数学统计关于北京雾霾的统计

三种霾日统计方法的比较分析——以环首都圈京津冀晋为例三种霾日统计方法的比较分析——以环首都圈京津冀晋为例近年来，空气污染问题日益严重，尤其是大城市和发达地区更是饱受雾霾困扰。

为了更好地了解雾霾的形成机制和影响因素，科研人员提出了多种统计方法。

本文将以中国环首都圈京津冀晋地区为例，对其中的三种统计方法进行比较分析。

一、移动平均法移动平均法是一种常见的天气现象统计方法，适用于分析霾日的演变趋势。

该方法的原理是计算一定时间段内的平均数据，从而观察霾日的变化规律。

在环首都圈京津冀晋地区，常用的时间段包括月平均、季度平均和年平均。

优点是简单易懂，能直观地展现霾日的整体情况。

缺点是无法突出霾日发生的具体时间段，只能呈现平均情况。

二、特大雾霾事件统计法特大雾霾事件统计法是一种对特定时间段内的雾霾事件进行统计的方法。

这种方法适用于短期内雾霾特别严重的情况，能够提供霾日的具体数量和发生时间。

在环首都圈京津冀晋地区，特大雾霾事件统计法常用于统计每年春季和冬季的雾霾情况，特别是十一假期和寒假期间。

优点是能够准确统计雾霾事件的数量和持续时间，有助于制定相关的防控措施。

缺点是无法全面反映霾日的分布情况，只能对特定时间段内的情况进行分析。

三、霾日频次统计法霾日频次统计法是一种对一定时间范围内每日的霾情况进行统计的方法。

该方法适用于长期时间内霾日的分布情况分析，能够掌握不同季节、不同区域的霾日频次变化规律。

在环首都圈京津冀晋地区，霾日频次统计法常用于分析不同季节对环境的影响。

优点是能够全面把握不同季节、不同地区的霾日情况，有助于制定综合性的防控策略。

缺点是对于特大雾霾事件的分析无能为力，只能得到整体的数据。

综上所述，在环首都圈京津冀晋地区的雾霾统计中，三种方法各有其优势和局限性。

移动平均法能够反映雾霾的整体变化趋势，特大雾霾事件统计法能够强调特定时间段内的情况，而霾日频次统计法能够全面了解不同季节、不同地区的变化规律。

科研人员和政府决策者应根据需求选用合适的统计方法，综合考虑数据的准确性、可靠性和实用性。

北京PM2.5数据分析处理张奕辰【摘要】PM2.5是地球大气成分中含量很少的组分,但它对空气质量和能见度等有重要的影响.与较粗的大气颗粒物相比,PM2.5粒径小,面积大,活性强,易附带有毒、有害物质(例如,重金属、微生物等),且在大气中的停留时间长、输送距离远,因而对人体健康和大气环境质量的影响更大.因此,通过对PM2.5浓度的分析处理,能够作为判定空气污染程度的一个重要指标,从而能够为雾霾的防治起到参考作用.【期刊名称】《化工中间体》【年(卷),期】2017(000)010【总页数】4页(P77-80)【关键词】PM2.5;建模分析;数据处理【作者】张奕辰【作者单位】陕西省西安中学陕西 710000【正文语种】中文【中图分类】X1.概述(1)背景雾霾天气是一种大气污染状态，雾霾是对大气中各种悬浮颗粒物含量超标的笼统表述，尤其是PM2.5被认为是造成雾霾天气的“元凶”。

随着空气质量的恶化，阴霾天气现象出现增多，危害加重。

中国不少地区把阴霾天气现象并入雾一起作为灾害性天气预警预报。

统称为“雾霾天气”。

本文将以北京为例，对PM2.5浓度进行时间序列分析，以期对PM2.5的数据进行预测。

（以上概念来自百度百科“雾霾”及百度百科“细颗粒物”）(2)可行性分析①研究PM2.5浓度问题的必要性：空气污染问题的现实意义。

随着现代工业化进程的推进和人民生活水平的提高，人们对环境质量的要求和工业化加速的环境代价之间的矛盾日益突出，其中又尤以空气污染问题最为迫切。

这严重限制了我国经济社会可持续发展，因此，可以通过对PM2.5数据的研究，抛砖引玉，一方面提起对空气污染问题的重视，另一方面为解决这一问题提供具体数据，推动环境友好型资源节约型社会的发展。

