CN107300550A - 一种基于bp神经网络模型预测大气重金属浓度的方法 - Google Patents
一种基于bp神经网络模型预测大气重金属浓度的方法 Download PDFInfo
- Publication number
- CN107300550A CN107300550A CN201710476059.1A CN201710476059A CN107300550A CN 107300550 A CN107300550 A CN 107300550A CN 201710476059 A CN201710476059 A CN 201710476059A CN 107300550 A CN107300550 A CN 107300550A
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- concentration
- atmosphere
- data
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 title claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000004044 response Effects 0.000 claims abstract description 4
- 239000008277 atmospheric particulate matter Substances 0.000 claims abstract description 3
- 238000007405 data analysis Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000003344 environmental pollutant Substances 0.000 claims description 7
- 229910052751 metal Inorganic materials 0.000 claims description 7
- 231100000719 pollutant Toxicity 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 239000012528 membrane Substances 0.000 claims description 5
- 239000002184 metal Substances 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 229910052785 arsenic Inorganic materials 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 239000013618 particulate matter Substances 0.000 claims description 4
- 238000003915 air pollution Methods 0.000 claims description 3
- 229910052782 aluminium Inorganic materials 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 229910052793 cadmium Inorganic materials 0.000 claims description 3
- 229910052804 chromium Inorganic materials 0.000 claims description 3
- 229910052802 copper Inorganic materials 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 229910052745 lead Inorganic materials 0.000 claims description 3
- 229910052759 nickel Inorganic materials 0.000 claims description 3
- 238000000918 plasma mass spectrometry Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 230000029087 digestion Effects 0.000 claims description 2
- 230000001939 inductive effect Effects 0.000 claims description 2
- 238000006396 nitration reaction Methods 0.000 claims description 2
- 229910052725 zinc Inorganic materials 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims 2
- 239000007788 liquid Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 230000002265 prevention Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000013459 approach Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 4
