季节指数改进的PM2.5质量浓度组合预测模型研究

随着我国的经济和城市化迅速发展,PM_2.5主导的区域空气污染已成为紧迫、突出的环境问题。据相关研究表明,PM_2.5在不同季节质量浓度差异较大。根据广州市2015~2019年的PM_2.5月均质量浓度数据,结合大气污染物及气象因素,引入季节指数,建立预测PM_2.5质量浓度的改进多元线性回归和多层感知器组合预测模型,探析广州市大气污染物中PM_2.5质量浓度的变化规律。结果表明,用季节指数改进的组合预测模型对PM_2.5质量浓度进行预测分析,拟合结果良好。使用不同评价指标将组合模型与传统的多层感知器预测模型和多元线性回归模型进行对比,该组合模型的均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、平均绝对误差(Mean Absolute Error,MAE)分别比多层感知器模型减少了23.1%、31%、24.2%;比多元线性回归模型减少了35.3%、41.3%、41%。该模型精度均优于传统的多元线性回归模型和多层感知器模型,能更好地预测环境PM_2.5质量浓度,为优化环境提供参考。     

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.     

基于时空认知膨胀卷积网络与多源影响因素的PM2.5细粒度预测模型

为实现精确化、细粒度的PM_2.5浓度预测,提出了基于时空认知膨胀卷积网络(spatial-temporal cognitive dilated convolution network, ST-C-DCN)的PM_2.5浓度预测模型ST-C-DCN。该模型将时空因素、气象因素运用于PM_2.5浓度预测,基于因果卷积网络提取时空特征,并采用时空注意力机制优化了时空特征的提取。基于海口市空气污染数据的实验测试表明：对于单个监测站,基线模型相比,ST-C-DCN的均方根误差(root mean square error, RMSE)平均下降24.7%,平均绝对误差(mean absolute error, MAE)平均下降9.93%,拟合优度(R-squared,R²)平均上升3.35%。对于全部监测站点的预测,ST-C-DCN在win-tie-loss(包括MSE、RMSE、MAE、R²)实验中,均获得了最多的获胜次数,分别为68,68、63和64。通过不同数据抽样条件下的Friedma...     

节假日效应下的PM2. 5浓度预测

近年来, 节假日效应带来的环境负担日趋严重,PM_{2. 5}在节假日期间的浓度预测工作变得尤为重要。考虑气象因素、大气污染物以及大气可降水量(PWV)等数据影响, 基于桂林电子科技大学尧山校区、桂林市环境监测站、龙隐小学和桂林市第八中学4 个空气质量监测站点在2014—2019 年春节期间的PM_{2. 5}浓度变化情况, 分别比较多元线性回归模型、神经网络模型和ARIMA 模型的适用性。结果表明: 对整月预测而言, 多元线性回归模型在电子科大尧山校区预测适用性最佳, 神经网络模型在环境监测站、龙隐小学和第八中学预测效果最好; 对春节前后各一周时段预测结果来说, 多元线性回归模型在桂林电子科技大学尧山校区、龙隐小学和第八中学站点预测精度最高, ARIMA 模型在监测站预测精度最高。     

基于图像质量分析的PM_(2.5)空气质量预测

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.     

2016—2021年固阳县环境空气质量变化趋势及改善举措

为了解包头市固阳县环境空气污染现状,系统分析污染物浓度变化特征,对固阳县2016—2021年环境空气中的SO₂,NO₂,PM₁₀,PM_2.5,CO,O₃浓度随时间变化特征开展研究.采用空气质量指数法,确定固阳县首要污染物,并提出改善环境空气质量相关措施.结果表明：2016—2021年空气质量相对较好的为2020年,2018年为相对较差年份,3月至5月空气质量指数较大;研究期内臭氧和PM₁₀为固阳县环境空气首要污染物;SO₂,NO₂,CO质量浓度表现为冬春季高,夏秋季低.臭氧浓度变化为秋冬季较低,夏季浓度达到最大;PM₁₀,PM_2.5质量浓度呈春季高夏季低趋势.建议通过调整和优化产业结构与能源结构,构建科学的监督管理模式以及加强污染物的治理力度等措施改善环境空气质量.     

