关于大气污染问题的数学建模

1.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2SO 、2NO 、悬浮颗粒物（主要为PM10）等的浓度，研究表明，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2SO 、2NO 、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2SO 、2NO 、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.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2SO 、2NO 、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.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）和冬季采暖季（11-2月）两部分，分别进行分析。

4.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，灌输数据的对应关系，假设气象参数是在A 、B 、C 三城市中某一个城市所采集。

5.符号说明

6.模型的建立与求解

6.1 问题1

6.1.1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。

6.1.1.1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 I

I C C I C C -=-+-大小小小大小

式中： C C 大小： 在API 分区表中最接近C 值得两个值 I I 大小：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：2SO 、2NO 、PM10的数值分别为1x ，2x ，3x 。

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

x 做标准

化处理，即令：

'(1)j j j j j

x m x j m M m -=≤≤-

其中1min{}j ij i n

m x ≤≤=，1max{}j ij i n

M x ≤≤=。则相应的指标值变为'

{}[0,1]ij x ∈，即为无量纲的标准化指标，对应的分类区间()

()[,)j j k k a b 也随之相应的变化，在这里为了方便仍记为()

()[,)j j k

k a b (1,2;1)k K j m =≤≤L 。

（1）2SO 的标准化

取10m =，1 2.62M =，'

11 2.62

x x =

，则其标准化数据为：'

()1[0,1]k i x ∈ 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）2NO 的标准化

取

20m =，20.94M =，'

220.94

x x =，则其标准化数据为：'

()2[0,1]k i x ∈ 对应的分类区间为：

(](](](](](]()

0,0.0851,0.0851,0.12766,0.12766,0.29787,0.29787,0.601064,

0.601064,0.79787,0.79787,1,1,∞

（3）PM10的标准化

取30m =，30.6M =，'

330.6

x x =

，则其标准化数据为：'

()3[0,1]k i x ∈ 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2SO 、2NO 、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：

2

()

1()0,j j x j j j e x w x x ασαα--??->=?

?≤?

，当时

当时

其中j α不妨取指标j x 的第一类空气质量标准的中间值，即()()111

()2

j j j b a α=-，j

σ由()

4()0.9(1)j j w j m α=≤≤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i x 表示，以及相应的动态加权函数

()(1,2,)j w x j m =L ，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：

1

()j m

j j j X w x x ==?∑

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，即可得到一个综合评价矩阵531()ij X ?，其结果如下：

A

B

C

D

E

10.4764250.3034380.6987870.3025690.40188720.3814910.4989850.5563590.3591340.49755630.702262 1.28647 1.4847060.822486 1.36338340.92970.687311 1.528822 1.206963 1.234135 1.373017 1.920787 1.269957 2.55766 1.41813760.877467 1.3154380.928815 1.470042 1.00162170.2717820.915160.7509460.6682370.3790380.686075 1.0585760.7892710.8510670.8055939 1.0637050.341397 1.043505 1.067541 1.027358100.5641210.2177480.7368110.4828380.878122110.3140580.356610.110280.6601730.296628120.4358230.593150.0831480.9702070.782054130.5015830.7723060.5023270.7664940.647517140.2844650.3008340.1823680.3075140.650854150.2359340.0946310.0513890.1260330.17728160.3989590.2932230.130723

0.3720760.427288170.4244510.5050050.2630.5233190.446048180.4583630.5407730.2326420.4924520.261007190.4569190.2214360.0336830.1401790.307473200.4460590.355020.2940020.1979430.135436210.8682740.6256850.206786 1.1649870.963372220.834579 1.3243650.775048 1.953669 1.411269230.4032060.6072390.491127 1.028786 1.024163240.2802250.2928260.3020210.5281110.631015250.3417580.2738460.4233430.7139290.660584260.3084620.3776460.2340130.4308490.377989270.3803150.0909870.2555490.5380020.345346280.3136840.257940.2598550.5351640.174778290.3511240.2870370.4337940.5403330.445141300.2283740.0541590.3776450.1071610.12126531

0.346638

0.056442

0.556944

0.188923

0.296768

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54()ij X ?，结果如下。

A

B C D F

10.916259 1.202782 1.14553 1.2300840.3787362 1.666694 1.664566 1.700076 1.6942190.53273 1.513127 2.133845 1.46316 2.5792710.2409244

1.125178

1.701627 1.752049

2.3861440.509968

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i S 后面的站点个数为()j i B S ，则城市i S 的Borda 函数为

1()()(1,25)n

i j i j B S B S i ===∑L

经计算，各城市Borda 数及总排名如下

ABCDE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：CABED

ABCDF的空气质量的排名为：FABCD

6.1.6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：CBAED

ABCDF五个城市的API的Borda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2

F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2010.1.20日至2010.9.14日数据进行时间序列分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）模型，即12(1)(1)t t B X B B θθε-=--这就是说t X 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：

ARIMA 模型参数a

估计

SE t Sig.

