基于小波变换与传统时间序列模型的臭氧浓度多步预测

采用最大重叠小波分解与重构方法,将影响O3小时浓度的不同时间尺度的物化过程分离出来,以提高序列的光滑性.同时,选择合适的传统时间序列模型(如ARIMA模型等)来描述不同过程的序列特征,并分别拟合预报.最后,在建模中引入24 h季节项,以实现提前24 h-次性预测未来1d的O3逐时浓度.结果表明,预报的平均相对误差为12.92％,平均绝对误差和均方根误差分别为10.04 μ.g·m-3和13.98μg·m-3,预报值与实测值的相关系数和匹配指数分别为0.96和0.98.随着预测期的延长,预报误差仍处于可接受范围内.该方法同样适用于每日最大O3小时浓度预报,研究结果为发布天气预报式的空气质量预报提供了新思路,便于公众规划出行并减少大气污染暴露.     

基于RF-LSTM的鸡舍恶臭气体预测研究

以鸡舍氨气为研究对象,对鸡舍氨气预测模型进行了研究.首先,利用随机森林算法（RF）对影响鸡舍氨气浓度的环境变量进行重要性排序,选取温度、湿度、光照、气象温度、降雨量作为模型的输入变量;在此基础上,构建了基于长短时记忆神经网络（LSTM）的鸡舍氨气浓度预测模型,并将提出的预测模型应用于江苏省宜兴市某养鸡场的氨气浓度预测中,并与LSTM模型、RF-Elman模型和RF-BP模型进行了对比实验,结果表明,基于RF-LSTM模型的预测效果最好,其平均绝对误差（MAE）、平均绝对百分误差（MAPE）和均方根误差（RMSE）分别为0.9183、4.9637%和1.4262;同时,为了验证该模型的性能,本文还实现了不同时间尺度的鸡舍氨气浓度预测,提前2h、3h、4h、5h氨气预测的平均绝对误差（MAE）分别为1.6218、2.1991、2.8553和3.0677.本文提出的预测模型提高了鸡舍氨气浓度的预测精度,可为减少鸡舍恶臭气体排放提供科学依据.     

短程反硝化的启动及多参数优化下NO2--N积累特性

采用本实验室长期培养的厌氧（S-A）、好氧（S-O）和交替厌氧/好氧（S-A/O）活性污泥为种泥,分别启动短程反硝化SBR反应器R1、R2和R3,控制进水C/N比为3,缺氧搅拌时间为1h时,在第15d、7d和4d亚硝酸盐积累率（NAR）分别达到75.34%、84.51%和86.23%.选取C/N比、初始pH值、缺氧搅拌时间和初始NO₃^--N浓度对NAR进行四因素三水平响应面实验,方差分析结果表明,以上因素对NAR均有显著影响（P<0.05）,模型R²为0.983.通过模型预测得最佳运行条件：C/N比为3.16,初始pH值为8.51,缺氧搅拌时间为1.27h,初始NO₃^--N浓度为60mg/L的条件下,NAR高达91.32%.     

基于3种时间序列模型的九龙江河流库区藻华预测

湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区(水源地)为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM(长短期记忆神经网络)3种时间序列模型在藻华(日平均叶绿素a大于15μg·L^-1)预测方面的效果.结果表明：(1)时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;(2)基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;(3)输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于...     

基于BP神经网络的大气污染物浓度预测

利用BP神经网络结合变量筛选的方法建立了SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物的浓度预测模型,并选取2014-01-01至2015-11-28时段,昆明市区5个环境监测点以上6种污染物浓度的监测数据建立了昆明市污染物日均浓度预测模型.采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日均浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日均浓度进行预测.结果表明,在关上监测点利用浓度预测模型对SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物浓度进行预测,污染物浓度预测值和实测值趋势吻合度较高.变量筛选后SO_2、PM_(2.5)预测效果比变量筛选前的预测效果好.O3的均方根误差和PM_(10)的标准化平均偏差,变量筛选前的预测效果比变量筛选后的预测效果好.变量筛选前的NO_2和CO的预测结果比变量筛选后的预测效果好.其他4个环境监测点的污染物浓度预测结果与关上监测点的结果相似.     

