CN117370772B - 基于城市街道地形分类的pm2.5扩散分析方法及系统 - Google Patents
基于城市街道地形分类的pm2.5扩散分析方法及系统 Download PDFInfo
- Publication number
- CN117370772B CN117370772B CN202311675765.0A CN202311675765A CN117370772B CN 117370772 B CN117370772 B CN 117370772B CN 202311675765 A CN202311675765 A CN 202311675765A CN 117370772 B CN117370772 B CN 117370772B
- Authority
- CN
- China
- Prior art keywords
- street
- wind speed
- micro
- wind
- terrain
- 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.)
- Active
Links
- 238000012876 topography Methods 0.000 title claims abstract description 43
- 238000009792 diffusion process Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 239000003570 air Substances 0.000 description 8
- 239000013618 particulate matter Substances 0.000 description 5
- 239000000443 aerosol Substances 0.000 description 3
- 239000000809 air pollutant Substances 0.000 description 3
- 231100001243 air pollutant Toxicity 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 101100323157 Arabidopsis thaliana LAP1 gene Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明基于城市街道地形分类的PM2.5扩散分析方法及系统，该方法包括：通过街道的形状、走向和街道两侧楼宇的高度，识别待预测城市中的多种不同的街道微地形；预测t时刻之后的未来一段时间的PM2.5预测值；根据天气数值预报获取t时刻之后的未来一段时间的中尺度的气象数据，将小尺度的网格中的气象数据分别输入对应位置的微地形风速模型中，得到微地形的风速和风向；分别计算PM2.5预测值在对应的微地形的风速和风向影响下的逸散速度，得到修正后在未来一段时间内的PM2.5扩散速度和范围，修正每个网格的对应时刻的PM2.5预测值。本发明可以提高未来几小时的PM2.5的浓度预测精度。
Description
技术领域
本发明涉及大气污染监测技术领域。具体而言，涉及一种基于城市街道地形分类的PM2.5扩散分析方法及系统。
背景技术
PM2.5 即细颗粒物。细颗粒物指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物，也称PM25、可入肺颗粒物。它能较长时间悬浮于空气中，其在空气中含量(浓度)越高，就代表空气污染越严重。虽然 PM2.5 只是地球大气成分中含量很少的组分，但它对空气质量和能见度等有重要的影响。与较粗的大气颗粒物相比，PM2.5粒径小，表面积大，活性强，易附带有毒、有害物质(例如，重金属、微生物等)，且在大气中的停留时间长、输送距离远，因而对人体健康和大气环境质量的影响更大。
随着科学技术的快速发展和人体健康问题的热烈关注，越来越多的国家开始将PM2.5作为重点检测对象。目前通常通过检测气溶胶光学厚度来检测或者计算PM2.5的浓度，并结合天气天气数值预报的风速来综合计算预测PM2.5的扩散速度，从而预测在未来一段时间（1-24小时内的）的PM2.5的浓度。但是由于气溶胶光学厚度通常通过卫星获取的云层数据或者从地面通过激光雷达获取的云层数据来计算，这种计算所得的气溶胶光学厚度在离地1km以上的空间上结合当日平均风速来计算PM2.5的逸散速度是相对准确的。但在离地1km以下的空间内，由于风在城市上空并不是平稳的流动，其与天气数值预报或者风速监测站所获取的平均风速差异较大。风在离地1km以下的空间内是无规则的，可能跳跃性地升速和降速，旋转（或旋涡）或者波浪式前行，这种城市气流运动可以称为湍流。湍流是由于风受地形和建筑物的影响而产生的。其存在不规律性，因而难以预测其速度和走向。导致在进行PM2.5浓度预测时，无法准确地不同的地形区域，在受地形和建筑物的影响而产生的PM2.5的扩散速度差异。因而，建立一个 PM2.5扩散模拟及预测分析模型迫在眉睫。
