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.     

基于单片机的PM2.5测试仪的设计与实现

PM2.5作为雾霾的重要组成部分,其颗粒物直径小,含有高浓度的有毒、有害物质并且在空气中长时间保留、远距离漂浮等特性,使得对PM2.5的检测和治理成为当务之急。本设计采用MSP430F149单片机为控制中心,由GP2Y1010AU0F光学空气质量传感器测量空气粉尘浓度,通过单片机内置的12位AD转换将模拟的电压信号转换成数字信号,然后由单片机进行数据的处理,最后由LCD1602显示屏显示当前空气粉尘浓度,当浓度超过设定阈值时报警。实践证明,该PM2.5测试仪电路设计简单、稳定性好、测试精度高、体积小、价格低,具有一定实用价值。     

基于特征向量的最小二乘支持向量机PM2.5浓度预测模型

针对大气中细颗粒物(PM2.5)浓度预测的问题,提出一种预测模型。首先,通过引入综合气象指数综合考虑风力、湿度、温度等因素;然后,结合实际二氧化硫（SO2）浓度、二氧化氮（NO2）浓度、一氧化碳（CO）浓度和PM10浓度等,构成特征向量;最后,利用特征向量和PM2.5浓度数据来建立最小二乘支持向量机（LS-SVM）预测模型。经2013年城市A和城市B环境监测中心的数据预测分析表明,引入综合气象指数后预测的准确性提高,误差降低近30%。说明该模型能够较为准确地预测PM2.5浓度,并具有较高的泛化能力。此外还分析了PM2.5浓度与住院率、医院门诊量的关系,发现了它们的高度相关性。     

京津冀地区植被覆盖对大气颗粒物浓度的影响

针对京津冀地区空气污染现象频发的问题,基于长时序NDVI、空气质量监测站等数据,从多种时间、空间尺度上分析植被覆盖对大气颗粒物浓度的影响。首先分析了NDVI的时空特征变化,然后探究了NDVI和颗粒物浓度的在时间和空间上相关性,最后比较了植被区和非植被区空气质量小时均值变化趋势。实验结果表明：NDVI月均值与颗粒物浓度变化趋势相关,研究区整体NDVI与PM2.5、PM10浓度月均值回归方程的R²分别为0.580、0.601;植被覆盖对PM2.5和PM10浓度年均值的最佳影响尺度分别为3 km和2.5 km,各季节的最佳影响尺度中夏季最大、冬季最小;植被覆盖对颗粒物浓度升高有抑制作用,植被区颗粒物浓度的变化比非植被区更加平缓。     

基于注意力机制的PM2.5多阶图卷积网络推断模型

细颗粒物（PM2.5）与大气环境和人类生活息息相关。城市中PM2.5监测站数量有限,无法提供细粒度PM2.5浓度,而大多数现有的PM2.5浓度推断方法缺乏根据动态时空特征建立多阶相关系数矩阵的能力。为此提出了一种基于注意力机制的PM2.5多阶图卷积网络推断模型（MOSTGCNInf）。该模型在利用图神经网络提取特征关系的同时,采用注意力机制动态构建多阶节点的注意力系数矩阵,并进行时空特征融合来提升PM2.5浓度推断效果。在公开数据集上进行了对比实验,使用准确率和F1值作为评价指标,并通过消融实验验证了方法的有效性。实验结果表明,MOSTGCNInf对PM2.5浓度推断结果有提升作用。     

基于随机森林的高分辨率 PM2.5 遥感反演 ——以广东省为例

细颗粒物(PM2.5)监测是大气污染治理的重要手段,受限于地面观测点的数量,从遥感反演 PM2.5 是常规地面观测的有效补充,是当前的研究热点。通常遥感反演 PM2.5 的思路是先反演大气气溶胶光学厚度,然后基于统计关系由大气气溶胶光学厚度反演 PM2.5。该方法容易造成误差传递,从而 导致反演模型的不稳定。该文提出了一种基于随机森林算法(一种机器学习算法)的 PM2.5 遥感反演方法,直接建立中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)影像与地 面实测 PM2.5 的关系,可以避免传统反演 PM2.5 时先反演大气气溶胶光学厚度带来的误差,最终得到精度更高的 PM2.5 反演结果。该方法先用随机森林算法对 MODIS 影像和经过克里金插值后的地面监测站PM2.5 数据进行训练和测试;然后,根据测试的均方根误差从多个模型中选取最优(均方根误差最小)的模型;最后,将此模型用于整幅 MODIS 影像,得到整个区域的 PM2.5 反演结果。实验选取了广东省 四个季节多幅 MODIS 影像数据进行验证,并通过决定系数和均方根误差两个表现指标进行对比和分析,验证了所提算法的优越性。     

