CN113435068A - 一种基于对数变分同化的放射性核素同化预报方法 - Google Patents

一种基于对数变分同化的放射性核素同化预报方法 Download PDF

Info

Publication number
CN113435068A
CN113435068A CN202110991600.9A CN202110991600A CN113435068A CN 113435068 A CN113435068 A CN 113435068A CN 202110991600 A CN202110991600 A CN 202110991600A CN 113435068 A CN113435068 A CN 113435068A
Authority
CN
China
Prior art keywords
assimilation
radionuclide
logarithmic
observation data
nuclide
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.)
Pending
Application number
CN202110991600.9A
Other languages
English (en)
Inventor
臧增亮
王溢婕
方晟
胡译文
李毅
尤伟
叶芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110991600.9A priority Critical patent/CN113435068A/zh
Publication of CN113435068A publication Critical patent/CN113435068A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Molecular Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of Radiation (AREA)

Abstract

本发明公开了基于对数变分同化的放射性核素同化预报方法，包括步骤：收集研究区域内放射性核素的观测数据；对收集到的观测数据进行对数变换；基于变分同化目标泛函的公式建立对数同化系统；统计背景误差，更改观测误差，利用对数同化系统对放射性核素观测数据进行资料同化，得到优化的初始场；将得到的优化初始场代入大气化学模式中进行放射性核素的核污染预报。本发明融合了实际观测数据，相对于普通同化系统来说，更适应核污染分布特征，可更好地融合观测信息，显著提高了模式预报的初始场效果，从而提高了模式预报水平，显著提升核素预报的短期预报效果。

