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。     

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.     

基于因子分析法的宝鸡市PM10污染四季预报

目的以宝鸡市2003年3月1日-2006年2月28目的4个监测点的逐日PM10浓度监测值以及宝鸡市同期的地面气象要素监测值为研究对象,进行宝鸡市PM10污染四季预报研究。方法采用因子分析法,按春、夏、秋、冬四季分别建立PM10污染预报模型。结果通过四季气象要素的因子分析,春季、夏季、秋季、冬季的相关系数矩阵中各提取7个、8个、6个、7个公共因子,分别解释了原有变量总方差的85．779％、86．986％、88．693％、85．389％,总体上,原有变量的信息丢失较少,使用因子分析较为理想。结论由因子分析法建立的宝鸡市PM10污染浓度四季预报方程的准确率达到了81．70％、81．48％、78．19％、75．67%,等级命中率为100％,对宝鸡市空气中PM10的污染的控制与治理有一定的借鉴意义。     

空气中PM2.5问题的研究

利用曲线拟合的方法建立了空气中PM2.5浓度以及质量的预测和评价的高斯扩散模型。模型考虑了数据相对于风力、湿度、时间的变化情况、数据之间存在着相互联系,对未来西安市PM2.5的情况进行了合理的预测。通过曲线拟合和非线性回归并利用统计软件SPSS,数学软件MATLAB、1stOpt 1.5以及绘图软件Sufer进行编程计算,给出了问题的解答:西安地区PM2.5的浓度从一月到四月逐渐降低。对西安市13个监测点四个月的PM2.5的浓度分区进行了初步污染评估:小寨和临潼区属于中度污染区;高压开关厂、兴庆小区和纺织城等9个监测点属于重度污染区;高新西区和草滩属于严重污染区。     

AERMOD在内河港口规划环评中的应用研究——以南昌港为例

以内河港口规划环评为依托，在区域气象特征、地形参数、气象数据、预测因子、预测内容、评价标准、背景浓度、预测范围、预测周期等确定的基础上，以防尘率为75%和90%的2种情景分别估算2025年和2035年南昌港的粉尘排放量，采用AERMOD模型预测TSP、PM10、PM2.5在网格点和环境保护目标处长期气象条件和极端情况下污染物的日、年均浓度贡献扩散态势，分析粉尘排放对周边空气环境造成的影响。模拟结果为南昌港各港区强化散货堆场、装卸区的粉尘污染治理措施、加强作业管理等提供技术支持，并指导规划的优化调整。     

保山市隆阳区PM10浓度与气象因子的相关性研究

根据保山市隆阳区2009年1—12月的PM10质量浓度资料以及同期的气象资料,对PM10平均质量浓度数据在不同时间和空间上进行分析,并采用逐步回归方法建立了空气污染物PM10与气象因子的回归模型。模型结果表明,PM10预测值与实测值比较吻合,变化趋势一致。结合该课题得到的结论和PM10产生的根源,提出了PM10污染防治措施。     

PM10浓度的时间序列模型及预测.doc

利用统计软件Eviews3.1对四川省宜宾市2004年7月1日到8月31日的PM10浓度时间序列数据进行了分析,建立时间序列模型,并对PM10浓度进行预测。结果表明,预测模型精度较高,残差最大值小于10%,预测结果与实际状况基本相符。     

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。     

呼和浩特市施工扬尘排放因子和粒径分布

按照四维通量法模型要求的施工扬尘排放因子监测方案,2008-2009年对呼和浩特市9个建筑工地和5个背景点进行降尘监测,得出施工降尘量(ΔDF)年均值为31.7t/(km2.30d).采用微孔均匀沉积式碰撞采样器(MOUDI-110)分别采集施工现场大气和工地道路积尘(≤75μm)经实验室再悬浮后的颗粒物,结果表明,施工现场大气颗粒物粒径分布的峰值不确定,再悬浮颗粒物粒径分布呈双峰分布,峰值粒径范围在3.2-5.6μm和10-18μm,PM2.5:PM10:TSP=0.21:0.53:1,施工扬尘是PM2.5的来源之一.呼市施工扬尘PM10排放因子(以建设用地面积表示)为0.133kg/(m2.30d),是美国CARB排放因子的1.42倍,春夏秋冬4季排放因子的比值为1:0.76:0.38:0.36.2006年呼市建筑施工扬尘PM10排放量为2595 t/a.     

兰州市供暖期PM10浓度与气象因子分析

为研究兰州市供暖期内PM10浓度变化及其与气象因子的关系,于2007、2008年供暖期在兰州市4个典型城区,用Dust Trak Model 8530采集了303个PM10样品并收集同期3种（风速、相对湿度、气温）气象数据。运用数据统计分析方法,描述了供暖期PM10浓度的月变化和日变化趋势,同时分析了PM10日均浓度与气象因子的相关性。结果表明：（1）兰州市供暖期PM10污染十分严重,2007、2008年PM10的超标率分别为78.5%、54.5%,最大超标倍数分别达到2.27、2.81,PM10浓度日变化呈“双峰双谷”型;（2）PM10日均浓度与风速呈典型的二次函数关系,与相对湿度呈显著的负相关线性关系,而其与气温相关性不显著。     

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。     

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.     

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。     

广西城市环境空气质量变化趋势分析

根据2005～2009年广西14个设区市的环境空气监测数据,统计和分析了主要污染物浓度以及环境空气综合污染指数和污染负荷系数的年际变化特征及趋势,探讨影响空气质量的主要因素.结果表明,广西城市环境空气质量保持良好的水平,二氧化硫和可吸入颗粒物浓度总体上呈现下降的趋势,二氧化氮的污染程度虽然比较小,但是其浓度却逐年上升....     

基于晋城市工业园区PM10容量核算方法的研究

功能区划分的基础上,应用A—P值法对山西省晋城市工业园区的PM10容量进行核算．计算得出该地区的PM10总排放量和总削减量,以及各污染源的削减量．计算结果表明,该地区的PM10排放量超过国家标准,应立即采取补救措施．     

小波变换在大气污染物时间序列分析中的应用

以西安市PM10日平均浓度时间序列为例，根据小波分析的基本原理，应用小波变换的时频局部化功能，对大气污染物时间序列的变化进行了分析，清楚地给出了大气污染物的年变化趋势及突变特征。这些特征对大气污染物的治理、预报和控制具有十分重要的实际意义。研究结果表明，将小波变换应用于大气污染物时间序列的分析是可行的。