基于改进粒子群优化BP_Adaboost神经网络的PM2.5浓度预测

为了提高大气污染物浓度预测精度,采用灰色关联分析选取影响大气中PM_(2.5)浓度的主要因子,并以此作为神经网络输入变量,建立一种基于BP_Adaboost神经网络的PM_(2.5)浓度预测模型.用改进粒子群算法来选择BP_Adaboost神经网络权重和阈值,可以有效避免神经网络在训练时陷入局部最优解.根据北京市海淀区万柳监测站和朝阳区北京工业大学监测点每小时监测的大气污染物浓度和气象条件,分别选择2014-11-01~2014-11-25和2017-07-07~2017-08-06数据作为实验研究对象.仿真结果表明,在PM_(2.5)浓度预测中,相比于BP_Adaboost、BP和广义回归神经网络3种预测模型,改进粒子群优化BP_Adaboost神经网络预测性能更优.     

基于ARMAX的PM_(2.5)小时浓度跟踪预测模型

针对目前缺乏小时尺度上PM_(2.5)浓度统计预测模型以及已有模型预测精度对训练数据的依赖问题,利用天津市环保物联网监测到的污染物及气象数据,建立了PM_(2.5)小时浓度预测的多元时间序列模型(ARMAX),并提出一种模型在线自适应改进方法:设定模型评价指标并实时监测,当模型预测精度超标时对模型进行在线更新.将改进后的模型应用于天津市的9个监测站点,用2013—2014年的监测数据对模型进行验证.结果表明:模型均方根误差RMSE20,μg,平均绝对误差MAE20,μg,拟合优度R20.9,能够在小时尺度下有效地预测PM_(2.5)浓度,可以为突发性PM_(2.5)污染事件的应急处理提供决策支持.     

基于ARIMA与SVM混合模型的连续血压预测

由于血压时间序列数据受到多种因素影响,具有时变性、非线性和非平稳性特征,因此利用单一的时序预测模型难以准确描述血压的复杂变化规律.为了提高模型的预测精度,本文提出一种基于差分自回归移动平均(ARIMA)和支持向量机(SVM)的混合预测模型,并利用粒子群优化(PSO)算法优化SVM模型参数.利用养老院血压历史数据对模型进行验证.实验结果表明,基于ARIMA与SVM的混合模型预测精度高,更能全面描述血压时间序列的变化趋势.     

天津武清区PM_(2.5)与气态污染物SO_2及NO_2污染特征研究

利用2016年武清区大气污染物监测数据,研究了武清区PM_(2.5)及SO_2、NO_2等典型大气污染物浓度变化特征和相互关系。结果表明:2016年PM_(2.5)污染较严重,年均浓度分别为73μg·m~(-3),超标1.1倍。大气中SO_2年均值为25μg·m~(-3),NO_2年均值47μg·m~(-3)。冬季及春秋季节大气中存在明显的二次转化过程,大气中的SO_2和NO_2通过转化生成硝酸盐和硫酸盐,对PM_(2.5)浓度变化具有重要影响。     

基于TSA-PSO-SVR算法在碳期货价格中的预测研究

针对支持向量回归(SVR)模型参数选择困难以及在碳期货价格预测中模型误差高的问题,提出一种基于改进粒子群算法-支持向量回归(TSA-PSO-SVR)的期货价格预测模型.通过改进粒子群算法惯性权重实现局部搜索和全局搜索能力的平衡,引入被囊群算法(TSA)对粒子群位置更新公式进行优化,利用改进的粒子群算法(TSA-PSO)找出最优参数有效解决支持向量回归参数选择盲目性的问题;将得到的最优参数应用于期货价格预测模型.选取福建碳交易市场的碳交易价格进行预测,与支持向量回归(SVR)、差分自回归移动平均模型(ARIMA)、长短期记忆模型(LSTM)模型作对比,实验结果表明TSA-PSO-SVR模型有效克服了高预测误差和参数选择随机性的问题,并具有较高的泛化能力.     

