CN116485048A - 一种大气污染物排放清单的联合优化反演方法及系统 - Google Patents
一种大气污染物排放清单的联合优化反演方法及系统 Download PDFInfo
- Publication number
- CN116485048A CN116485048A CN202310746146.XA CN202310746146A CN116485048A CN 116485048 A CN116485048 A CN 116485048A CN 202310746146 A CN202310746146 A CN 202310746146A CN 116485048 A CN116485048 A CN 116485048A
- Authority
- CN
- China
- Prior art keywords
- concentration
- region
- inversion
- inverted
- meteorological
- 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
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 192
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 188
- 238000005457 optimization Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 67
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000004088 simulation Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 17
- 239000000356 contaminant Substances 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000370 acceptor Substances 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 2
- 231100001243 air pollutant Toxicity 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/04—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
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- 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
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种大气污染物排放清单的联合优化反演方法及系统,属于大气环境技术领域,方法包括:获取气象场数据,结合气象模型和空气质量模型得到气象场数值模型,并代入先验排放清单数据,模拟得到模拟贡献浓度和浓度贡献系数;根据空气质量监测数据和浓度贡献系数,以计算浓度与监测浓度误差最小为优化目标、构建优化方程;根据气象变化对污染物浓度变化的影响量化值及不同时段的波动,构建气象约束条件;构建污染物排放清单联合反演模型,求解得到污染物排放优化反演清单。通过本发明的技术方案,在用浓度进行排放量优化时,减少了气象条件对污染物浓度的影响,降低了反演优化清单的不确定性,更准确快速地实现排放清单反演。
Description
技术领域
本发明涉及大气环境技术领域,尤其涉及一种大气污染物排放清单的联合优化反演方法以及一种大气污染物排放清单的联合优化反演系统。
背景技术
大气污染物排放清单是研究区域大气复合污染形成机制、制定污染控制方案的关键基础信息,基于排放清单可以评估不同管控情景下空气质量的变化情况和措施的管控成效,对于制定合理、有效,兼顾环境与经济效益的减排措施至关重要。因此,构建准确、精细化的排放清单对于我国的环境管理与大气污染防治具有重要意义。
目前,排放清单的建立方法主要包括“自下而上”和“自上而下”两类方法。而传统的“自下而上”基于统计数据建立的排放清单具有很长的时间滞后性,不能实现清单的快速更新,无法满足排放清单建立的时效性要求;目前,“自上而下”的清单反演方法应用较为广泛。其中,质量平衡法、变分法主要用于空间分辨率较低、性质稳定污染物(如NOx、SO2、VOC)清单反演,无法构建精细化空间分辨率的多物种排放清单;而另外的两种方法:贝叶斯法和卡尔曼滤波法虽然可以构建更高空间分辨率、反演物种更加丰富的排放清单,但需要多次模拟迭代,结果不确定性大。
此外,随着清单反演方法的不断发展,大量数学算法被应用于上述反演方法中融合得到的方法能进一步提升反演的准确性,实现更高时空分辨率排放清单的快速更新。
但目前上述方法并未考虑到气象条件、污染物排放均是区域大气污染物浓度的影响因素,在利用污染物浓度进行排放量反演时,导致反演结果存在一定不确定性。
综上,现有反演思路限制了排放清单反演技术的进一步发展,亟待提出新思路与新方法。
发明内容
针对上述问题,本发明提供了一种大气污染物排放清单的联合优化反演方法及系统,基于数值模型,耦合智能优化算法,以污染物计算浓度与地面监测浓度的误差最小为优化目标,构建求解最优污染物排放量的优化方程,以更准确利用污染物浓度实现排放量反演,降低气象条件对浓度的影响,通过量化的气象变化对污染物浓度变化的影响程度进行联合气象约束,减少了气象条件对污染物浓度的影响,将优化反演结果约束在合理范围,降低了反演优化清单的不确定性,实现了污染物排放清单快速准确更新,为大气污染排放清单反演技术发展提供了科技支撑。
为实现上述目的,本发明提供了一种大气污染物排放清单的联合优化反演方法,包括:
获取所要反演时段内的气象场数据,基于所述气象场数据在气象模型中模拟得到符合空气质量模型要求的气象场数值模型;
获取待反演区域的先验排放清单数据,并在所述气象场数值模型中模拟得到源体排放区域对受体目标区域的模拟贡献浓度;
根据待反演区域的所述先验排放清单数据和所述模拟贡献浓度计算得到所述源体排放区域与所述受体目标区域的浓度贡献系数;
根据待反演区域的空气质量监测数据和所述浓度贡献系数,以污染物计算浓度与地面监测浓度之间误差最小为优化目标、构建求解最优污染物排放量的优化方程;
根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建针对所述反演时段内污染物排放清单反演的气象约束条件;
基于所述优化方程和所述气象约束条件,构建所述反演时段内污染物排放清单联合反演模型,并求解得到所述反演时段内的污染物排放优化反演清单。
在上述技术方案中,优选地,所述获取待反演区域的先验排放清单数据,并在所述气象场数值模型中模拟得到源体排放区域对受体目标区域的模拟贡献浓度的具体过程包括:
选定反演时段,收集待反演区域气象模式所需的地形及土地利用资料;
设置要求的时空分辨率,处理反演时段内先验排放清单;
收集所述待反演区域内所述反演时段各气象监测站点各季代表月的气象观测数据;
通过气象模式对所述待反演区域进行模拟,并对所述气象模型的模拟结果进行验证;
设置所述待反演区域作为源体,以所述气象监测站点所在的目标区域作为受体;
通过所述空气质量模型对所述待反演区域进行标记模拟,得到源体排放区域的排放污染物对受体目标区域的污染物浓度的模拟贡献浓度。
在上述技术方案中,优选地,所述根据待反演区域的所述先验排放清单数据和所述模拟贡献浓度计算得到所述源体排放区域与所述受体目标区域的浓度贡献系数的具体公式为:
其中,SRRi,j为源体排放区域的排放污染物对受体目标区域的污染物浓度的浓度贡献系数,Ci,j为由所述气象场数值模型模拟结果可得到的待反演区域对目标区域的模拟贡献浓度,Epriori,i为排放区域的先验污染物排放量。
在上述技术方案中,优选地,所述根据待反演区域的空气质量监测数据和所述浓度贡献系数,以污染物计算浓度与地面监测浓度之间误差最小为目标、构建得到的求解最优污染物排放量的优化方程为:
其中,
其中,OBJV为优化目标,对应区域计算浓度的平均误差;
为目标区域j在year1的计算浓度;
为目标区域j在year2的计算浓度;
为目标区域j在year1的监测浓度;
为目标区域j在year2的监测浓度;
SRRyear1,i,j为待反演区域i在year1对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1的污染物排放量;
Eyear2,i为待反演区域i在year2的污染物排放量。
在上述技术方案中,优选地,所述根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建针对所述反演时段内污染物排放清单反演的气象约束条件,具体过程包括:
在数值模型设置的先验排放清单数据一致的情况下,变换不同的气象场数据,通过模拟贡献浓度的差异计算预设时段内气象变化对污染物浓度变化的影响量化值,并引入不同时段的气象变化对污染物浓度影响的波动比例,构建针对所述反演时段内污染物排放清单反演的气象约束条件,以对污染物排放清单反演进行约束。
在上述技术方案中,优选地,所述根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建得到的针对所述反演时段内污染物排放清单反演的气象约束条件为:
其中,MEj为year2时段相较于year1时段由于气象变化导致目标区域j模拟浓度变化的量化值;
σ为固定排放数据变化气象场评估出不同时段的气象条件变化导致浓度变化的波动比例;
SRRyear1,i,j为待反演区域i在year1时段对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2时段对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1时段的污染物排放量;
Eyear2,i为待反演区域i在year2时段的污染物排放量;
为初始场、边界场在year1时段对目标区域的贡献浓度;
为初始场、边界场在year2时段对目标区域的贡献浓度。
在上述技术方案中,优选地,利用优化算法在限定的求解范围内对所述污染物排放清单联合反演模型进行求解,得到满足所述优化方程和所述气象约束条件的污染物排放优化反演清单,所述优化算法包括遗传算法、粒子群算法、单纯性算法、耦合算法和机器学习算法,其中,所述耦合算法为遗传算法、粒子群算法和/或单纯性算法相耦合的算法。
本发明还提出一种大气污染物排放清单的联合优化反演系统,应用如上述技术方案中任一项公开的大气污染物排放清单的联合优化反演方法,包括:
数值模型构建模块,用于获取所要反演时段内的气象场数据,基于所述气象场数据在气象模型中模拟得到符合空气质量模型要求的气象场数值模型;
模拟浓度计算模块,用于获取待反演区域的先验排放清单数据,并在所述气象场数值模型中模拟得到源体排放区域对受体目标区域的模拟贡献浓度;
浓度系数计算模块,用于根据待反演区域的所述先验排放清单数据和所述模拟贡献浓度计算得到所述源体排放区域与所述受体目标区域的浓度贡献系数;
优化方程构建模块,用于根据待反演区域的空气质量监测数据和所述浓度贡献系数,以污染物计算浓度与地面监测浓度之间误差最小为优化目标、构建求解最优污染物排放量的优化方程;
约束条件构建模块,用于根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建针对所述反演时段内污染物排放清单反演的气象约束条件;
反演模型求解模块,用于基于所述优化方程和所述气象约束条件,构建所述反演时段内污染物排放清单联合反演模型,并求解得到所述反演时段内的污染物排放优化反演清单。
