8篇关于空气污染的计算机毕业论文

今天分享的是关于空气污染的8篇计算机毕业论文范文, 如果你的论文涉及到空气污染等主题,本文能够帮助到你

安顺市空气质量的气象影响与外源输入分析及预报模型的建立

这是一篇关于空气污染,后向轨迹,外源输入,气象要素,预报模型的论文, 主要内容为本文对安顺市2015-2019年空气污染特征做了全面的统计与分析,运用MICAPS 4.2系统从大尺度气象形势探讨安顺市一次重度污染偶发情况中天气形势对污染形成的影响,运用Meteoinfo Map软件中Traj Stat插件,分析了外来污染物的输入轨迹、主要途经区域和浓度特征,得出PM2.5潜在输送区域与贡献源空间形态,分析了局地气象条件与空气质量指数(AQI)之间的关系,建立了四季AQI多元线性逐步回归预报模型,并对模型预报效果进行了评估,得出以下主要结论:(1)安顺城区2015-2019年污染日集中在秋、冬季,AQI日均值在25-125范围内波动,PM2.5在各年均出现超标日,在2015-2018年为首要污染物天数逐年上升,在冬季尤为突出(占比达40%以上),成为安顺市最主要的大气污染物。PM2.5日均值呈现冬季>春季>秋季>夏季的变化趋势,除PM2.5与CO在冬季相关性较弱外,与SO2、NO2、CO和O3在不同季节均呈不同程度的显著正相关,与平均气温、降水量、平均风速、平均相对湿度、平均总云量均呈负相关关系。(2)安顺一次重度污染过程中稳定的地面及高空500 hPa、700 hPa、850 hPa天气形势为输送到安顺的PM2.5沉降积累创造了有利条件,且过程中形成的辐射逆温层(厚度10-22 hPa,温差1-4℃)加重了污染,至16日08时对流扰动明显,大气不稳定性的增强促进PM2.5的混合、稀释。(3)安顺城区四季气团运动聚类轨迹数分别为6、6、5、4类,污染输送主要以秋、冬季为主,污染轨迹分别为56条(平均浓度95.79μg/m3)和91条(88.09μg/m3),输送通道主要途经广西西北部、贵州南部和贵州东北部,2017和2018年PM2.5随气团输入安顺较多,主要途经贵州北部与广西交界区域。(4)PM2.5超标日轨迹随着研究高度的增加较远距离输送影响增强,贵州东北向轨迹是最主要的污染传输路径,高浓度外来输送(WPSCF>0.5)以近距离周边区域为主,随着研究高度(10 m、500 m、1500 m)的升高,500 m处WPSCF>0.9区域较10 m、1500 m处多;高浓度贡献区(WCWT>75μg/m3)随着研究高度的增加向西南方向延伸,省外输送高浓度PM2.5污染贡献较小。(5)四季AQI均随着日照时数和前一日AQI值的升高而增大,春、冬季随着气温类别因子的升高,空气质量呈下降趋势,秋、冬季AQI随着气压类别因子的升高而增大,夏、秋季日最高气温越高,空气质量越差。(6)对建立的四季AQI模型预报效果进行评估,等级评分在68%-85%,准确率在70%-85%,NMB在-0.5%-7%,NME在15%-32%,RMSE在8.5%-17%,R在0.708-0.925,春、夏季预报效果优于秋、冬季,四季AQI预报模型均可以满足实际运用需求。

