基于时空特征学习的区域空气污染物扩散趋势预测研究

发布时间：2021-08-09 05:50

　　空气污染物给当前人们的生活环境带来了巨大的影响,污染物的治理和预测受到世界的广泛的关注。传统的污染物预测方法在解决长时间序列预测问题上遇到了阻碍,很难深度提取污染物和天气数据之间的时空关联特征,无法计算环境监测站点的位置信息、污染物和天气因素对每个时刻预测结果影响力大小问题。因此在城市污染物预测过程中,发现区域城市污染产生的影响力,到目前在污染物预测研究中还没去结合。当前,在历史的污染物和天气的大数据的支撑下,新型的机器学习技术为污染物预测所遇到的问题带来了新的解决思路和方法。根据相关研究中使用的污染物浓度预测方法的特点,空气污染物浓度预测可以从根本上分为两种主要的研究方法:确定性方法和统计学方法。确定性方法可以应用于有限的历史数据集。但是,需要气象原理和统计方法来模拟基于大气物理和化学反应的污染物的实时排放,扩散,转化和去除过程。基于确定性方法的模型结构是基于某些理论假设和先验知识预定义的,因此很难学习区域污染物的时空动态变化特性和有效的精确预测污染物浓度。统计学方法在污染物预测任务中,主要可细分为传统的机器学习方法和新型的深度学习方法。传统机器学习的特点是在小数据量的历史训练数据上... 

【文章来源】：上海师范大学上海市

【文章页数】：95 页

【学位级别】：硕士

【部分图文】：

城市污染物浓度预测和污染物扩散模拟流程

上海师范大学硕士学位论文相关理论基础23图2-3用于表示FNN-Model整体框架，左图红色方框内表示的是RCL-Learning模型，右图蓝色方框内表示的是ABL-Learning模型，模型共享数据预处理层。2.3.3时空维度特征提取和向量化本文的主要工作为区域城市污染物浓度和扩散趋势预测，本文的首要工作就是对输入到模型中的数据进行预处理工作，即数据特征标准向量化。根据本文提出的模型的不同，数据所采取的向量化方式也有很大差异。本文提出的第一个污染物浓度预测模型RCL-Learning，它是通过残差卷积和循环卷积的方式对输入的区域城市污染物浓度和气象数据进行时空特征提取，模型的要求是每个特征图必须是二维特征向量。残差卷积和循环卷积特征向量操作过程，如图2-4和图2-5所示：图2-4用于表示RCL-Learning特征向量卷积过程。左图表示的是残差卷积的基本组成单

上海师范大学硕士学位论文相关理论基础23图2-3用于表示FNN-Model整体框架，左图红色方框内表示的是RCL-Learning模型，右图蓝色方框内表示的是ABL-Learning模型，模型共享数据预处理层。2.3.3时空维度特征提取和向量化本文的主要工作为区域城市污染物浓度和扩散趋势预测，本文的首要工作就是对输入到模型中的数据进行预处理工作，即数据特征标准向量化。根据本文提出的模型的不同，数据所采取的向量化方式也有很大差异。本文提出的第一个污染物浓度预测模型RCL-Learning，它是通过残差卷积和循环卷积的方式对输入的区域城市污染物浓度和气象数据进行时空特征提取，模型的要求是每个特征图必须是二维特征向量。残差卷积和循环卷积特征向量操作过程，如图2-4和图2-5所示：图2-4用于表示RCL-Learning特征向量卷积过程。左图表示的是残差卷积的基本组成单

【参考文献】：
期刊论文
[1]运用贝叶斯方法的PM2.5浓度时空建模与预测[J]. 朱亚杰,李琦,侯俊雄,范竣翔,冯逍.  测绘科学. 2016(02)
[2]福州市PM10突变特征与气象条件的关系研究[J]. 王宏,林长城,蔡义勇,陈彬彬.  热带气象学报. 2008(05)
[3]稳定气象条件对天津市环境空气质量的影响[J]. 梅鹏蔚.  城市环境与城市生态. 2006(04)
[4]珠江三角洲地区城市群发展对局地大气污染物扩散的影响[J]. 陈燕,蒋维楣,郭文利,苗世光,陈鲜艳,季崇萍,王晓云.  环境科学学报. 2005(05)
[5]复杂地形城市冬季大气污染的数值模拟研究[J]. 姜金华,彭新东.  高原气象. 2002(01)



本文编号：3331497