人为排放及气象因素对空气质量影响的定量分析——以疫情期间邢台市为例

选择河北省邢台市作为研究对象,将2020疫情作为一个极限管控措施下的极限减排实验情景,把2021疫情作为未来常态化疫情防控实验分析情景.与疫情前期对比,两次疫情期间臭氧浓度均有提升且2021疫情时期颗粒物浓度同样有提高,2020疫情时期其他污染物浓度均有不同程度的改善,而与2019历史同期相比,两次疫情期间臭氧浓度同样有升高现象,除此以外,2021疫情时期污染物改善较好.利用长短期记忆网络（LSTM）算法和空气质量预报模式系统（WRF-CMAQ）量化了两次疫情时期气象因素对于污染物浓度变化的影响,根据空气质量模拟法反推了不同污染物受人为影响的浓度变化.实验结果表明,LSTM算法在两次疫情期间的模拟均显示人为影响对污染物产生了负影响（降低了污染物浓度）且在总变化影响中占比较高,而CMAQ模式模拟结果中的气象因素影响占比远高于LSTM算法.CMAQ模式在两次疫情模拟中表现出了不同的结果,在2020疫情中人为影响占据了主导,而在2021疫情中,相比较2020疫情时期,除NO₂外,人类活动对其他污染物的影响均为正值（促进了污染物浓度升高）.     

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.      

基于神经网络的喀斯特石漠化预警分析模型研究——以广西都安为例

阐述了人工神经网络的基本工作原理,分析BP算法在神经网络中的应用,并具体介绍了BP算法过程。在此基础上,以都安石漠化预警分析为例,提出了基于神经网络的石漠化预警模型的结构。人工神经网络模型实现了石漠化预警分析,确定石漠化危险性指数,并把分析的结果以专题图的形式来表现,从而验证石漠化预警分析模型的可靠性和可行性。     

浅析求解最大子段和问题的算法

用计算机解决复杂的问题,往往把一个大的、复杂的问题根据其功能划分为不同的模块,每一个模块完成一独立的功能.如果每一个模块用计算机语言来实现,那么当所有模块都实现时,即为对复杂问题的解决.最大子段和问题就是一具有独立功能的小模块,在很多大的问题中都涉及到此问题,用不同的算法解决此问题,并分析其优劣.     

PMA-PP分析模型在内河水质科学评价中的应用

针对目前我国城市内河普遍遭到污染的问题,在分析影响内河水质因素的基础上,选取BOD5(五日生化需氧量)、CODcr(化学需氧量)、石油类、挥发酚、NH3-N(氨氮)、总磷等6个主要因素作为评价因子,建立了城市内河水质评价的投影寻踪分析模型,采用人口迁移算法对评价模型进行优化,并将该模型应用于南宁市10条内河水质的评价与排序。研究表明,用投影寻踪回归分析法进行水质评价,避免了传统评价方法由于主观原因造成的误差,评价结果合理可信、方法简单,为我国城市内河水质的评价提供了新途径。     

危险品泄漏事故后动态路网应急疏散研究

在建立以最短车辆总疏散时间为目标的应急车辆疏散模型过程中,考虑路网上的车流是时变的,以动态交通流分配理论对应急车辆流进行优化分配。基于计算的复杂性和粒子群算法(PSO)的优点,采用PSO对模型进行求解。算例试验结果表明,优化后的方案能够减轻整个疏散车辆的拥堵程度,为应急管理部门决策提供理论支持。     

混合物质谱的简单分类算法

有毒化合物质谱分类是以光谱数据的数值特性为基础的。这此数据的计算机分类提供了各种参数,用以确定属于有毒化合物中某一类的对应化合物。质谱数据的简单分类算法常被用于自相关变换质谱的主分量建模。主分量的有效值为相互确认为确定。对环境空气中１１９种被监测的有毒化合物,有色谱－质谱联用的试验和校正数据所得到的４类预报正确率为７６．５％。     

固废填埋场地土壤-地下水的砷污染反应运移模拟与源强识别

污染场地土壤-地下水系统中污染组分源强的精准识别是实现地下水污染高效治理与有效防控的根本前提.针对某固废填埋场地1号、3号地块地下水As(Ⅲ)浓度出现高值异常,采用统计相关分析方法分析了地下水中As(Ⅲ)与其他检出特征组分的相关关系,确定了As(Ⅲ)与PO₄^3-之间的竞争吸附反应是地下水中As(Ⅲ)污染的主要原因;随后采用表面络合模型(SCM)模拟竞争吸附反应,并建立了基于TOUGHREACT的场地土壤-地下水系统As(Ⅲ)污染组分反应运移模型;最后利用粒子群优化(PSO)算法构建了污染地块As(Ⅲ)污染的源强识别的模拟优化模型.结果显示:(1)固废中存在的磷酸盐能解释污染地块土壤不同深度As(Ⅲ)含量较背景值偏高的现象;(2)构建的土壤-地下水系统As(Ⅲ)运移模型可较好地模拟As(Ⅲ)与PO₄^3-竞争吸附反应;(3)优化识别出1号和3号地块的As(Ⅲ)污染源强分别为187.25μg·L^-1和192.49μg·L^-1.研究表明,基于PSO算法的模拟优化模...     

应用BP神经网络实现环境监测的优化布点

环境监测的合理布设关系到只有用量测点的监测数据就能客观、准确地反映区域环境的质量,采用传统的优化统计模型对监测数据进行处理一限较繁。基于人工神经网络应用于模式分类与人有适应能力强、客观性好的特点,提出将人工神经网络ＢＰ与逐步聚类分析物思想相结合,实现对环境测点的逐步聚类优选,用该方法对贵阳市１９９２－１９９３年期间的１６个大气环境测占煌监测数据进行优选,得到的６个优点选点符合实际结果。     

基于BP神经网络的天线识别

本文比较研究了BP神经网络中的几种常用算法,针对这些不同算法下的BP神经网络进行训练,并得出了各自网络的性能。在此基础上,针对经典BP算法和LM算法进行对比研究,找到LM算法的改进之处。此外,在实际的应用中表明,不仅不同的BP算法对网络的运算速度、泛化能力等有较大的影响,而且BP神经网络对隐含层神经元数目也很敏感。我们希望在BP神经网络的基础上,构建一种合适的天线模型,来应用于天线的分类识别,这将具有很大的现实意义。