CN116070500B - 一种基于深度学习空气质量浓度场模拟仿真器 - Google Patents
一种基于深度学习空气质量浓度场模拟仿真器 Download PDFInfo
- Publication number
- CN116070500B CN116070500B CN202210930081.XA CN202210930081A CN116070500B CN 116070500 B CN116070500 B CN 116070500B CN 202210930081 A CN202210930081 A CN 202210930081A CN 116070500 B CN116070500 B CN 116070500B
- Authority
- CN
- China
- Prior art keywords
- data
- emission
- air quality
- source
- pollutant
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000004088 simulation Methods 0.000 title claims description 46
- 238000003915 air pollution Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 239000003344 environmental pollutant Substances 0.000 claims description 80
- 231100000719 pollutant Toxicity 0.000 claims description 80
- 238000000034 method Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 33
- 238000012544 monitoring process Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 239000000779 smoke Substances 0.000 claims description 24
- 239000000126 substance Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000011049 filling Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 9
- 239000000356 contaminant Substances 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000013618 particulate matter Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000004062 sedimentation Methods 0.000 claims description 3
- 238000010206 sensitivity analysis Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 235000017284 Pometia pinnata Nutrition 0.000 claims 3
- 230000007613 environmental effect Effects 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 12
- 238000011160 research Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000012855 volatile organic compound Substances 0.000 description 5
- 230000003442 weekly effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000926 atmospheric chemistry Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明涉及空气质量预报技术领域,具体地说是一种基于深度学习空气质量浓度场模拟仿真器,以人工智能和大数据为基础,实现对区域、城市的空气质量快速预测,识别污染贡献重点区域与排污企业,解决现有技术中空气污染预测和来源解析时效性差的问题,从而为政府部门制定相关环保措施提供基础数据支撑。
Description
技术领域
本发明涉及空气质量预报技术领域,具体地说是一种基于深度学习空气质量浓度场模拟仿真器。
背景技术
近年来,随着工业化水平和城市化程度的提高,我国的大气污染形势发生了重要变化,已由传统煤烟型污染转变为复合型污染,污染范围呈现区域性特点。面对新形势下我国空气污染问题,生态环境部全面启动打赢蓝天保卫战行动计划,要求各地开展空气污染来源解析,着力提升各地重污染天气预报预测能力。在大气污染治理过程中,首先应找出主要的污染源,分析识别污染贡献重点区,为污染控制提供依据,才能有效改善我国空气质量。
目前,国内外常用的空气质量溯源模型主要分为欧拉模型和拉格朗日溯源模型。该类方法参数多、步骤复杂、计算量大并且需要配备大型的服务器提供计算运行平台,往往不能满足污染溯源的时效性。
这时,一种快速、稳定的空气质量溯源预报模型,不仅能及时预警重污染的发生,还能为政府部门制定相关环保措施提供基础数据支撑。
因此,为了解决上述问题,本申请提出了一种基于深度学习空气质量浓度场模拟仿真器,以人工智能和大数据为基础,实现对区域、城市的空气质量快速预测,识别污染贡献重点区域与排污企业,解决现有技术中空气污染预测和来源解析时效性差的问题,从而为政府部门制定相关环保措施提供基础数据支撑。
发明内容
本发明的目的是填补现有技术的空白,提供了一种基于深度学习空气质量浓度场模拟仿真器,以人工智能和大数据为基础,实现对区域、城市的空气质量快速预测,识别污染贡献重点区域与排污企业,解决现有技术中空气污染预测和来源解析时效性差的问题,从而为政府部门制定相关环保措施提供基础数据支撑。
为了达到上述目的,本发明提供一种基于深度学习空气质量浓度场模拟仿真器,包括以下步骤:
S1,将待预测区域的大气污染国控质量监测站点的历史监测数据和空气质量模型模拟数据,包括空气质量数据和气象数据,输入到空气质量预测神经网络,得到大气污染国控质量监测站点的未来预测结果;
S2,将所述预测结果进行数据处理后输入到空气质量网格化神经网络,得到区域网格化的空气质量预测结果;
S3,将所述网格化预测结果输入到空气质量溯源神经网络,分别得到大气污染物排放的预测结果和大气污染物排放的动态流向结果;
S4,经过叠加计算得到区域内涉污企业对大气污染的贡献度,整个工作过程使用的数据包括大气污染国控质量监测站点历史监测数据、扩展综合空气质量模型系统CAMx模拟数据、中尺度气象预报模型WRF模拟数据以及大气污染源清单数据;
