CN116187822A - 一种基于模型预测的污染物网格化监测与评估方法 - Google Patents
一种基于模型预测的污染物网格化监测与评估方法 Download PDFInfo
- Publication number
- CN116187822A CN116187822A CN202211720875.XA CN202211720875A CN116187822A CN 116187822 A CN116187822 A CN 116187822A CN 202211720875 A CN202211720875 A CN 202211720875A CN 116187822 A CN116187822 A CN 116187822A
- Authority
- CN
- China
- Prior art keywords
- pollutant
- monitoring
- result
- pollutants
- monitoring area
- 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
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 253
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 252
- 238000012544 monitoring process Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009792 diffusion process Methods 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 239000000356 contaminant Substances 0.000 claims description 38
- 238000004088 simulation Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 239000010410 layer Substances 0.000 description 20
- 241000282461 Canis lupus Species 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 239000003570 air Substances 0.000 description 6
- 238000004062 sedimentation Methods 0.000 description 6
- 239000000779 smoke Substances 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 241000282421 Canidae Species 0.000 description 4
- 239000000443 aerosol Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 235000017284 Pometia pinnata Nutrition 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 150000002823 nitrates Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 150000003467 sulfuric acid derivatives Chemical class 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于模型预测的污染物网格化监测与评估方法,属于环保技术领域,包括:借助工业互联网对监控区域的环境污染物进行监测并得到监测结果;将大于第一阈值的污染物类型作为超标污染物;基于超标污染物得到除监控区域的其他区域产生超标污染物的污染源,并将污染源实时的排放量和气象数据输入至大气质量预估模型,形成监控区域内部的扩散污染物预测结果;基于扩散污染物预测结果与监测结果中的超标污染物的排放量,得到监控区域内部的超标污染物的排放量;基于监控区域内部的超标污染物的排放量以及超标污染物,得到监控区域内部的环境评估值,使得污染物的治理效果和治理效率都得到一定程度的提高。
Description
技术领域
本发明属于环保技术领域,具体涉及一种基于模型预测的污染物网格化监测与评估方法。
背景技术
近几年来,随着国内经济持续稳定的快速发展,人们在满足自身物质需求的同时,越来越关注自身的健康情况。生态环境是人们赖以生存的基础,空气质量的污染情况会直接影响到人们的身体健康情况。随着全球气候的变化以及环境空气的严重污染,特别是冬季供暖季节,PM2.5在多地都处于超标状态,对人们的身体健康带来了极大的危害,对环境空气污染情况的实时监测和治理越来越受到人们的关注。
