卷积神经网络的PM2.5预报模型

针对目前基于机器学习的PM2.5预报模型无法充分利用研究区域内其他相关站点的数据问题,该文提出了一种区域时空点数据的表示方法,并在此基础上提出了基于卷积神经网络的PM2.5预报模型。该模型利用了区域内多站点的历史PM2.5实测数据以及相应的气象预报数据,对区域内任一站点PM2.5浓度进行预报。实验结果显示,该模型在京津冀区域内能对未来至少3d内的PM2.5浓度进行较高精度的预报。与基于单站点的前馈神经网络预报结果对比表明,对区域整体污染及气象状况建模的卷积神经网络模型预报精度更高。该模型对区域内所有站点的预测结果与地面实测值的分布基本一致,表明了该模型具有对区域内PM2.5浓度进行时空预报的能力。     

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。     

门限重复单元的PM2.5浓度预报方法

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种基于长短期记忆神经网络的PM2.5浓度实时预报方法。此方法结合了北京市地面空气质量监测数据、天气预报模式的气象预报数据及东亚地区污染物排放清单进行分析,在将高层大气状态及排放状况融入了预报模型的同时,利用LSTM模型模拟区域PM2.5浓度的时序连续变化特征,建立了0~72h的区域PM2.5浓度实时预报模型。实验证明,该方法可以有效表征大气污染物变化的时序特征,从而进行更为精准的长时PM2.5浓度预报。同时,使用门限重复单元作为LSTM神经网络的核心,在保障模型精度的同时,进一步减少了模型训练时间,提高了模型的计算效率。     

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。     

基于支持向量回归的PM2.5浓度实时预报

为了研究适合于我国当前重污染天气的实时空气质量预报模型,论文利用支持向量回归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,构建了基于支持向量回归的PM2.5浓度实时预报模型。实验表明,该方法能够对未来6日内的日均PM2.5浓度以及未来0~72h内的小时级PM2.5浓度进行预报,且模型训练过程和预报过程都耗时很短,适用于建立PM2.5浓度实时预报系统。     

基于深度学习的中国连续空间覆盖PM2.5浓度预报

实现全国连续空间覆盖未来小时尺度的PM_2.5浓度实时、高精度预报是一个难题。本文建立基于深度学习的多层长短期记忆迭代模型和改进的空间反向传播神经网络S-BPNN模型来实现全国小时尺度PM_2.5浓度的空间预报。首先,研究基于空间相关性将全国1286个空气质量监测站点在空间上进行自适应分区,并对各个分区分别构建多层LSTM迭代预报模型实现未来24 h各个监测站点的PM_2.5浓度的实时预报。其次,应用改进的S-BPNN空间化模型实现未来24 h全国连续空间覆盖的PM_2.5浓度精细化制图。然后,利用2016—2019年中国PM_2.5监测站的历史数据进行训练和验证,结果显示预报模型和空间化模型的相关系数R²分别为0.88和0.87,表明模型都能实现较高的精度。最后,基于提出的预报模型和空间化模型,辅助从监测站实时获取的大气污染数据和气象数据,通过搭建的大气污染物浓度预报智能化在线信息原型系统可实时发布预报结果并可进行空间化展示。研究实现了全国连续空间覆盖的PM_2.5浓度高时空精度的实时预测,以支持大气污染联防联控和公众环境空间质量信息服务。     

运用贝叶斯方法的PM2.5浓度时空建模与预测

针对当前我国大部分地区正面临严重的空气污染问题,对重污染区域进行时空建模具有重要的意义。该文基于贝叶斯时空模型建立了京津冀区域的PM2.5浓度时空预测模型,该模型充分考虑了PM2.5浓度的时间变异特性与空间分布特性,并引入了气象数据作为协变量对没有监测站的位置进行预测。实验结果表明,该方法具有很好的预测精度,其在测试站点上的拟合优度达到了0.9以上,能够应用于区域级PM2.5浓度的时空分布建模与预测。     

