《大气污染评价与预报模型——数学建模word格式.pdf》由会员分享，可在线阅读，更多相关《大气污染评价与预报模型——数学建模word格式.pdf（22页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、大气污染评价与预报模型数学建模 word 格式1.1.问题重述问题重述大气是指包围在地球外围的空气层，是地球自然环境的重要组成部分之一。人类生活在大气里，洁净大气是人类赖于生存的必要条件。一个人在五个星期内不吃饭或 5 天内不喝水，尚能维持生命，但超过 5 分钟不呼吸空气，便会死亡。随着地球上人口的急剧增加，人类经济增长的急速增大，地球上的大气污染日趋严重，其影响也日趋深刻，如由于一些有害气体的大量排放，不仅造成局部地区大气的污染，而且影响到全球性的气候变化。因此，加强大气质量的监测和预报是非常必要。目前对大气质量的监测主要是监测大气中SO2、NO2、悬浮颗粒物（主要为 PM10）等的浓度，研
2、究表明，城市空气质量好坏与季节及气象条件的关系十分密切。附件给出城市 A、B、C、D、E、F 从 2003 年 3 月 1 日至 2010 年 9 月 14 日测量的污染物含量及气象参数的数据。请运用数学建模的方法对下列问题作出回答：1.找出各个城市SO2、NO2、PM10 之间的特点，并将几个城市的空气质量进行排序。2对未来一周即 2010 年 9 月 15 日至 9 月 21 日各个城市的SO2、NO2、PM10以及各气象参数作出预测。3分析空气质量与气象参数之间的关系。4就空气质量的控制对相关部门提出你的建议。2.2.问题分析问题分析本题为生活中的实际问题，层层递进式提出四个问题，分别需
3、要对空气污染因素以及气象参数进行分析求解。第一问为评价性问题，先从城市内部个污染物特点出发，再到城市之间空气质量进行比较。第二问是预测性问题，通过对给出的数据进行分析，预测各项参数之后的趋势。第三问是寻找关联性问题，要求找出空气质量与气象参数之间的关系。第四问为开放型问题，可通过之前得出的结论或者相关文章及模型提出建议。2.1 问题 1通过查阅资料，运用已有的 API 对各个城市的各项污染指标进行计算，得出各个污染指数 API 月平均的折线图，观察，得出各城市各项指标的特点。鉴于求解城市 API 时有一定的误差，故选择综合评价模型，对数据进行标准化处理之后，确定动态加权函数，对模型进行求解，排
4、名。检验模型后确定结论的合理性。2.2 问题 2预测模型主要有灰色预测，时间序列等模型。由所给数据以及问题可知该预测模型为时间序列。随机选取气象参数之一气温（tem）为例进行分析，先通过SPSS 软件得到其时序图，观察其走势，对其做平稳化处理。然后以最小 BIC 为标准，构造模型，进一步应用 SPSS 软件求解，得出各项参数，并预测出 2010年 9 月 15 日至 2010 年 9 月 21 日的数据。其余各城市各污染物浓度以及气象参数应用类似方法进行求解。最后，由于 F 城市所提供数据与需要预测日期相隔较远，故只做出定性的分析预测。2.3 问题 3空气污染物与气象要素关系密切，研究的方向多
5、为相关性分析与回归分析或从理论上描述气象要素对污染物迁移扩散的影响。但是回归分析应用于处理不相关变量之间关系，而典型相关性分析能很好地解决由于变量之间相关而导致回归准确性降低的问题。并且观察原始数据发现，其中只有一组气象参数，故猜测气象参数是在其中某一个城市所采集。现应用典型相关性分析分别分析 A、B、C、三城市空气污染物SO2、NO2、PM10 与气象要素这两组数据间的关系。求出不同季节的相关系数，判定气象参数最有可能是属于哪一城市的。再对该城市进行偏相关性分析，最终得出污染物与气象参数之间的关系。该过程由 SPSS 直接完成。2.4 问题 4依据第三问所求得的气象参数和与其对应城市之间的关
6、系，分析影响各污染物浓度的主要因素，依此对有关部门提出合理的建议，以提高该城市的空气质量。3.3.数据处理数据处理对附件中数据整体浏览，将不合理的数据进行删除：2005 年 11 月 7 日的 tem为 611.5，2010 年 6 月 6 日的 mmgh 为 267.109，依据常识，该两组数据均为记录错误，故删去不予考虑3.1 问题 1对各项指标的数据进行月平均处理.以便进行模型的计算。3.2 问题 2基于数据的不完整性，只选择具有连续性的数据（2010 年 1 月 20 日至 2010年 9 月 20 日）对问题二进行分析预测。3.3 问题 3，4将一年分为春季季风季（3-5 月）和冬季