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000011133 lead Substances 0.000 description 4
- 239000011651 chromium Substances 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 239000005022 packaging material Substances 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000004094 preconcentration Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 229910052711 selenium Inorganic materials 0.000 description 1
- 239000011669 selenium Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004876 x-ray fluorescence Methods 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/73—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited using plasma burners or torches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/0656—Investigating concentration of particle suspensions using electric, e.g. electrostatic methods or magnetic methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Electrochemistry (AREA)
- Dispersion Chemistry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Plasma & Fusion (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于BP神经网络模型预测大气重金属浓度的方法,包括以下步骤:1)典型小研究区域选择;2)研究区域气象数据获取;3)研究区域大气颗粒物浓度数据获取;4)研究区域大气颗粒物浓度数据检验;5)数据分析;6)模型构建;7)根据所构建的BP神经网络模型进行待估算区域大气颗粒物中重金属浓度预测。本发明借助BP神经网络以及各监测因子之间的响应关系建立起城市大气重金属的快速预测模型,从而对大气重金属的浓度进行评估,对我国城市大气重金属的污染防控提供了一种新思路,具有极其重要的现实意义。
Description
技术领域
本发明涉及大气污染研究技术领域,具体是涉及一种基于BP神经网络模型预测大气重金属浓度的方法。
背景技术
大气中的重金属污染有自然来源和人为来源两种,由宇宙天体作用及地球上各种地质作用而使某些重金属元素进入大气中属于自然来源,人为来源的重金属主要为工业生产、汽车尾气排放及汽车轮胎磨损产生的大量含重金属的有害气体和粉尘等。随着机动车日趋增多,随之产生的大气重金属污染愈发的严重,已有研究表明大气重金属污染对人体健康,动植物生态毒理等方面有着显著的影响,这些重金属元素包括铅、铜、镉、砷、铬、镍、硒、汞等元素,还包括营养元素铁,对海生生物有影响的铝。重金属对环境的危害首先取决于其自身的物理化学性质,再次是环境中的含量,当这些重金属在动物体内积累到一定程度时,即会直接影响动物的生长发育、生理生化机能,直至引起动物的死亡,同时重金属也可以沿食物链通过消化***被人体吸收,对人群的危害极大。因此对大气中重金属浓度的方监测就显得尤为重要。
目前对重金属的监测大部分采用膜或撞击器进行预浓缩采样,再通过AAS(原子吸收光谱),ICP-MS(电感耦合等离子体质谱)等检测仪器测量,AAS及ICP-MS可以同时检测多种重金属元素,检测限低,灵敏度高。但是由于这种离线分析的方式时间分辨率不高,难以满足研究重金属元素迁移转化的需要,而且ICP-MS价格昂贵,操作复杂也不易于推广使用。利用XRF(X射线荧光光谱分析)技术的检测仪器也是一种基于膜采样的半连续检测仪器,虽然一定程度上提高了时间分辨率,而且其检测属于无损检测,能进行多种元素同时检测,但其昂贵的价格使得该仪器不易于推广。所以现有的重金属监测技术难以满足实时、大范围监测,重金属在线检测是现在大气重金属研究领域的一大难题。
目前,虽然很多城市已经建立了大气颗粒物的监测站,但由于存在天气条件、人工因素及其他不可操控的原因,很多站点的数据都会缺失或断节,而对于大气颗粒物中重金属的监测分析的研究工作就更加缺乏。相关研究已借助多元线性回归模型、人工神经网络、支持向量机等线性或非线性数学方法成功建立起了大气污染物(包括SO2、CO、NO2、O3、PM2.5等)的预测模型,但关于预测大气颗粒物中重金属浓度的研究鲜有报道。因此,对典型城市大气颗粒物中重金属污染种类、时空分布规律、污染源进行识别并建立评估我国城市大气重金属污染特征的快速预测模型,对我国城市大气重金属的污染防控具有极其重要的意义。
