模糊时序与支持向量机建模相结合的PM2.5质量浓度预测

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题,提出应用支持向量机和模糊粒化时间序列相结合的方法,对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式,确定以24 h为周期的粒化窗宽,利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入,并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据,应用该方法建立PM2.5质量浓度的时间序列预测模型,并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明,基于模糊粒化时间序列的预测模型,能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定,对模糊粒子拟合效果较好.     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

空气PM_(10)污染特征及绿化结构净化效应研究——以河南农业大学为例

以PM10污染为研究对象,采用激光粉尘仪对河南农业大学校园内PM10特征进行了分析,探讨了PM10的日变化规律及随高度、绿化状况和天气的变化状况,并用统计分析的方法对数据进行处理,结果表明:1)PM10浓度日变化特征为白天浓度高,夜间浓度低;2)多云、晴朗天气PM10浓度相对较低,阴天时PM10浓度出现峰值,雨天PM10浓度显著下降;3)在一定高度范围内,PM10浓度随着高度增加逐渐增大,越往高空PM10浓度越大;4)丛生灌木结构的PM10浓度明显高于乔木结构.     

基于PCA与RBF神经网络的PM_（10）质量浓度预测

对影响PM10质量浓度的20个因子进行主成分分析（PCA）,得到一组新的输入因子,有效的降低了输入维数,然后以新的输入因子作为RBF神经网络的输入,建立RBF神经网络PM10质量浓度预测模型,并对西安市2005年采暖季PM10质量浓度进行了预测,获得较好的拟合和预测效果。     

空气PM10污染染特征及绿化结构净化效应研究——以河南农业大学为例

以PM10污染为研究对象,采用激光粉尘仪对河南农业大学校园内PM10特征进行了分析,探讨了PM10的日变化规律及随高度、绿化状况和天气的变化状况,并用统计分析的方法对数据进行处理,结果表明：1）PM10浓度日变化特征为白天浓度高,夜间浓度低;2）多云、晴朗天气PM10浓度相对较低,阴天时PM10浓度出现峰值,雨天PM10浓度显著下降;3）在一定高度范围内,PM10浓度随着高度增加逐渐增大,越往高空PM10浓度越大;4）丛生灌木结构的PM10浓度明显高于乔木结构．     

河南省供暖期大气污染特征及预测分析——以郑州市为例

近年来河南省大气污染问题引起社会的广泛关注,但有关供暖期间大气污染方面的研究相对较少.以郑州市为例,分析郑州市供暖期间大气颗粒物的浓度变化并进行预测,对提高当地空气质量具有重要意义.基于2014-2016年郑州市空气质量监测数据和同期气象数据,利用SPSS相关分析和BP神经网络模型,分析郑州市供暖期间PM2.5、PM10的超标情况、日变化特征,探究气象要素对PM2.5和PM10的影响,最后预测AQI指数的变化.结果表明:2014年供暖期郑州市空气质量相对较差,PM2.5和PM10平均质量浓度超标率最高;2015年供暖期郑州市空气质量相对较好,PM2.5和PM10平均浓度变化幅度较大;2014-2016年供暖期间郑州市PM2.5和PM10浓度具有明显的日变化特征,呈现双峰型变化;2014-2016年供暖期郑州市PM2.5、PM10与日均气温相关性不显著,与日均风速呈显著负相关,与日均相对湿度呈显著正相关;当供暖期郑州市主导风向为正西风时,污染天气出现频率较低;利用BP神经网络预测2016年AQI的精度较高,预测值与实测值相关系数为0.85.     

