CN116662911A - 污染源和气象因素对VOCs初始浓度影响贡献评估方法 - Google Patents

Abstract

本发明适用于污染防控技术领域，提供了污染源和气象因素对VOCs初始浓度影响贡献评估方法，包括以下步骤：获取大气中VOCs物种观测浓度；计算VOCs物种初始浓度，使用PMF5.0模型对VOCs物种初始浓度进行来源解析，得到区域内污染源对受体点的VOCs初始浓度贡献比例；利用XGBoost模型对来源解析结果、大气氧化性数据、TVOCs时间序列数据以及气象数据进行训练；基于SHAP值计算及量化各个驱动因素对VOCs初始浓度影响贡献。本发明基于数据驱动搭建的XGBoost模型，能够快速量化VOCs污染源、大气氧化性以及气象因素对VOCs初始浓度的影响，在VOCs污染防控领域有较好应用前景。

Description

污染源和气象因素对VOCs初始浓度影响贡献评估方法

技术领域

本发明涉及污染防控技术领域，具体是涉及一种污染源和气象因素对VOCs初始浓度影响贡献评估方法。

背景技术

大气挥发性有机物(VOC))在大气化学中扮演重要角色，是O₃和二次有机气溶胶(SOA)的关键前体，其中SOA是PM_2.5的主要组成部分。VOCs物种由上千种化合物组成，主要包括烷烃、烯烃、炔烃、芳香烃、醛类、醚类、酮类、卤代烃、有机硫等等，不同VOCs物种的浓度水平、化学反应活性以及环境效应差异也非常大，不同VOCs物种在传输过程中的化学损失差别较大。

目前，VOCs研究方向主要在时空特征分布、气象因素分析、环境效应分析、来源解析等方面，并且常常忽略传输过程中VOCs物种浓度的损耗。定量评估气象因素影响主要是利用数值模拟方法，此种方法计算时间长，且受排放源清单和模式中化学机制的不确定性影响。由于VOCs种类繁多，化学机制复杂，影响因素复杂，并且在VOCs的大气传输过程中，传输损耗VOCs物种浓度往往被忽略，不能综合分析污染源和气象因素对初始VOCs浓度的影响。因此，需要提供一种污染源和气象因素对VOCs初始浓度影响贡献评估方法，旨在解决上述问题。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种污染源和气象因素对VOCs初始浓度影响贡献评估方法，以解决上述背景技术中存在的问题。

本发明是这样实现的，一种污染源和气象因素对VOCs初始浓度影响贡献评估方法，包括以下步骤：

获取大气中VOCs物种观测浓度；

计算VOCs物种初始浓度，使用PMF5.0模型对VOCs物种初始浓度进行来源解析，得到区域内污染源对受体点的VOCs初始浓度贡献比例；

利用XGBoost模型对来源解析结果、大气氧化性数据、TVOCs时间序列数据以及气象数据进行训练，TVOCs为所有VOCs物种初始浓度的累加和；

基于SHAP值计算及量化各个驱动因素对VOCs初始浓度影响贡献。

作为本发明进一步的方案：计算VOCs物种初始浓度时使用以下公式：

[VOC_i]₀＝[VOC_i]_t×e^ki×[OH]△t

其中，t＝t₀代表初始时间，t＝t代表观测时间，[VOC_i]_t和[VOC_i]₀分别代表该单个VOCs物种VOC_i的观测浓度和初始浓度，B和C代表一次排放的物种对，k_i、k_B和k_C分别代表该单个VOCs物种VOC_i、物种B和物种C与OH自由基反应的速率常数，[OH]×△t为OH自由基的环境暴露量，其中[OH]表示OH自由基的浓度，△t表示反应时间。

作为本发明进一步的方案：所述物种B选择乙苯，物种C选择间/对二甲苯。

作为本发明进一步的方案：使用PMF5.0模型对VOCs物种初始浓度进行来源解析的步骤，具体包括：

将VOCs物种初始浓度及其不确定数据输入PMF5.0模型并运行，根据结果中各排放源的解释和贡献占比，得到所述区域内污染源对受体点的VOCs初始浓度贡献比例，其中不确定数据由以下公式计算得到：

