CN117709208A - 一种人为排放污染物的大气环境容量计算方法 - Google Patents
一种人为排放污染物的大气环境容量计算方法 Download PDFInfo
- Publication number
- CN117709208A CN117709208A CN202410164183.4A CN202410164183A CN117709208A CN 117709208 A CN117709208 A CN 117709208A CN 202410164183 A CN202410164183 A CN 202410164183A CN 117709208 A CN117709208 A CN 117709208A
- Authority
- CN
- China
- Prior art keywords
- target
- target area
- data
- concentration
- pollutant
- 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 120
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 118
- 238000004364 calculation method Methods 0.000 title claims abstract description 31
- 238000007599 discharging Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims description 51
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 48
- 239000000126 substance Substances 0.000 claims description 40
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 238000007637 random forest analysis Methods 0.000 claims description 28
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical group O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 26
- 238000001556 precipitation Methods 0.000 claims description 23
- 239000000356 contaminant Substances 0.000 claims description 20
- 229910021529 ammonia Inorganic materials 0.000 claims description 18
- 150000002500 ions Chemical class 0.000 claims description 14
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical group CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 12
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 12
- 238000009792 diffusion process Methods 0.000 claims description 11
- 238000004062 sedimentation Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 8
- 230000008033 biological extinction Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical compound [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 claims description 4
- 229910002651 NO3 Inorganic materials 0.000 claims description 4
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 4
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
-