基于CALIPSO卫星的区域气溶胶特性研究

这是一篇关于CALIPSO,气溶胶光学厚度,MODIS,空气污染的论文, 主要内容为近年来,大气污染问题已成为公众关注的焦点,大气中可吸入颗粒物的增多会对城市生产生活产生重大影响,而大气气溶胶光学厚度可以在一定程度上反映地面污染状况,此外,气溶胶本身还具有气候、环境及健康效应,因而开展气溶胶光学厚度(Aerosol Optical Depth,AOD)的时空分布研究具有重要现实意义。星载激光雷达系统不仅可以实现全球范围的长时间连续探测,且在探测气溶胶垂直分布特性方面有其独特优势。本文利用NASA(National Aeronautics and Space Administration)的CALIPSO(The Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation)卫星系统所探测到气溶胶数据,首先对中国地区气溶胶分布特性进行研究,并同空间分辨率为10km*10km的MODIS(MODerate-resolution Imaging Spectroradiometer)AOD产品进行对比分析,结果表明二者的时空分布总体上趋势较为一致,在空间分布上,CALIPSO与MODIS的AOD产品均显示中国存在显著的多个高值区和低值区：AOD高值区主要位于四川盆地、华北平原、长江中下游、两广地区以及西北部；而东北平原(含东三省)、内蒙古及东南丘陵地带形成AOD次高区；AOD低值区主要分布在由青藏高原、西南及四川西部地区。此外,CALIPSO反演获得的AOD在中国地区与MODIS的AOD存在系统性的偏差,总体偏低约0.2；相较其它区域,二者在东部地区相关系数最高,为0.518。在时间尺度上,二者均显著地呈现季节变化规律：春季最高,夏季次之,秋季和冬季相当。气溶胶光学厚度频率统计分析表明,两种卫星数据的频率分布以0.4为界,当AOD大于0.4时,二者的频率分布曲线非常一致,而当AOD小于0.4时,二者的频率分布出现差异：CALIPSO的AOD多聚集于小值区间内(0-0.12),而当AOD大于0.12小于0.4时,MODIS的AOD的频率高于CALIPSO的AOD。本文还通过分析上海地区2006-2011年CALIPSO的后向散射系数.偏振比和色比等垂直剖面参数,揭示了上海地区气溶胶的垂直分布及季节变化特征,并探讨了不同空气质量等级下上海地区气溶胶垂直分布特征。结果表明：上海地区气溶胶粒子多聚集在0-2km的高度上且具有明显的季节特征,冬春季节气溶胶粒子后向散射系数集中于0.005以上,颗粒物散射能力较大,其中冬季偏振比范围为0.15～0.25,色比范围为0.57-0.77,主要为不规则的小颗粒；夏季气溶胶粒子的偏振比(0.03～0.09)较小,气溶胶颗粒物较为规则；秋季各种形态的颗粒混合程度较高,其偏振比的范围为0.12～0.23,色比范围为0.58～0.9；不同污染等级下的气溶胶光学特性在垂直分布上具有明显的差异,在重污染时期散射能力大不规则颗粒物增多,垂直差异不明显,污染高度较高；轻度污染以规则颗粒物为主,颗粒物散射能力较小,表现出低层以粗颗粒为主,高层以细颗粒物为主的特征;轻微污染和无污染的气溶胶垂直分布类似,颗粒物散射能力较小。最后,本文结合上海市环境监测中心的空气质量实时发布系统的监测站点各污染物的实测数据、MODIS和CALIPSO卫星遥感数据、气象数据以及后向轨迹模式,对上海地区一次重污染过程进行了综合分析,结果表明：2013年11月15日,上海市平均空气质量指数(Air Quality Index,AQI)为218,多个监测站点AQI值在200以上,PM2.5浓度超过200μg·m＾(-3),出现了重度污染天气；卫星遥感获取的长江三角洲地区AOD时空分布特性则表明,11月15日上海地区AOD达到最高值(>1.5),且在垂直分布上,在1.5km以下形成一个较厚的以不规则粗颗粒物为主的气溶胶层,其后向散射能力较大,后向散射系数达到约0.01km-1sr-1。天气形势分析表明,受东北方向700hPa高空冷槽影响,上海地区地面处于槽后弱高压控制,加上地面风速较小,为重污染天气形成提供了有利的条件,而近地面大气逆温层的出现进一步限制了污染物的水平和垂直输送,是持续污染天气的重要原因；后向轨迹模式结果表明上海地区持续性重污染天气是在西北地区污染物远距离高空输送、上海市以北上游城市群污染物携带、及本地污染三方协力作用下形成的。综合分析表明,除本地污染源之外,造成这次重污染过程的主要原因是大尺度的天气背景与局地的气象条件所引起的。

