PM10质量浓度（共4篇）
PM10质量浓度 篇1
空气质量既取决于污染源的数量、性质和排放强度, 还要依据当时、当地的气象条件而定。气象条件与空气质量的关系十分密切。Kinney[1]的研究表明, PM10的性质与能见度的降低密切相关。Buchanan等在对冬季大气颗粒物的研究中发现, 颗粒物的质量浓度受气象条件和大气的稳定度尤其是风的状况影响较大[2]。杨亦彬[3]对成都市大气污染及气象条件影响进行了分析。张蔷等[4]研究了北京地区低空风、温度层结对大气污染物垂直分布影响。刘厚凤等[5]通过对济南市若干严重污染日大气环流形势的调查分析, 得出了在污染源强不变的条件下, 济南市区的严重空气污染与特殊大气环流形势的相关性。研究泰安市不同季节易出现高浓度污染天气时各气象要素的取值范围, 为制定合理的PM10 (粒径<10μm的颗粒物) 控制和环境“创模”工作提供参考。
1 数据来源
该文所用数据为泰安市环境监测站所提供的2004年3月至2007年2月的PM10日平均资料、各测点日均值资料。气压、气温、日照等气象资料来自泰安气象站地面大气观测。
2 泰安市PM10浓度分布特征
2.1 PM10浓度季节分布特征
分析泰安市环境监测站2004年3月至2007年2月PM10日平均监测资料 (春季3—5月, 夏季6—8月, 秋季9—11月, 冬季12—2月) , 结果见图1。泰安市各季节的PM10的季均浓度以冬季最高, 为0.081 mg/m3, 夏季最低, 为0.063mg/m3。春季略高于秋季0.002 mg/m3, 冬季比夏季高28.6%, PM10的季节平均浓度大小依次为:冬季>春季>秋季>夏季。
2.2 PM10浓度月分布特征
从图2可以看出, 泰安市各月PM10的月均浓度以1月最高, 为0.094 mg/m3, 最低出现在5月和8月, 为0.058 mg/m3。自8月开始到1月呈现逐步增加的形势, 2月则回落到较低值 (0.067 mg/m3) , 此后3—5月一直呈减少态势。PM10月平均浓度大小依次为:1月>3月>12月>4月>11月>10月>9月和6月>2月>7月>5月和8月。
2.3 PM10浓度周变化特征
PM10浓度的周变化基本排除了周期性气候变化的影响, 主要反映周期性人类活动变化的影响。从图3可以看出, PM10浓度以周二最高, 周日次之, 周五最低。
2.4 PM10浓度日变化特征
PM10浓度的日变化特征见图4, 可以看出:一天中PM10浓度出现2峰2谷。第1峰值区出现在19:00—21:00, 第2峰值区出现在7:00—9:00, 第1谷值区出现在15:00, 第2谷值区出现在1:00—4:00。
3 泰安市不同PM10浓度等级气象要素特征分析
3.1 PM10等级划分标准
根据《国家环境空气质量标准 (GB3095-1996) 》规定, 将PM10质量浓度划分为3个等级, 如表1所示。
(mg/m3)
3.2 PM10浓度等级的季节特征
根据2004年3月1日至2007年2月28日共计1 084d的有效资料, 统计泰安市PM10浓度不同等级所出现的天数 (图5) , 可以看出, PM10年平均浓度为2级标准的天数共计21 d, 占2.0%, 其中春季5 d、夏季1 d、秋季2 d、冬季13d, 污染日数次序:冬季>春季>秋季>夏季。日平均浓度最高值0.225 mg/m3出现在2004年春季 (3月10日) , 该日气压低、风速较大 (3级风) , 空气干燥, 多云无降水;3月9日PM10浓度值为0.213 mg/m3, 也表现出类似的天气特点。PM10浓度介于0.051~0.150 mg/m3之间的天数共有873 d, 占80.5%, 其中春季233 d、夏季214 d、秋季229 d、冬季197 d。PM10日平均浓度小于0.05 mg/m3的天数共计190 d, 占17.5%, 其中春季38 d、夏季61 d、秋季41 d、冬季50 d, 次序为:夏季>冬季>秋季>春季。其中最低值0.019 mg/m3天气表现为较大的风速 (3 m/s以上) 和降水。一年中, 冬季PM10达3级的污染日数最多, 夏季PM10达1级的洁净天数最多, 春季则处于2级污染的日数最多。
