CN114662344A - 基于连续在线观测数据的大气污染溯源预测方法及系统 - Google Patents

基于连续在线观测数据的大气污染溯源预测方法及系统 Download PDF

Info

Publication number
CN114662344A
CN114662344A CN202210560848.4A CN202210560848A CN114662344A CN 114662344 A CN114662344 A CN 114662344A CN 202210560848 A CN202210560848 A CN 202210560848A CN 114662344 A CN114662344 A CN 114662344A
Authority
CN
China
Prior art keywords
observation
emission source
source
data
meteorological
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.)
Granted
Application number
CN202210560848.4A
Other languages
English (en)
Other versions
CN114662344B (zh
Inventor
张祺杰
薛峰
张林才
吴玲霞
任羽峰
刘成
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.)
Nanchang Yunyiran Technology Co ltd
Original Assignee
Nanchang Yunyiran Technology Co ltd
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 Nanchang Yunyiran Technology Co ltd filed Critical Nanchang Yunyiran Technology Co ltd
Priority to CN202210560848.4A priority Critical patent/CN114662344B/zh
Publication of CN114662344A publication Critical patent/CN114662344A/zh
Application granted granted Critical
Publication of CN114662344B publication Critical patent/CN114662344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于连续在线观测数据的大气污染溯源预测方法及系统，该方法包括：构建预设区域范围内的网格模型，并对网格模型进行预处理；构建高精度小尺度气象预测模型，将预设区域范围内的气象格点数据作为高精度小尺度气象预测模型的输入数据，结合下垫面特征进行气象因素模拟，计算得到高精度三维空间网格化气象要素数据；构建大气污染扩散模型，将高精度三维空间网格化气象要素数据输入至大气污染扩散模型中，进行气象场和扩散场在时间上的反向推演模拟以得到排放源对观测站点时空上的综合影响概率，最终确定排放源是否为已知源。本发明可实现精准的溯源效果，满足了实际应用需求。

Description

基于连续在线观测数据的大气污染溯源预测方法及系统
技术领域
本发明涉及大气污染监测技术领域，特别涉及一种基于连续在线观测数据的大气污染溯源预测方法及系统。
背景技术
大气污染物排放对生态环境、气候变化以及人们的健康安全会造成较大影响。在不同气象条件下，污染物扩散以及影响情况不同。在扩散条件较好时，由于污染物能较快扩散，因此大气环境相对较好。而当静稳条件或扩散条件较差时，对于周边区域的大气环境会产生较大的影响。对于目前的扩散模型，一般难以量化污染物扩散对观测站及其周边区域小尺度范围内精细化的影响程度。
为应对污染物高浓度排放，或不利的气象扩散条件造成的高浓度等突发情况，需要提前了解因气象条件变化引起的扩散条件变化。现有技术中，大部分扩散模型是利用大尺度或中尺度气象数据进行模拟计算，较少模型考虑小尺度情况下的下垫面特征对湍流变化的影响。因此，为了更准确地追溯观测站、走航监测车等监测设备监测，以及感知的突发高浓度的污染来源，需要利用小尺度气象场模拟得到的高精度流场从而进行反向追溯污染源的计算，进而确定排放源高概率所在区域。
对小尺度气象条件进行精细化模拟时，需要充分考虑下垫面（地形、地貌以及建筑障碍物等）因素的影响。然而，现有技术中，模型水平网格一般大于100米，缺少对于气象场的精细化网格的预测模拟，以保证气象场输入数据满足精细化扩散模型的计算，并能结合概率分析准确追溯排放源位置的问题。
发明内容
为此，本发明的一个实施例提出一种基于连续在线观测数据的大气污染溯源预测方法及系统，以解决上述技术问题。
本发明提出一种基于连续在线观测数据的大气污染溯源预测方法，其中，所述方法包括如下步骤：
步骤一、构建预设区域范围内的网格模型，并对所述网格模型进行预处理，所述预处理包括对所述网格模型进行水平网格划分以及垂直分层；
步骤二、构建高精度小尺度气象预测模型，将所述预设区域范围内的气象格点数据作为所述高精度小尺度气象预测模型的输入数据，结合下垫面特征对气象因素进行模拟后，计算得到高精度三维空间网格化气象要素数据，其中所述气象因素包括三维风场、温度、湿度、气压以及湍流场，所述下垫面特征包括地形特征、地貌特征以及障碍物特征，所述气象格点数据包括气象模式预报数据和气象站观测数据；
步骤三、根据预设区域范围构建大气污染扩散模型，将所述高精度三维空间网格化气象要素数据输入至大气污染扩散模型中，以输入的观测站点的观测数据作为排放物释放信息，进行气象场和扩散场在时间上的反向推演模拟，以得到对应的污染物来源可能性分布特征，并结合概率分析方法计算以得到排放源对观测站点时空上的综合影响概率；
步骤四、根据所述排放源对观测站点时空上的综合影响概率的最优解确定得到最大可能性排放源的位置，并结合地区的潜在排放源信息，判断计算得到的最大可能性排放源是否为已知源；
若所述最大可能性排放源为已知排放源，则根据已有的源项污染排放信息以及高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入，基于排放源与观测站点的浓度关系，对排放源进行污染时空扩散特征预测模拟以得到排放源对观测站点的影响；
若所述最大可能性排放源为未知排放源，则获取通过人工信息调研采集得到污染物观测数据，并对未知排放源的污染物排放量进行量值假设，根据所述污染物观测数据，将高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入并进行扩散计算，基于排放源与观测站点的浓度关系对排放源进行污染时空扩散特征预测模拟，以进行相关性分析从而最终确定排放源对观测站点的影响。
本发明提出一种基于连续在线观测数据的大气污染溯源预测方法，构建高精度三维网格，然后在高精度小尺度气象预测模型中，进行模拟计算以得到高精度三维空间网格化气象要素数据；再将高精度三维空间网格化气象要素数据输入至构建的大气污染扩散模型中，进行气象场与扩散场在时间上的反向推演模拟，并结合概率分析方法计算以得到排放源对观测站点时空上的综合影响概率；再根据排放源对观测站点时空上的综合影响概率的最优解确定得到最大可能性排放源的位置，判断计算得到的最大可能性排放源是否为已知源以最终实现高精度溯源的目的。本发明中，基于高精度小尺度气象预测模型，充分考虑预设区域范围的大小以及下垫面特征，考虑复杂地形及建筑结构对湍流变化的影响，对气象因素进行模拟计算，以保障扩散模型计算的输入数据的可靠性和准确性。
所述基于连续在线观测数据的大气污染溯源预测方法，其中，对预设区域范围内的气象格点数据结合所述下垫面特征进行精细化模拟，以得到在时间上正向和反向的高精度三维空间网格化气象要素数据。
所述基于连续在线观测数据的大气污染溯源预测方法，其中，在所述步骤三中，所述大气污染扩散模型最终得到的计算结果包括在时间上反向推演模拟后对应的污染物扩散变化特征以及排放源影响的重点区域概率，所述污染物扩散变化特征与排放源影响的重点区域概率的计算方法包括如下步骤：
