城市空气质量指数的时间序列分析和预测--以扬州市为例

城市空气质量指数是反映城市环境宜居水平的重要指标,预测城市空气质量指数可以为政策制定提供重要的参考依据。选取扬州市2014-2022年的空气质量指数(AQI)进行时间序列分析,采用的时间序列模型有自回归积分滑动平均模型(ARIMA)、先知模型(Prophet)以及人工智能领域的长短期记忆模型(LSTM)。通过这些模型分析扬州市空气质量指数的周期性、季节性和趋势特征,并对空气质量指数进行预测。结果显示,基于人工智能的长短期记忆模型具有很强的预测能力。

孕期空气质量指数与小于胎龄儿风险之间的关联研究

目的 探讨母亲孕期空气质量指数与子代小于胎龄儿风险的关联。方法 2017至2020年在广州市某医院开展前瞻性出生队列研究,通过调查问卷收集孕妇一般资料。由每日空气污染暴露数据计算每个孕妇孕早、中、晚期和全孕期空气质量指数(air quality index, AQI)。采用多因素Logistic回归模型分析母亲孕期空气质量指数(分别按分值和四分位数分组形式纳入模型)与小于胎龄儿之间的关联。结果 研究最终纳入5 352对孕妇及新生儿。在校正了潜在的混杂因素后,孕中期平均AQI分值与小于胎龄儿呈现负相关。孕早期高水平AQI(Q4 vs. Q1)与小于胎龄儿发生风险增加有关,比值比(odds ratio,OR)及95%的置信区间(confidence interval,CI)为1.441(1.012,2.056)。结论 孕早期高水平空气污染暴露可能影响胎儿宫内生长。

基于多元线性回归的空气质量指数预测模型

随着中国社会的发展和人口数量的增多,空气污染环境问题表现突出,对人们的生活环境以及生态系统造成严重破坏。本文基于《中国统计年鉴2022》的相关数据,选取PM_(10)、O_(3)、SO_(2)、PM_(2.5)、N0_(2)、CO六个影响空气质量指数的指标。首先,通过相关性分析模型验证六个影响指标都对空气质量指数有较强的相关性;其次,通过各污染物浓度计算相应污染物分指数,利用多元线性回归模型建立空气质量指数(air quality index, AQI)与各影响指标之间的数学模型,利用该模型对城市空气质量指数进行预测;最后,将真实值与预测值使用皮尔逊相关性检验对模型评估,准确率达到0.928,能够反映空气质量的总体状况。

基于集成深度学习模型的空气质量指数预测

大气污染严重危害居民的出行安全和身体健康,空气质量指数(AQI)是一种用于测量空气质量状况的综合指标,对AQI的预测可以提醒公众空气质量信息,使人们做出更明智的出行决策.通过提前预测空气质量的变化,政府和环保部门可以采取应急措施以减轻空气污染.本文提出基于卷积神经网络和门控循环单元的集成深度学习模型(CNN-GRU)对AQI进行预测.其中,卷积神经网络(CNN)提取污染气体浓度和AQI的时空特征并完成特征映射,门控循环单元(GRU)建模时序关系并高效完成计算.选取2014—2022年北京市和广州市的6种主要污染气体(PM2.5、PM10、SO_(2)、CO、NO_(2)、O_(3))日平均质量浓度和AQI进行实例研究,使用CNN-GRU模型对AQI进行预测,与多元宇宙优化的广义回归神经网络模型(MVO-GRNN)、遗传算法优化的BP神经网络模型(GA-BP)对AQI的预测进行对比分析.实验结果表明,本文提出的CNN-GRU模型对AQI的预测误差最小.

