关键词:
福建省空气质量
函数型数据
小波基函数
影响因素
基于小波分解的Transformer-BiLSTM预测模型
摘要:
空气质量事关可持续发展,对福建省人民生活水平的提高、生态休闲旅游业发展、生态文明建设具有深远的意义。目前福建省内不同地区的气象、人类活动、产业结构等存在着较大差异,且面临着一系列大气污染治理问题。因此,全面评价福建省空气质量,分析福建省空气质量的时频特征及其空间差异性和影响因子有利于推动福建省空气质量综合治理。本文以福建省九个地级市从2015年1月1日至2023年12月31日的空气质量数据为研究对象,从时域和频域两方面分析了福建省空气质量的动态变化特征,并定量地评估了其空间差异性;从前体物、气象和社会经济三个维度分析了福建省空气质量的影响因素,并提出了一种既能捕捉长期依赖又能提取局部特征的多尺度时间序列预测模型,主要研究内容包括:
(1)第二章(研究区概况及数据预处理)。本章描述了福建省这一研究区域的基本情况,包括地理位置、气候和经济发展等,接着介绍了研究区域的数据来源以及AQI的计算方法,最后采用缺失值标签、缺失时长的方法对空气质量数据进行预处理,采用空间插值的方法对气象数据进行预处理。
(2)第三章(福建省空气质量时频特征分析)。对九个地级市的空气质量指数和六大污染物进行了统计分析,选择合适的小波基函数来拟合空气质量和六种污染物的数据,并利用不同的小波分解层数来分析函数的时域和频域特征。利用函数型方差分析来比较不同城市的大气污染时域特征差异。从统计分析来看,福建省的空气质量状况较良好,无严重污染情况,中度污染和重度污染天数占比均在1%以内,但仍存在轻度污染天数较多的情况。在所有污染物中,臭氧是首要污染物。从时频特征来看,AQI水平呈缓慢下降趋势,内陆城市AQI水平低于沿海AQI水平。O3-8h浓度月均值变化趋势基本一致,浓度值呈现夏季>秋季>春季>冬季的季节特征;PM10、PM2.5和NO2浓度在2020年7月后总体上均呈现缓慢上升趋势,研究期内月均值变化趋于“U”型;SO2和CO浓度较低。不同地区不同时间的福建省空气质量具有不同的波动特征,细节分量差别较大,AQI和臭氧的波动较急剧且大。从空间差异性来看,AQI在能量值、峰值和偏度方面存在显著差异,在能量熵方面差异不显著,O3在能量值、能量熵和峰值方面存在显著差异,在偏度方面差异不显著。沿海城市空气质量水平显著低于内陆城市,漳州市空气质量最差。
(3)第四章(福建省空气质量影响因素分析)。由于臭氧是福建省空气质量的最大污染物,将臭氧作为响应变量变量。结合气象因素、臭氧前体物和社会经济等数据,分别构建基于协变量和响应变量均为函数的多元函数型回归模型和协变量为标量,响应变量为函数的多元函数型回归模型,研究了福建省臭氧浓度与前体物、气象和社会经济发展之间的关联。结果表明,NO2浓度与O3-8h浓度呈负相关关系,夏季CO浓度值与O3-8h浓度值呈强正相关关系,其他季节与O3-8h浓度值呈负相关。O3-8h浓度与能见度、风速和最高温度呈显著正相关,与相对湿度呈显著负相关。风速对O3-8h浓度的影响最强,这与福建夏季盛行的东南季风息息相关。第二产业比重、人均GDP、全社会汽车拥有量和常住人口数与O3-8h浓度之间均呈正相关关系,夏季时第二产业比重对O3-8h浓度影响最强,冬季时城镇化水平对O3-8h浓度的影响系数最大。最后,针对这些影响因素对福建省空气污染防控提出建议,推进福建省空气污染的综合治理。
(4)第五章(福建省空气质量预测研究)。利用小波分解和Transformer-BiLSTM模型,构建了福建省的空气质量预测模型。本章针对空气质量数据的连续性和波动性,采用Transformer网络捕捉全局特征,结合BiLSTM提取局部时序信息和小波分解的多尺度分析的能力,建立了混合架构的时间序列预测模型,显著提高了时间序列预测的效率和精度。采用常见的时间序列预测模型作为对比模型,证明了基于小波分解的Transformer-BiLSTM预测模型在福建省空气质量指数数据中具有较高的预测精度和泛化能力,在MAE,RMSE和R2评估指标上明显更具有优势。此外,通过消融实验,也说明了每个模块在混合架构模型中的贡献。