基于时间序列分析的北京地区PM2.5浓度研究

基于中国环境监测总站公布的实时空气质量监测数据, 利用时间序列模型对PM2.5指标的数据进行了平稳性、纯随机性检验, 同时进行了模型阶数、未知参数估计以及模型显著性检验与优化. 最终在此基础上建立了指标预测的数学模型, 并对未来三天的PM2.5浓度值进行预测. 进一步地, 基于向量自回归(VAR)模型, 对北京市万寿西宫站PM2.5数据进行相关性分析, 研究空气中污染物O_{2}、NO_{2}、CO、O_{3}、PM10与PM2.5的动态影响关系. 研究发现当天的PM2.5浓度会受到前几天PM2.5、PM10、O_{3}、SO_{2}等污染物浓度的影响,其中PM10对PM2.5的影响最为明显且持续时间最长, O_{3}、SO_{2}对PM2.5浓度的影响在二、三期最为明显.     

PM2.5扩散模型及预测研究

以武汉为例,以高斯扩散模型为基础研究PM2.5的扩散与衰减规律,充分考虑影响PM2.5扩散的因素,分析地面与建筑物边界反射、干沉积、雨洗湿沉积及湿度的影响,逐步改进高斯扩散模型,并引入时间t,计算当点源持续污染情况下,污染源上风和下风L公里处的浓度.通过数值仿真,得到距污染源下风向距离一定条件下污染扩散浓度的分布规律,预估突发情形下PM2.5的扩散距离及安全区域,结合三维图及平面图分析危险区及安全区.最后,结合小波理论及神经网络理论,提出小波神经网络的结构及算法,并通过Matlab实现了对PM2.5值的预测,并取得较高的预测拟合度.     

北京市PM2.5浓度与工业污染关系分析——基于误差修正模型和混频误差修正模型

使用DP-DNN估算2008-2019年北京市PM2.5浓度数据,纳入工业领域变量建立误差修正模型和混频数据误差修正模型,分析雾霾成因,倒逼经济发展方式转变与产业结构优化.结果 表明:①原煤产量、火电发电量的增长加重了空气环境污染;②混频模型下,原煤产量、火电发电量具有更强污染效应,同时汽车制造过程也是空气污染的主要原...     

基于GAMLSS模型的PM2.5浓度预测研究

基于2013年3月1日至2017年2月28日北京奥体中心空气质量监测站点的逐时数据,分别建立了随机森林回归模型、广义可加模型(Generalized additive model,GAM)和基于位置、尺度、形状的广义可加模型(Generalized Additive models for location,scale and shape,GAMLSS).结果显示:随机森林回归模型的拟合效果与预测效果相差较大,说明模型的稳定性较差,而GAM与GAMLSS模型的拟合效果与预测效果都较好.然而,在实际应用中GAMLSS模型要比GAM更加灵活,能更充分地利用分布本身的特性和规律挖掘出更多蕴含的信息,有利于提高预测的精度.因此,基于GAMLSS模型探讨了北京市的各种污染物和天气条件对PM2.5浓度的影响,并对PM2.5日均浓度进行了预测,这为降低空气污染物浓度提供了理论基础,为相关部门开展预警工作提供了决策依据.     

空气中PM2.5的扩散衰减与预测分析

以西安市2013年1月1日-9月19日的空气污染监测数据为例,采用非稳态的二维多箱模型,综合考虑了风向、季节等因素的影响,对西安市PM2.5的面源污染扩散和衰减规律进行模拟预测,计算模型相对误差;再选用高斯模型对某一天西安市突发情况下PM2.5浓度扩散情况进行点源污染扩散预测,并评价模型的有效性.     

基于时序分解和神经网络的PM2.5浓度预测研究——以沈阳市为例

可吸入细颗粒物PM2.5,其形成与扩散既受人类生产活动影响也受季节气候条件影响,PM2.5浓度变化具有规律与随机交互的非线性特征,传统预测方法遇到较大困难.文章提出了一种基于小波分解的深度学习预测模型WD-LSTM,针对小波分解不具有自适应等局限性提出基于经验模态分解的深度学习预测改进方法EMD-LSTM,对PM2.5...     

保定市PM2.5的因素分析

保定市的PM2.5微粒来源广泛,成因复杂.通过整理和分析该市2012年1月到12月每日PM2.5值、每日平均气温、风力以及SO_2、NO、NO_2浓度等数据,从数据统计的角度分析了这些因素与PM2.5的成因和变化趋势间的联系,进而探讨和建立了多元线性回归模型.为保定市空气治理工作提供一定的参考.     

