下载文档原格式
郑州市区PM_10污染状况及相关气象条件分析
申占营;熊杰伟;陈东;秦世广
【期刊名称】《河南气象》
【年(卷),期】2005()1
【摘要】利用郑州市区2003年空气质量日报和同期气象观测资料,分析了郑州市区PM10(>10 μm可吸入颗粒物)污染状况及相关气象条件变化特征,结果表明:郑州市区PM10污染全年各月均以2级为主,占总样本数的77.5%;其次是3级污染,占15.1%,1级只占7.4%.1～7月份3级污染逐渐减少,8～11月份1级天气占一定比例.全年3级污染日依自然季节变化逐渐减少.出现≥3级污染日时,空气相对湿度为61%～70%的占3级污染日的1/3;日均风速≤2.0 m/s的日数占3级污染日的78%.
【总页数】2页(P28-29)
【关键词】PM10污染;气象条件分析;可吸入颗粒物;空气质量日报;污染状况;市区;气象观测资料;月份;空气相对湿度;天气
【作者】申占营;熊杰伟;陈东;秦世广
【作者单位】河南省气象科学研究所
【正文语种】中文
【中图分类】P445.4;X513
【相关文献】
1.晋城市区PM10污染状况及气象条件分析 [J], 延雪花;刘强军;李毓富
2.平顶山市市区春季PM10污染状况及相关气象条件分析 [J], 张涛;邵龙义;郑继东;杨书申
3.乐山市区大气硫氧化物污染状况及相关因子分析 [J], 汤一凡
4.焦作市PM10污染状况及相关气象条件分析 [J], 张森林;李新新;郑继东;胡斌
5.郑州市区PM10污染状况及相关气象条件分析 [J], 申占营;熊杰伟;陈东;秦世广因版权原因，仅展示原文概要，查看原文内容请购买。
灰色系统理论在环境评估中的应用分析引言：随着环境污染和资源浪费的日益严重，环境评估成为我们认识、改善和保护环境的重要手段之一。
在环境评估过程中，我们需要对各种因素进行全面、准确的分析与评价。
灰色系统理论作为一种新颖的分析方法，具有适用于不确定和不完全信息的特点，逐渐引起环境评估领域的关注与应用。
本文将通过分析灰色系统理论在环境评估中的应用，探讨其优势和局限性，并展望未来的发展。
一、灰色系统理论概述灰色系统理论是由我国科学家陈纳言教授于1982年提出的，是一种处理灰色信息的系统方法。
灰色信息是指知识、数据或信息不完全、不确定的情况下所获得的信息。
灰色系统理论通过数学和统计方法，将灰色信息转化为可分析的模型，从而实现对信息的预测、决策和优化。
灰色系统理论具有简单、快速、灵活、经济等特点，被广泛应用于工程、经济、环境、社会等领域。
二、灰色系统理论在环境评估中的应用1. 环境质量评估环境质量评估是对某一特定环境区域内的污染状况进行全面评估的过程。
灰色系统理论可以有效地处理环境质量评估中存在的不完全信息和不确定性。
通过对已知的环境因素进行建模和分析，可以预测环境变量的发展趋势，评估环境质量的变化情况，并提出预警措施。
例如，在城市环境质量评估中，可以利用灰色系统理论预测空气质量、水质指标等，并为城市管理部门提供决策依据。
2. 环境风险评估环境风险评估是对自然环境或人类活动可能引发的危害和风险进行定量评估的过程。
灰色系统理论可以有效地处理环境风险评估中的不确定性和复杂性。
通过对已知的环境影响因素进行建模和分析，可以预测环境风险的发展趋势，并进行等级评估。
例如，在土壤污染风险评估中，可以利用灰色系统理论分析土壤样本中的有害物质含量、地下水流动速度等因素，评估土壤污染的程度和风险，并制定相应的修复和监控对策。
3. 环境绩效评估环境绩效评估是对某一特定组织、企业或行业在环境保护和可持续发展方面的表现进行评估的过程。
123智能环保NO.10 2020智能城市 INTELLIGENT CITY 灰色预测GM（1，1） 模型在环境空气质量变化趋势预测中的应用许发明1 李优良2 （1.中央民族大学，北京 100081；2.湖南泸溪县环境监测站，湖南 泸溪 416100）摘 要：利用灰色系统理论，以泸溪县环境空气自动监测数据为样本，构建GM（1，1）预测模型，分析预测该县“十四五”期间的环境空气质量变化趋势。
预测结果显示，该县未来5年环境空气质量将持续好转。
关键词：灰色模型；环境空气质量；趋势预测空气清新评估指标作为美丽中国建设评估指标体系的五类指标之一，包含细颗粒物（PM2.5）浓度、可吸入颗粒物（PM10）浓度、城市空气质量优良天数比例 3 个指标。
