本文關(guān)鍵詞：南京地區(qū)大氣顆粒物污染近況及其與相關(guān)氣象因子的關(guān)系

  更多相關(guān)文章： PM_(2.5) PM_(10) 氣象因子 逐步回歸分析模型 BP神經(jīng)網(wǎng)絡(luò)

【摘要】：灰霾是比較嚴(yán)重的空氣污染現(xiàn)象,其成因雖然非常復(fù)雜,但是主要元兇是可吸入顆粒物PM1o與PM2.5,它的演變過程與氣象因子及其他污染氣體的存在密不可分,為更好的反映其變化趨勢,本文開展了對可吸入顆粒物的特征分析、成因分析及仿真預(yù)測等工作。1、通過采集能夠代表南京地區(qū)所有區(qū)縣的13個監(jiān)測點(diǎn)的PM2.5和PM1o質(zhì)量濃度,對南京市可吸入顆粒物進(jìn)行空間和時間分析,從空間分布整體來看南京市區(qū)污染程度大于市郊區(qū)并大于郊縣區(qū)；研究期間內(nèi)13個監(jiān)測點(diǎn)的PM2.5差別不大,PM10差別較明顯。春季PM2.5污染最嚴(yán)重的監(jiān)測點(diǎn)是邁皋橋,PM10污染最嚴(yán)重的監(jiān)測點(diǎn)是奧體中心,冬季PM2.5、PM10污染最嚴(yán)重的監(jiān)測點(diǎn)都是奧體中心。時間分布為PM10和PM2.5月平均濃度均是1月份最高、5月份最低,達(dá)標(biāo)天數(shù)比例則相反：5月份最高、1月份最低；顆粒物濃度24小時變化曲線大致呈雙峰雙谷型,且冬季顆粒物濃度的變化曲線波動性及雙峰雙谷特征更明顯；同季節(jié)內(nèi)PM2.5和PM10相關(guān)性很好,冬季的相關(guān)系數(shù)為0.948、春季為0.897�？缂径葧rPM2.5和PM10幾乎沒有相關(guān)性。2、通過數(shù)據(jù)采集分析PM2.5與單個氣象因子以及其他污染氣體的相關(guān)性,研究結(jié)果表明PM2.5在相對濕度達(dá)到75%左右時污染最嚴(yán)重；PM2.5與風(fēng)速呈負(fù)相關(guān)關(guān)系,并且日最大風(fēng)速的瞬時效應(yīng)大于日均風(fēng)速的持續(xù)效應(yīng)；PM2.5清除量在降雨量1-5mm之間時隨降雨量增加而增大,且PM2.5清除量與PM2.5的初始濃度呈正相關(guān),初始濃度越大,清除量也越大；PM2.5與CO、NO2、SO2等污染氣體呈明顯的正相關(guān)性,與03及能見度則呈負(fù)相關(guān)性。3、通過數(shù)據(jù)分析,分季節(jié)建立逐步回歸分析模型,定量分析PM2.5的成因,確定兩個模型分別為冬季(y1)和春季(y2)的PM2.5回歸模型：y1=-18.103+105.811xco -3.236x降雨量-2.755x最高氣溫+2.167x最低氣溫y2=-62.731+52.343xco-0.664x降雨量+0.548x相對速度-0.208x臭氧+0.220xNO2回歸模型模擬結(jié)果表明,冬季影響PM2.5濃度的顯著因子分別是CO、降雨量、日最高氣溫、日最低氣溫；春季影響PM2.5濃度的顯著因子分別是CO、降雨量、相對濕度、臭氧(8h)、二氧化氮；因此有效控制這些影響因子的濃度對減少PM2.5的濃度具有重要作用。4、采用BP神經(jīng)網(wǎng)絡(luò)建立一種仿真預(yù)測PM2.5濃度變化的方法,借助MATLAB語言及工具箱,調(diào)用一定的函數(shù)分季節(jié)建立冬春季節(jié)BP神經(jīng)網(wǎng)絡(luò),篩選出與PM2.5相關(guān)性較強(qiáng)的其他污染氣體和氣象因子作為輸入神經(jīng)元并各自進(jìn)行訓(xùn)練仿真,經(jīng)驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)PM2.5濃度仿真模型預(yù)測的真實(shí)值與仿真值符合較好,冬季仿真模型的預(yù)測準(zhǔn)確率為80.12%,春季仿真模型的預(yù)測準(zhǔn)確率為78.99%,絕對誤差值在-20μg.cm-3～20μg.cm-3,相對誤差在-30%～30%之內(nèi),個別監(jiān)測點(diǎn)超出此范圍。通過預(yù)測值與真實(shí)值對比,證明該方法在一定誤差范圍內(nèi)能較好的預(yù)測PM2.5濃度。
【關(guān)鍵詞】：PM_(2.5) PM_(10) 氣象因子 逐步回歸分析模型 BP神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：X513
【目錄】：

