大气污染质量评价及预测论文

1、2011二期培训第一题承 诺 书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。我们参赛选择的题号是（从A/B/C/D中选择一项填写）： A 我们的参赛报名号为（如果赛区设置报名号的话）：

2、所属学校（请填写完整的全名）： 西安电子科技大学 参赛队员 (打印并签名) ：1. 申远 2. 刘心宇 3. 董晓宁 指导教师或指导教师组负责人 (打印并签名)： 李伟 宋月 日期： 2011年 8 月 11 日赛区评阅编号（由赛区组委会评阅前进行编号）：2011二期培训第一题编 号 专 用 页赛区评阅编号（由赛区组委会评阅前进行编号）：赛区评阅记录（可供赛区评阅时使用）：评阅人评分备注全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：2011二期培训第一题 【摘要】空气质量问题日益被人们看重，它直接影响着全球气候的变化，因此随时监测空气质量的变化尤为必要

3、。 本文运用了层次分析（AHP）、时间序列以及多元线性回归方程解决了几个城市的空气质量的排序、空气质量和各气象参数的预测以及空气质量和气象参数值之间的关系的问题，经检验，得出了满意的结果。 问题一：通过对第一题的分析，首先定性的按日求解API分析了各个城市空气质量因子之间的特点；对于第二部分，我们得出了这是一个比较典型的层次模型，目标层是空气质量的排名，因素是三种污染物的浓度情况，对象是题目给出的6个城市（按月求解），运用权重得出排名：F、A、E、B、D、C。其中F城市原始数据较少，因此求解出的数值相对于其他城市可信度不高，若排除F城市，可得排名：A、E、B、D、C。问题二：题目要求对各城市的

4、污染物浓度和4项气象参数做出未来一周预测，根据所给数据在2010年内连续，以及所要预测的数据都具有规律性和波动性的特点，不难想到建立时间序列模型。样本取自2010年1月1日至9月14日，构造ARIMA(p,d,q)模型，借助SPSS软件，确定模型阶数，完成参数估计，进行相应的检验，得到一周的预测值，并做出观察值和拟合值的图像。特殊的，由于F城无近期数据，所以对F城的预测只进行定性分析。问题三：通过分析，我们采用了多元线性回归的方法将空气质量因子与气象参数进行拟合，为了精确，我们将数据按3月11月、12月2月分为两组，分别进行拟合，正文中，计算了A城市的空气质量与气象参数的回归方程。之后，我们又

5、运用F检验和复相关系数R用来判别回归方程在统计上是否合理，结果令人满意。关键词：层次分析 时间序列 多元线性回归 空气质量指数（API）ARIMA自回归滑动平均模型一， 问题的重述 我们生活在包在地球外界的空气层大气层中，大气是地球自然环境重要组成部分之一。我们生活在大气中，洁净的大气是我们的生活条件。一个人在五个星期内不吃饭或5天内不喝水，尚能维持生命，但超过5分钟不呼吸空气，便会死亡。随着地球上人口的急剧增加，人类经济增长的急速增大，地球上的大气污染日趋严重，其影响也日趋深刻，如由于一些有害气体的大量排放，不仅造成局部地区大气的污染，而且影响到全球性的气候变化。因此，加强大气质量的监测和预

6、报是非常必要。目前对大气质量的监测主要是监测大气中、悬浮颗粒物（主要为PM10）等的浓度，研究表明，城市空气质量好坏与季节及气象条件的关系十分密切。附件给出城市A、B、C、D、E、F从2003年3月1日至2010年9月14日测量的污染物含量及气象参数的数据。请运用数学建模的方法对下列问题作出回答：1.找出各个城市、PM10之间的特点，并将几个城市的空气质量进行排序。 2对未来一周即2010年9月15日至9月21日各个城市的、PM10以及各气象参数作出预测。3分析空气质量与气象参数之间的关系。4就空气质量的控制对相关部门提出你的建议。二， 问题分析问题通过对实际生活的考察与实践提出四个问题，需要