因此聚焦美丽中国建设评估指标，开展细颗粒物浓度、可吸入颗粒物浓度变化趋势预测，对于科学确定泸溪县“十四五”期间这两项控制目标值具有很好的参考意义。
泸溪县环境空气自动监测站2013年建站，2016年具备六参数全自动24 h监测能力，从当前有限数据，要开展该县“十四五”大气环境质量趋势预测，必须选择适当的预测方法，通过构建数理统计模型开展预测。
灰色系统理论是研究解决灰色系统分析、建模、预测、决策和控制的理论[1]。
灰色预测是对灰色系统所做的预测，灰色预测模型所需建模信息少，运算方便，建模精度高，在各种领域都有着广泛的应用，是处理小样本预测问题的有效工具[2]。
因此，尝试采用灰色系统理论来开展环境质量趋势预测工作[3]。
1 影响空气质量优良天数比例的因子识别为筛分出影响泸溪县环境空气质量的主要污染因子，我们对2016~2019年空气质量监测中的首要污染物，最大单项污染物和最大单项指数污染因子进行了分析与判别。
（1） 环境空气中首要污染物占比统计分析。
通过数据统计，发现各年中细颗粒物（PM2.5）、可吸入颗粒物（PM10）和臭氧（O3）3个因子为我县的首要污染物，它们所引起的污染天数共149 d，其中细颗粒物作为首要污染物的天数最多，为112 d，占总天数的75.17%；臭氧作为首要污染物的天数居第2位，为23 d，占总天数的15.44%；可吸入颗粒物作为首要污染物的天数为14 d，占总天数的9.39%。
郑州市大气环境质量分析及预测郭亚奇;苗蕾;张军;赵勇【摘要】根据郑州市2008年环境监测统计数据,运用主成分分析、聚类分析对2008年郑州市不同区域、不同时段大气主要污染因子和相应污染源进行分析,以期得出各因子之间及其与环境因子之间的关系,采用灰色系统GM(1,1)对郑州市大气环境质量近5年状况进行了预测.经过主成分分析得到3个主成分:主成分1反映二氧化硫、二氧化氮、降尘的信息,主成分2反映可吸入颗粒物的信息,主成分3反映硫酸盐化速率的信息,通过计算各监测点、各月主成分综合得分得到年内大气环境质量变化规律.系统聚类将监测指标聚为3类:二氧化氮、二氧化硫、降尘为1类,硫酸盐化速率和可吸入颗粒物各为1类.采用灰色系统理论建立郑州市大气环境质量灰色预测GM(1,1)模型,结果表明,二氧化硫质量浓度有上升趋势,二氧化氮质量浓度小范围降低后保持平稳,可吸入颗粒物浓度则逐渐下降.【期刊名称】《河南农业大学学报》【年(卷),期】2010(044)006【总页数】7页(P704-709,714)【关键词】大气环境;主成分分析;聚类分析;灰色系统GM(1,1)【作者】郭亚奇;苗蕾;张军;赵勇【作者单位】河南农业大学林学院,河南,郑州,450002;中国农业科学院,农业环境与可持续发展研究所,北京,100081;河南农业大学林学院,河南,郑州,450002;河南农业大学林学院,河南,郑州,450002;河南农业大学林学院,河南,郑州,450002【正文语种】中文【中图分类】X511大气环境质量是城市环境质量的重要组成部分,也是城市可持续发展的基础[1,2].由于地形、地貌和环境特征的不同,各城市之间大气污染特点也有所差别,因此环境治理措施是依据污染特征而提出和制定[3].所以,研究各个城市大气污染特征成为环境治理的基础性工作[4],目前针对郑州市大气环境的研究主要集中在分析单个污染因子或市区总体空气污染的变化特征及趋势[5～7],而对一个城市内各功能区的大气环境质量存在的差异关注不够,尤其是监测指标之间的关系研究较少[8].但由于大气环境的监测数据具有很强的实效性,分析方法和结论都有一定的时间和空间局限性.经过近几年的发展,大气环境分析和预测的方法已日渐成熟,所以此时根据最新监测数据对大气环境污染进行研究就显得很有必要[9,10].本研究以郑州市环境监测年鉴提供的大气监测数据为基础,综合运用主成分分析、聚类分析和灰色理论对郑州市7个大气监测点所代表的区域内大气环境现状和变化趋势进行评价和分析,找出不同时段和区域的大气污染特征,对郑州大气主要污染物的变化趋势进行预测,并提出有针对性的污染防治措施,为城市的综合发展、大气污染防治等提供科学建议.1 研究区概况郑州市北临黄河,西依嵩山,东南为广阔的黄淮平原,辖 6区 5市 1县,其中市区面积1 010.3 km2.