Description

一种基于对数变分同化的放射性核素同化预报方法
技术领域
本发明属于大气污染数值模拟技术领域，尤其涉及一种基于对数变分同化的放射性核素同化预报方法。
背景技术
核事故是一种十分严重的事故，核污染预报是大气污染模式预报的重要内容，但由于资料获取艰难，模式不够完备，开展的研究较少，目前对核污染的预报仍存在较大的误差。
目前核污染的预报主要是利用大气模式进行连续地预报，预报准确率较低。对于核素预报的主要集中点在于模式和排放源。现在对于核素预报的主要模式采用大气化学模式，在传统污染物模块的基础上改进，将核素的放射性衰变融入模式；排放源的模拟也是核污染预报的研究要点，目前对于源项反演主要采用变分同化和卡尔曼滤波的方法。现如今核污染的预报准确率低的原因一方面是模式中放射性核素的参数化方案不够精细；另一方面是模式在核污染物源项处理、资料同化等方面还不成熟，目前的模式通常不对核素的初始场进行资料同化，没有充分利用前期的核素观测资料。因此可以从设计核素对数同化系统，充分利用观测资料来改进模式初始场，从而改进预报效果，促进核污染扩散研究发展。
发明内容
本发明首次针对放射性核素建立符合其扩散规律的对数同化系统，并将资料同化融入核事故污染物扩散预报中去，通过改进模式的初始场，达到提高核污染扩散预报准确度的目的。本发明将针对WRF-Chem大气化学模式，以Cs137为对数控制变量，发展对数资料同化模型，将观测资料用于改进模式的初始场，开展核素初始场对数同化研究，利用改进后的初始场进行核污染预报。本发明首次利用对数变分同化进行核污染扩散预报，有效提升了核污染短期预报的准确率。
本发明采用的技术方案如下：
本发明涉及的基于对数变分同化方法，主要目的在于对以往的核素预报初始场进行优化。具体做法是建立起一个适用于放射性核素的对数变分同化系统，并通过调整背景误差和观测误差等因素的影响，进一步使得核素的初始场效果得以提升。
本发明的基于对数变分同化的放射性核素同化预报方法的设计思想是：
先获取放射性核素的地面观测数据、气象观测数据、气象再分析资料；
再基于大气化学模式和气溶胶变分同化方法建立针对放射性核素的对数变分同化系统，并对核素Cs137的地面观测资料进行同化，得到优化的Cs137预报分析场；
最后将Cs137预报分析场作为预报初始场代入大气化学模式中进行核污染预报。
具体来说，本发明包括步骤：
步骤1：收集研究区域内放射性核素的观测数据；
步骤2：对收集到的观测数据进行对数变换；
步骤3：基于变分同化目标泛函的公式建立对数同化系统；
变分同化目标泛函公式为：
Figure 703437DEST_PATH_IMAGE001
其中，x称为同化系统中的控制变量，它是一个向量，其元素为数值模式的三维网格点处的核素变量的质量浓度值，而变分同化系统的最终目的是通过数值求解程序可得到最优解x=xa，则xa为求解得到的核素分析场。
b称为背景场，向量的结构与x相同，一般取数值模式在先前时刻的预报结果作为背景场。B是背景误差协方差。
y称为观测变量，是一个向量，其元素为各个观测点的观测值。
H称为观测算子，核素同化中由于x与y都是核素的浓度变量，因此该算子无需单独计算。R是观测误差协方差。
本发明的核心内容是建立核素的对数同化系统，同时为了适应核素分布，将同化系统进行对数变化，建立核素的对数同化系统，主要在于系统对数化变化、控制变量设计和相关协方差计算的更改和数据处理。由于实例和一般核污染扩散普遍性的核素浓度分布情况，本发明在对同化程序进行更改时对于所有变量都进行了一步对数变化，可以使所得到的观测数据分布情况与正态分布更为贴合。
步骤4：统计背景误差，更改观测误差，利用所述对数同化系统对放射性核素观测数据进行资料同化，得到优化的初始场；
步骤5：将得到的优化初始场代入大气化学模式中进行放射性核素的核污染预报。
本发明的有益效果是：本发明融合了实际观测数据，相对于普通同化系统来说，本对数同化系统更适应核污染分布特征，可以更好地融合观测信息，结果显著提高了模式预报的初始场效果，从而提高了模式预报水平。本发明相对于其他方法可以显著提升核素预报的短期预报效果，为提高核污染的预报预警准确率提供新的思路和方法。
附图说明
图1为本发明基于对数变分同化的放射性核素同化预报方法流程图；
图2为实施例中2011年3月15日06时不进行同化的初始场效果图；
图3为实施例中2011年3月15日06时采用对数变分同化后的初始场效果图；
图4为采用变分同化前后初始场模拟结果与实际观测数据的散点图；
图5为2011年3月15日同化前后模式模拟预报的均方根误差RMSE随预报时长的变化；
图6为2011年3月15日同化前后模式模拟预报的相关系数CORR随预报时长的变化；
图7为2011年3月15日同化前后模式模拟预报的平均偏差BIAS随预报时长的变化；
图8为2011年3月15日同化前后模式模拟预报的空气比活度FAC10随预报时长的变化。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细地描述。本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实际例子，对本发明方法进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种基于对数变分同化的放射性核素同化预报方法，它包括步骤如下：
步骤1：收集Cs137逐小时观测资料。资料来自Haruo Tsuruta（2014）的研究中提出的获取每小时大气中137Cs的浓度的新方法，资料为2011年3月15日Cs137浓度资料。
步骤2：利用大气化学模式进行模拟，得到初始时刻化学场的浓度分布。
步骤3：使用核素对数同化系统，利用Cs137地面观测资料对步骤2得到的初始场进行同化，得到最优的Cs137浓度分析场。
步骤4：利用步骤3中得到的Cs137浓度分析场代入大气化学模式中进行模拟预报并比较预报效果。
以2011年3月15日的日本福岛核事故为例，结合附图1所示步骤，进行核素同化预报试验，研究区域包括日本本州岛地区，分辨率为27km，具体包括如下步骤：
预报系统实验室（FSL）开发的，气象模式（WRF）和化学模式（Chem）在线完全耦合的区域空气质量模式，WRF-Chem模式为现有技术，本发明不再赘述。
步骤1：收集试验时间内的地面Cs137观测数据，对数据进行对数变换。利用WRF-Chem大气化学模式对15日06时起的Cs137扩散进行模拟预报。WRF-Chem模式是由美国NOAA
步骤2：设计核素对数同化系统，并对污染物观测数据进行初始场同化，得到Cs137浓度分析场；
其中，变分同化目标泛函的如下：
Figure 952016DEST_PATH_IMAGE001
其中，x称为同化系统中的控制变量，它是一个向量，其元素为数值模式的三维网格点处的核素变量的质量浓度值，而变分同化系统的最终目的是通过数值求解程序可得到最优解x=xa，则xa为求解得到的核素分析场。
b称为背景场，向量的结构与x相同，一般取数值模式在先前时刻的预报结果作为背景场。B是背景误差协方差。
称为观测变量，是一个向量，其元素为各个观测点的观测值。
称为观测算子，核素同化中由于x与y都是核素的浓度变量，因此该算子无需单独计算。R是观测误差协方差。
图2、图3为本实施例中，2011年3月15日06时采用对数变分同化前后的初始场对比图，单位：Bq/m3。其中：图2为不进行同化的初始场效果图，图3为进行同化的初始场效果图。
步骤3：将Cs137浓度分布场作为化学初始场，基于大气化学模式进行预报，并将得到的结果进行量化评分。表1为同化前后核素模拟结果的18小时平均量化评分。
表1同化前后核素模拟结果的18小时平均量化评分
均方根误差 相关系数 平均偏差 空气比活度
控制试验 1.33 0.48 0.97 0.29
对数同化试验 1.10 0.56 0.79 0.36
图4为采用变分同化前后初始场模拟结果与实际观测数据的散点图，单位：Bq/m3。图5、图6、图7和图8为2011年3月15日同化前后模式模拟预报的量化评分指标随预报时长的变化，其中：图5为均方根误差RMSE随预报时长的变化，图6为相关系数CORR随预报时长的变化，图7为平均偏差BIAS随预报时长的变化，图8为空气比活度FAC10随预报时长的变化。
本发明设计适用于核素的对数同化系统，通过同化地面核素Cs137的观测数据，改进核素预报的初始场，从而有效提升对于核素预报的准确率；本发明可以显著提升核素预报的短期预报效果，为提高核污染的预报预警准确率提供新的思路和方法。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (5)