其中，MDL为各VOCs物种的检出限，由检测设备所得；u_ij为第i个样品中第j个VOCs物种的不确定度；x_ij为第i个样品中第j个VOCs物种的初始浓度；RSD为VOCs物种的不确定度，由检测设备所得。

作为本发明进一步的方案：基于SHAP值计算及量化各个驱动因素对VOCs初始浓度影响贡献时，将调优后的XGBoost模型输入SHAP的模型解释器中，计算单个样本中各个驱动因素对VOCs初始浓度的SHAP值，量化VOCs污染源、大气氧化性以及气象因素对VOCs初始浓度的影响。

作为本发明进一步的方案：所述PMF5.0模型通过分析各VOC组分的变化规律识别出VOCs排放源及其化学组成特征，并计算各类排放源对环境大气中VOCs初始浓度的贡献，所述变化规律包括时间变化和空间差异。

与现有技术相比，本发明的有益效果是：

本发明考虑了传输中VOCs浓度的化学损耗，能够快速量化VOCs污染源、大气氧化性以及气象因素对VOCs初始浓度的影响，输出结果能够充分满足环境防护和管理的需求，在VOCs污染防控领域有较好应用前景。

附图说明

图1为一种污染源和气象因素对VOCs初始浓度影响贡献评估方法的流程图。

图2为一种污染源和气象因素对VOCs初始浓度影响贡献评估方法的过程示意图。

图3为一种污染源和气象因素对VOCs初始浓度影响贡献评估方法中PMF5.0模型输出因子图及污染源识别结果示意图。

图4为一种污染源和气象因素对VOCs初始浓度影响贡献评估方法中初始VOCs来源解析结果图。

图5为一种污染源和气象因素对VOCs初始浓度影响贡献评估方法中单样本的驱动因素影响可视化结果图。

图6为一种污染源和气象因素对VOCs初始浓度影响贡献评估方法中各个因素对VOCs初始浓度的总体影响示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清晰，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合具体实施例对本发明的具体实现进行详细描述。