截止到 2008年底,全市总人口为 743.6万,其中市区 326.5万,机动车保有量已达 120万辆[11].郑州地区属暖温带大陆性气候,四季分明,年平均气温14.4℃.7月最热,平均27.3℃;1月最冷,平均0.2℃;年平均降雨量 640.9 mm.郑州是重要的交通通调枢纽、综合性工业生产基地和旅游重点城市[11,12].2 材料与方法2.1 材料大气监测数据来源于郑州市环境监测中心站《郑州市环境监测年鉴(2008年度)》[13].2.2 方法2.2.1 主成分分析[14] 首先采用 Z-score法对原始数据进行标准化以消除量纲和数量级不同带来的误差,然后计算数据的协方差矩阵,接着求 R的特征值和累计贡献率以及对应的特征向量和主成分的因子载荷矩阵,最后计算主成分得分.2.2.2 聚类分析采用聚类分析中应用最广的欧几里德距离(dij)进行系统聚类[15]:式中:Xik表示第 i个样品的第 k个指标的观测值;Xjk表示第 j个样品的第 k个指标的观测值;dij为第i个样品与第 j个样品之间的欧氏距离.dij越小表示第 i与 j两个样品之间的性质越接近,性质接近的样品或变量就可以划为 1类.2.2.3 灰色预测利用原始数据序列X(0)(k)(k=1,2,…,n)建立灰色预测 GM(1,1)模型,预测数值变化趋势.GM(1,1)模型的白化型响应式为k+1)=(X(0)(1)其中k)=m)为Accumulated Generating Operation(AGO)序列[16],参数 a,b通过原始数据序列计算得到[17],预测值 X＾(0)(k+1)=X(0)(k+1)-X(1)(k).在进行预测时必须要进行模型检验,达到一定精度等级的模型预测结果才具有较高可信度,并采用后验差检验方法,以后验差比 C和小误差概率 P为精度检验标准[17,18].3 结果与分析3.1 5项指标主成分分析3.1.1 指标信息提取率分析将数据输入 SPSS进行主成分分析,得到如下运行结果(见表 1～4).表1 指标信息提取率公因子方差分析Table1 Variance of common factor of information extract rate of five pollutions注:提取值表示在主成分分析过程中污染变量的信息提取率,数值越高表明其在主成分中的影响越大.Note:Extract value represent the information extract rate of pollution in each principal component analysis process,higher value indicates it's greater impact inthe principal component.?由表 1得,可吸入颗粒浓度和硫酸盐化速率这两个指标的提取值较高因而最具有代表性,而其他指标未出现大的波动或者未起主导作用.硫酸盐化速率指标信息提取率较高的原因是在监测过程中出现过异常波动,因而不能将其看作代表性指标(下文见4.2).综上所述,可以认为 2008年郑州市大气主要污染物是可吸入颗粒物.表2 主成分分析解释的总方差Table2 Total variance explained of principal component analysis注:1～5分别代表初始计算出的各个主成分,累积方差贡献率为前成分方差贡献率的加和,其值代表信息提取量的高低,越高越好.Note:1～5 represents each principal component separately,Accumulated Variance Contribution Ratio means summation of variance contribution ratio before,the higher value meansbetter.?表 2反映出各成分解释原始变量总方差和提取信息量的情况.因为成分 1,2,3的初始特征根较大,且它们已经包括了原始变量 83.175%(＞80%)的信息,所以这里选取成分 1,2,3为主成分.