CN116011317A - 一种基于多方法融合的小尺度近实时大气污染溯源方法 - Google Patents
一种基于多方法融合的小尺度近实时大气污染溯源方法 Download PDFInfo
- Publication number
- CN116011317A CN116011317A CN202211533118.1A CN202211533118A CN116011317A CN 116011317 A CN116011317 A CN 116011317A CN 202211533118 A CN202211533118 A CN 202211533118A CN 116011317 A CN116011317 A CN 116011317A
- Authority
- CN
- China
- Prior art keywords
- time
- real
- tracing
- predicted
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 68
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 36
- 231100000719 pollutant Toxicity 0.000 claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000000556 factor analysis Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 11
- 230000000875 corresponding effect Effects 0.000 claims description 10
- 230000002093 peripheral effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 230000001788 irregular Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 9
- 241000282414 Homo sapiens Species 0.000 abstract description 5
- 238000012067 mathematical method Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 231100000206 health hazard Toxicity 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000011109 contamination Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于多方法融合的小尺度近实时大气污染溯源方法，属于环境大气污染物溯源技术领域。采用机器学习预测模型，通过数学方法提高监测站点气象要素预测的准确性，从而使用空间插值法获得准确性较高的精细化预测气象场，并结合实时污染物浓度监测数据，耦合后向轨迹分析及潜在源贡献因子分析法快速开展溯源分析，实现局地小尺度潜在污染源的实时追溯，进一步丰富小尺度大气污染溯源技术方法体系，为小尺度大气污染精细化管控提供技术支撑，对于减少大气污染造成的人体健康危害具有重要意义。
Description
技术领域：
本发明属于大气污染溯源技术领域，涉及一种基于多方法融合的小尺度近实时大气污染溯源方法。
背景技术：
大气污染对于人类健康和社会发展有着严重危害，近年来，随着大气污染防治进程的推进，面向监测站点的局地小尺度精细化溯源及管控成为我国大气环境管理发展的新趋势和新需求。而在局地小尺度范围内，实时排放的污染物会迅速影响局地空气质量，需要立即追溯污染来向，并快速采取靶向管控，从而减少大气污染对人类生活产生的负面影响，因此，实现局地小尺度近实时大气污染溯源具有重要意义。
实现小尺度近实时溯源关键在于以监测站点为受体，提前获取站点周边的精细化、准确的预测气象场，结合实时污染物浓度监测数据开展溯源。而在局地小尺度内，溯源的准确性对于受体站点及其周边的气象变化非常敏感，较小的气象预测误差会带来较大的溯源偏差(如当风速的预测误差为0.5m/s时，对于小尺度分钟级、千米级的时空分辨率，溯源偏差可达几百米～几千米)。因此，针对小尺度近实时溯源，需要保证受体站点气象预测较为准确的前提下，继而建立站点周边较为准确的精细化预测气象场开展溯源。但现有溯源方法主要是通过区域、城市尺度气象数值模型进行降尺度预报模拟直接获取小尺度精细化预测气象场，该方法局限于初始气象预报背景场较低的时空分辨率，通过降尺度模拟后对于局地范围内受体站点的气象预测准确性较低，从而加大了近实时溯源的不确定性，并不适用于小尺度近实时溯源。综上，现有技术无法满足小尺度近实时溯源的精细化要求，亟待提出新方法、新思路。
因此，该专利提出一种基于多方法融合的小尺度近实时大气污染溯源的思路与方法，采用机器学习预测模型，通过数学方法提高监测站点气象要素预测的准确性，从而使用空间插值法获得准确性较高的精细化预测气象场，并结合实时污染物浓度监测数据，耦合后向轨迹积分及潜在源贡献因子分析法快速开展近实时溯源，实现局地小尺度潜在污染源的实时追溯，为小尺度大气污染精细化管控提供技术支撑。
发明内容：
