本文關鍵詞：南京地區(qū)大氣顆粒物污染近況及其與相關氣象因子的關系

  更多相關文章： PM_(2.5) PM_(10) 氣象因子 逐步回歸分析模型 BP神經網絡

【摘要】：灰霾是比較嚴重的空氣污染現(xiàn)象,其成因雖然非常復雜,但是主要元兇是可吸入顆粒物PM1o與PM2.5,它的演變過程與氣象因子及其他污染氣體的存在密不可分,為更好的反映其變化趨勢,本文開展了對可吸入顆粒物的特征分析、成因分析及仿真預測等工作。1、通過采集能夠代表南京地區(qū)所有區(qū)縣的13個監(jiān)測點的PM2.5和PM1o質量濃度,對南京市可吸入顆粒物進行空間和時間分析,從空間分布整體來看南京市區(qū)污染程度大于市郊區(qū)并大于郊縣區(qū)；研究期間內13個監(jiān)測點的PM2.5差別不大,PM10差別較明顯。春季PM2.5污染最嚴重的監(jiān)測點是邁皋橋,PM10污染最嚴重的監(jiān)測點是奧體中心,冬季PM2.5、PM10污染最嚴重的監(jiān)測點都是奧體中心。時間分布為PM10和PM2.5月平均濃度均是1月份最高、5月份最低,達標天數(shù)比例則相反：5月份最高、1月份最低；顆粒物濃度24小時變化曲線大致呈雙峰雙谷型,且冬季顆粒物濃度的變化曲線波動性及雙峰雙谷特征更明顯；同季節(jié)內PM2.5和PM10相關性很好,冬季的相關系數(shù)為0.948、春季為0.897�？缂径葧rPM2.5和PM10幾乎沒有相關性。2、通過數(shù)據采集分析PM2.5與單個氣象因子以及其他污染氣體的相關性,研究結果表明PM2.5在相對濕度達到75%左右時污染最嚴重；PM2.5與風速呈負相關關系,并且日最大風速的瞬時效應大于日均風速的持續(xù)效應；PM2.5清除量在降雨量1-5mm之間時隨降雨量增加而增大,且PM2.5清除量與PM2.5的初始濃度呈正相關,初始濃度越大,清除量也越大；PM2.5與CO、NO2、SO2等污染氣體呈明顯的正相關性,與03及能見度則呈負相關性。3、通過數(shù)據分析,分季節(jié)建立逐步回歸分析模型,定量分析PM2.5的成因,確定兩個模型分別為冬季(y1)和春季(y2)的PM2.5回歸模型：y1=-18.103+105.811xco -3.236x降雨量-2.755x最高氣溫+2.167x最低氣溫y2=-62.731+52.343xco-0.664x降雨量+0.548x相對速度-0.208x臭氧+0.220xNO2回歸模型模擬結果表明,冬季影響PM2.5濃度的顯著因子分別是CO、降雨量、日最高氣溫、日最低氣溫；春季影響PM2.5濃度的顯著因子分別是CO、降雨量、相對濕度、臭氧(8h)、二氧化氮；因此有效控制這些影響因子的濃度對減少PM2.5的濃度具有重要作用。4、采用BP神經網絡建立一種仿真預測PM2.5濃度變化的方法,借助MATLAB語言及工具箱,調用一定的函數(shù)分季節(jié)建立冬春季節(jié)BP神經網絡,篩選出與PM2.5相關性較強的其他污染氣體和氣象因子作為輸入神經元并各自進行訓練仿真,經驗證BP神經網絡PM2.5濃度仿真模型預測的真實值與仿真值符合較好,冬季仿真模型的預測準確率為80.12%,春季仿真模型的預測準確率為78.99%,絕對誤差值在-20μg.cm-3～20μg.cm-3,相對誤差在-30%～30%之內,個別監(jiān)測點超出此范圍。通過預測值與真實值對比,證明該方法在一定誤差范圍內能較好的預測PM2.5濃度。
【關鍵詞】：PM_(2.5) PM_(10) 氣象因子 逐步回歸分析模型 BP神經網絡
【學位授予單位】：南京信息工程大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：X513
【目錄】：

