基于分位数回归的PM2.5影响因素分析.docVIP

PAGE PAGE 30 基于分位数回归的PM2.5影响因素分析 摘要：本文综合运用线性回归和分位数回归两种方法对杭州市PM2.5的影响因素进行了分析。线性回归模型的拟合优度在0.9以上，模型拟合效果较好。分析结果显示PM2.5浓度与前一日的PM2.5浓度、PM10的浓度、SO2的浓度、 NO2的浓度、CO的浓度、温度和风级的相关性较强，和相对湿度的相关性较弱。在此基础之上，分别建立了在0.1，0.25，0.5，0.75，0.9分位数的分位数回归模型，分别分析了在PM2.5浓度低、较低、中等、较高和高水平下的影响因素。综合分位数模型发现，PM2.5浓度处于中下水平时与第一类影响因素（悬浮颗粒物）和第二类影响因素（气体污染物）的相关性比较强；PM2.5浓度较高时与第一类影响因素、第二类影响因素和第三类影响因素（自然气象值）均有较强的相关性。 关键词： PM2.5；线性回归；分位数回归；影响因素 Analysis of influence factors of PM2.5 based on Quantile Regression Abstract: Two kinds of methods are used in this paper to analyze the effect of PM2.5 in Hangzhou city based on linear regression and quantile regression. The R-squared of linear regression model is more than 0.9. The results showed that the concentration of PM2.5 has a strong correlation with the concentration of PM2.5 the day before, the concentration of PM10, SO2, NO2 ,CO ,temperature and wind , and has a weak correlation with the relative humidity. Then 0.1, 0.25, 0.5, 0.75, 0.9 quantile’s quantile regression models are established, analyzing the influencing factors of PM2.5 in five levels from low to high. From the quantile regression models, we found that when the concentration of PM2.5 at a below average level, it is correlated with the first kind of influence factor (suspended particulate matter) and the second influence factors (gas pollutants) stronger; when the concentration of PM2.5 is higher ,it is correlated with the first and the second kinds of influence factors, and third class (natural meteorological values) stronger. Keywords: PM2.5; Linear regression; Quantile regression; influencing factor 一、 引言 近几年来，雾霾天气的频繁出现，使得一个非常专业的名词PM2.5出现于人们的视野之中。PM2.5与降尘、TSP（总悬浮颗粒物）等大气颗粒物相比，粒径更小，携带大量的有毒、有害物质并且在大气中停留时间长、输送距离远，对人体健康和空气质量的影响更大。杭州市已经有7个PM2.5的监测点,但是我们只知道、PM2.5的数据是没有实质性意义的，而知道PM2.5是什么，从哪里来，它的影响因素有哪些，我们能做些什么才能真正对人们的生产生活有一定的指导意义。 国内外学者对PM2.5进行了广泛的研究,目前研究的主要是针对PM2.5的化学组分、对人体健康及能见度的影响、来源解析等方面。国外对于颗粒物的研究进行的比较早，美国对于PM2.5的研究开展得最早,最为深入。Sawant等[1]在加利福尼亚州南部的Mira Loma地区，对PM2.5的化学组成进行了研究分析,结果表明该地区的有机碳浓度明显高于其