CN111523717B - 一种大气污染物排放清单的反演估算方法 - Google Patents
一种大气污染物排放清单的反演估算方法 Download PDFInfo
- Publication number
- CN111523717B CN111523717B CN202010297266.2A CN202010297266A CN111523717B CN 111523717 B CN111523717 B CN 111523717B CN 202010297266 A CN202010297266 A CN 202010297266A CN 111523717 B CN111523717 B CN 111523717B
- Authority
- CN
- China
- Prior art keywords
- region
- emission
- inverted
- concentration
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
- Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]
Abstract
本发明公开了一种大气污染物排放清单的反演估算方法,包括:获取研究区域的初始污染源排放数据;基于初始污染源排放数据,获取待反演区域排放上下限;基于GIS对研究区域进行网格划分,将初始污染源排放数据分配到所划分的网络中,得到适用于气象‑空气质量模型系统的网格化排放清单文件;基于研究区域的气象模拟的模拟结果和网络化排放清单文件,建立气象‑空气质量模型,得到源排放‑受体浓度关系;基于源排放‑受体浓度关系、待反演区域排放上下限、空气质量监测数据,通过线性规划方法构建污染源排放清单优化模型。本发明可摆脱统计数据滞后性、多次模拟迭代等限制,进行一次数值模拟,通过线性规划方法实现对研究区域污染物排放清单反演,简化了排放清单建立过程。
Description
技术领域
本发明属于大气环境技术领域,涉及一种大气污染物排放清单的反演估算方法,具体涉及一种基于数值模拟、线性规划与空气质量监测数据的大气污染物排放清单的反演估算方法。
背景技术
大气污染物排放清单是研究区域大气复合污染形成机制、制定污染控制方案的关键基础信息。传统排放清单建立的常用方法为基于统计年鉴资料或实地调研的自下而上法,此法主要基于详细的活动水平数据收集以及排放因子选取,实现污染物的排放量估算;其存在数据调研工作量大、更新相对滞后等问题。
除自下而上法外,反演方法在污染源清单研究中得到逐步应用。
在已有的排放反演研究中,质量平衡法适用于生命周期较短的污染物,如NOx,但得到的排放清单空间分辨率较低,一般大于1°;
卡尔曼滤波法是在假定观测数据和污染源清单的误差概率分布情况下,考虑模式模拟数据和观测数据,逐时递推融合污染源和观测数据以及污染源的协方差,在分析误差最小的准则下,得到污染源的最优解,通常需要进行多次模拟,模拟量大,较为耗时;
贝叶斯法大多基于拉格朗日粒子扩散模型建立污染源排放和受体点的源受体关系,而粒子扩散模型仅考虑物理扩散和传输,未考虑化学反应,因此目前多适用于不活泼的污染物,如卤代烃的反演,在拓宽污染物应用范围方面存在局限性。
发明内容
针对现有技术中存在的上述问题,本发明提供一种大气污染物排放清单的反演估算方法,其可摆脱统计数据滞后性、多次模拟迭代等限制,进行一次数值模拟,通过线性规划方法实现对研究区域污染物排放清单反演,简化了排放清单建立过程。
本发明公开了一种大气污染物排放清单的反演估算方法,包括:
获取空气质量监测数据;
获取研究区域的初始污染源排放数据;
基于所述初始污染源排放数据,获取待反演区域排放上下限;
基于气象模式对研究区域进行预设分辨率的气象模拟;
基于GIS对所述研究区域进行网格划分,将所述初始污染源排放数据分配到所划分的网络中,得到适用于气象-空气质量模型系统的网格化排放清单文件;
基于所述气象模拟的模拟结果和所述网格化排放清单文件,建立气象-空气质量模型,得到满足污染源反演估算时空分辨率要求的源排放-受体浓度关系;
基于所述源排放-受体浓度关系、待反演区域排放上下限、空气质量监测数据,通过线性规划方法构建污染源排放清单优化模型。
作为本发明的进一步改进,所述获取研究区域的初始污染源排放数据,包括:
基于已有排放清单或经验估计,获取研究区域的的初始污染源排放数据。
作为本发明的进一步改进,所述获取待反演区域排放上下限,包括:
若研究区域已建立过排放清单,则利用不确定性分析方法获取待反演区域排放上下限;
若研究区域未建立过排放清单,可根据排放量经验估计结果、结合当地社会经济情况做初步估计或做非负约束,得到待反演区域排放上下限。
作为本发明的进一步改进,所述基于气象模式对研究区域进行预设分辨率的气象模拟,包括:
选取模拟基准年;
收集气象模式所需的地形及土地利用资料;
通过气象模式对研究区域进行模拟;
收集所选基准年研究区域内各气象站点各季代表月气象观测数据;
对气象模型模拟结果进行验证。
作为本发明的进一步改进,在所述气象-空气质量模型的设置中:
以研究区域内的待反演区域作为源体,以监测站点所在的目标区域作为受体;
通过数值模拟研究获取满足污染源反演估算时空分辨率要求的源排放-受体浓度关系。
作为本发明的进一步改进,所述通过线性规划方法构建污染源排放清单优化模型,包括:
以各目标区域污染物计算浓度与获取的污染物监测浓度的平均误差最小为目标,建立目标方程;
以所述待反演区域排放上下限为限制条件,分别建立研究区域相应尺度(月或日)的污染源排放清单优化模型。
作为本发明的进一步改进,
所述目标方程为:
所述限制条件为:
1、研究区域外地区对目标区域的浓度贡献:
TBCDLi≤TBCDi≤TBCDUi
2、待反演区域对目标区域的浓度贡献:
3、目标区域的计算浓度:
CDi=TBCDi+ICDi
4、待反演区域排放量限制:
EDLi≤EDj≤EDUi
其中,
ER—研究区域计算浓度的平均误差;
CDi—目标区域i的计算浓度,μg/m3;
CD0,i—目标区域i的监测浓度,μg/m3;
TBCDi—研究区域外对目标区域i的贡献浓度,μg/m3;
TBCDLi—研究区域外对目标区域i的贡献浓度下限,μg/m3;
TBCDUi—研究区域外对目标区域i的贡献浓度上限,μg/m3;
ICDi—待反演区域对目标区域i的贡献浓度,μg/m3;
EDj—待反演区域j的污染物排放量,t;
TRDj,i—待反演区域j对目标区域i的贡献系数,μg/m3/(t);
EDLj—待反演区域j排放的下限,t;
EDUj—待反演区域j排放的上限,t;
i—目标区域;
j—待反演区域;
N—待反演区域数量。
与现有技术相比,本发明的有益效果为:
本发明可实现大气污染源排放清单的快速建立与更新,使排放清单的建立过程摆脱对滞后性较强的统计数据依赖;对于尚未建立高分辨率排放清单的地区,通过本发明可及时建立起一套相对准确的高分辨率排放清单,而无需开展大规模数据调查;同时也可对已有的排放清单结果进行校验。研究成果可为区域大气复合污染形成机制研究与及时、有效的大气污染控制策略制定提供科技支撑。
附图说明
图1为本发明一种实施例公开的大气污染物排放清单的反演估算方法的流程图;图2为本发明一种实施例公开的气象-空气质量模型的模拟范围示意图;
图3为本发明一种实施例公开的污染物月排放反演结果及对比图;其中,(a)为SO2,(b)为NOx;
图4为本发明一种实施例公开的污染物代表时段日排放反演结果;其中,(a)为SO2,(b)为NOx。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述:
如图1所示,本发明提供一种大气污染物排放清单的反演估算方法,包括S1~S7,其中,S1、S2~S3、S4的顺序可调换:具体的:
S1、获取空气质量监测数据,所获取的空气质量监测数据主要为污染物的实际监测浓度。
S2、获取研究区域的初始污染源排放数据;其中,具体获取方法为:
基于已有排放清单或经验估计,获取研究区域的初始污染源排放数据。
S3、基于初始污染源排放数据,获取待反演区域排放上下限;其中,
若研究区域已建立过排放清单,则利用不确定性分析方法获取待反演区域排放上下限;
若研究区域未建立过排放清单,可根据排放量经验估计结果、结合当地社会经济情况做初步估计或做非负约束,得到待反演区域排放上下限。
S4、基于气象模式对研究区域进行预设分辨率(高分辨率)的气象模拟;其中,气象模拟的方法为:
选取模拟基准年;
收集气象模式所需的地形及土地利用资料;
通过气象模式对研究区域进行模拟;
收集所选基准年研究区域内各气象站点各季代表月气象观测数据;
对气象模型模拟结果进行验证。
S5、基于GIS对研究区域进行网格划分,将初始污染源排放数据分配到所划分的网络中,得到适用于气象-空气质量模型系统的网格化排放清单文件。
S6、基于气象模拟的模拟结果和网格化排放清单文件,建立气象-空气质量模型,得到满足污染源反演估算时空分辨率要求的源排放-受体浓度关系;其中,
收集所选基准年研究区域内各空气质量监测站点各季代表月监测数据,对数值模拟结果进行验证;
在气象-空气质量模型的设置中:以研究区域内的待反演区域作为源体,以监测站点所在的目标区域作为受体;通过数值模拟研究获取满足污染源反演估算时空分辨率要求的源排放-受体浓度关系TRDj,i(μg/m3/(t))(污染物传递系数)。
S7、基于源排放-受体浓度关系、待反演区域排放上下限、空气质量监测数据,通过线性规划方法构建污染源排放清单优化模型;其中,构建污染源排放清单优化模型,包括:
通过数值模拟研究获取满足污染源反演估算时空分辨率要求的源受体关系(污染物传递系数),以各目标区域污染物计算浓度CDi(μg/m3)与获取的污染物监测浓度CD0,i(μg/m3)的平均误差最小为目标,建立目标方程;以待反演区域排放上下限为限制条件,分别建立研究区域相应尺度(月或日)的污染源排放清单优化模型,实现所需时空分辨率的污染物排放清单反演估算。
具体的:
目标方程为研究区域内各目标区域计算浓度与监测浓度相比平均误差最小:
限制条件为:
1、研究区域外地区对目标区域的浓度贡献:
TBCDLi≤TBCDi≤TBCDUi
2、待反演区域对目标区域的浓度贡献:
3、目标区域的计算浓度:
CDi=TBCDi+ICDi
4、待反演区域排放量限制:
EDLi≤EDj≤EDUi
其中,
ER—研究区域计算浓度的平均误差;
CDi—目标区域i的计算浓度,μg/m3;
CD0,i—目标区域i的监测浓度,μg/m3;
TBCDi—研究区域外对目标区域i的贡献浓度,μg/m3;
TBCDLi—研究区域外对目标区域i的贡献浓度下限,μg/m3;
TBCDUi—研究区域外对目标区域i的贡献浓度上限,μg/m3;
ICDi—待反演区域对目标区域i的贡献浓度,μg/m3;
EDj—待反演区域j的污染物排放量,t;
TRDj,i—待反演区域j对目标区域i的贡献系数,μg/m3/(t);
EDLj—待反演区域j排放的下限,t;
EDUj—待反演区域j排放的上限,t;
i—目标区域;
j—待反演区域;
N—待反演区域数量。
实施例:
本发明提供一种基于数值模拟、线性规划与空气质量监测数据的大气污染物排放清单的反演估算方法,包括:
S1、选取基准年为2013年,选取1、4、7、10四个月作为四季的代表月,作为模拟时段。充分收集北京地区污染物排放信息后,通过进一步更新和完善得到反演所需的初始排放信息,北京之外地区排放信息从MEIC清单(Multi-resolution Emission Inventory forChina)中获得。
S2、利用空间地理信息处理技术(Geographical Information System)将工业源可定位至经纬度、其他源可细化至区县的初始排放清单进行网格空间分配。
S3、基于污染物来源识别技术建立北京地区源排放-受体浓度关系:本发明采用3km网格对北京各个区县源受体关系进行模拟。收集该模拟时段内的美国环境预报中心(NCEP)1°×1°分辨率气象背景场数据及包括温、压、湿、风等各气象要素的北京地区气象监测资料,利用气象模型WRF模拟得到研究区域符合空气质量模型CMAx要求的高时空分辨率气象场数据。
污染物来源识别技术主要参数包括源体(即待反演区域)设置、受体(即目标区域)设置、识别污染物设置,具体如下:源体方面,设置17个排放区域,分别为东城、西城、朝阳、丰台、石景山、海淀、门头沟、房山、通州、顺义、昌平、大兴、怀柔、平谷、密云、延庆以及京外其他区域;受体方面,针对各区县选择监测站点所在的网格设置受体;污染物设置为SO2、NOx,污染物来源识别模拟范围如图2所示。根据收集到的环境质量浓度监测数据,将模拟结果与监测数据作对比进行模型验证。选取典型监测站点,将SO2、NO2日均监测值与日均模拟值绘制散点图。SO2、NO2日均模拟值与日均监测值相关系数均大于0.6,误差不超过43%,模拟效果可接受。
4)基于线性规划方法,以北京各区县污染物计算浓度与监测浓度(μg/m3)平均误差最小为目标,建立目标方程;以各区县(待反演区域)排放上下限作为限制条件,建立北京区县级污染源月排放和日排放优化估算模型。
一、北京市各区县月排放优化估算模型
目标方程为各区县计算月均浓度与监测月均浓度相比平均误差最小:
限制条件为:
1、北京外地区对目标区县的月均浓度贡献:
TBCDLi≤TBCDi≤TBCDUi
2、北京各区县对目标区县的月均浓度贡献:
3、北京目标区县的计算月均浓度:
CDi=TBCDi+ICDi
4、北京各区县排放量限制:
EDLi≤EDj≤EDUi
其中,
ER—北京各区县计算月均浓度的平均误差;
CDi—目标区县i的计算月均浓度,μg/m3;
CD0,i—目标区县i的的监测月均浓度,μg/m3;
TBCDi—北京外对目标区县i的月均贡献浓度,μg/m3;
TBCDLi—北京外对目标区县i的月均贡献浓度下限,μg/m3;
TBCDUi—北京外对目标区县i的月均贡献浓度上限,μg/m3;
ICDi—北京各区县对目标区县i的月均贡献浓度,μg/m3;
EDj—北京区县j的污染物月排放量,t;
TRDj,i—北京待反演区县j对目标区县i的贡献系数,μg/m3/(t);
EDLj—待反演区县j排放的下限,t;
EDUj—待反演区县j排放的上限,t;
i—受体区县(即目标区县);
j—源体区县(即待反演区县);
N—北京区县数量,共16个。
二、北京市各区县日排放优化估算模型
目标方程为各区县计算日均浓度与监测日均浓度相比平均误差最小:
限制条件为:
1、北京外地区对目标区县的日均浓度贡献:
TBCDLi≤TBCDi≤TBCDUi
2、北京各区县对目标区县的日均浓度贡献:
3、北京目标区县的计算日均浓度:
CDi=TBCDi+ICDi
4、北京各区县排放量限制:
EDLi≤EDj≤EDUi
其中,
ER—北京各区县计算日均浓度的平均误差;
CDi—目标区县i的计算日均浓度,μg/m3;
CD0,i—目标区县i的的监测日均浓度,μg/m3;
TBCDi—北京外对目标区县i的日均贡献浓度,μg/m3;
TBCDLi—北京外对目标区县i的日均贡献浓度下限,μg/m3;
TBCDUi—北京外对目标区县i的日均贡献浓度上限,μg/m3;
ICDi—北京各区县对目标区县i的日均贡献浓度,μg/m3;
EDj—北京区县j的污染物日排放量,t;
TRDj,i—北京待反演区县j对目标区县i的贡献系数,μg/m3/(t);