本发明的目的在于提供一种较为准确、实用的小尺度近实时大气污染溯源方法，基于准确性较高的监测站点周边预测气象场，结合实时污染物浓度监测数据，近实时追溯影响站点空气质量近实时变化的潜在污染源，为大气污染精细化溯源及防控提供技术支撑。
为实现上述目的，本发明提供如下技术方案：
一种基于多方法融合的小尺度近实时大气污染溯源方法，其特征在于，包括以下步骤：
(1)将监测站点气象要素及污染物浓度的观测数据作为输入变量，结合变量筛选法筛选变量后输入机器学习模型进行训练，训练完成后进行监测站点气象要素预测(可以随时更新输入变量数据并随时进行预测)，然后基于残余趋势修正法修正上述机器学习模型对于站点气象要素的预测结果，提高对于监测站点气象要素的预测准确性；
(2)结合空间插值法对于采用步骤(1)方法得到的各个站点的气象要素预测值进行空间插值计算，插值得到未来时段的近地面层预测气象场文件，提前准备好未来时段的预测气象场；
(3)将步骤(2)得到的预测气象场文件输入拉格朗日粒子模型，进行后向轨迹计算，结合对应站点的实时污染物浓度监测数据，使用潜在源因子分析技术，近实时得到影响站点空气质量的周边潜在贡献源区，进一步叠加监测站点周边实际污染源的空间位置信息，得到影响站点空气质量近实时变化的潜在污染源；
(4)基于步骤(1)、(2)对于未来时段气象场的动态预测，实时循环步骤(3)，实现整体溯源流程的快速、近实时动态运行；即基于不断更新的输入变量数据，依次循环步骤(1)、(2)动态更新预测气象场，结合预测气象场，实时循环步骤(3)锁定影响站点空气质量近实时变化的潜在污染源。
进一步，步骤(1)中机器学习模型具体指深度学习神经网络模型中的多变量长短期记忆网络模型(Multi-LSTM)，相较于其他机器学习模型，Multi-LSTM更适合对气象要素、污染物浓度监测数据等时间序列数据进行学习、预测，选取模型中的Adam优化器，设置迭代次数不少于2000次，对各个监测站点历史多年的逐小时气象要素数据(温度、相对湿度、大气压、风速、风向)及污染物浓度数据(PM2.5、O3、SO2、NOx、PM10、CO)进行数据预处理之后，作为输入或目标变量输入模型进行数据训练，训练好模型后，对各站点未来24h或更长时间序列逐时的气象要进行预测。
进一步，步骤(1)中变量筛选法具体指基于所有变量(输入变量和预测预测变量)之间的相关性系数的大小(R值)对于输入变量进行筛选，剔除与预测变量极弱相关或无相关(|R|<0.2)的输入变量以减少无关变量对于单个预测变量的影响，同时剔除互相之间呈现强相关或极强相关(|R|>0.6)的输入变量以消除输入变量之间的多重共线性影响，以此方法来反映实际大气环境下多要素之间复杂的关系，建立具有物理意义的预测模型，提高模型对于监测站点气象要素预测的准确性，从而提高预测气象场的准确性，R值具体计算公式如下：
式中：
R：相关性系数；
yi：预测的单个气象变量(温度、相对湿度、大气压、风速、风向其中任何一个要素)各个时刻的值；
xi：单个输入变量(温度、相对湿度、大气压、风速、风向、PM2.5、O3、SO2、NOx、PM10、CO任何一个要素)各个时刻的值；
进一步，步骤(1)中训练完成后进行监测站点气象要素预测(每日循环预测)具体指结合监测数据训练好机器学习预测模型后，对各站点未来24h或更长时间序列逐时的气象要素进行每日循环预测，提供气象要素预测值，结合插值法提前获取未来时段的气象场，以便溯源系统进行近实时快速溯源响应。
进一步，步骤(1)中残余趋势修正法具体指基于机器学习模型的测试集，将预测值与真实值(监测值)之间的误差看做残余趋势，这种残余趋势是由于各种因素不规则波动引起的，使用非线性回归模型对于测试集的残余趋势进行学习、训练，并匹配气象要素预测进行对应时间序列的残余趋势的同步预测，从而修正对应的预测值，通过此方法来反映小尺度气象要素异常多变的独特特征，加强模型对于异常变化趋势的捕捉，提高监测站点气象要素预测的准确性，从而进一步提高预测气象场的准确性，具体的计算公式如下：
Mpred＝MML+Mσ
式中：
Mpred：修正后的各个气象要素(温度、相对湿度、大气压、风速、风向其中任何一个要素)预测值；
MML：机器学习模型预测的气象要素预测值(未修正)；
Mσ：非线性回归模型同步预测的残余趋势的预测值；
(注：以上公式中所涉及的各个气象要素的单位分别为：温度(℃)、相对相对湿度(％)、大气压(hPa)、风速(m/s)、风向(°)；各个污染物浓度的单位为μg/m3(CO为mg/m3))。
进一步，步骤(2)中空间插值法具体指克里金(Kriging)插值法，基于站点逐时气象要素预测值进行空间插值计算，插值得到多个未来时段的近地面层预测气象场文件。
进一步，步骤(3)中将气象场文件输入拉格朗日粒子模型，进行后向轨迹计算具体指将插值形成的多个未来时段的近地面层预测气象场文件进行文件合并，合并为一个文件，经过数据格式转化，输入拉格朗日粒子模型中。同时，根据监测站点位置信息，设置相关参数，从而进行各个点位的后向轨迹计算。
进一步，步骤(3)中结合实时污染物浓度监测数据，使用潜在源因子分析技术，近实时得到影响站点空气质量的周边潜在贡献源区，进一步叠加监测站点周边实际污染源的空间位置信息，得到影响站点空气质量近实时变化的潜在污染源具体指基于后向轨迹计算结果，创建一定空间分辨率的矩形网格覆盖研究区域，并对污染物浓度设定阀值。当某轨迹的污染物浓度高于阀值即标记为污染轨迹，基于网格内污染轨迹的数量计算污染贡献潜势，近实时得到影响站点空气质量的周边潜在贡献源区。同时，叠加目标点位周边实际污染源的空间分布，实时锁定影响站点空气质量近实时变化的潜在污染源。
