【空气质量影响因素的实证探究的国内外文献综述4600字】

空气质量影响因素的实证研究的国内外文献综述目录TOC\o"1-2"\h\u26201空气质量影响因素的实证研究的国内外文献综述 1109241.1空气质量影响因素研究现状 112564（1）自然因素 18489（2）社会经济因素 23759（3）综合因素 2301421.2空气质量预测模型研究现状 314049（1）模型优化 316627（2）模型组合 4268741.3文献评述 51.1空气质量影响因素研究现状对于空气质量影响因素的研究，国内外大多专家学者主要从自然影响因素、社会经济影响因素或把两因素相结合入手，分析空气质量与各影响因素之间的相互联系，为环保政策的制定提出积极可行的建议。（1）自然因素SotirisVardoulakis和PavlosKassomenos（2006）分析了雅典和伯明翰相关数据。发现在寒冷季节，PM10与NO、CO、太阳辐射之间显示正相关，与O3、风速、降水之间存在负相关关系。郭利等（2011）经过分析发现：大气污染物PM10和相对湿度、地面风速、气温、大气压等气象因素之间有较强的关联关系，并且季节趋势较为明显。周兆媛等（2014）利用相关和主成分分析法阐述了北京、石家庄等三地的大气质量与气象的相关关系。气压、降水量、温度等与AQI存在十分紧密的相关关系。XingWang等（2018）根据地理和季节气候特征，研究了许昌市AQI的时空分布特征。发现空气质量指数冬季最高，夏季最低；南北有一定的差异。单芸（2020）利用盐城市五年的气象、AQI相关数据，以大气质量与气象因素的季节变化作为研究重点，研究各个气象指标对盐城市空气质量的影响机制。张春红（2020）对国控点和自建点的空气质量数据进行分析，结果表明空气质量受众多因素共同影响，其中气温与相对湿度对其影响较为明显。（2）社会经济因素空气污染是片面追求发展的不良产物。董志龙和何慧根等（2009）运用典型相关分析对兰州空气质量的诸多因素进行分析。发现其受到机动车数量、GDP增长率等相关因素的影响。章异平和徐军亮等（2012）运用灰色关联分析对影响洛阳市大气质量的众多因素进行一系列研究，发现烟尘排放量、机动车拥有量、人均绿化面积等为其主要影响因素。XiangTaoAi（2014）依据灰色关联理论，发现影响北京市空气质量的因素从大到小依次为：能耗量，人口数量，GDP，科技投入，环保投入。LijianHan等（2014）使用城市建成区面积、人口和第二产业占GDP比重来衡量城市化水平，研究表明三个指标与PM2.5呈正向关系。李经路（2017）利用PCA、多元非线性方法进行了分析，在各个因素中，人均GDP与空气质量成倒"N"型曲线关系，第三产业占比值和天然气占能源的消费比值与空气质量负相关。姜磊等（2018）采用基于衰减效应的矩阵指数空间模型对空气质量的社会经济影响因素进行了相关分析，找出人口密度、区域经济发展水平与空气质量是负相关的。王超，王国庆等（2019）运用GRA研究邯郸经济指标与空气质量的关联程度，工业增加值与SO2关联程度最高，能耗与PM2.5和PM10关联程度最高。柏玲等（2019）选取人均GDP、FDI、PM2.5、SO2等7个变量进行研究。人口密度、PM2.5、SO2浓度等的增加会造成污染加剧，FDI和绿化覆盖率能使得空气质量上升。李慧等（2021）研究发现减排政策、产业结构、能耗消耗以及地理位置是影响2013-2019年京津冀及周边地区"2+26"城市空气质量变化的重要因素。研究显示,随着大气污染防治减排措施实施的力度逐渐加大,政策影响是空气质量持续改善的最重要手段。（3）综合因素李莉娜，潘本锋等（2017）发现空气质量与第一产业比重是负相关；与之相反，其与各个空气污染物的单位面积排放量、单位能耗等是正相关；降水量等气象因素对其空气质量造成影响。刘昕，辛存林（2019）通过对陕甘宁2015-2017年空气质量数据的相关性分析，发现其空气质量与温度、降雨量和大气压之间的关联系数较大；地形的起伏度级别与空气质量变化方向相反。AQI受工业企业数的影响最大。LiHuajiao等（2019）从全球和局部两个角度利用全球和局部回归模型探讨了影响我国AQI的主要因素。全球范围来看，产业结构和民用车辆数量对AQI的减少一负面作用，但降水的影响是相反的；从局部来看，不同因素对AQI的影响存在空间差异。陈优良，李亚倩（2020）利用ESDA技术和空间回归模型探究了胡焕庸线两侧主要城市的AQI的综合影响因素。其影响因素在空间上表现为显著集聚效应，绿化覆盖率对其影响程度最高，其后依次为相对湿度、日照时数、人口密度等。在空间差异和模拟影响程度方面，GWR模型性能优于OLS模型。ZiyunJing等（2020）采用地理探测器方法，定量分析了人为前兆（AP）和气象因子对中国城市PM2.5浓度的影响。