CN116087044A - 一种基于cmb模型的pm2.5在线来源解析方法及设备 - Google Patents
一种基于cmb模型的pm2.5在线来源解析方法及设备 Download PDFInfo
- Publication number
- CN116087044A CN116087044A CN202211443853.3A CN202211443853A CN116087044A CN 116087044 A CN116087044 A CN 116087044A CN 202211443853 A CN202211443853 A CN 202211443853A CN 116087044 A CN116087044 A CN 116087044A
- Authority
- CN
- China
- Prior art keywords
- data
- uncertainty
- model
- component
- source
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Abstract
本发明公开了一种基于CMB模型的PM2.5在线来源解析方法及设备,无需输入大量受体数据,就能够自动识别污染来源,该方法包括以下步骤:获取待监测点位需监测的颗粒物及其化学组分的历史观测数据;基于历史观测数据筛选出用于构建PMF模型的历史组分浓度数据、使用质谱信息m/z 44作为SOA源标识组分,并基于预定不确定度计算方法计算与各个浓度数据相应的不确定度;输入PMF模型,并进行运算得到待监测点位的各污染源的成分谱数据及其相应的不确定度;获取待监测点位中颗粒物的化学组分的实时观测数据;对实时观测数据进行筛选并基于预定不确定度计算方法完成计算得到实时组分浓度数据及其相应的不确定度;输入CMB模型,并进行运算得到各个污染源对PM2.5贡献结果。
Description
技术领域
本发明属于大气污染防治领域,尤其涉及一种基于CMB模型的PM2.5在线来源解析方法及设备。
背景技术
PM2.5对气候变化、人体健康、能见度等有重要影响,是影响我国空气质量的首要污染物。PM2.5污染是一个快速变化的动态过程,快速地识别PM2.5的主要来源可为PM2.5污染防治方案的制定提供科学依据,是精细化治理PM2.5的必要条件。基于在线监测手段实时对PM2.5进行全面地化学组分监测,结合受体模型建立PM2.5在线来源解析技术,能快速识别并量化各污染源对颗粒物的贡献,为PM2.5污染的精准治理提供技术支撑。
化学质量平衡(CMB)模型和正定矩阵因子分解(PMF)模型是两种主流的受体模型。CMB模型基于各污染源成分谱信息和受体数据,定量评估各污染源对污染物的贡献,具有输入受体数据量少、污染来源明确的优点。PMF模型无需输入污染源成分谱数据,利用加权最小二乘法将观测受体数据矩阵分解为因子谱矩阵和因子贡献矩阵,基于因子谱矩阵识别污染来源并基于因子贡献量化各污染源对污染物的贡献。由于颗粒物污染源来源众多且复杂,很难获取具有代表性的污染源成分谱信息,目前基于受体模型的PM2.5在线源解析技术主要选择使用PMF模型进行分析。但PMF模型也有其局限性。第一,PMF模型需要基于研究经验辨识各因子的来源,不能自动判别颗粒物的污染来源。第二,由于污染源存在共线性问题,即污染源的成分谱比较相似,会导致PMF模型无法区分共线性源类,解析出的因子存在混杂的问题,特别是二次有机气溶胶(SOA)容易与一次、二次源混合,而不能独立准确地被PMF模型评估。第三,PMF模型需要输入大量的受体数据来识别量化污染源,为获取某一时刻颗粒物的来源解析结果,需要输入大量的历史观测数据,且该时刻的来源解析结果会受输入的受体数据影响,导致解析结果不确定性较大。
发明内容
为解决上述问题,提供一种基于CMB模型的PM2.5在线来源解析方法及设备,无需输入大量受体数据,就能够自动识别污染来源,本发明采用了如下技术方案:
本发明提供了一种基于CMB模型的PM2.5在线来源解析方法,包括以下步骤:步骤一,获取待监测点位需监测的颗粒物及其化学组分的历史观测数据;步骤二,基于历史观测数据筛选出用于构建PMF模型的历史组分浓度数据,并基于预定不确定度计算方法计算与各个浓度数据相应的不确定度;步骤三,将PMF输入数据输入PMF模型,并进行运算得到待监测点位的各污染源的成分谱数据及其相应的不确定度,PMF输入数据包括历史组分浓度数据以及不确定度;步骤四,获取待监测点位中颗粒物的化学组分的实时观测数据;步骤五,对实时观测数据进行筛选并基于预定不确定度计算方法完成计算得到实时组分浓度数据及其相应的不确定度;步骤六,将成分谱数据及其相应的不确定度、和实时组分浓度数据及相应的不确定度输入CMB模型,并进行运算得到各个污染源对PM2.5的贡献结果。
根据本发明提供的基于CMB模型的PM2.5在线来源解析方法,还可以具有这样的技术特征,基于历史观测数据筛选出用于构建PMF模型的历史组分浓度数据后,还筛选质荷比为44的有机物碎片作为SOA源标识组分,PMF输入数据还包括各污染源标识组分,PMF模型进行运算时,先获得因子成分谱矩阵,再基于各因子的标识组分识别各因子代表的污染源类型从而得到各污染源的成分谱数据,进一步基于PMF模型的bootstrap功能评估成分谱数据的不确定性得到对应的不确定度。
根据本发明提供的基于CMB模型的PM2.5在线来源解析方法,还可以具有这样的技术特征,其中,因子的个数为8-12个。
根据本发明提供的基于CMB模型的PM2.5在线来源解析方法,还可以具有这样的技术特征,其中,因子的个数为9个,包括生物质燃烧、二次硫酸盐、燃煤、二次硝酸盐、工业排放、SOA、船舶排放、机动车排放、扬尘。
根据本发明提供的基于CMB模型的PM2.5在线来源解析方法,还可以具有这样的技术特征,预定不确定度计算方法为基于公式Uij=kj×Cij计算不确定度,式中,Cij为浓度数据,kj为第j个化学组分的相对不确定性,Uij为Cij的不确定度。
根据本发明提供的基于CMB模型的PM2.5在线来源解析方法,还可以具有这样的技术特征,其中,化学组分的数量为13种,包括:OM、BC、Cl-、NO3 -、SO4 2-、NH4 +、K、Si、Ca、Fe、Zn、V、m/z 44。
根据本发明提供的基于CMB模型的PM2.5在线来源解析方法,还可以具有这样的技术特征,其中,化学组分的数量为16种,包括:OM、NO3-、SO42-、NH4+、BC、Si、K、Ca、V、Cr、Mn、Fe、Ni、Zn、As、m/z 44。
根据本发明提供的基于CMB模型的PM2.5在线来源解析方法,还可以具有这样的技术特征,实时观测数据为PM2.5、水溶性离子、有机物、黑碳以及大气金属元素的数据。
本发明还提供一种计算机设备,包括存储器和处理器,存储器中存储有可执行代码,处理器执行可执行代码时,实现上述的方法。
发明作用与效果
根据本发明提供的一种基于CMB模型的PM2.5在线来源解析方法及设备,由于结合PMF模型构建本地化源成分谱,并利用质荷比为44的有机物碎片(m/z 44)作为SOA源标识组分获取SOA成分谱,将PMF模型获得的本地化源成分谱和实时在线观测数据作为CMB模型的输入条件,建立了基于CMB模型PM2.5在线来源解析技术。因此,本发明建立的在线源解析技术具有以下特点:
1.构建了具有代表性的本地化源成分谱,能自动识别污染来源,污染源物理意义明确;
2.充分利用质谱信息,能独立识别并量化SOA源贡献;
3.无需输入大量受体数据,某时刻来源解析结果不依赖前期的历史观测数据,降低源解析结果的不确定性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例一中PM2.5在线来源解析方法的流程示意图;
图2为本发明实施例提供的计算机设备的硬件结构图;
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,下面将结合附图对本发明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。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
<实施例一>
图1为本发明实施例一中PM2.5在线来源解析方法的流程示意图。
如图1所示,基于CMB模型的PM2.5在线来源解析方法具体包括步骤一至步骤六:
步骤一,获取待监测点位需监测的颗粒物及其化学组分的历史观测数据。