根据输入的观测站点的观测数据，在气象场与扩散场上进行时间上的反向推演模拟，以得到对应的所述污染物扩散变化特征；
根据所述污染物扩散变化特征，利用输入的观测站点
Figure 544629DEST_PATH_IMAGE001
的观测数据
Figure 945654DEST_PATH_IMAGE002
，通过迭代学习计算得到对观测站点
Figure 493310DEST_PATH_IMAGE001
最大影响可能性排放源
Figure 194550DEST_PATH_IMAGE003
的后验概率
Figure 169459DEST_PATH_IMAGE004
；
对于后验概率结果最大的观测站点组的数据
Figure 854518DEST_PATH_IMAGE005
，结合所述大气污染扩散模型，计算最大影响可能性排放源
Figure 704401DEST_PATH_IMAGE006
在空间网格
Figure 525726DEST_PATH_IMAGE007
上时间
Figure 937116DEST_PATH_IMAGE008
内对观测站点
Figure 843892DEST_PATH_IMAGE001
的影响概率
Figure 733351DEST_PATH_IMAGE009
，以得到排放源对观测站点时空上的综合影响概率
Figure 674762DEST_PATH_IMAGE010
，其中，
Figure 991474DEST_PATH_IMAGE011
表示观测站点的个数，
Figure 385546DEST_PATH_IMAGE012
，
Figure 311651DEST_PATH_IMAGE013
表示时间点。
所述基于连续在线观测数据的大气污染溯源预测方法，通过观测站点组的数据
Figure 107569DEST_PATH_IMAGE005
，利用概率分析方法求得排放源
Figure 860761DEST_PATH_IMAGE014
的后验概率的公式表示为：
Figure 742130DEST_PATH_IMAGE015
其中，
Figure 973391DEST_PATH_IMAGE016
表示在已知观测站点组的数据
Figure 358236DEST_PATH_IMAGE017
下得到排放源
Figure 282329DEST_PATH_IMAGE014
的后验概率，
Figure 149529DEST_PATH_IMAGE018
表示排放源
Figure 184481DEST_PATH_IMAGE014
对观测站点
Figure 689412DEST_PATH_IMAGE019
的影响概率，
Figure 784407DEST_PATH_IMAGE020
表示排放源
Figure 374788DEST_PATH_IMAGE014
对观测站点
Figure 947852DEST_PATH_IMAGE001
的影响概率，
Figure 572868DEST_PATH_IMAGE021
表示排放源
Figure 838765DEST_PATH_IMAGE014
的概率，
Figure 414977DEST_PATH_IMAGE022
表示观测站点
Figure 57311DEST_PATH_IMAGE019
的概率。
所述基于连续在线观测数据的大气污染溯源预测方法，其中，利用观测站点
Figure 271255DEST_PATH_IMAGE001
观测数据
Figure 708052DEST_PATH_IMAGE023
计算得到最大影响可能性排放源
Figure 273026DEST_PATH_IMAGE006
的计算公式表示为：
Figure 922313DEST_PATH_IMAGE024
其中，
Figure 521922DEST_PATH_IMAGE021
表示排放源
Figure 386014DEST_PATH_IMAGE014
的概率，
Figure 438284DEST_PATH_IMAGE020
表示排放源
Figure 156841DEST_PATH_IMAGE014
对观测站点
Figure 610956DEST_PATH_IMAGE001
的影响概率，
Figure 389556DEST_PATH_IMAGE025
表示取最大值操作。
所述基于连续在线观测数据的大气污染溯源预测方法，其中，结合所述大气污染扩散模型，计算最大影响可能性排放源
Figure 663543DEST_PATH_IMAGE006
在空间网格
Figure 185791DEST_PATH_IMAGE007
上时间
Figure 992948DEST_PATH_IMAGE008
内对观测站点
Figure 942449DEST_PATH_IMAGE001
的影响概率
Figure 703732DEST_PATH_IMAGE009
：
Figure 29671DEST_PATH_IMAGE026
所述基于连续在线观测数据的大气污染溯源预测方法，其中，所述排放源对观测站点时空上的综合影响概率
Figure 192799DEST_PATH_IMAGE010
的公式表示为：
Figure 47622DEST_PATH_IMAGE027
其中，
Figure 827359DEST_PATH_IMAGE028
表示在网格位置
Figure 924366DEST_PATH_IMAGE029
的第
Figure 942001DEST_PATH_IMAGE001
个观测站点在
Figure 498884DEST_PATH_IMAGE008
时间的概率，
Figure 234759DEST_PATH_IMAGE030
表示在网格位置
Figure 636921DEST_PATH_IMAGE031
的第
Figure 774642DEST_PATH_IMAGE001
个观测站点在
Figure 236847DEST_PATH_IMAGE008
时间的概率，
Figure 194439DEST_PATH_IMAGE032
表示在网格位置
Figure 164407DEST_PATH_IMAGE033
的第
Figure 156633DEST_PATH_IMAGE001
个观测站点在
Figure 789740DEST_PATH_IMAGE008
时间的概率。
所述基于连续在线观测数据的大气污染溯源预测方法，其中，在所述步骤四中，若所述最大可能性排放源为已知排放源，则根据已有的源项污染排放信息以及高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入，基于排放源与观测站点的浓度关系，对排放源进行污染时空扩散特征预测模拟以得到排放源对观测站点的影响的步骤中，对应的公式表达式为：
Figure 500207DEST_PATH_IMAGE034
其中，
Figure 244172DEST_PATH_IMAGE035
表示
Figure 90905DEST_PATH_IMAGE036
个观测站点的污染物浓度数据集，
Figure 160493DEST_PATH_IMAGE037
为排放源
Figure 591212DEST_PATH_IMAGE014
与观测站点污染物浓度的关系函数，
Figure 404447DEST_PATH_IMAGE038
为其它影响因素；
计算过程中，满足：
Figure 105687DEST_PATH_IMAGE039
其中，
Figure 80596DEST_PATH_IMAGE040
为
Figure 765655DEST_PATH_IMAGE035
随排放源
Figure 117002DEST_PATH_IMAGE014
变化的有限界限。
所述基于连续在线观测数据的大气污染溯源预测方法，其中，在所述步骤四中，若所述最大可能性排放源为未知排放源，则获取通过人工信息调研采集得到污染物观测数据，并对未知排放源的污染物排放量进行量值假设，根据所述污染物观测数据，将高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入并进行扩散计算，基于排放源与观测站点的浓度关系对排放源进行污染时空扩散特征预测模拟，以进行相关性分析从而最终确定排放源对观测站点的影响的步骤中，相关性分析对应的公式为：
