工業(yè)園區(qū)污染廢氣的動(dòng)態(tài)關(guān)聯(lián)分析方法

朱 濤， 王曉凱， 衛(wèi)曉旭， 凌德森

(山西大學(xué) 物理電子工程學(xué)院， 山西 太原 030006)

0 引 言

隨著改革開放推動(dòng)國(guó)民經(jīng)濟(jì)的發(fā)展， 工業(yè)園區(qū)逐漸建立起來(lái)， 它推動(dòng)著國(guó)家工業(yè)和制造業(yè)的發(fā)展， 國(guó)家GDP的60%都是由各級(jí)各類園區(qū)占據(jù)[1]. 盡管工業(yè)園區(qū)給國(guó)家的經(jīng)濟(jì)帶來(lái)大幅度的推動(dòng)， 但是在環(huán)境污染方面卻出現(xiàn)了很多問(wèn)題. 2019 年， 全國(guó)337個(gè)地級(jí)及以上城市中， 仍有180個(gè)城市環(huán)境空氣質(zhì)量超標(biāo)[2]， 全國(guó)環(huán)境污染問(wèn)題仍然嚴(yán)重. 如何快速地監(jiān)測(cè)和追蹤廢氣污染源頭是目前環(huán)境治理的重中之重.

工業(yè)園區(qū)內(nèi)企業(yè)眾多， 地形復(fù)雜， 再加上天氣、 風(fēng)向、 季節(jié)、 壓強(qiáng)等眾多影響廢氣濃度分布的因素， 尋找污染因素的工作不好開展. 目前， 國(guó)內(nèi)外對(duì)于環(huán)境污染治理采用的代表性方法是氣體擴(kuò)散模型和關(guān)聯(lián)分析方法. 氣體擴(kuò)散模型是一種以概率模型為基礎(chǔ)， 模擬氣體擴(kuò)散的模型， 以高斯煙羽模型[3]和高斯煙團(tuán)模型[4]為主要代表. 張成才等[5]利用高斯擴(kuò)散模型建立廢氣污染擴(kuò)散預(yù)測(cè)系統(tǒng)， 模擬工業(yè)廢氣污染對(duì)周邊空氣質(zhì)量的影響. 李萬(wàn)莉[6]通過(guò)建立改進(jìn)的高斯煙羽模型， 在天然氣泄漏時(shí)預(yù)測(cè)天然氣的濃度分布有很好的效果. 擴(kuò)散模型主要通過(guò)污染源信息得到污染物的擴(kuò)散和分布， 然而在前向分析情況下， 由于假設(shè)的參數(shù)過(guò)量， 高斯模型很難反演計(jì)算， 當(dāng)設(shè)置的參數(shù)不準(zhǔn)確時(shí)， 反向模型會(huì)輸出不同的推理結(jié)果. 所以， 在變量影響的推斷和源頭追蹤方面， 擴(kuò)散模型存在很大的不足.

現(xiàn)代工業(yè)園區(qū)廢氣擴(kuò)散過(guò)程中會(huì)涉及到氣體之間的相互作用以及氣體與外界之間的相互作用， 這導(dǎo)致工業(yè)園區(qū)周邊環(huán)境的每一種物質(zhì)會(huì)因?yàn)橐欢ǖ南嗷プ饔枚?lián)系在一起[7 ]， 所以廢氣污染物關(guān)聯(lián)分析方法是確定污染因素、 推理污染源頭的有效方法. 目前， 關(guān)聯(lián)分析屢見不鮮， 主成分分析法、 灰度關(guān)聯(lián)分析法、 斯皮爾曼相關(guān)系數(shù)(Spearman)、 最大信息系數(shù)(Maximal Information Coefficient, MIC)等在各行各業(yè)都有廣泛應(yīng)用. Qiao Z等[8]利用偏相關(guān)和層次聚類分析方法， 首次在全國(guó)范圍內(nèi)探討了空氣污染指數(shù)(API)與多個(gè)氣象參數(shù)之間的關(guān)系, 提出了空氣質(zhì)量對(duì)氣象條件敏感性的時(shí)空變化見解. Spearman相關(guān)系數(shù)和最大信息系數(shù)[9]都是度量?jī)蓚€(gè)變量之間的統(tǒng)計(jì)學(xué)關(guān)聯(lián)系數(shù)， 均可用于線性和非線性數(shù)據(jù)； 范秋香[10]采用Spearman相關(guān)系數(shù)， 分析了臨沂市經(jīng)濟(jì)技術(shù)開發(fā)區(qū)4年內(nèi)污染排放量的濃度分布變化， 得出O3濃度呈現(xiàn)顯著上升趨勢(shì)， 污染顆粒物PM10， PM2. 5和大氣主要污染物SO2的年均值呈顯著的下降趨勢(shì)； 朱青等[11]通過(guò)最大信息系數(shù)等分析2014年鄱陽(yáng)湖生態(tài)環(huán)境質(zhì)量空間分布特征， 得出影響原始遙感生態(tài)指數(shù)(RSEI0)的關(guān)鍵影響因素， 為湖區(qū)環(huán)境污染治理提供了關(guān)鍵信息.

