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。     

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.     

基于GIS技术与嵌套网格的大气PM2.5污染最优集成预报方法

为了提升城市空气质量的预报准确率,分析大气PM_2.5污染物各尺度污染变化情况,提出基于GIS技术与嵌套网格的大气PM_2.5污染最优集成预报方法.基于大气污染扩散模拟情况,利用GIS技术的前、后期数据处理以及结果显示输出,处理大气PM_2.5污染数据,可视化展示污染扩散情况;采用嵌套网格空气质量预报模式系统(NAQPMS),模拟大气PM_2.5污染物各尺度污染变化,完成污染预报;基于观测、预报资料结合多种集成方法组建集成预报,经评价获取评分最高集成预报方法,完成大气PM_2.5污染最优集成预报.以安阳市为例,应用该方法进行空气质量预报实验.结果表明：该方法的PM_2.5质量浓度预报值与实际观测值更加接近,有效提升了大气污染预报准确率,以PM_2.5为代表的细颗粒物和以扬尘为主要源的粗颗粒物污染突出,需加强企业烟尘污染物的管控.     

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。     

重庆市荣昌区冬季典型霾期大气颗粒物浓度垂直变化特征

为探究川东平行岭谷大气颗粒物质量浓度垂直变化特征,通过对四川盆地偏东部的重庆市荣昌区典型雾霾期气象条件下大气颗粒物质量浓度(PM₁,PM_2.5和PM₁₀)的垂直连续监测,分析温度、风速、相对湿度等气象条件与大气颗粒物浓度垂直分布的关系。结果表明：PM₁,PM_2.5,PM₁₀的日变化在各高度范围内均表现为夜间浓度较高。3种粒径段颗粒物的质量浓度均随高度升高而下降,0～300 m内颗粒物质量浓度最高,PM₁,PM_2.5,PM₁₀分别为39.61,193.62,338.87μg/m³。不同空气质量状况下,颗粒物浓度纵向分布不同。空气质量为良时,颗粒物随高度升高缓慢下降,600 m处PM₁,PM_2.5和PM₁₀浓度为100 m处的70.49%,69.60%,65.94%;轻度污染期间,600 m高度的颗粒物浓度比...     

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。     

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。     

基于角度分布的高维数据流异常点检测算法

为了有效检测高维数据流中的异常点,提出一种基于角度分布的高维数据流异常点检测(DSOD)算法.运用基于角度分布的方法准确识别高维数据集中的正常点、边界点以及异常点;构造了基于正常集、边界集的小规模数据流型计算集,以降低算法在空间以及时间上的开销;建立了正常集、边界集的更新机制,以解决大数据流的概念转移问题.在真实数据集上的实验结果表明,所提出的DSOD算法的效率高于Simple VOA算法与ABOD算法,并且适用于大数据流上的异常点检测.     

基于转动拉曼-米激光雷达拟合大气边界层内气溶胶光学厚度与PM2.5

提出一种利用转动拉曼-米散射激光雷达米弹性散射信号与转动拉曼散射信号比值来拟合大气边界层1 km以内气溶胶光学厚度与PM_2.5值的方法. 该方法消除了几何因子对近地面探测过渡区所带来的误差,而且消除了近地面大气湿度的影响,能够获得高精度的气溶胶后向散射系数,并在此基础上推导了气溶胶光学厚度（AOD）的计算方法,最后利用实验室转动拉曼-米激光雷达系统测量的2013年北京地区气溶胶数据,拟合获得了2013年北京地区冬夏两季AOD-PM_2.5经验公式.      

南宁市一次严重空气污染期间颗粒污染物特征及气象条件分析

利用南宁市环境保护监测站2010年11月5日至12(污染个案期)在南宁市区振宁花园、市监测点、区农职院、大自然花园4个有代表性的国控环境空气监测点观测到的空气质量数据,分析颗粒污染物PM10和PM2.5的浓度变化及PM2.5的主要化学组分浓度,再利用广西气象服务中心观测的天气数据分析污染个案期的气象条件。结果表明:此次长时间空气污染重,南宁市大气中的颗粒物出现显著升高,颗粒物为此次诱发长时间空气污染物的首要污染因子,颗粒物中的组分以有机质OM和硫酸盐为主;观测时段内气象因素对空气污染存在重要影响,来自湖南方向的污染气团对南宁市的长时间轻微污染也存在一定影响。     

前馈网络的一种高精度鲁棒在线贯序学习算法

基于离散傅里叶变换-极限学习机(DFT-ELM)提出了一种新的单隐层前馈神经网络在线贯序学习算法,命名为"在线贯序-离散傅里叶变换-极限学习机"(OS-DFT-ELM).该算法能够逐个或逐段学习数据,随着新数据的逐渐到达,单隐层前馈神经网络的内权矩阵和外权矩阵得到逐步调整.该算法与在线贯序-极限学习机(OS-ELM)相比,具有更高的精度和鲁棒性.同时,通过实验和分析,表明OS-DFT-ELM具有优良性能.     

基于状态转移算法的极限学习机

目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题.为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度.利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模.在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率.这种高性能的建模方式弥补了极限学习机的不足.     