表3 主成分载荷矩阵Table3 Principal component loading matrix注:表中数值表示各主成分与对应污染指标的相关系数,相关系数的绝对值越大,主成分对该变量的代表性也越大.Note:Values in the tableare correlation coefficient between principal component and pollutions,the higher the absolute value of correlation coefficient is,the better principal component's representation is.? 主成分的主要含义由主成分载荷矩阵中各主成分所对应的相关系数绝对值较大的几个指标的综合含义来确定[19].由表 3可以看出主成分 1主要反映了二氧化硫、二氧化氮和降尘这 3个变量的信息,第 2主成分主要反映可吸入颗粒的信息,第3主成分主要反映硫酸盐化速率的信息.表4 主成分得分系数矩阵Table4 Component score coefficient matrix of principal component analysis注:表中数值对应着该主成分作为原来污染指标线性组合的系数.Note:Values in thetable corresponds to the principal components as a coefficient of linear combinations of the original of pollutions.?由表 4得出成分得分方程组:式中:x1～x5表示对应污染物标准化后的样本数据;y1～y3表示对应成分得分.3.1.2 各监测点大气环境质量综合分析为评价各监测点每个月的综合大气环境质量状况,采用如下公式计算各监测点的综合得分:式中:Si表示第 i成分贡献率;Ci表示样本第 i成分得分;S1=47.396%;S2=19.839%;S3=15.941%.经计算各监测点各月的主成分综合得分,结果见图 1.得分越低表明监测点该月空气质量越好[20].图1 郑州市各监测点主成分综合得分折线图Fig.1 The chart of the principal component analysis for each monitoring sites in Zhengzhou city在这 6个监测点中,郑纺机、市监测站属于工业区,烟厂、医学院、银行学校、供水公司属于居民区.通过图 1可以很清楚地看出各监测点 2008年各月的主成分综合得分走势.经过对比,可以将 6个监测点根据折线的形状分成 3类:1)银行学校.该监测点的折线表现为典型的“U”型抛物线,即 1,2,11,12月空气质量较差,6,7,8月空气质量较好,属于典型的城市空气环境状况.因为在进入冬季后随着城市供暖压力加大燃煤燃气量也随之增加,冬季气候条件温度低、湿度小、气压高、风沙多,城市空气污染较为严重.而夏季温度高、湿度大、气压低,茂盛的绿色植物和城市热岛效应利于降低的污染物浓度.2)医学院、烟厂、郑纺机、供水公司.这 4个监测点的综合得分折线图的形状类似于“W”,一般认为北方城市大气环境质量多是“冬季差,夏季好”[21,22],而郑州在夏季(7月份)出现了不同程度的反弹.这主要是与 7月份硫酸盐化速率出现了异常的增大有关(表 1),根据气象资料,7月份的降水强度和持续时间均大于 6月和 8月,而高温、高湿、气压偏低和静风等气象条件会加速SO2的转化速率,从而造成 SO2的质量浓度显著降低和硫酸盐化速率明显升高的结果[21].3)市监测站.这个监测点的综合得分折线图与第二类相似,但这个监测点与其他监测点的不同之处在于其折线图在 3月份有明显的上扬.各监测点在 3月份 PM10和NO2质量浓度出现了突然增大现象,但市监测站却是两项指标同时增大.出现这种情况可能是该区域内的企业在新年复工后排放量突然增大,再加上空气干燥风沙大,导致这两项监测指标的明显升高.处于郊区农田的供水公司监测点全年的空气质量总体上比其它监测点好.各监测点的主成分综合得分折线图相互交错,这说明了郑州市仍存在生活区与工业区混杂,分区不明确的问题.3.2 监测指标关联性分析先对 5项大气环境质量指标数据先标准化,然后进行系统聚类分析 (Hierarchical Cluster Analysis),聚类结果见图 2.