CN114859321B - 区域大气颗粒物来源比例计算方法、装置、设备、介质 - Google Patents
区域大气颗粒物来源比例计算方法、装置、设备、介质 Download PDFInfo
- Publication number
- CN114859321B CN114859321B CN202210807888.4A CN202210807888A CN114859321B CN 114859321 B CN114859321 B CN 114859321B CN 202210807888 A CN202210807888 A CN 202210807888A CN 114859321 B CN114859321 B CN 114859321B
- Authority
- CN
- China
- Prior art keywords
- atmospheric
- data
- particulate
- particulate matter
- polygonal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000013618 particulate matter Substances 0.000 claims abstract description 100
- 238000004364 calculation method Methods 0.000 claims abstract description 50
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000007716 flux method Methods 0.000 claims abstract description 17
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 15
- 231100000719 pollutant Toxicity 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 47
- 239000008277 atmospheric particulate matter Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- 230000004907 flux Effects 0.000 claims description 12
- 238000004062 sedimentation Methods 0.000 claims description 11
- 238000000469 dry deposition Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000006855 networking Effects 0.000 claims description 6
- 238000004599 local-density approximation Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 17
- 230000005540 biological transmission Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000012950 reanalysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000012080 ambient air Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Immunology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Biochemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请公开了一种区域大气颗粒物来源比例计算方法、装置、设备、介质，涉及大气颗粒物监测技术领域，包括：获取多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据；基于边界风场信息、大气湿度数据、雷达信噪比数据及从地面站获取的气象及大气污染物数据信息，利用预设颗粒物反演模型获取各个高度的第一大气颗粒物的浓度数据；基于四维通量法和多边形坐标系法并利用第一大气颗粒物的浓度数据，确定多边形区域上每个高度对应的第一大气颗粒物的输入量和输出量；基于输入量、输出量，计算多边形区域上的大气颗粒物的来源比例。通过本申请中计算区域大气各颗粒物来源占比也更加准确、科学、高效。
Description
技术领域
本发明涉及大气颗粒物监测技术领域，特别涉及区域大气颗粒物来源比例计算方法、装置、设备、介质。
背景技术
