基于Prophet-LightGBM的PM2.5浓度预测模型

近年来,PM2.5污染问题日益突出,对人们的身体健康和环境质量造成了严重影响,建立准确的PM2.5浓度预测模型对于污染防治和空气质量管理具有重要意义。针对PM2.5时间序列的非线性、高噪声、不平稳特征提出一种将Prophet模型和LightGBM模型相结合的组合模型。为了验证模型的有效性,以兰州市PM2.5浓度数据为例,对比分析了Prophet-LightGBM模型和其他4种预测模型及其在不同季节下的预测效果。结果表明,Prophet-LightGBM模型相较于对比模型能够更准确地预测PM2.5浓度的变化趋势,RMSE值达6.557,MAE值达4.543,MAPE值达14.344%,在夏季和秋季的预测准确度和稳定性方面表现出更优异的性能,RMSE值最优时达3.155,MAE值达2.169,MAPE值达9.4%。

基于函数型数据模型的PM2.5浓度与温度关系的实证分析

考虑在函数型解释变量部分观测的情况下,用函数线性模型刻画与标量响应变量的关系.基于函数型主成分分析(Functional Principal Component Analysis,简称FPCA)实现了对缺失部分样本的重构,并通过实证分析,对一组北京市2010-2014年间统计的包括部分观测PM2.5数值的气象数据,分析了PM2.5作为部分观测函数型解释变量对标量响应变量平均气温的影响,结果表明了该方法具有处理缺失函数数据的现实意义.

成渝城市群PM_(2.5)影响因素的半变系数模型分析

随着西南地区成为我国经济高质量发展新高地,成渝城市群的可持续发展受到各界关注。利用半变系数面板数据模型,以成渝城市群为研究对象,探讨PM_(2.5)与气温、降水量、气压、平均风速、相对湿度之间的动态关系。首先,通过散点图和拟合回归曲线分析不同气象因素与PM_(2.5)之间的线性关系、非线性关系,以及气象因素间的相互作用。其次,将半参数固定效应估计量、半参数随机效应估计量与测试程序相结合,区分固定效应和随机效应。研究发现:不可观测的个体效应为固定效应;气温对PM_(2.5)具有负向线性影响;气压、平均风速、降水量和相对湿度对PM_(2.5)具有复杂的非线性影响;气压分别与平均风速、降水量和相对湿度共同作用于PM_(2.5)。建议成渝城市群充分利用地理区位特征植树造林,调整能源结构,进行人工降雨,运用科技手段治理PM_(2.5),以此减少空气污染。

基于随机森林模型的四川气象对PM2.5影响研究

为探究不同气象因子对PM2.5浓度变化的影响效应,使用2018—2021年四川盆地18个城市的PM2.5监测数据以及同期盆地内四个典型城市(成都、达州、南充和攀枝花)的气象数据资料。在分析四川盆地PM2.5浓度时空变化分布的基础上,进一步采用随机森林模型对上述四市的PM2.5浓度与不同气象因子的关联及重要性进行评估,筛选出与PM2.5浓度变化密切相关的气象因子,继而构建出基于不同气象因子的PM2.5浓度预报模型,并对其预报效果进行检验。结果表明:①整体而言,2018—2020年四川盆地PM2.5浓度显著降低,2021年略有回升;就空间分布而言,高值区主要集中在宜宾、乐山、眉山、成都、德阳等四川盆地西南一带,这些地区PM-32.5浓度高达32μg·m。②气象影响因子中最低气温、降水量和平均风速三个因子对PM2.5浓度的变化起主导作用,而边界层厚度和对流有效位能对PM2.5浓度变化的影响效应相对较弱。③PM2.5浓度在30~70μg·m-3范围内,随机森林模型的预测值能很好地反映真实值有较好的预测能力和稳定性。