3.3 不同PM10浓度水平下各气象要素的统计特征
3.3.1 气温。
气温与PM10浓度等级状况统计结果见表2。可以看出:春季日平均气温在10~20℃范围时, 出现PM10浓度3级的污染几率比较大, 是出现2级PM10的1.1倍, 是1级天气的1.3倍。夏季气温普遍较高, 3个PM10等级天气的气温都集中在20~30℃之间, 且出现几率相当。秋季3级污染日气温集中在10~20℃之间, 洁净日的气温集中在20℃以下。日平均气温在10~20℃之间时, 3级污染的出现频率是2级污染日的1.9倍, 是清洁日的1.8倍;日平均气温在20~30℃之间时, 2级污染日的出现频率是清洁日的2.4倍。冬季气温普遍较低, 3级污染日出现在0℃以下的几率较大。
3.3.2气压。
气压与PM10浓度等级状况统计结果见表3。可以看出, 春季日平均气压小于990 h Pa时, 3级污染日的出现频率是2级污染日的2.5倍, 也是洁净日的2.5倍, 当气压在990~1 000 h Pa时, 3级污染日出现次数增加, 其出现频率分别是2级污染日的1.7倍和洁净日的1.3倍;夏季在气压小于990 h Pa时, 无3级污染日出现, 3级污染多集中在990~1 000 h Pa之间, 其出现频率是2级污染的1.9倍;秋季当气压小于990 h Pa时不会出现污染日, 当气压在1 000~1 010 h Pa时, 各级污染日出现频率均较多。冬季气压一般大于990 h Pa, 当气压在1 000~1 010 h Pa时3个等级日出现几率相差不大, 3级污染几率略多, 而当气压大于1 000 h Pa时出现洁净日的几率则大于2、3级污染日。
(%)
可见, 较高气压下污染日的出现频率高于洁净日。原因是当低压控制时, 盛行辐合上升运动, 风速较大, 大气处于中性或不稳定状态, 有利于污染物的扩散和稀释;当高压控制时, 一般天气晴朗, 风速小, 空气比较静稳, 容易形成下沉逆温, 从而阻止污染物在垂直方向上的扩散, 如果高压移动缓慢, 长期停留在某一区域, 就会造成由于高压控制而形成的小风速和稳定层结, 极不利于污染物的扩散和稀释。
3.3.3 风速。
排入大气中的污染物在风的作用下会被输送到其他地区, 风速越大, 单位时间内污染物被输送的距离越远、与污染物混合的清洁空气的量越多、污染物浓度越低。风速越小, 这种水平输送和稀释冲淡的作用越弱, 污染物浓度越高。泰安年平均风速为2.5 m/s, 春季风速最大, 平均风速为3.0 m/s, 夏季为2.2 m/s, 秋季为2.2 m/s, 冬季为2.5 m/s。风是边界层内影响污染物稀释扩散的重要因子, 风速起到水平输送和稀释扩散作用, 风向决定污染物的分布。对在不同风速下不同等级污染日出现频率的统计见表4, 可以看出, 随着风速的增大, 污染日的出现频率逐渐减小, 而春季风速增大时, 易出现污染日, 这可能与风速增大会引起扬沙或浮尘天气有关。
(%)
(%)
3.3.4 日照时数。
日照时数与PM10浓度等级状况统计结果见表5。可以看出:在无日照的时候, 洁净日的出现几率较大, 除冬季外, 均无3级污染日出现, 这是因为无日照时往往有降水所致;在日照时数0~5 h的范围内, 除夏季外, 一般污染日多于洁净日;当日照时数大于10 h时, 洁净日的出现频率相对增加。夏季则相反, 这是因为在日照时数很短的天气中, 近地面温度升高幅度不大, 有利于大气扩散的混合层高度较低, 不利于污染物的扩散。反之, 日照时数越长, 太阳辐射影响时间越长, 有利于地表增温, 形成大气的不稳定层结, 大气混合层较厚, 易于污染扩散。
(%)
3.3.5 相对湿度。
