关于某大气污染问题地数学建模论文设计.docx
- 文档编号:26009116
- 上传时间:2023-06-17
- 格式:DOCX
- 页数:30
- 大小:676.99KB
关于某大气污染问题地数学建模论文设计.docx
《关于某大气污染问题地数学建模论文设计.docx》由会员分享,可在线阅读,更多相关《关于某大气污染问题地数学建模论文设计.docx(30页珍藏版)》请在冰豆网上搜索。
关于某大气污染问题地数学建模论文设计
标准文档
实用文案1.问题重述
大气是指包围在地球外围的空气层,是地球自然环境的重要组成部分之一。
人类生活在大气里,洁净大气是人类赖于生存的必要条件。
一个人在五个星期内不吃饭或5天内不喝水,尚能维持生命,但超过5分钟不呼吸空气,便会死亡。
随着地球上人口的急剧增加,人类经济增长的急速增大,地球上的大气污染日趋严重,其影响也日趋深刻,如由于一些有害气体的大量排放,不仅造成局部地区大气的污染,而且影响到全球性的气候变化。
因此,加强大气质量的监测和预报是非常必要。
目前对大气质量的监测主要是监测大气中2SO、2NO、悬浮颗粒物(主要为PM10)等的浓度,研究表明,城市空气质量好坏与季节及气象条件的关系十分密切。
附件给出城市A、B、C、D、E、F从2003年3月1日至2010年9月14日测量的污染物含量及气象参数的数据。
请运用数学建模的方法对下列问题作出回答:
1.找出各个城市2SO、2NO、PM10之间的特点,并将几个城市的空气质量进行排序。
2.对未来一周即2010年9月15日至9月21日各个城市的2SO、2NO、PM10以及各气象参数作出预测。
3.分析空气质量与气象参数之间的关系。
4.就空气质量的控制对相关部门提出你的建议。
2.问题分析
本题为生活中的实际问题,层层递进式提出四个问题,分别需要对空气污染因素以及气象参数进行分析求解。
第一问为评价性问题,先从城市内部个污染物特点出发,再到城市之间空气质量进行比较。
第二问是预测性问题,通过对给出的数据进行分析,预测各项参数之后的趋势。
第三问是寻找关联性问题,要求找出空气质量与气象参数之间的关系。
第四问为开放型问题,可通过之前得出的结论或者相关文章及模型提出建议。
2.1问题1
通过查阅资料,运用已有的API对各个城市的各项污染指标进行计算,得出各个污染指数API月平均的折线图,观察,得出各城市各项指标的特点。
鉴于求解城市API时有一定的误差,故选择综合评价模型,对数据进行标准化处理之后,确定动态加权函数,对模型进行求解,排名。
检验模型后确定结论的合理性。
2.2问题2
预测模型主要有灰色预测,时间序列等模型。
由所给数据以及问题可知该预测模型为时间序列。
随机选取气象参数之一气温(tem)为例进行分析,先通过SPSS软件得到其时序图,观察其走势,对其做平稳化处理。
然后以最小BIC为标准,构造模型,进一步应用SPSS软件求解,得出各项参数,并预测出2010年9月15日至2010年9月21日的数据。
其余各城市各污染物浓度以及气象参数应用类似方法进行求解。
最后,由于F城市所提供数据与需要预测日期相隔较远,故只做出定性的分析预测。
2.3问题3
空气污染物与气象要素关系密切,研究的方向多为相关性分析与回归分析或从理论上描述气象要素对污染物迁移扩散的影响。
但是回归分析应用于处理不相
标准文档
实用文案关变量之间关系,而典型相关性分析能很好地解决由于变量之间相关而导致回归准确性降低的问题。
并且观察原始数据发现,其中只有一组气象参数,故猜测气象参数是在其中某一个城市所采集。
现应用典型相关性分析分别分析A、B、C、三城市空气污染物2SO、2NO、PM10与气象要素这两组数据间的关系。
求出不同季节的相关系数,判定气象参数最有可能是属于哪一城市的。
再对该城市进行偏相关性分析,最终得出污染物与气象参数之间的关系。
该过程由SPSS直接完成。
2.4问题4
依据第三问所求得的气象参数和与其对应城市之间的关系,分析影响各污染物浓度的主要因素,依此对有关部门提出合理的建议,以提高该城市的空气质量。
3.数据处理
对附件中数据整体浏览,将不合理的数据进行删除:
2005年11月7日的tem为611.5,2010年6月6日的mmgh为267.109,依据常识,该两组数据均为记录错误,故删去不予考虑