本实施例一中,利用颗粒物质量实时监测仪、颗粒物化学组成在线监测仪、黑碳仪、大气多金属元素在线监测仪等4台在线监测仪器在深圳市某城市点位开展观测,获得了2019年9月27日-2019年10月31日PM2.5及其化学组分历史小时观测数据作为历史观测数据,包括PM2.5、OM、SO4 2-、NO3 -、NH4 +、Cl-、BC、Si、K、Ca、Ti、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Se、Mo、Cd、Sn、Ba、Pb、质谱信息m/z 44。
步骤二,构建PMF输入数据:基于历史观测数据筛选出筛选测量准确、数据缺失率低、具有污染源标识作用的组分构建PMF模型所需的历史组分浓度数据,并基于预定不确定度计算方法计算与各个浓度数据相应的不确定度。另外,基于历史观测数据筛选出用于构建PMF模型的历史组分浓度数据后,还筛选质荷比为44的有机物碎片(m/z 44)作为二次有机气溶胶(SOA)的标识组分(即SOA源标识组分),最终形成包括历史组分浓度数据以及对应的不确定度以及标识组分的PMF输入数据。历史组分浓度数据包括了各个污染源的标识组分,其中,SOA源标识组分为上文筛选得到的,其他污染源的标识组分为现有的标识组分,因此不做赘述。
具体地,基于第一步搜集的历史观测数据,剔除组分浓度数据中低于检出限的数据占所有观测数据的比例超过40%的组分,剔除与其他所有组分相关性均较低(r2≤0.4)的组分,剔除无示踪作用、且浓度水平较低的组分,最终筛选出13种组分构建PMF模型输入的组分浓度数据,包括OM、BC、Cl-、NO3 -、SO4 2-、NH4 +、K、Si、Ca、Fe、Zn、V、m/z 44。
接下来,根据公式Uij=kj×Cij构建PMF模型所需的不确定度数据,其中Uij为Cij的不确定度,Cij为PMF模型输入的浓度数据,kj为第j个组分的相对不确定性,根据采样和化学组分分析来设定,各组分相对不确定性在8%-30%范围。
步骤三,获取本地污染源成分谱。
具体地,把步骤二构建PMF输入数据输入到PMF模型进行运算并获得因子成分谱矩阵,基于各因子的标识组分特征识别各因子代表的污染源类型。
本实施例中,因子谱的个数尝试设置了8-12个因子来确定最优解析结果,可能包含的污染源有二次硫酸盐、二次硝酸盐、SOA、机动车排放、扬尘、生物质燃烧、燃煤、工业排放、船舶排放、建筑尘、海盐、刹车磨损。通过分析模型解析的源成分谱的物理意义、源贡献的时间序列与其源标识组分之间的相关性,以及模型对PM2.5和化学物质浓度的拟合度,确定了9个因子为最优源解析结果。基于各因子的标识组分特征识别各因子代表的污染源类型,包括生物质燃烧、二次硫酸盐、燃煤、二次硝酸盐、工业排放、SOA、船舶排放、机动车排放、扬尘。
接下来,再利用PMF模型bootstrap功能评估源成分谱的不确定性,最终获得各污染源的成分谱数据及其相应的不确定度。
最终获得各污染源的成分谱数据及其相应的不确定度,本实施例一构建的各污染源成分谱数据见下表1。
表1污染源成分谱(丰度±不确定度,g/g)
步骤四,获取待监测点位中颗粒物的化学组分的实时观测数据。
本实施例一中,利用颗粒物质量实时监测仪、颗粒物化学组成在线监测仪、黑碳仪、大气多金属元素在线监测仪等4台在线监测仪器在深圳市同一城市点位开展观测,获得了2021年1月27日12时-21时PM2.5及其化学组分历史小时观测数据,包括PM2.5、OM、SO4 2-、NO3 -、NH4 +、Cl-、BC、Si、K、Ca、Ti、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Se、Mo、Cd、Sn、Ba、Pb、质谱信息m/z 44。
步骤五,对实时观测数据进行筛选并基于预定不确定度计算方法完成计算得到实时组分浓度数据及其相应的不确定度。
参考步骤二中进行组分筛选和不确定度计算的过程,构建CMB模型需要输入的实时观测组分浓度及其不确定度数据集,数据见表2:
表2基于在线观测数据构建的CMB模型输入数据(浓度±不确定度,μg/m3)
将上述实时组分浓度数据及其相应的不确定度、和基于步骤三获取的污染源成分谱数据及其不确定度,作为CMB模型的输入数据。
步骤六,将成分谱数据及其相应的不确定度、和实时组分浓度数据及相应的不确定度输入CMB模型,并进行运算得到包含SOA源在内的各个污染源的PM2.5来源解析结果,即PM2.5实时各污染源对PM2.5的贡献。2021年1月27日12时-21时PM2.5的来源解析结果见表3:
表3基于CMB模型PM2.5在线来源解析方法获得的PM2.5源解析结果(μg/m3)
由此可见,本发明提供的基于CMB模型的PM2.5在线来源解析方法,可以在不依赖前期的历史观测数据的情况下,实现在线来源解析技术实时识别颗粒物来源,准确量化SOA贡献、降低源解析结果不确定性。
本发明实施例还提供一种计算机设备,包括存储器和处理器,存储器中存储有可执行代码,处理器执行可执行代码时,实现上述任一项所述的方法。具体的,参考图2。
本发明实施例的计算机设备可以包括:处理器、存储器、输入/输出接口、通信接口和总线。其中处理器、存储器、输入/输出接口和通信接口通过总线实现彼此之间在设备内部的通信连接。处理器用于执行存储器中存储的可执行模块,例如图1所示的方法实施例对应的计算机程序。
处理器可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案。
存储器可以采用ROM(Read Only Memory,只读存储器)、RAM(RandomAccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器可以存储操作系统和其他应用程序,在通过软件或者固件来实现本申请实施例所提供的技术方案时,相关的程序代码保存在存储器中,并由处理器来调用执行。
输入/输出接口用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线包括一通路,在设备的各个组件(例如处理器、存储器、输入/输出接口和通信接口)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器、存储器、输入/输出接口、通信接口以及总线,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本申请实施例方案所必需的组件,而不必包含图中所示的全部组件。
以上,结合了深圳市某城市点位的2019年9月27日-2019年10月31日的历史观测数据和2021年1月27日12时-21时的实时观测数据对本发明实施例的方法进行了说明。下面,在实施例二中,将结合深圳市某个离交通道路较近的城市点位的2020年12月27日-2021年1月31日的历史观测数据和2021年2月6日8时-2021年2月8日20时的实时观测数据对本发明实施例的方法再次进行说明。
<实施例二>
本实施例二的基于CMB模型的PM2.5在线来源解析方法与实施例一类似,参考图1,其具体包括步骤一至步骤六:
步骤一,获取待监测点位需监测的颗粒物及其化学组分的历史观测数据。
本实施例二中,利用颗粒物质量实时监测仪、颗粒物化学组成在线监测仪、黑碳仪、大气多金属元素在线监测仪等4台在线监测仪器在深圳市某个离交通道路较近的城市点位开展观测,获得了2020年12月27日-2021年1月31日PM2.5及其化学组分历史小时观测数据,包括PM2.5、OM、SO4 2-、NO3 -、NH4 +、Cl-、BC、Si、K、Ca、Ti、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Se、Mo、Cd、Sn、Ba、Pb、质谱信息m/z 44。
步骤二,构建PMF输入数据:基于历史观测数据筛选出筛选测量准确、数据缺失率低、具有污染源标识作用的组分构建PMF模型所需的历史组分浓度数据,并基于预定不确定度计算方法计算与各个浓度数据相应的不确定度。另外,基于历史观测数据筛选出用于构建PMF模型的历史组分浓度数据后,还筛选质荷比为44的有机物碎片(m/z 44)作为SOA的标识组分,最终形成包括历史组分浓度数据和对应的不确定度的PMF输入数据。
具体地,基于第一步搜集的历史观测数据,剔除组分浓度数据中低于检出限的数据占所有观测数据的比例超过40%的组分,剔除与其他所有组分相关性均较低(r2≤0.4)的组分,剔除无示踪作用、且浓度水平较低的组分,最终筛选出16种组分构建PMF模型输入的组分浓度数据,包括OM、NO3 -、SO4 2-、NH4 +、BC、Si、K、Ca、V、Cr、Mn、Fe、Ni、Zn、As、m/z44。
接下来,根据公式Uij=kj×Cij构建PMF模型所需的不确定度数据,其中Uij为Cij的不确定度,Cij为PMF模型输入的浓度数据,kj为第j个组分的相对不确定性,根据采样和化学组分分析来设定,各组分相对不确定性在10%-30%范围。
