基于ARIMA模型的PM_(2.5)预测

PM2.5的精确预测是大气污染评价和治理的关键性工作。本文针对PM2.5浓度变化的时间序列分布特征,结合环境监测站提供的相关数据,应用自回归移动平均模型(ARIMA(p,d,q))预测短期PM2.5的日平均浓度。结果表明:由于PM2.5浓度变化受气象场、排放源、复杂下垫面、理化生过程的耦合等多种因素的影响,不同时段内的变化模式存在巨大差异,因此采用分时段序列预测模型可以提高PM2.5的预测精度;通过将分时段序列模型与灰色GM(1,1)模型和全年时间序列模型的预测结果进行对比,发现该模型预测效果更好。     

基于ARIMA模型的北京市朝阳区建筑垃圾产量分析与预测

在建筑垃圾产量历史数据缺失的情况下,借助ARIMA模型预测朝阳区拆除面积和建筑竣工面积,从经验系数法和间接预测法入手,对朝阳区的拆除垃圾、新建垃圾和装修垃圾的产量进行了预测。研究结果,表明未来8年朝阳区新建剩余垃圾和装修垃圾的产生量呈缓慢上升的趋势,工程槽土和拆除垃圾的产生量呈现周期性的波动;工程槽土对建筑垃圾总量的贡献最大,其次是拆除垃圾,新建垃圾的贡献最小。综合考虑不同类建筑垃圾的产生量和特点,朝阳区政府应加大拆除垃圾和装修垃圾无害化和资源化的管理力度。     

呼和浩特市PM10和PM2.5污染水平分析

分析呼和浩特市2011年8月到2012年7月逐日的PM10,PM2.5的质量浓度监测值,结果表明,呼和浩特市PM10和PM2.5污染在春季和冬季较夏季、秋季严重;PM10和PM2.5有良好的线性关系;PM2.5/PM10(β)平均值为0.55.     

影响PM2.5因素的多元统计分析与预测

基于1990年到2011年欧洲27国空气成分数据,运用统计学方法,得到PM2.5与主要空气悬浮物的线性回归方程,发现As、Co、Cr、Cu、NH3、NMVOC（非甲烷挥发性有机物）、NOx、PM10、Se、SOx、Zn为主要影响因素.之后,用时间序列分析预测出这些主要影响因素下一年的含量,并将其代入线性回归方程求出PM2.5的预测值.数据处理结果表明PM2.5的主要来源为燃煤、机动车排放、施工扬尘,控制好这几个因素就能有效控制PM2.5.     

基于BP神经网络的天津市PM2.5浓度预测研究

根据天津市2013年12月1日-2013年12月24日气象监测数据,先进行温度、湿度、风力因素对PM2.5浓度影响的相关性分析及定性分析,绘制温度、湿度和PM2.5浓度的二维趋势分布图及气体扩散风向浓度分布图;再运用BP神经网络模型对天津市2013年12月25日-2014年1月9日PM2.5浓度进行仿真预测,最终得到精确预测值.结果表明:温度及风速因素与PM2.5的浓度成反比,湿度因素与PM2.5的浓度成正比,而且通过BP神经网络模型对于“离散样本”、“气象参数不确定性”的实际天气情况可以得到较高的预测精度.     

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...     

西安市PM2.5时空分布模型研究

由基于时间序列的神经网络与BP神经网络构成一个二级神经网络模型.首先用基于时间序列的神经网络来构造模型,在每个监测站运用基于时间序列的神经网络模型得到一PM2.5的预测值P1,PM2.5与地理坐标之间无根本联系,只与相应地理坐标的环境因子有关,故用BP神经网络建立预测值P1与实测值P的模型,从而得到预测值P2,即通过构建二级神经网络得到PM2.5时空分布模型,然后对P2与P求均方差根RMSE进行检验.     

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。     

呼和浩特市PM2.5和PM10污染特征与相关性分析

本文分析探究了2016-2018年呼和浩特市PM2.5与PM10质量浓度的时间变化污染特征和趋势.结果表明:2016-2018年呼和浩特市的PM2.5与PM10质量浓度时刻变化均呈现"双峰双谷"字型;月变化趋势略有不同,PM2.5呈"单峰单谷"字型,最大值为65μg/m3,最小值为21μg/m3,PM10呈"双峰单谷"...     

