CN113570163A - 基于数学模型的大气臭氧浓度预测方法、系统和装置 - Google Patents
基于数学模型的大气臭氧浓度预测方法、系统和装置 Download PDFInfo
- Publication number
- CN113570163A CN113570163A CN202111024987.7A CN202111024987A CN113570163A CN 113570163 A CN113570163 A CN 113570163A CN 202111024987 A CN202111024987 A CN 202111024987A CN 113570163 A CN113570163 A CN 113570163A
- Authority
- CN
- China
- Prior art keywords
- atmospheric
- ozone
- data
- ozone concentration
- prediction
- 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
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明公开了一种基于数学模型的大气臭氧浓度预测方法、系统和装置,该方法包括:获取数据、选取自变量、确定因变量、数据归一化处理、拟合并检验预测方程、代入自变量并计算得到臭氧预测值等步骤。该臭氧浓度预测系统包括数据采集模块、数据预处理模块、拟合模块、数据后处理及输出模块等。该臭氧浓度预测装置包括数据采集装置、处理器和存储器。采用本发明的方法、系统和装置能够将影响大气中臭氧生成的显著因素纳入预测数学模型中,充分考虑不同季节和月份对臭氧生成的影响,方法简单易操作,具有较高的预测精度,可结合预测模型中数值预测的模拟结果,进一步判断订正形成综合预报,为相关部门开展光化学污染趋势预报提供依据。
Description
技术领域
本发明涉及空气质量预报技术领域,具体涉及一种基于数学模型的大气臭氧浓度预测方法、系统和装置。
背景技术
臭氧(O3)是空气质量中的重要指标之一,其作为光化学反应中重要的二次污染物,是光化学烟雾污染的重要指标,其浓度水平也是大气氧化状态的一个重要表征,因此,开展大气中O3浓度的研究与预测具有重要意义。
目前,对大气中O3浓度变化及预测主要集中在前体物质,例如NOx和VOCs等污染物对O3浓度的影响,多为定性研究,但实际上O3的生成与前体物浓度之间并不是简单的线性关系,且不同方式贡献的O3,其生成机制不同。以前体物质浓度为基础的臭氧浓度预测,因未考虑其他与臭氧生成有关的因素,例如光照、温度、湿度、气压等天气条件,也没有考虑不同季节和月份的影响,其准确性受到一定限制。
综上所述,现有的臭氧浓度预测方法存在精确度不高,未考虑不同季节和月份的影响等问题。因此,需要建立一种基于数学模型的大气臭氧浓度预测方法、系统和装置,提高大气臭氧浓度预报的准确性,降低其预报的复杂性。
发明内容
为此,本发明提供一种基于数学模型的大气臭氧浓度预测方法、系统和装置,能够将影响大气中臭氧生成的显著因素纳入预测数学模型中,充分考虑不同季节和月份对臭氧生成的影响,方法简单易操作,具有较高的预测精度,为相关部门提供决策支持。
为了实现上述目的,本发明提供如下技术方案:
一种基于数学模型的大气臭氧浓度预测方法,所述方法包括:
步骤1)获取气象数据和大气污染物数据;
步骤2)选取步骤1)所述数据中对臭氧生成影响显著的参数,作为大气臭氧浓度预测数学模型的自变量;
步骤3)取臭氧生成值作为所述大气臭氧浓度预测数学模型的因变量,所述臭氧生成值是白天臭氧监测值平均值与臭氧背景值之差,所述臭氧背景值是与所述白天相接的前一黑天臭氧监测值的最小值;
步骤4)将所述自变量和所述因变量进行归一化处理,得到与所述自变量和所述因变量对应的无量纲数值;
步骤5)利用stepwise函数和regress函数对所述无量纲数值进行逐步线性拟合,并进行显著性检验,得到通过显著性检验的大气臭氧浓度预测方程;
步骤6)将待预测时间的气象和大气污染物的实测值或者预测值代入所述大气臭氧浓度预测方程,计算得到归一化的臭氧生成预测值,对所述归一化的臭氧生成值进行反归一化运算,得到臭氧生成预测值。
优选地,所述气象数据和大气污染物数据包括已经实际取得的气象和大气污染物数据。
优选地,所述对臭氧生成影响显著的参数包括紫外辐射强度、相对湿度、温度、气压、PM10、PM2.5、NO2、SO2、CO、非甲烷总烃。
优选地,所述白天和黑天以日出和日落时间界定。