如图1和图2所示，本发明实施例提供了一种污染源和气象因素对VOCs初始浓度影响贡献评估方法，包括以下步骤：

S100，获取大气中VOCs物种观测浓度；

S200，计算VOCs物种初始浓度，使用PMF5.0模型对VOCs物种初始浓度进行来源解析，得到区域内污染源对受体点的VOCs初始浓度贡献比例；

S300，利用XGBoost模型对来源解析结果、大气氧化性数据、TVOCs时间序列数据以及气象数据进行训练，TVOCs为所有VOCs物种初始浓度的累加和；

S400，基于SHAP值计算及量化各个驱动因素对VOCs初始浓度影响贡献。

需要说明的是，PMF5.0模型是美国EPA开发的图形界面EPA PMF模型软件，EPA PMF5.0是目前PMF开发的最新版本，可在美国EPA官网免费下载使用该模型。获取大气中VOCs物种观测浓度时，利用监测仪器采集大气中的VOCs物种观测浓度，获取相应数据，其中，采样周期和每个采样时刻可以根据实际需求具体设定。具体地，可以采用VOCs在线监测仪测量VOCs物种观测浓度，VOCs具体包括116个物种，具体包括：乙烯、乙炔、乙烷、丙烯、丙烷、异丁烷、1-丁烯、正丁烷、顺式-2-丁烯、反式-2-丁烯、异戊烷、1-戊烯、正戊烷、反式-2-戊烯、异戊二烯、顺式-2-戊烯、2,2-二甲基丁烷、环戊烷、2,3-二甲基丁烷、2-甲基戊烷、3-甲基戊烷、1-己烯、正己烷、2,4-二甲基戊烷、甲基环戊烷、苯、环己烷、2-甲基己烷、2,3-二甲基戊烷、3-甲基己烷、2,2,4-三甲基戊烷、正庚烷、甲基环己烷、2,3,4-三甲基戊烷、2-甲基庚烷、甲苯、3-甲基庚烷、正辛烷、间/对-二甲苯、乙苯、正壬烷、苯乙烯、邻二甲苯、异丙苯、正丙苯、邻-乙基甲苯、间-乙基甲苯、1,3,5-三甲基苯、对-乙基甲苯、正癸烷、1,2,4-三甲基苯、1,2,3-三甲基苯、间-二乙基苯、对-二乙基苯、正十一烷、正十二烷、甲醛、乙醛、丙烯醛、丙酮、丙醛、丁烯醛、异丁烯醛、2-丁酮、正丁醛、苯甲醛、戊醛、3-甲基苯甲醛、己醛、氟里昂-12、一氯甲烷、氟里昂-114、氯乙烯、1,3-丁二烯、溴甲烷、氯乙烷、氟里昂-11、1,1-二氯乙烯、氟里昂-113、二硫化碳、二氯甲烷、异丙醇、顺-1,2-二氯乙烯、甲基叔丁基醚、1,1-二氯乙烷、醋酸乙烯酯、反-1,2-二氯乙烯、乙酸乙酯、三氯甲烷、四氢呋喃、1,1,1-三氯乙烷、1,2-二氯乙烷、四氯化碳、三氯乙烯、1,2-二氯丙烷、甲基丙烯酸甲酯、1,4-二氧六环、一溴二氯甲烷、顺式-1,3-二氯丙烯、4-甲基-2-戊酮、反式-1,3-二氯丙烯、1,1,2-三氯乙烷、2-己酮、二溴一氯甲烷、四氯乙烯、1,2-二溴乙烷、氯苯、三溴甲烷、1,1,2,2-四氯乙烷、1,3-二氯苯、氯甲苯、1,4-二氯苯、1,2-二氯苯、1,2,4-三氯苯、萘以及六氯丁二烯。

本发明实施例中，计算VOCs物种初始浓度时使用以下公式：

[VOC_i]₀＝[VOC_i]_t×e^ki×[OH]△t

其中，t＝t₀代表初始时间，t＝t代表观测时间，[VOC_i]_t和[VOC_i]₀分别代表该单个VOCs物种VOC_i的观测浓度和初始浓度，B和C代表一次排放的物种对，k_i、k_B和k_C分别代表该单个VOCs物种VOC_i、物种B和物种C与OH自由基反应的速率常数，[OH]×△t为OH自由基的环境暴露量，其中[OH]表示OH自由基的浓度，△t表示反应时间。所述物种B选择乙苯，物种C选择间/对二甲苯，即选择乙苯和间/对二甲苯计算初始混合比，选择夜间乙苯和间/对二甲苯比值的最大值做为初始比例。

本发明实施例中，当VOCs物种为异戊二烯，初始异戊二烯浓度使用连续反应模型进行测算：

[ISOP]₀＝[ISOP]_t×e^{(kISOP×[OH]×Δt)}

其中，[ISOP]_t和[MACR]_t分别为异戊二烯和甲基丙烯醛(异戊二烯的氧化产物)在t时刻的体积分数，k_ISOP和k_MACR分别为异戊二烯和甲基丙烯醛与OH自由基的反应速率常数，k_ISOP＝100.0×10^-12cm³(molecule·s)，k_MACR＝29.0×10^-12cm³(molecule·s)；[ISOP]₀为异戊二烯的初始体积分数，VOCs物种对应的与OH自由基反应的速率常数k_i的取值可以参照以下表格，也可由其他科学研究中获取。

表1：各VOCs物种K_i值

如图3和图4所示，作为本发明一个优选的实施例，使用PMF5.0模型对VOCs物种初始浓度进行来源解析的步骤，具体包括：

将VOCs物种初始浓度及其不确定数据输入PMF5.0模型并运行，根据结果中各排放源的合理解释和贡献占比，得到所述区域内污染源对受体点的VOCs初始浓度贡献比例，其中不确定数据由以下公式计算得到：