现有的PM2.5扩散模型常用的有高斯模型、熏烟模型、颗粒物模型等。这些模型都是以线性模式为结构基础，而城市结构比较复杂，使得影响了预测PM2.5的准确度、精确度。
发明内容
本发明正是基于现有技术的上述需求而提出的，本发明现有PM2.5监测以及预测时通常从整体上考虑其扩散变化，未考虑地形对扩散速度影响的问题，提供一种基于城市街道地形分类的PM2.5扩散分析方法及系统。
为了解决上述问题，本发明是采用如下技术方案实现的：
一种基于城市街道地形分类的PM2.5扩散分析方法，包括：
1）获取待预测城市的高程数据，将待预测城市划分为小尺度的均匀的网格；通过街道的形状、走向和街道两侧楼宇的高度，识别待预测城市中的多种不同的街道微地形；
2）基于t时刻之前的监测站的PM2.5浓度时间序列预测t时刻之后的未来一段时间的PM2.5预测值；将PM2.5预测值插值到小尺度的网格中；
3）根据天气数值预报获取t时刻之后的未来一段时间的中尺度的气象数据，包括降雨量、风速、风向以及温度；将中尺度的气象数据插值到小尺度的网格中；
4）针对每个不同的街道微地形训练对应的微地形风速模型，将小尺度的网格中的气象数据分别输入对应位置的微地形风速模型中，得到微地形的风速和风向；
5）针对每个小尺度的网格，分别计算PM2.5预测值在对应的微地形的风速和风向影响下的逸散速度，得到修正后在未来一段时间内的PM2.5扩散速度和范围，修正每个网格的对应时刻的PM2.5预测值。
可选地，街道微地形包括：独立高楼区域、盆地区域、两侧高楼的直道、两侧高楼的弯道以及单侧高楼道路。
可选地，独立高楼区域，为楼栋与周围至少三个方向的海拔高相差50m以上；
盆地区域，为多个海拔高差小于20m的网格区域连成的区域与周围三个以上的方向的海拔高差50m以上；
两侧高楼的直道，为多个海拔高差小于20m的网格连成的直线道路区域与两侧楼栋连线区域之间的海拔高差50m以上；
两侧高楼的弯道，为多个海拔高差小于20m的网格连成的道路符合预设弯道条件且与两侧楼栋连线区域之间的海拔高差50m以上；
单侧高楼道路，为多个海拔高差小于20m的网格连成的道路区域与单侧楼栋连线区域之间的海拔高差50m以上。
可选地，针对每个不同的街道微地形训练对应的微地形风速模型，包括以下步骤：
选取街道微地形的典型地点，通过采集进入街道的降雨量、风速、风向以及温度，和从街道尾部以及多个楼栋顶部的降雨量、风速、风向以及温度，进行持续一段时间的数据累积；
根据采集的数据，计算典型地点的街道微地形的迎风角、迎风风速以及地面离去角、上边界离去角和对应的离去风速；
将所得数据作为训练集数据；每条训练集数据包括：进入街道的降雨量、风速、风向、温度、街道的长度和宽度、迎风角、迎风风速以及地面离去角、上边界离去角和对应的离去风速；
根据街道微地形的分类，通过机器学习分别训练对应的多个微地形风速模型；每个微地形风速模型的输入为进入街道的降雨量、风速、风向和温度，输出为地面离去角、上边界离去角和对应的离去风速。
可选地，持续一段时间的数据累积，持续时间至少为3个月。
可选地，训练对应的微地形风速模型，还包括：持续采集典型地点的街道微地形的进入街道的降雨量、风速、风向以及温度，和从街道尾部以及多个楼栋顶部的降雨量、风速、风向以及温度，通过机器学习更新对应的多个微地形风速模型。
可选地，计算PM2.5预测值在对应的微地形的风速和风向影响下的逸散速度，包括：
当网格处于微地形区域时，计算每个网格在对应的街道微地形的地面离去角、上边界离去角方向的风向和对应的离去风速作用下，在未来一段时间可以到达的位置以及逸散范围。
可选地，修正每个网格的对应时刻的PM2.5预测值，包括将微地形区域内的网格的PM2.5预测值更新为修正后的PM2.5预测值。
可选地，预设弯道条件包括弯道的延伸线的夹角约束以及街道的直线段的长度约束。
可选地，识别待预测城市中的多种不同的街道微地形后，还通过将周边的网格补入街道微地形区域以将街道微地形区域的边界平滑化成由直线段和/或者平滑曲线段的连接的围合区域。
第二方面，本发明还提供一种基于城市街道地形分类的PM2.5扩散分析系统，包括存储器、处理器以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计算机程序时实现上述任一方法的步骤。
与现有技术相比，本发明通过将PM2.5的时间预测序列与特殊地形的风速与温度结合，计算得到不同地形的不同的PM2.5的扩散速度，从而各网格区域的时间序列预测值进行修正，从而提高未来几小时的PM2.5的浓度预测精度。
附图说明
图1为本发明实施例的基于城市街道地形分类的PM2.5扩散分析方法的流程示意图。
具体实施方式
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
