长三角地区冬季PM2.5时空分布特征及大气复合污染物间关联性分析

摘要

自2013年以来，国家开展了全国范围的PM2.5常规监测，为系统分析区域性PM2.5污染特征奠定了基础。本文基于长三角地区2013～2016年冬季（11月至次年2月）162个国家级空气质量自动监测站的PM2.5、PM10、CO、SO2和NO2每小时监测数据，分析了长三角地区冬季PM2.5的时空分布特征及大气复合污染过程中PM2.5与其他四种污染物之间的关联性。主要研究内容包括:
　　(1)对海量空气质量监测数据进行筛选和预处理，统计计算整个长三角地区不同时间尺度和不同区域的PM2.5浓度。
　　(2)利用长三角地区冬季PM2.5浓度的季均、月均和日均值，分析PM2.5浓度时间变化规律;对各监测站点的PM2.5浓度的季均、月均值进行克里金空间插值，分析PM2.5的空间分布规律;利用全局Moran'sⅠ指数和局部G系数，研究长三角地区PM2.5浓度的全局相关性和局部集聚性;
　　(3)建立PM2.5与PM10、CO、SO2和NO2四种污染物每小时浓度之间的多元线性回归模型，研究PM2.5与PM10、CO、SO2和NO2之间的相关性及其他四种污染物浓度变化对PM2.5浓度的影响;
　　(4)将关联规则挖掘应用于PM2.5与其他大气污染物之间关联性分析中，设计关联规则挖掘方案，识别不同污染等级下包含PM2.5的强关联规则，研究大气复合物污染过程中不同等级污染物之间存在的关联性。
　　通过上述研究，得出主要以下结论:
　　(1)PM2.5浓度时间变化规律。2013年至2016年，长三角地区历年冬季PM2.5的季均浓度分别为92.92μg/m3、76.02μg/m3、68.42μg/m3和56.6μg/m3;11月～次年2月PM2.5月均浓度分别为68.67μg/m3、81.73μg/m3、79.81μg/m3和66.97μg/m3，呈现倒“U”型周期性变化特点;历年冬季PM2.5日均浓度超标率分别为65％、42.5％、38.01％和27.5％，PM2.5浓度日均值呈现周期性倒“U”型脉冲起伏变化，周期约为7天。
　　(2)PM2.5浓度空间分布特点。长三角地区冬季PM2.5浓度自北向南阶梯状下降，局部地区略有突出。PM2.5浓度分布呈现显著的全局正相关性，局部PM2.5浓度呈现明显聚集性，PM2.5高浓度聚集区主要位于在江苏省北部的徐州市、宿迁市及中部的常州市，PM2.5低浓度聚集区主要位于浙江省的南部地区舟山市、温州市、宁波市和丽水市。
　　(3)PM10、SO2、NO2和CO都与PM2.5之间存在正相关性，相关系数分别为0.742、0.457、0.501和0.665，通过回归方程可以发现，当PM10、SO2、NO2和CO四种污染物中任意一种污染物每增加一个单位，其他三种污染物浓度不变时，PM2.5都会相应的增加0.326个单位、0.198个单位、0.131个单位和0.027个单位。
　　(4)PM2.5与PM10关联性最高，当PM10为4级时，PM2.5为5级的概率为70.13％;当PM10=6级时，PM2.5为6级的概率为81.65％，当PM10=6级时，SO2、NO2、CO任意一种污染物达到3级，PM2.5为6级的概率上升至90％;高浓度的NO2污染发生时，PM2.5=5级的概率要大于PM2.5=6级的概率，即高浓度的NO2常常同等级为5级的PM2.5共存与大气中。

目录

声明

致谢

摘要

1．绪论

1．1．研究背景和意义

1．2．国内外研究现状

1．2．1．PM2．5研究现状概述

1．2．2．PM2．5时空分布特征研究现状

1．2．3．基于空气质量数据解析大气复合污染研究现状

1．3．研究目标

1．4．研究内容

1．5．技术路线

2．数据与研究方法

2．1．研究区域

2．2．数据来源与预处理

2．2．1．数据采集

2．2．2．数据筛选

2．2．3．数据准备

2．3．空间自相关分析

2．3．1．全局自相关

2．3．2．局部自相关

2．4．多元线性回归

2．5．关联规则挖掘方法

2．5．1．关联规则挖掘原理

2．5．2．关联规则挖掘算法

2．5．3．关联规则挖掘实现方法

2．6．本章小结

3．PM2．5时空分布特征分析

3．1．PM2．5浓度统计分析

3．2．PM2．5时间变化规律

3．2．1．PM2．5季均浓度变化规律

3．2．2．PM2．5月均浓度变化规律

3．2．3．PM2．5日均浓度变化规律

3．3．PM2．5空间分布规律

3．3．1．PM2．5季均浓度空间分布

3．3．2．PM2．5月均浓度空间分布

3．4．PM2．5浓度空间自相关分析

3．4．1．全局相关性分析

3．4．2．局部热点分析

3．4．3．PM2．5浓度月度空间集聚性

3．5．研究结果

3．6．本章小结

4．气体污染物间关联性分析

4．1．污染概况

4．2．大气污染物间多元线性回归建模

4．2．1．自标量与因变量选择

4．2．2．变量间相关性分析

4．2．3．回归分析

4．2．4．模型检验

4．2．5．研究结果

4．3．大气污染物间关联性分析

4．3．1．数据库建立

4．3．2．关联规则挖掘

4．3．3．研究结果

4．4．本章小结

5．总结与展望

5．1．结论与建议

5．2．创新点

5．3．展望

参考文献