共查询到15条相似文献，搜索用时 281 毫秒
1.
针对PM2.5浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘，而深度学习算法在数据较少情况下效果不佳的问题，综合考虑深度学习与随机森林的特点，提出一种基于深度学习与随机森林的PM2.5浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM2.5地面观测数据构建训练数据集，通过深度学习方法对训练数据内部深层次隐含特征进行提取，将提取得到的隐含特征用于随机森林模型训练，并使用随机森林回归算法得到PM2.5浓度的预测值。为验证方法的有效性，以河南省区域2018年—2019年的PM2.5浓度估算为例，将原始特征与利用CNN、LSTM和CNN＿LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明，在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度，其中以LSTM为特征选择器，RF为回归器的组合模型是本实验的最优模型，在即使只有35%... 相似文献
2.
在我国工业化和城市化迅速发展的背景下,细小颗粒物PM2.5污染已经成为当前主要空气污染物。本文使用基于Python编程语言的网络爬虫技术获取了中国京津冀、长三角、珠三角3个重点区域的PM2.5日均值数据,分别基于Excel软件和ArcGIS软件进行PM2.5时空变化特征分析。最后,通过建立分数阶累加灰色预测模型对北京市2018年PM2.5月均值浓度进行预测。结果显示:1)时间上,我国PM2.5浓度表现为“冬高夏低”的“U”形变化趋势;2)空间上,我国PM2.5浓度整体表现为由南北地区向中部地区PM2.5浓度逐渐增加;3)分数阶GM(1,1)模型对PM2.5月均值浓度数据的预测精确度较高,结合预测结果可从长期或短期提出PM2.5污染治理的措施建议。 相似文献
3.
实现全国连续空间覆盖未来小时尺度的PM2.5浓度实时、高精度预报是一个难题。本文建立基于深度学习的多层长短期记忆迭代模型和改进的空间反向传播神经网络S-BPNN模型来实现全国小时尺度PM2.5浓度的空间预报。首先,研究基于空间相关性将全国1286个空气质量监测站点在空间上进行自适应分区,并对各个分区分别构建多层LSTM迭代预报模型实现未来24 h各个监测站点的PM2.5浓度的实时预报。其次,应用改进的S-BPNN空间化模型实现未来24 h全国连续空间覆盖的PM2.5浓度精细化制图。然后,利用2016—2019年中国PM2.5监测站的历史数据进行训练和验证,结果显示预报模型和空间化模型的相关系数R2分别为0.88和0.87,表明模型都能实现较高的精度。最后,基于提出的预报模型和空间化模型,辅助从监测站实时获取的大气污染数据和气象数据,通过搭建的大气污染物浓度预报智能化在线信息原型系统可实时发布预报结果并可进行空间化展示。研究实现了全国连续空间覆盖的PM2.5浓度高时空精度的实时预测,以支持大气污染联防联控和公众环境空间质量信息服务。 相似文献
4.
本文基于2015—2019年冬季黄河流域中游地区（山西段和陕西段）6种大气污染物的浓度数据,研究了黄河流域中游冬季大气污染物的变化特征。研究结果表明,2015—2019年黄河流域中游地区,PM10和CO浓度持续降低,O3浓度持续升高,PM2.5、SO2及NO2平均浓度呈先上升后下降的规律。2019年主要污染物NO2、CO、PM2.5、PM10及SO2浓度均最低;2019年冬季O3平均浓度达到最高（54μg/m3）。研究地区下游的PM2.5浓度高于上游,且沿黄河由北向南其浓度逐渐增加,黄河东侧山西段的PM2.5浓度高于西侧陕西段。研究区域PM10污染浓度由2015—2016年的黄河东侧高西侧低转变为2017—2019年上游低下游高的分布特征。SO2浓度呈黄河东岸比西岸高的分布。NO2高值区域从2015—2017年黄河西侧下游地区变为2018—2019年中上游地区;CO平均浓度高值区域位于黄河东侧下游地区;O3浓度空间分布特征不明显,但近5年浓度大幅增加,需要加强对臭氧的防控。 相似文献
5.
