导读:本文包含了浓度预报模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:浓度,模型,宜宾,气象,电除尘器,动态,神经网络。
浓度预报模型论文文献综述
吴达平,袁景淇[1]（2019）在《湿式电除尘器出口粉尘浓度预报数学模型研究》一文中研究指出湿式电除尘器是各燃煤电厂超净排放系统最后一个重要部分,直接影响排放粉尘浓度是否达标。湿式电除尘器出口粉尘浓度受很多因素的影响,本文从除尘机理研究出发,将电厂的锅炉运行负荷分为5个范围,采用移动加权平均参数估计方法估计下一个时刻的湿电入口粉尘颗粒平均直径,利用最小二乘法辨别模型中待定参数,建立了湿式电除尘器出口粉尘浓度的预报模型。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
杜勤博,陈欢欢,李玥莹,吴晓燕,郑素帆[2]（2019）在《BP神经网络模型在O_3质量浓度预报中的应用》一文中研究指出采用BP神经网络和逐步线性回归两种模型,以2014—2017年汕头市金平环境监测子站的6种污染物质量浓度以及同期汕头市国家基准气象观测站37类地面气象观测数据为预报因子,对该站O_3最大8 h质量浓度进行预测。结果表明:两种预报模型在历史数据拟合效果上并不存在明显差异,总体上冬春季的模型拟合度高于夏秋季。在2017年7和12月2个独立样本的预报效果检验中,BP网络模型预报准确指数(d)分别比回归模型高10.4%和0.8%;BP网络模型预报级别准确率(TS)分别比回归模型高12.9%和3.3%。BP网络模型无论在预报精度还是预报稳定度上均明显优于回归模型。夏秋季降水因子的影响常导致BP模型预报值出现正误差,冬春季冷空气南下的影响常导致BP模型预报出现负误差。(本文来源于《广东气象》期刊2019年03期）
孟丽丽,王怡[3]（2018）在《基于逐步回归法的天津市大气PM_(10)浓度预报模型及其应用》一文中研究指出分析了天津市大气污染物的时空特征,利用数据资料重点研究了风速、相对温度、相对湿度,以及降水等对空气污染的影响,在此基础上利用逐步回归统计方法建立了不同季节的PM_(10)的浓度预报模型,并对这3种预报模型进行了比较,结果表明:夏季的独立样本的检验结果明显优于冬季,和天津当地的气候比较融洽。同时,该模型的建立大大缩减了日常监测的工作量和运算过程,提高了效率,为政府采取普遍有效的污染防治措施提供了依据。(本文来源于《绿色科技》期刊2018年06期）
丁愫,陈报章,王瑾,陈龙,张晨雷[4]（2018）在《基于决策树的统计预报模型在臭氧浓度时空分布预测中的应用研究》一文中研究指出近地面层臭氧是光化学污染的主要污染物之一.臭氧污染不仅严重影响着空气质量并且危害人类健康与动、植物生长.本研究以徐州市为研究区,基于环境监测站连续监测数据分别采用分类回归树(CART)、随机森林(RF)和M5模型树方法建立臭氧浓度统计预报模型,选取1、4、7、10等4个月作为季度代表进行区域臭氧浓度预测的研究.以2015整年逐小时徐州市国控大气监测站实时监测的臭氧浓度(因变量)和气象因子数据(自变量)为训练样本建立臭氧浓度统计预报模型.模型验证结果表明,总体上3种决策树模型能够较好的预测臭氧浓度动态变化特征,月尺度上预测值与观测值相关系数均值为0.68,平均绝对误差和均方根误差均值分别为21.63μg·m~(-3)和27.42μg·m~(-3).在此基础上,基于站点观测所建立臭氧统计预报模型,以WRF模型模拟的气象场作为输入,预报区域网格化臭氧预报值,并发现臭氧浓度空间分布与站点观测特征总体一致性较好.经与观测值进行对比,结果表明两者相关系数均值为0.58,平均绝对误差及均方根误差分别为29.38μg·m~(-3)和37.15μg·m~(-3),预报准确率均高于75%.同时利用周步长观测值与预测值建立的多元线性集合预报回归方程对3种决策树模型的预报值进行修正,在一定程度上提高了预报值的精度.(本文来源于《环境科学学报》期刊2018年08期）
