空气质量模型精选版

合集下载

基于大数据分析的城市空气质量预测与监测模型研究

基于大数据分析的城市空气质量预测

与监测模型研究

随着城市化进程的加速和环境污染问题的日益突出，城市空气质量预测与监测成为了一项重要的任务。大数据分析为城市空气质量预测与监测提供了新的方法和途径。本文将基于大数据分析研究城市空气质量预测与监测模型，探讨其原理、方法和应用。

首先，大数据分析在城市空气质量预测与监测中的应用是通过收集和整理大量的空气质量数据，运用数据挖掘、机器学习等技术，建立空气质量预测与监测模型。这些模型可以基于历史数据、环境指标、气象数据等多种因素，通过对数据进行分析和建模，预测未来一段时间内的城市空气质量状况。

其次，城市空气质量预测与监测模型的建立需要关注以下几个方面。首先是数据采集和准备。城市空气质量数据来源于传感器网络、公共监测站等，这些数据需要进行清洗和整理，确保数据的准确性和完整性。其次是特征选择和特征提取。通过对数据的特征进行分析和筛选，提取出关键的因素，建立预测模型。再次是模型的选择和建立。根据需求和数据特点，选择适合的模型，如回归模型、神经网络模型等。最后是模型的评估和优化。通过对模型进行评估和调优，提高模型的准确性和可靠性。

在城市空气质量预测与监测中，大数据分析可以提供多种模型和方法。以监测为例，一种常用的方法是基于传感器网络的实时监测。通过在城市中布设传感器，实时采集大量的空气质量数据，并通过数据分析和处理，提供准确的城市空气质量监测结果。另一种方法是基于遥感技术的监测。通过卫星、无人机等遥感手段，获取广域的空气质量数据，并通过数据分析和处理，得出城市空气质量的整体状况。

环境空气质量监测与预测模型研究

环境空气质量是影响人类健康和生命安全的重要因素之一。长

期以来，全球各国都在不断探索和研究如何监测和预测环境空气

质量，以提高人民生活质量和健康水平。在这方面，人们开发了

各种监测设备和预测模型，以便更准确地了解和把握环境空气质

量的变化。

环境空气质量监测的重要性

首先，要明确环境空气质量监测的重要性。随着工业生产和交

通发展，大量废气排放和沙尘暴天气等问题给环境空气质量带来

了很大的挑战。而环境空气质量的变化对人体健康的影响很大，

例如一些重金属、有机污染物等物质，经常会诱发呼吸系统疾病、心脑血管疾病、私密部位疾病等。因此，环境空气质量监测的重

要性就不言而喻。

常用的空气质量监测方法

环境空气质量监测采用的常见方法有现场监测和远程监测两种。现场监测是指人们利用专业的环境监测设备对环境空气质量进行

实时检测和采样，这种方法得到的数据准确度较高，但能力有限，只能监测到其所在地的空气质量情况，难以覆盖广大地区。而远

程监测是指人们利用网络等手段对环境空气质量进行远程监测，

这种方法依靠已经布设好的空气监测站点，可以得到较为全面的

空气质量数据，但需要总结与分析该站点数据和其他因素综合得

到的整个区域的空气质量状况，准确度相对较低。

环境空气质量预测模型是怎样研究的？

除了现场监测和远程监测外，人们还可以通过构建环境空气质

量预测模型，实现对环境空气质量变化趋势的预测。环境空气质

量预测模型是通过收集并分析环境监测站的数年或数月的空气质

量数据，特征数据，如环境因素、气象因素、经济因素等，制定

特定的算法来预测未来一段时间的环境空气质量状态。这种方法

如何制作一个简单的空气污染模型

确定模型输出参数
空气质量指数（AQI）：表示空气质量状况的数值，用于评估空气污染程度。污染物浓度：每种污染物的浓度值，用于了解不同污染物的分布情况。健康影响：空气污染对人类健康的具体影响，如呼吸道疾病、心血管疾病等。预警阈值：当污染物浓度超过某一阈值时，发出预警信号，提醒公众采取防护措施。
确定模型结构参数
缺点：数据来源可能存在误差，模型参数的设定和调整需要专业知识和经验，且模型建立和维护成本较高。
对模型进行优化和改进
调整模型参数：根据评估结果，对模型参数进行调整，以提高预测精度。
引入新变量：考虑将更多影响空气污染的因素纳入模型，以提高模型的
泛化能力。
模型集成：将多个模型进行集成，利用不同模型的优点，提高整体预测
制作空气污染模型的目的
了解空气污染的来源和影响评估空气污染的严重程度预测空气污染的发展趋势为制定空气污染防治措施提供依据
PART 02 确定模型参数
确定模型输入参数
空气污染源：包括工业排放、交通排放等气象条件：如风速、风向、温度、湿度等地形地貌：如山脉、河流、城市分布等人口密度：不同地区的人口分布情况
如何制作一个简单的空气污染模型
汇报人：
Baidu Nhomakorabea 录
01 了解空气污染模型 02 确定模型参数

