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。
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。
平原城市大气污染物浓度变化及相关性分析
平原城市大气污染物浓度变化及相关性分析张培锋;谢超颖;白云飞【摘要】通过对伏牛山余脉东侧中部平原城市大气污染物浓度监测数据分析发现,大气污染具有地域性特征,主要污染物浓度均呈现显著的相关性.以许昌市作为研究对象,对其2015年PM2.5、PM10、SO2、NO2及O3等主要大气污染物浓度变化趋势和季节性分布进行分析对比.通过CORREL相关性模型分析,对各污染因子间的相关性进行研究,得到各污染物浓度的地域性变化和相关性结果,为制定本市大气防治和参与区域协同管控提供决策支持.【期刊名称】《许昌学院学报》【年(卷),期】2016(035)005【总页数】4页(P80-83)【关键词】中部平原城市;相关性分析;大气污染物;地貌气象特征【作者】张培锋;谢超颖;白云飞【作者单位】许昌市环境监测中心,河南许昌461000;许昌市环境监控信息中心,河南许昌461000;许昌市环境监控信息中心,河南许昌461000【正文语种】中文【中图分类】X515近年来，随着我国经济的快速发展，原有产业结构和发展模式的不合理性日益突出，致使我国部分地区的大气环境污染严重[1]，特别是持续报警的雾霾天气引起全社会的关注.多种污染物的并存和相互作用影响，特有的区域地貌和气象特征，加上城市能源工业结构、汽车数量、城市绿化率、复杂的城市冠层[2]等，形成了具有地域特色的大气污染物时空分布和相关性.新环境空气质量标准的实施和六因子大气自动监测系统的全面建立运行，为我们更为科学地分析区域或城市大气污染物的变化趋势及相关性提供了技术可能.对于污染因子相关性问题，国内不少学者也进行了研究，如任信荣[3]等分析了北京大气OH自由基浓度与其他物种的相关性，安俊琳[2]等分析了北京大气中NO、NO2和O3浓度变化的相关性，陈建江[4]分析了南京市3种空气污染物日变化规律及相关性，陈魁[5]等分析了天津市空气质量时间变化规律及相关性.所有已有的研究结果均表明，不同城市大气污染物都有其特有的规律分布，且污染物间有着十分密切的关系.本文以我国中部平原地域气象特征的许昌市大气污染物为研究对象，选用2015年该市国家空气自动监测站监测统计数据，对PM2.5、PM10、SO2、NO2及O3等主要污染物的浓度变化趋势进行分析，并对各污染因子间的相关性加以研究，以期寻找出环境空气污染物的地域特征，为平原城市的大气污染物源强研究和防控探索出新的思路.用CORREL统计函数模型[6]分析城市环境空气不同污染因子之间的相关性.具体的模型运算式如下.式中,Correl(X，Y)为污染物浓度相关系数,x、y为污染物浓度,为污染物平均浓度.相关系数标准及特征标准见表1.2.1 地貌特征许昌市处于我国中部伏牛山余脉向东平原过渡地区，地势西北高，东南低，中东部为黄淮冲积平原，地面坡降为2.6‰，平均海拔为70 m左右，境内75%的面积为平原，25%的面积为低山岗.城市市区位于平原区，属淮河冲积平原地貌，地形平坦开阔，地貌单一、坡降不大，海拔标高63～66 m左右.2.2 气象条件许昌市属暖温带亚湿润季风气候，四季分明、热量丰富、降水适中、光照充足、无霜期长.春季干旱多风沙，夏季炎热雨集中，秋季晴和气爽日照长，冬季寒冷少雨雪.风向随季节变化明显，冬季多偏北风，夏季多偏南风.年平均气温在15 ℃左右，无霜期为217天.3.1 颗粒物浓度变化规律及相关性分析3.1.1 颗粒物浓度变化规律分析从许昌市2015年全年颗粒物的月均浓度变化曲线(图1)和季节均值统计表(表2)可以看出：全年PM2.5和PM10月均浓度值虽分别在5月、10月和6月、10月有所波动，但整体均呈两头高中间低的U型变化趋势.PM2.5全年最低月均值出现在8月，为49 ug·m-3；最高月均值出现在12月，为125 ug·m-3，最高值为最低值的2.55倍.PM10全年最低和最高月均浓度同样出现在8月和12月，最低值为92 ug·m-3，最高值为214 ug·m-3，最高值为最低值的2.32倍.从季节分布来看，PM2.5和PM10月均浓度呈现出相同的季节特征：冬季最高，其次是春季，夏、秋季基本一致，夏季最低;PM2.5冬季/夏季为1.81倍，PM10冬季/夏季为1.57倍.而从 PM2.5占PM10比重来看，冬季比重最高，达到67.8%，夏、春、秋季节基本持平，都在57%～60%之间，说明该市全年环境空气中细颗粒物占可吸入颗粒物含量的60%左右.3.1.2 颗粒物间相关性分析用CORREL统计函数模型对许昌市2015年PM2.5和PM10月均浓度进行相关性分析，结果见表3所示.从表3可以看出：2015年该市PM2.5和PM10月均浓度相关系数高达0.849，说明作为内陆平原城市的环境空气中PM2.5和PM10浓度有高度的相关性和协同性.