基于NARX神经网络的千岛湖藻类短期预测模型构建

局部水域的藻类异常增殖现象逐渐成为千岛湖面临的水环境保护难题. 构建以数据驱动的水华预测模型,实现对重点水域叶绿素a (Chla)浓度短期动态变化的预测,是快速应对潜在水华风险的有效手段之一. 鉴于NARX神经网络在预测非平稳时间序列动态特征方面的优势,以千岛湖国控监测断面小金山2016—2019年Chla的高频时间序列作为研究对象,对Chla剖面数据进行沿深平均、缺失值插补后,分别以连续3 d和连续7 d的Chla浓度作为输入,构建了基于NARX神经网络的藻类预测模型,用于预测未来0.5~7 d Chla浓度的变化,探讨了相关参数设置、训练及评价方法,并针对不同的预见期分析了模型性能. 结果表明:① 模型预测性能稳定,预测值与实测值相关系数保持在0.8~0.9之间,均方误差在15~30之间. ②随着预见期的变化,模型性能不同. 其中,在未来0.5~4 d的预测中,使用连续3 d的 Chla浓度作为输入的预测效果较好;在未来4.5~7 d的预测中,使用连续7 d的Chla浓度作为输入的预测效果较好. 研究显示,该模型可以较为准确地预测未来0.5~7 d的Chla浓度,可为构建以数据驱动的千岛湖水华监测预警系统提供科学依据.      

不同电子供体的硫自养反硝化脱氮实验研究

采用硫自养反硝化处理模拟低浓度硝酸盐污染水.分别以单质硫、Na2S和Na2S2O3作为电子供体在3个反应器中连续运行进行脱氮实验,以考察不同电子供体条件下的脱氮效果.结果表明,在进水NO3--N浓度为13 mg.L-1的条件下,以Na2S2O3为电子供体脱氮效果最好,Na2S系统最差;Na2S2O3系统对低温的适应能力最强.20℃以上时,单质硫系统脱氮效率受传质效率和HRT的影响较大,HRT≥2 h时,系统对NO3--N和TN的平均去除率较高,分别为81%和79%,而HRT<2 h时,NO3--N和TN去除率分别降为47%和51%,出水NO2--N无明显积累,平均为0.53 mg.L-1;Na2S系统HRT保持在4 h时,NO3--N和TN的平均去除率分别为47%和41%,出水NO2--N平均质量浓度为0.29 mg.L-1;而Na2S2O3系统的NO3--N和TN平均去除率分别为99%和90%,出水NO2--N平均质量浓度为0.080 mg.L-1,且最短HRT可缩短至0.5 h.分子生物学分析表明,3个系统中存在不同的优势硫自养反硝化菌,单质硫系统中存在脱氮硫杆菌,而Na2S和Na2S2O3系统中得到的反硝化菌基因片段在基因库中尚未找到相似性高的菌种,可能是尚未登记的硫自养反硝化菌新菌种.     

小波支持向量机在大气污染物浓度预测中的应用

用小波分解重构和支持向量机相结合的方法,建立大气污染物浓度预测模型。通过小波分解,将大气污染物浓度序列分解为不同频段的小波系数序列,再对各层的小波系数序列重构到原尺度上。利用相关分析的方法构建出低频小波系数a3和中频小波系数d3的支持向量机模型输入因子为前一天小波系数a3和7个气象因子;高频小波系数d2和d1以前三日的小波系数为输入因子,然后对各小波系数序列采用相应的支持向量机模型进行预测,各小波系数均使用ν-支持向量回归机(ν-SVR)算法和径向基函数,最后通过小波重构合成大气污染物浓度序列的最终预测结果。通过对大气SO2浓度预测实例证明,该大气污染物浓度预测模型具有推广能力较强、预测精度较高、训练速度快、便于建模等优点,具有良好的应用前景。     

基于广义相加模型的北京市2018—2022年地面臭氧气象影响要素研究

臭氧污染是制约北京市环境空气质量持续改善的关键因子,气象是导致臭氧浓度超过国家标准的重要因素,探究气象要素与臭氧浓度之间的关系,对有效治理臭氧污染具有重要意义.本文分析了2018—2022年北京市地面臭氧浓度的演变特征,并利用气象要素和臭氧日最大8 h滑动平均浓度(O₃-8 h)观测数据,基于广义相加模型和合成少数过采样技术,构建了适用于北京的臭氧非线性回归预测模型,识别了影响北京市O₃-8 h浓度日际变化气象因子的重要程度.结果显示：(1)近5年北京市臭氧浓度仍处于高位波动阶段,5—9月是臭氧浓度超标最严重的时期.(2)回归模型对高浓度臭氧具有良好的预测能力,其对北京市5—9月O₃-8 h浓度变化的方差解释率为83.3%.(3)基于回归模型发现,日最高气温、风向、紫外辐射强度、相对湿度、风速、地表平均气压与O₃-8 h浓度之间均有显著的非线性关系,其中,日最高气温、风向和紫外辐射强度为主导O₃-8 h浓度变化的气象要素.在高温、主导风向为偏南风、紫外辐射强度较强的气象条件下,...     

