R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化（上）：https://developer.aliyun.com/article/1497167

不同季节PM2.5的逐日变化 Diurnal variations of PM2.5in different months

不同季节PM2.5的逐日变化是指在不同季节中，每天PM2.5浓度的变化情况。PM2.5是指空气中直径小于或等于2.5微米的颗粒物，它们对人体健康有害。这些颗粒物主要来自于工业排放、交通尾气、燃烧过程和自然来源等。

在不同季节中，PM2.5的逐日变化可能受到多种因素的影响。例如，冬季由于采暖需求增加，燃煤和燃气的使用量增加，导致PM2.5浓度较高。而夏季由于气温升高，光化学反应增多，加上交通尾气和工业排放的贡献，PM2.5浓度也可能较高。

此外，气象条件也会对PM2.5的逐日变化产生影响。例如，风速、风向、降雨等天气因素都会影响PM2.5的扩散和沉降，从而影响其浓度。

因此，不同季节中PM2.5的逐日变化是一个动态的过程，受到多种因素的综合影响。通过对这种变化的研究和监测，可以更好地了解和应对空气质量问题。

grep( date,airquality$日期)),]$PM2.5.ug.m3.  
plot(Mar,type="p",col=j,ylab="95% CI")

3-5月份

6-8月份

9-11 月份

12-2 月份

Correlation coefficient and COD versus distance between the stations 相关系数和COD随站间距离的变化

相关系数是用来衡量两个变量之间的线性关系强度和方向的统计指标。它的取值范围在-1到1之间，其中1表示完全正相关，-1表示完全负相关，0表示无相关性。

相关系数和站间距离的变化之间可能存在一定的关系。如果两个变量之间的相关系数较高（接近1或-1），则说明它们之间存在较强的线性关系。在这种情况下，站间距离的变化可能较小，因为变量之间的关系比较稳定。相反，如果两个变量之间的相关系数较低（接近0），则说明它们之间的线性关系较弱或不存在。在这种情况下，站间距离的变化可能较大，因为变量之间的关系较为不稳定。

abline(lm(cordata~distdata),col="red")

GAMM模型分析温度 、湿度、风速、能见度、气压对PM2.5的影响

GAMM（Generalized Additive Mixed Models）是一种灵活的统计模型，结合了广义可加模型（GAM，Generalized Additive Models）和混合模型（Mixed Models）的优点。它可以用于解决包含非线性关系和随机效应的数据建模问题。

点击标题查阅往期内容

R语言广义相加模型 (GAMs)分析预测CO2时间序列数据

01

02

03

04

GAMM模型主要用于处理长期观测数据和重复测量数据，其中数据可能受到时间、空间或其他相关因素的影响。GAMM模型具有以下特点：

1. 广义可加模型（GAM）的优点：GAM模型可以通过非线性平滑函数来建模解释变量与响应变量之间的复杂关系，适用于非线性关系的建模。
   
2. 混合模型（Mixed Models）的优点：GAMM模型可以处理数据中的随机效应，比如个体间的差异或层级结构中的变化。
   
3. 可解释性：GAMM模型通过可加函数模型来描述数据，可以直观地解释模型中的每个平滑项的效应。
   
   

gamm(PM2.5.ug.m3.~s(平均温度.摄

summary(b$gam) # gam style summary of fitted model

simple checking plots 模型检验

用AR1残差项拟合模型

lme拟合的细节

拟合模型的Gam风格总结

模型检验