摘要：随着社会的不断发展，人们对环境污染有了愈加深刻的认识，国家也加强了对大气的检测，以期为我们构建一个舒适的生活空间。大气检测的内容主要是对空气中的细颗粒物进行识别，而PM2.5则表示每平方米内这种颗粒物的多少。环境检测者根据大气中的成分进行总体分析，做出标准的回归模型，以达到评估和预测的目的。因此，本文从大气环境的相关理论出发，在常规监测数据下对PM2.5进行评估和预测。
关键词：常规大气监测；PM2.5；评估预测；分析
前言：我国经济的不断发展使得空气中的污染增多，以PM2.5为主的大气环境问题也愈发严重并引起了人们的深刻关注。根据实际监测报告显示，大气中排放的有害气体正在逐年增加，它不仅对建筑起到了一定的腐蚀作用，也严重影响了人们的身体健康。因此，对PM2.5评估和预测的分析势在必行。
一、大气污染物评估预测中所涉及的统计学理论
（一）多元线性回归理论
多元线性回归理论又可以称之为多变量理论。如果在大气数据监测中出现了两个或者两个以上的变量，我们就可以采用这种方法进行分析。例如：温度、湿度、空间范围、气压等都会引起大气中的气体成分发生变化。如果只将其中的一方面因素作为变量值，那么监测的结果并不能够准确的反映其中的规律。而多变量则能够更加直观、全面的进行分析。在实际问题的处理中，多元回归分析首先要建立联系性方程，接着得出相关性系数，与常规数值进行比较。同时，假定一个最可靠的相关性结果，得出具体的评估结论，预制相关措施。在环境质量监测的问题当中，影响环境质量的有PM2.5、CO、NO2等等。而我们通常以PM2.5作为基本变量，其他作为辅助变量，进行大气监测问题的综合性研究[1]。
（二）主成分分析法
主成分分析法与多元线性回归法不同。它是在多个变量中选出一个最切实可行的重要载体，将影响因素与数据本身相联系，对成分进行随机抽取。主成分分析法的信息比较措施比较特殊，它主要运用方差进行数值分析。从本质上来讲，变量与变量之间不是毫无关系的，二者存在着一定的联系。我们在比较分析时，可以将其看作是一个整体，利用变量转化的方式进行运作，将其中的某些变量转换为定量[2]。
二、基于常规大气监测数据的PM2.5多元线性回归预测模型分析
（一）多元线性回归模型
对多元线性回归模型进行评价和分析。我们首先要了解模型建立的基本思想。由于模型中所涉及的主要是因变量与自变量之间的关系，因此，它有着一定的浮动性和无序性。通过数学中线性模型的分析方法进行判断是比较切实可行的。从本质上来讲，回归分析的运用的目的主要是解决以下问题：第一，以变量为判断基础，分析其中的关联性。只有关联性相对较大，才会考虑建立函数关系。第二，制定一个可靠性变量，在其中提取信息，与建立过的方程进行标准比对。第三，得出确定的数据，将它们进行比对，确定其中的从属关系。以本文为例，我们主要研究PM2.5元素与其他常规大气之间的关系，并得出相关性结论。一般情况下，一个因变量都会对应多个自变量。因变量的有着一定的取值范围，环境监测者可以首先对其进行预估，接着随机抽取一个数据进行填充和比对，算出其中的平均值。如果平均数值为零，则说明误差性为零，大气环境的状态达到最佳。但如果其中掺加了未知变量，那么过程预估方式就不是那么的简单。由于未知参数之间是独立的，它们互不影响，但又对大气环境产生一定的作用。