进一步，步骤(4)中基于步骤(1)、(2)对于未来时段气象场的动态预测，实时循环步骤(3)，实现整体溯源流程的快速、近实时动态运行具体指监测站点的污染物浓度数据一旦更新，便将最新的污染物浓度数据输入溯源模型，结合提前准备好的预测气象场，快速启动溯源响应(单次溯源过程响应时间小于20分钟)，近实时动态获取站点周边潜在污染源的分布情况。
与现有技术相比，本发明的有益效果是：(1)将监测站点气象要素及污染物浓度的观测数据作为输入变量，结合变量筛选法筛选变量后输入机器学习模型进行训练，训练完成后进行监测站点气象要素预测(循环预测)，基于残余趋势修正法修正模型对于站点气象要素的预测结果，提高对于监测站点气象要素的预测准确性；(2)结合空间插值法对于各个站点的气象要素预测值进行空间插值计算，插值得到未来时段的近地面层预测气象场文件，提前准备好未来时段的预测气象场；(3)将气象场文件输入拉格朗日粒子模型，进行后向轨迹计算，结合实时污染物浓度监测数据，使用潜在源因子分析技术，近实时得到影响站点空气质量的周边潜在贡献源区，进一步叠加监测站点周边实际污染源的空间位置信息，得到影响站点空气质量近实时变化的潜在污染源；(4)基于步骤(1)、(2)对于未来时段气象场的动态预测，实时循环步骤(3)，实现整体溯源流程的快速、近实时动态运行。实现整体溯源流程的快速、近实时动态运行。该专利提出一种基于多方法融合的小尺度近实时大气污染溯源的思路与方法，采用机器学习预测模型，通过数学方法提高监测站点气象要素预测的准确性，从而使用空间插值法获得准确性较高的精细化预测气象场，并结合实时污染物浓度监测数据，耦合后向轨迹积分及潜在源贡献因子分析法快速开展近实时溯源，实现局地小尺度潜在污染源的实时追溯，为小尺度大气污染精细化管控提供技术支撑，对于减少大气污染造成的人体健康危害具有重要意义。
附图说明：
图1为一种基于多方法融合的小尺度近实时大气污染溯源方法流程图；
图2为监测站点空间分布图
图3为A站点输入要素相关性热力图(图中，WS:风速、WD:风向、PRS:大气压、T:温度、RH：相对湿度)
图4为A站点未来48h逐小时的风速预测修正结果
图5为1月1日0时—5时预测风速插值场
图6为A站点1月1日0时污染后向轨迹
图7为A站点1月1日0时潜在源因子分析结果
图8为1月1日0时叠加结果。
具体实施方式：
下面结合实施例对本发明提供的大气污染物溯源方法作进一步详细、完整地说明。下面描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
一种基于多方法融合的小尺度近实时大气污染溯源方法，其特征在于包括以下步骤：
(1)将监测站点气象要素及污染物浓度的观测数据作为输入变量，结合变量筛选法筛选变量后输入机器学习模型进行训练，训练完成后进行监测站点气象要素预测(循环预测)，基于残余趋势修正法修正模型对于站点气象要素的预测结果，提高对于监测站点气象要素的预测准确性；
(2)结合空间插值法对于各个站点的气象要素预测值进行空间插值计算，插值得到未来时段的近地面层预测气象场文件，提前准备好未来时段的预测气象场；
(3)将气象场文件输入拉格朗日粒子模型，进行后向轨迹计算，结合实时污染物浓度监测数据，使用潜在源因子分析技术，近实时得到影响站点空气质量的周边潜在贡献源区，进一步叠加监测站点周边实际污染源的空间位置信息，得到影响站点空气质量近实时变化的潜在污染源；
(4)基于步骤(1)、(2)对于未来时段气象场的动态预测，实时循环步骤(3)，实现整体溯源流程的快速、近实时动态运行。
实施例1：
基于该方法，以山东省临沂市兰山区2022年1月1日—1月3日的A站点(如图2)的PM2.5近实时溯源过程案例作为实施案例溯源如下：
步骤(1)：案例运行开始时间为2022年1月1日0时，基于均匀分布的22个监测站点(如图2)作为研究基础，选取多变量长短期记忆模型(Multi-LSTM)用于气象预测，将各站点2020年1月1日0时—2021年12月31日23时逐小时的气象要素(温度、相对湿度、大气压、风速、风向)及污染物(PM2.5、PM10、NOx、SO2、O3、CO)浓度数据作为数据集(前80％作为训练集、后20％作为测试集)，使用变量筛选法对于输入变量进行筛选：
以A站点(如图2)的风速作为目标预测气象变量进行说明，对于A站点2020年1月1日0时—2021年12月31日23时逐小时的各个气象要素及污染物浓度数据进行相关性热力图分析(如图3)，剔除与风速(WS)极弱相关或无相关(|R|<0.2)的输入变量以减少无关变量对于单个预测变量的影响，同时剔除互相之间呈现强相关或极强相关(|R|>0.6)的输入变量以消除输入变量之间的多重共线性影响，根据相关性热力图分析结果，最终选取大气压(PRS)、相对湿度(RH)、PM2.5、O3、NOx、SO2作为输入变量来建立与目标变量风速(WS)之间的关系，输入机器学习模型进行训练。
模型训练完成后，对于A站点未来48h(2022年1月1日0时—2022年1月2日23时)逐小时的风速数据(此处以风速为例)进行预测。
结合测试集的数据，使用非线性回归模型建立A站点风速与其他输入要素之间的关系，同步预测A站点未来48h(2022年1月1日0时—2022年1月2日23时)逐小时的风速残余趋势值，使用残余趋势修正对应的风速预测值(修正前后的结果如图4)，基于修正结果(基于测试集数据，修正前后模型的预测性能参数见表)来看，修正后模型对于高值或突变值的预测效果显著提高，可以良好地反映小尺度局地监测站点气象异常多变的情况，提高模型对于站点风速风速预测的准确性，点位气象要素预测的准确性提高了，即提高了插值气象场的准确性。