为了解决污染物的监测问题,中国发明专利授权公告号CN111461439B《基于城市大气扩散预测的多热源供热负荷调度方法和系统》通过建立热源污染物排放模型、供热网络模型、大气质量预估模型和大气质量评价模型,确定优化大气质量目标函数及约束条件,通过多个可行方案分析比较或启发式算法,决策选择最优的多热源供热负荷调度分配方案,可有效解决重大活动期间空气质量保障和供热保障问题,但是却存在以下技术问题:
1、对于污染物来说,若不能通过污染物的超标情况针对性的进行大气质量预估模型的模拟,会占用大量的计算量和内存,同时也造成了不必要的电能消耗。
2、当污染物监控区域内部的污染物超标时,此时无法准确的辨认污染物的来源到底来自内部还是外部传输,从而无法针对性的进行污染源的治理,使得污染物的治理效果和治理效率都不能令人满意。
3、目前采用大气质量预估模型获取得到的污染物浓度时空分布结果往往是固定的,但是污染物浓度时空分布结果往往是随着时间而发生变化的,因此采用某一时刻的结果也不可能准确的反应真实的污染物浓度情况。
基于上述技术问题,需要设计一种基于模型预测的污染物网格化监测与评估方法。
发明内容
本发明的目的是提供一种基于模型预测的污染物网格化监测与评估方法。
为了解决上述技术问题,本发明第一方面提供了一种基于模型预测的污染物网格化监测与评估方法,包括:
S11在污染物监控区域设置污染物监控装置,构成污染物网格化监控系统,对环境中的污染物进行监测得到监测结果;
S12基于所述监测结果,判断所述监测结果中是否存在大于第一阈值的污染物类型,若存在,则将所述大于第一阈值的污染物类型作为超标污染物;
S13基于所述超标污染物得到城市内部除所述污染物监控区域的区域产生所述超标污染物的污染源,并将所述污染源实时的排放量和气象数据作为输入集,将所述输入集输入至大气质量预估模型,形成污染物监控区域内部的扩散污染物预测结果;所述扩散污染物预测结果每t时刻更新一次,并将上一次的超标污染物浓度时空分布结果作为下一次超标污染物浓度时空分布结果的约束条件;
S14基于所述污染物监控区域内部的扩散污染物预测结果与所述监测结果中的超标污染物的排放量,得到所述污染物监控区域内部的超标污染物的排放量;
S15基于所述污染物监控区域内部的超标污染物的排放量以及超标污染物,得到所述污染物监控区域内部的环境评估值。
上述技术方案中,进一步地,所述步骤S13中,基于所述大气质量预估模型形成污染物监控区域内部的扩散污染物预测结果的具体步骤为:
定义大气质量预估模型的约束条件,所述约束条件至少包括能量平衡、动量平衡、质量平衡,上一次的扩散污染物预测结果;
实时获取气象数据、污染源实时的排放量,并将所述气象数据、污染源实时的排放量作为初始条件输入至大气质量预估模型;
基于所述初始条件进行数值迭代求解得到模拟结果,并基于模拟结果采用Fluent软件进行流场分析,并根据流场分析的结果,采用Tecplot软件进行可视化处理,获取t时刻的扩散污染物预测结果,并将所述t时刻的扩散污染物预测结果作为下一时刻的扩散污染物预测结果的约束条件。
进一步地,所述气象数据包括地面气象数据和高空气象数据,其中所述地面气象数据包括风向、风速、总云量、温度;所述高空气象数据包括不同高度层的气压、温度、风速、风向。
进一步地,所述初始条件还包括地形数据,基于所述城市的经纬度、所述污染源的经纬度构建所述城市和污染源的地形数据,并基于所述地形数据、所述气象数据、所述污染源第一时间阈值内的排放量得到污染物监控区域内部的扩散污染物预测结果。
通过首先判断是否存在大于第一阈值的污染物类型,当存在大于第一阈值的污染物类型后,再进行大气质量预估模型的建立,从而在保证精度的基础上,减少了不必要的电能消耗。通过大气质量预估模型的建立,可以得到超标污染物的排放的具体来源,从而可以针对性的进行污染物的管理和治理,提高了污染物治理和管理的效率。
通过第一阈值的设定,使得能够在污染物超标之后再进行大气质量预估模型的建立,从而在保证评估质量的基础上,降低了不必要的内存和算力消耗,使得系统变得更加稳定,也使得最终的电能消耗进一步降低。
通过污染物监控区域内部的超标污染物的排放量以及超标污染物的类型,从而可以准确的对污染物监控区域内部的环境进行评估,由于不同的超标污染物对人体的伤害不同,结合超标污染物也使得评估结果变得更加的准确。
进一步地,所述超标污染物获取的具体步骤为:
基于所述监测结果,当存在大于第一阈值的污染物类型时,并将所述大于第一阈值的污染物类型作为备选污染物;
当所述备选污染物的持续时间大于第二时间阈值或者所述备选污染物被监测到的次数大于第一次数阈值时,将所述备选污染物作为超标污染物。
通过第一阈值的设置,以及第二时间阈值和第一次数阈值的设定,可防止由于监测结果的波动导致的错误识别,进而使得超标污染物的错误识别,导致了最终的预测结果不够准确,以及最终进行环境评估的效率较低,而且准确度不高。
进一步地,所述第二时间阈值、第一次数阈值根据所述备选污染物对人体的危害程度、所述备选污染物的受关注程度确定。