太原市近5年环境空气污染物浓度变化与趋势分析

采用综合污染指数法、污染负荷系数法、Daniel趋势检验、Spearman秩相关系数法并结合空气质量指数(AQI)数据,探讨了近5a来太原市环境空气污染物浓度变化,结果表明,2015—2019年,太原市SO_2的超标天数和污染物浓度均逐年下降(超标天数由50d下降至0d,污染物浓度由77.55μg·m~(-3)下降至29.52μg·m~(-3));而NO_2的超标天数和污染物浓度均逐年上升(超标天数由2d上升至40d,污染物浓度由43.11μg·m~(-3)升至59.81μg·m~(-3)),变化趋势显著;PM_(10)和PM_(2.5)的变化表现出一定的波动,变化趋势不显著;空气综合污染指数呈现先升高后降低的趋势,环境空气污染在冬季较为严重.可吸入颗粒物(PM_(10)和PM_(2.5))历年的负荷系数均显著高于SO_2和NO_2,空气污染物以可吸入颗粒物为主.从各年AQI累积的数值之和来看,空气污染有逐渐加重的趋势.     

天津市环境空气质量时空特征分析

基于对天津市23个自动空气质量监测站点的SO_2、NO_2、PM_(10)、PM_(2.5)、CO和O_3监测数据进行分析,掌握了2014年12月1日-2015年11月30日期间各项污染物的时空分布特征,并选取主要污染物分析其时间变化特征和空间分布特征.采用Kriging方法对6项污染物进行分析,获取天津市大气污染物的空间插值分布图.研究结果表明,天津市PM_(10)质量浓度年均值为113μg/m~3,PM_(2.5)年均值为69μg/m~3,均超过二级标准;颗粒物质量浓度呈现明显的季节变化特征,PM_(2.5)浓度季均值从高到低依次为冬季(95μg/m~3)、秋季(64μg/m~3)、春季(63μg/m~3)、夏季(54μg/m~3);站点对比结果表明团泊洼站点污染最严重,而塘沽环保局优良率最高.从空间分布来看,PM_(10)、PM_(2.5)、SO_2、NO_2均表现出中部至南部区域为高值分布区域,说明天津市本地污染排放对大气环境污染的贡献为主要影响因素;而O_3和CO均表现为市区浓度较低而天津市南北区域形成高值且呈现相反分布.     

郑州市城区PM2.5和PM10变化特征及其与气象要素关系研究

利用2018年1月、4月、7月、10月郑州市城区8个监测站点的PM_(2.5)和PM_(10)浓度数据与气象数据,对郑州市城区PM_(2.5)和PM_(10)的时相变化特征及气象要素对其产生的影响进行研究.结果表明:郑州市城区在1月份的PM_(2.5)浓度最高(118.1μg·m~(-3)),污染严重,4月份PM_(10)浓度最高(169.4μg·m~(-3)).通过分析PM_(2.5)和PM_(10)的比值(PM_(2.5)/PM_(10))发现, PM_(2.5)是郑州市城区主要的大气污染物.PM_(2.5)和PM_(10)与气象要素之间的相关分析表明,PM_(2.5)和PM_(10)与气温和露点温度均呈显著负相关(P0.01),PM_(10)与降水呈显著负相关(P0.05),PM_(2.5)与气温之间的相关性(r=-0.441,P0.01)高于PM_(10)和气温的相关性(r=-0.311,P0.01).另外,当风速在2～3 m·s~(-1)时,PM_(10)最低;而风速大于4 m·s~(-1)时,颗粒物浓度增加明显,且对于PM_(10)的增加作用更显著.露点温度与颗粒物浓度之间也存在一定关系,当露点温度大于0℃时,颗粒物浓度会随露点温度的增加而降低.2018年郑州市PM_(2.5)与PM_(10)昼夜变化呈双峰型特征;风速与温度的双重作用导致PM_(2.5)浓度先于PM_(10)达到最高值,而空气湿度和露点温度则是造成04:00时颗粒物较低的主要原因.另外,通过多元回归分析发现,各月份昼夜时段颗粒物浓度主要受温度和相对湿度影响;在各时段中,温度与颗粒物浓度关系最为密切,风速次之,湿度最弱,各气象要素对PM_(2.5)浓度的影响较PM_(10)浓度更大.     