基于深度学习的气象数据可视化及预测系统

这是一篇关于气象可视化,深度学习,空气污染,污染物预测的论文, 主要内容为随着经济的发展,人们的生活条件越来越好,对于天气状况的重视程度也越来越高。天气状况与人们的生产生活多方面有关。人们对于天气状况日益增长的需求除了每日天气的基本情况以外,还包括各种空气污染物的污染程度。随着工业化建设的发展,空气污染已经成为当前比较严重的环境问题,严重危害到了人们的生产和生活,因此对于各种大气污染物的监测及准确预警显得尤为重要。但是随着空气监测站点数目的成倍增加,产生的数据量越来越庞大,如何科学处理数据提供预测服务并实现气象数据的信息化,变得尤为重要。本文通过构建气象数据可视化系统,将气象数据和污染物数据进行分析和可视化展示,实现了气象信息化。在满足人们对于基本空气状况和详细的污染物可视化分析的需求的基础上,方便了人们的生产生活。同时,也呼吁人们更加关注空气污染,提供保护环境的措施,让人们切身加入保护环境的活动中。通过对空气污染物的历史数据和气象数据的分析处理,结合深度学习算法对污染物PM2.5、PM10、臭氧浓度进行预测。本文使用长短时记忆神经网络LSTM分别构建污染物单变量和多变量预测模型,模型由三层LSTM层和一层Dense层组成,使用污染物的前24小时的数据预测未来12小时的污染物浓度,训练并拟合预测值和实际值,实验结果显示多变量预测模型的准确率较高。系统构建分别从用户和后台管理员的角度出发,实现了气象数据可视化系统和后台用户管理系统。通过需求分析,将气象数据可视化系统按照功能划分为天气预报、城市订阅、全国AQI可视化、PM2.5详情、PM10详情、臭氧详情、“我要种树”等模块,实现了基本的天气预报、全国AQI逐小时数据动态可视图、基于深度学习模型的污染物浓度预测数据可视化和监测站点数据可视化等功能,同时给用户提供了一种保护环境的方式,“我要种树”模块除了呼吁人们保护环境以外,还使用户主动参与保护措施。后台管理系统实现了用户管理、角色管理以及订单管理等功能。系统是基于Spring Cloud架构开发的分布式集群系统,实现了系统高并发性、高可用性以及安全性。开发过程中,使用Vue.js框架构建前端界面,使用Spring Boot框架开发后端系统。

基于M-ACO算法的空气污染源反演系统的设计与实现

这是一篇关于空气污染,高斯扩散模型,M-ACO算法,污染源反演的论文, 主要内容为近年来,我国经济建设的步伐和工业的建设速度日益加快,随之带来的空气污染问题也愈发严重,工厂等大型固定污染源因超标排放造成的突发性空气污染事故给人民群众的生命和财产带来了巨大的危害。在事故发生后,如何快速准确地反演出污染源是能够有效防止空气污染进一步蔓延的关键。传统的源清单排查法可以通过对污染源清单中的所有可疑污染源逐个进行排查来达到反演污染源的目的,然而这种方法盲目性大,效率和成功率低,并且会耗费大量的人力物力。面对这种现状,本文以改进型蚁群优化(Modified-Ant Colony Optimization,M-ACO)算法为基础设计并实现了一套空气污染源反演系统,用于改善源清单排查法中存在的弊端。其主要工作内容如下:(1)使用点源高斯扩散模型作为污染物的正向扩散模型,并选用平方损失函数作为原型,来建立污染源反演模型,进而将污染源反演的问题转化为全局最优化问题。(2)针对传统的蚁群优化(Ant Colony Optimization,ACO)算法中容易陷入局部极值和迭代初期收敛速度慢的缺点,本文采取了选择淘汰交叉思想避免算法陷入局部极值,并提出了奖惩因子机制加快算法迭代初期的收敛速度,最终将改进后的算法称为M-ACO算法。(3)设计对比实验,分别利用ACO算法和M-ACO算法对污染源反演模型进行求解,得到反演污染源的平面横坐标、纵坐标、源强和高度四个参数结果。通过与真实污染源的这四个参数值进行比较,验证了M-ACO算法在污染源反演方面相较于ACO算法的高效性和准确性;更验证了相较于源清单排查法,使用M-ACO算法极大地减少了人力和物力的消耗。(4)将M-ACO算法和Spring Boot等Web开发技术结合,设计并实现了集登录、监测、反演、管理等功能于一体的空气污染源反演系统,并通过系统测试对系统进行了全面评估。结果表明系统能够满足用户的需求,达到了预期目标。