结果表明，气象因素与AP对污染物PM2.5的影响存在时空上的差异。阐明了驱动因子在PM2.5形成中的相对重要性，为了解气象和人为因素对PM2.5浓度分布的影响提供了理论基础。XiaodanHan等（2020）为探讨影响因子在不同空气质量水平上的异质性。采用空间分位数回归模型，同时考虑AQI的空间自相关。结果表明，风速、地形坡度、城市化蔓延和空间自相关对AQI的异质性影响较大，而降水、温度、相对湿度、地形起伏和城市化强度对AQI的异质性影响不明显。对大气污染防治政策措施的差异化提供了指导。1.2空气质量预测模型研究现状过去，我国对空气污染的关注度不够，污染治理方面不够严格。因此，在研究空气质量预测方面与国外相对比较为落后，但自从智能优化算法在空气质量预测方面得以应用，国内相关方面的研究已经取得了很高的成就。当前对空气质量预测方法就主要集中在模型优化或模型组合这两方面。（1）模型优化李俊飞（2015）利用小波将数据分解为低频、高频子序列，然后将各个子序列与气象数据相结合，并利用SVM模型进行相关预测，最终得到合成的预测结果，此预测方法的最终效果较为良好。倪志伟，朱旭辉等（2016）对离散型人工鱼群算法进行优化，再利用分形维数，将它们融合到支持向量机模型中去，此空气质量预测方法具有很高的可靠性。ZhongshanYang和JianWang（2017）利用基于互补集成的经验模式分解、改进布谷鸟搜索及差分进化算法来对Elman神经网络进行相关优化，其预测准确度有了大幅度的提升。仝玉婷（2017）提出PSO-LSSVR模型，并与SVM、ANN等比较。结果显示，PSO-LSSVR的预测准确率更高。BinxuZhai和ChenJianguo（2018）通过遗传算法优化LASSO、Adaboost等单个模型，并通过SVR进行集成，用于北京PM2.5预测。张楠，王鹏（2018）针对GWO算法的缺点，对其全局优化能力进行改善，并且用于对SVR参数的寻优，实现MGWO-SVR预测模型的创建。李光明，王军等（2019）引入改进惯性权重的粒子群优化算法来改进遗传算法，并用于支持向量机模型来进行相关预测。俆乔王，胡红萍等（2019）使用思维进化算法对支持向量机进行改进，建立了MEA-SVM模型，并且将其应用于太原的空气质量指数预测。该优化模型在预测速度方面有了一定的提升。YuChunLin等（2020）将训练数据划分为模糊聚类，提取了模糊规则，并构建四层模糊神经网络。然后将遗传、粒子群优化用于训练网络。程蓉和钱雪忠（2020）为克服支持向量机和人工神经网络等模型在预测方面可能存在的一系列问题，使用改进后的随机森林算法对空气质量进行预测分析。WangJianzhou等（2021）提出了一个基于特征选择和改进的进化区间2型量子模糊神经网络（eIT2QFNN）的智能混合空气质量预测系统，通过考虑气候影响变量的重要性来实现AQI预测，实结果表明，该系统具有建模精度高、结构紧凑等优点，可作为空气质量管理的有效工具。 （2）模型组合PanLin等（2011）为研究天津空气质量变化趋势及主要影响因素，采取灰色动态模型组合灰色关联分析法。DongjunLiu（2015）根据熵权重法对自回归综合移动平均模型、人工神经网络模型和指数平滑方法的权重结合的综合预测模型，与单一模型比较，综合模型平衡了各预测方法的偏差。SulingZhu等（2018）提出了CEEMD-PSOGSA-SVR-GRNN混合模型来对空气质量进行预测，其预测准确度更高。郑洋洋和白艳萍（2019）提出了一种基于时间序列和支持向量回归机的组合预测模型。其预测性能好，稳定性高。QunliWu和HuaxingLin（2019）基于VMD、SE和LSTM的空气质量预测，提出一种混合预测模型，以提高预测准确性。YuexiongDing等（2019）针对现有方法没有考虑监测站之间的空间关系，或忽略相关性的强度，提出CFST-LSTM模型。甘露情，刘媛华（2020）选取北京的空气质量及气象数据作为研究的对象，建立基于BP神经网络和SVR的BP-SVR组合预测模型。该组合模型有很高的预测准确度，其泛化性能更强。杨涛锋，彭艺（2020）针对单一预测模型误差较大的情况，提出了ARIMA-SVM组合预测方法。研究结果表明:改进后的组合模型在空气质量预测方面具有良好的预测准确度。JingyangWang等（2020）用CT测定空气质量的影响因素，提出了一种将卡方检验（CT）和长短期记忆（LSTM）网络模型相结合建立预测模型的CT-LSTM方法。与SVR、MLP、BP神经网络、Simple-RNN相比较，该方法的精度达到93.7%，是五种方法中精度最高。陈岑，田晓丹等（2020）鉴于传统预测方法存在的预测时间长和预测不准确的问题，因此提出了IG-LSTM组合预测模型，该模型具有更低的预测误差和损失值。