优选地,所述归一化处理是指利用mapminmax函数对所述自变量和所述因变量进行归一化处理,统一映射到[0,1]范围内,以消除因子之间的量纲影响。
优选地,所述用于拟合大气臭氧浓度预测方程的气象数据和大气污染物数据包括一年中某个月份的数据,或者包括多年的同一月份的数据。
优选地,所述大气臭氧浓度预测方程的拟合使用matlab软件拟合得到。
本发明还提供一种基于数学模型的大气臭氧浓度预测系统,所述系统包括:
数据采集模块,用于获取气象数据和大气污染物数据;
数据预处理模块,用于选取所述数据中对臭氧生成影响显著的参数,作为大气臭氧浓度预测数学模型的自变量,设定所述大气臭氧浓度预测数学模型的因变量,对所述自变量和所述因变量进行归一化处理,得到与所述自变量和所述因变量对应的无量纲数值;
拟合模块,用于利用stepwise函数和regress函数对所述无量纲数值进行逐步线性拟合,并进行显著性检验,得到通过显著性检验的大气臭氧浓度预测方程;
数据后处理及输出模块,用于将待预测时间的气象和大气污染物的实测值或者预测值代入所述大气臭氧浓度预测方程,计算得到归一化的臭氧生成预测值,对所述归一化的臭氧生成值进行反归一化运算,得到并输出臭氧生成预测值。
本发明还提供一种基于数学模型的大气臭氧浓度预测装置,所述装置包括:数据采集装置、处理器和存储器;
所述数据采集装置用于采集所述气象数据和大气污染物数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行如上所述的方法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中包含一个或多个程序指令,当其在计算机上运行时,使得计算机执行如上所述的方法。
在一种或几种具体实施方式中,本发明所提供的基于数学模型的大气臭氧浓度预测方法、系统和装置具有以下技术效果:①将自变量因子逐个引入,引入因子的条件是引入该因子时使拟合方程的确定系数和调整R2明显升高,在引入所有因子后对方程内的因子进行方差检验,将方差贡献不显著的因子剔除,保证最后方程中所有因子都是显著的,能够得到预测结果较为准确地数学模型;②本发明根据不同季节、月份的特征,建立了具有不同月份特性的预测方程;③本发明的方法简单且易于操作,与一般的预报模式相比,笨方法在对数据、预报精度等的要求上具有一定的优势;④建立的预测模型中,专家可结合数值预报模拟结果,进一步判断订正形成综合预报,为管理部门提供决策信息。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明所提供的基于数学模型的大气臭氧浓度预测方法一种实施方式的流程图;
图2为2020年石家庄市8-11月O3预报结果与实测值对比图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,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。
本发明所提供的一种基于数学模型的大气臭氧浓度预测方法、系统和装置,能够将影响大气中臭氧生成的显著因素纳入预测数学模型中,充分考虑不同季节和月份对臭氧生成的影响,方法简单易操作,具有较高的预测精度,为相关部门提供决策支持。
在一种实施方式中,本发明提供如下技术方案:
一种基于数学模型的大气臭氧浓度预测方法,如图1所示,该方法包括:
步骤1)获取气象数据和大气污染物数据;
步骤2)选取步骤1)所述数据中对臭氧生成影响显著的参数,作为大气臭氧浓度预测数学模型的自变量;
步骤3)取臭氧生成值作为所述大气臭氧浓度预测数学模型的因变量,所述臭氧生成值是白天臭氧监测值平均值与臭氧背景值之差,所述臭氧背景值是与所述白天相接的前一黑天臭氧监测值的最小值;
步骤4)将所述自变量和所述因变量进行归一化处理,得到与所述自变量和所述因变量对应的无量纲数值;
步骤5)利用stepwise函数和regress函数对所述无量纲数值进行逐步线性拟合,并进行显著性检验,得到通过显著性检验的大气臭氧浓度预测方程;
步骤6)将待预测时间的气象和大气污染物的实测值或者预测值代入所述大气臭氧浓度预测方程,计算得到归一化的臭氧生成预测值,对所述归一化的臭氧生成值进行反归一化运算,得到臭氧生成预测值。
在一种具体实施方式中,步骤1)的气象数据和大气污染物数据包括某年1-12月逐日的气象数据和污染物数据。
在一种具体实施方式中,步骤5)得到的大气臭氧浓度预测方程的一种表达形式为:
其中,y为O3生成值的预测值,x1,x2,……,xk分别表示气象参数和/或污染参数的预测值或实测值,a0是常数系数,a1,……,ak是回归系数。其中,k值因月份不同而不同。
