空氣質(zhì)量預(yù)報模型是進(jìn)行空氣污染預(yù)報和建立污染減排措施的重要方法。隨著空氣質(zhì)量預(yù)報模型的發(fā)展,其類型和數(shù)量日益豐富,應(yīng)用需求也越來越廣泛。然而,不同模型在機(jī)理、適用區(qū)域等方面存在明顯的差異性特征,實際建模應(yīng)用中往往需要對不同模型的適用情景進(jìn)行繁瑣的考量和處理。這在增加模型使用者應(yīng)用難度的同時,也在開展涉及到多專業(yè)、多領(lǐng)域模型的集成應(yīng)用中增加了綜合模擬結(jié)果的不確定性。當(dāng)前,關(guān)于空氣質(zhì)量預(yù)報模型的評估策略和指標(biāo)各自為營,難以支撐適應(yīng)于多樣化目標(biāo)地理問題的模型選擇,缺少對模型適用情景的體系性研究。因此,本文從空氣質(zhì)量預(yù)報模型的適用情景分析出發(fā),以情景特征體系的構(gòu)建為切入點,從模型特征和用戶使用情景特征兩個層面歸納形成情景特征體系;基于此情景特征體系,分別構(gòu)建模型特征庫和用戶使用情景特征庫。通過將模型特征庫和用戶使用情景特征庫進(jìn)行指標(biāo)化關(guān)聯(lián),面向空氣質(zhì)量預(yù)報模型的合理應(yīng)用需求,本文以匹配與推薦為引導(dǎo),研究模型的自適應(yīng)選擇方法,實現(xiàn)基于情景特征的模型匹配,以及模型執(zhí)行驅(qū)動的數(shù)據(jù)資源推薦。本文的主要研究內(nèi)容和成果如下:（1）情景特征體系與特征庫構(gòu)建。面向模型適用情景的體系性研究需求,從模型特征及用戶... 

【文章來源】：南京師范大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：124 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線圖

第2章空氣質(zhì)量預(yù)報模型特征分析16和實際觀測值之間的誤差達(dá)到最校如圖2.1所示，BP網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層和輸出層，典型BP算法通過上述三層網(wǎng)絡(luò)結(jié)構(gòu)之間的信息傳輸?shù)靡詫崿F(xiàn)。其中，由輸入層傳播信號到輸出層的過程，被稱為前向傳播過程；由輸出層將誤差分配給各層所有單元進(jìn)行誤差調(diào)整的過程，被稱為誤差反向傳播過程�；谏鲜鰞蓚�過程，BP算法的訓(xùn)練結(jié)果與預(yù)期結(jié)果更為接近。圖2.1BP網(wǎng)絡(luò)模型結(jié)構(gòu)[47]2.1.5統(tǒng)計預(yù)報模型特征總結(jié)本節(jié)介紹了可用于統(tǒng)計預(yù)報中的常見模型和方法，包括回歸模型、聚類模型、時間序列分析方法和人工神經(jīng)網(wǎng)絡(luò)，基于對這些模型基本思想的了解，將其優(yōu)缺點和特征進(jìn)行總結(jié)�；貧w模型中介紹的逐步回歸法、OLS模型、LUR模型、GRW模型以及GTWR模型在實質(zhì)上都為普通線性回歸模型的擴(kuò)展模型，因此它們的一般式都是基于線性回歸模型公式的不同拓展。逐步回歸法結(jié)構(gòu)簡單，方程中變量較少，它需要逐個引入新變量并進(jìn)行每一步的檢驗，選擇合適變量是提高效率的關(guān)鍵因素，因此其主觀性較強(qiáng)。OLS模型是回歸模型中較為基本的一個模型，作為一個全局模型，它具有一定的局限性，例如結(jié)果不穩(wěn)定、假定預(yù)測因子無測量誤差等。LUR模型與OLS相比添加了土地利用等變量，并通過自變量與污染物濃度之間的相關(guān)性，評估缺少監(jiān)測站點區(qū)域的污染物濃度，因此其考慮因素更為齊全，預(yù)測精度也相對更高。但是與GWR和GTWR模型相比，其在大空間尺度下對于空氣污染物質(zhì)濃度的模擬和預(yù)測能力較弱，并且忽略了時空非平穩(wěn)性。GWR和GTWR模型都是加權(quán)回歸模型，GWR添加了對于觀測對象空間結(jié)構(gòu)的考慮，GTWR在考慮空間地理位置的基礎(chǔ)上，還加入了對觀測時間的考慮，由于空氣污染是基于時空位置的地理問題，因此這兩個模型與上述的回歸模型相比能更?

