【摘要】：隨著我國經(jīng)濟社會的穩(wěn)定發(fā)展和人民生活水平的持續(xù)提升,環(huán)境與發(fā)展的不協(xié)調(diào)問題日益突顯出來。人類社會在發(fā)展的同時,也使得人們和動植物都賴以生存的空氣、土壤和水資源等受到了污染和破壞。近年來,中國的區(qū)域空氣污染現(xiàn)象不斷涌現(xiàn),特別是京津冀地區(qū),空氣污染情況尤為嚴重,空氣污染不僅會對人們的生產(chǎn)、生活等方面產(chǎn)生消極影響,還會在一定程度上損害居民的身心健康�？諝庵械氖滓廴疚�,其濃度是非常重要的空氣質(zhì)量指標,北京市是京津冀地區(qū)的核心城市,空氣質(zhì)量問題備受關注,及時對北京市的首要污染物進行預報和預警是一項極其重要的工作。本文主要從以下幾個方面對北京市首要污染物的濃度預測進行分析和研究:首先,收集2013年12月至2018年8月北京市的空氣質(zhì)量日均監(jiān)測數(shù)據(jù),通過對數(shù)據(jù)進行描述性分析,掌握北京市近五年的空氣質(zhì)量整體概況和北京市首要污染物的分布情況,總結(jié)出:PM2.5是北京市近年來空氣污染中的首要污染物。其次,介紹隨機森林算法的原理�？紤]到污染物因子與氣象因子兩方面因素,本文收集若干相關重要指標,利用Pearson相關系數(shù)和Spearman秩相關系數(shù)分析了PM2.5濃度與其他指標的相關程度。再次,通過十折交叉驗證的方法,構(gòu)建預測北京市首要污染物濃度的隨機森林模型。并基于相同的數(shù)據(jù)處理方法,分別建立決策樹模型、Boosting回歸模型、Bagging回歸模型和神經(jīng)網(wǎng)絡模型,比較上述模型的預測結(jié)果,分析結(jié)果如下:標準化均方誤差、均方根誤差和平均絕對誤差這三個預測性能評價指標的值在測試數(shù)據(jù)集上的大小按模型排序均為:決策樹模型Bagging回歸模型Boosting回歸模型神經(jīng)網(wǎng)絡模型隨機森林回歸模型。由此可以得到如下結(jié)論:隨機森林算法的預測性能較高、泛化能力較強,在城市污染物濃度的預測實踐中值得被推廣和應用。最后,考慮到城際空氣污染的影響和擴散,建立高斯煙羽模型,研究北京及周邊城市PM2.5濃度的分布與演變規(guī)律,以期能對相關城市和部門開展空氣質(zhì)量的防治工作提供有效建議。
【圖文】：

表 3-1 2013-2018 年空氣質(zhì)量等級頻數(shù)分布表Table 3-1 Frequency distribution table of air quality level during 2013-2018空氣質(zhì)量等級 頻數(shù) 頻率優(yōu) 272 15.94%良 639 37.46%輕度污染 381 22.33%中度污染 241 14.13%重度污染 126 7.39%嚴重污染 47 2.75%上表列出了 2013-2018 年空氣質(zhì)量等級的頻數(shù)及頻率分布，從空氣質(zhì)量等級的基本統(tǒng)計信息來看，在過去的五年里，北京市空氣質(zhì)量級別占比最高的為“良”，，其次為“輕度污染”，而“嚴重污染”和“重度污染”天氣的占比之和已經(jīng)達到了 10%。繪制 2013-2018 年的 AQI 密度曲線如下：

第 3 章 北京市空氣質(zhì)量狀況級達到“嚴重污染”和“重度污染”，占 2017 年的 6.58%；2018 年北京市有 113天的空氣質(zhì)量達到“優(yōu)”和“良”(級別“優(yōu)”占 31 天，級別“良”占 82 天)，占 2018 年的 52.56%，有 9 天的空氣質(zhì)量達到“嚴重污染”和“重度污染”，占2018 年的 4.19% (2018 年統(tǒng)計周期不全)。
【學位授予單位】：北京工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：X51;C81

【參考文獻】

相關期刊論文 前10條

1 陳靜鋒;柴瑞瑞;閆浩;夏繼敏;劉德海;;基于高斯煙羽模型的PM2.5污染源擴散規(guī)律模擬分析[J];系統(tǒng)工程;2015年09期

2 胡玉筱;段顯明;;基于高斯煙羽和多元線性回歸模型的PM_(2.5)擴散和預測研究[J];干旱區(qū)資源與環(huán)境;2015年06期

3 徐戈;張科;;基于隨機森林模型的房產(chǎn)價格評估[J];統(tǒng)計與決策;2014年17期

4 智穎;李婧;;呼和浩特市空氣顆粒物影響因素研究[J];中國環(huán)境監(jiān)測;2014年03期

5 方鏡堯;趙傳燕;朱衛(wèi)浩;;蘭州市供暖期PM_(2.5)濃度監(jiān)測及其預報模型[J];環(huán)境科學與技術;2014年04期

6 孟杰;;隨機森林模型在財務失敗預警中的應用[J];統(tǒng)計與決策;2014年04期

7 孫志寬;;高斯煙羽擴散模型再研究[J];環(huán)境與可持續(xù)發(fā)展;2013年05期

8 宋暉;張良均;;C4.5決策樹法在空氣質(zhì)量評價中的應用[J];科學技術與工程;2011年20期

9 方匡南;吳見彬;朱建平;謝邦昌;;隨機森林方法研究綜述[J];統(tǒng)計與信息論壇;2011年03期

10 任萬輝;蘇樅樅;趙宏德;;城市環(huán)境空氣污染預報研究進展[J];環(huán)境保護科學;2010年03期

相關會議論文 前1條

1 王雁;張懷德;郭偉;閆世明;;太原市大氣顆粒物濃度預報研究初探[A];2015年中國環(huán)境科學學會學術年會論文集（第二卷）[C];2015年

相關博士學位論文 前1條

1 劉杰;北京大氣污染物時空變化規(guī)律及評價預測模型研究[D];北京科技大學;2015年

相關碩士學位論文 前5條

1 任才溶;基于并行隨機森林的城市PM_(2.5)濃度預測[D];太原理工大學;2018年

2 杜續(xù);基于隨機森林的PM2.5濃度預測模型研究[D];西安郵電大學;2018年

3 楊思琪;隨機森林模型在太原市細顆粒物濃度預測中的應用[D];太原理工大學;2017年

4 薛興釗;基于BP神經(jīng)網(wǎng)絡的秦嶺北麓中部空氣質(zhì)量預報研究[D];西安建筑科技大學;2014年

5 張媛媛;基于WebGIS的突發(fā)事故大氣污染模擬的研究實現(xiàn)[D];浙江大學;2006年

本文編號：2620118