大气环境数据分析预测方法对比研究

以西安市2006年9月27日至2008年5月3日每日的SO₂平均浓度时间序列为例,应用时间序列分析对前555个数据进行拟合,得到合适的时间序列模型ARIMA(1,1,2);利用神经网络中的BP神经网络和RBF神经网络对同样的样本进行训练,用这三种方法对2008年4月4日至2008年5月3日的SO₂日均浓度值进行了预测,并用同样的方法分析预测了同期PM₁₀日均浓度值,最后比较了它们的预测效果。结果表明,利用这三种方法进行浓度预测都是可行的,其中RBF神经网络法的预测误差最小,效果最好。  

2017—2019年扬州市大气污染物与儿童呼吸系统门诊量的时间序列分析

收集扬州市2017—2019年大气污染物细颗粒物（PM_2.5）、二氧化硫（SO₂）、二氧化氮（NO₂）和臭氧（O₃）的日均质量浓度、气象因素（日均温度、相对湿度）以及每日儿童呼吸系统门诊量数据，运用广义相加模型（GAM）进行单污染物和多污染物分析。结果表明，单污染物分析中，大气污染物的质量浓度累积滞后效应均大于单独滞后效应。ρ（PM_2.5）、ρ（SO₂）和ρ（NO₂）对儿童呼吸系统门诊量影响效应均在累积滞后7d（lag 07）达到最大值,ρ（O₃）在累积滞后6d（lag 06）达到最大值。表现为ρ（PM_2.5）、ρ（SO₂）和ρ（NO₂）在lag 07时，每升高10μg/m³，儿童呼吸系统门诊量超额危险度分别为0.720%［95%置信区间（95%CI）:0.346%～1.095%、6.955%（95%CI:5.197%～8.743%）和2.133%（95%CI:1.516%～2.754%）；ρ（O₃）在lag 06时，每升高10μg/m³，儿童呼吸系统门诊量超额危险度为1.160%（95%CI:0.873%～1.447%）。多污染物分析中，当引入所有污染物(SO₂+NO₂+O₃)时，PM_2.5对儿童呼吸系统门诊量风险影响消失。大气污染物浓度的升高会增加儿童呼吸系统疾病的发生风险，并且其影响存在一定的滞后效应，有必要开展有针对性的大气污染物与儿童呼吸系统疾病的预警研究，保护易感人群，合理分配卫生资源。  

动态因子分析在环境监测数据综合处理中的应用

动态因子分析(DFA)作为降维度的多元统计方法,被设计用于时间序列分析,以揭示多元变量中解释变量与共同趋势对响应变量的影响程度。相较传统多元统计方法,DFA显性考虑时间因素,并量化影响响应变量的潜在因素。该方法可以忽略内在理化过程,具有良好的模拟效果,且在国外已广泛应用于地表水及地下水生态环境、空气污染等领域,但在国内尚未被应用。DFA在自身完善、应用范围、信息挖掘、数据预处理、预测分析、空间分析方面仍有巨大发展前景。