PM2.5的扩散模型.docx

1、1摘 要随着中国经济的发展，国内出现了一系列的环境问题，其中雾霾现象引起了人们的广泛注意，以 PM2.5 为标志的空气质量问题也随之上升到了国家战略问题的高度。为了更好的治理环境问题，我们需要对其有更多的认识。本文分析了 PM2.5 与 AQI 各项指数之间的相关性，做了一元和多元回归分析，描述了 PM2.5 在时空上的分布和演变规律，并基于 topsis 方法给出了污染评价，最后建立了 PM2.5 的扩散与衰减模型。对于问题一，文章首先定性分析了 PM2.5 与 AQI 指数之间的相关关系，发现PM2.5 和二氧化硫、二氧化氮、可吸入颗粒物、一氧化碳、空气污染指数之间呈正相关关系，同臭氧呈负

2、相关关系。然后通过皮尔斯相关矩阵分析了二元相性，并进一步做了多元复相关分析。结果表明二氧化氮、二氧化硫、一氧化碳与 PM2.5 的相关系数较大，可以验证这三种气体是主要产生 PM2.5 的气体。回归分析得到了相似的结论。对于问题二，本文首先绘制了时间变化曲线，发现 PM2.5 的数值呈波浪形发展，在二月的中旬和下旬达到了最大值。这与西安市冬天空气流通降低，供暖使用燃料增多有密切的关系。而空间分布是由西南向东北先增大后减少的，峰值出现在西安市的西南郊，相对而言东南郊 PM2.5 值较低。这个情况与西安的工业分布情况相同，重污染工业大多分布在西安的西南，东南郊主要作为居住、教育区。基于 topsi

3、s 的方法排序给出了污染地区的排序。在不考虑湿度等天气和季节对 PM2.5 浓度的影响时，建立了 PM2.5 的扩散模型。若发生 PM2.5 剧增现象后的模型则是扩充了原有的模型，推导出将一个地区作为连续面源的数学模型，并使用数据验证，具有较强的实用性。关键词： PM2.5 扩散模型 相关性分析 AQI 时空分布 TOPSIS2目录 摘 要 1第一章 问题重述 31.1. 问题背景 31.2. 问题提出 3第二章 模型假设 4第三章 符号说明 4第四章 问题一模型的建立与求解 54.1 问题一的分析 54.2 问题一的相关性分析 64.2.1 相关性因素的定性分析 64.2.2 二元相关分析

4、74.2.3 复相关分析 .94.3 问题一的回归分析 104.3.1 一元回归分析 104.3.2 多元回归分析 11第五章 问题二模型的建立与求解 125.1 PM2.5 的时空分布及其规律 125.1.1 PM2.5 时间上的变化规律 .125.1.2 PM2.5 空间上的分布规律 .135.2 基于 topsis 方法的污染评估 .145.3 PM2.5 的发生和演变规律的数学模型 175.3.1 模型分析 .175.3.2 模型建立 175.4 污染扩散预测与评估 .185.4.1 模型分析 185.4.2 模型建立 195.5 模型检验 20第六章 模型的评价 206.1 模型的优

5、缺点 206.2 模型的推广 21第七章 参考文献 21第八章 附录 213第一章 问题重述1.1. 问题背景大气为地球上生命的繁衍与人类的发展提供了理想的环境。它的状态和变化直接影响人类的生存和生产活动。随着人类工业的发展，地球的生态环境不断受到破坏，大气中的污染种类和数量持续增长，严重威胁人类的身体健康和自然生态环境。为了治理大气污染，我国新修订了环境空气质量标准 ，启用空气质量指数 AQI 作为空气质量监测指标，首次将产生灰霾的主要因素对人类健康危害极大的细颗粒物 PM2.5的浓度指标作为空气质量监测指标。1.2. 问题提出问题一：探究 PM2.5 的相关因素。PM2.5 的形成机理和过