EDLj—待反演区县j排放的下限,t;
EDUj—待反演区县j排放的上限,t;
i—受体区县(即目标区县);
j—源体区县(即待反演区县);
N—北京区县数量,共16个。
模型优化结果:
基于月排放优化模型,估算了北京市SO2、NO2的排放。图3给出了北京1月、4月、7月、10月四个季节代表月SO2、NO2的排放反演清单以及与基于详细调查数据利用自下而上法建立清单的对比结果。可以看出,通过优化模型反演估算得到的排放清单与基于自下而上调查得到的清单结果较为接近,不同月份排放变化趋势一致。
基于日排放优化模型,估算了各区县1、4、7、10四个季节典型月份的典型日(各7天)排放清单。由于各区县日排放数据量较大,为便于展示,将其汇总得到北京市SO2、NO2日排放,如图4所示。可以发现基于优化模型得到的排放清单可明显反映出北京SO2、NO2排放日变化差异。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种大气污染物排放清单的反演估算方法,其特征在于,包括:
获取空气质量监测数据;
获取研究区域的初始污染源排放数据;
基于所述初始污染源排放数据,获取待反演区域排放上下限;
基于气象模式对研究区域进行预设分辨率的气象模拟;
基于GIS对所述研究区域进行网格划分,将所述初始污染源排放数据分配到所划分的网络中,得到适用于气象-空气质量模型系统的网格化排放清单文件;
基于所述气象模拟的模拟结果和所述网格化排放清单文件,建立气象-空气质量模型,得到满足污染源反演估算时空分辨率要求的源排放-受体浓度关系;
以各目标区域污染物计算浓度与获取的污染物监测浓度的平均误差最小为目标,建立目标方程;以所述待反演区域排放上下限为限制条件,分别建立研究区域相应尺度的污染源排放清单优化模型;其中,
所述目标方程为:
所述限制条件为:
(1)、研究区域外对目标区域的贡献浓度:
TBCDLi≤TBCDi≤TBCDUi
(2)、待反演区域对目标区域的贡献浓度:
(3)、目标区域的计算浓度:
CDi=TBCDi+ICDi
(4)、待反演区域排放量限制:
EDLj≤EDj≤EDUj
其中,
ER-研究区域计算浓度的平均误差;
CDi-目标区域i的计算浓度,μg/m3;
CD0,i-目标区域i的监测浓度,μg/m3;
TBCDi-研究区域外对目标区域i的贡献浓度,μg/m3;
TBCDLi-研究区域外对目标区域i的贡献浓度下限,μg/m3;
TBCDUi-研究区域外对目标区域i的贡献浓度上限,μg/m3;
ICDi-待反演区域对目标区域i的贡献浓度,μg/m3;
EDj-待反演区域j的污染物排放量,t;
TRDj,i-待反演区域j对目标区域i的贡献系数,μg/m3/(t);
EDLj-待反演区域j排放的下限,t;
EDUj-待反演区域j排放的上限,t;
i-目标区域;
j-待反演区域;
N-待反演区域数量。
2.如权利要求1所述的反演估算方法,其特征在于,所述获取研究区域的初始污染源排放数据,包括:
基于已有排放清单或经验估计,获取研究区域的初始污染源排放数据。
3.如权利要求1所述的反演估算方法,其特征在于,所述获取待反演区域排放上下限,包括:
若研究区域已建立过排放清单,则利用不确定性分析方法获取待反演区域排放上下限;
若研究区域未建立过排放清单,可根据排放量经验估计结果、结合当地社会经济情况做初步估计或做非负约束,得到待反演区域排放上下限。
4.如权利要求1所述的反演估算方法,其特征在于,所述基于气象模式对研究区域进行预设分辨率的气象模拟,包括:
选取模拟基准年;
收集气象模式所需的地形及土地利用资料;
通过气象模式对研究区域进行模拟:
收集所选基准年研究区域内各气象站点各季代表月气象观测数据;
对气象模型模拟结果进行验证。
5.如权利要求1所述的反演估算方法,其特征在于,在所述气象-空气质量模型的设置中:
以研究区域内的待反演区域作为源体,以监测站点所在的目标区域作为受体;
通过数值模拟研究获取满足污染源反演估算时空分辨率要求的源排放-受体浓度关系。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297266.2A CN111523717B (zh) | 2020-04-15 | 2020-04-15 | 一种大气污染物排放清单的反演估算方法 |
PCT/CN2020/122574 WO2021208393A1 (zh) | 2020-04-15 | 2020-10-21 | 一种大气污染物排放清单的反演估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297266.2A CN111523717B (zh) | 2020-04-15 | 2020-04-15 | 一种大气污染物排放清单的反演估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523717A CN111523717A (zh) | 2020-08-11 |
CN111523717B true CN111523717B (zh) | 2023-05-16 |