在上述技术方案中,优选地,所述优化方程构建模块所构建的优化方程为:
其中,
其中,OBJV为优化目标,对应区域计算浓度的平均误差;
为目标区域j在year1的计算浓度;
为目标区域j在year2的计算浓度;
为目标区域j在year1的监测浓度;
为目标区域j在year2的监测浓度;
SRRyear1,i,j为待反演区域i在year1对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1的污染物排放量;
Eyear2,i为待反演区域i在year2的污染物排放量。
在上述技术方案中,优选地,所述约束条件构建模块所构建的气象约束条件为:
其中,MEj为year2时段相较于year1时段由于气象变化导致目标区域j模拟浓度变化的量化值;
σ为固定排放数据变化气象场评估出不同时段的气象条件变化导致浓度变化的波动比例;
SRRyear1,i,j为待反演区域i在year1时段对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2时段对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1时段的污染物排放量;
Eyear2,i为待反演区域i在year2时段的污染物排放量;
为初始场、边界场在year1时段对目标区域的贡献浓度;
为初始场、边界场在year2时段对目标区域的贡献浓度。
与现有技术相比,本发明的有益效果为:基于数值模型,耦合智能优化算法,以污染物计算浓度与地面监测浓度的误差最小为优化目标,构建求解最优污染物排放量的优化方程,以更准确利用污染物浓度实现排放量反演,降低气象条件对浓度的影响,通过量化的气象变化对污染物浓度变化的影响程度进行联合气象约束,减少了气象条件对污染物浓度的影响,将优化反演结果约束在合理范围,降低了反演优化清单的不确定性,实现了污染物排放清单快速准确更新,为大气污染排放清单反演技术发展提供了科技支撑。
附图说明
图1为本发明一种实施例公开的大气污染物排放清单的联合优化反演方法的流程示意图;
图2为本发明一种实施例公开的污染物联合2019年、2020年典型月(1月、4月、7月、10月)排放反演结果的示意图;
图3为本发明一种实施例公开的大气污染物排放清单的联合优化反演系统的模块示意图。
图中,各组件与附图标记之间的对应关系为:
1.数值模型构建模块,2.模拟浓度计算模块,3.浓度系数计算模块,4.优化方程构建模块,5.约束条件构建模块,6.反演模型求解模块。
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,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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的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。
下面结合附图对本发明做进一步的详细描述:
如图1所示,根据本发明提供的一种大气污染物排放清单的联合优化反演方法,包括:
获取所要反演时段内的气象场数据,基于气象场数据在气象模型中模拟得到符合空气质量模型要求的气象场数值模型;
获取待反演区域的先验排放清单数据,并在气象场数值模型中模拟得到源体排放区域对受体目标区域的模拟贡献浓度;
根据待反演区域的先验排放清单数据和模拟贡献浓度计算得到源体排放区域与受体目标区域的浓度贡献系数;
根据待反演区域的空气质量监测数据和浓度贡献系数,以污染物计算浓度与地面监测浓度之间误差最小为优化目标、构建求解最优污染物排放量的优化方程;
根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建针对反演时段内污染物排放清单反演的气象约束条件;
基于优化方程和气象约束条件,构建反演时段内污染物排放清单联合反演模型,并求解得到反演时段内的污染物排放优化反演清单。
在该实施方式中,基于数值模型,耦合智能优化算法,以污染物计算浓度与地面监测浓度的误差最小为优化目标,构建求解最优污染物排放量的优化方程,以更准确利用污染物浓度实现排放量反演,降低气象条件对浓度的影响,通过量化的气象变化对污染物浓度变化的影响程度进行联合气象约束,减少了气象条件对污染物浓度的影响,将优化反演结果约束在合理范围,降低了反演优化清单的不确定性,实现了污染物排放清单快速准确更新,为大气污染排放清单反演技术发展提供了科技支撑。
具体地,在实施过程中,以两年作为研究时段,收集该研究时段内的气象场数据对气象场数值模型进行模拟,得到对应气象场的模拟贡献浓度;进一步基于对应区域、对应时段内的先验排放清单数据和模拟贡献浓度,计算得到排放-受体浓度关系(即浓度贡献系数)。根据地面气象监测站点监测到的空气质量监测数据,以及该排放-受体浓度关系,以污染物计算浓度与地面监测浓度之间误差最小为优化目标,构建优化方程。进一步地,为了减小气象变化对大气污染物浓度变化的影响,构建两年污染物排放清单反演的气象约束条件,对污染物反演排放进行约束,以将优化方程的解空间缩小在合理范围内,降低了反演优化清单的不确定性。基于上述优化方程和气象约束条件构建的污染物排放清单联合反演模型,利用现有的优化算法求解,能够得到两年内的污染物排放优化反演清单。
在上述实施方式中,优选地,获取待反演区域的先验排放清单数据,并在气象场数值模型中模拟得到源体排放区域对受体目标区域的模拟贡献浓度的具体过程包括:
选定反演时段,收集待反演区域气象模式所需的地形及土地利用资料;
设置要求的时空分辨率,处理反演时段内先验排放清单;
收集待反演区域内反演时段各气象监测站点各季代表月的气象观测数据;
通过气象模式对待反演区域进行模拟,并对气象模型的模拟结果进行验证;
设置待反演区域作为源体,以气象监测站点所在的目标区域作为受体;
通过空气质量模型对待反演区域进行标记模拟,得到源体排放区域的排放污染物对受体目标区域的污染物浓度的模拟贡献浓度。
