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.     

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.     

上海市PM_(2.5)相关因素的研究

空气质量问题始终是政府、环境保护部门和全国人民关注的热点问题.选取2014年01月-05月的上海市空气质量(AQI)日报,分析了上海市空气质量的现状,并对首要污染物出现的频率做出统计分析,发现PM2.5是上海市现阶段空气中的首要污染物.通过Pearson相关系数、Spearman相关系数和Kendallτ相关系数,计算PM2.5与AQI其他监测指标的相关性,从而有利于更科学的监测空气质量.研究表明,PM2.5与PM10和CO都具有较强的相关性,PM2.5与O3的相关性很弱.最后分别对PM2.5与PM10、PM2.5与CO的相关性进行线性拟合,得出初略的线性方程.对其对比分析可知,在同等情况下,应该优先通过控制空气中PM10的含量,来达到控制空气中PM2.5含量的目的,从而对改善生存环境起到重要的作用.     

回归分析与基于MIV的RBF神经网络在PM2.5的相关因素分析中的应用

PM2.5作为大气首要污染物,严重影响着人们的身体健康.为了研究影响PM2.5的相关指标,以武汉市的空气数据为研究对象,通过多元线性回归、偏最小二乘回归、基于MIV的RBF神经网络回归等方法对AQI中6个基本监测指标的PM2.5(含量)与其它5项分指标及其对应污染物(含量)之间的相关性进行分析;通过比较,基于MIV的RBF神经网络回归模型拟合度达到0.9302,效果最好,而且也优于BP人工神经网络回归算法,因此得出了精确可靠的影响PM2.5的指标权重大小,为减排PM2.5提供了可靠的理论依据.     

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.     

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.     

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.     

空气中PM2.5的扩散衰减与预测分析

以西安市2013年1月1日-9月19日的空气污染监测数据为例,采用非稳态的二维多箱模型,综合考虑了风向、季节等因素的影响,对西安市PM2.5的面源污染扩散和衰减规律进行模拟预测,计算模型相对误差;再选用高斯模型对某一天西安市突发情况下PM2.5浓度扩散情况进行点源污染扩散预测,并评价模型的有效性.     

安徽PM_(2.5)时空分布特征及预测模型的研究

为了解安徽省PM2.5分布特征、定量分析机器学习算法在预测PM2.5浓度方面的准确性.针对安徽省78个空气及气象监测站点的数据进行统计分析,并从时间因子、其它空气污染物浓度、气象因子三个方面,筛选出月、周、时,PM_(10)、CO、SO_2、N20,风速、气温、相对湿度、降水量、当前PM2.5浓度,共计12个自变量,利用K折交叉验证,分别构建基于支持向量机、神经网络的预测模型.表明安徽省PM2.5浓度总体呈现出北高南低,冬高夏低的特征,浓度值较高的月份出现在1、2、11、12,周变化规律各地有异同,时变化规律各地较为一致,8时至17时下降,其余时段上升.模拟结果显示支持向量机模型预测效果较好,其预测值与实测值的均方根误差控制在20以内,拟合指数在0.8以上.     

京津冀地区PM2.5污染特征的研究————-基于函数型数据分析的视角

近年来京津冀地区的雾霾重度污染事件频发, 引起国家和社会的普遍关注. 以京津冀地区68个监测站的数据为基础, 研究了京津冀地区PM2.5小时间隔的年度数据主要变异模式、时空变化类型等污染特征. 还研究了二氧化硫、氮氧化物年度累计排放量对PM2.5浓度变化的影响. 结果表明, 氮氧化物的排放对PM2.5浓度的贡献更显著, 削减氮氧化物等污染物的排放可有效降低PM2.5浓度, 改善空气质量. 采用函数型数据分析方法, 相对于传统的统计均值方法, 能够更有效的使用所采集到的不同的数据类型, 进行更细致的分析, 从而得到更可靠的结论.     

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.     

����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.     

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.     

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.     

交通拥堵与空气质量——来自汽车尾号限行的证据

由于空气的污染来源众多,交通拥堵是否加剧了空气质量的恶化,一般情况下很难界定和区分。本文利用一个特殊的工具变量——北京市工作日高峰时段汽车根据尾号限行,来分析和回答上述问题。由于受文化习惯影响,居民在挑选车牌号码时一般都不选4,因此包含数字4的车牌号很少。每当限行尾号为4和9的工作日,北京市的道路交通相比其他工作日会更拥堵,这为我们提供了一个识别交通拥堵的独特指标。通过使用双重差分模型排除了大量干扰因素后,我们对北京市35个空气质量监测站点PM2.5浓度逐时数据的分析发现,在限行尾号为4和9的工作日,高峰时段与非高峰时段的PM2.5浓度差异,比其他工作日的差异高出9.46%。交通拥堵显著降低了空气质量。