S1包括原始数据处理,特征提取和空气质量预测三个模块;
所述原始数据包括以下步骤:
S101,处理过去168小时大气污染国控质量监测站点的6种主要污染物,气象数据,时间数据,即168×44的二维数组,对6种污染物数据使用Box-Cox方法进行处理,使其转化为近正态分布;
S102,对6种污染物数据及天气数据进行z-score标准化处理,经过处理的数据均值为0,标准差为1:
所述,x*为标准化值,/>为原始数据的均值,δ为原始数据的标准差;
S103,对时间数据进行处理,转为时间标记:
将时间数据转化为本年度的时间进度,即计算本日为本年度的第几天,然后除以本年度完整天数减1,得到0~1之间的值作为时间数据的时间标记,然后将小时数据同理转化为本日的时间进度,即使用小时数除以23得到0~1之间的值作为小时的时间标记;为了体现年进度与天进度的循环特征,及0值与1值代表的实际意义相近,对上述两项时间标记分别缩放至[0,2π]范围后进行余弦、正弦计算,最后分别得到共4个值作为最终的时间标记:x0=sin(x×2π),x1=cos(x×2π);
S104,对上述不同类型数据分别进行预处理后可得到168×36,168×4,168×4三组数据,拼接后得到的168×44数据,即为神经网络模型的输入;
所述特征提取是由1维卷积单元组CONV1D_BLOCK完成的,用来从初始输入特征中提取更鲁棒Robust的特征送进预测模块,包括以下步骤:
S105,使用3种不同的卷积核1×1,1×5,1×7对输入数据进行一维卷积操作得到不同感受野的中间特征;
S106,将得到的特征拼接后再使用1×3的卷积核进行两次一维卷积及池化计算;
S107,得到72×256的特征作为下一阶段预测模块的输入特征;
所述空气质量预测由LSTM单元组及两层全连接FC完成,而LSTM单元组由两层256通道的LSTM单元组成,在此模块的应用中,只保留最后一个时序经过LSTM单元组计算的输出,抛弃了前置时序中的所有输出,然后将LSTM单元组输出的二维数组转换(reshape)为一维数组,送入FC模块中,经过两层FC网络得到最终的输出,长为1008的一维数组,然后将其reshape为X×Y,X为站点数,Y为时序的形式,即为单个污染物的7天逐小时(Y=168)预测结果。
污染物包括SO2、NO2、PM2.5、PM10、CO和O3的小时值。
气象数据包括风速、气压、气温和相对湿度的小时值。
时间数据包括年、月、日、时。
S2中空气质量网格化神经网络利用深度残差网络Residual Network,ResNet强大的表征能力,将区域内仅有大气污染国控质量监测站点的特征图映射成包含了整个区域网格的空气质量特征图,具体包括以下步骤:
S201,创建一个能够描述城市网格的二维map并填上空值,然后利用大气污染国控质量监测站的地理位置,在这个空map中对应的网格中填上6项污染物浓度数据,得到6张分别代表6项污染物浓度的map;
S202,然后使用之前的空map,同样在大气污染国控质量监测站对应的网格中填上气象数据,得到4张分别代表4项气象要素的map;
S203,将这10张map叠加得到10×N×M的三维数据,经过训练好模型,把其映射成包含整个区域网格的空气质量map,6×N×M的三维数据,最终实现区域空气质量的网格化。
S3中空气质量溯源神经网络主要由大气污染物排放预测模块和大气污染物排放动态流向模块组成;
所述大气污染物排放预测模块使用全卷积结构,由两个编码网络Encoder和一个解码网络Decoder组成,所述Encoder0用于提取空气质量特征,所述Encoder1用于提取气象数据特征,将提取出的两组特征拼接起来通过Decoder输出大气污染物排放静态地图,使用网格化的空气质量历史数据和大气污染源清单数据进行训练学习;
所述大气污染物排放动态流向模块由二维卷积神经网络Convolutional NeuralNetworks,CNN与全连接网络Fully Connected Layers,FC组成,在大气环境模拟过程中,每一个网格的污染物浓度都会直接影响其临近网格的污染物浓度。
S4中的空气质量模型系统由中尺度气象预报模型WRF、陆地生态系统气体估算模型MEGAN、排放源处理模型SMOKE以及化学输送模式CAMx构成,所述系统由中尺度气象预报模型WRF提供气象背景场,然后利用气象化学界面处理程序MCIP对WRF输出的气象背景场进行处理,处理结果提供给陆地生态系统气体估算模型MEGAN和排放源处理模式SMOKE;运用所述陆地生态系统气体估算模型MEGAN提供天然源气体排放源,与处理好的人为源共同输入排放源处理模型SMOKE,形成系统的排放源文件;将所述气象背景场和所述排放源文件经处理成符合要求的输入形式,运行模型初始条件和边界条件计算模块,获取模式的初始背景场和边界场,分别输入化学输送模式CAMx进行空气质量数值模拟。
排放源处理模式SMOKE的处理流程为:
S401,输入基本单位排放清单;
S402,考虑排放源的增长/控制策略;
S403,通过物种对应关系将排放清单物种分摊、转化映射到空气质量模式化学机制物种;
S404,通过时间分配的方式考虑不同类型排放源排放变化规律;
S405,依据不同类型排放源空间分配属性;
S406,根据不同空气质量模式数据格式需求提供不同格式排放清单;
所述S403中SMOKE依据物种分配矩阵将排放清单物种pollutant分配、转化到所使用的化学机制对应物种itype,conv为不同行业从pollutant到itype比例、转化系数:
INVitype(iCounty,iscc)=INVpollutant(iCounty,iscc)×conviscc(pollutant,itype)
所述S404中SMOKE模型采用temporal模块考虑不同行业面源时间变化规律,假定人为排放源排放规律可分离为独立的年变化、周变化和日变化:
Sitype(iCounty,iscc,itime)=INVitype(iCounty,iscc)×tempiscc(itime);Sitype(iCounty,iscc,itime)=INVitype(iCounty,iscc)×fiscc(imonth)×fiscc(iwday)×fiscc(ihour)
所述INVitype为排放清单基本单元,时间itime可分离为imonth、iwday和ihour,imonth表示模拟时刻所在月份,iwday表示星期几,是否为工作日,ihour表示小时;而f(imonth)、f(iwday)、f(ihour)分别为不同行业人为排放源可分离的年变化、周变化及日变化因子,以此为基础在模型中描述不同类型面源排放时间变化规律;
所述S405中SMOKE模型中基本排放单元由排放管理区与行业SCC码组成,排放管理区可以是区县一级,也可以是地级市,或是省份,甚至国家这一较大行政区域。假定排放管理区为区县County(i),在模式某一网格Grid(j)的区域为A(i,j):
A(i,j)=Grid(j)∩County(i),i=1,2,3...TCounty,j=1,2,3...TGrid
