PM影响因素的统计分析
影响PM2.5因素的多元统计分析与预测
挥 发 性有 机 物 ） 、 ＮＯｘ 、 Ｐ Ｍ１ ０ 、 Ｓ ｅ 、 Ｓ Ｏｘ 、 Ｚ ｎ为 主 要 影 响 因
素。 之后 ， 用 时 间序 列分 析 预 测 出这 些 主要 影 响 因素 下一年 的 含 量 ，并 将 其代 入 线性 回 归方 程 求 出 Ｐ Ｍ２ ． ５的预 测 值 。 数据 处理结果表 明 Ｐ Ｍ２ ． ５的 主要 来 源 为燃 煤 、 机 动 车 排
０ ． ４４ ８２ ７ Ｘ５
其 中 Ｘ１ 、 Ｘ ２ 、 Ｘ ３ 、 Ｘ ４ 、 Ｘ ５分 别代 表 元 素 ： Ａ ｓ 、 Ｈ Ｃ Ｈ、 Ｎ Ｈ ３ 、 Ｐ ｂ 、
归分析 、 逐 步回归 、 时间序列分 析等统计 学工具对 影响 Ｐ Ｍ２ ． ５的 Ｔ Ｓ Ｐ ； Ｙ１ 代表第一 主成分 ，故元 素 Ａ ｓ 、 Ｈ Ｃ Ｈ、 Ｎ Ｈ ３ 、 Ｐ ｂ 、 Ｔ Ｓ Ｐ所 占权 因素进行分析 ， 得 出主要影响 因素为 Ａ ｓ 、 ｃ ｏ 、 ｃ ｒ 、 Ｃ ｕ 、 Ｎ Ｈ３ 、 Ｎ Ｍ Ｖ Ｏ Ｃ 重 分别 为 ： ０ ． ４ ４ ５ ５ ６ 、 ０ ． ４ ４ ７ ３ ７ 、 ０ ． ４ ４ ６ ４ ７ 、 ０ ． ４ ４ ８ ７ ２ 、 ０ ． ４ ４ ８ ２ ７ 。
为： ０ ． ５ ７ ６ ２ ０ 、 ０ ． ５ ７ ９ １ ２ 、 ０ ． ５ ７ ６ ２ ０ 。
１影 响 Ｐ Ｍ２ ． ５主 要 因素的 多元统 计分 析
１ ． １聚 类 分 析
同理 处 理 ４至 ６类 。
分 析结 果可以看 出在 每一类 中各个 成分 的权 重非 常接 近 ， 可 以视为是相 同的 ， 所 以下面进行数据处 理时 ， 采用直接 求平均 的
２ ０ １ ２ 年 冬季 ， Ｐ Ｍ２ ． ５导致的雾霾天气令 人堪忧 ， 而构成 Ｐ Ｍ２ ． 的信息 ， 且彼此互不相 关 ， 从 而仅利用 几个重要 的主成分就 能够 Ｐ Ｓ Ｓ软件 对各分类 中各 种元 ５的 因素却在 国内少有人研究 、 报导 。我 国 Ｐ Ｍ２ ． ５的检测起 步过 解释原始数据的大部分变异。利用 Ｓ 可得各分类 中主成分表达式如下 ： 晚， 相关影响因素种类过多 、 测量不便 、 数据 稀少 是这一问题的重 素含量进行 主成分分析 ， 要原 因『 ｌ ＿ 。 针对 国内 Ｐ Ｍ２ ． ５和相关影响 因素测量数据较少的现状 ， 我们 的数据来 自欧洲环保署（ Ｅ Ｅ Ａ） 发布 的欧洲 ２ ７国空气悬 浮物 监测年报口 。在此基础上 ， 我们应用 聚类分析 、 主成分分析 、 线性 回 第 一类 ： Ｙ Ｉ ＝ Ｏ ． ４ ４ ５ ５ ６ Ｘ １ ＋ ０ ． ４ ４ ７ ３ ７ Ｘ ２ ＋ ０ ． ４ ４ ６ ４ ７ Ｘ ３ ＋ ０ ． ４ ４ ８ ７ ２ Ｘ ４ ＋
江西省pm2.5时序分布特征及其影响因素
2 研究方法
描述两变量之间的相关关系时，通常采用 Pearson
相关系数 [4]。其计算公式如下：
Rp =
n
∑( xi − x )( yi − y )
i =1
n
n
∑( xi − x )2 ∑( yi − y )2
i =1
i =1
（1）
收稿日期：2019-10-06 作者简介：邓煜凡（1999-），女，广东惠州人，本科在读，研究方向：遥感和地理信息系统。
1 研究区域及数据
研究数据来源于生态环境部全国城市空气质量
实时发布平台（http：//106.37.208.233：20035/），统 计时间为 2017 年整年。本文以江西省为研究区域， 境内共有 60 个监测站点，其中南昌设有监测站点 9 个， 九江设有监测站点 8 个，景德镇、萍乡、新余、鹰潭、 赣州、宜春和抚州各设 5 个，吉安和上饶各设 4 个。
各季节 PM2.5 浓度由低到高为夏季、春季、秋季、冬季。总体来看，江西省 PM2.5 浓度在全年尺度上与
SO2、NO2、CO 和 O3 都呈显著正相关，与 SO2、NO2 和 CO 的相关性较强，与 O3 的相关性较弱。 关键词：江西省；PM2.5；相关系数
中图分类号：X513
文献标识码：A