期刊文章分类查询,尽在期刊图书馆因此，我们要利用PM2.5元素分析法进行判断。一旦大气颗粒源中影响因子的数值在扩大，气象变量之间的浮动性也会相对加强。环境监测人员要从以下几个方面做起：第一，要在温度相同的情况下测量风速与气压量。第二，PM2.5元素中的探测范围也是非常广泛的。工业生产中的木材燃烧灰尘、垃圾在土地中腐化所出现的气体以及油气中所燃烧的物质都可以称之为入肺颗粒物。对于以上条件，我们可以首先设定因数的回归方程，将PM2.5元素中的硫化成分作为显著性检验标准，以确认变量的个数[3]。
（二）SPSS数据处理
SPSS数据处理与线性回归方式有着极大关联性。第一，如果无法确定PM2.5中有哪些影响因素，环境监测人员就要采用数据处理的方式进行检验。从根本上来讲，逐步回归方程的方法是非常适用的。首先，我们要进行条件假设，确保一定的因素变化。假设在大气环境中，气压、湿度、风力、以及CO等都会对颗粒物因素产生影响。因此，以上数据为自变量，我们将它们与PM2.5进行联系，建立线性相关方程。二者在比对的过程中会以“概率”的形式呈现出来，设概率为Q。如果Q的数值在0.5以内，则说明大气环境污染成分中不存在多重线性关系。如果自变量之间存在平行关系，也正表示它们的独立性很强，每种变量都在环境中有着一定程度的凸显。另外，环境监测人员也可以通过模型汇总的方式来进行比对和分析。将所有的影响因素概率加在一起，将每两个变量进行组合，算出它们之间的平方和，再利用平均值进行整合，将误差与标准数值进行比对，在常量控制下预测风力、天气以及温度之间的关系。由此可以看出：线性回归的模拟方式是非常有效的[4]。第二，将湿度作为因变量，进行实际测量。例如：在无降水的情况下，空气中的湿度差异并不大，环境监测人员取其中的质量浓度作为控制节点，如果它与湿度成正比，则说明大气中的压力在变大，并在一定程度上影响着大气环境的发展。
（三）PM2.5的防控
对PM2.5进行防控也是大气污染控制中一个非常重要的环节。环境监测人员可以从以下几个方面来进行管理：第一，在大气污染控制中，我们首先要将天气、风力、气压等不可控因素排除，对工业生产中产生的CO、NO2等因素进行组织协调。从某种程度上来讲，PM2.5浓度与CO、NO2成正比。因此，政府要加强对煤炭的管理，加强品质的检验，对污染进行预防。第二，也要对一些污染巨大的工业生产活动进行控制，除了要进行新能源、环保设备的使用外，还要对中小型锅炉的使用进行严格的限制[5]。
结论：综上所述，基于常规大气监测数据的PM2.5评估预测的分析主要从建立回归线性方程入手，将PM2.5作为因变量因素，将风力、湿度、CO、NO2作为自变量，建立多方变量的函数关系，来判断大气中的污染物成分，为环境监测手段的加强奠定良好基础。
参考文献：
[1]贾瑾. 基于空气质量数据解析大气复合污染时空特征及过程序列[D].浙江大学,2014.
[2]陈博. 北京地区典型城市绿地对PM_(2.5)等颗粒物浓度及化学组成影响研究[D].北京林业大学,2016.
[3]高晓梅. 我国典型地区大气PM_(2.5)水溶性离子的理化特征及来源解析[D].山东大学,2012.
[4]林愿仪,林伟俊,尹安琪. 基于PSO-BP神经网络预测广州市日均PM_(10)浓度[A]. 中国统计教育学会.2015年（第四届）全国大学生统计建模大赛论文[C].中国统计教育学会:,2015:28.
[5]刘炎坤. 上海市大气沉降物及PM_（2.5）中多环芳烃的污染特征及溯源研究[D].华东师范大学,2016.
论文作者:王晓燕
论文发表刊物:《基层建设》2016年31期
论文发表时间:2017/1/21
标签：大气论文; 变量论文; 线性论文; 因变量论文; 环境监测论文; 自变量论文; 成分论文; 《基层建设》2016年31期论文;