《基于气象条件的北京市AQI的分析与拟合探讨论文-范例》由会员分享，可在线阅读，更多相关《基于气象条件的北京市AQI的分析与拟合探讨论文-范例（2页珍藏版）》请在装配图网上搜索。
1、 基于气象条件的北京市AQI的分析与拟合探讨论文2.材料来源与方法介绍2.1 资料来源本文选用的2009年1月1日-2021年12月31日北京市空气质量指数（AQI）和同期常规地面气象观测资料。气象资料包括平均/最高/最低气压、平均/最高/最低温度、平均/最大风速、相对湿度、24h降水量、日照时数等主要气象要素，污染数据包括逐日AQI值、污染等级、首要污染物等。气象数据来源于中国气象科学数据共享服务网，污染数据来源于中华人民共和国环境保护部数据中心。2.2 方法介绍基本思想是：对全部因子按其对因变量影响程度大小，从大到小地依次逐个地引入回归方程，并对回归方程当时所含的全部变量进行检验，看其是否
2、仍然显著，如不显著就将其剔除，直到回归方程中所含的所有变量的作用都显著时，才考虑引入新的变量。直到最后再没有显著因子可以引入，也没有不显著的变量需要剔除为止。3.结果3.1 数据的描述性统计结果、年际变化与季节分布所用空气质量指数与气象要素的基本分布特征。可知北京三年的AQI平均值为83.74，四分位数间距为40；平均气温13.15，平均相对湿度50.38，平均风速2.23m/s。各项数据的频率分布直方图，由图可见，除最低气压外所有数据都不符合正态分布，故下文中统一采用Spearman相关分析，而非一般的Poisson相关。以AQI=100（轻微污染下界）为分割划分空气污染日与优良日，分别将空
3、气质量指数与气象条件做相关，结果分别见表4、表5所示。同时发现在污染日，首要污染物全部为可吸入颗粒物。在双侧置信度为99时，相关性是显著的；*表示在双测置信度为95时，相关性是显著的。3.3 AQI的拟合方法研究分别试采用线性拟合的逐步回归法，非线性拟合的傅里叶级数法与广义相加模型来拟合污染指数的时间序列，并比较各种方法的优劣。分月回归公式见表7，其中14月、710月与12月公式中各项均通过了显著性水平为0.05的检验，6月、11月的回归公式不显著，5月无法输出拟合公式，说明气象要素在5月对污染指数的影响较小。在所有显著的回归方程中，可决系数R2由大到小排序为1月2月10月7月3月8月9月12
4、月4月，最大R2=0.458，最小R2=0.108，拟拟合效果一般。北京市2009-2021年逐日空气质量指数的时间序列图见图4，可见AQI值存在一定的波动性与周期性，极大值处于每年的春、冬季，在大的周期上叠加着繁多的细小波动。图5所示为逐日AQI值的频率谱密度，发现曲线整体波动幅度较大，且线条下降幅度不够明显，说明逐日数据并没有明显的主周期，而是众多不同周期的波叠加而成，并且这些波的解释方差没有明显差别。而傅里叶拟合需要首先确定时间序列的主要周期，故逐日AQI值并不适宜用Fourier级数来拟合。故以下将分别进行AQI月均值与旬均值的Fourier级数拟合。4. 讨论在所有影响空气质量的因素
5、中，气象因素是极其重要与直接的条件之一，通常来讲，风速、降水对空气质量具有立竿见影的作用，但以逐日AQI与气象要素的相关关系来看，温度对空气质量指数具有明显的指示性。这并不是说气温与空气质量存在直接的因果关系，而是以温度作为某种“指示剂”或者“标志”，可以代表不同季节/月份的综合天气状况（不同的天气型对应不同的温度范围），那么某时段特定的天气下空气质量指数的变化一般是相似的。一年不同的时段对应的温度不同，天气状况也迥然不同，那么扩散条件必定有所差异，只有了解了污染与气温之间的关系，就可根据温度实况与前几日的变化趋势、结合天气预报对未来的污染指数进行分析预报。本文在研究不同月份AQI与气象要素关系的基础上，创新性地将Fourier级数与GAM模型引入空气质量指数的拟合与分析中来，对逐月和逐旬AQI的拟合准确度分别达到R2=0.921和R2=0.627，这是常规的线性拟合无法达到的，问题的根源就在于污染指数与气象要素之间复杂的非线性关系（图9图10）。本文初步但是较为系统地得出了不同温度段下的AQI与日平均气温的非线性关系，在此仅为相关研究提供参考和一种新的思路，还可做更加深入的探讨与分析。
基于气象条件的北京市AQI的分析与拟合探讨论文-范例
