论文部分内容阅读
PM2.5是指空气中粒径￡5.2mm的细小颗粒物,它是我国目前出现雾霾现象的首要成因。若对PM2.5浓度值在模型上有很好的预测,便可通过利用人工降雨或降雪等方法减少污染。本论文以乌鲁木齐市为例,首先通过方差分析得到,风速风向、天气情况的不同均对乌鲁木齐市PM2.5浓度有显著性的影响。利用添加虚拟变量的方法对风速风向、天气情况提取因子,将因子作为新的变量带入预测方程,通过性能指标的检验得出,此模型预测的误差相对较小,但此模型更适合半年内的短期预测。其次,通过建立PM2.5浓度变化的分子扩散模型得到,温度和风速的升高加速PM2.5微粒的扩散,相对湿度的降低减慢PM2.5微粒的扩散。再次,通过相关因素分析表明,户外PM2.5与10PM、CO、2NO和2SO的相关程度较高的。利用时间序列分解得到PM2.5浓度的稳定和不稳定部分,ADF检验得到稳定部分是一个平稳的过程,对平稳部分利用指数平滑模型预测PM2.5浓度,得到最合适的平滑指数是0.32。利用主成分回归（PCR）模型预测PM2.5浓度的不稳定性成分,得到预测结果2R值为0.803,说明不稳定成分的预测值可以解释不稳定成分的80.3%。而后,利用5种性能指标检验模型,结果表明该模型方法预测效果较好,有一定的实用价值。最后,由于PM2.5同2SO协同作用对人体的危害性,及PM2.5近十年的数据缺乏性,本文以2SO的排放来刻画PM2.5浓度的动态增长。通过对乌鲁木齐2SO排放的三种因素的分解,讨论PM2.5浓度增速得出:1)GDP冲击、城市化人口水平冲击表现为近似反向的现象,大约在第10期对2SO排放增速的影响0,使得2SO冲击总是比GDP、城市化人口冲击滞后一期;2)在讨论PM2.5浓度增速的影响因素中,归结于GDP增长的比重约为11.2%;3)通过回归模型得到,GDP增速对PM2.5浓度增速的边际效应为2.280,人口增长对PM2.5浓度增速的边际效应为12.293。此外,除了GDP、人口单一效应的的影响外,2009年之后政府响应国家政策进行宏观调控,在此后阶段2SO排放有所减低。最后,通过模型的检验验证了模型的合理性。