基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。     

基于PCA-OS-ELM的大气PM2.5浓度预测

为了提高细颗粒物PM_2.5浓度预测精度,提出一种主元成分分析与在线序列极限学习机相结合（PCA-OS-ELM）的PM_2.5浓度预测方法. 首先,通过主成分分析方法（PCA）提取高维大气数据中影响空气质量的关键变量,并去除不必要的冗余变量;其次,利用提取的关键变量建立在线序列极限学习机（OS-ELM）网络预测模型,将批处理和逐次迭代相结合,不断更新训练数据和网络参数实现大气PM_2.5浓度快速预测.研究结果表明,PCA-OS-ELM预测方法采用不同批次训练数据更新模型的方式,能够快速实现大气PM_2.5浓度预测,证明了该方法的有效性.与其他方法相比,该方法预测误差小,预测精度高,具有更好的实用价值.      

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。     

时间精度与空间信息对神经网络模型预报PM2.5浓度的影响

以北京市为例, 利用2015—2018年空气质量监测站台资料, 通过BP神经网络、LSTM网络及CNNLSTM混合模型等多种模型, 分析时间精度和空间信息对PM_2.5浓度预报的影响。结果表明, 神经网络模型的效果普遍比多元线性回归模型好; 增加输入数据的时间精度能显著地提高 PM_2.5浓度日均值预报的准确率; 当输入数据的时间精度从一天提高到6小时后, LSTM模型的平均绝对误差从27.39 μg/m³降至20.59 μg/m³, 这种效果的提升在显著变好和显著变差的天气情况下更明显; 华北地区PM_2.5浓度分布有明显的时空特征, 第一空间模态为同增同减, 第二空间模态为南北反向; 北京市PM_2.5浓度与内蒙古、河北及天津等地区前一天的PM_2.5相关。利用CNN-LSTM混合模型学习华北地区PM_2.5的时空信息, 能进一步提高北京市PM_2.5浓度的预报水平, 使得误差降低至17.36 μg/m³。     

基于时间序列的PM2.5时空插值算法改进研究

该文以成都市及其周边市区分布的环境监测站点作为研究对象,将空气污染物指数作为数据源,进行时间序列平稳性处理,改进了时空插值算法的经典算法——约减法,从而提高了PM_2.5数据插值精度。同时还分析了PM_2.5的自相关特点,对时间序列数据进行分段处理,在自区间内使用函数模型法实现对PM_2.5数据的实时预测。实验表明,对时空插值算法改进后,在进行既往缺失数据修补及实时PM_2.5数据预测时,结果精度及可靠性高。     

2000-2018年黄河流域县域尺度PM2.5污染时空格局

近年来,与PM_2.5有关的大气污染状况和改善问题成为公众关注的焦点.基于2000-2018年黄河流域县域PM_2.5浓度数据,采用空间自相关分析和标准差椭圆法对黄河流域PM_2.5浓度的时空格局演变特征进行分析.结果表明：(1)2000-2018年黄河流域地区PM_2.5年均浓度总体上呈现波动变化,其中2000-2013年呈现波动增长趋势,平均增长率达到2.02%,2014-2018年PM_2.5浓度逐年下降,但研究期内黄河流域PM_2.5年均浓度值均高于年均限值(35μg·m^-3).(2)黄河流域PM_2.5浓度的地区差异较大,形成西南部和内蒙古中部浓度低,中东部的山西、山东和河南省浓度高的空间格局.(3)黄河流域PM_2.5污染具有显著空间正相关特征.除2000年高值聚集区分布在甘肃省中南部、内蒙古自治区西部(阿拉善盟)、宁夏回族自治区、陕西省西南部和河南省中西部外,其他年份较为稳定地分布在河南和山东...     

基于U-net神经网络模型的PM2.5逐小时浓度值预测模型

针对目前多数PM_2.5预测模型泛化能力较差的问题, 提出基于U-net神经网络模型的PM_2.5逐小时浓度值预测模型。该模型通过引入历史风场数据, 将离散的监测站点PM_2.5浓度值插值为PM_2.5网格图; 然后将U-net神经网络作为预测模型, 基于实验区域的10小时内的PM_2.5网格图, 预测下一时刻的PM_2.5网格图。该模型可以利用历史不同时刻提取的PM_2.5浓度值网格图, 在预测区域内所有位置PM_2.5浓度值的同时, 还可以提升预测的准确性以及对PM_2.5浓度值突变情况的适应性。实验结果表明, 所提方法在PM_2.5浓度值短时间突变情况下, 预测精度比传统方法有10%左右的提升。     

