关键词:
环境工程学
挥发性有机物(VOCs)
空间插值
蝴蝶优化算法(BOA)
极限学习机(ELM)
摘要:
针对目前挥发性有机物(Volatile Organic Compounds,VOCs)质量浓度插值方法单一且插值精度不高的问题,为了提升区域内VOCs质量浓度空间插值的精度,构建BOA-ELM(Butterfly Optimization Algorithm-Extreme Learning Machine)空间插值模型,首次将神经网络模型应用于VOCs质量浓度空间插值。首先对研究区域进行网格划分,其次利用BOA-ELM进行插值研究,同时讨论气象特征对空间插值的重要性,最后将VOCs质量浓度空间插值结果可视化。以陕西省为例,对VOCs质量浓度进行插值,结果显示:加入气象特征变量能提高模型插值精度,且与原始极限学习机(Extreme Learning Machine,ELM)模型以及传统插值方法反向离权重法(Inverse Distance Weighted,IDW)对比,显示BOA-ELM模型的均方根误差(ZRMSE)、平均绝对误差(ZMAE)、平均绝对百分比误差(ZMAPE)均为最小值,分别为8.69μg/m^(3)、6.72μg/m^(3)、7.10%,优于IDW模型。结果表明BOA-ELM模型能很好地应用VOCs质量浓度空间插值,为大气污染物的空间插值提供了新的思路与方法。