结合PM2.5和PM10在全年四个季节分布及比重情况来看：冬季PM2.5和PM10浓度突增且PM2.5所占比重增大，与该市季节采暖的内源增加，也和受大陆性季风气候影响，冬季多北风造成的外源性输入双重影响有关.3.2 气态污染物浓度变化规律及相关性分析3.2.1 气态污染物浓度变化规律分析从图2和表4可以看出，2015年许昌市SO2、NO2的月均浓度与PM2.5具有相似的U型变化趋势，且变化更平顺些，只在11份微有下浮.SO2的月均最高值出现在1月，最低值出现在7月；NO2的月均最高值则出现在12月，最低值同样出现在7月.虽然NO2的月均浓度均高于SO2，但是NO2最高值仅为最低值的2.21倍，而SO2最高值与最低值的比值却高达4.43倍.说明作为内陆平原城市，虽然NO2浓度同样在冬季采暖集中时候达到全年最高，但月均浓度波动变化却没有SO2强烈.2015年该市O3的月均浓度变化与PM2.5等其他污染物正好相反，呈现倒U型变化趋势.其月均浓度在1-5月间逐月增加，5月达到全年最高，其后开始逐月下降，12月份达到全年最低，最高值为最低值的3.95倍.O3浓度从季节分布来看，呈现出春夏高而秋冬季低的趋势，最高的夏季均值达到最低的冬季均值的2.63倍.这与该市夏季高温、太阳辐射强，造成生成O3的光化学反应加剧，同时O3的另Ⅰ类前体物—挥发性有机物在夏季对臭氧高浓度的贡献增加有关[4].3.2.2 气态污染物间相关性分析采用CORREL统计函数模型分别对许昌市2015年SO2 、NO2、O3等气态污染物的月均浓度进行相关性分析，结果见表5.由表5可以看出：2015年该市SO2和NO2月均浓度具有高度的正相关性，而SO2、NO2与O3均呈现较好的负相关性.同SO2与O3之间的相关性相比，NO2与O3之间的负相关性更显著，相关系数达到-8.22.分析认为，机动车尾气排放是环境空气中NOx的主要来源[6]，而NOx中的NO、NO2和O3之间存在光化学反应的循化[3]，导致NO2和O3高度的负相关性.3.3 细颗粒物与气态污染物相关性分析采用CORREL统计函数模型分别对该市2015年PM2.5和SO2等气态污染物月均浓度进行相关性分析，结果见表6.从表6可以看出：2015年该市PM2.5与SO2和NO2月均浓度均具有较好的正相关性.与NO2相比，SO2与PM2.5相关系数达到0.807，具有更强的相关性和协同性.结合SO2、NO2的浓度分布来看，当SO2、NO2浓度较高时，PM2.5浓度也较高，这可能与三者的产生源、扩散传输过程及SO2、NO2的二次盐转化有关[7].与其他气态污染因子相反，PM2.5与O3月均浓度则表现出显著的负相关性.分析认为，这与该区域夏季炎热日照强、冬季寒冷少雨雪，四季分明的季风气候条件有主要关系.(1) 分析结果表明，许昌作为中部平原城市，所处地貌气候环境，造就了该市环境空气污染因子地域性季节变化趋势.颗粒物浓度冬春高、夏秋低，PM2.5所占比重在冬季最大;SO2和NO2浓度均呈现冬秋高、夏春低的趋势，虽然NO2的月均浓度值均高于SO2，但其全年变化相对平缓，最大值只有最小值的2.21倍，而SO2的月均浓度最大值是最小值的4.43倍;O3月均浓度的变化则与其他污染物相反，呈春夏高、秋冬低的趋势，最高浓度出现在春节5月，最低出现在冬季12月，最大季均值为最小季均值的2.63倍.颗粒物和气态污染物的季节变化，与暖温带季风气候，冬季寒冷多北风，夏季炎热阳光足有关.(2) 采用CORREL统计函数模型分别对该市2015年环境空气中污染物月均浓度进行相关性分析.研究结果表明，颗粒物件间有较高的相关性和协同性，相关系数达到0.849.PM2.5与SO2 、NO2等气态污染物的相关系数均在0.7以上，呈现较高的正相关性，说明很大一部分SO2 、NO2在条件合适的情况下转化为PM2.5;气态污染物间SO2 与NO2的相关性最高， O3与NO2的负关性最强，相关系数达到-0.822，这与O3产生机理和区域气象条件紧密相关.(3) 通过以具有特征地貌、气候条件的中部平原城市为研究对象，对该市2015年环境空气污染物的浓度变化规律进行分析，对污染因子间相关性进行研究，可为制定本市大气防治和参与区域协同管控提供决策支持.【相关文献】[1] 王晓利，张良，魏亚楠，等.城市间气态污染物与细颗粒物的相关性分析[J].中国环境监测，2016，32(1)：50-53.[2] 安俊琳，王跃思，李昕，等.北京大气中NO、NO2和O3浓度变化的相关性分析[J].环境科学，2007，28(4)：706-711.[3] 任信荣，王会祥，邵可声，等.北京市大气OH自由基测量结果及特征[J].环境科学，2002，23(4)：706-3301.[4] 陈建江.南京市空气质量时间变化规律及其成因[J].环境监测管理与技术，2003，15(3)：16-02.[5] 陈魁.天津市空气质量时间变化规律及相关性分析[J].中国环境监测，2007，23(1)：50-53.[6] 孔海涛.环境空气中臭氧变化规律及来源分析[J].山东工业技术，2014(3)：71-72.[7] 刘新峰，袁惠，杨军，等.统计分析方法在大气环境监测数据符合性分析中的探讨[J].四川环境，2012(2)：36-39.。
