时间精度与空间信息对神经网络模型预报PM2.5浓度的影响

以北京市为例, 利用2015—2018年空气质量监测站台资料, 通过BP神经网络、LSTM网络及CNNLSTM混合模型等多种模型, 分析时间精度和空间信息对PM_2.5浓度预报的影响。结果表明, 神经网络模型的效果普遍比多元线性回归模型好; 增加输入数据的时间精度能显著地提高 PM_2.5浓度日均值预报的准确率; 当输入数据的时间精度从一天提高到6小时后, LSTM模型的平均绝对误差从27.39 μg/m³降至20.59 μg/m³, 这种效果的提升在显著变好和显著变差的天气情况下更明显; 华北地区PM_2.5浓度分布有明显的时空特征, 第一空间模态为同增同减, 第二空间模态为南北反向; 北京市PM_2.5浓度与内蒙古、河北及天津等地区前一天的PM_2.5相关。利用CNN-LSTM混合模型学习华北地区PM_2.5的时空信息, 能进一步提高北京市PM_2.5浓度的预报水平, 使得误差降低至17.36 μg/m³。     

利用人工智能神经网络预测广州市PM2.5日浓度

利用差分整合移动平均自回归模型(ARIMA)、后向传播神经网络(BP)以及长短期记忆神经网络(LSTM), 对广州市2015—2019年的PM_2.5浓度数据进行训练和预报, 研究集合经验模态(EEMD)分解和时间分辨率对不同模型预报准确性的影响。结果表明, EEMD分解可以显著地提升低频分量的预报效果; 提高输入数据的时间分辨率可以提升预报效果, 尤其在ARIMA自回归模型预报中较为明显, 用神经网络进行预报时需要考虑输入数据量增加带来模型复杂度增加的问题。由于模型使用前一天(t -1)的PM_2.5作为输入数据, 即只能预报t+1天的PM_2.5值。为增加模型的预报时效, 采用滚动预报的方式对模型进行优化, 能够显著地提升预报时效, 实现对t+n天的连续预报, 且预报误差与后报结果相当。将时间精度为6 h的数据作为输入, 用ARIMA模型进行预报的效果最好, 最小MAE值为6.478。     

人为排放对信阳市细颗粒物和臭氧的影响评估

基于信阳市2017—2020年细颗粒物(PM_2.5)和臭氧(O₃)浓度数据及同期地面气象观测资料,利用Kolmogorov-Zurbenko(KZ)滤波法将原始浓度序列分解为短期分量、季节分量和长期分量,采用逐步回归方法建立污染物基线分量和短期分量与相应尺度气象要素的线性回归模型,通过对残差进行滤波和序列重建,得到去除气象影响的污染物长期变化趋势,该浓度仅与污染物的排放量有关。结果表明,PM_2.5和O₃浓度的波动主要由污染源排放及气象条件的短期变化和季节变化引起,气象条件对PM_2.5季节分量和O₃长期分量影响较大。信阳市PM_2.5污染排放减弱,O₃污染排放先升高,在2018年10月后降低。由于污染排放导致的2017—2020年PM_2.5和O₃长期分量分别降低3.5、1.5μg/(m³·a)。     

基于GIS技术与嵌套网格的大气PM2.5污染最优集成预报方法

为了提升城市空气质量的预报准确率,分析大气PM_2.5污染物各尺度污染变化情况,提出基于GIS技术与嵌套网格的大气PM_2.5污染最优集成预报方法.基于大气污染扩散模拟情况,利用GIS技术的前、后期数据处理以及结果显示输出,处理大气PM_2.5污染数据,可视化展示污染扩散情况;采用嵌套网格空气质量预报模式系统(NAQPMS),模拟大气PM_2.5污染物各尺度污染变化,完成污染预报;基于观测、预报资料结合多种集成方法组建集成预报,经评价获取评分最高集成预报方法,完成大气PM_2.5污染最优集成预报.以安阳市为例,应用该方法进行空气质量预报实验.结果表明：该方法的PM_2.5质量浓度预报值与实际观测值更加接近,有效提升了大气污染预报准确率,以PM_2.5为代表的细颗粒物和以扬尘为主要源的粗颗粒物污染突出,需加强企业烟尘污染物的管控.     

