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。     

南宁市PM2.5浓度与气象因素的关系研究

摘 要 空气污染主要与污染源的排放、气象条件、地形地貌三方面因素有关。对南宁市空气质量指数与气象因素的关系进行研究,进一步探究空气污染的主要污染源PM2.5与气象因素之间的关系,分析了促进空气污染发生的气象条件。并在此基础上建立多元线性模型对空气污染物PM2.5的浓度值进行预测。结果表明预测模型拟合度R2值最大达到了0.747,说明了该模型预测效果良好并能够适用于南宁市空气污染物PM2.5的监测和预报。     

基于多元时间序列的哈尔滨市PM2.5影响因素分析

为探究哈尔滨市PM2.5与其他空气污染物和气象因子间的动态关系,基于哈尔滨市2013-2018年日值空气质量数据和气象观测数据建立PM2.5质量浓度的多元时间序列模型.利用相关性较强且平稳的空气污染物(包括SO2,NO2,PM10,CO和O3)和气象因子(平均气温、极大风速、累计降水量、日照时数和平均气压)建立PM2....     

南宁市灰霾天气与空气污染物关系分析

根据2010年6月1日至2011年5月31日南宁市的环境监测数据和气象数据,分析南宁市灰霾天气特征,然后通过SPSS软件分析灰霾天气与能见度、颗粒物(PM2.5、PM10)浓度、气态污染物浓度和空气污染指数的关系,探讨南宁市灰霾天气与空气污染物的关系。结果发现,南宁市灰霾天气主要分布在秋、冬两季,PM2.5是直接造成南宁市灰霾天气的主要因子,PM10、SO2、NO2、CO和O3对灰霾天气的发生也有一定影响。PM2.5与PM10相关性最显著,与SO2、NO2相关性较显著,与CO相关性显著,与O3相关性不显著。     

福建省主要大气污染物分布研究

针对我国当前大气环境污染严重问题,以福建省为研究对象,对福建省2015年大气污染物中的PM2.5、PM10、SO_2、NO_2、CO和O_3之间错综复杂的关系进行综合分析,并运用多变量统计分析方法中的因子分析法,将这些复杂关系进行处理以归结为少数的主因子.结果显示,福建省目前主要的大气污染物为PM10.因子分析结果表明,原生大气污染物如PM和SO_2等自聚合成一类称为第1个主因子,主因子中的PM10和PM2.5贡献度最大;O_3之类的二次污染物构成第2个主因子.所讨论及建立的大气污染物之间的相关关系和所生成的因子模型,将有利于综合分析判断福建省主要大气污染物分布,对于未来控制和改善大气空气质量等均具有重要意义.     

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。     

乌鲁木齐市PM_(2.5)及其影响因素关系的研究——基于VAR模型的脉冲响应和方差分析

通过对乌鲁木齐市从2015年1月1号到2016年12月31号每天的PM_(2.5)、PM_(10),以及SO_2、CO NO、NO_2、O_3污染物浓度等数据的整理和分析,进一步设立向量自回归(VAR)模型,对时间序列PM_(2.5)与其它空气污染物之间的关系探索使用格兰杰因果关系检验、脉冲响应函数方法和方差分解的方法分析,建立了它们之间的自回归模型关系,探讨了其他空气污染物对PM_(2.5)的影响。结果表明:乌鲁木齐市PM_(2.5)与其它空气污染物所构成的空气质量系统是稳定的,PM_(10)SO_2、CO、PM_(2.5)、NO_2、O_3浓度值的增加会引起PM2.5浓度值持续较长时间的增加,其中SO_2对影响作用最大;O_3浓度值的增加则会使PM_(2.5)浓度值降低。     

基于神经网络的PM2.5预测模型

目前PM2.5的计算主要采用物理方法,其成本较高.为此,通过采集空气中O3,CO,PM10,SO2,NO2的浓度数据,选择神经网络方法建立PM2.5预测模型.实验结果表明,该模型对PM2.5的预测准确率较高.     