基于集成学习的O3的质量浓度预测模型

为准确预测O₃的质量浓度及其发展趋势,分析其诱发因素,提出一种基于集成学习的O₃的质量浓度预测模型。以北京市2015—2016年O₃污染物的质量浓度及气象因素数据为基础,提出并建立面向O₃污染物的质量浓度预测的特征选择-集成学习多层预测模型,在对数据进行缺失值填补及异常值分析的基础上,利用Pearson相关分析和Lasso回归分析同时对清理后的气象资料数据进行特征选择,以消除数据冗余,提高预测精度;提出基于自组织映射神经网络self-organizing featuremap, SOFM和Elman神经网络Elman neural network, ENN的集成学习算法,利用SOFM对样本数据进行聚类以实现样本的合理分布后,使用ENN进行仿真训练来预测O₃的质量浓度。试验结果表明：采用Pearson-Lasso特征选择和SOFM样本聚类对数据做前期处理后,ENN的预测精度由74.6%提高到82.1%,能够改善基于ENN的O₃污染物的质量浓度的预测准确率。     

基于支持向量机回归的大气加权平均温度

提出一种基于支持向量机回归方法建立的以当地气象数据为输入参数、数值积分法计算的Ｔ_ｍ 为输出参数进行训练得到的大气加权平均温度模型。选取广西地区４个探空站提供的２０１３-２０１４年的气象数据和Ｔ_ｍ 数据为训练样本,２０１５年的两类数据为测试样本,取得最优的模型参数,并以此建立最优的Ｔ_ｍ模型,然后计算２０１５年的Ｔｍ,将其结果与采用线性回归法建立的广西地区的单因素、多因素Ｔ_ｍ 模型的计算结果进行对比分析。结果表明,在选取最优模型参数的条件下,ＳＶＲ建立的Ｔ_ｍ 模型比本地化的单因素和多因素Ｔ_ｍ 模型的精度更高,验证了支持向量机回归在Ｔ_ｍ 建模方面的可行性。     

冬季不同植物群落对大气颗粒物浓度的阻滞作用

为探讨不同植物群落对大气颗粒物浓度的影响,以郑州市金水区为例,在2020年冬季(2020年12月—2021年2月)对园林绿化区(数码公园)、居住区(正弘·蓝堡湾)、文教区(河南农业大学)内植物群落的PM_2.5和PM₁₀质量浓度及气象因子(温度、相对湿度和风速)进行监测.结果表明：每个功能区中不同样地之间的PM_2.5、PM₁₀质量浓度日变化趋势基本一致,一般为早高晚低;不同植物群落之间PM_2.5和PM₁₀质量浓度存在显著差异性,其中广场样地与其他样地的差异性最显著;3个功能区中各样地对PM_2.5和PM₁₀质量浓度的阻滞率均表现为乔灌草结构最高,乔灌结构和乔草结构次之,且多表现为乔灌样地大于乔草样地,灌草结构和草坪最低;研究区域PM_2.5、PM₁₀质量浓度与温度呈负相关,与相对湿度呈正相关,与风速呈负相关.     

