用主成分子集合选择法优选克拉玛依市大气环境测点

1前言大气环境监测点的合理布设是大气环境监测中最为关键的一个问题，它关系到能否客观准确地反映区域的大气环境质量，能否为环境决策提供可靠的依据。目前常用的方法中聚类分析法较为常见，基于克市有多年的监测数据，特地选择了主成分子集合选择法。由于城市大气环境不仅受污染源排放状况的影响，而且受到气象因素和城市地形等一系列因素的影响，因此是一个非常复杂的问题。主成分子集合选择法通过逐次提取测站所反映的环境质量信息的主成分，定量的系统地进行寻化分析，筛选测点。2主成分子集合选择法主成分分析是多元统计分析的一种基…     

长江流域月降水的EEMD多时间尺度遥相关分析

基于长江流域138个气象站1961~2016年的逐月降水观测资料,应用集合经验模态分解（EEMD）方法,分别对各站点的月降水序列进行EEMD分解,然后,运用时滞相关分析和逐步变量选择的方法,以识别长江流域月降水周期振荡和长期趋势的显著影响因子,并构建多元线性回归模型对长江流域月降水进行预测。结果表明：（1）近50多年来,长江流域各站点的月降水呈现出显著的季节、年际和年代际尺度振荡特征。（2）流域内各站点月降水的长期变化趋势存在着较大的空间差异性,表现为金沙江、雅砻江、大渡河以及鄱阳湖流域是月降水长期趋势显著增加的集中区,而岷江中游以及洞庭湖流域的南部是月降水长期趋势显著减少的集中区。（3）厄尔尼诺1+2区的平均海表温度（NINO1+2）的过去模式是影响长江流域月降水周期振荡的主要气候因子,而全球平均气温距平（GlobalT）是影响长江流域月降水长期趋势的主要气候因子。（4）基于已识别的影响因子构建的月降水量预测模型在旱季的预报性能高于雨季,并在长江上游地区的预报性能高于其中下游地区。     

提高GPS定位精度的群调度滤波算法*

为解决现行安全生产科技领域中全球定位系统（GPS）/惯性导航系统（INS）融合系统容易产生较大时变误差的关键问题,满足GPS定位信号的精度和信号数据处理时间的要求,提出1种群调度滤波算法,通过实验仿真,分别与模糊算法、机器学习算法及卡尔曼滤波网络算法进行比较研究。结果表明:群调度滤波算法兼顾了定位精度与数据处理时间,具有较大优势,可在航空安全、船舶安全、应急监测、灾后抢险等安全科技领域广泛应用。     

危险品集装箱堆场人因失误概率量化方法研究

由于人因失误是引发危险品集装箱堆场事故的主要原因,特别以成功似然指数法为框架研究了危险品集装箱堆场人因失误概率的量化方法。考虑了影响因子的主观特性,重点结合认知可靠性与失误分析方法对成功似然指数法进行修正,确定了培养与组织管理、同时出现的目标数量等6项行为形成因子。通过建立熵权法、模糊集合理论与专家判断的融合实现人因失误概率的计算。最后,用算例验证了方法的有效性,结果表明,本方法不但可将测算精度控制在有效区间(0,0.059 5),而且相较其他方法将危险系数降低了6.97%。针对危险品集装箱堆场管理这类高危行业,较高的人因失误率有利于风险辨识和风险预防。     

多阶段优化规划模型在天津应急资源基站优化规划中的应用

利用多阶段优化选址规划模型对天津市进行应急资源基站的选址规划研究.首先,利用集合覆盖模型(LSCP)确定满足需求的最小应急物流基站数,然后利用最大覆盖模型(MCLP),在备选位置中,根据不同的应急时间标准确定满足需求的合适位置作为应急物流基站的选址.通过计算,分别得到在30 min、45 min和60 min的不同应急时间标准下覆盖天津市全境所需的应急资源基站数以及合理的选址规划方案.研究表明,多阶段选址规划模型将选址规划问题分步骤解决,使问题简化,可以应用于不同的城市安全规划过程,为城市应急管理提供了应急决策依据,有效提高了城市应急管理能力.     

集合数值预报系统在上海市空气质量预测预报中的应用研究

介绍了上海市世博环境空气质量集合数值预报系统的框架,分析了各模式在上海市空气质量预报及排放源污染贡献测算中的应用情况,提出开发多种预报手段、实施集合预报是提高城市空气质量预报准确率的发展方向。     

集合经验模态分解在长江中下游梅雨变化多尺度分析中的应用

基于长江中下游流域5个梅雨监测站1961~2012年的日数据,利用集合经验模态分解（EEMD）方法,对研究期内梅雨时间序列进行多尺度的分析,探讨其在不同时间尺度上的振荡模态结构特征。结果表明：近50多年来,长江中下游梅雨变化呈现出显著的年际和年代际尺度振荡特征,在年际尺度上表现出准3 a和6 a的周期变化,而在年代际尺度上显示准13 a和24 a的周期变化;各分量方差〖JP2〗贡献率显示,年际振荡在梅雨长期变化中占据主导地位;自1961年以来,EEMD分解的梅雨长期变化趋势表现出先增加后减少的倒“U”型特征,其中1961~1985年呈上升趋势,1985~2012年呈下降趋势,尤其是在2000年之后的下降趋势最为明显。由此可以看出,EEMD能够有效地揭示梅雨长期序列在不同时间尺度上的变化规律,可用于诊断非线性、非平稳性信号变化的复杂性特征     

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.