7、采暖季（11-2 月）两部分，分别进行分析。4.4.模型基本假设模型基本假设1、各组数据真实可信，且是在同一地点同一时间采集，不考虑人为因素，具有统计、预测意义。2、假设 A、B、C、D、E、F 六个城市的发展状况大体相同，即发展速度没有明显差异。3、API 指标真实可靠，所给数据具有参考统计意义。4、月 API 平均值能很好的代表该月空气质量，具有比较意义。5、对 F 城市进行定性预测时，A、F 城市发展状况基本相同，有比较价值。6、第三问中，根据数据的对应关系，假设气象参数是在 A、B、C 三城市中某一个城市所采集。5.5.符号说明符号说明APII空气污染指数某污染物的污染指数该污染物的浓
8、度在 API 分区表中最接近 C 值得两个值CC大C小I大I小在 API 分区表中最接近 I 值得两个值三项污染指标标准化值区间最小值区间最大值区间边界权重被评价指标的综合评价值城市每个城市的 Borda 数时间序列模型阶数差分阶数延迟算子均方差复相关系数xi(i 1,2,3)mjMj(j)(j)，bkakwj(x)(j 1,2,m)XSiBj(Si)XtPdBR6.6.模型的建立与求解模型的建立与求解6.1 问题 16.1.1 问题一第一部分通过查阅资料，可以找到 API，即空气质量污染指数标准，由此计算每个城市各项指标的月 API 平均值，对各项数值进行比较，得出各个城市三项指标特点。6.
9、1.1.1 各项指标月 API 平均值求解根据表一：计算各项指标的 API 值：设I为某污染物的污染指数，C为该污染物的浓度。则：I II 大小(C C小)I小C大C小式中：C大C小：在 API 分区表中最接近 C 值得两个值I大I小：在 API 分区表中最接近 I 值得两个值6.1.1.2 各城市各项指标月 API 平均值折线图图一：各城市各项指标月 API 平均值折线图6.1.1.3 结果分析整体分析图表可以看出 A、B、C、D、E 五个城市 SO2、NO2、PM10 等污染物浓度均呈现波动性并且有缓慢下降趋势。分析 A 城市数据，发现 A 城市 PM10 浓度与 B 城市差别并不显著，但
10、是观察发现 A 城市 PM10 的值在 2010 年 8 月后有所回升，这一点也可由数据得到验证。B 城市 SO2 波动性很强，但是下降的趋势并不是非常的明显，说明B 城市可能有一些周期性的污染源需要治理。而 B 城市的 PM10 波动性强有明显下降趋势，这说明 B 城市很有可能在 2010 年采取过一些相应的积极措施，使得该城市 PM10浓度在短期内大幅度下降。而 A、B 两城市的 SO2 和 PM10 数值均明显高于 NO2 的数值，且两城市污染物的波动方式相似，可粗略认为 A、B 两城市有部分工业或者结构上的相似。分析 C、D 两城市可知 SO2、NO2、PM10 浓度较平稳波动，只有
11、PM10 在个别时段有较大的起伏，而在其他时间序列内均趋于平缓变化。C、D 两城市的 PM10曲线在同一时间明显偏高，可推论在那一段时间有某些外界因素使得两个城市的PM10 数值共同上升。分析 E 城市空气污染物浓度可知，E 城市 SO2、NO2、PM10 浓度均在一定范围内平稳变化，说明该城市在所选时间段内空气质量比较平稳。由于 F 城市数据严重不足，只有从 2004 年 9 月 1 日到 2009 年 12 月 27 日的采集数据，故在 F 城市数具有统计意义的前提下，由图可知观看出 F 城月平均污染物浓度大致呈现平稳趋势。6.1.2 问题一第二部分根据问题对 API 分析发现，对于城市
12、API 值计算中，原理为取三项指标的最大值，这会造成相应的误差，故在分析第一问的第二部分时，只参考 API 的划分标准，应用综合评价模型。6.1.2.1 数据的标准化处理对所给的空气污染标准（API）进行标准化处理，记三项指标：SO2、NO2、PM10 的数值分别为x1，x2，x3。x三项指标的数据均为极小型指标（即指标值越小越好），对其指标j做标准化处理，即令：xjmjxj(1 j m)Mjmj其中mj minxij，Mj maxxij。则相应的指标值变为xij0,1，即为无量1in1in(j)纲的标准化指标，对应的分类区间ak在这里为了方便,bk(j)也随之相应的变化，(j)仍记为ak,b
13、k(j)(k 1,2K;1 j m)。（1）SO2的标准化x，m 0M 2.6211取1x1(k)，则其标准化数据为：xi10,12.62对应的分类区间为：0,0.01908,0.01908,0.05725,0.05725,0.30534,0.30534,0.610687,0.610687,0.801527,0.801527,1,1,（2）NO2的标准化x，m 0M 0.94222取x2k)，则其标准化数据为：xi(20,10.94对应的分类区间为：0,0.0851,0.0851,0.12766,0.12766,0.29787,0.29787,0.601064,0.601064,0.79787