Family
ID=71904228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010297266.2A Active CN111523717B (zh) | 2020-04-15 | 2020-04-15 | 一种大气污染物排放清单的反演估算方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111523717B (zh) |
WO (1) | WO2021208393A1 (zh) |
Families Citing this family (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523717B (zh) * | 2020-04-15 | 2023-05-16 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
CN112052619B (zh) * | 2020-09-08 | 2021-04-30 | 自然资源部第一海洋研究所 | 空气污染粒子信息的优化方法、装置及电子设备 |
CN112036656A (zh) * | 2020-09-08 | 2020-12-04 | 南京创蓝科技有限公司 | 一种高污染物排放企业的规划选址方法 |
CN112085295B (zh) * | 2020-09-21 | 2021-09-21 | 中国科学院大气物理研究所 | 一种大气污染多情景控制效果快速预测评估方法 |
CN112131739A (zh) * | 2020-09-22 | 2020-12-25 | 南京创蓝科技有限公司 | 一种乡镇级别大气污染溯源的预报方法 |
CN112132336B (zh) * | 2020-09-22 | 2024-02-20 | 南京创蓝科技有限公司 | 一种pm2.5浓度的季度预测方法 |
CN112418609A (zh) * | 2020-10-30 | 2021-02-26 | 暨南大学 | 一种基于面-网格-点的大气二次污染精准溯源方法 |
CN112700009B (zh) * | 2021-03-22 | 2021-07-09 | 南京智汇环境气象产业研究院有限公司 | 一种基于遗传算法的城市pm2.5双目标控制策略优化算法 |
CN112801422B (zh) * | 2021-03-23 | 2024-01-23 | 南京智汇环境气象产业研究院有限公司 | 数值模型和线性规划模型相结合的大气污染协同控制方法 |
CN113393906A (zh) * | 2021-06-09 | 2021-09-14 | 北京市环境保护科学研究院 | VOCs排放清单的校验方法、装置、设备及介质 |
CN113420071A (zh) * | 2021-06-24 | 2021-09-21 | 天津大学 | 大气污染区域联防联控应急调控方案优选方法 |
CN114169179A (zh) * | 2021-12-14 | 2022-03-11 | 重庆市生态环境大数据应用中心 | 一种空气质量本底浓度分析方法 |
CN114564841B (zh) * | 2022-03-03 | 2022-10-18 | 上海市环境科学研究院 | 城市大气排放清单反演方法、系统、设备及存储介质 |
CN114324780B (zh) * | 2022-03-03 | 2022-08-02 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
CN114357894B (zh) * | 2022-03-11 | 2022-07-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物的处理方法、存储介质以及计算机终端 |
CN114647953B (zh) * | 2022-04-06 | 2022-10-11 | 中科三清科技有限公司 | 测算大气环境容量的方法、装置及电子设备 |
CN114547553B (zh) * | 2022-04-27 | 2022-08-02 | 河北先河环保科技股份有限公司 | 二氧化碳排放量的反演方法、装置、设备及存储介质 |
CN114841437A (zh) * | 2022-05-07 | 2022-08-02 | 中科三清科技有限公司 | 预评估排放源对空气质量贡献的方法、装置和电子设备 |
CN114971031A (zh) * | 2022-05-31 | 2022-08-30 | 中科三清科技有限公司 | 大气污染排放的溯源方法、装置、电子设备及存储介质 |
CN114819411B (zh) * | 2022-06-23 | 2022-09-13 | 航天宏图信息技术股份有限公司 | 一种基于走航监测车的大气污染物排放溯源方法和装置 |
CN115345075B (zh) * | 2022-08-17 | 2023-04-18 | 北京城市气象研究院 | 一体化气溶胶污染气象指数-气溶胶浓度估算方法及系统 |
