广州市空气污染物和气象要素的主成分与典型相关分析.docVIP

广州市空气污染物和气象要素的主成分与典型相关分析 沈家芬1，张凌2，莫测辉3 *，冯建军4 1. 华南农业大学资环学院，广东 广州 510642；2. 广州市环境监测中心站，广东 广州 510030； 3. 暨南大学环境工程系，广东 广州 510632；4. 广州市林业科学研究所，广东 广州 510515 摘要：用主成分和典型相关分析方法分析广州市近4 a（2001—2004年）的空气污染物与气象要素之间的关系，按夏半年、冬半年和全年3个时间尺度分别进行。结果表明：污染物数据所得到的主成分分别代表机动车污染源（汽油燃烧和扬尘）和工业污染源（工业燃煤和燃油），气象数据的主成分分析表明空气的温度、湿度及对流速度对空气污染作用明显，而污染物和气象要素的主成分分析表明气温高低和空气干湿程度对大气污染的影响较大。污染物与气象要素两组数据之间的典型相关分析表明污染物与气象要素之间存在显著的相关关系，其中温度和风速对气态污染物有显著影响。 关键词：空气污染物；气象要素；主成分分析；典型相关分析；广州 中图分类号：X169 文献标识码：A 文章编号：1672-2175（2006）05-1018-06随着经济发展和城市化进程的加快，空气污染物的排放量不断增加，污染范围不断扩大，以颗粒物、二氧化硫、氮氧化物等为主要污染物的大气环境污染问题日趋严重。环境污染对经济建设和人体健康造成了极大危害，环境空气质量也日益受到人们的关注。空气污染与气象条件关系密切，气象要素往往制约着空气污染物的稀释、扩散、输送和转化过程，进而影响着空气污染物的分布及污染物浓度。前人从不同角度对空气污染与气象要素之间的关系进行了研究，研究方法多为相关与回归分析[1-3]或从理论上描述气象要素对污染物迁移扩散的影响[4-6]。 主成分分析方法是一种将多个指标化为少数几个不相关的综合指标（即所谓主成分）的统计分析方法[11]。它对于分析多指标的大量数据以了解数据间的关系及趋势是一种很有用的方法。主成分分析被广泛用于分析大量的环境和空气污染数据研究中[7-10]。本文用主成分分析法来分析广州市近4年（2001—2004年）的空气污染物（PM10、SO2、NO2 和CO）浓度与同期的气象要素（相对湿度、温度、风速、气压和降雨量）的关系，以了解它们对大气环境质量的影响程度。另外，本文还运用典型相关分析方法来分析空气污染物与气象要素两组数据间的关系。 1 资料与方法 1.1 资料来源 本文所用数据为：2001—2004年广州市环境自动监测点（国控点）监测的PM10、SO2、NO2、CO日平均浓度；同期广州市地面气象观测台观测的相对湿度、温度、风速、气压和降雨量等地面气象要素日均值。 污染物浓度和气象数据分夏半年、冬半年和全年进行分析。夏半年为：每年的4月1日—10月31日，4年共856 d；冬半年为：每年的11月1日—3月31日，4年共605 d；4年共1461 d。 1.2 分析方法 1.2.1 主成分分析 在多指标(变量)的研究中，往往由于变量个数太多，并且彼此之间存在着一定的相关性，因而使得所观测的数据在一定程度上有信息的重叠。而且当变量较多时，在高维空间中研究样本的分布规律比较麻烦。主成分分析采取一种降维的方法，找出几个综合因子来代表原来众多的变量，使这些综合因子尽可能地反映原来变量的信息量，而且彼此之间互不相关，从而达到简化目的。 根据给定样本资料进行主成分分析的基本步骤为[12]： （1）数据标准化； （2）计算样本协方差阵和相关阵； （3）计算样本协方差阵和相关阵的特征值和特征向量； （4）计算贡献率和累积贡献率，确定选取主成分个数； （5）列出主成分方程并解释主成分意义； （6）计算各样本的主成分坐标，由得分数据作主成分坐标的散点图。 1.2.2 典型相关分析 表1 主成分分析结果之特征根 Table 1 Eigenvalues of PCA of the data sets 污染物 气象要素 污染物+气象要素 PC 特征值 贡献率 累积贡献率 PC 特征值 贡献率 累积贡献率 PC 特征值 贡献率 累积贡献率 夏 1 2 3 4 冬 1 2 3 4 全年 1 2 3 4 2.66 0.75 0.35 0.23 3.18 0.52 0.18 0.13 2.95 0.66 0.22 0.18 0.67 0.19 0.09 0.06 0.79 0.13 0.04 0.03 0.74 0.16 0.06 0.04 0.67 0.85 0.94 1.00 0.79 0.92 0.96 1.