空气中PM2.5的扩散和衰减模型

PM2.5的时空分布及其演变规律十分复杂.为刻画PM2.5的发生、扩散和衰减规律,提出点源、线源和面源叠加的多源模型描述区域内的多污染源对某一监测点的影响.考虑风力风速、太阳辐射强度、湿度等天气和季节因素以及重力、湍流扩散、分子扩散等对源强强度的影响,提出源衰减、湿沉积、化学迁移叠加衰减模型,用监测点的PM2.5浓度数据对污染源强度和衰减系数进行反演求解.针对西安市某些监测点处的PM2.5浓度突然增至数倍且延续数小时,建立污染扩散预测与评估方法,对提升前后污染源源强进行分析,给出重度污染区域,并用数据的人工统计定性验证模型的合理性.     

基于时间序列的长沙市PM2.5的统计分析

通过对长沙市2015年AQI检测指标数值PM2.5与SO_2,NO_2,PM10,CO,O_3间相关性进行分析,得到PM2.5与SO_2,NO_2,PM10,CO间存在正相关关系,与O_3间为负相关关系.后建立自回归移动平均模型(ARMA)对长沙市2015年的PM2.5进行短期预测,得到最优模型为ARMA(3,2).最后对长沙治理PM2.5提出相关建议.     

西安市PM2.5相关因素多元回归分析模型

为了探索空气污染的主要因素,对空气污染监测指标PM2.5与AQI中其他监测指标进行相关性分析,得到PM2.5与SO2、NO2、CO呈正相关,与O3和温度呈负相关,同时利用多元回归模型得到PM2.5与主因子的数量关系,给西安市PM2.5防控提供参考意见.     

PM2.5成因的逐步回归分析及治理方案研究

应用逐步回归分析方法获得了PM2.5与3个既与综合治理又与专项治理有关的因素SO_2、NO_2、PM10的最优二次回归方程,在将治理基准年与五年后目标的PM2.5浓度折算为对应的AQI指标之后,结合数据分析计算出了基准年的PM2.5、SO_2、NO_2、PM10这4个基准指标值.然后结合PM2.5综合治理与专项治理的费用经验公式,按照五年治理投入总经费最小的原则建立了一个标准的非线性规划模型,并求解出了最少的五年总投入经费及每年经费投入.对于指导PM2.5的治理工作有一定实际意义.     

回归分析与基于MIV的RBF神经网络在PM2.5的相关因素分析中的应用

PM2.5作为大气首要污染物,严重影响着人们的身体健康.为了研究影响PM2.5的相关指标,以武汉市的空气数据为研究对象,通过多元线性回归、偏最小二乘回归、基于MIV的RBF神经网络回归等方法对AQI中6个基本监测指标的PM2.5(含量)与其它5项分指标及其对应污染物(含量)之间的相关性进行分析;通过比较,基于MIV的RBF神经网络回归模型拟合度达到0.9302,效果最好,而且也优于BP人工神经网络回归算法,因此得出了精确可靠的影响PM2.5的指标权重大小,为减排PM2.5提供了可靠的理论依据.     

空气中PM2.5问题的研究

主要研究空气污染中的PM2.5扩散问题.首先利用相关分析法讨论了PM2.5与SO_2,NO_2,CO,PM10,O_3的相关性,建立线性回归方程;然后建立一维的反应扩散方程,预测PM2.5浓度变化,并定量与定性分析西安市空气污染状况;再建立高斯烟羽模型,对持续高浓度PM2.5扩散情形进行拟合,并对污染物扩散范围进行预测,得到重度污染以及可能安全区域;最后通过建立最优化模型,得到较有经济效益的空气治理方案.     

哈尔滨市冬季PM_(2.5)与影响要素的相关分析

运用相关性分析方法,研究哈尔滨市PM_(2.5)质量浓度与主要空气污染物及气象因素之间的相关关系.建立PM_(2.5)与影响其质量浓度变化的因素的单因变量的偏最小二乘回归分析(PLS1)模型,模型拟合良好,由模型知CO是导致PM_(2.5)质量浓度升高的主要因素.运用通径分析方法,研究解释变量对因变量的直接影响、通过其他解释变量对因变量的间接影响以及各解释变量的对因变量的协同作用.结果表明,各解释变量对PM_(2.5)质量浓度变化的总作用从大到小依次为:CO、PM_(10)、NO_2、风速、湿度、SO_2.