表1基于残余趋势修正前/后的预测性能参数
步骤(2)：采用拉格朗日粒子模型进行近实时后向溯源分析需要预测气象场，而此时采用气象模型模拟是无法快速得到对应时刻的气象场，因此将步骤(1)中A站点1月1日—1月3日修正后的气象要素(以风速为例)预测值采用克里金插值法插值成近地面层单层二维气象场用于站点A近实时的溯源分析，以1月1日0时—5时所有站点的预测风速插值场为例展示(如图5)。
步骤(3)：将A站点未来48h(2022年1月1日0时—2022年1月2日23时)逐小时插值得到的各个气象要素场文件进行合并，每24h合并为一个整体气象场文件(方便输入模型，单个小时的气象场文件无法输入模型)，将合并后的气象场文件经过数据格式转化输入拉格朗日粒子模型中，对于A站点进行后向轨迹分析，设置相关参数，后向时间点为1月1日0时(此时、近实时时刻为2022年1月1日0时)，后向时长选择1小时(模型最低后向时长)，分析2021年12月31日23时—2022年1月1日0时A站点污染气团的来向的分布情况(如图6)。
将A站点实时的浓度PM2.5的浓度数据输入模型，使用潜在源因此分析技术，得到引起2022年1月1日0时PM2.5浓度变化的潜在污染源区的分布情况(如图7)。最后，基于A站点周边的污染源空间位置分布，叠加潜在污染源区的分布与实际污染源分布(如图8)，精确锁定并筛选得出导致近实时(2022年1月1日0时)污染的污染源(如表2)。
表2 1月1日0时潜在污染源溯源结果
步骤(4)：随着下一小时(2022年1月1日1时)A站点污染物浓度监测数据的更新，重复以上步骤，得到近实时(2022年1月1日1时)的溯源结果(见表3)，依次逐小时循环，每个小时得到对应的近实时溯源结果(2022年1月1日2时-5时的溯源结果见表4)。
表3 1月1日1时潜在污染源溯源结果
表4 1月1日2时-5时时潜在污染源溯源结果
| 潜在污染源 | 污染源类型 | 经度 | 纬度 |
| 烨化焦化厂 | 工业源 | 118.412 | 35.256 |
| 沂南煤化 | 工业源 | 118.411 | 35.255 |
| 江鑫钢铁 | 工业源 | 118.423 | 35.259 |
| 亿龙水泥 | 工业源 | 118.409 | 35.261 |
(以上溯源过程仅仅是拿A站点为例进行，对于其他监测站点同样适用。)
为了展示本技术方法的准确性和成熟性，后续我们对于筛选出的污染源进行了调查，调查了A站点周边的工业源、扬尘源、居民源在1月1日0-5时排放情况(如表5)，对比表1、2、3的溯源结果与表4各污染源的排放情况，验证了溯源结果的准确性；
表5 1月1日0时-5时A站点周边排放源后期排查结果
同时，我们根据对于各个污染源进行了空气质量正向模拟，结果发现表4中各点源在对应时段均对A站点存在PM2.5浓度贡献。以上结果进一步验证了该技术的溯源结果的准确性，本技术方法可行。
本发明中上述步骤的系统流程图参见图1。
一种基于多方法融合的小尺度近实时大气污染溯源方法，属于环境大气污染物溯源技术领域。具体包括以下步骤：(1)将监测站点气象要素及污染物浓度的观测数据作为输入变量，结合变量筛选法筛选变量后输入机器学习模型进行训练，训练完成后进行监测站点气象要素预测(循环预测)，基于残余趋势修正法修正模型对于站点气象要素的预测结果，提高对于监测站点气象要素的预测准确性；(2)结合空间插值法对于各个站点的气象要素预测值进行空间插值计算，插值得到未来时段的近地面层预测气象场文件，提前准备好未来时段的预测气象场；(3)将气象场文件输入拉格朗日粒子模型，进行后向轨迹计算，结合实时污染物浓度监测数据，使用潜在源因子分析技术，近实时得到影响站点空气质量的周边潜在贡献源区，进一步叠加监测站点周边实际污染源的空间位置信息，得到影响站点空气质量近实时变化的潜在污染源；(4)基于步骤(1)、(2)对于未来时段气象场的动态预测，实时循环步骤(3)，实现整体溯源流程的快速、近实时动态运行。实现整体溯源流程的快速、近实时动态运行。该专利提出一种基于多方法融合的小尺度近实时大气污染溯源的思路与方法，采用机器学习预测模型，通过数学方法提高监测站点气象要素预测的准确性，从而使用空间插值法获得准确性较高的精细化预测气象场，并结合实时污染物浓度监测数据，耦合后向轨迹积分及潜在源贡献因子分析法快速开展近实时溯源，实现局地小尺度潜在污染源的实时追溯，为小尺度大气污染精细化管控提供技术支撑，对于减少大气污染造成的人体健康危害具有重要意义。
上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。
Claims (9)
1.一种基于多方法融合的小尺度近实时大气污染溯源方法，其特征在于，包括以下步骤：
(1)将监测站点气象要素及污染物浓度的观测数据作为输入变量，结合变量筛选法筛选变量后输入机器学习模型进行训练，训练完成后进行监测站点气象要素预测(可以随时更新输入变量数据并随时进行预测)，然后基于残余趋势修正法修正上述机器学习模型对于站点气象要素的预测结果，提高对于监测站点气象要素的预测准确性；
(2)结合空间插值法对于采用步骤(1)方法得到的各个站点的气象要素预测值进行空间插值计算，插值得到未来时段的近地面层预测气象场文件，提前准备好未来时段的预测气象场；
