基于数据挖掘的臭氧时空分布特征分析及趋势预测研究

发布时间：2024-02-15 18:48

　　臭氧(O₃)是大气中最为常见的气体之一,在大气中的平流层与对流层中都起着重要作用。利用卫星遥感数据分析臭氧总柱浓度时空分布特征已经较为成熟,但对于臭氧柱浓度的预测研究较为匮乏。因此,本文以中国区域,臭氧总柱浓度作为研究对象,研究周期为2009年1月～2019年12月,按年度、季度、月度分别对臭氧数据进行深入的挖掘,分析得出中国区域的臭氧柱浓度时空分布特征,分别采用时间序列模型与支持向量回归算法模型对2020年的臭氧变化趋势进行了预测。论文的主要研究工作包括:(1)对OMI臭氧柱浓度产品数据进行分析,得出中国区域2009-2019完整时间序列的臭氧时空分布特征,研究表明中国区域的臭氧浓度呈现北高南低的纬向型变化。青藏高原由于位于中国的高海拔地区,空气柱稀薄,使得太阳辐射相较于其他地区强,导致臭氧总量全年处于低值,其他地区受到季风的影响等其他因素,越往内陆,臭氧总量逐渐增高。臭氧柱浓度变化还具有周期性:第1季度(春)>第2季度(夏)>第4季度(冬)>第3季度(秋)。(2)利用差分整合移动平均自回归(Autoregressive Integrated ...

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图1中国区域图

青藏高原:西藏自治区、青海省。2.3数据处理工具及方法

图2MySQL存储的臭氧柱浓度数据

并用NavicatPremium可视化打开。处理好后的数据如图2所示。2.3.3MySQL工具及方法

图3ARIMA建模步骤

时间序列通过平稳性与白噪音检验后得出该序列为平稳非白噪音序列,此时就可以通过下面的流程建立预测模型[47]:步骤一:模型参数估计[48]。为了使一组非平稳时间序列变为平稳序列,需要对其进行1阶差分,并对差分后的序列再次检验其平稳性,若1阶差分后的序列仍为不平稳序列,则对其进行二次....

图4支持向量机理论

通常来说,一般的回归模型计算损失的方式是通过计算拟合值和真实值之间的差值来实现,而支持向量机回归模型则是给出一定程度的容忍偏差,只有拟合值和真实值之间的差值的绝对值大于容忍偏差时才认定损失,如图4所示[63]。SVR可以用式(2-12)来表示:

本文编号：3900174