随着城市工业化发展，大气污染日益严重，而PM10和PM2.5作为影响环境空气质量的主要颗粒物，越来越受到人们的关注。当大气中颗粒物浓度升高时，环境空气质量恶化，严重影响公众健康和城市形象，限制城市发展。随着区域环境监测部门之间业务的协同配合，理清区域大气颗粒物的来源及其占比对当前的环境监测工作至关重要，计算区域大气颗粒物各来源占比已经成为各地区评价大气环境的重要指标。尽管城市区域已在二维尺度上积累了丰富的大气颗粒物监测手段，但在三维空间上仍缺少较为精准的定量测量，然而受限于对区域大气三维时空的监测手段，这一工作往往依赖于经验或者模式计算，精细化程度不够，使得计算结果出现偏差，在三维空间上仍缺少较为精准的定量测量。
根据现有方法技术，对大气颗粒物三维传输通量主要利用颗粒物激光雷达，通过激光雷达消光系数廓线推演三维大气的颗粒物浓度，而对于风场信息则是通过WRF气象模式、气象再分析资料或风雷达进行获取，一方面由于气象模式的模拟结果、气象再分析资料较粗糙，数据精度无法完全反应大气边界层，并且测风激光雷法和颗粒物激光雷达无法保证相同的时空分辨率，数据对应关系较差；另一方面现有技术对区域传输边界的定义也相对粗糙，使得计算区域传输量时误差较大，也并未将区域颗粒物来源进行分类以及守恒计算，无法判别本地产生量、沉降量和背景值，未对区域大气颗粒物各来源占比进行计算。
综上，如何实现准确计算区域颗粒物传输量，并根据区域大气颗粒物来源守恒关系得到各来源占比，使数据获取变得简单，摆脱了复杂繁琐的计算过程，使计算大气颗粒物各来源占比更加便捷、高效是本领域有待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供区域大气颗粒物来源比例计算方法、装置、设备、介质，能够实现准确计算区域颗粒物传输量，并根据区域大气颗粒物来源守恒关系得到各来源占比，使数据获取变得简单，摆脱了复杂繁琐的计算过程，使计算大气颗粒物各来源占比更加便捷、高效。其具体方案如下：
第一方面，本申请公开了一种区域大气颗粒物来源比例计算方法，包括：
获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据；
基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物的浓度数据；
基于四维通量法和多边形坐标系法并利用所述第一大气颗粒物的浓度数据，确定所述多边形区域上每个高度对应的所述第一大气颗粒物的输入量和输出量；
基于所述输入量、所述输出量，计算所述多边形区域上的大气颗粒物的来源比例。
可选的，所述获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据之前，还包括：
基于所述多边形区域的边界数量确定多普勒激光测风雷达的数量，并利用所述多普勒激光测风雷达实现区域多边形组网，以得到所述多普勒激光测风雷达群。
可选的，所述基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物浓度数据，包括：
基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据、大气能见度数据以及地面站的第二颗粒物浓度数据，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物浓度数据。
可选的，所述获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息，包括：
确定所述多边形区域的区域坐标系；
基于所述区域坐标系划分所述多边形区域的边界，确定区域边界并计算所述区域边界的长度信息，以得到所述边界风场信息。
可选的，所述基于四维通量法和多边形坐标系法并利用所述第一大气颗粒物的浓度数据，确定所述多边形区域上每个高度对应的所述第一大气颗粒物的输入量和输出量，包括：
基于四维通量法和多边形坐标系法，并利用位于所述区域坐标系中所述预设时间段内的各区域边界上的所述第一大气颗粒物的浓度数据，确定所述多边形区域的不同区域边界上每个高度对应的所述第一大气颗粒物的输入量和输出量。
可选的，所述基于所述输入量、所述输出量，计算所述多边形区域上的大气颗粒物的来源比例，包括：
基于所述输入量、所述输出量、颗粒物沉降量、颗粒物背景量计算本地颗粒物的产生量，并获得各种颗粒物质量和总颗粒物质量；
计算所述各种颗粒物质量与所述总颗粒物质量的比值，确定所述多边形区域上的大气颗粒物的来源比例。
可选的，所述基于所述输入量、所述输出量、颗粒物沉降量、颗粒物背景量计算本地颗粒物的产生量之前，还包括：
通过干沉积通量公式并基于第二颗粒物浓度数据计算颗粒物沉降量；
基于所述第二颗粒物浓度数据、多边形区域面积和预设边界层高度计算所述颗粒物背景量。
第二方面，本申请公开了一种区域大气颗粒物来源比例计算装置，包括：
信息获取模块，用于获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据；
浓度数据获取模块，用于基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物的浓度数据；
