【空氣質(zhì)量影響因素的實證探究的國內(nèi)外文獻綜述4600字】

空氣質(zhì)量影響因素的實證研究的國內(nèi)外文獻綜述目錄TOC\o"1-2"\h\u26201空氣質(zhì)量影響因素的實證研究的國內(nèi)外文獻綜述 1109241.1空氣質(zhì)量影響因素研究現(xiàn)狀 112564（1）自然因素 18489（2）社會經(jīng)濟因素 23759（3）綜合因素 2301421.2空氣質(zhì)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(zhì)量影響因素研究現(xiàn)狀對于空氣質(zhì)量影響因素的研究，國內(nèi)外大多專家學者主要從自然影響因素、社會經(jīng)濟影響因素或把兩因素相結(jié)合入手，分析空氣質(zhì)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(guān)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(guān)，與O3、風速、降水之間存在負相關(guān)關(guān)系。郭利等（2011）經(jīng)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(guān)聯(lián)關(guān)系，并且季節(jié)趨勢較為明顯。周兆媛等（2014）利用相關(guān)和主成分分析法闡述了北京、石家莊等三地的大氣質(zhì)量與氣象的相關(guān)關(guān)系。氣壓、降水量、溫度等與AQI存在十分緊密的相關(guān)關(guān)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(zhì)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(guān)數(shù)據(jù)，以大氣質(zhì)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(zhì)量的影響機制。張春紅（2020）對國控點和自建點的空氣質(zhì)量數(shù)據(jù)進行分析，結(jié)果表明空氣質(zhì)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(jīng)濟因素空氣污染是片面追求發(fā)展的不良產(chǎn)物。董志龍和何慧根等（2009）運用典型相關(guān)分析對蘭州空氣質(zhì)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(guān)因素的影響。章異平和徐軍亮等（2012）運用灰色關(guān)聯(lián)分析對影響洛陽市大氣質(zhì)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(guān)聯(lián)理論，發(fā)現(xiàn)影響北京市空氣質(zhì)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(chǎn)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(guān)系。李經(jīng)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(zhì)量成倒"N"型曲線關(guān)系，第三產(chǎn)業(yè)占比值和天然氣占能源的消費比值與空氣質(zhì)量負相關(guān)。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(zhì)量的社會經(jīng)濟影響因素進行了相關(guān)分析，找出人口密度、區(qū)域經(jīng)濟發(fā)展水平與空氣質(zhì)量是負相關(guān)的。王超，王國慶等（2019）運用GRA研究邯鄲經(jīng)濟指標與空氣質(zhì)量的關(guān)聯(lián)程度，工業(yè)增加值與SO2關(guān)聯(lián)程度最高，能耗與PM2.5和PM10關(guān)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(zhì)量上升。李慧等（2021）研究發(fā)現(xiàn)減排政策、產(chǎn)業(yè)結(jié)構(gòu)、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(zhì)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(zhì)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(zhì)量與第一產(chǎn)業(yè)比重是負相關(guān)；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(guān)；降水量等氣象因素對其空氣質(zhì)量造成影響。劉昕，辛存林（2019）通過對陜甘寧2015-2017年空氣質(zhì)量數(shù)據(jù)的相關(guān)性分析，發(fā)現(xiàn)其空氣質(zhì)量與溫度、降雨量和大氣壓之間的關(guān)聯(lián)系數(shù)較大；地形的起伏度級別與空氣質(zhì)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(chǎn)業(yè)結(jié)構(gòu)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(shù)和空間回歸模型探究了胡煥庸線兩側(cè)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(jié)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(qū)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(chǔ)。XiaodanHan等（2020）為探討影響因子在不同空氣質(zhì)量水平上的異質(zhì)性。采用空間分位數(shù)回歸模型，同時考慮AQI的空間自相關(guān)。結(jié)果表明，風速、地形坡度、城市化蔓延和空間自相關(guān)對AQI的異質(zhì)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(zhì)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(zhì)量預測模型研究現(xiàn)狀過去，我國對空氣污染的關(guān)注度不夠，污染治理方面不夠嚴格。因此，在研究空氣質(zhì)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(zhì)量預測方面得以應用，國內(nèi)相關(guān)方面的研究已經(jīng)取得了很高的成就。