非线性时间序列门限自回归模型在环境空气质量预报中的应用

门限自回归模型作为1种利用历史资料对非线性时间序列进行描述从而进行预测的数学模型，多年来在各种统计领域中均取得良好的效果。根据非线性时间序列的门限自回归模型（简称TAR）的基本思路，利用环境空气自动监测系统历史监测数据资料，建立了浦东新区环境空气质量的预报计算模型。通过统计检验，检查使用TAR模型预测浦东新区环境空气质量与实际监测情况的符合程度。讨论了该模型在监测工作中的应用可行性。     

昭通中心城区环境空气质量预测预报研究及应用

介绍了昭通中心城区环境空气质量预测预报研究的背景及必要性、预期实现目标、模型建立模式、模型建立情况,利用2015年数据进行了预测预报结果验证,对2016年1月8-10日进行了预测预报实践应用。     

山东省环境空气质量动力统计预报系统

以山东省17个城市2014年至2015年环境空气质量监测指标和同步的气象观测数据为基础,采用线性回归和神经网络方法建立统计预报模型,构建山东省环境空气质量动力统计预报系统。该系统实现了业务化自动运行,对山东省17城市的6项污染物指标(PM_(2.5)、PM_(10)、NO_2、SO_2、CO日均浓度和O_3日最大8小时滑动平均浓度)和AQI指数进行逐日预报。预报结果能较好的反应各市空气质量的变化趋势,为预报业务提供参考。     

大气污染物浓度的投影寻踪自回归预测

环境污染预测是环境科学研究的重要课题之一。线性回归预测，时序预测和灰色ＧＭ预测是常用的大气污染预测方法，但始终未有摆脱“假定－模拟－预报”的模式束缚，难以适应非正态，非线性分布的客观内在规律，投影寻踪高新技术，对数据结构或特征不作任何假定，而是通过直接审视和分析数据，应用计算机软件程序设计，为时序分析开辟了一条“审视数据－模拟－预报”的数据分析新途径，该文采用投影寻踪自回归新技术，建立了大气污染物     

基于遗传算法的门限自回归模型在海温预测中的应用

提出了建立门限自回归模型（ＴＡＲ）的一套简便通用的方法。用作者提出的改进遗传算法，可同时优化门限值和自回归系数，成功地解决了ＴＡＲ建模过程所涉及的大量复杂寻优工作这一难题，为ＴＡＲ模型的广泛应用提供了强有力的工具。实例计算的结果说明了这套方法的可行性和有效性，同时也说明了，通过门限值的控制作用，ＴＡＲ模型可以有效地利用如海洋资源所隐含的时序分段相依性这一重要信息，限制了模型误差，从而保证了ＴＡＲ模型预测性能的稳健性，提高了预测精度。该方法具有通用性，在各种非线性时序预测中具有重要的理论意义和应用价值     

贵阳市城区环境空气质量预报初探

选用数学模式法预测贵阳市城区的环境空气质量状况。结果表明：模拟预测值与监实际则值基本一致，相关性较好。该数学模式可以作为贵阳市区环境空气质量的预报模型。     

上海市空气质量中NO2与气象因子的相关性分析及其浓度预报模型的建立

对上海市2008年环境空气中NO2及气温、露点、湿度、气压、风速等气象因子分别进行了相关性分析,结果表明NO2与上述气象因子均具有显著相关性;以2008年NO2与上述气象因子的日均值数据为基础,采用因子分析与多元回归建立NO2日均浓度预报模型,相关系数砰达到0．839。模型计算结果表明,影响NO2日均浓度的主要气象因子为风速、湿度、温度;采用2009年1月至5月同类监测资料对该模型进行检验,结果显示检验值与实测值的平均相对误差和平均偏差分别为14．68％和10．96％。故模型可作为上海市环境空气NO2日均浓度预报的参考方法。     

上海市浦东环境空气质量预报模式及环境状况探讨

将浦东新区空气自动监测系统监测数据与上海市空气质量日报数据进行比对 ,考察两者之间的定量关系 ,以简便的方法建立浦东环境空气质量预报模式 ,了解空气污染物在上海市区与浦东区域的分布状况差异 ,探讨造成差异的原因。     

开展环境空气质量预报预警工作的研究

近年来,全国各地雾霾天气的大范围、高频次地发生,为改善环境空气质量,及时有效地为政府及公众提供环境质量状况信息,抓紧构建环境空气质量监测预报预警技术体系建设成为了环境部门当前迫在眉睫的一项工作.通过分析湖南省长株潭区域开展城市环境空气质量预报预警工作的现状,描述了预报期间发生过由雾霾造成的大气污染指数变化情况及气象条件,同时对区域内环境空气质量预报预警工作的技术路线进行了探讨,介绍了空气质量集合数值预报系统中的常用模型,及其在北京市、上海市空气质量预报系统的应用情况,提出了统一规划,搭建集合数值预报系统平台、注重气象部门合作,开展科学研究、加快人才培养,提高预报水平和科学管理发布与宣传的具体建议措施.     