氮素调控对冻融过程中土壤N2O排放的影响

应用室内冰柜模拟冻融过程,研究了不同氮素形态(铵态氮、硝态氮和酰胺态氮)和浓度(40、200和800 mg/L)对潮土N2O排放通量的影响.结果表明,随土壤冻结时间的延长N2O排放通量缓慢降低,土壤融化初期出现一个土壤N2O排放通量高峰,而后随土壤逐渐融化的进行N2O排放通量缓慢升高.3种氮素浓度条件下,铵态氮、硝态氮和酰胺态氮冻融过程中土壤平均N2O排放通量分别为119.01、205.28、693.95μg.(m2.h)-1,611.61、1 084.40、1 820.02μg.(m2.h)-1和148.22、106.13、49.74μg.(m2.h)-1,而对照处理仅为100.35μg.(m2.h)-1.随氮素浓度的增加,铵态氮、硝态氮源土壤N2O累积排放通量分别比对照增加17.49%、40.09%、425.67%和563.38%、915.28%、1458.6%,且施加的浓度越高累积排放量越大,但达到稳定N2O排放通量的时间向后推移.随浓度增加酰胺态氮处理土壤N2O排放通量随浓度增加而降低.建议潮土越冬水中铵态氮和硝态氮浓度应分别小于200 mg/L和40 mg/L,酰胺态氮的浓度不限,从而减少土壤N2O的排放.     

夏季对流层臭氧辐射强迫对华北地区天气和空气质量的影响

自2013年我国实施《大气污染防治行动计划》以来,大气颗粒物浓度显著降低,但臭氧（O₃）污染日益严峻,同时对流层O₃作为一种重要的温室气体,其辐射强迫能够影响天气和空气质量.利用双向耦合的区域空气质量模型WRF-Chem,再现2017年6月发生在华北地区的一次O₃污染事件,通过敏感性试验分析对流层臭氧辐射强迫（TORF）对当地气象场的影响,以及改变的气象变量对O₃空气质量的反馈作用.结果表明,WRF-Chem模式在气象要素的模拟上表现出较好的性能,并且能够很好地捕捉到O₃浓度的时空演变特征.TORF使北京-天津-河北-山东地区的近地面气温平均升高0.23 K （最大增温可达0.8 K）、近地面相对湿度降低1.84%、边界层高度增加27.73 m.TORF对风速的影响较弱（-0.02 m ·s^-1）,但产生的西南风异常容易将上游污染地区的O₃和其前体物输送至华北地区.在臭氧辐射反馈的影响下,研究区域内φ（O₃）平均增加1.7%（1.23×10^-9）,而在污染严重的北京和天津地区,φ（O₃）增加量最高可达5×10^-9.进一步利用过程诊断分析法可以发现,增强的气相化学反应是TORF恶化近地面O₃污染的主导原因.     

Measurement and prediction of ozone levels around a heavily industrialized area: a neural network approach

This paper presents an artificial neural network model that is able to predict ozone concentrations as a function of meteorological conditions and precursor concentrations. The network was trained using data collected during a period of 60 days near an industrial area in Kuwait. A mobile monitoring station was used for data collection. The data were collected at the same site as the ozone measurements. The data fed to the neural network were divided into two sets: a training set and a testing set. Various architectures were tried during the training process. A network of one hidden layer of 25 neurons was found to give good predictions for both the training and testing data set. In addition, the predictions of the network were compared to measurements taken during other times of the year. The inputs to the neural network were meteorological conditions (wind speed and direction, relative humidity, temperature, and solar intensity) and the concentration of primary pollutants (methane, carbon monoxide, carbon dioxide, nitrogen oxide, nitrogen dioxide, sulfur dioxide, non-methane hydrocarbons, and dust). A backpropagation algorithm with momentum was used to prepare the neural network. A partitioning method of the connection weights of the network was used to study the relative % contribution of each of the input variables. It was found that the precursors carbon monoxide, carbon dioxide, nitrogen oxide, nitrogen dioxide, and sulfur dioxide had the most effect on the predicted ozone concentration. In addition, temperature played an important role. The performance of the neural network model was compared against linear and non-linear regression models that were prepared based on the present collected data. It was found that the neural network model consistently gives superior predictions. Based on the results of this study, artificial neural network modeling appears to be a promising technique for the prediction of pollutant concentrations.     

