AtmosphericPollutionResearch2(2011)436Ͳ444

ForecastingofairqualityinDelhiusingprincipalcomponent regressiontechnique

AnikenderKumar,PramilaGoyal

CentreforAtmosphericSciences,IndianInstituteofTechnologyDelhi,HauzKhas,NewDelhiͲ110016India

1.Introduction

Withcontinuousdevelopmentandincreaseofpopulationin theurbanareas,aseriesofproblemsrelatedtoenvironmentsuch asdeforestation,releaseoftoxicmaterials,solidwastedisposals, air pollution and many more, have attracted attention much greaterthaneverbefore.Theproblemofairpollutionincitieshas becomesoseverethatthereisaneedfortimelyinformationabout changes in thepollution level. Today forecasting of air quality is oneofthemajortopicsofairpollutionstudiesduetothehealth effectscausedbytheseairbornepollutantsinurbanareasduring pollution episodes. Therefore, the development of effective forecastingmodelsofAQIformajorairpollutantsinurbanareasis ofprimeimportance.Withthisendinview,thereisaneedtohave a model that would generate the future AQI. Although many forecastingmodelsexistandsomeareinuse,thereisstillneedfor developingmoreaccuratemodels.TheGaussiandispersionmodels aregenerallyusedinmostoftheairpollutionstudies.Eventhough themodelshavesomephysicalbasis,detailedinformationabout thesourceofthepollutantsandothervariablesaregenerallynot known.Inordertoovercometheselimitations,statisticalmodels are used, which facilitate the prediction of pollutant concen– trations(FinziandTebaldi,1982;Ziomassetal.,1995;Polydoraset al.,1998).

Numerousstudiesbasedonthestatisticalmodelshavebeen carried out in different regions to identify local meteorological conditions, most strongly associated with air pollutant concen– trations, and to forecast their values (McCollister and Willson, 1975;AronandAron,1978;Lin,1982;Aron,1984;Katsoulis,1988; RobesonandSteyn,1990).Manyofthepreviousstudies(Sanchez et. al., 1990; Mantis et al., 1992; Milionis and Davies, 1994) analyzed the meteorological conditions associated with high pollutant concentrations. These studies usually produced qualitative or semi–quantitative results and shed a light on the relation between the meteorological conditions and pollutant concentrations. Shi and Harrison (1997) developed a regression modelforthepredictionofNO_xandNO₂inLondon.Somenon– linearmodelsi.e.,ArtificialNeuralNetworkscanalsobeusedto forecastthepollutantconcentrations(Boznaretal.,1993;Comrie, 1997).

Asforthehealthimpactofairpollutants,AQIisanimportant indicatorforgeneralpublictounderstandeasilyhowbadorgood theairqualityisfortheirhealthandtoassistindatainterpretation for decision making processes related to pollution mitigation measures and environmental management. Basically, the AQI is defined as an index or rating scale for reporting daily combined effectofambientairpollutantsrecordedinthemonitoringsites. Recently,VandenElshoutetal.(2008)gaveareviewofexistingair quality indices and a proposal of a common alternative. Fuzzy inferencesystemshavealsousedinmodelingofairqualityindices by Hajek and Olej (2009). A regression model was also used by Cogliani(2001)forairpollutionforecastincitiesbyanairpollution index highly correlated with meteorological variables. However, whenmulticollinearityispresent,thecomputationsofregression coefficients in regression models become dubious. Princi