文章编号：1008-9500(2019)12-0132-03
Abstract: Based on the monitoring data of PM2.5 in Jiangxi Province in 2017, the time series distribution characteristics and influencing factors of PM2.5 were analyzed by statistical analysis and Spearman correlation coefficient method in this study. The results show that Ji'an and Yichun have the most serious pollution, both exceeding 50 μg/m3. In general, the concentration of PM2.5 in Jiangxi Province was significantly positively correlated with SO2, NO2, CO and O3 on the whole scale, and correlated strongly with SO2, NO2 and CO, and weakly correlated with O3. Keywords: Jiangxi province; PM2.5; correlation coefficient
《2024年关于PM2.5影响因素的统计分析》范文
《关于PM2.5影响因素的统计分析》篇一一、引言PM2.5，即粒径小于或等于2.5微米的可吸入颗粒物，因其微小的尺寸能够深入肺部甚至血液系统，成为衡量空气质量的重要指标之一。
随着现代工业化和城市化进程的加快，PM2.5污染问题愈发突出，引起国内外广泛的关注。
本文将基于最新的统计数据，对PM2.5的影响因素进行统计分析，以期为相关政策制定和环境保护提供科学依据。
二、数据来源与方法本次研究的数据主要来源于国家及地方环保部门发布的空气质量监测报告。
研究方法包括描述性统计分析和多元回归分析。
我们选取了多个城市近一年的PM2.5浓度数据，以及与之相关的气象、交通、工业排放等数据。
三、PM2.5影响因素的统计分析1. 气象因素气象因素是影响PM2.5浓度的主要因素之一。
根据统计分析，风速、温度、湿度和降水等气象条件对PM2.5浓度有显著影响。
风速较小的时候，空气流动性差，污染物不易扩散，导致PM2.5浓度升高。
温度和湿度的变化也会影响颗粒物的形成和扩散。
例如，低温高湿环境下，颗粒物更易凝结，形成较大颗粒物，进而影响空气质量。
2. 交通因素交通因素也是影响PM2.5浓度的关键因素。
统计数据显示，交通拥堵、车辆尾气排放等因素都会导致PM2.5浓度上升。
城市中心区由于车流量大，交通拥堵现象严重，PM2.5浓度普遍较高。
此外，柴油车等重型车辆的尾气排放也是PM2.5的重要来源。
3. 工业排放与能源消耗工业生产和能源消耗是PM2.5产生的另一重要源头。
统计结果显示，钢铁、化工、电力等重工业行业的排放对PM2.5浓度影响显著。
这些行业在生产过程中会产生大量颗粒物和有害气体，严重污染空气质量。
此外，煤炭等传统能源的消耗也会产生大量PM2.5。
四、多元回归分析为了更准确地分析各因素对PM2.5浓度的影响程度，我们进行了多元回归分析。
结果表明，气象因素、交通因素、工业排放与能源消耗等因素均对PM2.5浓度有显著影响。
其中，气象因素对PM2.5浓度的影响最为显著，其次是交通因素和工业排放与能源消耗。
全国城市的pm2.5平均浓度指标
全国城市的pm2.5平均浓度指标1.引言近年来，空气污染成为全球关注的焦点之一。
PM2.5（细颗粒物）作为空气质量的主要指标之一，对人类健康和环境质量产生了重要影响。
本文将重点探讨全国城市的PM2.5平均浓度指标，并分析其相关特征和影响因素。
2. PM2.5的定义和意义P M2.5是指直径小于或等于2.5微米的颗粒物，它们能够悬浮在空气中较长时间，进而被人体吸入。