在上述实施方式中,优选地,根据待反演区域的先验排放清单数据和模拟贡献浓度计算得到源体排放区域与受体目标区域的浓度贡献系数的具体公式为:
其中,SRRi,j为源体排放区域的排放污染物对受体目标区域的污染物浓度的浓度贡献系数,Ci,j为由气象场数值模型模拟结果可得到的待反演区域对目标区域的模拟贡献浓度,Epriori,i为排放区域的先验污染物排放量。
在上述实施方式中,优选地,根据待反演区域的空气质量监测数据和浓度贡献系数,以污染物计算浓度与地面监测浓度之间误差最小为目标、构建得到的求解最优污染物排放量的优化方程为:
其中,
其中,OBJV为优化目标,对应区域计算浓度的平均误差;
为目标区域j在year1的计算浓度;
为目标区域j在year2的计算浓度;
为目标区域j在year1的监测浓度;
为目标区域j在year2的监测浓度;
SRRyear1,i,j为待反演区域i在year1对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1的污染物排放量;
Eyear2,i为待反演区域i在year2的污染物排放量。
在上述实施方式中,优选地,根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建针对反演时段内污染物排放清单反演的气象约束条件,具体过程包括:
在气象场数值模型设置的先验排放清单数据一致的情况下,变换不同的气象场数据,通过模拟贡献浓度的差异计算预设时段内气象变化对污染物浓度变化的影响量化值,并引入不同时段的气象变化对污染物浓度影响的波动比例,构建针对反演时段内污染物排放清单反演的气象约束条件,以对污染物排放清单反演进行约束。
在上述实施方式中,优选地,根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建得到的针对反演时段内污染物排放清单反演的气象约束条件为:
其中,MEj为year2时段相较于year1时段由于气象变化导致目标区域j模拟浓度变化的量化值;
σ为固定排放数据变化气象场评估出不同时段的气象条件变化导致浓度变化的波动比例;
SRRyear1,i,j为待反演区域i在year1时段对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2时段对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1时段的污染物排放量;
Eyear2,i为待反演区域i在year2时段的污染物排放量;
为初始场、边界场在year1时段对目标区域的贡献浓度;
为初始场、边界场在year2时段对目标区域的贡献浓度。
在上述实施方式中,优选地,利用优化算法在限定的求解范围内对污染物排放清单联合反演模型进行求解,得到满足优化方程和气象约束条件的污染物排放优化反演清单,优化算法包括遗传算法、粒子群算法、单纯性算法、耦合算法和机器学习算法,其中,耦合算法为遗传算法、粒子群算法和/或单纯性算法相耦合的算法。
实施例1
根据上述实施方式公开的大气污染物排放清单的联合优化反演方法,以中国31省市为研究区域、以NOx为目标污染物,对2019年、2020年典型月(1月、4月、7月、10月)污染物排放清单进行优化反演,具体包括以下步骤:
步骤(1):根据所研究区域,设置WRF和CAMx模型模拟区域范围;采用单向网格嵌套,其中第一层网格(Domain1)水平分辨率为108×108km,共88×128(列×行)个网格,覆盖亚洲大部分地区;第二层网格(Domain2)水平分辨率为36×36km,共132×192(列×行)个网格,覆盖东亚地区(中国、朝鲜、韩国和日本等诸岛)和南亚一些地区;第一层网格可为第二层网格提供边界条件和初始条件,第一层网格的边界场和初始场来自清洁大气的垂直浓度廓线。
步骤(2):选取模拟年份为2019年、2020年;获取该模拟时段内的美国环境预报中心(NCEP) 1°×1°分辨率气象背景场数据及包括温、压、湿、风等各气象要素的北京地区气象监测资料,利用气象模型WRF模拟得到研究区域符合空气质量模型CAMx要求的高时空分辨率气象场数据。
步骤(3):获取待优化的研究区域污染物排放清单, 实施例使用的中国区域内的排放清单来自清华大学编制的中国多尺度排放清单(MEIC,Multi-resolution EmissionInventory for China),选用先验清单为MEIC v1.3版本中CB05机制的2016年排放清单;中国区域外需用亚洲人为源排放清单MIX。利用空间地理信息处理技术(GeographicalInformation System)处理待优化的污染物排放清单至设置要求的空间分辨率。
步骤(4):基于污染物来源识别技术建立中国31省市源排放-受体浓度关系:本实施例采用 36km 网格对中国31省市受体关系进行模拟。污染物来源识别技术主要参数包括源体(即待反演区域)设置、受体(即目标区域)设置、识别污染物设置,具体如下:
源体方面,设置32个排放区域,分别为北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、上海、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、广西、海南、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆及周边区域;
受体方面,选择监测站点所在的网格设置受体。根据收集到的环境质量浓度监测数据,将模拟结果与监测数据作对比进行模型验证。选取典型监测站点,将NO2月均监测值与月均模拟值对比。相关系数均大于0.6,误差不超过29.2%,模拟效果可接受。
步骤(5):基于对应区域、对应时段内的待优化排放清单和模拟浓度,计算得到排放-受体浓度关系:
其中,SRRi,j— 待反演区域i对目标区域j的贡献系数,单位为;