1.一种基于对数变分同化的放射性核素同化预报方法，其特征在于，包括以下步骤：
步骤1：收集研究区域内放射性核素的观测数据；
步骤2：对收集到的观测数据进行对数变换；
步骤3：基于变分同化目标泛函的公式建立对数同化系统；
步骤4：统计背景误差，更改观测误差，利用所述对数同化系统对放射性核素观测数据进行资料同化，得到优化的初始场；
步骤5：将得到的优化初始场代入大气化学模式中进行放射性核素的核污染预报。
2.根据权利要求1所述的一种基于对数变分同化的放射性核素同化预报方法，所述观测数据包括放射性核素的地面观测数据、气象观测数据、气象再分析资料，所述放射性核素为Cs137。
3.根据权利要求1所述的一种基于对数变分同化的放射性核素同化预报方法，所述变分同化目标泛函的公式如下：
Figure 23922DEST_PATH_IMAGE001
其中，x为同化系统中的控制变量，是一个向量，其元素为数值模式的三维网格点处的核素变量的质量浓度值，xb称为背景场，B是背景误差协方差，y为观测变量，是一个向量，其元素为各个观测点的观测值，H为观测算子，R是观测误差协方差。
4.根据权利要求1所述的一种基于对数变分同化的放射性核素同化预报方法，其特征在于步骤3中，采用对数变分方法先对核素初始场进行同化，将得到分析场作为化学初始场进行预报。
5.根据权利要求1所述的一种基于对数变分同化的放射性核素同化预报方法，所述大气化学模式为WRF-Chem大气化学模式。
CN202110991600.9A 2021-08-27 2021-08-27 一种基于对数变分同化的放射性核素同化预报方法 Pending CN113435068A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110991600.9A CN113435068A (zh) 2021-08-27 2021-08-27 一种基于对数变分同化的放射性核素同化预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110991600.9A CN113435068A (zh) 2021-08-27 2021-08-27 一种基于对数变分同化的放射性核素同化预报方法

Publications (1)

Publication Number Publication Date
CN113435068A true CN113435068A (zh) 2021-09-24

Family

ID=77798129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110991600.9A Pending CN113435068A (zh) 2021-08-27 2021-08-27 一种基于对数变分同化的放射性核素同化预报方法

Country Status (1)

