- 上一篇：淮安市交通运输发展多元回归模型
- 下一篇：淮安空气污染主要影响因素研究
摘要：本文根据淮安市2014年的大气污染监测资料， 利用R软件编程计算了淮安市2014年空气污染指数，然后对空气污染指数进行时间序列分析，建立自回归移动平均结合模型（ARIMA模型），模拟实测的空气污染指数。通过对空气污染指数变化进行建模研究，可以为淮安市空气污染防治提供决策参考，便于有针对性地对淮安市大气状况采取有效的防治措施。65773
毕业论文关键词：大气污染，空气污染指数，时间序列分析，自回归移动平均结合模型
Abstract：Based on the monitoring datas of air pollution of Huaian in 2014, this paper,firstly,via R software programming , computes the accurate air pollution index of Huaian in 2014.Secondly ,we draw a sequence diagram of the air pollution index . Next , we make a time-series analysis to the air pollution index and establish ARIMA model to simulate the measured air pollution index . Finally , the mathematical model of the air pollution index in Huai an can be available.we can provide some useful suggestions ,so that relevant departments can take effective measures to prevent air pollution.
Key words : air pollution ,API, time-series analysis , ARIMA model
目录
1 引言 5
1.1 空气污染指数研究背景 5
1.2 本课题研究内容 5
2 时间序列数据特征分析 6
2.1 对观测数据的分析 6
2.2 空气污染指数的计算与变化分析 10
3 空气污染指数的时间序列分析 12
3.1 时序图检验 12
3.2 API自相关图检验和偏自相关图检验 13
3.3 空气污染指数变化模型的建立 17
结论 19
参考文献 20
附录 21
1 引言
1.1 空气污染指数研究背景
大气环境质量评价是对大气环境状况优劣的定性和定量的评述 。它是认识和研究大气环境质量的一种方法，可以为有效治理和控制大气污染提供必要的科学依据。许多城市随着工业化和商业化的建设，大气环境质量也日趋恶化，因此对城市大气环境质量进行客观、全面、实时的评价是非常必要的。空气污染指数（Air Pollution Index，简称API）是一种反映和评价城市空气质量好坏的数量尺度。近年来，许多数学方法和计算机技术应用于大气污染研究和污染变化因素等分析中 。但是，在实际的案例中分析，很多方法都只能确定某一时刻或者是某一时间段进行大气污染的评测，而实际上大气的污染是会发生变化的，尤其是在特定的环境下，大气的空气污染指数会随着季节、时间等发生周期性的变化 。论文网
因此，为了能够达到准确的评价效果，本文采用时间序列分析 方法对淮安空气污染指数进行研究，从而对大气的污染程度作出评价。该方法能够反映大气污染物的变化规律。本文中的数据分析和计算使用了R软件和SPSS软件 。
1.2 本课题研究内容
本文以淮安市环保局提供的空气质量日报的数据为数据源，首先通过R软件编程获取淮安市2014年空气污染指数，结果显示，淮安市主要污染物是PM2.5，PM10和 也占有相当大的比重。首先分别对PM10、 和PM2.5的浓度值逐日作出序列图，分析三种主要污染物浓度的变化趋势，为了更清晰表示出这三种主要污染物浓度的变化规律，本文对各种污染物浓度取月平均，然后分别作出它们12个月浓度值的序列图。这样初步得出淮安市空气污染的变化规律。然后利用计算得出的空气污染指数，对淮安市2014年逐日空气污染指数进行时间序列分析，并利用统计方法进行季节规律变化分析，揭示其大气污染动态变化规律，分析变化的原因和影响因素，以期为淮安市空气污染防治提供决策参考和技术支持。文献综述