CN116611547A - 大气污染物来源预报方法、装置、设备及存储介质 - Google Patents
大气污染物来源预报方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116611547A CN116611547A CN202310423787.1A CN202310423787A CN116611547A CN 116611547 A CN116611547 A CN 116611547A CN 202310423787 A CN202310423787 A CN 202310423787A CN 116611547 A CN116611547 A CN 116611547A
- Authority
- CN
- China
- Prior art keywords
- region
- pollutant
- contribution
- transmission
- target
- 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 272
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 271
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000013277 forecasting method Methods 0.000 title claims description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 251
- 239000011159 matrix material Substances 0.000 claims abstract description 195
- 238000000034 method Methods 0.000 claims abstract description 172
- 238000004458 analytical method Methods 0.000 claims abstract description 87
- 230000008569 process Effects 0.000 claims description 115
- 239000000356 contaminant Substances 0.000 claims description 74
- 238000011156 evaluation Methods 0.000 claims description 60
- 238000012937 correction Methods 0.000 claims description 59
- 238000012795 verification Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000011109 contamination Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000001303 quality assessment method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 6
- 239000012080 ambient air Substances 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 239000013618 particulate matter Substances 0.000 description 56
- 239000003570 air Substances 0.000 description 42
- 239000010410 layer Substances 0.000 description 24
- 238000004088 simulation Methods 0.000 description 17
- 239000000126 substance Substances 0.000 description 9
- 238000009792 diffusion process Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000004062 sedimentation Methods 0.000 description 6
- 238000001311 chemical methods and process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000000469 dry deposition Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- RLNYDAFUTZRAIW-UHFFFAOYSA-N 2-ncdc Chemical compound [O-][N+](=O)C1=CC(C(=O)O)=CC=C1OC(=O)N(C=1C=CC=CC=1)C1=CC=CC=C1 RLNYDAFUTZRAIW-UHFFFAOYSA-N 0.000 description 1
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000001856 aerosol method Methods 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006303 photolysis reaction Methods 0.000 description 1
- 230000015843 photosynthesis, light reaction Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大气环境科学技术领域,尤其涉及一种大气污染物来源预报方法、装置、设备及存储介质。方法包括:构建污染物的排放清单,以及构建气象模型;基于排放清单和气象模型,构建污染物来源解析模型;通过污染物来源解析模型,预测每一个区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个行业分别对每一个受体区域内目标污染物的行业贡献浓度;基于区域贡献浓度构建区域传输矩阵,以及基于行业贡献浓度构建行业贡献矩阵。本发明用以解决现有环境空气质量业务化预报技术中大气污染物来源解析方式解析结果不精准的缺陷。
Description
技术领域
本发明涉及大气环境科学技术领域,尤其涉及一种大气污染物来源预报方法、装置、设备及存储介质。
背景技术
大气污染问题是我国主要的环境问题之一,对人类社会具有较大的健康影响。我国大气污染具有较强的复合型和区域性特征,区域之间大气污染物的相互输送对细颗粒物浓度具有显著影响,且随着污染程度的加重,区域传输贡献呈明显上升趋势。环境空气质量预报技术的发展有利于保护公众健康;同时在污染过程发生时,大气污染物的来源解析预报尤为重要,这是预防应对重污染天气的核心支撑技术,也为公众提供空气质量信息的预报预警服务。
目前环境空气质量预报的方法主要分为统计方法和数值模拟方法。统计方法指的是基于现有数据的统计分析,研究大气污染物的变化规律,建立大气污染物浓度和气象数据的响应关系,适用于污染情况较为单一或污染物规律性较强的城市,代表方法有回归方程法、决策树法等。数值预报方法指的是在给定的排放场、气象场、初始场和边界场的条件下,通过一套复杂的偏微分方程组描述污染物在大气中的输送、扩散、转化、沉降等物理化学过程,利用计算机进行高速计算预测大气污染物的浓度。
当前,无论是基于统计方法还是数值模拟方法的业务化预报技术,都仅预测空气质量,不涉及污染物的来源解析,不利于大气污染的区域联防联控和精准防控。而目前大气污染物来源解析的预报方法主要有基于拉格朗日输送模型的溯源方法,该方法基于格点气象数据来估算气团到受体点的地理路径,能够前向模拟出污染物来源的潜在源区贡献,也能后向模拟预报出受体点的潜在源区贡献。但该溯源方法对远距离扩散的模拟往往不够精确,且未详细考虑污染物生成的化学过程,在大气复合污染的条件下其源解析结果更具有一定的不确定性。尤其在对环境空气质量以及大气污染物来源解析存在业务化预报需求时,科学精准的解析方式更为重要。因此,如何提供一种较为准确的大气污染物来源解析业务化预报方式十分重要。
