辽宁省PM2.5时空分布特征及预测模型研究

发布时间：2020-11-22 05:02

　　 经济高速发展随之而来的污染问题不容忽视,PM2.5浓度也成为人们关注的问题。本文利用辽宁省14个城市环境监测站点2015年1月1日~2017年12月31日三年逐小时PM2.5浓度资料以及对应气象站的地面气象要素资料,研究了辽宁省PM2.5浓度的时空变化特征,分季节分析各气象要素与PM2.5之间的相关关系,在此基础上建立逐步回归模型和BP人工神经网络模型分别对PM2.5浓度进行预测。研究主要结论如下:(1)辽宁省时空分布研究表明:2015-2017年PM2.5浓度呈下降趋势,四季浓度为冬季秋季春季夏季。2015年月平均浓度在30~98μg/m~3之间;5~9月份PM2.5月均浓度较低,1~4月份、11~12月PM2.5月均浓度较高,11月份PM2.5浓度最大(98μg/m~3),9月份PM2.5浓度最小(30μg/m~3)。2015年辽宁省PM2.5浓度最高的是辽宁中部地区,其次是辽宁西部地区和辽宁东北部地区,辽宁东南沿海地区PM2.5全年都要低于辽宁省其他地区。(2)辽宁省特殊时期PM2.5浓度研究表明:2015年辽宁省采暖期浓度均高于非采暖期,其中营口市采暖期PM2.5浓度为非采暖期的1.3倍,采暖期燃煤量增加会导致PM2.5浓度升高。2015年过年期间初一到初七PM2.5浓度明显高于平日,在2016年和2017过年期间PM2.5浓度虽然高于平日,但是也要低于2015年PM2.5浓度。(3)通过辽宁省PM2.5浓度与气象要素相关关系分析得出春季主要影响因子为:平均地表温度、日最低地表温度等;夏季主要影响因子为:平均地表温度、日最低地表温度、日最高地表温度等;秋季主要影响因子为本站气压、日照小时数、前一日PM2.5浓度等;冬季主要影响因子为:日最低地表温度、平均相对湿度、日照小时数等。(4)对辽宁省四个区域的代表城市建立逐步回归分析模型。四个城市各季节PM2.5浓度预测值与真实值之间的平均相对误差分别为33.4%、32.5%、32.7%和31.8%,平均绝对误差为12.4μg/m~3、10.6μg/m~3、14.6μg/m~3和20.5μg/m~3。均方根误差为2.3μg/m~3、2.0μg/m~3、2.7μg/m~3、3.9μg/m~3。逐步回归分析建立的模型预测辽宁省PM2.5浓度春季、夏季要优于秋季和冬季。利用MATLAB软件建立相应BP神经网络模型,相对误差分别为17.2%、14.6%、18.9%、24.9%,平均绝对误差为7.0μg/m~3、4.9μg/m~3、6.0μg/m~3、11.9μg/m~3,RMSE为2.0μg/m~3、1.4μg/m~3、1.7μg/m~3、2.9μg/m~3。通过对辽宁省这两种模型精度指标进行对比,结果表明BP神经网络模型优于逐步回归模型,因此利用BP神经网络模型,能够提高PM2.5浓度预测的准确率。
【学位单位】：沈阳农业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：X513
【部分图文】：

归分析建立预测模型逐日 PM2.5 浓度值以及同期的地面气象要素资辽宁省 PM2.5 污染物的时空变化特征分析各季节 PM2.5 浓度与气象要素之间的相关关找出与 PM2.5 浓度相关性强的气象因子利用 BP 神经网模型预测

气温速降。冬季寒冷期长，降水较少，时遇省历史气象资料（1971~2000 年）显示：年平均气温在 5-，自沿海向内陆呈递减趋势。1 月平均气温最低，7 月平3.4℃，出现在 2001 年 1 月 13 日铁岭市西丰县，极端最高 7 月 14 日的朝阳市；年平均降水量为 500~1000 毫米，够达到 800~1050 毫米，西北部地区达到 400~500 毫米之全年降水量 60~70%左右。秋季（9~11 月）雨量减少，大部间，约占全年总降水量的 13％~22％。 PM2.5 浓度从网站为（http://beijingair.sinaapp.com）全国空取辽宁省 14 个城市国家统一标准的空气监测点测得的 PM为逐小时 PM2.5 浓度。部分缺测数据由 http://www.pm2.5气自动监测系统测点的基本信息如图 2.1 所示。本文把各监值的平均值作为该站点 PM2.5 日均浓度。