人为排放对信阳市细颗粒物和臭氧的影响评估

基于信阳市2017—2020年细颗粒物(PM_2.5)和臭氧(O₃)浓度数据及同期地面气象观测资料,利用Kolmogorov-Zurbenko(KZ)滤波法将原始浓度序列分解为短期分量、季节分量和长期分量,采用逐步回归方法建立污染物基线分量和短期分量与相应尺度气象要素的线性回归模型,通过对残差进行滤波和序列重建,得到去除气象影响的污染物长期变化趋势,该浓度仅与污染物的排放量有关。结果表明,PM_2.5和O₃浓度的波动主要由污染源排放及气象条件的短期变化和季节变化引起,气象条件对PM_2.5季节分量和O₃长期分量影响较大。信阳市PM_2.5污染排放减弱,O₃污染排放先升高,在2018年10月后降低。由于污染排放导致的2017—2020年PM_2.5和O₃长期分量分别降低3.5、1.5μg/(m³·a)。     

利用人工智能神经网络预测广州市PM2.5日浓度

利用差分整合移动平均自回归模型(ARIMA)、后向传播神经网络(BP)以及长短期记忆神经网络(LSTM), 对广州市2015—2019年的PM_2.5浓度数据进行训练和预报, 研究集合经验模态(EEMD)分解和时间分辨率对不同模型预报准确性的影响。结果表明, EEMD分解可以显著地提升低频分量的预报效果; 提高输入数据的时间分辨率可以提升预报效果, 尤其在ARIMA自回归模型预报中较为明显, 用神经网络进行预报时需要考虑输入数据量增加带来模型复杂度增加的问题。由于模型使用前一天(t -1)的PM_2.5作为输入数据, 即只能预报t+1天的PM_2.5值。为增加模型的预报时效, 采用滚动预报的方式对模型进行优化, 能够显著地提升预报时效, 实现对t+n天的连续预报, 且预报误差与后报结果相当。将时间精度为6 h的数据作为输入, 用ARIMA模型进行预报的效果最好, 最小MAE值为6.478。     

基于AOD数据和随机森林模型估算河南省ρ(PM2.5)

基于融合的深蓝/暗目标气溶胶光学厚度数据集构建了随机森林(RF)、地理加权回归(GWR)和线性混合效应(LME)模型估算河南省的ρ(PM_2.5),通过十折交叉验证评价模型性能.结果表明, RF模型估算的河南省ρ(PM_2.5)精度优于其他模型,其中RF模型月数据的R²比GWR和LME模型分别高0.26、0.27, R_MSE分别低6.56、5.32μg/m³; RF模型季节数据的R²比GWR和LME模型均高0.24, R²MSE分别低3.13、4.31μg/m³.利用RF模型估算河南省2017年的ρ(PM_2.5),冬季最高, R最高,R_MSE最大;春、秋季次之;夏季最低, R²和R_MSE最小,空间分布特征为北高南低.     

燃煤电厂电除尘PM10和PM2.5的排放控制I:电除尘选型及工业应用

 针对电除尘细颗粒物(PM_2.5)排放控制,提出利用电除尘指数指导电除尘本体和电源设计选型技术的原理和方法,并介绍电除尘改造的应用案例.通过优化电除尘指数、采用三相高压电源开展电除尘改造和选型.通过电除尘和脱硫塔除雾器的同步改造,可以实现烟囱出口颗粒物排放浓度低于5 mg/m³,同时,PM_2.5 (直径2.5 μm 以下的颗粒物)排放浓度低于2.5 mg/m³.示范工程还表明当电除尘器出口PM₁₀(直径10 μm 以下的颗粒物)排放在6~30 mg/m³时,PM_2.5占PM₁₀比例为6%至20%;当PM₁₀排放在5~15 mg/m³时,PM_2.5排放可低于2.5 mg/m³.     