上海PM2.5中碳、氮、硫元素的质量浓度及其季节分布特征

为更好地认识上海PM_(2.5)的化学组成特征,使用大流量采集器采集了上海典型地区不同季节的PM_(2.5)样品;利用元素分析仪、热/光碳分析仪、离子色谱仪、化学氧化-紫外分光光度法等多种形式分析了样品中含碳、氮、硫组份的质量浓度及组成;对不同方法的结果进行了比较,探讨了这些组份的季节分布特征及影响因素;建立了利用元素分析仪测定结果估算大气PM_(2.5)中含碳组份、含氮组份和含硫组份质量浓度的方法.研究结果表明,上海PM_(2.5)中总碳(total carbon,TC)的春、夏、秋、冬季平均质量浓度分别为14.26,10.44,11.89和24.35μg·m~(-3),氮元素的春、夏、秋、冬季平均质量浓度分别为8.72,3.07,5.07和17.09μg·m~(-3),而硫元素的春、夏、秋、冬季平均质量浓度分别为6.50,4.06,3.66和6.00μg·m~(-3).上海PM_(2.5)中的碳元素主要以有机碳和元素碳的形式存在,无机碳的贡献很小;绝大部分的含氮物质为水溶性含氮物质,且以无机氮为主;硫元素几乎全部以水溶性硫酸盐的形式存在.元素分析仪的测定结果可以有效地反映PM_(2.5)中含碳、氮、硫物质的质量浓度及组成特征.     

北京城区灰霾期间大气PM_(2.5)中水溶性离子污染特征及来源研究

为了解北京城区灰霾期间PM_(2.5)中的水溶性离子的污染特征及来源,于2014年1月9日至2014年1月17日在首都师范大学对大气PM_(2.5)样品进行了连续采集,并利用离子色谱法对样品中的水溶性离子进行了分析.结果表明,PM_(2.5)中的水溶性离子质量浓度的日均值为(113.40±77.46)μg·m-3;10种水溶性离子(F~-,NO_2~-,SO_4~(2-),NO_3~-,Cl~-,NH_4~+,Ca~(2+),Na~+,Mg~(2+)和K~+)的总浓度的平均值为(65.34±50.06)μg·m~(-3),其中水溶性离子总量约占PM_(2.5)质量浓度的57%.重污染期间水溶性离子表现出爆发性增长,NO_3~-和SO_4~(2-)的增长率分别为7.57μg·h-1和8.12μg·h-1.结合气象因素发现当温度偏高,气压较弱,相对湿度较高,风速小且以偏南风为主时,PM_(2.5)及其中的水溶性离子质量浓度都维持在较高水平.主成分分析(Principal Component Analysis,PCA)结果也表明,随PM_(2.5)质量浓度逐渐增加的过程中,污染来源为人为二次污染、化石燃料燃烧、交通排放和工业排放,同时还可能存在生物质燃烧和粉尘及废物焚烧的共同影响.     

中国工业基地城市群PM2.5时空分布特征及相关性分析

为研究2014年中国四大工业基地25个主要城市的空气质量污染情况,对25个城市2014年1月~2015年2月的数据进行SPSS聚类分析,研究其整体分布情况,并应用统计学和GIS软件分析其主要城市大气颗粒物的污染分布特征,同时利用SPSS软件对大气污染物PM_(10)、SO_2、NO_2、CO、O_3和PM_(2.5)做相关性分析。结果表明:(1)25个城市PM_(2.5)年均质量浓度在32.94~100.23μg·m~(-3)之间,其中分布在40~70μg·m~(-3)之间的城市相对集中,占所有城市的68%,仅3个城市的PM_(2.5)年均质量浓度小于35μg·m~(-3);(2)PM_(2.5)季节变化特征大体表现为冬季秋季春季夏季,重度污染主要集中在12月和1月;(3)从空间分布上看,京津唐污染水平高于其他三个工业基地,珠三角污染水平最低;(4)四大工业基地城市群PM_(2.5)的浓度与PM_(10)、SO_2、NO_2、CO的浓度存在显著相关性。由于温度、气候等原因,在珠三角和长三角O3与PM_(2.5)呈正相关,而在京津唐和辽中南工业基地则呈负相关。     

