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。

基于多元线性回归模型的赣州市PM_(2.5)质量浓度模拟

以土地利用变化为切入点,基于赣州市空气监测站的PM_(2.5)质量浓度数据和土地利用数据、道路数据、人口数据、气象因子数据,分析各因素与PM_(2.5)质量浓度的相关关系,筛选合适的数据,建立基于多元线性回归方法的土地利用回归(Land Use Regression,LUR)模型来模拟PM_(2.5)的空间分布。研究结果表明,基于多元线性回归的LUR模型将森林和主要道路、边界层高度、风速作为建模变量,模型的调整R2(决定系数)为0.855,RMSE(均方根误差)为0.635,在拟合度和准确度方面都表现良好。

基于GIS和LUR模型的西安市PM_(2.5)浓度空间分布模拟研究

基于地理信息系统GIS和土地利用回归LUR模型,模拟西安市PM_(2.5)浓度空间动态分布,结果表明:与PM_(2.5)浓度相关性最高的分别为缓冲区为2 km的水域面积、人口密度和距离水域距离,R2分别为0.501,0.393和0.280;与PM_(2.5)浓度相关性最低的分别为缓冲区为4 km的水域面积、未利用地面积和耕地面积,R^2分别为0.039、0.021和0.017。未考虑风速建立的LUR模型多元回归的相关系数为0.856,R2为0.733,考虑风速的相关系数为0.892,R^2为0.796,表明风速对于污染物的分布影响较大,LUR模型模拟效果较好。模拟的PM_(2.5)年均浓度高风险区分布于中部,中风险区分布于中西部,低风险区分布于东南部和西部。

景观防护林带PM2.5与环境因子的关系研究

以长江沿岸的典型景观防护林为研究对象,选取榔榆、乌桕、落羽杉和薄壳山核桃4种纯林类型的景观防护林,于2023年监测PM2.5、风速、风向、光照度、空气湿度、空气温度、气压、土壤温度和土壤湿度的季度变化。发现乌桕防护林带PM2.5质量浓度变化幅度较大,夏季明显低于冬季,而其他3个防护林带PM2.5质量浓度季节变化幅度不大。通过相关性分析发现PM2.5与多个环境因子有相关性,尤其是乌桕防护林带。为了探究各环境因子对PM2.5的影响,该研究引入随机森林模型,结果表明在长江沿岸的典型景观防护林中空气湿度是影响PM2.5质量浓度的主要环境因子。该研究结果为未来建构科学合理的防护林体系提供了理论依据。

LUR模型模拟的南昌市PM_(2.5)浓度与土地利用类型的关系

城市土地利用对城市大气污染具有重要影响,探究两者间的关系对于促进城市大气污染治理、保障人体健康具有重要意义。该研究首先利用土地利用回归(land use regression,LUR)模型模拟南昌市中心城区PM_(2.5)浓度空间分布。其次,根据土地利用主导方式的不同,在南昌市中心城区选择商业区、工业区、居住区、教育区和对照区各5个,作为样本功能区,分春、夏、秋、冬四季统计各样本功能区PM_(2.5)浓度,运用方差分析与多重比较法定量研究不同类型功能区四季PM_(2.5)浓度差异。研究结果表明:1)四季LUR模型调整R2分别为0.713、0.741、0.898、0.964,检验样本平均绝对误差率为12.03%,说明构建的四季LUR模型拟合情况好,可以有效地对监测点以外区域PM_(2.5)浓度进行估计;2)功能区类型对PM_(2.5)浓度影响显著,城市土地利用方式显著影响PM_(2.5)浓度,且这种影响与季节无关;3)各类功能区之间PM_(2.5)浓度差异显著水平不一致,工业区与商业区、居住区与教育区均无显著差异,工业区、商业区均与教育区和居住区有显著差异,对照区与其他4类功能区均有显著差异。该研究探索了城市土地利用与大气污染耦合的新思路,研究结果为优化城市土地利用,缓解大气污染提供参考。

基于WT-BiLSTM-ARMA模型的PM2.5浓度预测研究

针对PM2.5浓度预测问题,提出一种基于小波变换的模型。在北京市六个大气污染监测站测得的PM2.5浓度数据上,运用小波分解算法对原始数据序列进行特征提取,使用BiLSTM对高频序列进行预测,同时使用ARMA对低频序列进行预测,最后将各个子序列的预测值进行小波重构得到最终预测结果。实验结果表明,相较于传统单一模型和组合模型,该模型的性能和预测精度均有提高。

基于优化组合模型的PM2.5浓度预测

为精确预测出具有非线性、非平稳的PM2.5时序数据,提出基于PSO-VMD-LSTM的组合模型。融合机器学习优化算法和深度学习技术,其中利用以包络熵为适应度函数的PSO机器学习算法对VMD分解过程中的惩罚因子和模态个数进行迭代寻优,基于分解处理后的数据进行LSTM深度学习模型预测。构建两种经典分解组合模型作为对照,结果表明,在相同迭代次数情况下,时序分解处理后的LSTM预测比未分解时的预测精度和效果都有明显改善;与经典分解组合模型相比,该模型在准确度和评估指标上均取得最佳预测效果,在PM2.5浓度预测上具有一定普适性。

基于XGBoost和LSTM组合模型的PM2.5浓度预测

提出了一种基于XGBoost和LSTM的组合模型,用于预测短期3小时PM2.5浓度。XGBoost是一种高效的梯度提升决策树算法,能够自动学习数据中隐藏的特征表示;LSTM是一种深度学习模型,能够捕捉时间序列数据中的长短期依赖关系。首先利用XGBoost在已有特征的基础上构建预测模型,并将预测得到的结果作为新特征加入原始特征中;然后利用LSTM在增强后的特征上建立最终的预测模型。以美国驻中国北京大使馆地区为例进行实证分析,结果表明,组合模型在MAE、RMSE评价指标上均优于LSTM单一模型,证明了其有效性和稳定性。

