pm10浓度的时空变化

荷兰在1993年至1994年的pm10浓度的变化由**用描述性统计学，主成分分析和卡尔曼滤波法分析得出来。pm10浓度的空间变化是很微小的，但是pm10浓度每年以10%-20%的速度提高，在有公交和工厂以及农业化源点的地方。实际上pm10浓度全年在20到50微克每立方米变化。在某些场景下，pm10浓度可以增长到平均量的4到5倍。

本论文的目的是分析和描述荷兰的pm10浓度的时空变化。

能在大气中长期漂浮的悬浮物质称为飘尘。其粒径主要是小于10微米的微粒。由于飘尘粒径小，能被人直接吸入呼吸道造成危害；又由于它能在大气中长期漂浮，易将污染物带到很远的地方，导致污染范围扩大，同时在大气中还可为化学反应提供反应床。因此，飘尘是从事环境科学工作者所注目的研究对象之一.

explaining variabe

 kf的应用当成多元线性回归方法的一个扩展。

PM10 concentrations were measured by an automatic b-particle monitor-type。

pm10浓度和气象参数的空间变化利用描述性统计学和主成分分析方法进行分析；

pm10浓度的时间变化利用多元线性回归和卡尔曼滤波进行分析；

多元线性回归用来描述和分析pm10和气象变量如风力，温度和降水量的关系。

科尔曼滤波器是一个结构化时间序列模型。原先是卡尔曼发明出来用于工业过程控制的。但由于它对于未知参数的估计的良好统计特性

，已经被用于很多领域。比如经济学。

结构化时间序列模型的有点在于时间序列的成分如走势，周期信号，解释性变量的影响都可以被附加地建模。还可以被单独地研究。

 另外，这个模型中的参数允许随时间变化。这就意味着在这个回归模型中，加权因子可能是随时间相关的。

卡尔曼滤波器在时间序列中的应用在Visser
(1994)的两篇文章中都有提到，他还提到了再环境研究中的应用的很多例子。

卡尔曼滤波器有一个预测修正结构，它拥有一个迭代模式来最小化平方单步预测误差之和。

在我们的应用中滤波器利用预测出来的Y(t/t-1)来计算ai(t/t-1)的最小均方线性估计量.

测量结果：

1、pm10浓度在10到150微克每立方米变化。

2、1993年夏天pm10的浓度比1994年的低。

3、两个年份的夏天在背景站相差5单位，在大街上相差大约10单位。

4、1993年的夏天经常刮风，带来比较干净的空气，而且还偶尔下雨；1994年的夏天比较干燥；

在下一张中将谈到气候学的影响

总结如下：

1、时序浓度大部分是地狱50；

2、只有在极个别环境条件下，才有特别高的浓度被观测到。都是在冬天，环境状况是：a,从动到东南的风；b，低温；c,干燥；最高的浓度出现在冬天

3、夏天的浓度会提升但是没有冬天那么极端，一般都是地狱100；如果出现以下几种情况如高温或者是干燥，浓度就会比正常的高；

气象参数的空间分析：

5、时间序列分析和卡尔曼滤波

5.1、多元线性回归和卡尔曼滤波的变量的选择

温度，降水量和降水日历，风力和风速这些变量之间的关系很微弱，所以把他们当成第一个子集。

降水量和降水日历有很强的关系。因为降水日历跟不易于变化，降水量不予考虑，降水日历也呗包括近子集，另外，温度也被加入到子集里。

。。。最后子集里包括：风向，温度，降水日历

5.2、多元线性回归

多元线性回归考虑了不只一个变量。包括：风向，温度，降水历时

In this approach, we try to explain a part of the variance addressed by the"rst principal component

南北梯度和当地源点的影响未考虑；

我们限制在日浓度变化上大规模气象模式的影响。

5.3、卡尔曼滤波的结果

5.4、时变解释性变量

5.5、降水日历

5.6、变量对于正常和特殊状况下pm10水平的作用