所述TCounty为空间内区县总数,TGrid为空间内网格总数:
区域A(i,j)在County(i)比例记为
某一时刻itime排放清单基本排放单元itype物种排放量记为Se(County(i),iscc,itype),则区域A(i,j)iscc行业itype物种排放量为则iscc行业itype物种在网格Grid(j)排放总量E(Grid(j),iscc,itype):
不同行业排放线性叠加,则Grid(j)网格itype物种排放量:
区域A的权重因子即模式所考虑的空间分配因子:当区域A表征面积为区域A(i,j)占County(i)面积比例;当区域A表征人口,/>为区域A(i,j)的人口占区县County(i)百分比;采用人口和区域面积为主、结合其他空间分配属性考虑不同类型排放面源空间分布,优化面源处理,增加其分布合理性,尽可能减小空间分布误差。
化学输送模式CAMx利用中尺度气象模式提供的气象场,在三维嵌套网格中模拟对流层污染物的排放、传输、化学反应以及去除的过程,CAMx模拟过程中提供几项扩展功能,包括:臭氧源识别技术、颗粒物源识别技术、敏感性分析、过程分析和反应示踪;CAMx模式建立的物理基础是污染物的连续性方程:
所述cl是物种l的平均浓度;z是垂直方向的地形随动坐标;VH是水平风矢量;η是垂直方向的夹卷速率;ρ是空气密度;K是湍流扩散系数,CAMx模式在更新浓度场计算的过程中,分阶段计算大气污染传输、排放、化学转化、干、湿沉降一系列过程,最终得到各种大气污染物的浓度。
本发明同现有技术相比,通过将传统数值模拟预测模型网格化的特点与人工智能预测快速、架构灵活的特点相结合,将空气质量预测神经网络、空气质量网格化神经网络和空气质量溯源神经网络三个神经网络进行连接,能够实现对区域、城市的空气质量快速预测,识别污染贡献重点区域与排污企业,解决现有技术中空气污染溯源时效性差的问题,从而为政府部门制定相关环保措施提供基础数据支撑。
附图说明
图1为本发明基于人工智能的空气质量预测溯源系统工作流程图;
图2为本发明空气质量预测神经网络工作流程图;
图3为本发明空气质量网格化神经网络工作流程图;
图4为本发明大气污染物排放预测模块工作流程图;
图5为本发明大气污染物排放动态流向模块工作流程图;
图6为本发明CNN架构图;
图7为本发明模型系统的基本系统框架;
图8为本发明WRF气象模型框架结构;
图9为本发明基于SMOKE的源排放预处理流程图;
图10为本发明排放源预处理基本过程示意图;
图11为本发明面源处理空间分配概念图;
图12为本发明MEGAN模式中排放量计算示意图;
图13为本发明CAMx模型中主要过程和模拟选项表示意图;
图14为本发明实施案例PM2.5网格化分布与污染溯源结果示意图。
具体实施方式
现结合附图对本发明做进一步描述。
参见图1~14,本发明公开了一种基于深度学习空气质量浓度场模拟仿真器,包括以下步骤:
如图1所示,S1,将待预测区域的大气污染国控质量监测站点的历史监测数据和空气质量模型模拟数据,包括空气质量数据和气象数据,输入到空气质量预测神经网络,得到大气污染国控质量监测站点的未来预测结果;
S2,将预测结果进行数据处理后输入到空气质量网格化神经网络,得到区域网格化的空气质量预测结果;
S3,将网格化预测结果输入到空气质量溯源神经网络,分别得到大气污染物排放的预测结果和大气污染物排放的动态流向结果;
S4,经过叠加计算得到区域内涉污企业对大气污染的贡献度,整个工作过程使用的数据包括大气污染国控质量监测站点历史监测数据、扩展综合空气质量模型系统CAMx模拟数据、中尺度气象预报模型WRF模拟数据以及大气污染源清单数据;
如图2所示,S1包括原始数据处理,特征提取和空气质量预测三个模块;原始数据包括以下步骤:
S101,处理过去168小时大气污染国控质量监测站点的6种主要污染物,气象数据,时间数据,即168×44的二维数组,对6种污染物数据使用Box-Cox方法进行处理,使其转化为近正态分布;
S102,对6种污染物数据及天气数据进行z-score标准化处理,经过处理的数据均值为0,标准差为1:
所述,x*为标准化值,/>为原始数据的均值,δ为原始数据的标准差;
S103,对时间数据进行处理,转为时间标记:
将时间数据转化为本年度的时间进度,即计算本日为本年度的第几天,然后除以本年度完整天数减1,得到0~1之间的值作为时间数据的时间标记,然后将小时数据同理转化为本日的时间进度,即使用小时数除以23得到0~1之间的值作为小时的时间标记;为了体现年进度与天进度的循环特征,及0值与1值代表的实际意义相近,对上述两项时间标记分别缩放至[0,2π]范围后进行余弦、正弦计算,最后分别得到共4个值作为最终的时间标记:x0=sin(x×2π),x1=cos(x×2π);
S104,对上述不同类型数据分别进行预处理后可得到168×36,168×4,168×4三组数据,拼接后得到的168×44数据,即为神经网络模型的输入;
特征提取是由1维卷积单元组CONV1D_BLOCK完成的,用来从初始输入特征中提取更鲁棒Robust的特征送进预测模块,包括以下步骤:
S105,使用3种不同的卷积核1×1,1×5,1×7对输入数据进行一维卷积操作得到不同感受野的中间特征;
S106,将得到的特征拼接后再使用1×3的卷积核进行两次一维卷积及池化计算;
S107,得到72×256的特征作为下一阶段预测模块的输入特征;
空气质量预测由LSTM单元组及两层全连接FC完成,而LSTM单元组由两层256通道的LSTM单元组成,在此模块的应用中,只保留最后一个时序经过LSTM单元组计算的输出,抛弃了前置时序中的所有输出,然后将LSTM单元组输出的二维数组转换(reshape)为一维数组,送入FC模块中,经过两层FC网络得到最终的输出,长为1008的一维数组,然后将其reshape为X×Y,X为站点数,Y为时序的形式,即为单个污染物的7天逐小时(Y=168)预测结果。
其中,空气质量预测是最为关键的模块,LSTM模块可以记忆不定时间长度的数值。在大气环境中,当前时刻的某项污染物浓度势必会受到前一时刻不同污染物浓度的影响,同时又会影响下一时刻相关污染物的浓度。因此,该仿真器采用LSTM模块通过误差反向传播算法进行模型的训练,采用大气污染国控质量监测站点的历史空气质量数据与气象数据作为训练数据集。经过多次试验,决定以过去7天内六项污染物的小时浓度均值和气象数据作为输入层,将未来7天六项污染物的小时浓度平均值用作输出层,最终得到大气污染国控质量监测站点的空气质量预测值。
污染物包括SO2、NO2、PM2.5、PM10、CO和O3的小时值。
气象数据包括风速、气压、气温和相对湿度的小时值。
时间数据包括年、月、日、时。
如图3所示,S2中空气质量网格化神经网络利用深度残差网络Residual Network,ResNet强大的表征能力,将区域内仅有大气污染国控质量监测站点的特征图映射成包含了整个区域网格的空气质量特征图,具体包括以下步骤:
S201,创建一个能够描述城市网格的二维map并填上空值,然后利用大气污染国控质量监测站的地理位置,在这个空map中对应的网格中填上6项污染物浓度数据,得到6张分别代表6项污染物浓度的map;
