5浓度最高,春秋季次之,夏季浓度最低,PM_2.5月均浓度变化范围32.78~140.83μg/m³,8月份浓度最低,12月份浓度最高;空间分布南北差异显著,衡水市PM_2.5污染最为严重,张家口市PM_2.5浓度较低.利用此方法成功弥补了PM_2.5空间缺失,为城市尺度的健康效应和环境流行病学研究提供数据支持.     

基于移动监测的城市道路PM2.5和PM10浓度分布研究

利用移动监测方法采集2016年7月14—16日上海市不同功能街区及道路环境的PM_2.5、PM₁₀、水膜高度等数据,研究城市不同街区及道路环境PM_2.5和PM₁₀浓度分布规律及影响因素。结果表明:降水对PM_2.5具有明显的去除效果,水膜高度与颗粒物浓度的变化存在负相关关系。生活区和虹桥商务区内的颗粒污染物以细颗粒为主,虹桥商务区和工业区的部分微环境分别由于工地和路面扬尘的影响会出现PM_2.5~10浓度严重升高的现象。小陆家嘴商务区的污染物扩散较好,不易堆积,该街区内没有污染十分严重的区域。实测证明,并不是所有的高架桥都会加重街道峡谷内的空气污染,合理的街道峡谷构造条件下,高架桥对街道峡谷内污染物扩散影响不大。     

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...     

基于混合效应模型的京津冀地区PM2.5日浓度估算

利用2016年182d的MODIS 3km AOD数据与地面监测数据,评估了混合效应模型不同参数组合的模拟性能,得出模型在解释AOD-PM_2.5关系时,对时间序列变异的解释能力要比空间差异更佳.在此基础上,利用混合效应模型建立京津冀地区每日的AOD-PM_2.5关系,模型拟合R²为0.92,交叉验证调整R²为0.85,均方根误差（RMSE）为12.30 μg/m³,平均绝对误差（MAE）为9.73 μg/m³,说明模型拟合精度较高.基于此模型估算的2016年京津冀地区年均PM_2.5浓度为42.98 μg/m³,暖季（4月1日~10月31日）为43.35 μg/m³,冷季（11月1日~3月31日）为38.52 μg/m³,与同时期的地面监测数据差值分别为0.59,0.7,5.29 μg/m³.空间上,京津冀地区的PM_2.5浓度呈现南高北低的特征,有一条明显的西南-东北走向的高值区.研究结果表明,基于每日混合效应模型可以准确评估京津冀地区的地面PM_2.5浓度,且模型估算的PM_2.5浓度分布状况为区域大气污染防治提供了基础的数据支撑.     

苏南农村地区大气PM2.5元素组成特征及其来源分析

为了解苏南农村地区大气细颗粒物的污染水平及其可能的来源,在2002年7月-2003年1月的夏、秋、冬3个季节对雪堰镇和太湖站PM_2.5进行采样和分析,得到了PM_2.5和14种组成元素的质量浓度.研究表明,苏南农村地区PM_2.5的污染水平较高,S,Zn,Pb和As 4种污染元素的质量浓度水平与城市接近;组成元素的季节分布规律存在区域差异,这可能与局地源的贡献,大气细颗粒物中、长距离传输以及复杂的气象条件有关.因子分析结果表明,土壤源、燃煤源、冶金或垃圾焚烧和汽车尾气4类源对PM_2.5有明显贡献,说明人类活动对苏南农村地区PM_2.5具有重要影响.