基于正交实验的水源井水腐蚀影响因素及腐蚀预测

针对SZ36-1油田水源井水对油管腐蚀穿孔的影响日益严重的问题,在现场工况下研究了管材的腐蚀规律并对腐蚀进行了预测。设计5因素4水平的正交实验,分析了温度、压力、流速、CO₂质量浓度和矿化度等5个因素对腐蚀速率的影响,确定了SZ36-1油田水源井腐蚀环境下的主控因素是温度和CO₂质量浓度。通过多元线性回归分析方法和BP神经网络方法,建立腐蚀预测模型并进行了对比分析。对比分析结果表明,基于多元线性回归方法的腐蚀预测模型预测精度更高,更适合目前油田水源井水的腐蚀预测。     

延吉市PM2.5时空分布特征及其与气象要素的相关性分析

利用延吉市城区3个空气质量监测站2015年PM_2.5浓度小时数据,探讨了延吉市城区PM_2.5时空分布特征,并将PM_2.5浓度与气象要素做相关性分析.研究结果表明: ①延吉市PM_2.5季节浓度由高到低依次为冬季、秋季、春季和夏季.②延吉市PM_2.5月均浓度变化均呈单峰单谷型,其中11月、12月、1月浓度值相对较高,2月开始逐月递减至10月份后开始回升.③PM_2.5日均浓度曲线呈现出尖峰和深谷交替变化的锯齿状.④延吉市城区3个监测点PM_2.5浓度日变化在春季、夏季、秋季和冬季都呈现双峰双谷型.⑤PM_2.5浓度与气压、气温日较差、风速、相对湿度等气象要素之间存在显著地相关性.     

基于深度信念网络的PM2.5预测

提出一种基于深度信念网络(deep belief networks, DBNs)的区域PM_2.5日均值预测方法,讨论了训练数据选择方式,并优化了DBNs参数设置。通过相关实验并与基于径向基神经网络(radial basis function, RBF)和反向传播神经网络(back propagation, BP)方法比较,验证了基于DBNs方法的可行性和预测精度。实验结果表明:基于DBNs的方法,区域(西安市)预测PM_2.5日均值与观测日均值之间均方差(mean square error, MSE)为8.47×10^-4mg²/m⁶;而采用相同数据集,基于RBF和BP的方法均方差为1.30×10^-3mg²/m⁶和1.96×10^-3mg²/m⁶。比较分析表明:基于DBNs的方法能较好预测区域整体PM_2.5的日均值变化趋势,显著优于基于神经网络和径向基网络方法的预测结果。     

空气幕对厨房内PM2.5控制效果的模拟与分析

厨房烹饪是民居室内PM_2.5污染物的重要来源,为对其进行有效控制,提出了空气幕送风方式。建立厨房物理模型,使用Fluent软件对厨房内的气流组织、温度分布和PM_2.5浓度分布进行了数值模拟。研究了空气幕对厨房内PM_2.5和热流的控制效果,并对3种射流速度进行对比分析。研究结果表明：空气幕射流气流对烹饪区域产生了很好的包裹效应,可以阻隔PM_2.5的扩散和热流的蔓延;可使厨房内PM_2.5排除率提高到44%~75%,平均降温1~2℃。当空气幕射流速度为0.6 m/s时,控制效果最佳。研究结论可对厨房PM_2.5污染的防治提供参考,为空气幕送风系统的研究提供模拟数据和理论依据。     

基于预测数据特征的空气质量预测方法

采用LightGBM预测模型对空气质量预测问题进行研究,提出并设计一种基于预测性特征的空气质量预测方法,有效地预测北京市区内未来24 h核心表征空气质量的PM_2.5质量浓度。在构建预测方案过程中,分析训练数据集特性开展数据清洗,利用随机森林与线性插值相结合的方法,解决数据大量缺失以及噪声干扰问题;提出使用预测性数据特征方法,同时设计相关统计特征,提高预测结果的准确性;采用滑窗机制挖掘高维时间特征,增加数据特征数量级;对预测模型的工作性能和结果进行详细分析,并结合基线模型进行对比评价。试验结果表明,基于预测性特征结合采用LightGBM预测模型的方案具有更高的预测精度。     