其中，MDL为各VOCs物种的检出限，由检测设备所得；u_ij为第i个样品中第j个VOCs物种的不确定度；x_ij为第i个样品中第j个VOCs物种的初始浓度；RSD为VOCs物种的不确定度，由检测设备所得。具体需要根据对本地VOCs排放源的初步了解以及数据的数学和物理意义，将因子数从由少到多逐一调试和优化模型，经过反复运算和调试，本发明实施例最终确定因子数为7。

根据表2中各污染源标识性VOCs物种解释各因子对应的污染源，本发明实施例中将7个因子分别解析为：溶剂使用源、餐饮源、天然源、机动车尾气源、工业源、汽油挥发源和燃烧源，输出因子图如图3所示。最终得到本发明实施例中各个污染源贡献分别为：燃烧源(21.1％)、机动车尾气源(19.2％)、汽油挥发源(18.3％)、工业源(15.3％)、溶剂使用源(11.7％)、天然源(7.9％)、餐饮源(6.5％)，如图4所示。所述PMF5.0模型通过分析各VOC组分的变化规律识别出VOCs排放源及其化学组成特征，并计算各类排放源对环境大气中VOCs初始浓度的贡献，所述变化规律包括时间变化和空间差异。与其它方法相比，PMF模型具有无需测量源成分谱、分解矩阵中元素非负、可以利用数据标准偏差进行优化等优点。

表2：各污染源标识性VOCs物种

作为本发明一个优选的实施例，利用XGBoost模型对来源解析结果、大气氧化性数据、TVOCs时间序列数据以及气象数据进行训练的步骤中，大气氧化性数据使用氧化剂浓度进行评价，使用公式[Ox]＝[O₃]+[NO₂]计算氧化剂浓度，其中，[Ox]表示氧化剂浓度，[O₃]表示O₃浓度，[NO₂]表示NO₂浓度。基于python的开源库XGBoost，完成机器学习算法XGBoost在数据集上的学习。将来源贡献结果数据(机动车尾气源、燃烧源、工业源、汽油挥发源、餐饮源、溶剂使用源以及天然源)、气象数据(温度、辐射强度、相对湿度、压强、风速以及风向)和大气氧化性数据纳入到机器学习模型中进行训练，XGBoost算法是boosting算法的一种实现方式，针对分类或回归问题具有非常好的效果。将融合后的多源数据划分为训练集和测试集，例如在本发明实施例中，训练集的样本数量为5370，测试集的样本数量为696。

样本集划分后，设置XGBoost初始模型的超参数：最大树深度max_depth＝6，模型学习率learning_rate＝0.3，子模型的数量n_estimators＝100，其他参数选择默认值。初始模型训练好后，在测试集上进行预测，模型TVOCs预测结果与实测结果进行相关性分析，获得相关性R＝0.64。以初始模型为基准，调整超参数的值，其中各参数的取值范围：max_depth＝[3，4，5，6，7，8]；learning_rate为0.1～0.7的1位小数；n_estimators＝[50，100，150，200，250，300，350]。通过控制变量法逐个对超参数进行修改，并评估每个参数组合中预测值与实测值的相关性R，当相关性R>0.9时，认为模型能够获得较好的预测性能。最终获得最优超参数组合：max_depth＝2，learning_rate＝0.08，n_estimators＝300，最优模型的TVOCs预测值与实测结果的相关性R＝0.98。

如图5和图6所示，作为本发明一个优选的实施例，基于SHAP值计算及量化各个驱动因素对VOCs初始浓度影响贡献时，将调优后的XGBoost模型输入SHAP的模型解释器中，计算单个样本中各个驱动因素对VOCs初始浓度的SHAP值，得到图5；量化VOCs污染源、大气氧化性以及气象因素对VOCs初始浓度的影响。为了将所选样本的驱动因素影响可视化，通过Python第三方库的JS包进行可视化展示。然后通过将某个驱动因素的所有SHAP值绝对值后再平均的值，作为该驱动因素对VOCs初始浓度的总体影响，最后得到所有驱动因素对VOCs初始浓度的总体影响，得到图6，图5是单个样品结果，图6是整体结果。

