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。     

公园绿地及周边环境PM2.5浓度特征及影响因素

【目的】评价城市公园对降低大气PM_2.5质量浓度的作用,同时探讨环境因素对PM_2.5质量浓度的影响。【方法】以北京市北小河公园为研究对象,通过PM_2.5质量浓度监测仪测定公园绿地内、公园附近建筑室内及公园道路旁(开敞空间)的PM_2.5质量浓度,对公园及其附近建筑室内与道路旁PM_2.5浓度做差异对比分析,同时监测温湿度、风速及气压、车流量,以分析环境因素对PM_2.5质量浓度的影响。【结果】①公园及其附近建筑室内与道路旁PM_2.5浓度日变化趋势基本一致,呈现双峰单谷型,即早晚高、白天低。②无污染或轻度污染时,公园绿地PM_2.5质量浓度均低于道路旁及附近建筑室内,PM_2.5质量浓度分别降低了5.7%和6.9%,说明公园绿地对PM_2.5有一定的滞留作用; 中度污染天气条件下,公园内PM_2.5浓度同样低于道路旁与建筑室内,降幅分别为3.6%和7.3%,公园绿地对PM_2.5仍有一定的滞留作用; 重度污染质量条件下,公园内PM_2.5质量浓度略低于道路旁,降幅仅为0.3%,而比建筑室内升高了5.5%。③公园绿地PM_2.5质量浓度与温度、风速呈负相关关系,与相对湿度、气压呈正相关关系; 道路旁PM_2.5质量浓度与车流量呈正相关。【结论】在中度污染及以下环境空气质量条件下,公园绿地对PM_2.5有一定的滞留作用,说明公园绿地对PM_2.5滞留作用的发挥受一定的环境空气质量条件的制约。     

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)。     

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.     

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.     

山西省PM2.5时空特征及其影响因素的地理探测

基于山西省11个地级市2016—2019年全年的逐时监测数据,采用克里金空间插值技术和地理探测器等方法对PM_2.5浓度时空变化及驱动因素展开研究.结果表明：①2016—2019年山西省PM_2.5年均浓度值先增后减,“蓝天保卫战”取得一定成效;污染空间格局呈东北向西南递增的规律,季节浓度变化总体呈“冬高夏低,春秋过渡”的规律,月均浓度呈“单峰型”波动变化.②因子探测器分析结果表明,人口密度、人均GDP和民用车数量对PM_2.5解释力最强,均超过0.7,表明人类活动是引起空气污染的主要因素.③交互探测分析表明所有影响因素对PM_2.5变化的交互作用均大于单一影响因素的独自作用.     

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PM2.5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...     

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。     

夏季干旱半干旱城市公园绿地空气负离子与空气颗粒物变化特征

【目的】观测北方干旱半干旱城市公园绿地不同植被结构空气负离子浓度与空气颗粒物浓度,并评价影响因素及其交互影响,为北方城市居民选择游憩时间及公园建设提供科学依据。【方法】于2020年7—8月,同步观测呼和浩特市敕勒川公园5种植被结构及对照点空气负离子浓度、空气颗粒物浓度,分析空气负离子与空气颗粒物变化特征及其影响因素。【结果】不同植被结构空气负离子浓度基本呈“V”形变化特征,空气颗粒物浓度最高值出现在早晨,最低值出现在下午;不同植被结构空气负离子浓度均值均高于对照点,且复层植被结构产生的负离子浓度要高于单层植被结构,不同植被结构对空气颗粒物浓度的调控存在着削减和集聚并存的效应;气象因子是影响空气负离子和空气颗粒物浓度的主要因素,风速与空气负离子浓度间显著负相关,温度与空气负离子浓度、总悬浮颗粒物(TSP)和PM₁₀浓度间显著负相关,相对湿度与空气负离子浓度、TSP和PM₁₀浓度间显著正相关,露点温度与PM_2.5和PM_1.0浓度间显著正相关;空气负离子浓度与PM_1.0浓度间显著负相关。【结论】复层植被结构较单层植被结构对提高空气负离子浓度有更加显著的作用,疏密适当的植被对减少空气颗粒物浓度起到积极作用;依据观测结果,建议城市周边居民开展休闲娱乐活动的最佳时间选择在9:00—10:00和14:00—17:00。     

