基于集合经验模态分解和BP神经网络的北京市PM2.5预报研究
基于LSTM的PM2.5浓度预测模型
基于LSTM的PM2.5浓度预测模型段大高;赵振东;梁少虎;杨伟杰;韩忠明【摘要】随着近年雾霾天气的频繁出现,空气质量开始越来越受到公众关注;PM2.5浓度指数是判断空气质量的重要指标,如何根据历史数据有效地预测空气中PM2.5浓度,具有很高的应用价值;分析以往空气质量数据表明,PM2.5浓度有明显的非线性和不确定性波动,很难用传统机器学习算法有效地预测;文章基于LSTM循环神经网络,依据过去20小时采集的空气数据,预测未来5小时的PM2.5浓度指数;实验结果表明,LSTM可以有效地捕获空气质量的时序特征,较准确预测出未来时刻的PM2.5浓度指数.【期刊名称】《计算机测量与控制》【年(卷),期】2019(027)003【总页数】5页(P215-219)【关键词】PM2.5;LSTM循环神经网络;时序特征【作者】段大高;赵振东;梁少虎;杨伟杰;韩忠明【作者单位】北京工商大学计算机与信息工程学院,北京 100048;北京工商大学计算机与信息工程学院,北京 100048;北京工商大学计算机与信息工程学院,北京100048;北京工商大学计算机与信息工程学院,北京 100048;北京工商大学计算机与信息工程学院,北京 100048【正文语种】中文【中图分类】TP3990 引言随着近几年雾霾天气在全国范围内的频繁出现，细微颗粒物(Fine Particulate Matter, PM2.5)受到了公众的广泛关注。
PM2.5通常指环境空气中空气动力学当量直径小于等于 2.5 微米的颗粒物。
PM2.5能较长时间悬浮于空气中，其在空气中含量浓度越高，代表空气污染越严重。
与较粗的环境空气颗粒物相比，PM2.5粒径小，活性强，极易附带有毒、有害物质(例如，重金属、微生物等)，且在大气中的停留时间长、输送距离远，因而对人体健康和大气环境质量的影响更大。
如何有效的对空气PM2.5浓度进行准确的预测和预报，对于保护公众身体健康，环境治理具有重要的意义。
应用时间序列分析对北京PM2.5浓度预测
应用时间序列分析对北京PM2.5浓度预测
许晟昊
【期刊名称】《化工中间体》
【年(卷),期】2017(000)010
【摘要】雾霾是特定气候与人类作用相互作用的结果.随着城市不断发展,城市人口的高度集中,人类通过汽车尾气、工业排放等途径产生的细小颗粒物数量大且集中.鉴于我国华北地区雾霾天气的严峻形势,通过探究雾霾天气的变化规律寻找其出现原因来帮助我们认识雾霾天气的污染来源.PM2.5是空气污染物之一,它能较长时间悬浮于空气中.虽然PM2.5只是地球大气成分中含量很少的组分,但它对空气质量和能见度等有重要的影响.在本文中,采用时间序列分析的方法,查找到中国北京的污染状况的统计结论.然后根据北京市数据,建立逐天、逐小时模型对北京市空气中
PM2.5浓度进行预测分析.
【总页数】3页(P62-64)
【作者】许晟昊
【作者单位】佛山市顺德区第一中学广东 528000
【正文语种】中文
【中图分类】X
【相关文献】
1.应用时间序列分析进行网络负载预测 [J], 沈富可;张卫;常潘
2.基于时间序列分析的北京地区PM2.5浓度研究 [J], 李为东;李莉;徐岩
3.应用时间序列分析法预测南昌县二化螟发生程度 [J], 金伟;陈伟;魏洪义
4.应用时间序列分析对北京PM2.5浓度预测 [J], 许晟昊;
5.基于BP神经网络的北京市PM2.5浓度预测 [J], 薛同来; 赵冬晖; 韩菲
因版权原因，仅展示原文概要，查看原文内容请购买。
基于样本熵和优化极限学习机的PM_(2.5)浓度预测
统计与决策2021年第3期·总第567期管理决策0引言近年来，随着经济社会的发展以及工业化和城镇化进程的加快，空气污染问题日益突显，PM 2.5作为大气污染中的主要污染物之一，对空气质量以及人们的生活造成了很大的影响。
对PM 2.5浓度做出精准的预测，有效地减少和控制大气污染，降低公众健康风险，可以为相关政策制定者提供有意义的参考。
目前PM 2.5等空气污染物浓度的预测，主要可分为三类：确定性模型、经典的统计学模型和机器学习模型。
确定性方法主要包括天气研究预报模式（Weather Researchand Forecasting，WRF ）[1]、多尺度空气质量模型（CommunityMultiscale Air Quality Modeling System,CMAQ）[2]、WRF-CMAQ 气象化学耦合模型[3]等，利用相关的气象数据和污染源数据，模拟污染物复杂的排放、累积、扩散和转移过程，从而对污染物的浓度进行预测和分析。
该方法复杂且和其他模型相比，在预测精度上并没有明显的优势[4]。
统计学模型中自回归移动平均(Autoregressive Moving Inte-grated Average,ARIMA)模型[5]、多元线性回归（MultipleLinear Regression，MLR ）[6]模型等经常被用于PM 2.5浓度的预测。
然而，PM 2.5浓度受到多种可变因素的影响，具有较强的非线性和复杂性，这类模型在处理非线性时间序列数据上，通常不能达到令人满意的效果[7]。
随着数据挖掘技术的兴起，机器学习方法以其优越的预测性能受到了大量的关注，被广泛应用于空气污染物的浓度预测中，主要包括人工神经网络(Artificial Neural Network,ANN)[8—10]、支持向量机[11，12]等。
Park 等（2018）[9]建立了人工神经网络模型，通过室外PM 10浓度、地铁列车的运行数量和通风率的信息，对6个地铁站内的PM 10浓度进行了预测，精度达到了67%~80%。
基于LSTM循环神经网络的PM2.5预测
Ａｂｓｔｒａｃｔ ＰＭ２．５ ｆａｃｔｏｒｈａｓａｇｒｅａｔｉｎｆｌｕｅｎｃｅｏｎａｉｒｑｕａｌｉｔｙ．ＰＭ２．５ ｃｏｎｃｅｎｔｒａｔｉｏｎｃｈａｎｇｅｉｓｔｈｅｒｅｓｕｌｔｏｆｍａｎｙｆａｃｔｏｒｓ， ａｎｄｔｈｅｐｒｏｃｅｓｓｉｓｓｕｄｄｅｎ，ｎｏｎｌｉｎｅａｒ，ａｎｄｈａｓｏｂｖｉｏｕｓｕｎｃｅｒｔａｉｎｔｙ，ｓｏｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｕｓｅｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓｔｏｐｒｅｄｉｃｔ． Ｔｏｓｏｌｖｅ ｔｈｉｓｐｒｏｂｌｅｍ， ａ ＰＭ２．５ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌｂａｓｅｄ ｏｎ ＬＳＴＭ ｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ ｗａｓｐｒｏｐｏｓｅｄ ｗｉｔｈ ｍｅｔｅｏｒｏｌｏｇｉｃａｌａｎｄａｔｍｏｓｐｈｅｒｉｃｐｏｌｌｕｔａｎｔｆａｃｔｏｒｓａｓＰＭ２．５ ｐｒｅｄｉｃｔｉｏｎｉｎｄｉｃａｔｏｒｓ．Ｗｅｕｓｅｄｔｈｅｇｒｅｙｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓ ｍｅｔｈｏｄｔｏａｎａｌｙｚｅｔｈｅｃｏｒｒｅｌａｔｉｏｎｉｎｔｅｎｓｉｔｙｏｆｓｅｖｅｒａｌｍｅｔｅｏｒｏｌｏｇｉｃａｌａｎｄａｔｍｏｓｐｈｅｒｉｃｐｏｌｌｕｔｉｏｎｉｎｄｉｃａｔｏｒｓ．Ｔｈｅｄａｔａｗａｓ ｓｍｏｏｔｈｅｄａｎｄｔｈｅｔｉｍｅｓｅｒｉｅｓｐｒｏｂｌｅｍ ｗａｓｔｒｅａｔｅｄａｓａｓｕｐｅｒｖｉｓｏｒｙｐｒｏｂｌｅｍ．ＷｅｂｕｉｌｔａｍｕｌｔｉｖａｒｉａｂｌｅＬＳＴＭ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌｎｅｔｗｏｒｋＰＭ２．５ ｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｔｏａｃｈｉｅｖｅａｃｃｕｒａｔｅｐｒｅｄｉｃｔｉｏｎｏｆＰＭ２．５ ｃｏｎｃｅｎｔｒａｔｉｏｎ．Ｗｅｕｓｅｄｔｈｅｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｄａｔａａｎｄａｉｒｐｏｌｌｕｔａｎｔｄａｔａｏｆＢｅｉｊｉｎｇｆｒｏｍ２０１０ｔｏ２０１７ｔｏｓｉｍｕｌａｔｅｔｈｅｅｘｐｅｒｉｍｅｎｔ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｏｄｅｌｃａｎ ｂｅｔｔｅｒｐｒｅｄｉｃｔｔｈｅｄａｉｌｙｖａｒｉａｔｉｏｎｔｒｅｎｄｏｆＰＭ２．５．
集合时间因素及外界因素的PM2.5预测研究
集合时间因素及外界因素的PM2.5猜测探究PM2.5是指大气中直径小于或等于2.5微米的颗粒物，具有高度的危害性，严峻影响人们的健康与生活质量。
本文旨在探究集合时间和外界因素对PM2.5猜测的影响，通过对北京地区从2016年1月至2018年12月每小时的监测数据进行分析，建立回归猜测模型，得出猜测结果，并对模型的准确性进行评判。