发明内容
的目的是提供一种基于BP神经网络模型预测大气重金属浓度的方法,用于预测与评估区域大气重金属的浓度,为相应防控措施的制定等工作提供支撑。
本发明的技术方案是:
一种基于BP神经网络模型预测大气重金属浓度的方法,包括以下步骤:
1)典型小研究区域选择:
选择具有典型代表性的研究区域,典型的小研究区应具备以下几项基本特征:第一,该区域具备典型的交通活动、建筑施工和生活排放,且产生大量气体、颗粒物、道路扬尘;第二,该区域存在高耗能企业及污染排放大户,该区域的空气污染受到工业污染短距离传输的影响,对人体健康具有隐患;第三,该区域的气象数据完备,模型模拟精度高;第四,该区域大气样品容易获取;
2)研究区域气象数据获取:按照步骤1)的要求选定研究区域,确定采样点,使用常规大气颗粒物分级采样器采集大气颗粒物,同步记录采样点附近自动监测站的气象数据,包括:温度、湿度、气压和风速;
3)研究区域大气颗粒物浓度数据获取:分析测试大气颗粒物中重金属的浓度,提取和分析重金属元素主要包括:Al、As、Cd、Cr、Cu、Fe、Ni、Pb和Zn;提取方法为:将1/8大小的样品滤膜剪成细条状于消解管后,使用混酸HNO3-HCl-HF-HClO4来提取重金属总量,然后待测溶液中金属元素的浓度采用电感耦合等离子体发射光谱仪及电感耦合等离子体质谱测定;
4)研究区域大气颗粒物浓度数据检验:采用Grubbs法对所测大气颗粒物原始数据中特异值进行检验和剔除;采用SPSS19.0进行数据的正态分布检验;
5)数据分析:分析大气颗粒物中重金属浓度与气象数据和对应粒径大气颗粒物浓度的相关关系;借助SPSS23.0将大气颗粒物中14种重金属浓度与气象数据(温度、湿度、气压、风速)和对应粒径大气颗粒物浓度进行多元线性相关性分析,相关性系数越高,表明两者相关性越好;
6)模型构建:以气象因子和污染物数据作为输入因子,大气重金属浓度为输出因子,构建基于BP神经网络模型预测大气重金属浓度的模型,并根据预测值与实测值的相关性及误差判断模型构建的优劣;
7)根据所构建的BP神经网络模型进行待估算区域大气颗粒物中重金属浓度预测:根据城市的气象因子和污染物数据预测该城市对应时间段大气颗粒物中重金属的浓度。
进一步地,在上述方案中,所述BP网络(图2)是多层网络,分为输入层、隐含层和输出层,各层之间实行全连接;它实现了多层学习的设想,当给定网络一个输入模式时,它由输入层单元传到隐含层单元,经隐含层单元逐层处理后再送到输出层单元,经处理后产生一个输出模式,如果输出响应与期望输出模式有误差,不满足要求,则转入误差反向传播,将误差值沿连接通路逐层反向传送并修正各层连接权值,当各个训练模式都满足要求时,则学习结束;在实际训练时,首先要提供一组训练样本,其中的每个训练样本由输入样本和理想输出对组成;当网络的所有实际输出与其理想输出一致时,训练结束;否则,通过误差逆传播的方法来修正权值使网络的理想输出与实际输出一致;当反复学习直至样本集总误差(如下式)达到某个精度要求,即E<ε(预先给定的精度)时停止,并记录此时调整后的权值。
式中yk为期望输出,ck为实际输出,m为学习样本数。
进一步地,在上述方案中,模型模拟时,随机选取70%作为训练数据,剩下30%作为验证数据;为确保训练数据的代表性,随机选取区域、季节、白天和夜晚的数据,且包含其中的极大和极小值;在100次成功建模之中,选择训练模型相关系数最大的一次作为模拟模型,对重金属浓度进行与预测。
进一步地,在上述方案中,所述判断构建的模型是否具有普适性的具体衡量指标有:
①相关系数(R),用于反映变量之间相关关系密切程度,用于测量模型的拟合性能;
②平均绝对误差(MAE),是所有单个模拟值与实测值的偏差的绝对值的平均,用于评估模型的预测效果;
③均方根误差(MSE),是误差的平方和的平均值的平方根,用于判定该模型的可靠性。
进一步地,在上述方案中,模型训练完毕后,可用区域任意时间段的气象数据(风速、气压、温度、湿度)和对应粒径大气颗粒物浓度作为输入因子,用训练好的模型预测该时段、该研究区域对应大气重金属的浓度。
本发明的有益效果是:本发明分析探究城市不同季节下大气颗粒物中重金属的污染特征,同时收集气象数据等常规监测因子,借助BP神经网络以及各监测因子之间的响应关系建立起城市大气重金属的快速预测模型,从而对大气重金属的浓度进行评估,为相应防控措施的制定等工作提供支撑,建立了评估我国城市大气重金属污染的快速预测模型,对我国城市大气重金属的污染防控提供了一种新思路,具有极其重要的现实意义。
附图说明
图1是本发明的技术流程框图;
图2是BP神经网络模型构建的流程图;
图3是大气颗粒物浓度和气象数据;
图4是不同季节大气重金属浓度的变化趋势;
图5南京市2015年的气象数据、PM2.5浓度及预测的重金属浓度。
具体实施方式
以南京大学仙林校区为例建模,应用模型对南京市2015年PM2.5中重金属的浓度进行了预测。
南京市是我国长三角地区的第二大城市,我国重要的综合性工业生产基地,华东地区极为重要的交通枢纽。近年来南京市快速的城市化建设产生了比较严重的空气污染,主要来自工业生产、交通活动、建筑施工和生活排放所产生的大量气体、颗粒物、道路扬尘等。南京市主要的经济开发区、技术开发区等环绕整个南京城,其中正北方向的南京化学工业园区是化工企业的密集区,汇集了南京市主要的高耗能企业及污染排放大户。南京大学仙林校区位于仙林大学城内,但是据金陵石化也较近(5.6公里)。可见,这个区域的空气污染将受到工业污染短距离传输的影响,对人体健康具有巨大的隐患,应当受到政府相关部门和公众的高度重视。
