可下载资源

PM2.5代表直径小于2.5微米的颗粒物浓度，AQI是综合考虑所有主要污染物的空气污染状况的整体指标。具体来说，此工作的数据源列出如下：

数据预处理

每日站点数据包含每个地面站与PM2.5相关的各种属性。有关站信息，污染物的关键变量通过以下代码从原始数据中过滤掉。重命名过滤后的数据框的列名，以方便以下分析。

names(data) <- c( "date", 
                     "pm25", "aqi",  "long", "lat")

统计摘要

对点级PM2.5浓度和县级AQI指数的基本统计描述可以帮助更好地理解这两个变量。在这里，直方图和箱形图用于可视化PM2.5浓度和AQI的分布特征。每日AQI指数可衡量空气污染的严重程度，可用于根据AQI的值将天数分为不同的类别。就空气污染水平而言，通常可以将天气分为四类，包括良好，中度，不健康和危险。

县级数据代表空气污染的平均水平。来自地面站的PM2.5和AQI的点级测量描述了空气污染的详细情况和当地情况。站级的PM2.5和AQI的分布如下所示。两种分布都显示出正偏度，AQI聚集在50附近，而PM2.5低于25。在这一年中，很少出现两个变量都具有高值的站点。

## ＃＃AQI和PM2.5的直方图
  pmaqi  %>%
ggplot(data) +
  geom_histogram(aes(x = value), bins = 35) +

ggplot(data) +
  geom_boxplot(aes(x =class,  y = value))

为了显示总体变化，每天汇总来自所有监视的测量值。一年中的总体变化绘制如下。我们可以看到，AQI和PM2.5的变化趋势显示出相似的模式，而夏季和冬季的空气污染更为严重。

##按天数计算
  select(date, pm25, aqi) %>%
  group_by(date) %>%
  summarise( mean(pm25), mean(aqi)) %>%
ggplot(data = vis) +

空间分布

汇总了针对不同州的县级AQI指数，以探索每个州的空气质量的空间变化。下图通过渐变颜色绘制了变量良好天气的不同平均值。该地图显示了各州空气质量良好的日子。

##按州汇总aqi（区域水平）。

vis <- 
  aqi %>%
  group_by(State) %>%


ggplot() +
  geom_polygon(aes(x = long, y = lat, group = group, fill = good)

每个站点的站点级别测量值汇总为年平均值。下图显示了美国年平均PM2.5浓度的空间分布。绿色点表示较低的PM2.5浓度。西部的测站测得的PM2.5浓度较高。

## 数据的汇总
###用于pm2.5
  pmaqi %>%
  summarise(pm25 = mean(pm25), aqi = mean(aqi), long = mean(long), lat = mean(lat)) %>%
ggplot() +
  geom_polygon(aes(x = long, y = lat, group = group)

AQI可以提供更全面的空气状况度量。站点上的点级AQI映射如下。由于AQI考虑了许多典型污染物，因此与PM2.5的模式相比，AQI的分布显示出不同的模式。

###aqi指数
vi<- vi\[class == "aqi", \]
ggplot(vi) +
  geom_polygon(aes(x = long, y = lat, group = group)

结论

本报告利用了空气污染数据和R的可视化，从时空维度探讨了空气污染的分布和格局。从数据中可以识别出PM2.5和AQI的时空变化。夏季和冬季均遇到空气污染问题。西部和南部的州比北部和东部的州更容易遭受空气污染问题。