剩余内容已隐藏，支付完成后下载完整资料

大气污染研究 2 (2011) 436 Ͳ436

Ddelhiusing原则组分回归技术中的气量预测

AnikenderKumar, PramilaGoyal

NewDelhiͲ110016India,, 德里土著技术研究所, 大气科学中心

1. 简介

在城市地区不断发展和增加人口, 如森林砍伐、释放有毒物质、固体废物处理、空气污染等环境问题, 引起了广泛的关注比以前更大。关于空气污染水平变化的信息已经成为国际环境污染问题的一个重要问题。今天, 空气质量预测是由空气中的环境预测到的。因此, 发展有效的预测模型, 重要的是进行了预测。在这种视角下, 就有了一个能产生未来空气质量指数的模型。虽然存在许多预测模型, 也有一些应用, 但仍有必要开发更多的精度模型。在空气污染研究中, 高斯扩散模型是一个再生的模型。尽管是在数学计算的基础上, 但有关污染物的详细资料, 这些资源是不知道的。采用了污染模型的划分、统计模型, 便于对污染物的预测--trations(FinziandTebaldi,1982;Ziomassetl., 1995年;Polydoraset., 1998年).

在不同地区进行了统计模型的研究, 以确定当地的气象条件, 其中最强烈的是与空气污染物的形成有关, 并预测其数值 (McCollister 和 Wilson, 1975年;Aronandaron17, 1978;林元, 1982年;Aron,1984; 1984;Kk茨 soulis18, 1988;Ro50onandsteyn10. 1990)。多项前研究报告 (Sanchez 等人, 1990年;Mantis 等人, 1992年;Milionis 和 Davies, 1994年) 分析了与高污染物浓度相关的气象条件。这些研究通常产生定性或半定量结果, 并揭示气象条件与污染物浓度之间的关系。史和哈里森 (1997) 在伦敦开发了一个预测 No_{x 和}no₂的回归模型. ssmenon–l林松模型. e., Artiicialneuralnetworksanalsouseusedto预测花粉浓度 (boznaretal,1993年;Comrie, 1997).

对污染物的健康影响, 空气碱的含量指标, 对与减轻污染有关的决策过程进行健康和辅助的良好的卫生质量措施和环境管理。基本上, 空气质量指数被定义为每天报告联合效应的指数或评级表。最近, 范登埃尔舒特塔尔。(2008)gaveareviewofexistingair 质量指数和共同备选方案的建议。Hajek 和 Olej 的气质量指数模型 (2009年)。Cogliani(2001)forairpollutionforecastincitiesbyanairpollution 指数与气象变量高度相关, 也采用了回归模型。然而, 当多共线性存在时, 回归模型中的归一化软化系数就变得值得怀疑。主成分分析 (PCA) 具有上述局限性。PCA 也是减少变量数量的过程。变量 (可能是变量), 并相信有其他变量。桑切泽 al.(1986)usedtheprincipalcomponentfactoranalysisforstudying 城市地区 so 2 的时间分布。PCR 技术也被用来预测印度西南季风溢流的远距离预报 (Rajeevanet, 2005)。本文采用主成分回归技术进行了研究。

对 dailyairality 的研究进展情况。

1.1.Descriptionandmeteorologyofstudyarea

TheDelhicity(Latitude28°35N,Longitude77°12E)islocated 在拉贾斯坦邦的大印度沙漠 (塔尔沙漠) 之间, 南边是中部炎热的平原, 北部和东部是较冷的丘陵地区。德希哈萨塞米--夏季, 平均降雨量和非常寒冷的冬季。由于最糟糕的气象情况, 德里最重要的季节是冬季, 2月至2月开始. 这一季节主要是寒冷、干燥和地面--基靠低风条件的倒角 (ud1m–1⁾), 经常发生并增加 theconcentrationofpollutants(Anfossietal.,1990)。Thesummer (3月、4月、5月) 受高温和大风影响, 而季风 (6月、7月、8月) 则以降雨为主, 季风后 (9月、10月、11月)