1.3文献评述通过对于以往空气质量研究的梳理与总结，可以发现国内外学者关于空气质量相关问题的研究具有如下的特点:（1）关于大气质量影响因素问题的研究，国内外相关研究大致是从自然因素、社会经济因素或两者综合角度进行考虑。自然因素大致包含了平均风速、气温差、相对湿度等；社会经济因素包含了机动车辆总数、第二产业占比、GDP、科技投入、绿化覆盖率等；在影响因素分析时，主要使用多元回归分析、主成分分析、相关分析法。（2）对于空气质量预测模型的研究，国内外学者大致从模型算法优化或组合模型这两方面入手。主要利用模拟退火算法、粒子群算法等智能优化算法来对神经网络模型或者支持向量机等进行优化；结合各预测模型自身的优缺点进行优化组合，以提高模型预测的准确度。综合以上评述，本文从影响因素和模型预测这两方面入手，利用灰色关联分析和多元回归分别分析不同类型的影响因素与空气质量的关系。运用鲸鱼优化算法对BP神经网络进行空气质量等级分类预测，并和其他模型进行比较。最后，使用自回归XGBoost时序预测模型对首要污染物浓度进行预测。参考文献SotirisVardoulakis,PavlosKassomenos.SourcesandfactorsaffectingPM10levelsintwoEuropeancities:Implicationsforlocalairqualitymanagement[J].AtmosphericEnvironment,2006,42(17):3949-3963.郭利,张艳昆,刘树华等.北京地区PM10质量浓度与边界层气象要素相关性分析[J].北京大学学报(自然科学版),2011,47(04):607-612.周兆媛,张时煌,高庆先等.京津冀地区气象要素对空气质量的影响及未来变化趋势分析[J].资源科学,2014,36(01):191-199.XingWang,ZilinWang,MinGuo,etal.ResearchonAirQualityEvaluationbasedonPrincipalComponentAnalysis[J].IOPConferenceSeries:EarthandEnvironmentalScience,2018,108(4):042030-042030.单芸.气象因素对盐城市环境空气质量的影响探析[J].科技创新导报,2020,17(15):145+148.张春红.基于空气质量数据误差及影响因素的数据处理分析探讨[J].科学咨询(科技·管理),2020(10):121-122.董志龙,何慧根,于涛等.兰州大气环境质量影响因素相关分析[J].干旱区资源与环境,2009,23(12):49-53.章异平,徐军亮,赵西平等.基于灰色关联的洛阳市空气质量影响因素分析[J].河南科技大学学报(自然科学版),2012,33(01):100-104+10.XiangTaoAi.AnalysisonFactorsAffectingtheAirQualityinBeijingCityBasedonGreyRelationTheory[J].AdvancedMaterialsResearch,2014,3248:1583-1586.LijianHan,WeiqiZhou,WeifengLi,etal.Impactofurbanizationlevelonurbanairquality:acaseoffineparticles(PM2.5)nChinesecities[J].EnvironmentalPollution,2014,194:163-170.李经路,曾天.北京空气质量影响因素的主成分分析——来自于2000-2011年的经验数据[J].生态经济,2017,33(01):167-171+189.姜磊.论LM检验的无效性与空间计量模型的选择——以中国空气质量指数社会经济影响因素为例[J].财经理论研究,2018(05):37-50.王超,王国庆,吴利丰等.基于灰色关联分析的邯郸市空气质量影响因素研究—以经济社会指标为视角[J].数学的实践与认识,2019,49(17):151-155.柏玲,姜磊,周海峰等.长江经济带空气质量指数时空异质性及社会经济影响因素分析[J].水土保持研究,2019,26(02)：312-319.李慧,王淑兰,张文杰等.京津冀及周边地区“2+26”城市空气质量特征及其影响因素[J].环境科学研究,2021,34(01):172-184.李莉娜,潘本锋,王帅等.基于环境库兹涅茨曲线的中国城市环境空气质量主要影响因素[J].中国环境监测,2017,33(05):109-115.刘昕,辛存林.陕甘宁地区城市空气质量特征及影响因素分析[J].环境科学研究,2019,32(12):2065-20