空气质量预测模型的构建与优化

随着工业化进程的加快和城市化程度的提高，空气质量成为了

人们生活中一个重要的关注点。空气污染对人体健康的影响非常大，因此，准确预测和监测空气质量变化变得至关重要。本文将

介绍空气质量预测模型的构建与优化方法，以提高预测准确性和

可靠性。

首先，我们需要收集大量的空气质量数据，包括大气环境因素、气象数据、人工污染排放等。这些数据可以来源于传感器、监测

站点、气象局等，通常以时间序列的形式存在。收集的数据应该

包括不同的地理位置、时间尺度和空气质量指标等信息，以便于

构建全面的预测模型。

其次，根据所收集到的数据，我们可以选取适当的机器学习算

法来构建空气质量预测模型。常用的算法包括线性回归、支持向

量机、决策树、随机森林等。不同的算法有不同的特点和适用场景，我们可以根据实际情况选择最适合的模型。此外，我们还可

以采用深度学习方法，如神经网络，来构建更复杂的模型以提高

预测准确度。

在构建模型的过程中，特征选择是非常重要的。我们可以利用

统计学方法、相关系数分析、主成分分析等技术来判断特征的相

关性和重要性，并进行筛选。通过剔除冗余特征和选择最具影响力的特征，可以提高模型的表达能力和准确性。

此外，数据预处理也是模型构建过程中的关键步骤。我们可以对数据进行归一化、标准化、去噪等处理，以避免模型受到异常值和噪声的干扰。

在模型构建完成后，我们需要对模型进行优化，以提高预测准确度和可靠性。常用的优化方法包括交叉验证、网格搜索、模型融合等。通过交叉验证可以评估模型的泛化性能，网格搜索可以自动选择最佳的超参数组合，模型融合可以通过结合多个模型的优势来提高整体性能。

空气质量时间序列模型预测

空气质量是环境保护的重要指标之一，为了更好地掌握和预测空气质量的变化，时间序列模型被广泛应用于空气质量预测中。

时间序列模型是一种基于时间的统计模型，它根据过去的数据和趋势，预测未来的数据。在空气质量预测中，时间序列可以是小时、日或月的空气质量数据，根据历史数据和趋势，预测未来一段时间内的空气质量状况。

常用的时间序列模型包括ARIMA模型、SARIMA模型、VAR模型等。ARIMA模型是一种广泛使用的线性模型，它可以捕捉时间序列中的趋势、周期和季节性变化。SARIMA模型是ARIMA模型的扩展，可以处理季节性变化。VAR模型是一种多元时间序列模型，可以处理多个变量之间的关系。

在空气质量时间序列模型预测中，首先需要对历史数据进行分析和处理，确定模型的参数和阶数。然后，根据模型对未来的空气质量进行预测，评估模型的准确性和可靠性。

空气质量时间序列模型预测在城市规划、环境保护等领域具有广泛的应用前景，可以提高空气质量的监控和管理能力，为环保事业做出贡献。

空气质量模型

空气质量模型就是用数学方法来模拟影响大气污染物的扩散与反应的物理与化学过程。基于输入的气象数据与污染源信息如排放率,烟囱高度等,这些模型可以模拟直接排入大气的一次污染物与由于复杂的化学反应形成的二次污染物。这些模型对空气质量管理就是非常重要的,因为她们被许多机构用来测算源分担率,同时帮助制定有效的削减污染物排放的政策。例如空气质量模型可以用来预测一个新的污染源会不会达标排放,如果超标的话,还可以给出适当的控制措施。此外,空气质量模型还可以预测未来新的政策法规实施后的污染物的浓度。可以估计政策法规的有效性以及减少人类与环境暴露。

最常用的控制质量模型包括以下3类:

一。扩散模型。这些模型主要用来模拟污染源附近接收点的污染物浓度。

扩散模型运用数学公式可描绘污染物扩散过程,基于源强与气象数据,扩散模型可以用来预测下风向接收点的浓度。这些模型用来评估National Ambient Air Quality Standards (NAAQS), and other regulatory requirements such as New Source Review (NSR) and Prevention of Significant Deterioration (PSD) regulations的有效性。

扩散模型主要包括:

1、Aermod 模型系统

就是稳态大气扩散模式,适用于地面源与抬升源,简单与复杂地形。

2、Calpuff模型系统

就是非稳态大气扩散模式,适用于大范围传输与复杂地形。

3、BLP

BLp就是一个高斯烟流模型,适用于处理烟气抬升与下洗来自于固定线源

空气质量预报模型的改进与发展

空气质量预报模型的改进与发展近年来，空气质量问题愈发引起人们的关注。政府部门通过加强环保监管、采取空气污染治理行动等多种措施，致力于改善空气质量。然而，在不断推进治理的同时，正确预测并量化污染程度，以及制定相关应对措施也十分重要。这时，空气质量预报模型应运而生，成为了空气质量预报的主要工具。

一、空气质量预报模型的基本组成

空气质量预报模型主要由数学模型、样本数据、传感器数据、计算机程序等多个组成部分构成。其中，数学模型通常采用机器学习等人工智能算法，依据空气化学反应原理、天气条件、人为干预等多种因素，确定空气质量污染物种类、含量和空气质量等级。样本数据常用于训练和优化模型，因此需要大量精准的监测数据，以提高模型的准确性。

二、空气质量预报模型的发展现状

空气质量预报模型的发展历史可以追溯到上世纪六十年代，当时主要采用物理模型。后来，伴随着计算机技术的不断发展，基

于统计方法的模型开始被引入。现今，空气质量预报模型不仅可以考虑天气状况、区域环境等因素，还可以根据个人活动及心理状态的变化，进行更加个性化的空气质量预测。

三、空气质量预报模型的改进方向

当前，空气质量预报模型的精度和实时性仍面临诸多挑战。因此，如何改进模型以及提高模型的准确性和实用性就显得尤为关键。具体来说，改进方向包括但不限于以下几个方面：

1. 提高数据质量

数据质量对于模型的准确性起着至关重要的作用。因此，需要加强空气污染监测站点的布置，完善数据采集的手段，提高数据精度。同时，也需要增加不同污染源数据的收集，以匹配现实环境的变化。