泰安夏季湿度最高, 春季的湿度最低。湿度的分布与PM10污染状况统计结果见表6, 可以看出:除冬季外, 在湿度≤40%时出现污染天气的可能性较大, 其原因可能是在湿度较低的情况下, 城市中的土壤尘和建筑尘等极易被风带起, 再加上外来尘源的影响, 出现高污染天气的可能性极大。当湿度≥60%时, 3级污染日出现几率变小, 可能是由于雨雪天气的出现, 使空气中的微小颗粒不会悬浮在空气中, 产生湿沉降, 使颗粒物浓度减小。
(%)
3.3.6 能见度。
能见度是指视力正常的人在当时的天气条件下, 能够从天气背景中看到和辨出的目标物 (黑色、大小适度) 的最大水平距离。影响能见度的主要气象因素有:雾、霆、沙尘、烟尘、雪、雨等。能见度的分布与PM10污染状况统计结果见表7, 可以看出:能见度越低, 污染日出现频率越高。例如, 污染日能见度超过10 km的天数为25.82%, 而非污染日超过10 km的天数占56.32%。能见度与PM10表现出较好的相关性, 原因是由于大气稳定状况相关。气层稳定时, 水汽、杂质、污染物多分布在低层大气, 使能见度变差, PM10浓度也升高;而当气层不稳定时, 由于对流或乱流作用, 将污染物等带至高层, 使近地面能见度好转, PM10浓度也随之降低。
(%)
3.3.7 总云量。
总云量是指云的多少, 我国将视野能见的天空分为10等份, 云量是指云遮蔽的份数。总云量是指不论云的高低或层次, 所有的云遮蔽天空的份数。云量在3份以下为晴天;3~8份为少云或多云天气;8份以上为阴天。云的形成、云量的多少反应了大气的运动情况, 也影响大气的温度层结。云对太阳辐射和地面辐射有反射和吸收作用, 白天, 云阻挡太阳向地面进行辐射;夜晚, 云层的存在, 特别是有浓厚的低云时, 地面的长波辐射被云层吸收, 使地面不容易冷却。云层的存在使气温随高度变化而变化的程度减小、区域对流运动减弱、气层稳定, 不利于污染物的扩散, 易造成空气污染。阴天伴随降水时, 则对大气颗粒物起到冲洗作用。泰安市夏季总云量最多, 平均6.3份, 冬天最少, 平均4.1份。总云量与PM10等级状况统计结果见表8。可以看出:除夏季外, 当总云量为3~8份时, 污染日的出现几率较大;当总云量大于8份 (阴天) , 出现非污染日的几率较大。这是因为阴天往往伴随降雨过程。
(%)
3.3.8 降水量。
降水量与PM10等级状况统计结果见表9。可以看出:降水对颗粒物的冲洗作用明显, 除秋、冬季10 mm以下的降水出现3级污染几率较大外, 其他范围内均无3级污染出现。2004年3月至2007年2月共出现暴雨13次, 每个暴雨日的PM10浓度如表10所示。可以看出, 暴雨日PM10浓度普遍偏小, 最大浓度为0.074 mg/m3, 最小浓度为0.022 mg/m3, 平均0.594 mg/m3。
4 结论
(%)
采用统计分析方法得到不同PM10浓度等级条件下各气象要素的取值范围, 推断出不同季节易出现高浓度污染天气时各气象要素的取值范围分别为:
(1) 春季:气压>990 h Pa;日平均气温10~20℃;日照时数5~10 h;总云量≤3份;相对湿度≤40%;风速>2.1 m/s。
(2) 夏季:气压990~1 000 h Pa;日平均气温20~30℃;日照时数>10 h;总云量在3.1~8.0份;相对湿度≤40%;风速为0~2.1 m/s。
(3) 秋季:气压在990~1 010 h Pa;日平均气温10~20℃;日照时数≤10 h;总云量0~3份;相对湿度60~80%;风速≤2 m/s。
(4) 冬季:气压>1 000 h Pa;日照时数5~10 h;总云量≤8份;相对湿度40%~60%;风速≤2 m/s。
参考文献
[1]KINNEY P L, OZKAYNAK H.Associations of Daily Mortality and Air Poll-ution in Los Angeles County[J].Environment research, 1991 (2) :99-120.