在一种具体实施方式中,步骤5)的显著性检验包括F检验、t检验。
需要进一步说明的是,要预测的某日臭氧浓度值应在得到的预测方程所对应的月份内。例如若需要对某地某月某日的臭氧浓度进行预测,需要将该日相应的气象和大气污染物的实测值或者预测值,代入使用该月往年的数据拟合得到的预测方程中计算得到。
在一种具体实施方式中,步骤6)得到归一化的臭氧生成预测值后,采用如下公式计算待预测时间的O3浓度预测值:
O3=y*(max-min)+min
其中,O3表示O3浓度预测值,y为O3生成值的预测值,系归一化的数值,max、min分别取步骤3)中计算得出的待预测月份臭氧生成值日均值的最大值和最小值。
需要说明的是,本发明的预测是指对未来某一时间的O3浓度进行预测。
需要进一步说明的是,造成k值不同的原因是,不同月份选取的对臭氧生成影响显著的参数数量不同,即选取的自变量数目不同。例如在对某地12月份的臭氧浓度预测时,选取UVA、CO、SO2、气压作为自变量,其k值为4;在对该地9月份的臭氧浓度预测时,选取PM10、SO2、温度作为自变量,则k值为3。
在一种具体实施方式中,该气象数据和大气污染物数据包括已经实际取得的气象和大气污染物数据。
在一种具体实施方式中,对臭氧生成影响显著的参数包括紫外辐射强度、相对湿度、温度、气压、PM10、PM2.5、NO2、SO2、CO、非甲烷总烃。
在一种具体实施方式中,白天和黑天以日出和日落时间界定。
需要进一步说明的是,步骤3)的“白天”定义为某日的日出至日落时间段,“黑天”定义为某日的日落至次日的日出时间段。将待预测月份“黑天”臭氧监测值的最小值作为次日的臭氧背景值,次日“白天”的臭氧监测值平均值与臭氧背景值做差,即为次日的臭氧生成值,将待测月份的臭氧生成值作为预测方程的因变量。
在一种具体实施方式中,归一化处理是指利用mapminmax函数对自变量和因变量进行归一化处理,即将数据转化为无量纲的纯数值,统一映射到[0,1]范围内,以消除因子之间的量纲影响。mapminmax函数包括matlab软件中的mapminmax函数。
在一种具体实施方式中,用于拟合大气臭氧浓度预测方程的气象数据和大气污染物数据包括一年中某个月份的数据,或者包括多年的同一月份的数据。例如,在对2021年11月的臭氧浓度进行预测时,可以选择2020年11月的数据拟合预测方程,也可以选择2016-2020年这五年的所有11月份的数据拟合预测方程,这样可以增大数据量,提高拟合得到的预测方程的精度。
在一种具体实施方式中,大气臭氧浓度预测方程的拟合使用matlab软件拟合得到。
除了上述方法,本发明还提供一种基于数学模型的大气臭氧浓度预测系统,该系统包括:
数据采集模块,用于获取气象数据和大气污染物数据;
数据预处理模块,用于选取所述数据中对臭氧生成影响显著的参数,作为大气臭氧浓度预测数学模型的自变量,设定大气臭氧浓度预测数学模型的因变量,对自变量和因变量进行归一化处理,得到与自变量和因变量对应的无量纲数值;
拟合模块,用于利用stepwise函数和regress函数对无量纲数值进行逐步线性拟合,并进行显著性检验,得到通过显著性检验的大气臭氧浓度预测方程;
数据后处理及输出模块,用于将待预测时间的气象和大气污染物的实测值或者预测值代入大气臭氧浓度预测方程,计算得到归一化的臭氧生成预测值,对归一化的臭氧生成值进行反归一化运算,得到并输出臭氧生成预测值。
基于相同的技术构思,本发明还提供一种基于数学模型的大气臭氧浓度预测装置,该装置包括:数据采集装置、处理器和存储器;
数据采集装置用于采集所述气象数据和大气污染物数据;存储器用于存储一个或多个程序指令;处理器,用于执行一个或多个程序指令,用以执行如上所述的方法。
基于相同的技术构思,本发明还提供一种计算机可读存储介质,该计算机可读存储介质中包含一个或多个程序指令,当其在计算机上运行时,使得计算机执行如上所述的方法。
在一个具体实施例中,以石家庄市2020-2021年度的预测数据为例进行说明。