第2章空氣質(zhì)量預(yù)報模型特征分析182.2.1中小尺度模型中小尺度數(shù)值預(yù)報模型包括高斯模型AERMOD、ADMS（AtmosphericDispersionModellingSystem）、ISC（IndustrialSourceComplex）和拉格朗日軌跡模型CALPUFF、OZIPM/EKMA（OzoneIsoplethPlottingMethod/EmpiricalKineticModelingApproach）等。這些模型結(jié)構(gòu)較為簡單并且計算速度比較快，多用于城市尺度中一次污染物的模擬。目前應(yīng)用較為廣泛的模型有AERMOD和CALPUFF模型，下述為這兩個模型的簡要介紹。（1）AERMOD模型AERMOD以擴(kuò)散統(tǒng)計理論為出發(fā)點，考慮了對流條件下浮力煙羽和混合層頂?shù)南嗷プ饔�，可進(jìn)行城市區(qū)域和鄉(xiāng)村區(qū)域等中小尺度區(qū)域的污染物質(zhì)濃度分布模擬及預(yù)測[48]。AERMOD模型包括AERMET氣象模塊、AERMAP地形處理模塊以及AERMOD擴(kuò)散模塊，模擬流程如圖2.2所示。AERMET處理地面特征數(shù)據(jù)及氣象觀測數(shù)據(jù)后得到行星邊界層參數(shù)，AERMAP將輸入的地形數(shù)據(jù)經(jīng)過計算轉(zhuǎn)換成AERMOD模塊可處理的地形預(yù)處理數(shù)據(jù)。將邊界層參數(shù)數(shù)據(jù)、廓線數(shù)據(jù)和地形預(yù)處理數(shù)據(jù)作為輸入數(shù)據(jù)傳入AERMDO系統(tǒng)，就可以經(jīng)計算得到所需的污染物濃度。圖2.2AERMOD模型模擬流程AERMOD在穩(wěn)定邊界層（SBL）的濃度分布表現(xiàn)形式為高斯分布，公式如下所示[49]：{,,}=√2·∑[[(+2)222]+∞=∞[(++2)222]]（2-11）式中，是有效風(fēng)速值，是曲流的水平分布函數(shù)，是垂直方向上的擴(kuò)散系數(shù)，是煙囪的有效源高度，是穩(wěn)定混合層高度，。而在對流邊界層（CBL），AERMOD采用了雙高斯概率密度函數(shù)（pdf）來表達(dá)，可以計算建筑物下洗。對流邊界層下AERMOD預(yù)測的污染物濃度由

【參考文獻(xiàn)】：
期刊論文
[1]Investigating the Transport Mechanism of PM2.5 Pollution during January 2014 in Wuhan, Central China[J]. Miaomiao LU,Xiao TANG,Zifa WANG,Lin WU,Xueshun CHEN,Shengwen LIANG,Hui ZHOU,Huangjian WU,Ke HU,Longjiao SHEN,Jia YU,Jiang ZHU.  Advances in Atmospheric Sciences. 2019(11)
[2]肇慶市一次典型污染天氣的污染物來源解析[J]. 常樹誠,廖程浩,曾武濤,楊柳林,俞紹才,陳雪,鄭劍平.  環(huán)境科學(xué). 2019(10)
[3]一種圖像分割模型的自適應(yīng)參數(shù)選擇方法[J]. 王輝,吳永武,杜應(yīng)瓊.  計算機(jī)應(yīng)用與軟件. 2019(05)
[4]AERMOD和CALPUFF干沉降在復(fù)雜地形下模擬結(jié)果的對比研究[J]. 舒璐,關(guān)勖,祝祿祺,潘峰,仝紀(jì)龍.  環(huán)境科學(xué)與管理. 2019(01)
[5]我國空氣質(zhì)量模型應(yīng)用中存在的問題及建議[J]. 于振波,劉玉萍,李廣來,劉薇,賈琳琳.  環(huán)境保護(hù)與循環(huán)經(jīng)濟(jì). 2018(08)
[6]多元逐步回歸與卡爾曼濾波法在霾預(yù)報中應(yīng)用[J]. 咸云浩,張恒德,謝永華,楊樂.  系統(tǒng)仿真學(xué)報. 2018(04)
[7]基于POI興趣點的排放清單空間分配方法[J]. 王堃,高佳佳,田賀忠,淡默,岳濤,薛亦峰,左朋萊,王晨龍.  中國環(huán)境科學(xué). 2017(06)
[8]土地利用回歸模型模擬京津冀PM2.5濃度空間分布[J]. 許剛,焦利民,肖豐濤,趙素麗,張欣.  干旱區(qū)資源與環(huán)境. 2016(10)
[9]大氣擴(kuò)散模型的研究進(jìn)展[J]. 苑春莉,范世良,柴天昱,朱玉芳,謝元華,朱彤.  節(jié)能. 2016(10)
[10]基于特征矩陣和關(guān)聯(lián)圖的空間場景相似性度量方法[J]. 陳占龍,呂夢樓,吳亮,徐永洋.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2017(07)



本文編號：3282997