进一步地,所述第二时间阈值的计算公式为:
其中,W为备选污染物对人体的危害程度,取值范围在0到1之间,B1为备选污染物的受关注程度,反应备选污染物受到公众的关注程度,取值范围在0到1之间,T为基准时间阈值,K1、K2为权值。
进一步地,所述步骤S15具体为:
获取所述污染物监控区域内部的超标污染物的排放量以及超标污染物;
获取所述监测结果除超标污染物以外的其它污染物类型以及其它污染物类型的排放量;
基于其它污染物类型以及其它污染物类型的排放量、所述超标污染物的排放量以及超标污染物,基于IGWO-GRU算法的评估模型得到污染物监控区域内部的环境评估值。
通过采用超标污染物以及其它污染物类型,综合构建污染物监控区域内部的环境评估值,从而能够准确反应污染物监控区域内部的环境评估值,进而可以准确的反应污染物监控区域内部的环境进行治理。
进一步地,所述污染物监控区域内部的环境评估值的计算公式为:
其中Wi为第i个污染物对人体的危害程度,Pi为第i个污染物的排放量,Pib为第第i个污染物的标准要求的排放量标准,N为污染物的总量。
进一步地,当所述污染物监控区域内部的环境评估值大于环境评估值阈值时,基于所述监测结果对所述污染物监控区域内部的污染物进行针对性的治理。
另一方面,本申请实施例中提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于模型预测的污染物网格化监测与评估方法。
另一方面,本申请实施例中提供一种计算机程序产品,所述计算机程序产品存储有指令,所述指令在由计算机执行时,使得所述计算机实施上述的一种基于模型预测的污染物网格化监测与评估方法。
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,显而易见地,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为实施例1中的一种基于模型预测的污染物网格化监测与评估方法的流程图;
图2为实施例1中的污染物监控装置设置的网格布局图;
图3为实施例1中的超标污染物获取的具体步骤的流程图;
图4为实施例1中的形成污染物监控区域内部的扩散污染物预测结果的具体步骤的流程图;
图5为实施例1中的污染物监控区域内部的环境评估值的评估步骤的流程图。
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。
实施例1
图1是本发明所涉及的一种基于模型预测的污染物网格化监测与评估方法,包括:
S11在污染物监控区域设置污染物监控装置,构成污染物网格化监控系统,对环境中的污染物进行监测得到监测结果;
S12基于所述监测结果,判断所述监测结果中是否存在大于第一阈值的污染物类型,若存在,则将所述大于第一阈值的污染物类型作为超标污染物;
S13基于所述超标污染物得到城市内部除所述污染物监控区域的其他区域产生所述超标污染物的污染源,并将所述污染源实时的排放量和气象数据作为输入集,将所述输入集输入至大气质量预估模型,形成污染物监控区域内部的扩散污染物预测结果,其中所述扩散污染物预测结果每t时刻更新一次,并将上一次的超标污染物浓度时空分布结果作为下一次超标污染物浓度时空分布结果的约束条件;
S14基于所述扩散污染物预测结果与所述监测结果中的超标污染物的排放量,得到所述污染物监控区域内部的超标污染物的排放量;
S15基于所述污染物监控区域内部的超标污染物的排放量以及超标污染物,得到所述污染物监控区域内部的环境评估值。
通过首先判断是否存在大于第一阈值的污染物类型,并当存在大于第一阈值的污染物类型后,再进行大气质量预估模型的建立,从而在保证精度的基础上,减少了不必要的电能消耗,并通过大气质量预估模型的建立,从而可以得到超标污染物的排放的具体来源,从而可以针对性的进行污染物的管理和治理,提高了污染物治理和管理的效率。
通过第一阈值的设定,使得能够在污染物超标之后再进行大气质量预估模型的建立,从而在保证评估质量的基础上,降低了不必要的内存和算力消耗,使得系统变得更加稳定,也使得最终的电能消耗进一步降低。
通过基于所述污染源第一时间阈值内的排放量和气象数据作为输入集,将所述输入集输入至大气质量预估模型,由于超标污染物的扩散需要一定的时间,因此采用过去的排放量和气象数据,从而可以更加准确的得到污染源产生的超标污染物的扩散导致的数据,保证了最终污染物监控区域内部的超标污染物的排放量的预测的准确性。
通过污染物监控区域内部的超标污染物的排放量以及超标污染物的类型,从而可以准确的对污染物监控区域内部的环境进行评估,由于不同的超标污染物对人体的伤害不同,结合超标污染物也使得评估结果变得更加的准确。
在另外一种可能的实施例中,如图2所示,形成污染物监控区域内部的扩散污染物预测结果的具体步骤为:
定义大气质量预估模型的约束条件,所述约束条件至少包括能量平衡、动量平衡、质量平衡;
实时获取气象数据、污染源实时的排放量,并将所述气象数据、污染源实时的排放量作为初始条件输入至大气质量预估模型;
