基于集合经验模态分解和支持向量机的溶解氧预测

应用集合经验模态分解(EEMD)和支持向量机(SVM)相结合的方法,建立一种天然水体溶解氧浓度预测模型。首先,利用EEMD方法将溶解氧时序分解成不同频段的分量,以降低序列的非平稳性;然后,根据各序列分量的自身特征建立合适的SVM预测模型,此过程通过相关分析确定各分量输入量;最后,将各子分量预测值合成得到最终的预测结果。使用该模型对嘉陵江北温泉段的溶解氧浓度进行预测,结果表明,与传统单一的SVM和BP神经网络模型相比,该模型能有效提高预测精密度,具有良好的应用前景。     

基于AGNES算法优化BP神经网络和GIS系统的大气污染物浓度预测

建立了大气污染物浓度与影响因子之间的BP神经网络,对城市中各监测点位的次日大气污染物浓度进行预测,采用GIS的插值分析进行污染物空间分布预测,其中BP神经网络的输入向量采用AGNES算法进行处理。以太原市区SO2、PM10浓度预测为例,选择气温、湿度、降水量、大气压强、风速和前5天的污染物浓度等10个参数训练BP神经网络,结果表明,BP神经网络的训练效果较好,预测结果与实际浓度显著相关,R2分别为0.988、0.976;结合太原市8个监测点位的污染物浓度预测值,运用GIS空间差值法绘出SO2、PM10的浓度分布预测图,该图与实际情况大体符合,并且与国控大气污染企业的分布显著相关,Pearson相关系数分别为0.969、0.949。     

基于信号改进深度学习网络的京津冀城市群二氧化氮浓度预测

在中国华北地区,二氧化氮污染仍旧不容忽视,尤其是在机动车辆密集和工业生产相对集中的京津冀城市群。运用小波分解(WD)和长短期记忆(LSTM)神经网络建立了W-LSTM组合模型,用于预测未来京津冀地区二氧化氮日均浓度和分指数。使用2014年1月—2018年5月主要大气污染物数据对组合预测模型进行训练试验,在获得最优模型参数后,使用2018年6月—2019年6月数据进行模型预测性能测试试验。结果表明,相较于传统的LSTM预测模型,W-LSTM组合预测模型具有更好的预测性能,预测结果的平均绝对百分误差为9.21%。在此基础上,使用最优预测模型对京津冀城市群2019年7月—2020年12月二氧化氮日均浓度进行了预测,并描绘了时空分布图用以表征其时空变化特征。     

t分布受控遗传算法优化BP神经网络的PM2.5质量浓度预测

根据齐齐哈尔大学监测点2014年3—5月PM2?5质量浓度及其对应的每小时的气象因素、气体污染物浓度,建立基于t分布受控遗传算法的BP神经网络模型（ BPM?TCG）,对PM2?5质量浓度进行模拟预测。并将其与BP神经网络模型、遗传算法优化BP神经网络模型（ BP?GA）进行对比分析。3种模型预测结果表明：BPM?TCG模型预测精度最高,泛化能力最好。 BPM?TCG模型对PM2?5质量浓度的准确预测为预防和控制PM2?5提供依据。     

NARX神经网络模型在昆明市环境空气质量预测中的应用

神经网络模型作为一种重要的手段被广泛应用于数学计算、物理建模、水文模拟、环境预测、人工智能等研究领域。为验证神经网络模型在高原山地城市环境空气质量预测中的作用,以昆明市环境空气自动监测站气象因子和污染物浓度数据为基础,构建NARX神经网络模型,对污染物浓度进行预测。结果表明,基于NARX神经网络建立的预测模型具有很强的非线性动态描述能力,能够对环境空气6参数做出较为准确的预测,其预测浓度相对误差显著低于CMAQ、NAQPMS空气质量数值模式以及LSTM统计模型预测结果。优化后的NARX神经网络对污染物浓度变化趋势的预测较其他几个模式更为敏感。     

小波方差分析北京市PM_(2.5)质量浓度序列周期特征

为分析北京市大气污染物PM_(2.5)质量浓度的时间序列周期性,采用Morlet小波变换对PM_(2.5)质量浓度进行分析,利用小波方差估计该市PM_(2.5)日均质量浓度的主周期,并通过显著性检验。结果表明,北京市PM_(2.5)日均质量浓度主周期为180 d左右,为后续大气污染物PM_(2.5)时间序列研究提供参考。     

大气环境数据分析预测方法对比研究

以西安市2006年9月27日至2008年5月3日每日的SO2平均浓度时间序列为例,应用时间序列分析对前555个数据进行拟合,得到合适的时间序列模型ARIMA(1,1,2);利用神经网络中的BP神经网络和RBF神经网络对同样的样本进行训练,用这三种方法对2008年4月4日至2008年5月3日的SO2日均浓度值进行了预测,并用同样的方法分析预测了同期PM10日均浓度值,最后比较了它们的预测效果。结果表明,利用这三种方法进行浓度预测都是可行的,其中RBF神经网络法的预测误差最小,效果最好。     