戴李杰,张长江,马雷鸣[5]（2017）在《基于机器学习的PM2.5短期浓度动态预报模型》一文中研究指出针对目前现有的PM2.5模式预报系统的预报值偏离实际浓度较大的问题,从上海市浦东气象局获得2015年2月至7月的PM2.5实况观测浓度、PM2.5模式预报(WRF-Chem)浓度和5个主要气象因子的模式预报数据资料,联合应用支持向量机(SVM)和粒子群优化(PSO)算法建立滚动预报模型,对PM2.5未来24小时浓度进行预报,同时对未来一天的昼、夜均值及日均值浓度进行预报,并与径向基函数神经网络(RBFNN)、多元线性回归法(MLR)、模式预报(WRF-Chem)作对比。实验结果表明,相比其他预报方法,所提出的SVM模型较大提高了PM2.5未来1小时浓度预报精度,这与此前的研究结论相符;所提模型能对PM2.5未来24小时浓度进行较好的预报,能对未来一天的昼均值、夜均值及日均值进行有效预报,并且对未来12小时的逐时浓度及未来一天的夜均值浓度的预报准确度较高。(本文来源于《计算机应用》期刊2017年11期）
周书华,颜华,吴建军[6]（2017）在《基于逐步回归分析法的宜宾市PM2.5浓度的统计预报模型研究》一文中研究指出利用2014年5月31日—2016年5月31日宜宾市的污染物浓度监测资料和气象要素观测资料,综合分析了PM_(2.5)浓度与前一日污染物浓度、当日不同气象要素的相关性,并基于逐步回归分析法建立了适合该地区不同季节P_(2.5)浓度的统计预报模型。结果表明,宜宾市各季节PM_(2.5)浓度与前一日六项污染物浓度均呈显着正相关,与当日降雨、平均风速呈显着负相关,且前者除了CO和O_(3-8)外相关性明显高于后者。统计预报模型的预测值与实测值的大小及变化规律吻合得较好,可以准确反映PM_(2.5)浓度的变化规律。根据该模型预测的PM_(2.5)浓度的准确率总体较高,为71.5%。其中夏季预测的PM_(2.5)浓度的准确率最高,达到86.7%,其次是秋季和春季,分别为72.8%、67.0%,冬季最低,仅59.0%。根据相关性分析的结果和模型引入的预报因子来看,影响宜宾地区PM_(2.5)浓度的主要因子是前一日的PM_(2.5)浓度、当日的平均风速和降雨。(本文来源于《2017中国环境科学学会科学与技术年会论文集（第一卷）》期刊2017-10-20）
张长江,戴李杰,马雷鸣[7]（2017）在《应用SVM的PM2.5未来一小时浓度动态预报模型》一文中研究指出目前现有的PM2.5模式预报值偏离实况观测值较大。针对上述问题,从上海浦东气象局获得2012年11月~2013年11月的PM2.5实况观测浓度、PM2.5模式预报(WRF-CHEM)浓度和主要气象影响因子的模式预报数据资料,在PM2.5模式预报数据的基础上,加入另外5个主要气象影响因子的模式预报数据,应用支持向量机(SVM)建立动态预报模型,提高PM2.5未来一小时浓度预报的精度,并且与径向基神经网络(RBFNN)、多元线性回归法(MLR)、WRF-CHEM作对比。实验结果表明:该算法较大提高了PM2.5未来一小时浓度预报的精度,预报精度优于RBFNN、MLR和WRF-CHEM,并且对PM2.5浓度变化剧烈的情况具有较好地预报能力。(本文来源于《红外与激光工程》期刊2017年02期）
夏晓玲,宋丹[8]（2015）在《贵阳市主要污染物浓度预报模型研究》一文中研究指出选取贵阳市环保站2013年3月—2014年2月共12个月的主要污染物(PM_(10)、PM_(2.5)和O_3)浓度的小时均值进行分析,发现PM_(10)和PM_(2.5)在20时—次日08时较容易出现日最大值,O_3在12—18时较容易出现日最大值,PM_(10)和PM_(2.5)污染物浓度的月平均,以夏季最低,冬春两季最高,这可能与贵阳市冬春两季的采暖有一定的关系。而O_3浓度的月平均值以冬夏两季较低,春秋两季较高,但整体变化幅度不大。分析以上3种污染物和气象要素的相关性发现,湿度对污染物浓度较大,呈负相关。运用逐步回归方法分别建立PM_(10)、PM_(2.5)和O_3的预报方程,其中PM_(10)的预报方程预报等级的准确率为67.81%,订正后准确率为70.55%;PM_(2.5)的预报方程准确率为65.75%,订正后准确率为71.23%,故业务对PM_(10)和PM_(2.5)的预报中可以参考订正值。O_3的预报方程准确率为70.55%,订正后准确率为68.49%,业务中预报O_3可以直接参考预报值。(本文来源于《贵州气象》期刊2015年06期）