基于轻量级梯度提升机的南京大气臭氧浓度预测

采用南京地区2015年1月至2016年12月期间的空气质量数据和常规气象资料数据,分析了南京地区O₃浓度变化特征,建立基于轻量级梯度提升机(LightGBM)的O₃浓度预测模型,并将该模型与支持向量机、循环神经网络和随机森林等3种在空气质量预测方向上常用的机器学习方法进行了对比,验证模型的有效性和可行性.结果表明,南京地区O₃浓度变化具有显著的季节性差异,浓度变化受前期浓度、气象因子和其他空气污染物浓度的共同影响.LightGBM模型较为准确地预测了南京地区地面O₃浓度(R²=0.92),且该模型的预测精度和计算效率等性能优于其他模型.尤其是在容易出现臭氧污染的高温天气,该模型预测准确性明显高于其他模型,模型稳定性较好.LightGBM具有预测准确度高、稳定性好、有良好的泛化能力和运算时间短等特点,在O₃浓度预测方面具有显著的优势.     

佛山臭氧浓度预报方程的建立与应用

臭氧作为大气中的二次污染物,其形成和变化复杂,臭氧预报更是当下空气污染治理的难题之一.通过分析2014~2017年佛山地区近地面O₃浓度与高低层气象要素的关系,建立了佛山O₃浓度预报方程,并进行了检验和应用.结果表明,佛山近地面O₃的变化与高低层气象要素关系密切,气温和日照时数等气象要素与O₃浓度呈显著正相关,相对湿度、总（低）云量和风速等与其呈负相关;高浓度O₃污染发生的气象条件为小风速、晴间少云、低相对湿度、较长的日照时间和较高的温度,高浓度O₃潜势指数（HOPI）和风向指数（WDI）的定义可以较好地衡量O₃污染气象条件的好坏;综合考虑HOPI和不同高度WDI等13种气象要素,采用多指标叠套和多元逐步回归建立了佛山地区臭氧浓度预报方程;利用2018年资料检验发现,模拟值与实测值二者的相关系数R可达0.82,预报方程具有良好的拟合效果和可预报性.     

淮北地区一次春季浮尘天气成因研究

利用激光气溶胶雷达和风廓线雷达,结合卫星遥感资料、地面气象要素资料、大气气溶胶浓度资料和HYSPLIT模型,研究了2017年5月5—8日淮北地区一次沙尘天气过程的特征.结果表明,2017年5月5—6日上午的浮尘(过程1)是由西北-华北地区的远距离输送所致,其中PM_(10)峰值浓度高达766μg·m~(-3),而6日下午—7日的浮尘(过程2)是冷空气回流所导致.外源输入、气象要素和垂直风场的变化为浮尘天气的发生和维持创造了有利条件,降水的出现使本次浮尘天气过程结束.激光气溶胶雷达可以有效监测此次浮尘天气的大气气溶胶消光系数的空间分布,能直观准确地反映出污染物的分布聚集情况以及时空变化,对大气污染监测具有重要意义.本研究还提出了适合江苏地区的浮尘客观判定方法,SO_2/PM_(10)、NO_2/PM_(10)以及PM_(2.5)/PM_(10)的比值可以有效判别浮尘天气.     

耦合观测数据-模型计算-案例分析的臭氧综合预报方法

当前臭氧模式预报和统计预报的技术难以满足不同地域精细化环境管理需求,亟需构建稳定性高、实用性强的本地化臭氧预报方法. 本研究通过构建臭氧预报工作流程并明确臭氧预报流程中相关技术参数和要求,以陕西省及其省会城市—西安市为例分析历史气象和环境空气质量数据,获取陕西省臭氧污染规律以及西安市不同气象条件下臭氧等级分布规律和典型案例预报要点,确立人工订正经验技术集的方法,明确案例库构建、会商和预报回顾机制的相关要求,旨为臭氧预报模式的本地化提供科学的技术路线. 结果表明:通过臭氧预报效果评估与结果择优、人工订正、预报会商及预报结果回顾所组成的臭氧业务化预报工作流程具备切实可行性;此外,陕西省臭氧浓度与相对湿度、气压和风速均呈显著负相关,与温度呈显著正相关,臭氧预报时应重点关注日均温度大于28 ℃、日最大温度大于34 ℃、相对湿度小于57%、气压低于959 hPa、风速小于2.3 m/s的气象条件下的臭氧等级.      