基于时空特征分析的环境污染物浓度预测模型研究

这是一篇关于空气污染,风向余弦相似度,多因素注意力机制,Encoder-Decoder模型,浓度预测,分析系统的论文, 主要内容为随着时代的发展和环保意识的提高,人们越来越重视空气污染问题。相关机构设立了大量环境监测点,有效地测定了空气中污染物的浓度,为我们提供了大量的数据支持。对测定的空气污染浓度数据进行分析预测,能有效指导大气污染防治措施的制定。为了能够进一步提高空气污染浓度预测的精度,本文综合分析了空气污染数据的时空特征和多种污染物之间的相关性,提出了新的污染浓度预测模型。本文主要的研究内容如下:(1)数据预处理与相关性分析。首先对获取的空气污染数据和气象数据进行缺失值处理和非数值型数据进行量化。在预处理后的空气污染数据集上,利用自相关性衡量污染数据的时间相关性,使用Pearson相关系数计算监测点之间的空间相关性和多种污染物之间的因素相关性,为预测模型提供数据分析基础。(2)基于风向余弦自适应近邻的环境监测点空间关联度计算方法。考虑了多种污染物在空间中并不是独立存在的,多个监测点之间会相互扩散、相互影响,并且风向因素也会对污染扩散产生影响。通过计算风向余弦相似度衡量空间相关性,并进行实验证明了构建风向余弦自适应近邻的时空矩阵,相较于欧式近邻时空矩阵和所有监测点的时空矩阵,能有效提高空气污染浓度预测模型的预测精度。(3)基于多因素注意力机制的Encoder-Decoder预测模型。由于空气污染浓度数据时间维度上相对稀疏,数据呈现出强烈的波动性,仅考虑污染数据的时间依赖性预测效果不佳。需要考虑多种污染物之间的相互转化、相互抵消,即多种污染物之间的相关性,以及空间中多个监测点的相互影响关系。引入了多因素注意力机制,使用Encoder-Decoder模型进行预测。最终实验证明了提出的空气污染浓度预测模型预测结果更佳。(4)空气污染浓度分析系统的设计与实现。该系统使用Vue和Node.js实现前后端分离开发,并结合百度地图API实现地图可视化和Echarts实现折线图和柱状图可视化污染数据和预测精度,清晰明了,界面多样。

