基于RF-EMD-LSTM对PM2.5浓度预测研究

实现PM_2.5浓度的精准预测对空气污染防治具有重要的指导作用.鉴于多数研究中PM_2.5浓度预测算法和特征都较为单一,不能精确实现PM_2.5浓度的短时预测,提出了一种新颖的混合预测框架(RF-EMD-LSTM),通过过去24 h数据实现下一小时PM_2.5浓度预测.首先利用随机森林算法(random forests, RF)对污染物数据特征进行重要性评估,实现特征选择;然后再将特征数据与通过经验模态分解(empirical mode decomposition, EMD)的PM_2.5特征分解后的序列联合作为长短期记忆网络(long short term memory network, LSTM)的输入数据,进行模型训练,训练结果相加获得最终PM_2.5浓度预测值.实验结果表明,提出的混合模型与其他单一模型相比,预测精度明显最佳.     

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。     

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。     

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。     

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.      

2001—2018年非洲尼日尔河流域PM2.5质量浓度的时空变化特征

探究PM_2.5质量浓度的时空演变过程，对于明确PM_2.5治理方向和推进非洲可持续发展目标至关重要.利用全球遥感反演PM_2.5数据集，结合GIS空间分析、空间自相关、Mann-Kendall检验和重标极差分析等方法揭示2001—2018年尼日尔河流域PM_2.5质量浓度的时空变化特征及趋势.结果表明：1)2001—2018年，尼日尔河流域PM_2.5质量浓度在时间变化上呈现波动且微弱增长趋势，年增长速率为0.06μg/m³;2)尼日尔河流域PM_2.5质量浓度在空间上整体呈现东南向西北递减的空间格局，其浓度高值区与低值区表现出强烈的空间集聚性特征，高值区集中在中下游地区的尼日尔东部地区、尼日利亚北部山地及南部三角洲地区，低值区集中在尼日尔河的上游地带、流域北端阿尔及利亚区域和下游支流贝努埃河流域；3)尼日尔河流域PM_2.5质量浓度变化的时空趋势上以不显著增加趋势为普遍特征，且在时间序列上具备长程相关性.研究结果将有助于尼...     

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．      

利用葵花8号卫星资料反演中国东部地区地面PM2.5浓度

为了得到中国东部地区大范围的地面PM_2.5浓度分布, 用机器学习方法建立一个模型, 用2019年葵花8号静止卫星大气顶层反射率数据和欧洲中心气象资料作为输入数据, 地面PM_2.5浓度作为输出数据。验证结果表明, 在不同时间尺度下, 该模型对中国东部地区均有较高的精度。对于小时PM_2.5的浓度反演, 该模型的十折交叉验证的相关系数为0.82, 均方根误差为20.11 μg/m³。将2019全年卫星?气象格点数据放入模型, 得到中国东部地区全年逐小时的PM_2.5格点数据, 利用该格点数据分析中国东部地区PM_2.5浓度的季节变化和空间分布, 取得良好的效果。     

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...     

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)。     

张家界市旅游旺季PM2.5质量浓度的变化特征

为了探讨大气污染物对旅游活动强弱的反应机制，以典型生态旅游城市张家界市2017年旅游旺季时段4个空气质量自动监测站点的PM_2.5质量浓度数据为研究对象，采用消除趋势波动分析方法探讨PM_2.5的周末效应.结果表明，永定新区、电业局和未央路站点的PM_2.5质量浓度的波动日变化曲线基本一致，表现出双峰型，波峰分别出现在13：00和22：00左右，而袁家界站点与它们相比，存在明显差异；永定新区和电业局站点工作日的PM_2.5质量浓度略高于周末，而未央路和袁家界站点周末的PM_2.5质量浓度高于工作日.为了进一步探讨PM_2.5质量浓度变化的内在规律，对各站点PM_2.5质量浓度序列进行消除趋势波动分析，发现各站点PM_2.5质量浓度序列均表现出明显的长期持续性特征，且城区站点的长期持续性存在拐点，而景区站点和临近景区站点的不存在拐点，推测可能是景区受旅游活动干扰较多而致.     

2015年北京、上海和拉萨PM2.5浓度日变化和日际变化分析

分析2015年北京、上海和拉萨3个城市PM_2.5浓度的时间序列, 讨论PM_2.5浓度的季节变化以及各城市PM_2.5浓度日际变化与日变化的相对重要性。从长期来看, 3个城市冬季PM_2.5浓度普遍大于夏季; 从短期来看, 北京和上海PM_2.5浓度主要呈现日际变化, 天气系统的影响远大于日变化。北京冬季PM_2.5浓度在一定程度上也呈现日变化, 但在夏季不明显; 上海在冬季和夏季都不呈现日变化; 拉萨的情况则相反, 当地的天气系统比较稳定, 日际变化不明显,PM_2.5浓度主要受日变化影响,PM_2.5浓度的日变化呈现明显的“双峰”现象。     

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.     