基于APP的智能家居环境监测系统的设计与实现

设计并实现了一种基于APP的智能家居环境监测系统,实时监测室内CO、CO2、O3及PM2.5的浓度;当被检测气体或PM2.5浓度超过标准值时,系统会立即推送报警消息到用户的智能手机,提醒用户启动相应的空气净化程序对室内进行净化处理;系统利用MQ7、MG811、MQ131及GP2Y1010AU 4种气体检测传感器分别检测室内CO、CO2、O3及PM2.5的浓度,然后将污染气体及PM2.5浓度信息通过GPRS传送到后台服务器,智能手机端APP通过WIFI或3G查询后台服务器即可获取污染气体及PM2.5浓度信息;经实践证明,该系统所测得污染气体及PM2.5浓度的精确率达到98%,并能将浓度变化情况用曲线展示给用户,让用户方便及时地了解到室内环境状况。     

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.     

基于MODIS影像的PM10反演——以北京市为例

提出了一种从MODIS影像上反演可吸入颗粒物浓度(PM10)的方法。该方法的基础为从MODIS影像上反演得到的3个可见光波段气溶胶光学厚度(AOD)计算的ngstrm-α。ngstrm-α与颗粒物粒径有关,根据ngstrm-α能够得到颗粒物有效半径,进而估算颗粒物浓度。反演的气溶胶光学厚度由AERONET北京站与香河站验证。PM10反演结果由北京市环保局发布的AQI反插得到的PM10(AQI)进行验证。结果表明:从MODIS影像上反演的3个可见光波段AOD与AERONET基站AOD具有良好的相关性,相关系数为0.923,均方根误差为0.149。该方法反演的PM10与PM10(AQI)相关系数为0.794,均方根误差为48.34(μg/m3)。     

基于BP模型的北京PM2.5年均值预测研究

PM2.5也称作可入颗粒物。是指大气中直径小于等于2.5微米的颗粒物。虽然PM2.5在地球大气成分中含量很少,但它对空气质量和能见度等有重要的影响,且对人体健康影响很大。该研究以北京市机动车保有量、煤炭消耗量和年扬尘天数2000-2013年的统计数据为基础,建立BP神经网络模型进行预测研究,结果表明：2014年PM2.5年均值为90.83μg/m3,三因素与PM2.5年均值的相关度顺序为：煤炭消耗量〉年扬尘天数〉机动车保有量。     

基于BP模型的北京PM＿(2.5)年均值预测研究

PM2.5也称作可入颗粒物。是指大气中直径小于等于2.5微米的颗粒物。虽然PM2.5在地球大气成分中含量很少,但它对空气质量和能见度等有重要的影响,且对人体健康影响很大。该研究以北京市机动车保有量、煤炭消耗量和年扬尘天数2000-2013年的统计数据为基础,建立BP神经网络模型进行预测研究,结果表明:2014年PM2.5年均值为90.83μg/m3,三因素与PM2.5年均值的相关度顺序为:煤炭消耗量年扬尘天数机动车保有量。     

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。     

基于自组织递归模糊神经网络的PM2.5浓度预测

针对PM2.5浓度非线性动态变化的特点,提出了一种自组织递归模糊神经网络(self-organizing recurrent fuzzy neural network,SORFNN)方法预测PM2.5小时浓度。首先,通过分析影响PM2.5浓度的多种因素,利用主成分分析法(principal component analysis,PCA)筛选出与PM2.5浓度相关性较强的特征变量作为神经网络的输入变量。然后,根据ε准则和偏最小二乘算法(partial least squares,PLS)进行规则化层神经元的增删,实现递归模糊神经网络结构的自动调整,并采用学习率自适应的梯度下降算法调整模型中心、宽度和权值等参数,建立PM2.5预测模型。最后,利用典型非线性系统辨识和实际PM2.5浓度预测实验进行验证。实验结果表明,所设计的自组织递归模糊神经网络结构精简且预测精度高,较好地满足了PM2.5实时预测的要求。     

分布式空气质量远程集中监测管理系统设计

为了能够远距离实时监测空气中PM2.5和PM10的浓度变化情况,采用C/S架构设计了分布式空气质量远程集中监测管理系统,系统由多个空气质量监测站和监测中心两部分组成;空气质量监测站作为客户端利用嵌入式处理器LPC2129作为控制核心,通过传感器SDS011采集空气中悬浮颗粒物PM2.5和PM10的浓度,并通过GPRS模块SIM900A建立与监测中心服务器的TCP/IP网络连接,进行数据交互;监控中心服务器接收、处理、统计分析和显示来自各监测站的数据,并存在数据库SQL2008中,便于形成时、日、月和年报表;同时,为环保监察部门和手机APP提供了数据接口,实现资源和数据共享;测试结果表明,该系统实现对分布在远程各地空气中颗粒物浓度的集中监测,且工作稳定可靠,能够为排污企业周围环境评估提供数据依据,也能够为引导市民健康出行提供参考。     

