熵在空气质量指数(AQI)预测中的应用

为了更准确地找出影响空气质量指数的气象因子与提高其预测精度,提出了基于熵、BP神经网络和时间序列模型的组合预测模型。该方法利用增加了特征变量的转移熵方法,得到影响AQI的气象因子及其影响度,将得到的气象因子与AQI实测值作为BP神经网络的输入因子和时间序列分析模型的特征因子,影响度作为BP神经网络输入因子的初始权重,构建BP神经网络预测模型和时间序列分析预测模型,最后用熵值法组合各个预测模型的预测结果。实验表明利用该方法对空气质量指数进行预测可提高其预测精度。     

大气污染预警仿真模型研究——以郑州市为例

利用郑州市2015—2016年24小时的大气污染监测数据和气象数据,分析郑州市空气质量随季节变化的分布特性。利用线型相关系数分析,寻找显著相关因素,通过径向基神经网络构建大气污染预测模型,对郑州市2017年的PM_(2.5)、PM_(10)、SO_2、NO_2污染物7*24小时的浓度进行预测,并与各污染物实际监测值进行对比分析。实验结果证明,利用线型相关系数进行相关因素的分析能够很好地提高预测准确度;利用RBF神经网络的预测结果比传统的BP神经网络预测的结果更加准确。     

基于GABP技术的PCA弥苴河水质预测

针对传统的水质预测方法中由于因子的多重相关性而造成的预测精度偏低的问题,提出了一种将主成分分析法(PCA)和遗传算法优化的BP神经网络(GABP)相耦合的水质预测方法.利用主成分分析法提取对水质因子影响较强的综合成分,克服了传统水质预测方法中信息冗余的问题.在对大理弥苴河水质进行大量实际监测的基础上,分别采用PCA-GABP神经网络,GABP神经网络以及传统的BP神经网络3种模型的方法,建立了弥苴河水质高锰酸盐指数的的预测模型.通过数据预处理,筛选了600组数据进行训练学习和测试.通过对3个模型的预测误差分析对比,可以得出PCA-GABP神经网络预测模型精度更高.     

清香型优质烟叶物理特性指标预测分析

探究清香型优质烟叶物理特性指标与生态因子间的定量关系,构建物理特性指标预测模型。选择云南省玉溪市2019-2020年优质烟叶的物理特性指标数据与生态数据（气象、土壤和海拔）,建立多元线性统计预测模型与BP神经网络预测模型,并分析各生态因子对烟叶物理特性指标的相对贡献率;利用均方根误差（Root Mean Square Error,RMSE）与归一化均方根误差（Normalized Root Mean Square Error,NRMSE）对两种预测模型模拟效果进行检验分析。结果显示,气象因子平均相对贡献率明显高于土壤、海拔的相对贡献率,气象因子对清香型优质烟叶物理特性指标尤为重要;统计预测模型的RMSE、NRMSE值均高于神经网络预测模型,神经网络预测模型预测准确性更高。利用统计方法与神经网络构建物理特性指标预测模型,可以为不同生态条件下提升烟叶品质、促进烟叶品质评价智能精准化提供一定的科学理论依据。     

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。     

PCA-BP神经网络在回采工作面瓦斯涌出量预测中的应用

为对回采工作面瓦斯涌出量进行准确的预测,运用主成分回归分析以及BP神经网络原理和方法,结合现场实测数据,采用多元统计分析软件SPSS(Statistical Product and Service Solutions)处理相关数据,研究了影响回采工作面瓦斯涌出量影响因素间的相关关系并提取主成分,以确定BP神经网络中的输入参数,从而建立BP神经网络进行预测.并利用PCA-BP神经网络的方法建立了瓦斯涌出量预测模型.研究结果表明:采用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%,较其他预测模型有更高精度.对降低事故发生率和矿井延深水平的回采工作面瓦斯涌出量预测具有较好的指导作用.     

