基于随机森林的PM2.5实时预报系统

针对我国当前重污染天气PM2.5浓度的实时预报问题,该文提出了一种基于随机森林算法的PM2.5浓度实时预报方法,并利用此方法对北京市地面空气质量监测数据和气象数据进行分析,建立了基于随机森林算法的PM2.5浓度实时预报模型。实验证明,该模型能够对72h内PM2.5浓度进行较高精度的实时预报,通过使用Spark分布式计算框架,能够有效降低算法耗时,文章基于此模型与Spark分布式计算框架建立了PM2.5实时预报系统。     

融机器学习与WRF大气模式的PM2.5预报方法

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种融合随机森林算法与WRF大气模式的PM2.5浓度实时预报方法。该方法结合了北京市地面空气质量监测数据和WRF气象数据进行分析,将高层大气状态(如逆温层高度等)融入了预报模型中,建立了0~72h的PM2.5浓度实时预报模型。实验证明,该模型能够对0~72h单站点的PM2.5浓度进行较高精度的实时预报,且在24~72h的长时预报结果上较基于地面空气污染物数据与地表气象站数据的预报方法精度有明显提升,即该方法可以更好地模拟大气物理化学状态,从而更为精准地进行长时PM2.5浓度预报。     

融合机器学习与WRF大气模式的PM2.5预报方法

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种融合随机森林算法与WRF大气模式的PM2.5浓度实时预报方法。该方法结合了北京市地面空气质量监测数据和WRF气象数据进行分析,将高层大气状态(如逆温层高度等)融入了预报模型中,建立了0～72 h的PM2.5浓度实时预报模型。实验证明,该模型能够对0～72 h单站点的PM2.5浓度进行较高精度的实时预报,且在24～72 h的长时预报结果上较基于地面空气污染物数据与地表气象站数据的预报方法精度有明显提升,即该方法可以更好地模拟大气物理化学状态,从而更为精准地进行长时PM2.5浓度预报。     

融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究

PM2.5浓度时空演化特征分析有助于大气污染的现状和发展认知，但PM2.5浓度监测积累时间较短，且受到排放强度和气象因素的影响，因此可融合全球导航卫星系统（Global Navigation Satellite System，GNSS）天顶可降水量（precipitable water vapor，PWV）、风速和大气污染物构建PM2.5浓度模型。以河北省为例，首先分别开展PM2.5浓度与大气污染物、GNSS PWV及风速的相关性分析；然后将大气污染物、GNSSPWV和风速作为输入，PM2.5浓度作为输出，利用逆传播（back propagation，BP）神经网络分别构建城市PM2.5浓度模型和区域PM2.5浓度模型；最后进行PM2.5浓度模型可靠性检验。将模型预测值与PM2.5浓度实测值比较发现，预测PM2.5浓度等级准确率高，相对误差较低。该模型可用于区域PM2.5浓度时空演化特征分析。     

一种对流层延迟的ZTD与PM2.5浓度相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

基于小波变换的CMONOC的ZTD与PM2.5浓度的相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

基于小波变换的CMONOC的ZTD与PM2.5浓度的相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

基于小波变换的CMONOC的ZTD与PM2.5浓度的相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

基于小波变换的CMONOC的ZTD与PM2.5浓度的相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

基于深度学习与随机森林的PM2.5浓度预测模型

针对PM_2.5浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘，而深度学习算法在数据较少情况下效果不佳的问题，综合考虑深度学习与随机森林的特点，提出一种基于深度学习与随机森林的PM_2.5浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM_2.5地面观测数据构建训练数据集，通过深度学习方法对训练数据内部深层次隐含特征进行提取，将提取得到的隐含特征用于随机森林模型训练，并使用随机森林回归算法得到PM_2.5浓度的预测值。为验证方法的有效性，以河南省区域2018年—2019年的PM_2.5浓度估算为例，将原始特征与利用CNN、LSTM和CNN＿LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明，在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度，其中以LSTM为特征选择器，RF为回归器的组合模型是本实验的最优模型，在即使只有35%...