基于HA-RF-SHAP的露天煤矿粉尘浓度预测模型

为了有效预测和控制煤矿粉尘浓度,保障煤矿工人健康及环境安全,以宝日希勒露天煤矿现场粉尘监测数据为基础,使用随机森林对粉尘浓度进行预测,提出了4种启发式智能优化算法优化随机森林超参数的方法,通过RMSE、MAE和皮尔逊相关系数R对模型进行评价,采用SHAP可解释模型分析影响露天煤矿粉尘浓度的因素。结果表明：PM2.5、PM10、TSP的最优模型分别为GWO-RF、WOA-RF和HHO-RF;超参数调整使模型整体RMSE指标提升约为1～3,MAE提升约为1～2.5,R提升约4%～6%;PM2.5的预测表现最好,训练集与测试集共同作用时,R为0.946 3,MAE为3.059,RMSE为4.919,其次是PM10、TSP;单因素作用时,湿度对于该矿粉尘浓度影响最大,双因素同时影响下湿度和气压对粉尘浓度变化影响最大。研究提供了一个有效的粉尘浓度预测方法,可准确预测粉尘浓度并确定粉尘最影响因素,对矿山粉尘管控具有重要参考价值。     

基于BP人工神经网络的大气颗粒物PM10质量浓度预测

根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度。为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型。研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高;所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62;人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确。     

长春市PM_(10)污染特征及与气象因素的相关分析

为了研究长春市PM10污染特征以及影响PM10浓度的因素,利用长春市PM10的实时监测资料,分析长春市PM10浓度的季节变化特征和污染程度.并利用同期的气象资料,建立PM10浓度和气象因素之间的多元线性回归模型,来进行两者之间的相关分析.采用逐步回归法,建立了"最优"回归方程,分析不同季节对污染物浓度有显著影响的气象因素,从而为长春市大气污染防治和雾霾天气预测提供科学依据.结果表明,长春市PM10浓度冬季偏高、夏季偏低、春季和秋季居中,2013年全年中1、4、10月份出现了不同程度的高污染现象,日平均浓度最高值达到591μg/m3.研究发现对长春市PM10有显著影响的气象因素主要有当日平均风速和最高最低气温温差.     

兰州市供暖期PM10浓度与气象因子分析

为研究兰州市供暖期内PM10浓度变化及其与气象因子的关系,于2007、2008年供暖期在兰州市4个典型城区,用Dust Trak Model 8530采集了303个PM10样品并收集同期3种（风速、相对湿度、气温）气象数据。运用数据统计分析方法,描述了供暖期PM10浓度的月变化和日变化趋势,同时分析了PM10日均浓度与气象因子的相关性。结果表明：（1）兰州市供暖期PM10污染十分严重,2007、2008年PM10的超标率分别为78.5%、54.5%,最大超标倍数分别达到2.27、2.81,PM10浓度日变化呈“双峰双谷”型;（2）PM10日均浓度与风速呈典型的二次函数关系,与相对湿度呈显著的负相关线性关系,而其与气温相关性不显著。     

九江市大气污染物扩散气象条件分析

利用气象观测资料和环境监测数据,分析2018—2019年九江市大气污染物扩散气象条件,并对比分析周边南昌、景德镇大气污染物扩散条件,得出以下结论:九江、南昌、景德镇3地平均PM2.5浓度均呈现秋冬季高、春夏季低的特点;3地PM2.5浓度偏高时段主要在冬半年,九江明显更高;当冬季九江盛行偏北风和东北风时PM2.5浓度更高、污染更严重,2018—2019年九江逆温次数较南昌多,垂直扩散条件略差于南昌;受地形影响,冬半年常见的偏北风被大别山脉分流为西北风和东北风,九江位于两股气流的交汇处,九江南侧有山脉阻挡,不利于污染物向南扩散.     

