多元统计方法在空气质量探析中应用.docVIP

多元统计方法在空气质量分析中的应用 　　摘要：造成空气污染的因素众多，主要包括气象条件、污染源及其强度等自然因素以及供暖、交通等人为因素。本文以北京市的气象条件，AQI，以及主要污染物为指标，基于历史数据，利用因子分析和对应分析的方法，对北京市空气质量做出合理的评价，并提出相应的解决方案及合理化建议 Abstract： Air pollution is caused by numerous factors， including both natural factors like meteorological condition， pollution sources and their intensities and human factors like heating， traffic and so on. This paper takes meteorological condition， AQI and the main pollutants as indexes and uses the methods of factor analysis and correspondence analysis to conduct a comprehensive evaluation of air quality in Beijing based on historical data and gives some relevant solutions and reasonable suggestions. 关键词：空气质量；因子分析；对应分析 Key words： air quality；factor analysis；correspondence analysis 中图分类号：X51 文献标识码：A 文章编号：1006-4311（2016）19-0188-03 0 引言 空气污染是我国当前面临的较为严重的环境问题之一，因此，及时了解空气质量状况，并对此作出分析预测显得尤为重要。北京，是我国的政治、文化中心，北京的空气质量问题一直是人们讨论的环境热点。现搜集2015年北京市各气象条件数据，AQI数据，以及主要污染物的指标，通过因子分析和对应分析的方法，从客观数据角度出发，给出合理的评价，提出相应的解决方案及合理化建议[1-2] 1 数据来源与指标选择 空气质量指数AQI是定量描述空气质量状况的非线性无量纲指数。其数值越大、级别和类别越高、表征颜色越深，说明空气污染状况越严重，对人体的健康危害也就越大[3]。本文涉及的数据是：2015年的1月北京每天的空气质量指数AQI数据，质量等级与排名，首要污染物的相关数据，数值单位：Ug/m3（CO为mg/m3），和2015年1月到5月的气象条件数据，相关数据均来自于中国气象天气后报网站。在因子分析中，我们选取空气中的主要污染物PM2.5，PM10，CO，NO2，SO2作为指标进行分析，而在对应分析中，我们选择风力，风向，气温为指标 2 数据分析 在数据分析过程中主要采用了因子分析和对应分析两种方法。因子分析是指研究从变量群中提取共性因子的统计技术。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。对应分析也称关联分析、R-Q型因子分析，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系[4] 2.1 因子分析 下面用因子分析法来研究北京市一个月中空气污染指数AQI，与人为因素造成污染物PM2.5，PM10，CO，NO2，SO2之间的关系： ①求主成分和公共因子 所谓主成分，就是对原始变量进行线性组合。然后将该线性组合进行处理，将原始变量表示为各个主成分的线性组合。找主成分的意义是对变量进行降维，因为少数主成分就可以代表原始变量的大部分信息。再将那些少数主成分进行标准化就可以得到公共因子，此时的公共因子只是影响各个原始变量的某种抽象因素，后对公共因子进行旋转，这样旋转后的公共因子就有了实际意义，便于对实际问题进行分析[5] 将原始数据导入SPSS进行主成分分析[6]，结果如表1所示 由表1可知，解释的总方差显示了各个主成分解释原始变量总方差的情况，保留两个主成分最为适宜，其可以包含98.436%原始变量的信息 由表2可得到，原始变量可由各因子表示为： PM10=0.936×Z1-0.340×Z2 CO=0.979×Z1-0.168×Z2 NO2=0.981×Z1+0.077×Z2 SO2=0.883×Z1+0.462×Z2 其中Zi（i