基于观测和机器学习的珠三角臭氧污染季节特征演变及成因分析

受前体物排放和气象因素变化的综合作用,臭氧污染时空特征呈现出明显的演变态势.本文利用2013—2021年广东省国控站监测数据,结合观测长时间趋势分析和机器学习等多种手段,分析了珠三角地区臭氧污染的季节特征演变、季节特征演变的空间差异以及导致其季节演变的原因.结果显示,2013—2021年珠三角地区臭氧污染呈明显的上升态势,其MDA8年平均浓度每年平均上升1.80μg·m^-3.秋季是珠三角臭氧污染的频发季节,但不同季节臭氧上升态势存在差异,其中春季臭氧上升趋势最明显(3.1μg·m^-3),冬季(2.4μg·m^-3)和秋季(2.1μg·m^-3)其次,夏季最低(0.98μg·m^-3),使得珠三角臭氧污染有向春冬两季扩散蔓延的趋势.不合理的NO_x/VOCs减排是导致珠三角臭氧整体往春冬延伸的主导因素.呈现出明显春冬延伸特征的站点多处于珠三角腹部地区,在秋、冬、春季节,珠三角腹部地区多为VOCs控制区.进一步分析还显示,ΔO₃/ΔNO_...     

基于无人机遥感和集成学习的苏州市河流悬浮物浓度反演

针对单一模型容易过拟合的缺陷,通过4种不同的集成学习策略实现多种机器学习方法之间的优势互补,从而提升模型的精度和泛化性,并以苏州市为研究区,无人机采集的多光谱遥感影像和实地测量的悬浮物浓度数据为基础建立集成学习反演模型.同时,4种常用的回归分析方法和3种经典的机器学习方法被作为对比方法以探究集成学习策略的有效性.结果表明,集成学习策略能够克服单一模型各自的缺陷,显著提升遥感反演的精度和泛化性,其中表现最优的集成学习反演模型的验证集决定系数达到0.821井相比回归分析方法提升38.21%,井相比单一机器学习方法提升16.79%.此外,集成学习方法反演的绝对误差集中于较小值,其绝对误差均值和中值均优于传统方法,以期提高城市悬浮物浓度反演精度,为无人机遥感河流悬浮物浓度反演提供指导.     

一种基于大气CO2浓度时空特征的碳排放分区估算方法

针对人为碳排放的空间分布量级差异大导致排放数据的非正态分布问题,提出了一种基于卫星大气CO₂柱浓度(XCO₂)时空变化特征聚类分区构建人为碳排放神经网络估算模型方法.通过利用与人为碳排放强相关的卫星XCO₂数据时空变化(2010～2021年)特征的聚类分区,利用卫星观测的XCO₂和SIF以及夜间灯光、人口密度和人为排放清单数据EDGAR作为训练学习数据,以聚类区为单位分别构建人为碳排放神经网络估算模型,估算了2021年研究区人为碳排放.与EDGAR交叉验证结果显示,相比以中国全区数据作为训练学习样本统一建模方法的估算,本研究提出的分区建模估算结果从相关系数(R²)的0.43提高到了0.82;空间分布更为合理;平均偏差由0.03 9Mt CO₂降低到0.018Mt CO₂.研究表明利用多源数据的神经网络训练学习进行人为碳排放的估算,能够为区域碳排放特征和排放清单的不确定性提高提供评估分析依据.     

基于机器学习的纳米材料生物效应研究的科学问题

纳米材料(nanomaterials,NM)作为一类新型的化学品,认识、控制其引起的不良环境健康风险是推广应用的重要前提。近些年,机器学习(machine learning,ML)作为一种数据驱动的研究方法,在环境、化学和材料等领域引起了广泛关注。从NM引起的细胞毒性、个体效应、蛋白冠与生态冠预测等几方面,介绍了ML的应用,并分析了应用过程中,数据集、描述符、ML方法、模型可解释性等方面存在的问题和解决方法。文章提出,数据提取与挖掘方法、新描述符、新模型、模型解释方法的创新与发展将能够促进ML在NM生物效应领域的应用。同时,随着ML的发展,ML有望能够预测新型的NM和复杂的效应,并揭示了相关原理。以梳理讨论ML在NM生物效应预测中面临的重要科学问题为重点,有助于后续研究者理清思路,解决该领域的难题,促进纳米产业健康可持续发展。     

机器学习在碳基环境功能材料领域的应用研究进展

随着环境功能材料领域产生的数据量及其数据复杂性急剧增加,高成本、长周期的传统实验手段已无法迎合目前功能材料的发展趋势。近年来迅速发展的机器学习能对数据进行深入挖掘和解析,有望为此类问题提供有效的解决方案。机器学习具备效率高、精度高等优势,有效弥补了传统"试错"方式的不足。介绍了机器学习的基本工作原理和算法,从预测理化性质、辅助微观表征和指导新型材料合成3个方面简述了机器学习在环境碳基功能材料领域中的应用研究进展,分析了机器学习在该领域的问题与挑战,展望了机器学习方法在环境碳基功能材料领域的前景与发展趋势。     

