北京市Himawari-8AOD与PM2.5质量浓度相关性分析

基于2016年Himawari-8 AOD产品、地面监测PM_(2.5)质量浓度以及相关气象资料,分析了北京市AOD与PM_(2.5)质量浓度的相关性。通过与全球自动观测网AOD产品比较,对Himawari-8 AOD进行精度评估,结果显示二者表现出显著的相关性,表明Himawari-8 AOD产品能有效表征气溶胶光学厚度的变化,适用于北京地区气溶胶的相关研究。研究结果表明:Himawari-8 AOD数据与近地面PM_(2.5)质量浓度相关性较弱,决定系数R2为0. 384 2。以气象资料中边界层高度对Himawari-8 AOD进行垂直订正,订正后AOD与PM_(2.5)的相关性显著提高,决定系数R2为0. 483 2。引入相对湿度进行湿度订正及垂直-湿度订正,二者的相关性显著降低。结合IMPROVE观测的气溶胶吸湿增长特征,采用相对湿度分区订正的方法可以提高Himawari-8 AOD与近地面PM_(2.5)的相关性,可作为辅助监测北京市近地面PM_(2.5)质量浓度的有效方法。     

基于小波神经网络的松江区PM_(2.5)浓度预测

鉴于细颗粒物(PM2.5)浓度(质量浓度ρ,全文同)影响因素的复杂性,以及传统预测方法中存在的困难和不足,基于小波神经网络,利用松江区环保局PM2.5的浓度数据,建立了短时PM2.5浓度预测模型.通过与灰色理论预测模型、BP神经网络预测模型的对比试验分析,发现基于小波神经网络预测模型的预测值与实际值之间的误差最小,更能准确地反映样本数据之间的映射关系,预测精度明显高于其他两种预测模型.     

基于气象因素的PM2.5质量浓度预测模型

为得出拟合效果最佳的预测模型,建立了多元回归和机器学习预测模型对PM_2.5质量浓度进行预测。在输入气象因素的基础上,引入污染物质量浓度基础值和周期因素两类变量作为预测输入,并对4种预测模型进行对比研究。研究结果表明:对预测输入进行改进后,多元线性回归预测模型拟合优度由0.52提高至0.64,所选取的气象参数、污染物质量浓度基础值和周期因素能较好地描述PM_2.5质量浓度的日变化情况;与多元线性回归预测模型相比,BP神经网络和支持向量机两种预测模型能较好地捕捉PM_2.5质量浓度与预测输入之间的非线性影响规律,整体拟合优度分别达0.69和0.74,预测准确度较高;支持向量机预测模型可作为PM_2.5质量浓度预测的首选方法。     

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.     

办公建筑中空调形式对室内外PM2.5浓度相关性的影响

室外PM2.5可通过新风及围护结构缝隙渗透至室内,室外PM2.5较高时尤为明显,结果导致室内空气中的PM2.5浓度上升。为了研究空调形式对室内外PM2.5浓度相关性的影响,在2015年夏季对重庆某办公建筑中采用不同空调形式的室内外PM2.5浓度进行了实测。实测结果发现：集中式空调、分体式空调和非空调房间室内外PM2.5浓度比变化范围分别为0.59～0.76、0.47～0.76、0.71～0.91。室内外PM2.5浓度相关性系数的排序为：集中式空调环境（0.94）> 非空调环境（0.92）> 分体式空调环境（0.77）,研究结果表明,办公建筑的空调形式,对室内外PM2.5浓度的相关性有影响。     

上海市PM2.5浓度特征及影响因素分析

大气环境质量的改善一直是备受关注的问题.利用上海市环境空气质量监测站的监测数据,分析了上海市PM2.5的浓度分布特征及其影响因素.结果显示,近6年来上海市PM2.5的浓度在逐年降低,年均下降率和年均变化幅度显著,同时PM2.5的浓度分布随季节的变化也较大.研究也分析了PM2.5与温度、相对湿度、平均气压以及每日累计降水...     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

西安市PM2.5污染水平时空分布特征及其成因分析

在研究西安市2013年1—4月份的PM2.5污染水平的基础上,对PM2.5质量浓度逐日变化规律和各月份分布情况进行分析,结果显示西安市1—3月份的PM2.5污染较为严重且质量浓度值震荡性显著,4月份PM2.5质量浓度值相对偏低且较平稳。然后通过每个观测点统计各级别AQI出现的频率,描述每个观测点的污染状况,计算AQI指标各监测物质的相关性矩阵,结果显示PM10与PM2.5的相关性最大,CO、SO2和NO2与PM2.5呈显著正相关,结合西安市的实际情况分析PM2.5指标的成因。     

PM2.5净化功能控制系统的应用研究

日益恶化的空气环境给我们的健康带来了极大的挑战,特别是最近几年常常出现PM2.5超标的情况,对我们的健康造成极大的威胁,此文章主要介绍一种有效去除PM2.5的系统,通过对PM2.5浓度的检测,实时控制净化设备的开关,在净化空气的同时做到节能.     