TREND(tem)-模型_1

TREND(tem)

无转换

差分 1

MA

滞后 1 .360 .061 5.884 .000 滞后 2

.271

.061

4.438

.000

表四：ARIMA 模型参数

t 检验合格。均方误差 3.867σ=，绝对误差为2.907， 2.749BIC =，复相关系数20.913R =

从结果来看，1θ，2θ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具有相关性，说

最后得到的模型为2(10.3600.271)t t X B B Z ?=--，其中2~(0.3.867)t Z WN 该模型可进一步化简为：

1120.3600.271t t t t t X X Z Z Z ---=+-- 其中2~(0.3.867)t Z WN

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

真实值-3.73-13.4-12-12.1-7.33-11.1-10.3-3.56-6.5-8.81预测值-3.73-11.5-9.5-11.2-7.83-11.1-9.62-5.84-8.06真实值-7.09-6.29-4.73-7.92-9.77-9.87-6.52-6.02-2.06 1.25预测值-8.36-7.3-7.01-5.8-7.87-8.5-8.84-6.91-7.01-4.01真实值-4.540.63 1.717 1.13 6.19610.85 6.761 5.804 2.37 1.761预测值-8.15-5.9-2.66-1.7-1.13 2.869 5.969 4.131 5.001 2.769真实值-6.83-8.98-4.2-7.27-13.8-8.770.125 2.313 1.109 3.326预测值 1.872-4.95-5.03-3.29-6.17-10-6.94-2.65-1.46-1.23真实值13.74 1.542-1.25-0.15 4.021 6.45812.7220.8618.5615.15预测值8.4211.34 3.299 3.195 2.336 4.437 5.2729.58814.8313.95真实值18.7119.517.6419.6520.9623.1316.6116.2516.0219.05预测值18.0618.9719.1317.9919.5319.9821.6317.3918.1217.07真实值18.2820.0621.52

预测值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

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 239 240 241 242 243 244 245 tem-模型_1 预测20.514 20.126 20.246 20.366 20.486 20.606 20.726 UCL 27.969 28.965 29.393 29.812 30.221 30.622 31.015

LCL 13.059 11.287 11.099 10.920 10.750 10.589 10.436

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：

A B C

SO2NO2PM10SO2NO2PM10SO2NO2PM10

9月15日0.0278840.0260580.0585230.0179640.035370.0494190.0205770.0310740.050559

9月16日0.0278250.024120.0626410.0205530.0329520.049040.0195530.0274530.050162

9月17日0.0277940.0234890.0604870.0203220.0309610.049320.019020.0274530.046323

9月18日0.0277790.0232830.0513930.022010.0293220.0491990.0192620.0274530.047247

9月19日0.0277710.0232160.042040.0234850.0279720.0491090.0191590.0274530.048583

9月20日0.0277670.0231940.0327220.0242060.0268610.0491170.0211820.0274530.051593

9月21日0.0277650.0231870.055480.0249680.0259470.0491030.0227950.0274530.051294

D E

SO2NO2PM10SO2NO2PM10mmgh tem rh ws

9月15日0.017540.0132040.0777340.009520.0244180.070989665.939820.5140549.696631.152295 9月16日0.0131120.013020.069830.0107540.0249250.06621665.939820.1259649.112611.169417 9月17日0.0141190.0129780.073260.0111820.0251060.064929665.939820.2459148.795141.152295 9月18日0.0163090.0129680.0727590.0113380.0251710.0739665.939820.3658748.622571.189077 9月19日0.0160170.0129660.0727320.0129880.0251940.071194665.939820.4858248.528751.182421 9月20日0.0200730.0129660.0831840.0148940.0252020.076506665.939820.6057748.477761.173136 9月21日0.0162260.0129650.0783740.0127210.0252050.076614665.939820.7257248.450041.177048

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

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

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。 6.2.5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

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，这种相关称为典型相关，这两个综合指标称为典型变量。 （1）根据分析目的建立原始矩阵

原始数据矩阵

??????

????????nq n n np n n q p q p y y y x x x y y y x x x y y y x x x ΛΛM M ΛΛΛΛ21212222122211121111211 （2）对原始数据进行标准化变化并计算相关系数矩阵

R = ??

?

?