步骤三,获取本地污染源成分谱。
具体地,把步骤二构建PMF输入数据输入到PMF模型进行运算并获得因子成分谱矩阵,基于各因子的标识组分特征识别各因子代表的污染源类型。
本实施例中,因子谱的个数尝试设置了8-12个因子来确定最优解析结果,可能包含的污染源有二次硫酸盐、二次硝酸盐、SOA、机动车排放、扬尘、生物质燃烧、燃煤、工业排放、船舶排放、建筑尘、海盐、刹车磨损。通过分析模型解析的源成分谱的物理意义、源贡献的时间序列与其源标识组分之间的相关性,以及模型对PM2.5和化学物质浓度的拟合度,确定了9个因子为最优源解析结果。基于各因子的标识组分特征识别各因子代表的污染源类型,包括船舶排放、扬尘、机动车排放、二次硫酸盐、生物质燃烧、燃煤、工业排放、SOA、二次硝酸盐。
接下来,再利用PMF模型bootstrap功能评估源成分谱的不确定性,最终获得各污染源的成分谱数据及其相应的不确定度。
最终获得各污染源的成分谱数据及其相应的不确定度,本实施例二构建的各污染源成分谱数据见下表4。
表4污染源成分谱(丰度±不确定度,g/g)
步骤四,获取待监测点位中颗粒物的化学组分的实时观测数据。
本实施例二中,利用颗粒物质量实时监测仪、颗粒物化学组成在线监测仪、黑碳仪、大气多金属元素在线监测仪等4台在线监测仪器在深圳市同一城市点位开展观测,获得了2021年2月6日8时-20时PM2.5及其化学组分历史小时观测数据,包括PM2.5、OM、SO4 2-、NO3 -、NH4 +、Cl-、Si、Si、K、Ca、Ti、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Se、Mo、Cd、Sn、Ba、Pb、质谱信息m/z44。
步骤五,对实时观测数据进行筛选并基于预定不确定度计算方法完成计算得到实时组分浓度数据及其相应的不确定度。
参考步骤二中进行组分筛选和不确定度计算的过程,构建CMB模型需要输入的实时观测组分浓度及其不确定度数据集,数据见表5:
表5基于在线观测数据构建的CMB模型输入数据(浓度±不确定度,μg/m3)
将上述实时组分浓度数据及其相应的不确定度、和基于步骤三获取的污染源成分谱数据及其不确定度,作为CMB模型的输入数据。
步骤六,将成分谱数据及其相应的不确定度、和实时组分浓度数据及相应的不确定度输入CMB模型,并进行运算得到包含SOA源在内的各个污染源的PM2.5来源解析结果,即PM2.5实时各污染源对PM2.5的贡献。2021年2月6日8时-20时PM2.5的来源解析结果见表6:
表6基于CMB模型PM2.5在线来源解析方法获得的PM2.5源解析结果(μg/m3)
实施例作用与效果
本发明提供的一种基于CMB模型的PM2.5在线来源解析方法及设备,由于结合PMF模型构建本地化源成分谱,并利用质荷比为44的有机物碎片(m/z 44)作为SOA的标识组分获取SOA成分谱,将PMF模型获得的本地化源成分谱和实时在线观测数据作为CMB模型的输入条件,建立了基于CMB模型PM2.5在线来源解析技术。因此,本发明建立的在线源解析技术具有以下特点:
1.构建了具有代表性的本地化源成分谱,能自动识别污染来源,污染源物理意义明确;
2.充分利用质谱信息,能独立识别并量化SOA源贡献;
3.无需输入大量受体数据,某时刻来源解析结果不依赖前期的历史观测数据,降低源解析结果的不确定性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种基于CMB模型的PM2.5在线来源解析方法,其特征在于,包括以下步骤:
步骤一,获取待监测点位需监测的颗粒物及其化学组分的历史观测数据;
步骤二,基于所述历史观测数据筛选出用于构建PMF输入数据的历史组分浓度数据,并基于预定不确定度计算方法计算与各个所述浓度数据相应的不确定度;
步骤三,将PMF输入数据输入所述PMF模型,并进行运算得到所述待监测点位的各污染源的成分谱数据及其相应的不确定度,
所述PMF输入数据包括所述历史组分浓度数据以及所述不确定度;
步骤四,获取待监测点位中所述颗粒物的化学组分的实时观测数据;
步骤五,对所述实时观测数据进行筛选并基于所述预定不确定度计算方法完成计算得到实时组分浓度数据及其相应的不确定度;
步骤六,将所述成分谱数据及其相应的不确定度、和所述实时组分浓度数据及相应的不确定度输入CMB模型,并进行运算得到各个所述污染源对PM2.5的贡献结果。