基于多元线性回归模型的东莞市空气质量指数研究

东莞市空气污染一直是市政府高度重视的问题,实证分析该城市空气质量的主要影响因素,对提高该城市空气质量有指导意义。本文依据中国环境监测总站发布的东莞市2013年12月-2019年12月的空气质量实时监测数据,运用计量经济学知识,对东莞市空气质量的影响因素(包括PM_(2.5)、PM_(10)、SO_(2)、CO、NO_(2)、O_(3)等污染物浓度)进行实证研究。运用Stata软件进行多元线性回归实证分析,结果显示东莞市首要大气污染物为PM_(2.5)、O_(3)、NO_(2),同时提出了改善东莞市空气质量和生态环境的建议。

成都平原经济区城市空气质量时空变化特征

基于2016—2020年成都平原经济区城市空气质量监测数据,应用空气质量综合指数评价法、Pearson相关分析法,对成都平原经济区空气质量时空变化特征、成都市主要污染物变化特征进行了研究.结果表明:1)2016—2020年,成都平原经济区城市群中空气质量指数出现了2个高值和2个低值中心,高值中心分别位于成都市、德阳市,2个低值中心分别位于雅安市、遂宁市,即成都市和德阳市空气质量最差,雅安市和遂宁市的空气质量最优;对于不同季节,1—12月,成都平原经济区的空气质量综合指数呈U字型变化,即空气质量6—10月较好,11月—次年2月较差.2)2016—2020年,成都市PM_(2.5)质量浓度值皆超过了国家二级标准限值,并且以PM_(2.5)为首要污染物出现频率最高,而O_(3)、CO、SO_(2)年均质量浓度在研究时段内均低于国家二级标准质量浓度限值.3)2016—2020年,成都市PM_(2.5)质量浓度与能见度呈显著负相关;年尺度上,成都市PM_(2.5)质量浓度与平均气温呈低度负相关,与风速、降水量呈弱负相关;季尺度上,除气温在春、夏、冬季节与PM_(2.5)质量浓度呈弱正相关外,4个季节中PM_(2.5)质量浓度与风速、降水量皆呈弱负相关.4)影响成都市PM_(2.5)质量浓度的社会经济因子主要是汽车尾气、工业烟(粉)尘排放.PM_(2.5)与地区生产总值、工业增加值、机动车保有量呈高度负相关,与工业烟(粉)尘排放量呈高度正相关.

基于空间计量模型的城市用地结构与空气质量关联性研究——以粤闽浙三省市县为例

文章以粤闽浙三省204个市县为例,利用探索性空间数据分析方法揭示空气质量指数(AQI)时空分布特征,应用空间计量模型探讨自然环境、社会经济和城市形态等因素对空气质量的影响。结果表明:(1)粤闽浙三省年空气质量指数在空间上呈现“北高南低”的特点,空气污染热点主要集中在浙江省北部、中部及东部沿海地区,空气质量较好的冷点主要在福建省东北部。(2)季节尺度上,AQI呈现“春冬高、夏秋低”的季节变化特征。(3)回归模型显示:城市用地结构越均衡越能显著改善空气质量;城市绿化覆盖率对空气质量改善作用不明显;城市化水平越高的市、县,空气质量越容易得到改善,且城市空气质量改善效应优于县城地区;第二产业生产总值占比、交通因子、建成区用地规模对空气质量产生消极影响;夏季高温将加剧空气污染;年最高温平均值、年降水总量、植被覆盖指数对空气质量有改善作用。

哈尔滨市冬季空气质量与天气要素的关系

本文以2020年哈尔滨市冬季空气质量指数及对应的天气要素为依据,采用相关分析和回归分析详细阐述了空气质量指数(AQI)的变化趋势及其与天气要素的关系。结果表明:哈尔滨市2020年冬季空气质量整体呈先下降再上升趋势,从月份角度来看,1月份空气污染最为严重,并且AQI分布较分散,整体起伏明显;2月与12月AQI大幅度下降,空气状况明显好转,且稳定性较高。从星期周期来看,哈尔滨市空气质量存在一定的周末效应,周六和周日的AQI相较于工作日明显升高。相关分析结果显示,平均相对湿度与AQI呈显著正相关,平均风速、平均气温与AQI呈显著负相关,气压与AQI无明显相关关系。由回归分析结果可以看出污染物和风速呈负相关,受气温、湿度和气压的影响较小。