空气质量预测与预警数学建模

随着城市化进程的加快和人群聚集的增加，空气污染问题日益凸显，因此空气质量预测与预警成为了我们关注的重点。数学建模在此

方面拥有广泛的应用，为政府和社会提供了可靠的决策依据和技术支持。

首先，我们需要获取大量的数据来分析和预测空气质量。这涉及

到监测空气中的污染物质，如PM2.5、PM10、SO2、NO2、O3等。我们

可以采用空气质量监测仪、传感器等设备来收集这些数据，并利用数

据分析软件进行处理。通过对历史数据的分析，可以建立相应的数据

模型，来预测未来的空气质量。

其次，根据历史数据和现实环境，我们需要选择相应的数学模型

来预测和预警空气质量。这涉及到多元线性回归、支持向量机、神经

网络等数学模型。每个模型都有其特点和适用范围，我们需要根据实

际情况选择最合适的模型。例如，在某些地区，PM2.5、PM10和NO2的污染物质浓度受到气象因素的影响比较大，这时我们可以采用多元线

性回归模型来分析气象因素对污染物浓度的影响。

最后，我们需要将预测结果转化为实际应用。这需要建立预警体

系和决策机制，及时发布预警信息，并采取相应的措施来减轻污染对

人体健康的影响。例如，当空气污染等级升高到一定程度时，政府可

以采取限行、停工等措施来减少排放，或者提醒市民外出时戴上口罩、增加室内通风等个人保护措施。

总的来说，空气质量预测与预警是一项复杂的工作，需要多方面的数据、模型和决策机制。我们应该进一步完善和优化这一体系，为市民提供更加舒适、健康的生活环境。

空气质量监测数据建模与预测研究

空气质量监测数据建模与预测研究第一章：引言

空气质量问题是当前全球范围内面临的一个严重问题，它不仅

影响着人类的健康和生活品质，也影响着生态环境的稳定与可持

续发展。如何有效地监测和预测空气质量，是一个亟待解决的问题。本文旨在介绍一种基于空气质量监测数据的建模方法，并利

用该模型进行空气质量预测，以期为相关研究提供参考。

第二章：相关工作

目前，已有许多关于空气质量的监测和预测研究。其中，一些

基于统计学方法的研究主要利用时间序列分析、ARIMA模型、神

经网络模型等算法，来进行空气质量预测。此外，还有一些研究

人员采用机器学习方法，如支持向量机（SVM）、随机森林（RF）等来分析空气质量相关数据，并通过建立模型来进行预测。

第三章：方法介绍

本文提出的方法是一种基于机器学习的空气质量预测方法。具

体来说，基于空气质量相关数据集，我们首先对数据进行预处理

和特征提取。然后，利用多种机器学习算法训练模型，如支持向

量回归、随机森林回归等。最后，对模型进行评估和优化，以提

高模型的预测精度。

第四章：实验设计与结果分析

我们对某城市2016年1月至2017年12月的空气质量数据进行了实验。首先，我们对空气质量数据进行了预处理和特征提取，

包括采用异常值检测方法去除异常数据，对缺失数据进行填充，

将时间序列数据转换为监督式学习数据等。然后，我们选择了支

持向量回归（SVR）、随机森林回归（RFR）和K近邻回归（KNNR）三种不同的机器学习算法来构建模型。最后，通过对

模型进行评估，我们发现随机森林回归算法的预测效果最佳，其

预测精度较高，平均绝对误差（MAE）为20.34，均方根误差（RMSE）为26.50。

基于WRF-CMAQ_的空气质量等级预报模型

Operations Research and Fuzziology 运筹与模糊学, 2023, 13(1), 120-128 Published Online February 2023 in Hans. https:///journal/orf https:///10.12677/orf.2023.131014

基于WRF-CMAQ 的空气质量等级预报模型

杨洁*，魏正元，徐慧颖，吴镜

重庆理工大学，理学院，重庆

收稿日期：2022年12月29日；录用日期：2023年2月1日；发布日期：2023年2月9日

摘

要

空气质量与气象条件之间存在较强的相关关系，目前我国常用的WRF-CMAQ 模型预测效果并不理想，本文在此一次预报数据的基础上，结合实测气象数据、实测主要污染物浓度数据，建立了空气质量二次预报模型。利用中国环境监测总站发布的相关数据，对污染物浓度进行K 均值聚类，将天气分型，再按类别逐步回归拟合模型，最后分析二次预报模型的预测准确性。结果表明相较于一次预报，二次预报准确率显著提升。

关键词

空气质量，二次预报，聚类分析，逐步回归

Air Quality Index Prediction Model Based on WRF-CMAQ

Jie Yang *, Zhengyuan Wei, Huiying Xu, Jing Wu

Department of Science, Chongqing University of Technology, Chongqing

Received: Dec. 29th , 2022; accepted: Feb. 1st , 2023; published: Feb. 9th

空气质量预测模型的研究与评估

1. 前言

空气质量是人们生命必需的元素之一，所以如何保障空气质量的提升是每个国家都需要考虑的问题。为了更好的研究空气质量预测模型并对其进行评估，本文将从以下几个方面进行探讨。

2. 空气质量预测模型的研究

2.1 研究背景

在每个城市都存在着空气污染的问题。为了更好的解决这个问题，需要对空气质量进行预测。通过对气象、环境、空气质量监测等多方位的数据融合，可以构建多种空气质量预测模型。

2.2 研究现状

国内外对空气质量预测模型的研究主要包括以下几个方面：（1）统计分析法：通过对历史数据进行统计分析，预测空气质量；

（2）人工神经网络法：将空气质量预测问题转化为一个模式识别问题，通过对历史数据进行学习建立模型；

（3）回归分析法：建立模型描述某些污染物质与气象因素之间的关系；

（4）机器学习法：通过对空气质量相关数据进行学习建模，

实现空气质量预测。

2.3 研究前景

随着科技的不断发展，人工智能、大数据等技术的广泛应用，

空气质量预测模型的研究将会越来越精准，能够更有效地预测空

气污染物浓度的变化情况，有助于保障人们的身体健康。

3. 空气质量预测模型的评估

3.1 评估指标

在对空气质量预测模型进行评估时，需要对其进行指标评估。

主要包括以下几个方面：

（1）准确率：预测的值与真实值之间的误差；

（2）Kappa系数：衡量预测模型对矩阵的拟合程度；

（3）ROC曲线：能够判定分类模型的表现；

（4）F1 Score：同时考虑模型的召回率和精准度。

3.2 评估方法

在评估空气质量预测模型时，一般采用交叉验证和拟合优度进

应用多元回归分析模型预测城市空气质量

城市空气质量是影响城市居民身体健康和生命安全的重要因素之一。随着城市化进程的加快和人口增长速度的加快，城市空气污染问题越来越受到人们的关注。由于城市大气环境受多种因素影响，因此，采用多元回归分析模型来预测城市空气质量是一种有效的方法。

