上海市PM2.5浓度的分析与预测

针对上海市PM2.5的浓度进行动态分析及预测.通过使用Page检验分析了上海市PM2.5浓度近几年的变化趋势;然后建立时间序列ARIMA模型对PM2.5浓度日数据进行拟合分析与预测.在此基础上通过引入影响PM2.5浓度的其他因素建立带时间序列误差的回归模型以及引入波动率因素建立带波动率方程的模型改进原时间序列ARIMA模型;通过比较样本外预测的效果,结果表明改进后的两个模型其结果均优于已知文献中的ARIMA模型.     

基于时间序列分析的北京地区PM2.5浓度研究

基于中国环境监测总站公布的实时空气质量监测数据, 利用时间序列模型对PM2.5指标的数据进行了平稳性、纯随机性检验, 同时进行了模型阶数、未知参数估计以及模型显著性检验与优化. 最终在此基础上建立了指标预测的数学模型, 并对未来三天的PM2.5浓度值进行预测. 进一步地, 基于向量自回归(VAR)模型, 对北京市万寿西宫站PM2.5数据进行相关性分析, 研究空气中污染物O_{2}、NO_{2}、CO、O_{3}、PM10与PM2.5的动态影响关系. 研究发现当天的PM2.5浓度会受到前几天PM2.5、PM10、O_{3}、SO_{2}等污染物浓度的影响,其中PM10对PM2.5的影响最为明显且持续时间最长, O_{3}、SO_{2}对PM2.5浓度的影响在二、三期最为明显.     

部分线性模型在空气质量指数细颗粒物PM2.5中的分析应用

主要是研究细颗粒物PM2.5与其它影响空气质量指数的因素之间的相关性.首先运用主成分分析法对影响细颗粒物PM2.5的五个指标进行降维,然后对降维过后的数据拟合部分线性模型,拟合的效果比一般线性模型与多项式回归模型所拟合的效果更好.     

淮安市PM2.5的分布特征与灰色预测模型

研究对象是淮安市主要大气污染物中PM2.5在2013-2016年间的观测数据,从两个方面对PM2.5的浓度进行了研究.一方面,利用非参数假设检验中的卡方拟合检验与W检验等方法研究了PM2.5浓度的分布特征.研究发现,污染物PM2.5的日均浓度服从对数正态分布、月均浓度服从正态分布.另一方面,建立了PM2.5年均浓度的精度为一级可用于长期预测的GM(1,1)预测模型,利用预测模型对未来五年中PM2.5的浓度水平进行了预测.     

空气中PM2.5问题的研究

主要研究空气污染中的PM2.5扩散问题.首先利用相关分析法讨论了PM2.5与SO_2,NO_2,CO,PM10,O_3的相关性,建立线性回归方程;然后建立一维的反应扩散方程,预测PM2.5浓度变化,并定量与定性分析西安市空气污染状况;再建立高斯烟羽模型,对持续高浓度PM2.5扩散情形进行拟合,并对污染物扩散范围进行预测,得到重度污染以及可能安全区域;最后通过建立最优化模型,得到较有经济效益的空气治理方案.     

西安市PM2.5相关因素多元回归分析模型

为了探索空气污染的主要因素,对空气污染监测指标PM2.5与AQI中其他监测指标进行相关性分析,得到PM2.5与SO2、NO2、CO呈正相关,与O3和温度呈负相关,同时利用多元回归模型得到PM2.5与主因子的数量关系,给西安市PM2.5防控提供参考意见.     

基于时间序列的长沙市PM2.5的统计分析

通过对长沙市2015年AQI检测指标数值PM2.5与SO_2,NO_2,PM10,CO,O_3间相关性进行分析,得到PM2.5与SO_2,NO_2,PM10,CO间存在正相关关系,与O_3间为负相关关系.后建立自回归移动平均模型(ARMA)对长沙市2015年的PM2.5进行短期预测,得到最优模型为ARMA(3,2).最后对长沙治理PM2.5提出相关建议.     

空气中PM2.5的扩散和衰减模型

PM2.5的时空分布及其演变规律十分复杂.为刻画PM2.5的发生、扩散和衰减规律,提出点源、线源和面源叠加的多源模型描述区域内的多污染源对某一监测点的影响.考虑风力风速、太阳辐射强度、湿度等天气和季节因素以及重力、湍流扩散、分子扩散等对源强强度的影响,提出源衰减、湿沉积、化学迁移叠加衰减模型,用监测点的PM2.5浓度数据对污染源强度和衰减系数进行反演求解.针对西安市某些监测点处的PM2.5浓度突然增至数倍且延续数小时,建立污染扩散预测与评估方法,对提升前后污染源源强进行分析,给出重度污染区域,并用数据的人工统计定性验证模型的合理性.     