在本实施例中,紫外辐射强度(UVA、UVB)数据主要来源于石家庄市UV1000-H太阳辐射观测系统,主要由CMP22总辐射表、UVS-A-T、UVS-B-T紫外辐射表、CR1000数据采集器、Loggernet软件、供电单元及系统支架等辅助设备组成。其他气象数据主要包括:温度、相对湿度、气压,均来自于wunderground网站(网址为https://www.wunderground.com),臭氧浓度实测数据和其他污染物浓度实测数据(包括NO2、SO2、PM10、PM2.5、CO)来自于美国国家气候数据中心(网站为ftp://ftp.ncdc.noaa.gov/pub/data/noaa/isd-lite/),非甲烷总烃(NMHCs)数据由石家庄市VOCs自动在线监测仪监测得到,该在线检测仪是由AirmoVOC C2-C6分析仪和AirmoVOC C6-C12分析仪组成的气相色谱分析-火焰离子检测器(GC-FID),使用AirmOzone分析系统(ASS)得到62种NMHCs物种的小时平均浓度(ppbv)。本实施例的预测方程结合统计方法,对臭氧浓度开展分月份预测。
臭氧的浓度受污染物因素和气象因素两方面影响,大气臭氧浓度预测数学模型中的自变量主要包括污染物因子和气象因子两大类。污染物因子主要包括非甲烷总烃(NMHCs)、NO2、CO、PM10、PM2.5、SO2。其中,NO2、NMHCs和CO作为O3的前体物,其浓度的高低会直接影响O3的生成;颗粒物(PM10、PM2.5)不但会影响O3在大气中的沉降,也会影响对紫外辐射的散射作用,会对O3生成起到直接或间接的作用;SO2与O3反应生成硫酸盐,即增加了颗粒物(PM10、PM2.5)浓度,也直接减少了臭氧的浓度,是影响臭氧生成的重要因素。影响臭氧日变化的因素除了污染源贡献以外,气象因素也扮演着重要角色,气象因素主要包括:紫外辐射强度(UVA、UVB)、温度、相对湿度、气压。由于O3是光化学反应的主要产物,紫外辐射成为影响O3生成不可或缺的因素之一,尤其午后太阳辐射强度达到最大值时,一定时间内臭氧浓度也会随之达到一个峰值;温度作为太阳辐射强弱的重要指标,一般与O3浓度呈正相关关系,高温会加快臭氧光化学反应速率,促进O3的生成;相对湿度则反映了大气中水汽的含量,通常与O3浓度成反比,湿度越高,水汽对太阳辐射的吸收或散射作用越强,越不利于O3的积累;O3浓度和大气压强之间存在显著的负相关,这通常是由压强变化与其他气象因素变化之间的紧密联系引起的,气压越低,对应的温度越高,与生成O3相关的化学反应速率增加,O3浓度升高。
本实施例使用的统计预报法是以统计学为基础,核心问题是尽可能找到与预报对象有较好关系的因子,利用数学统计方法,将所选因子与预报量之间建立一定的联系。本实施例通过分析O3的来源及其浓度的变化规律,从而建立O3浓度与其影响因子之间的预测数学模型。一个完整的统计预测过程由三方面组成:物理因子的选择;数学统计关系的建立;预报效果的检验。本实施例的预测主要使用2020-2021年气象数据和污染物数据分析石家庄市臭氧污染水平和污染特征,针对石家庄市臭氧污染特征以及各因素的相关性,选取稳定性好、代表性强、与污染相关性好的气象因子和污染物因子,通过对石家庄市O3与其它影响因子线性拟合,建立最优的多元线性回归方程来进行臭氧预测。最后,通过对方程和参数的显著性检验来验证回归方程的可靠性和有效性。
本实施例初步选取的因子有紫外辐射强度(UVA、UVB)、温度、相对湿度、气压、非甲烷总烃(NMHCs)、NO2、CO、PM10、PM2.5、SO2,基本上能反映某季节的气象条件、O3前体物浓度、光化学反应等。本实施例所选择的因子均影响臭氧的生成,因此为建立准确的预测方程,本实施例选择臭氧生成值作为方程的因变量,而某日臭氧生成值的确定将由该日的日出、日落时间以及该日前一日的日落时间决定。臭氧生成值的计算方法为:将“白天”定义为某日的日出至日落时间段,“黑天”定义为某日的日落至次日的日出时间段,将待预测月份“黑天”臭氧监测值的最小值作为次日的臭氧背景值,次日“白天”的臭氧监测值平均值与臭氧背景值做差,即为次日的臭氧生成值,将待测月份的臭氧生成值作为预测方程的因变量。为保证臭氧生成值计算准确,该月“黑天”和“白天”的选择以小时为单位计算,若该月份内日出/日落时间分布在整点时间之间,则将日出/日落时间调整至下一整点进行计算。其中,日出与日落时间通过世界地图网(http://www.24timemap.com/sun)查询确定。
在建立预测方程前,为避免变量之间受到数据单位的限制,提升模型的精度,将所有数据进行归一化处理,本实施例采用的是min-max标准化方法,主要是对原始数据的线性变换,使结果落到[0,1]区间内,转换函数的公式如下所示:
其中,x′为样本归一化后的数值,x为归一化前的样本点,M为样本数据中的最大值,m为样本数据中的最小值。
在matlab中对应的归一化函数为mapminmax函数,值得注意是,mapminmax函数在归一化中默认取行最大值、最小值,所以要进行将数据以行为单位排列。
