基于wavelet-SVM的PM10浓度时序数据预测

太原是以煤炭为主要能源的重工业城市,PM_(10)(particulate matter)是太原市的主要大气污染物,因此研究其变化趋势,并给出污染物浓度预测结果,为相关部门进行大气污染防治,为突发污染事件应急提供理论支持是一项非常重要的工作.支持向量机(support vector machine,SVM)应用于PM_(10)污染物浓度时序数据预测时,表现出良好的泛化能力.在预测模型建立过程中通常选择历史数据作为学习模型的输入特征,然而这样的数据表示形式,结构单一,信息表达不完备,在很大程度上将影响预测模型的泛化能力.本文以山西省太原市城区4个监测站点的PM_(10)日浓度数据为研究数据,通过小波变换(wavelet transform)将一维输入数据转化为由低频信息和高频信息构成的高维数据,并以该数据为输入数据建立wavelet-SVM预测模型.结果表明,相较于传统SVM模型预测,wavelet-SVM模型预测结果具有更高的精度,尤其能更加准确捕捉到PM_(10)浓度突变点,为大气污染预警提供有效信息支持,并且wavelet-SVM模型对于PM_(10)浓度时序数据变化趋势的预测精度有明显提升,能更好地预测PM_(10)浓度变化趋势,揭示PM_(10)浓度时序数据内在规律.     

祁连山东段降水的水化学特征及离子来源研究

我国西北地区深处内陆,水汽经过长距离输送才可以到达,降水量少且变率大,与季风区降水有很大不同.运用因子分析法、富集因子法、后向轨迹分析法,对2013-05-01~2014-07-11连续收集的降水主要离子进行分析,研究了祁连山东段降水的水化学特征及离子来源.结果表明,祁连山东段降水电导率值的变化范围在29.20~892.00μS·cm-1之间,p H值在7.02~8.89之间,降水电导率受碱性元素控制,为弱碱性水;降水中阳离子浓度大小排序为Ca~(2+)Mg~(2+)Na~+NH_4~+K~+,阴离子浓度大小排序为SO_4~(2-)Cl-NO_3~-,降水为SO_4~(2-)-Ca~(2+)型;降水中K~+、Mg~(2+)、Ca~(2+)、NH+4、Cl-、NO_3~-、SO_4~(2-)浓度在秋季最高,Na+浓度在冬季最高;降水中的Na+和Cl-主要是海源贡献,但Na+在冬季也有陆源贡献,Cl~-在秋季有人为源的影响,K+、Mg~(2+)、Ca~(2+)主要是陆源贡献,Mg~(2+)在冬季有人为源的影响,NO_3~-和SO_4~(2-)主要是人为源的贡献;降水中离子来源的水汽输送有西北、北方、北方+东南、西北+东南、西北+西南、西北+北方+东南路径,其中西北路径是最主要来源.祁连山降水中海源离子通过西风环流和季风环流长距离输送,陆源离子主要由中亚、新疆、蒙古高原的沙漠和戈壁提供,人为源离子主要与各路径上的城市污染和绿洲工、农业生产有关,而降水中离子含量多少受各天气系统的强弱变化影响.     

不同营养水平下沉水植物的抑藻效应

控制水体的营养盐浓度,尤其是磷浓度,可以控制藻类水华的发生.然而,经济成本很高.相对藻类而言,沉水植物对水体营养盐升高敏感性更低,且沉水植物的存在可以改变藻类的群落结构和生长速率.为探讨沉水植物在营养盐与蓝藻水华控制关系中的作用,本研究探讨了有无水生植物存在下,不同营养盐浓度(磷浓度分别为0.025、0.05、0.1 mg·L~(-1),对应地表水Ⅲ～Ⅴ类)下蓝藻水华暴发(chlorophyll-a10μg·L~(-1))的频率、强度和持续时间.结果表明,初始藻浓度为5μg·L~(-1)和10μg·L~(-1)情况下,3种磷浓度下都会发生水华,磷浓度的升高会导致蓝藻水华暴发的强度和持续时间增加.然而,在加入水生植物金鱼藻后,初始藻浓度为5μg·L~(-1)的条件下,没有形成水华.初始藻浓度为10μg·L~(-1)的条件下,各处理组在实验初始时会形成短暂水华,之后,各处理组的叶绿素a浓度均低于10μg·L~(-1),显示蓝藻生长受到抑制.因此,沉水植物存在情况下,在营养盐较高的水体,蓝藻水华也不会发生.     

浙江北部一次爆发式发展重度大气污染的气象特点和成因

基于全国空气质量指数和PM_(2.5)监测、常规气象观测、浙江省6种主要大气污染物和自动气象监测、宁波镇海激光雷达、美国国家环境预报中心GDAS和欧洲中期天气预报中心ERA-interim再分析等多种资料,对2017年12月30日―2018年1月1日浙江北部一次爆发式发展大气污染事件气象特点及成因进行分析,应用HYSPLIT4模式进行粒子后向轨迹分析.结果表明:PM_(10)和PM_(2.5)质量浓度在浙江省表现出明显的爆发性增长和自西北向东南传输的特征,污染程度自浙北向浙中、浙南逐渐减轻,重度污染时浙北大范围出现2000 m以下的重度霾,污染粒子主要来自上游的安徽和江苏省.大气污染爆发式发展与冷空气有关,1000 m以下边界层内冷空气偏弱,但足以将盛行风改变为西北风,是污染物粒子输送的动力条件,污染粒子集中在该层内,层内没有下沉运动,因此水平风场对污染事件爆发有决定性作用;1000 m以上层次冷平流表现明显,且伴有下沉运动,抑制了边界层粒子的垂直扩散,对污染事件的发展和维持有间接影响.激光雷达的消光系数变化不仅与污染物粒子浓度变化有关,还与气象条件密切相关.污染物粒子质量浓度通量散度的变化对预报粒子浓度的增减有较好的参考作用.     

