CN115017679A - 大气污染扩散的模拟方法、装置、存储介质和电子设备 - Google Patents
大气污染扩散的模拟方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN115017679A CN115017679A CN202210493003.8A CN202210493003A CN115017679A CN 115017679 A CN115017679 A CN 115017679A CN 202210493003 A CN202210493003 A CN 202210493003A CN 115017679 A CN115017679 A CN 115017679A
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- atmospheric pollution
- model
- diffusion
- 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
- 238000009792 diffusion process Methods 0.000 title claims abstract description 246
- 238000004088 simulation Methods 0.000 title claims abstract description 223
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 94
- 238000012545 processing Methods 0.000 claims description 45
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 34
- 239000013598 vector Substances 0.000 description 22
- 238000000605 extraction Methods 0.000 description 19
- 239000003344 environmental pollutant Substances 0.000 description 18
- 231100000719 pollutant Toxicity 0.000 description 18
- 230000006870 function Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 10
- 239000000356 contaminant Substances 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 238000012800 visualization Methods 0.000 description 8
- 238000003915 air pollution Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Environmental & Geological Engineering (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Atmospheric Sciences (AREA)
- Combustion & Propulsion (AREA)
- Environmental Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Ecology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- General Business, Economics & Management (AREA)
- Immunology (AREA)
Abstract
本发明提出了一种大气污染扩散的模拟方法、装置、存储介质和电子设备,该模拟方法包括:获取待模拟区域的第一数据集,根据第一数据集确定大气污染扩散模型;获取待模拟区域的第二数据集和用户设定的参数;将第二数据集和用户设定的参数输入至大气污染扩散模型,以确定大气污染扩散的模拟结果;其中,第一数据集用于指示待模拟区域的历史污染数据,第二数据集用于指示待模拟区域的污染源数据。在本发明的技术方案中,模拟装置将获取的待模拟区域的污染源数据和用户设定的参数输入至大气污染扩散模型即可确定出大气污染扩散的模拟结果,简化了大气污染扩散模拟过程,提高了大气污染扩散模拟速度。