2015—2020年成都市PM2.5的时空分布及影响因素

以2015—2020年成都市PM_2.5浓度的时空分布为研究对象,运用克里金插值法、Pearson相关系数法、主成分分析法等方法,结合降水、风速2个气象因子及GDP、第二产业生产总值比重、人口密度、城镇化率4个社会因子进行分析,从而得到成都市PM_2.5的时空分布情况及其影响因素的相关分析,为成都市的空气污染治理提供科学依据.结果表明：成都市PM_2.5浓度在空间上整体呈中间高、两边低的特征,在时间上的整体走向为先降低后升高;同时成都市PM_2.5浓度与各种气象因子、社会因子都存在相关性,但相关程度存在较大的差异.     

长沙某区域空气污染成因分析

探寻长沙某区域内的大气污染成因，为该区域大气污染预警与控制提供理论依据。以该区域内大气中PM_2.5、PM₁₀、O₃、NO₂、SO₂、CO、有机污染物等污染因子为研究对象，以各污染因子浓度与组成在2021年3月至2022年2月的监测数据为依据，通过污染因子与影响因素之间的关联性分析，确定该区域内各污染因子的形成原因。结果显示：该区域内PM_2.5年均浓度为40μg/m³、PM₁₀年均浓度为43μg/m³，大气颗粒污染物主要由工地扬尘、非道路移动机械、机动车尾气以及燃烧源共同引起；大气有机物污染主要是由机动车尾气排放、有机溶剂挥发以及化石燃料燃烧产生。通过对臭氧生成潜势进行分析发现，芳香烃类物质贡献最大，占比60.8%，其次为烯烃类物质，占比为22.9%，这表明该区域臭氧浓度受溶剂涂料使用工序影响较大。     

利用集合深度学习方法订正空气质量数值预报结果——以新疆乌昌石城市群为例

开展基于空气质量数值模式CMAQ (社区多尺度空气质量模型)预报结果的后校正算法研究。利用集合深度学习方法, 对CMAQ的PM_2.5 (细颗粒物)原始预报结果进行误差订正, 以期提高预报准确率。该方法集合了深度神经网络模型、随机森林模型、梯度提升模型和广义线性模型4种机器学习模型, 在每一个模型中结合原始的气象预报、空气质量预报和土地利用类型等多源数据作为辅助变量, 对PM_2.5预报浓度进行校正, 最后求取4个模型的集合结果。将该方法应用于订正新疆乌(鲁木齐)昌(吉)石(河子)城市群的CMAQ预报结果, 利用2018年的独立样本进行评估, 订正预报结果的准确性显著提升, 站点5天预报的决定系数R²为0.41~0.60, 比原始预报提高60%~160%, 均方根误差RMSE降低 40%左右; 交叉验证的站点预报R²同样提升50%~80%, RMSE下降30%左右。该订正方法的计算效率高, 可以部署于业务化预报平台, 进行可靠的运行。     

基于夜间灯光影像的能源消费与PM2.5时空关系研究

利用能源消费统计数据与夜间灯光影像对陕西省能源消费进行空间化处理,结合PM_2.5遥感数据,基于双变量空间相关性分析等方法,研究了陕西省能源消费与PM_2.5的时空关系,并利用随机森林回归模型探讨了影响ρ(PM_2.5)变化的能源消费因素．结果表明:1）2001—2013年陕西省ρ(PM_2.5)先增大后减小,最高值达到28.5 μg·m?3,省内PM_2.5分布的空间异质性较强,其中关中地区的ρ(PM_2.5)最高;2）陕西省能源消费量逐年上升,在空间上的分布与ρ(PM_2.5)类似,关中地区的能源消费量最多;3）陕西省能源消费量与ρ(PM_2.5)的Moran’s I达到了0.289,表明二者之间有着明显的空间正相关性,即高能源消费的区域有着高质量浓度的PM_2.5分布;4）人口密度、路网密度与能源消费总量是陕西省ρ(PM_2.5)变化的重要驱动因素．      