具体举个例子,利用气象模拟应用WRF模型获取多层地域模拟气象数据,所述的多层地域模拟气象数据包括气温、相对湿度和风速风向等;多层地域模拟气象数据具有6h时间分辨率和1°×1°空间分辨率。多层地域模拟气象数据通过四维同化插值到WRF模式网格结点上,模拟本地气象场,并转化为所需网格化气象资料。
污染源清单中自然源排放数据利用自然源气体及气溶胶排放模型MEGAN估算,土地覆盖数据区域分辨率可达300m;大气质量预估模型的人为污染源清单采用热源排放模型作为排放信息输入,以量化分析在微气象条件下各个热源排放对重点区域空气质量的影响;排放源清单采用编写的程序处理转化成CMAQ模型所需格式。
将污染源清单中的污染源格栅化纳入0.5°×0.5°分辨率的数据库,将多层地域模拟气象数据和污染源清单作为约束条件输入大气质量预估模型,结合朗伯投影坐标系对重点保障区域内各污染物扩散情况进行时空模拟。大气质量预估模型采用3层嵌套网格技术:第1层覆盖全中国,坐标系原点北纬34°,东经116°,网格分辨率36km,网格数173×136;第2层覆盖长江三角洲区域,坐标系原点北纬30°,东经120°,网格分辨率4km,网格数150×174;第3层覆盖该城市区域,坐标系原点北纬30°,东经120°,网格分辨率1.6km,网格数140×95。垂直方向分为14层,模拟高度为100hPa。CMAQ模型采用CB05和AER06作化学反应和气溶胶机制的模型参数化方案。
最终形成的污染物浓度分布结果涉及时间、空间两个变量,即可模拟规定时间段内网格点的平均浓度,并用下式表示
上式中,
Sm:该城市区域面积;
ρt,i(x,y):点(x,y)处大气污染物i的质量浓度;
利用气象观测站数据验证模型计算结果,评价指标为分数偏差均值B和分数误差均值E,当模拟结果B≤±30%,E≤±50%时,认为该大气模型精确度较高。
上式中,
N:模拟次数;
ZS:模拟值;
ZR:观测值。
基于所述初始条件进行数值迭代求解得到模拟结果,并基于模拟结果采用Fluent软件进行流场分析,并根据流场分析的结果,采用Tecplot软件进行可视化处理,获取t时刻的扩散污染物预测结果,并将所述t时刻的扩散污染物预测结果作为下一时刻的扩散污染物预测结果的约束条件。
在另外一种可能的实施例中,所述初始条件还包括地形数据,基于所述城市的经纬度、所述污染源的经纬度构建所述城市和污染源的地形数据,并基于所述地形数据、所述气象数据、所述污染源第一时间阈值内的排放量得到污染物监控区域内部的扩散污染物预测结果。
具体的举个例子,采用基于CALPUFF模型进行扩散污染物预测结果的计算,其主要包含前处理部分、CALMET部分、CALPUFF部分以及后处理部分组成。前处理模块能够处理地理数据及气象数据。CALMET部分能够生成三维气象场。CALPUFF部分可以基于该三维气象场来模拟污染物在大气中的的扩散和物理化学过程。后处理部分主要包括CALPOST后处理、CALSUM等后处理器以及PRTMET等常用工具。
CALMET模块利用质量守恒对风场进行诊断,它可以计算斜坡流、地形矫正、地形阻挡效应等。
风场由经WRF模型处理的初始风场通过矫正模拟区域地形而来,通过计算模拟网格内风场,得出受地形影响的垂直方向风速,从而获得水平方向所受地形动力学影响。
(1)地形动力学效应,计算公式如下:
笛卡尔垂直速度:
W=(V×▽ht)exp(-KZ)
其中,V为模拟地区平均风速,单位为m/s;ht为模拟地区地形高度,单位为m;K为指数衰减系数;Z为垂直方向坐标。
指数衰减系数:
式中,N为布伦特-维塞拉频率,V为区域平均风速,单位为m/s。
布伦特-维塞拉频率:
式中,g为重力加速度,单位为m2/s;θ为位温,单位为℃。
(2)坡面流,基于Mahrt的假设理论,坡流层厚度随坡顶高度变化,计算公式如下:
式中,Se为坡流平衡速度,x为距山坡顶的距离,Le为平衡长度尺度,▽θ为环境周围位温差,θ为环境位温,CD为地面阻力系数,h为坡流宽度,α为相对水平的坡角度,K为坡面流层顶部夹带系数,g为重力加速度。
(3)地形阻挡效应
Δht=(hmax)ij-Zijk
其中,Fr为局地佛劳德数,V为网格点风速,N为布伦特-维塞频率,Δht为有效阻挡高度,(hmax)ij为网格点最高高度,Zijk为高空层k中网格点(i,j)的高度。
CALMET模块能够细化WRF模型输出气象场,生成小时风场和温度场。CALMET模块建模时,需要输入初始气象数据(地面站数据或数值天气预报模型模拟数据)、地形数据、土地利用数据,为诊断风场提供数据支撑。
需要另外说明的是,CALPUFF模型能够模拟多层高度、多种污染源,是非稳态拉格朗日扩散模型,当气象场随时间和空间变化时,CALPUFF模能够模拟污染物在大气中的扩散浓度。在计算烟羽提升时,需要考虑不同的影响,例如烟羽浮力和动力,垂直风切变和稳定的大气层结构。CALPUFF模型采用烟团模式,烟团模式能够处理复杂的气象变化及污染源排放污染物在大气中的扩散。以下为CALPUFF模型中烟团模式计算公式:
(1)puff烟团积分方式
单个烟团在一个接受点的基本浓度方程:
其中,C为地面浓度,Q为烟团内污染物质量,δx、δy为扩散系数,da、dc为距烟团中心的位置,g为高斯方向垂直项,H为烟团中心距地面的有效高度,h为混合层高度。
(2)扩散参数计算公式
扩散参数计算分为两部分:水平方向以及垂直方向
其中,ξy,n、ξZn是指时间步长为n时,某位置总水平和垂直扩散参数,ξy,t,ξZt是指湍流扩散参数,ξy,b,ξZb是指浮力扩散参数,ξys是指水平扩散参数。
(3)干湿沉降
污染物的干湿沉降通常会对污染物的扩散造成一定的影响。以下为污染物干沉降及湿沉降计算公式:
干沉降计算公式:
F=Dht(xm-xs)/(h-Z)=vdxs
其中,F为沉积通量,xm为污染物在混合层的浓度,xs为污染物在表面层顶部的浓度,h为混合层高度,Z为地表层高度,Dht为边界层扩散率。
湿沉降计算公式:
xt+dt=xtexp[-∧Δt]
∧=λ(R/R1)
其中,x为浓度(g/m3),为湿沉降清除系数,λ为清除因子(S-1),R为降水率(mm/hr),R1为1mm/hr的参考降水率。
在CALPUFF模型中,化学机制转化方案主要有三种选择,分别是MESOPUFF II方案、RIVAD/ARM3方案以及二次有机气溶胶SOA方案。MESOPUFF II方案主要化学过程是SO2和氮氧化物转化为硫酸盐和硝酸盐。RIVAD/ARM3方案主要为NO、NO2、SO2向NO2、NO3、SO3的转化过程。二次有机气溶胶SOA方案主要化学过程是SOA的转化。
在另外一种可能的实施例中,如图3所示,所述超标污染物获取的具体步骤为:
基于所述监测结果,当存在大于第一阈值的污染物类型时,并将所述大于第一阈值的污染物类型作为备选污染物;
当所述备选污染物的持续时间大于第二时间阈值或者所述备选污染物被监测到的次数大于第一次数阈值时;
将所述备选污染物作为超标污染物。
通过第一阈值的设置,并通过第二时间阈值以及第一次数阈值的设定,从而防止由于监测结果的波动导致的错误识别,进而使得超标污染物的错误识别,导致了最终的预测结果不够准确,以及最终进行环境评估的效率较低,而且准确度不高。
在另外一种可能的实施例中,所述第二时间阈值、第一次数阈值根据所述备选污染物对人体的危害程度、所述备选污染物的受关注程度确定。
在另外一种可能的实施例中,所述第二时间阈值的计算公式为:
其中,W1为备选污染物对人体的危害程度,取值范围在0到1之间,B1为备选污染物的受关注程度,反应备选污染物受到公众的关注程度,取值范围在0到1之间,T为基准时间阈值,K1、K2为权值。
在另外一种可能的实施例中,所述气象数据包括地面气象数据和高空气象数据,其中所述地面气象数据包括风向、风速、总云量、温度;所述高空气象数据包括不同高度层的气压、温度、风速、风向。
在另外一种可能的实施例中,如图5所示,所述污染物监控区域内部的环境评估值的评估步骤为:
进一步的技术方案在于,所述污染物监控区域内部的环境评估值的评估步骤为:
获取所述污染物监控区域内部的超标污染物的排放量以及超标污染物;
获取所述监测结果除超标污染物以外的其它污染物类型以及其它污染物类型的排放量;
基于其它污染物类型以及其它污染物类型的排放量、所述超标污染物的排放量以及超标污染物,基于IGWO-GRU算法的评估模型得到污染物监控区域内部的环境评估值。
具体举个例子,所述GRU算法的具体计算公式为:
其中,式中:t为当前时刻;t-1为前一时刻;rt和zt分别为重置门和更新门;xt和ht分别为电池当前的输入容量值和输出容量值;ht-1为前一单元节点传递来的隐藏层状态信息;为待更新单元;Wr和br、Wz和bz、/>和/>分别为计算重置门输出、更新门输出、过程量所需的权重矩阵和偏置参数;/>为元素相乘;σ和tanh分别为sigmoid函数和双曲正切函数。
基于GRU神经网络的预测模型包含一个隐藏网络,隐藏网络中的神经元数量难以直接确定,其迭代次数直接影响着预测效果,如果迭代次数不能满足要求会导致预测结果拟合程度不够,而迭代次数过多又会导致预测结果过拟合。传统GRU神经网络参数一般都根据经验手动设置,这导致最终估计结果的随机性较大。
IGWO是在GWO基础上进行优化的得到。GWO是受灰狼群体等级制度和狩猎行为启发而提出的算法。假设狼群总数为N,搜索空间维度为d,第i只灰狼的位置定义为Xi=(Xi,1,Xi,2,…,Xi,d),则优化过程如下:
1.包围。灰狼与猎物的距离D表示为:
D=|C·Xp(t)-X(t)|
狼群根据距离D更新灰狼位置:
X(t+1)=Xp(t)-A·D
式中,t为当前迭代次数,C为系数,A为收敛因子,Xp(t)表示在第t次迭代时猎物的位置,X(t)表示在第t次迭代时灰狼的位置。A和C由下式计算:
A=2a·r1-a
C=2·r2
a=2·(1-t/T)
式中,r1,r2为[0,1]间的随机数,a为控制参数,T为最大迭代次数。当|A|>1时,狼群扩大搜索范围,强调全局搜索能力;当|A|<1时,狼群缩小搜索范围,并在局部区域进行详细寻优,强调局部开发能力。
