空气污染物相关性统计分析
空气质量调查报告
空气质量调查报告
近年来，随着工业化和城市化进程的加快，空气质量已成为人们关注的焦点之一。
为了解我国不同地区的空气质量状况，本报告对多个城市的空气质量进行了调查和分析。
首先，我们选取了北京、上海、广州、成都、西安等多个城市进行了空气质量
监测。
监测结果显示，这些城市的空气质量普遍存在PM2.5、PM10、二氧化硫、
一氧化碳等污染物超标的情况。
其中，北京、上海等大城市由于工业排放和机动车尾气排放等原因，空气质量较差，污染物浓度较高；而成都、西安等地由于地理位置和气候等因素，空气质量也存在一定程度的问题。
其次，我们分析了导致空气污染的主要原因。
工业排放、机动车尾气排放、燃
煤取暖、城市建设扬尘等都是造成空气污染的主要原因。
特别是工业排放和机动车尾气排放，占据了空气污染的重要来源，需要引起高度重视。
针对空气质量问题，我们提出了一些改善空气质量的建议。
首先，加强环保意识，提倡绿色出行和低碳生活，减少机动车使用，鼓励步行、骑行和公共交通出行。
其次，加大工业企业和车辆尾气排放的治理力度，推广清洁能源和新能源汽车的使用。
同时，加强城市绿化建设，减少扬尘污染。
最后，加强环境监测和数据公开，提高社会对空气质量问题的关注度，促进政府和公众共同参与空气质量治理。
综上所述，空气质量问题关乎人民的生活健康和城市的可持续发展，需要政府、企业和公众共同努力，共同治理空气污染，改善环境质量。
希望通过本报告的发布，能够引起社会各界的重视，共同为改善空气质量贡献力量。
空气质量报告 (2)
空气质量报告1. 简介空气质量报告是对一个特定区域内的空气质量状况进行评估和分析的文档。
本文将以某地区为例，为读者提供关于该地区空气质量的相关数据和分析结果。
2. 数据来源本次报告所使用的空气质量数据来自当地政府的监测站点。
这些站点配备了空气质量监测设备，能够实时、准确地监测空气中的各种污染物浓度，并将数据传输到中央数据库中。
3. 数据收集和处理数据收集阶段包括数据获取、数据清洗和数据整理。
首先，我们通过政府的监测站点获取了一段时间内的空气质量数据。
然后，对这些数据进行了清洗，去除了可能存在的错误和异常值。
最后，将清洗后的数据整理成易于分析的格式。
4. 空气质量指标在空气质量报告中，主要使用了以下几个指标来评估空气质量：4.1 PM2.5PM2.5是指空气中直径小于或等于2.5微米的颗粒物。
这些微小颗粒物对人体健康有很大的危害，可以通过呼吸道进入人体，对肺部和心血管系统造成损害。
4.2 PM10PM10是指空气中直径小于或等于10微米的颗粒物。
与PM2.5类似，这些颗粒物也对人体健康有害。
4.3 二氧化硫（SO2）二氧化硫是指空气中的SO2浓度。
它是燃烧过程中产生的一种污染物，可以对人体呼吸系统和眼睛造成刺激。
4.4 二氧化氮（NO2）二氧化氮是指空气中的NO2浓度。
它主要来自汽车尾气和工业排放，对呼吸系统和免疫系统有害。
5. 空气质量状况分析在本次报告中，我们将对以上指标在某地区的空气质量状况进行分析。
5.1 监测时间范围本次报告涵盖了最近一年内的空气质量数据。
5.2 PM2.5和PM10根据我们收集的数据分析，该地区的平均PM2.5和PM10浓度分别为XXμg/m³和XX μg/m³。
与国家标准相比，空气质量状况可以评估为XX级。
5.3 二氧化硫该地区的平均二氧化硫浓度为XX μg/m³，低于国家标准。
5.4 二氧化氮该地区的平均二氧化氮浓度为XX μg/m³，在国家标准范围内。
苏州地区空气质量指数的统计分析
苏州地区空气质量指数的统计分析苏州地区空气质量指数的统计分析1. 引言空气质量是人们生活质量的重要指标之一，也直接影响着人们的健康状况。
