大庆市PM10污染预测的研究

论文摘要

可吸入颗粒物PM10是大庆市大气中首要污染物,为了更好的反映出PM10的污染变化规律、加强污染防治工作和预防严重污染事件的发生,及时开展PM1o污染预报工作意义重大而深远。本文以2008年1月1日至2010年6月30日的全市PM1o逐日API值和对应的逐日气象数据资料为基础,对大庆市PM1o污染预报进行了研究。首先采用概率统计方法分析了大庆市PM1o污染的年度、季节、月的污染变化特征及趋势,重点对采暖期与非采暖期进行比对分析,对沙尘暴的影响、过年期间烟花爆竹的影响进行了单独分析,并且探讨了污染变化的成因。其次通过对大庆市近年来的气象要素数据进行统计分析,总结出各季节气象因子的变化规律和PM1o污染高值日气象因子变化规律,以便从中找出PMlo污染与气象因子之间的关系。同时采用SPSS软件对PM1o污染指数与气象因子之间的相关性进行了分析,初选出对PM1o污染影响显著的气象要素,作为后续进行PM1o污染预报的依据。最后在初选因子的基础上利用逐步回归法和主成分分析法进行了相关因子的精选,并分别建立了大庆市四季PM1o污染的多元回归预报模型和B-P神经网络预报模型,同时对这两种模型的预报准确率进行了检验和比对研究。得出多元回归模型对四季PM1o污染的API值的预报准确率分别为73.9%、77.6%、77%、79.7%,预报的精确度评分分别为76.8、82.3、80.7、83.3。B-P神经网络模型对四季PM1o污染的预报准确率分别为77.9%、83.2%、75.9%、81.6%,预报的精确度评分分别为83.6、86.6、81.5、84.6。由此可见,本文所建立的两种大庆市PM10污染预报模型都可以满足实际预报的需要,但B-P神经网络所建立的污染预报模型要比传统的统计方法拥有更好的预测能力,这也反映出B-P人工神经网络在处理大气污染预报这类有着较强非线性变化特点的问题时具有明显优势。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 论文选题背景
• 1.1.1 大气污染及其危害
• 10概念及其危害'>1.1.2 PM₁₀概念及其危害
• 1.1.3 我国城市环境空气质量及其主要污染物
• 1.2 国内外空气污染预报研究现状
• 1.2.1 空气污染预报及其主要方法
• 1.2.2 国外空气污染预报的发展与现状
• 1.2.3 国内空气污染预报的发展与现状
• 1.3 论文的研究目的与意义
• 1.4 论文主要内容及研究方法
• 第二章 基本理论
• 2.1 人工神经网络基本原理
• 2.1.1 人工神经网络概述
• 2.1.2 人工神经元模型
• 2.1.3 神经网络的结构及工作方式
• 2.2 B-P神经网络
• 2.2.1 B-P神经网络模型结构
• 2.2.2 B-P神经网络的构建与算法
• 2.2.3 B-P神经网络的局限性及优化
• 2.3 B-P神经网络的软件实现
• 2.3.1 太普数据挖掘软件简介
• 2.3.2 利用太普数据挖掘平台建模步骤
• 2.4 数学建模原理简介
• 2.4.1 主成分分析方法
• 2.4.2 逐步回归方法
• 2.4.3 回归方程的显著性检验
• 10污染特征分析'>第三章 大庆市PM₁₀污染特征分析
• 3.1 大庆市空气质量状况
• 3.1.1 数据来源及分析方法
• 3.1.2 大庆市空气质量状况
• 10污染特征分析'>3.2 大庆市PM₁₀污染特征分析
• 10污染年变化特征'>3.2.1 大庆市PM₁₀污染年变化特征
• 10污染季节变化特征'>3.2.2 大庆市PM₁₀污染季节变化特征
• 10污染月变化特征'>3.2.3 大庆市PM₁₀污染月变化特征
• 10污染特殊情况分析'>3.2.4 大庆市PM₁₀污染特殊情况分析
• 10污染的源解析及防治对策'>3.3 大庆市PM₁₀污染的源解析及防治对策
• 10污染的来源解析'>3.3.1 大庆市PM₁₀污染的来源解析
• 10污染的防治对策'>3.3.2 大庆市PM₁₀污染的防治对策
• 3.4 本章小结
• 10污染与气象要素关系分析'>第四章 大庆市PM₁₀污染与气象要素关系分析
• 4.1 大庆市气候特征概述
• 4.2 大庆市气象要素特征统计分析
• 4.2.1 气压分析
• 4.2.2 气温分析
• 4.2.3 湿度分析
• 4.2.4 能见度分析
• 4.2.5 日照日合计分析
• 4.2.6 总云量分析
• 4.2.7 风速分析
• 4.2.8 降水量分析
• 4.2.9 特殊情况分析
• 10的API高值日的污染气象学分析'>4.3 大庆市PM₁₀的API高值日的污染气象学分析
• 10污染与气象要素相关关系'>4.4 大庆市各季PM₁₀污染与气象要素相关关系
• 4.4.1 相关分析的基本概念
• 4.4.2 春季各因子的相关分析
• 4.4.3 夏季各因子的相关分析
• 4.4.4 秋季各因子的相关分析
• 4.4.5 冬季各因子的相关分析
• 4.5 本章小结
• 10污染数学预报模型的建立'>第五章 PM₁₀污染数学预报模型的建立
• 5.1 预报因子的选取
• 5.2 四季多元回归预报模型的建立与检验
• 5.2.1 春季预报模型的建立及检验
• 5.2.2 夏季预报模型的建立及检验
• 5.2.3 秋季预报模型的建立及检验
• 5.2.4 冬季预报模型的建立及检验
• 5.2.5 四季模型对比
• 5.3 本章小结
• 10污染神经网络预报模型的建立'>第六章 PM₁₀污染神经网络预报模型的建立
• 6.1 模型建立的理论依据
• 6.2 数据准备及预报因子的精选
• 6.2.1 数据的准备及预处理
• 6.2.2 建模因子的初选
• 6.2.3 基于主成分分析法的因子精选
• 6.3 B-P神经网络预报模型的设计
• 6.3.1 网络层数的确定
• 6.3.2 输入输出层节点的确定
• 6.3.3 隐含层节点数的确定
• 6.3.4 各层传递函数的确定
• 6.3.5 B-P神经网络主要参数的确定
• 6.4 基于TIPDM的B-P网络四季预报模型的建立与检验
• 6.4.1 春季预报模型的建立与检验
• 6.4.2 夏季预报模型的建立与检验
• 6.4.3 秋季预报模型的建立与检验
• 6.4.4 冬季预报模型的建立与检验
• 6.4.5 四季模型对比
• 6.5 两种污染预报模型的比较
• 6.6 本章小结
• 结论与建议
• 结论
• 建议
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文