论文部分内容阅读
本文利用2005至2006年丹东城区4个环境空气自动监测站的逐日污染物浓度资料以及同期气象资料，分析了丹东城区SO2、PM10、NO2浓度的时空分布特征，应用小波分析工具分析了主要大气污染物浓度时间序列的年变化规律和突变特性，并对影响丹东城区大气污染物浓度变化的气象因素做了比较详细的分析和探讨。在此基础上，利用逐步回归、偏最小二乘回归、主成分析、BP神经网络建立了丹东城区SO2浓度分季预报模型。
结果表明：丹东城区SO2、PM10、NO23种主要大气污染物的年平均浓度均低于二级标准，SO2年平均浓度0.034mg·m-3，变化范围0.004～0.159mg·m-3；PM10年平均浓度0.085mg·m-3，变化范围0.014～0.250 mg·m-3；NO2年平均浓度0.019 mg·m-3，变化范围0.004～0.046 mg·m-3。污染物浓度的空间分布不均匀．且具有明显的季节变化特征，SO2浓度冬季高于其他各季，非采暖季(4月～10月)SO2浓度很低：春季PM10浓度最高的季节，冬季次于春季； NO2浓度冬季最高，夏季NO2浓度最低。湿度、气压、风速、降水、大气稳定度以及混合层高度等气象条件与丹东城区大气污染物浓度变化存在密切的关系。相对湿度偏大、风速较小、气压略低是造成SO2污染加重的主要气象条件；阴天无降水、气压偏低时，PM10浓度会升高。逐步回归模型对秋季污染物浓度预报具有良好的性能；偏最小二乘回归模型对冬季和秋季SO2浓度预报时误差较小；主成分回归模型适用于冬季和春季SO2浓度预报。PCA_BP神经网络模型在各个季节均有较高的拟合精度和良好的预报效果，其预报的相对误差稳定在20％左右。四种方法所建立的预报模型对SO2浓度发生明显转折时的模拟能力尚显不足，虽然主成分回归和PCA_BP模型在对观测值拟合时表现出比较好的效果，但在利用独立样本进行预报检验时仍出现转折点预报值与观测值相差较大的情况，这是在今后研究中需着力解决的问题。