采样器使用了分级切割头(2.5μm,5μm,10μm和100μm),采样介质为高纯石英滤膜(QM-Whatman,20.3cm×25.4cm),采样流量为100L/min,采样器大气入口高度距地面1.5m左右。仙林的采样时间为2014年4月22日-5月7日(春季)、7月9日-7月26日(夏天)、10月13日-10月22日(秋天)、2015年1月18日-1月27日(冬天),总计共采集了156个样品,并同步记录自动监测站的气象数据,包括温度、湿度、气压和风速等。采样前后滤膜均恒温恒湿24h(温度25℃,湿度50%)并称重,以确定质量,最后保存在干燥箱中至预处理。每张滤膜平分为8份,其中1份用于总量测定,另外7份留作其它实验用。
经统计分析,南京市大气颗粒物浓度及气象因子如图3所示,结果显示:南京市大气颗粒物更多地聚集在细颗粒物PM2.5中,占了总量的49%。此外,仙林PM2.5的浓度为78μg/m3,有38%的样品超过了国家标准日均限值(75μg/m3)。总的来说,仙林冬季PM2.5和PM2.5-5中重金属浓度显著比夏季高。大气重金属浓度的变化趋势如图4所示,结果显示:大部分大气重金属冬季的浓度显著比夏季高。
为验证模型输入参数与金属的内在关联,用SPSS23.0进行相关性分析,结果显示:金属浓度与风速、温度呈显著负相关,与气压呈显著正相关,大部分金属与湿度无显著相关性。风速对大气污染物有一定稀释作用,风速越高越容易降低大气颗粒物浓度。一般来说,温度越高,大气压越低,空气对流运动越明显,大气颗粒物扩散速率越快,使得大气颗粒物中重金属浓度的浓度也越低。金属浓度与PM呈显著正相关,这与它们之间具有共同来源如工业排放、交通尾气、日常烹饪、生物质燃烧等有关。
将处理好的处理统一调入经MATLAB 2013a工具编译好的程序,进行模型的训练和验证,得到的最终结果如表1所示:训练模型r值保持在0.423-0.765(PM2.5)、0.540-0.672(PM2.5-5)、0.543-0.682(PM5-10)和0.560-0.684(PM10-100)之间,模型验证r保持在0.502-0.752(PM2.5)、0.559-0.786(PM2.5-5)、0.560-0.772(PM5-10)和0.622-0.783(PM10-100)之间。综合R值、MAE值和RMSE值的结果,可看出模型的预测值和实际值相关性较好,该模型较可靠。
表1:BP神经网络模型模拟值和实测值之间的相关系数、平均绝对误差和均方根误差
模型训练完毕后,将南京市2015年全年的气象数据(风速、气压、温度、湿度)和PM2.5浓度作为输入因子,并预测该时段对应大气重金属的浓度,结果显示:南京市2015年PM2.5中重金属浓度排序为Al>Fe>Zn>Pb>Cu>As>Cr>Ni>Cd,冬季>春季>秋季>夏季,污染最严重的时期在12月和1月。其中,典型元素As和Pb的全年趋势图如图5所示。
以上所述,仅是本发明的实施案例而已,并非是对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施所作的任何简单修改、等同变化与改型,仍属本发明技术方案的保护范围。
Claims (6)
1.一种基于BP神经网络模型预测大气重金属浓度的方法,其特征在于,包括以下步骤:
1)典型小研究区域选择:
选择具有典型代表性的研究区域,典型的小研究区应具备以下几项基本特征:第一,该区域具备典型的交通活动、建筑施工和生活排放,且产生大量气体、颗粒物、道路扬尘;第二,该区域存在高耗能企业及污染排放大户,该区域的空气污染受到工业污染短距离传输的影响,对人体健康具有隐患;第三,该区域的气象数据完备,模型模拟精度高;第四,该区域大气样品容易获取;
2)研究区域气象数据获取:按照步骤1)的要求选定研究区域,确定采样点,使用常规大气颗粒物分级采样器采集大气颗粒物,同步记录采样点附近自动监测站的气象数据,包括:温度、湿度、气压和风速;
3)研究区域大气颗粒物浓度数据获取:分析测试大气颗粒物中重金属的浓度,提取和分析重金属元素主要包括:Al、As、Cd、Cr、Cu、Fe、Ni、Pb和Zn;提取方法为:将1/8大小的样品滤膜剪成细条状于消解管后,使用混酸HNO3-HCl-HF-HClO4来提取重金属总量,然后待测溶液中金属元素的浓度采用电感耦合等离子体发射光谱仪及电感耦合等离子体质谱测定;
4)研究区域大气颗粒物浓度数据检验:采用Grubbs法对所测大气颗粒物原始数据中特异值进行检验和剔除;采用SPSS19.0进行数据的正态分布检验;
5)数据分析:分析大气颗粒物中重金属浓度与气象数据和对应粒径大气颗粒物浓度的相关关系;借助SPSS23.0将大气颗粒物中14种重金属浓度与气象数据(温度、湿度、气压、风速)和对应粒径大气颗粒物浓度进行多元线性相关性分析,相关性系数越高,表明两者相关性越好;
6)模型构建:以气象因子和污染物数据作为输入因子,大气重金属浓度为输出因子,构建基于BP神经网络模型预测大气重金属浓度的模型,并根据预测值与实测值的相关性及误差判断模型构建的优劣;
7)根据所构建的BP神经网络模型进行待估算区域大气颗粒物中重金属浓度预测:根据城市的气象因子和污染物数据预测该城市对应时间段大气颗粒物中重金属的浓度。