3.1问题1
对各项指标的数据进行月平均处理.以便进行模型的计算。
3.2问题2
基于数据的不完整性,只选择具有连续性的数据(2010年1月20日至2010年9月20日)对问题二进行分析预测。
3.3问题3,4
将一年分为春季季风季(3-5月)和冬季采暖季(11-2月)两部分,分别进行分析。
4.模型基本假设
1、各组数据真实可信,且是在同一地点同一时间采集,不考虑人为因素,具有统计、预测意义。
2、假设A、B、C、D、E、F六个城市的发展状况相同,即发展速度没有明显差异。
3、API指标真实可靠,所给数据具有参考统计意义。
4、月API平均值能很好的代表该月空气质量,具有比较意义。
5、对F城市进行定性预测时,A、F城市发展状况基本相同,有比较价值。
6、第三问中,灌输数据的对应关系,假设气象参数是在A、B、C三城市中某一个城市所采集。
5.符号说明
API
空气污染指数
I
某污染物的污染指数
C
该污染物的浓度
CC大小
在API分区表中最接近C值得两个值
标准文档
实用文案
II大小
在API分区表中最接近I值得两个值
(1,2,3)ixi?
三项污染指标标准化值
jm
区间最小值
jM
区间最大值
()jka,()jkb
区间边界
()(1,2,)jwxjm?
权重
X
被评价指标的综合评价值
iS
城市
()jiBS
每个城市的Borda数
?
?
tX
时间序列
P
模型阶数
d
差分阶数
B
延迟算子
?
均方差
R
复相关系数
6.模型的建立与求解
6.1问题1
6.1.1问题一第一部分
通过查阅资料,可以找到API,即空气质量污染指数标准,由此计算每个城市各项指标的月API平均值,对各项数值进行比较,得出各个城市三项指标特点。
6.1.1.1各项指标月API平均值求解
根据表一:
标准文档
实用文案
计算各项指标的API值:
设I为某污染物的污染指数,C为该污染物的浓度。
则:
()IIICCICC?
?
?
?
?
大小小小大小
式中:
CC大小:
在API分区表中最接近C值得两个值
II大小:
在API分区表中最接近I值得两个值
6.1.1.2各城市各项指标月API平均值折线图
图一:
各城市各项指标月API平均值折线图
标准文档
实用文案6.1.1.3结果分析
整体分析图表可以看出A、B、C、D、E五个城市SO2、NO2、PM10等污染物浓度均呈现波动性并且有缓慢下降趋势。
分析A城市数据,发现A城市PM10浓度与B城市差别并不显著,但是观察发现A城市PM10的值在2010年8月后有所回升,这一点也可由数据得到验证。
B城市SO2波动性很强,但是下降的趋势并不是非常的明显,说明B城市可能有一些周期性的污染源需要治理。
而B城市的PM10波动性强有明显下降趋势,这说明B城市很有可能在2010年采取过一些相应的积极措施,使得该城市PM10浓度在短期内大幅度下降。
而A、B两城市的SO2和PM10数值均明显高于NO2的数值,且两城市污染物的波动方式相似,可粗略认为A、B两城市有部分工业或者结构上的相似。
分析C、D两城市可知SO2、NO2、PM10浓度较平稳波动,只有PM10在个别时段有较大的起伏,而在其他时间序列内均趋于平缓变化。
C、D两城市的PM10曲线在同一时间明显偏高,可推论在那一段时间有某些外界因素使得两个城市的PM10数值共同上升。
分析E城市空气污染物浓度可知,E城市SO2、NO2、PM10浓度均在一定范围内平稳变化,说明该城市在所选时间段内空气质量比较平稳。
由于F城市数据严重不足,只有从2004年9月1日到2009年12月27日的采集数据,故在F城市数具有统计意义的前提下,由图可知观看出F城月平均污染物浓度大致呈现平稳趋势。
6.1.2问题一第二部分
根据问题对API分析发现,对于城市API值计算中,原理为取三项指标的最大值,这会造成相应的误差,故在分析第一问的第二部分时,只参考API的划分标准,应用综合评价模型。
6.1.2.1数据的标准化处理
对所给的空气污染标准(API)进行标准化处理,记三项指标:
2SO、2NO、PM10的数值分别为1x,2x,3x。
三项指标的数据均为极小型指标(即指标值越小越好),对其指标jx做标准化处理,即令:
'
(1)jjjjjxmxjmMm?