7、分别对空气污染指数以及气象参数进行细致的分析，进而进行空气污染指数及气象参数的评价及预测。本文细致的对各个城市的空气污染指数进行数据处理，之后用处理好的数据进行比较、分析、评价。针对问题一，在先完成空气质量指数（API）求解后，对得出的数据进行层次分析。首先，我们查阅了多种资料，对API进行了深入了解得知污染物的分指数可由其实测的浓度值按照分段线性方程计算得出，各种污染物的污染分指数都计算出以后，取最大值为该区域或城市的空气污染指数API，之后运用层析分析法（AHP）得出每个城市的主要污染物以及大气环境走势，分析得各个城市的、PM10之间的特点，并排序。针对问题二，空气污染物浓度和气象参数的变

8、化，在具备一定规律性的同时，也具有一定的随机性，不难想到借助时间序列模型刻画其特点。通过研究所给的数据，我们发现2010年的数据是十分完整的，具备时间序列建模的条件。通过对样本时间序列差分处理得到平稳时间序列，考虑采用ARIMA自回归滑动平均模型描述数据变化。可以借助SPSS软件，对样本数据进行自相关和偏自相关分析，确定阶数，完成相应统计检验，得到预测值，并通过图像拟合同观察值对比，最终获取对未来一周的预测数据。针对问题三，我们利用Excel对A城市与其他几个气象因子之间的关西进行了作图分析，发现可以满足线性关系，但由于的浓度并不是由单一因素决定的，是由大气压强、地面风速、温度以及湿度等气象因

9、素共同影响的结果。因此，可以建立多元回归预测模型，对其浓度变化规律进行空气质量与气象参数之间的关系的分析。三， 模型假设1、剔除明显坏值，其余各组数据真实可信，无人为设备上的误差。2、各个城市发展情况大致相同，城市发达程度大致相同。3、数据中每年气候变化大致相同，未出现较大灾害天气及人为失误造成的数据的较大误差。4、E、F城市数据较少，计算中假设与其他城市具有比较价值，得出结果后继续讨论。四， 符号说明符号说明污染物实测浓度（、PM10类比）污染物实测浓度所属区间上（下）限污染物实测浓度对应指数区间的上（下）限空气污染指数A城实测值（B、C城类比）A城空气污染指数分指数（B、C城类比）实际包含

10、等级数最大特征值层次模型的一致性指标随机一致性指标一致性比率第一层权重向量（排名等级）第二层权重向量（等级城市）自相关系数偏自相关系数置信区间上下限残差平方和、回归平方和回归变量自由度、观察值组数复相关系数、F检验统计量、分别为大气压强、温度、湿度和地面平均风速A城市空气因子浓度回归系数个可以精确测量或控制的变量，及回归因子不可观测的随机误差注：其他符号在文中使用处另做说明五， 建立模型及求解数据预处理 我们根据实际情况，首先用Excel将数据进行筛选，利用图形去掉不符合逻辑的数据，去掉的数据在计算中将不予以考虑。针对问题一 在解决几个城市空气质量排序问题上，针对各项指标我们对数据进行按日处理

11、，以便得到更精确的结果；对于各城市的空气特点，为了便于定性分析，进行按月处理，其中，我们对三种污染物指标全为0的数据进行了舍去处理，以免其对图形进行干扰。针对问题二三种污染物浓度数据直接提取2010年1月1日至9月14日；对于四种气象参数，2010年1月1日至9月14日段中须剔除气压值为267.109mmhg（明显坏值）的那一组。针对问题三 根据数据的特点以及实际情况，我们将数据按季节分开，分别对两组数据进行多元线性回归，这样可以减小误差。这样一来，相关性检验就是必不可少的了，进行相关性检验以验证回归方程的准确性。5.1 问题一5.1.1 API求解首先，我们按日进行对API进行求解：设为某污

12、染物的污染指数，为该污染物的浓度。则： 式中： ： 在API分区表中最接近C值得两个值 ：在API 分区表中最接近I值得两个值5.1.2 对按日求得的API进行按月平均处理得出以下图表以解决第一题的第一部分：通过图表，首先我们很容易看出每个城市受污染的程度每年都在下降，城市空气质量都在变好。每个图表中PM10的API值在多个时期都是最高的，说明PM10至少在这四个城市中是首要的污染物，每个城市都应该给自己城市增添绿色。每个城市三中污染物浓度走势大致相同，而且基本都是PM10最高，其次，最低。A城市和PM10 相对于其他城市是特别高的，可以了解到原来A城市可能是是一个污染相对严重的城市，后期经过