2.根据权利要求1所述的基于CMB模型的PM2.5在线来源解析方法,其特征在于:
所述历史组分浓度还包括各个所述污染源的标识组分,
所述基于所述历史观测数据筛选出用于构建PMF模型的历史组分浓度数据时,还筛选质荷比为44的有机物碎片作为SOA源标识组分,
所述标识组分包括所述SOA源标识组分,
所述PMF模型进行运算时,先获得因子成分谱矩阵,再基于各因子的所述标识组分识别各因子代表的污染源类型从而得到所述成分谱数据,进一步基于所述PMF模型的bootstrap功能评估所述成分谱数据的不确定性得到对应的不确定度。
3.根据权利要求2所述的基于CMB模型的PM2.5在线来源解析方法,其特征在于:
其中,所述因子的个数基于污染源的实际情况进行设置,为8-12个。
4.根据权利要求3所述的基于CMB模型的PM2.5在线来源解析方法,其特征在于:
其中,所述因子的个数为9个,包括生物质燃烧、二次硫酸盐、燃煤、二次硝酸盐、工业排放、SOA、船舶排放、机动车排放、扬尘。
5.根据权利要求1所述的基于CMB模型的PM2.5在线来源解析方法,其特征在于:
所述预定不确定度计算方法为基于公式Uij=kj×Cij计算不确定度,
式中,Cij为浓度数据,kj为第j个化学组分的相对不确定性,Uij为Cij的不确定度。
6.根据权利要求1所述的基于CMB模型的PM2.5在线来源解析方法,其特征在于:
其中,所述化学组分的数量为13种,包括:OM、BC、Cl-、NO3 -、SO4 2-、NH4 +、K、Si、Ca、Fe、Zn、V、m/z 44。
7.根据权利要求1所述的基于CMB模型的PM2.5在线来源解析方法,其特征在于:
其中,所述化学组分的数量为16种,包括:OM、NO3 -、SO4 2-、NH4 +、BC、Si、K、Ca、V、Cr、Mn、Fe、Ni、Zn、As、m/z 44。
8.根据权利要求1所述的基于CMB模型的PM2.5在线来源解析方法,其特征在于:
所述实时观测数据为PM2.5、水溶性离子、有机物、黑碳以及大气金属元素的数据。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211443853.3A CN116087044A (zh) | 2022-11-18 | 2022-11-18 | 一种基于cmb模型的pm2.5在线来源解析方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211443853.3A CN116087044A (zh) | 2022-11-18 | 2022-11-18 | 一种基于cmb模型的pm2.5在线来源解析方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116087044A true CN116087044A (zh) | 2023-05-09 |
Family
ID=86185753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211443853.3A Pending CN116087044A (zh) | 2022-11-18 | 2022-11-18 | 一种基于cmb模型的pm2.5在线来源解析方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116087044A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307264A (zh) * | 2023-05-11 | 2023-06-23 | 苏州电器科学研究院股份有限公司 | 一种统计电力变压器全寿命周期内碳排放量的方法及系统 |
-
2022
- 2022-11-18 CN CN202211443853.3A patent/CN116087044A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307264A (zh) * | 2023-05-11 | 2023-06-23 | 苏州电器科学研究院股份有限公司 | 一种统计电力变压器全寿命周期内碳排放量的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hopke et al. | PM source apportionment and health effects: 1. Intercomparison of source apportionment results | |