随着工业化和城市化的推进，空气污染已成为我们面临的严重环境问题之一。
因此，对空气质量进行统计分析，掌握苏州地区的空气质量状况，对于改善环境质量、保障民众健康具有重要意义。
2. 数据来源和方法本文的数据来源于苏州市环境保护局的空气质量监测站的实时监测数据，时间跨度为2010年至2020年。
我们将使用统计学的方法对这些数据进行分析，包括描述统计、相关性分析和时间序列分析等。
3. 数据描述统计分析首先，我们对苏州地区空气质量指数进行了描述统计分析。
通过计算数据的平均值、标准差、最小值、最大值等指标，我们可以获得苏州地区空气质量整体状况的一个直观认识。
此外，我们还可以对各个污染物的浓度进行频数统计，以了解不同类型的污染物在苏州地区的分布情况。
4. 相关性分析其次，我们将对苏州地区各项空气质量指数之间的相关性进行分析。
通过计算相关系数，我们可以探讨不同污染物之间的关系，以及对于某些污染物是否存在较强的相关性。
这有助于我们了解导致空气质量恶化的主要污染物，并为采取相应的环境控制措施提供科学依据。
5. 时间序列分析最后，我们将对苏州地区空气质量指数的时间序列进行分析。
通过绘制时间序列图和计算平均水平、趋势项和季节项等，我们可以发现苏州地区空气质量是否存在长期趋势和季节性变化。
这些分析结果可以帮助我们预测未来空气质量的走势，从而制定更加科学有效的污染防治策略。
6. 结论与展望通过对苏州地区空气质量指数的统计分析，我们可以全面了解苏州地区空气质量的状况和变化趋势，找出污染物的主要来源，并为改善空气质量和保护民众健康提供科学依据。
但是，由于本文没有对苏州地区空气质量指数进行描述统计分析可以通过计算数据的平均值、标准差、最小值、最大值等指标来获得苏州地区空气质量整体状况的一个直观认识。
spss的综合运用——以我国城市空气质量分析为例
spss的综合运用——以我国城市空气质量分析为例SPSS（统计产品和服务解决方案）是一种广泛使用的统计分析软件，它可以用于数据处理、数据分析和预测建模等任务。
在我国城市空气质量分析中，可以利用SPSS进行如下几个方面的综合运用：1. 数据清洗和整理：首先需要收集城市空气质量相关的数据，包括空气质量指数（AQI）和各个监测点的相关数据。
然后，使用SPSS进行数据清洗和整理，剔除异常值和缺失值，以确保数据的准确性和完整性。
2. 描述性统计分析：利用SPSS可以计算各个城市的平均空气质量指数、标准差等统计指标，以及绘制相关统计图表，如柱状图、折线图等，以便对不同城市的空气质量进行比较和描述。
3. 相关性分析：使用SPSS可以进行相关性分析，以了解不同因素与空气质量之间的关系。
可以计算不同污染物浓度（如PM2.5、PM10、O3等）与空气质量指数的相关系数，并进行显著性检验，以确定是否存在显著的相关关系。
4. 回归分析：通过回归分析可以探究不同变量对空气质量的影响程度。
可以使用SPSS进行多元线性回归分析，建立空气质量指数与污染物浓度、气象因素等多个自变量之间的关系模型，并进行参数估计和显著性检验。
5. 聚类分析：可以使用SPSS进行聚类分析，将城市按空气质量指数和污染物浓度等因素进行分类，以便对城市进行对比和评估。
聚类分析可以帮助发现城市之间的差异，并为进一步的空气质量改善提供参考。
6. 时间序列分析：通过分析历史数据，利用SPSS进行时间序列分析，可以揭示城市空气质量的长期趋势和季节性变化，帮助预测未来的空气质量状况，以及制定相应的政策和措施。
SPSS在我国城市空气质量分析中的综合运用可以包括数据清洗和整理、描述性统计分析、相关性分析、回归分析、聚类分析和时间序列分析等方面，这些分析结果可以为了解和改善城市空气质量提供科学依据。
