信阳市城区空气质量指数变化及其与气象要素的关系

以2014-2017年信阳市逐月空气质量指数(AQI)监测数据及同时段的气象数据为研究对象,采用统计分析、Pearson相关系数法和广义加性模型(GAM),对信阳市城区空气质量指数变化特征及其与气象要素的关系进行分析.结果表明:(1)2014—2017年信阳市城区AQI年际波动较大,空气质量有明显变好的趋势;研究期间,信阳市城区有27个月(56.25%)空气质量属于良,19个月(39.58%)属于轻度污染,2个月(4.17%)属于中度和重度污染;AQI变化受季节影响明显,空气质量状况优劣程度依次为夏季春季秋季冬季.(2)从整体水平来看,AQI与气压呈正相关关系,与气温、平均水汽压、日照时数和风速呈负相关关系;在不同季节和不同等级空气条件下,气象要素对AQI的影响差异较大.(3)由广义加性模型可以看出,AQI与降水量呈线性关系,与平均气温、平均水汽压、日照时数和平均风速等气象要素为非线性关系,气象要素对AQI的影响一般存在阈值.     

信阳市城区空气质量指数变化及其与气象要素的关系

以2014-2017年信阳市逐月空气质量指数(AQI)监测数据及同时段的气象数据为研究对象,采用统计分析、Pearson相关系数法和广义加性模型(GAM),对信阳市城区空气质量指数变化特征及其与气象要素的关系进行分析.结果表明:1)2014—2017年信阳市城区AQI年际波动较大,空气质量有明显变好的趋势;研究期间内,信阳市城区有27个月(56.25%)空气质量属于良,19个月(39.58%)属于轻度污染,2个月(4.17%)属于中度和重度污染;AQI变化受季节影响明显,空气质量状况优劣程度依次为夏季春季秋季冬季.2)从整体水平来看,AQI与气压呈正相关关系,与气温、平均水汽压、日照时数和风速呈负相关关系;在不同季节和不同等级空气条件下,气象要素对AQI的影响差异较大.3)由广义加性模型可以看出,AQI与降水量呈线性关系,与平均气温、平均水汽压、日照时数和平均风速等气象要素为非线性关系,气象要素对AQI的影响一般存在阈值.     

基于P-ARIMA的空气质量预测模型

文章提出了一种新的空气质量预测模型,可同时对空气质量指数AQI和6个污染指标进行预测.该模型通过主成分分析(PCA)提取空气质量矩阵的主要特征并进行压缩,然后将压缩矩阵与差分移动平均自回归模型(ARIMA)相结合,来预测未来的空气质量.最后在公开的空气质量数据集上进行了实验.实验结果表明,该文提出的P-ARIMA模型能够有效地提高预测精度并减少计算所需的时间.     

山东省空气质量指数的时空分布特征

根据2013年11月1日至2015年10月31日中国环境监测总站对山东省17个地级市的空气质量指数(AQI)的逐日监测数据,结合各地级市的地理位置和不同季节的气候特点,从宏观角度对山东省空气污染的时空分布特征进行分析。结果表明:山东省空气质量状况存在明显的地域差异,东部沿海地区空气质量普遍较好,内陆城市污染相对严重,且沿海城市的AQI呈现由东南向西北逐渐增大的趋势;山东省AQI变化具有明显的季节特征,呈现冬季污染较重、夏季污染较轻的季节特点;虽然春季发生空气污染的频率比秋季高,但是秋季发生污染时的污染程度较春季严重;4个气象区中,空气质量最好的是半岛地区,其次是鲁南地区,鲁中和鲁西北地区的空气质量较差。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

