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。     

基于多元时间序列的哈尔滨市PM2.5影响因素分析

为探究哈尔滨市PM2.5与其他空气污染物和气象因子间的动态关系,基于哈尔滨市2013-2018年日值空气质量数据和气象观测数据建立PM2.5质量浓度的多元时间序列模型.利用相关性较强且平稳的空气污染物(包括SO2,NO2,PM10,CO和O3)和气象因子(平均气温、极大风速、累计降水量、日照时数和平均气压)建立PM2....     

PM2.5中金属元素污染特征研究——以介休市为例

为更好地了解介休市城区PM2.5中金属元素的污染特征和来源,本研究在2020年1月至12月期间利用AMMS-100大气重金属在线分析仪对PM2.5中金属元素浓度开展逐时观测,以研究PM2.5中14种金属元素的变化特征.采样期间14种金属元素的浓度范围从小于10 ng/m3到5000 ng/m3,金属元素浓度均值的排名顺...     

空气中PM2.5演变规律的研究——以合肥市为例

针对空气中PM2.5的演变规律问题,运用SPSS定量分析PM2.5浓度和气温、风力、湿度等气象因素与季节因素的相关系数,定性分析PM2.5浓度在气温、风力、湿度等气象因素与季节因素影响下的变化特征,结合传统的大气点源高斯扩散及其法定推荐修正模型,逐步改进,建立多因素影响下的多元高斯扩散模型,并通过残差检验模型的合理性.     

基于BP神经网络的郑州市PM2.5数据预测

空气中含有PM2.5质量浓度的高低,会对人体的身体健康产生很大的影响。根据近几年郑州市的空气质量具有明显污染的特点,提出在MATLAB软件上建立神经网络模型。通过调整参数,构建训练模型仿真并检验,以实现对PM2.5数据的预测。基于郑州地区2014年1月至2015年2月的数据实验结果表明,该模型在预测环境空气PM2.5数据方面具有很好精确性,在有效提出防治城市空气污染措施方面具有很好的现实意义。     

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)PM2.5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...     

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。     

基于LUR模型的大气PM2.5浓度分布模拟与人口暴露研究——以湖北省为例

大气细颗粒物是严重危害人体健康的主要污染物之一.该文以湖北省为例,采用LUR(土地利用回归)模型对各监测站点的PM2.5浓度进行空间化模拟,并考察污染暴露强度的空间分异特征,为PM2.5污染分区防控提供参考依据.结果表明：1)湖北省各站点PM2.5浓度差异较大,平均浓度高于环境空气质量二级标准,浓度大小受到站点风速、气温、海拔与3 km缓冲区内绿地面积等因子的显著影响,风速升高会加重污染,后3个因子增加则有利于降低污染.2)基于LUR模型的空间化结果显示,PM2.5浓度在省域尺度上呈现出明显的“中部高、东部低、西部最低”的梯度差序特征,其中武汉城市圈、江汉平原与襄阳部分地区污染较重,鄂西地区普遍较低.3)构建顾及人口分布疏密的PM2.5暴露强度指数,发现PM2.5暴露强度与人口密度大小存在较高的空间相关性.全省超过90%的人口和面积处于中等及以下暴露强度,总体健康风险较低.暴露高值区相对分散,主要集中在以武汉城市圈为核心的中东部地区.     

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 GIS的多元信息成矿预测研究——以通辽地区北部砂岩型铀矿为例

在总结通辽地区北部砂岩型铀矿成矿规律和矿床特征的基础上,利用GIS平台提取地质、地化环境、地面放射性异常、航磁、重力异常等多元找矿信息,依据矿产预测模型,采用网格单元及地质体法开展找矿预测研究.结果显示,研究区内已知矿床(点)均落在预测的6片靶区内,并在野外工程验证中发现了较好的铀矿(化)体.表明本次成矿预测研究采用的...     