Ci,j— 由数值模型模拟结果可得到的待反演区域i对目标区域j的贡献浓度,单位为;
Epriori,i— 排放区域i的先验排放量,单位为吨(t)。
步骤(6):基于排放-受体浓度关系、空气质量监测数据,以受体区域污染物计算浓度与地面监测浓度误差最小为目标,构建求解最优污染物排放量的优化方程;
优化方程为:
其中,OBJV— 优化目标,研究区域计算浓度的平均误差;
— 目标区域j在2019年的计算浓度;
— 目标区域j在2020年的计算浓度;
— 目标区域j在2019年的监测浓度;
— 目标区域j在2020年的监测浓度;
SRR2019,i,j— 待反演区域i在2019对目标区域j的贡献系数;
SRR2020,i,j— 待反演区域i在2020对目标区域j的贡献系数;
E2019,i— 待反演区域i在2019的污染物排放量,t;
E2020,i— 待反演区域i在2020的污染物排放量,t。
步骤(7):通过量化两年间气象变化对大气污染物浓度变化的影响,对污染物反演排放进行约束,进一步将其解空间缩小在合理范围内,构建针对两年优化排放清单的气象约束条件;
气象约束条件为:
MEj— 2020年相较于2019年由于气象变化导致目标区域j模拟浓度变化,%;
σ— 固定排放数据变化气象场评估出不同年气象条件变化导致浓度变化程度,%,根据计算,在本实施例中σ= 40%;
SRR2019,i,j—2019年待反演区域i对目标区域j的贡献系数,;
SRR2020,i,j—2020年待反演区域i对目标区域j的贡献系数,;
E2019,i—2019年待反演区域i的污染物排放量,t;
E2020,i—2020年待反演区域i的污染物排放量,t;
—2019年初始场、边界场对目标区域的贡献浓度,/>;
—2020年初始场、边界场对目标区域的贡献浓度,/>;/>
i — 待反演区域;
j — 目标区域。
步骤(8):基于设定的优化方程和约束条件,选取智能优化算法求解得到优化反演清单,本实施例中选取遗传算法对优化方程进行求解。如图2所示,得到研究区域中国31省市2019、2020年典型月(1月、4月、7月、10月)NOx污染物排放优化反演清单。
如图3所示,本发明还提出一种大气污染物排放清单的联合优化反演系统,应用如上述实施方式中任一项公开的大气污染物排放清单的联合优化反演方法,包括:
数值模型构建模块1,用于获取所要反演时段内的气象场数据,基于气象场数据在气象模型中模拟得到符合空气质量模型要求的气象场数值模型;
模拟浓度计算模块2,用于获取待反演区域的先验排放清单数据,并在气象场数值模型中模拟得到源体排放区域对受体目标区域的模拟贡献浓度;
浓度系数计算模块3,用于根据待反演区域的先验排放清单数据和模拟贡献浓度计算得到源体排放区域与受体目标区域的浓度贡献系数;
优化方程构建模块4,用于根据待反演区域的空气质量监测数据和浓度贡献系数,以污染物计算浓度与地面监测浓度之间误差最小为优化目标、构建求解最优污染物排放量的优化方程;
约束条件构建模块5,用于根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建针对反演时段内污染物排放清单反演的气象约束条件;
反演模型求解模块6,用于基于优化方程和气象约束条件,构建反演时段内污染物排放清单联合反演模型,并求解得到反演时段内的污染物排放优化反演清单。
在上述实施方式中,优选地,优化方程构建模块4所构建的优化方程为:
其中,
其中,OBJV为优化目标,对应区域计算浓度的平均误差;
为目标区域j在year1的计算浓度;
为目标区域j在year2的计算浓度;
为目标区域j在year1的监测浓度;
为目标区域j在year2的监测浓度;
SRRyear1,i,j为待反演区域i在year1对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1的污染物排放量;
Eyear2,i为待反演区域i在year2的污染物排放量。
在上述实施方式中,优选地,约束条件构建模块5所构建的气象约束条件为:
其中,MEj为year2时段相较于year1时段由于气象变化导致目标区域j模拟浓度变化的量化值;
σ为固定排放数据变化气象场评估出不同时段的气象条件变化导致浓度变化的波动比例;
SRRyear1,i,j为待反演区域i在year1时段对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2时段对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1时段的污染物排放量;
Eyear2,i为待反演区域i在year2时段的污染物排放量;
为初始场、边界场在year1时段对目标区域的贡献浓度;
为初始场、边界场在year2时段对目标区域的贡献浓度。
根据上述实施方式公开的大气污染物排放清单的联合优化反演系统,其各模块所要实现的功能,与上述实施方式公开的大气污染物排放清单的联合优化反演方法的各步骤分别对应一致,在实施过程中,参照上述实施方式反演方法的步骤进行实施,在此不再赘述。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大气污染物排放清单的联合优化反演方法,其特征在于,包括:
获取所要反演时段内的气象场数据,基于所述气象场数据在气象模型中模拟得到符合空气质量模型要求的气象场数值模型;
获取待反演区域的先验排放清单数据,并在所述气象场数值模型中模拟得到源体排放区域对受体目标区域的模拟贡献浓度;
根据待反演区域的所述先验排放清单数据和所述模拟贡献浓度计算得到所述源体排放区域与所述受体目标区域的浓度贡献系数;
根据待反演区域的空气质量监测数据和所述浓度贡献系数,以污染物计算浓度与地面监测浓度之间误差最小为优化目标、构建求解最优污染物排放量的优化方程;
根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建针对所述反演时段内污染物排放清单反演的气象约束条件;