接近地表的湍流空间里以建筑物屋项为界限，由屋顶向上到积云中部叫城市边界层。属于气象科学中的“中尺度”气候，城市生活中散发的各种热力与风的相互影响加速了湍流的混合。使得上下层物质和能量交换频繁;建筑物屋项以下到地面叫城市覆盖层，是气象科学中的“小尺度”气候。它与建筑物密度、高度、几何形状、门窗朝向、街道宽度和走向、绿化面积、空气中污染物浓度等人为因素关系密切。"小尺度”气候中还可以细分为建筑物气候、城市街道峡谷气候、商业区气候、住宅气候和工业区气候等等。
风在城市中所形成的湍流中。风遇到高层建筑时会改变方向；下沉的风受楼与楼的阻挡通道变窄气流穿过时受到挤压，当降到行人的高度就会形成涡流风、穿堂风和角流风三个大风区。道路两旁高低错落的建筑物构成了街道峡谷。这些风往往都汇合在街道峡谷里出现乱流涡旋风和升降气流，从而形成街道风。街道风的强度与街道宽度以及街道走向有关。
当风向与街道走向相一致时,会形成街道峡谷，犹如变窄的通道,此时风受到不同方向的挤压,加速穿过街道,街道的“狭管效应”就制造出强风。如果街道的宽度较窄,风速大时,强大的乱流涡旋风再加上升降气流就形成了街道风暴。现实中，吹向街道的风大多数是从侧面吹来的，受街道两旁建筑物的部分阻挡,这种风表现为螺旋型的涡动。风速大时,行使在道路上的人流和车辆会遭遇到较大的侧面推力,推力推动风在街道两侧的建筑物的阻挡反射，使得气流来回的晃动和旋转并且向旁边滚动，此时形成波浪式前进的风，甚至还包含向前摆动的涡旋。当风沿着低矮楼朝高楼吹时,楼与楼之间的街道走向与风向相垂直,由于风受到楼的多层阻挡,街道上的风并不是很大,但是翻越高楼顶上的风力较大。由此可见，街道走向、街道宽度和两旁建筑物的高度对街道风影响很大,而实际情况还与街道所在的地理位置以及这个地段常年的风、云、温湿度等气候条件有关,还与街道的绿化和规划设计密切相关。通过计算难以得到较准确的结果。
参见图1，本发明实施例的基于城市街道地形分类的PM2.5扩散分析方法，包括：
1）获取待预测城市的高程数据，将待预测城市划分为小尺度的均匀的网格；通过街道的形状、走向和街道两侧楼宇的高度，识别待预测城市中的多种不同的街道微地形。
实施时，街道微地形包括：独立高楼区域、盆地区域、两侧高楼的直道、两侧高楼的弯道以及单侧高楼道路。
本实施例的采用的识别方式如下：
独立高楼区域，为楼栋与周围至少三个方向的海拔高相差50m以上。独立高楼区域，当风向以接近切向吹入该区域时，可能形成围绕该区域的旋转风，且风速通过旋转加速，使得该区域的近地空气污染物形成中心聚集而周围加速逸散的形态。
盆地区域，为多个海拔高差小于20m的网格区域连成的区域与周围三个以上的方向的海拔高差50m以上。当风速从切向吹入盆地区域时，也可能形成围绕该区域的涡旋风，导致盆地区域的近地空气污染物聚而不散的形态。
两侧高楼的直道，为多个海拔高差小于20m的网格连成的直线道路区域与两侧楼栋连线区域之间的海拔高差50m以上。当风速以较小的迎风角吹入街道时，形成街道峡谷，街道的“狭管效应”使得风速急速增大，形成强风，使得近地空气污染物沿着街道的延伸方向快速运动，而在楼顶的上离去角则缩小，从该街道微地形吹出的风向与街道的走向逐渐接近，离去角的大小取决于风速，以及街道的长度和宽度的影响。而当迎风角较大时，风在街道内形成波动风，其风速呈现无规律变化且离去角也随风速减小而逐渐减小。
两侧高楼的弯道，为多个海拔高差小于20m的网格连成的道路符合预设弯道条件且与两侧楼栋连线区域之间的海拔高差50m以上。当风速通过该区域时，微地形风速模型训练时，还需要加入街道夹角的数据，此时风速受街道的夹角、各段的长度和宽度的多因素影响，可能呈现几种不同的风速变化，例如漩涡风，强风（狭管效应）等。同样还需要考虑降雨量、温度以及湿度，使得风速携带的重量的变化从而形成不同的湍流的混合效应。预设弯道条件包括弯道的延伸线的夹角约束（例如弯道夹角小于225度）以及街道的直线段的长度约束。
单侧高楼道路，为多个海拔高差小于20m的网格连成的道路区域与单侧楼栋连线区域之间的海拔高差50m以上。风从低侧向高侧吹过时，形成攀爬风，气流快速上升，导致携带近地面的空气污染物快速到达近地面的空中区域，实现风速的加大和风向的垂直改变。
由于风速的在城市微地形区域的不同变化，导致在各微地形区域的PM2.5的逸散速度差异较大，因此需要分多个模型进行修正。
在识别待预测城市中的多种不同的街道微地形后，还通过将周边的网格补入街道微地形区域以将街道微地形区域的边界平滑化成由直线段和/或者平滑曲线段的连接的围合区域。风速的影响范围比微地形区域的范围要大，方便计算的同时，还可以根据情况将周围的网格进行补入，更符合周围的风速扰动的实际情况。在实际应用时，还可以在离去角方向划定一定的区域作为受城市微地形影响的拖尾区域（风速融合缓冲区），采用离开后风速逐渐又回归该地区平均风速的场景计算拖尾区域的范围，采用之后的步骤也对拖尾区域的PM2.5的浓度进行修正（修正值随拖尾的方向递减）。
2）基于t时刻之前的监测站的PM2.5浓度时间序列预测t时刻之后的未来一段时间的PM2.5预测值；将PM2.5预测值插值到小尺度的网格中。
