河南省PM2.5时空变化及其影响因素

PM_2.5属于大气细颗粒物,能够长时间悬浮于空气中且易被人体吸入,影响人类的身体健康。以河南省18个观测站逐小时PM_2.5浓度数据为研究对象,采用数理统计、反距离权重和地理探测器等方法,探讨河南省PM_2.5浓度的时间和空间变化特征及其影响因素。研究表明：(1)年际尺度上,2017—2022年河南省年均PM_2.5浓度呈下降趋势。(2)季节尺度上,四季PM_2.5平均浓度由高到低依次为：冬季(89.5±16.2μg/m³)、秋季(48.5±5.5μg/m³)、春季(41.4±6.1μg/m³)、夏季(28.8±7.3μg/m³),冬季平均浓度远高于其他三季。(3)月份尺度上,PM_2.5浓度呈“U”型变化特征,1～7月呈降低趋势,8～12月呈增加趋势,其中1月浓度最高(107.9±12.2μg/m³),7月浓度最低(27.0±10.6μg/m^3<...     

安徽省PM2.5质量浓度时空变化特征及其影响因素分析

以2015—2021年9月安徽省空气质量指数为样本,利用GIS空间分析等方法,分析安徽省全域PM_2.5质量浓度的时空变化特征,并对可能的影响因素进行探讨。结果表明：1)2015年以来安徽省PM_2.5质量浓度在时间变化上呈现逐渐递减趋势,在季节变化上具有春冬高、夏秋低的特点,在年际变化中2015—2018年PM_2.5质量浓度在皖中地区减少幅度最为明显,其中,以合肥市减幅最大;2018—2021年PM_2.5质量浓度在皖北地区减少幅度最为显著,以亳州市减幅最大。2)安徽省PM_2.5质量浓度在空间分布上呈现由北向南的递减趋势,最高值出现在皖北,最低值出现在皖南,且存在东西部之间的差异。3)自然因素(地形地势、降雨量和风速)和人类活动(产业结构和能源消费、政策和思想理念)对安徽省PM_2.5质量浓度的时空分布和变化具有较大的影响,使得安徽省全域PM_2.5质量浓度逐渐减少,大气环境质量逐年提高。     

高密度城区绿地景观格局对PM2.5/O3的多尺度影响

为探究高密度城区绿地景观格局对于PM_2.5浓度与O₃浓度的尺度效应,分析西安市高密度城区范围,选取边界密度(ED)、景观形状指数(LSI)、面积加权形状指数(SHAPE＿AM)和平均形状指数(SHAPE＿MN)共4个景观格局指数衡量绿地景观格局,爬取2020—2021年国家空气质量监测站点的大气监测数据,运用皮尔逊相关性分析和线性回归分析方法,探究多尺度下高密度城区绿地景观格局对PM_2.5和O₃的时空分布特征、绿地景观格局特征和PM_2.5浓度、O₃浓度与景观格局指数的多尺度影响关系.结果表明,景观格局在夏季对于PM_2.5浓度、在春季对于O₃浓度的影响更为显著;在高密度城区内较小尺度的绿地上优化景观格局对PM_2.5与O₃浓度影响更有效.由此提出的绿地优化策略可为城市高密度城区多尺度绿地规划设计提供参考依据.     

基于支持向量回归与LSTM的城市PM2.5预测

针对城市 PM_2.5变化的非线性、时序性等特征,提出一种基于支持向量回归 (SVR) 与长短期记忆(LSTM) 相结合的预测模型。采用 Morlet 小波核函数作为支持向量回归的核函数,并通过改进粒子群算法对其进行参数优化,用 SVR 算法拟合城市 PM_2.5值的非线性变化规律进而实现城市 PM_2.5值的预测;用 LSTM方法预测包含时间序列的城市 PM_2.5值;将 SVR 与 LSTM 的预测结果进行非线性叠加得到较优的预测结果。使用某城市三处监测点真实数据集进行实验,结果表明提出的方法较 ARMA 时间序列、传统 SVR 以及单一的 LSTM 等均具有更高的准确度,是一种有效的城市 PM_2.5预测模型。     

基于贝叶斯分层自回归时空模型的北京PM2.5预测

为解决PM_2.5的多站点同步预测问题,提出一种贝叶斯框架下的分层自回归时空模型.将PM_2.5日均浓度真实值视为潜在时空过程,利用一阶自回归过程刻画时间相关性,并基于Matérn过程捕获空间相关性,极大程度地提高了降维和同步预测的效率.此外,还将日最高温度、相对湿度和风速等气象因素作为解释变量,用于提升PM_2.5的预测效果.借助模型的分层结构,通过贝叶斯方法结合马尔可夫链蒙特卡罗(MCMC)算法实现参数估计和预测过程.对北京市日均PM_2.5浓度的实证分析表明,模型在空间和时间维度上均有良好的插值或预测效果.     