Description
技术领域
本发明涉及大气污染扩散模拟技术领域,具体而言,涉及一种大气污染扩散的模拟方法、装置、存储介质和电子设备。
背景技术
现有技术中,空气质量模型运用气象学原理及数学方法,从水平和垂直方向在大尺度范围内对空气质量进行仿真模拟,再现污染物在大气中输送、反应、清除等过程的数学工具,是分析大气污染时空演变规律、内在机理、成因来源、建立“污染减排”与“质量改善”间定量关系及推进我国环境规划和管理向定量化、精细化过渡的重要技术方案,但这种方案存在模拟速度较慢、模拟过程复杂等问题。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的第一个方面在于提出一种大气污染扩散的模拟方法。
本发明的第二个方面在于提出一种大气污染扩散的模拟装置。
本发明的第三个方面在于提出一种可读存储介质。
本发明的第四个方面在于提出一种电子设备。
有鉴于此,根据本发明的一个方面,提出了一种大气污染扩散的模拟方法,该模拟方法包括:获取待模拟区域的第一数据集,根据第一数据集确定大气污染扩散模型;获取待模拟区域的第二数据集和用户设定的参数;将第二数据集和用户设定的参数输入至大气污染扩散模型,以确定大气污染扩散的模拟结果;其中,第一数据集用于指示待模拟区域的历史污染数据,第二数据集用于指示待模拟区域的污染源数据。
需要说明的是,本发明所提出的大气污染扩散的模拟方法的执行主体可以是大气污染扩散的模拟装置,为了更加清楚的对本发明提出的大气污染扩散的模拟方法进行说明,下面技术方案中以大气污染扩散的模拟方法的执行主体为大气污染扩散的模拟装置进行示例性说明。
在该技术方案中,上述第一数据集用于指示上述待模拟区域的历史污染数据,其具体包括待模拟区域的历史的:地形数据、土地利用数据、风场数据、温度数据、气象数据和污染源监测数据;其中,风场数据包括风速和风向数据,气象数据包括总云量、低云量、相对湿度和气压,污染源监测数据包括污染源的烟囱高度、直径、海拔,排口的温度、排放速率以及污染源的经纬度坐标信息等数据。上述第二数据集用于指示待模拟区域的污染源数据。
具体而言,上述污染源可划分为点源、线源、面源、体源,上述污染源中的污染物主要包括SO2、SO4、NO、NO2、HNO3、NO3、PM10、PM2.5、CO和NOX等。
在该技术方案中,模拟装置首先获取待模拟区域的第一数据集,根据第一数据集确定大气污染扩散模型。具体而言,模拟装置可以根据第一数据集对深度神经网路的编码-解码架构模型进行训练的方式,确定出上述大气污染扩散模型。
进一步地,在确定出大气污染扩散模型后,模拟装置获取待模拟区域的第二数据集以及用户设定的参数。具体而言,用户设定的参数主要包括模拟大气污染扩散的起始时间和模拟运行的时长。
进一步地,模拟装置将获取的第二数据集中的数据和用户设定的参数输入至上述大气污染扩散模型中,以使大气污染扩散模型输出大气污染扩散的模拟结果。具体而言,在进行大气污染扩散模拟时,会将上述待模拟区域按照预设大小划分成网格形式,因此,大气污染扩散模型输出的大气污染扩散的模拟结果为网格数据,根据该网格数据能够确定每个网格的大气污染浓度,即能够了解到污染源在待模拟区域的大气污染扩散情况。
在该技术方案中,模拟装置首先根据获取的待模拟区域出的历史污染数据确定出大气污染扩散模型,然后将获取的待模拟区域的当前的污染源数据和用户设定的参数输入至上述大气污染扩散模型,确定出大气污染扩散的模拟结果。在本发明的技术方案中,模拟装置将获取的待模拟区域的污染源数据和用户设定的参数输入至大气污染扩散模型即可确定出大气污染扩散的模拟结果,简化了大气污染扩散模拟过程。同时,由于大气污染扩散模型是通过待模拟区域出的历史污染数据(即第一数据集)对深度神经网路的编码-解码架构模型进行训练得出的,提高了大气污染扩散模拟速度。
此外,根据本发明的上述技术方案提出的大气污染扩散的模拟方法,还可以具有以下附加技术特征:
在上述技术方案中,根据第一数据集确定大气污染扩散模型的步骤具体包括:将第一数据集输入至第一预设模型中,以确定第三数据集;根据第一数据集和第三数据集对第二预设模型进行训练,以确定大气污染扩散模型。
在该技术方案中,上述第一预设模型用于指示传统的用于模拟大气污染扩散的空气质量模型,上述第三数据集用于指示根据上述第一数据集通过第一预设模型模拟出的大气污染扩散结果数据。
具体地,模拟装置首先将获取的第一数据集输入至第一预设模型(即传统的空气质量模型)中,以得出第三数据集(通过传统的空气质量模型得出的大气污染扩散结果)。具体而言,由于真实的大气污染物扩散过程难以获得,所以本发明通过传统的空气质量模型生成用于后续步骤中训练上述第二预设模型的输出数据。