2.捕捉。捕捉过程由三类头狼(a,β,δ)带领,普通狼(ω)根据头狼位置更新自己的位置,其更新过程如下:
式中,Dα、Dβ、Dδ分别为α狼、β狼、δ狼与ω狼的距离;X(t+1)为每次更新后的灰狼位置。
值随参数a的线性变化而变化。由于参数a的线性变化不利于算法的实际优化,而对a进行非线性变化则有助于更好的寻优。为此,本发明采用非线性参数控制策略,如下所示:
则收敛因子A的表达式为:
通过采用超标污染物以及其它污染物类型,综合构建污染物监控区域内部的环境评估值,从而能够准确反应污染物监控区域内部的环境评估值,进而可以准确的反应污染物监控区域内部的环境进行治理。
在另外一种可能的实施例中,所述污染物监控区域内部的环境评估值的计算公式为:
其中Wi为第i个污染物对人体的危害程度,Pi为第i个污染物的排放量,Pib为第第i个污染物的标准要求的排放量标准,N为污染物的总量。
在另外一种可能的实施例中,当所述污染物监控区域内部的环境评估值大于环境评估值阈值时,基于所述监测结果对所述污染物监控区域内部的污染物进行针对性的治理。
实施例2
本申请实施例中提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于模型预测的污染物网格化监测与评估方法。
实施例3
本申请实施例中提供一种计算机程序产品,所述计算机程序产品存储有指令,所述指令在由计算机执行时,使得所述计算机实施上述的一种基于模型预测的污染物网格化监测与评估方法。。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、移动存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于模型预测的污染物网格化监测与评估方法,其特征在于,具体包括:
S11在污染物监控区域设置污染物监控装置,构成污染物网格化监控系统,对环境中的污染物进行监测得到监测结果;
S12基于所述监测结果,判断所述监测结果中是否存在大于第一阈值的污染物类型,若存在,则将所述大于第一阈值的污染物类型作为超标污染物;
S13基于所述超标污染物得到城市内部除所述污染物监控区域的其他区域产生所述超标污染物的污染源,并将所述污染源实时的排放量和气象数据作为输入集,将所述输入集输入至大气质量预估模型,形成污染物监控区域内部的扩散污染物预测结果;所述扩散污染物预测结果每t时刻更新一次,并将上一次的超标污染物浓度时空分布结果作为下一次超标污染物浓度时空分布结果的约束条件;
S14基于所述污染物监控区域内部的扩散污染物预测结果与所述监测结果中的超标污染物的排放量,得到所述污染物监控区域内部的超标污染物的排放量;
S15基于所述污染物监控区域内部的超标污染物的排放量以及超标污染物,得到所述污染物监控区域内部的环境评估值。
2.根据权利要求1所述的基于模型预测的污染物网格化监测与评估方法,其特征在于,所述步骤S13中基于所述大气质量预估模型对污染物监控区域内部的扩散污染物进行预测,具体包括以下步骤:
定义大气质量预估模型的约束条件,所述约束条件至少包括能量平衡、动量平衡、质量平衡,上一次的扩散污染物预测结果;
实时获取气象数据、污染源实时的排放量,并将所述气象数据、污染源实时的排放量作为初始条件输入至大气质量预估模型。
基于所述初始条件进行数值迭代求解得到模拟结果,并基于模拟结果采用Fluent软件进行流场分析,并根据流场分析的结果,采用Tecplot软件进行可视化处理,获取t时刻的扩散污染物预测结果,并将所述t时刻的扩散污染物预测结果作为下一时刻的扩散污染物预测结果的约束条件。
3.根据权利要求2所述的基于模型预测的污染物网格化监测与评估方法,其特征在于,所述气象数据包括地面气象数据和高空气象数据,其中所述地面气象数据包括风向、风速、总云量、温度;所述高空气象数据包括不同高度层的气压、温度、风速、风向。
4.根据权利要求2所述的基于模型预测的污染物网格化监测与评估方法,其特征在于,所述初始条件还包括地形数据,基于所述城市的经纬度、所述污染源的经纬度构建所述城市和污染源的地形数据,并基于所述地形数据、所述气象数据、所述污染源第一时间阈值内的排放量得到污染物监控区域内部的扩散污染物预测结果。
5.根据权利要求1所述的基于模型预测的污染物网格化监测与评估方法,其特征在于,所述超标污染物获取的具体步骤为:
基于所述监测结果,当存在大于第一阈值的污染物类型时,并将所述大于第一阈值的污染物类型作为备选污染物;
当所述备选污染物的持续时间大于第二时间阈值或者所述备选污染物被监测到的次数大于第一次数阈值时,将所述备选污染物作为超标污染物。
6.根据权利要求1所述的基于模型预测的污染物网格化监测与评估方法,其特征在于,所述第二时间阈值、第一次数阈值根据所述备选污染物对人体的危害程度、所述备选污染物的受关注程度确定。
8.根据权利要求1所述的基于模型预测的污染物网格化监测与评估方法,其特征在于,所述步骤S15具体为:
获取所述污染物监控区域内部的超标污染物的排放量以及超标污染物;
获取所述监测结果除超标污染物以外的其它污染物类型以及其它污染物类型的排放量;
