基于MEA-BP神经网络的PM_(2.5)质量浓度预测模型

为了解决PM_(2.5)质量浓度预测精度不足的问题,提出一种基于思维进化算法(MEA)优化的BP神经网络的PM_(2.5)质量浓度预测模型。该模型利用MEA所拥有的趋同和异化操作对BP神经网络的初始阈值和权值进行优化。以南京市每小时监测的PM_(2.5)和其他空气污染物的质量浓度数据为例,利用MEA-BP模型进行预测,并与未经过优化的模型进行对比。实验结果表明,优化后的模型能够有效避免BP神经网络易陷入局部最优解的问题,提高了预测的精度,为PM_(2.5)质量浓度的预测提供了一种新的参考方法。     

基于CPSO-BP神经网络的PM_(2.5)浓度预测模型

为了提高大气中PM_(2.5)浓度的预测精度,采用平均影响值(MIV)算法筛选出对大气中PM_(2.5)浓度有影响的主要变量,并依次作为神经网络输入变量。利用混沌粒子学(CPSO)算法修正BP神经网络初始权值和阈值,优化BP神经网络机构,以达到提高预测模型精度的目的。以2017年西安市PM_(2.5)日均浓度数据为样本建立预测模型,实验结果表明:相比于传统BP神经网络,基于CPSO-BP神经网络预测性能更优。     

成都市冬季PM_(2.5)污染特征及溯源分析

本研究利用2019年成都锦城湖监测点PM_(2.5)的监测数据,研究成都市冬季PM_(2.5)的污染特征及其与气象要素之间的关系,并利用后向轨迹模型进行颗粒物溯源及追踪分析。结果表明:成都市环境空气PM_(2.5)平均质量浓度为53 g/m~3,达到国家空气质量二级标准;PM_(2.5)质量与温度呈显著正相关性,与风速呈负相关性,与湿度呈负相关性,与气压呈显著负相关性;成都市冬季气团主要来自东北方向,来自东南偏南方向的PM_(2.5)及其前体物对成都市PM_(2.5)质量浓度贡献最大。     

韶关市PM_(2.5)影响因素分析和预测研究

随着人们生活水平的不断提高,环境问题已成为备受关注的热点话题,其中最为突出的就是PM_(2.5)造成的雾霾天气.因此对环境中PM_(2.5)产生的影响因素进行分析和浓度的预测研究显得非常必要.从韶关市环境气象官方网站和天气网收集了2014-10-01至2015-05-31的相关数据,并对原始数据进行相关性分析、主成分分析和独立成分分析,建立多元回归模型,研究分析了PM_(2.5)与其他影响因素之间的关系.结合时间序列改进简单的回归模型,得到向量自回归平均模型.经过比较检验,认为向量自回归平均模型是最为理想的预测模型.     

气象条件对西安市区及周边污染影响分析

在环境污染日益严重的形势下,研究气象条件与大气污染的关系,以期为环境气象决策服务提供更好的思路。基于2010-2015年西安市区、长安区、临潼区气象观测资料及同期PM_(10)浓度和空气质量等级数据,探讨PM_(10)浓度年、季、月变化,以及污染天气下的气象要素特征,四季气温对PM_(10)浓度影响的阈值,不同等级、不同形态的降水对PM_(10)浓度的清除率,风速、风向对PM_(10)浓度的影响等。结果显示:近6aPM_(10)浓度缓慢上升,2013年PM_(10)浓度骤增与不利的气象条件关系密切;春季污染主要贡献为外来沙尘输送;冬季污染主要贡献为不利于污染扩散的气象条件;四季PM_(10)浓度与气温关系复杂;PM_(10)浓度最低值出现在降水峰值次日;连续性降水中PM_(10)浓度与降水量反比明显;间断性降水中,降水停止时PM_(10)浓度可能高于降水前的值;降水对西安市区的清除能力最大;春季大风沙尘造成PM_(10)浓度增高,冬季低风速不利于PM_(10)扩散;长安区盛行东南风、临潼区盛行东北风时易形成空气污染,二者下风方向为西安市区,加大了西安市区污染物堆积。     

德州市春节期间大气污染与气象要素的关系

气象要素是影响空气质量的重要因子.以德州市为例,选取了近5年德州市春节期间大气污染物浓度及气象数据,采用多种统计方法分析了大气污染物的变化以及气象与大气污染的关系,量化天气形势和局部气象要素对春节期间德州市大气污染物质量浓度变化的贡献.结果表明,PM_(2.5),PM_(10),SO_2,NO_2等4种污染物浓度受温度、湿度和风速等气象要素影响较大,其中PM_(2.5)和PM_(10)主要受湿度影响,SO_2主要受风速影响,NO_2受湿度和风速影响都相对较大.此研究为德州市在春节期间加强大气污染防治提供一定的数据基础和科学依据.     