河南省供暖期大气污染特征及预测分析——以郑州市为例

近年来河南省大气污染问题引起社会的广泛关注,但有关供暖期间大气污染方面的研究相对较少.以郑州市为例,分析郑州市供暖期间大气颗粒物的浓度变化并进行预测,对提高当地空气质量具有重要意义.基于2014-2016年郑州市空气质量监测数据和同期气象数据,利用SPSS相关分析和BP神经网络模型,分析郑州市供暖期间PM2.5、PM10的超标情况、日变化特征,探究气象要素对PM2.5和PM10的影响,最后预测AQI指数的变化.结果表明:2014年供暖期郑州市空气质量相对较差,PM2.5和PM10平均质量浓度超标率最高;2015年供暖期郑州市空气质量相对较好,PM2.5和PM10平均浓度变化幅度较大;2014-2016年供暖期间郑州市PM2.5和PM10浓度具有明显的日变化特征,呈现双峰型变化;2014-2016年供暖期郑州市PM2.5、PM10与日均气温相关性不显著,与日均风速呈显著负相关,与日均相对湿度呈显著正相关;当供暖期郑州市主导风向为正西风时,污染天气出现频率较低;利用BP神经网络预测2016年AQI的精度较高,预测值与实测值相关系数为0.85.     

天津蓟县夏季PM_(2.5)污染特征及影响因素

为探究天津蓟县大气细颗粒物(PM2.5)污染特征及气象因素对它的影响,搜集了2013年蓟县PM2.5质量浓度变化资料,对PM2.5污染情况进行了详细分析;并针对夏季典型天气,对PM2.5质量浓度进行监测,结合同步气象数据,运用线性回归及相关性分析方法研究PM2.5质量浓度与气象因素关系.结果表明:蓟县PM2.5质量浓度呈现明显冬高夏低特征,夏季污染超标率达45%,其日变化呈明显双峰型;PM2.5质量浓度受温度、相对湿度、风速、风向、降雨影响显著,与气压无显著关系,能见度随PM2.5质量浓度增大呈现e指数衰减规律.研究结果可为当前的京津冀区域大气污染协同防控提供一定的科学参考.     

空气中PM2.5浓度的灰色预测与关联因素分析

2013年1月开始,国内持续的大范围雾霾天气,将PM2.5问题推向了舆论热潮的顶峰.结合武汉市监测点的数据建立灰色预测GM(1,1)模型,并编写VB程序建立GM(1,1)系统,对未来短期PM2.5浓度变化进行预测,弥补了监测过程中缺失的数据.此外,根据武汉市空气质量监测数据和京津冀、上海、广东及全国其他地区的工业废气、粉尘排放量数据进行灰色关联度分析,得出CO,O3,NH3和NH4NO3与PM2.5浓度的相关性较强,从而为进一步研究PM2.5提供科学依据.     

昆明市PM_(2.5)浓度时空变化特征及其与气象条件的关系

针对高原山地城市PM2.5的污染及防治问题,利用2014年4月—2015年3月昆明市主城区PM2.5小时浓度平均值及对应的气象参数连续观测资料,采用普通克里格插值法、非参数分析法对昆明市主城区PM2.5浓度时空特征及其与气象因素的影响进行了研究分析.研究结果表明:昆明市主城区PM2.5浓度季节高低为春季冬季秋季夏季.PM2.5日变化趋势呈双峰单谷型,上午PM2.5浓度高于下午浓度,这种变化趋势与人们出行高峰和当天气象条件有关.普通克里格插值法得到昆明市PM2.5高浓度主要分布在主城区西北至东南一带,五华区、盘龙区浓度高于西山区、呈贡区.通过Spearman秩相关分析得出日均温度、气压、风速气象因子对环境PM2.5浓度的季节分布具有显著影响.     

定量气象与源排放对PM10浓度影响

为了更好地区分污染物浓度变化中气象与源排放因素的影响,使用中尺度气象模型MM5与三维空气质量模型CMAQ,通过固定源清单的方法研究了不同时期气象因素对PM10浓度变化的影响,结合实测的浓度变化,计算源排放因素对浓度的贡献。结果表明:相对于2011年2月,珠三角中西部地区2012—2014年同期PM10浓度下降主要是由于气象条件的改善,肇庆、佛山、顺德与江门因有利气象近三年2月PM10平均浓度分别下降23、15、27和15μg/m3。佛山因排放源变化导致的PM10浓度下降较大,在2014年2月甚至超过了有利气象的影响,表明佛山的减排措施较有效,其余三地源排放变化对PM10浓度变化贡献较少,甚至为正贡献,表明不利的源排放变化抵消了部分有利气象条件对PM10污染改善的作用,应加强对这些地方源排放的控制。     