②研究PM2.5浓度问题的可行性：近年来关于PM2.5浓度的数据集日趋完善，给研究这一问题提供了极大的方便；有了具体的数据，可以应用时间序列相关的知识进行研究，把实际问题转化成数学模型，找到数据中隐含的信息；充分挖掘信息，并进行深入分析，可以得出适应性较好的模型和一系列结论。

图1 2013雾现象反算
图2 2013轻雾现象反算
图3 2013霾现象反算
图4 轻雾&霾现象年统计及与2012对比
图5 轻雾&霾现象201301-201308统计与及2012同期对比
反算方法：
1.雾现象不论持续时长，均认为正确
2.对于轻雾、霾现象：人工观测记录，基准、基本站按8次定时观
测，考虑转日界符合工作实际
3.对于轻雾、霾现象：自动观测记录，将8次定时每日轻雾或霾现
象出现连续两个定时或累计3个定时以上（含3个）的计为1现象日
长Z修正：
1.根据反算技术方案提取定时时次相应记录（能见度、相对湿度、
CW天气现象、MW段），CW段现在天气现象编码为04、06-10、31—49的均保留；根据技术方案，修正CW段天气现象编码记录；
提取各定时MW段记录，保留原始长Z文件
2.人工审验提取的定时记录，修正逐日天气现象记录（相当于修正A
文件逐日天气现象），重点考虑轻雾、霾现象转日界以及降水类现象影响
3.修正CW段“现在天气现象编码”，对于非定时正点长Z文件，均
置为“//”，对于定时长Z文件，根据第1步技术方案中除05改为10外，其他编码全部保留（保留更多的原始记录）。

根据修正的逐日天气现象，重写所有时次长Z文件的MW字段；重写所有时次长Z文件更正标识由000改为CCZ。

鲁东大学数学与统计科学学院2015－2016学年第一学期《统计案例分析》课程论文A卷课程号：210030155任课教师刘全辉成绩气象因子对北京市雾霾天气影响的统计分析摘要：雾霾天气是一种十分重要的城市气候灾害，雾霾会对大气环境产生副作用，严重的雾霾甚至还会影响到人们的身体健康、交通出行安全及农业生产。

本文根据2010年—2013年北京市连续3个冬季气象数据和空气污染物监测数据，分析了北京市雾霾天气与气象因子（主要是温度、相对湿度、风速等）之间的相关关系。

分析结果表明空气温度、相对湿度和风速是影响雾霾天气形成的重要气象要素。

较高的空气相对湿度和低风速不但促进雾霾天气的形成，而且是导致持续性雾霾天气的主要原因。

利用判别分析方法导出了气象因子与雾霾关系的判别函数模型，为用气象数据判别雾霾提供了方法。

关键词：雾霾；AQI；空气相对湿度；温度；风速；判别函数模型一：前言随着经济发展和城市化进程的加快及机动车保有量的迅速增加，向大气排放的污染物也不断增多，导致大气污染日趋严重，雾霾天气增多，2013年1月份北京经历了几十年来最为严重的雾霾天气。

雾霾天气不但给人们带来了极大的交通不便和危险，而且造成了严重的环境污染，影响健康（Schwartz等，1996），成为北京人民普遍关注的热点问题之一（周涛和汝小龙，2012）。