探究结果表明，集合时间和外界因素对PM2.5猜测均有较大的影响，建议在猜测中充分思量这两个因素，以提高猜测准确性。
关键词：PM2.5猜测；集合时间；外界因素；回归模型；猜测准确性。
一、引言大气颗粒物污染已成为全球环境问题的重要组成部分，其中PM2.5是人们最为关注的颗粒物之一。
PM2.5颗粒物直径小于或等于2.5μm，能够进入人体呼吸道和肺泡，对人类健康危害极大。
同时，PM2.5还会影响交通运输、农业生产和城市建设等方面，严峻影响生态环境和社会经济进步。
为了有效缩减PM2.5的浓度并保卫人类健康，探究PM2.5猜测模型已成为城市空气污染治理的重要内容。
二、数据来源与处理本文选取了北京市2016年1月至2018年12月PM2.5监测数据作为探究对象，共计26280个样本点。
起首对数据进行处理，剔除掉空值和异常值。
然后，将数据按照每小时为单位进行集合，形成24小时的曲线。
最后，将外部因素分为天气因素和经济因素，分别将它们和PM2.5数据对应起来。
三、模型建立本文接受线性回归模型建立PM2.5猜测模型，其中自变量为时间因素和外界因素，因变量为PM2.5的浓度值。
模型建立基于R语言实现，详尽步骤如下：1.数据预处理：对数据进行清洗、处理；2.特征工程：用Spearman相关性分析法选取相关性比较高的特征作为模型的输入特征，并进行特征工程；3.回归模型建立：用建好的特征，通过线性回归模型建立PM2.5猜测模型；4.模型训练：使用训练数据集对模型进行训练，得到最佳模型；5.模型评判：使用测试数据集对模型进行评判，计算模型的准确性。
PM2.5概况及研究方法
PM2.51、雾霾（含PM2.5）国内外研究现状、水平2、研究方法：采样、分析测试（化学、电镜等）评价方法3、形成机理研究现状、研究方法4、光化学反应研究、实验方法PM2.5的化学物种采样与分析方法定义:PM2.5是指空气动力学直径小于或等于2.5μm 的大气颗粒物。
滤膜采样器的主要部件,包括粒径切割器、常用滤膜、滤膜支撑垫以及采样流量的测量与控制装置等。
气溶胶的物理化学性质(如总粒数浓度、云凝结核浓度、光学系数、密度和平衡态含水量等) 、特定粒径颗粒物的化学成分。
成分:PM2.5主要包括含碳组分、水溶性离子物种以及无机多元素,其中既有性质稳定的组分,也有半挥发性成分,包括硝酸铵、半挥发性有机物(SVOCs)和水蒸气(H2O)PM2.5中的许多无机物质(如水溶性组分2-4SO 、-3NO 、+4NH 和其它无机离子)以及部分有机物在大气中具有吸湿性。
虽然有一些研究尝试采用不同的技术与方法(如微波共振、热力学模拟等)对气溶胶中的含水量进行测量或计算,但目前尚无可靠的技术对大气颗粒物中的含水量进行直接(化学)测量,因此在采样中通常未对H2O 的含量变化加以考虑。
PM2.5中半挥发性无机组分(主要是硝酸铵) 在采样过程中的吸附与挥发问题得到成功解决,而在SVOCs 的采样误差问题上迄今尚未形成统一的认识,有关的采样技术仍在发展之中。
温度、压力和相对湿度等均对NH4NO3的热力学平衡有影响,其中温度的影响最大:当温度低于15℃时,NH4NO3主要以颗粒物的形式存在;当气温高于30℃时,NH4NO3主要以气态HNO3 和NH3的形式存在。
因此,采样过程中温度与压力的变化均可改变NH4NO3的分配平衡。
硝酸铵采样: 在采样器的切割器之后设置扩散溶蚀器(Diffusion denuder)吸收气流中的气态硝酸与NOx 以消除其与Teflon 滤膜上所捕集的颗粒物反应,同时在Teflon 滤膜之后设置一张尼龙滤膜以吸收从Teflon 膜的颗粒物中挥发的硝酸盐离子.有机碳( OC)的采样: 研究认为石英膜与所捕集的颗粒物对有机气体的吸附是主要的,如果不对收集在石英滤膜上的气相成分加以修正,则所测得的碳质颗粒物的含量存在正偏差. 通常在第一个石英膜后再串联一个后置石英膜或在另一个平行的端口设置一个Teflon 膜和一个后置石英膜来进行修正。
北京PM2.5数据分析处理
北京PM2.5数据分析处理张奕辰【摘要】PM2.5是地球大气成分中含量很少的组分,但它对空气质量和能见度等有重要的影响.与较粗的大气颗粒物相比,PM2.5粒径小,面积大,活性强,易附带有毒、有害物质(例如,重金属、微生物等),且在大气中的停留时间长、输送距离远,因而对人体健康和大气环境质量的影响更大.因此,通过对PM2.5浓度的分析处理,能够作为判定空气污染程度的一个重要指标,从而能够为雾霾的防治起到参考作用.【期刊名称】《化工中间体》【年(卷),期】2017(000)010【总页数】4页(P77-80)【关键词】PM2.5;建模分析;数据处理【作者】张奕辰【作者单位】陕西省西安中学陕西 710000【正文语种】中文【中图分类】X1.概述(1)背景雾霾天气是一种大气污染状态，雾霾是对大气中各种悬浮颗粒物含量超标的笼统表述，尤其是PM2.5被认为是造成雾霾天气的“元凶”。
随着空气质量的恶化，阴霾天气现象出现增多，危害加重。
中国不少地区把阴霾天气现象并入雾一起作为灾害性天气预警预报。
统称为“雾霾天气”。
本文将以北京为例，对PM2.5浓度进行时间序列分析，以期对PM2.5的数据进行预测。
（以上概念来自百度百科“雾霾”及百度百科“细颗粒物”）(2)可行性分析①研究PM2.5浓度问题的必要性：空气污染问题的现实意义。
随着现代工业化进程的推进和人民生活水平的提高，人们对环境质量的要求和工业化加速的环境代价之间的矛盾日益突出，其中又尤以空气污染问题最为迫切。
这严重限制了我国经济社会可持续发展，因此，可以通过对PM2.5数据的研究，抛砖引玉，一方面提起对空气污染问题的重视，另一方面为解决这一问题提供具体数据，推动环境友好型资源节约型社会的发展。
②研究PM2.5浓度问题的可行性：近年来关于PM2.5浓度的数据集日趋完善，给研究这一问题提供了极大的方便；有了具体的数据，可以应用时间序列相关的知识进行研究，把实际问题转化成数学模型，找到数据中隐含的信息；充分挖掘信息，并进行深入分析，可以得出适应性较好的模型和一系列结论。
基于BP神经网络的PM2.5预测
基于BP神经网络的PM2.5预测作者：陈志文刘立来源：《电子技术与软件工程》2019年第05期摘要;;; 自进入工业化社会以来，空气污染逐渐成为全球最大的环境问题之一。
空气中的悬浮粒子对人类身体健康产生有害影响，减少空气污染的重要前提就是预测PM2.5的浓度。
因此，对大气质量污染的监测以及预测研究显得尤为重要。
本文采用openstack 云计算组件，部署了大数据平台，通过历史数据加实时抓取的数据来完善BP 神经网络，以实现自我学习来提高预测数据的准确度。
【关键词】PM2.5 云计算 BP 神经网络 预测1 引言空气污染是全球最大的环境问题之一。
空气污染涉及若干因素，包括工厂产生的大量有毒气体、车辆的尾气、农作物的焚烧以及火灾等，其中主要成分包括CO 、SO2、O3、NO2。
空气污染是对人类健康的严重威胁，会导致严重的呼吸道疾病和皮肤病，如肺部、呼吸系统病变、哮喘等，甚至引起死亡，所以对空气质量污染的监测以及预测研究显得特别重要。
国内许多学者在空气质量预测等方面做了大量的研究工作。
王灿星等人构建了BP神经网络对空气中颗粒物进行研究，能得到较高的预测精度;秦霞提出了一种用贝叶斯归一化训练算法训练改进的BP预报模型;李龙提出了一种基于与PM2.5浓度相关性较强的因素组成特征向量的最小二乘支持向量机预测模型，该模型有较准确地预测精度，泛化能力也较强;HuangM构建了一种新的基于数据挖掘和人工神经网络的空气污染预测模型，该模型在天气严重污染时预测准确率高，中度污染及以下准确率接近;唐晓城提出一种基于BP神经网络改进算法的大气污染预测模型，较大的提高了预测准确率;TianJ采用模糊C-均值聚类算法（FCM）对空气质量监测的原始数据进行分类，通过对数据的仿真训练，建立了预测空气质量水平的BP神经网络模型。
由于PM2.5的形成因素比较多而复杂，因此全面对它进行准确实时的预测比较困难，当前存在的主要问题包括：（1）模型比较复杂，计算量较大;（2）实时数据难以获取，随时间与地点发生极大的变化。
基于BP神经网络预测林内PM2.5浓度
基于BP神经网络预测林内PM2.5浓度作者：陈博李迎春夏振平来源：《安徽农业科学》2019年第01期摘要[目的]利用BP神经网络预测林内PM2.5浓度。
[方法]利用人工神经网络理论，采用2013年7月—2014年5月野外实时监测数据，建立了以气象参数、污染源强变量和林分结构特征为输入因子，林内PM2.5小时平均浓度为输出因子的预测模型，并对其预测精度进行了评价。
[结果]BP人工神经网络模型能够很好地捕捉污染物浓度与气象因素和林分结构间的非线性影响规律，预测结果的平均相对误差为1.71×10-3，均方根误差为6.77，拟合优度达0.98，模型具有很高的预测精度。
