CN113255956A - 城市大气污染预测方法 - Google Patents
城市大气污染预测方法 Download PDFInfo
- Publication number
- CN113255956A CN113255956A CN202110352317.1A CN202110352317A CN113255956A CN 113255956 A CN113255956 A CN 113255956A CN 202110352317 A CN202110352317 A CN 202110352317A CN 113255956 A CN113255956 A CN 113255956A
- Authority
- CN
- China
- Prior art keywords
- pollution
- concentration
- diffusion
- data
- atmospheric
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000009792 diffusion process Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000010790 dilution Methods 0.000 claims abstract description 15
- 239000012895 dilution Substances 0.000 claims abstract description 15
- 239000000779 smoke Substances 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims 1
- 239000013618 particulate matter Substances 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011109 contamination Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000008277 atmospheric particulate matter Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了城市大气污染预测方法,所述城市大气污染预测方法包括以下步骤:(A1)在城市开展走航,获得污染源和污染浓度数据;将走航的区域进行网格划分;(A2)将所述污染浓度数据和网格划分结合,得到所述城市的污染浓度网格化数据;(A3)收集所述城市的地理和气象数据,获得扩散稀释矩阵T;(A4)将所述污染浓度网格化数据和扩散稀释矩阵代入窄烟云稀释矩阵,得到具有本地特征的污染源源强矩阵,从而得到污染源源强数据Q;(A5)得到污染扩散浓度C;(A6)在任一网格叠加源强扩散后的预测浓度,得到网格化的大气污染预测浓度。本发明具有预测准确等优点。
Description
技术领域
本发明涉及大气污染,特别涉及城市大气污染预测方法。
背景技术
PM2.5是大气中重要污染物之一,对大气环境和人体健康都有严重危害。目前关于PM2.5的监测技术已较为成熟,现对PM2.5污染的预测技术主要是基于空气质量模型(WRF-Chem、CMAQ、CAMx等)或特征数据机器训练的方法。
传统的PM2.5污染预测方法需要大量的监测数据,投入量大。基于空气质量模式的预测工作需要本地源清单数据,我国较多地区未有完整的源清单且更新年限长,导致预测结果本地特征性和时效性差。而仅考虑大数据机器训练方法,未从环境角度考虑PM2.5从排放源到扩散的大气污染过程,在预测PM2.5浓度时存在局限和缺陷。
为了减少环境监测成本,增加环境监测灵活性,解决污染预测结果缺乏本地性和缺失过程性的痛点,本专利提供一种城市大气污染预测方法,如大气PM2.5污染预测方法。
发明内容
为解决上述现有技术方案中的不足,本发明提供了一种城市大气污染预测方法。
本发明的目的是通过以下技术方案实现的:
城市大气污染预测方法,所述城市大气污染预测方法包括以下步骤:
(A1)在城市开展走航,获得污染源和污染浓度数据;
将走航的区域进行网格划分;
(A2)将所述污染浓度数据和网格划分结合,得到所述城市的污染浓度网格化数据;
(A3)收集所述城市的地理和气象数据,获得扩散稀释矩阵T;
(A4)将所述污染浓度网格化数据和扩散稀释矩阵代入窄烟云稀释矩阵,得到具有本地特征的污染源源强矩阵,从而得到污染源源强数据Q;
(A5)得到污染扩散浓度C,
ux、uy和uz分别是x,y,z方向上的风速矢量,H是污染源高,σx、σy、σz分别是x,y,z方向上的扩散参数,t为时间;
(A6)在任一网格叠加源强扩散后的预测浓度,得到网格化的大气污染预测浓度。
与现有技术相比,本发明具有的有益效果为:
1.走航移动监测相比传统固定站点监测具有操作灵活,监测范围广,空间分辨率高等优点;
2.数据量需求少,在城市大气排放源稳定的条件下,基于一次走航获得源强数据使用性强;
3.引入时间参数的高斯扩散模型考虑了烟团的叠加作用,优化后的高斯模型进行多源扩散模拟更具有准确性;