本实施例建立预测方程主要采用逐步回归分析法。逐步回归分析方法是将自变量逐个引入,引入的条件是其偏回归平方和经检验后是显著的。同时,每引入一个新的自变量后,要对旧的自变量逐个检验,剔除偏回归平方和不显著的自变量。这样一直边引入边剔除,直到既无新变量引人也无旧变量删除为止。它的实质是建立“最优”的多元线性回归方程。在matlab中对应的逐步回归函数为stepwise函数,利用该函数选出该月份对臭氧生成值影响显著的自变量因子,并通过regress函数重新进行多元线性回归。针对石家庄市不同月份的臭氧生成值进行多元线性回归,臭氧的浓度表达式为:
其中,y为要预测的那一天的O3生成值,x1,x2,……,xk分别表示要预测那一天的气象参数和/或污染物参数的预测值或实测值,a0,a1,……,ak是回归系数,其中,k值因月份的不同而取值不同。
将最优方程中所选择的气象参数和/或污染物参数的预测值或实测值代入所述预测方程中,求出臭氧预测值,将计算出的预测值命名为“y1”,此时的y1只是[0,1]范围内的数据,不能作为预测方程的最终结果。要获得可进行预报的臭氧生成值,需将得到的预测值y1进行“反归一化”处理:将可进行预报应用的臭氧生成值命名为“O3”,同时,求取原始数据中待预测月份的臭氧生成值日均值中的最大值max与最小值min,利用如下公式:
O3=y1*(max-min)+min
可求出预测值的反归一化值,来实现对某天O3逐日生成值的预测。
根据石家庄市不同月份O3在2020-2021年的生成值与气象因子数据、污染物数据,建立了多元线性回归表达式,如下表所示。
表1石家庄市不同季节臭氧日均浓度表达式
通过上述预测方程计算得到的石家庄2020年8月至11月的臭氧预测值与实测值的比较如图2所示,可以看出预测值与实际测定值的趋势和数值大部分重合。证明本发明的基于数学模型的大气臭氧浓度预测方法能够对大气中臭氧浓度进行较为准确地预测。
与数值预报系统相比,本发明的臭氧预测方法、系统、装置操作方便,不需要较专业的计算硬件设备,且对运维人员的编程能力要求不高,简单便捷,是地级市及区县开展空气质量预报工作理想的应用工具,也是各地区空气重污染预警技术平台的重要组成部分,只有对各种预报方法进行综合集成并取其优势,才能优化空气质量预报结果,以满足高质量大气重污染预警的要求。
与目前臭氧浓度预测常用的统计预报方法包括回归预报、分类预报以及近几年发展起来的人工神经网络技术等方法相比,虽然人工神经网络等智能方法能从已知数据中自动归纳、获得这些数据的内在规律,从而建立预测模型,但是普遍数学思维较强,在运行中忽略了因子之间的物理意义,即使建立预测模型准确性较高,但无较大的研究意义。本发明采用的多元线性回归与逐步回归方法结合,保证模型中存在的因子均对臭氧生成值影响显著,且在逐步回归中可根据实际情况进行调整,将数学思维与物理意义相结合。在多数预测模型中,只涵盖污染物因子(前体物因子)或气象因子其中一项,本发明涵盖因子类别广泛,同时在建模前对所有因子数据进行归一化处理,使因子之间的可比性更显然,且以月份为单位建立模型,最终可通过模型的建立准确定位不同月份影响臭氧浓度的主要因素,为相关部分臭氧污染防控提供了可靠的理论依据。由于逐步回归方法运算过程复杂,本发明的一个具体实施方式选择利用Matlab 2017a软件中的regress函数和stepwise函数作为工具,以排除人为计算的误差,使模型的建立简单、经济、便于实现。最重要的是,本发明提出了“臭氧生成值”的概念,并采用臭氧生成值作为因变量建立预测模型,剔除了模型中臭氧背景值的存在所带来的误差,使模型的建立更加可靠,对浓度的预测具有较好的效果,快速便捷的臭氧生成值预测模型无疑是对城市光化学污染预警的重要工具。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
需要说明的是,尽管在附图中以特定顺序描述了本发明方法的操作,但这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于数学模型的大气臭氧浓度预测方法,其特征在于,所述方法包括:
步骤1)获取气象数据和大气污染物数据;
步骤2)选取步骤1)所述数据中对臭氧生成影响显著的参数,作为大气臭氧浓度预测数学模型的自变量;
步骤3)取臭氧生成值作为所述大气臭氧浓度预测数学模型的因变量,所述臭氧生成值是白天臭氧监测值平均值与臭氧背景值之差,所述臭氧背景值是与所述白天相接的前一黑天臭氧监测值的最小值;
步骤4)将所述自变量和所述因变量进行归一化处理,得到与所述自变量和所述因变量对应的无量纲数值;
步骤5)利用stepwise函数和regress函数对所述无量纲数值进行逐步线性拟合,并进行显著性检验,得到通过显著性检验的大气臭氧浓度预测方程;