输入输出计算模块，用于基于四维通量法和多边形坐标系法并利用所述第一大气颗粒物的浓度数据，确定所述多边形区域上每个高度对应的所述第一大气颗粒物的输入量和输出量；
来源比例确定模块，用于基于所述输入量、所述输出量，计算所述多边形区域上的大气颗粒物的来源比例。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述公开的区域大气颗粒物来源比例计算方法的步骤。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的区域大气颗粒物来源比例计算方法的步骤。
可见，本申请公开了一种区域大气颗粒物来源比例计算方法，包括：获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据；基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物的浓度数据；基于四维通量法和多边形坐标系法并利用所述第一大气颗粒物的浓度数据，确定所述多边形区域上每个高度对应的所述第一大气颗粒物的输入量和输出量；基于所述输入量、所述输出量，计算所述多边形区域上的大气颗粒物的来源比例。由此可见，通过多普勒激光测风雷达群以及预设颗粒物反演模型可以获取时空尺度上精细化的大气风场以及颗粒物信息，并基于本申请获取的边界风场信息更贴近实际场景，因此计算的输入量和输出量的结果也更精确，进而计算区域大气各颗粒物来源占比也更加准确，并且通过本申请计算各颗粒物的来源占比的数据获取更加方便，摆脱了复杂繁琐的计算过程，使计算变得科学、便捷、高效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的实施例，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获得其他的附图。
图1为本申请公开的一种区域大气颗粒物来源比例计算方法流程图；
图2为本申请公开的一种具体的区域大气颗粒物来源比例计算方法流程图；
图3为本申请公开的一种区域大气颗粒物来源比例计算装置结构示意图；
图4为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
根据现有方法技术，对大气颗粒物三维传输通量主要利用颗粒物激光雷达，通过激光雷达消光系数廓线推演三维大气的颗粒物浓度，而对于风场信息则是通过WRF气象模式、气象再分析资料或风雷达进行获取，一方面由于气象模式的模拟结果、气象再分析资料较粗糙，数据精度无法完全反应大气边界层，并且测风激光雷法和颗粒物激光雷达无法保证相同的时空分辨率，数据对应关系较差；另一方面现有技术对区域传输边界的定义也相对粗糙，使得计算区域传输量时误差较大，也并未将区域颗粒物来源进行分类以及守恒计算，无法判别本地产生量、沉降量和背景值，未对区域大气颗粒物各来源占比进行计算。
为此，本申请公开了一种区域大气颗粒物来源比例计算方案，能够实现准确计算区域颗粒物传输量，并根据区域大气颗粒物来源守恒关系得到各来源占比，使数据获取变得简单，摆脱了复杂繁琐的计算过程，使计算大气颗粒物各来源占比更加便捷、高效。
参照图1所示，本发明实施例公开了一种区域大气颗粒物来源比例计算方法，包括：
步骤S11：获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据。
本实施例中，由于多普勒激光测风雷达集合了对风和大气颗粒物的探测数据，实现了同时空高精度的精细化数据，所以本实施例中，当计算一个多边形区域的大气颗粒物来源的占比的过程时，预先采用多普勒激光测风雷达群测定预设时间段内的边界风场信息、雷达的测得的大气湿度数据以及雷达自身的信噪比数据。
本实施例中，所述获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据之前，还包括：基于所述多边形区域的边界数量确定多普勒激光测风雷达的数量，并利用所述多普勒激光测风雷达进行区域多边形组网，以得到所述多普勒激光测风雷达群。可以理解的是，对于外来传输而言，可以通过对多边形区域各个边界颗粒物的输入输出量进行计算得到，即将某一多边形区域地面以上的空间作为研究对象，计算大气颗粒物在一定时间段内输送到研究对象的通量。但在实际应用中由于多边形区域边界的不规则性，导致大气颗粒物输入输出量的计算更加难以确定，因此，确定所述多边形区域的边界数量，然后在每一个边界上设置一台多普勒激光测风雷达，最后，利用每一个边界上的多普勒激光测风雷达进行区域多边形组网，并根据区域多边形坐标系进行区域边界的划分和长度计算。
步骤S12：基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物的浓度数据。