而传统的多元线性回归（MLR）模型预测结果的平均相对误差、均方根误差和拟合优度分别为0.27、22.92和0.93。
[结论]研究成果印证了应用BP人工神经网络模型预测林内PM2.5浓度的可行性和准确性。
关键词PM2.5;BP人工神经网络;多元线性回归;林分结构中图分类号S771.8文献标识码A文章编号0517-6611（2019）01-0107-04doi：10.3969/j.issn.0517-6611.2019.01.033开放科学（资源服务）标识码（OSID）：PM2.5指大气中直径小于或等于2.5μm的颗粒物，常被称为可入肺颗粒物或细颗粒物[1]。
虽然PM2.5只是大气成分中含量很少的组分，但其在空气中的重力沉降率几乎为零，长期在空气中悬浮，附着很多有机污染物和重金属元素[2]，对人类健康、环境和气候有重要影响。
植物作为环境绿化的主体，对空气有一定的净化作用，森林植被可以通过直接和间接的方式对大气中颗粒物的浓度产生影响[3-6]。
然而森林植被对PM2.5的作用研究尚处于起步阶段，林内PM2.5浓度变化规律及林内外浓度对比情况尚不清楚。
已有文献报道林内PM2.5的质量浓度受污染散发源、气象条件和林分结构等多种因素影响[7-10]，既存在林内PM2.5浓度低于林外，也存在林内PM2.5浓度高于林外的情况。
北京城区PM2.5不同时间尺度周期性研究
中国环境科学 2017,37(2)：407~415 China Environmental S cience 北京城区PM2.5不同时间尺度周期性研究李梓铭1,2,孙兆彬1,2*,邵勰3,廖晓农2,张小玲2,熊亚军2,马小会2(1.中国气象局北京城市气象研究所,北京 100089；2.京津冀环境气象预报预警中心,北京 100089；3.国家气候中心,北京 100081)摘要：为研究北京城区PM2.5浓度不同时间尺度的周期及其演变特征,利用2010~2015年PM2.5浓度和常规气象资料,对其进行Morlet小波和交叉小波分析.结果表明,北京城区PM2.5浓度存在显著的周期性变化,主要周期包括24h左右,8d左右和14d左右.14d左右的周期主要受大气准双周振荡的影响,8d左右周期不仅与天气尺度系统周期有关,此外可能还与人类活动引起“星期效应”有关,其中天气尺度系统的影响可能居于主要地位.通过交叉小波分析,PM2.5与平均风速在8d和14d左右存在显著的共振现象,并且二者表征为负位相关系.气象要素日变化、城市居民行为习惯导致的污染物排放差异可能是造成24h左右振荡周期的重要因素.北京城区PM2.5浓度的各周期在秋冬季较为显著,与北京地区秋冬季低层大气更多受强天气系统的影响有关;春夏季PM2.5浓度较低和影响因素较多以及局地中尺度热力环流对于低层大气的影响更为显著是该时期周期性较弱的主要原因;季节内振荡(40~60d)在2014年后减弱可能与北京市开展的减排措施有关.尽管本研究利用小波分析方法得到一些关于北京城区PM2.5浓度振荡周期及其演变特征的有效信息,但所用资料时长较短且站点相对单一,所得结论还需要大量的实测数据或其他分析方法的验证.关键词：北京；PM2.5；准双周振荡；季节内振荡；人类活动中图分类号：X513 文献标识码：A 文章编号：1000-6923(2017)02-0407-09Using Morlet wavelet analysis to analyze multiple time scale periodically in PM2.5 in Beijing. LI Zi-ming1,2, SUN Zhao-bin1,2*, SHAO Xie3, LIAO Xiao-nong2, ZHANG Xiao-ling2, XIONG Ya-jun2, MA Xiao-hui2 (1.Institute of Urban Meteorology, China Meteorological Administration, Beijing 100089, China；2.Environmental Meteorology Forecast Center of Beijing-Tianjin-Hebei, Beijing 100089, China；3. National Climate Center, Beijing 100081, China). China Environmental Science, 2017,37(2)：407~415Abstract：The variation period of PM2.5 concentration and its evolution feature in Beijing urban area were investigated using the Morlet wavelet analysis and Cross wavelet transform (XWT) method. Theobservation data of PM2.5 concentration and meteorological elements from 2010 to 2015 were applied in this study. The results showed that there were significant periodic variations in PM2.5 in Beijing urban, with major period of 24h, 8d and 14d. The 14d period was mainly influenced by quasi-two-week atmosphericoscillation. The 8d period was not only related to the synoptic scale of weather system, but also related to the "weekend effect" caused by human activities, in which the synoptic scale system was probably playing the leading role. There were obvious sympathetic vibrationsin PM2.5 and average wind speed in the frequency period of 8d and 14d, and the anti-phase relationbetween them was also found. Diurnal variations of meteorological condition and anthropogenic emissions might be important factors causing the oscillation period of 24h. These oscillation periods were strongly significant in autumn and winter, because the flow patterns of lower atmosphere was more frequently influenced by strong synoptic systems. Weak oscillation in spring and summer was mainly attributedto low concentration level of PM2.5, multiple influencing factors and intensivemeso-scale thermal circulation induced by topography. The emission reduction measuresmight bethe important factor in weakening Madden-Julian Oscillation after 2014. Although this study achieved some conclusions about oscillation period of PM2.5 in Beijing urban收稿日期：2016-05-20基金项目：国家科技支撑计划项目(2014BAC16B04,2014BAC23B01,2014BAC23B03);北京市科委首都蓝天行动培育专项(Z141100*********);科技部公益性行业(气象)专项(GYHY201206015);中国气象局预报员专项(CMAYBY2016-003);国家电网公司总部科技项目(8KE000M15011)* 责任作者, 工程师, szb850804@408 中国环境科学 37卷and its evolution feature more measured data and other analytic methods should be verify in future.Key words：Beijing；PM2.5；quasi-week oscillation；madden-julian oscillation；anthropogenic随着城市化进程的加快,北京市汽车保有量与城市建筑不断增加,绿地逐渐减少,使得大气的污染程度越来越严重,PM2.5成为最主要的大气污染物.