基于多元线性回归模型的GF-1 PMS多光谱影像重构方法

目的:多元线性回归模型在保持输入自变量光谱信息和空间特征的同时,通过线性变换获取自变量和因变量的光谱拟合关系,对原输入自变量的光谱信息进行优化,从而获得高空间分辨率和丰富光谱信息的重构数据。方法:利用同期获取的OLI(Operational Land Imager)和PMS(Panchromatic and Multispectral Scanner)多光谱遥感影像,根据最小二乘法构建多元线性回归模型,重构生成具有丰富光谱特征和空间特征的遥感影像,从主客观两个方面评价重构影像的质量。结果:在目视解译(主观)方面,重构影像在一定程度上保留了原OLI影像的光谱特性,提升了原PMS影像的清晰度和分辨性;在量化角度(客观)方面,重构影像的信息量和平均梯度比原OLI对应波段影像的信息量(在部分波段上)和平均梯度要低,但比原PMS影像的信息量和平均梯度要高,可见重构影像的质量介于原PMS影像和OLI影像的质量之间。结论:以青海省门源回族自治县的耕地内不同作物为实例对象,利用最大似然法获取门源县青稞和油菜的空间分布,研究区实测数据验证表明,重构影像对耕地内部青稞与油菜的提取精度高于原PMS和OLI多光谱影像的提取精度。

基于PMF模型的北京市PM_(2.5)来源的时空分布特征

2012年8月至2013年7月,对北京市定陵、车公庄、东四、石景山、通州、房山、亦庄和榆垡等8个站点的大气细颗粒物PM2.5进行了12个月次的同步采样观测,并测定了其中元素碳、有机碳、水溶性离子和无机元素的浓度水平.利用PMF模型对PM2.5的来源进行解析.结果表明,北京市PM2.5的主要来源为二次源、燃煤、地面扬尘、机动车排放、工业源和建筑尘等,年均贡献率分别为42%、19%、19%、10%、6%和4%.PM2.5的来源具有显著的季节变化,春季大风天气频繁、地面扬尘源为主要来源,而夏、秋、冬季均以二次源为主,尤其是夏季二次源贡献达56%,冬季燃煤源对PM2.5的贡献显著提升为25%.污染源贡献也存在一定空间差异,冬春季燃煤源对郊区点的贡献显著高于城区点,而二次污染源具有区域性污染特征.在区域性积累型重污染日,二次源对PM2.5的贡献均占主要地位,对气态前体物NOx、SO2和VOCs等的控制对PM2.5的减少至关重要.

基于ARMAX的PM_(2.5)小时浓度跟踪预测模型

针对目前缺乏小时尺度上PM_(2.5)浓度统计预测模型以及已有模型预测精度对训练数据的依赖问题,利用天津市环保物联网监测到的污染物及气象数据,建立了PM_(2.5)小时浓度预测的多元时间序列模型(ARMAX),并提出一种模型在线自适应改进方法:设定模型评价指标并实时监测,当模型预测精度超标时对模型进行在线更新.将改进后的模型应用于天津市的9个监测站点,用2013—2014年的监测数据对模型进行验证.结果表明:模型均方根误差RMSE<20,μg,平均绝对误差MAE<20,μg,拟合优度R2>0.9,能够在小时尺度下有效地预测PM_(2.5)浓度,可以为突发性PM_(2.5)污染事件的应急处理提供决策支持.

郑州市PM_(2.5)浓度时空分布特征及预测模型研究

利用统计学原理和GIS技术,对郑州市2013年8月17—12月31日期间PM2.5浓度时空分布特征进行分析,同时结合气象资料与前一日污染数据,建立人工神经网络反向传播算法模型(BP-ANN)和多元线性回归模型用于该市细颗粒物污染的短期预测。结果表明,郑州市PM2.5浓度日变化呈单峰模式,随逆温现象的发生和交通的密集于上午11:00达到峰值,午后逐步下降。在工作日、周末与国庆节的对比中,国庆节期间颗粒物污染浓度高出平日32.8%,表明人为活动的加剧影响PM2.5的排放;周末与工作日期间无显著差异。在空间分布上,金水区、管城回族区污染最为严重,工业燃煤、地铁施工等源排放是造成污染的主要原因;位于远郊的岗里水库,受秸秆焚烧和市区污染输送等影响,PM2.5浓度亦维持较高水平。最后,研究将所构建的BP-ANN预测模型和多元线性回归模型对比,结果发现两模型在建模阶段预测值与真实值的拟合一致性指标分别为0.944、0.918,均方根误差分别为59.788、70.611;验证阶段拟合一致性指标分别为0.854、0.794,平均绝对误差分别为25.298、32.775,表明BP-ANN模型在预测郑州市PM2.5污染过程中更具优势。