4.相比大尺度预测模式,结合源强反演和多源扩散模型的方法更适用于小尺度范围的污染物预测;
5.基于实测数据开展后续污染预测,具有实效性强,本地污染特征明确等优点。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于举例说明本发明的技术方案,而并非意在对本发明的保护范围构成限制。图中:
图1是根据本发明实施例的城市大气污染预测方法的流程图;
图2是根据本发明实施例的城市大气污染预测方法的预测结果示意图。
具体实施方式
图1-2和以下说明描述了本发明的可选实施方式以教导本领域技术人员如何实施和再现本发明。为了教导本发明技术方案,已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型或替换将在本发明的范围内。本领域技术人员应该理解下述特征能够以各种方式组合以形成本发明的多个变型。由此,本发明并不局限于下述可选实施方式,而仅由权利要求和它们的等同物限定。
实施例1:
图1给出了本发明实施例的城市大气污染预测方法的流程图,如图1所示,所述城市大气污染预测方法包括以下步骤:
(A1)在城市开展走航,获得污染源和污染浓度数据;
将走航的区域进行网格划分;
(A2)将所述污染浓度数据和网格划分结合,得到所述城市的污染浓度网格化数据;
(A3)收集所述城市的地理和气象数据,获得扩散稀释矩阵T;
(A4)将所述污染浓度网格化数据和扩散稀释矩阵代入窄烟云稀释矩阵,得到具有本地特征的污染源源强矩阵,从而得到污染源源强数据Q;
(A5)得到污染扩散浓度C,
ux、uy和uz分别是x,y,z方向上的风速矢量,H是污染源高,σx、σy、σz分别是x,y,z方向上的扩散参数,t为时间;
(A6)在任一网格叠加源强扩散后的预测浓度,得到网格化的大气污染预测浓度。
为了获得更接近实际情况的预测,进一步地,所述城市大气污染预测方法还包括步骤:
(A7)采用Arcgis对所述预测浓度进行Kriging插值。
为了获得更全的数据,进一步地,所述地理和气象数据包括地形特征、地貌特征、温度、湿度、风速、风向、气压、雨量、污染源高度和大气颗粒物干湿沉降。
为了准确地获得扩散系数,进一步地,所述扩散参数的获得方式为:
根据所述城市的大气扩散能力等级,在帕斯奎尔扩散曲线上分别得到在x,y,z方向上扩散系数σx、σy、σz。
为了准确地获得大气扩散能力等级,进一步地,根据气象数据获得所述大气扩散能力等级,所述气象数据包括所述城市的云量、风速。
实施例2:
根据本发明实施例1的城市大气污染预测方法在城市PM2.5污染预测中的应用例。
在该应用例中,城市大气PM2.5污染预测方法,包括以下步骤:
(A1)在城市开展走航,获得污染源和污染浓度数据;
对PM2.5重污染的某市开展前期摸排分析,明确城市功能区分局,判断典型PM2.5排放源。开展某市多方位PM2.5走航工作,走航区域包括公路、工厂、居民小区、公园、学校、医院、景点、商业中心等;
走航监测得到某市PM2.5高空间分辨率浓度数据,数据分辨率为秒级,基本涵盖某市主要区域;
将走航的区域进行网格划分:以走航最***路线为边界,对内部区域进行网格划分,根据边界大小,划分的网格大小为1km×1km;
(A2)将所述污染浓度数据和网格划分结合,得到所述城市的污染浓度网格化数据,具体为:
将高分辨率PM2.5浓度数据与网格结合,进行数据降维处理,使得每个网格点对应一个PM2.5浓度数据,即得到某市PM2.5浓度网格化数据;
(A3)收集所述城市的地理和气象数据,包括地形特征、地貌特征、温度、湿度、风速、风向、气压、雨量、污染源高度、PM2.5干湿沉降等数据,获得扩散稀释矩阵T,具体获得方式是本领域现有技术;
(A4)将所述污染浓度网格化数据和扩散稀释矩阵代入窄烟云稀释矩阵(SSIM)模式,得到具有本地特征的污染源源强矩阵,从而得到污染源源强数据Q;
(A5)得到污染扩散浓度C,
ux、uy和uz分别是x,y,z方向上的风速矢量,H是污染源高,σx、σy、σz分别是x,y,z方向上的扩散参数,t为时间;
扩散参数σx、σy、σz的获得方式为:
按照云量、风速、日照等气象因素将大气扩散能力分为强不稳定(A)、不稳定(B)、弱不稳定(C)、中性(D)、较不稳定(E)和稳定(F)六个等级(表1),根据监测得到的气象数据确定大气扩散能力等级,将大气扩散能力等级代入帕斯奎尔(P-G)扩散曲线,由P-G曲线给出在x,y,z方向上扩散系数σx、σy、σz;
表1
(A6)经过t时间后,所有源强排放的PM2.5通过大气扩散过程,在城市区域网格内产生交互扩散,叠加同一网格点所有源强扩散后的预测浓度,得到网格化的PM2.5预测浓度数据;
(A7)考虑网格化数据的空间相关性,采用Arcgis对PM2.5网格化预测浓度数据进行Kriging插值,使某市的PM2.5浓度预测结果更接近于实际情况,且可以在空间上直观反映出哪块区域即将出现PM2.5污染,如图2所示。
Claims (6)
1.城市大气污染预测方法,所述城市大气污染预测方法包括以下步骤:
(A1)在城市开展走航,获得污染源和污染浓度数据;
将走航的区域进行网格划分;
(A2)将所述污染浓度数据和网格划分结合,得到所述城市的污染浓度网格化数据;