CN115420854B (zh) * | 2022-08-22 | 2023-12-15 | 北京工业大学 | 一种基于正后向模型结合的大气污染物溯源方法 |
CN115204759A (zh) * | 2022-09-16 | 2022-10-18 | 北京弘象科技有限公司 | 一种基于多源数据的本地清单网格化制作方法和装置 |
CN115329607B (zh) * | 2022-10-14 | 2023-02-03 | 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) | 一种用于地下水污染的评估系统及方法 |
CN115931659B (zh) * | 2022-10-31 | 2023-11-03 | 信阳师范学院 | 一种城市堆场扬尘对空气质量影响评估的系统和方法 |
CN117057088B (zh) * | 2022-11-27 | 2024-03-26 | 华东师范大学 | 用于模拟场地污染物跨介质迁移累积过程的软件及方法 |
CN115952246B (zh) * | 2022-11-29 | 2023-07-04 | 中国环境科学研究院 | 基于网格的厂界污染物测算展示方法及系统 |
CN115659874B (zh) * | 2022-12-15 | 2023-03-14 | 自然资源部第一海洋研究所 | 一种基于虚拟排放量的污染物入海通量优化控制方法 |
CN115689125B (zh) * | 2022-12-27 | 2023-03-17 | 北京化工大学 | 一种基于多源数据的涉气污染源布局方法 |
CN116187095B (zh) * | 2023-04-19 | 2023-07-28 | 安徽中科蓝壹信息科技有限公司 | 一种道路交通扬尘环境影响评价方法及装置 |
CN116933356A (zh) * | 2023-05-25 | 2023-10-24 | 生态环境部环境规划院 | 基于wrf-calpuff模型的大气污染源空间布局模拟方法 |
CN116631530B (zh) * | 2023-05-29 | 2024-02-13 | 智感技术(天津)有限公司 | 污染物扩散风险识别方法、装置及设备 |
CN116415110B (zh) * | 2023-06-05 | 2023-08-15 | 武汉大学 | 基于多源遥感密度数据进行碳排放量分区网格化的方法 |
CN116402408B (zh) * | 2023-06-06 | 2023-09-26 | 北京工业大学 | 一种基于站点浓度差异的本外地排放贡献估算方法 |
CN116596158A (zh) * | 2023-06-14 | 2023-08-15 | 深圳市汉宇环境科技有限公司 | 区域污染源排放总量预测方法 |
CN116485048B (zh) * | 2023-06-25 | 2023-10-13 | 北京工业大学 | 一种大气污染物排放清单的联合优化反演方法及系统 |
CN116504330B (zh) * | 2023-06-28 | 2023-09-19 | 航天宏图信息技术股份有限公司 | 污染物浓度反演方法、装置、电子设备及可读存储介质 |
CN117059198B (zh) * | 2023-06-29 | 2024-02-23 | 华南理工大学 | 基于响应曲面模型的排放清单反馈更新方法、系统及设备 |
CN116644689B (zh) * | 2023-07-24 | 2023-11-03 | 北京工业大学 | 复杂下垫面下局地尺度大气污染源强快速反算方法及系统 |
CN116630826B (zh) * | 2023-07-25 | 2023-10-03 | 中国石油大学(华东) | 基于卫星遥感观测的甲烷排放重点区域识别定位方法 |
CN116739224B (zh) * | 2023-08-14 | 2023-11-03 | 中科三清科技有限公司 | 确定重点污染源的贡献浓度的方法、装置与存储介质 |
CN116739190B (zh) * | 2023-08-14 | 2023-12-01 | 中科三清科技有限公司 | 优化污染控制的减排比例、减排成本与管控时间的方法 |
CN117116381A (zh) * | 2023-09-08 | 2023-11-24 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
CN117034660B (zh) * | 2023-10-08 | 2024-01-26 | 暨南大学 | 一种街区尺度空气质量预报方法 |
CN117217027B (zh) * | 2023-11-02 | 2024-01-30 | 中国人民解放军国防科技大学 | 基于四维变分同化的污染物点源廓线排放估算方法和装置 |
CN117408856B (zh) * | 2023-12-13 | 2024-03-26 | 浙江省生态环境监测中心(浙江省生态环境信息中心) | 污染物溯源方法、装置、存储介质及电子设备 |
