基于地理神经网络加权回归的中国PM2.5浓度空间分布估算方法

中国空气污染问题日益严重,为获得连续的PM_2.5浓度空间分布,现有研究建立了多种基于统计回归的PM_2.5估算模型。然而,由于PM_2.5回归关系显著的空间非平稳性和复杂的非线性特征,如何实现高精度、高合理性的PM_2.5浓度空间大面估计仍然面临挑战,尤其在地形变化复杂、覆盖范围广阔的中国地区更为突出。本文引入了一种将普通线性回归（OLR）和神经网络结合的地理神经网络加权回归（GNNWR）模型,通过集成遥感数据、气象数据和地理信息数据建立了基于GNNWR的PM_2.5浓度空间估算方法。文章以中国2017年PM_2.5年平均浓度估算为例,开展了该模型与OLR、地理加权回归（GWR）的比较实验。实验结果表明,基于GNNWR的PM_2.浓度估算性能指标均明显优于OLR和GWR,且预测精度显著高于GWR。此外,GNNWR获得的PM_2.5浓度空间分布也更为合理,较为细致地刻画了中国地区PM_2.5浓度的局部空间变化和细节层次。     

中国近地面PM2.5浓度与排放的时空分布及其关联分析

PM2.5是威胁人体健康的主要大气污染物之一.大量研究关注近地面PM2.5浓度的监测及其时空分布,但目前针对PM2.5排放及其与近地面浓度之间的关联研究较为缺乏.本文通过2000-2014年近地面PM2.5浓度格网数据和PM2.5排放格网数据,采用长时间序列分析法对PM2.5浓度和PM2.5排放从定性和定量两个角度进行...     

基于注意力常微分方程的PM2.5浓度预测及其可解释性分析

可解释的准确预测PM_2.5浓度变化可以有助于人类规避暴露风险,对人类健康风险评估和政策实施具有重要意义。目前已有PM_2.5浓度预测模型过多专注于提升模型预测精度,但忽略了模型的可解释性,造成模型可复用性和可信任度较差。鉴于此,本文提出了一种兼顾模型预测精度与模型可解释性的注意力时空常微分方程模型(Attentional SpatioTemporal Ordinary Differential Equation,ASTODE)用于PM_2.5浓度预测任务。具体而言,本文将神经常微分方程集成至PM_2.5浓度预测任务中,以提升预测模型的可解释性。此外,针对传统神经常微分方程难以挖掘PM_2.5浓度数据中空间依赖关系的挑战,本文提出了一种新颖时空导数网络将传统神经常微分方程扩展到了时空常微分方程。针对传统神经常微分方程难以挖掘PM_2.5浓度数据中长期依赖关系的挑战,本文设计了一种时空注意力机制去融合多个时间节点的隐藏状态。本文采用真实的PM_2.5...     

集成多源遥感数据的PM2.5浓度空间分布制图

针对传统地面稀疏站点监测PM_2.5浓度以点带面的缺陷,本研究拟借助多源遥感数据开展了地面大气细颗粒物PM_2.5浓度空间分布模拟研究。以京津冀地区2013年的年均、季均PM_2.5浓度模拟图为例,用简化的气溶胶反演算法（SARA）反演了 1 km高分辨率AOD,并结合高分辨率遥感提取污染相关地理要素,对研究区PM_2.5浓度空间分布进行地理统计模拟及优选。结果表明：① SARA算法反演的AOD与地基AERONET相关性达0.99,能准确地反映研究区AOD的时空分布特征;② 集成多源遥感数据的地理加权回归模型拟合度高（平均R²-0.66）,其空间模拟显示研究区平均PM_2.5污染南部城镇最重,中东部城区次之,西北山区较轻;③ 研究区PM_2.5污染程度高,全年平均模拟浓度高达75 μg/m³,在气候环境及主要污染源季节性差异驱动下,浓度分布季节性特征显著,冬季污染最严重,而夏、秋季相对较轻。该成果对于精细把握PM_2.5污染特征,指导污染防控具有重要意义。     

时间尺度重构EEMD-GRNN改进模型预测PM2.5的研究

合理构建PM_2.5浓度预测模型是科学、准确地预测PM_2.5浓度变化的关键。传统PM_2.5预测EEMD-GRNN模型具有较好的预测精度,但是存在过于关注研究数据本身而忽略其物理意义的不足。本研究基于南京市2014-2017年PM_2.5浓度时间序列数据,分析PM_2.5浓度多尺度变化特征及其对气象因子和大气污染因子的尺度响应,基于时间尺度重构进行EEMD-GRNN模型的改进与实证研究。南京市样本数据PM_2.5浓度变化表现为明显的天际尺度和月际尺度,从重构尺度（天际、月际）构建GRNN模型更具有现实意义;同时,PM_2.5对PM₁₀、NO₂、O₃、RH、MinT等因子存在多尺度响应效应,以其作为GRNN模型中的输入变量更具有时间序列上的解释意义。改进后的EEMD-GRNN模型具有更高的PM_2.5浓度预测精度,MAE、MAPE、RMSE和R²分别为6.17、18.41%、8.32和0.95,而传统EEMD-GRNN模型的模型有效性检验结果分别为8.37、27.56%、11.56、0.91。对于高浓度天（PM_2.5浓度大于100 μg/m³）的预测,改进模型更是全面优于传统EEMD-GRNN模型,MAPE为12.02%,相较于传统模型提高了9.03%。     

基于小波分析的GPS PWV与PM2.5比较研究

通过比较2013-11~12的BJNM站点GPS PWV序列与天坛站点PM2.5浓度序列发现,两者的相关系数大于0.535,sig值小于0.01,存在显著的正相关特性;基于小波分析方法剔除高频噪声、细微扰动和小尺度系统影响的第4层低频系数重构的PWV序列与PM2.5序列的相关性达到0.749;高频系数重构的PM2.5序列与PWV序列的相关性达到0.839,更能反映两者的正相关特性。     