- 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)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种人为排放污染物的大气环境容量计算方法，涉及大气环境科学技术领域，本发明通过融合气象数据、风廓线数据、激光雷达数据和地面监测站的污染物浓度、组分等数据，基于污染物的物理和化学性质，结合随机森林模型，提出了一种快速、合理计算大气环境容量的方法，本方法不仅可以直接计算大气环境容量，还可以采用预报数据对大气环境容量进行计算，便于尽早进行污染管控。
Description
技术领域
本发明涉及大气环境科学技术领域，具体涉及一种人为排放污染物的大气环境容量计算方法。
背景技术
环境质量底线是指标控制线，规定了区域环境管控、污染物排放控制等指标要求，常基于环境容量来进行指标管控。
针对大气环境容量预测，当前主流的分析手段主要包括：AP值法、线性规划法和模式模拟法。AP值法是最早的容量核算方法，适合大空间尺度上进行总量核算，原理在于将研究区视为箱体，同时假设箱体内污染物含量不受箱外污染排放影响，箱中某一污染物的环境容量与自然扩散能力、区域面积成正比。
线性规划法基于污染物排放总量和实际含量之间为显著性线性关系，利用线性规划理论，以管控限定浓度做为约束条件，得出排放源的最大学科排放量；该方法可得到区域的最佳环境容量。
模式模拟法是指利用空气质量模式，确定了管控浓度后，从空间尺度和时间尺度上模拟污染物的物理化学变化，反推污染物的来源，进而核算出环境容量。
但AP值法未考虑时空变化，仅适用于大空间尺度，同时无法预测环境容量；线性规划法可能需要大量数据且无法考虑非线性因素，适用面窄；而模式模拟法则对模式准确性和数据精度有更高要求。因此，以上方法均难以进行任意时空尺度环境容量快速预测计算。
发明内容
针对现有技术中的上述不足，本发明提供的一种人为排放污染物的大气环境容量计算方法解决了现有方法难以进行任意时空尺度环境容量快速计算的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种人为排放污染物的大气环境容量计算方法，其包括以下步骤：
S1、获取目标区域激光雷达消光系数廓线数据、风廓线雷达风场数据和地理数据；
S2、基于目标区域地理数据，通过国标法计算混合层高度；
S3、获取目标区域地面处的目标污染物管控限制浓度，并根据消光系数廓线数据获取混合层高度内任一位置处的目标污染物管控限制浓度；
S4、基于混合层高度内任一位置处的目标污染物管控限制浓度、东西方向不同高度的风速和南北方向不同高度的风速获取目标区域中目标污染物的水平输送分量；
S5、根据目标区域中不同观测站点处的目标污染物浓度值获取目标区域中目标污染物的干沉降速率；
S6、基于目标区域中目标污染物的干沉降速率、目标区域中地面处的目标污染物管控限制浓度和目标区域投影面积获取目标区域中目标污染物的干沉降量；
S7、根据目标区域的降水数据和降水过程中不同时间点的目标污染物浓度，获取目标区域中目标污染物的湿沉降量；
S8、根据混合层最高位置处的目标污染物管控限制浓度和风速获取目标区域中目标污染物的扩散量；
S9、基于预设的常规大气六参数、氨气浓度和气象数据，通过随机森林模型获取目标污染物的化学转化率，并基于目标污染物的化学转化率计算目标污染物的化学消耗量；
S10、将目标区域中目标污染物的水平输送分量、干沉降量、湿沉降量、扩散量和化学消耗量进行单位统一，并在单位统一后进行数值相加，将数值相加结果作为目标区域中目标污染物的大气环境容量计算结果。
本发明的有益效果为：本发明基于边界层气象要素的垂直分布律，同时结合大气污染物的物理化学性质，实现管控单元内某一污染物的大气环境容量，提供了一种能够以任意时空尺度，同时兼具简单、快捷的人为排放污染物的大气环境容量计算方法，便于估算和预测大气环境容量。
附图说明
图1为本方法的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该人为排放污染物的大气环境容量计算方法包括以下步骤：
S1、获取目标区域激光雷达消光系数廓线数据、风廓线雷达风场数据和地理数据；
S2、基于目标区域地理数据，通过国标法计算混合层高度；
S3、获取目标区域地面处的目标污染物管控限制浓度，并根据消光系数廓线数据获取混合层高度内任一位置处的目标污染物管控限制浓度；
S4、基于混合层高度内任一位置处的目标污染物管控限制浓度、东西方向不同高度的风速和南北方向不同高度的风速获取目标区域中目标污染物的水平输送分量；
S5、根据目标区域中不同观测站点处的目标污染物浓度值获取目标区域中目标污染物的干沉降速率；
S6、基于目标区域中目标污染物的干沉降速率、目标区域中地面处的目标污染物管控限制浓度和目标区域投影面积获取目标区域中目标污染物的干沉降量；
S7、根据目标区域的降水数据和降水过程中不同时间点的目标污染物浓度，获取目标区域中目标污染物的湿沉降量；
S8、根据混合层最高位置处的目标污染物管控限制浓度和风速获取目标区域中目标污染物的扩散量；
