污染物浓度预测的PPR模型

采用投影寻踪回归技术的审视数据－模拟－预测新思路,对环境监测数据进行探索性分析,建立了污染物浓度预测的ＰＰＲ模型,该模型用于水污染物ＢＯＤ和ＤＯ浓度预测结果,共建模样本拟合格率为１００％,预测检验样本预测合格率达８３．３％。     

铜陵市空气污染物浓度与大气混合层高度的关系

以长三角地区典型工业城市为研究对象,利用气象探空站观测数据,采用干绝热曲线法计算代表大气垂直方向上大气混合能力的最大混合层高度,并与地面观测的空气污染物浓度观测结果进行对比分析。分析结果表明,2-4月和7-10月是月均最大混合层高度较高的2个时期;在季节变化上呈现出春季到冬季依次下降的特征,东亚季风气候是造成这些特征的主要原因之一。总体而言,随着最大混合层高度的增大,各污染物的最大可能浓度呈现出不同的降低趋势。最大混合层高度对颗粒态污染物(PM_(10),PM_(2.5))日均浓度的影响最为显著,主要原因是颗粒态污染物相对稳定、且生命周期长。对于气态污染物而言,化学性质稳定的CO的最大日均浓度与最大混合层厚度之间关系最好,其次为SO_2和NO_2。O_3由于化学性质不稳定且受太阳辐射影响显著,其最大日均浓度与最大混合层高度之间关系相对较差,但也存在着-0.692的负相关。     

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wavelet-SVM的PM10浓度时序数据预测

太原是以煤炭为主要能源的重工业城市,PM_(10)(particulate matter)是太原市的主要大气污染物,因此研究其变化趋势,并给出污染物浓度预测结果,为相关部门进行大气污染防治,为突发污染事件应急提供理论支持是一项非常重要的工作.支持向量机(support vector machine,SVM)应用于PM_(10)污染物浓度时序数据预测时,表现出良好的泛化能力.在预测模型建立过程中通常选择历史数据作为学习模型的输入特征,然而这样的数据表示形式,结构单一,信息表达不完备,在很大程度上将影响预测模型的泛化能力.本文以山西省太原市城区4个监测站点的PM_(10)日浓度数据为研究数据,通过小波变换(wavelet transform)将一维输入数据转化为由低频信息和高频信息构成的高维数据,并以该数据为输入数据建立wavelet-SVM预测模型.结果表明,相较于传统SVM模型预测,wavelet-SVM模型预测结果具有更高的精度,尤其能更加准确捕捉到PM_(10)浓度突变点,为大气污染预警提供有效信息支持,并且wavelet-SVM模型对于PM_(10)浓度时序数据变化趋势的预测精度有明显提升,能更好地预测PM_(10)浓度变化趋势,揭示PM_(10)浓度时序数据内在规律.     

基于GM(1,1)模型的甘肃省武威市空气污染物浓度的预测及分析

目的分析并预测2011-2015年甘肃省武威市空气主要污染物的污染状况。方法运用灰色系统方法,根据武威市2006-2010年空气主要污染物的监测数据建立灰色预测模型并进行预测。结果除SO2外,NO2和PM10都呈增长趋势,2015年的预测值分别为0.027 5、0.024 1和0.199 mg/Nm3。结论通过对模型的残差及关联度进行检验,所见模型合格,预测结果可为武威市空气的污染治理及科学管理提供辅助决策依据。     

基于深度学习的排污口污染物浓度预测研究

入河排污口是污染物进入生态环境的最后一道关口,预防超标排放是改善流域生态环境质量的基础.为实现排口超标排放事前预警,本研究以长江泰州段两类典型排口(污水处理设施排口和工业企业清净下水排口)为例,利用排口污染物监测数据与气象数据,基于长短期记忆神经网络(LSTM)、门控循环单元(GRU)、卷积循环神经网络(CRNN)等深度学习算法构建多污染因子(总氮、氨氮、COD、总磷)浓度预测模型,并结合SHAP分析结果识别影响排口水质预测的重要因素.结果表明：(1)单层与双层GRU模型在排污口未来6 h污染物浓度预测中表现较好,R²可达0.67～0.81;(2)自相关变量的累积重要性绝对值占比超80%,对排口污染物浓度预测的影响显著大于其他输入变量.该方法有潜力拓展应用至其它排污口类型及其它污染因子的浓度预测,为排口污染预警和全链条管理提供技术支撑.     

