2015年 谢心庆等:国内外PM2s研究进展综述 第 M2s浓度的相关因素进行分析。在多元素统计分效果较好,但缺乏综合评价分析效果,可以结合此模 方法中,主成分分析可以作为建立PM2s综合预测型与空间统计学相关模型建立综合评价系统。 模型的前提分析 4因子分析与预测 3.5近地层PM2质量浓度垂直分布 该方法是分析近地层不同高度PM2s质量浓度4.1因子分析 垂直分布,通过收集观测点数据,对数据进行简单的 以武汉市1个空气质量监测点监测的2013年 统计分析得出分析报告。该方法提供了如何PM21月1日至8月27日的SO2、NO2、可吸入颗粒物 浓度垂直分布的有关特征,但缺乏预测功能和水平CO、臭氧、PM2、空气质量指数数据为例,建立主成 向变化的特征分析。 分分析模型如下 3.6高斯扩散模型1 f1=μaV1+μaV2+μaV3+μV4+μ3V5+HbV6 该模型首先利用指数平滑法在不考虑气象环境 (1) 因素来分析PM2s的时间分布情况,然后建立了基于式中:pV1+m2V2+…;HV=1;V为SO2浓度 高斯扩散模型PM2s污染物扩散模型,然后又进一V2为NO2浓度;V3为可吸入颗粒物浓度;V为CO 步建立了关于风速、温度以及湿度对PM2s扩散产生浓度;V为臭氧浓度;V6为PM2浓度的数据。 影响的基本模型,具有一定的适用性。该模型分析 将上述数据代入模型,SPSS分析结果见表1。 表1相关矩阵分析结果 空气质量指数 0.179 0.726 可吸入颗粒物 0.724 0.061 0.773 0.659 0.626 1.000 0.381 0.822 0.783 臭氧 0.381 0.254 空气质量指数 0.709 0.703 0.855 0.254 1.000 从表1可以看出,PM2s与空气质量指数相关关 从因子载荷计算可知,变量大部分都靠近两因 系为0.%63,可见该地区空气污染的主要来源为子坐标轴,说明信息丢失较少。因子得分函数为 PM2s。而PM2s与SO2、NO2、可吸入颗粒物、CO、臭1=0.249V1+0.285V2+0.275V3+0.147V4 氧都存在一定的相关关系 +0.162Vs+0.201V6+E1 从计算结果可知,巴特利特球度检验统计量的 观测值为1062.724,相应的概率值接近0,说明相关 =0.058V1+0.186V2+0.178V+0.270V~ +0.842V5+0.l60V6+E2 系数矩阵与单位阵有显著性差异。同时,KMO的值4.2预测分析 为0.811,从KMO的度量标准可知原有变量适合进 将式(3)代入式(2)得到 行因子分析。 v6=0.25382lV1+0.234123V2+0.226603V 计算可知,SO2、NO2、可吸入颗粒物、CO、PM2 +0.293286V4+0.214050V5+g·(4 在第1个因子上有较高的载荷臭氧在第2个因子式中:e=E1+e2 上有较高的载荷。得到的因子分析模型: 取近日12天SO2、NO2、可吸入颗粒物、CO、臭 V1=0.8791-0.115/2;V2=0.915f+0.023f2 氧的数据将其代入式(3)与实际值比较,结果发现, V3=0.8811+0.0212;V4=0.753f1-0.4642由式(4)求得的预测值与实际值之间没有存在奇异 Vs=-0.041+0.968/;V6=0.867-0.3621值,说明预测效果较好。虽然以上因子分析预测方 (2)法较好,但还存在缺陷,模型中没考虑时间因素。ＰＭ２．５浓度的相关因素进行分析。在多元素统计分 析方法中，主成分分析可以作为建立 ＰＭ２．５综合预测 模型的前提分析。 ３．５ 近地层 ＰＭ２．５质量浓度垂直分布 该方法是分析近地层不同高度 ＰＭ２．５质量浓度 垂直分布，通过收集观测点数据，对数据进行简单的 统计分析得出分析报告。该方法提供了如何 ＰＭ２．５ 浓度垂直分布的有关特征，但缺乏预测功能和水平 方向变化的特征分析。 ３．