论文部分内容阅读
PM2.5目前是我国大部分城市影响空气质量的主要污染物之一,PM2.5质量浓度受到气象条件影响较大。本文主要以2015年1月-2018年12月PM2.5日均监测数据与日均气象数据为基础,探究哈尔滨市PM2.5浓度与五种主要气象要素间(日平均气温、相对湿度、风速、降水量、日照时数)的相关关系,并分别选择日均PM2.5浓度为因变量,选择每日气象数据中的日照时数,相对湿度,气温,最大风速,均风速,降水量,总云量,低云量和气压等气象要素为自变量选择用多元线性回归模型、逐步回归线性模型、主成分模型以及偏最小二乘法模型四种模型,通过比较R方大小来进行选择拟合最好的模型,实现对日均PM2.5浓度的预测。主要研究结论如下:(1)从时间分布上看出哈尔滨市日均浓度变化特征呈锯齿状,PM2.5浓度高于二级标准的24小时平均浓度限值的日数很多,空气条件变差由冬季供暖期使用大量煤炭产生的颗粒物进入空气造成的;哈尔滨市1月PM2.5质量浓度值相较于其他月份最高;2015年是PM2.5年平均质量浓度最高的一年,2018年相比最小,按季节划分,峰值发生在2015年的冬季而2018年的夏季为最小。从空间分布来看2015年-2018年哈尔滨市在黑龙江省地级市中PM2.5质量浓度最高,最小值为大兴安岭地区。(2)在与其他指标相关性分析得出,春季:PM10和SO2具有相关性,呈正相关且相关性较高,NO2、CO和O3-h8不具有相关性;PM10和SO2对细颗粒物的贡献率很高,主要受采暖期燃煤产生的废气影响;夏季:PM10和O3-h8呈相关性,呈正向关联性,但O3-h8与细颗粒物相关性较弱,CO、SO2和NO2不具有相关性;夏季VOCs的光化学反应强烈;秋季:PM10、SO2、CO和NO2具有相关性,呈正相关性关系,O3-h8不具有相关性;冬季:PM10、SO2、CO、NO2和O3-h8具有相关性,且O3-h8呈负相关,其他为正相关。(3)哈尔滨市春季的时候,风速对PM2.5浓度值调节作用最强,气温、风速和日照时数呈负相关,能够削减PM2.5浓度值;夏季的时候气温对PM2.5浓度值调节效果最强。气温与PM2.5浓度呈正相关,而相对湿度和风速可以改善,气温、风速和相对湿度与PM2.5有一定的相关;降水量总体上相关性不显著,但降水量大的时候可以调节PM2.5浓度值;秋季主要影响因素是气温。气温、相对湿度、日照时数和降水量与PM2.5具有相关性,且呈负相关,风速对PM2.5浓度无改善效果。冬季气温、风速和相对湿度对PM2.5的浓度值起主要调节作用。气温、日照时数、降水量、相对湿度和风速与PM2.5的相关性显著,气温、日照时数、降水量和风速和PM2.5浓度为负相关,相对湿度呈正相关。(4)建立线性回归模型。进行了均PM2.5浓度的多元线性回归模型、逐步线性回归模型、主成分模型、偏最小二乘法模型这四种模型的建立并运用检验比较拟合程度的大小。经比较得出偏最小二乘模型拟合最好,能够改良多元线性回归及逐步回归中或许出现的单因素数据显示不显著情况,拟合程度来看要比主成分分析更好,可以对未来短时间内的浓度值估算,有利于找出变化异常的时间点。