南京城区夏秋季能见度与PM2.5化学成分的关系

为研究唐山PM_2.5污染特征及区域传输贡献,对唐山冬夏2季PM_2.5环境样品进行测试分析,并采用WRF-CAMx对京津冀地区PM_2.5及二次离子进行定量模拟,获取了PM_2.5成分谱数据,估算了PM_2.5和二次离子的区域传输贡献.唐山冬夏2季PM_2.5平均质量浓度分别为（117.9±56.6）、（77.3±29.8）μg/m³,超标率分别为65.0%和41.7%;水溶性离子的平均质量浓度分别为（58.4±17.9）和（42.6±23.6）μg/m³,分别占PM_2.5的49.4%和55.0%,是PM_2.5的主要成分.Cu、Zn、As、Sr、Cd、Sb、Pb主要来自人为源,Na、Mg等其余元素主要来自地壳源.冬夏2季PM_2.5受外来源贡献分别为26.9%和31.1%,二次无机气溶胶（secondary inorganic aerosol,SIA）传输作用较PM_2.5更为显著,夏季PM_2.5和SIA外来源贡献高于冬季,高质量浓度时段外来源贡献会有一定幅度的上升.稳定的大气环流背景场、低风速等气象条件和燃煤排放源的增加是造成冬季重污染发生的重要原因.

     

2013年北京市PM2.5的时空分布

为研究北京市空气质量特征以及PM_2.5区域传输影响,通过对比分析北京不同类型空气质量评价点——昌平、官园、古城、东四环、榆垡等监测点的2016年监测数据,探讨了PM_2.5、SO₂、NO₂、CO及O_3-1h污染的时空变化特征及其与气象因素的相关性.采用HYSPLIT模型分析了不同季节的气流来向,并利用WRF-CAMx-PSAT模型定量估算了北京不同季节典型污染过程的区域PM_2.5传输贡献.结果表明,与2011-2015年相比,2016年北京市气象扩散条件较为有利,气温、能见度、湿度、风速、气压年均值分别增加了5.6%、8.7%、3.6%、-4.0%、0.03%.此外,春、夏、冬三季偏南气流轨迹占比较小,分别为14%、9%和4%.年内变化显示,O_3-1h 4-9月份质量浓度水平较高,PM_2.5、NO₂、CO和SO₂冬季日均质量浓度明显高于其他季节,NO₂、PM_2.5和CO 2月份月均质量浓度最低.从空间分布来看,PM_2.5、SO₂、O_3-1h和CO呈现南高北低且非均匀分布,而NO₂则城区高于郊区.从气象因素与污染物的相关性来看,PM_2.5与相对湿度、O₃与温度、CO与相对湿度均呈明显正向线性相关,与SO₂相比,NO₂与相对湿度的相关性较好.同时,通过对典型污染过程进行PM_2.5传输规律的分析发现,北京市PM_2.5主要来自本地源排放,贡献率达36.4%~56.8%,而河北、天津以及京津冀地区对北京区域传输也较为明显,贡献率分别为22.6%~47.9%、3.16%~17.8%和9.7%~16.7%.

     

PM2.5浓度预测与影响因素分析

针对PM_2.5浓度的非线性和不确定性,提出了一种基于集成树-梯度提升决策树（EnsembleTrees-GBDT）的PM_2.5预测模型.该模型首先在集成树框架下进行特征选择,即选取PM_2.5浓度主要影响因素,使用算术均值聚合法计算出各项特征对PM_2.5浓度增加的影响程度,并以影响程度由强到弱的次序排序;其次使用网格搜索对GBDT算法进行参数优化,选取树的深度等参数的最优值;最后构建完整的PM_2.5浓度集成预测模型.使用北京市2015-2016年的污染物浓度和气象条件观测值2个数据集,对模型进行了预测仿真实验.对比实验结果表明,所提出的EnsembleTrees-GBDT预测模型相比于决策树、随机森林、支持向量机等模型,具有更低的平均绝对误差和均方根误差,同时具有更好的泛化能力,能够更准确地预测PM_2.5浓度,并实现对PM_2.5浓度影响因素的有效分析.     