(A3)收集所述城市的地理和气象数据,获得扩散稀释矩阵T;
(A4)将所述污染浓度网格化数据和扩散稀释矩阵代入窄烟云稀释矩阵,得到具有本地特征的污染源源强矩阵,从而得到污染源源强数据Q;
(A5)得到污染扩散浓度C,
ux、uy和uz分别是x,y,z方向上的风速矢量,H是污染源高,σx、σy、σz分别是x,y,z方向上的扩散参数,t为时间;
(A6)在任一网格叠加源强扩散后的预测浓度,得到网格化的大气污染预测浓度。
2.根据权利要求1所述的城市大气污染预测方法,其特征在于,所述城市大气污染预测方法还包括步骤:
(A7)采用Arcgis对所述预测浓度进行Kriging插值。
3.根据权利要求1所述的城市大气污染预测方法,其特征在于,所述地理和气象数据包括地形特征、地貌特征、温度、湿度、风速、风向、气压、雨量、污染源高度和大气颗粒物干湿沉降。
4.根据权利要求1所述的城市大气污染预测方法,其特征在于,所述扩散参数的获得方式为:
根据所述城市的大气扩散能力等级,在帕斯奎尔扩散曲线上分别得到在x,y,z方向上扩散系数σx、σy、σz。
5.根据权利要求4所述的城市大气污染预测方法,其特征在于,根据气象数据获得所述大气扩散能力等级,所述气象数据包括所述城市的云量、风速。
6.根据权利要求1所述的城市大气污染预测方法,其特征在于,所述污染浓度数据是大气颗粒物浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352317.1A CN113255956A (zh) | 2021-03-31 | 2021-03-31 | 城市大气污染预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352317.1A CN113255956A (zh) | 2021-03-31 | 2021-03-31 | 城市大气污染预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255956A true CN113255956A (zh) | 2021-08-13 |
Family
ID=77181288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110352317.1A Pending CN113255956A (zh) | 2021-03-31 | 2021-03-31 | 城市大气污染预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255956A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545565A (zh) * | 2022-11-24 | 2022-12-30 | 江苏省生态环境大数据有限公司 | 基于大气环境质量的园区排污总量管控方法和*** |
CN117370772A (zh) * | 2023-12-08 | 2024-01-09 | 北京英视睿达科技股份有限公司 | 基于城市街道地形分类的pm2.5扩散分析方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008229A (zh) * | 2014-04-30 | 2014-08-27 | 北京大学 | 一种街区污染物浓度分布模型建立方法 |
CN107436343A (zh) * | 2017-07-31 | 2017-12-05 | 南京南瑞集团公司 | 一种模拟计算敏感区域污染物浓度的方法 |
-
2021
- 2021-03-31 CN CN202110352317.1A patent/CN113255956A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008229A (zh) * | 2014-04-30 | 2014-08-27 | 北京大学 | 一种街区污染物浓度分布模型建立方法 |
CN107436343A (zh) * | 2017-07-31 | 2017-12-05 | 南京南瑞集团公司 | 一种模拟计算敏感区域污染物浓度的方法 |
Non-Patent Citations (4)
Title |
---|
张久凤等: "粒子群优化算法在源强反算问题中的应用研究", 《中国安全科学学报》 * |
朱蓉等: "第2代大气污染物排放源强反演模式SSIM2及其在城市规划大气环境影响评价中的应用", 《气象科技》 * |
王戎骁等: "基于源项估计的污染气体扩散数据驱动仿真", 《***仿真学报》 * |
范引琪等: "城市面源SO2允许排放总量的网格分配方法", 《气象科技》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545565A (zh) * | 2022-11-24 | 2022-12-30 | 江苏省生态环境大数据有限公司 | 基于大气环境质量的园区排污总量管控方法和*** |
CN117370772A (zh) * | 2023-12-08 | 2024-01-09 | 北京英视睿达科技股份有限公司 | 基于城市街道地形分类的pm2.5扩散分析方法及*** |