S202,然后使用之前的空map,同样在大气污染国控质量监测站对应的网格中填上气象数据,得到4张分别代表4项气象要素的map;
S203,将这10张map叠加得到10×N×M的三维数据,经过训练好模型,把其映射成包含整个区域网格的空气质量map,6×N×M的三维数据,最终实现区域空气质量的网格化。
该神经网络主要由ResNet-50作为backbone的网络组成。ResNet-50是ResNet的一种分支,由50层卷积层组成。ResNet网络是通过短路机制加入了残差单元。变化主要体现在ResNet直接使用stride=2的卷积做下采样,并且用global average pool层替换了全连接层。ResNet的一个重要设计原则是当feature map大小降低一半时,feature map的数量增加一倍,这保持了网络层的复杂度。ResNet相比普通网络每两层间增加了短路机制,这就形成了残差学习。残差网络增加了一个identity mapping(恒等映射),把当前输出直接传输给下一层网络(全部是1:1传输,不增加额外的参数),相当于走了一个捷径,跳过了本层运算,这个直接连接命名为“skip connection”,同时在后向传播过程中,也是将下一层网络的梯度直接传递给上一层网络,这样就解决了深层网络的梯度消失问题。完成一次这样的过程的神经网络单元可描述为一个block,由多个这样的block组成的网络即为Resnet。这里值得一提的是ResNet-50模型主要使用CAMx模拟数据以及WRF模拟数据进行训练。
如图4所示,S3中空气质量溯源神经网络主要由大气污染物排放预测模块和大气污染物排放动态流向模块组成;
大气污染物排放预测模块使用全卷积结构,由两个编码网络Encoder和一个解码网络Decoder组成,Encoder0用于提取空气质量特征,Encoder1用于提取气象数据特征,将提取出的两组特征拼接起来通过Decoder输出大气污染物排放静态地图,使用网格化的空气质量历史数据和大气污染源清单数据进行训练学习;
如图5所示,大气污染物排放动态流向模块由二维卷积神经网络ConvolutionalNeural Networks,CNN与全连接网络Fully Connected Layers,FC组成,在大气环境模拟过程中,每一个网格的污染物浓度都会直接影响其临近网格的污染物浓度。
因此,该仿真器假设每一个网格都会向其临近8个网格发射向量(向量大小代表污染物浓度的交换值,向量方向代表污染物的交换方向)。同时,我们为每一个网格额外设定一个向量来模拟在垂直方向上进行的污染扩散行为或其他未知因素导致的污染扩散。由此,前一时刻的污染物浓度地图,加上每个网格产生的(8+1)×N(N为区域网格数量)个向量,即得到下一时刻的污染物浓度地图。将前后两个时刻的污染物浓度地图输入大气污染物排放动态流向模块,输出为间隔时间段(一般为小时)内各网格污染物流向的向量数组,具体见图5。在实际使用中,通过对各网格向量的叠加可得到指定间隔时间段内污染物在不同网格之间的动态流向情况,再结合大气污染物排放地图结果,最终可获得区域内大气污染排放企业的贡献度。同样地,大气污染物排放动态流向模块主要使用CAMx模拟数据以及WRF模拟数据进行训练。
如图6所示,该仿真器多处用到了卷积神经网络(Convolutional NeuralNetworks,CNN)及其变化形式。CNN是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。CNN架构如图6所示,一般是由输入层、卷积层、池化层、全连接层和输出层等构成。其中,卷积层和池化层可以交替设置,卷积层通过卷积核提取数据特征,一个卷积核提取的特征构成一个特征图,多个卷积核可以构成多个特征图。池化层就是对卷积层的输出作降维处理,最后通过全连接层形成对象的整体描述特征。总的来说,层与层之间的行为是由对应的权值和偏移值决定的,通过训练数据来学习网络结构中的权值和偏移值,从而实现对输入值的分类。此外,在训练过程中CNN还使用到了线性整流函数(Relu)和抛弃技术(Dropout),Relu能够减少模型训练时间,提高了收敛速度,而Dropout则可以增强卷积神经网络的泛化能力,防止过拟合化。
如图7所示,S4中的空气质量模型系统由中尺度气象预报模型WRF、陆地生态系统气体估算模型MEGAN、排放源处理模型SMOKE以及化学输送模式CAMx构成,系统由中尺度气象预报模型WRF提供气象背景场,然后利用气象化学界面处理程序MCIP对WRF输出的气象背景场进行处理,处理结果提供给陆地生态系统气体估算模型MEGAN和排放源处理模式SMOKE;运用陆地生态系统气体估算模型MEGAN提供天然源气体排放源,与处理好的人为源共同输入排放源处理模型SMOKE,形成系统的排放源文件;将气象背景场和排放源文件经处理成符合要求的输入形式,运行模型初始条件和边界条件计算模块,获取模式的初始背景场和边界场,分别输入化学输送模式CAMx进行空气质量数值模拟。
(1)WRF气象场数值模拟系统的建立
如图8所示,WRF(The Weather Research and Forecast)是MM5的下一代中尺度气象模型,WRF模式系统的开发计划是1997年由美国国家大气研究中心(NCAR)中小尺度气象处、国家环境预报中心(NCEP)环境模拟中心、预报系统实验室(FSL)的预报研究处和俄克拉荷马大学(OU)的风暴分析预报中心四单位联合发起建立的,由国家自然科学基金和国家海洋大气局(NOAA)共同支持。它的研制是为了给理想化的动力学研究、全物理过程的天气预报、空气质量预报以及区域气候模拟提供一个公用的模式框架,并希望以此模式来代替和更新现行的MM5模式。WRF采用C语言和Fortran语言编写,支持一系列的硬件平台。WRF软件框架结构非常灵活,通过分层结构组织各个模块,拥有ARW(the Advanced Research WRF)和NMM(Nonhydrostatic Mesoscale Model)两个动力核心框架结构。ARW和NMM都使用欧拉大气动力核心框架结构,都基于地形追随坐标系。ARW由NCAR/MMM开发,NMM由NCEP/EMC和NCAR/RAL/DTC共同开发维护。WRF模式是一个完全可压缩的非静力模式,控制方程组为通量形式。WRF模式在水平方向采用Arakawa C网格,有利于在高分辨率模式中提高数值计算精度,在垂直方向WRF地形追随非静力气压垂直坐标并附带静力选项,在时间积分方案上WRF推荐使用Runge2Kutta的3阶方案,但是同时也提供了Runge2Kutt的2阶方案可供选择。WRF模式支持多重双向移动网格的嵌套,具有完整的科里奥利力和曲率条件,提供了完整的物理过程参数化方案(包括陆面、边界层,大气与地面辐射、微物理和积云对流等)。WRF基于地形追随坐标系并保持质量守恒,是一个完全可压缩的非静力平衡模式系统,包含有静力选项,适用于从分辨率为几米到上千公里的各种研究和应用,适合各种分辨率的模拟研究,并对1-10公里分辨率的模拟进行了特别的设计。WRF模式应用了继承式软件设计,多级并行分解算法、选择式软件管理工具、中间软件包结构,具有先进的数值计算和资料同化技术、多重移动嵌套网格性能以及完善的物理过程(尤其是对流和中尺度降水过程)。