Figure 672748DEST_PATH_IMAGE041
其中，
Figure 317094DEST_PATH_IMAGE042
为相关性系数，
Figure 223870DEST_PATH_IMAGE043
为观测站点
Figure 378908DEST_PATH_IMAGE001
的观测数据，
Figure 54740DEST_PATH_IMAGE044
为观测站点
Figure 637031DEST_PATH_IMAGE001
的模拟数据，
Figure 31103DEST_PATH_IMAGE045
为
Figure 724253DEST_PATH_IMAGE046
个观测站点的观测数据均值，
Figure 520170DEST_PATH_IMAGE047
为
Figure 506319DEST_PATH_IMAGE046
个观测站点的模拟均值。
本发明还提出一种基于连续在线观测数据的大气污染溯源预测系统，其中，所述系统包括：
预处理模块，用于：
构建预设区域范围内的网格模型，并对所述网格模型进行预处理，所述预处理包括对所述网格模型进行水平网格划分以及垂直分层；
模型构建模块，用于：
构建高精度小尺度气象预测模型，将所述预设区域范围内的气象格点数据作为所述高精度小尺度气象预测模型的输入数据，结合下垫面特征对气象因素进行模拟后，计算得到高精度三维空间网格化气象要素数据，其中所述气象因素包括三维风场、温度、湿度、气压以及湍流场，所述下垫面特征包括地形特征、地貌特征以及障碍物特征，所述气象格点数据包括气象模式预报数据和气象站观测数据；
计算处理模块，用于：
根据预设区域范围构建大气污染扩散模型，将所述高精度三维空间网格化气象要素数据输入至大气污染扩散模型中，以输入的观测站点的观测数据作为排放物释放信息，进行气象场和扩散场在时间上的反向推演模拟，以得到对应的污染物来源可能性分布特征，并结合概率分析方法计算以得到排放源对观测站点时空上的综合影响概率；
溯源确定模块，用于：
根据所述排放源对观测站点时空上的综合影响概率的最优解确定得到最大可能性排放源的位置，并结合地区的潜在排放源信息，判断计算得到的最大可能性排放源是否为已知源；
若所述最大可能性排放源为已知排放源，则根据已有的源项污染排放信息以及高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入，基于排放源与观测站点的浓度关系，对排放源进行污染时空扩散特征预测模拟以得到排放源对观测站点的影响；
若所述最大可能性排放源为未知排放源，则获取通过人工信息调研采集得到的污染物观测数据，并对未知排放源的污染物排放量进行量值假设，根据所述污染物观测数据，将高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入并进行扩散计算，基于排放源与观测站点的浓度关系对排放源进行污染时空扩散特征预测模拟，以进行相关性分析从而最终确定排放源对观测站点的影响。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明提出的基于连续在线观测数据的大气污染溯源预测方法的流程图；
图2为本发明提出的基于连续在线观测数据的大气污染溯源预测系统的结构示意图。
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。
现有技术中，缺少一种合理准确的高精度气象模型用来进行小尺度气象场模拟，以保证气象场输入数据满足扩散模型的计算，并能准确追溯排放源位置的问题。
为了解决这一技术问题，请参阅图1，本发明提出一种基于连续在线观测数据的大气污染溯源预测方法，其中，所述方法包括如下步骤：
S101、构建预设区域范围内的网格模型，并对所述网格模型进行预处理，所述预处理包括对所述网格模型进行水平网格划分以及垂直分层。
S102、构建高精度小尺度气象预测模型，将所述预设区域范围内的气象格点数据作为所述高精度小尺度气象预测模型的输入数据，结合下垫面特征对气象因素进行模拟后，计算得到高精度三维空间网格化气象要素数据。
其中，所述气象因素包括三维风场、温度、湿度、气压以及湍流场等气象要素。所述下垫面特征包括地形特征、地貌特征以及障碍物特征，所述气象格点数据包括模式预报数据和气象站观测数据。
在本实施例中，高精度小尺度气象预测模型（小于等于100米级网格）可在短时间情况下，计算预设区域范围内建筑群以及周边地形地貌的复杂气象环境。气象因素一般包括三维风场、气压、温度、湿度、液态水、湍流场等气象要素（主要包含湍流动能、边界层高度、地面摩擦速度以及莫宁奥布霍夫长度）。
作为补充说明的，高精度小尺度气象预测模型（小于等于100米级网格）的网格化初始气象场，可通过分布稀疏的气象实时的气象观测数据或中尺度气象预报模型结果进行降尺度和插值得到。根据实际数据情况，选择最优插值方法，以提高数据的准确性。
S103、根据预设区域范围构建大气污染扩散模型，将所述高精度三维空间网格化气象要素数据输入至大气污染扩散模型中，以输入的观测站点的观测数据作为排放物释放信息，进行气象场和扩散场在时间上的反向推演模拟，以得到对应的污染物来源可能性分布特征，并结合概率分析方法计算以得到排放源对观测站点时空上的综合影响概率。
进一步的，在构建了大气污染扩散模型之后，进行溯源模拟分析。具体的：
根据输入的观测站点的观测数据作为排放物释放信息，进行气象场和扩散场在时间上的反向推演模拟，以得到对应的污染物扩散变化特征。
对于排放源已知和排放源未知的情况，结合反向推演模拟得到的污染物扩散变化特征，基于概率分析方法以实现已有的源项的位置分析与确认，以评定排放源的来源概率。假设不同观测站点之间没有影响，相互独立，对于输入的观测站点组的数据
Figure 122108DEST_PATH_IMAGE005
，通过计算后验概率
Figure 618948DEST_PATH_IMAGE016
，得到排放源
Figure 269372DEST_PATH_IMAGE014
对观测站点
Figure 193466DEST_PATH_IMAGE019
的影响概率。
在大气污染扩散模型计算过程中，对观测站点
Figure 562131DEST_PATH_IMAGE001
受到排放源影响的后验概率
Figure 597083DEST_PATH_IMAGE048
做判断，后验概率的计算与评估基于观测站点受到排放源影响的可能性，引入可能性函数
Figure 102013DEST_PATH_IMAGE049
。其中，可能性函数为一个调整因子，可使得预估概率更接近真实概率。
大气污染扩散模型对输入的已知或未知排放源进行遍历计算时，计算可能性函数。当可能性函数
Figure 429964DEST_PATH_IMAGE050
大于1，意味先验概率被增强，事件发生的可能性变大。
当可能性函数
Figure 20346DEST_PATH_IMAGE051
小于1，意味着先验概率被削弱，事件可能性变小；当可能性函数
Figure 858989DEST_PATH_IMAGE052
等于1时，意味着对于事件的发生不能做出判断。
对于输出后验概率最大的观测站点，结合大气污染扩散模型，计算对观测站点影响可能性最大的排放源
Figure 484005DEST_PATH_IMAGE006
在空间网格
Figure 484322DEST_PATH_IMAGE007
上一定时间
Figure 561999DEST_PATH_IMAGE008
内的对观测站点
Figure 938754DEST_PATH_IMAGE001
的影响概率
Figure 916812DEST_PATH_IMAGE009
，以得到计算时间与范围内排放源对观测站点时空上的综合影响概率
Figure 353610DEST_PATH_IMAGE010
。其中，排放源时空上综合影响概率
Figure 918583DEST_PATH_IMAGE010
是针对观测站点的时空而言的。其中，
Figure 99029DEST_PATH_IMAGE011
表示观测站点的个数，
Figure 698637DEST_PATH_IMAGE012
，
Figure 40757DEST_PATH_IMAGE013
表示时间点。
