空气中PM2.5问题的研究.docVIP

空气中PM2.5问题的研究 摘 要 针对问题一PM2.5的相关因素分析，我们具体做了如下工作： 1.建立了基于多元回归分析的 AQI指标相关性模型。首先对蚌埠市今年以来的AQI基本指标进行了统计分析，初步得到各指标之间的相关关系；然后利用多元线性回归模型，通过F检验、T检验、R2检验等方式进一步确定各指标的相关性。最后将其中四个指标数据设为控制变量，分别得到 PM2.5 与各个指标的偏相关关系。结论是：蚌埠市PM2.5与SO2、NO2，PM10，CO具有显著的相关性，而PM2.5与O3基本独立。 2.研究了 PM2.5与AQI基本检测指标以外成分要素之间的关系。利用互联网收集到蚌埠市今年以来的温度数据，比较分析日均气温中的最高温度、最低温度和PM 2.5 之间的相关性，发现日均最高温、最低温与 PM2.5 具有强相关性。 针对问题PM2.5的分布与演变规律进行分析，我们做了如下具体工作： 1.研究了 PM2.5 的时空分布规律和地区污染评估。首先描述了蚌埠市PM2.5浓度随时间、空间的变化情况，发现蚌埠市 PM2.5 浓度具有明显的季节性，冬季浓度最大，夏季浓度最小，而非城区、非工业区的 PM2.5 浓度低于城区、工业区的 PM2.5 浓度。然后分别以首要污染物观测数据的平均值和最大值计算6个监测站所在地区的空气质量分指数，对各个地区污染情况进行评估。结论是：1~3 月 个监测站所在地区为重度污染，1个监测站所在地区为严重污染。 2.建立了基于层次分析法的 PM2.5 发生规律多因素回归模型。首先对影响 PM2.5发生的因素进行分析，并构建相关指标体系，其次利用 AHP 方法得到各指标对 PM2.5的影响程度。然后利用所给数据和补充，对 PM2.5 浓度进行多因素线性回归建模，最后对 PM2.5 浓度进行预测。结果表明，90%的预测数据与真实数据误差不超过 10 个浓度单位，模型与实际较为相符。 3.研究了结构网格下基于偏微分方程的 PM2.5 扩散模型。首先采用修正的高斯模型描述 PM2.5 的演变态势，其次引入结构网格下求解偏微分方程数值迭代方法，将蚌埠市6个监测站映射到网格节点上，并对湿度、风速和季节等影响因素进行离散化，通过数值迭代的方法进行仿真研究，并采用蚌埠市 1-2月的数据进行了对比与误差分析，验证了模型的有效性。 本文后续对模型进行了误差分析最后，基于对问题中考虑，对模型进行改进；并把模型应用于对模型做出。 §1 问题的重述 1.蚌埠市2015.1.1-2015.8.2空气质量指数（详见附件1）； 2（详见附件2）； 3（详见附件3）PM2.5的相关因素分析 （1）建立 AQI各指标之间的相关、独立性分析模型； （2）分析PM2.5与 AQI基本监测指标以外成分要素的关系； 2．PM2.5的分布与演变规律分析 （1）探求PM2.5的时空分布规律和污染评估方法； （2）刻画 PM2.5的发生和演变（扩散、衰减）规律的模型； （3）采用适当方法检验（1）(2)子问题的模型和方法的合理性。 §2 问题的分析 二、对具体问题的分析 1．对问题一的分析 （1）PM2.5与 AQI其它指标之间的相关、独立性分析模型 由于PM2.5是我国环境监测的新指标，人们对 PM2.5 与 AQI 其它指标之间关系还没有系统全面的认识。为此本文从各 AQI 指标的监测数值入手，首先利用统计方法对它们进行两两分析，初步得到各指标之间的相关性关系，然后利用线性回归模型对今年蚌埠市 1 月~8 月的数据分析，通过T检验、F检验、R2检验进一步确定各指标的相关性。最后，为排除各指标间的干扰，以回归分析为基础，以四个指标数据为控制变量，分别得到 PM2.5 与其它指标之间的偏相关关系。 （2）PM2.5 与 AQI基本监测指标以外成分要素的关系分析 PM2.5 的成分、来源较为复杂，为了全面分析 PM2.5，还需对 PM2.5 与监测指标以外的要素进行分析。为此搜集蚌埠市的 PM2.5 与 TSP 的有关数据，首先通过时间序列分析定性探讨它们之间的关系，然后利用统计方法对它们进行相关性定量分析，得到它们之间的相关系数以及置信度，最后通过比较测量数据与一元趋势线的关系，验证结论的正确性。 2．对问题二的分析 本问题分为三个子问题，首先要描述蚌埠市的时空分布规律，即要要分别描述其时间规律和空间规律。时间规律是同一个地点在不同时间段的浓度情况，空间规律是不同地点在同一时间的浓度分布，只要能求到某一地点某一时间PM2.5的浓度值，就可以进行污染评估。第二个子问题要建立刻画PM2.5扩散的模型，可以使用一维的反应扩散方程，这个模型有考虑风力问题，而且在确定扩散系数时，也考虑了气温、气压