基于多元统计的PM2.5分析与预测——以合肥地区为例

为验证多元统计方法在PM2.5分析及预测方面的适用性,以合肥地区为例,收集了2015全年的PM2.5数据,借助于统计分析软件R进行了相关实验。通过PM2.5与各个影响因素之间的散点图,发现部分影响因素和PM2.5存在着较强的线性关系,据此建立关于PM2.5的多元线性回归模型。在保证各个变量不相关、独立条件下,对模型进行了验证。根据验证结果,选用了逐步回归分析方法得到了一个新模型。根据调整R2最大的原则确定了最终模型。最后选用了RMSE、MAE和Theil不相等系数对模型的预测效果进行了检验,模型整体预测效果较好。     

基于Pearson相关指标的BP神经网络PM2.5预测模型

为了降低PM2.5设备预测成本,同时分析大气因素与污染物的相关性,选取O3、CO、PM10、SO2、NO2污染物指标预测PM2.5,之后加入温度、湿度、风力等大气指标,建立综合气象的指标体系,采用pearson算法对指标进行合并,用pearson相关指标的BP神经网络的方法再次对PM2.5做预测。对比实验证明,基于pearson相关指标的BP神经网络PM2.5预测模型在提高了预测准确率的同时降低了预测的时间复杂度,起到了降低PM2.5预测成本的目的。     

西安地区PM2.5扩散预测评估简

选取西安为研究对象,通过建立能够刻画该地区PM2.5发生和演变（扩散与衰减等）规律的数学模型,完成对该地区污染扩散预测评估.通过采用PCA方法确定西安地区PM2.5的扩散中心,并构建线性抛物型方程对一般情况下的扩散进行刻画,针对突发情形,即当PM2.5浓度最高点处增至2倍时,采用高斯模型对数据进行扩散的预测和评估,计算出PM2.5的污染扩散范围.最后通过比较完成对该地区的污染预测评估.?更多还原     

基于主成分分析法的城市大气主要污染物关系研究

大气污染物是造成城市居民呼吸系统疾病高发的重要原因,研究城市大气主要污染物关系有助于有关部门采取针对性的治理措施.调查16个城市大气污染现状,借助SPSS软件,采用主成分分析法,对SO2、NO2、PM10、PM2.5、CO、O3等6个大气主要污染物数据进行分析计算.提取占总方差84.364%的2个因子来反映空气的污染程度,分别为:1)PM2.5、PM10、CO和SO2;2)O3.主成分分析法可以准确探讨出空气各污染物的内在关系,该结果有助于为环保部门的治理工作提供参考.     

广州市住宅室内PM2 . 5 排放源的定量计算

对广州市部分采样住宅室内、室外PM2.5的浓度进行了15 min平均的实时监测.室内浓度系列与室外浓度系列相比,出现多个明显的浓度峰,定性判断住宅室内存在一定的排放源.结合物质平衡模型、线性回归模型及室内外实时监测浓度线性拟合情况,定量计算住宅室内PM2.5排放源源强,结果表明3个采样住宅的PM2.5室内排放源的平均排放强度为6 417-9 779μg.h-1.     

银川市大气逆温特征对空气污染物浓度的影响

通过对银川市2013-2015年逐日探空观测资料及同期银川市六个监测站点的污染物浓度逐时监测数据,对银川市的低空温度层的特征进行了分析,并结合统计数据,分析了逆温层的特征与四种主要空气污染物(SO₂、NO₂、PM10、PM2.5)浓度之间的关系。结果表明,银川市主城区在全年的四季中均有逆温层的存在,但是冬半年逆温发生的频率高于夏半年;逆温层厚度冬季较厚、夏季较薄,逆温强度秋季最强、夏季最弱。通过污染物浓度与逆温特性的相关度分析,发现四种主要空气污染物的浓度与逆温层存在相关性,其中,其浓度与逆温层厚度呈正相关,与逆温层强度呈负相关。这说明银川市低空大气逆温层结状况是影响当地空气污染程度的主要因素之一。     

铜陵市空气污染物浓度日变化特征的观测分析

选择位于长江南岸的铜陵市为研究区域,利用2007~2010年空气污染物浓度监测数据与气象要素观测资料,分析二氧化硫(SO2)、二氧化氮(NO2)和可吸入颗粒物(PM10)浓度的日变化特征及其与气象要素之间的关系.结果表明,铜陵市空气污染物浓度和气象要素的日变化主要有"单峰单谷型"和"双峰双谷型"两种,SO2和PM10的日变化规律空间差异不显著,NO2的日变化存在明显空间差异.主要污染源附近的监测点,浓度日变化规律与气压、相对湿度和气温3个要素日变化之间存在相关性,而与风速、降水的日变化规律无关.周边无污染物排放的监测点,浓度日变化规律不仅与气压、相对湿度和气温日变化存在显著相关,还与风速呈反向相关关系.对于周边虽有部分污染源,但不是区域内的主要污染源的监测点,浓度日变化与气象要素之间无统一的相关性.     