由于影響空氣污染的不確定因素很多， 需要進(jìn)行全面的關(guān)聯(lián)分析， 相關(guān)分析方法層出不窮， 選用合適的相關(guān)分析方法作為本文的關(guān)聯(lián)方法非常重要. 傳統(tǒng)的關(guān)聯(lián)分析只能看出廢氣污染物與影響因素之間的長(zhǎng)期關(guān)聯(lián)度， 無(wú)法從時(shí)間維度上分析廢氣污染物與其影響因素的時(shí)序特征， 并且效率差， 分析效果不佳. 關(guān)聯(lián)分析不僅要做到分析準(zhǔn)確， 還要做到高效率. 為了解決此問(wèn)題， 本文重點(diǎn)對(duì)動(dòng)態(tài)分析進(jìn)行研究， 為了做到動(dòng)態(tài)分析， 本文提出含自適應(yīng)滑窗的動(dòng)態(tài)分析方法， 配合Spearman相關(guān)系數(shù)和最大信息系數(shù)加權(quán)來(lái)分析廢氣污染物與各個(gè)影響因素之間的動(dòng)態(tài)關(guān)聯(lián)度.

1 動(dòng)態(tài)關(guān)聯(lián)分析總體框架

目前， 在國(guó)家環(huán)境治理的大力監(jiān)督管理下， 各城市已經(jīng)形成了網(wǎng)格化的監(jiān)測(cè)系統(tǒng)， 像工業(yè)園區(qū)這種工業(yè)廢氣主要排放區(qū)內(nèi)通常安裝有不同位置的工業(yè)廢氣濃度傳感器， 組成了工業(yè)污染監(jiān)測(cè)站點(diǎn)， 環(huán)保部門通過(guò)各個(gè)站點(diǎn)采集數(shù)據(jù)， 監(jiān)測(cè)著工業(yè)園區(qū)的環(huán)境質(zhì)量. 本文通過(guò)分析某站點(diǎn)的數(shù)據(jù)， 采用動(dòng)態(tài)關(guān)聯(lián)分析方法來(lái)分析與異常污染物關(guān)聯(lián)度高的其他污染物. 圖 1 為動(dòng)態(tài)關(guān)聯(lián)分析方法總框架， 主要分為3個(gè)步驟： 數(shù)據(jù)獲取、 動(dòng)態(tài)關(guān)聯(lián)分析和篩選異常指標(biāo)和時(shí)刻.

圖 1 動(dòng)態(tài)關(guān)聯(lián)分析方法總體框架Fig.1 The general framework of dynamic correlationanalysis method

當(dāng)某監(jiān)測(cè)站某污染物濃度異常(工業(yè)主要廢氣污染物濃度數(shù)據(jù)超標(biāo)或者即將超標(biāo))， 獲取該污染物歷史濃度數(shù)據(jù)， 一般獲取一個(gè)月內(nèi)的歷史數(shù)據(jù)， 并獲取該站點(diǎn)其他污染物歷史濃度數(shù)據(jù)； 利用含滑窗的動(dòng)態(tài)關(guān)聯(lián)分析方法計(jì)算目標(biāo)污染物與該站點(diǎn)其他污染物之間的關(guān)聯(lián)度， 該關(guān)聯(lián)度為動(dòng)態(tài)指標(biāo)， 具有時(shí)序性； 通過(guò)對(duì)關(guān)聯(lián)度的分析， 獲取與該站點(diǎn)異常污染物具有高關(guān)聯(lián)性的一種或幾種廢氣污染物及其時(shí)刻； 根據(jù)分析結(jié)果對(duì)工業(yè)園區(qū)進(jìn)行針對(duì)性的監(jiān)督和管理.