Andersen et al. | Ambient particle source apportionment and daily hospital admissions among children and elderly in Copenhagen | |
CN110489785B (zh) | 一种大气污染物在线源解析方法及系统 | |
Horton et al. | Occurrence and persistence of future atmospheric stagnation events | |
CN111368401A (zh) | 污染源的溯源方法、装置和存储介质 | |
CN110085281A (zh) | 一种基于特征污染因子源解析的环境污染溯源系统及方法 | |
CN111798928B (zh) | 大气颗粒物污染源解析方法和装置 | |
CN107944213B (zh) | Pmf在线源解析方法、系统、终端设备及计算机可读存储介质 | |
CN105631203A (zh) | 识别土壤中重金属污染源的方法 | |
CN111753426B (zh) | 颗粒物污染的源解析方法和装置 | |
CN113155939A (zh) | 一种挥发性有机物在线来源解析方法、系统、设备及介质 | |
CN110261547B (zh) | 一种空气质量预报方法和设备 | |
CN112505254B (zh) | 一种大气污染来源的解析方法、装置、存储介质及终端 | |
Tan et al. | Why models perform differently on particulate matter over East Asia?–A multi-model intercomparison study for MICS-Asia III | |
CN112967764B (zh) | 多技术耦合的污染物源解析方法、装置 | |
CN116087044A (zh) | 一种基于cmb模型的pm2.5在线来源解析方法及设备 | |
CN113570163A (zh) | 基于数学模型的大气臭氧浓度预测方法、系统和装置 | |
CN108052486A (zh) | 一种基于颗粒物无机组分和有机标识物的精细化源解析方法 | |
CN116087421A (zh) | 大气污染物监测溯源方法、装置、计算机设备和存储介质 | |
CN115239209A (zh) | 用于垃圾填埋场筛除含重金属腐殖土的方法、设备和系统 | |
Heusinkveld et al. | Assessing children’s lead exposure in an active mining community using the integrated exposure uptake biokinetic model | |
Lee et al. | Reduction of atmospheric fine particle level by restricting the idling vehicles around a sensitive area | |
Margaritis et al. | Calibration of low-cost gas sensors for air quality monitoring | |
CN108805456A (zh) | 一种基于主成分分析的空气主要污染物的评定方法 | |
Chicas et al. | Spatiotemporal distribution, trend, forecast, and influencing factors of transboundary and local air pollutants in Nagasaki Prefecture, Japan |
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 |