PM2.5检测技术研究进展

对PM2.5的检测主要是根据颗粒物的力学、光学、电学等物理性质与颗粒物的数量、质量或其他参量之间的关系,通过相应的检测设备进行的。本文对常用滤膜称重法、光散射法、β射线吸收法、微量振荡天平法等PM2.5检测方法的工作原理及各自的优缺点进行综述,为PM2.5检测提供技术指导,便于PM2.5检测者根据实际的检测需求选择合适的检测方法。     

加权因子的PSO-SVR区域空气PM2.5浓度预报方法

结合支持向量回归机(SVR)和粒子群优化算法(PSO),本文提出了一种加权因子的区域大气PM2.5浓度预测方法(W-PSO-SVR)。该方法对预测模型的输入变量进行[0,1]间的不平等加权赋值,权重值由PSO寻优求得,通过不断寻优迭代,赋予输入变量不平等的权重,从而建立预测模型。对区域大气PM2.5浓度预报结果表明,与单独的支持向量回归机模型和0或1的加权因子的支持向量回归模型相比,W-PSO-SVR预报精度提高明显,且该方法不用考虑对历史数据时滞因子的影响,较好地实现了模型输入参数的有效选择,从而可降低输入参数的维数。     

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%。     

基于MRMR-PSO的递归模糊神经网络PM2.5预测模型

针对PM2.5浓度预测中存在的特征变量之间关系复杂、信息冗余问题,提出了一种基于互信息最大相关最小冗余(maximum relevance-minimum redundancy,MRMR)准则结合粒子群优化算法(particle swarm optimization,PSO)的混合特征选择算法,并采用所设计的递归模糊神经网络(recurrent fuzzy neural network,RFNN)为预测模型实现PM2.5浓度预测。首先根据MRMR准则对变量的互信息进行计算并排序,过滤掉一些相关性小的特征。然后将PSO优化算法与RFNN预测模型结合,以RFNN的预测精度作为PSO的适应度函数在过滤得到的特征中选择出最优特征子集,作为RFNN模型的输入变量。将该方法用于PM2.5浓度预测实验,与3种不同特征选择算法的结果进行对比,基于互信息和PSO混合特征选择方法的RFNN预测模型利用最少的特征获得了最小的预测误差,说明该方法能够有效地用于PM2.5浓度预测。     

利用支持向量机遥感估算京津冀细颗粒物浓度

针对传统地面监测手段难以获取全面的细颗粒物(fine particulate matter,PM_(2.5))浓度信息,以2015年3月份京津冀地区PM_(2.5)污染状况为研究对象,将卫星遥感产品气溶胶光学厚度(aerosol optical depth,AOD)作为单变量输入构建支持向量机回归模型,得到的预测值与真实值的R~2为0.525,相对误差为44.6%。鉴于相对湿度(relative humidity,RH)和边界层高度(planetary boundary layer height,PBLH)是PM_(2.5)形成机制的重要影响因素,遂将RH、PBLH与AOD一起作为输入特征构建支持向量机回归模型预测PM2.5,得到的结果 R~2为0.729,相对误差为33.3%。研究结果表明:基于AOD、RH、PBLH为输入特征构建的支持向量机回归模型能够较好地从空间层次预测PM_(2.5)质量浓度。     

气体流速对PM2.5浓度实时测量值的影响

为考察气体流速对细颗粒物浓度检测仪测量结果的影响,更真实、准确地评价PM2. 5的污染状况,同时兼顾传统检测仪利用风扇控制采样气体气流不平稳定且易受环境影响的特点,在试验舱环境下,通过直流稳定电源控制气泵转速的方法,对PM2. 5测量值与气体流速的关系进行试验研究。该试验采用基于激光散射法的PM2. 5颗粒物检测仪。激光散射法与称重法、微量振荡天平法、β射线法、压电晶体法等传统测量方法相比,以其具有实时测量、准确性高和重复性好等特点而被广泛应用。试验结果表明:气体流速变化对PM2. 5实时测量值有影响,且影响程度与当前PM2. 5浓度有关。当前PM2. 5浓度越大,PM2. 5测量值对气体流速的波动越敏感。因此,研究气体流速对PM2. 5浓度实时测量值的影响规律,对于评价颗粒物检测仪精度具有实际意义,为提高颗粒物检测仪精度提供了参考。