发明内容
本发明提供一种大气污染物来源预报方法、装置、设备及存储介质,用以解决现有环境空气质量业务化预报技术中大气污染物来源解析方式解析结果不精准的缺陷。
本发明提供一种大气污染物来源预报方法,包括:构建污染物的排放清单,以及构建气象模型,其中,所述排放清单包括至少一个区域、至少一个行业和至少一种所述污染物,所述气象模型用于预测任意一个所述区域的气象场;基于所述排放清单和所述气象模型,构建污染物来源解析模型;通过所述污染物来源解析模型,预测每一个所述区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个所述行业分别对每一个所述受体区域内所述目标污染物的行业贡献浓度,其中,所述受体区域为需要进行污染物来源解析的所述区域;基于所述区域贡献浓度构建区域传输矩阵,以及基于所述行业贡献浓度构建行业贡献矩阵,其中,所述区域传输矩阵包括每一个所述区域分别对每一个所述受体区域内所述目标污染物的区域贡献率,所述行业贡献矩阵包括每一个所述行业分别对每一个所述受体区域内所述目标污染物的行业贡献率,所述区域传输矩阵和所述行业贡献矩阵用于空气质量的业务化预报。
根据本发明提供的一种大气污染物来源预报方法,所述基于所述区域贡献浓度构建区域传输矩阵之后,还包括:将每一个所述受体区域依次作为目标受体区域:在所述区域传输矩阵中,获取每一个所述区域分别对所述目标受体区域内所述目标污染物的区域贡献率;基于预设的传输通道和预设的贡献率阈值,解析所述区域贡献率,确定所述目标受体区域对应的污染过程传输类型,其中,基于所述目标污染物在所述目标受体区域的气象形成条件预先设定至少一个所述污染过程传输类型。
根据本发明提供的一种大气污染物来源预报方法,所述确定所述受体区域对应的污染过程传输类型之后,还包括:将每一个所述受体区域依次作为目标受体区域:获取所述污染过程传输类型对应的空间传输矫正系数矩阵,其中,所述空间传输矫正系数矩阵包括每一个所述区域分别对所述目标受体区域内所述目标污染物的贡献率矫正系数;基于所述空间传输矫正系数矩阵,对所述区域传输矩阵进行矫正,获取矫正后的区域传输矩阵。
根据本发明提供的一种大气污染物来源预报方法,所述获取所述污染过程传输类型对应的空间传输矫正系数矩阵之前,还包括:获取第一历史时段内每一个历史区域传输矩阵分别对应的后评估区域传输矩阵,其中,所述历史区域传输矩阵包括每一个所述区域分别对每一个所述受体区域内所述目标污染物的历史区域贡献率,所述后评估区域传输矩阵包括每一个所述区域分别对每一个所述受体区域内所述目标污染物的后评估区域贡献率;获取每一个所述历史区域传输矩阵分别对应的所述污染过程传输类型;基于每一种所述污染过程传输类型分别对应的所述历史区域传输矩阵和所述后评估区域传输矩阵,构建每一种所述污染过程传输类型分别对应的所述空间传输矫正系数矩阵。
根据本发明提供的一种大气污染物来源预报方法,所述基于每一种所述污染过程传输类型分别对应的所述历史区域传输矩阵和所述后评估区域传输矩阵,构建每一种所述污染过程传输类型分别对应的所述空间传输矫正系数矩阵,包括:对于每一种所述污染过程传输类型:将每一个所述受体区域依次作为目标受体区域,提取所述历史区域传输矩阵中,每一个所述区域对所述目标受体区域内所述目标污染物的所述历史区域贡献率;提取所述后评估区域传输矩阵中,每一个所述区域对所述目标受体区域内所述目标污染物的所述后评估区域贡献率;基于所述历史区域贡献率和所述后评估区域贡献率,计算每一个所述区域分别对所述目标受体区域内所述目标污染物的贡献率矫正系数;基于每一个所述区域分别对每一个所述受体区域内所述目标污染物的贡献率矫正系数,构建所述污染过程传输类型对应的所述空间传输矫正系数矩阵。
根据本发明提供的一种大气污染物来源预报方法,所述构建气象模型之后,还包括:对于每一个所述区域:获取第二历史时段内所述气象模型预测的至少一个历史气象场,以及获取所述第二历史时段内每一个所述历史气象场分别对应的观测气象场;基于所述历史气象场和所述观测气象场,计算至少一个气象评估指标;基于所述气象评估指标,获取所述气象模型的气象校验评估结果。
根据本发明提供的一种大气污染物来源预报方法,所述构建污染物来源解析模型之后,还包括:获取第三历史时段内所述污染物来源解析模型输出的每一个所述受体区域分别对应的历史污染物浓度,其中,任意一个所述受体区域对应至少一个所述历史污染物浓度,所述历史污染物浓度指的是历史上所述受体区域内所述目标污染物的预测浓度;获取所述第三历史时段内每一个所述历史区域浓度分别对应的观测污染物浓度,其中,所述观测污染物浓度指的是所述受体区域内所述目标污染物的观测浓度;基于所述历史污染物浓度和所述观测污染物浓度,计算至少一个空气质量评估指标;基于所述空气质量评估指标,获取所述污染物来源解析模型的空气质量校验评估结果。
本发明还提供一种大气污染物来源预报装置,包括:第一构建模块,用于构建污染物的排放清单,以及构建气象模型,其中,所述排放清单包括至少一个区域、至少一个行业和至少一种所述污染物,所述气象模型用于预测任意一个所述区域的气象场;第二构建模块,用于基于所述排放清单和所述气象模型,构建污染物来源解析模型;模型预测模块,用于通过所述污染物来源解析模型,预测每一个所述区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个所述行业分别对每一个所述受体区域内所述目标污染物的行业贡献浓度,其中,所述受体区域为需要进行污染物来源解析的所述区域;矩阵构建模块,用于基于所述区域贡献浓度构建区域传输矩阵,以及基于所述行业贡献浓度构建行业贡献矩阵,其中,所述区域传输矩阵包括每一个所述区域分别对每一个所述受体区域内所述目标污染物的区域贡献率,所述行业贡献矩阵包括每一个所述行业分别对每一个所述受体区域内所述目标污染物的行业贡献率,所述区域传输矩阵和所述行业贡献矩阵用于空气质量的业务化预报。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述大气污染物来源预报方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述大气污染物来源预报方法。
本发明提供的大气污染物来源预报方法、装置、设备及存储介质,构建污染物的排放清单,以及构建气象模型;基于排放清单和气象模型,构建污染物来源解析模型;通过污染物来源解析模型,预测每一个区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个行业分别对每一个受体区域内目标污染物的行业贡献浓度;基于区域贡献浓度构建区域传输矩阵,以及基于行业贡献浓度构建行业贡献矩阵,区域传输矩阵和行业贡献矩阵用于空气质量的业务化预报。区域传输矩阵可以体现每一个区域分别对每一个受体区域内目标污染物的区域贡献率,行业贡献矩阵可以体现每一个行业分别对每一个受体区域内目标污染物的行业贡献率。通过上述过程,基于构建的污染物来源解析模型,对目标污染物进行多区域、多行业的来源解析预报,定量分析不同区域以及不同污染行业的污染物来源贡献,为污染物来源的业务化预报提供科学系统的数据基础,降低大气复合污染条件导致的污染物来源解析不确定性,提高大气污染物来源解析的精准性,从而满足大气污染物来源解析存在业务化预报需求时,业务化预报对精准性和科学性的需求,为科学地指导大气污染防治提供基础。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例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例,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是本发明提供的大气污染物来源预报方法的流程示意图;
图2是本发明提供的确定污染过程传输类型方法的流程示意图;
图3是本发明提供的来源解析评估时间序列分析图;
图4是本发明提供的大气污染物来源预报装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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作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。
下面结合图1至图5描述本发明的大气污染物来源预报方法、装置、设备及存储介质。
一个实施例中,如图1所示,大气污染物来源预报方法,实现的流程步骤如下:
步骤101,构建污染物的排放清单,以及构建气象模型,其中,排放清单包括至少一个区域、至少一个行业和至少一种污染物,气象模型用于预测任意一个区域的气象场。
本实施例中,排放清单包括多种污染物的相关信息,例如,各种污染物的类型,各种污染物的相关行业,以及各种污染物的主要所在区域等。排放清单中的相关信息可以根据经验数据和/或调查数据等渠道进行采集。
本实施例中,构建污染物的排放清单的过程如下:
基于预先收集的环境统计数据和污染源普查活动水平数据,建立分区域、分行业、分类型的大气多污染物高时空分辨率的污染物排放清单,其中,区域、行业和类型均可以根据实际情况和需要进行设定,例如,行业包括电力、工业过程(例如钢铁、水泥、石化、化工、建材等)、工业锅炉、民用燃烧、交通、生物质开放燃烧、农业、溶剂使用和其他。区域可以根据行政区划或自然区划进行设定。
一个具体的实施方式中,根据实际需要建立的排放清单相关内容如下表1所示:
表1排放清单关键参数
表1中,空间参数用于设置空间分辨率,具体的,分为水平和垂直进行设置,水平方向设置两层网格,第一层网格的网格间距可以设置为27千米(km)×27km,第二层网格的网格间距可以设置为9km×9km。垂直方向可以设置为14层σ气压层,σ气压层为大气研究领域内的一种气压分层方式。14层σ气压层σ分别取1、0.995、0.988、0.98、0.97、0.956、0.938、0.893、0.839、0.777、0.702、0.582、0.4、0.2、0,越靠近地面数值越大。
化学参数指的是和排放清单有关的的大气化学机制,例如,采用CB05化学机制。在该CB05化学机制下,具体设置各种污染物,例如表1中提供的各种污染物,其中,SO2、NO、NO2、NH3、CO和VOC分别表示二氧化硫、一氧化氮、二氧化氮、一氧化碳和挥发性有机化合物的化学式(或简称)。
时间参数用于设置时间分辨率,基于逐时基础数据,可以以月变化系数、周变化系数或小时变化系数,分别将时间分辨率控制在月维度、周维度和小时维度。
当然,上述实施例仅提供了排放清单的一种具体实施方式,本发明还可以根据实际情况和需要构建排放清单。
本实施例中,大气污染物的传播过程,与自然气象密切相关,因此,需要构建气象模型来同步预测各个区域的气象场,以提升大气污染物来源解析结果的精确性。其中,一个区域的气象场即为该区域的气象信息。
本实施例中,构建气象模型的具体过程如下:
基于美国国家环境预报中心(National Centers for EnvironmentalPrediction,NCEP)提供的全球气象再分析资料,在中尺度天气预报模式(The WeatherResearch and Forecasting Model,WRF)模型的基础上,优选网格嵌套方式和参数化方案,构建气象模型。
具体的,WRF模型预设微物理过程方案、边界层方案、积云参数化方案等多个方案,每个方案又预设多种参数化方案可选,可以自由组合多种方案。对于不同的模拟目标,可能会有不同的最优方案组合。
本实施例中,基于需要进行大气污染物来源分析的区域,参数化方案组合如下表2所示:
表2 WRF参数设置
参数化方案 | 方案名称 |
微物理方案 | Morrison 2-mom |
积云参数化方案 | Kain-Fritsch |
边界层参数化方案 | ACM2 |
长波辐射方案 | RRTMG |
短波辐射方案 | RRTMG |
近地层方案 | Pleim-Xiu |
陆面过程方案 | Pleim-Xiu |
表2中,微物理方案选用的具体方案名称为Morrison 2-mom,积云参数化方案选用的具体方案名称为Kain-Fritsch,边界层参数化方案选用的具体方案名称为Kain-Fritsch,边界层参数化方案选用的具体方案名称为ACM2,长波辐射方案选用的具体方案名称为RRTMG,短波辐射方案选用的具体方案名称为RRTMG,近地层方案选用的具体方案名称为Pleim-Xiu,陆面过程方案选用的具体方案名称为Pleim-Xiu。
此外,气象模型同样可设置空间参数,在水平方向上设置两层网格,第一层网格的网格间距可以设置为27km×27km,第二层网格的网格间距可以设置为9km×9km;垂直方向共设置24个σ气压层,层间距自下而上逐渐增大,具体σ分别取1.000,0.995,0.988,0.980,0.970,0.956,0.938,0.916,0.893,0.868,0.839,0.808,0.777,0.744,0.702,0.648,0.582,0.500,0.400,0.300,0.200,0.120,0.052,0.000。气象模型的初始场与边界场数据采用NCEP提供的6小时(h)一次、1°空间分辨率的全球天气预报系统(Global ForecastingSystem,GFS)全球再分析资料。采用气象模型以每日为时间周期,进行区域气象场的预报。在对气象模型的历史数据进行定期后评估时,采用全球再分析资料(Final ReanalysisData,FNL)。
步骤102,基于排放清单和气象模型,构建污染物来源解析模型。
本实施例中,在预先构建的排放清单和气象模型的基础上,建立污染物来源解析模型。优选的,为了提升模型构建效率,可以在现有模型的基础之上,构建污染物来源解析模型。具体的,采用第三代空气质量模型(third-Generation Air Quality ModelingSystem,CMAQ),重点利用综合源解析功能(The Integrated Source ApportionmentMethod,ISAM)工具,基于不同区域以及不同行业的排放标记,实现污染物来源解析。
具体的,CMAQ模型由5个主要模块组成,其核心是化学传输模块(CMAQ Chemical-Transport Model Processor,CCTM),该模块可以模拟污染物的传输过程、化学过程和沉降过程;初始值模块(Initial Conditions Processor,ICON)和边界值模块(BoundaryConditions Processor,BCON)为CCTM提供污染物初始场和边界场;光化学分解率模块(Photolysis Rate Processor,JPROC)计算光化学分解率;气象-化学接口模块(Meteorology-Chemistry Interface Processor,MCIP)是气象模型和CCTM的接口,把气象数据(即气象场)转化为CCTM可识别的数据格式。
本实施例中,CMAQ模型与基于WRF的气象模型采用相同的投影坐标系,都采用兰伯特(Lambert)投影,中心经纬度为北纬34°,东经110°,两条参考纬度分别为北纬25°和北纬40°。CMAQ模型在水平方向上设置两层网格,第一层网格的网格间距可以设置为27km×27km,第二层网格的网格间距可以设置为9km×9km,两层网格根据需要覆盖不同区域,例如,第一层网格覆盖中国全境,第二层网格覆盖京津冀地区。垂直方向共设置14个气压层,层间距自下而上逐渐增大。CMAQ模型的输出结果时间分辨率可以为1小时。
本实施例中,CCTM模块主要包含的大气物理化学过程有气相化学过程、平流和扩散过程、气溶胶过程等,各物理化学过程的反应机制见下表3所示:
表3 CMAQ模型物理化学过程的反应机制
物理化学过程 | 物理模型 |
水平输送 | Piecewise Parabolic Method(PPM) |
水平扩散 | Eddy-diffusivity with Kh grid size dependent |
垂直输送 | Piecewise Parabolic Method(PPM) |
垂直扩散 | ACM2 |
气相化学 | CB05 |
气溶胶化学 | AERO6 |
干沉降 | RADM dry deposition method |
湿沉降 | ACM cloud module |
表3中,为CMAQ模型包含的各个物理化学过程选用对应的物理模型,各个物理模型为CMAQ模型中预设的,可以根据需要为各个物理化学灵活配置。具体的,水平输送选用的物理模型为Piecewise Parabolic Method(PPM),水平扩散选用的物理模型为Eddy-diffusivity with Kh grid size dependent,垂直输送选用的物理模型为PiecewiseParabolic Method(PPM),垂直扩散选用的物理模型为ACM2,气相化学选用的物理模型为CB05,气溶胶化学选用的物理模型为AERO6,干沉降选用的物理模型为RADM drydeposition method,湿沉降选用的物理模型为ACM cloud module。
本实施例中,CMAQ模型的BCON模块中各个参数设置为缺省值。