基于BP人工神经网络的大气颗粒物PM10质量浓度预测

根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度。为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型。研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高;所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62;人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确。     

基于主曲线的空气悬浮颗粒物质PM10的预测

对空气中有害物质(例如PM10)的浓度进行预测具有重要的现实意义,但绝大多数情况下,这类数据具有不均衡、在线贯序到达的特点,利用传统监督学习方法较难以实现快速、有效的预测。为解决该问题,提出了一种基于主曲线的PM10预测方法,建立在2010年到2012年PM10的模型,拟合得到相应的参数,最终得到主曲线预测模型,并通过大量实验分别设定不同浓度PM10相应的阈值。研究表明,基于主曲线的PM10预测模型预测速度快、误差低,同时网络结构更加紧凑。     

长春市PM_(10)污染特征及与气象因素的相关分析

为了研究长春市PM10污染特征以及影响PM10浓度的因素,利用长春市PM10的实时监测资料,分析长春市PM10浓度的季节变化特征和污染程度.并利用同期的气象资料,建立PM10浓度和气象因素之间的多元线性回归模型,来进行两者之间的相关分析.采用逐步回归法,建立了"最优"回归方程,分析不同季节对污染物浓度有显著影响的气象因素,从而为长春市大气污染防治和雾霾天气预测提供科学依据.结果表明,长春市PM10浓度冬季偏高、夏季偏低、春季和秋季居中,2013年全年中1、4、10月份出现了不同程度的高污染现象,日平均浓度最高值达到591μg/m3.研究发现对长春市PM10有显著影响的气象因素主要有当日平均风速和最高最低气温温差.     

典型城市道路区域空气TSP和PM10污染特征研究——以上海市为例

为对空气中总悬浮颗粒物(TSP)和可吸入颗粒物(PM10)的污染特征进行研究,采用KC-120H型智能中流量TSP和PM10采样器,运用重量法测定道路的TSP和PM10浓度.针对重车型比例大的典型城市—上海市,对其道路区域中TSP和PM10污染物随车型、绿化情况、洒水情况和天气等的变化情况进行分析,并采用统计分析方法对数据进行处理.研究结果表明:(1)TSP和PM10浓度的日变化特征为白天浓度高于夜间浓度,阴天浓度高于多云和晴朗天气,雨天浓度下降显著;(2)在一定车型比例范围内,TSP和PM10浓度随着重型车数量的增加逐渐增大;(3)有绿化隔离状况下,TSP和PM10浓度明显低于无绿化情况,高大乔木阻挡作用强于灌木丛生植物;(4)洒水车过后,TSP和PM10浓度显著下降;(5)PM10与TSP浓度值线性相关.     

北京地区夏季PM10污染的数值模拟研究

利用三维区域空气质量模式CAMx,对北京地区夏季PM10浓度的时间变化规律和空间分布特征进行了数值模拟研究。结果表明,北京市城近郊区夏季的PM10具有明显的时空变化规律。一般在半夜前后和早晨常表现出较高的浓度;中午前后由于大气化学转化对二次气溶胶的生成贡献,在城市地区也会表现出一定的高浓度值;傍晚前后往往是一天中浓度最低的时段。PM10的空间分布与源排放关系密切,中午前后的空间分布会体现出光化学反应对其二次生成作用的影响。二次气溶胶在PM10中占有相当的份额,对于PM10中硫酸盐和硝酸盐的浓度变化,其中的二次组分起主要决定作用,而有机碳气溶胶以及PM10的浓度水平和变化规律则主要受一次成分的影响。     

贵阳建筑扬尘PM_(10)排放及环境影响的模拟研究

为了研究贵阳建筑扬尘的环境影响,根据对建筑和市政施工工程的调查,估算了贵阳市区2002年建筑扬尘的PM10排放量,并利用CALPUFF模型模拟了建筑扬尘对PM10浓度的贡献,分析了其季节变化及影响因素。结果表明,2002年贵阳城区建筑扬尘的PM10排放量为416t,占PM10排放总量的4%。建筑扬尘对贵阳市区较大范围内的PM10浓度水平均有影响,对整个城区PM10的年均浓度贡献接近12%。受施工强度以及风场和降水等气象因素作用,建筑扬尘排放的影响体现出明显的季节变化。     

空调建筑室内颗粒物浓度变化特征分析

为控制室内PM10的质量浓度,基于质量平衡方程建立了室内可吸入颗粒数学模型并对其进行简化;推导出空调通风系统在开启、关闭两种时段下室内PM10浓度瞬时式。通过数值计算,分析了初始PM10浓度、室外PM10浓度、渗风量、新风比、过滤器效率等因素对室内PM10浓度变化的影响。计算结果表明:提高集中空调系统的各级过滤器效率,有助于改善室内颗粒物污染状况。     