2.根据权利要求1所述的一种基于BP神经网络模型预测大气重金属浓度的方法,其特征在于,所述BP网络是多层网络,分为输入层、隐含层和输出层,各层之间实行全连接;它实现了多层学习的设想,当给定网络一个输入模式时,它由输入层单元传到隐含层单元,经隐含层单元逐层处理后再送到输出层单元,经处理后产生一个输出模式,如果输出响应与期望输出模式有误差,不满足要求,则转入误差反向传播,将误差值沿连接通路逐层反向传送并修正各层连接权值,当各个训练模式都满足要求时,则学习结束;在实际训练时,首先要提供一组训练样本,其中的每个训练样本由输入样本和理想输出对组成;当网络的所有实际输出与其理想输出一致时,训练结束;否则,通过误差逆传播的方法来修正权值使网络的理想输出与实际输出一致;当反复学习直至样本集总误差(如下式)达到某个精度要求,即E<ε(预先给定的精度)时停止,并记录此时调整后的权值。
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>y</mi>
<mi>k</mi>
</msup>
<mo>-</mo>
<msup>
<mi>c</mi>
<mi>k</mi>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
式中yk为期望输出,ck为实际输出,m为学习样本数。
3.根据权利要求2所述的一种基于BP神经网络模型预测大气重金属浓度的方法,其特征在于,模型模拟时,随机选取70%作为训练数据,剩下30%作为验证数据;在100次成功建模之中,选择训练模型相关系数最大的一次作为模拟模型,对重金属浓度进行与预测。
4.根据权利要求2所述的一种基于BP神经网络模型预测大气重金属浓度的方法,其特征在于,模型模拟时,随机选取70%作为训练数据,剩下30%作为验证数据;为确保训练数据的代表性,随机选取区域、季节、白天和夜晚的数据,且包含其中的极大和极小值;在100次成功建模之中,选择训练模型相关系数最大的一次作为模拟模型,对重金属浓度进行与预测。
5.根据权利要求1所述的一种基于BP神经网络模型预测大气重金属浓度的方法,其特征在于,所述判断构建的模型是否具有普适性的具体衡量指标有:相关系数(R)、平均绝对误差(MAE)以及均方根误差(MSE)。
6.根据权利要求1所述的一种基于BP神经网络模型预测大气重金属浓度的方法,其特征在于,模型训练完毕后,可用区域任意时间段的气象数据(风速、气压、温度、湿度)和对应粒径大气颗粒物浓度作为输入因子,用训练好的模型预测该时段、该研究区域对应大气重金属的浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710476059.1A CN107300550A (zh) | 2017-06-21 | 2017-06-21 | 一种基于bp神经网络模型预测大气重金属浓度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710476059.1A CN107300550A (zh) | 2017-06-21 | 2017-06-21 | 一种基于bp神经网络模型预测大气重金属浓度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107300550A true CN107300550A (zh) | 2017-10-27 |
Family
ID=60135927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710476059.1A Pending CN107300550A (zh) | 2017-06-21 | 2017-06-21 | 一种基于bp神经网络模型预测大气重金属浓度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107300550A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107976515A (zh) * | 2017-11-20 | 2018-05-01 | 安徽优思天成智能科技有限公司 | 一种城区机动车尾气污染物浓度分布预测方法 |
CN108120661A (zh) * | 2017-12-19 | 2018-06-05 | 北京理工大学 | 一种城市空气中颗粒物含量时空分布测定方法 |
CN108593557A (zh) * | 2018-03-13 | 2018-09-28 | 杭州电子科技大学 | 基于te-ann-awf移动污染源遥测误差补偿方法 |
CN109900865A (zh) * | 2019-04-02 | 2019-06-18 | 西京学院 | 一种基于神经网络的空气污染检测*** |
CN110398446A (zh) * | 2019-08-01 | 2019-11-01 | 成都信息工程大学 | 一种结合aod和气象参数的pm2.5浓度拟合方法 |
CN110487689A (zh) * | 2018-05-14 | 2019-11-22 | 扬州大学 | 城市中相近区域扬尘颗粒物相对平均浓度的测算与比较方法 |
CN110514626A (zh) * | 2019-07-23 | 2019-11-29 | 北京英视睿达科技有限公司 | 大气污染监测***的数据校准方法和大气污染监测*** |