基于复合LSTM模型的PM2.5浓度预测

在对淄博市19个空气质量监测站点监测数据进行分析后,提出了一种基于机器学习的复合模型——灰色关联度分析(GRA)-改进的完备总体经验模态分解(ICEEMD)-长短期记忆网络(LSTM)模型。通过分析淄博市2019年大气污染物和气象数据,选用LSTM模型预测PM_2.5浓度。由于传统单一模块机器学习模型具有训练时间较长和预测精度较低的问题,提出了复合LSTM模型。该模型由3部分组成：GRA,用于PM_2.5浓度影响因素变量筛选;ICEEMD,用于PM_2.5分解、分量筛选和原始大气污染物及气象数据处理;LSTM,用于PM_2.5浓度预测。预测结果表明：淄博市中部丘陵地带PM_2.5浓度高于南部山区和北部平原,东部高于西部;淄博市逐月PM_2.5浓度呈“U”形分布,1月最高,8月最低;淄博市PM_2.5浓度受PM₁₀和CO影响较大,受湿度和温度影响较小。对比单一LSTM模型和GRA-LSTM模型,GRA-ICEEMD-LSTM模型...     

基于小波分析优化PM 2.5浓度预测模型

采用多元线性回归方法(MLR)和BP神经网络方法(BPNN),按1 h、3 h、6 h、12 h、24 h、48 h预测时长对贵港市2015—2018年PM_2.5浓度建模并检验对比模型准确率。结果表明,基于MLR与BPNN都能对PM_2.5浓度作预测,预测效果随着预测时长的增加而下降,MLR、BPNN模型预测结果平均绝对误差(MAE)分别为4.01μg/m³~15.48μg/m³、3.89μg/m³~15.63μg/m³。采用小波分析方法对污染物数据优化并再次建模,结果表明,小波-多元线性回归(W-MLR)模型与小波-神经网络(W-BPNN)模型均得到优化,3 h~24 h预测时长优化效果尤为显著,W-MLR、W-BPNN模型预测结果分别使MAE降低1.6%~13.5%、0.8%~9.8%,且后者预测效果优于前者。     

空气中PM_(10)浓度的BP神经网络预报研究

BP神经网络在空气污染预报领域的应用越来越广泛,本文建立了某市PM10浓度预报的分段BP神经网络模型。经验证所建立BP预报模型预测精度比较高,PM10日平均浓度误差大多数在-0.010～0.010mg/m3范围内,相对误差在-20%～20%范围内,表明BP神经网络对PM10的浓度预报是一种有效的工具。     

基于机器学习的大气PM2.5中金属浓度预测模型的研究

基于2013—2018年哈尔滨市气象数据、大气污染物数据和细颗粒物（PM_2.5）中金属成分数据,采用机器学习方法探索大气PM_2.5中金属浓度预测模型,并选择最优模型进行污染物浓度预测。结果表明,多元线性回归（MLR）、人工神经网络（BP-ANN）、支持向量机（SVM）和随机森林（RF）4种模型中,RF对大气PM_2.5中5种金属［锑（Sb）、砷（As）、铅（Pb）、镉（Cd）、铊（Tl）］的浓度预测效果最佳,在训练集和测试集中表现均较稳定,其中相关系数（r）均＞0.7, 平均绝对误差（MAE）和均方根误差（RMSE）数值较小。RF在大气PM_2.5中金属浓度预测上具有较好的表现,可在缺乏监测和实验数据的情况下,实现对大气颗粒物中金属浓度的快速预测,为全面了解颗粒物中金属污染特征提供数据基础。     

BP神经网络改进算法预测水质浓度的应用

探讨了黄河兰州段地表水水质浓度预测的BP神经网络法，建立了一种动态的、及时的、超前的BP神经网络预测模型。并在标准算法的基础上用2种改进算法同时进行比较。结果表明，改进的BP算法在水质浓度预测中更能胜任，时间短、准确度高。     

基于BP神经网络的儿童卧室内灰尘PAEs浓度预测

在实测数据的基础上,以邻苯二甲酸酯(PAEs)的各类影响因素为自变量,PAEs浓度为因变量,采用Back-propagation(BP)神经网络建立儿童卧室内PAEs浓度预测模型.结果表明,该模型的预测效果较理想,其中,STD比值均＞0.5,NMB均接近0,EMR均＜19％.以室内环境与儿童健康(CCHH)课题组天津地...     

