南京市逐日空气污染指数的分析与预测

摘要

大气污染是我国急需解决的环境问题之一，对其分析与预测是“打赢蓝天保卫战”的重要环节，是大气环境治理成效的检验，亦是为了更加精准的对重污染区域、易发生污染时间段进行有效防治。
　　本文主要采用逐日空气污染指数(Air Pollution Index，API)数据，以南京市为例，对其API进行分析与预测。在分析上:首先采用小波分析和直观统计的方法对2001～2010年间API进行月变化分析;其次以季节为周期对该市API变化规律进行统计分析;然后采用模糊综合评价的方法对10年间空气质量进行评判并得出API的年际变化规律;并采用Daniel趋势检验法分别对API在月、季、年周期上进行趋势分析。通过分析得出API的变化规律，由其中季节性规律得出API随季节性变化不同，因此，API预测需要分别建立春、夏、秋、冬四季的预测模型。在预测上:以BP神经网络预测模型为基础，渐进式的进行优化，以改进API在骤然升高或降低时段的预测精度。首先用果蝇算法(Fruit Fly Optimization Algorithm，FOA)对BP网络进行优化建立新的模型——FOA-BP模型。其次对该市各季节数据分别小波分解，然后对单支重构后的子序列分别配置合适的预测模型(BP网络和FOA-BP网络)，将子序列预测后经权值计算进行重构，则重构后的序列即需要预测的API序列。
　　论文研究结论:(1)10年间南京市API在l、3、5、12月份出现峰值的概率较大，API低值主要体现在7、8月份。在每年的冬春季API波动较大，空气质量较差，而夏季空气质量最好。API月均值直观统计分析中，6、7、8月份API月均值呈递减趋势，9、10、11月份月均值又呈现递增趋势，得出API月均值的夏秋季节规律性相对冬春季较强。经Daniel趋势检验分析出，1～11月份API月均值有下降趋势，其中1、3、4、7、8、9月份下降趋势显著，12月份API月均值有上升趋势，但是趋势变化无显著性。(2)各季节API均值整体呈现春季API最高，夏季API最低，而秋冬季介于两者之间。在统计空气质量等级天数中得出，秋季空气无污染的天数大于冬季，而空气污染的天数小于冬季，秋季空气质量又比冬季好。经过空气质量等级天数的Daniel趋势检验，四季空气污染状况均得到一定的改善，春、夏季API趋势下降明显，秋、冬季API虽然下降但显著性不强。(3)经过模糊综合评价后，间接得出10年间南京市API年际变化情况:2002年＞(高于)2001年＞2004年＞2006年＞2005年＞2007年＞2003年＞2008年＞2010年＞2009年。该市空气质量朝着越来越好的趋势发展，并且趋势变化显著。(4)经过四种预测模型分别对南京市春、夏、秋、冬四季进行预测，预测均方误差均是小波FOA-BP网络模型＜小波-BP网络模型＜FOA网络模型＜BP神经网络模型，四季的预测准确率均是小波-FOA-BP网络模型＞小波-BP网络模型＞FOA网络模型＞BP神经网络模型。小波-FOA-BP网络最适合做南京市四季的API预测，预测准确率分别达到:70.96％、93.9％、95.4％、91.8％，并且在API骤然升高或降低时段预测精度也很高。

目录

声明

摘要

图片清单

表格清单

1 绪论

1．1 研究背景及意义

1．1．1 研究背景

1．1．2 研究意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 研究内容与资料来源

1．3．1 研究内容

1．3．2 资料来源

1．4 论文组织结构和创新点

1．4．1 论文组织结构

1．4．2 论文创新点

2 研究区概况

2．1 地理环境概况

2．2 气象环境概况

3．1 数据预处理

3．1．1 空气污染指数

3．1．2 数据缺失值填充

3．2 分析方法

3．2．1 小波分析

3．2．2 Daniel趋势检验法

3．2．3 模糊综合评价

3．3 预测方法

3．3．1 BP神经网络

3．3．2 果蝇算法

3．3．3 基于小波分解的BP网络与FOA-BP网络预测模型

4 南京市API在时间序列上的分析

4．1．1 API月际小波分析

4．1．2 API月均统计分析

4．2 API季节性变化

4．3 基于模糊综合评价的南京市十年间空气质量评价

4．4 本章小结

5 南京市API神经网络预报模型的构建

5．1 数据的分类与整理

5．2 BP神经网络预报模型的设计

5．2．1 API数据归一化处理

5．2．2 BP神经网络预报模型的网格结构确定

5．2．3 MATLAB下南京市API的BP网络模型预测

5．2．4 南京市API的BP网络预报模型测试结果分析

5．3 基于果蝇算法优化的BP神经网络模型的建立

5．3．1 基于果蝇算法优化BP网络的步骤

5．3．2 MATLAB下南京市API的FOA-BP网络模型预测

5．3．3 南京市API的FOA-BP网络预报模型测试结果分析

5．4 基于小波分解的BP网络与FOA-BP网络预测模型

5．4．2 南京市API基于小波分解的BP与FOA-BP网络预测模型测试结果分析

5．5 四种预报模型的比较

5．6 本章小结

6 结论与展望

6．1 结论

6．2 展望

参考文献

附录

致谢

作者简介