S9、基于预设的常规大气六参数、氨气浓度和气象数据，通过随机森林模型获取目标污染物的化学转化率，并基于目标污染物的化学转化率计算目标污染物的化学消耗量；
S10、将目标区域中目标污染物的水平输送分量、干沉降量、湿沉降量、扩散量和化学消耗量进行单位统一，并在单位统一后进行数值相加，将数值相加结果作为目标区域中目标污染物的大气环境容量计算结果。
地理数据包括目标区域中心经纬度、黄经、总云量、低云量，以及地面、10m和混合层高度处的风速风向数据和PM2.5离子成分数据。
在本发明的一个实施例中，步骤S2的具体方法包括以下子步骤：
S2-1、根据公式：
获取目标区域太阳倾角；其中/>为黄经，/>，/>为一年中日期序数；
S2-2、根据公式：
获取目标区域太阳高度角；其中/>为时间；/>为目标区域经度；/>为目标区域纬度；
S2-3、根据太阳高度角和云量从太阳辐射等级表中获取当前的太阳辐射等级；
S2-4、根据当前的太阳辐射等级和地面风速从Pasquill稳定度表中获取当前的Pasquill稳定度；
S2-5、根据公式：
计算当前的混合层高度；其中/>为热力混合层系数；/>为机械混合层系数；/>为10米处的风速；/>为地转参数，/>，/>为地球自转角速度；/>分别表示Pasquill不同的稳定度，对应为强不稳定、不稳定、弱不稳定、中性、较稳定和稳定六级。
在本实施例中，太阳辐射等级表如表1所示，Pasquill稳定度表如表2所示，中国部分地区和/>的值如表3所示，表3中序号1-7对应的地区如表4所示。
表1：太阳辐射等级表
表2：Pasquill稳定度表
表3：中国部分地区和/>的值
表4：地区序号
计算某地区时，需考虑计算时段内平均风速情况，若平均风速小于1m/s，则地区序号取值7，反之取值6。
在本发明的一个实施例中，步骤S4中目标区域中目标污染物的水平输送分量的计算表达式为：
其中为目标区域中目标污染物的水平输送分量；/>为混合层高度；/>表示高度为/>处的目标污染物管控限制浓度，/>为地面的目标污染物管控限制浓度；/>表示高度为/>处的东西方向风速；/>表示高度为/>处的南北方向风速；/>表示目标区域的平均南北距离；表示目标区域的平均东西距离；/>表示不同高度层的高度差。
步骤S5中目标区域干沉降速率的计算表达式为：
其中为目标区域中目标污染物的干沉降速率；/>为混合层以内的平均风速；为混合层高度；/>表示两个观测站点之间的距离；/>表示下风向观测站点的大气浓度值；/>表示下风向观测站点的大气背景浓度值；/>为上风向观测站点的大气浓度值。
步骤S6中目标区域中目标污染物的干沉降量的计算表达式为：
其中为目标区域中目标污染物的干沉降量；/>为目标区域中目标污染物的干沉降速率；/>为目标区域地面处的目标污染物管控限制浓度；/>为目标区域的投影面积。
根据小时降水量、小时污染物浓度时间序列，求得污染物浓度关于降水量的函数式，同时当小时降水量小于0.1mm时，根据污染物湿清除理论，可得，其余降水强度时步骤S7中目标区域中目标污染物的湿沉降量的计算表达式为：
其中为目标区域中目标污染物的湿沉降量；/>表示目标区域历史降水期间目标污染物平均减少量；/>表示降水小时数；/>表示通过第/>小时的降水所降低的目标污染物量；/>表示第/>小时的降雨量；S表示目标区域的投影面积；/>表示目标区域某小时的实际降水量。
步骤S8中目标区域中目标污染物的扩散量的计算表达式为：
其中为目标区域中目标污染物的扩散量；/>表示混合层最高位置处的目标污染物管控限制浓度；/>表示混合层最高位置处的风速；/>表示目标区域的平均南北距离；表示目标区域的平均东西距离。
步骤S9的具体方法包括以下子步骤：
S9-1、若目标污染物为二氧化硫，则进入步骤S9-2；若目标污染物为二氧化氮，则进入步骤S9-3；若目标污染物为氨气，则进入步骤S9-4；若目标污染物为PM2.5或PM10或一氧化碳，则将其化学转化率设为0，并进入步骤S9-6；
S9-2、获取目标区域PM2.5数据中硫酸根的历史离子浓度数据，并将硫酸根的历史离子浓度除以对应的PM2.5浓度数据，得到二氧化硫的化学转换率时间序列；将二氧化硫的化学转换率时间序列作为随机森林模型的标签数据，将同时期的氨气浓度、气象数据和常规大气六参数作为随机森林模型的训练数据，得到基于氨气浓度、常规大气六参数和气象数据计算二氧化硫的化学转换率的随机森林模型，即二氧化硫对应的随机森林模型；进入步骤S9-5；
S9-3、获取目标区域PM2.5数据中硝酸根的历史离子浓度数据，并将硝酸根的历史离子浓度除以对应的PM2.5浓度数据，得到二氧化氮的化学转换率时间序列；将二氧化氮的化学转换率时间序列作为随机森林模型的标签数据，将同时期的氨气浓度、气象数据和常规大气六参数作为随机森林模型的训练数据，得到基于氨气浓度、常规大气六参数和气象数据计算二氧化氮的化学转换率的随机森林模型，即二氧化氮对应的随机森林模型；进入步骤S9-5；