有研究表明PM2.5与人体健康状况显著相关[1-2].此外PM2.5对大气能见度[3-4]和气候变化[5]均有重要影响.以往对北京地区PM2.5浓度变化的研究将影响该地区PM2.5浓度的因子归纳为3类:1.地形强迫[6];2.气象条件强迫[7-9];3.人类活动排放强迫[6,10].上述3种强迫决定了北京地区PM2.5的浓度及其变化.其中地形强迫始终存在,而气象条件强迫和人类活动排放强迫则具有一定的周期性变化.国内外研究人员对大气中气象要素存在的周期性变化有较为深入的研究,通过对我国中纬度地区大气振荡的研究得出[11-12],低频振荡周期主要包括准双周振荡(10~20d)和季节内振荡(30~60d).此外Rossby波列的7d左右振荡也是影响北半球中高纬地区的重要天气系统[13].同时人类活动所造成的污染物排放在不同时间尺度上也存在差异,如昼夜差异、“星期效应”、政府临时性减排前后差异以及秸秆焚烧等,这些差异在一定程度上决定了人类活动强迫具有周期性变化.那么在受上述强迫影响的北京地区PM2.5浓度是否具有周期性变化呢?如果有,这些周期性变化在不同季节的显著性如何?目前对北京城区PM2.5浓度时间序列的研究较多,但大多集中于对浓度变化趋势的相关研究[14-16],并且多限于常规统计性分析[17],尚未发现涉及北京城区PM2.5浓度变化周期的系统性研究成果.基于以上北京城区PM2.5浓度研究中存在的问题和不足,本研究拟采用Morlet小波分析和交叉小波分析方法对2010~2015年北京城区PM2.5浓度进行研究.Morlet小波分析不仅具有傅里叶分析中周期性研究的特点,并且能够描述周期的时间变化[18],交叉小波分析是小波分析方法的拓展,可以用来分析2个时间序列(PM2.5与其他气象要素间)的共振周期及其位相关系[19]. 1数据来源与处理方法1.1数据来源图1显示了美国驻华大使馆和北京观象台(54511站)的地理位置.大使馆位于城区人口密集的中心区域,毗邻东北三环(39.953°N 116.459°E),周边无局地污染源,对北京城区PM2.5浓度具有较高的代表性.使用β射线监测仪对PM2.5浓度进行逐小时观测并在互联网实时更新.研究表明[20]美国驻华大使馆PM2.5观测数据与北京环境保护监测中心公布的北京车公庄站PM2.5浓度数据相关性高达92%,变化趋势基本一致,浓度差异范围较小.总体而言该数据略偏高,但仍具有较高的可用性并且已在相关研究[21-22]中得到应用.北京观象台是北京地区唯一参加全球常规气象资料交换的台站,在大气中尺度天气系统或气候研究中具有很好的代表性.116°E117°E41°N40°N图1 美国驻华大使馆和北京观象台的地理位置Fig.1 Location of the U.S. embassy and Beijingobservatory in China1.2数据及方法本研究时段为2010年1月1日~2015年12月31日23:00,其中PM2.5浓度共计采集55477个有效小时数据,缺失2195个小时数据.首先将小时数据处理为日均数据,处理规范为:每日PM2.5有不少于12个有效小时数据的算术平均作为有效日均值,统计时段为00:00~23:00[23].处2期李梓铭等：北京城区PM 2.5不同时间尺度周期性研究 409理后共得到2118个有效日均值,缺失73个日均数据,对于缺失数据,利用线性插值方式进行填充,并在去除线性趋势和年循环后进行Morlet 小波分析.常规气象资料取自国家气象信息中心整理的中国地面基本气象要素日值数据集,选取其中温度、相对湿度、气压和平均风速.为分析PM 2.5浓度存在周期性变化的可能原因分别对PM 2.5时间序列与常规气象资料做交叉小波分析.并进行Morlet 小波分析来探索48h 内北京城区PM 2.5浓度的周期变化.最后对原PM 2.5时间序列进行逐7d 滑动平均,得到滤除自然周期的新时间序列(Time Series,以下简称为TS1);其次对原PM 2.5时间序列计算每年每个月份周一~周日的日均值并减去历年当月的平均值,得到每年每月周一~周日PM 2.5的距平.随后将原PM 2.5序列加上与星期对应的距平,最终得到滤除人类排放活动的新时间序列(TS2).分别对TS1和TS2做Morlet 小波分析并比较6~8d 平均周期小波功率谱和平均小波功率曲线分析“周期效应”中的主要影响因素.1.2.1 Morlet 小波分析小波分析是在傅里叶(Fourier)变换的基础上引入窗口函数,具有多分辨率分析的特点,并且在时频两域都具有表征信号局部特征的能力[18].小波变换通过将时间序列分解到时间频率域内,从而得出时间序列的显著波动模式,以及周期变化动态和周期变化动态的时间格局[24].它是分析非稳态、不连续时间序列进行量化的有效工具[25].小波函数可定义为:设ϕ(t)为一平面可积函数,即ϕ(t )∈L 2(R ),若其傅里叶变换ψ(ω)满足容许条件:2|()|C ϕψωω=<∞∫ (1) 则称ϕ(t)为一个基本小波或小波母函数,将小波函数ϕ(t)进行伸缩和平移,得到连续小波ϕα,τ(t):,(),,0t t R αττϕταα−⎛⎞=∈>⎜⎟⎝⎠(2) 对于任意函数连续小波变换为: ,(,)(),()()d f t W f t t f t t αττατϕϕα−⎛⎞=⎜⎟⎝⎠ (3) 式中:α为尺度因子,τ成为平移因子,W f (α,τ)称为小波系数.对时间序列进行小波转换时,母小波函数的选择显得尤为重要;Morlet 小波不但具有非正交性而且还是有Gaussian 调节的指数复值小波,可以对相位进行很好的表达[23],其小波函数形式如下:ϕ(t ) = π-1/4e -i ωt e -t 2/2 (4) 式中:t 为时间,ω为无量纲频率,当ω=6时,小波尺度α与傅里叶周期基本相等.为了表明时间序列真实功率谱的无偏、一致估计,采用如下公式计算小波方差检验:12201()||()N nn W s Ws N−==∑ (5)因为处理的是有限长度的时间序列,误差出现在小波功率谱的开头和尾端,这种边缘效应称为影响锥(COI).为消除减弱头部影响带来的误差,使用足够的0填充序列头部和尾部.同时基于Torrence and Compo [23]的研究进行小波功率谱的显著性检验.1.2.2 交叉小波分析交叉小波分析是小波分析方法的拓展,可以用来分析2个时间序列的共振周期及其位相关系[25].2个时间序列的交叉小波谱(XWT)定义为W XY = W X W Y* ,其中*为复共轭,对应交叉小波谱为|W XY |.时间序列x n 和y n 的背景功率谱p k X 和p k Y 定义为()()X Y n n X Y W s W s D p σσ⎛⎞⎜⎟<=⎜⎟⎝⎠式中:Z v (p )为概率P 的置信水平,显著性检验的标准谱选择两个χ2分布积的平方根分布,复Morlet 小波(自由度v =2)的90%置信度下的置信水平Z 2(90%)=3.214. 交叉小波位相角反映2组时间序列在不同时域的位相关系(滞后性特征),详细内容参见文献[25]. 2 结果与讨论 2.1 北京城区PM 2.5以日为时间尺度的周期为分析北京城区PM 2.5近年来以日为时间尺度的周期(2~60d)特征,对2010~2015年日均410 中 国 环 境 科 学 37卷PM 2.5浓度的时间序列做小波功率谱分析.图2为小波局地标准化功率谱分析和平均小波功率谱结果.由图2可以发现,北京城区PM 2.5浓度的时间变化具有显著的周期性,在大多数年份都存在通过90%显著性检验的周期(黑色等值线包围的红色部分),既有Rossby 波对应的天气变化的周期(2~10d),也存在低频振荡(10~60d).更进一步从平均小波功率谱上发现,3~14d 周期均满足90%的置信度检验,并且存在2个最为显著的周期:8d 左右和14d 左右;此外还存在其他周期:季节内振荡周期(40~60d)、季节变化(128d 左右)、准半年变化(222d 左右)和年际变化(314d 左右),但这些周期均未通过90%的置信度检验.