CN117610895B (zh) * | 2024-01-23 | 2024-04-16 | 中科三清科技有限公司 | 重点污染源管控时间的确定方法、装置、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628852A (zh) * | 2012-03-13 | 2012-08-08 | 北京工业大学 | 基于污染物来源识别技术的大气污染源分级方法 |
CN109916788A (zh) * | 2019-01-14 | 2019-06-21 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
WO2020043027A1 (zh) * | 2018-08-25 | 2020-03-05 | 司书春 | 一种大气污染预测中对区域边界优化的方法 |
CN110909483A (zh) * | 2019-12-03 | 2020-03-24 | 河北先河环保科技股份有限公司 | 一种基于网格化数据的点源大气污染物排放清单校验方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10372846B2 (en) * | 2015-11-12 | 2019-08-06 | International Business Machines Corporation | Retrieving pollution emission source using CFD and satellite data |
CN106649960B (zh) * | 2016-10-12 | 2020-03-20 | 环境保护部环境规划院 | 大气多污染物环境容量三维迭代计算方法 |
CN111523717B (zh) * | 2020-04-15 | 2023-05-16 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
-
2020
- 2020-04-15 CN CN202010297266.2A patent/CN111523717B/zh active Active
- 2020-10-21 WO PCT/CN2020/122574 patent/WO2021208393A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628852A (zh) * | 2012-03-13 | 2012-08-08 | 北京工业大学 | 基于污染物来源识别技术的大气污染源分级方法 |
WO2020043027A1 (zh) * | 2018-08-25 | 2020-03-05 | 司书春 | 一种大气污染预测中对区域边界优化的方法 |
CN109916788A (zh) * | 2019-01-14 | 2019-06-21 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
CN110909483A (zh) * | 2019-12-03 | 2020-03-24 | 河北先河环保科技股份有限公司 | 一种基于网格化数据的点源大气污染物排放清单校验方法 |
Non-Patent Citations (1)
Title |
---|
王继康 等.同化反演方法在污染源清单更新中的应用.《环境工程技术学报》.2018,第8卷(第6期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
WO2021208393A1 (zh) | 2021-10-21 |
CN111523717A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523717B (zh) | 一种大气污染物排放清单的反演估算方法 | |
Zhong et al. | A city-scale estimation of rooftop solar photovoltaic potential based on deep learning | |
Carmichael et al. | The MICS-Asia study: model intercomparison of long-range transport and sulfur deposition in East Asia | |
CN113297528B (zh) | 一种基于多源大数据的no2高分辨率时空分布计算方法 | |
CN109916788B (zh) | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 | |
CN111260111B (zh) | 基于气象大数据的径流预报改进方法 | |
Small et al. | Changes in surface air temperature caused by desiccation of the Aral Sea | |
