基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

基于多元线性回归的PM2.5 含量的影响因素研究

针对PM2.5含量的影响因素,利用搜集到的2015年1月1日至7月31日蚌埠地区每日的AQI指数和AQI六项基本监测指标数据,建立了多元线性回归模型,对PM2.5含量与其它5项分指标及其对应污染物含量之间的关系进行定量研究,并通过拟合优度检验、F检验、t检验等方法对模型进行检验,最后得到了准确可靠的多元线性回归模型,此模型具有拟合程度高、简易、直观等优势,为多元线性回归模型在PM2.5含量分析中的应用提供了有力参考。     

土地利用与景观格局对PM2.5浓度的影响--以深圳市为例

以深圳市为研究区,利用空气质量监测站点PM2.5浓度数据,选取类型水平的景观类型所占比例(PLAND),边缘密度(ED),以及景观水平的蔓延度(CONTAG),斑块数量(NP)和斑块平均面积(AREA_MN)共5个景观指数,并结合道路长度、餐饮点分布数量、海拔和土地利用类型等影响PM2.5浓度的因子,运用相关分析和多元逐步回归分析方法,探究深圳市土地利用和城市景观格局对PM2.5浓度的影响。结果表明:1)土地利用中,植被对PM2.5浓度的削减起着至关重要的作用;2)城市各类型景观格局特征中,组成特征(PLAND)和结构特征(ED)对PM2.5浓度的影响显著;3)城市整体景观中,景观水平的破碎度与PM2.5浓度关系密切。研究结果可以加深对景观生态学中过程–格局相互作用的认识,为大气污染防治和城市景观格局的规划管理提供参考和借鉴,同时在监测数据缺失的情况下,提供一种借助景观指数估算PM2.5浓度的方法。     

城市绿地类型对大气PM2.5浓度的影响

揭示不同类型城市绿地大气PM_2.5浓度的变化规律，以期为科学规划城市绿地、改善居民游憩环境提供理论依据。     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

多层次降尺度方法对安徽省月降水量预测的研究

 利用1961～2004年多层次的NCEP环流资料初选出与台站月降水量的显著相关区,通过最优子集回归模型对各初选因子进行筛选和组合,形成了安徽省35个台站的月降水量回归模型,并分别利用NCEP资料和月动力延伸模式环流预报作为输入场对2005～2009年安徽省月降水量进行了回报.结果表明,该降尺度模型包含高低层的多种资料,各因子组合起来可以从统计上反映出一些影响降水的环流配置型,较传统的仅用500hPa资料的降尺度模型内容更为丰富.从回报的效果来看,预测值与实况值平均距平符号一致率为63%,PS评分为75分,其中对涝月的预测效果要好于旱月.     

基于LSTM-HFTS-EC的PM2.5区间多尺度组合预测研究

针对PM2.5传统点值预测会损失浓度值的波动信息,进而无法充分表示和估计其波动和变化的区间范围,提出了一种基于长短期记忆模型(LSTM)-混合模糊时间序列(HFTS)-误差修正(EC)的PM2.5区间多尺度组合预测方法;在结合深度学习和区间多尺度分解方法的基础上,进一步考虑预测误差中隐含的有效信息,建立区间时间序列组合...     

北京地区PM2.5浓度与气象要素的相关分析

利用美国驻中国大使馆2009年以来的PM_(2.5)浓度监测数据、MODIS光学厚度数据和NCEP边界层气象要素数据,对近年来北京地区PM_(2.5)和边界层内气象要素进行分析。结果表明:2009—2011年夏、秋季以及2012年夏、冬季北京地区PM_(2.5)污染情况较为严重,2013和2014年污染情况稍有转好;北风为有利于PM_(2.5)扩散的气象条件,且随着北风增强,扩散效果更好;南风为有利于PM_(2.5)堆积的气象条件,且随着南风增大,堆积效果略微增加;边界层高度越高,越有利于PM_(2.5)的扩散;相对湿度越大,越有利于PM_(2.5)的堆积;降水对PM_(2.5)有明显的驱散作用。21世纪以来,北京地区的平均边界层高度有明显的降低趋势,从2500 m降低到1500 m以下,其他气象要素没有明显的年际变化。     

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。     

哈尔滨市大气中PM_(10)、PM_(2.5)质量浓度及金属离子分析

对哈尔滨市大气环境中的PM10、PM2.5进行了采集,并对质量浓度及离子成分进行了分析.实验结果表明,两种颗粒物均呈现了先减小后增大的特征,最高值出现在1月,质量浓度分别是178.85、130.10μg/m3,PM10在1、2、3、4、11、12月均超标,而PM2.5质量浓度则高出欧盟标准(15μg/m3)的2~8倍,另外,离子总质量浓度在8月达到了最低值,分别是42.73μg/m3和25.3μg/m3.PM10和PM2.5中离子成分占颗粒物总质量的比例均表现为中间高两边低的特点,最高含量出现在7月份,分别为67.7%和68.4%.根据相关系数的判别原则,PM10中表现为高度负相关的离子是Ca2+和F-、Ca2+和SO42+、Ca2+和NO3-;表现为高度正相关的离子是K+和Mg2+、K+和Cl-、M2+和Cl-、F-和SO42+、F-和NO3-、SO42+和NO3-,说明上述离子间有相似的污染来源.PM2.5中表现为高度正相关的离子是K+和Cl-、K+和SO42+、K+和NO3-、Mg2+和SO42+、F-和NO3-、SO42+和NO3-,与PM10中离子相关性规律不同.     