3）根据天气数值预报获取t时刻之后的未来一段时间的中尺度的气象数据，包括降雨量、风速、风向以及温度；将中尺度的气象数据插值到小尺度的网格中。
4）针对每个不同的街道微地形训练对应的微地形风速模型，将小尺度的网格中的气象数据分别输入对应位置的微地形风速模型中，得到微地形的风速和风向。
实施时，针对每个不同的街道微地形训练对应的微地形风速模型，包括以下步骤：
选取街道微地形的典型地点，通过采集进入街道的降雨量、风速、风向以及温度，和从街道尾部（风穿过街道或微地形区域后离开的位置）以及多个楼栋顶部的降雨量、风速、风向以及温度，进行持续一段时间的数据累积（本实施例持续时间至少为3个月）；
根据采集的数据，计算典型地点的街道微地形的迎风角、迎风风速以及地面离去角、上边界离去角和对应的离去风速；
将所得数据作为训练集数据；每条训练集数据包括：进入街道的降雨量、风速、风向、温度、迎风角、迎风风速以及地面离去角、上边界离去角和对应的离去风速；
根据街道微地形的分类，通过机器学习分别训练对应的多个微地形风速模型；每个微地形风速模型的输入为进入街道的降雨量、风速、风向和温度，输出为地面离去角、上边界离去角和对应的离去风速。
在将初始的模型投入预测试验或者实际应用以后，可以持续采集典型地点的街道微地形的进入街道的降雨量、风速、风向以及温度，和从街道尾部以及多个楼栋顶部的降雨量、风速、风向以及温度，通过机器学习更新对应的多个微地形风速模型。
本实施例中，迎风角是指吹入风向与街道走向的夹角，地面离去角为吹出风向与街道走向的夹角，上边界离去角为吹出风向与垂直方向的夹角。
5）针对每个小尺度的网格，分别计算PM2.5预测值在对应的微地形的风速和风向影响下的逸散速度，得到修正后在未来一段时间内的PM2.5扩散速度和范围，修正每个网格的对应时刻的PM2.5预测值。未识别到城市微地形区域的PM2.5的预测值仍采用常规值。常规值的预测可以采用现有技术的PM2.5的浓度预测系统和方案。
实施时，当网格处于微地形区域时，计算每个网格在对应的街道微地形的地面离去角、上边界离去角方向的风向和对应的离去风速作用下，在未来一段时间可以到达的位置以及逸散范围。然后将微地形区域内的网格的PM2.5预测值更新为修正后的PM2.5预测值。
以上步骤是通过城市微地形的划分，精细化微地形区域的近地面的风速，例如在，在盆地区域形成的旋涡风，以及在两侧高楼的主干道路（类似于夹巷或者风洞）风向与平均风向基本同向时，其风速会大于平均风速；而当为两侧高楼的弯道时，依据弯道的长度、宽度和走向，会形成风的转向或者汇合，也使得该地区的风速风向与平均风速形成典型差异，从而影响PM2.5在该地区的聚集和逸散。在两侧高楼的主干道路地区会比两侧高楼的弯道在通常情况下逸散更快，而当风向与两侧高楼的弯道呈一定范围的夹角时，该区域的PM2.5会聚而不散，当风向与弯道的一端基本平行或者夹角较小时，弯道区域的PM2.5则快速逸散。风向和风速的不同于地形的相互作用存在多种可能，则需要通过训练对应街道微地形风速模型的风速数据修正模型进行统计和预测，可以通过机器学习模型，或者神经网络模型进行训练。只要能达到结合城市微地形对风向和风速进行修正的目的即可。
第二方面，本发明实施例还提供一种基于城市街道地形分类的PM2.5扩散分析系统，包括存储器、处理器以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计算机程序时实现上述任一实施例的步骤。
综上可知，本发明通过将PM2.5的时间预测序列与特殊地形的风速与温度结合，计算得到不同地形的不同的PM2.5的扩散速度，从而对时间序列预测值进行修正，从而提高未来几小时的PM2.5的浓度预测精度。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连；可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征 “上”或“下”，可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”，可以是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”，可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度低于第二特征。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行改动、修改、替换和变型。
Claims (8)
1.一种基于城市街道地形分类的PM2.5扩散分析方法，其特征在于，包括：
1）获取待预测城市的高程数据，将待预测城市划分为小尺度的均匀的网格；通过街道的形状、走向和街道两侧楼宇的高度，识别待预测城市中的多种不同的街道微地形；所述街道微地形包括：独立高楼区域、盆地区域、两侧高楼的直道、两侧高楼的弯道以及单侧高楼道路；
2）基于t时刻之前的监测站的PM2.5浓度时间序列预测t时刻之后的未来一段时间的PM2.5预测值；将PM2.5预测值插值到小尺度的网格中；