近地面臭氧污染过程和相关气象因子的分析

为了了解₃的污染过程,进行了包括全天24h₃浓度和气象参数的观测。分析了高浓度₃日的气象条件,表明高压天气形势、晴天少云、日照持续、气温升高、湿度低、温度垂直梯度和Ri数较高等是形成高浓度₃的有利条件。从₃浓度全天24h的观测结果发现,除12:00～14:00的主峰外,在0:00～4:00还有一个次峰。所有例子都表明₃浓度日变化和各气象因子有着很好的对应关系,值得注意的是,当风速和太阳辐射同步增减时,共同促使₃浓度增大,使₃在中午出现显著的峰值,当风速值出现在其他时间时,也可以使₃出现次峰。      

2014年海口市大气污染物演变特征及典型污染个例分析

主要分析了2014年海口市逐日的空气质量指数(AQI)和6种大气污染物的演变特征,同时,结合卫星遥感和轨迹模式等资料和方法对1次典型污染个例进行诊断.结果表明:海口市2014年的空气质量主要以优和良为主,6 d达到轻度污染级别,1 d达到中度污染(1月5日,AQI值为158).1月污染最为严重,其中,阶段1(1-6日)和阶段3(18-23日)AQI值偏高,阶段2(7-17日)和阶段4(24-31日)偏低.1月东亚地区天气形势演变对海口市AQI值具有动力影响.AQI偏高阶段,地面高压系统位于内蒙古东部,华南低层东北风场有利于污染物向海口市输送;而在AQI偏低阶段,地面高压系统东移出海,低层偏东风场不利于污染物的输送.后向轨迹聚类分析表明,1月海口市比率最大(39%)的气流主要经过大气污染相对严重的广东珠江三角洲(珠三角)地区,有利于污染物的区域传输.污染个例分析表明,海口市污染物浓度变化与气象要素有密切关系,10 m风速较小有助于近地面的污染物在区域内累积,水平风垂直切变偏弱对天气尺度扰动的发展和大气的垂直混合不利.卫星遥感和后向轨迹分析也表明,外源输送与海口市这次大气污染事件有直接关系.     

Trends in ground level ozone concentrations in the European Union

Following the Council Directive 92/72/EEC on air pollution by ozone the Member States of the European Union have to inform the European Commission on ozone concentrations and exceedances of threshold values within their territory. Using the available information covering the period of 5 years (1994–1998), the data has been analysed for a possible trend in statistical parameters (50- and 98-percentiles) and number and severity of exceedances. Time series are relatively short but the data suggest that there might be a small increasing trend in the 50 percentile values. The ozone peak values, expressed as 98-percentile values or as number of exceedance days tend to decrease. However, these conclusions must be interpreted carefully as on the short time scales considered here meteorological variations and inter-annual changes may play an important role. The decrease in peak values is most likely caused by the decrease in European ozone precursor emissions since 1990; insufficient data is available to explain the increasing 50-percentile values. Possible explanations are an increase in tropospheric ozone background values caused by a world-wide increase in CH₄, CO and NO_x emissions or a reduced ozone titration by reduced NO_x emissions on the local scale. The data submitted under the ozone directive is insufficient to provide firm conclusions on this point.     

主成分和回归分析方法在大气臭氧预报的应用——以北京夏季为例

利用北京市区两个典型观测站的大气臭氧(O3)及前体物浓度观测资料和气象要素观测数据,分析了影响大气O3浓度各要素的相关性,并采用主成分分析和逐步回归方法构造大气O3浓度统计预报方程.结果表明,大气O3与前体物一氧化氮(NO)、二氧化氮(NO2)和气象要素呈现较好相关性;发现由于变量间共线性问题,逐步回归方法不能给出可接受的回归方程,而采用主成分分析和逐步回归方法相结合,可避免共线性问题,由前体物浓度和气象要素给出较好的北京大气O3浓度统计预报方程,可决系数R2分别为0.78(IAPs2007)、0.88(IRSAs2007)和0.64(IAPs2005),能够有效地预报O3浓度的变化情况.