基于机器学习的长江流域农田氮径流流失负荷估算

定量解析长江流域农田氮径流流失特征是实现长江及其河口氮污染有效控制的关键科学基础.基于收集的长江流域570个旱地和434个水田田间氮径流流失数据组,采用相关性分析、结构方程模型、方差分解和机器学习方法,探究了影响旱地和水田总氮径流流失强度的主要因素,建立了基于机器学习的长江流域旱地和水田总氮径流流失强度预测模型,量化了长江流域农田总氮径流流失负荷.结果表明,径流深、施氮量和土壤氮含量是影响旱地总氮径流流失强度的主要因素;径流深和施氮量是水田总氮径流流失强度的主要影响因素.与分类与回归树、多元线性回归和增强回归树方法相比,采用随机森林算法构建的长江流域旱地和水田总氮径流流失强度预测模型具有更高的精度（R²为0.65~0.94）.基于随机森林算法的预测模型估算的2013年长江流域农田总氮径流流失负荷（以N计）为0.47 Tg ·a^-1（旱地：0.25 Tg ·a^-1;水田：0.22 Tg ·a^-1）,中下游地区贡献了58%的流失负荷.模型预测5种防治情景下的长江流域农田氮流失负荷可削减2.4%~9.3%,其中减少径流量的削减效果最为显著.长江流域农田氮面源污染防治必须协同加强氮肥精准管理、减少农田径流量和提高土壤氮利用,且应将重点放在中下游地区.所发展的基于机器学习建模方法克服了氮径流流失强度与影响因素之间函数关系难以确定的问题,为估算区域或流域农田氮流失负荷提供了简便且可靠的方法.     

基于机器学习的CNG加气站风险预警模型研究

加气站一旦发生事故,不仅会造成人员伤亡和财产损失,而且也会给周边居民乃至社会带来一定的负面影响。借助机器学习技术,构建CNG加气站风险预警模型,对加气站的风险状态进行预警,实现对事故的事前控制。首先建立了加气站风险预警指标体系,以12座加气站为研究对象,采集指标样本数据,通过大数据分析技术构建训练数据集,并采用SMOTE算法解决了样本不均衡问题;然后分别采用决策树、朴素贝叶斯、SVM、KNN等4种机器学习分类算法构建预警模型。研究证明,采用决策树算法和SVM构建的预警模型准确度均达到97.8%,可以对加气站的风险状态进行有效识别和预警。     

基于特征提取的输油管道泄漏系数预测*

为准确预测管道泄漏系数,估计管道泄漏量,以基于瞬变流方法的模拟数据为例,建立多个管道泄漏系数预测模型(多层感知机、长短期记忆网络、随机森林、支持向量机以及K近邻回归),综合考虑管道流量和压力数据特点,提出序列提取法和均值提取法2种管道时序数据预处理方法,模型评价指标为相关系数（R2）和平均绝对百分比误差（MAPE）。研究结果表明:随机森林和多层感知机的抗噪性较强,在5%的噪声影响下,模型准确度下降幅度较小;均值提取法去噪功能较好,可在一定程度上降低噪声影响;基于均值提取法的多层感知机模型效果相对较好,R2为0.997 5,MAPE为1.599%,研究结果可为准确预测管道泄漏系数、估计泄漏量提供指导。     

太原市PM2.5浓度的气象特征影响分析及预报

利用2016～2020年太原市污染物浓度资料、以及国家基准气象观测站的同期地面气象资料,重点分析了太原市PM_2.5浓度的变化特征以及湿度、降水、风和混合层厚度等气象条件对PM_2.5浓度的影响,同时探讨了污染物浓度变化的成因,建立基于LSTM神经网络的PM_2.5浓度预报模型.结果表明,2016～2020年太原市区冬季出现的重污染天数最多,其中2017年冬季出现天数最多为28 d, PM_2.5浓度总体呈现出秋冬季节高,春夏季节低,周末PM_2.5浓度高于工作日浓度,PM_2.5浓度日变化大致呈现双峰型分布,分别出现在09:00左右和23:00至翌日01:00.除相对湿度和冬季气温外,其余气象要素与PM_2.5浓度在四季均表现为负相关.影响太原市区PM_2.5浓度升高的污染源主要位于其NE-ENE-E方向,西北部地区的相对不明显.汛期当达到中雨(降水量≥10 mm)以上级别的降水都对PM_2.5浓度降低有明...     

运用机器学习方法预测空气中臭氧浓度

臭氧(O_3)浓度变化与天然源、移动源和点源的排放量存在某些隐含的关联。根据臭氧浓度变化的特性,基于污染源在线排放数据、气象监测数据以及空气质量监测数据构造特征,运用机器学习方法进行逐小时臭氧浓度预测。该方法不仅充分利用了臭氧浓度变化时序数据,而且考虑了气象条件变化对污染物浓度变化的影响,最重要的是将点源排放氮氧化物这一臭氧生成的重要前体物纳入模型考虑。在金砖国家领导人厦门会晤前后(2017年8月31日至9月9日),运用该方法对厦门市溪东、洪文、鼓浪屿和湖里中学四个大气自动监测站的臭氧小时浓度平均值进行滚动预报,比较准确地模拟出臭氧浓度的日周期性变化,同时对峰值和低谷能够进行较为有效的捕捉和刻画。按照《环境空气质量标准》(GB3095—2012)臭氧日最大八小时浓度平均值进行评价,四个站点均取得了90%的预报等级准确率。