崇明岛地区PM10和PM2.5浓度分析研究

2010年1月上海市政府颁布了《崇明生态岛建设纲要(2010-2020)》,本文从2013年9月1日至2014年8月31日运用颗粒物采集仪器于森林公园、绿华、现代农业园区、城桥四个空气自动监测点位监测PM10和PM2.5,分析PM10和PM2.5的浓度与风向的关系得出PM10和PM2.5污染与江对面的吴淞工业区、宝钢、石洞口电厂、罗店工业区乃至江苏太仓沿江工业区的污染物排放密切相关,在相当大的程度上主要是来自于他们的贡献.     

基于社会因素视角的北京市PM2.5灰色关联分析研究

本文主要从社会经济的角度分析北京PM_(2.5)的影响因素,即从工业化因素、城市化因素、跨区域因素三个方面研究北京市PM_(2.5)成因与相应的评价指标体系。基于灰色关联理论,测量了北京PM_(2.5)污染的自变量和因变量间的灰色关联度,并筛选出影响北京PM_(2.5)污染较为显著的因素。基于计量经济学模型,北京PM_(2.5)问题影响因素指标可分为本地能源结构、本地源影响、区域传输影响、本地城市化进程影响四个传导因素,其中区域传输的影响最大。进而提出要坚持在整个京津冀地区进行雾霾污染跨区域协同治理,实行联防联控。     

杭州市临平地区PM2.5和PM10污染特征分析研究

利用TEOM 1405-F和TEOM 1405颗粒物实时监测仪,研究了2013年12月至2014年5月临平地区PM2.5和PM10质量浓度实时变化特征,并结合气象五参数观测资料,对影响大气颗粒物分布特征的因素进行了分析,研究结果发现:冬季PM2.5和PM10的日均质量浓度明显大于春季,冬季PM2.5日均质量浓度范围为17.0 ～ 349.1 μg/m3,PM10日均质量浓度范围为18.8～516.9μg/m3,春季PM2.5日均质量浓度范围为20.4～167.6μg/m3,PM10日均质量浓度范围为38.2 ～243.3μg/m3;通过线性回归分析发现PM25和PM10存在较好的线性关系,说明PM10相对固定的受到PM2.5的影响,且污染物来源稳定;冬季PM2.5和PM10日均质量浓度存在三峰值波动状态,而春季PM2.5和PM10日均质量浓度存在双峰值波动状态;较大的风速、较高的气压和降水对于颗粒物的清除效果明显.     

基于文献计量的PM2.5国内外研究情况分析

本文采用文献计量方法分析研究了PM2.5相关领域论文研究态势。本研究主要通过分析WOS、CSCD、CNKI等数据库中的论文收录及引用情况,识别国内外主要研究领域、主要研究机构及人员、高影响力论文等,结合各国相关政策变化,讨论影响该领域发展的关键因素。通过本研究,作者预测未来中国的PM2.5研究论文将出现峰值。     

青岛市李沧区PM10与PM2.5污染变化特征分析研究

利用2014年1月-12月青岛市李沧区大气自动监测点实时发布的监测数据,对PM10和PM2.5的达标情况、变化趋势及其两者之间相关性进行分析.结果表明:青岛市李沧区PM10和PM2.5年均值分别为0.126mg/m3和0.062 mg/m3,均超过二级标准,全年达标天数比例分别为71.8％和72.1％;PM10和PM2.5有明显的季节变化特征,其中春季污染最重,污染日分别占全年的40.8％和44.1％.PM2.5占PM10比例较高,达到48.4％.PM2.5与PM10回归线性较好,y=0.571 2x-0.011 8,R2 =0.901 2;PM2.5和PM10的Pearson相关系数为0.912;PM2.5和PM10日均值呈显著线性相关.     

沈阳市大气颗粒物PM_(2.5)污染现状分析

利用2011年1～4月沈阳市环境空气中PM2.5自动监测资料进行分析,结果表明,冬季1月和2月污染严重,日均值超标率达到50.0%～64.5%。1天中PM2.5有2个峰值,最大值出现在上午8～9时,次之出现在22时,15时浓度最低。冬季PM2.5污染严重的原因是冬季采暖燃煤量大,污染物排放量大,加之气象扩散条件差导致污染严重。