贵阳建筑扬尘PM_(10)排放及环境影响的模拟研究

为了研究贵阳建筑扬尘的环境影响,根据对建筑和市政施工工程的调查,估算了贵阳市区2002年建筑扬尘的PM10排放量,并利用CALPUFF模型模拟了建筑扬尘对PM10浓度的贡献,分析了其季节变化及影响因素。结果表明,2002年贵阳城区建筑扬尘的PM10排放量为416t,占PM10排放总量的4%。建筑扬尘对贵阳市区较大范围内的PM10浓度水平均有影响,对整个城区PM10的年均浓度贡献接近12%。受施工强度以及风场和降水等气象因素作用,建筑扬尘排放的影响体现出明显的季节变化。     

空气PM_(10)污染特征及绿化结构净化效应研究——以河南农业大学为例

以PM10污染为研究对象,采用激光粉尘仪对河南农业大学校园内PM10特征进行了分析,探讨了PM10的日变化规律及随高度、绿化状况和天气的变化状况,并用统计分析的方法对数据进行处理,结果表明:1)PM10浓度日变化特征为白天浓度高,夜间浓度低;2)多云、晴朗天气PM10浓度相对较低,阴天时PM10浓度出现峰值,雨天PM10浓度显著下降;3)在一定高度范围内,PM10浓度随着高度增加逐渐增大,越往高空PM10浓度越大;4)丛生灌木结构的PM10浓度明显高于乔木结构.     

基于滑动窗口和LSTM的PM2.5浓度预测模型

随着环境空气质量日趋重要,PM2.5浓度也逐渐受到重视.以北亡市某空气质量监测站2010.1.1～2014.12.31的PM2.5浓度的小时数据以及对应的气象数据作为样本进行实验.首先对数据进行预处理,考虑到PM2.5前后关联性很强这一特点,将数据进行基二时间的滑动窗口处理以利用数据的时序性,然后对各气象因子进行皮尔逊相关分析,构建了5层长短期记忆(LSTM)网络模型,引入了学习率指数衰减方法,来预测1 h后的PM2.5浓度,并将其与Lasso回归、支持向量回归(SVR)模型、XGBoost模型对比,发现构建的LSTM模型预测效果最好.     

广州夏季大气中碳气溶胶浓度水平及污染特征

2002年6-7月于广州市3个采样点采集PM10和PM25样品,测定了PM10,PM25以及元素碳(EC)和有机碳(OC)的浓度.PM10和PM2.5平均浓度分别为124.77μg@m-3及78.13μg@m-3.PM10和PM2.5中的OC浓度分别为22.3μg@m-3和15.80μg@m-3,EC浓度分别为7.78和5.90μg@m-3,其中73.8%的OC和77.7%的EC存在于PM25中.在3个采样点PM10和PM25中,OC/EC比值均大于2.0,表明广州夏季大气存在二次污染.各种气象条件对OC、EC浓度及其比值的变化都有不同程度的影响,其中降水和风速是OC、EC浓度变化的主要气象因素.     

深圳PM2.5浓度变化趋势及其月尺度预测方法

基于深圳市环境监测站的PM2.5浓度数据以及深圳市国家气候观象台发布的月度气象监测公报,研究了2012年至2019年深圳市PM2.5浓度的变化规律,分析了PM2.5浓度与月尺度气候要素的关系,并利用多元线性回归分析法建立了PM2.5月均浓度的预测模型。结果表明：2012年至2019年深圳PM2.5浓度呈明显下降趋势,PM2.5浓度有季节性特征,干季(1~3月及10~12月)PM2.5浓度比较高,也是PM2.5污染防控的重要时段。月降水日数、月降水量以及月平均温度与PM2.5浓度的负相关较明显,偏北风频率与PM2.5浓度呈显著正相关,可一定程度上帮助预判月均PM2.5浓度。与前人研究结果相反,月平均相对湿度与PM2.5浓度呈显著负相关。包含气象因素项以及PM2.5浓度项的月平均PM2.5浓度预报模型拟合度较高,偏北风频率、月平均相对湿度是对月平均PM2.5浓度影响最大的气象因素。利用深圳市2020年数据对模型进行检验,结果证明方程对于月平均PM2.5浓度的预报有一定适用性,可较好预报PM2.5浓度月增量。     

