《表8 PM2.5浓度回归预报模型》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《天津市东丽区主要大气污染物浓度时空变化特征及气象影响要素分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：“*”表示相关性通过α=0.05的显著性水平检验。

使用多元逐步回归方法，将自变量逐个引入回归方程中，每引入一个自变量后都要进行F检验，并对已经选入的自变量逐个进行显著性水平为0.05的T检验，当原来引入的自变量由于后面自变量的引入变得不再显著时，则将其剔除，以确保每次引入新的自变量之前回归方程中只包含显著的自变量。根据2.2节中污染物浓度和气象要素相关关系，选择2016年1月1日～2018年12月31日剔除缺测值和异常值风速、最高气温、相对湿度、日照时数以及前一日污染物浓度作为自变量，除开发区污染物浓度和气象要素无法建立回归方程外，其他街道的回归模型各项自变量的回归系数都通过了显著性检验（显著性水平α=0.05）（Y预测浓度，C前一天浓度，WS风速，RH相对湿度，TMAX日最高温度，SS日照时数）。通过计算各个回归方程的复相关系数（R2），可知回归因子可解释PM2.5日变化的45%左右，标准误差均在30～40，回归因子可解释PM10变化的35%左右，标准误差均在50～60。可看出，PM2.5的回归模型较PM10的拟合程度更好。使用方差分析检验所拟合的各个回归模型是否具有统计学意义，结果显示F检验显著性均小于0.05，因此获得的回归模型均具有一定预测价值（表8、表9）。对比PM2.5、PM10拟合值和实际浓度，可以看到基于逐步回归方法得到的预报模型针对实际污染浓度变化的趋势预报效果较好，但对浓度数值的预报偏低，尤其是污染较严重时，模型常常低估极值。这主要是由于较严重的污染时常由外源性污染物输入造成。