空气质量数据分析方法研究
空气质量数据分析方法研究随着现代城市化和工业化的加剧，空气质量问题日益受到人们的关注。
空气质量数据监测早已形成一项日常性工作，对空气污染物的监测、管理和修正措施等进行逐步改善。
因此，空气质量数据的分析也成为空气质量监测的重要环节，本文将探讨目前常见的空气质量数据分析方法。
一、空气质量数据特点在探讨具体的空气质量数据分析方法之前，我们首先需要了解空气质量数据的特点。
空气质量数据具有以下几个方面的特点：1. 数据的量大、范围广。
空气质量监测数据来自于大面积的监测站，而通常一个地区有很多个监测站，每个监测站的监测项目、监测层面、监测时长等不尽相同。
此外，监测因素也有多类，如二氧化硫(SO2)、氮氧化物（NOx）、臭氧(O3)、细微颗粒物(PM2.5和PM10)、一氧化碳(CO)等，每种监测因素都有对应的监测参数。
2. 数据源异质性高。
不同的监测站由于所处地理位置、城市化结构、气候因素、环境背景等因素的不同，导致监测站的数据分布差异很大。
3. 数据的质量存在偏差空气质量监测数据的高度敏感性和高度变异性使得在数据采集、数据处理以及统计分析等方面均会存在数据质量问题。
二、统计分析方法1. 数据分布分析正态分布是统计学中应用广泛的分布类型，但是在空气质量中，大多数监测因素不符合正态分布，因此，空气质量的数据分布需要进行特殊处理。
在进行数据分布分析时，需要使用适当的统计量或概率分布模型完成。
2. 相关性分析相关性分析是空气质量数据分析的重要组成部分，可用来分析监测数据之间的联系和变化规律。
相关系数 R 是测算监测数据之间相关强度的一种指数，它的数值大小在-1~1之间，绝对值越趋近于1，相关性越强，越趋近于0，相关性越弱。
3. 时间序列分析空气质量数据随时间的变化趋势是非常重要的数据分析内容。
时间序列分析的目的在于描述时间序列的基本特征和变化规律，发现其内在机理和预测新发现的变化。
对于空气质量数据而言，时间序列分析重点在于寻找数据有无周期性和趋势性，确定因素之间的联系，从而预测空气质量恶化趋势。
环境空气监测数据分析及处理方法分析
环境空气监测数据分析及处理方法分析近年来，随着环保意识的增强，环境空气质量成为社会关注的焦点之一。
为解决空气污染问题，各级政府和社会组织对环境空气监测数据进行了高强度的分析和处理。
本文将从环境空气监测数据的来源、分析手段和处理方法三方面进行系统阐述。
一、环境空气监测数据的来源环境空气监测数据的来源主要有定点点源排放企业、移动源排放（机动车）、城市居民的燃料燃烧、生物质燃烧等。
由于环境空气监测数据的相关性，通常需要选取与受污染物雷同或相关性较高、排放量较大的源作为数据分析的重点。
例如，在处理机动车污染数据时，应关注车型、发动机排放标准、运行时间、行驶道路区域等因素。
航空业和港口企业和各种工业企业也是空气污染的原因之一，因此对于这些企业，环境部门通常会实施强制性规定，要求企业进行“24小时在线监测”，并将数据集中到环境管理平台。
环境空气监测数据按照不同的污染物进行分类，目前使用的主要分类方式有以下几种：空气污染物组分（NO2、SO2、O3、PM2.5、PM10、CO等）、空气污染事件（雾霾、霾、土石流、沙尘暴等）和大气污染物排放源（点源、线源、面源）。
对于每种污染物或事件，需要不同的分析手段才能更好地分析和处理其数据，具体如下：1. 空气污染物组分分析针对不同的空气污染物组分，常见的分析手段有统计分析、地理信息系统技术、数据挖掘技术。