MODIS卫星遥感估计福州地区近地面PM2.5浓度

卫星遥感反演气溶胶光学厚度已被广泛应用于近地面空气污染遥感监测。为揭示福州地区细颗粒物污染的空间分异趋势,利用2014年—2015年的地基监测细颗粒物(PM_(2.5))浓度数据、MODIS 3 km气溶胶光学厚度(AOD)卫星数据以及GEOS-FP气象数据,分别构建了估计福州地区近地面PM2.5浓度的日校正模型和站点一日校正模型,并利用十折交叉验证方法对2个模型进行评价验证。结果表明:(1)日校正模型和站点一日校正模型分别能够解释福州地区PM2.5浓度76.2%和81.4%的变异,反演的2014年—2015年福州地区近地面PM2.5浓度和地面实测站点数据之间的相关性R~2分别为0.724(RMSE=10.993μg·m~(-3))和0.781(RMSE=9.687μg.m~(-3));(2)分别针对不同下垫面环境的城市站点和县郊站点数据进行模型拟合验证,两个模型反演的PM2.5浓度值与地面实测值之间皆具有良好的相关性,R~2最高可达0.808;(3)将模型反演的PM2.5浓度季均值与地面实测季均值进行对比分析,结果也显示二者高度相关,据此反演的2015年福州地区年平均PM2.5浓度分布图可清晰地揭示福州地区PM_(2.5)浓度分布的空间变化情况。由此可见,基于MODIS 3 km AOD产品和气象数据建立的近地面PM_(2.5)浓度遥感估算模型能够很好地反演出福州地区近地面PM2.5浓度分布情况。     

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。     

基于MODIS数据的PM2.5反演在大气污染监测中的应用

针对基于传统10km气溶胶光学厚度产品计算PM2.5无法获得更为精细的PM2.5空间分布特征的问题,提出采用6S模型计算获得不同气溶胶光学厚度条件下辐射传输模型方程参数查找表,该查找表可以采用原始光谱波段信息进行数据反演,并结合暗像元法计算得到的地表反射率信息,在辐射传输模型方程计算结果的基础上进行线性插值获得1km气溶胶光学厚度,再利用地面实测PM2.5浓度数据,通过回归分析的方法,获得1km的PM2.5监测数据。以西安市为例,1km分辨率的PM2.5更进一步表现了西安市域内PM2.5的空间分布特征,具有明显的地形分异特征,而且呈现出从城区向郊区逐渐衰减的趋势。研究结果为小区域的PM2.5来源和变化分析提供了一种有效的技术途径。     

基于深度学习的城市PM2.5浓度时空分布预测及不确定性评估

城市PM2.5浓度的时空分布预测旨在基于有限观测样本实现研究区域内PM2.5分布的全范围感知。理想的预测模型需同时保证结果的高精度与高可靠性。然而,现有研究大多以提升精度为唯一目的,忽视了由于数据质量与模型结构的各异所导致预测结果的不确定性,这极大限制了高精度预测结果的可靠性与可用潜力,从而难以有效辅助空气污染治理等实际应用。为此,本文提出一种耦合不确定性评估的PM2.5浓度时空分布预测模型。通过构建以图卷积和循环网络为主的预测模块,实现PM2.5浓度的高精度预测;同时,基于对抗学习策略与变分自编码思想构建不确定性量化模块,同步揭示预测结果的不确定性水平。深圳市实际数据实证表明,本文方法能有效兼顾PM2.5浓度预测结果的精度与可靠性,能为包括监测站点布局选址在内的环境治理工作提供科学决策支持。     

融合GNSS气象参数的PM2.5随机森林预测模型

针对PM2.5浓度的预报问题,该文结合国家GNSS服务(IGS)分析中心获取的北京房山站的气象数据及同期的PM2.5实测数据,分析了气象因子和环境污染物因子对PM2.5浓度的影响,并提出 了基于随机森林算法的PM2.5浓度预测方法,建立了融合GNSS气象参数的PM2.5随机森林预测模型.实验结果表明:该算法的时效性达6 h,在一定精度范围内能够取得较好的预测效果,同时能够有效地抑制过拟合的现象.     

融合卫星遥感与地面测站的区域PM2.5反演

融合卫星遥感与地面站点的互补优势,进行了华中地区PM2.5的反演研究.基于MODIS LIB数据,结合暗像元法和亮目标法,利用6S大气传输模型反演获得分辨率为1 km的气溶胶光学厚度(AOD);基于M估计理论,将遥感反演的AOD与PM2.5站点数据进行稳健回归分析,并根据回归模型实现大尺度空间连续的PM2.5反演;最后,利用留一交叉验证法,对反演精度进行了验证.结果表明,反演的1 km AOD和MODIS现有的AOD产品相比,与PM2.5站点数据的相关系数从0.683提高到0.883,生成的PM2.5平均绝对误差从23.495 μg/m3降低到11.705 μg/m工3.     