利用LUR模型模拟浙江省PM_(2.5)质量浓度空间分布

传统的站点监测方法虽然能够较精准地检测当地的PM2.5质量浓度,却无法实现较大范围内PM2.5质量浓度的空间分布监测。本研究提取包括气象、土地利用、地形及其他共20个影响PM2.5浓度的因子,利用土地利用回归模型(Land Use Regression,LUR)对浙江省近地表PM2.5质量浓度空间分布进行了预测。结果表明:基于31个站点预测整个浙江省PM2.5质量浓度时,运用地理加权(GWR)方法建立拟合方程的R2平均值(0.69)和R2Adjusted平均值(0.53)都优于运用普通最小二乘法(OLS)建立拟合方程的R2平均值(0.53)和R2Adjusted平均值(0.41),但是两者的AIC指数却没有明显差异。基于10个站点预测杭州地区的PM2.5质量浓度时,运用GWR方法建立拟合方程的R2值和R2Adjusted值都优于运用OLS方法,且GWR的AIC值变化趋势(均值-182.4)明显低于OLS值变化趋势(均值74.8)。结论表明,应用LUR模型模拟大尺度区域的近地表PM2.5浓度是有效的。基于GWR的预测方法优于OLS的预测方法。本文提供的方法对进一步研究PM2.5估测模型具有一定的参考价值。

基于LUR模型的大气PM2.5浓度分布模拟与人口暴露研究——以湖北省为例

大气细颗粒物是严重危害人体健康的主要污染物之一.该文以湖北省为例,采用LUR(土地利用回归)模型对各监测站点的PM-浓度进行空间化模拟,并考察污染暴露强度的空间分异特征,为PM2.5污染分区防控提供参考依据.结果表明:1)湖北省各站点PMz,5浓度差异较大,平均浓度高于环境空气质量二级标准,浓度大小受到站点风速、气温、海拔与3km缓冲区内绿地面积等因子的显著影响.风速升高会加重污染,后3个因子增加则有利于降低污染.2)基于LUR模型的空间化结果显示,PM,.5浓度在省域尺度上呈现出明显的“中部髙、东部低、西部最低”的梯度差序特征,其中武汉城市圈、江汉平原与襄阳部分地区污染较重,鄂西地区普遍较低.3)构建顾及人口分布疏密的PM2.5暴露强度指数,发现PM?“暴露强度与人口密度大小存在校高的空间相关性.全省超过90%的人口和面积处于中等及以下暴露强度,总体健康风险较低.暴露高值区相对分散,主要集中在以武汉城市圈为核心的中东部地区.

基于多元回归模型的北京市PM_(2.5)影响因素研究

近年来,“雾霾天气”愈发频繁,严重影响着人们的身心健康,而造成“雾霾天气”的“罪魁祸首”就是空气中的细颗粒物PM_(2.5)。本文基于北京市2020年全年的空气污染物因素、气象因素的每3小时的数据,建立关于PM_(2.5)浓度的多元回归模型,利用相关性分析、逐步回归的方法选择变量,加权最小二乘法估计模型参数。结果表明,空气中PM10、SO_(2)、CO、PM_(2.5)_p(前一个观测时间的PM_(2.5)浓度)浓度对PM_(2.5)有正的影响,NO_(2)对PM_(2.5)的影响主要通过与温度、气压的交互作用体现出来。温度降低、空气湿度大、风速小,则不利于污染物的扩散,导致空气中PM_(2.5)浓度升高。

PM_(2.5)土地利用回归模型地理要素的选取

针对PM_(2.5)土地利用回归(Land Use Regression,简称LUR)模型地理要素选取不规范、代表性不明确的问题,本文从地理要素的精度、易获取程度、广泛应用程度及地理要素与PM_(2.5)的经验相关性4个评价指标出发,结合层次分析法(Analytic Hierarchy Process简称AHP)和熵值法,对京津冀地区PM_(2.5)LUR模型构建时各备选地理要素的权重进行综合度量。结果显示,京津冀地区污染企业、交通网络、地表覆盖等优选地理要素的综合权重分别为20%、19%、18%,地理要素与PM_(2.5)的经验相关性和数据精度等优先评价指标的综合权重占××的比例分别次为49%、26%。该方法得出的评价结果符合客观实际,能达到科学选取地理要素的目的,对评估地理要素的代表性和分析LUR的异同性及地方主要污染要素具有重要的参考价值。

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LUR-卫星数据耦合模型的中国PM2.5浓度时空分布研究

以PM2.5为代表的大气污染已经成为造成全球疾病负担最重要的环境因素之一,PM2.5浓度的时空分布模拟是其健康风险效应分析的基础。土地利用回归法(Land Use regression, LUR)是模拟PM2.5时空分布的一种有效手段,但一直局限于城市小尺度的研究。近年来,部分研究者结合卫星遥感数据,利用LUR方法成功构建出国家尺度的模型,但在中国相关研究并无报道。本文基于LUR方法,对2013~2015年中国的PM2.5浓度的时空分布进行模拟:加入遥感数据和不加入遥感数据模型的R2分别是0.7和0.55;模型中气象变量居多,在影响PM2.5分布中产生重要影响;不同年份之间差异较大,通过引入时间因子获得不同年份之间的纵向比较;绘制出全国的PM2.5浓度分布图,为后续中国的PM2.5健康效应分析提供污染物暴露依据。

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。

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。