河南省山地空气负氧离子预测模型研究

利用河南省西部、南部山区13个县区的34个空气负氧离子站监测数据和中分辨率成像光谱仪(MODIS,moderate resolution imaging spectroradiometer)植被指数产品数据，使用相关分析、随机森林回归模型等方法，分析了影响河南省山地空气负氧离子浓度的主要气象因子和环境因子，并建立预测模型。结果表明，影响河南省山地负氧离子浓度日变化的主要气象因子是温度和相对湿度，主要环境因子是PM_2.5浓度、PM₁₀浓度和植被覆盖。通过建立负氧离子浓度预测模型，实现了负氧离子预报的定量化，为地区空气质量评价提供参考。     

基于U-net神经网络模型的PM2.5逐小时浓度值预测模型

针对目前多数PM_2.5预测模型泛化能力较差的问题, 提出基于U-net神经网络模型的PM_2.5逐小时浓度值预测模型。该模型通过引入历史风场数据, 将离散的监测站点PM_2.5浓度值插值为PM_2.5网格图; 然后将U-net神经网络作为预测模型, 基于实验区域的10小时内的PM_2.5网格图, 预测下一时刻的PM_2.5网格图。该模型可以利用历史不同时刻提取的PM_2.5浓度值网格图, 在预测区域内所有位置PM_2.5浓度值的同时, 还可以提升预测的准确性以及对PM_2.5浓度值突变情况的适应性。实验结果表明, 所提方法在PM_2.5浓度值短时间突变情况下, 预测精度比传统方法有10%左右的提升。     

成都市夏季臭氧污染的环流分型与来源分析

为探究大尺度环流对成都市O₃污染的影响, 基于四川盆地700 hPa位势高度场, 采用T-PCA方法, 将2015—2019年夏季(6—8月)各日的大气环流归纳为5类环流型, 并对不同环流型下的成都市O₃污染特征与污染来源进行分析。5类环流型中, 东北高压型(NEH)和高压底部型(UNF)条件下, 四川盆地气温较高, 湿度和云量相对较低; 对比过去24小时的变温, UNF下四川盆地增温显著, NEH 下变化不明显, 另外三类环流型(即东南高压型、西北低压型和西北高压型)下则出现不同程度的降温。NEH和UNF下的气象条件更有利于四川盆地O₃的光化学生成。研究时段内, NEH和UNF下成都市O₃浓度水平和O₃超标日比例明显高于另外三类环流型, 是夏季发生O₃污染的主要环流型。成都市O₃污染较重的月份具有较高的NEH和UNF环流型占比。通过对成都市夏季O₃来源的模拟分析, 发现O₃污染主要来自四川盆地内的污染源排放(占55.0%), 以成都本地贡献为主(31.6%), 其他重要贡献城市包括德阳(5.4%)、重庆(4.0%)、资阳(3.9%)和眉山(2.2%)。然而, 不同环流型下成都市的O₃来源具有不同特点, NEH下成都平原内部污染传输影响较强, 德阳市O₃贡献显著增加(占14.9%); UNF 下成都市O₃污染呈现很强的局地性污染特征, 成都市排放的O₃贡献占比接近一半(46.8%)。     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。     