环境信息技术与统计分析——第五章 相关性分析
n
n
解
xi 50.1，
x
2 i
428.81，
： i1
i 1
x 6.2625
Lxx
n i 1
x
2 i
1 n
(
n i 1
xi
)2
428.81
1 50.12 8
115.0588
n
n
yi 78.1，
y
2 i
860.75，
y
9.7625
i 1
i 1
Lyy
n i 1
y
2 i
1 n
n
(
• 请大家用计算器方式来计算相关系数； • 相关系数的计算机辅助运算
• 计算机辅助运算可参考教材第八章相关章节 内容。
10
5.3 线性回归方程
• 例题1：某单位 调查研究饮用水 中含氟量与氟斑 牙发病率的关 系，获得资料如 下表，计算两者 这件的相关性系 数。
饮用水中含 氟量 xi 0.2 0.5 1.0 1.5 3.0 4.5
（mg/L） ）
0
0.0001
0.2
0.076
0.4
0.146
0.6
0.215
0.8
0.283
1
0.359
本例只能预测吸光度在 0.0001 ～ 0.359之间的磷浓 度。
0.4 吸
光 0.35
度
0.3
Abs
0.25
0.2
0.15
0.1
0.05
0 0
线性 (系列1)
y = 0.3549x + 0.0024
Fα (1，n 2) F0.01 (1，6) 13.75
W {F 13.75}
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。
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。
p25统计学意义
p2.5统计学意义
P2.5是指大气颗粒物（PM2.5）的悬浮物质的粒径小于或等于2.5微米的颗粒物。
它是空气污染中常见的一个重要指标，对空气质量和人体健康有着重要影响。
统计学意义是指在进行数据分析和研究时，对P2.5进行统计分析的意义和价值。
以下是P2.5统计学意义的一些方面：
1.描述性统计：通过统计P
2.5浓度的均值、中位数、标准
差等指标，可以描述P2.5的整体水平、变异性和分布特征，
帮助了解和比较不同地区、时间段或情境下的P2.5水平。
2.相关性分析：通过统计P2.5与其他变量（如气象因素、
人口密度等）之间的相关关系，可以研究和探索P2.5的影响
因素、影响程度和空间、时间上的关联性。
3.空间分析：通过统计不同地点的P2.5浓度数据，可以进
行空间分析，包括空间插值、空间聚类、空间模式等，从而
揭示不同区域之间的差异和分布特征。
4.趋势分析：通过统计不同时间点的P2.5数据，可以进行
趋势分析，包括长期趋势和季节性变化等，有助于了解P2.5
的变化趋势和周期性。
5.假设检验：通过统计P2.5数据和其他变量之间的关系，
可以进行假设检验，判断不同因素对P2.5浓度的影响是否具
有统计学上的显著性。
通过上述统计学分析，可以获得关于P2.5的数据描述、相关性、空间分布、趋势和假设验证等信息，为环境保护、政策制定和公众健康提供科学依据。
希望这些信息能对你有所帮助！如果你有其他问题，请随时提问。
- 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)。
空气污染物相关性统计分析————————————————————————————————作者：————————————————————————————————日期: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４一、研究背景ﻩ二、污染物各月数据特征分析ﻩ4三、郑州与杭州空气质量比较分析 (6)四、多元线性回归模型ﻩ74.1PM2．5浓度相关性分析 (7)4．２建立模型ﻩ84.3求解模型 (8)4.4残差分析 (9)4．5模型预测 (9)五、总结ﻩ101１参考文献ﻩ12附件程序ﻩﻬ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y x x x x=-+++-的多元线性回归模型,用１２月份350.39*143.99*20.032*30.16*4的数据进行预测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２0 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PM2.5日期均值标准差中位数众数2014年12月92.748.4954697612015年1月160.733370.24905148962015年2月13252.28698124742015年3月109.033342.50763110912015年4月85.2333329.5800482372015年5月90.632.4495590792015年6月75.332.8097721152015年7月59.3666717.2597562652015年8月58.5333323.0068660722015年9月65.633.1829361372015