例如，在统计分析中，通过对空气污染物组分的日均值、周均值和月均值等进行统计，可以掌握污染物排放情况的总体趋势，并分析其污染源。
在地理信息系统技术方面，其主要功能是将监测数据在地图上展示，方便用户获取空气质量的空间分布，以及数据与周边环境特征的相互影响。
在数据挖掘技术方面，其主要目的是通过对数据特征、变量和结果的关系进行深入的挖掘和发现，找出污染源及排放路径等因素对污染物逸散和传播的影响，从而为制定减排政策提供参考。
空气污染事件是环境空气监测数据分析的重要方面之一。
对于不同的污染事件，需要不同的分析手段。
环境空气监测数据分析及处理方法分析
环境空气监测数据分析及处理方法分析随着工业化和城市化的发展，环境污染对人类健康和生态平衡产生了越来越严重的影响。
环境空气监测成为了一项至关重要的任务。
通过对环境空气中的各种污染物进行监测和分析，可以及时发现环境问题，并采取相应的措施来保护环境和人类健康。
环境空气监测数据的分析与处理是环境监测工作的重要环节，下面我们将对相关方法进行深入地探讨和分析。
一、环境空气监测数据的类型环境空气监测数据主要包括以下几种类型：1. 气体污染物监测数据：包括二氧化硫、氮氧化物、一氧化碳、臭氧等主要大气污染物浓度数据。
2. 颗粒物监测数据：包括PM10、PM2.5等颗粒物浓度数据。
3. 挥发性有机物（VOCs）监测数据：包括苯、甲苯、二甲苯等有机污染物浓度数据。
4. 其他有毒有害气体监测数据：如氨气、硫化氢等。
这些监测数据通常是通过空气监测站点实时或定时采样、分析获得，以数据表格、图表等形式呈现。
二、环境空气监测数据的分析环境空气监测数据的分析包括数据质量分析、浓度分布分析、趋势分析等多个方面。
1. 数据质量分析环境空气监测数据的准确性直接影响到监测结果的可信度。
在进行数据分析之前，首先需要对监测数据的质量进行评估。
常见的数据质量分析包括数据完整性、数据准确性、数据连续性等方面的分析。
一般采用统计学的方法，比如平均值、标准差、相关系数等指标来评估数据的质量。
2. 浓度分布分析浓度分布分析是对监测数据进行整体性的评估和分析。
可以通过绘制直方图、箱线图、累积概率曲线等图表来展现监测数据的分布规律，从而揭示出污染物的主要来源、分布区域等信息。
3. 趋势分析趋势分析是对监测数据的发展变化趋势进行分析。
可以通过绘制时间序列曲线、趋势线等形式来观察监测数据的长期变化规律，从而找出环境问题的发展趋势，并及时采取相应措施。
三、环境空气监测数据的处理方法对于环境空气监测数据，需要采用一些数据处理的方法来提高数据的可读性和可分析性。
1. 数据清洗对环境空气监测数据进行清洗是必不可少的。
空气质量监测数据分析与预测
空气质量监测数据分析与预测自工业化以来，人类对环境的侵蚀日益加剧，空气质量作为环境保护领域中非常重要的一个指标，一直备受关注。
近年来，各国都在积极推进空气质量监测工作，通过收集并分析数据，制定措施改善空气污染状况。
本文将探讨空气质量监测数据分析与预测的方法及应用。
一、空气质量监测数据的收集与处理空气质量监测站的设置通常是基于地理位置的，可以覆盖城市、郊区及周边地区，每个监测站都将空气中各项污染物的数据连续记录下来。
这些记录涵盖了污染源种类、气象条件、地形地貌等方面的信息。
监测站一般会每日、每月或每年给出城市或地区的空气质量指数，这些数据可以用于对空气污染程度进行科学评估。
空气质量监测数据处理是对收集到的监测数据进行整理、清洗、分析和验证的过程。
数据处理包括但不限于以下几个步骤：1、数据清洗在数据采集和记录过程中，由于检测设备、气象因素、数据记录等方面的因素，会产生许多无效数据。
数据清洗的目的是剔除这些无效数据，保留有效数据，以确保分析结果的可信度和准确性。