14、,0.79787,1,1,（3）PM10 的标准化取m3 0，M3 0.6，x3x3k)，则其标准化数据为：xi(30,10.6对应的分类区间为：0,0.08333,0.08333,0.25,0.25,0.58333,0.58333,0.7,0.7,0.8333,0.8333,1,1,6.1.2 动态加权函数确定根据这一实际问题，通过对SO2、NO2、PM10 三项指标的变化关于空气质量的分析，可得其变化的规律为：先是缓慢增长，中间有一个快速增长的过程，最后平缓增加趋于最大值。此增长规律可取动态加权函数为偏大型正态分布函数，即：xj2()1ej，当x 时jwj(x)0,当x j时1其中j不妨取
15、指标xj的第一类空气质量标准的中间值，即j(b1(j)a1(j)，j2(j)由wj(4)0.9(1 j m)确定。6.1.3 综合评价模型的构建根据标准化后的评价值，不妨仍用xi表示，以及相应的动态加权函数wj(x)(j 1,2,m，)建立综合评价模型来对被评价的 6 个城市的空气质量进行评价，在此，取综合评价模型为个评价指标的动态加权和，即：X wj(xj)xjj1m其函数值X为被评价对象的综合指标值。求出权后，可将 6 个城市的三项指标求期望，定量地得出每个城市中三项指标的权值。利用附件中给出的 31 个月的较为完整的数据，计算可得 ABCDE 五个城市的空气质量评价性指标，即可得到一个综
16、合评价矩阵(Xij)531，其结果如下：12345678910111213141516171819202122232425262728293031A0.4764250.3814910.7022620.92971.3730170.8774670.2717820.6860751.0637050.5641210.3140580.4358230.5015830.2844650.2359340.3989590.4244510.4583630.4569190.4460590.8682740.8345790.4032060.2802250.3417580.3084620.3803150.3136840.35
17、11240.2283740.346638B0.3034380.4989851.286470.6873111.9207871.3154380.915161.0585760.3413970.2177480.356610.593150.7723060.3008340.0946310.2932230.5050050.5407730.2214360.355020.6256851.3243650.6072390.2928260.2738460.3776460.0909870.257940.2870370.0541590.056442C0.6987870.5563591.4847061.5288221.26
18、99570.9288150.7509460.7892711.0435050.7368110.110280.0831480.5023270.1823680.0513890.1307230.2630.2326420.0336830.2940020.2067860.7750480.4911270.3020210.4233430.2340130.2555490.2598550.4337940.3776450.556944D0.3025690.3591340.8224861.2069632.557661.4700420.6682370.8510671.0675410.4828380.6601730.97
19、02070.7664940.3075140.1260330.3720760.5233190.4924520.1401790.1979431.1649871.9536691.0287860.5281110.7139290.4308490.5380020.5351640.5403330.1071610.188923E0.4018870.4975561.3633831.234131.4181371.0016210.379030.8055931.0273580.8781220.2966280.7820540.6475170.6508540.177280.4272880.4460480.2610070.