在交通出行方面，雾霾形成后，大气能见度明显降低，极易引发交通事故。

据北京市交通局统计，仅仅是2013年1月31日的半天时间北京市就发生了2000多起交通事故，造成了多人受伤，二人死亡和巨大的财产损失。

这种恶劣的天气环境不仅仅只会给人们的出行造成麻烦，还会对人们的健康安全造成极大的威胁（Ostro等，1999）。

在今年一月份连续四次的雾霾天气过程中，北京市各大医院急诊患者中，呼吸道感染患者比例也开始同比上升。

北京市疾病控制中心的统计结果显示：1月5日至11日期间，仅北京市儿童医院日急诊量最高峰就曾达到9000多人次，呼吸道感染占到内科病人的50%左右。

数学统计关于北京雾霾的统计雾霾是一个全球性问题，严重影响着人们的生活和健康。

作为中国首都，北京也经历了多次严重的雾霾污染事件。

本文将通过数学统计的方法，对北京雾霾污染进行一次深入分析和研究，以期找出其中的规律和趋势，为改善空气质量提供参考。

一、数据收集在进行数学统计之前，首先需要收集与北京雾霾有关的数据。

我们选择了以下几个指标来进行统计分析：1. PM2.5浓度：PM2.5是颗粒物的一种，其直径小于等于2.5微米。

测量PM2.5浓度是衡量空气质量的重要指标。

2. AQI指数：AQI（Air Quality Index）是衡量空气质量的综合指数，常见于气象预报和环境监测。

3. 可见度：由于雾霾天气会导致空气中颗粒物的增多，可见度会受到较大影响。

4. 风速和风向：风速和风向对空气污染的扩散具有重要影响。

收集过程中，我们从北京市環境保護局、气象局和其他相关机构获取了每日的监测数据，并将其整理为数据表格，以便后续分析。

二、数据分析在收集到数据之后，我们可以运用数学统计方法对数据进行分析。

1. 雾霾事件频率分析首先，我们可以对雾霾事件的频率进行分析。

通过统计每年、每月或每周雾霾事件的发生次数，我们可以了解到雾霾的季节性变化和趋势。

2. 污染指标的统计分析我们可以计算出PM2.5浓度、AQI指数和可见度的平均值、最大值和最小值，以及它们的变异系数和标准差等。

这些指标可以帮助我们更好地了解雾霾污染的严重程度和变化趋势。

3. 风速和风向的影响分析风速和风向是影响雾霾扩散的重要因素。

我们可以通过分析风速和风向与PM2.5浓度之间的相关性，来研究雾霾的来源和传播路径。

三、统计结果与讨论通过对数据进行分析，我们得出了以下几个结论：1. 雾霾事件在冬季和春季较为频繁，其中冬季更为严重。

2. PM2.5浓度和AQI指数在雾霾事件期间明显升高，可见度显著下降。

3. 风速较低和风向静稳时，雾霾问题更为严重，说明本地污染物扩散能力较差。

雾霾、PM2.5以及相关问题研究模型摘要本文通过搜集样本数据，建立层次分析模型，对影响北京PM2.5指标的主要因素进行研究。

构建二重趋势组合预测模型，实现PM 2.5 的预测及报警。

问题一：结合单项污染指数法和内梅罗综合指数法，评价PM 2.5 污染程度。

结果表明PM2.5 超标天数达68.5% ，与所给照片雾霾天数比例趋近，由此判定照片真实。

问题二：应用层次分析法，以矩阵形式C = (C ij ) n ×n 表达每一层各因素对上层某因素的相对重要性，采用排序向量公式：11 1 w i =− +n∑ r ikn 2a na k =1得出PM 2.5 影响因素重要性排序为：工业、日常生活；发电；车辆、船舶、飞机尾气；农作物燃烧；外来排放。

问题三：以所搜集样本数据，构建基于G M (1,1) 、BP 神经网络、AR IM A 的二重趋势时间序列组合预测模型：y ˆ s (k) = a + b BP y ˆ BP (k) + b ARIMA y ˆ ARIMA (k )y ˆ(k)=y ˆs (k)y ˆGM (k)+ε(k)对模型检验后，确定最优模型为二重趋势组合预测模型。

利用所建立模型，对北京地区PM2.5 预测并与实际数据对比分析。

问题四：对PM 2.5 所造成的雾霾天气，PM 2.5 的成因分析及所构建的预测 报警机制，向有关部门提出控制PM 2.5 排放的相关建议。

关键词：内梅综合指数法层次分析模型灰色预测模型 BP 神经网络ARIMA 模型组合模型i i 一、问题的提出进入 2 0 1 3 年以来，雾霾天气一直影响着北方地区，给人们的生活与出行带来诸多不便。

1 . 查找北京相关时间段内的PM 2.5 数据，建立相应的数学模型，分析图中照片的真实性；2 . 分析影响北京PM 2.5 指标的主要因素；PM 2.5 与雾霾天气之间的关系；3 . 建立PM 2.5 的预测及报警机制。