基于ARIMA模型的PM_(2.5)预测

PM2.5的精确预测是大气污染评价和治理的关键性工作。本文针对PM2.5浓度变化的时间序列分布特征,结合环境监测站提供的相关数据,应用自回归移动平均模型(ARIMA(p,d,q))预测短期PM2.5的日平均浓度。结果表明:由于PM2.5浓度变化受气象场、排放源、复杂下垫面、理化生过程的耦合等多种因素的影响,不同时段内的变化模式存在巨大差异,因此采用分时段序列预测模型可以提高PM2.5的预测精度;通过将分时段序列模型与灰色GM(1,1)模型和全年时间序列模型的预测结果进行对比,发现该模型预测效果更好。

应用UNMIX模型解析长春市大气中PM_(10)来源

大气中可吸入颗粒物（PM10）是影响大气能见度、气候变化以及人体健康的重要污染物,研究大气中PM10的污染来源对于了解城市中大气的污染状况和制定大气污染物防治措施具有重要的意义。选择长春市的净月公园、劳动公园、君子兰公园、体育学院、儿童公园、客车医院、工商学院和邮电学院作为受体采样点,于2011年9月至2012年2月期间,采用KC-120型中流量PM10/TSP采样器（青岛崂山应用研究所）进行大气中可吸入颗粒物PM10的采样,共采集40个受体样品。样品经预处理后,采用电感耦合等离子体质谱法分析了样品中的Be、V、Cr、Mn、Co、Ni、Cu、Zn、Mo、Ag、Cd、Sb、Ba、Tl、Pb、Na、Mg、K、Ca共19种无机元素,将经过标准化后的760个数据代入EPA UNMIX6.0软件对长春市大气中PM10进行源解析研究,其中,Min Rsq=0.89（89%的数据方差可由该模型解释）,Min Sig/Noise=2.50。结果表明：长春市大气中的PM10主要有3个来源：源1为燃煤尘或工业扬尘,贡献率为19.5%;源2为机动车尾气或土壤风沙尘,贡献率为13.1%,源3为城市综合扬尘和其他未知尘源,贡献率为67.4%。对这3个源进行相关性分析,3个源间的相关系数并不是理论值0,而是在-0.553~0.345间变化;源1和源3间相关性最大,相关系数为0.553;其次是源1与源2,为0.345。由此说明,长春市的PM10污染是多种因素综合作用的结果。将UNMIX模型的解析值与测量值进行回归分析,发现总物种的解析值与测量值间具有良好的线性正相关关系（r2=0.98）,每个物种的解析值与测量值间的相关系数为0.713~0.980,相关性强,二者拟合效果较好。

基于COPERT Ⅳ模型的机动车PM_(2.5)排放来源特征分析

以广东省佛山市为研究范围,主要采用COPERTⅣ模型研究了重点车型排气管与非排气管排放的PM2.5特征及其影响因素,并分析了佛山2012年机动车排放PM2.5的排放来源。分析表明:非排气管排放PM2.5随车重增加而增加,随车速提升而降低;排气管排放PM2.5随车速和排放标准的提升而降低;随着排放标准的提升,排气管和非排气管排放差异越来越小;2012年佛山市机动车非排气管排放的PM2.5占机动车PM2.5总排放的28.9%,且随着未来黄标车淘汰等机动车污染控制措施的执行,非排气管PM2.5排放将成为大气环境控制污染治理的内容之一。

上海市PM(10)浓度四季遥感模型研究

通过分析2001—2012年上海市PM_(10)浓度(由API(Air Pollution Index)转化得到)的变化规律,构建了上海市PM_(10)浓度的遥感反演模型。结果表明:1)上海市PM_(10)浓度存在季节性变化,应分别建立遥感反演模型。2)分析MODIS气溶胶光学厚度(Aerosol Optical Depth,AOD)产品与PM_(10)浓度之间的相关性发现,AOD须经过垂直和湿度订正才可与PM_(10)建立较好的关系。3)结合垂直和湿度订正分别建立的上海市PM_(10)浓度春夏秋冬四季的遥感反演模型均通过了拟合度检验,其中春季模型采用指数函数、夏季和秋季模型采用二次多项式函数、冬季采用幂函数、全年采用二次多项式函数,利用此四季模型反演上海市PM_(10)浓度具有较高的可信度。