20、3074730.1354360.9633721.4112691.0241630.6310150.6605840.3779890.3453460.1747780.4451410.1212650.296768表二：ABCDE 五个城市综合评价矩阵同时，利用附件中给出的 4 个月(2004.9 至 2004,12)的数据，经计算可得ABCDF 六个城市的空气质量评价指标，得到矩阵(Xij)54，结果如下。1234A0.9162591.6666941.5131271.125178BCDF1.2027821.145531.2300840.3787361.6645661.7000761.6942190.5
21、3272.1338451.463162.5792710.2409241.7016271.7520492.3861440.509968表三：ABCDF 五个城市综合评价矩阵6.1.4 综合评价结果排序方法根据上表和表中的数据，根据其大小（即反映空气质量的高低程度）进行排序，数值越大，说明其空气质量越差。编写C 语言程序，对其进行排序。排序结果见附录一。利用决策分析中的 Borda 函数方法来确定综合排序方法，记在第j个排序方案中排在第i个城市Si后面的站点个数为Bj(Si)，则城市Si的 Borda 函数为B(Si)Bj(Si)(i 1,25)j1n经计算，各城市 Borda 数及总排名如下AB
22、CDE 的 Borda 数为：ABCDF 的 Borda 数为：6.1.5 评价结果及排序ABCDE 的空气质量排名为：CABEDABCDF 的空气质量的排名为：FABCD6.1.6 模型的验证鉴于 API 数值有一定的实际应用价值，故应用其对综合评估模型进行验证。通过对各个城市每月的 API 进行计算，运用相同的 C 语言程序对其进行排名结果见附件一。运用 Borda 算法，对多个序列进行排序，最后排出城市总体空气质量排名，对模型进行验证得出结论为：ABCDE 五个城市 API 的 Borda 数为：ABCDE 五个城市的空气质量排名为：CBAEDABCDF 五个城市的 API 的 Bord
23、a 数为：ABCDF 五个城市四个月的空气质量排名为：FABDC权重排列与 API 排列只有一个次序的不同，观察 Borda 数可发现，次序不同的两个城市 Borda 数字基本相同，故可说，模型合理，权重得出的排序结论有一定参考意义。6.2 问题 2F 城市所给数据时间与需预测时间相距甚远，若强行预测出趋势变化，没有实际参考意义，故在对 F 城市进行预测时，只做定性的说明。随机选取气温为例建立 ARIMA 模型，其余各城市参数即气象参数 yingyon可求的。模型的建立与求解依靠 SPSS 软件。6.2.1 模型的建立与检测（对除 F 以外的数据预测适用）考虑数据的连贯性，选取 2010.1.