大气偏振度与PM2.5粒子浓度特性研究

为了满足偏振光导航在雾霾天的应用需求。研究雾霾天对于偏振信息检测的影响及其规律,对降低自然扰动对偏振光导航系统的误差、优化系统具有重要的意义。本文采用全天域偏振成像法对雾霾天的偏振信息进行大量的实验采集,并通过国家气象中心查询大气PM2.5粒子浓度,对两者的关系进行理论与实验分析。结果表明,PM2.5浓度与大气偏振度的关系随着PM2.5粒子浓度的升高而降低,两者呈类指数关系。通过基于米氏散射理论对单粒子多次散射进行分析,结合大气的特殊情况,在将PM2.5粒子近似为球形结构进行通过米氏散射进行理论分析,分析结果与实验结果基本一致。通过对误差进行残差分析和残差平方和分析,误差主要来源于大气复杂情况的干扰以及本实验所用探测器CMOS传感器的线性范围。本文通过大量的实验所研究的特性曲线可以反映特殊天气下偏振信息的基本特征,对以后在特殊天气情况下的基于偏振光导航设计具有重要的意义。     

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。     

郑州市PM2.5和PM10中水溶性无机离子的污染特征

于2009年10月至2010年8月间采集郑州市大气颗粒物PM2.5与PM10样品,对其质量浓度及水溶性离子进行分析研究.结果表明：PM2.5在秋、冬、春、夏四季的质量浓度的平均值分别为134.9、121.6、77.9和102.0μg/m^3,PM10在秋、冬、春、夏四季的质量浓度的平均值分别为193.2、184.0、140.9和140.5μg/m^3,日均值超标率分别达77.8%和59%.PM2.5和PM10质量浓度呈现很好的相关性,春季粗粒子在PM10中的比例相对较高,而秋、冬和夏季细粒子是PM10的主要组成部分.主要的水溶性离子是SO4^2-、NO3^-和NH4^＋,大部分以（NH4）2SO4和NH4NO3形式存在;NO3^-和SO4^2-质量比小于1,说明采样期间郑州市大气以固定排放源污染为主.     

ICP-MS分析郑州市高新区PM2.5中的金属元素

采集大气颗粒物细粒子（PM2.5）样品,建立电感耦合等离子体质谱法（ICP-MS）同时测定PM2.5中Ag、Al、Ba、Ca、Cd、Ce、Co、Cr、Fe、K、Mg、Mn、Na、Ni、Pb、Sb、Se、Sr、V、Zn等20种常量及微量金属元素的方法.样品用HNO3＋HCl经微波消解后用ICP-MS测定,以Sc、Ge、Rh、In、Bi作为内标物质,选择适当的待测元素同位素消除质谱干扰,确定实验最佳测定条件.结果表明：20种金属元素的检出限在0.003～1.172μg/L之间;线性关系良好,线性相关系数R≥0.99;精密度良好,RSD〈3.42%;回收率为80.9%～110.3%.该方法能够快速有效地实现多元素同时测定,检测线性范围宽,测试结果准确可靠,并应用于大气颗粒物中金属元素的测定.     

粤东三市PM2.5和PM10质量浓度分布特征

采用在线监测方法于2009年7月8日至22日在广东省汕头、潮州、揭阳三市各选择1个有代表性的空气质量监测点同步进行PM2.5和PM10监测。监测结果表明,粤东三市PM2.5和PM10质量浓度低于部分沿海城市;PM10与PM2.5的质量浓度日变化呈双峰分布,分别处在上午(6:00至10:00)以及下午(18:00至22:00)两个时间段;PM10与PM2.5日平均浓度变化呈周期性波动,周期约为3～4 d;对于粤东三市区域,PM2.5/PM10为0.5215,说明PM10中细颗粒物含量大于粗颗粒物含量。     

PM2.5影响因素的主成分回归分析与预测

应用主成分分析和多元回归分析法对空气质量指数(AQI)进行分析,首先对数据进行Alpha可靠性分析、主成分分析得到两个主成分变量,进而对它们和PM2.5浓度进行多元回归分析,并且进行显著性检验,发现PM2.5与这两个主成分变量具有线性回归关系,最终得到一个1-α的置信区间,从而结合实际提出一些降低PM2.5浓度的对策。