基于所述优化方程和所述气象约束条件,构建所述反演时段内污染物排放清单联合反演模型,并求解得到所述反演时段内的污染物排放优化反演清单。
2.根据权利要求1所述的大气污染物排放清单的联合优化反演方法,其特征在于,所述获取待反演区域的先验排放清单数据,并在所述气象场数值模型中模拟得到源体排放区域对受体目标区域的模拟贡献浓度的具体过程包括:
选定反演时段,收集待反演区域气象模式所需的地形及土地利用资料;
设置要求的时空分辨率,处理反演时段内先验排放清单;
收集所述待反演区域内所述反演时段各气象监测站点各季代表月的气象观测数据;
通过气象模式对所述待反演区域进行模拟,并对所述气象模型的模拟结果进行验证;
设置所述待反演区域作为源体,以所述气象监测站点所在的目标区域作为受体;
通过所述空气质量模型对所述待反演区域进行标记模拟,得到源体排放区域的排放污染物对受体目标区域的污染物浓度的模拟贡献浓度。
3.根据权利要求1所述的大气污染物排放清单的联合优化反演方法,其特征在于,所述根据待反演区域的所述先验排放清单数据和所述模拟贡献浓度计算得到所述源体排放区域与所述受体目标区域的浓度贡献系数的具体公式为:
,
其中,SRRi,j为源体排放区域的排放污染物对受体目标区域的污染物浓度的浓度贡献系数,Ci,j为由所述气象场数值模型模拟结果可得到的待反演区域对目标区域的模拟贡献浓度,Epriori,i为排放区域的先验污染物排放量。
4.根据权利要求3所述的大气污染物排放清单的联合优化反演方法,其特征在于,所述根据待反演区域的空气质量监测数据和所述浓度贡献系数,以污染物计算浓度与地面监测浓度之间误差最小为目标、构建得到的求解最优污染物排放量的优化方程为:
;
其中,
;
其中,OBJV为优化目标,对应区域计算浓度的平均误差;
为目标区域j在year1的计算浓度;
为目标区域j在year2的计算浓度;
为目标区域j在year1的监测浓度;
为目标区域j在year2的监测浓度;
SRRyear1,i,j为待反演区域i在year1对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1的污染物排放量;
Eyear2,i为待反演区域i在year2的污染物排放量。
5.根据权利要求4所述的大气污染物排放清单的联合优化反演方法,其特征在于,所述根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建针对所述反演时段内污染物排放清单反演的气象约束条件,具体过程包括:
在数值模型设置的先验排放清单数据一致的情况下,变换不同的气象场数据,通过模拟贡献浓度的差异计算预设时段内气象变化对污染物浓度变化的影响量化值,并引入不同时段的气象变化对污染物浓度影响的波动比例,构建针对所述反演时段内污染物排放清单反演的气象约束条件,以对污染物排放清单反演进行约束。
6.根据权利要求5所述的大气污染物排放清单的联合优化反演方法,其特征在于,所述根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建得到的针对所述反演时段内污染物排放清单反演的气象约束条件为:
;
其中,MEj为year2时段相较于year1时段由于气象变化导致目标区域j模拟浓度变化的量化值;
σ为固定排放数据变化气象场评估出不同时段的气象条件变化导致浓度变化的波动比例;
SRRyear1,i,j为待反演区域i在year1时段对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2时段对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1时段的污染物排放量;
Eyear2,i为待反演区域i在year2时段的污染物排放量;
为初始场、边界场在year1时段对目标区域的贡献浓度;
为初始场、边界场在year2时段对目标区域的贡献浓度。
7.根据权利要求6所述的大气污染物排放清单的联合优化反演方法,其特征在于,利用优化算法在限定的求解范围内对所述污染物排放清单联合反演模型进行求解,得到满足所述优化方程和所述气象约束条件的污染物排放优化反演清单,所述优化算法包括遗传算法、粒子群算法、单纯性算法、耦合算法和机器学习算法,其中,所述耦合算法为遗传算法、粒子群算法和/或单纯性算法相耦合的算法。
8.一种大气污染物排放清单的联合优化反演系统,其特征在于,应用如权利要求1至7中任一项所述的大气污染物排放清单的联合优化反演方法,包括:
数值模型构建模块,用于获取所要反演时段内的气象场数据,基于所述气象场数据在气象模型中模拟得到符合空气质量模型要求的气象场数值模型;
模拟浓度计算模块,用于获取待反演区域的先验排放清单数据,并在所述气象场数值模型中模拟得到源体排放区域对受体目标区域的模拟贡献浓度;
浓度系数计算模块,用于根据待反演区域的所述先验排放清单数据和所述模拟贡献浓度计算得到所述源体排放区域与所述受体目标区域的浓度贡献系数;
优化方程构建模块,用于根据待反演区域的空气质量监测数据和所述浓度贡献系数,以污染物计算浓度与地面监测浓度之间误差最小为优化目标、构建求解最优污染物排放量的优化方程;
约束条件构建模块,用于根据预设时段内气象变化对污染物浓度变化的影响量化值以及不同时段气象变化导致的污染物浓度波动比例,构建针对所述反演时段内污染物排放清单反演的气象约束条件;
反演模型求解模块,用于基于所述优化方程和所述气象约束条件,构建所述反演时段内污染物排放清单联合反演模型,并求解得到所述反演时段内的污染物排放优化反演清单。
9.根据权利要求8所述的大气污染物排放清单的联合优化反演系统,其特征在于,所述优化方程构建模块所构建的优化方程为:
;
其中,
;
;
其中,OBJV为优化目标,对应区域计算浓度的平均误差;
为目标区域j在year1的计算浓度;
为目标区域j在year2的计算浓度;
为目标区域j在year1的监测浓度;
为目标区域j在year2的监测浓度;