基于主成分分析的BP神经网络及其在需水预测中的应用

以甘肃省瓜州县为例,利用1988~2007年的总需水量数据,采用主成分分析法对影响水资源需求量的7个因子进行主要影响因子分析,根据确定的主要影响因子构造BP神经网络的输入样本,从而进行不同水平的年总需水量预测。结果表明:国内生产总值、工业总产值、农业总产值和大牲口数4个因子为影响研究区需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,确定网络输入节点数,建立瓜州县总需水量预测模型。模拟计算结果表明,基于主成分分析的BP神经网络模型取,预测结果的绝对误差小于±0.05×109m3。     

卡尔曼滤波修正的风电场短期功率预测模型

针对数值天气预报模型输出的气象参数存在系统误差而导致风电场功率预测精度受到制约的问题,提出了一种基于卡尔曼滤波修正的风电场短期功率预测模型.使用卡尔曼滤波算法对数值天气预报输出的风速数据进行动态修正,并结合其他气象数据形成新的用于风电功率预测的修正气象数据集合;根据原始气象数据和修正气象数据这2个训练集分别建立了风电场功率输出的原始神经网络、修正神经网络的预测模型.经同一时间区间内的实测数据与模型分析数据的对比分析表明:通过卡尔曼滤波修正的风速数据能够很好地跟踪实际风速数据的变化趋势,平均误差与绝对平均误差比较小;所提模型能够显著降低预测结果的均方根误差,使其从未修正前的17.73%降低至11.32%,证明预测精度得到了明显提高.     

小麦赤霉病神经网络和偏最小二乘预测模型

选取2004-2014年间发病期的气象因素为自变量,小麦赤霉病病穗率为因变量,借助神经网络的函数映射能力,采用Fletcher-Reeves算法的变梯度反向传播算法,建立了小麦赤霉病的气象预报模型.由于神经网络无法提供直观的函数来反映病穗率与气象因子之间的关系,为了进一步分析气象因子间的相关性,采用主成分分析法提取主成分,并利用回归分析得到线性函数关系,建立了偏最小二乘模型.神经网络预测模型平均预报精度达到99%,但只提供病穗率和气象因子之间的拓扑关系;偏最小二乘预测模型可以得到病穗率和气象因子之间直观的函数关系,模型平均预报精度达到97%.2种模型均具有较高的预报精度,对小麦赤霉病的预防工作具有一定的参考价值.     

PCA-BP在回采工作面瓦斯涌出量预测中的应用

为对回采工作面瓦斯涌出量进行准确预测,运用主成分回归分析以及BP神经网络原理和方法,结合现场实测数据,采用多元统计分析软件SPSS处理相关数据,研究影响回采工作面瓦斯涌出量各因素间的相关关系并提取主成分,以确定BP神经网络中的输入参数,建立BP神经网络进行预测.利用PCA-BP神经网络方法建立瓦斯涌出量预测模型.研究结果表明:采用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%,较其他预测模型有更高精度.对降低事故发生率和矿井延深水平的回采工作面瓦斯涌出量预测具有较好的指导作用.     