需要说明的是,上述第一预设模型为AERMOD(空气扩散)模型、高斯烟羽模型、高斯烟团模型、CALPUFF(非稳态拉格朗日烟团)模型中的任一种。
进一步地,模拟装置也可以采用待模拟区域中的大气污染监测站点的监测数据结合插值的方法生成上述第三数据集,还可以采用上述多种模型混合的方式生成上述第三数据集,并叠加上述监测数据进行校正处理,以提高确定出的第三数据集的准确性。
进一步地,模拟装置根据上述第一数据集以及确定出的第三数据集对第二预设模型进行训练,以确定出上述大气污染扩散模型。具体而言,在训练过程中,以第一数据集作为输入数据,以第三数据集作为输出数据对第二预设模型进行训练。
在该技术方案,由于真实的大气污染物扩散过程难以获得,所以本发明的技术方案中根据第一数据集,通过传统的空气质量模型(即第一预设模型)生成用于训练第二预设模型的输出数据。保证了能够训练出模拟精度到达模拟要求的大气污染扩散模型。
在上述技术方案中,根据第一数据集和第三数据集对第二预设模型进行训练,以确定大气污染扩散模型的步骤具体包括:确定第二预设模型的初始浓度输入数据;对第一数据集进行预处理,确定第一输入数据集和第二输入数据集;根据初始浓度输入数据、第一输入数据集、第二输入数据集和第三数据集确定模型训练数据集;根据模型训练数据集对第二预设模型进行训练,以确定大气污染扩散模型;其中,第二预设模型包括编码器和解码器,在对第二预设模型进行训练时,初始浓度输入数据和第一输入数据为编码器的输入数据,第二输入数据集为解码器的输入数据,第三数据集为解码器的输出数据。
在该技术方案中,模拟装置根据上述第一数据集和上述第三数据集对第二预设模型进行训练的过程为:模拟装置首先确定出第二预设模型的初始浓度输入数据。具体而言,初始浓度输入数据用于指示将待模拟区域进行网格划分后,对每个网格大气污染浓度数据进行归一化处理后确定的出的数据。
进一步地,模拟装置对上述第一数据集进行预处理,以确定出第一输入数据集和第二输入数据集。具体而言,由于第二预设模型为深度神经网路的编码-解码架构模型,因此,第二预设模型包括编码器和解码器,所以需要对第一数据集进行预处理,分别确定出编码器的输入数据(即第一输入数据集)和解码器的输入数据(即第二输入数据集)。
进一步地,模拟装置根据上述初始浓度输入数据、上述第一输入数据集、上述第二输入数据集和上述第三数据集确定模型训练数据集,并根据该模型训练数据集对第二预设模型训练,进而确定出大气污染训练模型。具体而言,在根据该模型训练数据集对第二预设模型训练的过程中,初始浓度输入数据和第一输入数据为编码器的输入数据,第二输入数据集为解码器的输入数据,第三数据集为解码器的输出数据。
在该技术方案中,模拟装置能够确定出第二预设模型的初始浓度输入数据,能够对第一数据集进行预处理确定出第一输入数据集和第二输入数据集,能够根据上述初始浓度输入数据、上述第一输入数据集、上述第二输入数据集和上述第三数据集确定模型训练数据集,并能够根据该模型训练数据集对第二预设模型进行训练,确定出能够用于模拟大气污染扩散的大气污染扩散模型。在本发明的技术方案中,模拟装置通过对第一数据集进行预处理分别确定出编码器的输入数据第一输入数据集和解码器的数据第二输入数据集,有效提高了训练出的大气污染扩散模型的模拟精度。
在上述技术方案中,确定第二预设模型的初始浓度输入数据的步骤具体包括:将待模拟区域按照预设网格大小划分成多个网格;根据每个网格的大气污染浓度数据确定初始浓度输入数据。
在该技术方案中,模拟装置确定第二预设模型的初始浓度输入数据的过程为:模拟装置首先将待模拟区域按照预设网格大小划分成多个网格。具体而言,上述预设网格大小一般设置为500m×500m或者1000m×1000m,具体根据待模拟区域的实际情况自行设置。
进一步地,模拟装置根据每个网格的大气污染浓度数据确定上述初始浓度输入数据。具体而言,在模拟时间t等于0的情况下,每个网格的大气污染浓度数据均为0,在模拟时间t不等于0的情况下,每个网格的大气污染浓度数据等于t-1时刻的大气污染浓度数据。
具体地,模拟装置通过对每个网格的大气污染浓度数据进行归一化处理的方式,确定出上述初始浓度输入数据。
在该技术方案中,模拟装置能够通过对待模拟区域进行网格划分后,每个网格的大气污染浓度数据确定出初始浓度输入数据,以便于后续步骤中根据该初始浓度输入数据训练出模拟精度较高的大气污染扩散模型,进而提高确定的大气污染扩散模拟结果的精度。