3）根据天气数值预报获取t时刻之后的未来一段时间的中尺度的气象数据，包括降雨量、风速、风向以及温度；将中尺度的气象数据插值到小尺度的网格中；
4）针对每个不同的街道微地形训练对应的微地形风速模型，将小尺度的网格中的气象数据分别输入对应位置的微地形风速模型中，得到微地形的风速和风向；其中，所述针对每个不同的街道微地形训练对应的微地形风速模型，包括以下步骤：
选取街道微地形的典型地点，通过采集进入街道的降雨量、风速、风向以及温度，和从街道尾部以及多个楼栋顶部的降雨量、风速、风向以及温度，进行持续一段时间的数据累积；
根据采集的数据，计算典型地点的街道微地形的迎风角、迎风风速以及地面离去角、上边界离去角和对应的离去风速；
将所得数据作为训练集数据；每条训练集数据包括：进入街道的降雨量、风速、风向、温度、街道的长度和宽度、迎风角、迎风风速以及地面离去角、上边界离去角和对应的离去风速；
根据街道微地形的分类，通过机器学习分别训练对应的多个微地形风速模型；每个微地形风速模型的输入为进入街道的降雨量、风速、风向和温度、街道的长度和宽度，输出为地面离去角、上边界离去角和对应的离去风速；
5）针对每个小尺度的网格，分别计算PM2.5预测值在对应的微地形的风速和风向影响下的逸散速度，得到修正后在未来一段时间内的PM2.5扩散速度和范围，修正每个网格的对应时刻的PM2.5预测值。
2.根据权利要求1所述的方法，其特征在于，
所述独立高楼区域，为楼栋与周围至少三个方向的海拔高相差50m以上；
所述盆地区域，为多个海拔高差小于20m的网格区域连成的区域与周围三个以上的方向的海拔高差50m以上；
所述两侧高楼的直道，为多个海拔高差小于20m的网格连成的直线道路区域与两侧楼栋连线区域之间的海拔高差50m以上；
两侧高楼的弯道，为多个海拔高差小于20m的网格连成的道路符合预设弯道条件且与两侧楼栋连线区域之间的海拔高差50m以上；
单侧高楼道路，为多个海拔高差小于20m的网格连成的道路区域与单侧楼栋连线区域之间的海拔高差50m以上。
3.根据权利要求1所述的方法，其特征在于，所述持续一段时间的数据累积，持续时间至少为3个月。
4.根据权利要求1所述的方法，其特征在于，所述训练对应的微地形风速模型，还包括：持续采集典型地点的街道微地形的进入街道的降雨量、风速、风向以及温度，和从街道尾部以及多个楼栋顶部的降雨量、风速、风向以及温度，通过机器学习更新对应的多个微地形风速模型。
5.根据权利要求1所述的方法，其特征在于，所述计算PM2.5预测值在对应的微地形的风速和风向影响下的逸散速度，包括：
当网格处于微地形区域时，计算每个网格在对应的街道微地形的地面离去角、上边界离去角方向的风向和对应的离去风速作用下，在未来一段时间可以到达的位置以及逸散范围。
6.根据权利要求1至2中任一项所述的方法，其特征在于，所述修正每个网格的对应时刻的PM2.5预测值，包括将微地形区域内的网格的PM2.5预测值更新为修正后的PM2.5预测值。
7.根据权利要求2所述的方法，其特征在于，所述预设弯道条件包括弯道的延伸线的夹角约束以及街道的直线段的长度约束。
8.一种基于城市街道地形分类的PM2.5扩散分析系统，包括存储器、处理器以及存储在存储器上并可在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计算机程序时实现上述权利要求1至7中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311675765.0A CN117370772B (zh) | 2023-12-08 | 2023-12-08 | 基于城市街道地形分类的pm2.5扩散分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311675765.0A CN117370772B (zh) | 2023-12-08 | 2023-12-08 | 基于城市街道地形分类的pm2.5扩散分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117370772A CN117370772A (zh) | 2024-01-09 |
| CN117370772B true CN117370772B (zh) | 2024-04-16 |
Family
ID=89391429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311675765.0A Active CN117370772B (zh) | 2023-12-08 | 2023-12-08 | 基于城市街道地形分类的pm2.5扩散分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117370772B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002006076A (ja) * | 2000-06-19 | 2002-01-09 | Hitachi Ltd | 放射性物質拡散予測システム |