基于长短期记忆-全连接（LSTM-FC）神经网络的成都市儿童支气管肺炎患病率预测研究

这是一篇关于LSTM,支气管肺炎,空气污染,神经网络,数据挖掘的论文, 主要内容为支气管肺炎是一种较为严重的呼吸系统疾病,由于婴幼儿肺部器官发育不完善,身体免疫力低下,因此支气管肺炎多发于0到14岁的儿童,是儿童住院和死亡最重要的原因,该疾病已经严重威胁到了婴幼儿的身体健康。在传统医学的研究中,支气管肺炎的患病主要与病毒入侵、细菌感染等因素有关,但随着时间的发展,也有许多学者认为支气管肺炎的患病与空气污染物含量和天气状况等地理环境因素有关,当儿童长时间暴露在空气污染物浓度较高、天气状况较差的环境中,支气管肺炎的患病率会进一步提升。因此,儿童支气管肺炎的患病率相比于成年人来说更高,患病情况也更为严重。建立某地区儿童支气管肺炎患病率的预测模型和预测系统,可以对未来可能成为高患病率地区的家长和儿童进行提前预警,使得易患人群对支气管肺炎疾病有所准备和防范,在一定程度上降低儿童支气管肺炎的患病率,也有利于实现各个地区医疗资源的合理分配。在大数据和人工智能的时代背景下,病案与地理环境大数据的获取和因果关系的揭示已成为可能。本文以成都市作为研究区域,以日均空气污染物浓度、气温和相对湿度为影响因素,经过数据预处理后,建立长短期记忆-全连接(Long short-term memory-fully connected,LSTM-FC)神经网络模型,用于预测成都市儿童支气管肺炎的患病率,并设计出成都市儿童支气管肺炎患病率预测系统。主要研究内容如下:(1)收集2017年成都市各个医院的儿科支气管肺炎病案数据以及2017年全年逐日的成都市空气污染物站点数据,经过经验克里金空间插值(Empirical Bayesian Kriging,EBK)得到成都市各个区县六种空气污染物(CO、NO2、O3、PM2.5、PM10、SO2)的日均浓度;利用ERA-5再分析气象产品,获取2017年成都市各个区县逐日的气温和相对湿度;使用Land Scan动态人口数据集,计算出2017年各个区县逐日的患病率。最后用统一的键对各个表格进行连接形成统一的关系模式,完成病案与地理环境大数据的融合,并进行数据维度的调整、数据集的划分以及归一化处理。(2)构建LSTM-FC神经网络模型,通过地理环境特征和时间因素,预测未来儿童支气管肺炎的患病率。将经过预处理后的训练集数据输入至LSTM-FC神经网络模型中,再经过反复地训练和超参数的调整,最终将各个神经元的权重都调整为理想的数值,模型训练完成。之后,使用均方误差(Mean Square Error,MSE)、平均绝对误差(Mean Absolute Error,MAE)和皮尔逊相关系数R来评价模型在测试集中的结果,最终得到的MSE、MAE和R分别为0.0031、0.0414和0.8528。(3)对比不同影响因素组合的模型后发现,当使用六种空气污染物浓度、气温、相对湿度和以往的患病率作为特征时,模型的预测效果最佳。对比不同时间步长的LSTM-FC神经网络模型,最终发现当时间步长为11时,模型的预测精度最高,即利用前11天的六种空气污染物浓度、气温和相对湿度以及支气管肺炎患病率,来预测第12天的患病率时,预测结果最为准确。并将所提出的LSTM-FC神经网络模型与支持向量机、随机森林和传统BP神经网络模型进行对比,结果显示LSTM-FC神经网络模型能更好地预测儿童支气管肺炎的患病率,并分析LSTM-FC模型预测结果较为优秀的原因是LSTM-FC模型能够有效地处理环境因素对儿童支气管肺炎患病率的滞后效应,并且能够捕捉到患病率随时间的变化趋势。(4)以LSTM-FC神经网络为基础,设计出成都市儿童支气管肺炎患病率预测系统。系统采用B/S架构,数据库采用Postgre SQL和Post GIS,后端采用Node.js和Express框架,并选用Geoserver作为地图服务器,前端采用Vue框架并用Arc GIS API for Javascript地图框架来进行地图的展示和地图服务的调用。该系统的核心功能为预测未来成都市各个区县的儿童支气管肺炎患病率和患病人数,并能够生成Word文档形式的预测和应急方案,显示出未来患病率前三的区县,并给予预警。除此之外,本系统还能够进行儿童支气管肺炎病案和地理环境的管理,包括用户的登录与注册功能、儿童支气管肺炎病例的添加、查找、编辑和删除功能、地理环境数据的编辑功能以及统计图表显示功能等。结果表明,该系统可以用于成都市儿童支气管肺炎病案的管理和患病率的预测且效果较为优秀。