期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
北京地区PM_(2.5)浓度影响因素及估算模型 被引量:7
1
作者 谷阳阳 苏贵金 +4 位作者 柴涛 高丽荣 刘雅露 李倩倩 魏大 《环境化学》 CAS CSCD 北大核心 2018年第3期397-409,共13页
为研究PM_(2.5)与大气污染物浓度之间的关系以及气象条件对PM_(2.5)浓度的影响,本文运用数学统计方法,对北京顺义区2016年1月—12月PM_(2.5)及大气污染物和气象要素的数据资料进行分析并建立了北京顺义区PM_(2.5)浓度的估算模型.双变量... 为研究PM_(2.5)与大气污染物浓度之间的关系以及气象条件对PM_(2.5)浓度的影响,本文运用数学统计方法,对北京顺义区2016年1月—12月PM_(2.5)及大气污染物和气象要素的数据资料进行分析并建立了北京顺义区PM_(2.5)浓度的估算模型.双变量相关性分析的结果表明,PM_(2.5)浓度与PM_(10)、SO_2、NO_2、O_3以及CO等大气污染物浓度与温度、湿度、压强和风速风向等气象条件间呈现强的相关性.建立了PM_(2.5)与单因素拟合模型,其中PM_(10)、NO_2和CO与PM_(2.5)浓度拟合模型的R^2均大于0.6.识别了对PM_(2.5)浓度有显著影响的二阶、三阶交互作用的因素交叉项.综合考虑单个影响因素与影响因素间交互作用的对PM_(2.5)浓度的影响,采用因子分析方法并对提取的主成分进行回归分析,建立了拟合度R^2为0.887的PM_(2.5)浓度估算模型. 展开更多
关键词 pm2.5浓度模型 影响因素 因子分析 大气污染物 气象条件 北京
下载PDF
基于改进粒子群优化BP_Adaboost神经网络的PM_(2.5)浓度预测 被引量:14
2
作者 李晓理 梅建想 张山 《大连理工大学学报》 EI CAS CSCD 北大核心 2018年第3期316-323,共8页
为了提高大气污染物浓度预测精度,采用灰色关联分析选取影响大气中PM_(2.5)浓度的主要因子,并以此作为神经网络输入变量,建立一种基于BP_Adaboost神经网络的PM_(2.5)浓度预测模型.用改进粒子群算法来选择BP_Adaboost神经网络权重和阈值... 为了提高大气污染物浓度预测精度,采用灰色关联分析选取影响大气中PM_(2.5)浓度的主要因子,并以此作为神经网络输入变量,建立一种基于BP_Adaboost神经网络的PM_(2.5)浓度预测模型.用改进粒子群算法来选择BP_Adaboost神经网络权重和阈值,可以有效避免神经网络在训练时陷入局部最优解.根据北京市海淀区万柳监测站和朝阳区北京工业大学监测点每小时监测的大气污染物浓度和气象条件,分别选择2014-11-01~2014-11-25和2017-07-07~2017-08-06数据作为实验研究对象.仿真结果表明,在PM_(2.5)浓度预测中,相比于BP_Adaboost、BP和广义回归神经网络3种预测模型,改进粒子群优化BP_Adaboost神经网络预测性能更优. 展开更多
关键词 灰色关联分析 BP_Adaboost神经网络 pm2.5浓度预测模型 改进粒子群算法
下载PDF
基于MAIAC AOD数据构建上海市PM2.5时空分布模型
3
作者 朱清扬 戴海夏 +1 位作者 刘阳 张蕴晖 《上海环境科学》 CAS 2019年第3期108-114,共7页
卫星技术的不断发展成熟使构建高分辨率的PM2.5浓度预测模型成为可能。为解决卫星数据的非随机性缺失会显著降低PM2.5浓度预测模型准确性的问题,运用多重填补法对MAIAC1km分辨率气溶胶光学厚度数据的缺失值实现补缺,其平均决定系数达0.7... 卫星技术的不断发展成熟使构建高分辨率的PM2.5浓度预测模型成为可能。为解决卫星数据的非随机性缺失会显著降低PM2.5浓度预测模型准确性的问题,运用多重填补法对MAIAC1km分辨率气溶胶光学厚度数据的缺失值实现补缺,其平均决定系数达0.75。在此基础上,运用随机森林模型构建上海市2017-2018年的PM2.5浓度分布预测模型,其决定系数达0.96。结果表明,上海市PM2.5分布整体呈现东低西高,沿海低内陆高的趋势,且2018年上海市PM2.5浓度整体低于2017年。气溶胶光学厚度数据是PM2.5预测模型中最重要的自变量。 展开更多
关键词 pm2.5浓度预测模型 随机森林回归模型 气溶胶光学厚度 多重填补 上海
下载PDF
Projection of PM_(2.5) and Ozone Concentration Changes over the Jing-Jin-Ji Region in China 被引量:2
4
作者 WU Jie XU Ying ZHANG Bing 《Atmospheric and Oceanic Science Letters》 CSCD 2015年第3期143-146,共4页
Based on GISS-E2-R model simulations, the changes in PM2.5 and ozone concentrations during 2016– 35 are analyzed over the Jing-Jin-Ji region under different future emissions scenarios: 2.6, 4.5, 6.0, 8.5 Representati... Based on GISS-E2-R model simulations, the changes in PM2.5 and ozone concentrations during 2016– 35 are analyzed over the Jing-Jin-Ji region under different future emissions scenarios: 2.6, 4.5, 6.0, 8.5 Representative Concentration Pathways scenarios(RCP2.6, RCP4.5, RCP6.0, and RCP8.5), compared to the baseline periods of 1851–70(pre-industrial) and 1986–2005(present day). The results show that PM2.5 increases under all emissions scenarios, with the maximum value occurring in the southeastern part of the region under most scenarios. As for ozone, its concentration is projected to increase during 2016–35 under all emissions scenarios, compared to the baseline periods. The temporal evolutions of PM2.5 and ozone show PM2.5 reaching a peak during 2020–40, while ozone will likely increase steadily in the future. 展开更多
关键词 pm2.5 OZONE GISS-E2-R Jing-Jin-Ji region RCP scenarios
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部