在本发明中，利用后验概率分析观测点受到排放源影响的可能性，利用循环遍历的计算方式不断评估与分析排放源对于观测站的影响，在保证计算误差最小，得到对观测站点
Figure 827447DEST_PATH_IMAGE019
影响最大的排放源
Figure 310119DEST_PATH_IMAGE014
的概率。
具体的，排放源计算区域概率的计算方法包括如下步骤：
S1031、根据输入的观测站点
Figure 764234DEST_PATH_IMAGE019
的观测数据
Figure 542834DEST_PATH_IMAGE005
，通过迭代学习计算得到对观测站点影响可能性最大的排放源
Figure 816821DEST_PATH_IMAGE006
的后验概率。
通过观测站点组的数据
Figure 339069DEST_PATH_IMAGE005
，利用概率分析方法求得排放源
Figure 382111DEST_PATH_IMAGE014
最大的后验概率，公式表示为：
Figure 331613DEST_PATH_IMAGE015
其中，
Figure 358475DEST_PATH_IMAGE016
表示在已知观测站点组的数据
Figure 917370DEST_PATH_IMAGE017
下得到排放源
Figure 346077DEST_PATH_IMAGE014
的后验概率，
Figure 466480DEST_PATH_IMAGE018
表示排放源
Figure 715059DEST_PATH_IMAGE014
对观测站点
Figure 579109DEST_PATH_IMAGE019
的影响概率，
Figure 862323DEST_PATH_IMAGE053
表示排放源
Figure 153627DEST_PATH_IMAGE014
对观测站点
Figure 889502DEST_PATH_IMAGE001
的影响概率，
Figure 790200DEST_PATH_IMAGE021
表示排放源
Figure 193499DEST_PATH_IMAGE014
的概率，
Figure 655705DEST_PATH_IMAGE022
表示观测站点
Figure 878876DEST_PATH_IMAGE019
的概率。
S1032、利用观测站点
Figure 350308DEST_PATH_IMAGE001
观测数据
Figure 76956DEST_PATH_IMAGE023
，计算得到最大影响可能性排放源
Figure 975642DEST_PATH_IMAGE006
。具体的计算公式表示为：
Figure 919065DEST_PATH_IMAGE024
其中，
Figure 928609DEST_PATH_IMAGE021
表示排放源
Figure 775342DEST_PATH_IMAGE014
的概率，
Figure 844929DEST_PATH_IMAGE020
表示排放源
Figure 777113DEST_PATH_IMAGE014
对观测站点
Figure 590348DEST_PATH_IMAGE001
的影响概率，
Figure 26009DEST_PATH_IMAGE025
表示取最大值操作。
S1033、结合大气污染扩散模型，计算最大影响可能性排放源
Figure 266497DEST_PATH_IMAGE006
在空间网格
Figure 184513DEST_PATH_IMAGE007
上时间
Figure 535860DEST_PATH_IMAGE008
内的对观测站点
Figure 357185DEST_PATH_IMAGE001
的影响概率
Figure 768575DEST_PATH_IMAGE009
，以计算得到排放源对观测站点时空上的综合影响概率
Figure 675351DEST_PATH_IMAGE010
。
在计算得到最大影响可能性排放源
Figure 830389DEST_PATH_IMAGE006
后，结合大气污染扩散模型，计算排放源
Figure 506221DEST_PATH_IMAGE006
在空间网格
Figure 88512DEST_PATH_IMAGE007
上时间
Figure 715540DEST_PATH_IMAGE008
内的对观测站点
Figure 408689DEST_PATH_IMAGE001
的影响概率
Figure 204607DEST_PATH_IMAGE009
：
Figure 692220DEST_PATH_IMAGE026
所述排放源对观测站点时空上的综合影响概率
Figure 573589DEST_PATH_IMAGE010
的公式表示为：
Figure 70429DEST_PATH_IMAGE027
其中，
Figure 720853DEST_PATH_IMAGE028
表示在网格位置
Figure 143482DEST_PATH_IMAGE029
的第
Figure 246567DEST_PATH_IMAGE001
个观测站点在
Figure 281519DEST_PATH_IMAGE008
时间的概率，
Figure 52029DEST_PATH_IMAGE030
表示在网格位置的第
Figure 147024DEST_PATH_IMAGE001
个观测站点在
Figure 737406DEST_PATH_IMAGE008
时间的概率，
Figure 310469DEST_PATH_IMAGE032
表示在网格位置
Figure 935486DEST_PATH_IMAGE033
的第
Figure 723355DEST_PATH_IMAGE001
个观测站点在
Figure 801032DEST_PATH_IMAGE008
时间的概率。
S104，根据所述排放源对观测站点时空上的综合影响概率的最优解确定得到最大可能性排放源的位置，并结合地区的潜在排放源信息，判断计算得到的最大可能性排放源是否为已知源，以对排放源进行溯源。
如果该排放源为已知排放源，结合已有的源项污染排放信息，将该信息作为大气污染扩散模型的源项输入，利用观测数据或气象预测模型的结果（高精度三维空间网格化气象要素数据）作为气象输入数据，基于排放源与观测站点的浓度的关系，对排放源进行污染时空扩散特征模拟和预测，分析排放源的扩散变化及对观测站点的影响。
若利用概率分析方法计算得到的最大可能性排放源的排放信息已知，结合排放源信息，基于排放源
Figure 177787DEST_PATH_IMAGE014
与观测站点的浓度的关系，分析排放源对观测站点的影响：
Figure 657310DEST_PATH_IMAGE034
其中，
Figure 94107DEST_PATH_IMAGE035
表示
Figure 659081DEST_PATH_IMAGE046
个观测站点的污染物浓度数据集，
Figure 839526DEST_PATH_IMAGE037
为排放源
Figure 173556DEST_PATH_IMAGE014
与观测站点污染物浓度的关系函数，
Figure 279790DEST_PATH_IMAGE038
为其它影响因素。
计算过程中，满足：
Figure 332059DEST_PATH_IMAGE039
其中，
Figure 316196DEST_PATH_IMAGE040
为
Figure 504732DEST_PATH_IMAGE035
随排放源变化的有限界限。
如果识别的为未知排放源，为验证未知排放源，需要对未知排放源进行信息调研，以了解排放源的信息。在未知排放源信息缺少的前提情况下，对未知排放源的污染物排放量进行量值假设，结合污染物观测数据，将气象预测模型的结果作为气象输入数据，利用大气污染扩散模型进行扩散计算，基于排放源与观测站点的浓度的关系，实现对污染物的时空特征预测计算模拟，并结合观测的浓度数据，分析污染过程的变化趋势和进行相关性分析，以确定未知排放源对观测站点的影响。
相关性计算方法为：
Figure 283332DEST_PATH_IMAGE041
其中，
Figure 822898DEST_PATH_IMAGE042
为相关性系数，
Figure 345146DEST_PATH_IMAGE043
为观测站点