本实施例中,CMAQ模型的ICON模块采用数据融合的方法建立,具体的,将历史观测数据融入CMAQ的初始场ICON,表达式如下:
其中,CICON_X为ICON文件中X地区的Y污染物初始浓度,其中,X地区为ICON文件中任意一个区域,Y污染物为ICON文件中任意一中污染物,CICON_X_old为ICON文件中X地区的Y污染物初始浓度默认值(未矫正),α为某段时间内实际观测值与ICON文件默认值的偏差,Si_X为第i小时的X地区ICON文件Y污染物初始浓度默认值,而Oi_X为第i小时的X地区Y污染物观测浓度,i为正整数,n为该段时间内的总小时数。
通过α,矫正CICON_X_old,得到矫正后的CICON_X,进一步提升CMAQ模型性能,提高CMAQ模型输出结果的准确性。
本实施例中,ISAM模块为基于CMAQ架构下,用于计算模拟网格内各个区域各个污染物排放的源解析附加模块。该ISAM模块实现污染物来源解析功能时,在CMAQ的CCTM模块中,加入了排放标记,为需要来源解析的区域或者行业进行解析。在追踪排放的污染物所进行的大气物理及化学过程中,生成的污染物将会等比例地带有排放区域或行业的标记,从而达到追溯某一区域或行业污染物来源的目的。该附加模块采用添加源示踪技术的CCTM-ISAM模块代替原来的CCTM模块,同时进行源标记与化学传输计算,得到某一地区标记污染物的源解析情况。但是,同时由于对排放的污染物进行标记,相当于成比例创造了更多物种,会导致模型运行速度减慢。优选的,为兼顾模拟的的准确性与运行效率,第一层27km×27km的网格内并不运行ISAM模块,仅在第二层9km×9km的网格内运行ISAM模块。
一个具体的例子中,区域可以根据行政区划进行设定,根据具体的模拟区域特征,ISAM源解析模式的标记项目见下表4所示:
表4ISAM源解析模式的标记项目
本实施例中,为了便于模型构建和后续优化,利用C shell编程语言文件,修改整个上述过程中涉及的模拟时段设置参数,将排放清单网格化制作、气象再分析资料下载、气象模型模拟、CMAQ模型模拟进行整合,使用一个命令实现空气质量和来源解析预报的高效模拟,强化了业务化应用。
步骤103,通过污染物来源解析模型,预测每一个区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个行业分别对每一个受体区域内目标污染物的行业贡献浓度,其中,受体区域为需要进行污染物来源解析的区域。
本实施例中,构建污染物来源解析模型后,通过该污染物来源解析模型来预测每一个区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个行业分别对每一个受体区域内目标污染物的行业贡献浓度。其中。目标污染物是需要进行来源解析和追踪的污染物,例如,该目标污染物为PM2.5,则解析各个受体区域内PM2.5的空间和行业来源,确定周边各区域分别对每一个受体区域内PM2.5的区域贡献浓度,以及周边各行业分别对每一个受体区域内PM2.5的行业贡献浓度。当然,PM2.5仅为一个实例,目标污染物还可以为PM2.5、O3、NO2或SO2等多种大气污染物。
步骤104,基于区域贡献浓度构建区域传输矩阵,以及基于行业贡献浓度构建行业贡献矩阵,其中,区域传输矩阵包括每一个区域分别对每一个受体区域内目标污染物的区域贡献率,行业贡献矩阵包括每一个行业分别对每一个受体区域内目标污染物的行业贡献率,区域传输矩阵和行业贡献矩阵用于空气质量的业务化预报。
本实施例中,基于上述得到的区域贡献浓度和行业贡献浓度,进一步分别建立区域传输矩阵和行业贡献矩阵,以便于对来源进行进一步分析。
具体的,基于区域贡献浓度构建区域传输矩阵,如下:
Pij=Cij/Ci (4);
其中,a代表共有a个受体区域;m代表共有m个区域;Pij为第j个区域对第i个受体区域内目标污染物的平均浓度贡献率,用百分比%表示;Cij为第j个区域对第i个受体区域内目标污染物的区域贡献浓度平均值,单位为μg/m3;Ci为第i个受体区域内目标污染物的平均浓度值,单位为μg/m3。
需要说明的是,当CMAQ模型的输出结果时间分辨率为1小时时,若需要建立某一日对应的区域传输矩阵,则需要取该日内各个小时分别对应的区域贡献浓度的平均值,即Cij为第j个区域对第i个受体区域内目标污染物的区域贡献浓度平均值。同理,受体区域内目标污染物的浓度值也需要取平均,即Ci为第i个受体区域内目标污染物的平均浓度值。当然,各个小时内也可以分别建立对应的区域传输矩阵。
基于行业贡献浓度构建行业贡献矩阵,如下:
Qij=Dij/Di (6);
其中,a代表共有a个受体区域;n代表共有n个行业;Qij为第j个行业对第i个受体区域内目标污染物的平均浓度贡献率,用百分比%表示;Dij为第j个行业对第i个受体区域内目标污染物的行业贡献浓度平均值,单位为μg/m3;Di为第i个受体区域内目标污染物的平均浓度值,单位为μg/m3。
需要说明的是,当CMAQ模型的输出结果时间分辨率为1小时时,若需要建立某一日对应的行业贡献矩阵,则需要取该日内各个小时分别对应的行业贡献浓度的平均值,即Dij为第j个行业对第i个受体区域内目标污染物的行业贡献浓度平均值。同理,受体区域内目标污染物的浓度值也需要取平均,即Di为第i个受体区域内目标污染物的平均浓度值。当然,各个小时内也可以分别建立对应的行业贡献矩阵。
本实施例中,通过污染物来源解析模型对任意一种目标污染物进行预测过程,其实就是对空气质量进行预测的过程。基于区域贡献浓度和行业贡献浓度,进行空气质量的业务化分析,获得业务化分析结果。该业务化分析结果用于科学地指导大气污染防治。具体的,通过区域贡献浓度和行业贡献浓度,可方便直观的了解到各个区域以及各个行业对受体区域中目标污染物的影响,目标污染物的来源信息系统全面,矩阵化的信息表达方式,便于对信息的进一步分析和整合,满足大气污染物来源解析过程中,进行业务化预报时对精准性和科学性的需求。
一个实施例中,基于区域贡献浓度构建区域传输矩阵之后,将每一个受体区域依次作为目标受体区域:在区域传输矩阵中,获取每一个区域分别对目标受体区域内目标污染物的区域贡献率;基于预设的传输通道和预设的贡献率阈值,解析区域贡献率,确定目标受体区域对应的污染过程传输类型,其中,基于目标污染物在目标受体区域的气象形成条件预先设定至少一个污染过程传输类型。
本实施例中,基于空间传输矩阵,对于需要重点关注的任意一个目标受体区域的区域来源信息进行聚合,确定目标受体区域对应的污染过程传输类型,便于对目标污染物的预警和联防联控提供更多基础。
本实施例中,以目标污染物为PM2.5,以目标受体区域为北京为例。
首先,需要预先设置北京市内PM2.5的污染过程传输类型。结合气象条件总结历年PM2.5污染过程的空间来源特征,根据区域传输方向和传输距离,建立PM2.5污染过程分类方法,将PM2.5污染过程分成由不同地区主导的污染过程传输类型。
具体的,对北京市PM2.5污染过程分类之前,根据相关文献研究,定义了两个传输通道:西南传输通道和东南传输通道;西南传输通道包括保定、河北南部、河南,东南传输通道包括唐山、廊坊、沧州、天津、山东。基于西南传输通道和东南传输通道,北京市PM2.5污染过程共分成了10种污染过程传输类型,分别是局部型(记为L)、东南型、西南型、东南西南混合型和其他类型(记为O),其中,东南型包括两个子类型,分别为短距离传输的东南型(记为SE-short)和长距离传输的东南型(记为SE-long);西南型包括两个子类型,分别为短距离传输的西南型(记为SW-short)和长距离传输的西南型(记为SW-long);东南西南混合型包括四个子类型,分别为长距离传输的东南西南混合型(记为SM-longsm)、偏长距离西南传输的东南西南混合型(记为SM-longsw)、偏长距离东南传输的东南西南混合型(记为SM-longse)和短距离传输的东南西南混合型(记为SM-short)。
不同污染过程传输类型形成的主要气象条件原理如下:京津冀南部在925百帕(hPa)高度的西南风和1000hPa高度的东南风是西南型和东南型传输类型的主要因素,东南西南混合型受这两者的共同影响;PM2.5的传输距离不仅受到京津冀南部的风强度的影响,还受到京津冀西北地区的西北风和京津冀东北地区的西南风的影响,西北风促进了长距离的西南传输,西南风促进了长距离的东南传输;对于局地型,相对静稳的气象条件导致北京市以外的区域贡献较小;对于其他型,风场的剧烈时间变化导致了较为复杂的传输。
本实施例中,基于预设的传输通道和预设的贡献率阈值,解析区域贡献率,确定目标受体区域对应的污染过程传输类型,如图2所示,具体过程如下:
步骤201,获取空间传输矩阵中北京市PM2.5的各个区域贡献率;
步骤202,基于区域贡献率,判断整个污染过程中北京市本地PM2.5的区域贡献率是否大于50%,若是,执行步骤203,若否,执行步骤204;
步骤203,确定北京市PM2.5的污染过程传输类型为L(局地型);
步骤204,基于区域贡献率,计算东南传输通道贡献率与西南传输通道贡献率的差值,判断该差值大于10%的小时数比例是否超过80%,若是,执行步骤205,若否,执行步骤209;
其中,东南传输通道贡献率和西南传输通道贡献率可以分别通过各个区域贡献率计算得到;
步骤205,确定北京市PM2.5的污染过程传输类型为SE(东南型),执行步骤206;
步骤206,判断山东对北京市内PM2.5的区域贡献率是否小于10%,若是,执行步骤207,若否,执行步骤208;
步骤207,确定北京市PM2.5的污染过程传输类型为SE-short;
步骤208,确定北京市PM2.5的污染过程传输类型为SE-long;
步骤209,基于区域贡献率,计算西南传输通道贡献率与东南传输通道贡献率的差值,判断该差值大于10%的小时数比例是否超过80%,若是,执行步骤210,若否,执行步骤214;
步骤210,确定北京市PM2.5的污染过程传输类型为SW(西南型,执行步骤211;
步骤211,判断河南对北京市内PM2.5的区域贡献率是否小于5%,若是,执行步骤212,若否,执行步骤213;
步骤212,确定北京市PM2.5的污染过程传输类型为SW-short;
步骤213,确定北京市PM2.5的污染过程传输类型为SW-long;
步骤214,确定北京市PM2.5的污染过程传输类型为SM(东南西南混合型),执行步骤215;
步骤215,判断河南对北京市内PM2.5的区域贡献率是否大于5%,若是,执行步骤216,若否,执行步骤219;
步骤216,判断山东对北京市内PM2.5的区域贡献率是否大于10%,若是,执行步骤217,若否,执行步骤218;
步骤217,确定北京市PM2.5的污染过程传输类型为SM-longsm;
步骤218,确定北京市PM2.5的污染过程传输类型为SM-longsw;
步骤219,判断山东对北京市内PM2.5的区域贡献率是否大于10%,若是,执行步骤220,若否,执行步骤221;
步骤220,确定北京市PM2.5的污染过程传输类型为SM-longse;
步骤221,确定北京市PM2.5的污染过程传输类型为SM-short;
步骤222,若存在其他时间序列图复杂的污染过程,则确定北京市PM2.5的污染过程传输类型为O(其他类型)。
上述过程中,50%、10%、5%以及80%等数据均为根据需要预设的贡献值阈值。
本实施例中,北京市仅为一个示例,本发明还可以分别关注多个行政区域或地理区域内任意一种污染物的污染过程。
一个实施例中,确定受体区域对应的污染过程传输类型之后,将每一个受体区域依次作为目标受体区域:获取污染过程传输类型对应的空间传输矫正系数矩阵,其中,空间传输矫正系数矩阵包括每一个区域分别对目标受体区域内目标污染物的贡献率矫正系数;基于空间传输矫正系数矩阵,对区域传输矩阵进行矫正,获取矫正后的区域传输矩阵。
本实施例中,为了进一步提升空间传输矩阵的准确性,基于数据融合方法建立空间传输矫正系数矩阵,通过空间传输矫正系数矩阵,对区域传输矩阵进行矫正,获取矫正后的区域传输矩阵。
一个实施例中,获取污染过程传输类型对应的空间传输矫正系数矩阵之前,获取第一历史时段内每一个历史区域传输矩阵分别对应的后评估区域传输矩阵,其中,历史区域传输矩阵包括每一个区域分别对每一个受体区域内目标污染物的历史区域贡献率,后评估区域传输矩阵包括每一个区域分别对每一个受体区域内目标污染物的后评估区域贡献率;获取每一个历史区域传输矩阵分别对应的污染过程传输类型;基于每一种污染过程传输类型分别对应的历史区域传输矩阵和后评估区域传输矩阵,构建每一种污染过程传输类型分别对应的空间传输矫正系数矩阵。
本实施例中,后评估区域贡献率指的是,在通过污染物来源解析模型预测得到的模拟结果(例如预测后得到的区域传输矩阵)后,对模拟结果进行后评估,得到的每一个区域分别对每一个受体区域内目标污染物基于后评估模拟结果的区域贡献率。
一个实施例中,基于每一种污染过程传输类型分别对应的历史区域传输矩阵和后评估区域传输矩阵,构建每一种污染过程传输类型分别对应的空间传输矫正系数矩阵,实现过程如下:对于每一种污染过程传输类型:将每一个受体区域依次作为目标受体区域,提取历史区域传输矩阵中,每一个区域对目标受体区域内目标污染物的历史区域贡献率;提取后评估区域传输矩阵中,每一个区域对目标受体区域内目标污染物的后评估区域贡献率;基于历史区域贡献率和后评估区域贡献率,计算每一个区域分别对目标受体区域内目标污染物的贡献率矫正系数;基于每一个区域分别对每一个受体区域内目标污染物的贡献率矫正系数,构建污染过程传输类型对应的空间传输矫正系数矩阵。
本实施例中,每一种污染过程传输类型对应的空间传输矫正系数矩阵,均包含各个受体区域分别对应的贡献率矫正系数。若重点观测一个受体区域时,则在空间传输矫正系数矩阵中,提取出来该受体区域对应的贡献率矫正系数即可。
具体的,采用数据融合方法建立空间传输矫正系数矩阵。以目标污染物为PM2.5为例,利用PM2.5污数据库中历史区域传输矩阵来矫正预测的空间传输矩阵,获得PM2.5每一种污染过程传输类型的空间传输矫正系数矩阵,具体计算表达式如下:
rij=Aij/Bij (8);
其中,rij为第j个区域对第i个受体区域内PM2.5平均浓度贡献率的矫正系数,用百分比%表示;Aij为预测的空间传输矩阵中第j个区域对第i个受体区域PM2.5平均后评估区域贡献率,用百分比%表示;Bij为历史区域传输矩阵中第j个区域对第i个受体区域PM2.5平均历史区域贡献率,用百分比%表示。在本实施例中,共有10种北京市内PM2.5污染过程传输类型,则共有10个空间传输矫正系数矩阵。
本实施例中,基于所述的北京市PM2.5污染过程的空间传输矩阵,根据分类方法快速识别预报到的北京市内PM2.5污染过程所属的污染过程传输类型;并利用空间传输矫正系数矩阵来矫正预测的空间传输矩阵,计算表达式为:
B′1j=r1j*B1j (9);
其中,r1j为空间传输矫正系数矩阵中的第j个区域对受体城市北京的PM2.5平均区域贡献率的矫正系数;Bij为预测的空间传输矩阵中第j个区域对受体城市北京的PM2.5平均区域贡献率(未矫正),用百分比%表示;B′1j为矫正后的区域传输矩阵中第j个区域对受体城市北京的PM2.5平均区域贡献率,百分比%表示。
基于PM2.5污染过程的传输类型和矫正后的PM2.5空间传输矩阵,能够判断污染过程中北京市PM2.5主要的来源地区和可能影响的气象因素,为当地的PM2.5污染过程防控提供政策参考建议。
需要说明的是,本发明还可以采用相似的处理方式构建污染过程行业贡献类型(与污染过程传输类型对应)、行业贡献矫正系数矩阵(与空间传输矫正系数矩阵对应)、矫正后的行业贡献矩阵(与矫正后的区域传输矩阵对应)。
基于上述,可以建立北京市PM2.5污染过程分类数据库,该污染过程分类数据库包括北京市PM2.5的污染过程传输类型、预测的空间传输矩阵、矫正后的区域传输矩阵、空间传输矫正系数矩阵、预测的行业贡献矩阵、矫正后的行业贡献矩阵以及行业贡献矫正系数矩阵等数据,便于对北京市内PM2.5污染过程进行分析。
一个实施例中,构建气象模型之后,对于每一个区域:获取第二历史时段内气象模型预测的至少一个历史气象场,以及获取第二历史时段内每一个历史气象场分别对应的观测气象场;基于历史气象场和观测气象场,计算至少一个气象评估指标;基于气象评估指标,获取气象模型的气象校验评估结果。
本实施例中,定期评估气象模型的模拟预测效果,即对于每一个区域,计算至少一个气象评估指标,然后基于气象评估指标,获取气象模型的气象校验评估结果,以便于及时调整气象模型的参数,提升气象模型的性能。
本实施例中,对于任意一个区域,获取第二历史时段内气象模型预测的至少一个历史气象要素值,以及获取第二历史时段内每一个历史气象要素值分别对应的观测气象要素值。其中,历史气象要素值指的是历史上通过气象模型预测出来的历史气象场中的气象要素值,观测气象要素值指的是在区域内实际观测得到的观测气象场中的气象要素值。
具体的,气象评估指标包括气象平均模拟值、气象平均观测值、气象总偏差、气象总误差、气象方根均误差和气象一致性指数。各个气象评估指标计算过程如下:
其中,C0表示观测气象要素值;Cm表示历史气象要素值;n表示观测气象要素值的观测周期数量或历史气象要素值的预测周期数量;MeanOBS表示气象平均模拟值;MeanPRD表示气象平均观测值;Bias表示历史气象场和观测气象场之间的气象总偏差;Gross Error表示历史气象场和观测气象场之间的气象总误差;RMSE(Root Mean Square Error)表示历史气象场和观测气象场之间的气象方根均误差;IOA表示历史气象场和观测气象场之间的气象方根均误差。
更具体的,上述观测气象场的观测气象要素值可以从美国国家气候数据中心(National Climatic Data Center,NCDC)获取。
本实施例中,基于气象评估指标,获取气象模型的气象校验评估结果时,可以分别将各个气象评估指标与对应的气象阈值进行比较,来生成气象校验评估结果。例如,IOA指数在0到1之间,且IOA指数越接近于1代表模拟效果越好。
一个实施例中,构建污染物来源解析模型之后,获取第三历史时段内污染物来源解析模型输出的每一个受体区域分别对应的历史污染物浓度,其中,任意一个受体区域对应至少一个历史污染物浓度,历史污染物浓度指的是历史上受体区域内目标污染物的预测浓度;获取第三历史时段内每一个历史区域浓度分别对应的观测污染物浓度,其中,观测污染物浓度指的是受体区域内目标污染物的观测浓度;基于历史污染物浓度和观测污染物浓度,计算至少一个空气质量评估指标;基于空气质量评估指标,获取污染物来源解析模型的空气质量校验评估结果。
本实施例中,通过污染物来源解析模型对任意一种目标污染物进行预测过程,其实就是对空气质量进行预测的过程。该污染物来源解析模型构建完成后,可以通过历史污染物浓度和实际的观测污染物浓度,对污染物来源解析模型进行校验评估,便于基于空气质量校验评估结果进一步对污染物来源解析模型进行参数调整和优化,提升污染物来源解析模型的预测准确度。
本实施例中,空气质量评估指标包括历史污染物浓度和观测污染物浓度的相对偏差、历史污染物浓度和观测污染物浓度的相对误差、历史污染物浓度和观测污染物浓度的标准化分数偏差、历史污染物浓度和观测污染物浓度的标准化分数误差以及历史污染物浓度和观测污染物浓度的相关系数。
具体的,对于任意一个受体区域,相对偏差、相对误差、标准化分数偏差、标准化分数误差以及相关系数的计算公式如下:
其中,D0表示观测污染物浓度;Dm表示历史污染物浓度;N表示观测污染物浓度的观测周期数量或历史污染物浓度的预测周期数量;以观测周期为1小时为例,Doi表示第i个小时的观测污染物浓度,i为正整数;以观测周期为1小时为例,Dmi表示第i个小时的历史污染物浓度;表示观测污染物浓度的平均值;表示历史污染物浓度的平均值;NMB表示历史污染物浓度和观测污染物浓度的相对偏差;NME表示历史污染物浓度和观测污染物浓度的相对误差;MFB表示历史污染物浓度和观测污染物浓度的标准化分数偏差;MFE表示历史污染物浓度和观测污染物浓度的标准化分数误差;R表示历史污染物浓度和观测污染物浓度的相关系数。
通过对空气质量评估指标进一步进行阈值比较等处理过程,获得污染物来源解析模型的空气质量校验评估结果。
一个具体的例子中,如图3所示的来源解析评估时间序列分析图,图中是某一个月北京市PM2.5观测污染物浓度和污染物来源解析模型输出的历史污染物浓度的时间序列图。由图中可知,该月北京市PM2.5浓度模拟趋势较好,进而可以认为基于该污染物来源解析模型模拟的区域传输矩阵和行业贡献矩阵比较可信。
基于气象校验评估结果和空气质量校验评估结果,若发现存在主要的模拟误差,对气象模型、污染物来源解析模型和/或排放清单进行改善,可以通过改善空气质量模型的化学机制或调整优化模型的参数方案、物理化学机制来改善模拟系统,并对大气污染物活动水平、排放因子、污染控制措施安装比例和污染控制效率进行系统性调整或更新,及时改善污染物排放清单,从多角度提升业务化预报系统的空气质量和来源解析预报效果。
本发明提供的大气污染物来源预报方法,构建污染物的排放清单,以及构建气象模型;基于排放清单和气象模型,构建污染物来源解析模型;通过污染物来源解析模型,预测每一个区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个行业分别对每一个受体区域内目标污染物的行业贡献浓度;基于区域贡献浓度构建区域传输矩阵,以及基于行业贡献浓度构建行业贡献矩阵。区域传输矩阵可以体现每一个区域分别对每一个受体区域内目标污染物的区域贡献率,行业贡献矩阵可以体现每一个行业分别对每一个受体区域内目标污染物的行业贡献率。通过上述过程,基于构建的污染物来源解析模型,对目标污染物进行多区域、多行业的来源解析预报,定量分析不同区域以及不同污染行业的污染物来源贡献,为污染物来源的业务化预报提供科学系统的数据基础,降低大气复合污染条件导致的污染物来源解析不确定性,提高大气污染物来源解析的精准性,从而满足大气污染物来源解析存在业务化预报需求时,业务化预报对精准性和科学性的需求,为科学地指导大气污染防治提供基础。
下面对本发明提供的大气污染物来源预报装置进行描述,下文描述的大气污染物来源预报装置与上文描述的大气污染物来源预报方法可相互对应参照。如图4所示,大气污染物来源预报装置包括:
第一构建模块401,用于构建污染物的排放清单,以及构建气象模型,其中,排放清单包括至少一个区域、至少一个行业和至少一种污染物,气象模型用于预测任意一个区域的气象场;
第二构建模块402,用于基于排放清单和气象模型,构建污染物来源解析模型;
模型预测模块403,用于通过污染物来源解析模型,预测每一个区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个行业分别对每一个受体区域内目标污染物的行业贡献浓度,其中,受体区域为需要进行污染物来源解析的区域;
矩阵构建模块404,用于基于区域贡献浓度构建区域传输矩阵,以及基于行业贡献浓度构建行业贡献矩阵,其中,区域传输矩阵包括每一个区域分别对每一个受体区域内目标污染物的区域贡献率,行业贡献矩阵包括每一个行业分别对每一个受体区域内目标污染物的行业贡献率,区域传输矩阵和行业贡献矩阵用于空气质量的业务化预报。
一个实施例中,大气污染物来源预报装置还包括类型确定模块,用于基于区域贡献浓度构建区域传输矩阵之后,将每一个受体区域依次作为目标受体区域:在区域传输矩阵中,获取每一个区域分别对目标受体区域内目标污染物的区域贡献率;基于预设的传输通道和预设的贡献率阈值,解析区域贡献率,确定目标受体区域对应的污染过程传输类型,其中,基于目标污染物在目标受体区域的气象形成条件预先设定至少一个污染过程传输类型。
一个实施例中,大气污染物来源预报装置还包括矫正模块,用于确定受体区域对应的污染过程传输类型之后,将每一个受体区域依次作为目标受体区域:获取污染过程传输类型对应的空间传输矫正系数矩阵,其中,空间传输矫正系数矩阵包括每一个区域分别对目标受体区域内目标污染物的贡献率矫正系数;基于空间传输矫正系数矩阵,对区域传输矩阵进行矫正,获取矫正后的区域传输矩阵。
一个实施例中,矫正模块,还用于获取污染过程传输类型对应的空间传输矫正系数矩阵之前,获取第一历史时段内每一个历史区域传输矩阵分别对应的后评估区域传输矩阵,其中,历史区域传输矩阵包括每一个区域分别对每一个受体区域内目标污染物的历史区域贡献率,后评估区域传输矩阵包括每一个区域分别对每一个受体区域内目标污染物的后评估区域贡献率;获取每一个历史区域传输矩阵分别对应的污染过程传输类型;基于每一种污染过程传输类型分别对应的历史区域传输矩阵和后评估区域传输矩阵,构建每一种污染过程传输类型分别对应的空间传输矫正系数矩阵。
一个实施例中,矫正模块,还用于对于每一种污染过程传输类型:
将每一个受体区域依次作为目标受体区域,提取历史区域传输矩阵中,每一个区域对目标受体区域内目标污染物的历史区域贡献率;提取后评估区域传输矩阵中,每一个区域对目标受体区域内目标污染物的后评估区域贡献率;基于历史区域贡献率和后评估区域贡献率,计算每一个区域分别对目标受体区域内目标污染物的贡献率矫正系数;基于每一个区域分别对每一个受体区域内目标污染物的贡献率矫正系数,构建污染过程传输类型对应的空间传输矫正系数矩阵。
一个实施例中,大气污染物来源预报装置还包括校验模块,用于构建气象模型之后,对于每一个区域:获取第二历史时段内气象模型预测的至少一个历史气象场,以及获取第二历史时段内每一个历史气象场分别对应的观测气象场;基于历史气象场和观测气象场,计算至少一个气象评估指标;基于气象评估指标,获取气象模型的气象校验评估结果。
