基于机器学习的短期PM2.5预测

由于环境和快速发展之间的不平衡,城市空气质量问题变得越来越突出。PM2.5作为空气污染的主要成分,会对人体造成很大伤害。因此,准确地预测PM2.5浓度对于保护人们健康具有重要意义。首先选取了其他空气质量数据(PM₁₀、NO₂、CO₂、O₃)作为影响因素,构建了基于机器学习(多元线性回归、岭回归、套索回归、决策树、随机森林和人工神经网络)的PM2.5预测模型;其次利用这些模型预测山西省太原市未来1小时PM2.5浓度;最后通过MAE、RMSE、R²来等指标评价各模型的预测性能,实验结果表明,基于随机森林的预测模型具有最高的预测精度。     

基于深度学习的PM2.5浓度长期预测

为提高PM2.5长期预测精度,以空气污染物与气象因素作为影响因子,提出一种基于深度学习的TSMN(time series memory network)预测模型.该模型由两个组件构成,本地记忆组件利用外部记忆方式提高模型长程记忆能力,并与多站点空间关系建模的邻域组件协同从时空角度完成PM2.5长期预测.通过使用不同评价指标将TSMN模型与多种模型进行对比,其中与性能较优的CNN-LSTM模型相比,该模型的RMSE、MAE分别下降5.2％、5.7％,R2提升7.5％.实验结果表明TSMN模型能够有效提高PM2.5浓度的长期预测精度.     

燃放烟花爆竹对空气质量影响的因素分析

随着社会经济的快速发展,我国大气环境越来越恶劣,雾霾现象严重。本文选取雾霾较为严重的北京、广州、上海、成都和沈阳五个代表性城市,对历年春节期间、特别是除夕夜的空气质量进行因素分析,找出燃放烟花爆竹对雾霾PM2.5和PM10影响较大的气体因素,并构建相关的回归模型,用于节日庆典燃放烟花期间的空气质量预测。通过本文分析可知,燃放烟花炮竹对PM2.5和PM10浓度的定量影响,为此建议大家在节假日期间尽量少燃放烟花爆竹,为保护生存环境做出努力。     

基于MEMD和空间层次聚类的PM2.5三角模糊序列多因子组合预测

日间PM2.5浓度受本地和邻近地区的多重因素影响,具有高度不确定性和不稳定性.常见的PM2.5实值序列和区间序列分别反映其日均和极值波动状况,三角模糊序列将两者优点相结合可包含更多的有效信息.基于此,提出基于多元经验模态分解(multiple empirical mode decomposition,MEMD)和空间层次聚类的PM2.5三角模糊序列多因子组合预测模型.首先,运用皮尔曼相关系数分析PM2.5与本地污染物浓度、气象要素间的关联度,选取本地影响因子;其次,计算PM2.5与空间污染物浓度间的关联度,并据此对邻近城市K-means空间聚类得到核心影响、一般影响和偏远影响城市群,并统计各城市群不同污染物的综合指数,即空间影响因子;进而,利用MEMD对PM2.5和影响因子的三角模糊序列同时进行分解,重构得到高频、低频以及趋势序列;最后,运用BP神经网络、长短记忆神经网络(long short-term memory,LSTM)、最小二乘支持向量回归(least squares support vector regression, LSSVR)分别对子序列进行多输入单输出的预测,并将上述单项预测结果相加,即得到PM2.5三角模糊序列的预测值.仿真实验结果表明,所提出的模型能够充分考虑气象条件和多种污染物的空间影响,具有较强的预测精度和良好的实用性.     

高时空分辨率PM_(2.5)浓度土地利用回归模拟与制图

针对传统地面监测手段稀疏获取PM2.5浓度的缺陷,该研究在利用中分辨率成像光谱仪(MODIS)遥感影像反演500m空间分辨率气溶胶光学厚度(AOD)的基础上,辅以人口密度、植被叶面积指数等地理特征要素,构建了研究区时均尺度PM2.5浓度土地利用回归(LUR)模型,并与经典克里格插值方法(OK)对比进行精度评价。结果表明:(1)研究区内部AOD存在明显空间分异,中心城区AOD值高于周边地区;(2)融合AOD要素的最优LUR模型相关系数可达0.51;(3)相比OK方法,LUR模型生成的PM2.5浓度图可客观反映研究区空气污染的空间变化。研究表明,融合遥感气溶胶数据的LUR模型可在短时间尺度准确模拟地面高空间分辨率PM2.5浓度。     