基于CEEMD-BiGRU模型的徐州市大气污染物浓度预测

目前大气污染物对于地区经济以及人体健康的影响不容忽视。选取徐州市2016-01-01—2021-01-24大气污染物和气象要素数据,针对大气污染物浓度波动性强等特点,运用互补集成经验模态分解(CEEMD)将污染物数据分解为本征模态分量,提取出原始数据的各项特征,再对分解出的各本征模态分量构建双向门控循环单元模型(BiGRU),通过双向循环训练,学习各分量的特征趋势并获得最优训练参数,将输出结果重构,得到最终的预测值。结果表明:与BiGRU、BP模型相比,CEEMD-BiGRU模型预测各项大气污染物的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别下降15%、20%和2百分点以上,预测精度有较大提升。在此基础上,利用CEEMD-BiGRU模型预测后一时间段残差,以修正原预测值,得到大气污染物预测区间上界,进一步扩展模型的适用性。     

大气污染物浓度的投影寻踪自回归预测

环境污染预测是环境科学研究的重要课题之一。线性回归预测，时序预测和灰色ＧＭ预测是常用的大气污染预测方法，但始终未有摆脱“假定－模拟－预报”的模式束缚，难以适应非正态，非线性分布的客观内在规律，投影寻踪高新技术，对数据结构或特征不作任何假定，而是通过直接审视和分析数据，应用计算机软件程序设计，为时序分析开辟了一条“审视数据－模拟－预报”的数据分析新途径，该文采用投影寻踪自回归新技术，建立了大气污染物     

城市大气污染物浓度预测模糊识别理论与模型

根据大气污染物的浓度具有模糊性且与多种指标相关的特点，提出对其进行预测的模糊识别理论与模型，并以二氧化硫为例，由２５个预测点大气中ＳＯ２浓度和相关指标的实测资料，利用上述理论与模型得出最优模糊预测参数，并对其它５个观测点的ＳＯ２浓度进行了预测检验。     

大气污染物长期平均浓度估算中风资料的应用

针对平均风速在大气长期平均污染浓度估算中的不适用性，提出了平均污染风速的概念。实际应用证明，平均污染风速能正确地使用于估算长期平均浓度和污染系数中，文章具体地对上海地区３个气象站１９９４年平均风速和平均污染风速及其采用此两种风速计算的污染系数做了分析，证明用平均污染风速代替平均风速来计算风向下的大气污染物长期平均浓度与实际情况较一致。最后还寻找了两者之间的联系和差异。     

小波分析应用于大气污染物浓度的预报

在分析了国内外大气污染预报模式存在的不足的基础上,提出将小波分析应用于大气污染物时间序列的预报;利用小波分析可以将时间序列通过小波分解一层一层分解到不同的频率通道上,分解后序列的平稳性比原始序列好得多。其小波分解后的序列用时间序列模型来预报,最后再合成得到原时间序列的预报值。     

基于Matlab的BP神经网络在大气污染物浓度预测中的应用

为了寻求有效控制和改善环境质量的相应措施,选用了英国伦敦Bloomsbury监测站的PM10小时平均浓度监测资料,采用“提前终止法”泛化改进的BP神经网络模型,预测PM1024 h内的小时平均浓度。结果表明：采用BP神经网络法对大气污染物浓度进行预测,预测相对误差在2%-48%之间,且绝大部分在2%-17%之间,预测精度较高,泛化能力较好,为大气污染物浓度预测提供了一种全新的思路和方法。     

公共地下车库空气质量调查与评价

公共地下车库逐渐成为公众日常出入的场所，也是当今大型城市中房地产建设项目的主要大气污染源。为了解地下车库的空气质量现状和污染物排放状况，北京市环境保护科学研究院结合建设项目环境影响评价实例对公建类和住宅类公共地下车库进行了抽样调查及监测评价，为环境管理和环境影响评价提供依据。     

