论文部分内容阅读
可吸入颗粒物PM10是大庆市大气中首要污染物,为了更好的反映出PM10的污染变化规律、加强污染防治工作和预防严重污染事件的发生,及时开展PM1o污染预报工作意义重大而深远。本文以2008年1月1日至2010年6月30日的全市PM1o逐日API值和对应的逐日气象数据资料为基础,对大庆市PM1o污染预报进行了研究。首先采用概率统计方法分析了大庆市PM1o污染的年度、季节、月的污染变化特征及趋势,重点对采暖期与非采暖期进行比对分析,对沙尘暴的影响、过年期间烟花爆竹的影响进行了单独分析,并且探讨了污染变化的成因。其次通过对大庆市近年来的气象要素数据进行统计分析,总结出各季节气象因子的变化规律和PM1o污染高值日气象因子变化规律,以便从中找出PMlo污染与气象因子之间的关系。同时采用SPSS软件对PM1o污染指数与气象因子之间的相关性进行了分析,初选出对PM1o污染影响显著的气象要素,作为后续进行PM1o污染预报的依据。最后在初选因子的基础上利用逐步回归法和主成分分析法进行了相关因子的精选,并分别建立了大庆市四季PM1o污染的多元回归预报模型和B-P神经网络预报模型,同时对这两种模型的预报准确率进行了检验和比对研究。得出多元回归模型对四季PM1o污染的API值的预报准确率分别为73.9%、77.6%、77%、79.7%,预报的精确度评分分别为76.8、82.3、80.7、83.3。B-P神经网络模型对四季PM1o污染的预报准确率分别为77.9%、83.2%、75.9%、81.6%,预报的精确度评分分别为83.6、86.6、81.5、84.6。由此可见,本文所建立的两种大庆市PM10污染预报模型都可以满足实际预报的需要,但B-P神经网络所建立的污染预报模型要比传统的统计方法拥有更好的预测能力,这也反映出B-P人工神经网络在处理大气污染预报这类有着较强非线性变化特点的问题时具有明显优势。