2015年中国PM2.5浓度遥感估算与时空分布特征

以PM2.5污染物为主的大气污染对社会的可持续发展及人类健康带来了严峻的挑战,厘清我国PM2.5污染物的空间分布特征及演变规律,对于PM2.5污染物的区域联防联控具有重要的意义。基于MODIS卫星的气溶胶产品、气象基础数据以及PM2.5污染物实测站点监测数据,构建地理加权回归模型,对2015年中国PM2.5污染物浓度进行了模拟估算,对PM2.5污染物浓度的空间分异格局及季节演化特征进行分析。结果表明：①2015年全国PM2.5浓度整体表现出明显的空间地带性分异特征。北方PM2.5污染物浓度明显高于南方,中部明显高于东部与西部;②4个季度PM2.5浓度表现出明显的季节适应性演化特征。第四季度PM2.5污染最重,第三季度和第一季度次之,第二季度最低,最大值出现在第四季度（165 μg/m³）,最小值出现在第二季度（4.3 μg/m³）。③通过多因子构建的地理加权回归模型估算的PM2.5浓度具有较高的模拟精度,第一至第四季度的相对误差分别为10.2%、7.0%、9.3%和8.6%。     

DSCE-GEP算法在PM2.5浓度预测中的应用

雾霾防治是目前空气质量保护问题研究的热点,PM2.5浓度预测是雾霾防治的关键之一;文章采用一种双系统协同进化的基因表达式编程算法(DSCE-GEP)进行PM2.5浓度预测,该算法在GEP算法中引入人工干预操作来提高算法进化速度以及解的质量;DSCE-GEP算法是对人类进化的模拟,不仅具有强大的模型学习能力,而且能得到模型的显式函数表达式;文中以西安地区逐日PM2.5浓度预测为例,将DSCE-GEP算法与传统基因表达式编程算法(GEP)、文献中分类回归树和极限学习机组合模型(CART-EELM)以及卷积神经网络和长短期记忆神经网络组合模型(CNN-LSTM)进行了对比实验;实验结果表明,DSCE-GEP算法拟合度更高,是一种具有竞争力的智能预测算法.     

基于改进型PSO的模糊神经网络PM2.5浓度预测

为科学合理地预测大气污染物PM2.5颗粒物浓度变化规律,分析PM2.5颗粒物浓度变化历史数据,综合判断外部条件(温度、风速、天气状况)和内部条件(其它污染物的浓度)对PM2.5颗粒物浓度变化的影响.采用一种改进型PSO优化的模糊神经网络,将粒子群算法与模糊神经网络进行融合,发挥PSO算法全局寻优的特点,预测PM2.5颗粒物浓度的变化规律.对某市2013年PM2.5颗粒物浓度进行预测和验证,验证结果表明,该算法具备良好的预测精度.     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅(GF-1 Wide Field of View,GF-1 WFV)数据以及具有宽覆盖、红边波段(Red-Edge band,RE)的高分六号(GF-6)卫星数据在森林郁闭度(Forest Canopy Closure,FCC)定量反演中的潜力,本研究以GF-1 WFV多光谱数据为基础,添加哨兵2号(Sentinel-2A)红边波段,模拟GF-6红边波段特性,并提取相关纹理信息(Texture Information,TI)、植被指数(Vegetation Index,VI)和红边指数(Red-edge Index,RI),同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素(Topographic Factors,TF)对FCC估测的影响,利用快速迭代特征选择的k-NN(kNearest Neighbor with Fast Iterative Features Selection,KNN-FIFS)模型,实现了内蒙古大兴安岭根河研究区FCC的定量反演,并对比逐步多元线性回归(Stepwise Multiple Linear Regressions,SMLR)和支持向量机(Support Vector Machine,SVM)估测结果。通过44块调查样地实测数据验证发现:基于GF-1 WFV估测的FCC与实测数据具有很好的一致性,R2=0.52,RMSE=0.08;GF-1 WFV+VI+TI估测结果为R2=0.56,RMSE=0.08;GF-1 WFV+RE+RI+TI的精度明显提高,R2=0.63,RMSE=0.07;GF-1 WFV+RE+RI+TI+TF的精度最高,R2=0.68,RMSE=0.07,并高于SMLR(R2=0.39,RMSE=0.10)和SVM(R2=0.49,RMSE=0.10)方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测,且添加红边信息经地形校正后,能有效提高FCC的估测精度。     

物联网框架下PM2.5高精度测试模型仿真分析

对空气中的PM2.5颗粒污染物进行准确测试,有利于控制大气污染.PM2.5颗粒较小,在风速、大气环境等复杂因素的影响下,PM2.5污染物扩散过程在空气中呈现高度的随机性,污染物扩散过程无法约束,污染物在空气中呈现实时不均匀分布.传统的物联网环境下空气PM2.5污染物检测方法,仅仅对小区域的PM2.5测试结果进行测试,通过把不同区域的结果进行加权求平均,完成大区域检测,没有考虑扩散过程中颗粒物的扩散不均匀造成小区域测试结果的实时变化,测试结果不准.提出采用多信号融合估计算法的物联网框架下PM2.5高精度测试模型.建立粗糙集神经网络模型,将所有的物联网框架下PM2.5输入到该模型中,输出的结果是PM2.5高精度测试结果.针对PM2.5高精度测试结果来自于不同的区域,利用多信号融合估计方法对数据进行约束融合,得到PM2.5高精度测试非线性约束下的结果.实验结果表明,利用改进算法进行物联网框架下PM2.5高精度测试,能够极大的提高测试的准确性.