2、数据标准化不同的监测站使用的检测设备和监测方法不尽相同，这就导致数据来自不同监测站之间存在着标准化问题。
为了消除这种差异，数据需要进行标准化处理，使之具有可比性。
3、数据分析在收集到大量监测数据之后，需要对数据进行分析，以了解各项污染物的含量、空气污染物排放源的信息等方面的情况。
数据分析主要是通过对监测数据进行统计分析，寻找对空气质量影响最大的因素，并建立相关模型，以预测未来空气污染的趋势。
二、空气质量监测数据的预测方法1、时间序列模型时间序列模型是指以时间为自变量的统计模型，它可以通过对历史数据进行分析和建模，来预测未来空气质量变化。
时间序列模型的关键是时间序列的平稳性和自相关性。
平稳时间序列是指各个时刻的均值、方差及协方差等都不随时间变化，自相关性则是指时间序列中不同时刻的变量值之间的相关性。
ARIMA模型是一种常用的时间序列预测方法，它是自回归移动平均模型的一个组合，适用于各种类型的时间序列数据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数理统计课程作业报告题目：郑州市主要空气污染物相关性分析课程：数理统计学院：物流工程院专业：物流工程专业姓名：原上草学号： 6666666666682015年12月20 日目录一、研究背景 (4)二、污染物各月数据特征分析 (4)三、郑州与杭州空气质量比较分析 (6)四、多元线性回归模型 (7)4.1 PM2.5浓度相关性分析 (7)4.2建立模型 (8)4.3求解模型 (8)4.4残差分析 (9)4.5模型预测 (9)五、总结 (10)参考文献 (11)附件程序 (12)摘要本文选取了2014年12 月至2015年11月期间郑州市主要空气污染物浓度数据，首先分析了郑州市各个月空气中PM2.5、PM10、CO、SO2和NO2的污染物浓度数据的特征值, 探讨了空气污染物浓度的时间变规律；然后对比了郑州市和杭州市AQI指标，分析空气污染物的空间变化规律；最后采用MATLAB软件分析了PM2.5与其它主要空气污染物之间的相关性得到了350.39*143.99*20.032=-+++-的多元线性回归模型，用12月份的y x x x x数据进行预测PM2.5浓度与真实值比较，结果表明该模型能较好的拟合PM2.5与其它污染物间相关性。
关键词:多元线性回归；特征分析；空气污染物；相关性一、研究背景随着城市社会经济快速发展、资源能源消耗和污染物排放总量的增长，城市的空气污染问题越来越突出，长期积累的环境风险开始出现。
在2 0 1 2 年2月，国家出台了新版《环境空气质量标准》（GB3095—2012)，调整了部分污染物浓度限值，并增设PM2.5和O3浓度限值，对环境监测环境管理和环境评价提出了新的要求。
城市环境空气质量的好坏与气象条件密切相关，研究和解决空气质量问题，通过分析各污染物浓度之间相关性，才可能准确掌握城市大气污染规律，对改善城市空气质量、提高人民健康水平有重要意义。
本文重点分析了郑州市PM2.5浓度与其他主要空气污染物浓度的相关性。
二、污染物数据特征分析郑州市属北温带大陆性季风气候，冷暖适中、四季分明，春季干旱少雨，夏季炎热多雨，秋季晴朗日照长，冬季寒冷少雪。
四季分明的特点在污染物的时空分布上也是表现的十分明显。
本文对郑州市最近12个月空气中PM2.5、PM10、CO、SO2和NO2的污染物浓度特征值进行分析，主要污染物的变化情况如下所示：表一：PM2.5浓度特征值表二：PM10浓度特征值表三：CO浓度特征值表四：NO2浓度特征值表五：SO2浓度特征值为了方便于直观的分析空气污染物浓度与时间之间的变化规律，将以上表格数据中主要污染浓度的月平均值作折线图如下：图1：污染物浓度月平均值从图1中可以看出郑州市主要空气污染物浓度在十二月至来年二月份左右达到最大，然后污染物浓度开始下降，到六月至八月份降到最低。