因此,WRF模式系统是一个具有可移植性、易维护、可扩充、高效率、方便使用等诸多特征且用户界面友好的模式,具有广泛的应用前景。现在许多机构如NCAR,AFWA,FSL和Illinois大学等都开展了WRF的实际业务和科研应用,国内许多科研机构和业务部门也已经开始逐步从MM5转向WRF。WRF模式从2000年12月份发布1.0版本以来,已经连续发布了数个升级版本。随着WRF模式版本的持续更新,各种新的功能不断加入,例如在3.1版本中加入了许多微物理过程参数化方案,如更新了Thompson方案,新增了WDM5和WDM6方案,还加入了重力波拖曳效应,在3.2版本中新增了Milbrandt-Yau方案,在3.3版本中新增了SBU-YLin方案。WRF数值求解方案和动力核心框架都要优于MM5,垂直方向基于地形垂直坐标并保持质量守恒,适用于从几米到上千公里范围的各种应用,并对1-10千米分辨率的模拟进行了特别设计、适合各种分辨率的模拟研究。与MM5相比,WRF从模式软件框架设计、核心动力模块、硬件平台支持、应用范围、数据格式、可移植性等都更加先进。
(2)源排放预处理系统的建立
如图9所示,污染源排放状况是影响空气质量模式模拟结果准确性的重要因素之一。平台针对污染源排放和预报系统特征,建立空气污染源清单前处理系统。将污染源排放清单通过污染源前处理模块,转换为空气质量模型可接受的数据格式和分辨率。
源排放预处理采用基于SMOKE的预处理系统进行。源排放前处理模块利用与源排放相关的地理信息、源排放前处理模式SMOKE等工具,对源排放清单进行空间分配、时间廓线分配、以及VOCs和颗粒物的物种分配,前处理过程按点源、面源、移动源、天然源等分别进行,使区域和沈阳市原始的源排放清单经过处理、转换,达到区域空气质量模型的输入要求。源排放预处理流程如下图9所示。
如图10所示,排放源处理模式SMOKE的处理流程为:
S401,输入基本单位排放清单;
S402,考虑排放源的增长/控制策略;
S403,通过物种对应关系将排放清单物种分摊、转化映射到空气质量模式化学机制物种;
S404,通过时间分配的方式考虑不同类型排放源排放变化规律;
S405,依据不同类型排放源空间分配属性;
S406,根据不同空气质量模式数据格式需求提供不同格式排放清单;
S403中SMOKE依据物种分配矩阵将排放清单物种pollutant分配、转化到所使用的化学机制对应物种itype,conv为不同行业从pollutant到itype比例、转化系数:
INVitype(iCounty,iscc)=INVpollutant(iCounty,iscc)×conviscc(pollutant,itype)
S404中SMOKE模型采用temporal模块考虑不同行业面源时间变化规律,假定人为排放源排放规律可分离为独立的年变化、周变化和日变化:
Sitype(iCounty,iscc,itime)=INVitype(iCounty,iscc)×tempiscc(itime);Sitype(iCounty,iscc,itime)=INVitype(iCounty,iscc)×fiscc(imonth)×fiscc(iwday)×fiscc(ihour)
INVitype为排放清单基本单元,时间itime可分离为imonth、iwday和ihour,imonth表示模拟时刻所在月份,iwday表示星期几,是否为工作日,ihour表示小时;而f(imonth)、f(iwday)、f(ihour)分别为不同行业人为排放源可分离的年变化、周变化及日变化因子,以此为基础在模型中描述不同类型面源排放时间变化规律;
如图11所示,S405中SMOKE模型中基本排放单元由排放管理区与行业SCC码组成,排放管理区可以是区县一级,也可以是地级市,或是省份,甚至国家这一较大行政区域。假定排放管理区为区县County(i),在模式某一网格Grid(j)的区域为A(i,j):
A(i,j)=Grid(j)∩County(i),i=1,2,3...TCounty,j=1,2,3...TGrid
TCounty为空间内区县总数,TGrid为空间内网格总数:
区域A(i,j)在County(i)比例记为
某一时刻itime排放清单基本排放单元itype物种排放量记为Se(County(i),iscc,itype),则区域A(i,j)iscc行业itype物种排放量为则iscc行业itype物种在网格Grid(j)排放总量E(Grid(j),iscc,itype):
不同行业排放线性叠加,则Grid(j)网格itype物种排放量:
区域A的权重因子即模式所考虑的空间分配因子:当区域A表征面积为区域A(i,j)占County(i)面积比例;当区域A表征人口,/>为区域A(i,j)的人口占区县County(i)百分比;采用人口和区域面积为主、结合其他空间分配属性考虑不同类型排放面源空间分布,优化面源处理,增加其分布合理性,尽可能减小空间分布误差。
天然源排放模型MEGAN:
如图12所示,除人为源排放外,天然源的VOCs排放在区域大气化学中的作用也不容忽视,区域源排放清单和空气质量模拟中有必要考虑它的贡献。本系统中的天然源VOCs排放量采用美国国家大气研究中心研发的MEGAN模式计算,它由WRF提供气象条件,植被类型的分布采用了MODIS最新的反演结果,也可结合当地的实际植被状况。计算中考虑了光照、温度、湿度、叶面积指数、叶龄以及土壤湿度效应等方面的订正,排放因子综合考虑了全球植被类型和所处不同地理位置的差异等因素,空间分辨率为30s。由MEGAN计算的天然源VOCs排放可提供逐时的高分辨排放,时间和空间上都具较高的分辨率,还可以根据当地实际状况更正植被类型和排放因子,获得特定区域高时空分辨率的天然源VOCs排放量,为区域空气质量模型提供源排放输入条件,并完善区域大气污染源排放清单。
MEGAN(Model of Emissions of Gases and Aerosols from Nature)是用于模拟陆地生态系统向大气中排放净气体和气溶胶的估算模型。驱动变量包括路面覆盖、气象数据以及大气化学组成。MEGAN模型是一个全球尺度的模型,最基础的分辨率可以达到1公里,因此它是适合于区域和全球尺度的模型。MEGAN的FORTRAN代码是可以获取的,产生的排放量估算结果可以作为CAMx等区域空气质量模型的天然源。目前该模型的机理也已经融合进入数个区域和全球化学传输模型中,成为其中的一个在线组件。
如图13所示,化学输送模式CAMx模型是美国ENVIRON公司20世纪90年代后期开始开发的三维欧拉型区域空气质量模式,可应用于多尺度的、有关光化学烟雾和细颗粒物大气污染的综合模拟研究。CAMx利用中尺度气象模型WRF提供的气象场,在三维嵌套网格中模拟对流层污染物的排放、传输、化学反应以及去除的过程,CAMx模拟过程中提供几项扩展功能,包括:臭氧源识别技术、颗粒物源识别技术、敏感性分析、过程分析和反应示踪;CAMx模式建立的物理基础是污染物的连续性方程:
cl是物种l的平均浓度;z是垂直方向的地形随动坐标;VH是水平风矢量;η是垂直方向的夹卷速率;ρ是空气密度;K是湍流扩散系数,CAMx模式在更新浓度场计算的过程中,分阶段计算大气污染传输、排放、化学转化、干、湿沉降一系列过程,最终得到各种大气污染物的浓度。
实施案例:
如图14所示,根据以上污染物浓度的预测值,调用空气质量网格化神经网络和空气质量溯源神经网络并结合大气污染源排放清单,可获得区域内大气污染排放企业的贡献度。图14为2019年12月12日唐山市PM2.5网格化分布与污染溯源结果。从图中可以看出,该时段PM2.5浓度高值位于市中心区与南部附近,源排放主要来自位于市区中部的本地源排放,其中唐山市某炼焦制气有限公司与某混凝土搅拌站对PM2.5高值区的贡献较大,贡献度分别达到了24.60%和11.96%。利用ArcGIS对唐山地区14个县(区)18个空气自动监测站的数据进行时空分布特征分析,发现采暖季唐山市区中部附近空气质量较差。另外,结合在线监测数据对唐山市采暖期大气污染进行了较为全面系统的分析,PM2.5源解析结果表明本地工业源占比较高。
以上仅是本发明的优选实施方式,只是用于帮助理解本申请的方法及其核心思想,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
本发明从整体上解决了现有技术中空气污染预测和来源解析时效性差的问题,通过将传统数值模拟预测模型网格化的特点与人工智能预测快速、架构灵活的特点相结合,将空气质量预测神经网络、空气质量网格化神经网络和空气质量溯源神经网络三个神经网络进行连接,能够实现对区域、城市的空气质量快速预测,识别污染贡献重点区域与排污企业,从而为政府部门制定相关环保措施提供基础数据支撑。
Claims (9)
1.一种基于深度学习空气质量浓度场模拟仿真器,其特征在于,包括以下步骤:
S1,将待预测区域的大气污染国控质量监测站点的历史监测数据和空气质量模型模拟数据,包括空气质量数据和气象数据,输入到空气质量预测神经网络,得到大气污染国控质量监测站点的未来预测结果;
S2,将所述预测结果进行数据处理后输入到空气质量网格化神经网络,得到区域网格化的空气质量预测结果;
S3,将所述网格化预测结果输入到空气质量溯源神经网络,分别得到大气污染物排放的预测结果和大气污染物排放的动态流向结果;
S4,经过叠加计算得到区域内涉污企业对大气污染的贡献度,整个工作过程使用的数据包括大气污染国控质量监测站点历史监测数据、扩展综合空气质量模型系统CAMx模拟数据、中尺度气象预报模型WRF模拟数据以及大气污染源清单数据;
所述S1包括原始数据处理,特征提取和空气质量预测三个模块;
所述原始数据包括以下步骤:
S101,处理过去168小时大气污染国控质量监测站点的6种主要污染物,气象数据,时间数据,即168×44的二维数组,对6种污染物数据使用Box-Cox方法进行处理,使其转化为近正态分布;
S102,对6种污染物数据及天气数据进行z-score标准化处理,经过处理的数据均值为0,标准差为1:
所述/>为原始数据的均值,σ为原始数据的标准差;
S103,对时间数据进行处理,转为时间标记:
将时间数据转化为本年度的时间进度,即计算本日为本年度的第几天,然后除以本年度完整天数减1,得到0~1之间的值作为时间数据的时间标记,然后将小时数据同理转化为本日的时间进度,即使用小时数除以23得到0~1之间的值作为小时的时间标记;为了体现年进度与天进度的循环特征,及0值与1值代表的实际意义相近,对年进度与天进度标记分别缩放至[0,2π]范围后进行余弦、正弦计算,最后分别得到共4个值作为最终的时间标记:x0=sin(x×2π),x1=cos(x×2π);
S104,对上述污染物数据,时间数据,气象数据分别进行预处理后可得到168×36,168×4,168×4三组数据,拼接后得到的168×44数据,即为神经网络模型的输入;
所述特征提取是由1维卷积单元组CONV1D_BLOCK完成的,用来从初始输入特征中提取更鲁棒Robust的特征送进预测模块,包括以下步骤:
S105,使用3种不同的卷积核1×1,1×5,1×7对输入数据进行一维卷积操作得到不同感受野的中间特征;
S106,将得到的特征拼接后再使用1×3的卷积核进行两次一维卷积及池化计算;
S107,得到72×256的特征作为下一阶段预测模块的输入特征;
所述空气质量预测由LSTM单元组及两层全连接FC完成,而LSTM单元组由两层256通道的LSTM单元组成,在此模块的应用中,只保留最后一个时序经过LSTM单元组计算的输出,抛弃了前置时序中的所有输出,然后将LSTM单元组输出的二维数组转换(reshape)为一维数组,送入FC模块中,经过两层FC网络得到最终的输出,长为1008的一维数组,然后将其reshape为X×Y,X为站点数,Y为时序的形式,即为单个污染物的7天逐小时Y=168预测结果。
2.根据权利要求1所述的一种基于深度学习空气质量浓度场模拟仿真器,其特征在于,所述污染物包括SO2、NO2、PM2.5、PM10、CO和O3的小时值。
3.根据权利要求1所述的一种基于深度学习空气质量浓度场模拟仿真器,其特征在于,所述气象数据包括风速、气压、气温和相对湿度的小时值。
4.根据权利要求1所述的一种基于深度学习空气质量浓度场模拟仿真器,其特征在于,所述时间数据包括年、月、日、时。
5.根据权利要求1所述的一种基于深度学习空气质量浓度场模拟仿真器,其特征在于,所述S2中空气质量网格化神经网络利用深度残差网络Residual Network,ResNet强大的表征能力,将区域内仅有大气污染国控质量监测站点的特征图映射成包含了整个区域网格的空气质量特征图,具体包括以下步骤:
S201,创建一个能够描述城市网格的二维map并填上空值,然后利用大气污染国控质量监测站的地理位置,在这个空map中对应的网格中填上6项污染物浓度数据,得到6张分别代表6项污染物浓度的map;
S202,然后使用之前的空map,同样在大气污染国控质量监测站对应的网格中填上气象数据,得到4张分别代表4项气象要素的map;
S203,将这10张map叠加得到10×N×M的三维数据,经过训练好模型,把其映射成包含整个区域网格的空气质量map,6×N×M的三维数据,最终实现区域空气质量的网格化。
6.根据权利要求1所述的一种基于深度学习空气质量浓度场模拟仿真器,其特征在于,所述S3中空气质量溯源神经网络主要由大气污染物排放预测模块和大气污染物排放动态流向模块组成;
所述大气污染物排放预测模块使用全卷积结构,由两个编码网络Encoder和一个解码网络Decoder组成,所述Encoder0用于提取空气质量特征,所述Encoder1用于提取气象数据特征,将提取出的两组特征拼接起来通过Decoder输出大气污染物排放静态地图,使用网格化的空气质量历史数据和大气污染源清单数据进行训练学习;
所述大气污染物排放动态流向模块由二维卷积神经网络Convolutional NeuralNetworks,CNN与全连接网络Fully Connected Layers,FC组成,在大气环境模拟过程中,每一个网格的污染物浓度都会直接影响其临近网格的污染物浓度。