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。     

黑龙江省长白落叶松人工林单木生长模型

【目的】利用单水平线性混合模型构建了黑龙江长白落叶松人工林单木直径生长模型,为准确预测黑龙江省落叶松人工林的生长及合理经营提供理论依据。【方法】基于黑龙江省148块固定样地数据,运用逐步回归法,依次引入林木初始大小因子、竞争和立地因子,建立并评估了5种不同因变量(5年间隔期末胸高直径d₅,直径增长量d₅-d₀,5年直径增长量的自然对数ln(d₅-d₀+1),直径平方增长量的自然对数ln(d²₅-d²₀+1),直径平方增长量d²₅-d²₀)的黑龙江省长白落叶松人工林传统单木生长模型,同时基于最优传统模型采用哑变量方法构建了与距离无关的单木直径生长模型,并在哑变量模型的基础上把样地作为随机效应因子,运用单水平线性混合模型的方法构建了单木直径生长模型,并利用独立检验样本数据对基础模型、哑变量模型和混合模型进行检验。【结果】对于每一种因变量的单木生长模型,依次加入林木初始大小、竞争因子和立地因子后,模型精度均有显著提高; 因变量为ln(d₅-d₀+1)的模型为最优单木直径生长模型。影响黑龙江省落叶松人工林单木直径生长的主要因素有林木初始大小(ln d₀)、地位指数、林分每公顷断面积和大于对象木断面积和。哑变量模型在保证预估精度的同时体现了两个区域间的差异。混合效应预估模型的R²、均方误差(MSE)和均方根误差(RMSE)分别为0.978 3、0.713 7和0.844 8 cm。与传统模型相比,混合效应模型的相对平均均方误差和均方根误差较传统模型减少了0.300 6和0.162 3 cm,决定系数R²几乎相当。在模型检验中,混合效应模型呈现较好的拟合效果。【结论】基于线性混合效应的黑龙江省长白落叶松人工林的单木直径生长模型较传统模型预测精度更高。     

落叶松人工林树皮厚度预测模型

【目的】建立落叶松人工林树皮因子及任意高度处树皮厚度的预测模型,以期更加准确地对树皮厚度进行预测,为实际木材生产和森林经营提供更加准确的指导。【方法】基于2015年黑龙江省佳木斯市孟家岗林场49株人工落叶松的1 186个圆盘数据,利用SAS 9.4软件中的MIXED模块构建落叶松人工林树皮厚度(树皮因子、任意高度处树皮厚度)的线性混合效应预测模型。模型评价指标选用赤池信息准则(AIC)、贝叶斯信息准则(BIC)、-2倍的对数似然值(-2LL)及似然比检验(LRT)。【结果】对于树皮因子模型,基于树木效应时含b₁、b₂、b₄随机参数组合的树皮因子模型为最优混合模型;基于样地效应时含b₁、b₂随机参数组合的模型是最优混合效应模型。对于任意高度处树皮厚度模型,基于树木效应时含b₁、b₂的组合为最优混合模型;基于样地效应时含b₀、b₂、b₃组合的为最优模型。所有最优模型在具有无结构(UN)方差-协方差矩阵时拟合效果最好。【结论】不论是树皮因子还是树皮厚度模型,树木效应对模型的影响最大;混合效应模型的预估精度与传统回归模型相比有明显提高。     

兰州西固区PM2.5和烷醇类分布特征及其与气象因素相关性分析

采集2019年兰州市西固区细颗粒物监测数据,用气相色谱-质谱联用仪(GC-MS)对PM2.5中的有机组分进行定性和定量分析,着重探讨PM2.5与烷醇类的分布特征.同时收集同期近地面气象观测数据,采用相关性(Pear-son)与非参数分析(Spearman)方法,研究PM2.5和烷醇类与气象因素之间的关系并比较Pears...