基于GA-BP神经网络的双目摄像机标定

为克服传统BP算法收敛速度慢、易陷入局部极小等缺陷,本文利用遗传算法的全局寻优能力对神经网络的初始权和阈值进行优化,并将其运用到摄像机BP神经网络标定.采用遗传算法构建的神经网络,在不增加网络结构复杂度的情况下,大大提高了样本训练的精度和成功率,保证了网络的泛化能力.实验结果表明,该算法具有较高的标定精度,而且可行.     

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。     

北京市采暖期大气中PM10和PM2.5质量浓度变化分析

对北京市2003年11月至12月间供暖期中大气悬浮颗粒物污染状况作了较详细的监测.数据表明,北京市的这段时间,其PM10和PM2.5质量浓度因日因月而异,其中PM10平均质量浓度为253.1μg/m3,超过国家二级标准(1996)1.9倍,PM2.5的变化幅度在8.9～276.2μg/m3之间,其平均值为145.2μg/m3,超过1999～2000年监测数值38.4%;其污染源和影响因素之间关系的研究表明在供暖期间,温度、湿度和风速对PM10和PM25的累积和消散也起着至关重要的作用.     

PM2.5质量浓度变化特征与交通流的关系——以北京市为例

为分析城市交通运行状况对大气PM2.5质量浓度的影响,针对北京市2014年至2015年12个月的PM2.5质量浓度及交通流量变化情况,基于小波分析的相关理论,对二者的周期性变化特征及其在不同尺度上的相关性进行研究,并进一步分析了特定周期尺度上PM2.5质量浓度变化相对于机动车流量变化的滞后响应现象.研究表明:二者在24 h左右的日周期尺度上显著相关,且PM2.5质量浓度的滞后时间约为9h.     

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。     

2014—2016年某市PM2.5污染的时间分布特征及节假日效应

以某市2014—2016 3年的大气监测数据为基础,运用统计学等分析方法对数据进行处理。结果显示:该市2014—2016年PM2.5年均浓度依次为53.03、41.66、42.77μg·m-3,分别超出GB 3095—2012《环境空气质量标准》的二级标准限值的51.51%、19.03%、22.20%;季节变化表现为冬高夏低、春秋居中的特点,PM2.5月均浓度呈"V"型变化,6—8月是该市全年空气质量最优的时段;不同年份节假日期间PM2.5浓度变化存在明显的差异,仅春节期间PM2.5浓度变化表现为:春节前>春节后>春节明显的假期效应;气象因素对该市PM2.5浓度起到了重要的作用,PM2.5浓度与降雨量、气温、平均风速、相对湿度呈负相关（P<0.01）,与气压呈正相关（P<0.01）;空气中其他污染物对PM2.5浓度也有着显著影响,其中NO2是影响该市PM2.5浓度的重要空气污染物。     

衡阳市PM2.5污染特征及影响因素相关性分析

[目的]了解衡阳市PM2.5的时空分布特征及影响因素,为衡阳市科学防控PM2.5污染提供理论依据.[方法]采用Pearson相关性分析,探究衡阳市PM2.5与气象因素、社会经济因素及其他污染因子之间的相关关系.[结果]衡阳市PM2.5浓度中心城区高于其他县市区,每年12月至次年1月出现浓度高峰;衡阳市PM2.5浓度与平...     

2014—2019年北京和南京地区PM2.5和臭氧质量浓度相关性研究

自2014年以来,中国细颗粒物（PM_2.5）浓度大幅度下降,但臭氧（O₃）浓度逐年缓慢上升,厘清PM_2.5和O₃（P-O）相关性尤为关键.在本研究中,2014—2019年北京和南京PM_2.5年均质量浓度下降幅度分别为-6.86和-6.15 μg·m^-3·a^-1;而日最大8小时平均O₃质量浓度（MDA8 O₃）年均增长幅度为1.50和1.75 μg·m^-3·a^-1.研究期间,北京地区MDA8 O₃质量浓度小于100 μg·m^-3,P-O呈负相关;而当质量浓度大于100 μg·m^-3时,P-O为正相关.通过Pearson相关系数研究P-O两者相关性.在两个城市每月相关性分析中,在每日时间尺度5—9月为强的正相关;而小时时间尺度11月至次年2月趋于负相关.在北京,P-O每月和季节相关性变化大于南京.在日变化中,夏季在16时为强的正相关,春秋两季在13—17时为弱的正相关,而在春、秋和冬季8时,却为强的负相关.