S9-4、获取目标区域PM2.5数据中铵根的历史离子浓度数据，并将铵根的历史离子浓度除以对应的PM2.5浓度数据，得到氨气的化学转换率时间序列；将氨气的化学转换率时间序列作为随机森林模型的标签数据，将同时期的氨气浓度、气象数据和常规大气六参数作为随机森林模型的训练数据，得到基于氨气浓度、常规大气六参数和气象数据计算氨气的化学转换率的随机森林模型，即氨气对应的随机森林模型；进入步骤S9-5；
S9-5、将目标污染物的大气环境容量计算时段的氨气浓度、常规大气六参数和气象参数输入目标污染物对应的随机森林模型，得到计算时段的目标污染物的化学转换率；
S9-6、根据公式：
获取目标污染物的化学消耗量；其中/>为混合层高度；/>表示在高度为/>处的目标污染物的化学转换率；/>表示高度为/>处的目标污染物管控限制浓度；/>表示不同高度层的高度差；/>为目标区域的投影面积。
在本发明的一个实施例中，目标区域太阳倾角、黄经/>、目标区域经度/>和目标区域纬度/>的单位均为度；混合层高度/>的单位为米；风速的单位为米每秒；地转参数f的单位为度；地球自转角速度的单位为度每秒；浓度的单位为ug/m3；地面的污染物管控限制浓度取值国标或自定义值，不同高度层浓度值通过相关系数随高度变化得出，以地面相关系数为1，按照等比例换算，求得不同高度层的限制浓度，如地面限制浓度为100ug/m3且消光系数为1，10m处消光系数为0.6，则对应限制浓度为60ug/m3；距离和高度差的单位均为米；背景浓度值可以取非降水时段的污染物的5%分位数值；目标区域干沉降速率的单位为米每秒；目标区域历史降水期间污染物平均减少量/>的单位为ug/m3；第j小时的降雨量/>的单位为毫米每小时。
在具体实施过程中，常规大气污染物包括PM2.5、PM10、二氧化硫、二氧化氮、一氧化碳、臭氧和氨气等。其中，二氧化硫、二氧化氮、臭氧和氨气存在化学消耗量，而臭氧在近地面无直接排放，因此不对其自身计算大气环境容量，即本发明仅对二氧化硫、二氧化氮和氨气计算化学消耗量。
综上所述，本发明通过融合气象数据、风廓线数据、激光雷达数据和地面监测站的污染物浓度、组分等数据，基于污染物的物理和化学性质，提出了一种快速、合理计算大气环境容量的方法，本方法不仅可以直接计算大气环境容量，还可以采用预报数据（气象数据、污染物浓度数据等）对大气环境容量进行预测，便于尽早进行污染管控。
Claims (9)
1.一种人为排放污染物的大气环境容量计算方法，其特征在于，包括以下步骤：
S1、获取目标区域激光雷达消光系数廓线数据、风廓线雷达风场数据和地理数据；
S2、基于目标区域地理数据，通过国标法计算混合层高度；
S3、获取目标区域地面处的目标污染物管控限制浓度，并根据消光系数廓线数据获取混合层高度内任一位置处的目标污染物管控限制浓度；
S4、基于混合层高度内任一位置处的目标污染物管控限制浓度、东西方向不同高度的风速和南北方向不同高度的风速获取目标区域中目标污染物的水平输送分量；
S5、根据目标区域中不同观测站点处的目标污染物浓度值获取目标区域中目标污染物的干沉降速率；
S6、基于目标区域中目标污染物的干沉降速率、目标区域中地面处的目标污染物管控限制浓度和目标区域投影面积获取目标区域中目标污染物的干沉降量；
S7、根据目标区域的降水数据和降水过程中不同时间点的目标污染物浓度，获取目标区域中目标污染物的湿沉降量；
S8、根据混合层最高位置处的目标污染物管控限制浓度和风速获取目标区域中目标污染物的扩散量；
S9、基于预设的常规大气六参数、氨气浓度和气象数据，通过随机森林模型获取目标污染物的化学转化率，并基于目标污染物的化学转化率计算目标污染物的化学消耗量；
S10、将目标区域中目标污染物的水平输送分量、干沉降量、湿沉降量、扩散量和化学消耗量进行单位统一，并在单位统一后进行数值相加，将数值相加结果作为目标区域中目标污染物的大气环境容量计算结果。
2.根据权利要求1所述的一种人为排放污染物的大气环境容量计算方法，其特征在于，地理数据包括目标区域中心经纬度、黄经、总云量、低云量，以及地面处、10m高度处和混合层高度处的风速风向数据和PM2.5离子成分数据。
3.根据权利要求2所述的一种人为排放污染物的大气环境容量计算方法，其特征在于，步骤S2的具体方法包括以下子步骤：
S2-1、根据公式：
获取目标区域太阳倾角；其中/>为黄经，/>，/>为一年中日期序数；
S2-2、根据公式：
获取目标区域太阳高度角；其中/>为时间；/>为目标区域经度；/>为目标区域纬度；
S2-3、根据太阳高度角和云量从太阳辐射等级表中获取当前的太阳辐射等级；
S2-4、根据当前的太阳辐射等级和地面风速从Pasquill稳定度表中获取当前的Pasquill稳定度；
S2-5、根据公式：
计算当前的混合层高度；其中/>为热力混合层系数；/>为机械混合层系数；/>为10米处的风速；/>为地转参数，/>，/>为地球自转角速度；/>分别表示Pasquill不同的稳定度。
4.根据权利要求1所述的一种人为排放污染物的大气环境容量计算方法，其特征在于，步骤S4中目标区域中目标污染物的水平输送分量的计算表达式为：