| JP2005172442A (ja) * | 2003-12-08 | 2005-06-30 | Mitsubishi Heavy Ind Ltd | 大気汚染物質の濃度予測方法、装置、並びにプログラム及び大気汚染物質の濃度予測情報提供装置 |
| JP2013088206A (ja) * | 2011-10-14 | 2013-05-13 | Mitsubishi Heavy Ind Ltd | 拡散状況予測システム |
| EP2797041A1 (en) * | 2013-04-26 | 2014-10-29 | Università Del Salento - Dipartimento Di Ingegneria Dell'Innovazione | Method for estimating pollutant concentration of urban environments using fluid-dynamics clustering |
| CN106777762A (zh) * | 2016-12-31 | 2017-05-31 | 中国科学技术大学 | 一种街道峡谷内污染物分布实时估计方法 |
| CN108120661A (zh) * | 2017-12-19 | 2018-06-05 | 北京理工大学 | 一种城市空气中颗粒物含量时空分布测定方法 |
| CN108701274A (zh) * | 2017-05-24 | 2018-10-23 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
| CN109934377A (zh) * | 2018-12-29 | 2019-06-25 | 段文旭 | 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 |
| CN111126710A (zh) * | 2019-12-27 | 2020-05-08 | 成都星时代宇航科技有限公司 | 一种大气污染物预测方法 |
| CN111178653A (zh) * | 2018-11-13 | 2020-05-19 | 百度在线网络技术（北京）有限公司 | 用于确定污染区域的方法和装置 |
| CN113255956A (zh) * | 2021-03-31 | 2021-08-13 | 杭州谱育科技发展有限公司 | 城市大气污染预测方法 |
| CN113344149A (zh) * | 2021-08-06 | 2021-09-03 | 浙江大学 | 一种基于神经网络的pm2.5逐小时预测方法 |
| CN115598027A (zh) * | 2022-06-16 | 2023-01-13 | 广东省深圳生态环境监测中心站（广东省东江流域生态环境监测中心）（Cn） | 一种基于遥感和机器学习技术的pm2.5反演方法 |
| CN117034660A (zh) * | 2023-10-08 | 2023-11-10 | 暨南大学 | 一种街区尺度空气质量预报方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5137040B2 (ja) * | 2007-10-29 | 2013-02-06 | 独立行政法人海洋研究開発機構 | 気象シミュレーション装置、及び、方法 |
| KR100921575B1 (ko) * | 2009-09-02 | 2009-10-12 | 한국에너지기술연구원 | 지형해상도 차이를 고려한 대기 유동장 해석 방법 |
| US10393714B2 (en) * | 2016-11-28 | 2019-08-27 | International Business Machines Corporation | Particulate matter monitoring |
-
2023
- 2023-12-08 CN CN202311675765.0A patent/CN117370772B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002006076A (ja) * | 2000-06-19 | 2002-01-09 | Hitachi Ltd | 放射性物質拡散予測システム |
| JP2005172442A (ja) * | 2003-12-08 | 2005-06-30 | Mitsubishi Heavy Ind Ltd | 大気汚染物質の濃度予測方法、装置、並びにプログラム及び大気汚染物質の濃度予測情報提供装置 |
| JP2013088206A (ja) * | 2011-10-14 | 2013-05-13 | Mitsubishi Heavy Ind Ltd | 拡散状況予測システム |