當前對空氣質(zhì)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(jié)合，并利用SVM模型進行相關(guān)預測，最終得到合成的預測結(jié)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?nèi)诤系街С窒蛄繖C模型中去，此空氣質(zhì)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(jīng)驗模式分解、改進布谷鳥搜索及差分進化算法來對Elman神經(jīng)網(wǎng)絡進行相關(guān)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(jié)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(quán)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(guān)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(zhì)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(gòu)建四層模糊神經(jīng)網(wǎng)絡。然后將遺傳、粒子群優(yōu)化用于訓練網(wǎng)絡。程蓉和錢雪忠（2020）為克服支持向量機和人工神經(jīng)網(wǎng)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(zhì)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(jīng)網(wǎng)絡（eIT2QFNN）的智能混合空氣質(zhì)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(jié)果表明，該系統(tǒng)具有建模精度高、結(jié)構(gòu)緊湊等優(yōu)點，可作為空氣質(zhì)量管理的有效工具。 （2）模型組合PanLin等（2011）為研究天津空氣質(zhì)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(guān)聯(lián)分析法。DongjunLiu（2015）根據(jù)熵權(quán)重法對自回歸綜合移動平均模型、人工神經(jīng)網(wǎng)絡模型和指數(shù)平滑方法的權(quán)重結(jié)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(zhì)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(zhì)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(guān)系，或忽略相關(guān)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(zhì)量及氣象數(shù)據(jù)作為研究的對象，建立基于BP神經(jīng)網(wǎng)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(jié)果表明:改進后的組合模型在空氣質(zhì)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(zhì)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(wǎng)絡模型相結(jié)合建立預測模型的CT-LSTM方法。與SVR、MLP、BP神經(jīng)網(wǎng)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(zhì)量研究的梳理與總結(jié)，可以發(fā)現(xiàn)國內(nèi)外學者關(guān)于空氣質(zhì)量相關(guān)問題的研究具有如下的特點:（1）關(guān)于大氣質(zhì)量影響因素問題的研究，國內(nèi)外相關(guān)研究大致是從自然因素、社會經(jīng)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(jīng)濟因素包含了機動車輛總數(shù)、第二產(chǎn)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(guān)分析法。（2）對于空氣質(zhì)量預測模型的研究，國內(nèi)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(jīng)網(wǎng)絡模型或者支持向量機等進行優(yōu)化；結(jié)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(guān)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(zhì)量的關(guān)系。運用鯨魚優(yōu)化算法對BP神經(jīng)網(wǎng)絡進行空氣質(zhì)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(zhì)量濃度與邊界層氣象要素相關(guān)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(zhì)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(zhì)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(zhì)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(zhì)量影響因素相關(guān)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(guān)聯(lián)的洛陽市空氣質(zhì)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(jīng)路,曾天.北京空氣質(zhì)量影響因素的主成分分析——來自于2000-2011年的經(jīng)驗數(shù)據(jù)[J].生態(tài)經(jīng)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(zhì)量指數(shù)社會經(jīng)濟影響因素為例[J].財經(jīng)理論研究,2018(05):37-50.王超,王國慶,吳利豐等.基于灰色關(guān)聯(lián)分析的邯鄲市空氣質(zhì)量影響因素研究—以經(jīng)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(jīng)濟帶空氣質(zhì)量指數(shù)時空異質(zhì)性及社會經(jīng)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(zhì)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(zhì)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(zhì)量特征及影響因素分析[J].環(huán)境科學研究,2019,32(12):2065-20