本实施例中，基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据、大气能见度数据以及地面站的第二颗粒物浓度数据，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物浓度数据。可以理解的是，由于气象模式的模拟结果、气象再分析资料较粗糙，数据精度无法完全反应大气边界层，而本实施例中通过多普勒激光测风雷达群获取到的边界风场信息更加准确；此外，测风激光雷达和颗粒物激光雷达则不能保证相同的时空分辨率，使数据对应关系较差，而本实施例基于测风激光雷达反演算法得到的颗粒物浓度则避免了上述情况，可以理解的是，获取各个高度的第一大气颗粒物浓度数据即为获取多边形区域各个高度上的区域颗粒物浓度。从地面站获取的气象及大气污染物数据信息具体为大气能见度数据以及地面站的第二颗粒物浓度数据，可以理解的是，第二颗粒物浓度为地面颗粒物浓度，并且所述大气能见度数据以及地面站的第二颗粒物浓度数据可直接从网络或气象站获得，获得数据的方式十分简单、便捷、科学。
本实施例中，当获取了上述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息之后，将所述雷达信噪比数据和边界风场信息进行相应的预处理之后输入预设颗粒物反演模型，可以输出预设时间段内的整层大气的第一大气颗粒物的浓度数据。需要注意的是，所述预设颗粒物反演模型是预先进行训练的，并且通过所述预设颗粒物反演模型输出的为各个高度对应的第一大气颗粒物的浓度数据。
步骤S13：基于四维通量法和多边形坐标系法并利用所述第一大气颗粒物的浓度数据，确定所述多边形区域上每个高度对应的所述第一大气颗粒物的输入量和输出量。
本实施例中，首先，通量定义为特定时间内，通过特定截面给研究对象输送颗粒物的量，其原理为：
其中，M为输送通量，单位是μg；C为大气颗粒物浓度，单位是μg·m-3 ，Ws为垂直于特定界面的风速，单位是m·s-1；S为特定界面的面积，单位是m2；T为时间，单位是S（Second，秒）。
本实施例中，基于多普勒激光测风雷达，雷达可以获取各个高度上的风速风向信息，同时依据大气颗粒物对应各个高度上的浓度，将边界层视为无数个单位体积堆叠的空间，每个单元小块具有同一时刻的平均浓度C（L，H，T）以及风场信息Ws（L，H，T），则dT时间内通过单元小块向下风方向输送的颗粒物的量为：
其中，Ws为正时表示颗粒物输进区域内，Ws为负时表示颗粒物输出区域外，L代表边界长度，H代表高度，对其分别进行计算即可计算出大气边界层内一段时间通过该区域边界的颗粒物输出和输入量，并通过多台雷达组网即可获取该区域大气边界层内一段时间的颗粒物输入输出量。
步骤S14：基于所述输入量、所述输出量，计算所述多边形区域上的大气颗粒物的来源比例。
本实施例中，通过上述计算得到的所述颗粒物的输入输出量，并基于成熟的颗粒物干沉积经验公式反推出本地颗粒物产生量，进而确定出各个颗粒物来源的质量，计算所述多边形区域上的大气颗粒物的来源比例。首先，获取一段时间内区域组网多普勒激光测风雷达的风场、信噪比数据；雷达传感器测得的大气湿度数据；获取地面气象站的能见度数据和监测站的颗粒物浓度数据。利用颗粒物反演模型对上述所有数据进行处理，获得与多普勒激光测风雷达同尺度的大气颗粒物浓度数据。将风场和大气颗粒物数据通过四维通量法计算区域大气颗粒物输入输出量。基于输入输出量和区域颗粒物来源守恒关系，通过地面监测站监测数据以及干沉积经验公式，实现本地产生量的计算。根据各个来源颗粒物质量求其占比。
可见，本申请公开了一种区域大气颗粒物来源比例计算方法，包括：获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据；基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物的浓度数据；基于四维通量法和多边形坐标系法并利用所述第一大气颗粒物的浓度数据，确定所述多边形区域上每个高度对应的所述第一大气颗粒物的输入量和输出量；基于所述输入量、所述输出量，计算所述多边形区域上的大气颗粒物的来源比例。由此可见，通过多普勒激光测风雷达群以及预设颗粒物反演模型可以获取时空尺度上精细化的大气风场以及颗粒物信息，并基于本申请获取的边界风场信息更贴近实际场景，因此计算的输入量和输出量的结果也更精确，进而计算区域大气各颗粒物来源占比也更加准确，并且通过本申请计算各颗粒物的来源占比的数据获取更加方便，摆脱了复杂繁琐的计算过程，使计算变得科学、便捷、高效。
参照图2所示，本发明实施例公开了一种具体的区域大气颗粒物来源比例计算方法流程图，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
步骤S21：确定多边形区域的区域坐标系；基于所述区域坐标系划分所述多边形区域的边界，确定区域边界并计算所述区域边界的长度信息，以得到边界风场信息、获取大气湿度数据以及雷达信噪比数据。
本实施例中，首先确定多边形区域的区域坐标系，例如：若想测量某个地区的大气颗粒物各来源的占比情况，首先，根据地图上该地区的地理情况，建立一个区域坐标系，然后基于所述区域坐标系划分所述多边形区域的边界，确定区域边界，并在各个区域边界上分别设置一个多普勒激光测风雷达，用于采集相应的信息，并方便计算所述区域边界的长度信息，以得到边界风场信息、获取大气湿度数据以及雷达信噪比数据。