由于其微小的大小，P M2.5不仅能够直接进入人体呼吸道，还能够携带其他有害物质（如重金属、有机污染物）进入人体体内，对健康产生危害。
因此，P M2.5被广泛作为空气质量指标，用于评估空气污染程度。
3.全国城市P M2.5平均浓度指标全国各城市的PM2.5平均浓度指标是衡量城市空气质量的重要参考依据。
该指标通常以每立方米空气中的P M2.5颗粒物质量进行表示，单位为微克/立方米（μg/m³）。
与其他指标相比，PM2.5平均浓度是评估空气质量和健康风险的更为直接和准确的指标。
据最新统计数据显示，我国各城市的P M2.5平均浓度具有很大的差异性。
一线城市如北京、上海等由于工业发展和交通流量大，其P M2.5平均浓度普遍较高。
而一些西部欠发达地区受到自然因素和人为干扰的影响，P M2.5平均浓度相对较低。
4.城市PM2.5平均浓度的影响因素城市PM2.5平均浓度受多种因素的综合影响，包括工业排放、交通污染、气象条件以及自然环境等。
以下是一些主要影响因素的介绍：4.1工业排放城市工业活动是P M2.5污染的重要来源之一。
大量的工业废气排放和工业粉尘悬浮颗粒物都会导致PM2.5的增加。
因此，工业企业应加强污染治理，控制废气排放，减少PM2.5的生成。
4.2交通污染交通运输是城市空气污染的重要原因之一。
汽车尾气中的颗粒物、氮氧化物等物质会产生大量PM2.5，尤其在交通拥堵时更明显。
因此，城市应加强公共交通建设，鼓励市民使用环保交通工具，减少交通排放。
1999-2012年中国PM2.5污染时空演化特征与影响因素解析
2000-2011年中国PM2.5污染时空演化特征与影响因素解析摘要：PM2.5作为中国空气质量恶化与雾霾频发的主要因素，研究意义重大。
研究采用NASA中心2000-2011年遥感反演数据，利用地统计、地理探测器及GIS空间分析方法，首次系统的揭示了中国大陆及台湾地区十多年来PM2.5浓度时空演化格局特征与其驱动因素。
主要结论：（1）2000-2011年中国PM2.5年平均浓度一直保持在22.47μg/m3-28.26μg/m3高位运行，总体呈现先快速增加后趋于稳定的态势，2006年是PM2.5浓度值变化的拐点；（2）中国PM2.5浓度整体呈现北方高于南方，东部高于西部趋势，浓度高值点集中连片分布在黄淮海平原、长三角下游平原、四川盆地与塔克拉玛干沙漠4大重污染区域，其中京津冀地区污染最为严重；（3）2000-2006年PM2.5的污染重心整体呈现明显东移趋势，2006之后污染浓度高值区重心呈现明显东进趋势，低值区则呈现西移趋势，两者重心背向而行；（4）空间自相关分析表明PM2.5年均浓度呈现强烈的局部空间正自相关特性，PM2.5―高-高‖集聚区连片分布在黄淮海平原、汾渭盆地、四川盆地及江汉平原地区；PM2.5 ―低-低‖集聚区分布在长城以北的内蒙古、黑龙江，青藏高原与新疆北部，以及台湾、海南与福建等东南沿海及岛屿地区；（5）地理探测器方法分析表明自然因素与人类活动共同对PM2.5空间分布、浓度变化产生巨大影响，其中人口增长（人口密度）、汽车数量增加、工业烟尘排放、秸秆燃烧是中国PM2.5浓度变化的主要驱动因素。
关键词：PM2.5; 大气污染；时空演化；地理探测器；中国1.引言随着中国城市化、工业化的快速发展，能源消费与居民汽车保有量激增，城市化建设造成的扬尘、煤炭燃烧以及汽车尾气排放产生的大气污染更加严重，导致空气中悬浮颗粒物（TSP）飙升[1,2]。
中国雾霾天气频率呈逐年增多趋势，地缘上形成黄淮海地区、长江三角洲、四川盆地和珠江三角洲四大雾霾区[3,4]。
基于R语言的城市PM2.5影响因素分析
基于R语言的城市PM2.5影响因素分析随着城市化进程的加速，大多数城市面临着空气污染的严重问题。
PM2.5（细颗粒物）是城市空气污染的主要成分之一，对人体健康和环境质量都具有重要影响。
研究和分析城市PM2.5的影响因素对于改善环境质量和人居环境至关重要。
在R语言中，我们可以使用各种统计方法和机器学习模型来进行城市PM2.5的影响因素分析。
下面将介绍一种基于R语言的分析方法。
我们需要收集城市PM2.5的相关数据。