深圳冬季边界层大气中污染物垂直分布特征

为更好地掌握深圳城区近地边界层大气污染物的性质、来源及大气理化过程,2017年冬季利用深圳市356 m石岩梯度观测塔进行大气主要污染物的垂直观测,获得包括4个高度(60 m/70 m、110 m/120 m、210 m/220 m和325 m/335 m)的污染物浓度垂直分布廓线.分析了不同高度浓度的垂直廓线、相关性和日变化特征,并探讨了风向风速对其的影响.结果表明,SO_2浓度随高度升高先降低再升高,在高空存在明显的区域输送特征;NO_x、PM_(2.5)、PM_(10)浓度随高度升高而下降,70 m高度近地大气中NO_x和PM_(2.5)受局地源影响显著,白天存在由近地大气向上混合扩散的过程,而PM_(10)中的粗粒子部分在整个气层中显现出一个比较稳定的本底值;O_3浓度随高度升高而升高,主要由于夜间高空O_3缺乏NO的滴定反应而具有一个较高的背景值.     

华东区域高山背景点PM10 和PM2.5 背景值及污染特征

为了解华东森林及高山背景区域大气中PM10和PM2.5质量浓度的变化特征,选取国家大气背景监测福建武夷山站2011年3月～2012年2月PM10、PM2.5为期1 a的监测数据,研究其浓度变化特征及其影响因子,并利用后向轨迹模式探讨区域输送对背景区域PM10和PM2.5质量浓度的影响.结果表明:华东森林及高山区域现阶段PM10和PM2.5背景浓度分别为(23±16)μg·m-3和(18±12)μg·m-3;PM10和PM2.5浓度具有相同的季节变化特征,即春季>秋季>冬季>夏季,2011年春季武夷山背景点因受沙尘远距离输送影响,PM10和PM2.5浓度明显高于其它三季;武夷山背景地区主要以细粒子为主,PM2.5/PM10年平均比值为0.76;PM10和PM2.5浓度与气体污染物均有较好的相关性,表明PM10和PM2.5可能来源于区域人为污染源的输送和二次粒子转化;2011年4月的污染事件与北方沙尘输送有关,而9月的污染事件主要与华东高污染负荷区的污染物输送有关.     

鼎湖山PM2.5 中水溶性离子浓度特征分析

为研究珠江三角洲背景区域大气气溶胶中水溶性离子的特征及其来源,于2007年1月～2008年12月,在鼎湖山利用大流量滤膜采样器采集PM2.5样品,并用离子色谱(IC)分析其中的水溶性离子成分含量.结果表明,PM2.5中总水溶性离子年平均浓度为(36.3±16.4)μg.m-3.其中,3种主要离子SO24-、NH4+和NO3-占总离子浓度的89%;夏季受到来自海洋气团的影响,Na+和Cl-相关性明显增强,相关系数R2为0.91;NO3-/SO24-的平均值为0.32,表明固定源对鼎湖山地区污染的贡献更大;PM2.5中Σ阳离子电荷/Σ阴离子电荷的变化范围为0.44～2.59,平均值是1.03,水溶性离子电荷基本平衡.     

瓦斯浓度区间预测的灰色聚类与高斯过程模型

为有效分析矿井瓦斯监测数据,以实现准确、可靠的瓦斯浓度预测,基于灰色关联聚类分析与高斯过程回归模型,研究瓦斯浓度时间序列分析与预测的方法。以预测有效度为预测精度的评估指标来动态确定重构瓦斯浓度时间序列样本空间的维数;应用灰色关联分析方法将瓦斯浓度时间序列划分成若干样本集,将其中具有关联特征的样本作为虚拟变量进行预测以消除因随机、不确定因素干扰而引起的预测误差;应用高斯过程回归模型实现瓦斯浓度区间预测,将预测结果表示成一个具有较高可信度的取值区间,以此表达对未来一段时间内瓦斯浓度动态变化情况的预测。实例分析表明:预测结果准确、可靠,能够较好地反映瓦斯浓度的实际变化状况。     

煤层干式钻进粉尘扩散规律的研究

针对煤层干式钻进过程中粉尘污染严重的问题,分别对新庄孜矿c13煤层及10煤层干式钻进粉尘的分散度和煤的硬度进行测定,分析对比2煤层钻进时粉尘在3 m/s风速下的浓度分布情况;并针对C13煤层,在1.5 m/s,2.3 m/s和3 m/s的风速下测定粉尘浓度分布情况.根据粉尘浓度的实测数据,分析煤层干式钻进粉尘扩散规律....     

基于HHT方法的矿井瓦斯体积分数预测

为有效分析煤矿瓦斯监测数据以实现较准确的瓦斯浓度预测,研究应用希尔伯特-黄变换(HHT)方法进行瓦斯浓度时间序列分析与预测的方法。应用经验模态分解(EMD)方法将瓦斯浓度时间序列分解成不同频率的固有模态函数(IMF)分量的叠加,以获取瓦斯浓度时间序列的瞬时特征;通过Hilbert变换求得各IMF分量的瞬时频率,依据各IMF分量瞬时频率的均值将分解得到的IMF划分成较高频和低频2类新的分量,选取适合于各分量特征的预测模型分别进行预测,以消除局部随机性对预测精度的影响,结合自回归(AR)、径向基函数(RBF)神经网络和支持向量机(SVM)3种预测模型实现瓦斯浓度预测。实例分析表明:应用该方法所得预测结果比较准确,降低了预测复杂度,提高了预测精度。