练是通过各层权值在数据正反两个方向的无限次循环传播中不到可以被接受的程度，也可以预先设定学习次数，那么网络训为止。本文设定最大训练次数为 10000。本文具体使用 BP 神据处理据包括气象要素和前一日 PM2.5 浓度值，这些数据的量纲、数些数据进行归一化处理。其中使用 MATLAB 中的 mapstd（）一化。但是最后输出数据时要进行反归一化的处理,还原数据原。络层数量研究表明，一个三层的神经网络，就可以完成映射过程。本输入层、输出层和学习训练隐层。BP 神经网络具有即使隐含层点，但是在反向误差传播时，隐含层越多，训练时间也会随着图所示，
【相似文献】

相关期刊论文 前10条

1 金珊合;张育庆;杨俊;;城市局部气候分区对地表温度的影响——以大连市区为例[J];测绘通报;2019年04期

2 李召良;唐伯惠;唐荣林;吴骅;段四波;冷佩;张仁华;;地表温度热红外遥感反演理论与方法[J];科学观察;2017年06期

3 李军;龚围;辛晓洲;高阳华;;重庆地表温度的遥感反演及其空间分异特征[J];遥感技术与应用;2018年05期

4 吴晓娜;孙照渤;;欧亚大陆夏季地表温度的气候特征及与大气环流的联系[J];大气科学学报;2015年02期

5 屈创;马金辉;夏燕秋;田菲;;基于MODIS数据的石羊河流域地表温度空间分布[J];干旱区地理;2014年01期

6 李晓萌;孙永华;孟丹;余洁;李小娟;;近10年北京极端高温天气条件下的地表温度变化及其对城市化的响应[J];生态学报;2013年20期

7 王宇;全球地表温度100年内将上升1.4至5.8摄氏度[J];生态经济;2004年06期

8 黄永芳;曹冀鲁;;试论冬季北京城市地表温度环境[J];环境保护;1987年12期

9 钱永甫;地表热平衡温度的一种计算方法[J];气象科学;1988年04期

10 本条毅;高仓直;王茂新;;绿地对城市热量条件的影响——用遥感解译绿地并分析地表温度[J];气象科技;1988年02期

相关博士学位论文 前10条

1 周玄德;新疆典型城市不透水面及其地表温度的分形研究[D];新疆大学;2018年

2 于真;四川省地表温度时空变化特征及评价模型研究[D];成都理工大学;2017年

3 曾玲琳;作物物候期遥感监测研究[D];武汉大学;2015年

4 韩晓静;云下地表温度被动微波遥感反演算法研究[D];中国农业科学院;2018年

5 庄元;半干旱区城市地表覆盖时空特征及其对地表温度的影响[D];陕西师范大学;2018年

6 刘佳;利用钻孔温度梯度重建过去地表温度变化研究[D];兰州大学;2015年

7 张金区;珠江三角洲地区地表热环境的遥感探测及时空演化研究[D];中国科学院研究生院（广州地球化学研究所）;2006年

8 蔡国印;基于MODIS数据的地表温度、热惯量反演研究及其在土壤水分、地气间热交换方面的应用[D];中国科学院研究生院（遥感应用研究所）;2006年

9 戴晓燕;基于遥感数据挖掘定量反演城市化区域地表温度研究[D];华东师范大学;2008年

10 彭征;重庆市中心城区土地利用/覆盖变化及其对地表温度影响研究[D];西南大学;2009年

相关硕士学位论文 前10条

1 黄晶晶;2003～2017年江浙沪地表温度重建及其时空变化分析[D];浙江师范大学;2019年

2 李婧;基于形态要素的不透水面对地表温度的影响研究[D];哈尔滨工业大学;2019年

3 忽晨琛;地表温度对不同建设用地类型特征的响应[D];中国地质大学(北京);2019年

4 樊欣宇;辽宁省PM2.5时空分布特征及预测模型研究[D];沈阳农业大学;2019年

5 周涛;成都市中心城区地表温度的分异特征研究[D];成都理工大学;2019年

6 张岐岳;基于RS大兴安岭火烧迹地地表温度与遥感指数相关分析[D];内蒙古农业大学;2019年

7 毛鹏磊;郑州市三维扩张与地表温度的时空变化研究[D];郑州大学;2019年

8 臧琳;基于红外异常的发震信号识别与危险性评估[D];中国石油大学(华东);2017年

9 王超;重庆市长时序遥感地表温度数据重建方法的对比研究[D];重庆师范大学;2019年

10 云翔;全球地表温度数据的改进以及增暖分析[D];中国气象科学研究院;2019年

本文编号：2894166