基于移动污染源遥测数据的区域大气污染预测研究

发布时间：2021-02-18 16:28

　　近年来,随着城市机动车数量的增加,由机动车尾气排放引起的生态和环境问题变得越来越突出,并成为了社会关注的热点问题。城市路网中行驶的机动车、工程器械等移动污染源排放出的大量对人体有害的气体如一氧化碳、二氧化碳、碳氢化合物、氮氧化物已成为形成大气污染的主要来源。获取实时的车辆排放信息和不同区域的大气污染情况,对移动污染源尾气排放控制和大气污染治理有着重大的意义。本文从移动污染源排放尾气造成的大气污染背景出发,以统计学习和深度学习等方法为基础,针对单站点和多站点区域的大气污染预测,提出了两种预测模型。本文的主要工作及研究成果如下:（1）针对道边监测站点大气污染数据存在的类别不平衡和有标记样本稀疏性的问题,本文提出一种基于不平衡修正的半监督超限学习机（Semi-supervised Extreme Learning Machine,SS-ELM）大气污染预测算法。利用改进的人工过采样技术（Majority Weighted Minority Oversampling Technique,MWMOTE）对类别不平衡进行修正,并结合有标记样本和无标记样本一起训练预测模型。该模型在杭州市下沙监测站点... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 遥感检测技术研究
        1.2.2 大气污染预测方法
    1.3 主要研究内容
    1.4 论文组织结构
    1.5 本章小结
第2章 基础理论介绍
    2.1 超限学习机
        2.1.1 ELM基本原理
        2.1.2 SS-ELM基本原理
    2.2 卷积神经网络
        2.2.1 卷积神经网络模型
        2.2.2 卷积神经网络特点
        2.2.3 3D卷积神经网络
    2.3 深度密集连接网络
        2.3.1 密集连接网络连接机制
        2.3.2 密集连接网络结构
        2.3.3 密集连接网络特点
    2.4 长短期记忆神经网络
    2.5 本章小结
第3章 基于不平衡修正半监督学习的大气污染预测方法
    3.1 引言
    3.2 带多数类权重的少数类样本过采样技术
    3.3 基于不平衡修正半监督超限学习机模型
    3.4 数据集描述及评价指标
        3.4.1 数据集
        3.4.2 污染等级
        3.4.3 评价指标
    3.5 实验结果分析
        3.5.1 性能验证
        3.5.2 不同比例有标记样本对算法的影响
        3.5.3 参数对算法的影响
    3.6 本章小结
第4章 基于深度时空密集网络的区域大气污染预测方法
    4.1 引言
    4.2 空间插值
        4.2.1 区域划分
        4.2.2 反距离加权法
    4.3 基于深度时空密集网络的预测模型
        4.3.1 时空依赖特征
        4.3.2 外部因素特征
        4.3.3 模型网络结构
    4.4 数据集描述及评价指标
        4.4.1 数据集
        4.4.2 评价指标
    4.5 实验结果分析
        4.5.1 参数设置
        4.5.2 对比方法
        4.5.3 预测结果
    4.6 本章小结
第5章 移动污染源排放在线监测系统设计
    5.1 移动污染源排放遥感监测设备
    5.2 移动污染源在线监控平台
    5.3 移动污染源排放等级分类模块
        5.3.1 排放等级分类模块需求
        5.3.2 排放等级分类模块设计
        5.3.3 排放等级分类模块实现
    5.4 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 工作展望
致谢
参考文献
附录


【参考文献】：
期刊论文
[1]嵌套网格空气质量预报模式系统的发展与应用[J]. 王自发,谢付莹,王喜全,安俊岭,朱江.  大气科学. 2006(05)
[2]区域酸性沉降的数值研究Ⅱ．个例模拟和试验[J]. 王体健,李宗恺,南方.  大气科学. 1996(06)
[3]区域酸性沉降的数值研究──Ⅰ．模式[J]. 王体健,李宗恺,南方.  大气科学. 1996(05)



本文编号：3039803