基于特征指标的气象因子对PM2.5浓度的影响分析

以西安为研究区域,为探究气象因子对PM_2.5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PM_2.5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PM_2.5浓度的气象因子;定义PM_2.5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PM_2.5影响的大小,进而建立气象因子对PM_2.5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PM_2.5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PM_2.5浓度升高。严重污染、重度污染和中度污染中,PM_2.5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,PM_2.5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。