其中为目标区域中目标污染物的水平输送分量；/>为混合层高度；/>表示高度为处的目标污染物管控限制浓度，/>为地面的目标污染物管控限制浓度；/>表示高度为/>处的东西方向风速；/>表示高度为/>处的南北方向风速；/>表示目标区域的平均南北距离；/>表示目标区域的平均东西距离；/>表示不同高度层的高度差。
5.根据权利要求1所述的一种人为排放污染物的大气环境容量计算方法，其特征在于，步骤S5中目标区域干沉降速率的计算表达式为：
其中为目标区域中目标污染物的干沉降速率；/>为混合层以内的平均风速；/>为混合层高度；/>表示两个观测站点之间的距离；/>表示下风向观测站点的大气浓度值；/>表示下风向观测站点的大气背景浓度值；/>为上风向观测站点的大气浓度值。
6.根据权利要求1所述的一种人为排放污染物的大气环境容量计算方法，其特征在于，步骤S6中目标区域中目标污染物的干沉降量的计算表达式为：
其中为目标区域中目标污染物的干沉降量；/>为目标区域中目标污染物的干沉降速率；/>为目标区域地面处的目标污染物管控限制浓度；/>为目标区域的投影面积。
7.根据权利要求1所述的一种人为排放污染物的大气环境容量计算方法，其特征在于，步骤S7中目标区域中目标污染物的湿沉降量的计算表达式为：
其中为目标区域中目标污染物的湿沉降量；/>表示目标区域历史降水期间目标污染物平均减少量；/>表示降水小时数；/>表示通过第/>小时的降水所降低的目标污染物量；/>表示第/>小时的降雨量；S表示目标区域的投影面积；/>表示目标区域某小时的实际降水量。
8.根据权利要求1所述的一种人为排放污染物的大气环境容量计算方法，其特征在于，步骤S8中目标区域中目标污染物的扩散量的计算表达式为：
其中为目标区域中目标污染物的扩散量；/>表示混合层最高位置处的目标污染物管控限制浓度；/>表示混合层最高位置处的风速；/>表示目标区域的平均南北距离；/>表示目标区域的平均东西距离。
9.根据权利要求1所述的一种人为排放污染物的大气环境容量计算方法，其特征在于，步骤S9的具体方法包括以下子步骤：
S9-1、若目标污染物为二氧化硫，则进入步骤S9-2；若目标污染物为二氧化氮，则进入步骤S9-3；若目标污染物为氨气，则进入步骤S9-4；若目标污染物为PM2.5或PM10或一氧化碳，则将其化学转化率设为0，并进入步骤S9-6；
S9-2、获取目标区域PM2.5数据中硫酸根的历史离子浓度数据，并将硫酸根的历史离子浓度除以对应的PM2.5浓度数据，得到二氧化硫的化学转换率时间序列；将二氧化硫的化学转换率时间序列作为随机森林模型的标签数据，将同时期的氨气浓度、气象数据和常规大气六参数作为随机森林模型的训练数据，得到基于氨气浓度、常规大气六参数和气象数据计算二氧化硫的化学转换率的随机森林模型，即二氧化硫对应的随机森林模型；进入步骤S9-5；
S9-3、获取目标区域PM2.5数据中硝酸根的历史离子浓度数据，并将硝酸根的历史离子浓度除以对应的PM2.5浓度数据，得到二氧化氮的化学转换率时间序列；将二氧化氮的化学转换率时间序列作为随机森林模型的标签数据，将同时期的氨气浓度、气象数据和常规大气六参数作为随机森林模型的训练数据，得到基于氨气浓度、常规大气六参数和气象数据计算二氧化氮的化学转换率的随机森林模型，即二氧化氮对应的随机森林模型；进入步骤S9-5；
S9-4、获取目标区域PM2.5数据中铵根的历史离子浓度数据，并将铵根的历史离子浓度除以对应的PM2.5浓度数据，得到氨气的化学转换率时间序列；将氨气的化学转换率时间序列作为随机森林模型的标签数据，将同时期的氨气浓度、气象数据和常规大气六参数作为随机森林模型的训练数据，得到基于氨气浓度、常规大气六参数和气象数据计算氨气的化学转换率的随机森林模型，即氨气对应的随机森林模型；进入步骤S9-5；
S9-5、将目标污染物的大气环境容量计算时段的氨气浓度、常规大气六参数和气象参数输入目标污染物对应的随机森林模型，得到计算时段的目标污染物的化学转换率；
S9-6、根据公式：
获取目标污染物的化学消耗量；其中/>为混合层高度；/>表示在高度为/>处的目标污染物的化学转换率；/>表示高度为/>处的目标污染物管控限制浓度；/>表示不同高度层的高度差；/>为目标区域的投影面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410164183.4A CN117709208B (zh) | 2024-02-05 | 2024-02-05 | 一种人为排放污染物的大气环境容量计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410164183.4A CN117709208B (zh) | 2024-02-05 | 2024-02-05 | 一种人为排放污染物的大气环境容量计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117709208A true CN117709208A (zh) | 2024-03-15 |