基于BP神经网络的藻类水华预测模型研究

以宁波大学校内池塘2009年3—10月间30周的监测数据为基础,运用BP人工神经网络方法构建预测模型,探求颤藻生物量与总氮、总磷、透明度等6项环境因子之间的关系,选出最佳预测模型,并对模型进行敏感度分析。结果显示:①BP神经网络模型对颤藻生物量预测值与实测值之间拟合程度良好,相关系数达到了0.984,说明BP神经网络模型可以用于水体中藻类水华的短期预测。②通过对构建的BP神经网络模型进行敏感度分析,阐明了宁波大学校内池塘藻类水华的主要驱动因素,并指出控制水体的pH是宁波大学校内池塘藻类水华防治工作的重点。     

基于Prophet模型的空气污染物浓度预测方法

准确预测大气污染物浓度的时空变化趋势是制定、修订大气污染防控措施和持续改善空气质量的关键。笔者以内蒙古呼和浩特市为研究区,基于2015-2020年城市环境空气质量自动监测站的月度数据,运用Prophet模型,研究确定环境监测数据的突变点和Prophet模型饱和预测上下限等特征,完成了"十四五"期间研究区PM_2.5、 PM₁₀、 NO₂、 SO₂、 O₃5项污染物的浓度预测。采用可决系数、均方根误差及平均偏差误差对预测模型结果进行精度评估,并重点分析了2025年各项污染物浓度的时空变化规律。结果表明:Prophet模型可以较为精准地对5项污染物浓度进行预测,预计2025年呼和浩特市PM_2.5、 PM₁₀、 NO₂、 SO₂、 O₃质量浓度分别为41.64,、71.71、36.85、21.66、123.24 μg/m³,与以往该地区各项污染物时空特征一致,未来该市PM_2.5、 PM₁₀、 NO₂、 SO₂全年浓度均呈U形分布,具有冬季高、夏季低的特点,O₃全年浓度呈倒V形分布,具有夏季高、冬季低的特点。除此之外,研究还发现未来该市西部地区污染程度高于东部。预测结果表明:当前内蒙古对空气污染的治理措施为空气污染的持续改善提供了保障,O₃污染有加重趋势但尚在可控范围内,需要进一步加强防控。该研究揭示了呼和浩特市"十四五"期间5项空气污染物的浓度和时空变化趋势,可为呼和浩特市空气质量持续改善提供数据参考。     

环渤海地区空气质量时空变化特征及动态预测

基于环渤海地区2017—2021年各城市空气质量指数(AQI)、污染物浓度与社会经济数据,利用数理统计、克里金插值法对环渤海地区AQI与污染物浓度的时空变化特征进行分析,运用皮尔逊相关性分析方法探讨AQI与污染物浓度、社会经济因素的相关关系,采用时间序列预测模型对2022年6月—2023年12月空气质量及污染物浓度进行预测。结果表明:环渤海地区AQI及污染物浓度大致呈逐年降低的趋势。AQI的逐月变化呈"W"形,O₃浓度的年内变化呈倒"V"形,其余污染物则呈现与O₃相反的变化趋势。AQI大致呈现西南高、东北低的空间分布特点,而污染物浓度分布具有明显的空间差异。环渤海地区5个代表性城市的AQI类别以良好为主,冬季首要污染物主要为PM_2.5、PM₁₀,夏季首要污染物以O₃为主。人口数量是影响AQI的主要因素,城市园林绿地面积对AQI具有一定影响。预测结果显示,未来环渤海地区AQI、主要污染物浓度(O₃除外)均呈现出随时间的推移逐渐下降的变化趋势。     

基于小波变换的水源水中藻类生长动态研究

对利用小波变换法对天津引滦原水中日检测叶绿素（藻类表征指标）构成的时间序列进行了变换,将原始序列分解为5个低频和较低频的周期性小波系数和3个高频的“噪音”小波系数,发现5个周期性信息变化与季节更替、优势藻种变换及一定条件下藻类生长动态平衡等因素有关;而高频的“噪音”细节信息除检测误差造成外,降雨、风向及取样的深度也会对此产生重要的影响。通过该段时间水源区域内的气温、太阳曝辐照度及降雨数据分析,验证了小波转换系数的意义及分析结果。     

多介质模型在海湾突发性有机污染中的应用及案例分析

为弥补海洋环境监测能力不足,利用受潮汐动力控制海湾中的多介质模型,预测突发性污染发生后海洋环境中污染物的浓度变化信息,并对突发性污染物的迁移转化进行了计算.模型中使用逸度方法和质量平衡算法,预测非挥发性有机物在水、沉积物和鱼中的浓度.在象山港的应用结果表明,该模型可较快速地给出污染物在不同介质中的浓度变化信息,为环境监...     

区域环境影响评价中有关污染物本底值的研究与确定

阐述了环境影响评价中大气污染物本底值对评价结果的影响 ,提出了现有污染源对各控制点的浓度贡献值应该包括污染源对各控制点的浓度值和控制点大气环境因子本底值等内容 ;并对大气污染物本底值及其计算方法提出独到见解     

黄河中上游能源化工区大气污染跨界环境影响分析

对黄河中上游能源化工区近地面和边界层顶气象流场及该区域大气污染长距离输送产生的跨界环境影响趋势特征进行了分析。结果表明,该区域近地面和边界层顶的流场总体上为西北向东南流动,大气污染物长距离输送可能影响的区域主要为华中地区;区域冷空气的活动对其大气污染物的清除起重要作用;通过CALPUFF模型的模拟结果表明,该区域SO2的影响程度和范围明显大于NO2,在区域内部存在污染物浓度较高的区域,但未对区外造成显著跨界环境影响。