6、程比较复杂，主要来源有自然源和人为源。利用给定的数据和自行搜集的数据，建立适当的数学模型，对 AQI中的 6 个指标进行相关与独立性的定量分析，重点研究 PM2.5 和其它指标的相关性和关系。如果在研究过程中发现有其它要素与 PM2.5 是强相关的，可陈述数据来源，研究方法和结论。问题二：探究 PM2.5 的分布与演变及应急处理。1、描述该地区内 PM2.5 的时空分布及其规律，并结合环境保护部新修订的环境空气质量标准分区进行污染评估。2、建立能够刻画该地区 PM2.5 的发生和演变（扩散与衰减等）规律的数学模型，合理考虑风力、湿度等天气和季节因素的影响，并利用该地区的数据进行定量与定性分析。

7、3、假设该地区某监测点处的 PM2.5 的浓度突然增至数倍，且延续数小时，请建立针对这种突发情形的污染扩散预测与评估方法。并以该地区 PM2.5 监测数据最高的一天为例，在全地区 PM2.5 浓度最高点处的浓度增至 2 倍，持续 2 小时，利用你们的模型进行预测评估，给出重度污染和可能安全区域。44、采用适当方法检验你们模型和方法的合理性，并根据已有研究成果探索 PM2.5 的成因、演变等一般性规律。第二章 模型假设(1)PM2.5 的浓度在 y、z 轴上的分布是高斯分布（正态分布）的，污染源的源强是连续且均匀的，初始时刻产生 PM2.5 的云团内部的浓度、温度呈均匀分布；(2)扩散过程中不考

8、虑温度的变化，忽略热传递、热对流及热辐射，气体是理想气体，遵守理想气体状态方程，在水平方向，大气扩散系数呈各向同性；(3)取 x 轴为平均扩散方向，整个扩散过程中西安市的地势一致且不发生较大的变化；(4)地面对 PM2.5 颗粒发生吸收或吸附作用；(5)整个过程中，PM2.5 颗粒之间不发生任何化学反应等；(6)认为十三个检测点事连续的点源；(7)在给出的文件中部分数据由于仪器故障等原因缺失了，在数据分析的过程中舍弃了这部分数据。5第三章 符号说明第四章 问题一模型的建立与求解4.1 问题一的分析自然学科的变量总是具有相互联系、相互依赖、相互制约的数量关系。这种关系可分为两种类型。一类是函数关

9、系；一类是相关关系。在这种关系中，变量之间存在着不确定、不严格的依存关系，对于变量的某个数值，可以有另一变量的若干数值与之相对应，这若干个数值围绕着它们的平均数呈现出有规律的波动。在问题一中，影响 AQI 的基本检测指标有 6 个。其中 PM2.5 这个指标最为重要。通过题目所给的武汉市一个监测点得到的数据对 AQI 各个基本指标进行统计分析。由于我们对各个指标之间的相关性质不是很熟悉，应该利用数据先绘制相关图做初步判断，定性分析变量之间的关系；再对各个指标进行二元相关分析，得到六个变量之间12345iixyXCC 一 氧 化 碳 的 改 变 量二 氧 化 硫 的 改 变 量 二 氧 化 氮

10、的 改 变 量臭 氧 的 改 变 量 空 气 污 染 指 数 的 改 变 量PM2.5的 值 多 元 回 归 系 数D指 标 值 与 最 优 质 之 间 距 离 指 标 值 与 最 劣两 变 量 的 相 似 系 数r多 元 复 相 关 系 数Q(a,b),的 最 小 二 乘 估 计指 标 值 与 最 优 值质 之 间 距 离风 速Q 的 相 对 接 近 程 度u源 强Y， 扩 散 系 数6的二元相关系数矩阵，确定各个变量之间的相关程度；由于 PM2.5 不中与一个指标有关，所以还要对其与其它指标进行复相关分析，先求出复相关系数，再确定它们之间的相关关系。4.2 问题一的相关性分析4.2.1 相

11、关性因素的定性分析我们对各个指标之间的相关性质不是很熟悉，应该利用数据先绘制相关图做初步判断，定性分析变量之间的关系，然后再进一步定量分析。图表 1 图表 2PM2.5 与二氧化硫之间呈明显的正相关关系 PM2.5 与二氧化氮之间呈明显的正相关关系 图表 3 图表 47PM2.5 与可吸入颗粒物之间呈明显的正相关关系 PM2.5 与一氧化碳之间呈明显的正相关关系图表 5 图表 6PM2.5 与二氧化氮之间呈负相关关系 PM2.5 与污染指数之间呈明显的正相关关系由以上六图可以看出，PM2.5 和二氧化硫、二氧化氮、可吸入颗粒物、一氧化碳、空气污染指数之间呈正相关关系，同臭氧呈负相关关系。PM2

