【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(yán)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(biāo),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(guān)注,及時對北京市的首要污染物進(jìn)行預(yù)報和預(yù)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(yù)測進(jìn)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(jìn)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。考慮到污染物因子與氣象因子兩方面因素,本文收集若干相關(guān)重要指標(biāo),利用Pearson相關(guān)系數(shù)和Spearman秩相關(guān)系數(shù)分析了PM2.5濃度與其他指標(biāo)的相關(guān)程度。再次,通過十折交叉驗證的方法,構(gòu)建預(yù)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(luò)模型,比較上述模型的預(yù)測結(jié)果,分析結(jié)果如下:標(biāo)準(zhǔn)化均方誤差、均方根誤差和平均絕對誤差這三個預(yù)測性能評價指標(biāo)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(luò)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(yù)測性能較高、泛化能力較強,在城市污染物濃度的預(yù)測實踐中值得被推廣和應(yīng)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(guān)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(yán)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(yán)重污染”和“重度污染”天氣的占比之和已經(jīng)達(dá)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(dá)到“嚴(yán)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(dá)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(dá)到“嚴(yán)重污染”和“重度污染”，占2018 年的 4.19% (2018 年統(tǒng)計周期不全)。
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：X51;C81

【參考文獻(xiàn)】

相關(guān)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(yù)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(yù)報模型[J];環(huán)境科學(xué)與技術(shù);2014年04期

6 孟杰;;隨機森林模型在財務(wù)失敗預(yù)警中的應(yīng)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(yīng)用[J];科學(xué)技術(shù)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(yù)報研究進(jìn)展[J];環(huán)境保護科學(xué);2010年03期

相關(guān)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(yù)報研究初探[A];2015年中國環(huán)境科學(xué)學(xué)會學(xué)術(shù)年會論文集（第二卷）[C];2015年

相關(guān)博士學(xué)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(yù)測模型研究[D];北京科技大學(xué);2015年

相關(guān)碩士學(xué)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(yù)測[D];太原理工大學(xué);2018年

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

3 楊思琪;隨機森林模型在太原市細(xì)顆粒物濃度預(yù)測中的應(yīng)用[D];太原理工大學(xué);2017年

4 薛興釗;基于BP神經(jīng)網(wǎng)絡(luò)的秦嶺北麓中部空氣質(zhì)量預(yù)報研究[D];西安建筑科技大學(xué);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(xué);2006年

本文編號：2620118