PM2.5的时间分布与演变扩散研究

最初利用时间序列——指数平滑法来分析PM2.5的时间分布情况.考虑到在分析过程中不确定PM2.5与时间之间存在怎样的关系,所以分别建立了一次、二次及三次指数平滑模型,通过对比分析最终确定PM2.5与时间的具体关系.为了更好的控制和治理PM2.5污染物,则需要对其扩散规律进行分析,基于此,本文建立了基于高斯扩散模型的PM2.5污染物扩散模型,建模过程中,首先建立了大气稳定状态下的基本模型,然后在此基础上又进一步建立了能够反映风速、温度以及湿度对PM2.5扩散产生影响的基本模型,具有一定的适用性.     

深圳PM2.5浓度变化趋势及其月尺度预测方法

基于深圳市环境监测站的PM2.5浓度数据以及深圳市国家气候观象台发布的月度气象监测公报,研究了2012年至2019年深圳市PM2.5浓度的变化规律,分析了PM2.5浓度与月尺度气候要素的关系,并利用多元线性回归分析法建立了PM2.5月均浓度的预测模型。结果表明：2012年至2019年深圳PM2.5浓度呈明显下降趋势,PM2.5浓度有季节性特征,干季(1~3月及10~12月)PM2.5浓度比较高,也是PM2.5污染防控的重要时段。月降水日数、月降水量以及月平均温度与PM2.5浓度的负相关较明显,偏北风频率与PM2.5浓度呈显著正相关,可一定程度上帮助预判月均PM2.5浓度。与前人研究结果相反,月平均相对湿度与PM2.5浓度呈显著负相关。包含气象因素项以及PM2.5浓度项的月平均PM2.5浓度预报模型拟合度较高,偏北风频率、月平均相对湿度是对月平均PM2.5浓度影响最大的气象因素。利用深圳市2020年数据对模型进行检验,结果证明方程对于月平均PM2.5浓度的预报有一定适用性,可较好预报PM2.5浓度月增量。     

汉中市城区空气质量特征分析及预报方法初探

利用2006—2007年汉中市城区空气污染物浓度监测资料,分析了汉中市城区空气质量特征。在此基础上,利用同期的地面、高空气象要素与空气污染物进行相关分析,建立多元线性回归预报方程。结果表明：（1）汉中市城区空气质量优良天数占77％,主要污染物为PM10;污染物浓度存在明显的季节性变化,冬季远远高于夏季;（2）冬季空气质最主要受地面气象要素影响;夏季既受地面要素影响又受高空要素影响。     

宜昌市城区PM_(2.5)污染形成灰霾天气的规律研究

2012年选取与气象站点相邻的一个环境空气质量测点对PM2.5进行了研究性监测,测点距地面23m,全年PM2.5质量浓度在19~284μg/m3之间,年均质量浓度为89μg/m3,月均质量浓度最高的为1月.系统分析全年PM2.5监测质量浓度与相邻气象测点灰霾、能见度观测数据之间的关系,得到以下结论:宜昌市城区PM2.5污染质量浓度与灰霾观测值相关性不强,但与能见度的观测值显著相关;全年能见度降低受PM2.5污染的影响具有季节性,2、5~6三个月与7~9三个月及4、10~11三个月,这3组月份内的PM2.5与能见度之间的回归曲线基本一致,全年中3月份影响最大,而1月份最小,主要与气温、风速、降雨因素有关.     

兰州市三种主要空气污染物(SO2,NO2,PM10)的统计预报方法

本文由空气污染扩散方程,得出了兰州城区三种主要空气污染物(SO2、NO2、PM10)浓度的统计预报模型框架。通过逐步回归,确定了兰州市三种主要污染物(SO2、NO2、PM10)浓度的24时变量的预报方程。拟合及试报表明:本方案在预报方法上使用方便,预报准确率较高。