7.根据权利要求1所述的一种基于深度学习空气质量浓度场模拟仿真器,其特征在于,所述S4中的空气质量模型系统由中尺度气象预报模型WRF、陆地生态系统气体估算模型MEGAN、排放源处理模型SMOKE以及化学输送模式CAMx构成,所述系统由中尺度气象预报模型WRF提供气象背景场,然后利用气象化学界面处理程序MCIP对WRF输出的气象背景场进行处理,处理结果提供给陆地生态系统气体估算模型MEGAN和排放源处理模式SMOKE;运用所述陆地生态系统气体估算模型MEGAN提供天然源气体排放源,与处理好的人为源共同输入排放源处理模型SMOKE,形成系统的排放源文件;将所述气象背景场和所述排放源文件经处理成符合要求的输入形式,运行模型初始条件和边界条件计算模块,获取模式的初始背景场和边界场,分别输入化学输送模式CAMx进行空气质量数值模拟。
8.根据权利要求7所述的一种基于深度学习空气质量浓度场模拟仿真器,其特征在于,所述排放源处理模式SMOKE的处理流程为:
S401,输入基本单位排放清单;
S402,考虑排放源的增长/控制策略;
S403,通过物种对应关系将排放清单物种分摊、转化映射到空气质量模式化学机制物种;
S404,通过时间分配的方式考虑不同类型排放源排放变化规律;
S405,依据不同类型排放源空间分配属性;
S406,根据不同空气质量模式数据格式需求提供不同格式排放清单;
所述S403中SMOKE依据物种分配矩阵将排放清单物种pollutant分配、转化到所使用的化学机制对应物种itype,conv为不同行业从pollutant到itype比例、转化系数:
INVitype(iCounty,iscc)=INVpollutant(iCounty,iscc)×conviscc(pollutant,itype)
所述S404中SMOKE模型采用temporal模块考虑不同行业面源时间变化规律,假定人为排放源排放规律可分离为独立的年变化、周变化和日变化:
Sitype(iCounty,iscc,itime)=INVitype(iCounty,iscc)×tempiscc(itime)
Sitype(iCounty,iscc,itime)=INVitype(iCounty,iscc)×fiscc(imonth)×fiscc(iwday)×fiscc(ihour)
所述INVitype为排放清单基本单元,时间itime可分离为imonth、iwday和ihour,imonth表示模拟时刻所在月份,iwday表示星期几,是否为工作日,ihour表示小时;而f(imonth)、f(iwday)、f(ihour)分别为不同行业人为排放源可分离的年变化、周变化及日变化因子,以此为基础在模型中描述不同类型面源排放时间变化规律;
所述S405中SMOKE模型中基本排放单元由排放管理区与行业SCC码组成,排放管理区可以是区县一级,也可以是地级市,或是省份,甚至国家这一较大行政区域;假定排放管理区为区县County(i),在模式某一网格Grid(j)的区域为A(i,j):
A(i,j)=Grid(j)∩County(i),i=1,2,3...TCounty,j=1,2,3...TGrid
所述TCounty为空间内区县总数,TGrid为空间内网格总数:
区域A(i,j)在County(i)比例记为
某一时刻itime排放清单基本排放单元itype物种排放量记为Se(County(i),iscc,itype),则区域A(i,j)iscc行业itype物种排放量为则iscc行业itype物种在网格Grid(j)排放总量E(Grid(j),iscc,itype):
不同行业排放线性叠加,则Grid(j)网格itype物种排放量:
区域A的权重因子即模式所考虑的空间分配因子:当区域A表征面积为区域A(i,j)占County(i)面积比例;当区域A表征人口,/>为区域A(i,j)的人口占区县County(i)百分比;采用人口和区域面积为主、结合其他空间分配属性考虑不同类型排放面源空间分布,优化面源处理,增加其分布合理性,尽可能减小空间分布误差。
9.根据权利要求7所述的一种基于深度学习空气质量浓度场模拟仿真器,其特征在于,所述化学输送模式CAMx利用中尺度气象模式提供的气象场,在三维嵌套网格中模拟对流层污染物的排放、传输、化学反应以及去除的过程,CAMx模拟过程中提供几项扩展功能,包括:臭氧源识别技术、颗粒物源识别技术、敏感性分析、过程分析和反应示踪;CAMx模式建立的物理基础是污染物的连续性方程:
所述c1是物种l的平均浓度;z是垂直方向的地形随动坐标;VH是水平风矢量;η是垂直方向的夹卷速率;ρ是空气密度;K是湍流扩散系数,CAMx模式在更新浓度场计算的过程中,分阶段计算大气污染传输、排放、化学转化、干、湿沉降一系列过程,最终得到各种大气污染物的浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210930081.XA CN116070500B (zh) | 2022-08-03 | 2022-08-03 | 一种基于深度学习空气质量浓度场模拟仿真器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210930081.XA CN116070500B (zh) | 2022-08-03 | 2022-08-03 | 一种基于深度学习空气质量浓度场模拟仿真器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116070500A CN116070500A (zh) | 2023-05-05 |
CN116070500B true CN116070500B (zh) | 2023-11-28 |
Family
ID=86175776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210930081.XA Active CN116070500B (zh) | 2022-08-03 | 2022-08-03 | 一种基于深度学习空气质量浓度场模拟仿真器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070500B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117029219B (zh) * | 2023-10-09 | 2023-12-26 | 湖南省交通规划勘察设计院有限公司 | 一种卫生间系统的自适应空气调节方法及卫生间通风系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598953A (zh) * | 2019-09-23 | 2019-12-20 | 哈尔滨工程大学 | 一种时空相关的空气质量预测方法 |
CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及系统 |
CN111198151A (zh) * | 2020-01-15 | 2020-05-26 | 湖南城市学院 | 一种大气颗粒物采集分析装置及其收集和分析方法 |