13、治理取得了很大的成效，浓度明显下降，但是P M10的浓度虽有波动但是总体上并没有大的下降，说明，该城市在城市绿化和控制粉尘等排放上还有欠缺。B城市总体情况和A城市基本相同，原来也是污染相对较严重的城市，经过治理，和PM10的浓度均有下降，可以说，效果还是很理想的。比较A和B城市与其他几个城市，可以了解到他们可能是都是偏工业城市，三项指标相对于其他城市都较高。C与D城市类型大致一样，污染都不是很严重，适宜居住。但是，在某段时间内都受到过污染，在前后差不太多的时间里PM10的浓度都有急速上升，总体来说，这两个城市的空气质量一直还是平稳状态。分析E城市空气污染物浓度可知，E城市、PM10浓度均在一定

14、范围内平稳变化 ，说明该城市在所选时间段内空气质量比较平稳。 F城市由于数据较少，很难说其空气质量的变化规律有什么特点，通过这四组很有限的数据，可以简单看出，F城市的空气质量还是相对平稳的。5.1.3 用层次分析法（AHP）解决排序问题 要得到城市的空气质量的排名，我们选取按日求解的API作为突破口来衡量各个城市的空气质量以解决问题的第二部分。一）数据处理1）利用MATLAB求出最大特征值： 其中为待计算特征值的矩阵，为对角矩阵，其对角元素为的特征值，最大的即为。2）一致性指标计算方法：其中为矩阵的最大特征值，为矩阵的阶数3）随即一致性指标 的计算方法：与有如下关系，如表12345678910

15、000.580.901.121.241.321.411.451.494）权重计算方法：计算矩阵的特征根及特征向量，将所求的特征向量单位化后得到的就是权重值。二）AHP模型的建立1) 将研究目标（Z）、因素（P）、对象（C）按相关关系分成目标层Z、准则层P、对象层C。层次结构图如图所示：空气质量的排名优优良 轻 微 污 染.A BC DEF重 度 污 染2）给出空气质量一级，二级，三级两两成对比较的判断矩阵P：空气污染指数API 空气质量级别 空气质量描述 0-50 I 优 51-100 II 良 101-200 III 轻微污染 201-300 IV 轻度污染 300-400V 中度污染 40

16、0VI重度污染根据如上图所示表格给出空气质量各等级两两成对比较的判断矩阵P：优良轻微轻度中度重度优1.00000.50000.33330.25002.00000.1667良2.00001.00000.66670.50000.40000.3333轻微3.00001.50001.00000.75000.60000.5000轻度4.00002.00001.33331.00000.80000.6667中度5.00002.50001.66671.25001.00000.8333重度6.00003.00002.00001.50001.20001.0000 权重0.04760.09520.14290.190

17、50.23810.2857由表中数据, 计算可知： ， ，。因为，所以此排序有满意的一致性。3）给出对象层对准则层的各个因素的判断矩阵并进行分析。由于各个城市只空气质量的差异，所以要求出它们两者之间各因素之间的关系。这里我们利用了MATLAB的相关知识求解出了数据中各个城市的空气污染指数：六个城市的空气污染指数统计（单位：天） 城市APIA城市B城市C城市D城市E城市F城市501641862701169641006475234174964168220025532731733460133001101815104001410010500119410根据表中数据，类比2）中方法，计算出各种不同污染等

18、级对不同城市的权重空气质量“优”级对6个城市的不同权重表城市ABCDEF权重0.16720.19290.28280.13100.18200.0440由表中数据， 计算可知: ， ，所以此排序有满意的一致性。同理，可以计算出其余空气质量等级对6个城市的不同权重。空气质量“良”级对6个城市的不同权重表城市ABCDEF权重0.16960.13940.11220.14400.20270.2321由表中数据，计算可知： ， ，空气质量“轻微污染”级对3个城市的不同权重表城市ABCDEF权重0.16610.21670.21210.24110.07260.0914由表中数据，计算可知： ， ，空气质量“轻度

19、污染”级对3个城市的不同权重表城市ABCDEF权重0.0200 0.21160.38530.34520.03790由表中数据，计算可知： ， ，空气质量“中度污染”级对3个城市的不同权重表城市ABCDEF权重0.05620.23750.600000.10630由表中数据，计算可知： ， ，空气质量“重度污染”级对3个城市的不同权重表城市ABCDEF权重0.05520.06130.52760.25150.10430由表中数据，计算可知： ， ，三）AHP模型的求解将上面3个空气质量等级对6个城市的不同权重表单位化后作为列向量构成63矩阵，和空气质量一级，二级，三级两两成对比较的判断矩阵P相乘，结