[2]BUCHANAN C M, BEVERLAND I J, HEAL M R.The influence of wea-thertype and long-range transport on airborne particle concentrations inEdinburgh, UK[J].Atmospheric Environment, 2002, 36 (34) :5343-5354.
[3]杨义彬.成都市大气污染及气象条件影响分析[J].四川气象, 2004, 24 (3) :40-43.
[4]张蔷, 赵淑艳, 金永利.北京地区低空风、温度层结对大气污染物垂直分布影响初探[J].应用气象学报, 2002, 13 (U01) :153-159.
[5]刘厚凤, 张春楠.济南市空气污染与大气环流形势相关性探讨[J].山东师范大学学报:自然科学版, 1999, 14 (4) :405-408.
PM10质量浓度 篇2
摘要：7月2日至8月13日和月29日至1月6日分别在广州市3种类型区域(一般城市区域、道路旁、工业源附近)9个居民住宅的室内和室外同步采集了PM2.5颗粒.采用标准称重法测定PM2.5质量浓度,得到广州市夏季住宅室内外PM2.5平均质量浓度分别为67.7、74.5 μg/m3,冬季室内外PM2.5平均质量浓度分别为109.9、123.7 μg/m3.广州市PM2.5平均质量浓度,与美国PM2.5标准相比,与国内PM10标准基础上假设的`PM2.5限值相比,与其他一些国内、亚洲和欧美城市的文献记录相比,结果均显示广州市PM2.5处于相当严重污染状态.广州市PM2.5质量浓度呈现明显的空间分布特征和季节变化特征;PM2.5室内质量浓度并不总是低于室外质量浓度,反映了室内空气污染的存在.作 者：黄虹 李顺诚 曹军骥 邹长伟 陈新庚 范绍佳 Huang Hong Li Shuncheng Cao Junji Zou Changwei Chen Xingeng Fan Shsojia 作者单位：黄虹,Huang Hong(华南师范大学化学与环境学院,广东,广州,510006;中国科学院地球环境研究所黄土与第四纪地质国家重点实验室,陕西,西安,710075)
李顺诚,Li Shuncheng(香港理工大学土木及结构工程系,香港,九龙)
曹军骥,Cao Junji(中国科学院地球环境研究所黄土与第四纪地质国家重点实验室,陕西,西安,710075)
邹长伟,Zou Changwei(南昌大学环境科学与工程学院,江西,南昌,330029)
陈新庚,范绍佳,Chen Xingeng,Fan Shsojia(中山大学环境科学与工程学院,广东,广州,510275)
PM10质量浓度 篇3
大气环境质量评价是对大气环境状况优劣的定性和定量的评述[1]。它是认识和研究大气环境质量的一种方法,可以为有效治理和控制大气污染提供必要的科学依据。许多城市随着工业化和商业化的建设,大气环境质量也日趋恶化,这就亟需对城市大气环境质量进行客观、全面、实时的评价。
迄今为止,许多数学方法和计算机技术应用于大气环境质量评价中,如模糊数学[2]、GIS 技术[3]、灰色系统[4]等。文献[5]采用时间序列分析方法,对成都市空气污染指数建立自回归滑动平均模型模拟实测的空气污染指数,并对模拟结果进行了检验。基于这种现实情况,采用时间序列分析的自回归模型对四川省宜宾市2004 年7月1日到8月31日的PM10浓度运用时间序列进行分析建模,并预测9月1日至10日的PM10浓度,分析预测精度。
1 时间序列模型(ARMA)简述
ARMA模型是20世纪70 年代由计量经济学家Box-Jenkins创立的,用于对随机时间序列进行分析研究的一种方法。Box在文献[6]中对ARMA(p,q)模型给出了具体的建模方法。