沈阳市ADMS-Urban大气扩散模型的验证及应用

利用沈阳市 1999年度污染源排放清单和全年逐时气象数据验证了针对总悬浮颗粒物和二氧化硫的ADMS -Urban大气扩散模型 ,并将该模型应用到沈阳市大气环境容量测算和环境空气质量数值预报工作     

深度学习方法在上海市PM2.5浓度预报中的应用

为提升PM_2.5浓度预报能力,尤其是对PM_2.5重污染的预报能力,以中尺度气象-化学耦合模式系统（WRF-Chem）为基础,结合中尺度WRF气象预报数据、地面及高空气象观测数据、PM_2.5浓度观测数据,基于人工智能深度学习序列到序列的算法建立了上海市PM_2.5统计预报模型.结果表明,人工智能深度学习算法（Seq2seq）明显修正了WRF-Chem模式由于模型非客观性造成的偏差,提高了上海市PM_2.5浓度的预报能力;该算法优化和修正了WRF-Chem模式结果,并通过检验发现可以使PM_2.5浓度预报值与实况值间的相关系数由0.51上升至0.79,均方根误差由25.9μg/m³下降至15.01μg/m³.而单独使用套索法（Lasso）线性回归算法对WRF-Chem模式优化效果不理想.基于Seq2seq的PM_2.5浓度预报修正模型能够有效提升预报精度.     

基于气象因素和改进支持向量机的空气质量指数预测

空气污染已成为人类社会面临的严峻挑战,为了构建准确的空气质量预测模型,文章首先运用统计分析方法进行相关性分析,探讨气象要素变化对空气质量的影响;针对传统支持向量机预测精确度受输入变量影响较大的弊端,采用基于熵权理论对变精度粗糙集约简进行了改进,以处理支持向量机的输入变量,提高支持向量机的预测精度;最后以沈阳市的历史气象数据和空气质量指数进行验证。与传统方法相比,所提方法能够将预测准确率由71.28%提高到77.83%,空报率和漏报率也有降低,与实际基本吻合。     

基于逆方差多模型融合的空气质量指数预测方法

空气质量预测对合理制定环境治理政策具有重要意义。针对目前单体预测模型存在模型不稳定和泛化能力不强的问题,提出基于逆方差权重分配方法融合3种单体模型的空气质量指数(air quality index, AQI)预测方法。首先,以北京市为例,构建空气质量指数预测数据集;其次,分别构建长短期记忆网络(LSTM)、门控循环单元(GRU)、双向长短期记忆网络(Bi-LSTM)、自回归积分滑动平均模型(ARIMA)和多元线性回归(MLR)5种模型对数据集进行预测,并对比以上模型的预测结果;最后,在多模型融合方法中,选择逆方差法计算预测精度较高的3种单体模型的权重,根据算得权重构建逆方差融合预测模型。与预测精度较高的3种单体模型以及加权平均融合预测模型相比,逆方差融合预测模型对空气质量指数的预测精度R²分别提高3.9%、3.4%、1.6%和0.5%,达到0.933。结果表明：逆方差融合预测模型综合了各单体预测模型的优点,能够提高AQI预测精度。     

城市空气质量数值预报模式系统及其应用

介绍了一种城市空气质量数值预报模式系统 ,该系统由气象模式 (中尺度气象模式MM5及城市大气边界层模式CBLM)和大气污染物输送扩散化学模式组成 .将模式系统应用于南京市 ,试预报结果同监测结果一致 ,表明模式具有较好的模拟性能 .模式系统试运行后的检验改进工作 ,气象资料、污染源及环境参数等质量的提高 ,预报结果检验方法的确定等都是模式系统业务化时应予以充分考虑的 .     

