Influence and prediction of PM2.5 through multiple environmental variables in China

归一化差异植被指数 中国 环境科学 构造盆地 空间分布 主成分分析 自然地理学 共同空间格局 空气污染 风速 污染 气候学 分布(数学) 地理 气象学 气候变化 地质学 统计 生态学 遥感 数学 数学分析 生物 古生物学 海洋学 考古
作者
Haoyu Jin,Xiaohong Chen,Ruida Zhong,Moyang Liu
出处
期刊:Science of The Total Environment [Elsevier]
卷期号:849: 157910-157910 被引量:44
标识
DOI:10.1016/j.scitotenv.2022.157910
摘要

Fine particulate matter (PM2.5) is an important indicator to measure the degree of air pollution. With the pursuit of sustainable development of China's economy and society, air pollution has been paid more and more attention. The spatial distribution of PM2.5 is affected by multiple factors. In this study, we selected Normalized Difference Vegetation Index (NDVI), precipitation, temperature, wind speed and elevation data to analyze the impact of each variable on PM2.5 in different regions of China. The results show that the high-value areas of PM2.5 were mainly concentrated in the North China Plain, the middle and lower reaches of the Yangtze River Plain, the Sichuan Basin, and the Tarim Basin. PM2.5 showed an upward trend in North China, Northeast China and Northwest China, while in most of South China, especially the Sichuan Basin, PM2.5 showed a downward trend. Therefore, the northern region of China needs to take measures to curb the growth of PM2.5. In Northwest China, wind speed and temperature had a greater impact on PM2.5. In North China, wind speed had a greater impact on PM2.5. In southern China, temperature and NDVI had a greater impact on PM2.5. The deep learning model can better simulate the spatial distribution of PM2.5 based on the selected variables. The clustering effect of single variable is better than multivariate spatial information clustering based on principal component analysis (PCA). It is difficult to explain which variable has the greatest impact on PCA clustering. This study can provide an important reference for PM2.5 prevention and control in different regions of China.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
ppppp完成签到,获得积分10
2秒前
是然宝啊完成签到,获得积分10
3秒前
鄂百川发布了新的文献求助10
4秒前
自然紫山完成签到,获得积分10
5秒前
维尼发布了新的文献求助10
6秒前
Lowman完成签到,获得积分10
7秒前
wanci应助houchengru采纳,获得50
7秒前
苏卿应助迅速的鹤采纳,获得10
8秒前
kevindm完成签到,获得积分10
8秒前
mjl完成签到,获得积分20
8秒前
JM完成签到,获得积分10
9秒前
老实黄蜂应助Agoni采纳,获得10
10秒前
10秒前
科研通AI2S应助闪闪的山槐采纳,获得10
12秒前
努力发一区完成签到 ,获得积分10
12秒前
充电宝应助小于采纳,获得10
13秒前
饱满的海秋完成签到,获得积分10
13秒前
一丢丢完成签到,获得积分10
13秒前
失眠的煎饼完成签到,获得积分20
13秒前
青耕完成签到 ,获得积分10
14秒前
orixero应助yangxin614采纳,获得10
14秒前
医痞子发布了新的文献求助10
15秒前
慕青应助小酒窝采纳,获得10
15秒前
科研通AI2S应助小鱼采纳,获得10
17秒前
17秒前
17秒前
科研完成签到,获得积分10
18秒前
丘比特应助勇往直前采纳,获得10
18秒前
科研通AI2S应助Agoni采纳,获得10
18秒前
华仔应助ddffgz采纳,获得10
19秒前
受伤凌蝶完成签到,获得积分10
20秒前
Maneuvers完成签到,获得积分10
20秒前
21秒前
21秒前
JamesPei应助达达利亚采纳,获得10
23秒前
23秒前
66发布了新的文献求助10
24秒前
文献文献文献完成签到,获得积分10
25秒前
26秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3156020
求助须知:如何正确求助?哪些是违规求助? 2807409
关于积分的说明 7872961
捐赠科研通 2465760
什么是DOI,文献DOI怎么找? 1312375
科研通“疑难数据库(出版商)”最低求助积分说明 630083
版权声明 601905