中温和风的条件。

德里, 印度的首都, 有 1, 380万居民, 分布在1482公里²(avnejaetl..., 2001年)。大量工业的存在和人们从邻国的迁移, 近540万车辆在德里的道路上。从资源的排放中恶化了环境的质量。由于这些人群的影响, 这种人群的数量也相应地增加了。目前, 德里有超过1300个污染物。在污染物日益增加的情况下, 德里因呼吸和心脏不适而接受了40例急诊医院。由 Central未烷污染控制委员会 (CPCB) 监测的德里环境空气质量数据显示了悬浮粒子的高价值, SO₂和 no_{x 已}连续的许可 (Goyalandsidhartha1, 2003)。与1998年12月相比, 1999年12月 AIIMS)reportsthattherewasamassive900%increaseinasthma 病例。BrandonandHommann(1995),byusingthestandardUSmetric 的研究估计, 在德里, 7490 例死亡可以避免在下午10减少141.6 微克的 m–3.每10个孩子中就有一个, 患有哮喘的孩子

空气污染。

本研究的目的。在同一地点的空气污染物浓度监测和监测中心, 选择了 abusiestrado 进行预测。每日空气质量参数 (每日平均污染物浓度), 即 RSPM、SO₂、no₂和 Spmuseden, 由 cpcb、法规监测和结论。车站按土地用途分类 (CPCB, 2005年), 即住宅、工业和交通交叉口。在这项研究中, 用亚----指数和断点---------------------------------------------------------------------------------------------------..... 的报告。每日空气质量通过前一天的空气质量和气象变量.

Safdarjung 机场的平均表面气象变量 24–hourly, 如日最高温度 (t_最大值)、最低温度 (t_min)、日温度 (每日最大值和日最大值之间的差异)。最低温度、t_范围、平均温度 (t_avg)、风速 (wsp)、风力方向指数 (wsp)、相对湿度 (rh)、蒸汽压力 (vp)、站级压力 (slp)、降雨量 (rh)、星期日时数 (ssh)、从2000-2006年的 Punefortheperiod, 从 Indian气象 Ology (imd) 获得了德里的云盖 (cc)、能见度 (v) 和辐射 (rd)。ITO 没有气象站。从研究区 (ITO) 到 Iitotitiisth-thisting-msingoutw。图1显示了空气污染监测 (ITO) 和气象

(Safdarjungnent) 驻 Mapofar但的车站。

2. 材料方法

其中主要的两步信息含量: 首先是各污染物子指数的形成, 其次是子指数的聚集 (断点)。利用空气质量的不可估量的方法, 对沙冒虫的危害进行了断点 concenͲ分析了特定污染物对健康产生不利影响的风险。据了解, 不同的断点不同的空气质量标准沙维本报告文献 (环境保护署, 1999年)。在印度, 为了反映空气质量和有效的人类健康状况, therangeofindexsexsexs到'良好 (0–100)'、'中等 (101–200)'、'Poor(201–300)','VeryPoor(301–400)'and'Severe(401–500)'

(表 1)(Nahendraetl., 2007年)。

所有 So2, no2, rspdspspareinmu;gm–3.

Theformula(EPA,1999)usedtocalculateAQIforfourcriteria 污染物 RSPM、SO₂、no 2 和 spm 在2000-2006年给出如下:

ordf; ordm;

I laquo;laquo;、bpihihi ibplolo-raquo; cp bplo lo ( 1)

其中 i p 是污染物 'p' 的空气质量指数, c_{p 是}污染物 'p' 的实际环境浓度, bp_{hi 是}断点表.是小于或等于 c 的断点表 1_p, 我_{你好, 你在说}是与 Bp 相对应的子指数值_{你好, 你在说}, 而且, 我_罗对 Bp 的相应的估计_罗.

在 inwhichsubͲindex 污染物的研究基础上, 在污染物的基础上进行了测定, 并对美国环保局的主要空气质量进行了测定。

2.1. 多重线性回归和主成分

回归模型

确定结果的罪犯。多线性回归 (MLR) 技术包括相互依赖的变量, 并预测了两个激素独立变量。一般的乘法 regressioncanbeexpressedasinEquation(2):

Y = b₁ b_{2 x 2} ... bk x k e (2)