郑州市区雾霾天气情况随季节变化比较明显，在冬季，气象条件将更加不利于污染物扩散。
进一步分析PM2.5和PM10的变化趋势可预测郑州市雾霾天气大多发生在每年的十二月份至来年的二月份，而每年六月份至八月份雾霾天气出现次数较少。
三、郑州与杭州空气质量比较分析本文分别选取了郑州市和杭州市最近12个月的空气污染浓度数据，以AQI 为指标，将空气污染程度划分为优、良、轻度污染、中度污染、重度污染和严重污染六个等级，下图是对两城市空气质量等级的天数进行比较:图2：郑州市与杭州市空气质量等级由上图可以看出杭州市空气质量等级主要是优和良，占总天数77.3%，中重度污染占比3.2%，郑州市空气质量优良的比例是36.6%不及杭州市的一半，中重度以上污染占比30.1%。
杭州市空气质量等级明显优于郑州市，对于两城市空气质量的差别进行分析得出两方面的主要影响因素，一人为因素影响：郑州市能源消耗以燃煤为主，占整个能源消耗量的73%。
其中，相当一部分单位的燃煤排放没有达到国家标准，然而即使排放全部达标，因燃煤基数过大，也将对大气环境造成极大危害。
二气候地理因素影响：通过百度地图可以看出郑州位于秦岭以北，121231237323158023076132空气质量等级郑州市杭州市属于北温带大陆性季风气候，天气干燥少雨，本地产生的污染物不易扩散，且容易受到北方气流影响，冬季冷空气带来大量污染物被阻隔在秦岭一带，污染物停滞在华北平原，造成郑州空气污染越发严重。
杭州位于秦岭以南属于亚热带季风气候，降水充沛，受东南季风影响，从海上吹来的温湿气流给杭州带来了新鲜的空气的同时也使杭州本地产生的污染更容易扩散。
图3：郑州市与杭州市地理位置关系郑州市空气污染的预防与控制也可以从两个方面讨论：一方面对于本地产生的污染问题，可以提高能源利用率、发展新型清洁能源严查排放不达标车辆、提倡步行与骑行等来减少污染物的产生。
另一方面对于北方气流带来的污染物可以通过与周边省市进行联防联控，减少空气流通带来的污染。
四、空气污染物浓度相关性分析4.1 PM2.5浓度相关性分析PM2.5指环境空气中空气动力学当量直径小于等于 2.5 微米的颗粒物。
它能较长时间悬浮于空气中，其在空气中含量浓度越高，就代表空气污染越严重。
本文对郑州市最近12个月天气数据分析，研究空气中PM2.5浓度与PM10、CO、NO2、和SO2浓度是否相关。
其散点图如下所示：图4：PM2.5与PM10相关性图5：PM2.5与CO相关性图6：PM2.5与NO2相关性 图7：PM2.5与SO2相关性由图4-7可知PM2.5浓度随着PM10、CO 、NO2、和SO2浓度增加而增加，成线性相关。
4.2建立多元线性回归模型对PM2.5浓度与PM10、CO 、NO2、和SO2浓度进行多元线性回归，设PM2.5浓度为y ，则01234*1*2*3*4+y x x x x βββββε=++++其中:x1、x2、x3、x4是回归变量代表PM10、CO 、NO2、和SO2浓度，01234,,,,βββββ是回归系数，ε是随机误差应大致服从均值为0的正态分布。
4.3求解模型直接利用matlab 工具箱中的命令regress 求解，使用格式为：[b,bint,r,rint,stats]=regress(y,x,0.05)其中y 为pm2.5浓度，置信度水平设为0.05。
输出b 为的估计值，bint 为b 的置信区间，stats 为回归模型的检验统计量，有4个值，第一个是回归方程决定系数2R ，第二个是F 统计量，第三个是与F 统计量对应的概率值p ，第四个是剩余方差2s 。