一个实施例中,校验模块,还用于构建污染物来源解析模型之后,获取第三历史时段内污染物来源解析模型输出的每一个受体区域分别对应的历史污染物浓度,其中,任意一个受体区域对应至少一个历史污染物浓度,历史污染物浓度指的是历史上受体区域内目标污染物的预测浓度;获取第三历史时段内每一个历史区域浓度分别对应的观测污染物浓度,其中,观测污染物浓度指的是受体区域内目标污染物的观测浓度;基于历史污染物浓度和观测污染物浓度,计算至少一个空气质量评估指标;基于空气质量评估指标,获取污染物来源解析模型的空气质量校验评估结果。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令,以执行大气污染物来源预报方法,该方法包括:构建污染物的排放清单,以及构建气象模型,其中,排放清单包括至少一个区域、至少一个行业和至少一种污染物,气象模型用于预测任意一个区域的气象场;基于排放清单和气象模型,构建污染物来源解析模型;通过污染物来源解析模型,预测每一个区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个行业分别对每一个受体区域内目标污染物的行业贡献浓度,其中,受体区域为需要进行污染物来源解析的区域;基于区域贡献浓度构建区域传输矩阵,以及基于行业贡献浓度构建行业贡献矩阵,其中,区域传输矩阵包括每一个区域分别对每一个受体区域内目标污染物的区域贡献率,行业贡献矩阵包括每一个行业分别对每一个受体区域内目标污染物的行业贡献率,区域传输矩阵和行业贡献矩阵用于空气质量的业务化预报。
此外,上述的存储器503中的逻辑指令可以通过软件功能单元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所述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)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例所提供的大气污染物来源预报方法,该方法包括:构建污染物的排放清单,以及构建气象模型,其中,排放清单包括至少一个区域、至少一个行业和至少一种污染物,气象模型用于预测任意一个区域的气象场;基于排放清单和气象模型,构建污染物来源解析模型;通过污染物来源解析模型,预测每一个区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个行业分别对每一个受体区域内目标污染物的行业贡献浓度,其中,受体区域为需要进行污染物来源解析的区域;基于区域贡献浓度构建区域传输矩阵,以及基于行业贡献浓度构建行业贡献矩阵,其中,区域传输矩阵包括每一个区域分别对每一个受体区域内目标污染物的区域贡献率,行业贡献矩阵包括每一个行业分别对每一个受体区域内目标污染物的行业贡献率,区域传输矩阵和行业贡献矩阵用于空气质量的业务化预报。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各实施例提供的大气污染物来源预报方法,该方法包括:构建污染物的排放清单,以及构建气象模型,其中,排放清单包括至少一个区域、至少一个行业和至少一种污染物,气象模型用于预测任意一个区域的气象场;基于排放清单和气象模型,构建污染物来源解析模型;通过污染物来源解析模型,预测每一个区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个行业分别对每一个受体区域内目标污染物的行业贡献浓度,其中,受体区域为需要进行污染物来源解析的区域;基于区域贡献浓度构建区域传输矩阵,以及基于行业贡献浓度构建行业贡献矩阵,其中,区域传输矩阵包括每一个区域分别对每一个受体区域内目标污染物的区域贡献率,行业贡献矩阵包括每一个行业分别对每一个受体区域内目标污染物的行业贡献率,区域传输矩阵和行业贡献矩阵用于空气质量的业务化预报。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种大气污染物来源预报方法,其特征在于,包括:
构建污染物的排放清单,以及构建气象模型,其中,所述排放清单包括至少一个区域、至少一个行业和至少一种所述污染物,所述气象模型用于预测任意一个所述区域的气象场;
基于所述排放清单和所述气象模型,构建污染物来源解析模型;
通过所述污染物来源解析模型,预测每一个所述区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个所述行业分别对每一个所述受体区域内所述目标污染物的行业贡献浓度,其中,所述受体区域为需要进行污染物来源解析的所述区域;
基于所述区域贡献浓度构建区域传输矩阵,以及基于所述行业贡献浓度构建行业贡献矩阵,其中,所述区域传输矩阵包括每一个所述区域分别对每一个所述受体区域内所述目标污染物的区域贡献率,所述行业贡献矩阵包括每一个所述行业分别对每一个所述受体区域内所述目标污染物的行业贡献率,所述区域传输矩阵和所述行业贡献矩阵用于空气质量的业务化预报。
2.根据权利要求1所述的大气污染物来源预报方法,其特征在于,所述基于所述区域贡献浓度构建区域传输矩阵之后,还包括:
将每一个所述受体区域依次作为目标受体区域:
在所述区域传输矩阵中,获取每一个所述区域分别对所述目标受体区域内所述目标污染物的区域贡献率;
基于预设的传输通道和预设的贡献率阈值,解析所述区域贡献率,确定所述目标受体区域对应的污染过程传输类型,其中,基于所述目标污染物在所述目标受体区域的气象形成条件预先设定至少一个所述污染过程传输类型。
3.根据权利要求2所述的大气污染物来源预报方法,其特征在于,所述确定所述受体区域对应的污染过程传输类型之后,还包括:
将每一个所述受体区域依次作为目标受体区域:
获取所述污染过程传输类型对应的空间传输矫正系数矩阵,其中,所述空间传输矫正系数矩阵包括每一个所述区域分别对所述目标受体区域内所述目标污染物的贡献率矫正系数;
基于所述空间传输矫正系数矩阵,对所述区域传输矩阵进行矫正,获取矫正后的区域传输矩阵。
4.根据权利要求3所述的大气污染物来源预报方法,其特征在于,所述获取所述污染过程传输类型对应的空间传输矫正系数矩阵之前,还包括:
获取第一历史时段内每一个历史区域传输矩阵分别对应的后评估区域传输矩阵,其中,所述历史区域传输矩阵包括每一个所述区域分别对每一个所述受体区域内所述目标污染物的历史区域贡献率,所述后评估区域传输矩阵包括每一个所述区域分别对每一个所述受体区域内所述目标污染物的后评估区域贡献率;
获取每一个所述历史区域传输矩阵分别对应的所述污染过程传输类型;
基于每一种所述污染过程传输类型分别对应的所述历史区域传输矩阵和所述后评估区域传输矩阵,构建每一种所述污染过程传输类型分别对应的所述空间传输矫正系数矩阵。
5.根据权利要求4所述的大气污染物来源预报方法,其特征在于,所述基于每一种所述污染过程传输类型分别对应的所述历史区域传输矩阵和所述后评估区域传输矩阵,构建每一种所述污染过程传输类型分别对应的所述空间传输矫正系数矩阵,包括:
对于每一种所述污染过程传输类型:
将每一个所述受体区域依次作为目标受体区域,提取所述历史区域传输矩阵中,每一个所述区域对所述目标受体区域内所述目标污染物的所述历史区域贡献率;提取所述后评估区域传输矩阵中,每一个所述区域对所述目标受体区域内所述目标污染物的所述后评估区域贡献率;基于所述历史区域贡献率和所述后评估区域贡献率,计算每一个所述区域分别对所述目标受体区域内所述目标污染物的贡献率矫正系数;
基于每一个所述区域分别对每一个所述受体区域内所述目标污染物的贡献率矫正系数,构建所述污染过程传输类型对应的所述空间传输矫正系数矩阵。
6.根据权利要求1所述的大气污染物来源预报方法,其特征在于,所述构建气象模型之后,还包括:
对于每一个所述区域:
获取第二历史时段内所述气象模型预测的至少一个历史气象场,以及获取所述第二历史时段内每一个所述历史气象场分别对应的观测气象场;
基于所述历史气象场和所述观测气象场,计算至少一个气象评估指标;
基于所述气象评估指标,获取所述气象模型的气象校验评估结果。
7.根据权利要求1所述的大气污染物来源预报方法,其特征在于,所述构建污染物来源解析模型之后,还包括:
获取第三历史时段内所述污染物来源解析模型输出的每一个所述受体区域分别对应的历史污染物浓度,其中,任意一个所述受体区域对应至少一个所述历史污染物浓度,所述历史污染物浓度指的是历史上所述受体区域内所述目标污染物的预测浓度;
获取所述第三历史时段内每一个所述历史区域浓度分别对应的观测污染物浓度,其中,所述观测污染物浓度指的是所述受体区域内所述目标污染物的观测浓度;
基于所述历史污染物浓度和所述观测污染物浓度,计算至少一个空气质量评估指标;
基于所述空气质量评估指标,获取所述污染物来源解析模型的空气质量校验评估结果。