SRRyear1,i,j为待反演区域i在year1对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1的污染物排放量;
Eyear2,i为待反演区域i在year2的污染物排放量。
10.根据权利要求9所述的大气污染物排放清单的联合优化反演系统,其特征在于,所述约束条件构建模块所构建的气象约束条件为:
;
其中,MEj为year2时段相较于year1时段由于气象变化导致目标区域j模拟浓度变化的量化值;
σ为固定排放数据变化气象场评估出不同时段的气象条件变化导致浓度变化的波动比例;
SRRyear1,i,j为待反演区域i在year1时段对目标区域的贡献系数;
SRRyear2,i,j为待反演区域i在year2时段对目标区域的贡献系数;
Eyear1,i为待反演区域i在year1时段的污染物排放量;
Eyear2,i为待反演区域i在year2时段的污染物排放量;
为初始场、边界场在year1时段对目标区域的贡献浓度;
为初始场、边界场在year2时段对目标区域的贡献浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310746146.XA CN116485048B (zh) | 2023-06-25 | 2023-06-25 | 一种大气污染物排放清单的联合优化反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310746146.XA CN116485048B (zh) | 2023-06-25 | 2023-06-25 | 一种大气污染物排放清单的联合优化反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485048A true CN116485048A (zh) | 2023-07-25 |
CN116485048B CN116485048B (zh) | 2023-10-13 |
Family
ID=87221789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310746146.XA Active CN116485048B (zh) | 2023-06-25 | 2023-06-25 | 一种大气污染物排放清单的联合优化反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485048B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117116381A (zh) * | 2023-09-08 | 2023-11-24 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
CN117542434A (zh) * | 2023-11-20 | 2024-02-09 | 复旦大学 | 一种基于数据分析的空气污染物浓度分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150031577A (ko) * | 2013-09-16 | 2015-03-25 | 주식회사 에니텍 | 대기오염물질 배출량 역산출 방법 |
CN110728063A (zh) * | 2019-10-17 | 2020-01-24 | 广东省环境监测中心 | 一种判断气象与源排放变化对空气质量影响的定量方法 |
CN111523717A (zh) * | 2020-04-15 | 2020-08-11 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
CN113468799A (zh) * | 2021-05-13 | 2021-10-01 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种静止气象卫星观测中获取近地面pm2.5浓度的方法及系统 |
CN115564149A (zh) * | 2022-12-05 | 2023-01-03 | 中汽研汽车检验中心(昆明)有限公司 | 区域机动车实际道路二氧化碳排放量的预测方法及系统 |
-
2023
- 2023-06-25 CN CN202310746146.XA patent/CN116485048B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150031577A (ko) * | 2013-09-16 | 2015-03-25 | 주식회사 에니텍 | 대기오염물질 배출량 역산출 방법 |
CN110728063A (zh) * | 2019-10-17 | 2020-01-24 | 广东省环境监测中心 | 一种判断气象与源排放变化对空气质量影响的定量方法 |
CN111523717A (zh) * | 2020-04-15 | 2020-08-11 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
CN113468799A (zh) * | 2021-05-13 | 2021-10-01 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种静止气象卫星观测中获取近地面pm2.5浓度的方法及系统 |
CN115564149A (zh) * | 2022-12-05 | 2023-01-03 | 中汽研汽车检验中心(昆明)有限公司 | 区域机动车实际道路二氧化碳排放量的预测方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117116381A (zh) * | 2023-09-08 | 2023-11-24 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