年10月68.241.3137657282015年11月98.6333374.137038570表二：ＰM10浓度特征值PM10日期均值标准差中位数众数2014年12月193.133371.513981821452015年1月229.866794.97712173492015年2月197.928663.97596188.52752015年3月198.665.180********2015年4月174.366770.322821671192015年5月157.833341.0398*******2015年6月144.160.525671482082015年7月124.366738.236531211212015年8月107.333340.71636105642015年9月126.233356.19234122742015年10月138.633362.56223117802015年11月149.5333103.1167139139表三：CO浓度特征值CO日期均值标准差中位数众数2014年12月 1.9213330.455681 1.85 1.382015年1月 2.1383330.712793 1.95 1.782015年2月 1.6878570.469136 1.7 1.942015年3月 1.5453330.360553 1.54 1.542015年4月 1.380.246833 1.36 1.362015年5月 1.5210.291289 1.43 1.372015年6月 1.2023330.272992 1.21 1.32015年7月0.9940.1584840.980.862015年8月 1.0956670.178712 1.13 1.172015年9月 1.2756670.278731 1.17 1.162015年10月 1.2733330.35569 1.23 1.212015年11月 2.1310.965741 1.91 1.33表四:NO2浓度特征值NO2日期均值标准差众数众数2014年12月61.617.3850564672015年1月74.1666719.8697171702015年2月51.7142917.9281451.5722015年3月57.7666714.6097858702015年4月50.312.9412851422015年5月45.5666710.0222545542015年6月43.6666712.4078842462015年7月40.29.67264238352015年8月43.3666712.2759542312015年9月53.717.051252492015年10月62.4333317.6194762542015年11月61.621.982725672表五：SO2浓度特征值SO2日期均值标准差众数众数2014年12月74.9333331.6595872382015年1月74.1666733.93826661322015年2月57.6428623.7700553.5602015年3月40.418.240602015年4月29.711.4109630172015年5月25.933339.1721826122015年6月17.133339.51396615132015年7月7.333333 5.153208542015年8月7 3.286335652015年9月14.7 6.4712181572015年10月33.0333314.7681731162015年11月30.717.699622439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P Ｍ１０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501001502002502014…2015…2015…2015…2015…2015…2015…2015…2015…2015…2015…2015…pm2.5pm10CO NO2SO2郑州市各月空气污染物浓月份121231237323158023076132空气质量等级郑州市杭州市以北，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:ＰM ２.5与S Ｏ２相关性 由图4-７可知P Ｍ2.5浓度随着PM1０、CO 、ＮO2、和ＳO ２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PM １0、C Ｏ、N Ｏ2、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: x １、x2、x ３、x4是回归变量代表ＰM1０、CO 、NO ２、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ｍa ｔlab 工具箱中的命令regr ｅss 求解，使用格式为:[ｂ,bi ｎｔ,ｒ,rint,st ａts]=ｒe ｇres ｓ(y,x,0.05)其中ｙ为pm2.5浓度,置信度水平设为０.05。