福建省2005—2017年大气边界层SO2的时空变化特征

为研究近年来福建省SO2污染的时空动态特征,利用臭氧观测仪(ozone monitoring instrument,OMI)卫星遥感反演的PBL(planetary boundary layer,大气边界层) SO2柱含量数据,分析了2005—2017年福建省PBL SO2柱含量的时空间分布特征.结果表明:①在长时间尺度上,PBL SO2柱含量的变化趋势可分为2个时段,其中,2005—2011年PBL SO2柱含量呈逐渐上升趋势,6 a增加了约0. 027 DU,增长率约为6. 12%;2011—2017年PBL SO2柱含量呈下降趋势,7 a减少了约0. 018 DU,下降率约为3. 89%.②PBL SO2柱含量呈明显的周期性变化特征,最小值和最大值分别出现在6月和12月,多年平均值分别约为0. 383和0. 555 DU.③PBL SO2柱含量的3个高值区分别出现在沿海的福州市,厦门市、漳州市东部和泉州市西部,三明市和南平市部分地区,这3个高值区多年平均PBL SO2柱含量分别约为0. 505、0. 495和0. 485 DU.从城市尺度上来看,PBL SO2柱含量最大值出现在厦门市,其多年平均值为(0. 486±0. 015) DU;其次为福州市,PBL SO2柱含量多年平均值为(0. 465±0. 026) DU;最低值出现在漳州市,PBL SO2柱含量多年平均值为(0. 429±0. 020) DU.④福建省PBL SO2柱含量变化趋势在空间分布上存在明显的差异,不同时期、不同区域变化趋势不一致.2005—2011年PBL SO2柱含量的变化范围为-0. 13~0. 18 DU,变化率范围为-25%~50%,PBL SO2柱含量出现增长的区域主要是在高值区,如龙岩市西部、厦门市北部以及三明市东部等区域;2011—2017年PBL SO2柱含量的变化范围为-0. 13~0. 15 DU,变化率范围为-29%~34%. 2011—2017年福州市和厦门市PBL SO2柱含量下降最为明显,减少了约0. 10 DU,下降率约为25%.研究显示,卫星遥感估算的PBL SO2柱含量具有一定的可靠性,可以用于区域SO2污染的研究.

面向短时地铁客流量预测的混合深度学习模型

城市交通客流量精准预测是智能交通系统的重要环节,是有效管控交通、规划最佳出行线路的关键。目前城市交通客流量短时预测研究主要集中在利用深度学习模型进行时空特征的提取,忽略了对模型优化的研究。针对短时地铁客流量预测存在的问题,提出一种混合深度学习模型ResGRU_(Metro),将卷积神经网络、残差单元和门控循环单元相结合,捕获流量数据的时空特征。针对深度学习模型常用的损失函数难以对交通客流量峰值进行精准预测的问题,引入面向短时交通流量预测的加权平方误差,根据交通客流量的大小为预测误差赋予不同权重,并加大对交通客流量峰值处误差的惩罚,使神经网络在反向传播时更加关注峰值处的预测和误差,从而提升交通客流量峰值的预测精度。此外,通过耦合天气、空气质量等外部因子,改善模型的整体预测性能,增强模型的稳定性。实验结果表明,相比LR、PSVR、CNN等典型的预测模型,ResGRU_(Metro)模型有更高的预测精度,能够准确预测交通客流量的峰值。