8.一种大气污染物来源预报装置,其特征在于,包括:
第一构建模块,用于构建污染物的排放清单,以及构建气象模型,其中,所述排放清单包括至少一个区域、至少一个行业和至少一种所述污染物,所述气象模型用于预测任意一个所述区域的气象场;
第二构建模块,用于基于所述排放清单和所述气象模型,构建污染物来源解析模型;
模型预测模块,用于通过所述污染物来源解析模型,预测每一个所述区域分别对每一个受体区域内目标污染物的区域贡献浓度,以及预测每一个所述行业分别对每一个所述受体区域内所述目标污染物的行业贡献浓度,其中,所述受体区域为需要进行污染物来源解析的所述区域;
矩阵构建模块,用于基于所述区域贡献浓度构建区域传输矩阵,以及基于所述行业贡献浓度构建行业贡献矩阵,其中,所述区域传输矩阵包括每一个所述区域分别对每一个所述受体区域内所述目标污染物的区域贡献率,所述行业贡献矩阵包括每一个所述行业分别对每一个所述受体区域内所述目标污染物的行业贡献率,所述区域传输矩阵和所述行业贡献矩阵用于空气质量的业务化预报。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的大气污染物来源预报方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的大气污染物来源预报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310423787.1A CN116611547A (zh) | 2023-04-19 | 2023-04-19 | 大气污染物来源预报方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310423787.1A CN116611547A (zh) | 2023-04-19 | 2023-04-19 | 大气污染物来源预报方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116611547A true CN116611547A (zh) | 2023-08-18 |
Family
ID=87673702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310423787.1A Pending CN116611547A (zh) | 2023-04-19 | 2023-04-19 | 大气污染物来源预报方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611547A (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 |
CN118013769A (zh) * | 2024-04-10 | 2024-05-10 | 南京气象科技创新研究院 | 一种基于WRF-Chem的大气污染物浓度预测方法 |
-
2023
- 2023-04-19 CN CN202310423787.1A patent/CN116611547A/zh active Pending
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 |
CN118013769A (zh) * | 2024-04-10 | 2024-05-10 | 南京气象科技创新研究院 | 一种基于WRF-Chem的大气污染物浓度预测方法 |
CN118013769B (zh) * | 2024-04-10 | 2024-06-14 | 南京气象科技创新研究院 | 一种基于WRF-Chem的大气污染物浓度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110824110B (zh) | 一种基于拉格朗日轨迹模式和化学盒子模式的区域臭氧污染溯源系统 | |
CN116611547A (zh) | 大气污染物来源预报方法、装置、设备及存储介质 | |
CN111368401A (zh) | 污染源的溯源方法、装置和存储介质 | |
Wang et al. | Development of an emission processing system for the Pearl River Delta Regional air quality modeling using the SMOKE model: Methodology and evaluation | |
CN112131739A (zh) | 一种乡镇级别大气污染溯源的预报方法 | |
Deng et al. | The MR-CA models for analysis of pollution sources and prediction of PM 2.5 | |
CN114578457B (zh) | 一种基于进化集成学习的大气污染物浓度时空预测方法 | |
CN113156395B (zh) | 气溶胶激光雷达数据融合方法及系统 | |
CN118115180B (zh) | 识别高贡献浓度的热点网格的方法与装置 | |
Ashok et al. | Adjoint-based computation of US nationwide ozone exposure isopleths | |
CN118114165B (zh) | 污染源贡献浓度的确定方法与装置 | |
Wen et al. | Source apportionment of PM 2.5 in Tangshan, China—Hybrid approaches for primary and secondary species apportionment | |
Yu et al. | A climatological study of air pollution potential in China | |
Jia et al. | Regional air quality forecast using a machine learning method and the WRF model over the Yangtze River Delta, east China | |
CN113834902B (zh) | 一种基于四维变分同化的二氧化硫排放源反演方法 | |
CN114169179A (zh) | 一种空气质量本底浓度分析方法 | |
CN115239027B (zh) | 空气质量格点化集合预报的方法及装置 | |
Sharma et al. | Action plans to reduce PM2. 5 concentrations in hotspots of Delhi-NCR using a one-way coupled modeling approach | |
Chen et al. | A hybrid approach to forecast air quality during high-PM concentration pollution period | |
Ryoke et al. | A simplified ozone model based on fuzzy rules generation | |
Jia et al. | A meteorologically adjusted ensemble Kalman filter approach for inversing daily emissions: A case study in the Pearl River Delta, China | |
CN118115179B (zh) | 识别人为源与天然源贡献浓度的方法与装置 | |
CN117852442B (zh) | 一种沥青路面工程建设VOCs排放的环境影响仿真方法 | |
Ferrari et al. | UTAQ, A TOOL TO MANAGE THE SEVERE AIR POLLUTION EPISODES. | |
Lee et al. | The impacts of uncertainties in emissions on aerosol data assimilation and short-term PM 2.5 predictions in CMAQ v5. 2.1 over East Asia |
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 |