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。     

基于HJ-1B的城市热岛季节变化研究——以北京市为例

基于中国的HJ-1B卫星反演地表温度,通过建立一种2.5维高斯表面模型来对北京城市热岛建模,定量描述热岛的位置、形状和大小,并用这种模型来描述城市热环境及其季节变化。研究发现,北京市热岛效应季节变化明显,夏季市中心形成热岛且强度和范围最大,冬季城区中心变成冷岛。在2009年夏季,北京市热岛区域东西横跨33.92 km,南北横跨40.92 km,面积约为1 090.14 km2。相对的,在冬季,北京市区温度比郊区低,从而形成一个冷岛。研究表明HJ-1B卫星是城市热环境监测中的一个良好的数据源。     

京津冀地区污染过程的气溶胶遥感反演

针对地面监测站覆盖范围有限且成本高的不足,该文采用遥感卫星与地面站点数据相结合的方式,利用简化的气溶胶反演算法反演京津冀地区2013年秋、冬季节两次污染过程的气溶胶光学厚度,分辨率为500m。以气溶胶自动观测网在北京站点的监测数据作为简化的气溶胶反演算法的输入参数,分析气溶胶光学厚度与气溶胶自动观测网对应地面站点的相关性;将所反演气溶胶光学厚度与京津冀地区空气质量监测站点的细颗粒物浓度24h均值进行相关性分析,发现除近海城市外,相关性均较高。结果表明,简化的气溶胶反演算法适用于区域污染过程中的气溶胶光学厚度反演,反演精度高,对空气质量具有较好的监测能力。     

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。     

气候变化与国家安全风险分析关键技术探索

如何量化与认知气候变化对国家安全产生的巨大风险已经成为国内外首脑高峰会议的热点之一。IPCC的报告综合了千余名科学家与专家对气候变化包括气象灾害、粮食安全、生态系统、水资源等多个领域在内的风险评估的整理、分类和分析,但大多尚处于单项领域的研究,亟须进行系统的建模和全面的风险分析。该文提出了CyberGIS模型方法,探讨对国家安全风险问题的参数化建模和形式化表达。     

基于RNN的空气污染时空预报模型研究

针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和RNN(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(DRNN)用于时空预报。使用深度全连接神经网络(DFNN)作为DRNN的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。     

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。     

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。