2 動(dòng)態(tài)關(guān)聯(lián)分析方法

2.1 含變異系數(shù)的動(dòng)態(tài)滑窗設(shè)計(jì)

變異系數(shù)是衡量數(shù)據(jù)離散大小的統(tǒng)計(jì)量， 它的計(jì)算方法是標(biāo)準(zhǔn)差和平均值的比值， 它可以消除量綱帶來(lái)的影響[12]. 以變異系數(shù)為基礎(chǔ)， 可以計(jì)算一段時(shí)序數(shù)據(jù)的變異系數(shù)變化率， 從而反應(yīng)該段數(shù)據(jù)的波動(dòng)情況， 通過(guò)設(shè)置合理的閾值來(lái)判斷該段數(shù)據(jù)的波動(dòng)范圍， 并以反饋的形式來(lái)調(diào)整需要關(guān)聯(lián)分析的數(shù)據(jù)長(zhǎng)度.

在分析每段時(shí)間序列的關(guān)聯(lián)性時(shí)， 為了加快算法效率但不丟失關(guān)鍵特征， 需要考慮數(shù)據(jù)的波動(dòng)情況， 采用自適應(yīng)滑窗的方法來(lái)處理數(shù)據(jù)， 當(dāng)數(shù)據(jù)波動(dòng)過(guò)于平穩(wěn)時(shí)， 自適應(yīng)滑窗將加長(zhǎng)截取窗口的長(zhǎng)度， 擴(kuò)大關(guān)聯(lián)分析的范圍； 當(dāng)數(shù)據(jù)波動(dòng)過(guò)于劇烈時(shí)， 自適應(yīng)滑窗將縮短截取窗口的長(zhǎng)度， 減小關(guān)聯(lián)分析的范圍， 提高瞬時(shí)特性辨識(shí)度. 在此思路下， 提出基于變異系數(shù)的自適應(yīng)滑窗確定方法， 具體包括以下步驟：

Step 1： 根據(jù)設(shè)置的初始窗長(zhǎng)L0截取數(shù)據(jù)段， 并求取截取的數(shù)據(jù)段的變異系數(shù)C

(1)

式中：σ0是該段數(shù)據(jù)的標(biāo)準(zhǔn)差；m0是該段數(shù)據(jù)的平均值.

Step 2： 將該數(shù)據(jù)段再分成s段， 每段長(zhǎng)度為L(zhǎng)0/s；

Step 3： 求取每小段的變異系數(shù)Ci

(2)

式中：σi是第i小段數(shù)據(jù)的標(biāo)準(zhǔn)差；mi是第i小段數(shù)據(jù)的平均值.

Step 4： 求取該數(shù)據(jù)段的變異系數(shù)變化率

(3)

Step5： 滑窗長(zhǎng)度調(diào)整比例

(4)

且

(5)

式中：kmax，kmin為穩(wěn)定性判別閾值；L為更新后的窗口長(zhǎng)度.

2.2 Spearman相關(guān)系數(shù)和最大信息系數(shù)

Spearman相關(guān)系數(shù)和最大信息系數(shù)都是度量?jī)蓚€(gè)變量之間的統(tǒng)計(jì)學(xué)關(guān)聯(lián)系數(shù)， 均可用于線性和非線性數(shù)據(jù). 而且兩者計(jì)算復(fù)雜度低， 魯棒性高， 對(duì)于樣本的數(shù)量沒(méi)有過(guò)多的要求， 均可以處理小樣本數(shù)據(jù)， 更適用于污染廢氣動(dòng)態(tài)關(guān)聯(lián)分析方法.