CN111241166A (zh) * | 2020-03-09 | 2020-06-05 | 江阴市中源环境仪器有限公司 | 高精度大气污染源在线监测分析系统 |
-
2022
- 2022-08-03 CN CN202210930081.XA patent/CN116070500B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598953A (zh) * | 2019-09-23 | 2019-12-20 | 哈尔滨工程大学 | 一种时空相关的空气质量预测方法 |
CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及系统 |
CN111198151A (zh) * | 2020-01-15 | 2020-05-26 | 湖南城市学院 | 一种大气颗粒物采集分析装置及其收集和分析方法 |
CN111241166A (zh) * | 2020-03-09 | 2020-06-05 | 江阴市中源环境仪器有限公司 | 高精度大气污染源在线监测分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116070500A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liao et al. | Deep learning for air quality forecasts: a review | |
CN108701274B (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
Kang et al. | Air quality prediction: Big data and machine learning approaches | |
Suh et al. | Solar farm suitability using geographic information system fuzzy sets and analytic hierarchy processes: Case study of Ulleung Island, Korea | |
CN112884079A (zh) | 一种基于Stacking集成模型的近地面二氧化氮浓度估算方法 | |
CN110727717B (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
CN116070500B (zh) | 一种基于深度学习空气质量浓度场模拟仿真器 | |
Hu et al. | Estimating CO2 emissions from large scale coal-fired power plants using OCO-2 observations and emission inventories | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
Hao et al. | Transport pathways and potential source regions of PM2. 5 on the west coast of Bohai Bay during 2009–2018 | |
Peñacoba-Antona et al. | Multi-criteria evaluation and sensitivity analysis for the optimal location of constructed wetlands (METland) at oceanic and mediterranean areas | |
Gurney et al. | Toward accurate, policy-relevant fossil fuel CO2 emission landscapes | |
Risch et al. | Potentials of renewable energy sources in Germany and the influence of land use datasets | |
CN107767081B (zh) | 一种燃煤电厂大气环境影响评价方法及装置 | |
Balacco et al. | A novel distributed system of E-vehicle charging stations based on pumps as turbine to support sustainable micromobility | |
CN113011455A (zh) | 一种空气质量预测svm模型构建方法 | |
Zhu et al. | Multi-sensing paradigm based urban air quality monitoring and hazardous gas source analyzing: a review | |
Skoulidou et al. | Changes in power plant nox emissions over northwest greece using a data assimilation technique | |
Torrefranca et al. | Incorporating landscape dynamics in small-scale hydropower site location using a GIS and spatial analysis tool: the case of bohol, Central Philippines | |
MacCracken | User's guide to the LIRAQ model: an air pollution model for the San Francisco Bay Area | |
Zhang et al. | Evaluating anthropogenic CO2 bottom-up emission inventories using satellite observations from GOSAT and OCO-2 | |
CN109799549B (zh) | 气态污染物浓度柱转换方法及装置 | |
Alsaedi et al. | Spatial and temporal data analysis with deep learning for air quality prediction | |
CN115239027B (zh) | 空气质量格点化集合预报的方法及装置 | |
Sengupta et al. | Assessment of population exposure and risk zones due to air pollution using the geographical information system |
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 |