一种新的雾霾天气下PM2.5浓度短时预测模型

大气污染一直是影响人们生活质量的主要因素之一,针对山东省临沂市2018—2019年空气质量情况,采用小波变换DB5(Daubechies 5)的尺度系数A4对临沂市的细颗粒物(Fine Particulate Matter,PM2.5)浓度、天顶总延迟量(Zenith Total Delay,ZTD)、大气可降水量(Precipitable Water Vapar,PWV)和NO2浓度进行分解与重构,然后利用多元线性回归方法建立适合临沂地区的雾霾天气下短时预报模型,重构后的PM2.5浓度与NO2浓度相关系数、PM2.5与PWV相关系数较原始序列分别提高了20.46％,25.48％,重构后的模型决定系数R2、F检验、F检验对应的P值,剩余平方和S2较原始模型分别提高了29.86％,18.89％,0,72.72％.因此建立临沂地区雾霾天气下短时PM2.5预报模型可以有效地进行PM2.5监测,对雾霾治理提供一定的技术支持.     

利用MODIS资料监测湖北省PM2.5的3种模型对比

为确定适宜遥感监测湖北省PM2.5浓度的模型,该文运用MODIS气溶胶光学厚度(AOD)产品、气象数据、土地利用数据、数字高程模型(DEM)数据和地面监测站点获取的PM2.5质量浓度数据建立了智能算法模型(模型1)、地理加权回归模型(模型2)和线性混合模型(模型3),并用地面监测站点数据评估模型拟合结果。结果表明:模型3在所有表征反演精度的统计指标(全数据集R~2、回归斜率、均方根误差、平均绝对误差)上均表现出优异性;十折交叉验证结果表明模型1、模型2和模型3的R~2分别为0.559 8,0.562 2,0.755 5,3种模型皆不存在过拟合现象;对湖北省2015年PM2.5浓度时空分布特征的分析结果表明模型3能够提供可靠数据,可为PM2.5浓度监测提供一种有效的补充手段。     

基于LUR的武汉市PM2.5浓度空间分布模拟

基于稀疏监测点的监测数据无法直接获取城市内部空气污染的高分辨率空间分布。以武汉市为例,研究了基于土地利用回归(landuseregression,LUR)模型的大气PM2.5浓度高分辨率空间分布模拟。采用双变量相关分析识别出与PM2.5浓度相关性最高的4个影响因子,分别是1000m缓冲区内道路长度,500m缓冲区内水域面积,500m缓冲区内建设用地面积以及工业污染影响。采用PM2.5月平均浓度和识别出的影响因子连同气象条件(月平均温度和月降水量)进行多元线性回归分析,相关系数R2达到0.905,调整后的R2为0.885。在研究区建立均匀格网(2km×2km),利用得到的LUR方程计算格点PM2.5浓度值,应用空间插值制成武汉市主城区夏季PM2.5浓度空间分布模拟图。模拟结果显示,主城区有三个PM2.5浓度高值中心,分别为青山工业区、江北工业区和汉口汉西建材市场区域。汉阳南部、武昌南部的大型湖泊和水域面积比例较大的区域表现为两个PM2.5浓度低值中心。     

地理加权回归建模结果不确定性度量与约束方法EI北大核心CSCD

作为一种经典局部加权最小二乘方法,地理加权回归建模一直受样本空间稀疏及预测变量局部共线性等因素困扰,导致建模结果不确定性呈现空间异质。通过协方差传播定律构建后验标准差精度评价指标,本文提出了一种地理加权回归建模结果不确定性度量与约束方法,并基于地表PM 2.5浓度遥感制图实例开展了验证。试验结果表明:不确定性约束后,不同参数下地理加权回归模型的拟合精度、基于样本/站点/区域的十折交叉验证精度均有改善;局部共线性导致的模型回归系数符号偏差问题得到了改正;模型预测结果奇异值及负值能被有效甄别,有效提升了地表PM 2.5浓度制图结果的可靠性。该不确定性度量与约束方法可有效保证地理加权回归模型估算结果的稳定性和有效性。     

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。     

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。