这些数据可以从环境监测站点、气象站点和人口普查数据等渠道获取。
利用R语言的数据操作和清洗功能，我们可以对数据进行处理和整理，准备用于后续分析的数据集。
接下来，我们可以通过可视化工具（如ggplot2包）对数据进行初步的探索性分析。
通过绘制散点图、箱线图和直方图等图表，我们可以观察到数据的分布和相关关系。
我们可以绘制城市PM2.5与气温、湿度、风速等指标之间的散点图，来初步了解它们之间的相关程度。
在进一步的分析中，我们可以使用统计模型（如线性回归模型）来研究城市PM2.5的影响因素。
R语言提供了多种线性回归模型的实现，例如lm()函数。
通过建立合适的线性回归模型，并进行模型诊断和评估，我们可以确定哪些指标对城市PM2.5的影响最为显著。
除了线性回归模型，我们还可以尝试其他的机器学习模型来进行影响因素分析，例如决策树、随机森林和支持向量机等。
R语言提供了多个包（如rpart、randomForest和e1071包）来实现这些模型。
通过比较不同模型的预测效果，我们可以选择最优的模型来解释城市PM2.5的影响因素。
我们可以利用R语言的统计模型和模型预测功能，来进行影响因素的解释和预测。
通过对模型参数的解读和解释，我们可以了解各个指标对城市PM2.5的贡献度。
我们也可以通过输入不同的指标值，使用模型进行PM2.5的预测，从而评估不同因素对PM2.5变化的影响程度。
基于R语言的城市PM2.5影响因素分析可以帮助我们更好地理解和评估城市空气污染问题。
《关于PM2.5影响因素的统计分析》
《关于PM2.5影响因素的统计分析》篇一一、引言随着工业化进程的加速和城市化程度的提高，空气质量问题日益受到人们的关注。
PM2.5作为空气质量的重要指标之一，其浓度的变化受到多种因素的影响。
本文将对PM2.5的影响因素进行统计分析，以期为改善空气质量提供科学依据。
二、研究方法本研究采用统计分析的方法，收集了某城市过去一年的PM2.5浓度数据，同时收集了可能影响PM2.5浓度的相关因素数据，如气象因素、交通因素、工业排放等。
通过数据整理、描述性统计分析和多元回归分析等方法，对PM2.5的影响因素进行探讨。
三、影响因素分析1. 气象因素气象因素是影响PM2.5浓度的主要因素之一。
通过统计分析发现，风速、温度、湿度和降水等气象因素对PM2.5浓度有显著影响。
其中，风速越大，PM2.5浓度越低；温度和湿度的变化也会影响PM2.5的扩散和沉降；降水对PM2.5有明显的冲刷作用，能有效降低PM2.5浓度。
2. 交通因素交通因素是城市PM2.5污染的重要来源之一。
统计分析显示，交通流量、车型比例和交通拥堵状况等因素都会影响PM2.5浓度。
其中，交通流量越大，PM2.5浓度越高；柴油车等高排放车辆的占比越高，PM2.5污染越严重；交通拥堵状况也会加剧PM2.5的积累。
3. 工业排放工业排放是PM2.5污染的另一个重要来源。
统计分析表明，不同行业的工业排放对PM2.5浓度的影响程度不同。
其中，钢铁、电力、化工等重工业行业的排放对PM2.5浓度的贡献较大。
此外，工业区的布局和治理水平也会影响PM2.5的污染程度。
四、多元回归分析为了更准确地探究各因素对PM2.5浓度的影响程度，我们进行了多元回归分析。
以PM2.5浓度为因变量，以气象因素、交通因素和工业排放等因素为自变量，建立回归模型。
分析结果表明，各因素对PM2.5浓度的影响程度存在差异，其中气象因素和交通因素对PM2.5浓度的影响较为显著。
五、结论与建议通过统计分析，我们得出以下结论：1. 气象因素是影响PM2.5浓度的主要因素之一，风速、温度、湿度和降水等因素都会影响PM2.5的扩散和沉降。
PM2.5的相关因素时间序列分析模型
PM2.5的相关因素时间序列分析模型一、引言网:m我国华北的部分城市每年冬天都会遭遇雾霾的多次袭击。
许多人的日常上班，学习都受到影响，当雾霾天气中细微颗粒物浓度很高时，环境污染会对人体造成严重的不良影响，比如呼吸道感染，心脑血管疾病，心肺疾病等发生比率上升。
PM2.5也被称为细微颗粒物，是指大气中直径小于等于2.5微米的悬浮颗粒物。