ARMA模型把时间序列作为随机过程来研究,必须考虑时间序列的统计特性。虽然对事物变化的全过程进行一次观测所得的结果,即时间序列的单个变量值的出现具有不确定性,但整个时间序列的变化却具有一定的规律性。一般说来,除少数情况以外,时间序列具有自相关性、动态记忆性等特征。自相关性是指时间序列各观测值之间的依存关系,这种关系可以用相关函数来表示;动态记忆性是从系统的观点来看,在某一时刻进入系统的输入对系统后继行为的影响;自相关性、动态记忆性表现了事物发展的延续性。ARMA 模型就是对时间序列的自相关性、自身的动态记忆性的具体描述,建模的过程就是动态记忆性的量化过程。
根据时间序列动态记忆性的内容不同,ARMA 模型有三种类型:自回归(AR:Auto-Regressive)模型、移动平均(MA:Moving-Average)模型和自回归移动平均(ARMA:Auto-Regressive Moving-Average)模型。
AR(p)即p阶自回归模型的形式为
MA(q)即q阶移动平均模型的形式为
ARMA(p,q)即p阶自回归q阶移动平均模型的形式为
式中,et为随机扰动项。
从以上三种模型的形式可知,AR模型描述的是系统对过去自身状态的记忆,MA模型描述的是系统对过去时刻进入系统的噪声(随机扰动项)的记忆,而ARMA模型则是系统对过去自身状态以及进入系统的噪声的记忆。
2 PM10浓度时间序列模型的建立
2004年7月1日至9月10日宜宾市政府的PM10浓度数据资料见表1。将此数据序列简记为yt序列,仅对2004年7月1日至8月31的数据利用Box-Jenkins方法建立ARMA模型,其过程如下。
数据来源:四川省宜宾市监测站
2.1 PM10浓度时间序列的平稳性检验
利用Eviews3.1软件[7]绘制的2004年7月1日至8月31日的四川省宜宾市的PM10浓度时间序列数据图如图1所示。从数据图可知该序列没有明显变化趋势。
利用Eviews3.1软件对原序列进行ADF单位根检验[8]的结果如表2。当置信度取5% 时,ADF值小于-2.910 9,可以得知该序列不含单位根,也就是可以认为该序列平稳。序列的自相关和偏自相关系数图也显示大多数自相关和偏自相关系数值落在置信区间里面,因此可以认为该序列是一个随机时间序列。因此,可以对该样本建立ARMA模型。
2.2 PM10浓度时间序列模型识别与定阶
对此时间序列利用Eviews3.1软件计算自相关和偏自相关函数如图2。从图中可以初步选定模型ARMA(1,1),ARMA(2,1), ARMA(3,1),ARMA(5,1),ARMA(7,1),ARMA(13,1),ARMA(14,1),ARMA(13),ARMA(14)。
2.3 PM10浓度时间序列模型的建立与检验
对于上述选择的多个阶数不同的ARMA 模型,运用Eviews3.1 软件,对序列分别利用以上模型进行分析,通过比较四个模型分析结果,此时间序列yt更适合拟合AR(14)模型。
对此模型的残差进行检验,得到残差的自相关图和偏自相关图。图形表明,模型的残差都在置信区间范围内,可认为与0无明显差异,已基本上消除了自相关和偏自相关,表明残差序列是独立的。
综合上述分析可以得出结论,利用AR (14) 模型对yt序列建模是合适的。
3 模型预测
预测是建模的目的之一,预测效果的好坏也是评判模型优劣的标准之一。本文利用2004年7月1日至8月31日四川省宜宾市委的PM10浓度时间序列数据建立AR (14)模型,对2004年9月1日至10日的PM10浓度进行预测,并与实际值进行比较的结果见图4,表4。
结果显示,模型是以2004年7月1日至8月31日四川省宜宾市委的PM10浓度数据建立的AR(14)模型,对2004年9月1日至10日的PM10浓度进行预测,预测的相对误差分别为:0%;-1.03%;-6.96%;-9.09%;0%;0%;3.26%;4.30%;-8.70%;-8.62%。预测精度比较高,相对误差在10%以内。表明应用时间序列分析预测大气污物是比较有效的,为大气污染物的预测预报方面提供一定的参考价值。