• 摘要6-8
• ABSTRACT8-10
• 第一章 緒論10-21
• 1.1 大氣污染10
• 1.2 PM_(10)和PM_(2.5)的定義、來源、特點及污染特征10-12
• 1.3 PM_(10)和PM_(2.5)的危害12-13
• 1.4 國內外研究現(xiàn)狀13-18
• 1.4.1 PM_(10)和PM_(2.5)的來源解析研究13-14
• 1.4.2 氣象因子對PM_(10)和PM_(2.5)的影響研究14-17
• 1.4.3 PM_(10)和PM_(2.5)濃度預測研究17-18
• 1.5 研究背景及意義18-19
• 1.6 本文的主要研究內容和技術路線19-21
• 1.6.1 研究內容19-20
• 1.6.2 研究技術路線20-21
• 第二章 南京市大氣顆粒物分布特征21-37
• 2.1 數(shù)據來源及處理方法21-24
• 2.1.1 南京地區(qū)顆粒物濃度數(shù)據來源與采集21-23
• 2.1.2 氣象數(shù)據來源及采集23
• 2.1.3. 數(shù)據預處理23-24
• 2.2 南京地區(qū)顆粒物分布特征分析24-35
• 2.2.1 冬春PM_(10)和PM_(2.5)質量濃度空間分布特征24-29
• 2.2.1.1 整體分布特征24-27
• 2.2.1.2 區(qū)域分布特征27-29
• 2.2.2 冬春PM_(10)和PM_(2.5)質量濃度時間分布特征29-35
• 2.2.2.1 PM10和PM2.5質量濃度月變化特征29-31
• 2.2.2.2 冬春季節(jié)PM10和PM2.5質量濃度日變化特征31-32
• 2.2.2.3 冬春季節(jié)PM2.5和PM10質量濃度的相關性32-35
• 2.3 本章小結35-37
• 第三章 顆粒物同單個氣象因子的關系37-46
• 3.1 PM_(2.5)與相對濕度的相關性37-38
• 3.2 PM_(2.5)與日均風速和日最大風速的相關性38-40
• 3.3 PM_(2.5)與降水量的相關性40-41
• 3.4 PM_(2.5)與能見度的相關性41-42
• 3.5 PM_(2.5)與氣壓的相關性42
• 3.6 PM_(2.5)與其他污染氣體的關系42-44
• 3.7 本章小結44-46
• 第四章 PM2.5污染的成因分析模型46-56
• 4.1 多元線性回歸的一般模型簡介46-48
• 4.1.1 逐步回歸分析的主要思路46-47
• 4.1.2 逐步回歸分析的主要計算步驟47-48
• 4.2 冬春季節(jié)PM_(2.5)逐步回歸模型48-54
• 4.3 本章小結54-56
• 第五章 南京市PM2.5濃度的BP神經網絡仿真56-72
• 5.1 神經網絡56-57
• 5.2 BP神經網絡模型57-61
• 5.2.1 評價指標的無量鋼化58-59
• 5.2.2 確定隱含層單元數(shù)59-60
• 5.2.3. 各層傳遞函數(shù)的確定60-61
• 5.3 基于MATLAB的PM_(2.5) BP神經網絡61-71
• 5.3.1 預測輸入因子的選擇61-62
• 5.3.2 模型的結構62-63
• 5.3.3 網絡訓練63-68
• 5.3.4 BP網絡仿真及檢驗68-71
• 5.4 本章小結71-72
• 第六章 結論與展望72-74
• 6.1 結論72-73
• 6.2 創(chuàng)新點73
• 6.3 展望73-74
• 參考文獻74-79
• 作者簡介79-80
• 致謝80

，

本文編號：702684