近几年来,中国雾霾天气引起了社会各界的关注。许多地区已把雾霾天气作为灾害性天气预警预报。随着经济的高速发展,能源消耗急剧增加,北京地区大气污染已经越来越严重,受燃煤排放及机动车尾气排放的污染物共同影响,细颗粒物已经成为影响北京地区空气质量的第一重要污染物。Logistic回归模型(Logistic Regression Model)是对数线性模型的一种特殊形式,为分类变量统计分析方法。Logistics回归分析方法灵活简便。累积Logistic回归模型使用所有现存的数据来评估自变量对于反应变量处于或者超过(或相反)某特定类别的对数比数比的作用。雾霾污染与气象因素之间有密切的联系,在污染源的排放相对稳定的情况下,大气对于污染物的扩散和输送能力主要取决于气象要素。大气污染物的扩散会受到风、降水、温度、湿度等共同作用的影响。本文首先收集整理北京市2016年1月1日至12月31日每三小时气象数据和PM2.5浓度数据,根据我国环境部公布的空气质量划分标准对雾霾天气的污染程度进行了分级;其次采用描述性统计分析了北京市PM2.5污染的日分布与季节分布情况,采用相关分析的方法分析了北京市PM2.5污染与各气象因素包括相对湿度、平均风速、风场等气象因素的关系;然后基于二分类Logistic回归模型建立北京市雾霾天气概率估计模型,探究北京市雾霾天气概率与季节因素和各种气象因素如气压、温度、湿度、降水量、风向等的关系。发现相对湿度及季节与雾霾天气的相关关系最强。冬季雾霾天气的发生比是夏季的2.73倍,是春天的1.6倍。相对湿度每增加10%,雾霾天气发生比较原来增加48%;最后基于累积Logistic回归模型进行北京市雾霾天气概率估计研究,基于季节与风向差异,以气象因素作为自变量,分别建立2016年北京市雾霾污染的累积Logistic回归模型,分析不同季节,不同风向下,影响雾霾天气发生的主要气象因素,同时估计不同气象因素下各级雾霾天气发生的概率。