论文部分内容阅读
本文应用沈阳市2015年~2017年空气质量监测资料与同期地面气象资料,分析了AQI时间变化特征,对不同季节AQI和影响因子进行了相关分析以更进一步了解时间变化特征的形成原因,并在此基础上分季节建立了三种预测模型,对沈阳市四季AQI进行预测。本研究有以下结论:(1)2015年~2017年间,沈阳市AQI日值大多在30~300范围内波动;逐月变化曲线近似呈V型。1~8月AQI月平均值呈下降趋势,8~12月AQI月平均值呈上升趋势。冬季春季污染较严重,夏季秋季污染较轻。2015年、2016年、2017年AQI年平均值等级为三级、二级、二级。各季节良这一类别天数占比最大。各年AQI级别为二级的天数最多。(2)对四季AQI与各因子进行相关分析,计算相关系数并进行Monte Carlo检验,结果表明:各季节影响因子各不相同。春季的主要气象影响因子为蒸发量、气温;夏季的主要气象影响因子为蒸发量、地表温度、湿度、日照小时数;秋季的主要气象影响因子为蒸发量、地表温度、本站气压、湿度、日照小时数、气温、风速;冬季的主要气象影响因子为蒸发量、地表温度、湿度、日照小时数、风速风向。蒸发量、温度对四季AQI均有影响,前一日AQI这一特征因子对四季AQI也均有影响。在此基础上建立模型。(3)建立三种AQI预测模型,利用模型进行预测。四季逐步回归预测模型各季节预测值和实际值平均绝对误差分别为22.46、20.21、20.76、33.77;平均相对误差分别26.49%、33.20%、29.00%、30.19%;均方根误差分别为29.51、27.06、27.60、46.79;级别预报正确率分别为58.70%、57.61%、67.03%、37.78%。BP神经网络预测模型各季节预测值和实际值平均绝对误差分别为17.06、17.05、18.87、30.05;平均相对误差分别为17.52%、29.38%、25.85%、27.94%;均方根误差分别为23.56、23.87、26.07、48.36;级别预报正确率分别为71.74%、69.57%、75.00%、64.44%。遗传算法优化的BP神经网络预测模型各季节预测值和实际值平均绝对误差分别为15.51、16.95、18.49、28.18;平均相对误差分别为19.47%、23.10%、23.86%、27.17%;均方根误差分别为22.49、23.35、24.04、44.47;级别预报正确率分别为72.83%、72.82%、75.82%、68.89%。各季节遗传算法优化的BP神经网络模型预测效果优于BP神经网络模型优于逐步回归模型,说明神经网络模型预测沈阳市AQI效果比回归模型好,而用遗传算法优化BP神经网络使预测效果更佳。