?
?
?
?
其中1min{}jijinmx?
?
?
,1max{}jijinMx?
?
?
。
则相应的指标值变为'{}[0,1]ijx?
,即为无量纲的标准化指标,对应的分类区间()()[,)jjkkab也随之相应的变化,在这里为了方便仍记为()()[,)jjkkab(1,2;1)kKjm?
?
?
。
(1)2SO的标准化
取10m?
,12.62M?
,'112.62xx?
,则其标准化数据为:
'()1[0,1]kix?
对应的分类区间为:
?
?
?
?
?
?
?
?
?
?
?
?
?
?
0,0.01908,0.01908,0.05725,0.05725,0.30534,0.30534,0.610687,0.610687,0.801527,0.801527,1,1,?
标准文档
实用文案
(2)2NO的标准化
取20m?
,20.94M?
,'220.94xx?
,则其标准化数据为:
'()2[0,1]kix?
对应的分类区间为:
?
?
?
?
?
?
?
?
?
?
?
?
?
?
0,0.0851,0.0851,0.12766,0.12766,0.29787,0.29787,0.601064,0.601064,0.79787,0.79787,1,1,?
(3)PM10的标准化
取30m?
,30.6M?
,'330.6xx?
,则其标准化数据为:
'()3[0,1]kix?
对应的分类区间为:
?
?
?
?
?
?
?
?
?
?
?
?
?
?
0,0.08333,0.08333,0.25,0.25,0.58333,0.58333,0.7,0.7,0.8333,0.8333,1,1,?
6.1.2动态加权函数确定
根据这一实际问题,通过对2SO、2NO、PM10三项指标的变化关于空气质量的分析,可得其变化的规律为:
先是缓慢增长,中间有一个快速增长的过程,最后平缓增加趋于最大值。
此增长规律可取动态加权函数为偏大型正态分布函数,即:
2()1()0,jjxjjjexwxx?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
,当时当时
其中j?
不妨取指标jx的第一类空气质量标准的中间值,即()()111()2jjjba?
?
?
,j?
由()4()0.9
(1)jjwjm?
?
?
?
确定。
6.1.3综合评价模型的构建
根据标准化后的评价值,不妨仍用ix表示,以及相应的动态加权函数()(1,2,)jwxjm
?
,建立综合评价模型来对被评价的6个城市的空气质量进行评价,在此,取综合评价模型为个评价指标的动态加权和,即:
1()jmjjjXwxx?
?
?
?
其函数值X为被评价对象的综合指标值。
求出权后,可将6个城市的三项指标求期望,定量地得出每个城市中三项指标的权值。
利用附件中给出的31个月的较为完整的数据,计算可得ABCDE五个城市的空气质量评价性指标,即可得到一个综合评价矩阵531()ijX?
,其结果如下:
标准文档
实用文案ABCDE10.4764250.3034380.6987870.3025690.40188720.3814910.4989850.5563590.3591340.49755630.7022621.286471.4847060.8224861.36338340.92970.6873111.5288221.2069631.2341351.3730171.9207871.2699572.557661.41813760.8774671.3154380.9288151.4700421.00162170.2717820.915160.7509460.6682370.3790380.6860751.0585760.7892710.8510670.80559391.0637050.3413971.0435051.0675411.027358100.5641210.2177480.7368110.4828380.878122110.3140580.356610.110280.6601730.296628120.4358230.593150.0831480.9702070.782054130.5015830.7723060.5023270.7664940.647517140.2844650.3008340.1823680.3075140.650854150.2359340.0946310.0513890.1260330.17728160.3989590.2932230.1307230.3720760.427288170.4244510.5050050.2630.5233190.446048180.4583630.5407730.2326420.4924520.261007190.4569190.2214360.0336830.1401790.307473200.4460590.355020.2940020.1979430.135436210.8682740.6256850.2067861.1649870.963372220.8345791.3243650.7750481.9536691.411269230.4032060.6072390.4911271.0287861.024163240.2802250.2928260.3020210.5281110.631015250.3417580.2738460.4233430.7139290.660584260.3084620.3776460.2340130.4308490.377989270.3803150.0909870.2555490.5380020.345346280.3136840.257940.2598550.5351640.174778290.3511240.2870370.4337940.5403330.445141300.2283740.0541590.3776450.1071610.121265310.3466380.0564420.5569440.1889230.296768
表二:
ABCDE五个城市综合评价矩阵
同时,利用附件中给出的4个月(2004.9至2004,12)的数据,经计算可得ABCDF六个城市的空气质量评价指标,得到矩阵54()ijX?
,结果如下。
ABCDF10.9162591.2027821.145531.2300840.37873621.6666941.6645661.7000761.6942190.532731.5131272.1338451.463162.5792710.24092441.1251781.7016271.7520492.3861440.509968
表三:
ABCDF五个城市综合评价矩阵
6.1.4综合评价结果排序方法
根据上表和表中的数据,根据其大小(即反映空气质量的高低程度)进行排序,数值越大,说明其空气质量越差。
编写C语言程序,对其进行排序。
排序结果见附录一。
利用决策分析中的Borda函数方法来确定综合排序方法,记在第j个排序方案中排在第i个城市iS后面的站点个数为()jiBS,则城市iS的Borda函数为
1()()(1,25)nijijBSBSi?
?
?
?
经计算,各城市Borda数及总排名如下
标准文档
实用文案ABCDE的Borda
数为:
ABCDF的Borda
数为:
6.1.5评价结果及排序
ABCDE的空气质量排名为:
CABED
ABCDF的空气质量的排名为:
FABCD
6.1.6模型的验证
鉴于API数值有一定的实际应用价值,故应用其对综合评估模型进行验证。
通过对各个城市每月的API进行计算,运用相同的C语言程序对其进行排名结果见附件一。
运用Borda算法,对多个序列进行排序,最后排出城市总体空气质量排名,对模型进行验证
得出结论为:
ABCDE五个城市API的Borda
数为:
ABCDE五个城市的空气质量排名为:
CBAED
ABCDF五个城市的API的Borda数为:
标准文档
实用文案
ABCDF五个城市四个月的空气质量排名为:
FABDC
权重排列与API排列只有一个次序的不同,观察Borda数可发现,次序不同的两个城市Borda数字基本相同,故可说,模型合理,权重得出的排序结论有一定参考意义。
6.2问题2
F城市所给数据时间与需预测时间相距甚远,若强行预测出趋势变化,没有实际参考意义,故在对F城市进行预测时,只做定性的说明。
随机选取气温为例建立ARIMA模型,其余各城市参数即气象参数yingyon可求的。
模型的建立与求解依靠SPSS软件。
6.2.1模型的建立与检测(对除F以外的数据预测适用)
考虑数据的连贯性,选取2010.1.20日至2010.9.14日数据进行时间序列分
析,应用SPSS软件作出时序图,进行时间序列的验证,如下:
图二:
气温时序图
气温的自相关系数图和偏自相关系数图见附件二
标准文档
实用文案由气温时序图明显可知该序列具有上升趋势,为消掉上升趋势,作差分处理。
图示为作一阶差分后所得序列图,观察可知该序列比较平稳。
图三:
一阶差分之后的气温时序图
为进一步验证平稳性,考察差分后序列自相关图。
图四:
一阶差分后气温时序残差自相关系数图
标准文档
实用文案自相关图显示序列有很强的短期相关性,所以可以初步认为一阶差分后序列平稳。
考虑ARIMA(p,d,q)模型,并以最小标准化BIC为指标,应用SPSS软件可构造出ARIMA(0,1,2)模型,即12
(1)
(1)ttBXBB?