CN117116381B (zh) * | 2023-09-08 | 2024-05-03 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
CN117542434A (zh) * | 2023-11-20 | 2024-02-09 | 复旦大学 | 一种基于数据分析的空气污染物浓度分析方法 |
CN117542434B (zh) * | 2023-11-20 | 2024-04-05 | 复旦大学 | 一种基于数据分析的空气污染物浓度分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116485048B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116485048B (zh) | 一种大气污染物排放清单的联合优化反演方法及系统 | |
CN111523717B (zh) | 一种大气污染物排放清单的反演估算方法 | |
Zhong et al. | A city-scale estimation of rooftop solar photovoltaic potential based on deep learning | |
Xiao et al. | Spatio-temporal simulation of energy consumption in China's provinces based on satellite night-time light data | |
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 | |
Wang et al. | A modeling study on acid rain and recommended emission control strategies in China | |
CN106529746A (zh) | 基于动力和热力因子的空气质量动态融合统计预报方法 | |
Li et al. | Satellite-based prediction of daily SO2 exposure across China using a high-quality random forest-spatiotemporal Kriging (RF-STK) model for health risk assessment | |
Li et al. | Estimating historical SO2 level across the whole China during 1973–2014 using random forest model | |
Li et al. | The impact of observation nudging on simulated meteorology and ozone concentrations during DISCOVER-AQ 2013 Texas campaign | |
CN103617565A (zh) | 城市微气象与电力空调负荷关系的建立方法 | |
CN110222411B (zh) | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 | |
CN105512485B (zh) | 一种估算细颗粒物及其前体物环境容量的新方法 | |
Wang et al. | Inverse modeling of black carbon emissions over China using ensemble data assimilation | |
CN108052704A (zh) | 带网格嵌套功能的中尺度大气光化学污染模拟预测算法 | |
CN106204323A (zh) | 火电厂大气污染物排放清单三维时空分配处理方法和装置 | |
Feng et al. | Improved prediction model for flood-season rainfall based on a nonlinear dynamics-statistic combined method | |
CN103163568B (zh) | 利用界聚法预报强降水的方法 | |
CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
Ali et al. | Long-term PM2. 5 pollution over China: Identification of PM2. 5 pollution hotspots and source contributions | |
Zhou et al. | Estimation of the losses in potential concentrated solar thermal power electricity production due to air pollution in China | |
CN114724647A (zh) | 一种高时空分辨率co2通量反演系统及方法 | |
Jia et al. | Regional air quality forecast using a machine learning method and the WRF model over the Yangtze River Delta, east China | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN114417728A (zh) | 基于温度和发射率及深度学习的近地表空气温度反演方法 |
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 |