基于粒子群算法的BP 神经网络在大气 NO2 浓度预测中的应用研究

NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓 度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步 回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络 三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简 单, 有望广泛应用于大气污染物浓度预测等方面的研究。     

基于MAX-DOAS 的淮北地区NO2柱浓度观测研究

基于多轴差分吸收光谱技术 (MAX-DOAS) 反演 NO2 柱浓度的方法, 构建了相应的地基 MAX-DOAS 系统, 开 展了 NO2 柱浓度变化特征的观测。反演中选取天顶方向的光谱作为参考光谱, 通过非线性最小二乘法反演出 NO2 斜柱浓度 (SCD), 结合不同观测方向的斜柱浓度得到 NO2 差分斜柱浓度 (dSCD), 再利用几何近似法得到大气质量 因子 (AMF), 最终获取 NO2 垂直柱浓度 (VCD)。于 2019 年 6 月至 2020 年 5 月在淮北地区开展了为期一年的外场 实验, 研究结果表明淮北地区 NO2 VCD的月均值在观测期间内呈现倒“U”型变化, 在 12 月份达到最高值 2.13×1016 molecules·cm−2, 在 8 月份达到最低值 5.23×1015 molecules·cm−2。将 MAX-DOAS 观测结果的日均值与 OMI 卫星 (云 系数分别为 0 < FeC ≤ 0.1 和 0 < FeC ≤ 0.3) 测量结果进行对比, 发现两者具有较好的相关性 (R2 = 0.88, R2 = 0.90), 表明 MAX-DOAS 不仅可以准确反演出 NO2 垂直柱浓度, 还可以验证卫星数据。     

基于主成分分析的 RBF 神经网络预测 SO2 浓度

利用基于主成分分析 (PCA) 算法的径向基 (RBF) 神经网络对大气中 SO2 浓度进行滚动预测。以北京大兴地 区 2019 年 9 月 1 日至 2020 年 10 月 31 日的气象数据和空气质量参数为基础, 结合逐步回归法筛选出与 SO2 线性相 关的参数作为输入样本, 构建 PCA-RBF 预测模型。利用该模型预测北京大兴地区某天的 SO2 浓度, 将预测值保留并 作为下一天预测模型的输入参数。以此将预测值不断地向前延伸并进行分析和预测, 从而实现 SO2 浓度的滚动预测。 对比 RBF 网络和 PCA-RBF 网络两种模型的预测结果, 其中 PCA-RBF 模型期望值和预测值的误差及相关系数分别为 0.03 µg·m−3 和 0.9989。表明 PCA-RBF 网络模型能精准预测 SO2 浓度变化趋势, 为进一步解决大气污染问题提供技术 支持。