12、.5 与 AQI 基本指数之间均具有一定的相关性（正相关、负相关） ，可以讲 AQI 基本指数与 PM2.5 之间进行定量的相关性分析。4.2.2 二元相关分析衡量两个变量之间的相关性利用相关系数，其价值在于定量刻画两个数据向量TnTnyYxX, 2121 的相似程度。从几何上粗略地讲，将两个向量平移至相同起点，如果它们位于同一直线上，则有理由认为二者完全相似。即使二者不重合，但如果两向量的夹角较小，则也可以认为二者较相似。因此，用两向量夹角（希尔伯特空间）的正弦衡量其相似性是科学的，即有 （公式 1） ，通常称为两变量的相似系12,|niXYiixy数。另一方面，两个变量 X 和 Y 可能是

13、两8组数据向量，如 和 是取自某两个连续变量 X 和 Y 的地震波波形采样时间nkx1nky1序列，或者是某两个随机变量 X 和 Y 的总体抽样数据等，这时衡量它们的线性关程度可以如下思考：先由一组数据如 确定一条拟合直线 ，然后再考察数据nkx1bxa组 到该直线距离的平均值的最小性，nky1（公式 2）ni iiRbabxayQ1, |m为了计算的方便，将绝对值符号去掉，代之以平方和，（公式 3）ni iiRbabxay12, )(如果找到某个参数 a、b 使得上式的值 Q=0，则可以认为 X 和 Y 完全相同，否则以 Q的大小来衡量二者的相关程度。为了求出 Q 的值，可应用微分中值定理求

14、解。通过推导（这里略去推导过程，有兴趣的读者不妨参考文献1） ，问题等价于用公式（公式 4）11 22(,)(,)niidefdefdefiiiixXyYXYcor衡量 X 与 Y 的相关程度，被称为相关系数。显然， ，当 的值越大，说明1|1X 和 Y 越相关（相似） ，当 的值越小（越接近于零） ，说明 X 和 Y 越不相关（不相|1似） 。尤其是，当 时， 与 （是各分量为 1 的列向量，常称为 1 向|1X1Y量，表示为 ）线性相关，当 时， 与 正交，即最不相关。0|1相关程度表如下表格 1 相关程度表相关系数的值 相关程度0 完全不相关(0,0.3) 微弱相关(0.3,0.5) 低

15、度相关(0.5,0.8) 显著相关(0.8,1) 高度相关将武汉市的监测点数据代入可以计算得出相应的相关系数，如下9表格 2 相关系数相关性PM2.5 一氧化碳二氧化硫二氧化氮臭氧 空气质量指数Pearson 相关性1 .822* .726* .734* -.352* .963*显著性（双侧） .000 .000 .000 .000 .000PM2.5N 238 238 238 238 238 238*. 在 .01 水平（双侧）上显著相关。利用相关程度表可以得到以下：表格 3 PM2.5 与 AQI 指标之间的相关程度指标 相关系数 相关性 相关程度一氧化碳 0.822* 正相关 高度相关二

16、氧化硫 0.726 正相关 显著相关二氧化氮 0.734 正相关 显著相关臭氧 -0.352 负相关 低度相关空气质量指数 0.963 正相关 高度相关可以看出，PM2.5 分别与一氧化碳、二氧化硫、二氧化氮呈高度相关和显著相关，这与理论研究“有一种研究认为，AQI 监测指标中的二氧化硫（SO2 ） ，二氧化氮（NO2 ） ，一氧化碳（CO）是在一定环境条件下形成 PM2.5 前的主要气态物体”是相吻合的。4.2.3 复相关分析研究一个变量 0X与另一组变量 ( 1X, 2,， n)之间的相关程度,叫做复相关分析。复相关系数，可以利用单相关系数和偏相关系数求得。复相关系数越大，表明要素或变量之