Figure 653768DEST_PATH_IMAGE001
的观测数据，
Figure 836225DEST_PATH_IMAGE044
为观测站点
Figure 128666DEST_PATH_IMAGE001
的模拟数据，
Figure 923447DEST_PATH_IMAGE045
为
Figure 86575DEST_PATH_IMAGE046
个观测站点的观测数据均值，
Figure 472557DEST_PATH_IMAGE047
为
Figure 721135DEST_PATH_IMAGE046
个观测站点的模拟均值。
在此还需要补充说明的是，在预报模拟上，利用模式预报数据作为计算输入数据。模式预报多为大、中尺度数据，直接作为小尺度区域计算输入数据存在较大的不确定性。因此，为了提高高精度小尺度气象预测模型的输入数据的准确性，利用资料同化技术结合观测数据对模式预报数据进行处理，以提高预报数据的精度。
其中，资料同化方法包括最优插值法、卡尔曼滤波以及变分方法等，结合数据情况选择最优的同化技术，以提高预测数据的精度。
其中，最优插值方法是通过分析状态与真值之间的方差最小化得到估值，分析状态可表示为背景场和由观测确定的调整值之和：
Figure 585186DEST_PATH_IMAGE054
其中，
Figure 366935DEST_PATH_IMAGE055
为分析场，
Figure 658239DEST_PATH_IMAGE056
为背景场，
Figure 394114DEST_PATH_IMAGE057
为实际观测值，
Figure 61856DEST_PATH_IMAGE058
为计算结果，
Figure 199576DEST_PATH_IMAGE059
是将背景场转化到观测位置的算子，
Figure 661781DEST_PATH_IMAGE060
是权重矩阵。
除最优插值方法外，考虑卡尔曼滤波给出最优估计：
Figure 884952DEST_PATH_IMAGE061
Figure 90806DEST_PATH_IMAGE062
Figure 581568DEST_PATH_IMAGE063
为滤波增益矩阵，
Figure 480254DEST_PATH_IMAGE064
为
Figure 190721DEST_PATH_IMAGE065
时刻的后验状态估计值，
Figure 934686DEST_PATH_IMAGE066
为先验状态估计值，
Figure 781419DEST_PATH_IMAGE067
为
Figure 585427DEST_PATH_IMAGE065
时刻的观测值，
Figure 783190DEST_PATH_IMAGE068
为
Figure 330846DEST_PATH_IMAGE065
时刻的后验估计协方差矩阵，
Figure 796200DEST_PATH_IMAGE069
为
Figure 36689DEST_PATH_IMAGE065
时刻的先验估计协方差矩阵，
Figure 190589DEST_PATH_IMAGE070
为状态变量到观测的转换矩阵，
Figure 541936DEST_PATH_IMAGE071
为单位矩阵。
利用不同资料同化方法对气象输入数据进行处理，将处理后的数据输入到高精度小尺度气象预测模型，对小尺度风场和湍流变化进行模拟，以此输出得到高精度三维空间网格化气象要素数据，结合大气污染扩散模型，对污染扩散、排放源贡献情进行预报分析。
在本发明中，在计算得到了小尺度污染扩散预测模拟结果之后，还需要对结果进行评价。
具体的，小尺度污染扩散预测模拟结果除利用基本的统计分析方法进行评估外，为了提高结果的准确性，还可以引入时间分析方法对模拟结果进行整体性评价。具体的，应用的统计分析方法包括偏差（Bias）、均方根误差（RMSE）、标准化均方差（NMSE）、相关系数（CORR）以及比例偏差（FB）等。
Figure 363262DEST_PATH_IMAGE072
Figure 774652DEST_PATH_IMAGE073
Figure 681428DEST_PATH_IMAGE074
Figure 69422DEST_PATH_IMAGE075
式中，
Figure 10833DEST_PATH_IMAGE076
表示观测浓度，
Figure 327545DEST_PATH_IMAGE077
表示模型计算浓度，
Figure 721617DEST_PATH_IMAGE078
、
Figure 414766DEST_PATH_IMAGE079
分别为观测浓度的标准差和模型计算浓度标准差。
本发明提出一种基于连续在线观测数据的大气污染溯源预测方法，构建得到高精度小尺度气象预测模型（小于等于100米级网格），然后在该高精度小尺度气象预测模型中，进行气象因素模拟计算以得到高精度气象数据；再将高精度气象数据输入至构建的大气污染扩散模型中，进而得到小尺度污染扩散预设模拟结果，实现高精度溯源的目的。本发明中，基于高精度小尺度气象预测模型（小于等于100米级网格），充分考虑模拟区域范围大小以及下垫面特征，考虑复杂地形及建筑结构对湍流变化的影响，对气象因素进行模拟计算，以保障扩散模型计算的输入数据的可靠性和准确性。
本发明的优势主要包括：
（1）实现小尺度计算，计算网格小于等于100米，计算综合性强，基于大气污染扩散模型，实现流场溯源模拟和预报模拟，为污染治理和防控提供分析工具；
（2）针对精细化模拟的计算区域，搭建高精度小尺度气象预测模型，考虑下垫面特征对流场的影响，得到在时间上正向和反向的三维气象场变化，实现高精度流场模拟与预报；高精度气象模型计算考虑非均匀三维风场、湍流以及烟流抬升情况，考虑排放源所处的地理特征等其它因素的影响；
（3）对于高精度小尺度气象预测模型的气象预报输入数据，利用资料同化技术提高输入数据的精度，以减少不确定性因素的影响，并对计算结果利用误差模拟等方式评价和分析计算结果，保证计算结果的可靠性；
（4）大气污染扩散模型计算的源项类型并不单一，考虑小尺度范围内排放源位置邻近、排放源排放的污染物类型相似等情况，大气污染扩散模型的兼容及延展性高；
（5）流场溯源对象包括固定观测点、走航监测车等观测设备，并不仅限于对固定位置的模拟计算；大气污染扩散模型还可实现对移动设备高浓度情况进行计算，并实现快速计算排放源时空上综合影响概率以反映排放来源特征；
（6）针对预报模式，能够实现任意高度未来7日内，逐5、10、15分钟、逐小时、逐日污染气流来源空间分布特征和污染扩散影响路径，对高浓度值点位进行预报溯源。
请参阅图2，本发明还提出一种基于连续在线观测数据的大气污染溯源预测系统，其中，所述系统包括：
预处理模块，用于：
构建预设区域范围内的网格模型，并对所述网格模型进行预处理，所述预处理包括对所述网格模型进行水平网格划分以及垂直分层；
模型构建模块，用于：
构建高精度小尺度气象预测模型，将所述预设区域范围内的气象格点数据作为所述高精度小尺度气象预测模型的输入数据，结合下垫面特征对气象因素进行模拟后，计算得到高精度三维空间网格化气象要素数据，其中所述气象因素包括三维风场、温度、湿度、气压以及湍流场，所述下垫面特征包括地形特征、地貌特征以及障碍物特征，所述气象格点数据包括气象模式预报数据和气象站观测数据；
计算处理模块，用于：
根据预设区域范围构建大气污染扩散模型，将所述高精度三维空间网格化气象要素数据输入至大气污染扩散模型中，以输入的观测站点的观测数据作为排放物释放信息，进行气象场和扩散场在时间上的反向推演模拟，以得到对应的污染物来源可能性分布特征，并结合概率分析方法计算以得到排放源对观测站点时空上的综合影响概率；
溯源确定模块，用于：
根据所述排放源对观测站点时空上的综合影响概率的最优解确定得到最大可能性排放源的位置，并结合地区的潜在排放源信息，判断计算得到的最大可能性排放源是否为已知源；
若所述最大可能性排放源为已知排放源，则根据已有的源项污染排放信息以及高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入，基于排放源与观测站点的浓度关系，对排放源进行污染时空扩散特征预测模拟以得到排放源对观测站点的影响；