PM2.5粒子直?叫。
?易于富集空气中的有毒有害物质。
由上文所述背景，本文就是对PM2.5浓度的气象影响因素进行分析建模，并预测未来一段时间的PM2.5浓度，尽可能准确地做出预报，为人们的日常工作学习提供参考和依据，降低PM2.5带来的空气污染所造成的损失。
本文基于UCI上记载的北京市2010-2015年每日12时的PM2.5监测值，运用机器学习相关算法预测未来一段时间的PM2.5预测值。
二、ARIMA模型的建立（一）建立ARIMA模型1.时间序列图时间序列图分析模型能进行精度比较高的短期预测，因此针对北京市东四2015.1.1-2015.12.21共355天的数据用R软件进行建模预测。
由结果图可知，北京东四在2015.1.1-2015.12.21的PM2.5值并不平稳，故要进行变换或者差分处理。
对原始数据进行一阶差分，差分后的值显示平稳但是还需要进行单位根检验。
一阶差分图如图12.单位根检验单位根检验的P值小于0.05，故拒绝原假设，为平稳序列。
接下来进行一阶差分后的白噪声检验滞后12阶指标相关统计量如下表所示。
我们可以看出，两个指标取对之后进行差分过后均显著，是非白噪声序列，我们可以进行接下来的模型识别和模型选择。
3.模型识别及定阶通过R软件中的自动定阶，得出最合适的模型是ARMA（1，4），因为进行了一阶差分，故最终模型为ARIMA（1，1，4），如下：ARIMA（1，0，4）withzeromean：4052.331Bestmodel：ARIMA（1，0，4）withzeromeanSeries：X3ARIMA（1，0，4）withzeromeanCoefficients：ar1ma1ma2ma3ma4-0.1322-0.3429-0.3689-0.1963-0.0667s.e.0.56630.56350.27870.18640.1110sigma^2estimatedas5687：loglikelihood=-2020.04AIC=4052.09AICc=4052.33BIC=4075.275.模型的诊断Q-Q图来检验残差的正态性：Q―Q图是一种有效平谷正态性的工具，由图可知整体趋势接近一条直线，但是也存在异常值。
- 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)。
2.5
PM影响因素的统计分析
摘要
大气细颗粒物污染 2.5PM 已经成为安庆市主要的环境问题之一。
本文通过对 2.5PM 与AQI 中其他指标进行相关性分析,得到 2.5PM 与2SO 、2NO 、CO 呈正相关，与3O 和温度呈负相关,同时利用多元回归模型得到 2.5PM 与主因子的数量关系,给安庆市 2.5PM 防控提供参考意见。
2014年12月至2016年1月 关键词： 2.5PM AQI 主成分分析多元回归模型
以京津冀为代表的华北地区成为中国空气污染最严重的地区并非偶然。
12
燃 与较粗的大气颗粒物相比，PM2.5粒径小，面积大，活性强，易附带有毒、有害物质（例如，重金属、微生物等），且在大气中的停留时间长、输送距离远，因而对人体健康和大气环境质量的影响更大。
2013年2月，全国科学技术名词审定委员会将PM2.5的中文名称命名为细颗粒物。
细颗粒物的化学成分主要包括有机碳（OC ）、元素碳（EC ）、硝酸盐、硫酸盐、铵盐、钠盐（Na+）等。
PM2.5[1]，指环境空气中空气动力学当量直径小于等于2.5μm 的颗粒物，直径不到人的头发丝粗细的1/20。
这个值越高，代表空气污染越严重。
可吸入颗粒物又称为PM10，指空气动力学当量直径在10微米以下的颗粒物。
PM2.5在大气成分中含量很少，但对空气质量和能见度等有重要影响。
2012年2月，国
务院发布《环境空气质量标准》增加细颗粒物监测指标。
北京城六区PM2.5年均上限60微克，未达国家标准。
2013年9月2日发布清洁空气《重点任务分解》，计划北京城六区PM2.5浓度年均降三成。
2014年1月14日，2013年《中国气候公报》正式公布，2013年的霾天创52年来最多。