20、果便得到6个城市的权重值。根据上述问题的分析中的假设可知，权重值越大，表明空气污染情况越严重。因此，将6个城市的权重值,按照从小到大依次排序，得出的结果便是6个城市的空气污染严重程度的排名。最终结果如下表所示:ABCDEF优0.15340.17700.25940.12020.16700.0404良0.60520.49760.40060.51400.72350.8283轻微0.23850.31110.30450.34610.10430.1313轻度0.00090.00950.01730.01550.00170中度0.00090.00380.009600.00170重度0.00090.00100.

21、00860.00410.00170总权重0.08080.16780.42140.19200.10070.0373根据6个城市的总权重值进行从小到大依次排序，空气污染程度由轻到重的排名如下：F、A、E、B、D、C。特别注意：根据题目给出的数据图表可以看出，E、F城市相对于其他城市的数据量较少，计算下来相对于其他四组的可信度不高，因此，我们在排序的时候要根据E、F城市的具体情况来做适当的调整。若排除E、F城市，则排序为：A、B、D、C。 四）AHP模型的检验总的一致性检验：由于我们构造出的矩阵使得所有的CI值均为0，所以对于总排序的检验： 通过了一致性检验。5.2问题二5.2.1计算时间序列自相关

22、系数及偏自相关系数自相关系数表达式如下：手工计算很繁琐，SPSS可直接给出一个时间序列的自相关图和偏自相关图。5.2.2 根据自相关图和偏自相关图，将时间序列化为平稳序列 一般原始数据的时间序列不是平稳时间序列，需要通过一阶或更高阶次的差分运算（或取对数后的差分运算），构造平稳时间序列。只有平稳时间序列才可能构建自回归滑动平均ARIMA(p,d,q)模型。5.2.3 模式识别本题默认使用ARIMA，自回归阶数p和滑动平均阶数q通过原始（或差分过后）的时间序列的自相关图和偏自相关图大致确定。关于p，q的定阶问题，借助SPSS软件，我们将计算多个可能的取值情况，比较它们的最终拟合结果和BIC参数，

23、择优作为最终的预测模型5.2.4 进行参数估计对于时间序列：进行参数估计，通常方法有矩估计，极大似然估计，最小二乘估计。这里求解基本将借助SPSS软件实现。5.2.5模型显著性检验即检验模型的残差序列是否为白噪声下面以求解城市A的SO2浓度时间序列预测为例： 原始数据样本的自相关图和偏自相关图：一阶差分后的自相关图和偏自相关图： 二阶差分后的自相关图和偏自相关图：分别构造ARIMA(1,1,2), ARIMA(1,1,1), ARIMA(2,1,2)和ARIMA(3,2,1)，各自的BIC参数为-7.859，-7.887，-7.860，-7.627。它们各自的拟合后与观察值的对比如下，通过比较

24、ARIMA(3,2,1)的拟合度最好，故采用ARIMA(3,2,1)。在ARIMA(3,2,1)下，残差序列检验通过。未来7天的预测值如下，并给出了95%的上、下置信区间。其中252到258依次表示9月15日到9月21日。城市A未来7天SO2浓度预测模型 252 253 254 255 256 257258预测UCLLCL .021.018.021.020.018.017.016.061.066.073.076.079.082.085 -.019-.029-.032-.036-.043-.049-.054 类似地，我们可以求出ABCDE五个城市各自的三种污染物的预测值，以及四项气象参数的预测值

25、。各项数据所用到的ARIMA模型如下：城市 A SO2浓度:321A N02浓度: ARIMA(2,2,2) mmhg:421PM10浓度: ARIMA(2,1,2) tem:321城市B SO2浓度: ARIMA（3,2,1） rh:312B NO2浓度: ARIMA(2,1,2) ws:521B PM10浓度:ARIMA(2,1,1)城市 C SO2浓度: ARIMA（3,2,1）C NO2浓度:ARIMA(4,2,1)C PM10浓度: ARIMA (2,0,2)城市 D SO2浓度: ARIMA (3,2,2)D NO2浓度: ARIMA (4,2,1)D PM10浓度: ARIMA