17、间的线性相关程度越密切。设 y为因变量， 1x2, k为自变量，将 y与 1x2, k之间的复相关系数记为12Rk，可以考虑构造一个关于 1x2, k的线性组合，通过计算该线性组合与 y之间的简单相关系数作为变量 y与 , 之间的复相关系数。第一步，用 y对 1x2, k作回归，得：0=+Xk第二步，计算简单相关系数即为 y与 1x2, k之间的复相关系数。复相关系数的计算公式为： 22()ry() （公式 5）10计算多元复相关系数有：表格 4模型汇总模型 R R 方 调整 R 方 标准 估计的误差1 .976a .953 .952 16.340a. 预测变量: (常量), 臭氧, 二氧化氮

18、, 一氧化碳, 空气质量指数, 二氧化硫。得到 PM2.5 与 AQI 指数之间的复相关系数为 0.976，是很接近 1（完全相关）的，这表明使用 AQI 来描述空气污染情况是极为科学的方法。4.3 问题一的回归分析4.3.1 一元回归分析设随机变量 Y与普通变量 x间存在相关关系，且假设对于 x的每一个取值有2(, )Nab（公式 6）其中 a、 b及 2都是不依赖于 的未知参数。记 ()Yab，则对 Y做这样的正态假设，相当于假设2, (0,)Yabx （公式 7） 其中未知参数 ,ab及 2都是不依赖于 。 （1）式称为一元线性回归模型，其中 b称为回归系数。取 x的 n个不全相同的取值

19、 12,nx ，作 次独立试验，得到样本(),(,)YxY和样本观测值12,nxyy 把样本观测值（3）代入（1）得 ,iiyabi（公式 8）而使 2211(,)()nniiiQyabx（公式 9）11达到最小为原则对未知参数 a和 b的估计称为未知参数 a和 b的最小二乘估计，估计值记为 a和 b。这时称 yx（公式 10）为 Y关于 x的经验回归方程，简称回归方程。分别设一氧化碳、二氧化硫、二氧化氮、臭氧、空气污染指数的变量为: 计算回归系数,可以得到相应的回归方程：4.3.2 多元回归分析假设及分析对象表达式： ，利用最小二乘估计01iiYXu()e2021iie可得： 0YX12ii

20、n计算有系数 a非标准化系数 标准系数模型 B 标准 误差 试用版 t Sig.(常量) -15.989 3.756 -4.257 .0001二氧化硫 .710 .110 -.017 -.647 .51912345CC、 、 、 、 12345706869170PC12二氧化氮 .407 .080 .133 5.109 .000一氧化碳 .542 .132 .102 4.113 .000空气质量指数 .832 .028 .773 29.895 .000臭氧 -.247 .035 -.112 -7.028 .000a. 因变量: PM2.5多元回归方程为：这与之前二元回归的结果是相同的。第五章

21、问题二模型的建立与求解5.1 PM2.5 的时空分布及其规律5.1.1 PM2.5 时间上的变化规律做出西安市 PM2.5 随时间变化的图像，如下图所示图表 71234515.980.4.70.40.82.710PCCC （ 公 式 ）13可以发现 PM2.5 的数值呈波浪形发展，在二月的中旬和下旬达到了最大值。这与西安市冬天空气流通降低，供暖使用燃料增多有密切的关系。5.1.2 PM2.5 空间上的分布规律首先，将监测点的位置坐标化图表 7 图表 8再由每个月的平均值得到空间分布图表格 5月份地点1 2 3 4草滩 A 286.4444444 260.2142857 174.1290323

22、119.4615385临潼区 B 231.9354839 218.3043478 145.4090909 101.217391314经开区 C 279.3656532 217.2234234 150.2824236 108.3809524广运潭 D 241.9655172 257.9642857 167 130.9高压开关厂 E 263.3103448 268.6785714 180.9677419 138.4230769市人民体育场 F 249.5714286 289.45 172.2333333 114.5兴庆小区 G 239.3076923 259.8518519 160.6296296

