基于贝叶斯网络的大连市空气质量预测与诊断

贝叶斯网络具有双向推理能力,可有效解决空气质量研究中的不确定问题。将贝叶斯网络引入到空气质量研究中,基于大连市2014—2016年空气质量指数(AQI)以及SO_2、NO_2、O_3、CO、PM_(10)、PM_(2.5)6种污染物浓度数据,通过构建贝叶斯网络模型对大连市空气质量进行了预测与诊断研究。结果表明:(1)利用贝叶斯网络因果推理功能验证了贝叶斯网络预测模型的有效性:大连市春、夏、秋、冬四季和全年的空气质量预测精度分别为89.29%、92.86%、88.89%、85.19%、89.09%;(2)利用贝叶斯网络模型和模糊综合评价法分别对大连市2017年5月1日至15日的空气质量进行预测,并比较官方的监测值,结果显示贝叶斯网络模型用于空气质量的预测更为准确;(3)利用贝叶斯网络诊断推理得出O_3和PM_(2.5)是大连市空气污染的主要贡献者。贝叶斯网络技术用于空气质量的预测和诊断具有可行性和可靠性。     

天气形势预测法在深圳市空气质量预报中的应用研究

基于深圳市2013年4月-2014年3月每日气象观测数据和空气质量监测数据,分析了深圳市不同空气污染程度下的天气规律及影响要素特征,并通过将天气系统分为13种类型,在寻求与建立不同天气类型情景下污染物(PM_(2.5)、PM_(10)、SO_2、NO_2、CO、O_3与AQI指数)变化函数的基础上,构建了天气形势预测模型对深圳市未来1~3 d空气质量进行预测。结果表明:(1)整体而言,低压系统和辐合区有利于深圳市大气污染物的扩散,而高压系统和均压区不利于大气污染物的扩散。(2)当深圳市出现轻度以上污染时,陆地一般由高压系统所控制,且深圳以处于高压前部分主。(3)天气形势预测模型对深圳市AQI指数的24、48、72 h预报相对误差分别为22.0%、22.2%与21.9%,该模型具有一定的准确率和可靠性,对空气质量预测具有较好的应用价值,可为空气质量预报预警提供科学的参考依据。     

基于属性简约和BP神经网络的PM_(2.5)预测模型

利用南充市2014-2015年的空气质量数据和气象数据作为分析数据,研究了南充市后1日PM_(2.5)的预测模型。研究过程分为2个阶段:(1)经粗糙集-遗传算法属性简约后,保留了11个必要属性;(2)保留的必要属性作为BP神经网络的输入层,基于BP神经网络建立了后1日PM_(2.5)的预测模型。结果表明:(1)决策属性对条件属性的依赖度为0.779 3;(2)经属性简约后建立的南充市后1日PM_(2.5)的预测模型预测误差降低了1.73%,准确率提高;(3)经属性简约后建立的南充市后1日PM_(2.5)的预测模型准确率为80.26%,对优良状态PM_(2.5)预测的准确率为75.35%,对污染状态PM_(2.5)预测的准确率为87.63%。基于属性简约和BP神经网络的PM_(2.5)预测模型总体预测效果良好,可用于颗粒物浓度预测和污染情况预报,为大气环境监测和管理提供重要技术参考。     

基于聚类分析与偏最小二乘法的支持向量机PM_(2.5)预测

考虑样本和输入变量的选取对预测模型精度的影响,文章提出一种基于K-means聚类与偏最小二乘法的支持向量机PM_(2.5)浓度预测方法。首先采用K-means算法对气象属性进行聚类,间接把PM_(2.5)序列分成了相似度较高的若干类,并分别作为预测建模用的训练样本;然后采用偏最小二乘法从影响PM_(2.5)浓度的多种因素中提取主成分,作为各类模型的优化输入;最后根据预测日的气象属性选出合适类别,运用优化后的训练样本和输入变量建立PM_(2.5)浓度预测模型。以北京市某监测点的实际数据为例,运用改进模型和传统模型分别进行实验。结果表明:改进的支持向量机相比传统支持向量机在预测精度上有明显的提高,精度评价指标MAE、MAPE和RMSE分别下降38.10%、50.59%、37.15%。研究实证,引入K-means聚类与偏最小二乘法的手段来提高传统支持向量机在PM_(2.5)浓度预测中的精度具有可行性。     

空气质量指数(AQI)的社会经济影响因素分析——基于指数衰减效应视角

中国面临着严重的环境恶化问题,其中空气污染问题尤为突出.基于中国2014年全国城市空气质量数据,利用自然正交函数分析城市空气质量指数的时空演变特征,并采用基于衰减效应的矩阵指数空间设定模型探讨了空气污染的影响因素.研究结果表明:(1)AQI以京津冀为高值中心向周边地区呈衰减变化,污染核心区由京津冀逐渐向豫北地区和鲁西北地区扩散,年内AQI在1—9月呈现下降趋势,然后逐渐上升;(2)150个城市的空气质量指数呈现出明显的空间集聚;(3)矩阵指数空间设定模型优于空间滞后模型,并且城市间空气污染呈现出显著的空间衰减效应;(4)人均地区生产总值的提高、SO_2排放量和PM_(2.5)浓度增加是导致空气污染加剧的重要原因,而外商直接投资和环保意识的提高有助于改善中国的空气质量.     