石家庄市秋冬季大气环流型下的气象和PM2.5污染特征

根据石家庄市2013—2018年秋冬季(当年11—12月和次年1—2月)11种大气环流型天气条件下的地面和垂直气象特征, 归纳出5类大气环流条件, 并结合气团传输轨迹和PM_2.5浓度监测数据, 探讨大气环流条件与石家庄PM_2.5污染的关系。在5类大气环流条件中, 第I类(NW型和N型, 天数占16%)的扩散条件最好, 以西风和西北风为主, 风向比较稳定, 风速大, 边界层高度高; 第II类(NE型, 天数占9%)和第III类(E型和SE型, 天数占12%)的扩散条件次好, 近地面风向分别以北风和东北风为主, 风速较大, 前者边界层高度中等, 后者边界层高度低; 第IV类(A型, 天数占37%)的扩散条件较差, 近地面风速较低, 同时边界层高度低; 第V类(UM型、C型、S型、SW型和W型, 天数占26%)的扩散条件最差, 近地面风速很小, 风向变化大, 边界层高度低, 低层大气逆温明显。不同大气环流条件下气团的传输路径存在差异, 对石家庄地区PM_2.5污染产生潜在影响的区域随之不同。石家庄市秋冬季的PM_2.5污染与不同环流型的扩散条件密切关联, 第V类大气环流条件下最易发生PM_2.5污染, 污染发生频率在78%~96%之间, 重度及以上级别污染发生频率均在55%以上; 第IV类大气环流条件下的污染状况变化相对缓慢, 但连续的第IV类大气环流天气多带来PM_2.5污染持续累积; 第I类大气环流条件下发生污染的频率最低。     

重庆三大城区夏季PM_(2.5)中有机碳和元素碳的污染特征

以重庆市渝北区、南岸区和渝中区3个主要城区为研究对象,采集夏季PM2.5样品,应用DRI Model 2001A热/光分析仪,采用IMPROVE-TOR方法测定了PM2.5中有机碳(OC)和元素碳(EC)含量,并对3地的OC、EC污染特征进行了评价,探讨了PM2.5中含碳物质的来源。结果表明,南岸区OC、EC质量浓度分别为(5.8±1.5)、(2.5±0.8)μg·m-3,低于渝北区((8.9±3.2)、(4.2±1.6)μg·m-3))和渝中区((8.8±2.2)、(4.6±1.3)μg·m-3),与PM2.5质量浓度的分布一致,表明渝北区和渝中区的含碳污染物的排放可能较为严重。渝北区、南岸区和渝中区的OC与EC均显著正相关,表明三大城区OC和EC可能分别具有相似的一次污染源。排除降雨天和O3浓度较高的晴天,利用m(OC)/m(EC)比值法对渝北区、南岸区、渝中区二次有机碳(SOC)进行估算,SOC质量浓度分别为(2.0±1.8)、(1.0±0.7)、(2.3±2.0)μg·m-3,占OC比例均低于30%。渝中区SOC对OC的贡献率最高,这可能是因为该地区易于形成城市热岛效应,且热量和辐射效应更加明显,有助于SOC的生成。通过计算PM2.5中8个碳组分丰度,初步判断机动车尾气排放可能是三大城区碳质组分的主要来源。     

空气细颗粒物污染的来源、危害及控制对策

 近年来由空气细颗粒物(PM_2.5)引起的大气污染现象频发,成为全社会广泛关注的环境问题.结合国内外研究,综述了PM_2.5污染的来源、危害及控制对策的相关研究进展.研究表明,人类活动排入大气中的一次颗粒物、一次颗粒物与大气中的气态污染物相互作用形成的二次颗粒物是PM_2.5的主要来源.长期暴露在PM_2.5环境中,会对人体的呼吸系统、心脑血管系统、神经系统及免疫系统的健康造成伤害.PM_2.5还会导致大气能见度下降,影响正常的生产、生活.针对中国PM_2.5的污染现状,提出了PM_2.5污染的控制对策及建议.     