23、 115.8076923纺织城 H 236.0357143 233.2962963 178.3666667 101.5384615高新西区 I 272.3103448 264.9285714 170.2580645 122.4782609小寨 J 220.8965517 235.2307692 139.9354839 102.16长安区 K 213.4285714 240.5357143 155.3 98.36曲江文化集团 L 274.2857143 196 154.3928571 99.88461538阎良区 M 225.9354839 248.25 165.4615385 111.3461

24、538图表 9 图表 10图表 11 图表 12PM2.5 的空间分布是由西南向东北先增大后减少的，峰值出现在西安市的西南郊，相对而言东南郊 PM2.5 值较低。这个情况与西安的工业分布情况相同，重污染工业大多分布在西安的西南，东南郊主要作为居住、教育区。155.2 基于 topsis 方法的污染评估数据结构：设系统 n 个评价单元,每一评价单元有 m 个评价指标 ,原始数据以矩阵表示:mX()ijx指标同趋势化：在同一系统中,若有高优和低优两种指标,常将其统一,一般把低优指标转化为高优16指标,转化方法可采用倒数法,多适于绝对数指标;转化后数据矩阵记为 X归一化处理归一化后的数据矩阵记为 Y

25、21y()ijijnkjx确定指标最优值和最劣值分别构成最优值向量 和最劣值向量+yy其中+12y=.ym（ ,）（ ）+j12ax,.jmjjyinjjy计算各评价单元指标值与最优值和最劣值的距离（公式 11）2i1D()mijjj（公式 12）2i1()ijjjy计算各评价单元指标值与最优值的相对接近程度（公式 13）iCiD按接近度大小对各评价单元优劣进行排序, C 越大,表明越接近最优水平。17取空气质量分指数对应的污染项目浓度限值中的下限为评价单元指标值，计算与最优值和最劣值的距离，如表所示：表格 6 topsis 评价排序表 iDiiC排序高压开头厂 0.5687 0.1245 0

26、.3126 7兴庆小区 0.5877 0.2354 0.3505 5纺织城 0.7847 0.1457 0.2814 8小寨 0.6697 0.1451 0.2769 9市人民体育场 0.4794 0.0357 0.2099 12高新西区 0.9741 0.1487 0.2333 11经开区 0.7845 0.3144 0.4789 2长安区 0.8544 0.1234 0.4699 3阎良区 0.8741 0.2247 0.3922 4临潼区 0.9564 0.4154 0.6146 1曲江文化集团 0.6547 0.1417 0.2578 10广运潭 0.7315 0.0397 0.198

27、4 13草滩 0.8169 0.1147 0.3214 6由上表即可得到各个监测点区域的环境污染排序。185.3 PM2.5 的发生和演变规律的数学模型5.3.1 模型分析在不考虑湿度等天气和季节对 PM2.5 浓度的影响时，当 PM2.5 以某一点源为中心向四周迅速扩散，形成一个近似于圆形的不透光区域，最初这个区域逐渐增大，后来它的边界变得明亮起来，不透光区域渐渐变小，最后 PM2.5 完全消失。现假设有沿 X 轴正方向的风，且无其他方向的风，则与上述模型相比，在 Y、Z 轴完全一致，在 X 轴将发生偏移。服从高斯烟羽模型，满足高斯烟羽模型的基本假设。本模型将在该假设的前提下，考虑风力影响，

28、并将给出的十三个点作为 PM2.5 的点源，由高斯烟羽模型求解点源放出 PM2.5 并扩散，直到达到平衡的过程。5.3.2 模型建立由概率统计理论可以写出方差的表达式为：（2）022022XdzdyXzy由假设可以写出源强的积分公式：（3）udyzQ式中： 、 为 PM2.5 浓度在 y、z 方向分布的标准差，单位为 m；X（x,y,z）yz为任一点处 PM2.5 的浓度，单位为 kg/m ；u 为平均风速，单位为 m/s；Q 为源强（即3PM2.5 排放速度） ，单位为 kg/s；将（1）式代入（2）式，积分可得：221zyba（4）将（1）式和（4）式代入（3）式，积分可得：19zyzyz