说明可信度范围内的最强主次周期分别为8d 左右和14d 左右,其他周期虽未通过90%显著性检验,但是对于PM 2.5可预报性研究也具有重要意义.2 4 8 16 32 64 128 256512周期(日)2010 201120122013201420150123 4 56功率(×104µg 2/m 6)年份图2 2006~2015年北京城区PM 2.5日均浓度时间序列的小波局地标准化功率谱和平均小波功率谱曲线 Fig.2 The normalized local Morlet wavelet power spectrum and the mean wavelet power spectrum of daily mean PM 2.5in Beijing urban area左图,暗影部分表示受边界的影响区域,即该区域内结果不可信,黑色等值线内表示通过90%可信度检验.右图,红色虚线表示90%置信度检验曲线,红色区域表示通过90%置信度检验的周期范围,蓝色曲线极大值并且位于红色曲线右侧表示通过显著性检验的强周期纪忠萍等[26]对广州市空气污染指数和各要素的周期研究表明,API 指数及各种污染物(PM 10/NO 2/SO 2)浓度均具有明显的年周期振荡及5~7d 的准单周、10~20d 准双周、30~60d 左右的季节内振荡,并指出污染物浓度存在的低频振荡与大气中存在的低频振荡密切相关,与北京城区PM 2.5所具有的天气变化和低频振荡周期有相似之处.诸多研究都表明温度、相对湿度、气压和平均风速对北京地区PM 2.5浓度存在一定的相关关系[27-30],为探索PM 2.5浓度存在周期性变化的可能原因,将日均PM 2.5时间序列与北京观象台2010~2015年温度、相对湿度、气压和平均风速的日值资料做交叉小波分析(图略,仅显示PM 2.5与平均风速见图3),结果表明PM 2.5与平均风速在不同周期(8d/14d 左右)上存在显著的共振现象(黑色等值线包围的红色部分),并且从位相来说,尽管2者的位相角略有差异,但通过显著性检验的共振区域均表现为负位相关系(箭头向左).同时需要指出的是,以上周期除受大气振荡影响以外,还可能受人类活动排放的影响,尤其是8d 左右的振荡周期.诸多气象要素受人类活动和大气固有振荡的影响都存在显著的“星期效应”[31-33],对北京地区各种污染物的研究也表明存在这种“星期效应”[34-36].总的来说北京城区PM 2.5浓度的周期性变化主要受大气低频振荡和人类排放的共同影响.Kim 等[31]在研究气温日较差的“星期效应”时指出,自然周期的影响强于人类活动,而北京2期李梓铭等：北京城区PM 2.5不同时间尺度周期性研究 411城区PM 2.5振荡周期的主要影响因素仍存在不确定性,详见讨论部分.4 8 16 32 64 128 256 5122010 20112012201320142015年份周期(日)图3 2006~2015年北京日均PM 2.5和观象台日均风速时间序列的标准化交叉小波功率谱分析Fig.3 The normalized Morlet Cross wavelet power spectrum of daily mean PM 2.5 and wind speed in Beijing urban area暗影部分表示受边界的影响区域,即该区域内结果不可信,黑色等值线内表示通过90%可信度检验,箭头方向表征PM 2.5与风速间的位相关系,向右表示二者同位相,向左表示二者负位相,竖直向下表示PM 2.5领先平均风速90°的位相,竖直向上表示PM 2.5领先平均风速270°的位相2.2 北京城区PM 2.5以小时为时间尺度的周期48163264周期(h )01 02 03 0405060708 09 101112月份0.00.20.40.60.8 1.0 1.2 1.4功率(×104µg 2/m 6)图4 2006~2015年北京城区的PM 2.5年均小时浓度时间序列小波局地标准化功率谱分析和平均小波功率谱曲线 Fig.4 The normalized local Morlet wavelet power spectrum and the mean wavelet power spectrum of hourly average ofPM 2.5 in Beijing urban注同图2412中 国 环 境 科 学 37卷150 140 130 120 110 100 90 80 70P M 2.5(µg /m 3)春季夏季秋季冬季年均0:00 2:00 4:00 6:00 8:00 10:00 12:00 14:00 16:00 18:00 20:00 22:00 24:00时刻图5 北京地区季节变化PM 2.5日变化特征 Fig.5 The diurnal variations of PM 2.5 in different seasonsat Beijing为了分析小时尺度(2~48h)北京城区PM 2.5浓度的周期特征,本研究利用多年平均小时PM 2.5浓度的时间序列(不考虑2月29日)做小波功率谱分析(图4).结果表明在48h 内,存在2个较强周期,分别为24d 左右和48h 左右.从平均小波功率谱曲线上(图4右)看,24h 左右振荡周期满足了90%置信度检验,48h 左右周期并未通过检验.24h 左右周期是可信度范围内第一主周期(48h 内).日变化周期在诸多气象要素中均存在,赵秀娟[14]、刘洁[15]都对北京地区PM 2.5浓度的日变化做了详细分析.由大使馆不同季节PM 2.5的日变化(图5)可见,夏、秋和冬季节表现为显著的单峰型特点,峰值于23:00时至次日01:00出现(145µg/m 3左右),而春季节则体现出双峰型的特点,除夜间的峰值外,当日08:00至10:00仍存在明显的峰值(95µg/m 3左右).峰值浓度出现具体时间随着季节具有一定差异,总的来说24h 左右周期的主要形态表现为单峰型.本研究与刘洁[15]对秋冬季节PM 2.5的日变化除峰值浓度略高外,变化形态基本一致,但春夏季节则略有差别.考虑北京地区所处的大地形影响[6],昼夜温差及城市热岛效应引起的山谷风作为北京地区重要的局地环流系统,对污染物的日变化有明显的影响,图6为不同月份山谷风的日变化[37],可以发现山谷风在昼夜间有明显的转换,从而导致PM 2.5浓度具有相似的变化.此外城市居民行为习惯导致的排放差异也可能是造成24h 左右振荡主周期的重要因素.1月 4月 7月 10月2:004:006:008:0010:0012:0014:0016:00 18:00 20:00 22:00 24:001.0m/s时刻图6 北京地区区域平均风的日变化和季节变化 Fig.6 The diurnal and seasonal variation of regionalaveraged wind over Beijing area2.3 北京城区PM 2.5振荡周期的时域变化及其原因分析北京城区PM 2.5浓度振荡周期的时域变化(图7)可以发现,无论是高频振荡(24h),或者是天气尺度和低频振荡(8d 左右和14d 左右)都在冬季表现的更为明显,均通过了90%的置信度检验(图7阴影区域),而在春夏季节则周期性较弱.这与广州市空气污染指数和各要素周期的活跃时域基本一致[26].对于秋冬季节而言,降水量偏少,排放量相对稳定,不存在显著性影响周期性的因素;此外蔡旭晖等[37]对北京地区低层大气模态的研究表明,北京地区秋冬季节更多受强天气系统的影响,而春夏季PM 2.5浓度受影响的因素较多(如春季沙尘、6月华北秸秆燃烧、北京汛期降水清除等)并且局地中尺度热力环流对于低层大气的影响更为显著[37],同时该时期PM 2.5浓度较低可能是各振荡周期未通过90%置信度检验的主要原因.此外从图7可以发现季节振荡周期在个别年份的冬季也存在通过90%显著性检验或表现较强的时期,不过2014年后季节内振荡周期表现较弱,较之前有很大差异,其可能是政府临时性减排措施的影响,2014年11月亚太经合组织2期李梓铭等：北京城区PM 2.5不同时间尺度周期性研究 413APEC 峰会在北京怀柔举行,为此政府实施了为期较长的区域性减排措施,同时该时期的气象条件较有利于污染物扩散,因此该时期季节内振荡表现较弱.4~16d(s)平均小波系数40~60d(s)平均小波系数22~26h(s)平均小波系数2010 201120122013201420152010 201120122013201420151 3 57911 2 4681012月份3.0 2.0 1.00.3 0.2 0.1小波方差(µg 2/m 6)小波方差(µg 2/m 6)小波方差(µg 2/m 6)0.60.5 0.4 0.3 0.2 0.1 0年份年份图7 4~16d 、40~60d 、22~26h 左右平均周期小波功率谱Fi g.7 The scale -averaged wavelet power over 4~16d, 40~60d, 22~26h for PM 2.5(solid)虚线为90%的置信水平,假定红噪音a=0.72.阴影区域分别表示该时段的周期通过显著性检验3 讨论由年平均的星期效应(图8)可以看出一周内北京地区PM 2.5浓度在星期二(96µg/m 3左右和星期六(101µg/m 3左右)出现了两个峰值,第一个峰值浓度在冬季较为明显,第二个峰值浓度在春季、夏季和冬季较为明显,不同季节不存在固定的“星期效应”形态.