冬春季节的空气质量预测有助于公众合理安排出行和政府相关部门的交通治理.细颗粒物(PM2.5)的浓度主要影响因素有大气污染物、水汽等.为提高PM2.5浓度预测的精度,以京津冀地区为例,利用快速傅里叶变换(fast Fourier transform,FFT)与长短期记忆(long short term memory,LSTM)神经网络方法相结合,考虑GNSS、ERA5水汽、大气污染物等观测要素,构建PM2.5的浓度预测模型,预测研究未来24 h的PM2.5的浓度.利用GNSS水汽校正区域ERA5水汽,并进行精度评定.利用FFT取大气污染物、第五代大气再分析产品(ECMWF atmospheric reanalysis 5,ERA5)水汽等观测要素的公共变化周期,获得最佳公共周期为78 h;选取最佳公共周期长度的各类要素作为模型输入,24 h序列的PM2.5浓度作为模型输出.通过均方根误差(root mean square error,RMSE)评价指标进行模型精度评价.研究结果表... 相似文献
6.
建立精确预测参考作物蒸散量（ET0）的计算模型对区域水资源规划和灌溉调度设计具有重要意义。聚焦评估多元自适应回归样条模型（multivariate adaptive regression splines,MARS）计算每日ET0的性能。首先,将Penman-Monteith方程计算的ET0作为标准值;然后,利用中国新疆维吾尔自治区伊犁哈萨克自治州伊宁站1996—2015年逐日气象数据,建立14种不同气象参数组合下的MARS模型并计算ET0;最后,将结果与广义回归神经网络（general regression neural network,GRNN）、支持向量机（support vector machine,SVM）及基于温度、传质、辐射和气象参数的10个经验方程进行比较。结果表明,MARS、GRNN和SVM计算ET0的精度均高于经验方程,整体上MARS性能最好、精度最高,而SVM略优于GRNN。 相似文献
7.
针对土地利用/覆盖（land-use and land-cover,LULC）方式是否影响城市空气污染空间分异特征形成的问题,利用遥感技术和景观生态学方法分别获取长株潭城市群核心城区LULC及其景观格局,绘制空气污染物浓度与气象影响因子空间分异图,引入地理探测器定量分析土地因子在融合气象要素前后对NO2、PM10、O3、PM2.5浓度空间分布差异的贡献强度。结果表明,建设用地面积比例越高,林地越低,NO2、PM2.5浓度越高,O3越低。非建设用地区域,污染物浓度随着土地景观格局破碎度、多样性指数值增大而升高,建设用地区域反之。LULC和土地景观格局的复合因子贡献力（P0.03~0.28）高于两者任意单独因子贡献力（P:0.01~0.11）,融合气象要素后,LULC对空气污染物空间分异特征形成的因子贡献力（P:0.18~0.53）显著增强。 相似文献
8.
9.
PM2.5作为空气污染物，对人体健康构成了潜在威胁。中国和印度是全球人口最多的两个发展中国家，PM2.5污染造成的疾病负担问题尤为严重。因此，本文基于长时间序列高分辨率(0.01°×0.01°)卫星反演的PM2.5浓度数据，分析了中国和印度19年(2000年—2018年)的PM2.5时空格局变化和人口暴露情况；基于综合暴露响应模型全面评估了两个国家因PM2.5长期暴露导致的6种疾病(急性下呼吸道感染、慢性阻塞性肺病、二型糖尿病、缺血性心脏病、肺癌和中风)的过早死亡人数。结果表明，中国PM2.5浓度的高值区集中在新疆、四川盆地、华北平原以及长江经济带等地区，年人口加权浓度总体呈减少趋势(2000年为50μg·m-3,2018年为40.8μg·m-3)；印度PM2.5浓度的高值区集中在北部地区，年人口加权浓度一直呈上升趋势(2000年为51.5μg·m-3,2018年为76... 相似文献
10.
针对时空地理加权回归模型(GTWR)进行预测时,输入变量较多导致计算复杂度高,而输入变量较少引起预测精度降低这一问题,提出了一种基于主成分分析的时空地理加权回归方法(PCA-GTWR)。该方法采用非线性主成分分析方法,先对影响PM2.5浓度的若干相关变量降维处理得到几个综合指标,并将其作为GTWR模型的输入变量进行预测。为验证该方法的有效性,采用北京市2014-04—2017-03的PM2.5数据,利用Pearson相关系数法选取与PM2.5浓度具有较高相关性的影响因素作为常规的GTWR模型的输入变量,在变量个数相同的前提下,与本文方法进行对比。结果表明应用非线性主成分分析方法对相关变量进行预处理后,有效地解决了变量之间的共线性,保留了原始影响因素主要信息,提高了运算效率,且该方法的MAE、RMSE、AIC均低于常规的GTWR模型,拟合优度GF最高达到88.11%。 相似文献
11.