步骤6)将待预测时间的气象和大气污染物的实测值或者预测值代入所述大气臭氧浓度预测方程,计算得到归一化的臭氧生成预测值,对所述归一化的臭氧生成预测值进行反归一化运算,得到臭氧生成预测值。
2.如权利要求1所述的基于数学模型的大气臭氧浓度预测方法,其特征在于,所述气象数据和大气污染物数据包括已经实际取得的气象和大气污染物数据。
3.如权利要求1所述的基于数学模型的大气臭氧浓度预测方法,其特征在于,所述对臭氧生成影响显著的参数包括紫外辐射强度、相对湿度、温度、气压、PM10、PM2.5、NO2、SO2、CO、非甲烷总烃。
4.如权利要求1所述的基于数学模型的大气臭氧浓度预测方法,其特征在于,所述白天和黑天以日出和日落时间界定。
5.如权利要求1所述的基于数学模型的大气臭氧浓度预测方法,其特征在于,所述归一化处理是指利用mapminmax函数对所述自变量和所述因变量进行归一化处理,统一映射到[0,1]范围内,以消除因子之间的量纲影响。
6.如权利要求1所述的基于数学模型的大气臭氧浓度预测方法,其特征在于,所述用于拟合大气臭氧浓度预测方程的气象数据和大气污染物数据包括一年中某个月份的数据,或者包括多年的同一月份的数据。
7.如权利要求1所述的基于数学模型的大气臭氧浓度预测方法,其特征在于,所述大气臭氧浓度预测方程的拟合使用matlab软件拟合得到。
8.一种基于数学模型的大气臭氧浓度预测系统,其特征在于,所述系统包括:
数据采集模块,用于获取气象数据和大气污染物数据;
数据预处理模块,用于选取所述数据中对臭氧生成影响显著的参数,作为大气臭氧浓度预测数学模型的自变量,设定所述大气臭氧浓度预测数学模型的因变量,对所述自变量和所述因变量进行归一化处理,得到与所述自变量和所述因变量对应的无量纲数值;
拟合模块,用于利用stepwise函数和regress函数对所述无量纲数值进行逐步线性拟合,并进行显著性检验,得到通过显著性检验的大气臭氧浓度预测方程;
数据后处理及输出模块,用于将待预测时间的气象和大气污染物的实测值或者预测值代入所述大气臭氧浓度预测方程,计算得到归一化的臭氧生成预测值,对所述归一化的臭氧生成值进行反归一化运算,得到并输出臭氧生成预测值。
9.一种基于数学模型的大气臭氧浓度预测装置,其特征在于,所述装置包括:数据采集装置、处理器和存储器;
所述数据采集装置用于采集所述气象数据和大气污染物数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包含一个或多个程序指令,当其在计算机上运行时,使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111024987.7A CN113570163A (zh) | 2021-09-02 | 2021-09-02 | 基于数学模型的大气臭氧浓度预测方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111024987.7A CN113570163A (zh) | 2021-09-02 | 2021-09-02 | 基于数学模型的大气臭氧浓度预测方法、系统和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570163A true CN113570163A (zh) | 2021-10-29 |
Family
ID=78173430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111024987.7A Pending CN113570163A (zh) | 2021-09-02 | 2021-09-02 | 基于数学模型的大气臭氧浓度预测方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570163A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707119A (zh) * | 2022-04-22 | 2022-07-05 | 中国科学技术大学 | 基于国产超光谱卫星量化大气臭氧污染来源的方法与系统 |
CN115542429A (zh) * | 2022-09-20 | 2022-12-30 | 生态环境部环境工程评估中心 | 一种基于XGBoost的臭氧质量预测方法及系统 |