基于多源数据的北京地区PM2.5暴露风险评估

基于2014-2016年的北京地区PM_2.5监测数据, 用空间插值法获得北京地区的PM_2.5空间分布, 并基于DMSP/OLS夜间灯光数据, 模拟得到北京地区的人口密度空间分布。在此基础上, 从PM_2.5浓度空间分布、PM_2.5污染的人口暴露特征、PM_2.5污染人口暴露强度以及人口加权PM_2.5浓度4个方面评估北京地区PM_2.5污染暴露风险。结果显示: 1)PM_2.5浓度呈现南高北低的空间分布特征, 人口暴露风险空间分布与人口密度空间分布呈现高度的一致性, 即人口密度高的区域,PM_2.5污染人口暴露风险也相对较高; 2) 2014, 2015, 2016年北京地区GB3095-2012二级年均浓度标准35 μg/m³的超标人口比例均为100%, 24小时平均浓度标准75 μg/m³的超标人口比例呈逐年显著下降趋势; 3) 2014-2016年北京市人口加权PM_2.5年均浓度值与PM_2.5年均值均存在差异, 差异度与城市暴露人口和污染情况密切相关; 4) 由于PM_2.5污染物浓度空间分布特征与人口密度空间分布特征不同, 北京市PM_2.5污染对总体人群的实际影响和健康危害与其平均浓度水平并不相同, 因此考虑人口密度空间分布特征的暴露风险评估比只考虑PM_2.5污染物浓度的暴露风险评估更准确。     

上海市大气环境中PM2.5/PM10时空分布特征

针对上海市颗粒物的污染和防治问题,利用2014年4月14日—2015年3月24日10个国控监测点的PM_2.5和PM₁₀小时数据及对应的气象因素资料,以PM_2.5质量浓度占PM₁₀质量浓度的比例为研究对象,使用聚类分析和相关性分析PM2.5/PM₁₀的时空分布特征. 结果表明:P_2.5和PM₁₀的季节高低为冬>春>秋>夏,PM_2.5/PM₁₀的季节分布在不同区域存在差异性. PM_2.5/PM₁₀的日变化呈现双峰型趋势,峰值出现在05:00和14:00左右,上午PM_2.5/PM₁₀高于下午. 颗粒物质量浓度及PM_2.5/PM₁₀具有明显的“周末效应”,这与车辆通行政策与人类作息时间变动相关. 在空间分布上,颗粒物质量浓度及PM_2.5/PM₁₀均表现为背景站>浦西站>浦东站.     

基于气象要素的鸡公山景区PM10浓度预测

利用鸡公山景区2019年环境空气质量监测数据,研究了景区PM₁₀污染特征及与气象要素的时序变化关系,构建了基于单气象要素的PM₁₀浓度预测回归模型.结果表明：(1)景区PM₁₀年均浓度为61.85μg·m^-3,PM₁₀污染季节差异明显,并呈逐年下降趋势.(2)PM₁₀时均浓度与气压等4个气象要素之间存在极显著的多元线性回归关系(P<0.01).(3)气压和气温是影响PM₁₀污染的主要气象要素.(4)在全年时尺度、大样本容量下,气压或气温与PM₁₀浓度间的回归模型精度均较低.为此,采取在气压或气温的等值点、小梯度递增与对应的PM₁₀浓度值域一并平均处理后再回归,显著提高了两者间的回归精度.基于气压或气温预测PM₁₀浓度是适宜的.开展PM₁₀浓度预测研究,对提升景区空气质量预报能力、促进景区森林康养功能开发均具有一定的科学意义.     

燃煤电厂电除尘PM10和PM2.5的排放控制III:电除尘电源及小分区改造与PM10和PM2.5的排放(以4×330 MW机组为例)

 讨论了4 台典型电除尘改造和细颗粒物(PM_2.5)排放控制,对四电场电除尘器通过本体小分区和电源改造实现了颗粒物(PM₁₀)和细颗粒物(PM_2.5)的超低排放控制.仅对五电场电除尘器进行电源改造,即可实现PM₁₀和PM_2.5的超低排放,电除尘出口PM₁₀和PM_2.5可分别控制在15 和2 mg/m³以下.脱硫塔对PM₁₀有较好的捕集效果,但对PM_2.5的去除几乎没有效果.电除尘振打引起的二次飞扬过程及烟气温度也影响PM₁₀和PM_2.5的排放,当烟气温度从150~160℃降低到约110℃时,电除尘出口及脱硫塔出口的PM_2.5均在2 mg/m³以下.     