图2 聚类结果树状图Fig.2 Tree diagram图 2表现出聚类的具体过程,选取相对距离 10将变量划分为 3类:①二氧化氮,二氧化硫,降尘;②硫酸盐化速率;③可吸入颗粒物.表明各变量之间的欧式距离存在较为明显的差异,其中距离最小的 4组是二氧化氮与降尘,降尘与二氧化硫,二氧化氮与二氧化硫,硫酸盐化速率与二氧化硫.而可吸入颗粒物与其他 4个变量之间的距离均比较大.近年来,郑州市一直处于工业发展的加速期,能源结构仍以煤炭和化石燃料为主,但工业经济增长依然建立在能源资源消耗增长的基础上,再加上近年来市区机动车保有量的快速增长,所以大气污染物主要来自煤炭和化石燃料的燃烧.燃料燃烧过程中产生的气态 SO2,NO2在大气中的浓度变化表现出较强的关联性,同时在燃烧过程中产生的粗大颗粒物与空气中的灰尘以降尘的形式沉降在地表,于是这 3类污染物的在聚类时首先聚为 1类.PM10的浓度虽然与当地的污染源也有很大的关系,但其受气象条件、地理因素的影响更为强烈,近年来PM10作为郑州市影响空气质量的首要污染物,直接影响 API指数的高低,所以这里将其聚为 1类.硫酸盐化速率是大气中 SO2,H2 S,H2 SO4等含硫污染物经过一系列氧化反应的速率,即含硫二次污染物形成的速率[22],它与光照、温度等有密切关系,同时由于该项指标在 7月份出现异常波动,故将其聚为 1类.3.3 大气环境质量预测利用郑州市 2000—2008年大气污染物 SO2,NO2和 PM10的年均浓度建立预测模型,根据原始资料构建数据序列X(0)(t)(t=1,2,…,n),利用DPS数据处理系统建立GM(1,1)模型对这 3个指标进行灰色预测[23],得到近 5年郑州市大气污染物浓度变化.3.3.1 大气 SO2质量浓度预测根据SO2年均质量浓度资料得出最终预测模型:参数a=0.207 674,b=0.002 067;预测公式 x(1)(t+1)=-0.009 050e-0.207674t+0.009 953.经检验模型:C=0.054 2,P=1.000,精度符合要求,所以该模型预测结果是可信的.根据模型计算未来 5年内 SO2的变化曲线如图 3所示。
城市空气质量评估及预测摘要: 本文对我国十个城市的空气质量进行了深入的研究，利用统计学等相关原理，结合我国现行的“创模”和“城考”体系中的环境空气质量指标，就城市空气污染程度，空气质量的预测和影响因素等问题建立出相应的数学模型。
利用层次分析法和Perron-Frobenions等相关原理建立数学模型对中国十大城市的空气污染严重程度给出分析并排名。
运用GM（1,1）灰色预测模型，结合相关数据运用excel软件进行数据统计，对成都市2010年11月份的空气质量状况进行预测。
使用优势分析原理分析空气中可吸入颗粒、二氧化硫、二氧化氮等因素对空气质量的影响程度。
关键词：空气质量，层次分析，判断矩阵，相对权重，排名，灰色预测，优势分析，可吸入颗粒，二氧化硫，二氧化氮一、问题的提出1.1背景介绍随着中国经济的进一步发展，环境问题已是制约我国发展的关键因素之一，而环境问题最突出的就是空气污染。
“十一五”“创模”考核指标“空气污染指数”要求：API指数≤100的天数超过全年天数85%。
“城考”依据API指数≤100的天数占全年天数的比例来确定空气质量得分。
“API指数≤100的天数”，通常又被称为空气质量达到二级以上的天数。
根据已有数据，运用数学建模的方法，对中国空气质量做出分析和预测是一个重要问题，同时通过对影响空气质量因素的分析，以正确做好环境保护措施也极为重要。
本文主要针对以下几个问题进行相关分析：（1）利用已知的数据，建立数学模型通过分析给出十个城市空气污染严重程度的科学排名。
（2）建立模型对成都市11月的空气质量状况进行预测。
（3）收集必要的数据，建立模型分析影响城市空气污染程度的主要因素是什么。
二、基本假设1）表格中已有的数据具有权威性，值得相信，具有使用价值。
2）空气质量相同等级的污染程度相同。
3）假设该市各种影响空气质量的软因素（如工业发展，人口数量）保持平稳变化。
4）不考虑突发事件即人为因素（如工业事故）造成的空气质量突变。
