【空氣質量影響因素的實證探究的國內外文獻綜述4600字】

空氣質量影響因素的實證研究的國內外文獻綜述目錄TOC\o"1-2"\h\u26201空氣質量影響因素的實證研究的國內外文獻綜述 1109241.1空氣質量影響因素研究現(xiàn)狀 112564（1）自然因素 18489（2）社會經濟因素 23759（3）綜合因素 2301421.2空氣質量預測模型研究現(xiàn)狀 314049（1）模型優(yōu)化 316627（2）模型組合 4268741.3文獻評述 51.1空氣質量影響因素研究現(xiàn)狀對于空氣質量影響因素的研究，國內外大多專家學者主要從自然影響因素、社會經濟影響因素或把兩因素相結合入手，分析空氣質量與各影響因素之間的相互聯(lián)系，為環(huán)保政策的制定提出積極可行的建議。（1）自然因素SotirisVardoulakis和PavlosKassomenos（2006）分析了雅典和伯明翰相關數(shù)據(jù)。發(fā)現(xiàn)在寒冷季節(jié)，PM10與NO、CO、太陽輻射之間顯示正相關，與O3、風速、降水之間存在負相關關系。郭利等（2011）經過分析發(fā)現(xiàn)：大氣污染物PM10和相對濕度、地面風速、氣溫、大氣壓等氣象因素之間有較強的關聯(lián)關系，并且季節(jié)趨勢較為明顯。周兆媛等（2014）利用相關和主成分分析法闡述了北京、石家莊等三地的大氣質量與氣象的相關關系。氣壓、降水量、溫度等與AQI存在十分緊密的相關關系。XingWang等（2018）根據(jù)地理和季節(jié)氣候特征，研究了許昌市AQI的時空分布特征。發(fā)現(xiàn)空氣質量指數(shù)冬季最高，夏季最低；南北有一定的差異。單蕓（2020）利用鹽城市五年的氣象、AQI相關數(shù)據(jù)，以大氣質量與氣象因素的季節(jié)變化作為研究重點，研究各個氣象指標對鹽城市空氣質量的影響機制。張春紅（2020）對國控點和自建點的空氣質量數(shù)據(jù)進行分析，結果表明空氣質量受眾多因素共同影響，其中氣溫與相對濕度對其影響較為明顯。（2）社會經濟因素空氣污染是片面追求發(fā)展的不良產物。董志龍和何慧根等（2009）運用典型相關分析對蘭州空氣質量的諸多因素進行分析。發(fā)現(xiàn)其受到機動車數(shù)量、GDP增長率等相關因素的影響。章異平和徐軍亮等（2012）運用灰色關聯(lián)分析對影響洛陽市大氣質量的眾多因素進行一系列研究，發(fā)現(xiàn)煙塵排放量、機動車擁有量、人均綠化面積等為其主要影響因素。XiangTaoAi（2014）依據(jù)灰色關聯(lián)理論，發(fā)現(xiàn)影響北京市空氣質量的因素從大到小依次為：能耗量，人口數(shù)量，GDP，科技投入，環(huán)保投入。LijianHan等（2014）使用城市建成區(qū)面積、人口和第二產業(yè)占GDP比重來衡量城市化水平，研究表明三個指標與PM2.5呈正向關系。李經路（2017）利用PCA、多元非線性方法進行了分析，在各個因素中，人均GDP與空氣質量成倒"N"型曲線關系，第三產業(yè)占比值和天然氣占能源的消費比值與空氣質量負相關。姜磊等（2018）采用基于衰減效應的矩陣指數(shù)空間模型對空氣質量的社會經濟影響因素進行了相關分析，找出人口密度、區(qū)域經濟發(fā)展水平與空氣質量是負相關的。王超，王國慶等（2019）運用GRA研究邯鄲經濟指標與空氣質量的關聯(lián)程度，工業(yè)增加值與SO2關聯(lián)程度最高，能耗與PM2.5和PM10關聯(lián)程度最高。柏玲等（2019）選取人均GDP、FDI、PM2.5、SO2等7個變量進行研究。人口密度、PM2.5、SO2濃度等的增加會造成污染加劇，F(xiàn)DI和綠化覆蓋率能使得空氣質量上升。李慧等（2021）研究發(fā)現(xiàn)減排政策、產業(yè)結構、能耗消耗以及地理位置是影響2013-2019年京津冀及周邊地區(qū)"2+26"城市空氣質量變化的重要因素。