29、y SPutQuxA）（ 222P 为 PM2.5 点源在传播过程中的源强总量；S 为传播的距离； 再将（4）式和（5）式代入（1）式，可得：（公式 14）22,exp2yzyzPXxyzu（ ）公式中的各个参数的准确程度很重要，尤其是扩散参数 y、z 及烟流抬升高度 h 的估算。其中，平均风速 u 取多年观测的常规气象数据；源强 q 可以计算或测定，而 y、z 及 h 与气象条件和地面状况密切相关。我国 GB384091制定地方大气污染物排放标准的技术方法采用如下经验公式确定扩散参数 y、z：12yzxx及（公式 15） 式中，1、1、2 及 2 称为扩散系数。这些系数由实验确定，在一个相当

30、长的 x 距离内为常数，可从 GB384091 的表中查取。5.4 污染扩散预测与评估5.4.1 模型分析某一地区 PM2.5 数值突然增加后，相当于一个连续面源开始向周围释放气态污染物，将 5.3 中的模型进一步推广可以得到连续面源的扩散情况。使用虚拟点源法，将 PM2.5 的分布和高低不同划分为若干个正方形，每一正方形视为一个面源单元，边长一般在 0.510km 之间选取。这种方法假设：有一距离为 x0的虚拟点源位于面源单元形心的上风处，如图 14 所示，它在面源单元中心线处产生的烟流宽度为 2y04.3 y0，等于面源单元宽度 B；面源单元向下风向扩散的浓度可用虚拟点源在下风向造成的同样

31、的浓度所代替。图表 14205.4.2 模型建立第一种扩散模式假定污染物排放量集中在各面源单元的形心上。由假设可得：0/4.3yB 由确定的大气稳定度级别和上式求出的 0y，应用 PG 曲线图（见下节）可查取 xo。再由(x0x)分布查出 y 和 z，则面源下风向任一处的地面浓度由下式确定：2expyzzqHCu（公式 16） 上式即为点源扩散的高斯模式（524） ，式中 H 取面源的平均高度，m。如果排放源相对较高，而且高度相差较大，也可假定 z 方向上有一虚拟点源，由源的最初垂直分布的标准差确定 0z，再由 0z求出 0zx，由 0x求出 z，由(x0x) 求出 y，最后代入式（533）求

32、出地面浓度。第二种扩散模式假定污染物浓度均匀分布在面源的 y 方向，且扩散后的污染物全21都均匀分布在长为 (x0x)8 的弧上。因此，利用式 16 求 y 后，由稳定度级别应用 PG 曲线图查出 x0，再由(x 0x) 查出 z，则面源下风向任一点的地面浓度由下式确定： 22exp/8zozqHCu（公式 17） 5.5 模型检验以兴庆小区为例，检验模型，假设当天风速为 6m/s,西安市冬季一般为东风，原始点源强度 Q0=300kg/s,查询 GB384091制定地方大气污染物排放标准的技术方法 ，可以得到相应的扩散参数即画出浓度分布图，如图 15图表 15第六章 模型的评价6.1 模型的优

33、缺点模型优点：1 12 2.12(.3)0.7(.0)y zxxxx221.本文正确、合理的完成了题目的要求，建立了相对符合实际、具有应用价值的若干个数学模型。2.将某一地区的污染源作为连续的面源来处理，比原始的高斯烟羽模型（点源）更为合理。3.模型经过检验，符合实际，可以作为政府及相关组织分析处理问题时的参考资料，具有较强的应用性。 模型缺点：1.数据处理时有部分数据被弃用，可能会造成主观性错误。2.模型未能考虑湿度的因素。6.2 模型的推广本模型除用于处理 PM2.5 问题外，经过一些小的改动，就同时可以用于有毒有害气体的泄露；垃圾焚烧的影响；海洋污染等问题的处理。第七章 参考文献1 卢鹏