６ 高斯扩散模型［１９］ 该模型首先利用指数平滑法在不考虑气象环境 因素来分析 ＰＭ２．５的时间分布情况，然后建立了基于 高斯扩散模型 ＰＭ２．５污染物扩散模型，然后又进一 步建立了关于风速、温度以及湿度对 ＰＭ２．５扩散产生 影响的基本模型，具有一定的适用性。该模型分析 效果较好，但缺乏综合评价分析效果，可以结合此模 型与空间统计学相关模型建立综合评价系统。 ４ 因子分析与预测 ４．１ 因子分析 以武汉市 １个空气质量监测点监测的 ２０１３年 １月 １日至 ８月 ２７日的 ＳＯ２、ＮＯ２、可吸入颗粒物、 ＣＯ、臭氧、ＰＭ２．５、空气质量指数数据为例，建立主成 分分析模型如下： ｆｉ ＝μｉ１Ｖ１ ＋μｉ２Ｖ２ ＋μｉ３Ｖ３ ＋μｉ４Ｖ４ ＋μｉ５Ｖ５ ＋μｉ６Ｖ６ （１） 式中：μ２ ｉ１Ｖ１ ＋μ２ ｉ２Ｖ２ ＋…μ２ ｉ６Ｖ６ ＝１；Ｖ１为 ＳＯ２浓度； Ｖ２为 ＮＯ２浓度；Ｖ３ 为可吸入颗粒物浓度；Ｖ４ 为 ＣＯ 浓度；Ｖ５为臭氧浓度；Ｖ６为 ＰＭ２．５浓度的数据。 将上述数据代入模型，ＳＰＳＳ分析结果见表 １。 表 １ 相关矩阵分析结果 项 目 ＳＯ２ ＮＯ２ 可吸入颗粒物 ＣＯ 臭氧 ＰＭ２．５ 空气质量指数 ＳＯ２ １．０００ ０．８０７ ０．６７７ ０．６５９ －０．１７９ ０．７２６ ０．７０９ ＮＯ２ ０．８０７ １．０００ ０．７２４ ０．６２６ －０．０６３ ０．７３４ ０．７０３ 可吸入颗粒物 ０．６７７ ０．７２４ １．０００ ０．５８２ －０．０６１ ０．７７３ ０．８５５ ＣＯ ０．６５９ ０．６２６ ０．５８２ １．０００ －０．３８１ ０．８２２ ０．７８３ 臭氧 －０．１７９ －０．０６３ －０．０６１ －０．３８１ １．０００ －０．３５２ －０．２５４ ＰＭ２．５ ０．７２６ ０．７３４ ０．７７３ ０．８２２ －０．３５２ １．０００ ０．９６３ 空气质量指数 ０．７０９ ０．７０３ ０．８５５ ０．７８３ －０．２５４ ０．９６３ １．０００ 从表 １可以看出，ＰＭ２．５与空气质量指数相关关 系为 ０．９６３，可见该地区空气污染的主要来源为 ＰＭ２．５。而 ＰＭ２．５与 ＳＯ２、ＮＯ２、可吸入颗粒物、ＣＯ、臭 氧都存在一定的相关关系。 从计算结果可知，巴特利特球度检验统计量的 观测值为 １０６２．７２４，相应的概率值接近 ０，说明相关 系数矩阵与单位阵有显著性差异。同时，ＫＭＯ的值 为 ０．８１１，从 ＫＭＯ的度量标准可知原有变量适合进 行因子分析。 计算可知，ＳＯ２、ＮＯ２、可吸入颗粒物、ＣＯ、ＰＭ２．５ 在第 １个因子上有较高的载荷，臭氧在第 ２个因子 上有较高的载荷。得到的因子分析模型： Ｖ１ ＝０．８７９ｆ１ －０．１１５ｆ２；Ｖ２ ＝０．９１５ｆ１ ＋０．０２３ｆ２ Ｖ３ ＝０．８８１ｆ１ ＋０．０２１ｆ２；Ｖ４ ＝０．７５３ｆ１ －０．４６４ｆ２ Ｖ５ ＝－０．０４４ｆ１ ＋０．９６８ｆ２；Ｖ６ ＝０．８６７ｆ１ －０．３６２ｆ２ （２） 从因子载荷计算可知，变量大部分都靠近两因 子坐标轴，说明信息丢失较少。因子得分函数为： ｆ１ ＝０．２４９Ｖ１ ＋０．２８５Ｖ２ ＋０．２７５Ｖ３ ＋０．１４７Ｖ４ ＋０．１６２Ｖ５ ＋０．２０１Ｖ６ ＋ε１ ｆ２ ＝０．０５８Ｖ１ ＋０．１８６Ｖ２ ＋０．１７８Ｖ３ ＋０．２７０Ｖ４ ＋０．８４２Ｖ５ ＋０．１６０Ｖ６ ＋ε２ （３） ４．２ 预测分析 将式（３）代入式（２）得到： Ｖ６ ＝０．２５３８２１Ｖ１ ＋０．２３４１２３Ｖ２ ＋０．２２６６０３Ｖ３ ＋０．２９３２８６Ｖ４ ＋０．２１４０５０Ｖ５ ＋ε （４） 式中：ε ＝ε１＋ε２ 取近日 １２天 ＳＯ２、ＮＯ２、可吸入颗粒物、ＣＯ、臭 氧的数据将其代入式（３）与实际值比较，结果发现， 由式（４）求得的预测值与实际值之间没有存在奇异 值，说明预测效果较好。虽然以上因子分析预测方 法较好，但还存在缺陷，模型中没考虑时间因素。 １９ ２０１５年 谢心庆等：国内外 ＰＭ２．５研究进展综述 第 ４期