卫星遥感监测表明，2014年2月23日我国中东部地区空气污染影响面积约为98万平方公里，其中空气污染较重面积约为80万平方公里。
2015年8月5日，中国科学家发现PM2.5中煤烟聚集物最具毒性。
二、生成来源
颗粒物的成分很复杂，主要取决于其来源。
主要有自然源和人为源两种，但危害较大的是后者。
在学术界的分为一次气溶胶（Primaryaerosol）和二次气溶胶（Secondaryaerosol）两种。
表1
的凝结核，除了海水中的盐分，细颗粒物PM2.5也是重要的源。
有些条件下，PM2.5太多了，可能“分食”水分，使天空中的云滴都长不大，蓝天白云就变得比以前更少；有些条件下，PM2.5会增加凝结核的数量，使天空中的雨滴增多，极端时可能发生暴雨。
[6]
影响分布图
全球空气质量地图
美国国家航空航天局（NASA）2010年9月公布了一张全球
全球空气质量地图
空气质量地图，专门展示世界各地细颗粒物的密度。
地图由达尔豪斯大学的两位研究人员制作。
他们根据NASA的两台卫星监测仪的监测结果，绘制了一张显示出2001年至2006年细颗粒物平均值的地图。
在这张图上红色（即细颗粒物密度最高），出现在北非、东亚和中国。
中国华北、华东和华中细颗粒物的密度，指数甚至接近每立方米80微克，甚至超过了撒哈拉沙漠。
在这张2001-2006年间平均全球空气污染形势图上，全球细颗粒物最高的地区在北非和中国的华北、华东、华中全部。
世界卫生组织（WHO）认为，细颗粒物小于10是安全值，而中国的这些地区全部高于50接近80，比撒哈拉沙漠还要高很多。
[7]
全球各地区细颗粒物浓度和致死人数分布图
全球各地区细颗粒物浓度和致死人数
分布图
美国国家航空航天局地球观测站（NASA'sEarthObservatory）公布了一幅地图，展示了1850年至2000年之间全球各地区大气污染物细颗粒物浓度变化和致死人数情况。
2010年，韦斯特发表了一项基于单一的大气环境计算机模型的研究报告，估算了全球空气污染对人们健康的影响。
韦斯特和他的同事们认为，利用一系列不同的大气环境计算机模型，总共六个，他们可以提高此前估算数据的精确度。
2013年，他们在《环境研究通讯》（EnvironmentalResearchLetters）发表了
他们的研究论文，得出如下结论：全世界每年因为室外的有毒空气污染物细颗粒物而死亡的人数为210万。
这幅地图显示了1850年至2000年全球空气污染水平变化，以及平均每平方公里每年因空气污染致死人数分布情况。
颜色越深，表明该地区平均每平方公里每年空气污染致死人数越多。
咖啡色地区比浅棕色地区有更多的人过早死亡。
蓝色地区的空气质量1850年以来已经改善，早逝人数下降。
在中国东部、印度北部和欧洲，工业革命带来的城市化导致空气中的细颗粒物大大增加，并对人们的健康造成了很大的影响。
在这些人口稠密、空气污染严重的地区（深褐色），人为造成的空气污染导致每年每平方公里超过1000人过早死亡。
少数地区（蓝色），如美国东南部，细颗粒物浓度相对于工业化前的水平有所下降，因空气污染而过早死亡的人数下降。
在美国东南部地区，细颗粒物浓度的下降可能与过去160年中当地生物质燃烧水平的下降有关。
[8-9]
各国政策
中国
可怕的PM2.5
2011年1月1日开始，环保部发布的《环境空气PM10和PM2.5的测定重量法》开始实施。
首次对PM2.5的测定进行了规范，但在环保部进行的《环境空气质量标准》修订中，PM2.5并未被纳入强制性监测指标。
2012年05月24日环保部公布了《空气质量新标准第一阶段监测实施方案》，要求全国74个城市在10月底前完成PM2.5“国控点”监测的试运行。
[14] 2012年10月11日，中国国家环境保护部副部长吴晓青表示，新的《环境空气质量标准》颁布后，环保部明确提出了新标准实施的“三步走”目标。
按照计划，2012年年底前，京津冀、长三角、珠三角等重点区域以及直辖市、计划单列市和省会城市要按新标准开展监测并发布数据。
截至目前，全国已有195个站点完成PM2.5仪器安装调试并试运行，有138个站点开始正式PM2.5监测并发布数据。
[15]
三、以常州为案例分析。