步骤S22：基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物的浓度数据。
步骤S23：基于四维通量法和多边形坐标系法，并利用位于所述区域坐标系中所述预设时间段内的各区域边界上的所述第一大气颗粒物的浓度数据，确定所述多边形区域的不同区域边界上每个高度对应的所述第一大气颗粒物的输入量和输出量。
本实施例中，在计算多边形区域的不同区域边界上每个高度对应的所述第一大气颗粒物的输入量和输出量过程中，需要对每一单元小块向下风方向输送的颗粒物的量进行积分，如公式3所示：
其中，上述原理需要进行区域边界划分和长度计算，方法如下：沿一个固定的方向连接区域边界各端点形成一个任意多边形，可以在各边界上安装多普勒测风激光雷达，表征该边界风场信息，若风向与边界向量夹角在0~180°之间则风向进入区域，若风向与边界向量夹角在180~360°之间则风向离开区域，其中，所述固定方向可以为顺时针方向。
公式3中对单位边界dL进行积分，对于dL来说，其在坐标系中用向量进行表示，如公式4所示：
其中，W表示投影长度，
表示风向量，
表示边界向量，
表示顺时针方向上的法向量，W为正值则风向进入区域，W为负值则风向离开区域。将上述公式带入到公式3中，可以得到公式5，如下所示：
其中，本方法在实际应用中可根据组网部署的边界点经纬度值作为其向量经纬度。
步骤S24：通过干沉积通量公式并基于第二颗粒物浓度数据计算颗粒物沉降量；基于所述第二颗粒物浓度数据、多边形区域面积和预设边界层高度计算颗粒物背景量。
本实施例中，干沉降通量经验公式的计算方法包括浓度法以及梯度法，浓度法计算公式为：干沉降通量=干沉积速度*颗粒物浓度；对于干沉积速度而言，现有大量研究已形成颗粒物干沉积速度经验系数，进而形成经验公式。基于多普勒激光测风雷达获取区域边界风场信息，实现区域颗粒物输入输出的计算，然而却无法直接对本地颗粒物产生量进行计算。因此本方法基于区域颗粒物各来源，依据监测站颗粒物浓度信息以及成熟的颗粒物干沉积经验公式反推本地颗粒物产生量，颗粒物各来源如下：颗粒物总量=输入量+本地产生量+前背景量；输出量=颗粒物总量-沉降量-后背景量；其中，上两式中已由上述方法得到区域颗粒物输入量、输出量，其中，正负号只表示输入输出方向。沉降量可根据各颗粒物干沉降通量经验公式和地面监测站监测浓度，由下式获得：沉降量=干沉积速度*颗粒物浓度*区域面积*时间；研究某一时段前大气颗粒物背景量与该时段后颗粒物背景量计算则如下所示：背景量=地面站平均监测浓度*区域面积*边界层平均高度；其中，上式中，边界层平均高度可根据该区域实际情况设置为固定参数。基于上述步骤，反推本地颗粒物产生量为：本地产生量=输出量+沉降量+后背景量-输入量-前背景量。可以理解的是，基于上述已成熟的干沉积通量公式以及计算得到的输入输出量和第二颗粒物浓度数据，进一步的计算部分其他颗粒物来源量。
步骤S25：基于所述输入量、所述输出量、所述颗粒物沉降量、所述颗粒物背景量计算本地颗粒物的产生量，并获得各种颗粒物质量和总颗粒物质量；计算所述各种颗粒物质量与所述总颗粒物质量的比值，确定所述多边形区域上的大气颗粒物的来源比例。
本实施例中，通过上述步骤，已获得区域颗粒物总量及各项来源颗粒物量，即可通过下式获得占比：各项来源颗粒物占比=各项来源颗粒物量/颗粒物总量；可以理解的是，在获取了部分其他颗粒物来源量的情况下，进一步计算本地颗粒物的产生量，并且获得总颗粒物质量，在获取所述各种颗粒物来源质量后，按照比例计算公式，计算所述各种颗粒物质量与所述总颗粒物质量的比值，确定所述多边形区域上的大气颗粒物的来源比例。需要注意的是，输入量为区域大气颗粒物的在预设时间段内的输入量，输出量为区域大气颗粒物的在预设时间段内的输出量，颗粒物沉降量为基于通过地面监测站监测到的第二颗粒物的浓度数据计算获得的，本地颗粒物为大气颗粒物，其中，第二颗粒物的浓度数据是由地面监测站通过监测获得的本地颗粒物的浓度数据。颗粒物背景量分为颗粒物前背景量和颗粒物后背景量，其中，所述颗粒物前背景量为研究某一时段前大气颗粒物背景量，所述颗粒物后背景量为研究该时段后大气颗粒物背景量，大气颗粒物背景量一般通过地面监测站监测到的大气颗粒物的平均监测浓度计算得到。
可见，本申请通过基于多普勒激光测风雷达及其配套的预设颗粒物反演模型，可以获取时空尺度上精细化的大气风场以及颗粒物信息，利用多台雷达对区域进行组网观测，由于区域雷达规范组网，构建的区域多边形坐标系也就更精准，对区域边界的定义更贴近实际，对外来传输过程的计算结果也更精确，进而通过四维通量法获取一定时间内区域各边界三维空间上的颗粒物输入输出量。基于上述对传输源的计算，再根据区域大气颗粒物各来源及其守恒关系，利用地面监测站和经验公式计算大气颗粒物沉降量、背景值以及本地排放量，进而计算区域大气颗粒物各来源占比，数据获取方便，摆脱了复杂繁琐的计算过程，使计算大气颗粒物各来源占比更加便捷、高效。
