针对传统土地利用回归模型(Land use regression, LUR)未考虑影响因子与大气污染物之间非线性复杂关系 和易出现多重共线性的问题。以PM10为例,采用支持向量回归机(Support vector machine regression, SVR) 改进土地利用回归模型的建模方法构建SVR-LUR模型,对上海市南浦大桥周边区域PM10空 间分布进行模拟。研究结果表明: 1)研究区域PM10浓度与100 m缓冲区内的空地面积, 150 m缓冲区内的建筑工地面积、 空地面积、河流面积, 200 m缓冲区内的绿地面积和河流面积,以及湿度、交通流量和背景浓度相关性较高。 2) SVR-LUR模型可较好地对研究区PM10浓度进行空间分布预测。SVR-LUR模型与LUR模型相比, SVR-LUR模型预测精 度较高,其测试集比LUR模型测试集的平均绝对误差(Mean absolute error, MAE)及均方根误差(Root mean squares error, RMSE)分别减小了22.92%、33.51%,拟合指数(Index of agreement, IA)值增加了13.20%。 相较于普通克里金插值模型所得到的单一梯度空间分布预测结果, SVR-LUR 模型能够更有效揭示小范围内的空间差异。 3)研究区PM10浓度空间分布呈现出西高东低的总格局,在建筑物和路网密集的地方浓度较高,而在靠近江面和空地 的区域浓度相对较低。模拟结果与实际情况相符。

为建立准确高效的空气质量预报系统,建立以污染物、气象因素、污染物混合气象因素的三种预测因子模式,并将该三种预测因子模式 作为支持向量机回归 (Support vector machine regression, SVR)的输入变量进行PM10浓度的每日预测,寻找最优预测因子模式。并使用灰狼优化算法 (Grey wolf optimization, GWO)对支持向量机回归模型进行优化,形成GWO-SVR模型。实验结果表明,污染物混合气象因素作为输入 变量为最优预测因子模式, SVR和GWO-SVR模型测试集确定系数分别达到R2=0.79和R2=0.81,预测精度较高,经比较发现GWO-SVR模型 预测性能较好。之后,依据风向条件对数据进行分类,使用较优的GWO-SVR进行PM10浓度预测,预测结果显示盛行西南风时, 预测集评测指标为R=0.91、MSE=47.15,优于盛行东北风时的R=0.87、MSE=125.80和 所有数据下的R=0.90、MSE=107.94。

颗粒物是港口地区的主要污染物之一,利用多重分形理论分析港口地区PM2.5和PM10浓度的多重分形特征。首先,运用多重分形消除趋势 波动分析方法(Multifractal detrended fluctuation analysis, MF-DFA)分析PM2.5和PM10自身的 多重分形特征,结果显示PM2.5和PM10浓度的演化过程表现出非线性、复杂性的 多重分形特征,且PM10浓度的多重分形特征较PM2.5强。其次,利用多重分形消除趋势交叉波动分析方法 (Multifractal detrended cross-correlation analysis, MF-DCCA)研究港口 地区PM2.5和PM10的交叉相关性,结果表明两者之间不仅存在具有长期记忆性的多重分形特征,而且其互相关性多重分形特征具 有明显的季节变化特征。港口地区PM2.5和PM10的多重分形特征在春季最强,夏季次之, 秋季最弱。这些结论对港口地区PM2.5和PM10的联合控制具有一定的参考价值。