市域PM10污染研究

前言：本站为你精心整理了市域PM10污染研究范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。

本文作者：张瑜1王晓涛2作者单位：1.浙江传化集团2.陕西省环境科学研究院

大气污染是由于人类活动或自然灾害造成某些污染物质进入大气中，对空气环境质量及人类身体健康造成危害的过程。大气污染物一般按种类分为两类：气溶胶状态和气体状态。此外根据污染物粒径大小也可分为“总悬浮颗粒物”和“可吸入颗粒物”。总悬浮颗粒物（TSP）指其直径≤100um的悬浮颗粒物。可吸入颗粒物（pm10）指直径≤10um的悬浮颗粒物。

1可吸入颗粒物（PM10）的危害

悬浮颗粒物的增加，一方面降低空气能见度，影响了人们的正常交通、生活，另一方面，其表面吸附许多有害物质，人体吸入后会导致哮喘、咳嗽等，造成呼吸系统疾病，严重时对肺部组织造成伤害，还可造成肺功能损害，引发心脏病及各种呼吸道疾病等。此外悬浮颗粒物还能引起眼结膜炎及皮肤炎。所以从目前来看，“致癌”，“致畸”，“致突变”是可吸入颗粒的主要危害。

2研究思路

本研究主要依据西安市大气自动监测站提供的2006年6月至2010年3月的PM10实测资料和同步气象资料开展研究。

首先，分析资料找出各季节气象因素变化规律及特征，对量化因子（湿度、气压、风速、辐射量、日照时数、气温等）进行统计分析，对属性因子（天气形式、总云量、能见度、风向等）开展频率分析。

其次，分析PM10污染特征了解西安市PM10污染概况，研究不同时段、不同气象条件下PM10污染的年、季、月，采暖期与非采暖期的均值变化特征。

再次，从气象条件和PM10污染浓度值的关系着手，对API指数≥200的（即空气质量级别大于四级）的污染日对应的气象因子逐一进行统计，用“一元相关分析”创建PM10和各气象因素的相关性特征，绘制趋势图并计算相关系数，分析得到影响PM10污染的主要气象因子。

最后，从气象因子中筛选出与PM10污染相关性好的因子作为预报因子，用多元统计分析中的“主成分回归法”建立预报模型，并对模型进行检验。

3PM10与气象因素分析

城市中大气污染浓度虽然主要由废气污染源排放决定，但与其所在地区的气象因素也有很大关系，它在一定程度上控制着污染源的稀释、扩散及累积。所以气象变化能引起PM10污染程度的变化。PM10与各气象因子的关系是用“一元线性回归”法进行分析，创建PM10与其“一元方程”，计算相关系数。绘制“一元线性回归曲线”，得出方程和“复测定系数”R2，从而衡量各气象因子与PM10之间相关性，判定依据为：“当R>0.254时，两者显著相关，用**表示，当0.254>R>0.195时，两者相关，用*表示，当R<0.195，两者不相关”。表1为气象因子与PM10浓度的相关性（仅列出显著相关的）。

以上通过对PM10与各气象条件的相关分析，很容易看出如下结论：

3.1PM10与08风速、14风速、平均风速、08湿度、日均湿度、08气温-08露温、日照时数、总辐射量、净辐射量、08能见度、14能见度，共11个气象要素对PM10浓度变化有显著影响。

3.2PM10浓度与08气温、08湿度、日均湿度、08露温呈正相关，与净辐射量、总辐射量、14能见度、平均风速、08气温-08露温、08能见度、日照时数是负相关性。

4建立PM10预报模式

目前的西安市预报模式是用“逐步回归法”创建的，其自变量有20个气象因子，预报准确率是70%左右。本次研究使用2008年1月1日-2009年12月31日共730天的数据，在上述分析的基础上，从20个气象因子中选出08风速、日照时数、14风速、总辐射量、08湿度、平均风速、日均湿度、08气温-08露温、净辐射量、08能见度、14能见度，共11个对PM10污染贡献较大的气象要素作为预报因子来建立西安市PM10污染预报模型。用2010年1月1日-3月15日共三月74天的数据进行检验。

4.1预报模型建立

本文预报模型建立主要采用主成分回归法，先将原始数据标准化，建立相关系数矩阵，求特征根对应的特征矢量即可找出主成分，根据其贡献率选出若干主成分，再结合多元线性回归法即可建立预报模型，其具体计算步骤如下：

4.1.1将原始数据标准化。

4.1.2建立变量的相关系数阵：

R=(rij)p×p不妨设R=X′X

4.1.3求R的特征根λ1≥λ2≥≥λp＞0及相应的单位特征向量：（略）。

4.1.4写出主成分

Fi=a1iX1+a2iX2++apiXpi=1，，p

4.1.5计算主成分的贡献率，找出基本包含全部信息的主成分F1、F2、Fk。

4.1.6写出回归方程式：01122kkYFFF4.1.7用最小二乘法确定回归系数β0、β1、β2、βk。根据以上方法及步骤可计算并写出回归方程式，用最小二乘法确定回归系数，最终可得到如下预报方程。预报方程为：（略）。

4.2预报模型检验

模型建好之后，需要对其进行检验，检验包括两个方面。一是回归方程的F检验，用以检验预报方程的显著性。二是预报准确率检验，以考察预报方程的准确程度。本课题所采用的检验方法为：

4.2.1预报准确率（%）=1-|预测值-实测值|/实测值×100％

4.2.2预报级别命中率：（预报值级别与实测值相同的天数/总天数）×100%

4.2.3级别偏差=|实际级别-预报级别|使用2010年01月01日-03月15日，共74天的PM10每天实测数据进行检验。计算预报准确率。2010年1、2、3月预报值和实测值曲线见图1。本课题所建立预报模型的准确率为79.06％，级别命中率为79.7％。

5结论

5.1使用“一元相关分析法”研究气象条件对PM10变化的影响经过分析检验证明，只有08风速、日照时数、14风速、日均湿度、平均风速、总辐射量、08湿度、08气温-08露温、净辐射量、08能见度、14能见度共11个气象因子对PM10浓度变化产生显著性影响。

5.2引入对PM10浓度有较大影响的11个因子用主成分回归法建立预报模型，用2010年中前74天的PM10浓度进行检验，准确率为79.06%，级别命中率为79.7%。