上海市环境空气质量自动监测数据审核体系的构建及其应用

在进一步加强对空气质量自动监测站现场开展质控检查的同时,建立了以市、区县两级约50个空气质量自动监测站点为基础,以上海市环境监测中心为管理核心的自动监测数据审核体系,制定了相应的数据审核制度,开展了每年约300万以上自动监测数据的有效性审核。自今年以来,利用中美合作-上海市环境空气质量发布系统示范项目（AIRNOW-International）提供的DMS数据自动审核模块,实现了每日约1万个小时浓度监测数据的自动审核,从而大大提高了上海市环境空气质量自动监测系统数据的有效性和数据质量。     

济南市大气污染物时空变化及预测分析

大气污染影响生产生活和人体健康,了解大气污染物时空分布特征及污染源是大气污染治理的基础和前提。基于济南市2014-2018年空气质量实时监测数据,主要污染物浓度数据和气象要素数据,运用相关分析法和BP神经网络预测模型,分析了济南市大气污染物时空分布特征及污染物来源,并对济南市6种主要污染物进行预测。结果表明:在时间维度上,空气质量呈逐年好转趋势,季节上则表现出冬季污染最严重,夏季最轻,采暖期污染物浓度远远高于非采暖期的特点;从日变化看,上下班高峰段是污染最严重时段。在空间维度上,城市外围污染较为严重,市区污染相对较轻。在污染物成分上,PM₁₀逐渐成为颗粒物污染的主体。通过济南市污染物浓度预测结果,分析未来3年内污染物浓度变化情况,进一步提出合理优化的污染治理方案来改善济南市大气污染状况。     

基于WRF-RTIM的上海地区霾预报MOS方法研究

应用基于系统辨识理论的实时迭代模式(real-time iterative model,RTIM)对WRF模式预报结果进行后处理,建立了上海地区霾天气的模式输出-统计(model output statistics,MOS)方法.首先,根据WRF模式的气象输出资料,结合大气污染观测数据,筛选出霾事件的预报因子;其次,运用系统辨识实时迭代模型,建立依据MOS预报方法的PM2.5、PM10和能见度预报模式;最后根据霾事件的判别标准,对上海2012年11月—2013年1月的霾日进行24 h和48 h预报.结果表明,PM2.5模式预报成功率为75.0%~63.9%,PM10模式预报成功率为87.5%~81.8%,能见度模式预报成功率为71.0%~74.2%,霾日预报成功率为73.7%~72.7%.分析表明,研究期间上海的气溶胶以细颗粒物为主,低能见度主要由导致霾现象的PM2.5引起.该方法能较准确地预报霾日的发生,可为我国城市大气环境业务预报提供参考依据.     

基于熵权物元可拓模型的城市大气质量评价

本文分析城市大气环境的多耦合性与复杂动态性,识别城市环境质量中评价主体及环境要素的不确定性;确定城市大气污染评价因子及其评价等级的界定;实现可拓论经典集合中"属于"和"不属于"集合的定性描述扩展到精准定量描述,并将可拓工程方法与聚类分析相结合,依据大气质量等级标准和大气质量影响因子构造经典域物元和节域物元;实现关联函数逻辑域由(0,1)到(-∞,+∞)的扩展;并采用层次分析法(AHP)确定特征加权,建立变权可拓论的大气质量评价模型。新模型不仅可以体现大气质量整体等级水平,而且通过质量与等级的关联度可以辨识影响大气质量的主次要污染因子。以阜新市2010年大气环境质量为应用评价对象,将应用评价结果与上海大气质量指数法、模糊综合评判法的结果比较,给出新模型在大气质量评价应用中的适用性。     

上海市空气质量季节变化及高污染案例分析

通过对上海市近4～5年环境空气质量监测数据的分析,探讨了上海市空气质量季节变化规律。对三次典型的高污染案例进行了分析,并从改善空气质量和加强人体保护方面提出了对策建议。     

基于阶段式时序注意力网络的PM2.5鲁棒预测

PM_2.5浓度的预测对于大气污染治理、改善环境质量等起到重要作用。受气象条件变化与大气污染物排放等多种因素的交叉影响,PM_2.5预测通常易受突变事件及噪声数据干扰。因此,基于对气象条件以及大气污染物与PM_2.5的相关性分析,提出阶段式时序注意力网络模型（staged temporal-attention network,STAN）,该方法融合多段注意力学习模块与循环神经网络,建模气象因素与大气污染物对PM_2.5浓度的交叉影响。统计分析北京市、上海市、广州市预测结果的绝对误差值,可知:1）对比广泛使用的单一类模型支持向量机（support vector machine,SVM）、长短期时序记忆方法（long short-term memory,LSTM）和多层感知机（multilayer perceptron,MLP）,STAN可达到10%以上的性能领先;对比最新的融合类模型U型网络（U-net）,STAN领先了7%的优势。2）以北京市冬季预测结果为例进行统计分析,STAN的预测值与实测值之间的拟合系数可有95.2%的性能领先。此外,在鲁棒性分析中发现,STAN在含有10%噪声的数据上进行预测,误差上升幅度仅为9.3%。结果表明:注意力机制与时序学习模块相结合能够深度挖掘PM_2.5变化规律并抑制噪声数据,且STAN模型可以进行PM_2.5浓度的鲁棒预测。