基于机器学习方法的臭氧和PM2.5污染潜势预报模型——以成都市为例

以成都市为例, 以多项可能影响污染物时空分布的变量为潜在预报因子, 筛选关键入模因子, 利用2016—2018年数据为训练集, 采用多元线性回归、BP神经网络和随机森林算法, 建立成都市夏季(4—8月)臭氧及冬季(11—2月) PM_2.5污染潜势模型, 并利用2019年数据对模型的中长期污染潜势浓度的预报性能进行评估。结果表明, 建立的多元线性回归、BP神经网络和随机森林模型对成都市臭氧及PM_2.5的短期(1~3天)污染潜势都具有良好的预报效果, 对7~15天的中长期潜势预报表现稳定。其中, 多元线性回归模型和随机森林模型分别对臭氧和PM_2.5表现出相对最佳的预报性能。     

特高压直流输电线路合成电场的天气影响因素及预测模型

特高压直流输电线路电离周围空气产生的离子和线路电场叠加形成合成电场,并在环境因素的作用下使得地面的合成场强发生变化。研究了天气因素对地面合成场强的影响,并提出了基于天气因素的电场预测模型。利用高压直流电场测量装置测量地面合成电场值及环境监测系统所测的天气参数,分析了风速、湿度、气压、温度、PM₁₀、PM_2.5、PM_1.0与场强的相关性。利用基于树形结构Parzen估计器(tree-structured Parzen estimator, TPE)优化的CatBoost建立地面场强在天气因素下的预测模型,并基于所测数据进行模型的训练和预测。结果表明：天气因素对场强的影响权重由高到低为湿度、风速、气压、温度、PM_1.0、PM_2.5、PM₁₀。通过特征排序选取前5个特征和所有特征预测所得到的均方根误差分别为0.83 kV/m和0.85 kV/m,实现了相对准确的预测。研究结果可为特高压直流输电工程环境评估提供有用的合成电场分析方法。     

PM2.5浓度湍流特征和通量获取的实验研究

利用PM_2.5质量浓度测量仪E-Sampler的1 Hz高频采样功能, 采用涡动相关法, 计算山东省德州大气环境实验站2018年12月27日至2019年1月7日多次污染事件的PM_2.5浓度脉动和湍流通量, 探讨PM_2.5浓度湍流特征。结果表明, 实验观测期间PM_2.5浓度湍流通量均值为0.026 μg/(m²·s); 不同污染过程中PM_2.5浓度湍流通量传输方向不同, 表明不同污染过程的污染源汇属性不同。随着湍流统计特征量(如湍流动能、水平风速标准差、垂直风速标准差、水平风速、动量通量和感热通量)增大, PM_2.5湍流垂直通量呈现指数型减小的趋势, 即先急剧减小, 然后随各变量的增长变化不大。随着PM_2.5浓度增大, 其湍流通量绝对值呈现增加趋势, 因此PM_2.5浓度湍流通量的大小与PM_2.5浓度和湍流强弱有关。不稳定条件下, PM_2.5浓度归一化标准差与稳定度参数ζ = z/L 遵循-1/3幂次关系, 即 σ_c/C_* = 6.7(-ζ)^-1/3; 稳定条件下, 实验结果相对离散。另外, PM_2.5浓度脉动方差谱曲线在高频段满足-2/3幂指数率, PM_2.5浓度脉动与垂直速度脉动的协方差谱曲线在高频段满足-4/3幂指数率。研究结果表明, 利用E-Sampler的PM_2.5浓度1 Hz高频采样功能可以得到连续且有效的PM_2.5浓度湍流通量。     

基于集合经验模态分解和 BP 神经网络的北京市 PM2.5 预报研究

利用集合经验模态分解算法(EEMD)和 BP 神经网络组成的混合模型, 对北京城区PM_2.5浓度值进行短期预报。结果表明, 与单独使用BP神经网络模型相比, EEMD-BP混合模型的预报准确率更高; 混合模型高频部分的预报误差是整体误差的主要方面; 混合模型的输入变量中需包含输出变量的信息; 前期污染物浓度的数值对模型的预报结果有较大的影响。     

基于夜间灯光影像的能源消费与PM2.5时空关系研究

利用能源消费统计数据与夜间灯光影像对陕西省能源消费进行空间化处理,结合PM_2.5遥感数据,基于双变量空间相关性分析等方法,研究了陕西省能源消费与PM_2.5的时空关系,并利用随机森林回归模型探讨了影响ρ(PM_2.5)变化的能源消费因素．结果表明:1）2001—2013年陕西省ρ(PM_2.5)先增大后减小,最高值达到28.5 μg·m?3,省内PM_2.5分布的空间异质性较强,其中关中地区的ρ(PM_2.5)最高;2）陕西省能源消费量逐年上升,在空间上的分布与ρ(PM_2.5)类似,关中地区的能源消费量最多;3）陕西省能源消费量与ρ(PM_2.5)的Moran’s I达到了0.289,表明二者之间有着明显的空间正相关性,即高能源消费的区域有着高质量浓度的PM_2.5分布;4）人口密度、路网密度与能源消费总量是陕西省ρ(PM_2.5)变化的重要驱动因素．