CN117370772B (zh) * | 2023-12-08 | 2024-04-16 | 北京英视睿达科技股份有限公司 | 基于城市街道地形分类的pm2.5扩散分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418609B (zh) | 一种基于面-网格-点的大气二次污染精准溯源方法 | |
Wehner et al. | Relationships between submicrometer particulate air pollution and air mass history in Beijing, China, 2004–2006 | |
CN113255956A (zh) | 城市大气污染预测方法 | |
CN104865353A (zh) | 基于无人机的工业园区大气污染数据采集方法 | |
CN113624921B (zh) | 多模式综合污染溯源方法 | |
CN107491566B (zh) | 一种定量化研究城市森林对pm2.5净化作用的方法 | |
CN111353634B (zh) | 一种基于模式初始场同化的二氧化硫排放源优化方法 | |
Feng et al. | Investigation on air pollution control strategy in Hangzhou for post-G20/pre-Asian-games period (2018–2020) | |
CN107967242A (zh) | 一种城市交通流量对空气质量影响的分析方法及*** | |
CN110658307A (zh) | 评估污染源对环境空气质量影响的方法 | |
CN115420854B (zh) | 一种基于正后向模型结合的大气污染物溯源方法 | |
Ying et al. | Modeling air quality during the California Regional PM10/PM2. 5 Air Quality Study (CRPAQS) using the UCD/CIT source-oriented air quality model–Part I. Base case model results | |
CN116070839A (zh) | 一种多源数据的道路微环境空气质量贡献溯源方法 | |
Li et al. | Vertical distributions of boundary-layer ozone and fine aerosol particles during the emission control period of the G20 summit in Shanghai, China | |
Zhang et al. | Spatiotemporal estimation of the PM2. 5 concentration and human health risks combining the three-dimensional landscape pattern index and machine learning methods to optimize land use regression modeling in Shaanxi, China | |
CN107767081B (zh) | 一种燃煤电厂大气环境影响评价方法及装置 | |
CN114692355B (zh) | 耦合WRF与OpenFOAM模型的机动车污染扩散模拟方法及*** | |
Ndletyana et al. | Spatial Distribution of PM 10 and NO 2 in Ambient Air Quality in Cape Town CBD, South Africa. | |
CN114002381A (zh) | 一种大气污染溯源扩散分析方法及装置 | |
Guldmann et al. | Modeling Air Quality in Urban Areas: A Cell‐Based Statistical Approach | |
CN115964869A (zh) | 一种高时空分辨率大气污染扩散迁移模拟方法 | |
Phadnis et al. | Evaluation of long-range transport models for acidic deposition in East Asia | |
Wang et al. | Analysis of aqi change characteristics and correlation with PM2. 5 And PM10 in beijing-tianjin-hebei region | |
CN113988540A (zh) | 一种基于gis技术的大气污染趋势分析方法 | |
Bowne | A simulation model for air pollution over Connecticut |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210813 |