秦皇岛冬季典型污染时段PM2.5中重金属和PAHs的污染特征

为了探究近年来秦皇岛市大气中PM_2.5污染特征和影响因素,通过采集冬季重污染时段城区和开发区PM_2.5样品,使用等离子体发射光谱仪和气相色谱-质谱仪,分别测定城区样品中6种元素(Cu,Pb,Zn,Cr,Ni,Cd)和PAHs.结果表明,秦皇岛城区PM_2.5日平均质量浓度186μg/m³,开发区平均质量浓度为118.88μg/m³,城区PM_2.5中各重金属元素的浓度水平排序为Zn＞Pb＞Ni＞Cr＞Cu＞Cd,其中Cd为强-极强污染,Pb为中-强污染,Zn属于中等污染,Ni,Cu,Cr等其他元素基本无污染.PM_2.5中定性的检测到奈(Nap)、菲(Phe)、荧蒽(Fla)、芘(Pyr)、苯并(k)荧蒽(BkF)等单体.PM_2.5日浓度与风速具有显著的负相关性,与相对湿度呈正相关性.     

中国PM2.5污染现状及其对人体健康的危害

 当前,中国大气中PM_2.5污染形势严峻。2013 年,在全国纳入监测范围的74 座城市中,接近92%的城市的PM_2.5年均浓度未达到国家标准,其中,京津冀、长三角和珠三角等重点区域PM_2.5污染尤为严重。PM_2.5中含有的多种有毒有害物质可直接危害公众身体健康。已有的研究结果显示,PM_2.5污染会直接影响人体的呼吸系统、心血管系统,与肺癌的发生率和死亡率密切相关,但需从PM_2.5毒理学及暴露-反应关系等影响机制方面做深入研究。中国对大气中PM_2.5污染的治理任重道远,强化PM_2.5的健康风险研究,科学评价PM_2.5污染对中国不同人群疾病发生的负担率等应是认真思考的问题。     

中国大气PM2.5污染的主要成因与控制对策

 2011年底以来,PM_2.5污染成为全国人民共同关心的环境问题。本文介绍PM_2.5的基本概念与污染和简要治理历史、梳理了中国PM_2.5污染现状,提出煤炭为主的能源结构是高浓度PM_2.5的直接原因、粗放型经济发展模式是雾霾频发的主要原因、污染物的跨界传输也容易形成区域性污染等3个共性原因,同时从不同区域的排放源差异、能源结构与经济发展水平不同及地形与气象条件不同等方面分析了PM_2.5污染的个性特征。从3个方面提出中国防治PM_2.5控制战略建议：大力调整能源结构,防治PM_2.5污染;以科技为核心构建新型的PM_2.5防治体系,实现科技治污;改革体制、法律和经济等管理制度,保障科技治污综合效益。     

基于PCA-BP神经网络的PM2.5季节性预测方法研究

【目的】分季节预测PM_2.5浓度值,利用PCA方法对数据进行降维,分析季节及气象因素对PM_2.5的影响,在提高预测准确率的同时降低时间复杂度。【方法】以合肥市2014—2017年的PM₁₀、SO₂、CO₂、CO、O₃浓度值,以及同时段的气象因素值,对PM_2.5浓度进行预测。数据分析中发现PM_2.5在不同季节浓度差异较大,故本研究选择分季节进行预测;为了提高预测准确率,加入如风力、温度、湿度、气压等气象因素进行预测,同时采用主成分分析(PCA)的方法进行数据降维,将降维后的数据再输入BP神经网络模型进行预测。【结果】实验采用3组实验进行对比:5种污染物指标(PM_2.5-5)预测PM_2.5、加入气象因素的综合12项指标(PM_2.5-12)预测PM_2.5、对综合指标进行PCA处理后的(PM_2.5-PCA)预测PM_2.5。实验结果表明:4个季节的PM_2.5浓度值有较大变化,均方根误差(RMSE)的差值较大;采用PM_2.5-PCA的方法,在任何季节的RMSE均有降低,相关系数(r)均有所提高。【结论】PM_2.5浓度具有季节性特征,采用季节性预测方法可以提高预测准确率;同时采用PCA方法进行降维,可以在保证准确率的同时降低预测时间复杂度。