基于空气质量指数AQI的空间自相关特征分析——以福建省为例

以福建省9个地级市为研究对象，运用时间序列模型、全局空间自相关分析、K-medoids聚类及相关分析等研究方法，探索福建省各地级市空气质量指数的空间自相关特征。研究结果显示，相比秋冬两季，各地级市春夏两季的空气质量相关性较低，具体表现为，春夏两季各地级市莫兰指数（Moran's I）显著较低 。以空气质量指数AQI的6个空气质量分指标作为聚类标准进行研究，发现福建省地级市的空气相关性区分为两大类。进一步对AQI进行相关性分析，发现AQI与PM10、PM2.5、NO2分指标高度相关，由此说明，空气微粒与NO2是福建空气污染的主要来源。空气质量季节上的分布差异，可以为政府准确地制定治理方案提供有力证据。     

季节ARIMA模型在我国肺结核发病率预测中的应用

目的探讨应用季节ARIMA模型对我国肺结核发病率进行预测的可行性.方法对我国2005年1月-2010年12月肺结核逐月发病率建立季节ARIMA模型,并对预测效果进行评价.结果 ARIMA（3,1,0）×（0,1,1）12模型很好地拟合了既往数据,对2011年1月-9月发病率的预测值符合实际发病率变动趋势.结论季节ARIMA模型能很好地模拟我国肺结核发病率的变动趋势,将其应用于肺结核发病率预测是可行的.     

中国城市空气质量的时空演化特征及影响因素

为研究中国城市空气质量的时空演化特征及影响因素,本文采用2015—2018年中国城市空气质量AQI指数和自然、社会、经济数据,利用ArcGIS空间分析和空间计量模型,从年份、月度、季节以及天数等尺度分析中国城市空气质量的时空演化特征,并从整体及区域的角度解析影响城市空气质量的自然、社会经济因素。主要得出如下结论：(1)2005—2018年中国城市空气质量状况整体得到改善。空气质量月际变化呈“U”型,季节特征总体符合“冬季高,夏季低,春季秋季居中”,空气质量在秋冬季改善显著,春夏恶化明显。四年间空气质量重度污染天数减少,达标天数增加。(2)空气质量指数空间分布格局为“中东高,东南低;西北高,西南低”;城市空气质量空间集聚现象明显,相邻城市的相互影响作用显著。(3)从全国来看,人口密度、用电水平和科技投入以及民用汽车保有量与中国城市AQI指数呈显著正相关,经济发展水平、园林绿化、平均气温与AQI指数呈显著负相关。(4)在区域层面来看,驱动要素作用方向和强度存在规律性和特异性变化特征。     

基于小波分析的太原市空气质量变化特征及预测

以太原市2013年1月～2016年12月份PM2.5、NO_2、SO_2等污染物逐日浓度数据为研究对象,结合太原市地面气象数据,采用相关分析、小波分析等方法对太原市空气质量AQI(air quality index)变化特征进行了研究,同时采用小波去噪和最优子集回归方法分别建立AQI的春、夏、秋、冬季预报方程。研究结果表明:1)太原市AQI均值呈现逐年降低趋势,最大值出现在冬季,具有冬强夏弱的特点,太原市主要空气污染物为PM2.5,PM10和SO_2。2)AQI与各污染物浓度因子之间存在较强的相关性,其中AQI与PM2.5和PM10的相关性最大,Spearman相关系数极显著(P0.01),并且污染物之间、污染物与气象因子之间也存在相关性。3)太原市AQI具有较明显的年际周期性振荡、30～60d的季节性周期振荡、10～20d的双周性振荡及5～7d的准双周振荡。4)将AQI前一天的历史数据作为因子引入预测模型,相比于仅以气象因素为输入的模型具有更强的拟合精度。对数据进行小波去噪后所建的最优子集回归方程比使用原始数据更优。文章所建立的"去噪气象数据+去噪历史AQI数据"模型可以较精确地实现对太原市AQI指数的短期预测。     

