论文部分内容阅读
经济高速发展随之而来的污染问题不容忽视,PM2.5浓度也成为人们关注的问题。本文利用辽宁省14个城市环境监测站点2015年1月1日~2017年12月31日三年逐小时PM2.5浓度资料以及对应气象站的地面气象要素资料,研究了辽宁省PM2.5浓度的时空变化特征,分季节分析各气象要素与PM2.5之间的相关关系,在此基础上建立逐步回归模型和BP人工神经网络模型分别对PM2.5浓度进行预测。研究主要结论如下:(1)辽宁省时空分布研究表明:2015-2017年PM2.5浓度呈下降趋势,四季浓度为冬季>秋季>春季>夏季。2015年月平均浓度在30~98μg/m~3之间;5~9月份PM2.5月均浓度较低,1~4月份、11~12月PM2.5月均浓度较高,11月份PM2.5浓度最大(98μg/m~3),9月份PM2.5浓度最小(30μg/m~3)。2015年辽宁省PM2.5浓度最高的是辽宁中部地区,其次是辽宁西部地区和辽宁东北部地区,辽宁东南沿海地区PM2.5全年都要低于辽宁省其他地区。(2)辽宁省特殊时期PM2.5浓度研究表明:2015年辽宁省采暖期浓度均高于非采暖期,其中营口市采暖期PM2.5浓度为非采暖期的1.3倍,采暖期燃煤量增加会导致PM2.5浓度升高。2015年过年期间初一到初七PM2.5浓度明显高于平日,在2016年和2017过年期间PM2.5浓度虽然高于平日,但是也要低于2015年PM2.5浓度。(3)通过辽宁省PM2.5浓度与气象要素相关关系分析得出春季主要影响因子为:平均地表温度、日最低地表温度等;夏季主要影响因子为:平均地表温度、日最低地表温度、日最高地表温度等;秋季主要影响因子为本站气压、日照小时数、前一日PM2.5浓度等;冬季主要影响因子为:日最低地表温度、平均相对湿度、日照小时数等。(4)对辽宁省四个区域的代表城市建立逐步回归分析模型。四个城市各季节PM2.5浓度预测值与真实值之间的平均相对误差分别为33.4%、32.5%、32.7%和31.8%,平均绝对误差为12.4μg/m~3、10.6μg/m~3、14.6μg/m~3和20.5μg/m~3。均方根误差为2.3μg/m~3、2.0μg/m~3、2.7μg/m~3、3.9μg/m~3。逐步回归分析建立的模型预测辽宁省PM2.5浓度春季、夏季要优于秋季和冬季。利用MATLAB软件建立相应BP神经网络模型,相对误差分别为17.2%、14.6%、18.9%、24.9%,平均绝对误差为7.0μg/m~3、4.9μg/m~3、6.0μg/m~3、11.9μg/m~3,RMSE为2.0μg/m~3、1.4μg/m~3、1.7μg/m~3、2.9μg/m~3。通过对辽宁省这两种模型精度指标进行对比,结果表明BP神经网络模型优于逐步回归模型,因此利用BP神经网络模型,能够提高PM2.5浓度预测的准确率。