基于多元回歸分析的PM2.5預測研究

摘 要：PM2.5對人體健康和大氣環境質量的影響眾所周知，分析、預測PM2.5濃度對污染天氣防治與干預有著非常重要的作用。利用灰色關聯度、多元回歸分析等方法對全國各大城市空氣質量進行了研究，分析了影響PM2.5濃度的主要因素并進行了影響程度排序，構建了PM2.5預測模型并進行了預測實踐，為我國環境空氣質量預報和污染天氣防治干預提供了有效的決策信息。

關鍵詞：PM2.5; 預測; 灰色關聯度; 多元回歸分析

中圖分類號： TP399;O141.4

文獻標志碼： A

Abstract：PM2.5 is well known for its impact on human health and air quality， and the prediction of PM2.5 concentration plays a very important role in the prevention and intervention of pollution weather. The paper studies air quality of major cities across the country by grey relational degree and multiple regression analysis， combs the main influencing factors of PM2.5 concentration， constructs a PM2.5 prediction model and performs a predictive analysis. The research results provide effective decision-making information for prevention and intervention of pollution weather.

Key words：PM2.5; Prediction; Grey relational degree; ?Multiple regression analysis

0 引言

PM2.5是指大氣中直徑小于或等于2.5微米的顆粒物，也稱為可入肺顆粒物。PM2.5粒徑小，富含大量的有毒、有害物質且在大氣中的停留時間長[1]、輸送距離遠，因而對大氣環境質量和人體健康有著非常重要的影響[2-3]。隨著人們生活質量水平的不斷提高，人們對空氣質量狀況及自身健康狀況的重視程度日益增強，環境空氣質量問題成了公眾最為關注的熱點問題[4-5]。PM2.5作為衡量空氣質量狀況的重要指標，越來越多的人開始關注并進行研究[6]。從研究內容上看，側重于PM2.5影響因素分析，而對PM2.5的預測分析較少涉及。隨著政府部門相關環境政策的相繼出臺，人們對環境空氣質量預報的精準度要求愈來愈高，政府相關部門需要根據預報情況做出相應判斷、采取相應干預措施[7-8]。

根據相關研究[9-10]，空氣重污染形成受氣象、污染物排放及地理條件等因素影響。地理條件影響不可避免。就某一地區而言，氣象條件及污染物排放是影響其PM2.5濃度的主要因素[11]。利用灰色關聯度、多元回歸分析等方法對空氣質量進行研究、預測，定性定量分析污染程度及污染規律，為環境空氣質量預報和污染天氣防治干預提供更為有效的決策信息。

1 模型準備

1.1 數據資料來源

觀測數據來源于《中國統計年鑒-2018》，包括PM2.5平均濃度，氣象數據（降水量、平均氣溫、平均相對濕度），污染物排放量（工業二氧化硫排放量、工業氮氧化物排放量、工業煙（粉）塵排放量、生活二氧化硫排放量、生活氮氧化物排放量、生活煙塵排放量）。

1.2 研究方法

運用灰色關聯度對PM2.5平均濃度和氣象指標、工業污染物排放量、生活污染物排放量進行關聯分析，得到各類因素對PM2.5平均濃度的影響結果，從而篩選出主要影響因素。對于主要影響因素，根據已知數據，通過多元回歸的方法建立PM2.5濃度預測模型，并對PM2.5進行預測分析。

2 PM2.5影響因素分析

根據參考文獻[12]，采用灰色絕對關聯度、灰色相對關聯度以及灰色歸一關聯度方法對PM2.5平均濃度及各類影響因素進行關聯分析，分析結果見表1、表2、表3所示。

從預測結果可以看出：所測30個城市中，有26個城市預測值與實際值相對誤差小于0.05，僅有4個城市預測值與實際值相對誤差介于0.05與0.10之間，預測結果較為真實，模型可信度高。

5 總結

本研究僅考慮氣象因素、工業污染物排放量及生活污染物排放量建立全國各大城市PM2.5平均濃度預測模型，預測值與實際值之間保持了高度的一致性。模型精準度高、可靠性強，可作為各大城市預估PM2.5年平均濃度的依據和參考。研究發現，生活污染物是大氣的主要污染源之一，就某一個地方而言，生活氮氧化物是影響PM2.5濃度的最主要因素[13]，各地區應繼續加大污染治理的力度，拆除低噸位燃煤鍋爐，強制治理汽車尾氣[14-15]，切實降低生活氮氧化物排放量，提升空氣質量。

參考文獻

[1] 黃紹祥，高明.典型污染天氣下PM2.5和PM10成因分析[J].環境科學導刊，2019（38）：48-50.

[2] 艾瑞瑞.氣象條件與環境污染對PM2.5濃度的影響[J].環境與發展，2018（12）：57-59.

[3] 桑會勇，李爽，魏英策，等.京津冀地區PM2.5/PM10濃度時空分布監測與分析[J].測繪科學，2019（4）：1-10.

[4] 王娟.基于MATLAB的全國各大城市空氣質量指數研究[J].自動化與儀器儀表，2017（6）：8-9.

[5] 肖璐，郎藝超，夏浪，登.基于多源數據的PM2.5濃度時空分布預測與制圖[J].環境科學，2017（12）：4913-4923.

[6] 王德冬，秦聰.區域PM2.5時空回歸建模與預測[J].中國環境監測，2019（10）：107-113.

[7] 張天航，王繼康，張恒德，等. 一種最優多模式集成方法在我國重污染區域 PM2.5濃度預報中的應用[J].環境工程技術學報，2019（5）：520-530.

[8] 劉文軍，鄭國義，田學，等.西安市PM2.5相關因素多元回歸分析模型[J].經濟數學，2015（1）：89-92.

[9] 潘錦秀，晏平仲，孫峰，等.多元線性回歸方法對北京地區PM2.5預報的改進應用[J] .中國環境監測，2019（4）：43-52.

[10] 葉莉，李欣廣.空氣質量對我國入境旅游收入的影響[J] .統計與決策，2019（8）：101-104.

[11] 彭穎蓓，劉國彬，田霄，等. 典型城市PM2.5的污染特征、來源及影響因素分析[J]. 環境工程，2019（37）：166-169.

[12] 吳鵬. MATLAB高效編程技巧與應用：25個案例分析[M] .北京：北京航空航天大學出版社，2010.

[13] 賈春光.深度學習在PM2.5預測中的應用[J].現代計算機，2019（6）：6-11.

[14] 周穎璇. 基于灰色關聯度分析法的PM2.5影響因素分析[J].管理觀察，2014（15）：14-16.

[15] 李經緯，張佳慧，賈立明，等. 利用模糊綜合評價法對大慶市環境空氣質量變化規律的分析研究[J].環境科學與管理，2019（5）：183-188.

（收稿日期：2019.11.20）