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SO_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.     

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.     

乌鲁木齐PM_(2.5)与其他空气污染物的去趋势互相关系数分析

为了避免时间趋势对相关性的影响,深入了解乌鲁木齐市PM_(2.5)与其他空气污染物的相关关系,本文基于乌鲁木齐市2015-2018年监测站点空气质量实时监测数据,使用新方法—去趋势互相关系数分析法来探索乌市PM_(2.5)与PM_(10)、SO_(2)、NO_(2)、CO、O_(3)五种空气污染物之间的关系.一方面,通过去趋势互相关系数分析法分别对以“天”为单位和以“小时”为单位的数据进行分析,发现PM_(2.5)与PM_(10)、SO_(2)、NO_(2)、CO之间呈正相关性,与O_(3)呈负相关性,并发现CO相比其他空气污染物与PM_(2.5)的关系最为显著.另一方面,去趋势互相关系数分析法的等值线图可以直接观察到乌市PM_(2.5)与其他空气污染物在不同时间点和不同时间尺度下的相关关系变化状况,从而为乌市空气质量问题的治理,降低人类健康风险提供理论支持.     

基于分类检验的环境空气治理持续效应评价——以西安市为例

通过构造F统计量对有序样本分类,基于分类检验法对空气质量影响因子含量变化进行显著性分析,进而对政府治理环境的效应进行评价。利用西安市2013年12月至2015年3月,以及2014年12月至2016年3月这两个时间段的空气指数等相关数据,对西安市环境治理效应进行评价,结果表明西安市在PM2.5、PM10、SO_2、CO和NO_2的治理方面有明显的改善,对O_3的治理需要进一步加强。     

PM2.5成因的逐步回归分析及治理方案研究

应用逐步回归分析方法获得了PM2.5与3个既与综合治理又与专项治理有关的因素SO_2、NO_2、PM10的最优二次回归方程,在将治理基准年与五年后目标的PM2.5浓度折算为对应的AQI指标之后,结合数据分析计算出了基准年的PM2.5、SO_2、NO_2、PM10这4个基准指标值.然后结合PM2.5综合治理与专项治理的费用经验公式,按照五年治理投入总经费最小的原则建立了一个标准的非线性规划模型,并求解出了最少的五年总投入经费及每年经费投入.对于指导PM2.5的治理工作有一定实际意义.     

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.     

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.     

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.     

基于灰色关联分析的邯郸市空气质量影响因素研究——以经济社会指标为视角

运用灰色关联分析法研究了2014-2018年邯郸市部分经济社会指标与空气质量影响的关联程度.结果表明:工业增加值、能源消耗、邯郸市机动车拥有量是影响邯郸市空气污染的主要因素.其中工业增加值与SO_2关联程度最高,能源消耗与PM_(2.5)和PM_(10)关联程度最高,邯郸市机动车拥有量与NO_2、O_3、CO关联程度最高.针对空气质量影响因素的分析,提出产业升级改造,优化能源结构,绿色出行等建议.     

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.     

基于区间数的空气质量模糊综合评价模型

针对空气质量评价的不确定性,引入区间数概念进行2016年辽宁省各城市的空气质量综合评价和分析.参照国家大气质量标准,选用SO2、NO2、CO、PM2.5、PM10五种大气主要污染物作为评价因子,利用区间数计算污染因子的隶属度进行分析.考虑到城市差异,采用区间梯形隶属度函数,同时考虑区间数排序函数及可信度对区间数排序进行修正,避免了单因素得分区间数的发散,并综合确定评价等级.实例分析验证了该评价方法的可行性,依据收集的数据和此方法的结论得出空气质量的好坏与污染源分布、污染物扩散条件以及季节等因素有关.     

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.     

The use of forecast gradients in 3DVar data assimilation

In this paper, we propose an optimization approach for data assimilation by the use of forecast gradients. The proposed objective function consists of two data-fitting terms. The first term is based on the difference between the gradients of the forecast and the analysis, and the second term is based on the difference between the observations and the analysis in observation space. The motivation for using forecast gradients is that the forecast values provide an estimation of the system state, but they may not be accurate enough. We therefore propose to construct analysis gradients driven by the forecast gradients, instead of the forecast values. The associated data-fitting term can be interpreted by using the second-order finite difference matrix as the inverse of the background error covariance matrix in the 3DVar setting. In the proposed approach, it is not necessary to estimate the background covariance matrix and to deal with its inverse in the 3DVar algorithm. The existence and uniqueness of the analysis solution of the proposed objective function are established in this paper. The solution can be calculated by using the conjugate gradient method iteratively. Experimental results based on Community Multiscale Air Quality (CMAQ) and Weather Research and Forecasting (WRF) simulations are presented. We show in our air quality data assimilation experiment that the performance of the proposed method is better than that of the 3DVar method and the En3DVar method. The average improvements over the CMAQ simulation results for single-species NO₂, O₃, SO₂, NO, and CO are 18.9%, 34.0%, 22.2%, 4.3%, and 91.9%, respectively; and for the multiple-species PM2.5 and PM10, the improvements are 61.2% and 70.1%, respectively. In addition, the performance of the proposed method in temperature data assimilation is improved by 45.1% compared with the 3DVar method.     

空气中PM2.5的动态扩散及宏观预测

以PM2.5扩散、衰减模式为研究对象,分析探究了PM2.5的扩散规律、危机治理及其后5年的治理问题.首先通过主成分分析法,建立了PM2.5与其它污染物之间的多元非线性对数模型.同时引入相对湿度的影响因素对模型进行再度优化,提高了模型的拟合优度.运用统计学原理,得出采集点之间的PM2.5具有较高的协同性.另外分析了静态下PM2.5污染物颗粒的受力和漂移模式和从点源、面源两方面分析了PM2.5动态扩散模式,建立了PM2.5的扩散偏微分方程模型.根据建立的扩散模型,对突变的污染物浓度确定安全区域的范围.最后建立综合费用和专项费用的多目标优化模型,利用贝叶斯支持向量机方法对PM2.5进行宏观预测,并运用系统动力学理论对目标值进一步优化,并对不同治理模式进行对比分析.     

����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.