值得说明的是,时间序列ARMA 模型所描述的是时间序列的自相关性和自身的动态记忆性,反映的是时间序列的短期变化关系,而不是长期变化关系。因此,利用时间序列模型只能进行短期预测。
参考文献
[1]郦桂芬.环境质量评价.北京:中国环境科学出版社,1998
[2]季奎,戴晓兰.模糊数学在大气环境质量评价中的应用.环境科学与管理,2006;(6):188—190
[3]赵萍,胡友彪,桂和荣.基于GIS技术的城市大气环境质量评价———以淮南市为例.环境科学与技术,2002;25(4):24—26
[4]徐卫国,田伟利,张清宇,等.灰色关联分析模型在环境空气质量评价中的修正及应用研究.中国环境监测,2006;22(3):66—69
[5]柴微涛,宋述军,宋学鸿.成都市城区空气污染指数的时间序列分析.成都理工大学学报(自然科学版),2007;34,(4):485—488
[6]p.Box G E,Jenkins G M.Time Series Analysis,Forecasting and Con-trol,San Francisco:Halden-Day,1970
[7]张晓峒.计量经济分析.北京:经济科学出版社.2005:59—60
PM10质量浓度 篇4
我国环境监测总站公布各大主要城市空气质量日报已有多年的历史, 它是认识和研究大气环境质量的一种方法, 它不仅仅给人们的生活带来了很大的便利, 同时也给各相关部门制定相关的环境政策提供了参考依据。而今, 随着工业化和商业化的加剧, 大气环境质量也越来越差, 这就亟需对城市大气环境质量进行客观、实时的评价。目前, 我国的城市质量日报常规检测的几种空气污染物为SOx、NOx、PM10浓度, 监测数据的取位主要依据所使用仪器的精度和分析方法的最低检出浓度的有效数字所能达到的位数确定[1,2]。
到现在为止, 许多统计方法和计算机应用技术应用于大气环境质量评价中, 如模糊数学的综合评价方法[3], 找到了影响空气质量的主要污染因子, 并为降低和防治大气污染提供建议;GIS技术[4], 实现了大气环境模拟与评价结果的可视化管理;灰色系统预测模型[5], 通过实例的运用表明模型具有实用价值等, 而文献[4]采用时间序列分析方法[6], 对西安市2004~2008年PM10月平均浓度时间序列数据建立自回归滑动平均模型模拟实测的PM10浓度, 并对模拟结果进行了检验。文献[6]绘制多元自相关[7]过程的残差T2控制图, 并且通过蒙特卡洛模拟得出残差T2控制图能有效控制出现大偏移的多元自相关过程。但是, 几乎没有人将环境空气质量数据用于自相关残差控制图的绘制。包头市环境质量年报公布的2012年1月1日~2012年12月31日的市环境监测站的SOx、NOx、PM10浓度随时间的推进发生改变, 并且存在自相关的现象, 通过相关监测值建立时间序列模型, 以历史资料进行参数估值后便可以计算该监测指标的残差, 从而建立残差T方控制图[8,9]。时间序列模型分为:自回归 (AR) 模型、移动平均 (MA) 模型、自回归移动平均 (ARMA) 模型、自回归综合移动平均 (ARIMA) 模型等。
1 ARIMA时间序列模型
ARIMA是自回归移动平均结合 (Auto Regressive Integrated Moving Average) 模型的简写形式, 其应用范围很广泛, 但它只限于考虑平稳的时间序列或者是经过差分后平稳的时间序列。
(1) 自回归模型 (autoregressive, AR)
一个p阶自回归模型AR (p) 可表示如下:
其中准i, i=1, …p是自回归参数, ut是白噪声序列, Xt是由它的p个滞后变量的加权和以及ut相加而成。
(2) 移动平均模型 (moving average, MA)