参照图3所示，本发明实施例公开了一种区域大气颗粒物来源比例计算装置，包括：
信息获取模块11，用于获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据；
浓度数据获取模块12，用于基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物的浓度数据；
输入输出计算模块13，用于基于四维通量法和多边形坐标系法并利用所述第一大气颗粒物的浓度数据，确定所述多边形区域上每个高度对应的所述第一大气颗粒物的输入量和输出量；
来源比例确定模块14，用于基于所述输入量、所述输出量，计算所述多边形区域上的大气颗粒物的来源比例。
可见，本申请公开了一种区域大气颗粒物来源比例计算方法，包括：获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据；基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物的浓度数据；基于四维通量法和多边形坐标系法并利用所述第一大气颗粒物的浓度数据，确定所述多边形区域上每个高度对应的所述第一大气颗粒物的输入量和输出量；基于所述输入量、所述输出量，计算所述多边形区域上的大气颗粒物的来源比例。由此可见，通过多普勒激光测风雷达群以及预设颗粒物反演模型可以获取时空尺度上精细化的大气风场以及颗粒物信息，并基于本申请获取的边界风场信息更贴近实际场景，因此计算的输入量和输出量的结果也更精确，进而计算区域大气各颗粒物来源占比也更加准确，并且通过本申请计算各颗粒物的来源占比的数据获取更加方便，摆脱了复杂繁琐的计算过程，使计算变得科学、便捷、高效。
进一步的，本申请实施例还公开了一种电子设备，图4是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图4为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的区域大气颗粒物来源比例计算方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的区域大气颗粒物来源比例计算方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据，也可以包括由自身输入输出接口25采集到的数据等。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的区域大气颗粒物来源比例计算方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的区域大气颗粒物来源比例计算方法、装置、设备、介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种区域大气颗粒物来源比例计算方法，其特征在于，包括：
获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据；
基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物的浓度数据；
基于四维通量法和多边形坐标系法并利用所述第一大气颗粒物的浓度数据，确定所述多边形区域上每个高度对应的所述第一大气颗粒物的输入量和输出量；
基于所述输入量、所述输出量，计算所述多边形区域上的大气颗粒物的来源比例；
所述基于所述输入量、所述输出量，计算所述多边形区域上的大气颗粒物的来源比例，包括：
基于所述输入量、所述输出量、颗粒物沉降量、颗粒物背景量计算本地颗粒物的产生量，并获得各种颗粒物质量和总颗粒物质量；所述颗粒物背景量为基于地面站的第二颗粒物浓度数据、多边形区域面积和预设边界层高度之间的乘积确定出来的数值；
计算所述各种颗粒物质量与所述总颗粒物质量的比值，确定所述多边形区域上的大气颗粒物的来源比例。
2.根据权利要求1所述的区域大气颗粒物来源比例计算方法，其特征在于，所述获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据之前，还包括：
基于所述多边形区域的边界数量确定多普勒激光测风雷达的数量，并利用所述多普勒激光测风雷达实现区域多边形组网，以得到所述多普勒激光测风雷达群。
3.根据权利要求1所述的区域大气颗粒物来源比例计算方法，其特征在于，所述基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物浓度数据，包括：
基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据、大气能见度数据以及地面站的第二颗粒物浓度数据，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物浓度数据。
4.根据权利要求1所述的区域大气颗粒物来源比例计算方法，其特征在于，所述获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息，包括：