24、20 日至 2010.9.14 日数据进行时间序列分析，应用 SPSS 软件作出时序图，进行时间序列的验证，如下：图二：气温时序图气温的自相关系数图和偏自相关系数图见附件二由气温时序图明显可知该序列具有上升趋势，为消掉上升趋势，作差分处理。图示为作一阶差分后所得序列图，观察可知该序列比较平稳。图三：一阶差分之后的气温时序图为进一步验证平稳性，考察差分后序列自相关图。图四：一阶差分后气温时序残差自相关系数图自相关图显示序列有很强的短期相关性，所以可以初步认为一阶差分后序列平稳。考虑 ARIMA（p，d，q）模型，并以最小标准化 BIC 为指标，应用 SPSS 软件可构造出 ARIMA（0,1,2
25、）模型，即(1B)Xt(11B2B)t这就是说Xt是 1 阶齐次非平稳序列，一次差分后适合 MA（2）模型。运用 SPSS 求出参数如表：ARIMAARIMA 模型参数模型参数a aTREND(tem)-模型_1TREND(tem)无转换差分MA滞后 1滞后 2估计1.360.271SEtSig.061.0615.8844.438.000.000表四：ARIMA 模型参数t 检验合格。均方误差 3.867，绝对误差为2.907，BIC 2.749，复相关系数R2 0.913从结果来看，1，2都通过了显著性检验，数值拟合的误差比较小，进一步考察拟合误差得到的自相关系数及偏自相关系数图可知它们不在
26、具有相关性，说明该模型是合理的。图五：拟合误差自相关系数及偏自相关系数图最后得到的模型为Xt(10.360B0.271B2)Zt，其中ZtWN(0.3.8672)该模型可进一步化简为：Xt Xt1Zt0.360Zt10.271Zt2其中ZtWN(0.3.8672)我们对 2010 年数据进行预测，部分抽样结果如下表：tem观察值与预测指表19.45718.34319.93720.51420.12620.24620.36620.48620.60620.726表五：2010 年气温预测抽样表绘制原始数据及预测数据图，虚线右边中间数据为预测数据，虚线右边上面数据为 95%的置信上限，下面数据为 95
27、%的置信下限。真实值预测值真实值预测值真实值预测值真实值预测值真实值预测值真实值预测值真实值预测值-3.73-13.4-3.73-7.09-6.29-8.36-7.3-4.54 0.63-8.15-5.9-6.83-8.981.872-4.9513.74 1.5428.42 11.3418.71 19.518.06 18.9718.28 20.06-12-11.5-4.73-7.011.717-2.66-4.2-5.03-1.253.29917.6419.1321.52-12.1-9.5-7.92-5.81.13-1.7-7.27-3.29-0.153.19519.6517.99-7.33-1
28、1.2-9.77-7.876.196-1.13-13.8-6.174.0212.33620.9619.53-11.1-7.83-9.87-8.510.852.869-8.77-106.4584.43723.1319.98-10.3-11.1-6.52-8.846.7615.9690.125-6.9412.725.27216.6121.63-3.56-9.62-6.02-6.915.8044.1312.313-2.6520.869.58816.2517.39-6.5-5.84-2.06-7.012.375.0011.109-1.4618.5614.8316.0218.12-8.81-8.061.
29、25-4.011.7612.7693.326-1.2315.1513.9519.0517.07图六：ARIMA 模型拟合与观察数据数据时序图6.2.2 模型的求解我们用该模型对 2010 年 9 月 15 日至 2010 年 9 月 21 日七天 tem 作出预测，结果如表：预测模型tem-模型_1预测UCLLCL 23920.51427.96913.059 24020.12628.96511.287 24120.24629.39311.099 24220.36629.81210.920 24320.48630.22110.750 24420.60630.62210.589 24520.726
30、31.01510.436表六：七天温度预测表6.2.3 各项指标的求解类似于温度预测的分析求解过程，分别对 A、B、C、D、E 五个城市的各项污染物浓度以及气象参数进行预测，结果如下：BCSO2PM10SO2NO2PM10SO2NO2PM109月15日 0.0278840.058523 0.017964 0.03537 0.049419 0.020577 0.031074 0.0505599月16日 0.0278250.062641 0.020553 0.032952 0.04904 0.019553 0.027453 0.0501629月17日 0.0277940.060487 0.0203
31、22 0.030961 0.049320.01902 0.027453 0.0463239月18日 0.0277790.051393 0.02201 0.029322 0.049199 0.019262 0.027453 0.0472479月19日 0.0277710.04204 0.023485 0.027972 0.049109 0.019159 0.027453 0.0485839月20日 0.0277670.032722 0.024206 0.026861 0.049117 0.021182 0.027453 0.0515939月21日 0.0277650.05548 0.024968
32、 0.025947 0.049103 0.022795 0.027453 0.051294ESO2PM10SO2NO2PM10mmghtemrhws9月15日0.017540.077734 0.00952 0.024418 0.070989 665.9398 20.51405 49.69663 1.1522959月16日 0.0131120.06983 0.010754 0.024925 0.06621 665.9398 20.12596 49.11261 1.1694179月17日 0.0141190.07326 0.011182 0.025106 0.064929 665.9398 20.
