基于时空模型北京市PM2.5浓度影响因素研究
外文标题：Analysis of Influential Factors on PM2.5 in Beijing Based on Spatio-Temporal Model
文献类型：期刊
作者：梅波[1]
机构：[1]中国人民大学应用统计科学研究中心,北京100872;中国人民大学统计学院,北京100872
[2]中国人民大学应用统计科学研究中心,北京100872;中国人民大学统计学院,北京100872;新疆社会经济统计研究中心,新疆830012;新疆财经大学统计与信息学院,新疆830012;兰州财经大学统计学院,甘肃兰州730020
期刊名称：数理统计与管理
年：2018
卷：37
期：4
页码：571-586
ISSN：1002-1566
关键词：PM2.5;污染气体;气象因素;交互效应;时空模型
所属部门：统计学院
链接地址：http://d.oldg.wanfangdata.com.cn/Periodical_sltjygl201804001.aspx
摘要：本文利用时空模型对影响PM2.5的各项因素进行分析,分别用全模型和简化模型刻画各个影响因素的间接作用和直接作用.首先本文将影响PM2.5浓度的因素分为两类:相关污染气体浓度和气象条件因素,以及二者之间的交互作用对PM2.5浓度的影响大小.其次探讨了气象因素对PM2.5浓度影响的空间特征.文章选取北京市2015年35个监测点的空气质量数据和全年的气象数据.研究结果表明,污染气体CO、NO2、SO2对PM2.5浓度的直接影响为正,影响力依次递减,相反O3的作用显示为负,且影响力相对较弱.CO和SO2主要通过直接影响,而NO2主要通过与气象因素的交互发挥间接作用.气象因素对PM2.5浓度的影响各不相同,温度、气压、降雨量以及前一期的降雨均为负效应,而湿度为正的效应;东风、南风、西南风以及南风的前一期对PM2.5浓度作用为正,北风、西风和西北风三者的前一期的负效应最为明显,说明存在滞后性,且风向不同作用不同,部分因素影响存在空间差异性.
DOI：10.13860/j.cnki.sltj.20171012-003
百度学术：基于时空模型北京市PM2.5浓度影响因素研究
语言：中文
人气指数：1
浏览次数：1
基金：中国人民大学2016年度拔尖创新人才培育资助计划成果
作者其他论文
基于最小化复合分位损失函数的尺度参数估计和异质性检验.苏鹏, 田茂再,.系统科学与数学. 2018, 1055-1066.
零膨胀计数数据的联合建模及变量选择.胡亚南, 田茂再,.统计研究. 2019, 36(1), 104-114.
最优分位水平及其衍生应用.熊巍, 田茂再,.高校应用数学学报A辑. 2019, 34(1), 25-43.
构造泊松均值固定宽度置信区间的序贯方法和两阶段方法.李二倩, 钱曼玲, 田茂再,.系统科学与数学. 2018, 38(11), 1328-1346.
基于最小化复合分位损失函数的尺度参数估计和异质性检验.苏鹏, 田茂再,.系统科学与数学. 2018, 38(9), 1055-1066.