以上仅对本发明的较佳实施例进行了详细叙述，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域技术人员在考虑说明书及实施例处的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (7)

1.污染源和气象因素对VOCs初始浓度影响贡献评估方法，其特征在于，所述方法包括以下步骤：

获取大气中VOCs物种观测浓度；

计算VOCs物种初始浓度，使用PMF5.0模型对VOCs物种初始浓度进行来源解析，得到区域内污染源对受体点的VOCs初始浓度贡献比例；

利用XGBoost模型对来源解析结果、大气氧化性数据、TVOCs时间序列数据以及气象数据进行训练，TVOCs为所有VOCs物种初始浓度的累加和；

基于SHAP值计算及量化各个驱动因素对VOCs初始浓度影响贡献。

2.根据权利要求1所述的污染源和气象因素对VOCs初始浓度影响贡献评估方法，其特征在于，计算VOCs物种初始浓度时使用以下公式：

[VOC_i]₀＝[VOC_i]_t×e^ki×[OH]△t

其中，t＝t₀代表初始时间，t＝t代表观测时间，[VOC_i]_t和[VOC_i]₀分别代表该单个VOCs物种VOC_i的观测浓度和初始浓度，B和C代表一次排放的物种对，k_i、k_B和k_C分别代表该单个VOCs物种VOC_i、物种B和物种C与OH自由基反应的速率常数，[OH]×△t为OH自由基的环境暴露量，其中[OH]表示OH自由基的浓度，△t表示反应时间。

3.根据权利要求2所述的污染源和气象因素对VOCs初始浓度影响贡献评估方法，其特征在于，所述物种B选择乙苯，物种C选择间/对二甲苯。

4.根据权利要求1所述的污染源和气象因素对VOCs初始浓度影响贡献评估方法，其特征在于，使用PMF5.0模型对VOCs物种初始浓度进行来源解析的步骤，具体包括：

将VOCs物种初始浓度及其不确定数据输入PMF5.0模型并运行，根据结果中各排放源的解释和贡献占比，得到所述区域内污染源对受体点的VOCs初始浓度贡献比例，其中不确定数据由以下公式计算得到：

其中，MDL为各VOCs物种的检出限，由检测设备所得；u_ij为第i个样品中第j个VOCs物种的不确定度；x_ij为第i个样品中第j个VOCs物种的初始浓度；RSD为VOCs物种的不确定度，由检测设备所得。

5.根据权利要求1所述的污染源和气象因素对VOCs初始浓度影响贡献评估方法，其特征在于，利用XGBoost模型对来源解析结果、大气氧化性数据、TVOCs时间序列数据以及气象数据进行训练的步骤中，大气氧化性数据使用氧化剂浓度进行评价，使用公式[Ox]＝[O₃]+[NO₂]计算氧化剂浓度，其中，[Ox]表示氧化剂浓度，[O₃]表示O₃浓度，[NO₂]表示NO₂浓度。

6.根据权利要求1所述的污染源和气象因素对VOCs初始浓度影响贡献评估方法，其特征在于，基于SHAP值计算及量化各个驱动因素对VOCs初始浓度影响贡献时，将调优后的XGBoost模型输入SHAP的模型解释器中，计算单个样本中各个驱动因素对VOCs初始浓度的SHAP值，量化VOCs污染源、大气氧化性以及气象因素对VOCs初始浓度的影响。

7.根据权利要求4所述的一种污染源和气象因素对VOCs初始浓度影响贡献评估方法，其特征在于，所述PMF5.0模型通过分析各VOC组分的变化规律识别出VOCs排放源及其化学组成特征，并计算各类排放源对环境大气中VOCs初始浓度的贡献，所述变化规律包括时间变化和空间差异。