4 . 在报告的最后，请给有关部门写一封信，在信中阐述你的观点，提出你的建议或者是减少PM 2.5 的改进方案等。

数学统计关于北京雾霾的统计北京雾霾的统计数据表明，这个城市的空气质量问题严重。

根据最新的研究，雾霾是由大气中的颗粒物和有害气体污染物形成的。

下面将详细讨论北京雾霾的统计数据以及对该问题的深入分析。

根据北京市环境保护局的数据，每年有大约200多天的时间北京的空气质量不达标。

这主要是由于细颗粒物（PM2.5）和可吸入颗粒物（PM10）的浓度过高。

PM2.5是指直径小于等于2.5微米的颗粒物，PM10则是指直径小于等于10微米的颗粒物。

这些颗粒物可以导致空气污染并对人体健康产生严重影响。

北京的雾霾问题与多个因素密切相关。

首先，巨大的人口数量和车辆密度是主要的因素之一。

北京是一个人口密集的城市，同时也是中国最大的汽车消费市场之一。

大量的车辆排放物质进入大气，导致了空气污染的加剧。

其次，工业活动也是雾霾问题的一个重要原因。

北京周边地区有多个工业区，这些工业活动产生大量的废气和颗粒物排放，严重影响了空气质量。

还有，天气条件也会对雾霾形成起到重要影响。

北京的冬季是雾霾问题最为严重的时候，主要是由于温度、湿度和风速组合的原因。

冷空气会造成逆温层，使得颗粒物在低层大气中停留，无法有效扩散，从而导致雾霾天气的形成。

在对北京的雾霾问题进行深入分析时，可以提供一些相关的实例。

例如，可以引用过去几年来北京市空气质量指数（AQI）的数据，以展示雾霾问题的严重性。

还可以列举一些雾霾天气对居民健康的影响，如呼吸系统问题和心血管疾病的增加。

此外，为了解决北京的雾霾问题，政府、企业和居民都采取了一系列措施。

政府实施了一些具有挑战性的政策，如限制工业排放、减少车辆尾气排放以及推广清洁能源。

此外，还成立了多个环保组织来推动研究和监测雾霾问题。

最后，需要指出的是，解决雾霾问题需要国际合作。

因为雾霾并不仅仅是北京的问题，而是全球各地都面临的挑战。

国际社区应共同努力，分享经验和技术，共同应对雾霾问题。

总结起来，北京的雾霾问题严重，主要是由于细颗粒物和可吸入颗粒物的浓度过高。

KNN数据开掘算法在北京地区霾等级预报中的应用在现代社会里，空气污染已成为严峻的环境问题之一，尤其在高度城市化的地区，如北京。

北京地区的空气质量受到了大量的关注，尤其是霾天气的频繁出现，给人们的生活和健康带来了严峻的影响。

因此，准确猜测霾天气的发生和等级对于实行相应的应对措施至关重要。

近年来，数据开掘算法在猜测和预警领域的应用越来越广泛。

其中，K最近邻（K-Nearest Neighbor，简称KNN）算法因其简易易用，且能够依据历史数据进行分类和猜测的特点，被广泛应用于各种领域。

本文将探讨KNN数据开掘算法在北京地区霾等级预报中的应用。

一、KNN算法简介KNN算法是一种监督进修的分类算法。

该算法的核心思想是，若果一个样本在特征空间中的K个最邻近样本中的大多数属于某一个类别，那么该样本也属于这个类别。

换言之，KNN 算法通过计算距离来确定待分类样本所属的类别。

KNN算法的主要步骤如下：1. 计算待分类样本与全部训练样本之间的距离；2. 选择K个最近邻样本；3. 统计K个最近邻样本中各类别的数量；4. 将待分类样本归类到数量最多的类别中。

二、数据收集和预处理在应用KNN算法进行霾等级预报时，起首需要收集大量的历史气象和空气质量数据。

这些数据包括不同时期的PM2.5、PM10、AQI指数，天气状况、风向、风速等信息。

这些数据可以通过监测站点、气象台等渠道得到。

在数据预处理阶段，需要对原始数据进行清洗和处理。

起首，将缺失值和异常值进行处理；其次，对连续型数据进行离散化处理，转换为符合KNN算法要求的离散型数据；最后，对数据进行归一化，以消除不同量纲的影响。

三、特征选择和模型训练在特征选择阶段，需要依据实际状况筛选出对霾等级猜测有较大影响的特征。

依据阅历或领域知识，可以选择PM2.5、风向、风速等作为输入特征。

在模型训练阶段，可以接受交叉验证的方法将数据集分为训练集和测试集。

通过调整K值，选择合适的K值，以使得猜测结果更加准确。