2.2.1 Spearman相關(guān)系數(shù)

Spearman相關(guān)系數(shù)可以用來(lái)量度兩個(gè)波形的相關(guān)程度， 取值在-1和1之間. 若兩個(gè)波形在一定范圍內(nèi)呈正相關(guān)， 存在高度的相似性， 則取值為正值， 絕對(duì)值越高， 關(guān)聯(lián)度越高； 若兩個(gè)波形在一定范圍內(nèi)呈負(fù)相關(guān)， 波形存在相反的趨勢(shì)， 則取值為負(fù)值， 絕對(duì)值越高， 負(fù)相反的程度越高. Spearman相關(guān)系數(shù)具體思想為：

將時(shí)序數(shù)據(jù)x和y分別按照升序或者降序來(lái)排列數(shù)據(jù)， 將數(shù)據(jù)x和y內(nèi)的每個(gè)元素在排列中的位置記作該元素的秩次， 從而得到數(shù)據(jù)x和y的秩次數(shù)列r和e， 將數(shù)列r和數(shù)列e內(nèi)每個(gè)元素對(duì)應(yīng)相減得到秩次差數(shù)列d={d1，d2，…，dn}， 再將其帶入斯皮爾曼相關(guān)系數(shù)公式[13]

(6)

式中：n為數(shù)據(jù)樣本量；ρ為斯皮爾曼相關(guān)系數(shù)；i為第i個(gè)樣本.

2.2.2 最大信息系數(shù)

最大信息系數(shù)也可以用來(lái)反應(yīng)兩個(gè)波形之間的關(guān)聯(lián)程度， 以互信息為基礎(chǔ)， 采用網(wǎng)格劃分的方法， 相較于互信息而言有更高的準(zhǔn)確度， 具有普適性、 公平性和對(duì)稱性. 其計(jì)算過(guò)程如下：

對(duì)于給定的數(shù)據(jù)集D={(Xi,Yi),i= 1,2,…,n}， 在直角坐標(biāo)系中， 如果將X軸劃分為f個(gè)格子，Y軸劃分為g個(gè)格子， 可以得到一個(gè)f×g的網(wǎng)絡(luò)劃分G， 將落入G的點(diǎn)的數(shù)量占數(shù)據(jù)集D數(shù)量的比值看作是其概率密度D|G， 而根據(jù)不同的網(wǎng)格劃分情況得到的概率分布D|G.變量X和Y的最大互信息為[14]

(7)

式中：D是給定的數(shù)據(jù)集；f,g是對(duì)這個(gè)數(shù)據(jù)集的某種劃分?jǐn)?shù)量；p(X,Y)是聯(lián)合概率密度；p(X) 和p(Y)是邊緣概率密度.

相同f×g的網(wǎng)絡(luò)劃分有很多種劃分方式， 會(huì)得到不同大小的互信息值， 記錄不同劃分情況下最大的互信息值為MI(D,X,Y).之后再進(jìn)行歸一化， 使其取值在[0,1]之間

(8)

取不同網(wǎng)格劃分下的最大的歸一化后的互信息值作為最大信息系數(shù)的值. 假設(shè)樣本數(shù)量為n， 最大信息系數(shù)的定義為

(9)

式中：fg

2.2.3 Spearman相關(guān)系數(shù)和MIC加權(quán)

Spearman相關(guān)系數(shù)和最大信息系數(shù)可以衡量數(shù)據(jù)變量之間的線性關(guān)系和非線性關(guān)系， 但是最大信息系數(shù)只能表現(xiàn)出兩變量的某種函數(shù)關(guān)聯(lián)度， 無(wú)法表征出負(fù)相關(guān)的程度， 而Spearman相關(guān)系數(shù)具備這一點(diǎn)， 但是Spearman相關(guān)系數(shù)的魯棒性沒(méi)有最大信息系數(shù)的高. 所以鑒于兩種系數(shù)的優(yōu)點(diǎn)， 采用Spearman相關(guān)系數(shù)和最大信息系數(shù)加權(quán)的方式作為相關(guān)方法： 當(dāng)Spearman相關(guān)系數(shù)和最大信息系數(shù)都為正值時(shí)， 取兩者的平均值； 當(dāng)Spearman相關(guān)系數(shù)為負(fù)值時(shí)， 取兩者的絕對(duì)值的平均值， 然后均值再加負(fù)號(hào).