太原市冬季气象条件对污染物PM10迁移扩散的模拟研究

利用CALPUFF和HYSPLIT模式,以太原一电厂为污染源,模拟了初冬时段PM10的扩散过程,在分析地形及复杂风场对污染物扩散的影响时,研究了PM10在典型气象条件下的迁移扩散.模拟计算结果表明:气象条件不利于污染物扩散,造成太原市区西部古交和万柏林间高PM10浓度区;同时,小静风条件下的局地环流造成市区PM10浓度较高.还探讨了利用模式结果和监测数据估算源项的方法,研究表明,数值模式可以用来进行大气质量模拟并进行污染源管理.     

基于多元回归分析的STM32空气质量监测系统设计与开发

以鞍山市空气环境资料为基础,用统计软件SPSS分析了空气质量指数与PM2.5,PM10,SO2,NO2,CO以及O3的相关性,选取相关性最显著的因素建立多元回归模型,并以此为基础设计并开发出基于STM32处理器的具有温湿度和紫外线测量及空气质量指数预报的空气质量监测系统。测试结果显示,测量及预报值与实际值相符合。     

南昌市罗家集工业区大气颗粒物PM10的来源解析

2005年冬季,在南昌钢铁责任有限公司监测站和罗家集何家村2个采样点采集PM10样品,用等离子体发射光谱法（ICP-AES）分析PM10中的无机元素,以无机元素为示踪物,利用CMB受体模型对PM10来源进行解析,结果表明：煤烟尘是南昌市罗家集工业区PM10的主要来源,其次是建筑尘、冶金尘、土壤尘和机动车尾气。     

PCA-BP模型下皖北城市群PM2.5浓度分析

为探究皖北城市群大气污染物在不同地域、不同时间下的分布规律以及影响空气中PM2.5浓度的相关变量,结合2018-2021年安徽省生态环境厅统计数据及相关地域资料,采用主成分分析(PCA)法按时间段长短及季节性变化分别选取月度数据与年度数据对空气质量的影响因子做相关性分析,对比分析不同季节下空气污染物PM2.5、PM10的浓度及其它空气污染物的变化,构建基于PCA算法的反向传播神经网络 (BP),建立PCA-BP模型并采用交叉-验证法提高模型精度,对大气中的污染物PM2.5浓度做短期预测。实验结果表明:PM2.5浓度的主要影响因子为PM10、CO、NO2、SO2;皖北地区PM2.5含量整体在冬季偏高;预测模型的精度在夏季与秋季较高,冬季较低,四季的预测精度R2分别达到0.924、0.958、0.935、0.794。     

灰色系统在大气质量预测中的应用

把大气环境看作一个灰色系统,联系重庆市大气环境的实际情况,利用灰色关联分析判断出重庆市2000-2005年间大气污染物中主要污染因子为PM10和SO2,同时建立灰色模型对其进行质量预测.短期预测结果表明大气PM10和SO2浓度呈下降趋势,其浓度分别到2009年和2012年可达国家二级标准.     

南京地区PM2.5和PM10浓度分布特征及与相关气象条件的关系

利用2014年12月至2015年5月南京市PM_(2.5)和PM_(10)的质量浓度以及天气观测数据,研究南京市颗粒物浓度空间、时间分布特征及其与相关气象因子的关系。研究表明PM_(2.5)和PM_(10)同季节内高度线性相关,时间分布具有明显的季节性差异;PM_(2.5)与风速呈负相关关系,与降雨清除量呈正相关关系;相对湿度达到75%左右时污染最严重。研究首次将其他污染气体和相关气象因子结合起来,用逐步回归法建立PM_(2.5)预测模型,能较好地拟合冬春两季PM_(2.5)变化趋势,较准确地反映南京市PM_(2.5)的污染特征,具有一定的理论和实用价值。