通过滤波后小波分析对二者中起主要作用的因素进行分析(图9).无论是6~8d(s)平均周期小波功率曲线或平均小波功率谱都发现,滤除人类活动后的TS2时间序列仍存在显著的7d 左右的振荡周期并且主要表现在秋冬季节,而滤除自然周期后TS1的周期表现并不显著.因此8d 左右振荡周期的主要影响因素为自然周期.气象要素的日变化、城市居民行为习惯导致的污染物排放差异可能是造成24h 左右振荡周期的重要因素.尽管本研究利用小波分析方法得到一些关于北京城区PM 2.5浓度振荡周期及其演变特征的有效信息,但所用资料时长较短且站点相对单一,所得结论还需要大量的实测数据或其他分析方法的验证. 4 结论4.1 北京城区PM 2.5浓度具有明显的周期性变化,通过90%的显著性检验的主振荡周期有:24h414 中 国 环 境 科 学 37卷左右、8d 左右和14d 左右,表现为天气尺度变化和低频振荡.14d 左右的振荡周期主要受大气准双周振荡的影响,8d 左右周期不仅与Rossy 波形成的天气尺度系统振荡周期有关,此外可能还与人类活动引起的“星期效应”有关.4.2 北京城区PM 2.5浓度的各主要周期在秋冬季更为显著,与北京地区秋冬季低层大气更多受强天气系统的影响有关;春季和夏季PM 2.5浓度较低和影响因素较多(秸秆焚烧、降水等)以及局地中尺度热力环流对于低层大气的影响更为显著是该时期周期性较弱的主要原因;季节内振荡(40~60d)未通过显著性检验,仅在个别时期表现较为显著.2014年后该振荡周期减弱可能与北京及周边地区开展的减排措施有关.140130120110100908070P M 2.5(µg /m 3)春季夏季秋季冬季 年均1234 5 6 7星期图8 北京地区PM 2.5浓度不同季节星期变化 Fig.8 The weekly variation of PM 2.5 in different seasonsin Beijing1.00.8 0.60.40.22010 2010 201020102010 2010年份0.00.20.40.6 0.8 1.0 1.2 1.4 功率(×105µg 2/m 6)248163264128256512小波方差(×104µg 2/m 6)剔除人类活动剔除自然波动图9 TS1和TS2的6~8d(s)平均周期小波功率谱和平均小波功率谱曲线Fi g.9 The cale -averaged wavelet power over 6~8d and the mean wavelet power spectrum assuming a lag -1of a = 0.72for TS1 and TS2TS1 TS2,其他注同图7参考文献：[1] Bao C, Fang C. Water resources constraint force on urbanizationin water deficient regions: A case study of the Hexi Corridor, arid area of NW China [J]. Ecological Economics, 2007,62(3):508-17. [2] 任艳军,李秀央,金明娟,等.大气颗粒污染与心血管疾病死亡的病例较差研究 [J]. 中国环境科学, 2007,27(5):657-660. [3] Shen L, Cheng S, Gunson AJ, et al. Urbanization, sustainabilityand the utilization of energy and mineral resources in China [J]. Cities, 2005,22(4):287-302.[4] Malm W C, Sisler J F, Huffman D, et al. Spatial and seasonaltrends in particle concentration and optical extinction in the United States [J]. Journal of Geophysical Research: Atmospheres, 1994,99(D1):1347-1370.[5] Hansen J, Sato M, Ruedy R, et al. Efficacy of climate forcings [J].2005,110(D18):2156-2202.[6] 徐祥德,王寅钧,赵天良,等.中国大地形东侧霾空间分布“避风港”效应及其“气候调节”影响下的年代际变异 [J]. 科学通报, 2001,12:1132-1145.2期李梓铭等：北京城区PM2.5不同时间尺度周期性研究 415[7] 吴兑,廖碧婷,吴蒙,等.环首都圈霾和雾的长期变化特征与典型个例的近地层输送条件 [J]. 环境科学学报, 2014,34(1): 1-11.[8] 廖晓农,张小玲,王迎春,等.北京地区冬夏季持续性雾-霾发生的环境气象条件对比分析 [J]. 环境科学, 2014,35(6):2031-2044.[9] Ramanathan V, Chung V C, Kim D. Atmospheric brown clouds:Impacts on South Asian climate and hydrological cycle [J].ProcNatlAcadSci USA, 2005,102(15):5326–5333.[10] Chak K. Chan, Xiaohong Yao. Air pollution in mega cities inChina [J]. Atmospheric Environment, 2008,42(1):1-42.[11] 李崇银.大气中的季节内振荡 [J]. 大气科学, 1990,14(1):32-45.[12] 徐国强,朱乾根.大气低频振荡研究回顾与概述 [J]. 气象科技,2003,31(4):193-200.[13] Vincent F H, Varniere P, Meheut H, et al. Quasi-periodicoscillations from Rossby Wave Instability [J]. HepWebsearch Hep, 2013,arXiv:1310.0918.[14] 赵秀娟,张小玲,徐晓峰,等.北京城区和郊区PM2.5浓度季节与日变化特征 [C]//中国气象学会2008年年会城市气象与城市可持续发展分会场论文集.中国气象学会, 2008:11.[15] 刘洁,张小玲,徐晓峰,等.北京地区SO2、NO x、O3和PM2.5变化特征的城郊对比分析 [J]. 环境科学, 2008,29(4):1059-1065.[16] 李旭芳,初钧晗,于令达,等.北京市城区单监测点PM2.5质量浓度变化特征 [J]. 北京师范大学学报(自然科学版), 2011,47(3): 258-261.[17] Zhang Z, Zhang X, Gong D, et al. Evolution of surface O3andPM2.5concentrations and their relationships with meteorological conditions over the last decade in Beijing [J]. Atmospheric Environment, 2015,108:67-75.[18] 吴洪宝,吴蕾.气候变率诊断和预测方法 [M]. 北京:气象出版社, 2005:115-117.[19] Grinsted A, Moore J C, Jevrejeva S. Application of the crosswavelet transform and wavelet coherence to geophysical time series [J]. Nonlinear Processes in Geophysics, 2004,11(5/6):561-566.[20] 陈金玲,姚小红,高会旺.比较研究历史上最有影响力的PM2.5观测结果 [C]//中国大气环境科学与技术大会暨中国环境科学学会大气环境分会2012年学术年会, 2012.[21] 周一敏,陈彬辉,张昂,等.近十年北京地区的PM2.5形成的气候诊断 [C]//中国气象学会年会大气物理学与大气环境, 2015. [22] 芮婷. PM2.5对咳嗽、胸痹患者门诊量的短期效应 [D]. 北京:北京中医药大学, 2014.[23] HJ/T 193-2005 环境空气质量自动监测技术规范 [S].