广州PM2.5中有机碳和元素碳的污染特征

于2015年6月～2016年5月对广州大气细粒子PM_(2.5)进行持续观察,分析了样品中有机碳(organic carbon,OC)和元素碳(elemental carbon,EC)的含量.结果表明:广州大气PM_(2.5)含量为(66.03±43.11)μg·m~(-3),OC含量为(8.19±5.01)μg·m~(-3),EC含量为(1.75±0.80)μg·m~(-3); OC,EC和总碳(total carbon,TC)占PM_(2.5)的比例分别为16.73%,3.85%和20.58%,表明广州细粒子的碳污染程度较为严重; PM_(2.5),OC和EC污染都呈现冬季春季夏季秋季的特征,与历史研究基本一致; OC,EC相关系数较高(R~2=0.929),表明二者来源较为相近,且PM_(2.5)中EC1占比例最高(45.41%),表明广州燃煤和机动车尾气是重要的污染源;二次有机碳(SOC)为(4.10±3.56)μg·m~(-3),占OC的比例为46.19%,表明广州二次有机碳的排放与形成是碳污染的重要因素.与历史数据相比,广州大气污染情况有所改善,碳气溶胶污染几乎达到历史最低值.     

2014-2018年春节期间北京交通站PM_(2.5)及NO_2污染特征分析

利用2014-2018年北京市春节前后交通污染监测站的PM_(2.5)和NO_2浓度数据,采用浓度特征对比、PM_(2.5)/CO比值等方法,初步评估春节期间烟花禁燃措施和机动车减排的效果,探讨烟花燃放及气象条件对空气质量的影响。结果表明:PM_(2.5)和NO_2浓度变化特征不同,春节期间PM_(2.5)平均浓度为103.6μg/m~3,高于非春节期间25.3%;而NO_2平均浓度为53.8μg/m~3,低于非春节期间19.5%,主要受到机动车减排的影响。2014年春节期间PM_(2.5)浓度最低,2015-2018年PM_(2.5)浓度呈逐年下降趋势;NO_2浓度无明显年际变化特征。烟花爆竹燃放对PM_(2.5)浓度影响显著,对NO_2浓度影响较小,除夕期间对PM_(2.5)浓度的最大贡献值达283.4～704.1μg/m~3。2018年北京市五环内禁燃烟花措施对交通站PM_(2.5)污染改善明显,PM_(2.5)浓度较前4年均值下降25.2%,NO_2浓度仅下降2.4%;禁燃对燃放高峰期PM_(2.5)浓度有明显削峰作用,无有利扩散气象条件下,除夕期间烟花燃放对PM_(2.5)浓度的最大贡献值仍较前4年下降45.0%。气象条件对春节期间PM_(2.5)浓度变化的影响作用较NO_2显著,有利扩散气象条件是2014年春节期间PM_(2.5)污染较非春节期间明显改善的主要原因。     

海口市空气质量的特征及其与气象条件的关系

根据海口市2013—2014年空气污染物的监测数据及气象资料,研究了该市的空气质量特征及其与气象要素的关系.结果表明:海口市空气质量优良率为95%;PM_(2.5),PM_(10),O_3是该市的主要污染物,年均质量浓度分别为25.29μg·m~(-3),44.48μg·m~(-3),77.15μg·m~(-3);该市的空气质量随季节变化的特征明显,春、夏、秋、冬四季的AQI值分别为42,35,54,65;污染物的"周末效应"与北京、深圳等国内其他城市不同,表现为:周末浓度大于工作日浓度;旅游黄金周期间污染物均有不同程度增加;污染物日变化特征明显;SO_2,PM_(2.5)表现出一定的区域污染特征;NO_2,PM_(10),CO和O_3表现出一定的局部污染特征;降水、风速、风向、温度、湿度对空气质量的影响显著,在多数情况下AQI与降水、风速、温度、湿度等存在负相关,而与气压存在正相关;对典型污染过程的分析表明:PM_(2.5)受扩散条件、本地排放及外地输送共同影响,O_3浓度与蒸发量、相对湿度及风速等指标有明显关系.     