一、多元回归分析模型简介

多元回归分析是一种统计学方法，可以通过建立多元线性回归模型来分析多个自变量（影响因素）对一个因变量（被解释变量）的影响。在环境科学和大气环境领域，多元回归分析方法常用于预测城市空气质量、环境污染等问题。

多元回归分析模型的基本形式为：

Y = β0 + β1X1 + β2X2 + …… + βnXn + ε

其中，Y为因变量，表示要解释的变量或预测变量，Xi为自变量，表示影响因素，βi表示第i个自变量的回归系数，ε为误差项。回归系数表示自变量与因变量之间的关系强度和方向。

二、多元回归分析在城市空气质量预测中的应用

城市空气质量受多种因素影响，包括气象条件、交通情况、工业污染、建筑物高度、绿地覆盖率等。多元回归分析可以通过同时考虑多个因素对城市空气质量的影响，建立预测模型，帮助人们更好地了解和预测城市空气质量。

在多元回归分析中，需要先确定自变量和因变量。对于城市空气质量预测，因变量可选取空气质量指数（AQI）等常用指标。自变量则需要根据实际情况进行选择，并进行数据分析和处理。

例如，在北京市的空气质量预测中，研究人员选择了气象条件、交通情况、工业污染等多个因素作为自变量，并对收集到的相关数据进行归一化处理。通过应用多元回归分析模型，建立了城市空气质量预测模型，成功预测了北京市空气质量的变化趋势和高峰期。

空气质量综合评价模型

1 问题重述

从2011年开始,我国多个城市出现了严重的雾霾天气,形成雾霾的PM2.5逐渐被人们所关注。2012年,空气质量新标准——《环境空气质量标准》出台。

AQI评价的6种污染物浓度限值各有不同,在评价时各污染物都会根据不同的目标浓度限值折算成空气质量分指数AQI,范围从0～500,大于100的污染物为超标污染物。这种计算方法就存在一个问题,当污染物浓度超出最高上限时,AQI的值最高也只能是500,在这之上的指数不存在,这种情况称为“爆表”,即用AQI就不能描述这类特别严重的污染天气。因此,需要对AQI上限设为500的计算方法进行改进。

2 问题分析

空气质量分指数是针对单项污染物而规定的指标。从各项污染物的IAQI中选择最大值确定为AQI,当AQI大于50时将IAQI最大的污染物确定为首要污染物;当污染物浓度超出最高上限,AQI 的值发生“爆表”,上述算法已不适用,因此,采用新的算法,模糊综合指数法来进行改进。

将收集的数据运用所建模型进行计算,把得到的结果与原始算法的结果进行对比,发现两种算法所得的评价指标各不相同,但均能反映出空气质量的好坏。而建立的模型能够基本克服AQI 指数“爆表”的情况。

3 乐山市空气质量及各项污染物浓度值数据整理

选取乐山市更新至2015年5月16日10:00的空气质量及各项污染物的24小时(O

为1小时平均值)监测数据(数值单位:μg/m3

(CO为mg/m3)),如表1所示。

选择了6项主要空气污染物,根据其浓度值的大小作为衡量空气质量的指标,相对比较全面。取各项污染物浓度值的平均值,计算出空气质量指数AQI的值为43.2。该方法简单易行且能基本反映空气质量情况。可以看出,24小时内,乐山市空气质量相对较好。