大鼠慢性支气管炎模型在颗粒物PM_(2.5)毒性研究中的应用

目的研究颗粒物PM2.5对慢性支气管炎大鼠与正常大鼠的急性毒效应,以及这种毒效应在模型组和正常组之间的差异。方法采用气管滴注的方法,对慢性支气管炎模型组和正常组连续染毒3天,在最后一次染毒24小时后处死动物,分析肺灌洗液中白蛋白(ALB)、乳酸脱氢酶(LDH)、碱性磷酸酶(AKP)、丙二醛(MDA)和谷胱甘肽(GSH)的含量。结果颗粒物PM2.5对模型组和正常组动物均产生急性毒作用,且存在剂量反应关系;模型组肺灌洗液中ALB、LDH、AKP和MDA四项指标在高剂量组均明显高于正常组(P<0.05),而GSH低于正常组(P<0.05)。结论颗粒物PM2.5可以导致大鼠急性肺损伤,并且慢性支气管炎模型组比正常组对颗粒物PM更加易感。

基于后向轨迹模型的成都市典型灰霾期间PM_(2.5)演化的自组织分析

研究了成都市2013年11月29日—12月8日一次重度灰霾期间,草堂寺、金泉两河、梁家巷、十里店4个监测站点PM2.5小时平均质量浓度序列的时间演化规律。首先应用后向轨迹模型对抵达成都市的大气气团进行模拟,结果表明,灰霾期间本地气团(<100 km)对成都市PM2.5污染物的贡献率远超过中远距离的外来气团(>100km)。进一步应用频度统计分析方法和消除趋势波动分析法对灰霾期间PM2.5的质量浓度序列进行了统计分析,发现PM2.5的质量浓度波动在时空上具有标度不变的幂律统计分布和长期持续性特征。最后基于自组织临界理论,探讨了成都市大气在本地气团控制下PM2.5演化的内在动力机制。结果表明,成都市大气PM2.5演化系统的自组织临界性是此次灰霾期间PM2.5浓度演化的内在动力机制。

基于建筑外窗缝隙通风的室外PM_(2.5)渗透与沉降特性评价模型

室外PM_(2.5)可以通过建筑外窗缝隙通风进入室内,对室内环境造成污染.穿透系数、沉积率和通风换气次数是评价受室外细颗粒物渗入影响室内人群细颗粒物暴露量的重要参数.目前这些参数大多通过实验室实测或理论推导方法获得.本文结合质量守恒定律、数理统计方法和控制变量法,提出了一种基于大量室内外PM_(2.5)质量浓度实时监测数据的穿透系数P、沉积率k和缝隙通风换气次数a推算模型,该模型的求解结果具有一般性;依据所提方法推算得到了2个实测办公建筑的穿透系数P和沉降率k分别为0.97和0.12、0.97和0.24.研究结果为建筑外窗缝隙渗透特性、室外PM_(2.5)对室内环境影响预测、以及室内人员PM_(2.5)暴露量定量分析提供了新的方法参考.

基于WRF模型与气溶胶光学厚度的PM_(2.5)近地面浓度卫星反演

为了反演高分辨率的PM_(2.5)近地面浓度,利用WRF(中尺度气象模型)模拟的大气相对湿度、风速、边界层高度等气象因子对AOD(气溶胶光学厚度)分别进行订正,以逐步提高AOD与近地面ρ(PM_(2.5))间的相关性;分析不同反演模型的统计学特征,优选反演模型,并利用最优模型反演中国中东部地区2014年年均ρ(PM_(2.5))的空间分布特征.结果表明:AOD经相对湿度订正后,其与近地面ρ(PM_(2.5))的相关性显著提高,相关系数达到0.77;同时引入相对湿度、风速2个气象因子,AOD与近地面ρ(PM_(2.5))的相关系数升至0.79(n=145,P<0.01);同时引入相对湿度、风速和边界层高度3个气象因子,AOD与近地面ρ(PM_(2.5))的相关系数进一步升至0.80(n=145,P<0.01).模型反演表明,研究区域内ρ(PM_(2.5))年均值大于35μg/m3的面积高达334.49×104km2,占研究区域面积的83.2%,并且高污染地区与人口密度高度重合.分析表明,北京、天津、河北、山东及河南等典型重污染省、直辖市分别有96.30%、100%、78.16%、98.86%、100%面积的ρ(PM_(2.5))超标,分别约有99.97%、100%、96.41%、98.88%、100%人口生活在空气质量超标地区.