33、24591 48.79514 1.1522959月18日 0.0163090.072759 0.011338 0.025171 0.0739665.9398 20.36587 48.62257 1.1890779月19日 0.0160170.072732 0.012988 0.025194 0.071194 665.9398 20.48582 48.52875 1.1824219月20日 0.0200730.083184 0.014894 0.025202 0.076506 665.9398 20.60577 48.47776 1.1731369月21日 0.0162260.078374 0.
34、012721 0.025205 0.076614 665.9398 20.72572 48.45004 1.177048表七：各城市各项指标预测值6.2.4 对于 F 城市的定性分析从前一问可以看出，整体城市空气质量排序中，F 城市是好于 A 城市的，在F 城市的数据中，只有 2004 年 9 月 15 日至 21 日。（1）绘制 A 城市 2004 年 9 月 15 日至 21 日与 F 城市 2004 年 9 月 15 日至 21日时期三项指标的比较图ANO20.0260580.024120.0234890.0232830.0232160.0231940.023187DNO20.01320
35、40.013020.0129780.0129680.0129660.0129660.012965图七：A 城市与 F 城市在 2004 年三项指标比较图从图上看出，A 城市与 F 城市在 2004 年 9 月 15 日至 21 日三项指标走势在很大程度上有一定的相似性。（2）绘制 A 城市 2004 年 9 月 15 日至 21 日与 2010 年 9 月 15 日至 21 日三项指标的整体比较图：图八：A 城市在 2004 年与 2010 年三项指标走势图由图可以看出，三个指标的走势在两年里面没有明显地统一趋势，故对F城市只定性说明：在 2010 年时三项指标均明显低于 2004 年。6.2
36、.5 对于 F 城市的预测因 2010 年与 2004 年的指标走势没有明显线性关系，所以只能定性的分析：F 城市污染物各项指标在 2010 年 9 月 15 日至 21 日的测量数值均低于 2004 年同期，即 F 城市的空气质量提高，且优于 A 城市。6.3 问题 3选取 A、B、C 三城市，分别运用典型相关性分析，对气象参数（大气压 mmgh，温度 tem，风速 ws，湿度 rh）及各项污染物浓度进行分析，判断气象参数的城市属性，再对此城市进行偏相关性分析，得出结论。整个过程由 SPSS 完成。6.3.1 典型相关性分析原理主要思路是将两组变量的相关性研究转化为两个综合变量的相关性研究，
37、这种相关称为典型相关，这两个综合指标称为典型变量。典型相关分析是基于主成分的相关分析，首先运用主成分分析，分别对两组变量抽取主成分，进而分析两组主成分间的相关性。因此，我们可以通过典型相关分析，得出 A,B,C 城中，与气象因素相关性最高的城市。（1）根据分析目的建立原始矩阵原始数据矩阵x11x12x1py11y12y1qxxxyyy2122p21222qxxxyyyn2npn1n2nqn1（2）对原始数据进行标准化变化并计算相关系数矩阵R=R11R21R12R22为第其中R11，R22分别为第一组变量和第二组变量的相关系数阵，R12=R21一组变量和第二组变量的相关系数（3）求典型相关系数和
38、典型变量1111计算矩阵A R11R12R22R21以及矩阵B R22R21R11R12的特征值和特征向量，分别得到典型相关系数和典型变量。（4）检验各典型相关系数的显著性6.3.2 典型相关性分析运用统计和分析软件 SPSS 进行典型相关分析。典型相关性分析程序：6.3.3 典型相关分析结果分析结果典型性相关性分析用来讨论在污染物浓度与气象要素两组数据之间存在何种关系。根据所给数据特征，可分为冬季和春季两时段进行分析。观察结果，可看出 C 城市的各项污染指标与气象参数的相关性最高，故，可近似认为所给气象参数为 C 城的气象参数。C 城市典型性相关分析结果如下表（其余城市结果附录三）：C C冬
39、季冬季典型相关系数1.5492.3963.199维度递减检验结果(降维检验)WilksChi-SQDFSig.1.565237.83312.000.0002.80988.1456.000.0003.96016.8712.000.000标准化典型系数第一组123cso2.217.431-1.262cno2-.743.937.956cpm10-.490-1.266-.239C C春季春季典型相关系数1.5352.3223.273维度递减检验结果(降维检验)WilksChi-SQDFSig.1.592165.44212.000.0002.83058.9946.000.0003.92524.4772.