若所述最大可能性排放源为未知排放源，则获取通过人工信息调研采集得到的污染物观测数据，并对未知排放源的污染物排放量进行量值假设，根据所述污染物观测数据，将高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入并进行扩散计算，基于排放源与观测站点的浓度关系对排放源进行污染时空扩散特征预测模拟，以进行相关性分析从而最终确定排放源对观测站点的影响。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种基于连续在线观测数据的大气污染溯源预测方法，其特征在于，所述方法包括如下步骤：
步骤一、构建预设区域范围内的网格模型，并对所述网格模型进行预处理，所述预处理包括对所述网格模型进行水平网格划分以及垂直分层；
步骤二、构建高精度小尺度气象预测模型，将所述预设区域范围内的气象格点数据作为所述高精度小尺度气象预测模型的输入数据，结合下垫面特征对气象因素进行模拟后，计算得到高精度三维空间网格化气象要素数据，其中所述气象因素包括三维风场、温度、湿度、气压以及湍流场，所述下垫面特征包括地形特征、地貌特征以及障碍物特征，所述气象格点数据包括气象模式预报数据和气象站观测数据；
步骤三、根据预设区域范围构建大气污染扩散模型，将所述高精度三维空间网格化气象要素数据输入至大气污染扩散模型中，以输入的观测站点的观测数据作为排放物释放信息，进行气象场和扩散场在时间上的反向推演模拟，以得到对应的污染物来源可能性分布特征，并结合概率分析方法计算以得到排放源对观测站点时空上的综合影响概率；
步骤四、根据所述排放源对观测站点时空上的综合影响概率的最优解确定得到最大可能性排放源的位置，并结合地区的潜在排放源信息，判断计算得到的最大可能性排放源是否为已知源；
若所述最大可能性排放源为已知排放源，则根据已有的源项污染排放信息以及高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入，基于排放源与观测站点的浓度关系，对排放源进行污染时空扩散特征预测模拟以得到排放源对观测站点的影响；
若所述最大可能性排放源为未知排放源，则获取通过人工信息调研采集得到污染物观测数据，并对未知排放源的污染物排放量进行量值假设，根据所述污染物观测数据，将高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入并进行扩散计算，基于排放源与观测站点的浓度关系对排放源进行污染时空扩散特征预测模拟，以进行相关性分析从而最终确定排放源对观测站点的影响。
2.根据权利要求1所述的基于连续在线观测数据的大气污染溯源预测方法，其特征在于，在所述步骤二中，对预设区域范围内的气象格点数据结合所述下垫面特征进行精细化模拟，以得到在时间上正向和反向的高精度三维空间网格化气象要素数据。
3.根据权利要求2所述的基于连续在线观测数据的大气污染溯源预测方法，其特征在于，在所述步骤三中，所述大气污染扩散模型最终得到的计算结果包括在时间上反向推演模拟后对应的污染物扩散变化特征以及排放源影响的重点区域概率，所述污染物扩散变化特征与排放源影响的重点区域概率的计算方法包括如下步骤：
根据输入的观测站点的观测数据，在气象场与扩散场上进行时间上的反向推演模拟，以得到对应的所述污染物扩散变化特征；
根据所述污染物扩散变化特征，利用输入的观测站点
Figure 348721DEST_PATH_IMAGE001
的观测数据
Figure 905342DEST_PATH_IMAGE002
，通过迭代学习计算得到对观测站点
Figure 216237DEST_PATH_IMAGE001
最大影响可能性排放源
Figure 17971DEST_PATH_IMAGE003
的后验概率
Figure 363502DEST_PATH_IMAGE004
；
对于后验概率结果最大的观测站点组的数据
Figure 592489DEST_PATH_IMAGE005
，结合所述大气污染扩散模型，计算最大影响可能性排放源
Figure 390681DEST_PATH_IMAGE006
在空间网格
Figure 996106DEST_PATH_IMAGE007
上时间
Figure 366782DEST_PATH_IMAGE008
内对观测站点
Figure 625725DEST_PATH_IMAGE001
的影响概率
Figure 786579DEST_PATH_IMAGE009
，以得到排放源对观测站点时空上的综合影响概率
Figure 54749DEST_PATH_IMAGE010
，其中，
Figure 984659DEST_PATH_IMAGE011
表示观测站点的个数，
Figure 945662DEST_PATH_IMAGE012
，
Figure 593812DEST_PATH_IMAGE013
表示时间点。
4.根据权利要求3所述的基于连续在线观测数据的大气污染溯源预测方法，其特征在于，通过观测站点组的数据
Figure 400094DEST_PATH_IMAGE014
，利用概率分析方法求得排放源
Figure 948625DEST_PATH_IMAGE015
的后验概率的公式表示为：
Figure 814950DEST_PATH_IMAGE016
其中，
Figure 950396DEST_PATH_IMAGE017
表示在已知观测站点组的数据
Figure 232473DEST_PATH_IMAGE014
下得到排放源
Figure 464871DEST_PATH_IMAGE015
的后验概率，
Figure 439780DEST_PATH_IMAGE018
表示排放源
Figure 921577DEST_PATH_IMAGE015
对观测站点
Figure 709142DEST_PATH_IMAGE019
的影响概率，
Figure 592785DEST_PATH_IMAGE020
表示排放源
Figure 941857DEST_PATH_IMAGE015
对观测站点
Figure 910950DEST_PATH_IMAGE001
的影响概率，
Figure 738092DEST_PATH_IMAGE021
表示排放源
Figure 741820DEST_PATH_IMAGE015
的概率，
Figure 261794DEST_PATH_IMAGE022
表示观测站点
Figure 718184DEST_PATH_IMAGE019
的概率。
5.根据权利要求4所述的基于连续在线观测数据的大气污染溯源预测方法，其特征在于，利用观测站点
Figure 581972DEST_PATH_IMAGE001
观测数据
Figure 174627DEST_PATH_IMAGE002
计算得到最大影响可能性排放源
Figure 865503DEST_PATH_IMAGE006
的计算公式表示为：
Figure 809188DEST_PATH_IMAGE023
其中，
Figure 243712DEST_PATH_IMAGE021
表示排放源
Figure 956453DEST_PATH_IMAGE015
的概率，
Figure 552650DEST_PATH_IMAGE020
表示排放源
Figure 983632DEST_PATH_IMAGE015
对观测站点
Figure 454802DEST_PATH_IMAGE001
的影响概率，
Figure 287629DEST_PATH_IMAGE024
表示取最大值操作。
6.根据权利要求5所述的基于连续在线观测数据的大气污染溯源预测方法，其特征在于，结合所述大气污染扩散模型，计算最大影响可能性排放源
Figure 851465DEST_PATH_IMAGE006
在空间网格
Figure 645109DEST_PATH_IMAGE007
上时间
Figure 546069DEST_PATH_IMAGE008
内对观测站点
Figure 843189DEST_PATH_IMAGE001
的影响概率
Figure 171402DEST_PATH_IMAGE009
：
Figure 685298DEST_PATH_IMAGE025
。
7.根据权利要求6所述的基于连续在线观测数据的大气污染溯源预测方法，其特征在于，所述排放源对观测站点时空上的综合影响概率
Figure 389949DEST_PATH_IMAGE010