台州市市区环境空气中PM2.5的多模型联用来源解析

为对台州市市区环境空气中PM 2.5的主要来源进行全面分析,运用CMAQ(空气质量模型)模型中的ISAM源追踪算法,计算了台州市本地各类污染源及外来源对PM 2.5的贡献,同时基于CMB模型的初步源解析结果,利用CMAQ模型解析二次前体物排放源的贡献,得到CMB-CMAQ联用模型的源解析结果,综合分析CMAQ模型和CMB-CMAQ联用模型解析结果最终获得台州市市区空气中PM2.5的贡献源数据.结果表明:①CMAQ模型和CMB-CMAQ联用模型解析结果均表明,台州市市区PM 2.5本地源中首要贡献源为工业源,两个模型中工业源贡献率分别为20.13%和26.94%,其次为扬尘源(贡献率分别为16.98%、19.37%)和道路移动源(贡献率分别为16.44%、18.14%).②CMB-CMAQ联用模型解析结果中工业源、扬尘源和道路移动源的贡献率均高于CMAQ模型解析结果,而外来源和电力源的贡献率均低于CMAQ模型解析结果.③CMAQ模型和CMB-CMAQ联用模型综合分析分配结果表明,外来源、工业源、扬尘源、道路移动源是对区域中PM 2.5贡献较大的4个污染源,贡献率分别为26.10%、22.38%、16.09%、15.07%.研究显示,台州市市区环境空气中PM 2.5污染呈以工业源、扬尘源为主,道路移动源污染突出的复合型污染特征,加强这三类源的排放管理对于台州市市区PM 2.5污染防治具有重要意义.

大气PM_(2.5)源解析“源清单化学质量平衡法(I-CMB)”模型的建立与应用

针对受体模型对大气PM2.5中二次无机、有机气溶胶不能给出有效源贡献的问题,建立了一种基于污染源清单的化学质量平衡(Inventory-Chemical Mass Balance,I-CMB)颗粒物源解析受体模型,代入北京市近年的污染物排放数据进行了解析应用。结果表明,燃煤是北京大气PM2.5的最大来源(占比约28.06%),其余依次为机动车(19.73%)、扬尘(17.88%)、工业(16.50%)、餐饮(3.43%)、植物(3.40%)。相比于传统的化学质量平衡法(Chemical Mass Balance,CMB),I-CMB的源解析过程对源成分谱的要求较低、抗干扰性更强,计算结果均衡、详尽,比较适合我国当前大气PM2.5控制的需求。

利用人体肺部PM浓度模型定量评估广州市夏、冬季抽样人群PM_(2.5)的暴露

为了定量评价细粒子PM2.5的人体肺部暴露水平,首先,对暴露、暴露量、剂量、暴露评价等多个概念进行了明确界定,在此基础上,重点引入国际辐射防护委员会(ICRP)的人体肺部PM浓度模型对人体肺部PM2.5的浓度进行了模拟,定量化研究了广州市抽样人群PM2.5的作用剂量,作用剂量直接反映了进入人体肺部污染物的量.结果表明,广州市抽样人群平均PM2.5的作用剂量在肺部咽喉以外部分(ET)、支气管部分(BB)、肺泡空隙区(AI)分别为576.8￣975.9μg·d-1、357.5￣619.8μg·d-1、154.4￣290.1μg·d-1.

基于基因表达式编程的PM_(2.5)浓度预测模型研究

鉴于PM2.5浓度影响因素的复杂性,以及传统预测方法中存在的困难和不足,文中运用基因表达式编程算法,利用北京市2013年3月至4月的PM2.5日平均浓度值以及同步日平均污染物和气象数据,建立了PM2.5浓度预测模型.通过与灰色理论预测模型、BP神经网络预测模型的对比实验分析,发现基于基因表达式编程的预测模型所得到的预测值与实际值之间的误差最小,更能准确地反映样本数据之间的映射关系,预测精度明显高于其他2种预测模型.