河南省2005~2015年NO2和PM2.5时空变化遥感解析蔡坤;郑泰皓;陈良富;李莘莘;范萌【期刊名称】《中国环境科学》【年(卷),期】2017(037)012【摘要】利用MODIS气溶胶光学厚度(AOD)估算的近地面PM2.5质量浓度和OMI对流层NO2垂直柱浓度数据,统计分析了近11a(2005~2015年)河南省PM2.5质量浓度和NO2垂直柱浓度的空间分布、长时间序列变化和季节变化特征.研究发现:河南省中北部为PM2.5和NO2高值区,西部和南部山区为低值区.PM2.5和NO2最高值出现在冬季,其中2013年冬季达到峰值,分别为155.7μg/m3和2279.45×1013mole/cm2;最低值则通常出现在夏季,其中2015年夏季达到最低值,分别为49.17μg/m3和427.37×1013mole/cm2.2011年之后河南省年均PM2.5和NO2逐年下降,2015年达到2005年以来的最低值,分别为65.7μg/m3和765.14×1013mole/cm2.【总页数】11页(P4417-4427)【作者】蔡坤;郑泰皓;陈良富;李莘莘;范萌【作者单位】河南大学环境与规划学院,河南开封 475004;河南大学计算机与信息工程学院,河南开封 475004;中国科学院遥感与数字地球研究所,遥感科学国家重点实验室,北京 100101;河南大学计算机与信息工程学院,河南开封 475004;中国科学院遥感与数字地球研究所,遥感科学国家重点实验室,北京 100101;中国科学院遥感与数字地球研究所,遥感科学国家重点实验室,北京 100101;中国科学院遥感与数字地球研究所,遥感科学国家重点实验室,北京 100101【正文语种】中文【中图分类】X513【相关文献】1.2005－2015年珠三角对流层NO2柱浓度时空变化遥感监测 [J], 周春艳;付卓;马鹏飞;厉青;王中挺;陈辉;毛慧琴;姚延娟2.2016—2018年汾渭平原对流层NO2柱浓度时空变化遥感监测 [J], 张连华;周春艳;厉青;马鹏飞;陈辉;王中挺;毛慧琴;张玉环3.基于甘肃省卫星遥感的对流层NO2时空变化 [J], 马超; 巨天珍; 温飞; 王勤花; 李逢帅; 张永佳; 张国强4.2016—2018年汾渭平原对流层NO2柱浓度时空变化遥感监测 [J], 张连华;周春艳;厉青;马鹏飞;陈辉;王中挺;毛慧琴;张玉环5.基于卫星高光谱遥感的2007年—2017年新疆地区大气NO2时空变化趋势分析 [J], 苏锦涛;张成歆;胡启后;刘浩然;刘建国因版权原因，仅展示原文概要，查看原文内容请购买。
全国大学生数学建模竞赛经典试题导语：数模参赛者应根据题目要求，完成一篇包括模型的假设、建立和求解、计算方法的设计和计算机实现、结果的分析和检验、模型的改进等方面的论文(即答卷)。
竞赛评奖以假设的合理性、建模的创造性、结果的正确性和文字表述的清晰程度为主要标准。
欢迎阅读，仅供参考，更多相关的知识，请关注CNFLA学习网的经典的数学建模问题：运用灰色关联模型为我国产业结构的调整和优化提供建议改革开放以来，中国的产业结构优化都是以经济增长为主要目标，在该目标下所形成的产业结构己经使中国经济保持了近三十年的高速增长。
但是，由于忽视了能源与环境目标，过快的经济增长导致了产业结构失衡、能源消耗过渡、环境污染严重等问题。
因此，产业结构优化作为促进经济发展的重要手段已不是传统意义所指，结构优化的目标更着重于促进产业持续、健康发展以及产业与自然、社会和谐发展，结构状态和变化趋势符合可持续发展要求，结构的优化和变革促进产业可持续发展能力增强，结构优化政策贯彻可持续发展战略思想等。
基于此结合收集的资料，建立数学模型，解决一下问题。
问题一：建立各产业对我国经济增长影响的定量数学模型。
问题二：定量分析能源消费结构对空气质量的的关系。
问题三：建立数学模型分析未来能源消费的大体趋势。
问题四：结合以上问题结论为我国产业结构的调整和优化提供一些建议。
一、问题分析问题一我们发现我国各产业对经济的增长都有一定的作用，通过表分析我们需要定量分析各产业对我国经济增长影响的大小，于是我们通过建立灰色关联的数学模型计算各产业灰色相对关联度p1,p2,p3,比较其大小发现各产业对我国经济增长的定量影响。
