为了预测波多尔地区每日pm10的平均浓度,设计出了一个基于空间的自适应性非线性状态建模系统。
这个非线性模型结构是基于测量出的pm10与其他依次污染物和气象变量的经验关系设计而出的。
一个扩展卡尔曼滤波算法用来估计提前一天的pm10浓度,扩展状态还包括模型参数和每日pm10平均浓度。
这个系统的重要特征就是它的行为方式可以适应空气污染的短期变化,因此它可以处理随时间演变的现象,不需要经常的调整。
这个方法应用于从波多尔地区的一个监测点的得到的数据。
试验结果表明这个模型可以精确地预测pm10每日平均浓度。
The application of the Extended Kalman filter explains about 70% of the variance with an absolute mean error less than 4.5mg/m3。
The approximate index of agreement value for the period covered is 0.90.
颗粒物PM特指悬浮在空气当中的固体颗粒或液滴的混合物质。在化学组成和颗粒大小方面有很多种类型。
PM2.5是指大气中直径小于或等于2.5微米的颗粒物,也称为可入肺颗粒物。它的直径还不到人的头发丝粗细的1/20。虽然PM2.5只是地球大气成分中含量很少的组分,但它对空气质量和能见度等有重要的影响。与较粗的大气颗粒物相比,PM2.5粒径小,富含大量的有毒、有害物质且在大气中的停留时间长、输送距离远,因而对人体健康和大气环境质量的影响更大。
PM10是能在大气中长期漂浮的悬浮物质称为飘尘。其粒径主要是小于10微米大于2.5微米的微粒。由于飘尘粒径小,能被人直接吸入呼吸道造成危害;又由于它能在大气中长期漂浮,易将污染物带到很远的地方,导致污染范围扩大,同时在大气中还可为化学反应提供反应床。因此,飘尘是从事环境科学工作者所注目的研究对象之一。
这些颗粒物质的主要来源是当地移动和固定的污染源,区域和远程运输,颗粒型物质的再次悬浮到大气中,以及高温和工业过程,以及NOx,SO2和其他气体相互作用。
标准:
2004年之前,一年中pm10平均浓度不能多于35天超过50微克每立方米,每年的平均值不能超过40微克。
2009年,一年中不能多于7天pm10浓度超过50,年平均值不超过20微克。
空气质量管理部门需要预测每日的空气质量。预测的目的是提供信息以满足公众的需求,以使在某个特定的时间段内空气污染超标时减少暴露,
不幸的是,用确定型模型精确预测pm10浓度是最困难的,因为我们不太清楚pm10的来源,散步和消沉,以及连接他们的过程。
近来,已经尝试使用经验,半经验或者统计学方法对pm10浓度进行建模。(Perez and Reyes, 2002; Van der Wal and Janssen, 2000; Zickus et al., 2002; Kukkonen et al.,2001, 2002)。
线性卡尔曼滤波器已经用于环境事件序列的在线预测工具。(see for instanceYoung et al., 1991; Van der Waland Janssen, 2000; Ordieres et al., 2005; Schlink et al.,2005; Kurun et al., 2005; Nittis et al., 2004; Sivakumar,2005).
为了处理费平稳和变动性动力学,***发明出了一个完全同意的递归方法来对非平稳事件徐丽进行建模和预测。
这个递归方法允许状态空间预测和季节性调整的自适应性实现。
这个时变参数模