燃煤电厂锅炉PM2.5现场实测与排放特征研究

采用自设固定源PM_2.5稀释采集系统对陕西省关中地区多个燃煤电厂烟气中的颗粒物开展了现场实测与样品化学源组分分析。结果表明：4个燃煤电厂PM_2.5、PM₁₀占颗粒物比重差异较大（PM_2.5占比范围为6.92%~54.34%,PM₁₀占比范围为36.36%~73.02%）;4个燃煤电厂数浓度水平最高值（2.0×10⁴~4.0×10⁵个/cm³）差异较大,相差约1个数量级;燃煤电厂PM_2.5小粒径段颗粒物质量浓度占比大多较低,但其对PM_2.5数浓度贡献却很大（最小值>95%）,大粒径段颗粒物则相反;煤粉炉PM₁/PM_2.5较大,占比范围为35.29%~51.35%,循环流化床锅炉PM₁/PM_2.5较小,占比范围为16.62%~21.47%;SO₄^2-是燃煤电厂PM_2.5中最丰富的离子成分,各电厂SO₄^2-占总离子浓度比重范围为50.02~65.52%,Na⁺和Ca²⁺位于第2或第3位;各燃煤电厂主要检出无机元素是Si、Al、Ca、Na、Fe、Na等地壳元素;燃煤电厂PM_2.5、PM₁₀和颗粒物的排放因子范围分别为0.001~0.028 kg/t、0.002~0.086 kg/t、0.003~0.236 kg/t;除尘设施组合越复杂先进,排放因子就可能越小。     

基于CPA-OSELM的热轧带钢厚度在线预测

为解决自动厚度控制（automatic gauge control,AGC）系统反馈滞后、耦合强、厚度偏差大等问题,本文提出了一种基于食肉植物算法（carnivorous plant algorithm, CPA）的在线顺序极限学习机（online sequential extreme learning machine, OSELM）预测算法。首先,基于从现场采集的相关数据,建立了OSELM在线厚度预测模型。然后为了提高模型的准确性及稳定性,采用CPA方法优化OSELM的权重和偏置。在此基础上,运用自学习方法进一步提高模型的预测精度。最后,通过实验验证基于CPA-OSELM预测模型的有效性。实验结果表明：基于CPA-OSELM的方法能够对不同规格带钢的出口厚度进行高精度在线预测,预测结果可用于提升AGC模型的控制精度,为提升带钢产品质量奠定基础。     

基于优化核极限学习机的泥石流危险性评估

山区环境中泥石流的孕育受多种因素的影响,为提高泥石流危险性的预测精度,提出一种萤火虫算法(firefly algorithm, FA)优化核极限学习机(kernel based extreme learning machine, KELM)的预测模型。首先,针对数据维度爆炸的问题,通过主成分分析(principal component analysis, PCA)数据降维,使得留有大部分致灾特征信息的因子输入训练模型;然后,使用萤火虫优化算法更新核极限学习机的参数,将四川省北川县监测数据输入优化后的预测模型,并与其他传统机器学习算法进行对比分析,验证该算法的优越性;最后,使用多种指标综合评估模型的预测效果。结果表明,FA-KELM模型能够有效地简化数据结构,提高泥石流危险性预测的准确性,为泥石流灾害预测方面的研究提供参考和借鉴。     

基于 OS-ELM 的 CCPP 副产煤气燃料系统在线性能预测

针对联合循环发电厂(combined cycle power plant, CCPP)煤气系统因工况变化频繁带来的模型与过程不匹配的问题,提出一种基于OS-ELM ( online sequential extreme learning machine)的CCPP副产煤气燃料系统在线性能预测方法。首先通过分析副产煤气系统各主要组成部件的工作原理,利用流体力学、质量守恒以及能量守恒等关系,建立起以离心压缩机、煤水分离器、冷却器等为核心部件的副产煤气系统机理模型。利用OS-ELM算法和滑动窗口技术对机理模型的输出误差进行修正,实现副产煤气系统出口参数的精确预测和模型的快速在线更新。仿真实验证明,该方法能够准确地预测副产煤气系统的输出压比和温比,并能够跟踪煤气系统工况的变化和特性的漂移,满足实际工业生产的需求。     

KPCA-KPLS方法在pH中和过程建模中的应用

针对化工过程中的具有严重非线性、不确定性、时变性的复杂pH中和过程系统建模问题,提出一种基于核主元分析(KPCA)与核偏最小二乘(KPLS)相结合的建模方法.在高维特征空间内,该方法通过KPCA有效地提取输入数据的非线性主元,利用KPLS方法将输入变量投影在潜在变量上,再用输入与输出变量之间的协方差信息提取潜在特征建立pH中和过程模型.为验证其有效性,将KPCA-KPLS方法应用到弱酸强碱中和过程、强酸强碱中和过程实例中,并与核偏最小二乘、核主元分析_支持向量机(KPCA-SVM)、核极限学习机(KELM)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)、SVM等方法进行比较.实验结果表明:KPCA-KPLS方法具有很高的动态建模精度.