一种利用气象参数修正室内外pm2.5监测结果的方法

摘要

本发明涉及一种监测数据修正方法，具体为一种利用气象参数修正室内外PM2.5监测结果的方法；先获取第一参考数据PE，其中所述的第一参考数据包括利用PM监测设备所采集的PM数据；再获取相对温度数据和相对湿度数据；并以第一参考数据与相对湿度数据和相对温度数据为自变量建立回归修正函数，得到最终的修正结果PM2.5数据，其中，第一参考数据为通过电离法逐秒得到的PM2.5数据值；本发明通过电离法得到的PM2.5数据进行气象参数修正，利用逐秒的PM2.5数据结合高分辨率的气象数据，实现PM2.5的朔源以及分钟平均与滑动平均等不同的数据呈现方式，反应空气污染的实时性和局地性，通过线性回归，得到环境与PM2.5数据之间的关系，从而修正了PM2.5在一定条件下的监测准确性。

说明书

技术领域

本发明涉及一种监测数据修正方法，具体为一种利用气象参数修正室内外空气PM2.5监测结果的方法。

背景技术

佩卡索尔微粒传感器技术是基于颗粒物可被充电（吸附并携带电荷）的原理，测量待测气体中颗粒所携带的电荷数量。技术本身都是人们所熟知的科学原理，即常被称为“逸出电流测量”的方法。此测量技术对超精细颗粒物的测量最为敏感。但是，颗粒物在空气中会受到气象环境的影响，具体为两种影响效果最大的湿度和温度的影响，其中湿度的影响在于，相对湿度增大会改变颗粒物碰撞凝并的主要作用力，增强凝并效果，使得更多的小颗粒凝并生成大颗粒，而温度在近冷壁区边界层内,PM2.5的轴向速度和脉动速度变化很大,颗粒因热泳力作用会向冷壁面运动并产生沉积。

正是因为传感器的具有实时监测的高灵敏度，所以对外界的气象变化的敏感度很大。所以必须综合考虑气象因素对设备的影响，以此来对设备数据进行修订。

发明内容

为了解决以上的技术问题，实现在气象条件下，受到会影响监测结果的例如温度和湿度的影响下，PM2.5精确监测的结果，本发明提供了一种利用气象参数修正室内外空气PM2.5监测结果的方法，以下是具体技术方案：

一种利用气象参数修正室内外空气PM2.5监测结果的方法，先获取第一参考数据PE，其中所述的第一参考数据包括利用PM监测设备所采集的PM数据；再获取相对温度数据和相对湿度数据；并以第一参考数据与相对湿度数据和相对温度数据为自变量建立回归修正函数，得到最终的修正结果PM2.5数据，其中，第一参考数据为通过电离法逐秒得到的PM2.5数据值。

进一步的，回归修正函数包括以第一参考数据与相对湿度为自变量，修正结果为因变量的回归修正函数和以第一参考数据与相对温度为自变量，修正结果为因变量的回归修正函数，还包括以第一参考数据与相对温度、相对湿度为自变量，修正结果为因变量的回归修正函数。

进一步的，以第一参考数据与相对湿度为自变量，修正结果为因变量的修正函数为：

。

进一步的，以第一参考数据与相对温度为自变量，修正结果为因变量的修正函数为：

。

进一步的，以第一参考数据与相对温度、相对湿度为自变量，修正结果为因变量的回归修正函数为：

；

其中：PE为第一参考数据，RH为相对湿度参数，tem为相对温度参数。

有益效果：本发明通过电离法得到的PM2.5数据进行气象参数修正，可有效精准预测法规检测仪器得到的PM2.5值，同时在此基础上大大提高了PM2.5数据的时间分辨率，利用逐秒的PM2.5数据结合高分辨率的气象数据，可以实现PM2.5的朔源以及更进一步可得到分钟平均与滑动平均等不同的数据呈现方式，有效反应空气污染的实时性和局地性，并通过线性回归方法，得到环境与PM2.5数据之间的关系，从而修正了PM2.5在一定条件下的监测准确性。

附图说明

图1为本发明相对湿度对监测设备与修正结果PM2.5数据影响的散点图；

图2为本发明高低相对湿度下监测设备数据与修正结果的回归关系图；

图3为本发明不同相对湿度区间的监测设备数据与修正结果的线性回归图；

图4为本发明温度对监测设备数据与修正结果PM2.5数据影响的散点图；

图5为本发明高低温度下监测设备数据与修正结果PM2.5数据的回归关系图；

图6为本发明不同温度区间的监测设备数据与修正结果PM2.5数据的线性回归图。

具体实施方式

一种利用气象参数修正室内外空气PM2.5监测结果的方法，先获取第一参考数据PE，其中所述的第一参考数据包括利用PM监测设备所采集的PM数据；再获取相对温度数据和相对湿度数据；并以第一参考数据与相对湿度数据和相对温度数据为自变量建立回归修正函数，得到最终的修正结果PM2.5数据，其中，第一参考数据为通过电离法逐秒得到的PM2.5数据值。

进一步的，回归修正函数包括以第一参考数据与相对湿度为自变量，修正结果为因变量的回归修正函数和以第一参考数据与相对温度为自变量，修正结果为因变量的回归修正函数，还包括以第一参考数据与相对温度、相对湿度为自变量，修正结果为因变量的回归修正函数。

进一步的，以第一参考数据与相对湿度为自变量，修正结果为因变量的修正函数为：

。

进一步的，以第一参考数据与相对温度为自变量，修正结果为因变量的修正函数为：

。

进一步的，以第一参考数据与相对温度、相对湿度为自变量，修正结果为因变量的回归修正函数为：

；

其中：PE为第一参考数据，RH为相对湿度参数，tem为相对温度参数。

实施例1

相对湿度与修正结果PM2.5数据之间的关系。

由图2可知，高相对湿度下监测设备数据与修正结果PM2.5数据的散点图在低相对湿度之上。即修正结果PM2.5数据一定时，高相对湿度下监测设备测得的数据比低相对湿度下的要高。

由从图3可知，相对湿度较高的散点分布在回归系列线上方，相对湿度较低的散点分布在回归系列线下方。则可知，监测设备数据与修正结果PM2.5数据的回归斜率和截距存在一定的差异。因而在对监测设备数据推算修正结果PM2.5数据的时候，相对湿度是一个重要的影响因素。

表一PE数据和相对湿度与修正数据的线性回归统计描述

通过线性回归的统计方法，可以得到的回归函数如下：

；

说明了最终的修正结果PM2.5数据与湿度存在的关系。

实施例2

相对温度与修正结果PM2.5数据之间的关系。

由图5可知，低温度下修正结果PM2.5数据与修正结果PM2.5数据的散点图在高温度之上。即官方修正结果PM2.5数据一定时，高温度下Pegasor测得的数据比低温度下的要低。

由图6可知，温度较低的散点分布在回归系列线上方，温度较高的散点分布在回归系列线下方。则，监测设备数据与修正结果PM2.5值的回归斜率和截距存在一定的差异。因而在对监测设备数据推算修正结果PM2.5数据的时候，温度也是一个重要的影响因素。

表二监测设备数据和温度与修正结果PM2.5数据的线性回归统计描述

通过线性回归的统计方法，可以得到的回归函数如下：

；

说明了最终的修正结果PM2.5数据与湿度存在的关系。

实施例3

相对温度、相对湿度对修正结果PM2.5数据的影响。

表三、监测设备、温度和相对湿度与官方监测数据的线性回归统计描述

得到的回归函数如下：

。