40、000.000标准化典型系数第一组123cso2-.324.077-1.338cno2-.517-.843.898cpm101.041-.395.038标准化典型系数第二组123mmhg-.741-.426-.540tem-.124-.223-.046rh-.255-.369.933ws.665-.772.120标准化典型系数第二组123mmhg-.044-.908-.509tem.240-.621.801rh-.201.047.519ws.875.253-.121表八：C 城市典型性相关性分析结果分析：冬季的第一、二个典型相关细数分别为 0.810 和 0.534，并通过显著性检验，说明在冬
41、季污染物与气象参数两组数据间有显著的相关关系：前两个特征值加起来已经占全部特征值的 80%以上，因此取前两个典型变量进行分析即可。分析结果：两个时间尺度上（春季和冬季），污染物与气象参数存在着显著的相关关系，大气压和风速对气态污染物（NO2，SO2）有显著的影响，风速对PM10 有显著影响。温度和湿度对SO2有微弱影响。6.3.4 偏相关性分析原理偏相关性分析是指当两个变量同时跟第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程。因此，我们通过偏相关分析，分析各个气象因素对 C 城各污染物浓度的影响。偏相关性分析的工具是计算偏相关系数r12,3。计算公式：假定有三个
42、变量：x1，x2，x3，求剔除变量x3的影响后，变量x2和x1之间的偏相关系数r12,3：r12,3r12r13r231r1321r232其中，r12表示变量x1与变量x2的简单相关系数。r13表示变量x1与变量x3的简单相关系数。r23表示变量x2与变量x3的简单相关系数。显著性检验公式：t r12,31rn3212,3其中，n为个案数，n3为自由度。6.3.5 对 C 城市进行偏相关性分析运用统计和分析软件 SPSS 进行偏相关性分析，结果如下：C 冬季SO2NO2PM10相关系数显著性水平相关系数显著性水平相关系数显著性水平C 春季SO2NO2PM10相关系数显著性水平相关系数显著性水平
43、相关系数显著性水平mmgh.245.000.345.000.456.000tem.013.786.036.461.111.023rh-.121.013.080.103.141.004ws-.316.000-.457.000-.321.000mmgh.287.000.273.000.182.001tem-.085.128.130.020.150.007rh-.088.114.028.614-.115.040ws-.131.019-.248.000.358.000表九：偏相关分析各项相关系数分析：冬季分析：冬季SO2与风速的相关系数为-0.316，呈现负相关，即风速越大，SO2浓度越低。NO2与大
44、气压和风速明显相关，NO2与大气压正相关，即大气压越高，浓度越高，其与风速的关系和SO2相似为负相关。PM10 与大气压正相关，与风速负相关。春季分析：整体相关性不明显，SO2与大气压为微弱的正相关，NO2与大气压和风速均为弱相关，PM10 与风速正相关。说明，风速对可吸入颗粒起扩散作用，而且，大风天容易产生沙尘天气，加重污染。6.3.6 分析结论冬季时，风速和污染物（PM10、SO2、NO2）有显著的负相关，即风速越大，污染物浓度越低，大气压与NO2、PM10 呈现正相关，即大气压越高，污染物浓度越高。春季部分指标相关性不明显，气态污染物（SO2、NO2）均与风速呈现弱相关，而 PM10 与