2015—2022年成都市空气质量时空特征

基于2015—2022年成都市空气质量指数(air quality index,AQI)、大气污染物质量浓度的逐时数据,利用数理统计分析成都市空气质量及污染物质量浓度的时间变化特征,采用克里金插值法(Kriging)分析主要污染颗粒物PM_(2.5)和PM_(10)的空间分布特征,运用皮尔逊相关性分析探讨空气质量指数与污染物浓度之间的相关关系。结果表明:(1) 2015—2022年成都市空气质量以优良天气为主,AQI年均值为73,年际变化率为34%,呈逐年降低的趋势,AQI月变化波动幅度较大,月均值最大值出现在1月,为120,最小值出现在9月,为45。(2) PM_(2.5)、PM_(10)、SO_(2)、NO_(2)、CO年平均质量浓度逐渐下降,月平均质量浓度均呈“U”形变化趋势,月均最大值出现在12月或次年1月,O_(3)年平均质量浓度逐年波动上升,月平均质量浓度变化趋势呈双峰结构,最大值出现在5月和7月。(3)成都市首要污染物以PM_(2.5)和PM_(10)为主,年累计出现次数分别为1 285 d和522 d,冬季出现频率较高,冬季出现天数分别为598 d和73 d,分别占出现天数的46.5%和14%。NO_(2)出现天数为689 d,夏秋季频率高。以SO_(2)和CO为首要污染物的超标天数均为0。(4) AQI大致呈现出中部高、四周低的空间分布特点,污染物浓度的分布具有明显的空间差异。PM_(2.5)和O_(3)空间分布特征为从东北向西南逐渐增加,PM_(10)、CO、NO_(2)从中部向四周逐渐扩大,SO_(2)从北向南逐渐减少,在中部出现高值中心。(5)大气颗粒物污染以PM_(2.5)为主,AQI与PM_(2.5)、PM_(10)、NO_(2)、SO_(2)、CO均呈显著正相关,与O_(3)呈负相关。PM_(2.5)、PM_(10)对AQI影响作用较大。

天津市近五年空气质量变化特征及影响因素分析

近年大气污染问题已经成为了世界性的问题,天津市所处的特殊地理环境和其发达的商业贸易,以及天津市民对于良好的大气环境的追求,对天津市的大气环境污染的防治问题提出了新的挑战。本文基于GIS技术对天津市从2015年到2019年五年间天津市16个区空气质量的变化进行综合的评价。进一步选取PM2.5、PM10、SO2、NO2、CO、O3作为大气主要污染物研究因子运用多元线性回归分析法,单因素方差分析法,以及克里金插值法,分析污染物的时空变化趋势及空气质量的影响因素。对天津市的空气质量指数(AQI)进行综合评定和分析结果显示,天津市的大气污染的主要原因是汽车尾气、工厂的废气、工地扬尘等、尤其是汽车尾气的排放。本研究的结果为揭示天津市空气污染的主要原因及寻求大气污染治理办法提供了科学的依据。

基于Python的合肥芜湖蚌埠空气质量指数分析

以Python语言为基础,利用BeautifulSoup来进行数据抓取、pandas进行数据清洗,对合肥芜湖蚌埠AQI(Air Quality Index, 空气质量指数)显示和分析。通过调用pyecharts的Line、Grid、Pie类库类库显示空气质量指数(AQI)走势图、合芜蚌三个城市空气质量情况图和合肥空气污染物全年走势图。通过图例,做出分析,为合芜蚌创新发展和空气质量提供数据支持。

基于干预分析模型的西安市空气质量研究

随着社会发展,空气污染受到越来越多的学者关注。本论文以省会城市——西安市作为研究对象,分别建立无政策干预和有政策干预模型,通过真实值的均值91.083,有政策干预拟合值的均值94.909,无政策干预拟合值的均值99.751对比发现,政策的实施有一定的控制效果。说明西安实施的“蓝天计划”政策对西安市空气质量的干预有效,政策干预实施具有重要实际意义。