污染源位置对气体污染物影响的数值模拟

在自然通风、置换通风和单侧送侧回式通风3种方式下,通过改变污染源位置,运用CFD软件模拟研究了办公室内苯污染物的浓度分布规律,比较得出最佳通风方式下的最合理污染源位置。结果表明,3种通风方式下污染源放置的最合理位置是点3;苯污染源处于位置3时,3种通风方式中自然通风各平面苯污染物平均浓度普遍相对最高,而单侧送侧回方式的相对最低,置换通风居于二者之间。最终确定单侧送侧回通风方式下污染源处于位置3时为最佳物理模型,在该模型下办公室内通风效果最好,能够有效地排出室内气体污染物。因此,不同污染源位置对办公室内空气品质的影响不同。     

基于BP模型的大气污染预报方法的研究

BP模型是目前最为广泛应用的神经网络模型之一,它是一种简单而又非常有效的算法.笔者将BP网络模型引入到大气污染预报领域,并根据大气污染物含量与气象要素的关系建立了大气污染物含量的神经网络预报模型.计算结果表明,BP模型应用于大气污染预报具有较高的预测精度和良好的泛化能力,它为信息社会的城市空气污染预报工作提供了一种全新的思路和方法.      

基于BP神经网络的空气污染指数预测模型研究

BP神经网络已成为研究空气污染预测的有效工具之一。文章利用近十年北京市地面气象观测资料和空气污染指数数据,通过BP神经网络技术构建了不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测。通过相关系数分析法,对比分析了预测结果与实际监测结果,研究结果表明:春、夏、秋、冬季的预测值与监测值线性相关系数分别为0.81、0.84、0.89、0.85。北京春季常伴随有沙尘天气,而文章并没有考虑沙尘天气对预测模型的影响,因此春季BP神经网络预测精度在四季中最低,其预测值与监测值的线性相关系数为0.81。由于秋季不同空气质量级别的数据都有较多分布,因此该季节构建的网络更具有代表性,其预测精度在四季中最高,预测值与监测值的线性相关系数高达0.89。总之,BP神经网络模型对于北京空气污染指数预测是行之有效的。     

基于IG-LASSO模型的城市空气质量指数混合预测研究

空气质量指数是各个地区空气污染状况的数据表征,可用于政府对城市空气污染的控制。论文使用天津市2014年1月1日-2016年4月30日的空气质量数据和气象数据,建立一个基于IG(信息增益)和LASSO(最小绝对收缩率和选择算子)的空气质量指数混合预测模型,对未来一天的空气质量指数进行预测。整体实验由预测模型选取、特征变量选取和混合预测3个部分组成。实验结果说明基于IG和LASSO的空气质量指数混合预测模型要比单独使用LASSO模型的预测准确性要好,其误差率为4.75%,并且空气质量指数混合预测模型也可以有效的减少输入变量的数量以及降低模型的复杂程度。同时,也得出天津市空气质量指数的预测准确度受PM_(10)、PM_(2.5)、NO_2和SO_(2)4种空气污染物浓度影响较大,与风向、天气现象和风力关联性不强的结论。     

基于气流轨迹聚类的大气污染输送影响

基于中尺度气象预报模式(MM5)、混合单粒子拉格朗日积分(HYSPLIT)轨迹模式模拟和K均值聚类算法,利用气流轨迹聚类判断不同尺度大气输送型对城市空气的质量影响. 采用MM5模式对2006年珠江三角洲地区四季代表月(1,4,7,10月)的气象场进行了模拟,将模拟结果输入到HYSPLIT模式中,以计算广州市上空气团每日逐时的12 h后向轨迹;利用K均值聚类算法按轨迹移动方向和速度将各月气流轨迹线聚为有代表性的5类,计算各类输送型出现时段广州市ρ(PM₁₀₎和ρ(SO₂)的平均值. 结果表明,珠江三角洲地区低层大气输送季节性变化明显,按输送特征及其对城市污染物浓度的影响差异,可将输送型分为局地输送、城市间输送和远距离输送3类. 结合污染源排放清单得出的污染源空间分布,分析结果表明,广州市大气污染较重时段主要受特殊气象条件和珠江三角洲地区周边城市排放源的影响,本地源排放与周边城市污染物输送的叠加使大气污染加重.