34、，PM2.5 的时间分布与演变扩散研究，西南大学大学学报，第 40 卷第 1 期， 2014 年 1 月2 徐敬，北京地区 PM2.5 的成分特征及来源分析，应用气象学报，第 18 卷第 15 期，2007 年 10 月3 孙志宽，高斯烟羽扩散模型再研究，环境与可持续发展，2013 年 05 期，2013 年5 月4 环境空气质量指数（AQI）技术规定（试行）： 中华人民共和国国家环境保护标准，HJ 633-20125 环境空气质量标准, 中华人民共和国国家标准，GB 3095-20126 制定地方大气污染物排放标准的技术方法, 中华人民共和国国家标准，GB384091第八章 附录* 图表构建

35、程序 .GGRAPH/GRAPHDATASET NAME=“graphdataset“ VARIABLES=X 一月 PM2.5name=“一月 PM2_5“ Y MISSING=LISTWISE REPORTMISSING=NO23/GRAPHSPEC SOURCE=INLINE.BEGIN GPLSOURCE: s=userSource(id(“graphdataset“)DATA: X=col(source(s), name(“X“)DATA: 一月 PM2_5=col(source(s), name(“一月 PM2_5“)DATA: Y=col(source(s), name(“Y“)

36、COORD: rect(dim(1,2,3)GUIDE: axis(dim(1), label(“Y-北“)GUIDE: axis(dim(2), label(“X-东“)GUIDE: axis(dim(3), label(“一月 PM2.5“)GUIDE: text.title(label(“西安市各地区一月 PM2.5 分布图“)ELEMENT: interval(position(Y*X*一月 PM2_5), shape.interior(shape.square)END GPL.GGRAPH/GRAPHDATASET NAME=“graphdataset“ VARIABLES=X 二月

37、 PM2.5name=“二月 PM2_5“ Y MISSING=LISTWISE REPORTMISSING=NO/GRAPHSPEC SOURCE=INLINE.BEGIN GPLSOURCE: s=userSource(id(“graphdataset“)DATA: X=col(source(s), name(“X“)DATA: 二月 PM2_5=col(source(s), name(“二月 PM2_5“)DATA: Y=col(source(s), name(“Y“)COORD: rect(dim(1,2,3)GUIDE: axis(dim(1), label(“Y-南“)GUIDE:

38、 axis(dim(2), label(“X-东“)GUIDE: axis(dim(3), label(“二月 PM2.5“)GUIDE: text.title(label(“西安市各地区二月 PM2.5 离散分布图“)ELEMENT: interval(position(Y*X*二月 PM2_5), shape.interior(shape.square)END GPL.GGRAPH/GRAPHDATASET NAME=“graphdataset“ VARIABLES=X 三月 PM2.5name=“三月 PM2_5“ Y MISSING=LISTWISE REPORTMISSING=NO/

39、GRAPHSPEC SOURCE=INLINE.BEGIN GPLSOURCE: s=userSource(id(“graphdataset“)DATA: X=col(source(s), name(“X“)DATA: 三月 PM2_5=col(source(s), name(“三月 PM2_5“)DATA: Y=col(source(s), name(“Y“)COORD: rect(dim(1,2,3)GUIDE: axis(dim(1), label(“Y-北“)GUIDE: axis(dim(2), label(“X“)GUIDE: axis(dim(3), label(“三月 PM2.

40、5“)GUIDE: text.title(label(“西安市各地区三月 PM2.5 离散分布图“)ELEMENT: interval(position(Y*X*三月 PM2_5), shape.interior(shape.square)END GPL.GGRAPH 24/GRAPHDATASET NAME=“graphdataset“ VARIABLES=X 四月 PM2.5name=“四月 PM2_5“ Y MISSING=LISTWISE REPORTMISSING=NO /GRAPHSPEC SOURCE=INLINE. BEGIN GPL SOURCE: s=userSource(

41、id(“graphdataset“) DATA: X=col(source(s), name(“X“) DATA: 四月 PM2_5=col(source(s), name(“四月 PM2_5“) DATA: Y=col(source(s), name(“Y“) COORD: rect(dim(1,2,3) GUIDE: axis(dim(1), label(“Y-北“) GUIDE: axis(dim(2), label(“X“) GUIDE: axis(dim(3), label(“四月 PM2.5“) GUIDE: text.title(label(“西安市各地区四月 PM2.5 离散分布图“) ELEMENT: interval(position(Y*X*四月 PM2_5), shape.interior(shape.square) END GPL.