基于逆方差多模型融合的空气质量指数预测方法

空气质量预测对合理制定环境治理政策具有重要意义。针对目前单体预测模型存在模型不稳定和泛化能力不强的问题,提出基于逆方差权重分配方法融合3种单体模型的空气质量指数(air quality index, AQI)预测方法。首先,以北京市为例,构建空气质量指数预测数据集;其次,分别构建长短期记忆网络(LSTM)、门控循环单元(GRU)、双向长短期记忆网络(Bi-LSTM)、自回归积分滑动平均模型(ARIMA)和多元线性回归(MLR)5种模型对数据集进行预测,并对比以上模型的预测结果;最后,在多模型融合方法中,选择逆方差法计算预测精度较高的3种单体模型的权重,根据算得权重构建逆方差融合预测模型。与预测精度较高的3种单体模型以及加权平均融合预测模型相比,逆方差融合预测模型对空气质量指数的预测精度R²分别提高3.9%、3.4%、1.6%和0.5%,达到0.933。结果表明：逆方差融合预测模型综合了各单体预测模型的优点,能够提高AQI预测精度。     

秸秆焚烧对黄石市空气质量的影响分析

以黄石市2019年秸秆露天焚烧火点数据、对应时段该市环境空气监测数据和气象数据为研究对象,文章综合运用相关分析和气团后向轨迹模式等方法,探讨秸秆焚烧对黄石市空气质量的影响及空气污染成因。研究发现,稻收期的火点数显著高于麦收期。各城区空气质量指数、秸秆焚烧排放的特征污染物（如PM_(10)、PM_(2.5)和CO）浓度、O_3浓度、特征指标（如PM_(2.5)/PM_(10)和PM_(10)/SO_2值）等均在秸秆露天焚烧后的2～7 d内迅速增加,并导致空气污染。秸秆焚烧后,各城区空气中PM_(2.5)与PM_(10)相关系数较焚烧前增加;CO质量浓度总体上与PM_(10)和PM_(2.5)呈显著的正相关关系（P<0.01）,与能见度呈显著的负相关关系（P<0.05）。结果表明黄石市空气污染与本地秸秆露天焚烧有关。基于后向轨迹模式的空气污染成因分析结果表明,秸秆露天焚烧、不利气象条件和污染物跨区域输送是导致黄石市2019年空气污染加重的主要因素。该研究结果为黄石市打赢蓝天保卫战、有针对性地协同治理大气污染提供科学依据。     

基于多模态支持向量回归的PM_(2.5)浓度预测

为更好地掌握日均PM_(2.5)浓度的变化规律,提出了一种基于多模态支持向量回归(MSVR)的混合预测模型。利用集成经验模态分解将日均PM_(2.5)数据分解成不同频段的分量序列,以降低数据的非平稳性。然后根据每组分量自身特点构建不同的支持向量回归(SVR)模型,并通过相关分析确定各分量输入变量。最后,将各分量预测值进行叠加得到最终预测结果。以浙江省玉环市的PM_(2.5)浓度进行验证。结果表明:与单一SVR模型相比,MSVR模型具有更好的预测效果,精度评价指标MAE、MAPE和RMSE分别下降了26.98%、23.04%、34.08%,这为大气污染预控提供了有效的技术支持。     

基于气象因素和改进支持向量机的空气质量指数预测

空气污染已成为人类社会面临的严峻挑战,为了构建准确的空气质量预测模型,文章首先运用统计分析方法进行相关性分析,探讨气象要素变化对空气质量的影响;针对传统支持向量机预测精确度受输入变量影响较大的弊端,采用基于熵权理论对变精度粗糙集约简进行了改进,以处理支持向量机的输入变量,提高支持向量机的预测精度;最后以沈阳市的历史气象数据和空气质量指数进行验证。与传统方法相比,所提方法能够将预测准确率由71.28%提高到77.83%,空报率和漏报率也有降低,与实际基本吻合。     

北京市重度大气污染时段污染物时空扩散特征

该文通过分别对北京市重度大气污染时段的风力与空气污染指数(API)以及空气质量指数(AQI)分析,建立了风力预测大气污染程度的回归模型,并探讨了不同风力条件下空气质量(污染)指数时空扩散规律。结果表明:(1)风力与空气质量指数和空气质量指数均为负相关,且有极其显著的相关性,但空气质量指数对风力的响应程度更高。(2)各空气污染指数预测模型均表现出南部模型精度中部北京市北部,前者比后者的精度高16%~26%。二次模型是预测空气污染指数简便、实用、有效的模型。而在空气质量指数预测模型中,北京市、中部及南部均是指数模型预测能力最好,二次模型较差。北部则相反。(3)重度大气污染时段,大气污染物由南向北扩散过程基本需要3 d时间。若南部空气质量指数300,且污染过程持续4 d,则北部的污染程度将超过南部。一般情况下,风力需要大于3级,且要持续1 d以上,空气污染程度才会降低。否则,全市大气污染程度相差不大,均处于重度或严重污染。