济南城区大气PM2.5、PM1.0的污染特征及大气传输

为研究华北平原PM_2.5、PM_1.0的污染特征,于2014年10月至2016年6月在济南城区使用中流量采样器对大气颗粒物样品进行采集,利用离子色谱、碳气溶胶分析仪测定了颗粒物中的水溶性无机离子成分和碳组分。结果表明:济南城区冬季大气细颗粒污染较重,二次离子SO₄^2-、NO₃^-和NH₄⁺是PM_2.5、PM_1.0最主要的水溶性无机离子,且更易富集在PM_1.0中。有机碳和元素碳的质量浓度表现为春夏低,秋冬高;二次有机碳的质量浓度在冬季明显升高,且大多分布在粒径>1 μm的颗粒物中。72 h后向气流轨迹表明,来自河北、内蒙古的长距离传输与山东地区的局地传输对济南大气中PM_2.5和PM_1.0的离子质量浓度有重要影响。济南冬季的消光系数高达789.13 Mm^-1, PM_2.5中的二次粒子NH₄⁺、SO₄^2-和NO₃^-与消光系数的相关性较高,是使大气能见度降低的主要因素。     

青藏高原东缘气溶胶粒径分布特征及其来源

气溶胶粒径分布可反映气溶胶的主要来源及其经历的动力学和化学等过程。使用宽范围粒径谱仪对青藏高原东缘四川省理塘县2017年7月6日至8月3日10 nm～10 μm气溶胶粒径分布进行观测,结合环保六要素(PM_2.5、PM₁₀、SO₂、NO₂、CO和O₃)和气象要素数据、HYSPLIT轨迹模式、潜在源区贡献函数(PSCF)和浓度权重轨迹(CWT)分析,探讨了青藏高原东缘气溶胶的粒径分布特征、潜在来源和影响区域。结果表明:青藏高原东缘理塘地区气溶胶数浓度较低,平均值为4 660.3 cm^-3,粒径分布主要集中在500 nm以下,占总数浓度的99.95%; 不同模态粒子数浓度差异较大,核模态、爱根核模态、积聚模态和粗模态粒子数浓度分别为391.9、4 218.0、50.1和0.4 cm^-3; 不同模态粒子数浓度日变化均为双峰型分布,但是峰值时间存在差异,核模态粒子数浓度日变化的峰值时间位于12:00和19:00,爱根核模态、积聚模态和粗模态粒子数浓度日变化的峰值时间位于08:00和20:00; 气溶胶数浓度谱和表面积浓度谱均为单峰型分布,峰值分别位于50 nm和170 nm,峰值浓度分别为7 361.9 cm^-3·nm^-1和215.5 μm²·cm^-3·nm^-1。青藏高原东缘气溶胶数浓度的潜在来源高值区主要分为两个区域,即东北部的局地污染区和西南部的境外远距离传输区。青藏高原东缘气溶胶数浓度的影响范围主要集中在中国境内,影响区域的高值区相对比较分散。     

济南市冬季灰霾日PM1.0和PM1.0—2.5污染特征

为探讨济南市灰霾日大气细颗粒物的化学组分特征, 于2014-01-15—02-17利用PM_1.0、 PM_2.5中流量采样仪,离子色谱及OC/EC分析仪等研究手段,对济南市灰霾日PM_1.0及PM_2.5的浓度水平及化学组成进行了系统研究。结果表明:灰霾日和非灰霾日NO^-₃、SO^2-₄、NH⁺₄均为PM_1.0和PM_2.5的主要成分,灰霾日时NO^-₃、SO^2-₄、NH⁺₄质量浓度占PM_1.0和PM_2.5质量浓度的比例明显升高,并且三种成分质量浓度在PM_1.0中均有显著升高,显示二次无机气溶胶的快速增加是灰霾形成的重要因素。碳质组分(OC+EC)是PM_1.0及PM_2.5中所占比例为第二位的组分,灰霾日OC和二次有机碳(SOC)较非灰霾日明显升高,表明灰霾日更有利于SOC的生成。72 h后向气流轨迹分析表明,起源于山东省内东部及北京、天津一带气流的近地面传输对灰霾形成有重要影响。