Country Link
CN (1) CN113435068A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112995A (zh) * 2021-12-01 2022-03-01 中国人民解放军国防科技大学 基于三维变分技术的气溶胶光学特性资料同化方法和装置
CN117217027A (zh) * 2023-11-02 2023-12-12 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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160091474A1 (en) * 2014-09-29 2016-03-31 Tanguy Griffon Method and a System for Determining at Least One Forecasted Air Quality Health Effect Caused in a Determined Geographical Area by at Least One Air Pollutant
CN109709577A (zh) * 2018-12-28 2019-05-03 南京雨后地软环境技术有限公司 一种基于WRF-Chem模式的气溶胶激光雷达反演PM2.5的三维变分同化方法
CN111048161A (zh) * 2019-10-22 2020-04-21 中国人民解放军国防科技大学 一种基于improve方程的气溶胶消光系数的三维变分同化方法
CN111353634A (zh) * 2020-02-12 2020-06-30 中国人民解放军国防科技大学 一种基于模式初始场同化的二氧化硫排放源优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160091474A1 (en) * 2014-09-29 2016-03-31 Tanguy Griffon Method and a System for Determining at Least One Forecasted Air Quality Health Effect Caused in a Determined Geographical Area by at Least One Air Pollutant
CN109709577A (zh) * 2018-12-28 2019-05-03 南京雨后地软环境技术有限公司 一种基于WRF-Chem模式的气溶胶激光雷达反演PM2.5的三维变分同化方法
CN111048161A (zh) * 2019-10-22 2020-04-21 中国人民解放军国防科技大学 一种基于improve方程的气溶胶消光系数的三维变分同化方法
CN111353634A (zh) * 2020-02-12 2020-06-30 中国人民解放军国防科技大学 一种基于模式初始场同化的二氧化硫排放源优化方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
梁延飞: "《基于IMPROVE方程观测算子的多源气溶胶资料的同化研究》", 《中国优秀博硕士学位论文全文数据库(硕士)》 *
白晓平等: "《资料同化在空气质量预报中的应用》", 《地球科学进展》 *
程胜高编: "《环境统计学》", 31 December 1988, 武汉：中国地质大学出版社 *
胡译文等: "《基于WRF_Chem的气象资料同化对气溶胶模拟的影响》", 《第35届中国气象学会年会 S12 大气成分与天气、气候变化与环境影响暨环境气象预报及影响评估》 *
陈明明等: "《Alpha正态分布及其在环境污染中的应用》", 《统计与信息论坛》 *
高玉堂主编: "《环境监测常用统计方法》", 30 April 1981, 北京：原子能出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112995A (zh) * 2021-12-01 2022-03-01 中国人民解放军国防科技大学 基于三维变分技术的气溶胶光学特性资料同化方法和装置
CN114112995B (zh) * 2021-12-01 2024-01-30 中国人民解放军国防科技大学 基于三维变分技术的气溶胶光学特性资料同化方法和装置
CN117217027A (zh) * 2023-11-02 2023-12-12 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
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

Similar Documents

Publication Publication Date Title
CN112905560B (zh) 一种多源时空大数据深度融合的空气污染预测方法
CN110457829B (zh) 一种基于集成大气扩散模型的源项释放反演和扩散预测方法
CN113435068A (zh) 一种基于对数变分同化的放射性核素同化预报方法
Banbury Morgan et al. Global patterns of forest autotrophic carbon fluxes
CN105784556A (zh) 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法
CN113435630B (zh) 一种产流模式自适应的流域水文预报方法及系统
CN106229972A (zh) 一种基于多气象源集成并分段建模的风电功率预测方法
CN113108918B (zh) 一种极轨气象卫星热红外遥感数据反演气温方法
Chen et al. Proactive quality control: Observing system simulation experiments with the Lorenz’96 model
CN105866330A (zh) 一种基于ISCST-3模型反算工业面源VOCs排放源强方法
CN115453064B (zh) 一种细颗粒物空气污染成因分析方法及系统
CN108802856A (zh) 一种基于ai的源数据动态修正预报系统及其工作方法
CN114595876A (zh) 一种区域风场预测模型生成方法和装置、电子设备
CN110046756B (zh) 基于小波去噪与Catboost的短时天气预报方法
CN110019167B (zh) 一种中长期新能源资源资料库构建方法及系统
Lee et al. Development of a deep neural network for predicting 6 h average PM 2.5 concentrations up to 2 subsequent days using various training data
CN113834902A (zh) 一种基于四维变分同化的二氧化硫排放源反演方法
CN110968929A (zh) 风电场风速的预测方法、装置及电子设备
CN116502050B (zh) 全球通量站点蒸散发观测缺失的动态插补方法与系统
CN106934094B (zh) 一种基于二十四节气的风电功率预测方法
Wang et al. Estimation of urban AQI based on interpretable machine learning
CN112016744A (zh) 一种基于土壤水分的森林火灾预测方法、装置及存储介质
CN116930423A (zh) 一种空气质量模型模拟效果的自动验证评估方法及系统
Khan et al. An outlook of ozone air pollution through comparative analysis of artificial neural network, regression, and sensitivity models
Morrison et al. Understanding model-based uncertainty in climate science

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210924

RJ01 Rejection of invention patent application after publication