研究顯示,隨著大氣污染防治減排措施實施的力度逐漸加大,政策影響是空氣質量持續(xù)改善的最重要手段。（3）綜合因素李莉娜，潘本鋒等（2017）發(fā)現(xiàn)空氣質量與第一產業(yè)比重是負相關；與之相反，其與各個空氣污染物的單位面積排放量、單位能耗等是正相關；降水量等氣象因素對其空氣質量造成影響。劉昕，辛存林（2019）通過對陜甘寧2015-2017年空氣質量數(shù)據(jù)的相關性分析，發(fā)現(xiàn)其空氣質量與溫度、降雨量和大氣壓之間的關聯(lián)系數(shù)較大；地形的起伏度級別與空氣質量變化方向相反。AQI受工業(yè)企業(yè)數(shù)的影響最大。LiHuajiao等（2019）從全球和局部兩個角度利用全球和局部回歸模型探討了影響我國AQI的主要因素。全球范圍來看，產業(yè)結構和民用車輛數(shù)量對AQI的減少一負面作用，但降水的影響是相反的；從局部來看，不同因素對AQI的影響存在空間差異。陳優(yōu)良，李亞倩（2020）利用ESDA技術和空間回歸模型探究了胡煥庸線兩側主要城市的AQI的綜合影響因素。其影響因素在空間上表現(xiàn)為顯著集聚效應，綠化覆蓋率對其影響程度最高，其后依次為相對濕度、日照時數(shù)、人口密度等。在空間差異和模擬影響程度方面，GWR模型性能優(yōu)于OLS模型。ZiyunJing等（2020）采用地理探測器方法，定量分析了人為前兆（AP）和氣象因子對中國城市PM2.5濃度的影響。結果表明，氣象因素與AP對污染物PM2.5的影響存在時空上的差異。闡明了驅動因子在PM2.5形成中的相對重要性，為了解氣象和人為因素對PM2.5濃度分布的影響提供了理論基礎。XiaodanHan等（2020）為探討影響因子在不同空氣質量水平上的異質性。采用空間分位數(shù)回歸模型，同時考慮AQI的空間自相關。結果表明，風速、地形坡度、城市化蔓延和空間自相關對AQI的異質性影響較大，而降水、溫度、相對濕度、地形起伏和城市化強度對AQI的異質性影響不明顯。對大氣污染防治政策措施的差異化提供了指導。1.2空氣質量預測模型研究現(xiàn)狀過去，我國對空氣污染的關注度不夠，污染治理方面不夠嚴格。因此，在研究空氣質量預測方面與國外相對比較為落后，但自從智能優(yōu)化算法在空氣質量預測方面得以應用，國內相關方面的研究已經取得了很高的成就。當前對空氣質量預測方法就主要集中在模型優(yōu)化或模型組合這兩方面。（1）模型優(yōu)化李俊飛（2015）利用小波將數(shù)據(jù)分解為低頻、高頻子序列，然后將各個子序列與氣象數(shù)據(jù)相結合，并利用SVM模型進行相關預測，最終得到合成的預測結果，此預測方法的最終效果較為良好。倪志偉，朱旭輝等（2016）對離散型人工魚群算法進行優(yōu)化，再利用分形維數(shù)，將它們融合到支持向量機模型中去，此空氣質量預測方法具有很高的可靠性。ZhongshanYang和JianWang（2017）利用基于互補集成的經驗模式分解、改進布谷鳥搜索及差分進化算法來對Elman神經網絡進行相關優(yōu)化，其預測準確度有了大幅度的提升。仝玉婷（2017）提出PSO-LSSVR模型，并與SVM、ANN等比較。結果顯示，PSO-LSSVR的預測準確率更高。BinxuZhai和ChenJianguo（2018）通過遺傳算法優(yōu)化LASSO、Adaboost等單個模型，并通過SVR進行集成，用于北京PM2.5預測。張楠，王鵬（2018）針對GWO算法的缺點，對其全局優(yōu)化能力進行改善，并且用于對SVR參數(shù)的尋優(yōu)，實現(xiàn)MGWO-SVR預測模型的創(chuàng)建。李光明，王軍等（2019）引入改進慣性權重的粒子群優(yōu)化算法來改進遺傳算法，并用于支持向量機模型來進行相關預測。俆喬王，胡紅萍等（2019）使用思維進化算法對支持向量機進行改進，建立了MEA-SVM模型，并且將其應用于太原的空氣質量指數(shù)預測。該優(yōu)化模型在預測速度方面有了一定的提升。YuChunLin等（2020）將訓練數(shù)據(jù)劃分為模糊聚類，提取了模糊規(guī)則，并構建四層模糊神經網絡。然后將遺傳、粒子群優(yōu)化用于訓練網絡。程蓉和錢雪忠（2020）為克服支持向量機和人工神經網絡等模型在預測方面可能存在的一系列問題，使用改進后的隨機森林算法對空氣質量進行預測分析。WangJianzhou等（2021）提出了一個基于特征選擇和改進的進化區(qū)間2型量子模糊神經網絡（eIT2QFNN）的智能混合空氣質量預測系統(tǒng)，通過考慮氣候影響變量的重要性來實現(xiàn)AQI預測，實結果表明，該系統(tǒng)具有建模精度高、結構緊湊等優(yōu)點，可作為空氣質量管理的有效工具。 （2）模型組合PanLin等（2011）為研究天津空氣質量變化趨勢及主要影響因素，采取灰色動態(tài)模型組合灰色關聯(lián)分析法。DongjunLiu（2015）根據(jù)熵權重法對自回歸綜合移動平均模型、人工神經網絡模型和指數(shù)平滑方法的權重結合的綜合預測模型，與單一模型比較，綜合模型平衡了各預測方法的偏差。SulingZhu等（2018）提出了CEEMD-PSOGSA-SVR-GRNN混合模型來對空氣質量進行預測，其預測準確度更高。鄭洋洋和白艷萍（2019）提出了一種基于時間序列和支持向量回歸機的組合預測模型。其預測性能好，穩(wěn)定性高。QunliWu和HuaxingLin（2019）基于VMD、SE和LSTM的空氣質量預測，提出一種混合預測模型，以提高預測準確性。YuexiongDing等（2019）針對現(xiàn)有方法沒有考慮監(jiān)測站之間的空間關系，或忽略相關性的強度，提出CFST-LSTM模型。甘露情，劉媛華（2020）選取北京的空氣質量及氣象數(shù)據(jù)作為研究的對象，建立基于BP神經網絡和SVR的BP-SVR組合預測模型。該組合模型有很高的預測準確度，其泛化性能更強。楊濤鋒，彭藝（2020）針對單一預測模型誤差較大的情況，提出了ARIMA-SVM組合預測方法。研究結果表明:改進后的組合模型在空氣質量預測方面具有良好的預測準確度。JingyangWang等（2020）用CT測定空氣質量的影響因素，提出了一種將卡方檢驗（CT）和長短期記憶（LSTM）網絡模型相結合建立預測模型的CT-LSTM方法。與SVR、MLP、BP神經網絡、Simple-RNN相比較，該方法的精度達到93.7%，是五種方法中精度最高。陳岑，田曉丹等（2020）鑒于傳統(tǒng)預測方法存在的預測時間長和預測不準確的問題，因此提出了IG-LSTM組合預測模型，該模型具有更低的預測誤差和損失值。1.3文獻評述通過對于以往空氣質量研究的梳理與總結，可以發(fā)現(xiàn)國內外學者關于空氣質量相關問題的研究具有如下的特點:（1）關于大氣質量影響因素問題的研究，國內外相關研究大致是從自然因素、社會經濟因素或兩者綜合角度進行考慮。自然因素大致包含了平均風速、氣溫差、相對濕度等；社會經濟因素包含了機動車輛總數(shù)、第二產業(yè)占比、GDP、科技投入、綠化覆蓋率等；在影響因素分析時，主要使用多元回歸分析、主成分分析、相關分析法。（2）對于空氣質量預測模型的研究，國內外學者大致從模型算法優(yōu)化或組合模型這兩方面入手。主要利用模擬退火算法、粒子群算法等智能優(yōu)化算法來對神經網絡模型或者支持向量機等進行優(yōu)化；結合各預測模型自身的優(yōu)缺點進行優(yōu)化組合，以提高模型預測的準確度。綜合以上評述，本文從影響因素和模型預測這兩方面入手，利用灰色關聯(lián)分析和多元回歸分別分析不同類型的影響因素與空氣質量的關系。運用鯨魚優(yōu)化算法對BP神經網絡進行空氣質量等級分類預測，并和其他模型進行比較。