北京市PM2.5的相关因素研究

选取2016年北京市空气质量指数数据,简述了北京市空气的现状,并根据频率得出PM2.5已经成为北京市空气中的首要污染物的结论.通过计算PM2.5与AQI所监测的其余指标之间的相关程度,进行PM2.5与PM10,CO和NO2的多元回归分析,得到线性回归方程.同时对模型给予改进,建立基于2个主成分的、更为精准的多元回归模型.得出PM10是空气中PM2.5的最主要成因的结论,CO和NO2对PM2.5的影响也不容忽视的结论,对北京市雾霾天气预防提供参考意见.     

保定市PM2.5的因素分析

保定市的PM2.5微粒来源广泛,成因复杂.通过整理和分析该市2012年1月到12月每日PM2.5值、每日平均气温、风力以及SO_2、NO、NO_2浓度等数据,从数据统计的角度分析了这些因素与PM2.5的成因和变化趋势间的联系,进而探讨和建立了多元线性回归模型.为保定市空气治理工作提供一定的参考.     

哈尔滨市冬季PM_(2.5)与影响要素的相关分析

运用相关性分析方法,研究哈尔滨市PM_(2.5)质量浓度与主要空气污染物及气象因素之间的相关关系.建立PM_(2.5)与影响其质量浓度变化的因素的单因变量的偏最小二乘回归分析(PLS1)模型,模型拟合良好,由模型知CO是导致PM_(2.5)质量浓度升高的主要因素.运用通径分析方法,研究解释变量对因变量的直接影响、通过其他解释变量对因变量的间接影响以及各解释变量的对因变量的协同作用.结果表明,各解释变量对PM_(2.5)质量浓度变化的总作用从大到小依次为:CO、PM_(10)、NO_2、风速、湿度、SO_2.     

PM2.5扩散模型及预测研究

以武汉为例,以高斯扩散模型为基础研究PM2.5的扩散与衰减规律,充分考虑影响PM2.5扩散的因素,分析地面与建筑物边界反射、干沉积、雨洗湿沉积及湿度的影响,逐步改进高斯扩散模型,并引入时间t,计算当点源持续污染情况下,污染源上风和下风L公里处的浓度.通过数值仿真,得到距污染源下风向距离一定条件下污染扩散浓度的分布规律,预估突发情形下PM2.5的扩散距离及安全区域,结合三维图及平面图分析危险区及安全区.最后,结合小波理论及神经网络理论,提出小波神经网络的结构及算法,并通过Matlab实现了对PM2.5值的预测,并取得较高的预测拟合度.     

����ϡ��ͼģ�͵�\mbox{PM}_{2.5}�ֲ�������ṹѧϰ

??We consider the structure learning problem of the \mbox{PM}_{2.5} pollution data over 31 provincial capitals in China. Specifically, we make use of the graphical model tools to study the hubs and the community structures of the \mbox{PM}_{2.5} pollution networks. The results show that the hubs in the \mbox{PM}_{2.5}pollution networks are always seriously polluted cities, and the \mbox{PM}_{2.5} pollution networks have significant community structures which consist of cities which in some sense can be regarded as blocks with similar cause of pollution. In view of the results, we suggest that the government should strengthen the effort to treat the seriously polluted areas and western China areas. Moreover, the management of the \mbox{PM}_{2.5} pollution should be region-dependent.     

Structure Learning of \mbox{PM}_{2.5} Distribution Using Sparse Graphical Models

We consider the structure learning problem of the \mbox{PM}_{2.5} pollution data over 31 provincial capitals in China. Specifically, we make use of the graphical model tools to study the hubs and the community structures of the \mbox{PM}_{2.5} pollution networks. The results show that the hubs in the \mbox{PM}_{2.5}pollution networks are always seriously polluted cities, and the \mbox{PM}_{2.5} pollution networks have significant community structures which consist of cities which in some sense can be regarded as blocks with similar cause of pollution. In view of the results, we suggest that the government should strengthen the effort to treat the seriously polluted areas and western China areas. Moreover, the management of the \mbox{PM}_{2.5} pollution should be region-dependent.     

基于主成分回归的杭州市PM2.5含量的综合分析

为探究杭州市PM2.5含量与其他指标之间的关系,搜集杭州市2019年的AQI指数和AQI 6项指标进行分析.首先通过相关分析揭示PM2.5与其余5项指标的相关性,发现各指标与PM2.5均呈线性关系,又因为其余5项指标之间存在显著的线性相关性,故自变量之间存在多重共线性.为了消除多重共线性的影响,对这5项指标提取主成分,再基于主成分分析做回归分析.最后对模型进行统计诊断,按照一定标准筛选出原始数据中的强影响点,删除强影响点后得到最终模型.