上海重霾期PM2.5碳质组分污染特征及来源分析

基于Sunset碳分析仪对上海城区冬季重污染期PM_(2. 5)中的有机碳(OC)和元素碳(EC)浓度展开为期一个月(2014年12月1日～31日)的小时分辨率在线连续监测,并采用优化的最小R2算法对二次有机气溶胶(SOC)含量进行了估算。观测期间的PM_(2. 5)、OC和EC的平均浓度(mean±1σ)分别为(67. 5±40. 5)μg·m~(-3),(9. 9±4. 8)μg·m~(-3),(3. 1±1. 7)μg·m~(-3),其中总碳TC占PM_(2. 5)质量浓度比重为32. 2%。OC/EC的平均值为3. 5,SOC的浓度(2. 4±2. 3)μg·m~(-3),占OC比重为24. 5%。EC浓度的日变化与车流量一致,呈现出显著的早晚高值,表明机动车是上海EC的主要污染源。SOC浓度在午后达到极大值,说明光化学反应是SOC形成的重要过程。对采样期间的一次典型污染事件(15日20:00～16日5:00)进行来源分析发现,来自于生物质燃烧输送和机动车一次排放的贡献较少;而SOC占OC的比重明显高于非污染期间,表明二次成核是雾霾期有机气溶胶污染的关键过程。     

玉溪市城区大气VOCs及其它污染物质量浓度时空特征分析

2014年8月至2015年7月在云南典型高原城市玉溪市5个监测点利用苏玛罐采样法采集VOCs样品,基于GC-MS分析方法获取了VOCs总质量浓度,同时利用空气自动监测设备监测了5个点位的大气NO_2、CO、SO_2、O_3(最大8 h)、PM_(10)和PM_(2.5)质量浓度.基于这些监测数据分析了玉溪市城区各种大气污染物的质量浓度分布特征及可能的来源.结果表明:监测期间玉溪市城区环境空气中VOCs、SO_2、NO_2、O_3、PM_(10)和PM_(2.5)的平均质量浓度分别为(19.02±18.31)、(20.11±25.53)、(16.08±11.21)、(34.54±32.79)、(49.51±34.09)μg·m~(-3)和(28.67±20.85)μg·m~(-3),CO质量浓度为(1.35±0.82)mg·m~(-3).从季节分布来看,各种污染物变化规律并不一致.VOCs质量浓度呈现秋、春高,冬、夏低的特点,O_3质量浓度呈现夏季高的明显特征,SO_2质量浓度呈现冬、秋高,春、夏低的特征,NO_2、CO、PM_(10)和PM_(2.5)质量浓度则表现为冬、春高,夏、秋低的特点.从空间分布特征来看,玉溪市中心交通密集区监测点大气环境中VOCs、NO_2、O_3、PM_(2.5)和CO质量浓度较其他监测点浓度较高,反映机动车尾气的显著贡献;而工业区监测点大气环境中SO_2和PM_(10)质量浓度较高,符合工业燃煤排放烟气显著影响的基本特征.另通过相关性分析和气团轨迹研究表明除了本地人为活动影响外,区域传输源对玉溪城区大气污染有重要影响.     

