基于时间序列方法与逐步回归方法的PM2.5细颗粒物的分析研究

作     者：谭秀丽 

作者单位：华中农业大学 

学位级别：硕士

导师姓名：杨勇

授予年度：2019年

学科分类：07[理学] 070602[理学-大气物理学与大气环境] 0706[理学-大气科学] 

主      题：PM2.5 时间序列 ARMA模型 逐步回归 变化特征 

摘      要：随着经济的快速发展,对环境释放的污染物逐渐增加,影响人类的健康和生存。近年来,频繁发生PM2.5污染事件,逐渐引起人类的重视,对PM2.5以及环境污染事件更为关注,也成为众多学者的研究对象,从PM2.5化学组分、变化特征、污染来源等多方面进行分析研究。本研究利用2016年湖北省全年51个监测站点的空气质量监测数据以及气象数据,运用时间序列分析方法以及逐步回归方法,对湖北省各个城市PM2.5浓度数据进行建模,将时序方法运用于PM2.5数据,分析模型拟合效果,运用逐步回归方法分析气象要素与PM2.5的关系。本文研究主要结论如下:（1）湖北省各个城市PM2.5浓度月变化、日变化、季节变化特征基本一致,PM2.5浓度高峰值集中在一月和十二月,六月、七月和八月PM2.5浓度处于低值时段,全年PM2.5浓度从一月先是逐渐降低,至七月PM2.5浓度达到全年最低,后PM2.5浓度在八月、九月有所上升,十月又降低,十一月和十二月浓度再次上升;各市的PM2.5浓度日变化特征基本一致,PM2.5浓度变化平缓,呈现明显的双峰型分布。凌晨时分PM2.5浓度缓慢的减少,6:00左右PM2.5浓度又逐渐增加,在日间的12:00出现第一个高峰,随后PM2.5浓度再次缓慢降低,在傍晚17:00或18:00左右出现一个低谷区,夜间PM2.5浓度再次逐渐升高,在23:00出现出现第二个小高峰;各市的PM2.5浓度季变化特征基本一致,呈现冬季春季秋季夏季的趋势,个别城市出现秋季浓度高于春季的现象。（2）各个城市PM2.5浓度模型拟合效果基本一致,在PM2.5浓度高值时间段,模型拟合效果不理想,在低值时段,模型拟合结果与实际值相差较小,较为理想;PM2.5浓度平缓变化的时段,模型拟合效果好,变化程度较大的时段,模型拟合效果较差;各个城市PM2.5浓度模型拟合效果大致相同,PM2.5浓度平缓变化的时间段拟合效果好,说明时间序列模型适用于平缓变化的数据分析;时序方法预测PM2.5浓度的相对误差会随着预测天数的增加而增加,同时天气因素对PM2.5浓度的预测结果有很大影响,进一步降低预测精度。（3）各个城市的气象要素对PM2.5浓度的影响程度各不相同,个别城市的拟合效果不理想,总体来说,风速对PM2.5浓度的影响程度最大,其次是气温、气压、湿度和日照。