基于深度神经网络的城市典型乔木日内蒸腾特征模拟研究

以城市典型乔木小叶榕全天24小时每10分钟的树干液流及同步气象观测数据为训练集, 建立基于深度神经网络的城市典型乔木植被蒸腾估算模型, 得到10分钟尺度的小叶榕蒸腾模拟结果, 系统地探讨干湿季和昼夜影响小叶榕蒸腾的环境控制因子。基于深圳市91个气象观测站的常规气象观测数据, 应用训练好的深度神经网络模型, 估算得到站点尺度的深圳市典型乔木逐小时蒸腾特征。结果表明: 1) 深度神经网络模型可以高精度地模拟城市小叶榕每10分钟尺度的蒸腾变化, 与树干液流系统实测数据相比, 决定系数R²=0.91, 平均绝对百分比误差MAPE=21.77%, 均方根误差RMSE=0.02 mm/h; 2) 湿季和干季城市小叶榕蒸腾的主要控制因子, 白天均为太阳辐射和气温, 夜间均为饱和水汽压差; 3) 城市小叶榕在夜间仍然存在蒸腾, 干、湿季平均蒸腾速率分别达到0.03和0.01 mm/h; 4) 深圳市不同区域的植被蒸腾特征存在差异, 蒸腾速率最高可相差0.10 mm/h, 总体而言, 湿季白天的蒸腾速率(91个站点均值为0.1 mm/h)比干季白天(均值为0.08 mm/h)更高, 大部分站点夜间植被蒸腾量接近0, 但仍存在蒸腾, 少部分站点干季夜间平均蒸腾速率可达0.07 mm/h, 湿季夜间可达0.10 mm/h。     

西安市空气污染指数的神经网络预测模型

将BP神经网络模型引入到大气污染预测预报领域,利用西安市2005-2010年逐日空气污染指数,建立了一个空气污染指数的非线性时间序列神经网络模型.实验结果表明:独立样本的日空气污染指数的预测值的平均相对误差分别为27.4%,23.2%,12.2%,25.7%,独立样本的日空气污染指数的预测值与真实值的线性相关系数高.该...     

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。     

有机灰色神经网络模型在河流水质预测中的应用

针对灰色预测对波动较强的序列只能预测大致变化的缺陷,在分析河流水质动态变化的基础上,结合灰色理论中的GM(1,1),无偏GM(1,1)和RBF神经网络的特点,提出有机灰色神经网络预测模型,将灰色模型得到的数值作为神经网络的输入,原始数据作为神经网络的输出,训练得到最佳神经网络结构.以某地区河流水质为例,根据其变化规律,应用有机灰色神经网络模型进行预测,结果表明,该模型拟合误差小,预测精度高.     

BP神经网络在大气环境质量评价中的应用研究

针对城市大气环境质量问题,运用人工神经网络理论和方法,建立城市大气环境质量评价的BP 神经网络模型.通过实例进行评价分析,说明用BP 神经网络方法评价城市大气环境质量是可行的.该模型具有很强的学习、联想和容错功能,其分析结果和过程都接近人脑的思维过程和分析方法,使得城市大气环境质量评价结果的精度大大提高.     

中国当前城市空气综合质量的主要影响因素分析

基于2010年我国78个主要城市的5个空气质量指标数据, 利用主成分分析方法, 计算城市空气质量综合得分; 采用多元线性回归方法, 从气候、地形、城市发展和城市环境状况四方面的48个变量中筛选出与城市空气质量显著相关的10个, 并定量评价不同因子对城市空气质量的贡献。依据空气质量综合得分, 从78个城市中分层随机选取30个城市作为训练样本, 构建基于径向基函数(RBF)的人工神经网络模型。利用城市自然、社会、经济特征及环境管理现状模拟城市空气质量, 并应用于我国173个主要城市空气质量状况的模拟。结果表明, 年平均饱和水气压、城市建成区面积、城区海拔落差和第二产业占GDP的百分比是影响中国当前城市空气综合质量的主要因素, 分别可以解释城市空气质量变异性的14.7%, 12.8%, 8.8%和7.2%。研究结果突破了以往大部分空气质量评价模型仅以大气污染物和气象因子作为模型输入因子的局限, RBF人工神经网络模型的模拟结果准确性较高(R²=0.658, p<2.2×10^-14)。     

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。     

BP神经网络模型在城市环境质量评价中的应用

针对城市污染问题,运用人工神经网络理论和方法,建立城市环境质量评价的BP神经网络模型。通过实例进行评价分析,并与灰色关联模式识别评价结果进行比较,说明用BP神经网络方法评价城市环境质量是可行的。该模型具有很强的学习、联想和容错功能,其分析结果和过程都接近人脑的思维过程和分析方法,使得城市环境质量评价结果的精度大大提高。