CN110619384A (zh) * | 2019-08-13 | 2019-12-27 | 浙江工业大学 | 一种基于神经网络的pm2.5浓度值预测方法 |
CN110779843A (zh) * | 2019-09-30 | 2020-02-11 | 成都市环境保护科学研究院 | 一种大气二次颗粒物污染过程的分型分析*** |
CN110796284A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
CN110852493A (zh) * | 2019-10-25 | 2020-02-28 | 天津大学 | 基于多种模型对比的大气pm2.5浓度预测方法 |
CN111060467A (zh) * | 2020-01-03 | 2020-04-24 | 四川中衡检测技术有限公司 | 一种大气悬浮颗粒物中痕量金属的快速测定方法 |
CN111380787A (zh) * | 2020-05-18 | 2020-07-07 | 南京信息工程大学 | 一种基于lstm-nn时序预测的pm2.5中重金属健康风险评价方法 |
CN111476258A (zh) * | 2019-01-24 | 2020-07-31 | 杭州海康威视数字技术股份有限公司 | 一种基于注意力机制的特征提取方法、装置及电子设备 |
CN112649337A (zh) * | 2020-12-21 | 2021-04-13 | 张家口市杰星电子科技有限公司 | 一种油烟在线监控方法及装置 |
CN112819217A (zh) * | 2021-01-27 | 2021-05-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 移动源污染排放主要影响因素预测方法、***及存储介质 |
CN113092450A (zh) * | 2021-04-13 | 2021-07-09 | 南京信息工程大学 | 一种大气气溶胶快速检测溯源装置及方法 |
CN113176216A (zh) * | 2021-01-12 | 2021-07-27 | 生态环境部卫星环境应用中心 | 一种臭氧前体物VOCs高值区卫星遥感识别方法 |
CN113533644A (zh) * | 2021-06-26 | 2021-10-22 | 西北工业大学 | 基于无人机的对面源常规大气污染物的监测方法 |
CN113627529A (zh) * | 2021-08-11 | 2021-11-09 | 成都佳华物链云科技有限公司 | 空气质量预测方法、装置、电子设备及存储介质 |
CN113723534A (zh) * | 2021-09-02 | 2021-11-30 | 南京润内克西信息科技有限公司 | 基于bp神经网络的城市扬尘在线监测*** |
CN114487284A (zh) * | 2021-12-31 | 2022-05-13 | 武汉怡特环保科技有限公司 | 一种测量空气中重金属浓度的方法及*** |
TWI812051B (zh) * | 2022-03-08 | 2023-08-11 | 國立臺灣師範大學 | 有機氣體濃度預測方法 |
CN116758342A (zh) * | 2023-06-01 | 2023-09-15 | 中国地质科学院矿产资源研究所 | 一种基于稀土矿产区域的大气污染等级评估方法及装置 |
CN117313428A (zh) * | 2023-11-28 | 2023-12-29 | 西安中核核仪器股份有限公司 | 一种火电厂污染物浓度在线监测修正方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911037A (zh) * | 2016-04-19 | 2016-08-31 | 湖南科技大学 | 锰矿区土水界面污染流中锰及伴生重金属分布预测方法 |
-
2017
- 2017-06-21 CN CN201710476059.1A patent/CN107300550A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911037A (zh) * | 2016-04-19 | 2016-08-31 | 湖南科技大学 | 锰矿区土水界面污染流中锰及伴生重金属分布预测方法 |
Non-Patent Citations (2)
Title |
---|
冷湘梓 等: ""基于非线性数学方法的PM2.5中重金属浓度模拟"", 《中国环境科学》 * |
王俭 等: ""基于人工神经网络的区域水环境承载力评价模型及其应用"", 《生态学杂志》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107976515A (zh) * | 2017-11-20 | 2018-05-01 | 安徽优思天成智能科技有限公司 | 一种城区机动车尾气污染物浓度分布预测方法 |
CN108120661A (zh) * | 2017-12-19 | 2018-06-05 | 北京理工大学 | 一种城市空气中颗粒物含量时空分布测定方法 |
CN108593557A (zh) * | 2018-03-13 | 2018-09-28 | 杭州电子科技大学 | 基于te-ann-awf移动污染源遥测误差补偿方法 |
CN108593557B (zh) * | 2018-03-13 | 2020-08-11 | 杭州电子科技大学 | 基于te-ann-awf移动污染源遥测误差补偿方法 |