45、风速正相关，即风速越大，PM10 的浓度越高。6.4 问题 4通过对第三问的结论进行分析，给出合理的建议。6.4.1 分析要改善大气环境质量，一方面，由于SO2、NO2与空气水平流动（风速）、垂直流动（气压）有相关性，因此要在城市用地规划与总体规划中考虑大气输送、扩散等自然通风条件对用地布局的影响。例如，将大型污染工厂企业移出城市生活区等。另一方面要通过合理的规划措施来改善城市的局部气候环境，以减少或避免由于工业布置不合理引起大气污染物往市区及其周围累积、迭加。如根据城市气象条件，掌握城市风、气温及其天气形势的变化规律，结合地形和其他自然条件，以及城市设施热量散发状况等，对城市工业区、城市道路
46、、城市建筑和绿地等进行合理的布局。6.4.2 具体建议（1）推行清洁能源，降低原煤消耗所占的比例。特别是在冬季供暖季节，改造居民采取烧煤取暖的状况，努力扩大天然气、煤气等清洁能源消费量，强化能源节约。（2）加强工业污染的防治，以循环经济模式发展工业经济。如：加强大型火电厂的脱硫、除尘以及低氮燃烧等措施。（3）调整工业企业的合理空间布局，将城区的大气污染企业按照产业特点分别进驻各类特色工业园区，在搬迁过程中实现技术升级和改造。加强工业污染源的监管力度，对重点工业污染源实行在线监测。（4）加强以建筑扬尘、道路扬尘为主的扬尘污染控制，建立健全的控制扬尘污染的长效机制。加强道路冲洗和机械化吸尘作业，增
47、加改性沥青路面比例，严格和规范施工扬尘、建筑渣场管理。（5）加强城市绿化，对裸地实行绿化硬化和植树种草，修建绿化带和组团绿化隔离带，增加公共绿地面积，制定合理的城市绿化方案。（6）加强机动车尾气污染治理，消除机动车冒黑烟现象。严格执行机动车维护、改造、报废制度。7.7.模型的评价及推广模型的评价及推广7.1 模型的评价问题一采用动态加权函数模型，充分的考虑了每一个因素的每一属性所存在的差异，增加了综合评价的客观性和科学性。问题二运用时间序列，很好地解决了具有时序性，随机性，前后时刻具有相依性，呈现某种趋势，或周期性的数据序列，并能够做出准确的预测。问题三，典型相关性分析解决了传统多元统计中，只
48、能分析一个变量与多个变量之间关系的问题，实现了两组变量间的分析，可以很好的解决某些组合相关性很高的问题。其缺点为：局限于两组变量的分析，要求两组变量都是连续变量，其变量都必须服从多元正态分布。偏相关性分析很好地解决了当两个变量同时跟第三个变量相关时，它们之间单独影响的相关性。7.2 模型的推广动态加权综合评价方法也可用于水质综合评价这一类的问题，在军事和经济等领域的很多综合评价问题，动态加权综合评价方法都有推广的价值。时间序列分析模型可应用于更为复杂的时间序列预测，如存在季节性的旅游人口问题。典型相关分析和偏相关性分析有些许的类似之处，都可应用于评价，寻找关系一类的题目，例如分析城乡收入差距的
49、主要因素等问题。8.8.参考文献参考文献【1】韩中庚，数学建模方法及其应用，北京：高等教育出版社，2009.6【2】肖华勇，实用数学建模与软件应用，西安：西北工业大学出版社，2008.11【3】范正绮，数据分析方法，上海：上海财经大学出版社【4】王晓银，周保平，数学建模与数学实验，北京：科学出版社，2010.2【5】黄润龙，数据统计与分析技术SPSS 软件实用教程，北京：高等教育出版社，2004.7【6】肖枝洪，郭明月，时间序列分析与 SAS 应用，武汉：武汉大学出版社，2009.1附录一：ABCDE 五个城市权重的大小排序结果：ABC1s4s2s52s4s1s53s1s4s24s2s1s45
50、s3s1s56s1s3s57s1s5s48s1s3s59s2s5s310s2s4s111s3s5s112s3s1s213s1s3s514s3s1s215s3s2s416s3s2s417s3s1s518s3s5s119s3s4s220s5s4s321s3s2s122s3s1s223s1s3s224s1s2s325s2s1s326s3s1s227s2s3s528s5s2s329s2s1s330s2s4s531s2s4s5ABCDF 五个城市四个月权重的大小排序结果：ABC1s5s1s32s5s2s13s5s3s14s5s1s2ABCDF 五个城市四个月 API 的大小排序结果：ABC1s5s1s4