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。     

空气中PM2.5浓度的灰色预测与关联因素分析

2013年1月开始,国内持续的大范围雾霾天气,将PM2.5问题推向了舆论热潮的顶峰.结合武汉市监测点的数据建立灰色预测GM(1,1)模型,并编写VB程序建立GM(1,1)系统,对未来短期PM2.5浓度变化进行预测,弥补了监测过程中缺失的数据.此外,根据武汉市空气质量监测数据和京津冀、上海、广东及全国其他地区的工业废气、粉尘排放量数据进行灰色关联度分析,得出CO,O3,NH3和NH4NO3与PM2.5浓度的相关性较强,从而为进一步研究PM2.5提供科学依据.     

基于二向注意力循环神经网络的PM2.5浓度预测

针对PM2.5浓度预测模型效果不稳定、泛化能力差的问题,以循环神经网络和注意力机制为基础,提出了二向注意力循环神经网络（TDA RNN）。首先,TDA-RNN模型通过注意力机制获取输入数据的时序注意力和类别注意力,并将其进行融合;然后通过特征编码器对融合后的数据进行编码,获得中间特征;最后将中间特征与PM2.5浓度的历史信息融合,并通过特征解码器获取预测值。对北京地区的PM2.5浓度进行了预测。结果表明,相比前向型神经网络、长短期记忆神经网络、门控循环单元模型和滑动平均模型,TDA-RNN模型预测精度更高;在抗干扰测试中,当输入数据存在无关因素时,TDA RNN模型的预测精度出现轻微下降,但仍高于其他模型。该二向注意力循环神经网络特征提取能力强,预测精度高,同时可适用于其他场景的多变量时间序列预测。     

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。     

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...     

沈阳地区相对湿度与PM2.5浓度对能见度的影响分析

通过对2014—2015年沈阳市大气细粒子质量浓度数据和气象资料进行统计处理,得到PM_(2.5)和相对湿度分别与能见度之间的相关性。结果表明:相对湿度(RH)和PM2.5浓度都对能见度呈显著负相关,相比于PM_(2.5)对大气能见度的影响,相对湿度和大气能见度的相关性较高,虽然PM_(10)对大气能见度也为负相关,但其影响极弱(R=-0.06);当RH≥80%的区间内,大气水平能见度随着相对湿度的逐渐上升而迅速降低,表明在此RH区间内,RH是影响大气能见度的主要因素;在RH80%的区间内,细粒子的质量浓度与大气能见度之间的相关性高于RH80%区间内的相关性,而且二者呈高度的幂指数对应关系。尤其是在相对湿度在70%~80%的区段内,二者的相关性明显比其他相对湿度区段强;最后当细粒子的质量浓度在小于60μg·m~(-3)的区间内,大气水平能见度随着细粒子质量浓度的降低而迅速增加,但当ρ(PM_(2.5))大于60μg·m~(-3)的区间内,细粒子的质量浓度对大气能见度改变并不显著。     

基于ARMA模型的甘肃民族地区城乡居民收入差距预测与分析——以甘南州为例

当前甘肃民族地区持续恶化的城乡居民收入分配状况,已引起社会各界高度重视,有效治理城乡居民收入差距问题事关民族地区社会稳定和全面小康社会建成。本文以甘南州为例,选取2000~2015年的数据,借助Eviews软件分别对城镇居民人均可支配收入和农牧民人均纯收入建立ARMA模型,并以2011~2015年的实际值进行验证,得出模型预测效果较优的结论。最后利用该模型对2016~2018年甘南州城乡收入差距实施短期动态预测,结果表明,未来三年甘南州城乡居民收入绝对差距会持续拉大而相对差距逐年缩小,接着给出了进一步治理甘南州城乡居民收入差距的对策建议。     

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。     

高山深谷地区水土流失模拟与预测——以昌都地区为例

地处青藏高原东部的横断山区高山深谷地貌显著,土壤侵蚀剧烈,水土流失严重.本文以昌都地区为例,以清华大学数字流域模型为平台,模拟了该地区的土壤侵蚀状况;通过设置多种情景进行分析,预测了降雨量、土地利用方式和植被覆盖程度等因素变化对该地区水土流失的影响.结果表明,暴雨量变大显著增加土壤侵蚀,降水量减少或植被所占比例增加,能够减弱土壤侵蚀.在各高层带上植树种草能够有效减弱土壤侵蚀,然而"退耕还林(草)"的可行性有待未来深入研究.