26、(1,0,2)城市 E SO2浓度: ARIMA (3,2,1)E NO2浓度: ARIMA (4,2,1)E PM10浓度: ARIMA (3,2,2)5.3问题三5.3.1多元线性回归模型的建立题目中要求求得分析空气质量与气象参数之间的关系，我们采取分析单个城市的单个空气质量因子与气象参数的关系来求解。通过对数据进行分析，发现大气压强、温度、湿度和地面平均风速具有季节性，因此，我们将每年的情况按温度（以零度为基准）开来求解，将11月2月分为一组，将3月10月分为一组，针对这两组不同的数据，分开进行多元线性回归模型的分析。影响结果的因素由多个变量，与存在着如下线性关系：其中：是回归系数；是个

27、可以精确测量或控制的变量，及回归因子；是不可观测的随机误差，满足 一般地，我们称由公(1)和(2)确定的模型为多元线性回归模型，记为： (3)具体方法为：(1)计算各变量的平均值： (4)(2)根据公式(5)计算出矩阵Lij和矩阵Li： () (5)(3)根据公式(6)求出回归系数的估计值： (6)即可求出回归模型：5.3.2多元线性回归法模型的检验算法1、利用已经求得的模型可以进行预测，与已知的数据进行对比，进行检验。作图得：2利用F检验和复相关系数R用来判别回归方程在统计上是否合理，F检验的计算公式见式：其中，为回归变量的自由度，为观察值的组数，回归平方和和残差平方和的计算公式见公式如下：

28、复相关系数R的计算公式见式如下： 5.3.2多元线性回归法模型的求解及检验正文中我们只对A城市的空气质量因子分两个时段与气象参数进行多元线性回归分析。其他城市的分析结果见附录。A城市12月2月：1）根据多元线性回归法的基本理论，分别考虑大气压强、温度、湿度和地面平均风速4个自变量，自变量分别以、表示，变量用表示。即A城市浓度。则，可设数学模型为：根据题目所给附表中的数据，再根据公式（4）利用SPSS算出各变量各种参数：因此，建立的城市A的的浓度拟合模型为：由SPSS求得的与气象参数相关系数模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)-3.702.664-5.578.000VA

29、R00001.006.001.2745.727.000VAR00002-5.624E-6.000-.001-.027.978VAR00003-.001.000-.071-1.476.141VAR00004.012.009.0651.329.185a. 因变量: VAR00005其中：为的预测浓度；为大气压强，为地面温度；为近地面空气中的湿度；为地面平均风速。A城市冬季SO2浓度与气压、风速均呈正相关且影响均较大尤以风速为甚。但与气温、相对湿度呈负相关，与气温关系不大但与相对湿度关系很大。湿润天气有利于稀释SO2浓度，但遇强风务必加强监测。同理可得出A城市的浓度拟合模型为：由SPSS求得的与气象

30、参数相关系数模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)-.538.086-6.257.000VAR00001.001.000.3166.667.000VAR000024.271E-5.000.0741.586.114VAR000034.082E-5.000.032.659.510VAR00004-.002.001-.072-1.488.138a.因变量: VAR00006 其中：为的预测浓度；为大气压强，为地面温度；为近地面空气中的湿度；为地面平均风速。A城市NO2浓度与气压、气温、相对湿度均呈正相关且气压对其影响较大而温度相对湿度影响很小。但与风速呈负相关，且与关系风速较

31、大。A城市PM10的浓度拟合模型为：由SPSS求得的PM10与气象参数相关系数模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)-1.560.325-4.795.000VAR00001.003.000.2455.207.000VAR00002.000.000.0691.480.140VAR00003.000.000.0861.803.072VAR00004-.022.004-.240-5.039.000a.因变量: VAR00007其中：为PM10的预测浓度；为大气压强，为地面温度；为近地面空气中的湿度；为地面平均风速。A城市可吸入颗粒物PM10与气压呈正相关与风速呈负相关，且相关

32、系数均较大。2）函数关系的检验：通过SPSS处理，得出下表：F检验统计量模型平方和df均方FSig.1回归.6654.1669.981.000a残差6.974419.017总计7.639423a. 预测变量: (常量), VAR00004, VAR00002, VAR00001, VAR00003。b. 因变量: VAR00005复相关系数模型RR 方调整 R 方标准 估计的误差1.295a.087.078.12901a. 预测变量: (常量), VAR00004, VAR00002, VAR00001, VAR00003。选择所建预测模型的显著性水平为0.05，而F检验的统计了F=F0.05