[24] Torrence C, Compo G P. A practical guide to wavelet analysis [J].Bulletin of the American Meteorological society, 1998,79(1): 61-78. [25] Stoy PC, Katul GG, Siqueira MB, et al. Variability in netecosystem exchange from hourly to inter-annual time scales at adjacent pine and hardwood forests: a wavelet analysis [J]. Tree Physiology, 2005,25(7):887-902.[26] 纪忠萍,罗森波,邝建新,等.广州市空气污染的变化特征及预报[J]. 热带气象学报, 2006,22(6):574-581.[27] Zhang Q, Quan J, Tie X, et al. Effects of meteorology andsecondary particle formation on visibility during heavy haze events in Beijing, China [J]. Science of the Total Environment, 2015,502:578-584.[28] Quan J, Tie X, Zhang Q, et al. Characteristics of heavy aerosolpollution during the 2012–2013winter in Beijing, China [J].Atmospheric Environment, 2014,88:83-89.[29] 赵晨曦,王云琦,王玉杰,等.北京地区冬春PM2.5和PM l0污染水平时空分布及其与气象条件的关系 [J]. 环境科学, 2014,35(2): 418-427.[30] 蒲维维,赵秀娟,张小玲.北京地区夏末秋初气象要素对PM2.5污染的影响 [J]. 应用气象学报, 2011,22(6):716-723.[31] Kim K Y, Park R J, Kim K R, et al. Weekend effect:Anthropogenic or natural [J]. Geophysical Research Letters, 2010, 37(9):L09808.[32] You Q, Kang S, Flügel W A, et al. Does a weekend effect indiurnal temperature range exist in the eastern and central Tibetan Plateau [J]. Environmental Research Letters, 2009,4(4):045202. [33] 龚道溢,郭栋,罗勇.中国夏季日降水频次的周末效应 [J].气候变化研究进展, 2006,2(3):131-134.[34] 李建东,铁学熙,曹军骥.城市地区PM2.5周末效应的初步研究[J]. 地球环境学报, 2015,6(4):224-230.[35] 王占山,李云婷,董欣,等.北京城区大气污染物“周末效应”分析 [J]. 中国科学院大学学报, 2015,32(6):843-850.[36] 雷瑜,张小玲,唐宜西,等.北京城区PM2.5及主要污染气体“周末效应”和“假日效应”研究 [J]. 环境科学学报, 2015,35(5): 1520-1528.[37] 蔡旭晖,郭昱,刘辉志,等.北京地区低层大气流动模态研究[J]. 北京大学学报:自然科学版, 2002,38(3):387-392.致谢：本研究得到中国气象局干部培训学院朱玉祥老师的悉心指导;京津冀环境气象预报预警中心张自银高工提供了美国驻华大使馆PM2.5数据;美国科罗拉多大学Torrence和Compo教授提供了Matlab版Morlet小波分析程序,Grinsted提供了交叉小波分析程序,在此一并表示感谢.致谢中国气象局雾-霾监测预报创新团队.作者简介：李梓铭(1986-),男,河南濮阳人,工程师,硕士研究生,从事数据挖掘、大气环境可预报性方面研究.发表文章2篇.。
北京PM2.5和PM10浓度变化特征分析
随着社会经济的快速发展和城 市化进程 的
小 波分 析是 近 ２ ０年 来 发展 起 来 的一 种 时频
１ ６ Ｊ ＤＧ Ｌ Ｂ ０ ０ ８ 。
北京 Ｐ Ｍ２ ． ５和 ＰＭ１ ０浓 度 变 化 特 征 分 析
间序 列进 行 了分 析 。 王海 鹏 等 叫基 于 Ｍ ｏ ｒ ｌ ｅ ｔ 小 同尺度下分量 的组合。信号 的全局特征 可以在 波研 究 了 兰州 市 近 十 年 空 气 污染 指 数 变 化 。这 较 粗 的尺 度 下 观 察 ，而 信 号 的局 部 特 征 或 突 变 些研 究均 表 明利 用 小 波 分 析 大 气 指 数 时 间序 列 点可 以在 较细 的尺 度下进 行 分析 。
是一 种 有 效 可 行 的方 法 。不 过 ，上 述 研 究 大 部
小波基函数 的选择对 时间序列 分析的结果 分是 针对 Ｐ ＭＩ Ｏ浓 度 时 间序 列 ，对 于 Ｐ Ｍ２ ． ５浓 有 非 常重要 的影 响 ｕ 。在 实 际应 用 中 ，小 波 选
度 时 间序 列研 究较 少 。 取 的主要 依据 是小 波所 具 有 的性 质 ，如 正 交性 、 本文 采 用 Ｄ ａ ｕ ｂ ｅ ｃ ｈ ｉ ｅ ｓ 小 波 变 换 方 法 ，对 北 自相似性 、紧支集 和正则性等 ，具体根据实 京市 ２ ０ １ ４年 ４月 至 ２ ０ １ ５年 ３月近 一年 的 Ｐ Ｍ２ ． ５ 际 问题 确 定 。Ｄ ａ ｕ ｂ ｅ ｃ ｈ ｉ ｅ ｓ小 波 是 一种 紧 支集 的 、 浓度 时 间序列 和 Ｐ ＭＩ Ｏ浓 度 时 间序 列 进 行 研 究 ， 正则性 的正交小波基 ，具有 良好 的时频分析性 分 析其 年 变化 规 律 和 突 变 特性 ，揭 示 它 们 在 不 能 ，因此 在实 际 中得到 广泛 使用 。
python 北京市空气质量贝叶斯分类
标题：python在北京市空气质量贝叶斯分类中的应用一、概述近年来，由于环境污染的加剧，空气质量成为了社会关注的焦点之一。
北京作为我国的首都，其空气质量问题备受关注。
通过有效的手段对北京市的空气质量进行分类和预测具有重要意义。
而贝叶斯分类算法作为机器学习领域中的经典方法，被广泛应用于数据挖掘和预测中。
本文将介绍python在北京市空气质量贝叶斯分类中的应用。
二、北京市空气质量数据获取1. 数据来源：北京市环境保护监测中心2. 数据内容：包括PM2.5、PM10、CO、NO2等空气质量指标以及气象条件等信息三、python数据处理1. 数据清洗：去除空缺值、异常值等2. 特征工程：提取特征、归一化处理等四、贝叶斯分类算法介绍1. 贝叶斯理论基础2. 贝叶斯分类算法原理3. python中贝叶斯分类算法的实现五、数据建模1. 划分训练集和测试集2. 使用python中的贝叶斯分类算法对北京市空气质量数据进行建模3. 模型评估：准确率、召回率、F1值等指标六、预测与结果分析1. 利用建立的模型对未来北京市空气质量进行预测2. 分析预测结果与实际观测值的差异性3. 对模型进行优化七、结论通过python在北京市空气质量贝叶斯分类中的应用，我们可以更加准确地对北京市的空气质量进行分类和预测，为政府部门和市民提供更加准确的空气质量信息，有助于采取有效的环境保护措施和健康防护措施。
本文所介绍的python在空气质量贝叶斯分类中的应用也为其他城市的空气质量监测和预测提供了参考和借鉴。
八、应用场景及前景展望1. 应用场景：除了对北京市空气质量的分类和预测，基于贝叶斯分类算法的python应用还可以推广到其他城市甚至整个国家的空气质量监测与预测中。
在城市规划、环境保护和健康管理等方面均有着广阔的应用前景。
2. 前景展望：随着机器学习和人工智能技术的不断发展，基于大数据和贝叶斯分类算法的空气质量预测模型将会变得更加精确和可靠。
基于LSTM循环神经网络的PM2.5预测
基于LSTM循环神经网络的PM2.5预测白盛楠;申晓留【摘要】PM2.5要素对空气质量影响较大.PM2.5浓度变化是多种因素作用的结果,且过程突发、非线性,具有明显的不确定性,难以使用传统的方法进行预测.针对该问题,以气象、大气污染物因素作为PM2.5预测指标,提出基于LSTM循环神经网络的PM2.5预测模型.使用灰色关联度分析方法对多个气象、大气污染指标进行关联强度分析;对数据进行平滑处理,将时间序列问题处理为监督问题;搭建多变量的LSTM循环神经网络PM2.5预测模型,实现PM2.5日值浓度的准确预测.使用北京市2010年-2017年气象数据和大气污染物数据进行仿真实验,结果表明该模型能够较好地预测PM2.5的日值变化趋势.【期刊名称】《计算机应用与软件》【年(卷),期】2019(036)001【总页数】5页(P67-70,104)【关键词】空气质量;PM2.5预测;灰色关联度;循环神经网络;LSTM【作者】白盛楠;申晓留【作者单位】华北电力大学控制与计算机工程学院北京102200;华北电力大学能源互联网与电力大数据研究所北京102200【正文语种】中文【中图分类】TP390 引言空气污染不仅会对人体健康造成一定的危害，也会引起一系列的环境问题。