(3)将步骤(2)得到的预测气象场文件输入拉格朗日粒子模型，进行后向轨迹计算，结合对应站点的实时污染物浓度监测数据，使用潜在源因子分析技术，近实时得到影响站点空气质量的周边潜在贡献源区，进一步叠加监测站点周边实际污染源的空间位置信息，得到影响站点空气质量近实时变化的潜在污染源；
(4)基于步骤(1)、(2)对于未来时段气象场的动态预测，实时循环步骤(3)，实现整体溯源流程的快速、近实时动态运行；即基于不断更新的输入变量数据，依次循环步骤(1)、(2)动态更新预测气象场，结合预测气象场，实时循环步骤(3)锁定影响站点空气质量近实时变化的潜在污染源。
2.按照权利要求1所述的一种基于多方法融合的小尺度近实时大气污染溯源方法，其特征在于，步骤(1)中机器学习模型具体指深度学习神经网络模型中的多变量长短期记忆网络模型(Multi-LSTM)，相较于其他机器学习模型，Multi-LSTM更适合对气象要素、污染物浓度监测数据等时间序列数据进行学习、预测，选取模型中的Adam优化器，设置迭代次数不少于2000次，对各个监测站点历史多年的逐小时气象要素数据(温度、相对湿度、大气压、风速、风向)及污染物浓度数据(PM2.5、O3、SO2、NOx、PM10、CO)进行数据预处理之后，作为输入或目标变量输入模型进行数据训练，训练好模型后，对各站点未来24h或更长时间序列逐时的气象要进行预测。
3.按照权利要求1所述的一种基于多方法融合的小尺度近实时大气污染溯源方法，其特征在于，步骤(1)中变量筛选法具体指基于所有变量包括输入变量和预测预测变量之间的相关性系数R值的大小对于输入变量进行筛选，剔除与预测变量极弱相关或无相关即|R|<0.2的输入变量以减少无关变量对于单个预测变量的影响，同时剔除互相之间呈现强相关或极强相关即|R|>0.6的输入变量以消除输入变量之间的多重共线性影响，以此方法来反映实际大气环境下多要素之间复杂的关系，建立具有物理意义的预测模型，提高模型对于监测站点气象要素预测的准确性，从而提高预测气象场的准确性，R值具体计算公式如下：
式中：
R：相关性系数；
yi：预测的单个气象变量：温度、相对湿度、大气压、风速、风向其中任何一个要素各个时刻的值；
xi：单个输入变量：温度、相对湿度、大气压、风速、风向、PM2.5、O3、SO2、NOx、PM10、CO任何一个要素各个时刻的值；
4.按照权利要求1所述的一种基于多方法融合的小尺度近实时大气污染溯源方法，其特征在于，步骤(1)中训练完成后进行监测站点气象要素预测(每日循环预测)具体指结合监测数据训练好机器学习预测模型后，对各站点未来24h或更长时间序列逐时的气象要素进行每日循环预测，提供气象要素预测值，结合插值法提前获取未来时段的气象场，以便溯源系统进行近实时快速溯源响应。
5.按照权利要求1所述的一种基于多方法融合的小尺度近实时大气污染溯源方法，其特征在于，步骤(1)中残余趋势修正法具体指基于机器学习模型的测试集，将预测值与真实值(监测值)之间的误差看做残余趋势，这种残余趋势是由于各种因素不规则波动引起的，使用非线性回归模型对于测试集的残余趋势进行学习、训练，并匹配气象要素预测进行对应时间序列的残余趋势的同步预测，从而修正对应的预测值，通过此方法来反映小尺度气象要素异常多变的独特特征，加强模型对于异常变化趋势的捕捉，提高监测站点气象要素预测的准确性，从而进一步提高预测气象场的准确性，具体的计算公式如下：
Mpred＝MML+Ma
式中：
Mpred：修正后的各个气象要素(温度、相对湿度、大气压、风速、风向其中任何一个要素)预测值；
MML：机器学习模型预测的气象要素预测值(未修正)；
Mσ：非线性回归模型同步预测的残余趋势的预测值；
以上公式中所涉及的各个气象要素的单位分别为：温度(℃)、相对相对湿度(％)、大气压(hPa)、风速(m/s)、风向(°)；各个污染物浓度的单位为μg/m3(CO为mg/m3)。
6.按照权利要求1所述的一种基于多方法融合的小尺度近实时大气污染溯源方法，其特征在于，步骤(2)中空间插值法具体指克里金(Kriging)插值法，基于站点逐时气象要素预测值进行空间插值计算，插值得到多个未来时段的近地面层预测气象场文件。
7.按照权利要求1所述的一种基于多方法融合的小尺度近实时大气污染溯源方法，其特征在于，步骤(3)中将气象场文件输入拉格朗日粒子模型，进行后向轨迹计算具体指将插值形成的多个未来时段的近地面层预测气象场文件进行文件合并，合并为一个文件，经过数据格式转化，输入拉格朗日粒子模型中；同时，根据监测站点位置信息，设置相关参数，从而进行各个点位的后向轨迹计算。
8.按照权利要求1所述的一种基于多方法融合的小尺度近实时大气污染溯源方法，其特征在于，(3)中结合实时污染物浓度监测数据，使用潜在源因子分析技术，近实时得到影响站点空气质量的周边潜在贡献源区，进一步叠加监测站点周边实际污染源的空间位置信息，得到影响站点空气质量近实时变化的潜在污染源具体指基于后向轨迹计算结果，创建一定空间分辨率的矩形网格覆盖研究区域，并对污染物浓度设定阀值。当某轨迹的污染物浓度高于阀值即标记为污染轨迹，基于网格内污染轨迹的数量计算污染贡献潜势，近实时得到影响站点空气质量的周边潜在贡献源区。同时，叠加目标点位周边实际污染源的空间分布，实时锁定影响站点空气质量近实时变化的潜在污染源。