的公式表示为：
Figure 807155DEST_PATH_IMAGE026
其中，
Figure 306269DEST_PATH_IMAGE027
表示在网格位置
Figure 808926DEST_PATH_IMAGE028
的第
Figure 51688DEST_PATH_IMAGE001
个观测站点在
Figure 57822DEST_PATH_IMAGE008
时间的概率，
Figure 727837DEST_PATH_IMAGE029
表示在网格位置
Figure 216325DEST_PATH_IMAGE030
的第
Figure 997200DEST_PATH_IMAGE001
个观测站点在
Figure 388998DEST_PATH_IMAGE008
时间的概率，
Figure 229915DEST_PATH_IMAGE031
表示在网格位置
Figure 707164DEST_PATH_IMAGE032
的第
Figure 291729DEST_PATH_IMAGE001
个观测站点在
Figure 538033DEST_PATH_IMAGE008
时间的概率。
8.根据权利要求7所述的基于连续在线观测数据的大气污染溯源预测方法，其特征在于，在所述步骤四中，若所述最大可能性排放源为已知排放源，则根据已有的源项污染排放信息以及高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入，基于排放源与观测站点的浓度关系，对排放源进行污染时空扩散特征预测模拟以得到排放源对观测站点的影响的步骤中，对应的公式表达式为：
Figure 549852DEST_PATH_IMAGE033
其中，
Figure 770790DEST_PATH_IMAGE034
表示
Figure 831150DEST_PATH_IMAGE035
个观测站点的污染物浓度数据集，
Figure 56595DEST_PATH_IMAGE036
为排放源
Figure 114681DEST_PATH_IMAGE015
与观测站点污染物浓度的关系函数，
Figure 691156DEST_PATH_IMAGE037
为其它影响因素；
计算过程中，满足：
Figure 492890DEST_PATH_IMAGE038
其中，
Figure 572841DEST_PATH_IMAGE039
为
Figure 565943DEST_PATH_IMAGE034
随排放源
Figure 364134DEST_PATH_IMAGE015
变化的有限界限。
9.根据权利要求7所述的基于连续在线观测数据的大气污染溯源预测方法，其特征在于，在所述步骤四中，若所述最大可能性排放源为未知排放源，则获取通过人工信息调研采集得到污染物观测数据，并对未知排放源的污染物排放量进行量值假设，根据所述污染物观测数据，将高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入并进行扩散计算，基于排放源与观测站点的浓度关系对排放源进行污染时空扩散特征预测模拟，以进行相关性分析从而最终确定排放源对观测站点的影响的步骤中，相关性分析对应的公式为：
Figure 969559DEST_PATH_IMAGE040
其中，
Figure 638438DEST_PATH_IMAGE041
为相关性系数，
Figure 303906DEST_PATH_IMAGE042
为观测站点
Figure 589393DEST_PATH_IMAGE001
的观测数据，
Figure 732930DEST_PATH_IMAGE043
为观测站点
Figure 787474DEST_PATH_IMAGE001
的模拟数据，
Figure 122378DEST_PATH_IMAGE044
为
Figure 629582DEST_PATH_IMAGE045
个观测站点的观测数据均值，
Figure 576810DEST_PATH_IMAGE046
为
Figure 751439DEST_PATH_IMAGE045
个观测站点的模拟均值。
10.一种基于连续在线观测数据的大气污染溯源预测系统，其特征在于，所述系统包括：
预处理模块，用于：
构建预设区域范围内的网格模型，并对所述网格模型进行预处理，所述预处理包括对所述网格模型进行水平网格划分以及垂直分层；
模型构建模块，用于：
构建高精度小尺度气象预测模型，将所述预设区域范围内的气象格点数据作为所述高精度小尺度气象预测模型的输入数据，结合下垫面特征对气象因素进行模拟后，计算得到高精度三维空间网格化气象要素数据，其中所述气象因素包括三维风场、温度、湿度、气压以及湍流场，所述下垫面特征包括地形特征、地貌特征以及障碍物特征，所述气象格点数据包括气象模式预报数据和气象站观测数据；
计算处理模块，用于：
根据预设区域范围构建大气污染扩散模型，将所述高精度三维空间网格化气象要素数据输入至大气污染扩散模型中，以输入的观测站点的观测数据作为排放物释放信息，进行气象场和扩散场在时间上的反向推演模拟，以得到对应的污染物来源可能性分布特征，并结合概率分析方法计算以得到排放源对观测站点时空上的综合影响概率；
溯源确定模块，用于：
根据所述排放源对观测站点时空上的综合影响概率的最优解确定得到最大可能性排放源的位置，并结合地区的潜在排放源信息，判断计算得到的最大可能性排放源是否为已知源；
若所述最大可能性排放源为已知排放源，则根据已有的源项污染排放信息以及高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入，基于排放源与观测站点的浓度关系，对排放源进行污染时空扩散特征预测模拟以得到排放源对观测站点的影响；
若所述最大可能性排放源为未知排放源，则获取通过人工信息调研采集得到污染物观测数据，并对未知排放源的污染物排放量进行量值假设，根据所述污染物观测数据，将高精度三维空间网格化气象要素数据作为大气污染扩散模型的输入并进行扩散计算，基于排放源与观测站点的浓度关系对排放源进行污染时空扩散特征预测模拟，以进行相关性分析从而最终确定排放源对观测站点的影响。
CN202210560848.4A 2022-05-23 2022-05-23 基于连续在线观测数据的大气污染溯源预测方法及系统 Active CN114662344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210560848.4A CN114662344B (zh) 2022-05-23 2022-05-23 基于连续在线观测数据的大气污染溯源预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210560848.4A CN114662344B (zh) 2022-05-23 2022-05-23 基于连续在线观测数据的大气污染溯源预测方法及系统

Publications (2)

Publication Number Publication Date
CN114662344A true CN114662344A (zh) 2022-06-24
CN114662344B CN114662344B (zh) 2022-08-23

Family

ID=82037054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210560848.4A Active CN114662344B (zh) 2022-05-23 2022-05-23 基于连续在线观测数据的大气污染溯源预测方法及系统

Country Status (1)

Country Link
CN (1) CN114662344B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818391A (zh) * 2022-06-28 2022-07-29 北京化工大学 一种基于多溯源模型的污染源浓度智能分析方法
CN115356440A (zh) * 2022-08-12 2022-11-18 信阳师范学院 一种用于定量人为排放和气象条件对大气污染物浓度贡献的系统和方法