PM2.5及气象要素对乌鲁木齐市臭氧的影响

利用乌鲁木齐市2016年12月～2017年11月臭氧(O_3)小时浓度数据,分析了乌鲁木齐市近地面O_3浓度变化特征以及PM_(2.5)和气象要素对O_3浓度的影响。结果表明,2016年12月～2017年11月乌鲁木齐市近地面O_3浓度均值为43.74μg·m~(-3),O_3-8 h浓度第90百分位数为119.98μg·m~(-3)。O_3日变化呈"单峰型",09:00为低谷,16:00达到峰值。臭氧浓度在5～9月相对较高,季节变化从高到低依次为:夏季、春季、秋季、冬季。O_3浓度与PM_(2.5)浓度负相关,高温低湿时二者相关性较高。O_3浓度与相对湿度负相关,与气温、日照时数、风速正相关。在低PM_(2.5)、高温、低湿、长日照时数及风速大于3 m·s~(-1)的气象条件下易发生O_3污染。     

昆明市PM_(2.5)中水溶性无机离子时空变化特征及来源分析

为探讨高原城市昆明大气中水溶性无机离子的季节和空间变化特征,选取2013年4月至2014年5月昆明市3个采样点进行了PM2.5样品采集,分析了PM2.5及水溶性无机离子的污染特征,并结合气象因素、硫氧化率、氮氧化率及主成分分析法对其主要来源进行了分析.结果表明:PM_(2.5)质量浓度季节变化为春((105.9±48.0)μg/m~3)冬((92.7±51.6)μg/m~3)秋((74.7±41.4)μg/m~3)夏((72.2±30.3)μg/m~3).总水溶性无机离子质量浓度季节变化特征为夏((38.0±18.3)μg/m~3)冬((22.0±11.4)μg/m~3)春((18.4±4.8)μg/m~3)秋((13.6±3.1)μg/m~3);其中SO~(2-)_4、Ca~(2+)、NO~-_3及NH~+_4为PM_(2.5)中主要的水溶性无机离子,分别占总离子质量浓度的27.7%、17.8%、15.2%和9.5%;二次离子质量浓度之和年均为13.9μg/m~3,占PM_(2.5)质量浓度的16.5%,表明高原城市昆明大气中二次组分较少.NO~-_3/SO~(2-)_4为0.21~0.68之间,表明固定源是主要污染贡献源.主成分分析结果表明水溶性无机离子主要来源于土壤扬尘和建筑扬尘的混合源、燃煤源和工艺过程源.     

脉冲电磁场对密闭空间极性PM2.5粒子运动的影响

脉冲电磁场(PEF)技术由于工艺简洁、高效、环保等特点受到广泛的关注和研究。将其引入到PM_(2.5)的运动控制领域,分别测试了密闭空间内PM_(2.5)质量浓度分别为700μg/m~3、500μg/m~3、300μg/m~3时,通过参数为500 V、2 Hz的PEF处理8min的PM_(2.5)浓度变化。结果表明,经过短时间的PEF处理后,电脉冲磁场作用区域内的PM_(2.5)浓度显著降低,并形成宏观可观测的流体行为。这一发现有望为局部区域内的临时性空气质量管制提供一种新方法。     

武汉经济技术开发区冬季大气中PM_(2.5)的组成及污染特征

测定了武汉经济技术开发区冬季大气中PM_(2.5)的质量浓度,并用IC和XRF技术对PM_(2.5)中的几种水溶性阴离子和无机元素进行了测定和分析。结果显示:监测周期内,武汉经济技术开发区冬季空气中PM_(2.5)的浓度范围是26.00~321.28μg/m~3,平均值为158.78μg/m~3,大大超过PM_(2.5)的国家空气质量二级标准限值(75μg/m~3);水溶性阴离子是PM_(2.5)的重要组分,PM_(2.5)中4种水溶性阴离子浓度大小顺序为NO_3~->SO_4~(2-)>F~->Cl~-,4种离子总和占PM_(2.5)总量的36.85%,13种无机元素总和占PM_(2.5)总量的25.08%;PM_(2.5)中NO_3~-与SO_4~(2-)的平均比值为1.22,NO_3~-与SO_4~(2-)的相关系数高达0.957 1,表明两者有一定的同源性,同时也说明武汉经济技术开发区冬季大气污染中移动源的贡献大于固定源;元素富集因子分析显示,Ti、Cr、Ni、Zn、As富集程度较高,富集因子均大于10,Ni富集因子大于1 000,Fe和Ni、Fe和Cr的相关系数分别是0.833和0.846,表明这些元素主要受人为污染源的影响。