重雾霾污染气象条件下颗粒物长距离输送轨迹分类算法研究

提出基于重雾霾污染气象条件的颗粒物长距离输送轨迹分类算法,通过污染等级及所含化学剖析,发现不同污染程度下颗粒物构成成分及其浓度均有所偏差,根据最小方差法设置颗粒物长距离输送轨迹,利用簇合并法使各轨迹与平均轨迹对应点间距平方和所构成的总空间方差增幅为最小值,直到所有簇分类结束;在实际操作中要结合拉格朗日混合单粒子轨迹模式与TrajStat软件,分析输送向后轨迹、潜在源区与浓度权值轨迹,采用角度距离公式求得精准的轨迹走向,再根据颗粒物经过栅格的轨迹数量与总数量的比值,判定污染潜在来源区域,通过轨迹浓度权值计算,得到不同轨迹及其潜在源区域的污染程度,最终实现颗粒物长距离输送轨迹分类。

基于深度时间序列特征融合的西安市2015—2020年供暖季雾霾重污染过程预警

为准确预测雾霾重污染演变过程,本文提出深度时间序列特征融合模型(long short-term memory and multivariate linear regression,LSTM-MLR)并对西安市PM浓度进行了临近预测。该模型利用不同超参数长短期记忆网络(long short-term memory,LSTM)提取PM前体和气象因素时间序列中的深度特征;采用多元线性回归(multivariate linear regression,MLR)形式融合LSTM单元输出的深度时间序列特征,最终输出PM浓度预测值。为评估模型性能,采用西安市2015年1月至2020年3月采暖季数据进行建模并计算未来3h、6h、12h、24h的PM浓度预测精度。结果表明:LSTM-MLR模型对雾霾严重污染样本的准确预测率分别为94.12%、85.29%、77.57%和51.10%,显著高于随机森林(random forest,RF)、支持向量回归(support vector regression,SVR)、MLR、单变量LSTM(LSTM_PM)、多变量LSTM(M_LSTM)和LSTM-RF(long short-term memory and random forest);融合系数显示当前PM浓度对未来PM浓度的影响随预测步长的增加从80.89%(t+3)急剧降低至16.34%(t+24),前体浓度影响力从5.23%(t+3)上升至29.43%(t+24),说明提前控制前体物排放强度对雾霾重污染事件消峰降速效果具有显著影响。