CN117610438A (zh) * 2024-01-24 2024-02-27 广东智环创新环境科技有限公司 挥发性有机污染物扩散模拟与溯源方法及系统
CN117610438B (zh) * 2024-01-24 2024-05-28 广东智环创新环境科技有限公司 挥发性有机污染物扩散模拟与溯源方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016129715A1 (ko) * 2015-02-10 2016-08-18 주식회사 주빅스 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템
CN106650825A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种机动车尾气排放数据融合系统
CN109522603A (zh) * 2018-10-18 2019-03-26 南京大学 基于云平台的车载拉格朗日实时大气污染溯源系统及方法
CN109583743A (zh) * 2018-11-26 2019-04-05 南京创蓝科技有限公司 基于拉格朗日模型和移动观测平台的大气污染溯源方法
US20190113445A1 (en) * 2017-10-16 2019-04-18 Weimin Zhang Air pollution monitoring system and air pollution monitoring method
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
CN112749478A (zh) * 2020-12-11 2021-05-04 江苏汇环环保科技有限公司 一种基于高斯扩散模型大气污染溯源扩散分析系统及方法
CN113515722A (zh) * 2021-09-15 2021-10-19 南昌云宜然科技有限公司 一种道路交通排放与扬尘排放的实时监测方法与系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016129715A1 (ko) * 2015-02-10 2016-08-18 주식회사 주빅스 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템
CN106650825A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种机动车尾气排放数据融合系统
US20190113445A1 (en) * 2017-10-16 2019-04-18 Weimin Zhang Air pollution monitoring system and air pollution monitoring method
CN109522603A (zh) * 2018-10-18 2019-03-26 南京大学 基于云平台的车载拉格朗日实时大气污染溯源系统及方法
CN109583743A (zh) * 2018-11-26 2019-04-05 南京创蓝科技有限公司 基于拉格朗日模型和移动观测平台的大气污染溯源方法
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
CN112749478A (zh) * 2020-12-11 2021-05-04 江苏汇环环保科技有限公司 一种基于高斯扩散模型大气污染溯源扩散分析系统及方法
CN113515722A (zh) * 2021-09-15 2021-10-19 南昌云宜然科技有限公司 一种道路交通排放与扬尘排放的实时监测方法与系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SUWEI ZHANG等: "Particulate matter pollution in Kunshan High-Tech zone: Source apportionment with trace elements,plume evolution and its monitoring", 《HTTPS://DOI.ORG/10.1016/J.JES.2018.03.022》 *
杨多兴等: "拉格朗日烟团空气质量模式系统气象要素模拟验证", 《西南农业大学学报(自然科学版)》 *
蒋宁洁等: "武汉市下垫面变化对大气污染物扩散和气象要素影响的数值模拟", 《安全与环境学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818391A (zh) * 2022-06-28 2022-07-29 北京化工大学 一种基于多溯源模型的污染源浓度智能分析方法
CN115356440A (zh) * 2022-08-12 2022-11-18 信阳师范学院 一种用于定量人为排放和气象条件对大气污染物浓度贡献的系统和方法
CN117610438A (zh) * 2024-01-24 2024-02-27 广东智环创新环境科技有限公司 挥发性有机污染物扩散模拟与溯源方法及系统
CN117610438B (zh) * 2024-01-24 2024-05-28 广东智环创新环境科技有限公司 挥发性有机污染物扩散模拟与溯源方法及系统

Also Published As

Publication number Publication date
CN114662344B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN114662344B (zh) 基于连续在线观测数据的大气污染溯源预测方法及系统
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
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
CN110646867A (zh) 一种城市排水监测预警方法和系统
CN110597932B (zh) 一种基于遥感影像的环境综合评估预测方法
CN112785024A (zh) 一种基于流域水文模型的径流计算和预测方法
CN113011455B (zh) 一种空气质量预测svm模型构建方法
CN114201570A (zh) 河网水质的监测方法、装置和可读存储介质
CN115420854B (zh) 一种基于正后向模型结合的大气污染物溯源方法
CN113704693B (zh) 一种高精度的有效波高数据估计方法
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
CN105824987A (zh) 一种基于遗传算法的风场特征统计分布模型建立方法
CN112100922A (zh) 一种基于wrf和cnn卷积神经网络的风资源预测方法
CN113486295B (zh) 基于傅里叶级数的臭氧总量变化预测方法
CN114118613A (zh) 一种焦化土壤污染空间分布预测优化方法及系统
CN117116382B (zh) 引水工程影响下受水湖泊水质时空预测方法和系统
Brook et al. Validation of the urban dispersion model (UDM)
CN116341231B (zh) 人工增雨催化剂扩散轨迹的模拟方法、装置、服务器和存储介质
CN116258101B (zh) 一种基于气体浓度监测数据快速计算排放源强的方法
CN117251989A (zh) 一种气象站点的碳水通量信息确定方法、系统及电子设备
CN114878748B (zh) 一种co2排放量的监测方法及监测系统
CN114611832B (zh) 一种基于贝叶斯多模型集对分析的海水入侵预测方法
CN113868223A (zh) 水质监测方法、装置、系统和可读存储介质
CN113761806A (zh) 一种基于神经网络的大气能见度预测方法
CN116631530B (zh) 污染物扩散风险识别方法、装置及设备

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