| CN117709208B CN117709208B (zh) | 2024-04-16 |
Family
ID=90159298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410164183.4A Active CN117709208B (zh) | 2024-02-05 | 2024-02-05 | 一种人为排放污染物的大气环境容量计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709208B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512485A (zh) * | 2015-12-14 | 2016-04-20 | 中国科学院大气物理研究所 | 一种估算细颗粒物及其前体物环境容量的新方法 |
| US20180210470A1 (en) * | 2017-01-26 | 2018-07-26 | International Business Machines Corporation | Dynamic emission discharge reduction |
| CN114471514A (zh) * | 2022-02-17 | 2022-05-13 | 四川农业大学 | 一种新型水体沉积物的催化剂制备方法、应用及建模方法 |
| CN114820258A (zh) * | 2022-03-10 | 2022-07-29 | 中国科学院大气物理研究所 | 一种基于细颗粒物达标估算大气自净容量的方法 |
| CN115203189A (zh) * | 2022-07-15 | 2022-10-18 | 中国环境监测总站 | 融合多源数据提升大气传输量化能力的方法及可视化系统 |
| WO2023024463A1 (zh) * | 2021-12-30 | 2023-03-02 | 南京大学 | 一种水体有机污染智能化溯源方法及系统 |
| CN115965496A (zh) * | 2022-11-29 | 2023-04-14 | 中国环境科学研究院 | 流域水环境智慧化管理方法 |
| CN115983725A (zh) * | 2023-03-20 | 2023-04-18 | 四川国蓝中天环境科技集团有限公司 | 一种基于移动站监测数据的污染物空间分布趋势挖掘方法 |
| KR102549313B1 (ko) * | 2023-02-17 | 2023-06-30 | 대한민국(환경부 국립환경과학원장) | 오염물질 배출수준 산정 시스템 및 방법 |
| US20230304982A1 (en) * | 2022-03-25 | 2023-09-28 | Project Canary, Pbc | Emissions detection system and methods |
| CN117009887A (zh) * | 2023-07-28 | 2023-11-07 | 中科景感(厦门)生态环境科技有限公司 | 流域水环境质量精细化估算及分析的方法及系统 |
| CN117273813A (zh) * | 2023-11-22 | 2023-12-22 | 四川国蓝中天环境科技集团有限公司 | 一种考虑环境管控的项目智能选址方法 |
-
2024
- 2024-02-05 CN CN202410164183.4A patent/CN117709208B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512485A (zh) * | 2015-12-14 | 2016-04-20 | 中国科学院大气物理研究所 | 一种估算细颗粒物及其前体物环境容量的新方法 |
| US20180210470A1 (en) * | 2017-01-26 | 2018-07-26 | International Business Machines Corporation | Dynamic emission discharge reduction |
| WO2023024463A1 (zh) * | 2021-12-30 | 2023-03-02 | 南京大学 | 一种水体有机污染智能化溯源方法及系统 |
| CN114471514A (zh) * | 2022-02-17 | 2022-05-13 | 四川农业大学 | 一种新型水体沉积物的催化剂制备方法、应用及建模方法 |
| CN114820258A (zh) * | 2022-03-10 | 2022-07-29 | 中国科学院大气物理研究所 | 一种基于细颗粒物达标估算大气自净容量的方法 |
| US20230304982A1 (en) * | 2022-03-25 | 2023-09-28 | Project Canary, Pbc | Emissions detection system and methods |