确定所述多边形区域的区域坐标系；
基于所述区域坐标系划分所述多边形区域的边界，确定区域边界并计算所述区域边界的长度信息，以得到所述边界风场信息。
5.根据权利要求4所述的区域大气颗粒物来源比例计算方法，其特征在于，所述基于四维通量法和多边形坐标系法并利用所述第一大气颗粒物的浓度数据，确定所述多边形区域上每个高度对应的所述第一大气颗粒物的输入量和输出量，包括：
基于四维通量法和多边形坐标系法，并利用位于所述区域坐标系中所述预设时间段内的各区域边界上的所述第一大气颗粒物的浓度数据，确定所述多边形区域的不同区域边界上每个高度对应的所述第一大气颗粒物的输入量和输出量。
6.根据权利要求1所述的区域大气颗粒物来源比例计算方法，其特征在于，所述基于所述输入量、所述输出量、颗粒物沉降量、颗粒物背景量计算本地颗粒物的产生量之前，还包括：
通过干沉积通量公式并基于第二颗粒物浓度数据计算颗粒物沉降量；
基于所述第二颗粒物浓度数据、多边形区域面积和预设边界层高度计算所述颗粒物背景量。
7.一种区域大气颗粒物来源比例计算装置，其特征在于，包括：
信息获取模块，用于获取位于多边形区域的多普勒激光测风雷达群在预设时间段内测定的边界风场信息、大气湿度数据以及雷达信噪比数据；
浓度数据获取模块，用于基于所述边界风场信息、所述大气湿度数据、所述雷达信噪比数据以及从地面站获取的气象及大气污染物数据信息，并利用预设颗粒物反演模型获取各个高度的第一大气颗粒物的浓度数据；
输入输出计算模块，用于基于四维通量法和多边形坐标系法并利用所述第一大气颗粒物的浓度数据，确定所述多边形区域上每个高度对应的所述第一大气颗粒物的输入量和输出量；
来源比例确定模块，用于基于所述输入量、所述输出量，计算所述多边形区域上的大气颗粒物的来源比例；
所述来源比例确定模块，具体用于基于所述输入量、所述输出量、颗粒物沉降量、颗粒物背景量计算本地颗粒物的产生量，并获得各种颗粒物质量和总颗粒物质量；所述颗粒物背景量为基于地面站的第二颗粒物浓度数据、多边形区域面积和预设边界层高度之间的乘积确定出来的数值；
计算所述各种颗粒物质量与所述总颗粒物质量的比值，确定所述多边形区域上的大气颗粒物的来源比例。
8.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至6任一项所述的区域大气颗粒物来源比例计算方法的步骤。
9.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的区域大气颗粒物来源比例计算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210807888.4A CN114859321B (zh) | 2022-07-11 | 2022-07-11 | 区域大气颗粒物来源比例计算方法、装置、设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210807888.4A CN114859321B (zh) | 2022-07-11 | 2022-07-11 | 区域大气颗粒物来源比例计算方法、装置、设备、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114859321A CN114859321A (zh) | 2022-08-05 |
| CN114859321B true CN114859321B (zh) | 2022-10-04 |
Family
ID=82625974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210807888.4A Active CN114859321B (zh) | 2022-07-11 | 2022-07-11 | 区域大气颗粒物来源比例计算方法、装置、设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114859321B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115356241B (zh) * | 2022-08-12 | 2023-07-21 | 无锡中科光电技术有限公司 | 一种基于激光雷达的大气颗粒物检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114279915A (zh) * | 2021-12-24 | 2022-04-05 | 青岛镭测创芯科技有限公司 | 一种大气颗粒物浓度反演方法及相关组件 |
-
2022
- 2022-07-11 CN CN202210807888.4A patent/CN114859321B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114859321A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416031B (zh) | 气象多源探测资料融合分析系统 | |