大气PM2.5遥感制图研究进展 总被引：2，自引：0，他引：2
遥感技术具有时空大范围、低成本的独特优势,已经成为定量监测大气PM_(2.5)污染时空分布的重要手段。本文综述了大气PM_(2.5)遥感制图的进展:首先,对大气PM_(2.5)遥感反演方法进行了归纳,以及总结了现有大气PM_(2.5)遥感反演验证方法的适用条件与局限性;其次,对卫星反演大气PM_(2.5)合成产品偏差校正和大气PM_(2.5)无缝制图进行了梳理;最后总结了大气PM_(2.5)遥感制图的前沿研究方向。 相似文献
12.
针对采用地理加权回归模型（GWR）进行预测时输入变量较多导致计算复杂度高,而输入变量较少引起预测精度降低这一问题,提出了一种基于主成分分析的地理加权回归方法（PCA-GWR）。首先,该方法检验了气溶胶光学厚度（AOD）影响因素之间的共线性;然后,通过非线性主成分分析法（NLPCA）对影响AOD值的若干相关变量进行处理,既消除了相关变量彼此之间的多重共线性,又可以起到降维的作用;最后,利用非线性主成分分析得到较少的几个综合指标,通过地理加权回归模型对AOD值进行分析预测。为验证该方法的有效性,采用京津冀地区的AOD、高程、风速、气温、湿度、气压、坡度、坡向数据,利用Pearson相关系数法选取与AOD浓度具有较高相关性的影响因素作为常规的GWR模型的输入变量,在变量个数相同的前提下,与本文方法进行对比。研究结果表明：应用非线性主成分分析法对相关变量进行预处理后,有效地解决了变量之间的共线性,保留了原始影响因素主要信息,提高了运算效率,且该方法所得的MAE、RMSE、AIC及其拟合优度R2均优于常规的GWR模型。 相似文献
13.
TerraSAR-X satellite acquires very high spatial resolution data with potential for detailed land cover mapping. A known problem with synthetic aperture radar (SAR) data is the lack of spectral information. Fusion of SAR and multispectral data provides opportunities for better image interpretation and information extraction. The aim of this study was to investigate the fusion between TerraSAR-X and Landsat ETM+ for protected area mapping using high pass filtering (HPF), principal component analysis with band substitution (PCA) and principal component with wavelet transform (WPCA). A total of thirteen land cover classes were identified for classification using a non-parametric C 4.5 decision tree classifier. Overall classification accuracies of 74.99%, 83.12% and 85.38% and kappa indices of 0.7220, 0.8100 and 0.8369 were obtained for HPF, PCA and WPCA fusion approaches respectively. These results indicate a high potential for a combined use of TerraSAR-X and Landsat ETM+ data for protected area mapping in Uganda. 相似文献
14.
时间主成分分析（temporal principal component analysis,TPCA）可用于地学领域中提取时空数据的时序特征和空间分布特征,北京平原区的地面沉降具有典型的时序和空间特征。在利用永久散射体干涉测量技术获取的北京平原区2003—2010年地面沉降数据的基础上,采用TPCA方法分析了北京平原区地面沉降时空演化特征。经分析发现:（1）TPCA分析得到的第一主成分反映了地面沉降在该长时序阶段的空间分布特征。（2）第二主成分得分为正的空间点与可压缩层厚度在130 m以上的区域在空间分布上有一致性和相关性。（3）在空间上,第一主成分为负值与第二主成分为正值的永久散射体点分布在年均沉降速率30 mm/a以上的严重沉降区域。严重沉降区具有明显的南北沉降分类现象和季节性差异,具体表现为:北部沉降区在春夏季节的沉降量大于秋冬季节;南部沉降区则与之相反。总之,基于时间主成分分析方法可分析得到研究区的地面沉降时空演化规律,为城市安全监测提供数据支撑。 相似文献
15.
基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测北大核心CSCD 总被引：1，自引：0，他引：1
针对传统BP神经网络模型收敛速度慢、易陷入局部极值等问题,本文采用分段线性混沌映射(PWLCM)和萤火虫算法(FA)改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测。通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE、MAPE、MAE分别下降了3.70、3.73、3.34。试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP、SSA-BP神经网络模型,可用于预测PM_(2.5)浓度。 相似文献