PM2.5对地表温度的影响及其应用

采用线性最小二乘原理对从对流层顶10 km至地表0.8 km的温度探空廓线进行拟合,外插地表温度,讨论外插地表温度与实测温度的统计特性。将其应用于GPS气象中的加权平均温度模型发现,基于外插的地表温度能显著提高模型精度,提高约1.2~1.7 K。     

基于深度全连接神经网络的大坝变形预测研究

将深度全连接神经网络引入大坝变形预测领域,结合大坝多源监测数据的训练样本,建立基于深度全连接神经网络的大坝变形预测模型.利用几种常见的深度优化学习算法对模型进行优化训练,通过对比各损失函数的变化曲线选取最优学习算法,进一步构建基于最优学习算法的深度全连接神经网络大坝变形预测模型;最后结合大坝多源监测数据的测试样本对模型...     

利用AO-SVR模型预测PM2.5浓度

针对支持向量回归(support vector regression, SVR)模型无法主动选取最优参数和核函数等问题,采用天鹰算法(aquila optimizer, AO)对其进行优化,构建天鹰算法优化支持向量回归模型(AO-SVR)。分别构建AO-SVR、SVR、灰狼算法优化支持向量回归(GWO-SVR)、鲸鱼算法优化支持向量回归(WOA-SVR)4种模型,使用2020-01-01～30拉萨、乌鲁木齐、长春、武汉、上海5市的大气污染物、气象因素以及天顶对流层延迟(zenith tropospheric delay, ZTD)的小时数据,分别预测5市2020-01-31的PM_2.5浓度变化。结果表明,AO-SVR模型的适用性更好,其中,上海的预测值最贴近实际观测值。     

基于小波变换的河北省GPS PWV与PM2.5的相关性分析研究

以2014-01~03的河北省GPS和PM2.5观测数据为例,利用小波变换方法开展GPS水汽和PM2.5浓度的相关性分析。结果表明,低频系数重构的GPS水汽与PM2.5浓度序列较好地反映了两者之间的正相关特性;D7高频信号（128~256 h）及D7与D6高频信号（64~256 h）重构的GPS水汽与PM2.5浓度的相关性较原始序列的相关性有较大提高;对于持续7 d的重度雾霾过程,由第7层和第6层高频系数重构的GPS水汽序列与PM2.5浓度序列的相关性达到0.890;不同时刻水汽变化对PM2.5浓度观测的影响,在水汽变化波动较大时段,水汽与PM2.5浓度的相关性为正;对于水汽变化波动较小时段,由于水汽与PM2.5浓度峰值时刻的差异,水汽与PM2.5浓度序列的相关性则不明显。     

桥梁水平位移混沌特征识别与神经网络预测研究

跨海大桥系统受外界影响扰动,其变形伴有混沌现象发生.对桥梁变形监测数据实现了混沌识别,运用C-C法计算时间序列的延迟时间,用G-P方法求得最佳嵌入维数,通过求取的时间延迟和最佳嵌入维数对桥梁变形监测数据进行相空间重构,为混沌时间序列预测模型的建立奠定基础;基于RBF神经网络建立混沌时间序列预测模型,对实测数据进行桥梁变...     

基于SSA-Elman神经网络的电离层TEC短期预报模型

针对基于神经网络的电离层TEC短期预报存在精度较低、易陷入局部最优的问题,利用CODE中心提供的TEC数据及地磁活动指数,建立基于麻雀搜索算法(SSA)改进Elman神经网络的电离层TEC短期预报模型,并通过BP模型、Elman模型及SSA-Elman组合模型分别对电离层平静期和扰动期中低纬度TEC进行5 d连续预报....     

神经网络法反演海水叶绿素浓度的分析

海洋水色遥感的最终目的之一是监测海洋初级生产力的时空变化,而反映海洋初级生产力的一个重要指标就是浮游植物中的叶绿素浓度[1]。对于海水叶绿素浓度的遥感反演研究工作至今已进行了30多年,方法主要是基于蓝-绿波段比值的经验统计法。近些年,随着水色遥感器的改进及数据处理方法的深入研究,提出了荧光高度法[2]和神经网络法[3-5]。本文基于SeaBAM(SeaWiFSBio-OpticalAlgorithmMini-Workshop)小组搜集的全球范围叶绿素浓度与离水辐射率的同步观测数据,利用神经网络方法反演海水叶绿素浓度,并将其结果与SeaBAM经验算法进行了比较及分析。     

基于麻雀搜索算法优化的BP神经网络卫星钟差预报

使用麻雀搜索算法(sparrow search algorithm,SSA)对BP神经网络的初始权值和阈值进行优化和调整,以提高神经网络模型短期预报的精度和稳定性.采用IGS产品中的卫星钟差数据,对SSA-BP神经网络模型、PSO-BP神经网络模型、传统BP神经网络模型及传统二次多项式模型(QP模型)进行实验对比,结果...     

Identification of major sources of PM2.5 in St. Louis Missouri USA

The objective of this study is to examine the use of the conditional probability function(CPF) and nonparametric regression(NPR) to identify the relationship between wind direction and concentration of PM2.5(particulate matter with aerodynamic diameter less than or equal to 2.5 μm). Twenty four-hour integrated PM2.5 mass and species concentrations were measured at the St. Louis-Midwest Supersite in East St. Louis,Illinois,USA in the periods of 22-28 June 2001,7-13 November 2001,and 19-25 March 2002. Wind di...