9.按照权利要求1所述的一种基于多方法融合的小尺度近实时大气污染溯源方法，其特征在于，步骤(4)中基于步骤(1)、(2)对于未来时段气象场的动态预测，实时循环步骤(3)，实现整体溯源流程的快速、近实时动态运行具体指监测站点的污染物浓度数据一旦更新，便将最新的污染物浓度数据输入溯源模型，结合提前准备好的预测气象场，快速启动溯源响应，单次溯源过程响应时间小于20分钟，近实时动态获取站点周边潜在污染源的分布情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211533118.1A CN116011317B (zh) | 2022-11-29 | 2022-11-29 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211533118.1A CN116011317B (zh) | 2022-11-29 | 2022-11-29 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116011317A true CN116011317A (zh) | 2023-04-25 |
| CN116011317B CN116011317B (zh) | 2023-12-08 |
Family
ID=86030969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211533118.1A Active CN116011317B (zh) | 2022-11-29 | 2022-11-29 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011317B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116448966A (zh) * | 2023-06-15 | 2023-07-18 | 吉林省中农阳光数据有限公司 | 基于智能物联网和深度学习相结合的空气质量评估方法 |
| CN116776745A (zh) * | 2023-08-18 | 2023-09-19 | 南昌云宜然科技有限公司 | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 |
| CN117332906A (zh) * | 2023-12-01 | 2024-01-02 | 山东大学 | 基于机器学习的三维时空网格空气质量预测方法及系统 |
| CN117708617A (zh) * | 2024-02-05 | 2024-03-15 | 四川国蓝中天环境科技集团有限公司 | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182491A (zh) * | 2017-12-27 | 2018-06-19 | 宇星科技发展(深圳)有限公司 | 大气细颗粒物(pm2.5)实时源解析定位方法 |
| CN110673229A (zh) * | 2019-10-23 | 2020-01-10 | 新亚优华科技有限公司 | 一种基于热点网格技术的大气污染物扩散轨迹追踪方法 |
| CN112182064A (zh) * | 2020-09-25 | 2021-01-05 | 中科三清科技有限公司 | 一种污染物来源分析方法、装置、电子设备及存储介质 |
| CN113436045A (zh) * | 2021-06-15 | 2021-09-24 | 深圳中兴网信科技有限公司 | 大气污染多尺度融合溯源方法、装置和可读存储介质 |
| AU2021105563A4 (en) * | 2021-08-16 | 2021-10-14 | Cecep Tianrong Technology Co, Ltd | Method for Traceability of Air Pollutants Based on Coupled Machine Learning and Correlation Analysis |
| CN113610243A (zh) * | 2021-08-12 | 2021-11-05 | 中节能天融科技有限公司 | 基于耦合机器学习和相关性分析的大气污染物溯源方法 |
| CN114121169A (zh) * | 2021-11-04 | 2022-03-01 | 四川工商学院 | 一种基于深度学习的化工园区VOCs污染溯源方法 |
| CN114356880A (zh) * | 2021-12-15 | 2022-04-15 | 浙江工业大学 | 基于数据驱动的小尺度区域大气污染物快速溯源方法 |
| CN114581278A (zh) * | 2022-03-03 | 2022-06-03 | 同济大学 | 基于智能路灯的大气污染物溯源排查方法、终端及系统 |
| CN114822709A (zh) * | 2022-03-16 | 2022-07-29 | 深圳中兴智坪科技有限公司 | 大气污染多粒度精准成因分析方法及装置 |
| CN115062675A (zh) * | 2022-07-28 | 2022-09-16 | 安徽新宇环保科技股份有限公司 | 一种基于神经网络的全光谱污染溯源方法及云系统 |
| CN115130831A (zh) * | 2022-06-08 | 2022-09-30 | 北京工业大学 | 一种小尺度精细化大气污染溯源方法 |
| CN115168749A (zh) * | 2022-07-12 | 2022-10-11 | 清华大学 | 大气污染源溯源方法、装置、电子设备及存储介质 |
| CN115358332A (zh) * | 2022-08-25 | 2022-11-18 | 浙江工业大学 | 面向多源数据的大气污染溯源方法 |