| EP2797041A1 (en) * | 2013-04-26 | 2014-10-29 | Università Del Salento - Dipartimento Di Ingegneria Dell'Innovazione | Method for estimating pollutant concentration of urban environments using fluid-dynamics clustering |
| CN106777762A (zh) * | 2016-12-31 | 2017-05-31 | 中国科学技术大学 | 一种街道峡谷内污染物分布实时估计方法 |
| CN108701274A (zh) * | 2017-05-24 | 2018-10-23 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
| WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
| CN108120661A (zh) * | 2017-12-19 | 2018-06-05 | 北京理工大学 | 一种城市空气中颗粒物含量时空分布测定方法 |
| CN111178653A (zh) * | 2018-11-13 | 2020-05-19 | 百度在线网络技术（北京）有限公司 | 用于确定污染区域的方法和装置 |
| CN109934377A (zh) * | 2018-12-29 | 2019-06-25 | 段文旭 | 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 |
| CN111126710A (zh) * | 2019-12-27 | 2020-05-08 | 成都星时代宇航科技有限公司 | 一种大气污染物预测方法 |
| CN113255956A (zh) * | 2021-03-31 | 2021-08-13 | 杭州谱育科技发展有限公司 | 城市大气污染预测方法 |
| CN113344149A (zh) * | 2021-08-06 | 2021-09-03 | 浙江大学 | 一种基于神经网络的pm2.5逐小时预测方法 |
| CN115598027A (zh) * | 2022-06-16 | 2023-01-13 | 广东省深圳生态环境监测中心站（广东省东江流域生态环境监测中心）（Cn） | 一种基于遥感和机器学习技术的pm2.5反演方法 |
| CN117034660A (zh) * | 2023-10-08 | 2023-11-10 | 暨南大学 | 一种街区尺度空气质量预报方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘建峰 ; 王宝庆 ; 牛宏宏 ; 刘博薇 ; 任自会 ; 陈荣会 ; 王泽北 ; .计算流体力学模拟街道峡谷特征和风向对细颗粒物污染扩散的影响.环境污染与防治.2017,39(04),367-374. * |
| 计算流体力学模拟街道峡谷特征和风向对细颗粒物污染扩散的影响;刘建峰;王宝庆;牛宏宏;刘博薇;任自会;陈荣会;王泽北;;环境污染与防治;39(04);367-374 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117370772A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kang et al. | Computational fluid dynamics simulation of tree effects on pedestrian wind comfort in an urban area | |
| van Druenen et al. | CFD evaluation of building geometry modifications to reduce pedestrian-level wind speed | |
| Kikumoto et al. | Observational study of power-law approximation of wind profiles within an urban boundary layer for various wind conditions | |
| Blocken et al. | A review of wind-driven rain research in building science | |
| Wu et al. | Designing for pedestrian comfort in response to local climate | |
| Yao et al. | Characteristics of daily extreme-wind gusts along the Lanxin Railway in Xinjiang, China | |