近8年合肥市空气质量与气象要素的相关性分析

基于近8年(2015-2022年)合肥市城市空气质量指数(AQI)日数据与气象要素数据,对AQI的分布特征与气象要素的相关性进行了研究。结果表明,2015-2022年合肥市环境空气质量指数冬季的平均值总体高于春、夏、秋三个季节,其散点分布随时间的变化逐渐趋于集中,重污染天气与极端污染天气出现频率逐年减少。其中空气质量指数(AQI)类别为良的天数占比最多为59.3%;空气质量指数类别为优和轻度污染的占比接近分布为16.1%和19.5%;中度污染和重度污染的天数占比最少,分别为3.6%和1.2%。经统计分析结果表明,近8年合肥市AQI与气温、气压2种气象要素均表现为强相关,AQI月平均曲线呈“U”型分布,AQI与气温的变化总体呈反相位,Pearson 相关性为-0.766,显著性(双尾)为0.004,表现为强负相关;与气压的变化总体呈正相位,Pearson 相关性为0.669,显著性(双尾)为0.017,表现为强正相关。

2022年泰州市姜堰区环境空气质量状况分析

2022年姜堰区空气质量综合指数为3.81,与2021年相比下降了0.3个百分点。二氧化硫、二氧化氮、可吸入颗粒物、细颗粒物、一氧化碳和臭氧各污染指数占比分别为3.4%、16.3%、19.9%、26.0%、6.6%和27.8%,首要污染物为臭氧。从综合污染指数来看,2022年姜堰区环境空气质量较2021年稍有好转,但首要污染物臭氧污染有所恶化。

基于小样本数据的空气质量指数适应性建模研究

空气质量指数具有数据波动大、样本数量相对较少、统计特征并非十分明显的特点。基于灰色建模理论,对传统的GM(1,1)模型建模过程进行改进,得到小样本数据的振荡序列新陈代谢GM(1,1)模型。该模型既能克服传统GM(1,1)建模过程数据不能实现更新的弊端,又能对原始数据进行针对性平滑处理,使处理后的数据更加符合GM(1,1)建模需求。实证得出,GM(1,1)模型、无偏GM(1,1)模型、新陈代谢GM(1,1)模型、振荡序列GM(1,1)模型的均方误差分别为:19.3494、14.2197、13.5573、11.0905。结果说明:当数据相对较少时,振荡序列GM(1,1)模型能有效提升空气质量指数预测精度,其方法是可行的。

石家庄市儿童呼吸系统疾病空气质量健康指数的构建

目的了解石家庄市大气污染对儿童呼吸系统疾病的影响,构建石家庄市儿童呼吸系统疾病发病风险空气质量健康指数(air quality health inedx,AQHI)。方法收集石家庄市2017—2021年环境空气污染物、气象及河北省儿童医院呼吸系统疾病门诊资料,采用广义相加模型定量分析各污染物和气象因素与儿童呼吸系统疾病发病风险的暴露—反应关系,根据超额就诊风险构建AQHI,并比较AQHI与空气质量指数(air quality index,AQI)对儿童呼吸系统疾病发病风险的影响。结果污染物PM_(2.5)、SO2和NO2质量浓度每升高10μg/m3,儿童呼吸系统疾病发病风险分别增加0.23%(95%CI:0.06%,0.41%)、2.10%(95%CI:0.95%,3.27%)和1.18%(95%CI:0.61%,1.75%);O3对儿童呼吸系统疾病发病风险的影响无统计学意义(P>0.05)。性别分层结果提示,PM_(2.5)对女童的影响更大,SO2、NO2均对男童的影响更大;年龄分层结果提示,SO2、NO2对7~14岁儿童的影响更大。综合分析后将PM_(2.5)、SO2、NO2纳入AQHI构建,经与AQI对比,AQHI能更好的描述儿童呼吸系统疾病就医行为。结论石家庄市PM_(2.5)、SO2、NO2均对儿童呼吸系统疾病发病风险有影响,所构建的石家庄市儿童呼吸系统疾病发病风险AQHI可较好地预测大气污染对儿童呼吸系统疾病的影响。