-
2022
- 2022-11-29 CN CN202211533118.1A patent/CN116011317B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182491A (zh) * | 2017-12-27 | 2018-06-19 | 宇星科技发展(深圳)有限公司 | 大气细颗粒物(pm2.5)实时源解析定位方法 |
| CN110673229A (zh) * | 2019-10-23 | 2020-01-10 | 新亚优华科技有限公司 | 一种基于热点网格技术的大气污染物扩散轨迹追踪方法 |
| CN112182064A (zh) * | 2020-09-25 | 2021-01-05 | 中科三清科技有限公司 | 一种污染物来源分析方法、装置、电子设备及存储介质 |
| CN113436045A (zh) * | 2021-06-15 | 2021-09-24 | 深圳中兴网信科技有限公司 | 大气污染多尺度融合溯源方法、装置和可读存储介质 |
| CN113610243A (zh) * | 2021-08-12 | 2021-11-05 | 中节能天融科技有限公司 | 基于耦合机器学习和相关性分析的大气污染物溯源方法 |
| AU2021105563A4 (en) * | 2021-08-16 | 2021-10-14 | Cecep Tianrong Technology Co, Ltd | Method for Traceability of Air Pollutants Based on Coupled Machine Learning and Correlation Analysis |
| CN114121169A (zh) * | 2021-11-04 | 2022-03-01 | 四川工商学院 | 一种基于深度学习的化工园区VOCs污染溯源方法 |
| CN114356880A (zh) * | 2021-12-15 | 2022-04-15 | 浙江工业大学 | 基于数据驱动的小尺度区域大气污染物快速溯源方法 |
| CN114581278A (zh) * | 2022-03-03 | 2022-06-03 | 同济大学 | 基于智能路灯的大气污染物溯源排查方法、终端及系统 |
| CN114822709A (zh) * | 2022-03-16 | 2022-07-29 | 深圳中兴智坪科技有限公司 | 大气污染多粒度精准成因分析方法及装置 |
| CN115130831A (zh) * | 2022-06-08 | 2022-09-30 | 北京工业大学 | 一种小尺度精细化大气污染溯源方法 |
| CN115168749A (zh) * | 2022-07-12 | 2022-10-11 | 清华大学 | 大气污染源溯源方法、装置、电子设备及存储介质 |
| CN115062675A (zh) * | 2022-07-28 | 2022-09-16 | 安徽新宇环保科技股份有限公司 | 一种基于神经网络的全光谱污染溯源方法及云系统 |
| CN115358332A (zh) * | 2022-08-25 | 2022-11-18 | 浙江工业大学 | 面向多源数据的大气污染溯源方法 |
Non-Patent Citations (5)
| Title |
|---|
| JIANLEI LANG ET AL.: "Granger-Causality Mining in Atmospheric Visibility Based on Deep Learning", 《FRONTIER COMPUTING 2019》, pages 261 - 269 * |
| ZEYA SHEN ET AL.: "Impact of inlet boundary number and locations on gas diffusion and flow in a typical chemical industrial park near uneven terrain", 《PROCESS SAFETY AND ENVIRONMENTAL PROTECTION》, vol. 159, pages 281 - 293, XP086969717, DOI: 10.1016/j.psep.2022.01.004 * |
| 刘博等: "大气污染领域本体的半自动构建及语义推理", 《北京工业大学学报》, vol. 47, no. 3, pages 246 - 259 * |
| 胡峰等: "典型优化目标函数下源参数反演性能对比研究", 《中国环境科学》, vol. 41, no. 5, pages 2081 - 2089 * |
| 陈一帆: "基于遥感数据分析的空气污染预测与溯源研究", 《中国优秀硕士学位论文全文数据库（电子期刊）工程科技I辑》, no. 2018 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116448966A (zh) * | 2023-06-15 | 2023-07-18 | 吉林省中农阳光数据有限公司 | 基于智能物联网和深度学习相结合的空气质量评估方法 |
| CN116448966B (zh) * | 2023-06-15 | 2023-09-12 | 吉林省中农阳光数据有限公司 | 基于智能物联网和深度学习相结合的空气质量评估方法 |