2.3 動(dòng)態(tài)關(guān)聯(lián)分析算法

動(dòng)態(tài)關(guān)聯(lián)分析方法是一種能對(duì)時(shí)序數(shù)據(jù)在時(shí)間維度上進(jìn)行動(dòng)態(tài)關(guān)聯(lián)分析的算法， 依靠含變異系數(shù)的動(dòng)態(tài)滑窗設(shè)計(jì)， 根據(jù)數(shù)據(jù)的波動(dòng)情況， 實(shí)時(shí)調(diào)整窗口的長(zhǎng)度， 配合Spearman相關(guān)系數(shù)和最大信息系數(shù)的加權(quán)相關(guān)法， 將研究對(duì)象的長(zhǎng)期關(guān)聯(lián)度切割成若干個(gè)瞬時(shí)關(guān)聯(lián)度， 反應(yīng)出數(shù)據(jù)的動(dòng)態(tài)特性， 工業(yè)園區(qū)污染廢氣動(dòng)態(tài)關(guān)聯(lián)分析算法流程如圖 2 所示. 大致流程如下：

Step 1： 獲取異常污染物濃度數(shù)據(jù)和其他污染物濃度數(shù)據(jù).

圖 2 工業(yè)園區(qū)污染廢氣動(dòng)態(tài)關(guān)聯(lián)分析算法流程Fig.2 Dynamic correlation analysis algorithm flow ofindustrial park pollution exhaust gas

Step 2： 截取T時(shí)刻及以前一定長(zhǎng)度L0異常污染物歷史數(shù)據(jù)，L0為初期調(diào)研實(shí)驗(yàn)后得出的最佳值.

Step3： 通過(guò)變異系數(shù)及其變化率判斷數(shù)據(jù)是否穩(wěn)定， 具體判斷規(guī)則如2.1節(jié)所示，kmax，kmin為初期調(diào)研實(shí)驗(yàn)后得出的最佳值.

Step 4： 如果數(shù)據(jù)穩(wěn)定， 使用Spearman相關(guān)系數(shù)和MIC加權(quán)相關(guān)方法進(jìn)行關(guān)聯(lián)分析； 若數(shù)據(jù)不穩(wěn)定， 則通過(guò)調(diào)整規(guī)則調(diào)整滑窗長(zhǎng)度， 然后再進(jìn)行關(guān)聯(lián)分析.

Step 5： 判斷所有數(shù)據(jù)是否全部完成動(dòng)態(tài)關(guān)聯(lián)分析， 沒(méi)有的話， 截取T+1時(shí)刻重復(fù)step 2到step 4的步驟.

Step 6： 如果數(shù)據(jù)已全部完成動(dòng)態(tài)關(guān)聯(lián)分析， 輸出動(dòng)態(tài)關(guān)聯(lián)結(jié)果.