??22211211

R R R R 其中11R ，22R 分别为第一组变量和第二组变量的相关系数阵，12R = 21

R '为第一组变量和第二组变量的相关系数

（3）求典型相关系数和典型变量

计算矩阵=A 111

-R 12R 122-R 21R 以及矩阵=B 122-R 21R 1

11-R 12R 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偏相关性分析

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。

偏相关性分析的工具是计算偏相关系数12,3r 。 计算公式：

假定有三个变量：1x ，2x ，3x ，求剔除变量3x 的影响后，变量2x 和1x 之间的偏相关系数12,3r ：

12

132312,32

2

13

23

11r r r =

--

其中，12r 表示变量1x 与变量2x 的简单相关系数。 13r 表示变量1x 与变量3x 的简单相关系数。 23r 表示变量2x 与变量3x 的简单相关系数。 显著性检验公式：

212,3

13

r t r n =

--

其中，n 为个案数，3n -为自由度。 6.3.3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：

6.3.4典型相关分析结果分析

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。

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（2NO ，2SO ）有显著的影响，风速对PM10有显著影响。温度和湿度对2SO 有微弱影响。 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：

mmgh

tem

rh

ws

相关系数.245.013-.121-.316显著性水平.000.786.013.000相关系数.345.036.080-.457显著性水平.000.461.103.000相关系数.456.111.141-.321显著性水平.000

.023

.004

.000

mmgh

tem

rh

ws

相关系数.287-.085-.088-.131显著性水平.000.128.114.019相关系数.273.130.028-.248显著性水平.000.020.614.000相关系数.182.150-.115.358显著性水平

.001

.007

.040

.000

C 冬季C 春季SO2NO2PM10

SO2NO2PM10

表九：偏相关分析各项相关系数

分析：

冬季分析：冬季2SO 与风速的相关系数为-0.316，呈现负相关，即风速越大，2SO 浓度越低。2NO 与大气压和风速明显相关，2NO 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2SO 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，2SO 与大气压为微弱的正相关 ，2NO 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、2SO 、2NO ）有显著的负相关，即风速越大，污染物浓度越低，大气压与2NO 、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（2SO 、2NO ）均与风速呈现弱相关，而PM10与风速正相关，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2SO 、2NO 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、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.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主要因素等问题。

8.参考文献

【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：

A B C D E

1s4s2s5s1s3

2s4s1s5s2s3

3s1s4s2s5s3

4s2s1s4s5s3

5s3s1s5s2s4

6s1s3s5s2s4

7s1s5s4s3s2

8s1s3s5s4s2

9s2s5s3s1s4

10s2s4s1s3s5

11s3s5s1s2s4

12s3s1s2s5s4

13s1s3s5s4s2

14s3s1s2s4s5

15s3s2s4s5s1

16s3s2s4s1s5

17s3s1s5s2s4

18s3s5s1s4s2

19s3s4s2s5s1

20s5s4s3s2s1

21s3s2s1s5s4

22s3s1s2s5s4

23s1s3s2s5s4

24s1s2s3s4s5

25s2s1s3s5s4

26s3s1s2s5s4

27s2s3s5s1s4

28s5s2s3s1s4

29s2s1s3s5s4

30s2s4s5s1s3

31s2s4s5s1s3

ABCDF五个城市四个月权重的大小排序结果：

A B C D E

1s5s1s3s2s4

2s5s2s1s4s3

3s5s3s1s2s4

4s5s1s2s3s4

ABCDF五个城市四个月API的大小排序结果：

A B C D F

1s5s1s4s2s3

2s5s1s4s2s3

3s5s1s3s2s4

4s5s1s2s3s4

ABCDE五个城市API的大小排序结果：

A B C D E

1s1s4s2s5s3

2s1s2s5s4s3

3s1s4s2s3s5

4s2s1s5s3s4

5s3s5s1s2s4

6s1s2s3s5s4

7s1s2s5s3s4

8s1s2s5s3s4

9s3s1s5s2s4

10s3s1s2s5s4

11s1s3s5s2s4

12s3s2s1s5s4

13s3s2s1s5s4

14s3s2s1s4s5

15s3s2s1s4s5

16s3s2s1s4s5

17s3s2s1s4s5

18s3s4s2s1s5

19s3s4s2s1s5

20s4s5s1s2s3

21s3s5s2s1s4

22s3s1s5s2s4

23s3s1s2s5s4

24s2s3s4s1s5

25s2s3s1s4s5

26s3s2s5s1s4

27s2s3s1s5s4

28s3s5s2s4s1

29s2s3s1s4s5

30s2s3s1s5s4

31s2s3s5s1s4附件二：

气温自相关系数