基于其它污染物类型以及其它污染物类型的排放量、所述超标污染物的排放量以及超标污染物,基于IGWO-GRU算法的评估模型得到污染物监控区域内部的环境评估值。
10.根据权利要求1所述的基于模型预测的污染物网格化监测与评估方法,其特征在于,当所述污染物监控区域内部的环境评估值大于环境评估值阈值时,基于所述监测结果对所述污染物监控区域内部的污染物进行针对性的治理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720875.XA CN116187822A (zh) | 2022-12-30 | 2022-12-30 | 一种基于模型预测的污染物网格化监测与评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720875.XA CN116187822A (zh) | 2022-12-30 | 2022-12-30 | 一种基于模型预测的污染物网格化监测与评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116187822A true CN116187822A (zh) | 2023-05-30 |
Family
ID=86431920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211720875.XA Pending CN116187822A (zh) | 2022-12-30 | 2022-12-30 | 一种基于模型预测的污染物网格化监测与评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187822A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881747A (zh) * | 2023-09-06 | 2023-10-13 | 武汉华康世纪医疗股份有限公司 | 基于医疗废水监测的智能处理方法及系统 |
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 |
-
2022
- 2022-12-30 CN CN202211720875.XA patent/CN116187822A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881747A (zh) * | 2023-09-06 | 2023-10-13 | 武汉华康世纪医疗股份有限公司 | 基于医疗废水监测的智能处理方法及系统 |
CN116881747B (zh) * | 2023-09-06 | 2023-11-24 | 武汉华康世纪医疗股份有限公司 | 基于医疗废水监测的智能处理方法及系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alimissis et al. | Spatial estimation of urban air pollution with the use of artificial neural network models | |
Zhou et al. | Multi-output support vector machine for regional multi-step-ahead PM2. 5 forecasting | |
Gao et al. | Artificial neural network model for ozone concentration estimation and Monte Carlo analysis | |
Kamińska | A random forest partition model for predicting NO2 concentrations from traffic flow and meteorological conditions | |
Xu et al. | Research and application of a hybrid model based on dynamic fuzzy synthetic evaluation for establishing air quality forecasting and early warning system: A case study in China | |
CN116187822A (zh) | 一种基于模型预测的污染物网格化监测与评估方法 | |
CN108426812B (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
Li et al. | Air pollutant concentration forecast based on support vector regression and quantum-behaved particle swarm optimization | |