| He et al. | Estimation of roughness length at Hong Kong International Airport via different micrometeorological methods | |
| Dhunny et al. | Investigation of multi-level wind flow characteristics and pedestrian comfort in a tropical city | |
| Cauteruccio et al. | Snow particle collection efficiency and adjustment curves for the hotplate precipitation gauge | |
| CN117370772B (zh) | 基于城市街道地形分类的pm2.5扩散分析方法及系统 | |
| Bharat et al. | Effects of high rise building complex on the wind flow patterns on surrounding urban pockets | |
| Georgakis et al. | Wind and temperature in the urban environment | |
| Grimmond et al. | Urban measurements and their interpretation | |
| Alexandrova et al. | The influence of thermally driven circulation on PM10 concentration in the Salt Lake Valley | |
| Stathopoulos | Introduction to environmental aerodynamics | |
| Chiu | The Effect of Overhang on Wind-Driven Rain Wetting for a Mid-Rise Building | |
| Mogra et al. | Conceptual Framework for Planning Urban Roadside Vegetation to Enhance Air Quality for Roadside Users | |
| 丹治星河 | Diagnosis of the Blowing Snow Potential and Development of a Snowdrift Model with the Lattice Boltzmann Method | |
| Cao et al. | Towards urban wind utilization: The spatial characteristics of wind energy in urban areas | |
| Rivard et al. | Pedestrian Level Wind Study Petrie’s Landing I–Towers 3, 4, & 5 Ottawa, Ontario | |
| Sánchez et al. | Impact of Atmospheric Stability on Pollutants Dispersion in Urban Areas Using a CFD-RANS Model | |
| Alrawashdeh et al. | A highway tunnel portal: A case study for ground-level wind mapping | |
| Van der Kamp et al. | Comparison of tethered balloon vertical profiles of particulate matter size distributions with lidar ceilometer backscatter in the nocturnal urban boundary layer | |
| Stathopoulos | WIND ENVIRONMENTAL CONDITIONS AROUND THE PROJECT “1 HILLSIDE” | |
| Egloff | The Laseyer Rotor-Dynamics & Climatology: A detailed case study using large-eddy simulations and a climatological analysis of local weather station data |
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 |