源解析

源解析方法及其发展 1、排放源清单法

排放源清单法（emission inventory）是通过对行业活动水平的分析，对某地区的一种污染物的排放源进巧估算，在局部区域内对污染物总量进行评价，为政策制定及巧学研究提供理论基础。 排放源清单法简单的说，就是是排放因子和基于该排欢因子下活动水平的乘积。

Ｅ＝ＡｘＥＦ

式中，Ｅ为排放量；Ａ为活动水平；ＥＦ为排放因子，例如单位燃料下ＮＯｘ排放量。

可建立数据库 现有ＭＥＩＣ数据库、重点区域、典型诚市的源清单

2、扩散模型

扩敌模型是一种基于源排放清单己知的污染源，根据所巧累的大量的污染源数据，建立王业排放与大气环境质量之间的定量关系，主耍针对有组织排放进行研究，为污染源的治理、环境空气的改善提供理论基础。 3、受体模型

通过分析环境大气中采集的大气颗粒物样品，从而反推颗粒物的来源。这标志着受体模型的诞生，其优势就在于受体模型属于诊

断性模型，受体模型一般不受污染源的源强，气象条件、地形等数据的影响，不需要考虑颗粒物的转移过程。主要通过输理、化学的方法分析污染源和环境空气中的颗粒物样品，通过模型拟合不同污染源的贡献率。

受体模型主要有通过物理方法研究而形成的显微分析法和以化学分析为主要手段的化学－统计学方法

常见的方法包括富集因子法、因子分析法（ＦＡ）、正定矩阵分解法（ＰＭＩＯ）、多元线性回归分析法（ＦＶＭＬＲ）、化学质量平衡法（ＣＭB）等。 富集因子法

在大气颗粒物研究中用富集因子法评价其中各元素的来源，首先要选择参比元素对受体数据进行标准化，根据参比元素的选择标准，一般选择地壳中大量存在，化学稳定性好，人为污染源很少，挥发性低且易于分析的元素作为参比元素。然后按下式求得富集因子

式中

指受体粒子中元素与参比元素的相对浓度；指地壳中与受体对应元素和参比元素的平均丰度

的相对浓度。

相关性分析法

对于污染源的不同组分，我们分析其线性关系，并用相关性系数来描述其相关程度，并同时考虑相关关系的显著水平。当相关系数为零时，说明两个变量完全不相关；当相关系数大于零时，说明两个变量正相关，二者表现出共同减少或共同增加的趋势；而且相关系数越接近于，其正相关关系越明显；反之若相关系数小于零，说明两个变量呈负相关关系，相关系数越接近于，负相关越明显。

变量的分布类型不同，所使用的相关分析类型亦不同。对于服从正态分布以及近似正态分布的变量，其相关系数用相关公式计算，反之，不符合正态分布的变量，其相关系数用相关公式计算。 因子分析法（FA）

因子分析是一种用于分析多个变量之间相互关系的统计方法，其基本原理是首先承认与污染源有关的变量之间存在着相关性，然后在不损失主要信息的前提下，将一些关系复杂的变量简化，归结为数量较少的几个综合因子，并利用因子负载系数的大小反映因子与变量间的相关程度。

因子分析法目前已形成了主因子分析、目标转移因子分析、目标识别因子分析等各具特色的因子分析方法。 因子分析多元线性回归法（PAC/MRL）

多元回归模型（MLR）是一种多元统计方法，它可以用来解决因变量与多个自变量之间的相关关系，在源解析过程中和或结合使

用，因子分析法在运算过程中得到的旋转因子载荷能够将各个变量与污染源之间的相关系数作出分类，再结合污染源的特征元素对颗粒物总质量浓度进行线性回归即可求出各污染源对受体的贡献量，这就是多元线性回归的原理，方程式如下：

正定矩阵因子分解模型（PMF）

聚类分析：

将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。（聚类与分类的不同在于，聚类所要求划分的类是未知的。）

依据研究对象（样品或指标）的特征，对其进行分类的方法，减少研究对象的数目。

各类事物缺乏可靠的历史资料，无法确定共有多少类别，目的是将性质相近事物归入一类。 各指标之间具有一定的相关关系。

聚类分析(cluster analysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。 聚类方法

1,层次聚类（Hierarchical Clustering）：合并法、分解法、树状图

2. 非层次聚类：划分聚类、谱聚类

根据聚类变量得到的描述两个个体间（或变量间）的对应程度或联系紧密程度的度量。 可以用两种方式来测量：

1、采用描述个体对（变量对）之间的接近程度的指标，例如“距

离”，“距离”越小的个体（变量）越具有相似性。距离指标D(distance)的方法非常多：按照数据的不同性质，可选用不同的距离指标。欧氏距离(Euclidean distance)、欧氏距离的平方(Squared Euclidean distance)、曼哈顿距离(Block)、切比雪夫距离(Chebychev distance)

2、采用表示相似程度的指标，例如“相关系数”，“相关系数”越大的个体（变量）越具有相似性。皮尔逊相关系数 主成分分析

主成分分析（Principal Component Analysis，PCA）， 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。

研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关.通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。

最经典的做法就是用F1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即Var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来P个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现在F2中，用数学语言表达就是要求Cov(F1, F2)=0，则称F2为第二主成分，依此

类推可以构造出第三、第四，……，第P个主成分。

本文来源：https://www.bwwdw.com/article/jjiv.html