?
?
?
?
?
?
这就是说tX是1阶齐次非平稳序列,一次差分后适合MA
(2)模型。
ARIMA模型参数a
估计
SE
t
Sig.
TREND(tem)-模型_1
TREND(tem)
无转换差分MA
滞后1滞后
1.360
.061
5.884
.000
运用SPSS求出参数如表:
2
.271
.061
4.438
.000
表四:
ARIMA模型参数
t检验合格。
均方误差3.867?
?
,绝对误差为2.907,2.749BIC?
,复相关系数20.913R?
从结果来看,1?
,2?
都通过了显著性检验,数值拟合的误差比较小,进一步考察拟合误差得到的自相关系数及偏自相关系数图可知它们不在具有相关性,说明该模型是合理的。
图五:
拟合误差自相关系数及偏自相关系数图
最后得到的模型为2(10.3600.271)ttXBBZ?
?
?
?
,其中2~(0.3.867)tZWN
该模型可进一步化简为:
1120.3600.271tttttXXZZZ?
?
?
?
?
?
?
其中2~(0.3.867)tZWN
标准文档
实用文案我们对2010年数据进行预测,部分抽样结果如下表:
真实值-3.73-13.4-12-12.1-7.33-11.1-10.3-3.56-6.5-8.81预测值-3.73-11.5-9.5-11.2-7.83-11.1-9.62-5.84-8.06真实值-7.09-6.29-4.73-7.92-9.77-9.87-6.52-6.02-2.061.25预测值-8.36-7.3-7.01-5.8-7.87-8.5-8.84-6.91-7.01-4.01真实值-4.540.631.7171.136.19610.856.7615.8042.371.761预测值-8.15-5.9-2.66-1.7-1.132.8695.9694.1315.0012.769真实值-6.83-8.98-4.2-7.27-13.8-8.770.1252.3131.1093.326预测值1.872-4.95-5.03-3.29-6.17-10-6.94-2.65-1.46-1.23真实值13.741.542-1.25-0.154.0216.45812.7220.8618.5615.15预测值8.4211.343.2993.1952.3364.4375.2729.58814.8313.95真实值18.7119.517.6419.6520.9623.1316.6116.2516.0219.05预测值18.0618.9719.1317.9919.5319.9821.6317.3918.1217.07真实值18.2820.0621.52预测值19.45718.34319.93720.51420.12620.24620.36620.48620.60620.726tem观察值与预测指表表五:
2010年气温预测抽样表
绘制原始数据及预测数据图,虚线右边中间数据为预测数据,虚线右边上面数据
为95%的置信上限,下面数据为95%的置信下限。
图六:
ARIMA模型拟合与观察数据数据时序图
6.2.2模型的求解
我们用该模型对2010年9月15日至2010年9月21日七天tem作出预测,
预测
模型
239
240
241
242
243
244
245
tem-模型_1
预测UCLLCL
20.51427.96913.059
20.12628.96511.287
20.24629.39311.099
20.36629.81210.920
20.48630.22110.750
20.60630.62210.589
20.72631.01510.436
结果如表:
标准文档
实用文案
表六:
七天温度预测
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 关于 大气污染 问题 数学 建模 论文 设计