Liang et al. | Evaluation of a data fusion approach to estimate daily PM2. 5 levels in North China | |
Monteiro et al. | Trends in ozone concentrations in the Iberian Peninsula by quantile regression and clustering | |
Jiménez et al. | Influence of initial and boundary conditions for ozone modeling in very complex terrains: A case study in the northeastern Iberian Peninsula | |
CN110096795B (zh) | 一种大气雾霾数值预报的校正预报方法及系统 | |
CN116011317B (zh) | 一种基于多方法融合的小尺度近实时大气污染溯源方法 | |
CN115795399B (zh) | 一种多源遥感降水数据自适应融合方法和系统 | |
CN112016696A (zh) | 融合卫星与地基观测的pm1浓度反演方法及系统 | |
Wu et al. | Application of an integrated Weather Research and Forecasting (WRF)/CALPUFF modeling tool for source apportionment of atmospheric pollutants for air quality management: A case study in the urban area of Benxi, China | |
Sun et al. | Quantifying variability, source, and transport of CO in the urban areas over the Himalayas and Tibetan Plateau | |
Nasonova et al. | Projecting changes in Russian northern river runoff due to possible climate change during the 21st century: a case study of the Northern Dvina, Taz and Indigirka rivers | |
Ryu et al. | Long-term evaluation of atmospheric composition reanalyses from CAMS, TCR-2, and MERRA-2 over South Korea: Insights into applications, implications, and limitations | |
Zhao et al. | Coupling meteorological stations data and satellite data for prediction of global solar radiation with machine learning models | |
Kikegawa et al. | A quantification of classic but unquantified positive feedback effects in the urban-building-energy-climate system | |
CN116485048B (zh) | 一种大气污染物排放清单的联合优化反演方法及系统 | |
Bahari et al. | Prediction of PM2. 5 concentrations using temperature inversion effects based on an artificial neural network | |
Huang et al. | Application of air parcel residence time analysis for air pollution prevention and control policy in the Pearl River Delta region | |
López-Bravo et al. | Forecasting summertime surface temperature and precipitation in the Mexico City metropolitan area: Sensitivity of the WRF model to land cover changes | |
CN114878748B (zh) | 一种co2排放量的监测方法及监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |