论文部分内容阅读
近年来我国许多城市的空气质量问题日益严重,严重影响了人们的健康出行和生活质量,因此科学地分析和预测空气质量指数(AQI)成为了一项必不可少的研究课题。空气质量指数是根据空气中污染物浓度来确定的。空气质量指数的变化与污染物的排放和影响污染物沉降扩散能力的气象条件有关,因此影响空气质量指数值变化的因子主要有污染物因子和气象因子。为了提高预测的准确率,需要对预测因子进行筛选,本文在国内外研究的基础上,提出了新的污染物因子和气象因子的筛选方法。大气污染物排放相对稳定时,气象因子是影响空气质量指数变化的重要因素。而在目前空气质量预测研究中,气象因子大多数以历史实测数据或数值预报数据作为预测模型的输入。其中以历史实测数据作为输入,忽略了气象预报信息,其预测精度不理想;以单一数值预报数据作为输入,单一性和混沌性将造成其最终预报结果的不准确。为此,本文提出采用基于集合预报的气象因子作为空气质量指数预报模型的输入,以提高预报的准确性。目前,学术界对空气质量预测模型的研究主要包括数值模式预测模型和统计预测模型,其中统计预测模型在国内外的使用较广泛。统计预测模型中神经网络预测模型由于具有较强的非线性关系拟合能力而得到广泛应用。因此,本文采用定性定量嵌套的BP神经网络预测模型作为成都市空气质量指数的预测模型。本文的研究内容主要包括:(1)收集实验数据并对数据进行预处理。将收集到的气象因子数值预报数据插值为成都市市辖区范围的气象因子数值预报数据。(2)筛选预测因子。影响空气质量指数值变化的因子主要有污染物因子和气象因子。其中污染物因子的筛选根据环境空气质量标准(GB3095-2012)选择。气象因子的筛选,本文提出采用基于增加特征变量的转移熵方法,同时对转移熵方法的相关性质和理论知识进行梳理与分析,结果表明该方法是可行的。(3)预测因子预报。本文预测因子预报主要针对气象因子,本文提出对气象因子进行集合预报。采用基于贝叶斯模型平均(BMA)的气象集合预报方法对影响空气质量指数值变化的各个气象因子的集合预报值进行处理,以提高气象因子预报的准确率。(4)预测模型的构建。为了增强最终预测结论的可靠性和预测建模方法的稳定性,在前期工作的基础上,本文提出采用定性定量嵌套的BP神经网络预报模型对成都市空气质量指数进行预测,实验结果表明该预测模型的预测结果比单一的定量BP神经网络预测模型结果更准确。