陈红萍,郭彩萍,朱俊峰,王云飞,杨晶[9]（2014）在《山西省煤矿瓦斯浓度潜势预报模型构建》一文中研究指出该文旨在建立山西省煤矿瓦斯浓度潜势预报方法,构建切合山西省实际的煤矿瓦斯浓度预报模型。通过对山西省晋中市1995--2009年煤矿重特大瓦斯爆炸事故和2009年7月20日—2011年3月10日8个县市区25个大中型煤矿井下逐日瓦斯浓度(CH4)监测资料,进行标准化处理;将高瓦斯浓度的天气进行分型;与气象因子进行了相关性分析,找出引起瓦斯积聚关键气象因子;拟定了山西省瓦斯浓度变化类型,揭示了瓦斯浓度变化与气象因子之间的相关性,运用回归分析方法构建了瓦斯浓度预报模型,对山西省瓦斯等级进行了的级划分及模型检验。(本文来源于《第31届中国气象学会年会S10 第四届气象服务发展论坛——提高水文气象防灾减灾水平，推动气象服务社会化发展》期刊2014-11-03）
方镜尧,赵传燕,朱卫浩[10]（2014）在《兰州市供暖期PM_(2.5)浓度监测及其预报模型》一文中研究指出利用兰州市2007-2009年供暖期PM2.5实测数据,统计分析观测期间PM2.5的超标率、超标倍数、浓度水平以及典型天气(浮尘、沙尘暴和灰霾)下PM2.5浓度日变化特征,并结合同期气象数据,运用多元逐步回归分析的方法建立兰州市供暖期PM2.5浓度预报模型,最后对模型进行验证。结果表明:兰州市2007-2009年供暖期PM2.5污染十分严重,2007-2009年PM2.5的超标率分别为59.2%、67.9%和68.8%,最大超标倍数分别达到2.88、3.17和3.60;2007-2009年供暖全期PM2.5浓度日变化呈"双峰双谷"型,浮尘、沙尘暴和霾天气下PM2.5浓度均远高于平均值,霾天气下PM2.5日均浓度值最高;兰州市供暖期PM2.5浓度预报模型的预报值与实测值的变化趋势基本一致,但对高浓度PM2.5模拟结果较差,PM2.5预报浓度准确率和等级准确率分别为70.2%和81.8%。(本文来源于《环境科学与技术》期刊2014年04期）
浓度预报模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
采用BP神经网络和逐步线性回归两种模型,以2014—2017年汕头市金平环境监测子站的6种污染物质量浓度以及同期汕头市国家基准气象观测站37类地面气象观测数据为预报因子,对该站O_3最大8 h质量浓度进行预测。结果表明:两种预报模型在历史数据拟合效果上并不存在明显差异,总体上冬春季的模型拟合度高于夏秋季。在2017年7和12月2个独立样本的预报效果检验中,BP网络模型预报准确指数(d)分别比回归模型高10.4%和0.8%;BP网络模型预报级别准确率(TS)分别比回归模型高12.9%和3.3%。BP网络模型无论在预报精度还是预报稳定度上均明显优于回归模型。夏秋季降水因子的影响常导致BP模型预报值出现正误差,冬春季冷空气南下的影响常导致BP模型预报出现负误差。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
浓度预报模型论文参考文献
[1].吴达平,袁景淇.湿式电除尘器出口粉尘浓度预报数学模型研究[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[2].杜勤博,陈欢欢,李玥莹,吴晓燕,郑素帆.BP神经网络模型在O_3质量浓度预报中的应用[J].广东气象.2019
[3].孟丽丽,王怡.基于逐步回归法的天津市大气PM_(10)浓度预报模型及其应用[J].绿色科技.2018
[4].丁愫,陈报章,王瑾,陈龙,张晨雷.基于决策树的统计预报模型在臭氧浓度时空分布预测中的应用研究[J].环境科学学报.2018
[5].戴李杰,张长江,马雷鸣.基于机器学习的PM2.5短期浓度动态预报模型[J].计算机应用.2017
[6].周书华,颜华,吴建军.基于逐步回归分析法的宜宾市PM2.5浓度的统计预报模型研究[C].2017中国环境科学学会科学与技术年会论文集（第一卷）.2017
[7].张长江,戴李杰,马雷鸣.应用SVM的PM2.5未来一小时浓度动态预报模型[J].红外与激光工程.2017
[8].夏晓玲,宋丹.贵阳市主要污染物浓度预报模型研究[J].贵州气象.2015
[9].陈红萍,郭彩萍,朱俊峰,王云飞,杨晶.山西省煤矿瓦斯浓度潜势预报模型构建[C].第31届中国气象学会年会S10第四届气象服务发展论坛——提高水文气象防灾减灾水平，推动气象服务社会化发展.2014
[10].方镜尧,赵传燕,朱卫浩.兰州市供暖期PM_(2.5)浓度监测及其预报模型[J].环境科学与技术.2014
论文知识图
