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

【目的】揭示不同类型城市绿地大气PM2.5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。【方法】选取南京市玄武区具有代表性的3种类型城市绿地--综合性公园绿地(玄武湖公园)、公共设施绿地(南京林业大学校园)、道路绿地(玄武大道)作为研究对象,观测大气PM2.5浓度的季节、月和日变化特征,并对不同天气下的变化规律进行研究。【结果】3种城市绿地大气PM2.5质量浓度季节性差异显著,冬季最高,夏季次之,然后是秋季,春季最低,分别为175.27、146.76、104.77和96.83μg/m3。不同绿地类型大气PM2.5浓度在各季节变化趋势相同,由大到小依次为道路绿地、公共设施绿地、综合性公园绿地。就全年各月份来看,大气PM2.5质量浓度1月最高为195.12μg/m3,4月最低为69.06μg/m3。春季和秋季城市绿地大气PM2.5日均浓度变化(监测时段7:00-19:00)曲线呈近\"U\"形;夏季呈单谷单峰型,先下降后上升再下降;冬季呈单峰型或单谷型,先上升再下降或先下降再上升。阴天大气PM2.5浓度比晴天高44.89%,雨后比雨前低30.94%,降雨能有效降低大气PM2.5浓度。【结论】3种城市绿地大气PM2.5浓度变化特征明显,综合性公园绿地内大气PM2.5浓度低于公共设施绿地和道路绿地,说明合理的复层结构绿地在一定程度上对PM2.5有滞留作用,对提高城市空气质量有益。     

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CNN-GRU-SSA组合模型的PM2.5浓度预测

为了解决门控循环单元(Gated Recurrent Unit,GRU)超参数选取困难的问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)、门控循环单元和麻雀搜索算法(Sparrow Search Algorithm,SSA)的组合模型(CNN-GRU-SSA)。首先利用CNN对输入的多维数据集进行特征提取;然后将CNN提取到的特征输入GRU模型;最后使用SSA算法优化GRU模型的超参数,并将其应用于PM2.5浓度预测。本文选取西部城市成都与东部城市杭州作为研究区域,使用2021年12月1日～2022年2月13日的大气污染物、气象因素、边界层高度(Boundary Layer Height,BLH)以及大气水汽(Precipitable Water Vapor,PWV)的小时数据进行建模,分别预测两市2022年2月14～2月28日PM2.5浓度变化。实验结果表明,CNN-GRU-SSA模型预测精度与其它模型相比有明显提高,其中成都的预测值最贴近实际。     

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。     

大尺度蒸发模型研究

选用淮河流域及其周边的１０个气象站的３５年气象资料和２９个蒸发站的３５个月蒸发资料作分析,同时对Ｄａｌｔｏｎ公式、Ｐｅｎｍａｎ公式作了简化,进而提出了具有较为明确的物理基础的淮河流域分区蒸发模型,该模型可用于大尺度水文模型中的蒸散发能力估算。     

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。     

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.     

广州夏季大气中碳气溶胶浓度水平及污染特征

2002年6-7月于广州市3个采样点采集PM10和PM25样品,测定了PM10,PM25以及元素碳(EC)和有机碳(OC)的浓度.PM10和PM2.5平均浓度分别为124.77μg@m-3及78.13μg@m-3.PM10和PM2.5中的OC浓度分别为22.3μg@m-3和15.80μg@m-3,EC浓度分别为7.78和5.90μg@m-3,其中73.8%的OC和77.7%的EC存在于PM25中.在3个采样点PM10和PM25中,OC/EC比值均大于2.0,表明广州夏季大气存在二次污染.各种气象条件对OC、EC浓度及其比值的变化都有不同程度的影响,其中降水和风速是OC、EC浓度变化的主要气象因素.     

兰州市冬季大气颗粒物的污染特征分析

利用兰州市冬季大气颗粒物Anderson分级采样器和石英分级采样器的资料,采用改进的三次样条插值方法分离出PM2.5,研究兰州市PM2.5PM10的污染水平、PM2.5占PM10和TSP的比例,并比较兰州市PM2.5和PM10在国内的污染水平.结果表明:兰州市冬季PM2.5和PM10的污染严重,PM2.5在大气颗粒物中的质量浓度相对很高,PM2.5的污染和危害值得重视.     

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。