EPA PMF教程：输入文件处理与数据可靠性分析

本教程详细介绍了如何在PMF (Probability Matrix Factorization) 模型中处理输入文件，这是一种用于多变量因素分析的工具。PMF主要应用于环境科学，通过对采样数据的浓度值和不确定性进行分析，以识别对样品贡献的源类型。 首先，输入文件的要求包括两种关键数据：（1）样品的物种浓度值，需要提供一个带有物种名称、日期和样品编号的表格，支持.txt、CSV和.xls/XLSX格式。每份文件可以包含多个工作表或命名区域，用户需选择所需的工作表；（2）物种的不确定度或计算不确定度所需的参数，这些数据通常不需要包含单位，单位将仅用于图形界面的标签。 在数据格式方面，日期和时间格式需符合预设选项，可以选择仅样本ID、日期/时间、两者都有或都不包含。空白单元格、包含逗号的品种名称和小于-999的值需要用户仔细检查并修正，因为它们可能导致程序警告或运行错误。确保每个品种名称唯一且指定好日期/时间和ID/站点列。 PMF使用浓度值和不确定性进行加权，允许用户在模型中处理低于检测限的数据，并调整不确定性以降低其对整体解决方案的影响。模型的核心目标是通过最小化目标函数Q来优化因子贡献（G）和因字数（F），其中Q（真）评估了所有数据点的拟合优度，而Q（鲁棒）则忽略了残差大于4的异常点。 PMF依赖于多层次的多线性多次迭代（ME）算法，从随机生成的因子数量开始搜索最优配置。ME算法使用梯度法在多维空间中寻找解决方案，通过多次运行（20次和100次）以提高全局最优解的概率。Q（鲁棒）在选择最佳运行时起到关键作用，因为它不受不满足模型的数据点影响。此外，通过比较Q（鲁棒）的稳定性，用户可以判断初始运行结果的可靠性。 总结来说，PMF输入文件管理是一个细致的过程，需要正确的数据格式、清晰的列标识和有效的模型参数调整，以确保得出准确的源解析结果。理解并遵循这些步骤对于有效使用PMF工具至关重要。