3 實(shí)驗(yàn)及結(jié)果

3.1 實(shí)驗(yàn)數(shù)據(jù)及實(shí)驗(yàn)設(shè)置

以某工業(yè)園區(qū)CO濃度數(shù)據(jù)作為本文的主要研究對(duì)象， 以2017年4月到6月的數(shù)據(jù)(時(shí)均值)作為實(shí)驗(yàn)數(shù)據(jù)， 其中包括SO2, NO2, CO, O3、 溫度、 濕度等指標(biāo)(因?yàn)槭纠龜?shù)據(jù)是非化工園區(qū)采集的數(shù)據(jù)， 所以污染物主要以碳硫化物、 氮氧化物為主). 本文共設(shè)置3組實(shí)驗(yàn)， 實(shí)驗(yàn)1： 取2017年5月和6月的CO數(shù)據(jù)進(jìn)行含變異系數(shù)的自適應(yīng)滑窗實(shí)驗(yàn)， 數(shù)據(jù)長(zhǎng)度為660 h， 觀察數(shù)據(jù)波動(dòng)情況與窗長(zhǎng)的變化. 實(shí)驗(yàn)2： 取2017年6月的CO數(shù)據(jù)分別與NO2和SO2數(shù)據(jù)進(jìn)行含滑窗的動(dòng)態(tài)關(guān)聯(lián)實(shí)驗(yàn)， 數(shù)據(jù)長(zhǎng)度為 660 h， 用不同的相關(guān)方法(皮爾遜相關(guān)系數(shù)(Pearson)、 Spearman相關(guān)系數(shù)、 最大信息系數(shù)、 肯德爾系數(shù)(Kendall)、 本文中的加權(quán)相關(guān)方法)進(jìn)行比較. 實(shí)驗(yàn)3： 以2017年4月的CO數(shù)據(jù)為研究對(duì)象， NO2, SO2為關(guān)聯(lián)對(duì)象進(jìn)行本文中的動(dòng)態(tài)關(guān)聯(lián)分析實(shí)驗(yàn)， 數(shù)據(jù)長(zhǎng)度為660 h(時(shí)間尺度約為1個(gè)月)， 初始窗長(zhǎng)L0均設(shè)置為48 h，kmax設(shè)置為0.45，kmin設(shè)置為0.2，s設(shè)置為 8 h.

3.2 實(shí)驗(yàn)1

取2017年5月和6月的CO數(shù)據(jù)進(jìn)行含變異系數(shù)的動(dòng)態(tài)滑窗實(shí)驗(yàn)， 觀察數(shù)據(jù)波動(dòng)情況與窗長(zhǎng)的變化. 2017年5月的CO數(shù)據(jù)定義為數(shù)據(jù)1， 2017年6月的CO數(shù)據(jù)定義為數(shù)據(jù)2.

圖 3 為數(shù)據(jù)1數(shù)據(jù)波動(dòng)情況和窗口長(zhǎng)度變化情況， 圖 4 為數(shù)據(jù)2數(shù)據(jù)波動(dòng)情況和窗口長(zhǎng)度變化情況.

圖 3 窗口變化情況(數(shù)據(jù)1)

圖 4 窗口變化情況(數(shù)據(jù)2)Fig.4 Window changes (data 2)

圖 3(a)和圖4(a)為CO數(shù)據(jù)原圖， 圖3(b)和圖4(b)為2.1節(jié)介紹的滑動(dòng)窗口調(diào)整比例k值的變化， 圖3(c)和圖4(c)為更新后窗口長(zhǎng)度的變化. 由圖可知在數(shù)據(jù)波動(dòng)較大的區(qū)域， 窗口可以及時(shí)地變小， 在數(shù)據(jù)相對(duì)平穩(wěn)的區(qū)域， 窗口可以適當(dāng)?shù)淖兇? 數(shù)據(jù)1相較于數(shù)據(jù)2比較平穩(wěn)， 數(shù)據(jù)2中CO濃度最高峰值達(dá)到3 mg/m3， 相應(yīng)的數(shù)據(jù)1的窗口長(zhǎng)度加長(zhǎng)的時(shí)刻比較多， 數(shù)據(jù)2的窗口長(zhǎng)度縮短的時(shí)刻比較多.

3.3 實(shí)驗(yàn)2

取2017年6月的CO濃度數(shù)據(jù)分別與NO2和SO2濃度數(shù)據(jù)進(jìn)行含滑窗的動(dòng)態(tài)關(guān)聯(lián)實(shí)驗(yàn)， 為了方便觀察只截取前100 h， 用不同的相關(guān)方法(Pearson系數(shù)、 Spearman相關(guān)系數(shù)、 MIC、 Kendall系數(shù)、 本文中的加權(quán)相關(guān)方法(Spearman-MIC))進(jìn)行比較. 圖 5 為CO濃度與NO2濃度的動(dòng)態(tài)關(guān)聯(lián)分析， 圖 6 為CO濃度與SO2濃度的動(dòng)態(tài)關(guān)聯(lián)分析， 從圖中可以看出Pearson系數(shù)忽高忽低， Kendall系數(shù)普遍偏低， 本文中的Spearman相關(guān)系數(shù)和MIC加權(quán)的相關(guān)方法始終處于中間的位置， 更能準(zhǔn)確地表征兩變量的關(guān)聯(lián)特征.

