基于统计学习理论的大气污染状况评估关键技术研究

Currently, global atmospheric pollution has a vital influence on the health of the human kind and animals and the growth of the plant. The prediction and assessment of air pollution can give the public to cope with the air pollution and reduce the harm of air pollution. Air pollution has a vital influence on the health of the human kind and animals and the growth of the plant, a series serious society and economical drawbacks have been produced. There are a close relationships between the level of air pollutant concentration and the meteorological variables. We propose to modify regression and classification algorithm and reveal the intrinsic relationship and structure in the air pollutant concentration and meteorological variables and assess air pollution. .Our research include as follows: 1) Principal component analysis (PCA) and deep learning is adopted to reduce the dimensionality of the data and extract the feature from the data set. 2) We use artificial neural network, elastic net and the least angle regression to predict the air pollutant concentrations; 3)Support vector machine, Naïve Bayesian and decision tree are used to study the mode of air pollutant concentration; Given the forecasts of numeric model and the observation from monitoring stations, we propose to the bias correction technology in the Kalman filtering by constructing the station transition model and the observation model. 5) We study the uncertainty of the statistical model for the assessment of air pollutant concentration.

大气污染严重影响人类身体健康。预测和评估大气污染状况可指导公众采取合理措施降低污染的危害。气象学变量和人类活动等因素与污染物浓度水平密切相关。项目提出改进回归与分类算法，挖掘大气污染物浓度和相应气象学数据间本质的结构和联系，在统计学习框架下研究大气污染物浓度值预测和污染状况评估。项目主要研究：1)利用主成分分析、深度学习等方法选择影响大气污染物浓度的影响因素；2)研究人工神经网络、多元线性回归、弹性网回归及最小角回归在线模型及其在大气污染物浓度值预测中的应用；3)将在线学习引入到分类算法中，利用支持向量机、决策树及朴素贝叶斯等方法研究大气污染状况评估，利用在线多示例学习方法解决大气污染状况评估中样本标签模糊性问题；4)构建污染物浓度的状态转移模型和观测模型，在粒子滤波和卡尔曼滤波框架下，研究数字模型预测值的偏差校正技术；5) 研究等能量等随机采样理论及其在预测模型不确定性评价中的应用。

随着全球经济和社会的不断发展，绝大多数城市正经受着大气污染的恶劣影响。大气污染恶化空气质量，导致气喘、支气管炎等各种严重疾病。随着大气污染物浓度监测技术、计算机空间存储和运算速度的不断提高，环境监测部门获得了海量数据。合理利用这些信息可以有效地促进人们认识大气污染物形成的机制，获得大气污染物浓度精确的预测，从而为环境部门制定有效的应对策略提供理论支撑和依据。然而，现有的环境统计学工具在处理海量数据时，精度较差，运行速度较慢。如何处理和分析这些海量数据，是摆在环境科学工作者和统计学研究者面前的一个紧迫问题。.研究内容.（1）发展研究大气污染物浓度预测的理论与新方法，给出预测大气污染物浓度的数据分析方法。通过对各类机器学习及数据分析方法的研究，研究各类方法预测大气污染物浓度的精度及鲁棒性。另外，建立大气污染物浓度预测的贝叶斯框架，针对时空克里金和非线性回归的不尽如人意的效果，我们提出在贝叶斯框架下预测大气污染物浓度。在此框架下，先验信息和观测值能够妥善地结合起来，获得大气污染物浓度的后验分布。为了克服后验分布的不解析形式，采用MCMC方法抽取后验分布的随机样本点，用样本数字特征来近似总体数字特征。.（2）大气污染问题越来越受到人们的广泛关注。PM2.5是影响空气质量的一个很关键的因素，为了能够更加准确的预测PM2.5的浓度以及大气污染等级，使人们有效控制大气污染物的生成与传播，提出基于宁夏2018年—2020年5市大气污染物数据和气象要素数据，分别构建了K最邻近模型(KNN)、Lasso回归模型、决策树模型(DT)、支持向量回归模型(SVR)、AdaBoost模型、随机森林模型(RF)、基于主成分分析的BP神经网络模型（PCA-BPNN）和BP神经网络模型(BPNN)，对上述气象数据和大气污染物数据进行训练，进而预测出PM2.5浓度以及大气污染等级。.（3）直到近几年人们开始了解空气污染对人类健康的可怕影响时，空气污染才受到人们的重视。根据宁夏2016年1月1日至2017年12月31日的气象监测资料，分析了地表温度、气温、相对湿度和风力对空气污染物浓度的影响。

内容获取失败，请点击重试