CN110487689B (zh) * | 2018-05-14 | 2022-02-18 | 扬州大学 | 城市中相近区域扬尘颗粒物相对平均浓度测算与比较方法 |
CN110487689A (zh) * | 2018-05-14 | 2019-11-22 | 扬州大学 | 城市中相近区域扬尘颗粒物相对平均浓度的测算与比较方法 |
CN111476258B (zh) * | 2019-01-24 | 2024-01-05 | 杭州海康威视数字技术股份有限公司 | 一种基于注意力机制的特征提取方法、装置及电子设备 |
CN111476258A (zh) * | 2019-01-24 | 2020-07-31 | 杭州海康威视数字技术股份有限公司 | 一种基于注意力机制的特征提取方法、装置及电子设备 |
CN109900865A (zh) * | 2019-04-02 | 2019-06-18 | 西京学院 | 一种基于神经网络的空气污染检测*** |
CN110514626B (zh) * | 2019-07-23 | 2024-01-26 | 北京英视睿达科技股份有限公司 | 大气污染监测***的数据校准方法和大气污染监测*** |
CN110514626A (zh) * | 2019-07-23 | 2019-11-29 | 北京英视睿达科技有限公司 | 大气污染监测***的数据校准方法和大气污染监测*** |
CN110398446A (zh) * | 2019-08-01 | 2019-11-01 | 成都信息工程大学 | 一种结合aod和气象参数的pm2.5浓度拟合方法 |
CN110619384A (zh) * | 2019-08-13 | 2019-12-27 | 浙江工业大学 | 一种基于神经网络的pm2.5浓度值预测方法 |
CN110796284A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
CN110779843A (zh) * | 2019-09-30 | 2020-02-11 | 成都市环境保护科学研究院 | 一种大气二次颗粒物污染过程的分型分析*** |
CN110852493A (zh) * | 2019-10-25 | 2020-02-28 | 天津大学 | 基于多种模型对比的大气pm2.5浓度预测方法 |
CN111060467A (zh) * | 2020-01-03 | 2020-04-24 | 四川中衡检测技术有限公司 | 一种大气悬浮颗粒物中痕量金属的快速测定方法 |
CN111380787B (zh) * | 2020-05-18 | 2022-04-01 | 南京信息工程大学 | 一种基于lstm-nn时序预测的pm2.5中重金属健康风险评价方法 |
CN111380787A (zh) * | 2020-05-18 | 2020-07-07 | 南京信息工程大学 | 一种基于lstm-nn时序预测的pm2.5中重金属健康风险评价方法 |
CN112649337A (zh) * | 2020-12-21 | 2021-04-13 | 张家口市杰星电子科技有限公司 | 一种油烟在线监控方法及装置 |
CN113176216B (zh) * | 2021-01-12 | 2022-03-15 | 生态环境部卫星环境应用中心 | 一种臭氧前体物VOCs高值区卫星遥感识别方法 |
CN113176216A (zh) * | 2021-01-12 | 2021-07-27 | 生态环境部卫星环境应用中心 | 一种臭氧前体物VOCs高值区卫星遥感识别方法 |
CN112819217A (zh) * | 2021-01-27 | 2021-05-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 移动源污染排放主要影响因素预测方法、***及存储介质 |
CN113092450A (zh) * | 2021-04-13 | 2021-07-09 | 南京信息工程大学 | 一种大气气溶胶快速检测溯源装置及方法 |
CN113533644A (zh) * | 2021-06-26 | 2021-10-22 | 西北工业大学 | 基于无人机的对面源常规大气污染物的监测方法 |
CN113627529A (zh) * | 2021-08-11 | 2021-11-09 | 成都佳华物链云科技有限公司 | 空气质量预测方法、装置、电子设备及存储介质 |
CN113723534A (zh) * | 2021-09-02 | 2021-11-30 | 南京润内克西信息科技有限公司 | 基于bp神经网络的城市扬尘在线监测*** |
CN114487284A (zh) * | 2021-12-31 | 2022-05-13 | 武汉怡特环保科技有限公司 | 一种测量空气中重金属浓度的方法及*** |
CN114487284B (zh) * | 2021-12-31 | 2023-09-08 | 武汉怡特环保科技有限公司 | 一种测量空气中重金属浓度的方法及*** |
TWI812051B (zh) * | 2022-03-08 | 2023-08-11 | 國立臺灣師範大學 | 有機氣體濃度預測方法 |
CN116758342B (zh) * | 2023-06-01 | 2023-12-15 | 中国地质科学院矿产资源研究所 | 一种基于稀土矿产区域的大气污染等级评估方法及装置 |
