安徽省PM2.5时空分布特征及关键影响因素识别研究

被引：24

作者：

张海霞 ^{[1
,2
]}

程先富 ^{[1
,2
]}

陈冉慧 ^{[1
,2
]}

机构：

[1] 安徽师范大学地理与旅游学院

[2] 安徽自然灾害过程-防控研究省级实验室

来源：

环境科学学报 | 2018年 / 38卷 / 03期

关键词：

PM2.5; BP神经网络; DEMATEL模型; 驱动因素; 特征因素;

D O I：

10.13671/j.hjkxxb.2017.0486

中图分类号：

X513 [粒状污染物];

学科分类号：

0706 ; 070602 ;

摘要：

基于2015年安徽省67个空气质量监测子站的PM2.5浓度数据,分析PM2.5的时空分布特征;运用BP神经网络改进DEMATEL模型,探讨影响PM2.5浓度的关键因素及因子间的关联性.结果表明:（1）2015年安徽省PM2.5平均浓度为52.03μg·m-3,总体呈现秋冬高、春夏低的季节性规律;PM2.5浓度日变化总体呈双峰分布,冬季PM2.5浓度昼夜变化剧烈,全年、春季和秋季变化趋势大致相同,夏季相对平缓;（2）安徽省PM2.5浓度整体上由东向西、由中部向南北两侧呈递减趋势,浓度值由高到低依次为:江淮丘陵、长江中下游平原、淮北平原和皖南山区;（3）指标体系中,人口城镇化率、年平均气温、单位GDP电耗、工业废气治理设施数等4个指标因子属于强驱动因素,对PM2.5浓度降低起着根本性推动作用;（4）年降水总量、房屋施工面积、O3浓度等3个指标因子属于强特征因素,是降低PM2.5浓度最直接的因素.结论表明,运用BP-DEMATEL模型能有效识别关键影响因素,有助于为PM2.5综合治理提供参考.

引用

页码：1080 / 1089

页数：10

共 29 条

[1] 北京地区PM2.5浓度与气象要素的相关分析 [J].