论文部分内容阅读
近年来,空气污染日渐成为一个严峻的问题。空气质量恶化对人身健康和环境存在巨大的或者潜在的危害。因此,大气污染物浓度预报非常重要,它不仅对人们的日常生活有所帮助,而且对政府制定相关政策具有指导意义。2013年,国务院颁布了《大气污染防治行动计划》,要求各地建立监测预警体系,京津冀、长三角、珠三角及其他省、副省级市、省会城市均包括在内的城市或区域开展空气质量预报预警的工作。通过研究昆明市的污染物浓度预测模型,有助于昆明市空气质量预报预警工作的开展。以统计模型和机器学习模型为代表的非机理模型在污染物浓度预报中应用广泛,其中BP神经网络以其较强的非线性拟合能力在污染物浓度预测中广泛应用。本文利用BP神经网络结合变量筛选的方法建立了 SO2,NO2,O3,CO,PM10,PM2.5等6种污染物的浓度预测模型,并选取2014-1-1至2015-11-28时段,昆明市区6个环境监测点6种污染物浓度的监测数据建立了昆明市污染物均浓度预测模型。采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日浓度进行预测,并讨论MIV的方法在浓度预测中应用的可行性。(1)通过变量筛选的结果可以看出,前一日的其他污染物浓度对预报对象的浓度有较大影响;(2)BP神经网络模型的预测结果较好,预测的浓度水平和变化趋势与实测值的变化吻合度较高。标准化平均偏差NMB均小于18,标准化平均误差NMB均小于40,剩余标准差RMSE均小于30,相关系数R多大于0.6;(3)利用MIV方法对输入变量筛选,有助于BP神经网络模型预测精度的提高,个别模型如关上监测点N02,CO,碧鸡广场SO2,龙泉镇S02,呈贡新区SO2,东风东路S02、03的预测模型并不能提高预测精度;(4)各污染物的IAQI分指数的准确率较高,可以达到70%以上,首要污染物的准确可以达到50%左右,各点位的AQI均可达到65%以上。