CN116758342A (zh) * | 2023-06-01 | 2023-09-15 | 中国地质科学院矿产资源研究所 | 一种基于稀土矿产区域的大气污染等级评估方法及装置 |
CN117313428A (zh) * | 2023-11-28 | 2023-12-29 | 西安中核核仪器股份有限公司 | 一种火电厂污染物浓度在线监测修正方法 |
CN117313428B (zh) * | 2023-11-28 | 2024-02-23 | 西安中核核仪器股份有限公司 | 一种火电厂污染物浓度在线监测修正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107300550A (zh) | 一种基于bp神经网络模型预测大气重金属浓度的方法 | |
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
Ding et al. | Transport characteristics and origins of carbon monoxide and ozone in Hong Kong, South China | |
Pekney et al. | Application of PSCF and CPF to PMF-modeled sources of PM2. 5 in Pittsburgh | |
Vignati et al. | Global scale emission and distribution of sea-spray aerosol: Sea-salt and organic enrichment | |
Makra et al. | Airborne pollen in three European cities: Detection of atmospheric circulation pathways by applying three‐dimensional clustering of backward trajectories | |
CN108268935B (zh) | 一种基于时序循环神经网络的pm2.5浓度值预测方法及*** | |
CN104424388A (zh) | 一种铀矿冶大气辐射环境综合评价方法 | |
CN110989041B (zh) | 一种灰霾和沙尘天气的预报方法及预报*** | |
CN107121650A (zh) | 基于支持向量机技术的大气颗粒物重金属磁学评估方法 | |
CN115438848A (zh) | 基于深度混合图神经网络的pm2.5浓度长期预测方法 | |
CN108169316A (zh) | 基于支持向量机和树叶磁学的大气重金属污染评估方法 | |
Xue et al. | Positive matrix factorization of ultrafine particle mass (PM0. 1) at three sites in California | |
Kajino et al. | Modeling transition metals in East Asia and Japan and its emission sources | |
CN108072597A (zh) | 基于支持向量机和树叶磁学的大气颗粒物浓度监测方法 | |
CN116205509A (zh) | 一种全面评价土壤重金属污染状况的研究方法 | |
CN110503348B (zh) | 一种基于位置匹配的个体空气污染暴露模拟测量方法 | |
CN108170927A (zh) | 一种基于modis的pm2.5遥感反演方法 | |
Masri et al. | Use of visual range measurements to predict fine particulate matter exposures in Southwest Asia and Afghanistan | |
dos Santos et al. | Analysis of atmospheric aerosol (PM2. 5) in Recife city, Brazil | |
Wu et al. | STUDY ON PREDICTION MODEL OF SPACE-TIME DISTRIBUTION OF AIR POLLUTANTS BASED ON ARTIFICIAL NEURAL NETWORK. | |
Rochimawati et al. | Prediction and modelling of total suspended particulate generation on ultisol and andisol soil | |
Shaziayani et al. | Three-days ahead prediction of daily maximum concentrations of PM10 using decision tree approach. | |
CN113010850A (zh) | 一种基于gis的大气细颗粒物中三价砷浓度的预测方法 | |
CN113032729A (zh) | 一种预测大气颗粒物重金属健康风险空间分布的便捷方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171027 |