CN115541825A (zh) * | 2022-09-30 | 2022-12-30 | 信阳师范学院 | 一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法 |
CN116312849A (zh) * | 2023-01-13 | 2023-06-23 | 中南大学 | 基于随机森林模型和卫星遥感的全覆盖甲烷浓度测算方法 |
CN116665802A (zh) * | 2023-05-24 | 2023-08-29 | 海南省气象科学研究所 | 一种用于区域臭氧浓度的评估方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738974A (zh) * | 2016-02-05 | 2016-07-06 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
CN106682381A (zh) * | 2015-11-10 | 2017-05-17 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向环境空气质量的动态数据模拟预报方法 |
-
2021
- 2021-09-02 CN CN202111024987.7A patent/CN113570163A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682381A (zh) * | 2015-11-10 | 2017-05-17 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向环境空气质量的动态数据模拟预报方法 |
CN105738974A (zh) * | 2016-02-05 | 2016-07-06 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707119A (zh) * | 2022-04-22 | 2022-07-05 | 中国科学技术大学 | 基于国产超光谱卫星量化大气臭氧污染来源的方法与系统 |
CN115542429A (zh) * | 2022-09-20 | 2022-12-30 | 生态环境部环境工程评估中心 | 一种基于XGBoost的臭氧质量预测方法及系统 |
CN115541825A (zh) * | 2022-09-30 | 2022-12-30 | 信阳师范学院 | 一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法 |
CN115541825B (zh) * | 2022-09-30 | 2023-10-24 | 信阳师范学院 | 一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法 |
CN116312849A (zh) * | 2023-01-13 | 2023-06-23 | 中南大学 | 基于随机森林模型和卫星遥感的全覆盖甲烷浓度测算方法 |
CN116665802A (zh) * | 2023-05-24 | 2023-08-29 | 海南省气象科学研究所 | 一种用于区域臭氧浓度的评估方法及系统 |
CN116665802B (zh) * | 2023-05-24 | 2024-01-23 | 海南省气象科学研究所 | 一种用于区域臭氧浓度的评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113570163A (zh) | 基于数学模型的大气臭氧浓度预测方法、系统和装置 | |
Yang et al. | Quantitative impacts of meteorology and precursor emission changes on the long-term trend of ambient ozone over the Pearl River Delta, China, and implications for ozone control strategy | |
Stirnberg et al. | Meteorology-driven variability of air pollution (PM 1) revealed with explainable machine learning | |
CN106570581B (zh) | 能源互联网环境下基于属性关联的负荷预测系统及其方法 | |