基于多维稀疏表示的空气质量指数数据补全

近年来,日益严重的空气污染正成为影响人们身体健康的危险因素之一。空气质量指数数据可以为政府提供大气环境变化的规律,也可以用于对大气污染的控制和管理。但该数据在采集的过程中不可避免地存在缺失,导致了对其进行数据挖掘的难度升高。为了更加充分地利用已经搜集到的数据,对缺失数据进行补全是非常必要的。然而,现有的补全方法往往在高缺失率情况下表现不佳。基于此提出将缺失矩阵补全问题转换为稀疏矩阵重构问题,并设计了一种基于多维稀疏表示的数据补全方法。该方法首先利用训练数据模拟各种随机缺失情况并用于过完备字典的学习,然后利用学习后字典的上半部分获得具有缺失值的矩阵的稀疏表示,最后将该稀疏表示与字典的下半部分相结合得到重构后的估计矩阵。实验结果表明,所提方法在多维时序空气质量指数数据补全问题上优于传统的矩阵补全方法,尤其是在数据缺失比较严重的情况下具有明显的优势。

基于IAO优化HKELM的空气质量指数预测

为了精准预测空气质量指数(AQI),本文提出一种基于改进天鹰优化器(IAO)混合核极限学习机(HKELM)的空气质量指数预测模型(IAO-HKELM)。首先,利用径向基核函数和多项式核函数构造混合核极限学习机模型;其次,针对天鹰优化器(AO)算法易陷入局部极值的问题,引入改进的Tent混沌初始化策略和自适应t分布策略;采用改进后的AO算法对HKELM模型的参数进行优化,并建立IAO-HKELM空气质量指数预测模型;最后,将预测模型应用于实际案例中,并与其他模型的预测结果及误差进行对比。结果表明,本文提出的预测模型精度更高、稳定性更强。

近20年荆州市归一化植被指数时空演变特征及其对空气质量的影响

定量评估植被时空变化与空气质量的关系有利于预测区域生态系统健康。文章基于MOD13A3 NDVI数据和空气质量数据,采用最大值合成、一元回归分析与相关性分析,探讨2000—2019年荆州市植被NDVI时空演变特征与空气质量的关系。结果表明:1)2000—2019年荆州市植被变化范围是0.431~0.474,以每年0.215%的变化率逐年增加,其中2000—2009年的NDVI增长趋势高于2010—2019年,较高植被覆盖度主要分布在中部和西部地区,东部地区以较低植被覆盖度为主,空间上呈现“西高东低”的分异特征。2)植被覆盖能有效调控城市空气质量,PM_(10)、NO_(2)与NDVI极显著负相关(P<0.01),PM_(2.5)、CO与NDVI显著负相关(P<0.05),显著性指数排名为PM_(10)(0.992)>NO_(2)(0.963)>PM_(2.5)(0.953)>CO(0.880)。因此,增加植被覆盖、构建完善城市绿网始终是城市生态环境建设的重要方向。

湖南省14个市级城市空气质量指数的分布特征及其与气象因素的关系研究

利用中国气象局气象数据统一接口端(天擎)提供的2019—2021年地面日值资料和湖南省环境气象一体化业务平台提供的空气质量数据,利用相关分析方法对湖南省14个地市的空气质量指数(AQI)进行了分析。结果表明:2019—2021年湖南省东部地市的AQI值普遍高于湖南省西部和南部地市。湘西州和张家界的AQI值基本最低,AQI高值区分布在长株潭一带。春季和夏季AQI值最低,冬季升到最高值,冬季过后AQI值又逐渐降低。湖南省14个地市的空气质量污染天数最多的是长沙,其空气质量在湖南省最差;空气质量污染天数最低的是湘西州,空气质量整体最好。与2019年相比,2020年和2021年的年均污染天数减少。相对湿度、降水量、平均水汽压、本站气压和风速与长沙市AQI密切相关,并通过99%显著性检验,除了气压呈正相关外,其他均呈负相关关系。