• 摘要6-8
• ABSTRACT8-10
• 第一章 緒論10-21
• 1.1 大氣污染10
• 1.2 PM_(10)和PM_(2.5)的定義、來源、特點(diǎn)及污染特征10-12
• 1.3 PM_(10)和PM_(2.5)的危害12-13
• 1.4 國內(nèi)外研究現(xiàn)狀13-18
• 1.4.1 PM_(10)和PM_(2.5)的來源解析研究13-14
• 1.4.2 氣象因子對PM_(10)和PM_(2.5)的影響研究14-17
• 1.4.3 PM_(10)和PM_(2.5)濃度預(yù)測研究17-18
• 1.5 研究背景及意義18-19
• 1.6 本文的主要研究內(nèi)容和技術(shù)路線19-21
• 1.6.1 研究內(nèi)容19-20
• 1.6.2 研究技術(shù)路線20-21
• 第二章 南京市大氣顆粒物分布特征21-37
• 2.1 數(shù)據(jù)來源及處理方法21-24
• 2.1.1 南京地區(qū)顆粒物濃度數(shù)據(jù)來源與采集21-23
• 2.1.2 氣象數(shù)據(jù)來源及采集23
• 2.1.3. 數(shù)據(jù)預(yù)處理23-24
• 2.2 南京地區(qū)顆粒物分布特征分析24-35
• 2.2.1 冬春PM_(10)和PM_(2.5)質(zhì)量濃度空間分布特征24-29
• 2.2.1.1 整體分布特征24-27
• 2.2.1.2 區(qū)域分布特征27-29
• 2.2.2 冬春PM_(10)和PM_(2.5)質(zhì)量濃度時間分布特征29-35
• 2.2.2.1 PM10和PM2.5質(zhì)量濃度月變化特征29-31
• 2.2.2.2 冬春季節(jié)PM10和PM2.5質(zhì)量濃度日變化特征31-32
• 2.2.2.3 冬春季節(jié)PM2.5和PM10質(zhì)量濃度的相關(guān)性32-35
• 2.3 本章小結(jié)35-37
• 第三章 顆粒物同單個氣象因子的關(guān)系37-46
• 3.1 PM_(2.5)與相對濕度的相關(guān)性37-38
• 3.2 PM_(2.5)與日均風(fēng)速和日最大風(fēng)速的相關(guān)性38-40
• 3.3 PM_(2.5)與降水量的相關(guān)性40-41
• 3.4 PM_(2.5)與能見度的相關(guān)性41-42
• 3.5 PM_(2.5)與氣壓的相關(guān)性42
• 3.6 PM_(2.5)與其他污染氣體的關(guān)系42-44
• 3.7 本章小結(jié)44-46
• 第四章 PM2.5污染的成因分析模型46-56
• 4.1 多元線性回歸的一般模型簡介46-48
• 4.1.1 逐步回歸分析的主要思路46-47
• 4.1.2 逐步回歸分析的主要計算步驟47-48
• 4.2 冬春季節(jié)PM_(2.5)逐步回歸模型48-54
• 4.3 本章小結(jié)54-56
• 第五章 南京市PM2.5濃度的BP神經(jīng)網(wǎng)絡(luò)仿真56-72
• 5.1 神經(jīng)網(wǎng)絡(luò)56-57
• 5.2 BP神經(jīng)網(wǎng)絡(luò)模型57-61
• 5.2.1 評價指標(biāo)的無量鋼化58-59
• 5.2.2 確定隱含層單元數(shù)59-60
• 5.2.3. 各層傳遞函數(shù)的確定60-61
• 5.3 基于MATLAB的PM_(2.5) BP神經(jīng)網(wǎng)絡(luò)61-71
• 5.3.1 預(yù)測輸入因子的選擇61-62
• 5.3.2 模型的結(jié)構(gòu)62-63
• 5.3.3 網(wǎng)絡(luò)訓(xùn)練63-68
• 5.3.4 BP網(wǎng)絡(luò)仿真及檢驗(yàn)68-71
• 5.4 本章小結(jié)71-72
• 第六章 結(jié)論與展望72-74
• 6.1 結(jié)論72-73
• 6.2 創(chuàng)新點(diǎn)73
• 6.3 展望73-74
• 參考文獻(xiàn)74-79
• 作者簡介79-80
• 致謝80

，

本文編號：702684