| CN116776745A (zh) * | 2023-08-18 | 2023-09-19 | 南昌云宜然科技有限公司 | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 |
| CN116776745B (zh) * | 2023-08-18 | 2023-10-24 | 南昌云宜然科技有限公司 | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 |
| CN117332906A (zh) * | 2023-12-01 | 2024-01-02 | 山东大学 | 基于机器学习的三维时空网格空气质量预测方法及系统 |
| CN117332906B (zh) * | 2023-12-01 | 2024-03-15 | 山东大学 | 基于机器学习的三维时空网格空气质量预测方法及系统 |
| CN117708617A (zh) * | 2024-02-05 | 2024-03-15 | 四川国蓝中天环境科技集团有限公司 | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 |
| CN117708617B (zh) * | 2024-02-05 | 2024-04-30 | 四川国蓝中天环境科技集团有限公司 | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116011317B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116011317B (zh) | 一种基于多方法融合的小尺度近实时大气污染溯源方法 | |
| CN111523717B (zh) | 一种大气污染物排放清单的反演估算方法 | |
| CN110824110B (zh) | 一种基于拉格朗日轨迹模式和化学盒子模式的区域臭氧污染溯源系统 | |
| CN109916788B (zh) | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 | |
| CN110909483A (zh) | 一种基于网格化数据的点源大气污染物排放清单校验方法 | |
| CN112513896B (zh) | 一种大气污染预测的方法 | |
| CN112213444A (zh) | 大气污染微监测网络时间切片分析的溯源方法 | |
| CN109858686A (zh) | 一种基于EnKF的地面排放清单反演优化方法 | |
| CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
| CN115420854B (zh) | 一种基于正后向模型结合的大气污染物溯源方法 | |
| CN112884243A (zh) | 一种基于深度学习和贝叶斯模型的空气质量分析预测方法 | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| CN116223395A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
| Liu et al. | Source-receptor relationship of transboundary particulate matter pollution between China, South Korea and Japan: Approaches, current understanding and limitations | |
| CN114724647A (zh) | 一种高时空分辨率co2通量反演系统及方法 | |
| Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
| CN115146537A (zh) | 基于耗电量的大气污染物排放量估算模型构建方法及系统 | |
| Shamsipour et al. | A framework for exploration and cleaning of environmental data: Tehran air quality data experience | |
| CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
| CN115953085B (zh) | 一种评估复合干热事件对植被生长影响的方法 | |
| 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 | |
| CN116611547A (zh) | 大气污染物来源预报方法、装置、设备及存储介质 | |
| AU2021100706A4 (en) | An Integrated Assessment Method of Climate Change Based on Multi-Source Carbon Data | |
| CN112986497B (zh) | 基于气体传感器阵列指纹识别的污染气体溯源方法 | |
| CN116429648B (zh) | 改进的时空LightGBM的地表PM10估算方法 |
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 |