郑州市大气污染时空分布特征分析及预测模型建立

基于郑州市中心城区空气质量监测数据,结合环境空气质量指数(AQI),采用反距离权重插值法(IDW)对郑州市的空气质量进行评价和时空分析。选取气压、气温、湿度、风速、风向、降水量6项常规污染物监测项,以及前一日AQI值总计13项作为预测因子,应用BP和RBF神经网络方法对郑州市未来短期空气质量时空分布进行预测。结果表明:(1)2016年和2017年郑州市空气质量主要以优良和轻度污染为主;(2)PM_(10)和PM_(2.5)的年平均浓度分别超过我国环境空气质量标准中二级标准年平均浓度限值103.79%、142.03%;(3)管城区污染频率较高,多呈现持续性的污染天气状况,冬季时的极端污染天气多集中于惠济区;(4)BP、RBF神经网络预测模型可以较好地预测郑州市大气污染的时空分布状况。本研究结果对后续研究治理郑州市空气污染具有一定意义。     

基于灰色关联模型对乌鲁木齐市PM_(10)浓度的影响因素分析

基于乌鲁木齐市2006~2015年空气污染物数据、气象数据和城市发展数据,构建了乌鲁木齐市PM_(10)浓度影响指标体系,通过熵值法对PM_(10)浓度影响指标因子做了综合评价分析,利用灰色关联模型对PM_(10)浓度及其影响指标因子、影响指标层做了灰色关联度分析。研究发现:(1)PM_(10)浓度的影响指标因子依据其变化趋势可以分为两类;(2)城市化与产业结构对乌鲁木齐市PM_(10)的浓度影响最大(wi=0.418 1),其次是PM_(10)污染物来源(wi=0.387 9),空气污染物与气象要素对PM_(10)的浓度影响最小(wi=0.194 1);(3)从发展水平看,城市化与产业结构PM_(10)污染物来源空气污染物与气象要素;(4)在28个影响指标因子中,与PM_(10)浓度呈中度关联的指标因子有生活垃圾处理量、房屋建筑施工面积和地区工业总产值,其余25个指标因子与PM_(10)浓度都呈强度关联;(5)三个指标层与PM_(10)浓度的灰色关联度都为强度关联;(6)空气各污染物与气象要素对PM_(10)浓度的固有影响属性不会随着时间的推移而发生明显改变,PM_(10)污染物来源、城市化与产业结构对PM_(10)浓度的影响随着时间的推移影响程度减弱。     

西安浐灞生态区降雨及气象环境因素对负氧离子浓度的影响分析

利用西安浐灞生态区空气负氧离子监测数据,分析西安夏季负氧离子浓度变化特征,研究降雨对负氧离子浓度变化的影响以及气象环境因素对负氧离子浓度的预报预测。研究显示:西安夏季浐灞生态区负氧离子月均值8月最高,无雨日负氧离子最大值常出现在深夜至凌晨时段;雨日负氧离子小时浓度与前0～3 h各时次的降雨呈直线相关关系(p0.05);中雨以上的降雨与负氧离子浓度的线性关系较小雨更显著,表明降雨能激增空气负氧离子浓度;空气负氧离子浓度与PM_(2.5)、PM_(10)、CO、日降水量、日均风速有显著相关性(p0.01)。通过逐步回归分析法,建立夏季负氧离子浓度的多元逐步回归预报模型(p0.01),拟合曲线与实际观测曲线基本一致。     

面向空间插值的采样点数据空间聚集程度的度量方法

为了探讨采样点数据聚集程度对于空间插值的影响,本研究采用蓝田县部分区域DEM数据为原始数据,使用多种采样方式模拟了150组具有不同空间聚集强度的试验数据集。建立了一种度量样本数据集空间聚集程度差异的方法,对比不同样点数、不同聚集程度采样数据集普通克里金法(Ordinary Kriging,OK)插值精度的差异。结果表明:相同样点数目情况下,空间聚集程度较高的样点集插值精度小于空间聚集程度较低的样点集;且随着样点数目增加,聚集强度差异对于OK插值精度的影响逐渐减小。故在样点数量较少时,样点集聚集程度的识别和处理对于提高OK插值精度尤为重要。