基于函数型数据分析和广义分位数回归的PM2.5数据探究

发布时间：2021-01-05 22:17

　　雾霾天气在北京频发,使PM2.5等空气污染物浓度指标成为社会关注的焦点。目前,全国各大城市的空气质量监测体系已基本建立,PM2.5实时浓度的历史数据逐渐累积。利用PM2.5浓度历史数据,剖析数据隐含的特征和规律,甚至对未来的PM2.5浓度进行有效预测,是很有意义的。本文基于北京PM2.5实时浓度数据,主要研究以下两个问题:（1）基于函数型数据分析的视角,将每天PM2.5浓度趋势看成一条函数曲线,使用函数型主成分分析的方法,通过主成分函数刻画每天PM2.5浓度的总体水平与波动。（2）使用函数型数据分析和广义分位数回归相结合的方法,尝试对未来PM2.5浓度进行较为有效的预测。首先,对去季节项后的PM2.5实时浓度数据（即随机成分）进行广义分位数回归,刻画PM2.5浓度数据的尾部特征;然后,从函数型数据分析的角度,使用函数型主成分分析降维,对广义分位数函数进行截断Karhuhen-Loeve展开,得到主成分函数和主成分得分序列;最后,引入外生变量如风向、风级气象指标,使用含外生变量的VAR模型,对主成分得分建模、预测,即可得广义分位数函数的预测值,加上季节项预测值即可得PM2.5浓度预测值。... 

【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

图１．１：?２０１６年丨２月北京和厦门每天ＰＭ２．５浓度趋势图??

?冀ＰＭ２．５平均浓度同比下降１５％以上，重污染天数同比下降１５％以上”的主要目标。??为了探究该政策对北京ＰＭ２．５浓度水平产生的影响，我们使用图来说明。图４．１呈??现了?２０１５年至２０１７年三年中１０月至１２月这三个月期间ＰＭ２．５浓度每日曲线，即??每天有一条ＰＭ２．５浓度曲线，三年分别都有９２条线。图４．２呈现了?２０１５年至２０１７??年三年中１０月至１２月ＰＭ２．５浓度日均值对数的分布。从图中可以看出，２０１５年和??２０１６年的１０月到１２月，ＰＭ２．５浓度总体水平十分接近，而２０１７年同期，ＰＭ２．５浓??度总体水平明显低于前两年。因此，这一政策的实施确实对于北京ＰＭ２．５浓度水平??产生了较大的影响，它促使北京２０１７年１０月至１２月ＰＭ２．５浓度水平显著地下降。??我们认为，这期间ＰＭ２．５浓度数据的内在结

的数据进行研宄。??为了更直观地描述北京ＰＭ２．５浓度，故将每日ＰＭ２．５浓度画成折线图和三维立??体图，见图４．３，图４．４。其中，一条折线代表ＰＭ２．５—天的走势。可以看出，北京??ＰＭ２．５浓度分布在０至８００?ｉａｇ／ｍ３之间，且一天内波动程度较大。??很明显，气象条件对于ＰＭ２．５浓度水平有着较大的影响，如风级、风向等气象??因素。由图４．５可知，随着风级的增强，ＰＭ２．５日平均浓度下降较为明显。但风级为??２级和３级时，ＰＭ２．５日平均浓度差别不大。由图４．６可知，当北京的风向为北、西??北和西时，ＰＭ２．５日平均浓度低于风向为南、西南、东和东南时的ＰＭ２．５日平均浓??度。??２８??

【参考文献】：
期刊论文
[1]基于GA-ANN改进的空气质量预测模型[J]. 赵宏,刘爱霞,王恺,白志鹏.  环境科学研究. 2009(11)
[2]函数性数据的统计分析:思想、方法和应用[J]. 严明义.  统计研究. 2007(02)

硕士论文
[1]基于环境指标PM10的函数型数据的排序及分析[D]. 林助花.华东师范大学 2015
[2]北京空气污染的函数型数据分析与治理[D]. 刘哲.首都经济贸易大学 2014



本文编号：2959395