基于深度学习的空气质量预测模型研究

第一章：绪论

1.1 研究背景

随着城市化进程的不断加速，大城市中所存在的空气污染问题

日益严重，给人们带来了严重的健康问题。因此，精准地预测城

市中的空气质量变化，已经逐渐成为了城市管理者、环保管理者、市民等各方的重要需求。

1.2 研究意义

在传统的预测方法中，空气质量预测主要基于数学统计建模。

这种方法传统的预测模型存在着许多问题，如预测不准确、缺乏

泛化能力等。并且，空气质量的预测过程非常复杂，仅仅依靠数

学统计来实现预测的准确性和稳定性难以得到保障。

基于以上种种原因，本文基于深度学习的空气质量预测模型研

究意义在于：提供一种新的、更加精准、可靠、泛化性强的空气

质量预测方法。

第二章：深度学习理论研究

2.1 深度学习概述

深度学习是在人工神经网络的基础上发展起来的一种新兴的机

器学习模型，其具有自我学习、智能化、自适应等特点。与传统

神经网络的不同之处在于，深度学习模型具有更深更多层的神经

元结构，这样可以提高模型的表达能力和泛化性能。

2.2 深度学习常用算法

深度学习中常用的算法包括：神经网络算法、卷积神经网络、

循环神经网络、深度信念网络等。这些算法具有较强的自适应性，可以适应不断变化的数据模型，具有广泛的应用场景。

第三章：基于深度学习的空气质量预测模型

3.1 模型设计

本文基于深度学习模型实现空气质量的预测，通过建立深度学

习模型，将不同数据源的大量数据进行分析与整合，训练出一个

可以反映空气质量变化规律的模型。

3.2 模型实现

本文使用TensorFlow平台进行模型的实现，利用深度学习方法，训练神经网络模型来预测城市中空气质量的变化。通过监督学习

城市污染治理中的空气质量监测与预测模型构建

城市污染治理中的空气质量监测与预

测模型构建

随着人口数量不断增加和工业化进程的加速，城市污染问题日益严重，其中空气质量成为了人们最为关注的一个方面。城市污染治理中，准确监测和预测空气质量是制定有效治理措施的重要基础。本文将从城市空气质量监测和预测模型构建两个方面进行探讨，旨在为城市污染治理提供科学支持和参考。

一、城市空气质量监测

城市空气质量监测是对大气环境中各种污染物浓度及其变化情况进行实时、连续的监测和分析的过程。通过监测数据，我们可以了解污染物的排放情况、来源分布以及污染物的时空变化规律，为制定合理的污染治理方案提供科学依据。

那么，如何进行城市空气质量监测呢？主要有以下几个方面：

1.监测站点的选择：监测站点的设置应该充分考虑城市的地理特征、气象条件和污染物的主要排放源。通常情况下，监测站点应该均匀分布在城市各区域，既能反映城市整体空气质量，又能揭示局部污染源的影响。

2.监测指标的选择：空气质量监测指标通常包括主要污染物浓度和部分污染物的积累量。例如，二氧化硫（SO2）、氮氧化物（NOx）、悬浮颗粒物（PM2.5、PM10）等。这些指标是评价空气质量的重要依据，对于污染预测模型的构建、空气质量等级的划分等具有重要意义。

3.监测技术的应用：随着科技的不断发展，传统的空气质量监测手段逐渐得到改进和完善。比如，可以借助现代化设备

和传感技术实现对污染物浓度的在线、实时监测。此外，还可以使用遥感技术和气象模型等手段，获取高精度的监测数据。

基于城市空气质量监测数据的收集和分析，我们可以得到空气质量的时空分布情况、污染物来源与传输规律等信息。这为城市污染治理提供了必要的科学依据。然而，仅仅依靠监测数据是不够的，我们还需要建立空气质量预测模型，以便及时预警和采取有效的治理措施。

空气质量等级与数学建模

承诺书

我们仔细阅读了五一数学建模联赛的竞赛规则。

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）与本队以外的任何人（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它公开的资料（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，我们愿意承担由此引起的一切后果。

我们授权五一数学建模联赛赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。

我们参赛选择的题号为（从A/B/C中选择一项填写）： B

我们的参赛报名号为：1653

参赛组别（研究生或本科或专科）：本科

所属学校（请填写完整的全名）西南交通大学

参赛队员(打印并签名) ：1. 卢延鹏

2. 侯亚飞

3. 刘洪义

日期：2015 年 5 月 3 日

获奖证书邮寄地址：四川省成都市高新区西部园区西南交通大学犀浦校区X5401 邮政编码：611756

收件人姓名：卢延鹏联系电话：177****4865

编号专用页

竞赛评阅编号（由竞赛评委会评阅前进行编号）：

裁剪线裁剪线裁剪线竞赛评阅编号（由竞赛评委会评阅前进行编号）：

参赛队伍的参赛号码：（请各参赛队提前填写好）：1653

题目空气污染问题研究

摘要

本文运用高斯扩散模型，污染物自由扩散模型，烟团模型等数学模型，结合适当的分析解决了

空气污染问题。