南昌一次持续雾霾天气成因分析

使用2013年冬季的1次雾霾持续过程的气象观测数据、L波段雷达观测数据和Grimm180颗粒物检测仪观测数据进行相关性分析,结果表明:南昌地区1月下旬PM10、PM2.5、PM1.0与风速呈明显的负相关关系,即风速越大,颗粒物浓度越小;地面风向为E时,南昌出现霾的次数最多;PM10、PM2.5、PM1.0与能见度呈现明显的负相关性,即气溶胶颗粒物的浓度增加时,能见度明显降低;在未降水日PM10、PM2.5、PM1.0与相对湿度呈明显的正相关性;当产生降水时,降水对PM10、PM2.5、PM1.0的清除作用显著,PM10、PM2.5、PM1.0与相对湿度呈负相关性。     

空气PM10污染染特征及绿化结构净化效应研究——以河南农业大学为例

以PM10污染为研究对象,采用激光粉尘仪对河南农业大学校园内PM10特征进行了分析,探讨了PM10的日变化规律及随高度、绿化状况和天气的变化状况,并用统计分析的方法对数据进行处理,结果表明：1）PM10浓度日变化特征为白天浓度高,夜间浓度低;2）多云、晴朗天气PM10浓度相对较低,阴天时PM10浓度出现峰值,雨天PM10浓度显著下降;3）在一定高度范围内,PM10浓度随着高度增加逐渐增大,越往高空PM10浓度越大;4）丛生灌木结构的PM10浓度明显高于乔木结构．     

基于小波分析的太原市空气质量变化特征及预测

以太原市2013年1月～2016年12月份PM2.5、NO_2、SO_2等污染物逐日浓度数据为研究对象,结合太原市地面气象数据,采用相关分析、小波分析等方法对太原市空气质量AQI(air quality index)变化特征进行了研究,同时采用小波去噪和最优子集回归方法分别建立AQI的春、夏、秋、冬季预报方程。研究结果表明:1)太原市AQI均值呈现逐年降低趋势,最大值出现在冬季,具有冬强夏弱的特点,太原市主要空气污染物为PM2.5,PM10和SO_2。2)AQI与各污染物浓度因子之间存在较强的相关性,其中AQI与PM2.5和PM10的相关性最大,Spearman相关系数极显著(P0.01),并且污染物之间、污染物与气象因子之间也存在相关性。3)太原市AQI具有较明显的年际周期性振荡、30～60d的季节性周期振荡、10～20d的双周性振荡及5～7d的准双周振荡。4)将AQI前一天的历史数据作为因子引入预测模型,相比于仅以气象因素为输入的模型具有更强的拟合精度。对数据进行小波去噪后所建的最优子集回归方程比使用原始数据更优。文章所建立的"去噪气象数据+去噪历史AQI数据"模型可以较精确地实现对太原市AQI指数的短期预测。     

严寒地区老旧小区宅旁绿地植物对PM10浓度的影响

老旧小区宅旁绿地对空气质量的提升具有重要意义。为探讨寒地城市老旧小区宅旁绿地不同植物配置结构对PM10浓度的影响,以长春市为例,在2020年夏季和冬季对围合式、行列式和混合式楼房布局的老旧小区宅旁绿地内PM10质量浓度及气象因子进行监测。结果表明：1）不同楼房布局监测地之间的PM10质量浓度水平分布和垂直分布基本一致,...     

泰安市PM10浓度变化特征及与气象因素的关系分析

根据泰安市2004-2007年PM10浓度资料和同期气象观测资料,分析PM10浓度的时间变化特征,通过相关分析得到影响PM10浓度的主要气象因素包括降水量、风速、相对湿度和气温.分析PM10浓度与各气象要素的关系:不同等级的降水对PM10污染有一定的清除作用,小于10 mm以下降水的湿沉降作用要好于10 mm以上的降水,特别是5-10 mm降水,PM10变化量最大,冬季降雨沉降效率最高;春季PM10与风速呈正相关,其他季节则相反;相对湿度小于40%时,PM10浓度与湿度呈正相关,相对湿度大于60%时,PM10浓度与湿度呈反相关;春季PM10浓度与温度的相关性要好于其他季节.