典型文献
基于特征指标的气象因子对PM2.5浓度的影响分析
文献摘要：
以西安为研究区域,为探究气象因子对PM2.5浓度的影响,采集2017—2019年空气质量与气象因子数据,改进k-Means聚类算法,形成严重污染、重度污染、中度污染、轻度污染共4个PM2.5浓度与气象因子样本簇集.分析簇集数据分布,选择Spearman相关性分析方法,确定影响PM2.5浓度的气象因子;定义PM2.5凸显性条件,给出幅度特征FOA、浮动特征FOF和凸显特征FOH,构建三维空间,确定气象因子对PM2.5影响的大小,进而建立气象因子对PM2.5浓度的影响分析方法.比较多元线性回归和随机森林回归方法,结果表明:该方法提高了分析效率,且无需考虑因子选取和表达,能有效确定影响PM2.5浓度的气象因子种类及影响程度.在低温、高湿、高压和相对静风的气象条件下,空气中颗粒物难以扩散和输送,使西安市PM2.5浓度升高.严重污染、重度污染和中度污染中,PM2.5浓度与相对湿度呈显著正相关,与风速、气温呈显著负相关,且影响大小依次为相对湿度>风速>气温;轻度污染中,PM2.5浓度与相对湿度、气压呈显著正相关,与风速、气温呈显著负相关,且影响大小依次为气温>相对湿度>气压>风速.
文献关键词：
PM2. 5;气象因子;特征指标;多元线性回归;随机森林回归
中图分类号：
作者姓名：
卫星君;赵晓萌;王琦;肖敏敏
作者机构：
陕西能源职业技术学院,陕西咸阳 712000;陕西省气候中心,陕西西安 710014
文献出处：
引用格式：
[1]卫星君;赵晓萌;王琦;肖敏敏-.基于特征指标的气象因子对PM2.5浓度的影响分析)[J].中国环境监测,2022(06):90-100
A类：
FOH
B类：
特征指标,气象因子,PM2,空气质量,Means,聚类算法,重污染,重度污染,子样本,簇集,数据分布,FOA,浮动,FOF,三维空间,随机森林回归,分析效率,高湿,静风,气象条件,颗粒物,西安市,相对湿度
AB值：
0.257189
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