基于AQI的九江市空气质量统计预报方法

利用九江市2014—2017年气象观测站常规观测的气象资料和九江市环境监测站污染物日平均浓度资料、AQI日均值和首要污染物等观测要素,通过统计学方法对不同季节内地面气象要素和AQI做相关性分析,并选取相关性好的因子分别做回归分析并建立预报方程,结果表明:1)相对于全年回归预报方程,不同季节的气象要素与AQI的相关程度不同,不同季节的回归方程对AQI指数的预报准确率高; 2)由于污染物的累积特征,前一天的AQI与当天AQI相关系数高达0.66,在回归的过程中,前一天的AQI值做为最重要的一项参数; 3)春季、夏季由于降水比较明显,且由O_3造成的污染日数相对较多,而高温和日照对O_3有显著的相关,所以AQI的预报能力较强;秋冬季由于外来输送污染严重和PM_(2.5)首污的日数增加,气象要素的相关性较低,预报能力也随之降低。     

基于SARIMA模型的电离层总电子含量短期预报

针对电离层总电子含量(total electron content,TEC)序列呈现周期性特征,采用季节时间序列(seasonal ARIMA,SARIMA)模型对TEC序列进行预报分析。利用JSCORS 2010年的GPS双频观测数据计算的VTEC序列为样本数据建立模型,实验结果表明:VTEC序列建立合适的季节ARIMA模型,并运用该模型进行短期预测,预测值与实测值变化趋势一致,短期预报的平均相对精度可达89%,但预报精度会随预报长度的增加而减小。     

“双碳”背景下光伏建筑一体化发展前景

<正>将股票的移动平均值乘以各自权重与基准日市值k的比值再乘100得出板块指数,从而计算出板块指数的移动平均线。在这些数据的基础上使用未经处理的ARIMA模型对板块指数移动平均线进行预测。由于未经处理的ARIMA模型误差较大,又对ARIMA模型中的（p,d,q）进行修正,得出准确的ARIMA模型。本文对上证指数和光伏建筑一体化板块指数利用Eviews软件进行相关性分析。     

ARIMA乘积季节模型对我国消费者信心指数的分析

消费者信心指数能够预测消费支出,对某些宏观经济指标也有较好的预测效果。本文运用Eviews6.0软件对2006.01—2011.12我国消费者心指数的统计数据建立ARIMA乘积季节模型。结果表明该模型适合预测我国的消费者信心指数而且预测精度较高,但只适合短期预测。     

中国居民消费价格指数的ARIMA预测模型

本文将2009年1月至2014年12月期间的中国居民消费价格总指数进行了分析,对序列进行了季节性检验和季节性调整,通过计算季节指数,利用时间序列图以及ADF检验方法检验了调整后序列的平稳性,得到了居民消费价格总指数的ARIMA模型.最后分别对CPI进行静态预测和动态预测,将预测结果乘以季节指数将预测结果还原,得到了较为满意的结果.     

信阳市中心城区空气质量的时间变化特征

以《环境空气质量指数(AQI)技术规定(试行)》和信阳市中心城区2015-2017年的空气质量指数(AQI)日均值为依据,计算出每年的AQI月均值,分析该城区空气质量的年际、年内变化特征及其影响因素.结果表明,该城区空气质量逐年改善,年内空气质量季节变化明显:夏季良好、较稳定;冬季污染天数多于其他季节,总体表现为轻污染;春、秋季在良好和轻污染级别之间震荡.多云、阴、小雨、小雪及雨夹雪,风力≤2级、无持续方向,特别是冬季北风、偏北风等天气条件下,易发生空气污染,城市地貌阻碍空气扩散.进一步表明在防控大气污染方面,该城区应关注天气和季节变化、重视城市规划和城市设计.     

日照市空气质量变化特征及其与气象条件的关系

根据日照市2015年3月至2016年2月的空气质量日报数据以及同期气象数据,研究了该市空气质量特征及其与气象条件的关系.结果表明:日照市空气质量以II级良为主,占全年总天数的58%.PM2.5、O3和PM10为该市主要污染物;空气质量具有明显的季节特征,冬季空气质量最差,AQI的平均值为132.8,并且中度污染、重度污染和严重污染在冬季多次出现,夏季空气质量最好,AQI值为78.4;降水、风速、湿度和温度对于空气质量影响显著,大部分情况下,AQI指数与降水、风速、湿度呈负相关,与气压、气温存在正相关关系.     