问题二我们认为SO2排放放映出我国空气质量的大体状况，而无论是煤炭，石油，天然气，电能等能源的消耗都会排放一定量的的SO2，但我们无法准确确定影响大小，于是我们考虑建立灰色关联的数学模型，计算出各能源对SO2排放的影响程度大小，进而确定能源消费结构对空气质量的关系。
时序预测中的灰色模型介绍时序预测是一种应用广泛的数据分析方法，它可以帮助我们预测未来一段时间内的数据趋势。
而在时序预测中，灰色模型是一种常用的模型之一。
本文将介绍灰色模型的基本原理、应用范围和优缺点。
一、灰色模型的基本原理灰色系统理论最早由中国科学家陈裕昌教授提出，它是一种用于处理少量数据和缺乏信息的系统分析方法。
灰色模型的基本原理是通过对数据进行灰色关联分析、灰色预测等处理，来实现对未来时序数据的预测。
灰色模型的关键在于建立数据的灰色关联度，通过对数据进行加权处理，将不规则的数据变为规则的规整数据，进而实现对未来数据的预测。
这种方法不仅可以用于单变量时序数据的预测，还可以用于多变量时序数据的预测，具有一定的灵活性和适用范围。
二、灰色模型的应用范围灰色模型在实际应用中具有广泛的应用范围，主要包括以下几个方面：1. 经济领域：灰色模型可以用于对经济指标的预测，如国内生产总值、消费指数、失业率等。
通过对这些指标的预测，可以帮助政府和企业制定发展战略和政策。
2. 工业领域：灰色模型可以用于对工业生产数据的预测，如原材料价格、产量、需求量等。
这对于企业的生产计划和库存管理具有重要意义。
3. 环境领域：灰色模型可以用于对环境数据的预测，如空气质量、水质数据等。
通过对这些数据的预测，可以帮助政府和环保部门采取相应的措施来改善环境。
4. 医疗领域：灰色模型可以用于对医疗数据的预测，如疾病发病率、病人数量、医疗资源需求等。
这对于医院和卫生部门的资源配置和医疗服务规划具有重要意义。
三、灰色模型的优缺点灰色模型作为一种时序预测方法，具有以下优点：1. 适用范围广：灰色模型可以处理各种类型的时序数据，包括线性和非线性数据，适用范围广泛。
2. 数据要求低：灰色模型对数据的要求相对较低，对于缺乏信息或者数据量较少的情况也可以进行预测。
3. 预测精度高：灰色模型在一定范围内可以取得较高的预测精度，对于短期和中期的预测效果较好。
郑州市大气PM2.5的污染特征作者：曹青刘俊楠来源：《商情》2014年第06期【摘要】本文全面总结了造成郑州市灰霾天气的污染源，分析了郑州市大气PM2. 5的污染特征，强调了pm2.5污染治理的紧迫性。
【关键词】pm2.5 污染源一、前言郑州市作为河南省的省会，是中原城市群的中心，在全国的经济发展格局中具有承东启西、贯通南北的重要作用。
郑州市是全国大气污染比较严重的城市之一，灰霾天气的经常性发生，影响到了居民的正常生活，对人体健康造成危害。
探讨灰霾天气的成因，分析灰霾天气下大气颗粒物PM2.5的分布特征，刻不容缓。
二、郑州市pm2.5的污染源（一）自然源。
PM2.5的来源广泛，包括自然源和人为排放。
PM2.5的自然来源包括土壤扬尘、风沙尘、火山灰、森林火灾灰，以及漂浮的海盐、花粉、真菌孢子、细菌等。
郑州市是一个内陆城市，PM2.5的浓度水平不受海盐及火山灰的影响。
而春季百花盛开，受花粉影响较大；春秋季节大风天气较多，受风沙尘影响较大。
（二）人为源。
颗粒物PM2.5的质量浓度与人类的正常工作生活具有密切的联系，从灰霾的发生可以看出，人类活动对于颗粒物污染水平的影响，已经越来越显著。
人为源主要包括移动源、工业源、燃料燃烧等，另外，建筑施工产生扬尘、喷涂油漆染料等，也会给PM2.5的污染做出贡献。
1.交通源郑州市是一个交通枢纽，受交通的影响较大。
郑州市拥有民用车数量76.2万辆，机动车保有量庞大，车辆经常造成低速行驶和拥堵现象，这会造成汽车燃油的燃烧不充分，导致细粒子排放量的增加。
细粒子PM2.5的质量浓度日变化，无论在哪个季节，都呈现出明显的双峰现象，峰值分别出现在早上5：00-8：00.晚上的18：00～22：00，最低值出现在下午13：00左右，高峰值的出现与早上和晚上的上下班高峰一致，说明双峰现象的形成主要与交通高峰有关，显见受交通流量的影响较大。
2.工业源工业源包括火电生产和供应、水泥生产、采掘业、造纸印刷业、金属冶炼及加工、化工制品生产等。