2015—2020年成都市PM2.5的时空分布及影响因素

以2015—2020年成都市PM_2.5浓度的时空分布为研究对象,运用克里金插值法、Pearson相关系数法、主成分分析法等方法,结合降水、风速2个气象因子及GDP、第二产业生产总值比重、人口密度、城镇化率4个社会因子进行分析,从而得到成都市PM_2.5的时空分布情况及其影响因素的相关分析,为成都市的空气污染治理提供科学依据.结果表明：成都市PM_2.5浓度在空间上整体呈中间高、两边低的特征,在时间上的整体走向为先降低后升高;同时成都市PM_2.5浓度与各种气象因子、社会因子都存在相关性,但相关程度存在较大的差异.     

河南省PM2.5暴露人口时空特征及影响因素研究

研究河南省2000、2005、2010、2015年4年的PM_2.5质量浓度和人口密度的栅格数据,计算得出PM_2.5暴露人口;借助全局空间自相关、热点分析等方法,在对河南省PM_2.5暴露人口的时空特征进行分析的基础上,使用面板数据模型探讨其影响因素.结果显示:河南省暴露人口规模表现为先增后减的变化特征,整体规模上升,空间呈现扩散和向中部移动的特征.对河南省PM_2.5暴露人口具有影响的指标主要为:房屋竣工面积、公路客货运总量和气温.     

南京一次重污染过程PM2.5垂直分布的模拟及气溶胶辐射效应的影响

准确模拟PM_2.5垂直分布对理解灰霾的形成和消散机理以及检验模式预报能力至关重要。利用在线耦合大气化学模式WRF-Chem v3.9.1对2017年12月22至25日南京地区的一次重污染过程进行模拟,结合地面观测的气象要素和污染物浓度、激光雷达得到的气溶胶消光系数及无人机观测的PM_2.5垂直廓线等数据对模式进行综合评估,并探讨气溶胶辐射效应对PM_2.5垂直分布的影响。结果表明,WRF-Chem对白天地面气象要素及PM_2.5垂直分布模拟较好,但对夜间PM_2.5浓度严重高估(MB=49.8μg/m³)。夜间模拟的近地层逆温过强、边界层高度过低,导致PM_2.5聚集在较低的高度并向上浓度逐渐递减,但观测的PM_2.5在夜间仍然维持近乎均匀混合的分布方式。相比夜间,气溶胶辐射效应在白天的影响更加明显,主要通过降低边界层高度影响PM_2.5垂直分布方式。本研究对于理解WRF-Chem模拟PM_2.5...     

基于函数型聚类的重庆市主城区PM2.5防治区域划分

空气污染对人类的健康和环境有重要影响,对空气质量进行管理可以有效预防空气污染对人类健康和环境造成的危害。细微颗粒物(PM_2.5)在空气质量数据中对环境质量的影响最大,因此对其防控具有重要意义。由于划分防治区域是实施防控的重要前提,因此文章针对重庆市主城区17个监测站点的PM_2.5日均浓度数据,在采用7种插补方法修复PM_2.5缺失数据的基础上,分析其时空分布特征,并利用函数型聚类方法(Functional Nonnegative Matrix Factorization,FNMF)合理地划分PM_2.5防治区域,进一步分析重庆市不同区域的空气质量特征。研究结果表明,重庆市主城区可划分为3类PM_2.5防治区域,且各区域冬季污染严重,空间分布与城区经济发展相关,呈现出由北向南污染愈发严重的趋势。     

安顺市8次持续2天的PM2.5污染气象成因分析

利用2017年—2018年安顺城区4个空气质量监测点逐小时监测数据、安顺国家基本气象站地面逐小时观测数据、NECP1*1逐6小时再分析数据等分析了2017年—2018年安顺城区8次连续2天PM_2.5空气污染期间PM_2.5浓度与天气形势、气象要素、大气层结条件等的关系及造成空气污染的气象成因,结果表明：(1)安顺城区连续2天的PM_2.5空气污染大都出现在秋冬季,且出现空气污染期间无降水或降水很弱;(2)逆温层强度越强,厚度越厚,就越有利于PM_2.5浓度的增加,如果逆温持续时间长,PM_2.5维持高浓度的时间也会增长,从而导致空气污染;(3)相对湿度、温度露点差、0～3 km垂直风切变、0～6 km垂直风切变与PM_2.5浓度之间有显著的相关性,且PM_2.5的浓度和垂直风切变呈正相关;(4)整层大气温度上升时有利于PM_2.5的扩散,700 hPa以下风速小于4 m/s时有利于PM_2.5的积累。