得到模型的回归系数估计值及其置信区间、检验统计量的结果如下：表六：多元线性回归计算结果20.7968R = 356.80F = 0.0001p < 2583s =表六显示，2R =0.7968指因变量y （PM2.5浓度）的79.68%可以由模型确定，F 检验值远超过F 检验的临界值，p 远小于置信水平0.05，拟合从整体来看是可用的。
所以拟合方程为：350.39*143.99*20.032*30.16*4y x x x x =-+++-4.4残差分析作出残差图，从图 1可以看出，红线为异常数据，除少数几个异常数据外，其余数据的残差离零点均较近，且残差的置信区间包含零点，这说明回归方程y=-35+0.39*x1+43.99 x2-0.032x3+0.16x4能较好地符合原始数据。
图8：残差图分析图根据以上公式，空气中PM2.5浓度与pm10、CO 、NO2、和SO2浓度具有线性相关性，具有一定的现实意义，例如当某个监测站pm2.5检测仪出现故障时，可利用其它污染物浓度推出。
4.5模型预测为检验所得多元线性回归模型的可靠度，本文利用2015年12月份的污染物浓度数据进行预测PM2.5的浓度与真实PM2.5浓度进行对比，预测值与真实数据对比如图五，其中蓝色星点为PM2.5浓度真实值，红色曲线为PM2.5浓度预测值，对比发现预测曲线全部在真实值附近。
图9：预测浓度与真实浓度的对比五、总结文中利用多元线性回归方法分析PM2.5浓度与主要污染物浓线性相关性，得到回归方程350.39*143.99*20.032*30.16*4y x x x x =-+++-，并通过检验方法证明所建立的模型有一定的理论意义和实用价值，体现了多元线性回归模型广阔的应用前景。
参考文献[1]陈杜甫，高祎楠，张稳定，姜楠，燕启社，张瑞芹.郑州市大气PM2.5污染传输影响研究—中国环境科学学会学术年会（2015）光大环保优秀论文集[C].郑州：郑州大学,2015.234-244.[2]王佳.郑州市PM2.5污染特征及其源解析研究[D].郑州：郑州大学,2015.5-10.[3]毕丽玫，史建武，刘意，邓昊，盛涛.昆明城区PM2.5与常规大气污染物及气象因素的相关性分析—中国环境科学学会学术年会论文集[C].昆明：昆明理工大学.4499-4505.[4]孟小峰.重庆主城区空气质量时空分布及其影响因素研究[D].重庆：西南大学，2011.[5]蒋维嵋.空气污染气象学教程[M].北京中国气象出版社，2004.[6]丁国安.实用污染气象学[M].北京：气象出版社，1981.[7]气象网站天气后报：/附件程序%%多元线性回归程序clearclc%清除所有数据x=xlsread('222.xls','sheet12','e2:i370'); %读取郑州市污染物浓度数据y=x(:,1);%PM2.5浓度x1=x(:,2);%PM10浓度x2=x(:,3);%CO浓度x3=x(:,4);%SO2浓度x4=x(:,5);%NO2浓度x=[ones(369,1) x1 x2 x3 x4];[b,bint,r,rint,stats]=regress(y,x,0.05);%多元线性回归函数%%预测程序clearclc%清除所有数据x=[];%复制2015年12月的天气污染数据x1=x(:,2);x2=x(:,3);x3=x(:,4);x4=x(:,5);y=x(:,1);Y= -35+0.39*x1+43.99*x2-0.032*x3-0.16*x4;X=1:17;plot(X,Y,'r',X,y,'b*')。