环境科学与资源利用论文_市售光散射法PM_(2.5)

文章目录

摘要

Abstract

常用缩写词中英文对照表

1 引言

1.1 PM_(2.5)质量浓度检测方法概述

1.2 光散射法检测PM_(2.5)质量浓度研究进展

1.3 既往研究的缺点和不足

1.4 研究目的和技术路线

2 研究方法

2.1 仪器设备

2.2 实验方法

2.3 质量控制措施

2.4 数据统计分析

3 结果

3.1 基本情况描述

3.2 光散射法PM_(2.5)检测仪性能评估结果

3.3 影响光散射法PM_(2.5)检测准确性因素验证结果

3.4 光散射法PM_(2.5)检测的模型校准结果

4 讨论

4.1 光散射法PM_(2.5)检测仪性能评估结果分析

4.2 影响光散射法PM_(2.5)检测准确性的因素分析

4.3 光散射法PM_(2.5)检测校准模型评价

5 结论及展望

5.1 结论

5.2 展望

参考文献

致谢

个人简历

文章摘要:目的:评估光散射法PM2.5检测仪的性能;探究影响光散射法检测PM2.5质量浓度准确性的主要因素,并利用机器学习算法建立校准模型。方法:于2020年12月到2021年3月,以微量振荡天平法（TEOM）为参考方法,对市售的2种专业级别（MicroPEM和LD-6S）和3种低成本的光散射法PM2.5检测仪（A、B和C）进行环境空气PM2.5质量浓度平行测试。通过计算同一型号两台仪器测定结果间的相关系数、偏差值评价仪器的精密度;通过计算光散射法与TEOM测定结果间相关系数、偏差值评价仪器的准确度;通过分析相对湿度、温度、颗粒物质量浓度的各四分位数分组间光散射法与参考方法测定结果比值变化,探讨影响光散射法准确性的因素;以TEOM测定值为因变量,温度、相对湿度和光散射法检测值为自变量,分别利用多元线性回归、随机森林、支持向量机和人工神经网络算法建立光散射法检测结果的校准模型,采用十折交叉法验证模型,以决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）评估校准模型性能。结果:（1）精密度:两个专业级别的光散射法测定仪均具有良好的精密度,相同型号仪器平行测定结果间的相关系数均大于0.98（rmicroPEM=0.982;rLD-6S=0.995）,平均偏差分别为（0.2±16.4）μg/m3和（2.0±7.8）μg/m3;三种低成本的光散射法PM2.5检测仪精密度差别较大,相同型号仪器平行测定结果间的相关系数r范围为0.827～0.990,平均偏差范围为（2.3～28.6）μg/m3。（2）准确度:两种专业级别光散射法检测仪测定结果与TEOM测定结果间均具有良好的相关关系,相关系数范围为0.943～0.972,但存在系统偏差（P<0.05）,其中MicroPEM测量值高估了 PM2.5质量浓度,MicroPEM与TEOM测定结果的比值中位数为1.42,LD-6S测量值低估了 PM2.5质量浓度,LD-6S与微量振荡天平法测定结果的比值中位数为0.97;三种低成本检测仪与TEOM测定结果间一致性差别较大,相关系数范围为0.813～0.942,均高估了 PM2.5质量浓度,其与TEOM测定结果的比值中位数范围为1.32～1.43。（3）光散射法影响因素:环境温度、相对湿度和PM2.5污染水平是影响光散射法检测结果的重要因素。其中,光散射法与TEOM法测定结果的比值随相对湿度、PM2.5浓度的升高而增大;温度对各光散射法检测仪与TEOM法测定结果比值的影响趋势不一致。（4）模型校准:以环境温度、相对湿度和光散射法PM2.5检测仪测定值为预测变量,基于传统的多元线性回归和更为复杂的机器学习算法（随机森林、支持向量机和人工神经网络）建立的校正模型均可提高光散射法测定结果的准确性,且后者的校正效果要优于前者,具体表现为十折交叉验证时更高R2值以及更低RMSE和MAE值;支持向量机模型和人工神经网络模型分别对4种和1种光散射法PM2.5检测仪校准效果最优。结论:市售专业级光散射法PM2.5检测仪总体上具有良好的精密度,其测定结果与参考方法间具有良好的相关性,不同型号的市售低成本光散射法PM2.5检测仪的上述性能指标差别较大,但该差别与仪器售价无明确关联;所测试的光散射法检测仪与参考方法测定结果均存在系统偏差,需进行校正;相对湿度、温度、环境PM2.5污染水平是影响准确度的重要因素;通过模型校正可以提高光散射法测定PM2.5质量浓度的准确性,且基于更复杂机器学习算法的模型校正效果优于传统的多元线性回归模型。

文章关键词:

论文DOI:10.27511/d.cnki.gzyyy.2021.000072

论文分类号:X851

文章来源：《光散射学报》 网址: http://www.gssxbzz.cn/qikandaodu/2022/0130/509.html