近年来，北方地区污染天气出现频率逐步增加，河北、北京等地相继出现雾霾等极端污染天气。
空气质量指数(AQI)能够反映污染程度，根据相关数据显示，相较于2012年，北京市2014年污染天数(AQI>100)急剧增多，且主要集中在轻度污染区域(150>AQI>101)，全年未出现优质天气(AQI<50)。
空气质量下降，空气污染成为北京市亟待解决的问题。
探究空气质量变化，掌握其变化规律对空气质量管理、改善空气污染是十分必要的。
污染天气的出现是多种因素综合作用的结果，根据研究[1-3]表明，北京地区呈现高颗粒物浓度与高臭氧浓度并存的区域性的大气复合污染特点。
基于复合LSTM模型的PM_(2.5)浓度预测
基于复合LSTM模型的PM_(2.5)浓度预测顾阔;焦瑞莉;薄宇;刘帅强;王立志【期刊名称】《中国环境监测》【年(卷),期】2023(39)1【摘要】在对淄博市19个空气质量监测站点监测数据进行分析后,提出了一种基于机器学习的复合模型——灰色关联度分析(GRA)-改进的完备总体经验模态分解(ICEEMD)-长短期记忆网络(LSTM)模型。
通过分析淄博市2019年大气污染物和气象数据,选用LSTM模型预测PM_(2.5)浓度。
由于传统单一模块机器学习模型具有训练时间较长和预测精度较低的问题,提出了复合LSTM模型。
该模型由3部分组成:GRA,用于PM_(2.5)浓度影响因素变量筛选;ICEEMD,用于PM_(2.5)分解、分量筛选和原始大气污染物及气象数据处理;LSTM,用于PM_(2.5)浓度预测。
预测结果表明:淄博市中部丘陵地带PM_(2.5)浓度高于南部山区和北部平原,东部高于西部;淄博市逐月PM_(2.5)浓度呈“U”形分布,1月最高,8月最低;淄博市PM_(2.5)浓度受PM_(10)和CO影响较大,受湿度和温度影响较小。
对比单一LSTM模型和GRA-LSTM模型,GRA-ICEEMD-LSTM模型能有效提升运算效率,减少训练时长,提升预测精度,具有良好的应用效果。
【总页数】11页(P170-180)【作者】顾阔;焦瑞莉;薄宇;刘帅强;王立志【作者单位】北京信息科技大学信息与通信工程学院;中国科学院大气物理研究所-环境重点实验室;北京清创美科环境科技有限公司【正文语种】中文【中图分类】X502【相关文献】1.XGBoost-LSTM变权组合模型支持下短期PM_(2.5)浓度预测——以上海为例2.基于滑动窗口和LSTM的PM_(2.5)浓度预测模型3.基于赋权KNN-LSTM模型的PM_(2.5)质量浓度预测4.基于混合CNN-LSTM结构的PM_(2.5)浓度预测深度学习模型5.基于LSTM-GCN的PM_(2.5)浓度预测模型因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Guangzhou 510275; 4. 96813 Troops of PLA, Huangshan 245000; † Corresponding author, E-mail: junwei@
Abstract A hybrid model with ensemble empirical mode decomposition (EEMD) and BP (Back-Propagation) neural network for next-day forecasting of PM2.5 concentration in Beijing is developed. The results show that the forecast accuracy of the hybrid model is higher than single BP model. The main error comes from the highest frequency component. The input variables of the hybrid model need to contain information about the output variables. The level of pollutant concentration in the early stage has great influence on the prediction result of the models. Key words ensemble empirical mode decomposition (EEMD); BP neural network; PM2.5 forecast
PM2.5 Forecast of Beijing Based on Ensemble Empirical Mode Decomposition and BP Neural Network
REN Xiaochen1,4, ZOU Silin1, TANG Xian2, WEI Jun3,†
1. Department of Atmospheric and Oceanic Sciences, School of Physics, Peking University, Beijing 100871; 2. Public Meteorological Service Centre, China Meteorological Administration, Beijing 100081; 3. School of Atmospheric Sciences, Sun Yat-sen University,
基于集合经验模态分解和 BP 神经 网络的北京市 PM2.5 预报研究
任晓晨1,4 邹思琳1 唐娴2 韦骏3,†
1. 北京大学物理学院大气与海洋科学系, 北京 100871; 2. 中国气象局公共气象服务中心, 北京 100081; 3. 中山大学 大气科学学院, 广州 510275; 4. 中国人民解放军 96813 部队, 黄山 245000; † 通信作者, E-mail: junwei@
国家自然科学基金(41476008, 41576018)和广西壮族自治区特聘专家专项经费(2018B08)资助 收稿日期: 2018‒08‒08; பைடு நூலகம்回日期: 2018‒09‒25
615
北京大学学报(自然科学版) 第 55 卷 第 4 期 2019 年 7 月
统计方法需要利用大量历史观测数据, 通过回归分 析和机器学习等方法找出不同变量之间的函数关 系, 再应用到未来的预报中[10]。
摘要 利用集合经验模态分解算法(EEMD)和 BP 神经网络组成的混合模型, 对北京城区 PM2.5 浓度值进行短 期预报。结果表明, 与单独使用 BP 神经网络模型相比, EEMD-BP 混合模型的预报准确率更高; 混合模型高 频部分的预报误差是整体误差的主要方面; 混合模型的输入变量中需包含输出变量的信息; 前期污染物浓度 的数值对模型的预报结果有较大的影响。 关键词 集合经验模态分解算法(EEMD); BP 神经网络; PM2.5 预报
化造成影响[7‒9]。因此, 研究 PM2.5 的特征并对其浓 度值进行预报十分必要。
目前, PM2.5 浓度值的预报方法主要有确定性方 法 (deterministic approaches) 和 统 计 方 法 (statistical approaches)[10]。Zhang 等[11‒12]对实时空气质量预报 的研究历史和现状、面临的挑战和发展方向做了总 结, 指出确定性方法在提高气象场预报准确率和模 型输入条件准确率、模型中化学物理过程的描述、 精度提高和计算有效性提升等方面仍面临着挑战。
北京大学学报(自然科学版) 第 55 卷 第 4 期 2019 年 7 月 Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 55, No. 4 (July 2019)
doi: 10.13209/j.0479-8023.2019.041
近年来, 北京的高速发展引发不少环境问题, 其中的空气污染问题, 特别是大气中可吸入颗粒物 危害人体健康的问题越来越受重视。李令军等[1]发 现, 近期北京重污染天气的首要污染物为 PM2.5。 PM2.5 指大气中直径小于或等于 2.5 μm 的颗粒状悬 浮物。研究发现, 环境中 PM2.5 浓度的提高增加了 人 类 因 心 血 管 疾 病 引 发 的 死 亡 风 险 [2‒4] 。 此 外 , PM2.5 可以对大气的辐射过程产生影响[5‒6], 进而对 大气的能见度、降水等一系列天气现象以及气候变