摘要

本周阅读了三篇论文，第一篇文章的核心为改进PageRank算法和标签传播算法实现大气污染物传输分析模型，第二篇文章的核心为将SOD、VGG和LSTM相结合，实现将深度学习和特征提取方法相结合的非点源污染水质预测模型，第三篇文章的核心为将卷积和反向传播神经网络的无缝集成，用于区域多步的超前PM2.5预测。通过实验结果可以发现，这三篇论文所提出的方法都取得了不错的结果，同时明显优于其他基线。

I read three papers this week. The core of the first article is to improve the PageRank algorithm and label propagation algorithm to realize the air pollutant transmission analysis model; the core of the second article is to combine SOD, VGG and LSTM to realize the non-point source pollution water quality prediction model combining deep learning and feature extraction methods；the core of the third paper is the seamless integration of convolutional and backpropagation neural networks for regional multi-step leading PM2.5 prediction. Through the experimental results, it can be found that the methods proposed in these three papers have achieved good results and are significantly better than other baselines.

文献链接

题目

Analysis of pollutants transport in heavy air pollution processes using a new complex-network-based model

亮点

1）建立了基于复杂网络的大气污染物传输分析模型；
2）该模型侧重于重污染过程的研究；
3）改进PageRank算法，以识别主要贡献区域；
4）改进了标签传播算法，以找到相关的空气污染区域；
5）该模型可以深入研究大气污染物的时空变化。

本文工作

结合污染因素、气象因素和地理因素，建立了基于复杂网络技术的大气污染物传输分析模型，从区域间大气污染物相互影响的角度研究污染物的传输。
在这里插入图片描述
1）从输入污染物浓度数据中，提取所有重污染过程；
2）对于每一个重污染过程，根据城市方向与风向的夹角，以及污染物的IAQI相关系数，建立两个城市之间的联系，构建其相应的污染物传输网络；
3）通过综合污染物浓度、风速、风向和地理因素，确定各环节的权重；
4）在该网络的基础上，改进了PageRank算法来识别污染物传输过程中的主要贡献区域，改进了LPA算法来寻找相关的空气污染区域；
5）通过排序、关联分析等统计分析方法，从这些结果中识别出长期的主要贡献区和核心关联污染区，并且模型还可以从长期数据中发现研究区域内单一污染物区域间相关性和重污染过程特征。

题目

A novel model for water quality prediction caused by non-point sources pollution based on deep learning and feature extraction methods

亮点

1）开发了一种结合深度学习和特征提取方法的智能模型，以反映研究区空间特征对水质的影响；
2）提出了一种将机制模型和智能模型相结合的逐时水质估计方法，并与丽江流域的观测结果进行了对比验证；
3）所建立的方法结合耦合机制法和深度学习方法可以提高水质极值的预测精度；
4）所建立的模型在丽江流域的水质预测中得到了很好的应用。

本文工作

建立了模拟观测差分(SOD)模块、VGG模块和LSTM模块的混合深度学习模型，用于预测流域NPS污染引起的水质变化。利用研究区气象、水文、周边15个站点的前期水质资料和空间数据，对阳朔站未来时间步长的水质进行了预测。
在这里插入图片描述
1）VGG通过卷积提取流域空间特征，生成具有空间特征的多维时间序列数据。
2）采用基于物理过程的机理模型，模拟污染物在流域内的运移和扩散过程。

在预测结果的基础上，利用模拟-观测差值对水质时间序列进行稳定化，减小极值预测误差。
在这里插入图片描述
3）利用LSTM模型，结合水文气象指标、污染物指标、空间特征指标和前一刻的目标污染物误差，预测下一刻的污染物误差。
4）通过降维方法提取遥感图像的空间特征，将复杂的遥感图像转化为简单的多维向量，直接与深度学习方法相结合，大大降低了计算的复杂度和冗余信息带来的识别误差。

题目

Seamless integration of convolutional and back-propagation neural networks for regional multi-step-ahead PM2.5 forecasting

亮点

1）基于大量高维逐时观测数据，CNN-BP模型可以将PM2.5浓度充分表征为空气质量和气象变量的函数；
2）CNN-BP模型可以结合CNN和BPNN的本质特征，显著提高PM2.5浓度的预报精度；
3）CNN-BP模型可以有效地同时生成多站、多视界的PM2.5预报。
4）CNN-BP模型可以更充分地处理具有相对大滞后的异构输入，以解决维度的问题，并且可以更有效、更深入地从高维数据集中学习和提取有用的信息。

本文工作

在这里插入图片描述
1）对空气质量问题进行了深入的研究，了解细小气溶胶（如PM2.5）对人类健康的危害。
2）分析了台湾地区空气污染的来源，主要包括建筑施工、交通污染和工业排放等。
3）为了预测PM2.5浓度，研究了多种机器学习模型，如基于物理的模型和机器学习模型。
4）提出了CNN和BPNN无缝集成的混合方法（CNN-BP）。
5）利用公开数据平台获取环境监测数据，包括空气质量和气象条件，对台湾地区的76个地面空气质量监测站进行了研究。
6）通过统计分析，对五个区域的空气质量特点进行了详细的描述。
7）为了实现长期准确的空气质量预测，将预测间隔从1小时扩展到10小时，并基于收集的数据，分别独立构建了四种机器学习模型。
8）通过比较不同模型的预测结果，证明了所提出的CNN-BP混合方法在预测PM2.5浓度方面的优越性。

大气污染物传输的相关内容

1）影响大气污染物传输的主要因素是地理因素、气象因素和污染物本身。两个城市越近，大气污染物就越容易扩散。连绵的山脉阻碍了大气污染物的传播，两个城市之间较大的海拔差可能会影响大气污染物的传播。
2）气象因素包括温度、湿度、风等。由于大气污染物在城市间的扩散主要依靠水平传播，风速和风向对扩散条件起着重要的决定作用。强风可以将更多的大气污染物水平输送到其他城市。
3）污染因子主要是指城市大气污染物的浓度。根据气体扩散原理，污染物浓度高的地区的大气污染物会向污染物浓度低的地区扩散。但有时受风的影响，低浓度地区的大气污染物也会向高浓度地区转移。