Rahimi | Short-term prediction of NO 2 and NO x concentrations using multilayer perceptron neural network: a case study of Tabriz, Iran | |
Dotse et al. | Application of computational intelligence techniques to forecast daily PM10 exceedances in Brunei Darussalam | |
Durao et al. | Forecasting O3 levels in industrial area surroundings up to 24 h in advance, combining classification trees and MLP models | |
Jiang et al. | A Municipal PM2. 5 Forecasting Method Based on Random Forest and WRF Model. | |
Oprea et al. | A comparative study of computational intelligence techniques applied to PM2. 5 air pollution forecasting | |
Shi et al. | A balanced social LSTM for PM2. 5 concentration prediction based on local spatiotemporal correlation | |
Zhang et al. | An improved OIF Elman neural network based on CSO algorithm and its applications | |
Peng | Air quality prediction by machine learning methods | |
Melas et al. | Neural network model for predicting peak photochemical pollutant levels | |
Oprea et al. | Computational intelligence-based PM2. 5 air pollution forecasting | |
Braik et al. | Hybrid neural network models for forecasting ozone and particulate matter concentrations in the Republic of China | |
Brunelli et al. | Three hours ahead prevision of SO2 pollutant concentration using an Elman neural based forecaster | |
Miao et al. | Estimation of daily ground-level PM2. 5 concentrations over the Pearl River Delta using 1 km resolution MODIS AOD based on multi-feature BiLSTM | |
Stamenković et al. | Estimation of NMVOC emissions using artificial neural networks and economical and sustainability indicators as inputs | |
Malinović-Milićević et al. | Prediction of tropospheric ozone concentration using artificial neural networks at traffic and background urban locations in Novi Sad, Serbia | |
Sozen et al. | A study for estimating solar resources in Turkey using artificial neural networks | |
Wang et al. | Interval estimation of urban ozone level and selection of influential factors by employing automatic relevance determination model |
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 |