大气PM2.5与健康:从暴露、危害到干预的系统研究进展

为了提高空气污染物PM_2.5质量浓度预测的准确性,提出了一种基于图像数据预测PM_2.5质量浓度的方法.首先用手机或相机获取图像数据,然后用图像质量分析模型提取与PM_2.5质量浓度相关的特征向量作为输入,建立一个基于粒子群优化（particle swarm optimization,PSO）算法的支持向量回归机（support vector regression,SVR）（PSO-SVR）预测模型来估计PM_2.5的质量浓度.实验结果表明,与SVR模型和用遗传算法（genetic algorithm,GA）优化的支持向量回归机（GA-SVR）模型相比,PSO-SVR模型在预测准确性和实施效率方面具有更好的预测性能.

     

基于互补集合经验模态分解与支持向量回归的PM2.5质量浓度预测

为了及时、准确地检测视频监控下人体异常行为的发生,提出一种基于姿态估计的人体异常行为识别算法. 该算法首先利用基于深度学习的人体姿态估计算法提取人体的骨骼关键点坐标,组成包含空间信息和时间序列信息的时空图模型,模型中每个节点对应于人体的一个关节,同时包含2种类型的边,一种是符合人体关节自然连通性的空间边,另一种是跨越连续时间的时序边;然后,对时空图进行多阶段的时空图卷积操作,提取高级特征;最后,用Softmax分类器进行行为分类,得到行为结果并判断是否为异常行为. 在KTH单人数据集和HMDB51多人交互数据集上进行对比实验,与当前先进的方法相比,在准确率方面取得了较好的结果. 对实时视频进行测试,实时检测识别帧率达到25帧/s,可实现实时处理监控视频.

     

基于深度神经网络的多因素感知终端换机预测模型

针对基于特征工程的传统终端换机预测模型依赖于领域知识且无法充分利用用户通话、流量使用等序列数据的问题,提出基于深度神经网络的多因素融合终端换机预测模型. 该模型使用长短时记忆网络（LSTM）提取用户通话、流量使用行为序列特征,使用全连接网络融合用户自然属性、行为序列特征和历史换机信息,预测用户是否换机. 实验表明,基于深度神经网络的多因素融合终端换机预测模型能够考虑影响用户换机的多种因素,充分挖掘用户通话、流量使用行为序列特征;当召回率为0.135时,相比于传统模型精确率提高了34.3%.     

基于门控循环单元的多因素感知短期游客人数预测模型

提出的预测模型采取分时序分段策略,使用卷积神经网络（CNN）提取景区多因素时序数据的特征,并对不同因素的时序数据赋予不同的权重,将结果送入门控循环单元（GRU）以挖掘其中的时序信息,结合预测时刻的情境信息（天气状况和节假日）预测短期景区内游客人数. 在某景区的闸机数据集和监控点车辆数据集上的实验结果表明：基于门控循环单元的多因素感知短期游客人数预测模型可以充分考虑多情境因素并对不同因素时序数据赋予不同的权重,均方根误差（RMSE）和平均绝对百分比误差（MAPE）均小于传统模型,能够有效降低短期游客人数预测误差。     

多球形虚拟源强PNAH声场重建精度的影响因素分析

为了进一步提高Patch近场声全息数据外推精度,研究采用多球形虚拟源强的布置方法进行全息数据外推,该外推方法具有实施简单、外推精度高的特点,并通过数值算例验证了该方法的有效性。在利用多球形虚拟源强进行声场重建时,由于多虚拟球的布置方式的不确定性,为了更好地提高重建精度,必须要分析声场重建精度的各种影响因素,通过理论分析和数值仿真,从而获得提高重构精度的规律。     

基于多指标正交试验设计的CO2非混相驱注气参数优化

根据吐哈油田牛圈湖油藏储层和流体特征,应用油藏数值模拟和多指标正交试验相结合的方法对影响生产动态指标的主控因素进行了分析.结果表明,关井气油比是CO2连续注气非混相驱替的主要影响因素,水气交替段塞比、注气周期、生产井井底流压是CO2WAG非混相驱替的主要影响因素.应用优化的注气参数进行了水驱、CO2驱与CO2WAG驱开发方案设计,通过采出程度、换油率、气油比、CO2埋存系数、CO2滞留率和平均地层压力等指标的综合对比,确定CO2WAG非混相驱为最优开发方案,并进行了开发方案指标预测.研究结果对吐哈油田提高采收率技术具有一定指导意义.     

多速率Ad Hoc网络的路由性能影响因素研究

从提高多速率传输的Ad Hoc网络路由性能角度,研究了跳数、链路带宽和网络节点负载对基于IEEE802.11b的Ad Hoc网络路由性能的影响.仿真实验表明,在多速率机制下最短路径不一定能得到最优结果,因此考虑路径选择是一个非常重要的因素.