Elangasinghe et al. | Complex time series analysis of PM10 and PM2. 5 for a coastal site using artificial neural network modelling and k-means clustering | |
CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
CN111489015A (zh) | 基于多种模型对比和优化的大气o3浓度预测方法 | |
Chen et al. | An adaptive Kalman filtering approach to sensing and predicting air quality index values | |
Henneman et al. | Accountability assessment of regulatory impacts on ozone and PM 2.5 concentrations using statistical and deterministic pollutant sensitivities | |
Liu et al. | A data calibration method for micro air quality detectors based on a LASSO regression and NARX neural network combined model | |
CN111027768A (zh) | 数据处理方法、装置和应用平台 | |
Sun et al. | The drivers and health risks of unexpected surface ozone enhancements over the Sichuan Basin, China, in 2020 | |
Takahama et al. | Semicontinuous measurements of organic carbon and acidity during the Pittsburgh air quality study: Implications for acid-catalyzed organic aerosol formation | |
Nahar et al. | Air quality index using machine learning–a Jordan case study | |
CN114462511A (zh) | 一种基于XGBoost算法的PM2.5数据异常识别方法 | |
Wimalaratne et al. | Unisolar: An open dataset of photovoltaic solar energy generation in a large multi-campus university setting | |
CN109856321A (zh) | 异常高值点位的确定方法 | |
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 | |
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 | |
CN205229076U (zh) | 一种大气环境重金属的管理系统 | |
CN114235653A (zh) | 基于端云协同的大气颗粒污染物时空预测云平台 | |
CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
Zhang et al. | A multi-step prediction method of urban air quality index based on meteorological factors analysis | |
Borges et al. | Ground-level ozone prediction using a neural network model based on meteorological variables and applied to the metropolitan area of São Paulo | |
Vujić et al. | Air quality monitoring and modeling near coal fired power plant |
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 |