33、，预测模型在统计意义上是显著成立的。预测模型的复相关系数R2为 ，表明浓度与气象因子(p、t、f、v)之间的关系为高度正相关。预测模型的标准误差由相关表达式计算得，因此，表明预测模型的拟合程度很高。同理得、PM10的F值以及复相关系数： ：F检验统计量模型平方和df均方FSig.1回归.0144.00312.224.000a残差.117419.000总计.131423a. 预测变量: (常量), VAR00004, VAR00002, VAR00001, VAR00003。b. 因变量: VAR00006复相关系数模型RR 方调整 R 方标准 估计的误差1.323a.105.096.01673

34、a. 预测变量: (常量), VAR00004, VAR00002, VAR00001, VAR00003。 PM10：F检验统计量模型平方和df均方FSig.1回归.2264.05614.122.000a残差1.676419.004总计1.902423a. 预测变量: (常量), VAR00004, VAR00002, VAR00001, VAR00003。b. 因变量: VAR00007复相关系数模型RR 方调整 R 方标准 估计的误差1.345a.119.110.06325a. 预测变量: (常量), VAR00004, VAR00002, VAR00001, VAR00003。各个污染

35、物与气象参数之间关系式的检测情况表：3月10月三个个污染物的检验情况表 相关指标污染物F0.05FR20.059.9810.295NO20.0512.2240.323PM100.0514.1220.345由上面的表可以看出，我们建立的各个污染物与天气参数之间的关系式都是合理的。A城市3月10月：同理求得： ：由SPSS求得的与气象参数相关系数模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)-.102.275-.373.710VAR00001.000.000.019.468.640VAR00002.000.000.0541.368.172VAR00003.000.000.037.9

36、00.369VAR00004.010.003.1423.567.000a. 因变量: VAR00005A城市在3月到10月期间，遇强风天气应注意监测二氧化硫浓度。F检验统计量模型平方和df均方FSig.1回归.0444.0113.837.004a残差1.872656.003总计1.915660a. 预测变量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。b. 因变量: VAR00005复相关系数模型RR 方调整 R 方标准 估计的误差1.151a.023.017.05341a. 预测变量: (常量), VAR00004, VAR00001, VAR

37、00002, VAR00003。：由SPSS求得的与气象参数相关系数模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)-.014.101-.138.890VAR000015.245E-5.000.014.348.728VAR000021.373E-5.000.018.449.653VAR000036.663E-5.000.0541.322.187VAR00004.005.001.1904.807.000a.因变量: VAR00006 对于A城市，3月到10月期间，风速也是可能加重二氧化氮污染的重要天气因素。F检验统计量模型平方和df均方FSig.1回归.0094.0025.996.

38、000a残差.251656.000总计.260660a. 预测变量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。b. 因变量: VAR00006复相关系数模型RR 方调整 R 方标准 估计的误差1.188a.035.029.01956a. 预测变量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。PM10：由SPSS求得的PM10与气象参数相关系数模型非标准化系数标准系数tSig.B标准 误差试用版1(常量).448.2861.568.117VAR00001-.001.000-.056-1.370.17

39、1VAR00002.000.000.0481.216.224VAR00003.000.000.0842.050.041VAR00004.006.003.0872.173.030在城市A,3月到10月间，低气压有利于缓解PM10污染，而强风则会加重PM10污染。F检验统计量模型平方和df均方FSig.1回归.0314.0082.540.039a残差2.020656.003总计2.052660a. 预测变量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。b. 因变量: VAR00007复相关系数模型RR 方调整 R 方标准 估计的误差1.123a.01

40、5.009.05550a. 预测变量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。如上面表格所示，可得如下图表： 相关指标污染物F0.05FR20.053.8370.151NO20.055.9960.188PM100.052.5400.123同样由上面的表可以看出，我们建立的各个污染物与天气参数之间的关系式都是合理的。其他城市的各个污染物与天气参数之间的关系式见附录。5.4问题4尊敬的部门领导：您好。我们是西安电子科技大学的学生。现在全球气候恶化，我们每个人都应该为我们的地球、我们的家园做出我们自己的一份贡献。因此，我们想对于提高空气质量提出我们

41、自己的建议。建议如下：首先，我们应该控制排放。城市的工厂、汽车尾气等需要化石能源提供能量的工厂或是动力装置进行限制，做好评估，将每一天的排放量限制在一定范围内，争取做到在不干扰经济效益的前提下，排放的废气及粉尘能够及时自净。其次，化石燃料的限制。我们可以实行集体供暖制度，这样可以大范围的减少化石燃料的使用，从而减少排放，不仅净化了空气，而且节省了资源，增加了化石燃料的利用率。再次，出台法律，限制节假日燃放烟花爆竹。燃放烟花爆竹按习俗，在古代是过年的时候才燃放的，所以我们现在也没有必要在普通节假日过多让放烟花爆竹，制造不必要的空气污染。再有，推广清洁燃料、使用清洁生产工艺。例如，鼓励使用太阳能，

42、大力发展清洁能源事业，这会节约大量的化石能源，减少空气污染。对于必须依靠化石能源的机器汽车等，我们应该尽量鼓励使用清洁的能源，例如，城市公交可以使用轻燃料，这样可以在很大程度上减少污染物的排放，每年减少的污染物排放将不计其数。加强教育，树立绿色观念。政府、各企事业单位、学校加强对人民群众的思想教育，从根本上改善污染问题。建立空气质量监测机制，落实国家的环境保护政策。政府及环境监测部门应该建立积极有效的空气质量检测机制。遇到突发状况能够及时处理，平时能够维持空气质量平稳；各企事业单位的领导要落实国家的环境保护政策，不要贪图一时利益而葬送了子孙后代的幸福。政府、检测部门要与各企事业单位密切联系，共

43、同商讨空气质量问题。作为学生我们也会为我们生活的家园贡献自己的一份力量，希望各位领导能够采纳我们的意见，一起保护我们的家园。此致敬礼 西安电子科技大学学生 2011/8/11六， 模型评价一、层次分析（AHP）模型该模型具有以下优点：基于大量数据的层次分析具有更强的系统性，使得复杂的排序问题简化为求各层次权重问题；更令人信服，在数据处理上运用按日API计算，使结果更加精确，可以很清晰的看到各个层次与想要结果的关联关系；现对于其他评价模型，该模型简单易行。该模型具有以下缺点：AHP模型只能从现有的数据中得出较好的方案，不具有灵活性，不具有发展意义，随着空气质量的变化可能排名会有变化，但是由此模型

44、计算出的结果不会体现出发展的趋势。二、时间序列模型该模型具有以下优点：兼顾了规律性与随机性，能较为完整地反映实际情况。利用时间序列，只需一类数据样本，就可以通过该样本的历史数据对其未来一段时间的变化很好地作出预测。该模型具有以下缺点：对数据检验要求高，ARIMA阶数确定的较为繁琐。三、多元线性回归模型该模型具有以下优点：该模型用最简单的方法快捷有效的获得了空气质量各因素与大气压强、温度、湿度和地面平均风速之间的关系。该模型具有以下缺点： 对某些特殊数据处理没有大到最好的效果。七， 参考文献1韩中庚著 数学建模方法及其应用（第二版） 北京：高等教育出版社2009.6(2010重印)2 甘德（Ga

45、nder，W.），赫比克（Hrebicek，J.著）；刘来福等译 用Maple和MATLAB解决科学计算问题（第三版） 北京：高等教育出版社 ;海德堡：施普林格出版社 1999.53 （德）夸特罗尼，（德）色拉瑞著；李敏波译 MATLAB科学计算 北京：清华大学出版社 2005.1 4 胡琳, 林杨, 何晓媛. 基于API 方法的西安城市大气环境质量评价 J . 陕西气象, 2007( 1) : 18- 20.八， 附录时间序列模型中其他数据：预测数据汇总：多元线性回归模型中其他城市的结果（SPSS图表）B城市空气质量与气象参数之间的关系（、PM10顺序）：3月10月：模型汇总模型RR 方调整

46、 R 方标准 估计的误差1.145a.021.015.05586a. 预测变量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。Anovab模型平方和df均方FSig.1回归.0444.0113.540.007a残差2.047656.003总计2.091660a. 预测变量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。b. 因变量: VAR00008系数a模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)-.072.288-.250.803VAR00001.000.000.014.342.733VAR00002.000.000.0