| CN115203189A (zh) * | 2022-07-15 | 2022-10-18 | 中国环境监测总站 | 融合多源数据提升大气传输量化能力的方法及可视化系统 |
| CN115965496A (zh) * | 2022-11-29 | 2023-04-14 | 中国环境科学研究院 | 流域水环境智慧化管理方法 |
| KR102549313B1 (ko) * | 2023-02-17 | 2023-06-30 | 대한민국(환경부 국립환경과학원장) | 오염물질 배출수준 산정 시스템 및 방법 |
| CN115983725A (zh) * | 2023-03-20 | 2023-04-18 | 四川国蓝中天环境科技集团有限公司 | 一种基于移动站监测数据的污染物空间分布趋势挖掘方法 |
| CN117009887A (zh) * | 2023-07-28 | 2023-11-07 | 中科景感(厦门)生态环境科技有限公司 | 流域水环境质量精细化估算及分析的方法及系统 |
| CN117273813A (zh) * | 2023-11-22 | 2023-12-22 | 四川国蓝中天环境科技集团有限公司 | 一种考虑环境管控的项目智能选址方法 |
Non-Patent Citations (9)
| Title |
|---|
| 孙一: "恩格贝生态示范区景观格局变化及景观生态风险评价", 中国优秀硕士学位论文全文数据库 基础科学辑, no. 6, 15 June 2023 (2023-06-15), pages 008 - 3 * |
| 杭琦;杨敬辉;黄国荣;: "随机森林算法在空气质量评评价中的应用", 上海第二工业大学学报, no. 02, 15 June 2018 (2018-06-15), pages 129 - 133 * |
| 汤健等: "城市固废焚烧过程智能优化控制研究现状与展望", 自动化学报, vol. 49, no. 10, 15 October 2023 (2023-10-15), pages 2019 - 2059 * |
| 王俊喜;王誉晓;: "基于修正A值法天府新区季节大气环境容量初步研究", 成都信息工程大学学报, no. 06, 15 December 2019 (2019-12-15), pages 676 - 680 * |
| 王楠等: "基于多源数据的西安大气重污染过程案例分析", 环境科学, vol. 44, no. 10, 10 January 2023 (2023-01-10), pages 5382 - 5391 * |
| 胡子梅;周国柱;葛朝军;王军;: "蚌埠市臭氧污染评价及一次持续性污染过程分析", 环境科学学报, no. 05, 16 January 2019 (2019-01-16), pages 1402 - 1411 * |
| 薛宁;: "城市重污染河流水质多参量检测方法仿真", 计算机仿真, no. 04, 15 April 2019 (2019-04-15), pages 453 - 456 * |
| 陈楠;王文勇;: "区域理论大气环境容量研究", 四川环境, no. 06, 26 December 2011 (2011-12-26), pages 17 - 21 * |
| 黄涛;李晓霞;王让会;: "兰州新区大气环境容量特征", 干旱区地理, no. 06, 15 November 2012 (2012-11-15), pages 883 - 889 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117709208B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102819661B (zh) | 一种运用区域空气质量模式计算大气环境容量的方法 | |
| Liu et al. | Continuous and comprehensive atmospheric observations in Beijing: a station to understand the complex urban atmospheric environment | |
| White et al. | Formation and transport of secondary air pollutants: ozone and aerosols in the St. Louis urban plume | |
| Lin et al. | Characteristics and recent trends of sulfur dioxide at urban, rural, and background sites in North China: Effectiveness of control measures | |