一个q阶移动平均过程模型MA (q) 可表示如下:
其中θ1, θ2, …, θq是回归参数, ut为白噪声序列, 之所以称"移动平均", 是因为Xt是由q+1个ut和ut滞后项的加权和构造而成。"移动"指t的变化, "平均"指加权和。
(3) 自回归移动平均模型 (autoregressive moving average, ARMA)
由自回归和移动平均两部分共同构成的随机时间序列模型就成了自回归移动平均模型, 记为ARMA (p, q) , 其中p, q分别表示自回归和移动平均部分的最大阶数。ARMA (p, q) 的一般表达式是
自回归移动平均模型 (ARMA) 是随机时间序列分析模型的普遍形式, 自回归模型 (AR) 和移动平均模型 (MA) 是它的特殊情况。
当然, 这些模型只适合于平稳的时间序列, 如果一个时间序列是不平稳的, 那么首先应该把它转换成一个平稳的时间序列, 常用的转换方法是差分, 用公式表示就是:
把上面三个方法结合在一个模型中就成了ARIMA (p, d, q) 模型。其中p表示被回归项的滞后期数, q表示随机干扰项的滞后期数, 而d表示差分的阶数。
2 SOx、NOx、PM10浓度时间序列数据的模型拟合及控制图分析
本文选取了内蒙古包头市五个监测站的SOx、NOx、PM10浓度数据进行模型拟合以及控制图的绘制。每个监测站的每个监测项目都是从2012年1月1日~2012年12月31日的日浓度数据, 共366个观测值。下面主要以市环境监测站的SOx、NOx、PM10的浓度数据进行分析。
图1是内蒙古包头市SOx日观测浓度的时间序列, 基本可以看出其是一个非平稳的序列。利用EVIEWS7.0软件对原序列进行ADF单位根检验, ADF值为-2.318584大于1%的置信度水平, 接受原假设, 得知该时间序列含单位根, 也即该序列是一个非平稳的时间序列。为了消除非平稳性, 对原序列进行一阶差分处理, 并对差分后的数据进行ADF单位根检验, ADF值为-9.474383小于1%的置信度水平, 拒绝原假设, 得出一阶差分后的时间序列不含单位根, 是一个平稳的序列。因此初步断定为ARIMA模型, 并且模型的参数d=1。
接下来我们需要做SOx一阶差分数据模型的识别和检验, 即确定模型的类型以及相应的阶数。绘制这个序列的ACF和PACF图, 如图2所示, 从图中可以看出, 自相关函数在滞后2阶处截尾, 偏自相关函数呈指数衰减, 并且衰减的速度比较快, 符合拖尾的特征, 根据AIC准则和其他如参数显著性检验, 本文选取了ARIMA (0, 1, 2) 模型。
对SOx浓度时间序列ARIMA (0, 1, 2) 模型进行最大概似估计, 估计结果为:模型的标准误差比较低, 模型的精度较高, 且模型的两个因素MA1、MA2均能在0.05的显著水平下通过检验。
对此模型的残差进行检验, 模型的残差都在置信区间范围内, 可认为与0无明显差异, 已基本上消除了自相关和偏自相关, 表明残差序列是白噪声, 也即残差序列是服从正态分布并且独立的。
综合上述分析可以得出结论, 利用ARIMA (0, 1, 2) 模型对SOx浓度时间序列建模是合适的。
通过建立上述模型, 可以计算出SOx浓度时间序列模型的残差值, 暂且存储在minitab软件中。
内蒙古包头市环境监测站的NOx、PM10的浓度数据的模型拟合方法、步骤和上面对SOx浓度数据的时间序列分析基本一样, 在此不再详细的分析过程, 仅将最后的残差计算同SOx浓度时间序列模型的残差计算结果存储在minitab16软件中, 由于篇幅所限, 在此仅提供部分残差值数据如表1所示。
由于SOx、NOx、PM10浓度时间序列残差数据是白噪声序列, 各自浓度数据独立且服从正态分布, 并且两两之间通过SPSS17.0软件做残差变量间的相关性分析得知存在相关性, 符合传统统计过程控制理论中统计量彼此独立的基本假设, 也同时满足多元T2控制图的变量间相关的条件, 由于篇幅所限, 在此不列出残差T2控制图的统计量、上控制限以及判断过程是否出现异常的准则, 直接绘制SOx、NOx、PM10浓度时间序列模型的残差控制图, 如下图所示:
由以上的残差控制图我们可以看出出界点有5个, 分别为:12.4.26、12.10.11、12.12.2、12.12.12、12.12.26这5个日期。
3 结论
本文选取内蒙古包头市五个监测站中的市环境监测站的SOx、NOx、PM10浓度的日观测资料时间序列, 应用最大概似估计, 进行ARIMA模型的拟合和控制图的绘制, 结果表明在模型的拟合方面取得了较好的效果。
由于选取的是内蒙古包头市市环境监测站的日观测SOx、NOx、PM10浓度时间序列数据进行估计, 并且每个浓度的分析结果都令人满意, 因此应该可以说明其余监测站的SOx、NOx、PM10浓度资料都适合这种ARIMA模型的拟合。只是在进行拟合时, 应对SOx、NOx、PM10浓度资料进行详细地分析以得到最好的效果。因为虽然都是SOx、NOx、PM10浓度资料, 但是每个监测的每个浓度的ARIMA模型的参数或许会不一样, 即其中的参数p、d、q可能完全不一样。
值得说明的是, 时间序列ARIMA模型所描述的是时间序列的短期变化关系, 而不是长期变化关系, 因此, 利用时间序列模型可以进行对监测站日观测SOx、NOx、PM10浓度数据的短期预测。
摘要：利用统计学软件, 对内蒙古包头市2012年1月1日2012年12月31日市环境监测站的SOx、NOx、PM10日浓度数据, 进行了时间序列分析, 并建立了时间序列模型 (ARIMA) 。然后对模型进行识别、估计, 并对估计后的残差进行检验, 经检验后的SOx、NOx、PM10浓度的残差值均为白噪声序列, 则计算出相应的SOx、NOx、PM10日浓度的残差值。由于残差值满足传统的统计过程质量控制理论中的统计量彼此独立的基本假设, 因此我们绘制出多元自相关过程的残差T2控制图。实例应用表明, 该方法是合理科学的。
关键词：ARIMA模型,时间序列,残差T2控制图
参考文献
[1]瞿德业, 周围, 陈雷华, 汪君, 鹿晨昱.兰州市城区空气气溶胶中PM2.5和PM10污染状况分析[J].干旱区资源与环境, 2013, 27 (1) :70-74.
[2]郭勇涛, 佘峰, 王氏功, 刘炳杰, 李江萍, 王金艳.兰州市空气质量状况及与常规气象条件的关系[J].干旱区资源与环境, 2011, 25 (11) :100-105.
[3]郑健.2001-2011年乌鲁木齐市大气环境质量模糊数学综合评价[J].环境污染与防治, 2014, 1 (36) :28-33.
[4]郭东恩, 沈燕, 张峰.GIS技术在大气环境模拟与评价系统中的应用探讨[J].测绘科学, 2011, 36 (5) :100-102.
[5]戴华炜, 陈小旋, 孙晓通.基于GM (1, 1) 模型群的深圳市大气污染物灰色预测[J].数学的实践与认识, 2014, 44 (1) :131-136.
[6]樊敏, 顾兆林.时间序列分析在大气环境中的应用[J].资源环境与发展, 2010, 1:19-22.
[7]Seoung Bum Kim, Weerawat Jitpitaklert, Sun-Kyong Park, SeungJune Hwang.Data mining model-based control charts for multivariate and autocorrelated processes[J].Expert Systems with Applications, 2012, 39:2073-2081.
[8]孙静, 杨穆尔.多元自相关过程的残差T2控制图[J].清华大学学报 (自然科学版) , 2007, 47 (12) :2184-2187.