最后，使用自回歸XGBoost時序預測模型對首要污染物濃度進行預測。參考文獻SotirisVardoulakis,PavlosKassomenos.SourcesandfactorsaffectingPM10levelsintwoEuropeancities:Implicationsforlocalairqualitymanagement[J].AtmosphericEnvironment,2006,42(17):3949-3963.郭利,張艷昆,劉樹華等.北京地區(qū)PM10質量濃度與邊界層氣象要素相關性分析[J].北京大學學報(自然科學版),2011,47(04):607-612.周兆媛,張時煌,高慶先等.京津冀地區(qū)氣象要素對空氣質量的影響及未來變化趨勢分析[J].資源科學,2014,36(01):191-199.XingWang,ZilinWang,MinGuo,etal.ResearchonAirQualityEvaluationbasedonPrincipalComponentAnalysis[J].IOPConferenceSeries:EarthandEnvironmentalScience,2018,108(4):042030-042030.單蕓.氣象因素對鹽城市環(huán)境空氣質量的影響探析[J].科技創(chuàng)新導報,2020,17(15):145+148.張春紅.基于空氣質量數(shù)據(jù)誤差及影響因素的數(shù)據(jù)處理分析探討[J].科學咨詢(科技·管理),2020(10):121-122.董志龍,何慧根,于濤等.蘭州大氣環(huán)境質量影響因素相關分析[J].干旱區(qū)資源與環(huán)境,2009,23(12):49-53.章異平,徐軍亮,趙西平等.基于灰色關聯(lián)的洛陽市空氣質量影響因素分析[J].河南科技大學學報(自然科學版),2012,33(01):100-104+10.XiangTaoAi.AnalysisonFactorsAffectingtheAirQualityinBeijingCityBasedonGreyRelationTheory[J].AdvancedMaterialsResearch,2014,3248:1583-1586.LijianHan,WeiqiZhou,WeifengLi,etal.Impactofurbanizationlevelonurbanairquality:acaseoffineparticles(PM2.5)nChinesecities[J].EnvironmentalPollution,2014,194:163-170.李經路,曾天.北京空氣質量影響因素的主成分分析——來自于2000-2011年的經驗數(shù)據(jù)[J].生態(tài)經濟,2017,33(01):167-171+189.姜磊.論LM檢驗的無效性與空間計量模型的選擇——以中國空氣質量指數(shù)社會經濟影響因素為例[J].財經理論研究,2018(05):37-50.王超,王國慶,吳利豐等.基于灰色關聯(lián)分析的邯鄲市空氣質量影響因素研究—以經濟社會指標為視角[J].數(shù)學的實踐與認識,2019,49(17):151-155.柏玲,姜磊,周海峰等.長江經濟帶空氣質量指數(shù)時空異質性及社會經濟影響因素分析[J].水土保持研究,2019,26(02)：312-319.李慧,王淑蘭,張文杰等.京津冀及周邊地區(qū)“2+26”城市空氣質量特征及其影響因素[J].環(huán)境科學研究,2021,34(01):172-184.李莉娜,潘本鋒,王帥等.基于環(huán)境庫茲涅茨曲線的中國城市環(huán)境空氣質量主要影響因素[J].中國環(huán)境監(jiān)測,2017,33(05):109-115.劉昕,辛存林.陜甘寧地區(qū)城市空氣質量特征及影響因素分析[J].環(huán)境科學研究,2019,32(12):2065-20