| Liu et al. | Ground-based hyperspectral stereoscopic remote sensing network: a promising strategy to learn coordinated control of O3 and PM2. 5 over China | |
| CN110031412A (zh) | 基于移动ahsa观测的大气污染物排放通量获取方法 | |
| CN103955749B (zh) | 太阳直接辐射值预测方法和系统 | |
| CN113436045A (zh) | 大气污染多尺度融合溯源方法、装置和可读存储介质 | |
| Sofiev | A model for the evaluation of long-term airborne pollution transport at regional and continental scales | |
| Gautam et al. | Vertical profiling of atmospheric air pollutants in rural India: a case study on particulate matter (PM10/PM2. 5/PM1), carbon dioxide, and formaldehyde | |
| CN110728063A (zh) | 一种判断气象与源排放变化对空气质量影响的定量方法 | |
| CN108205164A (zh) | 一种基于WRF-Chem的大气能见度参数化预测方法 | |
| Parra | Performance studies of planetary boundary layer schemes in WRF-Chem for the Andean region of Southern Ecuador | |
| Ball et al. | The origin of haze in the central United States and its effect on solar irradiation | |
| Ivanov et al. | On the possibility of estimating the volume of NO2 emissions in cities using zenith spectral observations of diffuse solar radiation near 450 nm | |
| CN111898296B (zh) | 一种核物质大气扩散及沉降多尺度模拟方法及系统 | |
| CN114739949A (zh) | 基于移动ftir遥感的点源碳排放通量测算方法 | |
| Pai et al. | Particulate matter modeling in the Los Angeles basin using SAQM-AERO | |
| Solomon et al. | Visible and near‐ultraviolet spectroscopy at McMurdo Station, Antarctica: 10. Reductions of stratospheric NO2 due to Pinatubo aerosols | |
| Cui et al. | Simulated sensitivity of ozone generation to precursors in beijing during a high O3 episode | |
| Hu et al. | Photochemical reaction playing a key role in particulate matter pollution over Central France: Insight from the aerosol optical properties | |
| CN117709208B (zh) | 一种人为排放污染物的大气环境容量计算方法 | |
| Ionov et al. | Integral emission of nitrogen oxides from the territory of St. Petersburg based on the data of mobile measurements and numerical simulation results | |
| CN108229092B (zh) | 增加液相化学和湿沉降过程的大气污染模拟预测算法 | |
| Xu et al. | Spatial structure and scale feature of the atmospheric pollution source impact of city agglomeration |
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 |