空气中颗粒物的分布及预测

空气中颗粒物的分布及预测

摘要

本文对空气中颗粒物的分布进行分析，通过Excel软件采集附件1、附件2

中的数据，运用Matlab软件，对模型进行分析和求解.

针对问题一：根据数据筛选统计出2014年4月22日-2014年5月22日31天各个站点的平均PM2.5浓度和PM2.5浓度随纬度的变化（见附件1），发现相对来说纬度越低PM2.5平均浓度越高，根据PM2.5其在空气中含量浓度越高，就代表空气污染越严重，由PM2.5平均浓度和传播学原理找出35个监测站所在位置中PM2.5污染较严重的5个位置分别为30站点（经纬度116，39.58），29（116.3，39.52），28（116.783，39.712），10（116.297，39.863），13（116.136,39.742）；

针对问题二：由问题一找出污染最严重的那个监测站所在位置为第30站点，根据所给数据求出第30个监测站20140422-20140522的日平均浓度变化，根据日平均浓度变化趋势，

利用at

M lab曲线拟合工具箱cftool拟合可以发现拟合度较高的为Fourier函数（见图4），

然后根据拟合出来的函数预测2014年6月1号的PM2.5平均浓度为82.3558，同样的建模思想，可以预测出2014年6月1号全天24小时各个时刻的PM2.5的平均浓度，以0时刻为例，由所给数据可以筛选出2014年4月22日-2014年5月22日31天的0时刻PM2.5平均浓度变化，根据0时刻PM2.5平均浓度变化，利用at

M lab曲线拟合工具箱cftool拟

合出一条曲线并预测6月1号0时刻的平均浓度，其它23个时刻以相同的方法预测（见附

件3）。然后根据

()

23

,0,1,2231

i i j

j o

u a a i

=

=÷=

∑（公式）

，计算第i个时刻的指标值占全

天总值的比例为

i

u，结合前面求出的6月1号的PM2.5平均浓度X,根据24*2

Y X u

=（公式）可进一步精确6月1号全天24小时各个时刻的PM2.5的平均浓度为Y=（97.453，104.94，106.1，56.021，135，102.58，77.169，53.774，58.878，109.41，110.77，121.85，129.26，122.39，115.64，39.591，24.433，41.753，47.732，44.571，62.056，67.682，69.056，78.434）

针对问题三：由于空气质量受污染源排放、天气变化情况等诸多因素影响，污染物在大气中的扩散、转化、传输和沉降均受到气象条件的制约和影响，而气象条件、大气层结的日变化和季节变化明显，对准确预报污染物的日变化、区域分布带来很大的挑战。

所以要想改进模型就得知道该地区人口密集度、交通污染程度、地理位置与地形分布、城市热岛效应，当地政府治理力度，气象条件、当地污染源排放及传输规律等信息。

关键词：Excel软件；at

M lab软件；傅里叶逼近模型；cftool软件

1、问题重述与问题分析

1.1 问题重述

可吸入颗粒物又称PM10, 通常是指直径小于等于 10.5 微米的颗粒物。细颗粒物又称PM2.5。细颗粒物指环境空气中直径小于等于 2.5 微米的颗粒物。PM10 和PM2.5它能较长时间悬浮于空气中，其在空气中含量浓度越高，就代表空气污染越严重。

颗粒物的直径越小，进入呼吸道的部位越深。10微米直径的颗粒物通常沉积在上呼吸道，5微米直径的可进入呼吸道的深部，2微米以下的可100%深入到细支气管和肺泡。细颗粒物进入人体到肺泡后，直接影响肺的通气功能，使机体容易处在缺氧状态。

附件1中给出某地区35个监测站 2014年4月22日-2014年5月22日每天24小时PM10和PM2.5和空气质量指数（AQI）的监测数据，附件2是35个监测站的位置。

（1）根据附件所给数据和污染物传播的原理从35个监测站所在位置中找出PM2.5污染较严重的5个位置；

（2）建立模型，预测污染最严重的那个监测站所在位置的2014年6月1号全天24小时PM2.5的值；

（3）如果要改进你的模型，你还需要哪些方面的数据并说明理由。

1.2 问题分析

本题附件1中给出某地区35个监测站 2014年4月22日-2014年5月22日每天24小时PM10和PM2.5和空气质量指数（AQI）的监测数据，附件2是35个监测站的位置。

针对问题一：根据数据筛选统计出2014年4月22日-2014年5月22日31天各个站点的平均PM2.5浓度排名和PM2.5浓度随纬度的变化（见附件1），根据PM2.5平均浓度排名和传播学原理找出35个监测站所在位置中PM2.5污染较严重的5个位置；

针对问题二：由问题一找出污染最严重的那个监测站所在位置，由所给数据可以求出污染最严重的那个监测站20140422-20140522的日平均浓度变化，根据日平均浓度变化，利用

M lab曲线拟合工具箱cftool拟合出一条曲线及函数，然后根据拟合出来的函数预测at

2014年6月1号的PM2.5平均浓度，同样的建模思想，可以预测出2014年6月1号全天24小时各个时刻的PM2.5的平均浓度，根据预测结果计算6月1号第i个时刻的指标值占全天总值的比例，则由各个时刻的指标值占全天总值的比例和前面求出的2014年6月1号的PM2.5平均浓度可进一步精确6月1号全天24小时各个时刻的PM2.5的平均浓度。

针对问题三：由于空气质量受污染源排放、天气变化情况等诸多因素影响，污染物在大

气中的扩散、转化、传输和沉降均受到气象条件的制约和影响，而气象条件、大气层结的日变化和季节变化明显，对准确预报污染物的日变化、区域分布带来很大的挑战。

所以要想改进模型就得知道该地区人口密集度、交通污染程度、地理位置与地形分布、城市热岛效应，当地政府治理力度，天气气候变化、当地污染源排放及传输规律等信息。

2、模型假设

(1) 假设所给数据都是可靠准确的；

(2) 假设PM2.5的平均浓度可以代表污染程度；

(3) 假设从5月22号到6月1号与之前的31天相比没有其他随机因素的影响；

(4) 假设从5月22号到6月1号与之前的31天相比大气扩散条件不会明显改变；

(5) 假设个别的某些异常的数据不影响整体的趋势；

3、符号说明

u: 第i个时刻的指标值占全天总值的比例

i

a

: 第i个时刻的PM2.5的平均浓度

i

a

j: 第j个时刻的PM2.5的平均浓度

u: 各个时刻的指标值占全天总值的比例

X: PM2.5日平均浓度

Y: 每个时刻的平均PM2.5浓度

()

f x: Fourier函数

a

: Fourier函数的系数

i

b: Fourier函数的系数

i

w: Fourier函数的系数