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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000009792 diffusion process Methods 0.000 claims abstract description 111
- 238000004088 simulation Methods 0.000 claims abstract description 51
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 239000003344 environmental pollutant Substances 0.000 claims description 49
- 231100000719 pollutant Toxicity 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 48
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 15
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 239000000356 contaminant Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
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;
对于后验概率结果最大的观测站点组的数据,结合所述大气污染扩散模型,计算最大影响可能性排放源在空间网格上时间内对观测站点的影响概率,以得到排放源对观测站点时空上的综合影响概率,其中,表示观测站点的个数,,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,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:
计算过程中,满足:
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:
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,通过计算后验概率,得到排放源对观测站点的影响概率。
在大气污染扩散模型计算过程中,对观测站点受到排放源影响的后验概率做判断,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。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。
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在空间网格上一定时间内的对观测站点的影响概率,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。其中,排放源时空上综合影响概率是针对观测站点的时空而言的。其中,表示观测站点的个数,,表示时间点。
具体的,排放源计算区域概率的计算方法包括如下步骤:
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。
计算过程中,满足:
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:
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:
除最优插值方法外,考虑卡尔曼滤波给出最优估计:
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。
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;
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。
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)
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)
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 |
-
2022
- 2022-05-23 CN CN202210560848.4A patent/CN114662344B/zh active Active
Patent Citations (8)
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)
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)
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 |