圖 5 CO-NO2關(guān)聯(lián)度Fig.5 CO-NO2 correlation degree

圖 6 CO-SO2關(guān)聯(lián)度Fig.6 CO-SO2 correlation degree

3.4 實(shí)驗(yàn)3

以2017年4月的CO數(shù)據(jù)為研究對(duì)象， NO2, SO2為關(guān)聯(lián)對(duì)象進(jìn)行本文中的動(dòng)態(tài)關(guān)聯(lián)分析實(shí)驗(yàn). 圖 7、 圖 9 分別展示了CO與NO2, SO2的動(dòng)態(tài)關(guān)聯(lián)分析結(jié)果. 并且展示了CO與這兩種不同污染物的長(zhǎng)期靜態(tài)關(guān)聯(lián)度. 兩個(gè)不同的指標(biāo)都有較為突出的高關(guān)聯(lián)時(shí)間段， 說(shuō)明此時(shí)此刻該指標(biāo)對(duì)于CO濃度有著較大的影響. 圖7中大約有7個(gè)以上峰值超過(guò)0.8， 觀測(cè)點(diǎn)550往后有著較高的關(guān)聯(lián)度， 說(shuō)明這些時(shí)刻CO和NO2關(guān)系密切， 在圖9中大部分的區(qū)域都在長(zhǎng)期關(guān)聯(lián)度以上， 說(shuō)明CO濃度和SO2有著很大的關(guān)系. 圖 8、 圖10分別展示了高關(guān)聯(lián)度時(shí)間段內(nèi)， CO與NO2, SO2的波形變化圖(因不同污染物數(shù)據(jù)量綱不同， 為了方便觀察故作歸一化處理). 通過(guò)波形圖可以看出， 當(dāng)NO2濃度和SO2濃度升高后， CO濃度也隨之升高. 根據(jù)這些信息進(jìn)行污染的專項(xiàng)防治， 為CO濃度異常提供了關(guān)鍵信息.

圖 7 CO與NO2動(dòng)態(tài)關(guān)聯(lián)度Fig.7 Dynamic correlation degree between CO and NO2

圖 8 CO與NO2高關(guān)聯(lián)度區(qū)間波形變化Fig.8 Variation of high correlation interval waveformbetween CO and NO2

圖 9 CO與SO2動(dòng)態(tài)關(guān)聯(lián)度Fig.9 Dynamic correlation degree between CO and SO2

圖 10 CO與SO2高關(guān)聯(lián)度區(qū)間波形變化Fig.10 Variation of high correlation interval waveformbetween CO and SO

4 結(jié)束語(yǔ)

針對(duì)工業(yè)園區(qū)廢氣污染治理問(wèn)題， 本文基于變異系數(shù)的動(dòng)態(tài)滑窗提出了一種動(dòng)態(tài)關(guān)聯(lián)分析方法. 該方法使用變異系數(shù)及其變化率判斷數(shù)據(jù)段波動(dòng)性自適應(yīng)地調(diào)整窗口大小， 借助Spearman相關(guān)系數(shù)和最大信息系數(shù)加權(quán)來(lái)反映關(guān)聯(lián)特征， 最后使用某工業(yè)園區(qū)的實(shí)際監(jiān)測(cè)數(shù)據(jù)中的CO濃度與其他污染氣體濃度進(jìn)行動(dòng)態(tài)關(guān)聯(lián)分析實(shí)驗(yàn). 結(jié)果表明， 該方法可以有效提取數(shù)據(jù)的動(dòng)態(tài)關(guān)聯(lián)特性， 能夠很好地反應(yīng)出CO濃度異常的其他影響因子和時(shí)間信息， 為工業(yè)園區(qū)廢氣污染溯源提供了重要的參考信息. 文中選用的CO氣體類型是示例， 也可以用于其他氣體以及其他影響因素的計(jì)算. 未來(lái)可以分析多站點(diǎn)之間動(dòng)態(tài)關(guān)聯(lián)度， 在空間維度上將多個(gè)站點(diǎn)聯(lián)系起來(lái)， 提取數(shù)據(jù)的時(shí)空特征, 推理污染路線.