基于分形插值的ARIMA大坝预警模型

针对ARIMA模型对含有缺失值的时间序列进行拟合预测会产生较大的误差,将分形插值与ARIMA模型相结合运用在大坝安全监测中.首先利用分形插值能通过分形物体的部分信息得出其整体形态的特点,对原始数据进行插值计算,然后建立ARIMA时间序列模型并进行预测.以小湾坝顶某监测点径向位移为例,建立基于分形插值的ARIMA模型,并与实测值比较.计算结果表明,插值后的ARIMA模型较原始模型的拟合和预测精度更高.     

中国城市空气质量时空分布特征

采用国家环境保护部发布的2014年全国161个城市空气质量指数(AQI)数据,基于克里格插值、三维趋势面等空间分析手段,揭示重点城市空气质量时空分布格局.结果表明:我国AQI时空分布差异明显,季节特征表现为冬季最高,夏季最低,春季略高于秋季;月峰值出现在1月,9月AQI最低;日AQI高值出现在10:00,低值出现在16:00,白天AQI波动较大,夜间较平稳.空间分布呈现出从南向北、从沿海向内陆逐渐升高的趋势,且南北差大于东西差;华北生态地区AQI较高,云贵高原生态地区较低.     

北京市空气质量指数与气象条件的关系及其对呼吸系统疾病的滞后影响

依据北京市2009年1月1日-2011年12月31日的逐日空气质量指数(AQI)与同时段常规地面气象观测数据,区分污染日与非污染日(以轻微污染下界为分界)、不同季节研究了AQI与气象要素的关系;应用分布滞后非线性模型与广义相加模型,在调整气温、相对湿度、风速等混杂效应的基础上,定量计算了AQI对呼吸系统急诊人数的影响及滞后效应.结果表明,研究时段北京AQI的年际波动并不明显,冬季中、重度污染易发;秋季空气优良率最低;春季易发生轻微污染.污染日AQI与平均气压、最高气压显著正相关,与气温、相对湿度负相关;非污染日,AQI与气压、平均/最大风速和日照时数负相关,而与气温、相对湿度、降水量正相关.就诊当天与滞后1 d的AQI对呼吸系统疾病的影响最显著,且危险度(RR)随污染物质量浓度的增大以接近线性形态增大.AQI指数每增加10,北京市呼吸系统急诊就诊人数的RR为0.22%,其95%置信区间为0.104%~0.342%.     

京津冀气溶胶时空变化特征及潜在来源分析

针对京津冀日益恶化的环境问题,采用Terra-MODIS C6.1 MOD04_L2 气溶胶光学厚度(AOD)产品对京津冀地区2011-2020年AOD时空变化特征进行探究,基于 HYSPLIT模型得到京津冀地区3个主要城市的四季主要气流输送轨迹,并结合空气质量指数(AQI)数据和潜在源贡献因子法(PSCF)分析石家庄市不同季节的污染物潜在源区。结果表明：京津冀地区多年AOD空间分布大体呈东南高西北低的特征;10a间AOD总体呈“w型”下降,峰值和谷值出现在2011年(0.49)和2017年(0.33);AOD四季均值由高至低依次为：夏(0.53)>春(0.39)>冬(0.36)>秋(0.32);AOD月变化呈“双峰”型,峰值出现在2月(0.48)和7月(0.59);北京市、天津市和石家庄市四季主要受到短距离气团输送的影响;统计AQI优良率可知京津冀3个主要城市中石家庄市空气质量最差,通过PSCF分析得出影响石家庄市AQI值的潜在源区主要分布在石家庄市本地及周边省市。