| CN109522603B (zh) | 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 | |
| EP2427726B1 (en) | Methods and systems for creating digital transportation networks | |
| JP7048928B2 (ja) | 動的ペアリングおよび比較に基づく大気汚染源認識 | |
| CN109447315A (zh) | 一种基于多时空尺度的电力气象数值天气预报方法和装置 | |
| US20140222321A1 (en) | Traffic state estimation with integration of traffic, weather, incident, pavement condition, and roadway operations data | |
| US20200401816A1 (en) | Identifying dynamic objects in a point cloud | |
| CN110428104A (zh) | 一种污染贡献率确定方法、装置、电子设备及存储介质 | |
| CN105181898A (zh) | 基于大密度部署传感器的大气污染监控及管理方法及系统 | |
| Giebel et al. | Shortterm forecasting using advanced physical modelling-the results of the anemos project | |
| CN110472782A (zh) | 一种数据确定方法、装置、设备及存储介质 | |
| CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
| CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
| CN114859321B (zh) | 区域大气颗粒物来源比例计算方法、装置、设备、介质 | |
| KR20070038058A (ko) | 비정형 격자를 통한 기상 예보 방법 및 시스템 | |
| Zhang et al. | Large-eddy simulation of traffic-related air pollution at a very high resolution in a mega-city: evaluation against mobile sensors and insights for influencing factors | |
| US20230121226A1 (en) | Determining weights of points of a point cloud based on geometric features | |
| CN115203189A (zh) | 融合多源数据提升大气传输量化能力的方法及可视化系统 | |
| CN109583467A (zh) | 一种电力气象数据融合方法和系统 | |
| Denamiel et al. | Performance of the Adriatic Sea and Coast (AdriSC) climate component–a COAWST V3. 3-based coupled atmosphere–ocean modelling suite: atmospheric dataset | |
| KR102002593B1 (ko) | 특정공간에서의 유해기체 확산 해석 방법 및 장치 | |
| EP3413099B1 (en) | Method and apparatus for providing a weather volatility index | |
| Liu et al. | Real-time forecasting method of urban air quality based on observation sites and Thiessen polygons | |
| Floors et al. | Using observed and modelled heat fluxes for improved extrapolation of wind distributions | |
| de Grado et al. | On the development of a digital meteorological model for simulating future air traffic management automation |
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 |