在上述技术方案中,第一数据集包括待模拟区域的地形数据、土地利用数据、风场数据、温度数据、气象数据和污染源监测数据,对第一数据集进行预处理,确定第一输入数据集和第二输入数据集的步骤具体包括:通过第三预设模型对地形数据和土地利用数据进行预处理,以确定第一输入数据集;通过第三预设模型对风场数据、温度数据、气象数据和污染源监测数据进行预处理,以确定第二输入数据集。
在该技术方案中,上述第三预设模型用于指示深度卷积神经网络的ImageNet(图像处理)、ResNet(残差网络)、VGG(卷积神经网络)、InceptionNet(卷积神经网络)、MobileNet(轻量化网络)中的任一种模型。
具体地,模拟装置通过第三预设模型对待模拟区域的地形数据和土地利用数据进行预处理,确定出第一输入数据集。具体而言,上述地形数据和上述土地利用数据一般为tif数据格式,因此可以直接通过第三预设模型对上述地形数据和上述土地利用数据进行特征提取,分别确定出地形特征输入数据和土地利用特征输入数据,然后根据地形特征输入数据和土地利用特征输入数据确定出上述第一输入数据集。
进一步地,模拟装置通过第三预设模型对待模拟区域的风场数据、温度数据、气象数据和污染源监测数据进行预处理,以确定第二输入数据集。
具体地,上述风场数据包括风速数据和风向数据,模拟装置对风场数据进行预处理的过程为:模拟装置首先通过克里金插值法将风速数据进行空间插值处理,形成风速区域图,使用第三预设模型对风速区域图进行特征提取,形成风速特征输入数据;然后通过克里金插值法将风向数据进行空间插值处理,形成风向区域图,使用第三预设模型对风向区域图进行特征提取,形成风向特征输入数据;进而根据风速特征输入数据和风向特征输入数据确定风场特征输入数据。
具体地,模拟装置对温度数据进行预处理的过程为:模拟装置通过克里金插值法将温度数据进行空间插值处理,形成温度区域图,使用第三预设模型对温度区域图进行特征提取,形成温度特征输入数据。
具体地,模拟装置对气象数据进行预处理的过程为:模拟装置从气象数据中提取总云量数据,形成总云量区域图,使用第三预设模型对总云量区域图进行特征提取,形成总云量特征输入数据;模拟装置从气象数据中提取低云量数据,形成低云量区域图,使用第三预设模型对低云量区域图进行特征提取,形成低云量特征输入数据;模拟装置从气象数据中提取相对湿度数据,形成相对湿度区域图,使用第三预设模型对相对湿度区域图进行特征提取,形成相对湿度特征输入数据;模拟装置从气象数据中提取气压数据,形成气压区域图,使用第三预设模型对气压区域图进行特征提取,形成气压特征输入数据。
进一步地,模拟装置将上述总云量特征输入数据、上述低云量特征输入数据、上述相对湿度特征输入数据、上述气压特征输入数据拼接为一个向量,形成气象特征输入数据。
具体地,上述污染源监测数据包括污染源的类型、污染源的基础数据、污染源的经纬度坐标和污染物;模拟装置对污染源监测数据进行预处理的过程为:模拟装置将污染源的类型进行one-hot编码(独热编码),形成污染源类型特征向量;模拟装置将污染源的基础数据的烟囱高度、直径、海拔、排口的温度、排放速率拼接为一组向量,并进行归一化处理,形成污染源基础数据特征向量;模拟装置将污染源的经纬度坐标转换为待模拟区域的网格坐标(i,j);模拟装置将污染源的经纬度坐标转换为待模拟区域的UTM(平面直角)坐标(x,y);模拟装置将污染物进行one-hot编码,形成污染物特征向量。
进一步地,模拟装置根据污染源类型特征向量、污染源基础数据特征向量、网格坐标(i,j)、UTM坐标(x,y)和污染物特征向量确定染源特征输入数据。
进一步地,模拟装置根据风场特征输入数据、温度特征输入数据、气象特征输入数据和染源特征输入数据确定出上述第二输入数据集。
在该技术方案中,模拟装置能够通过对第一数据集中的地形数据和土地利用数据进行预处理,确定出第一输入数据集,能够通过对第一数据集中的风场数据、温度数据、气象数据和污染源监测数据进行预处理,确定出第二输入数据集,以便于后续步骤中根据第一输入数据集和第二输入数据集训练出模拟精度较高的大气污染扩散模型,进而提高确定的大气污染扩散模拟结果的精度。
在上述技术方案中,根据模型训练数据集对第二预设模型进行训练,以确定大气污染扩散模型的步骤具体包括:按照预设比例系数,将模型训练数据集划分为训练集、测试集和验证集;根据训练集对第二预设模型进行训练,根据测试集对第二预设模型的训练过程进行评估,根据验证集验证第二预设模型的训练效果,以确定大气污染扩散模型。
在该技术方案中,模拟装置首先按照预设比例系数,将模型训练数据集划分为训练集、测试集和验证集。具体而言,上述预设比例系数一般设置为8:1:1,即训练集、测试集和验证集的比例为8:1:1。
进一步地,模拟装置根据训练集对第二预设模型进行训练,根据测试集优化训练后的第二预设模型,根据验证集评估优化后的第二预设模型的效果,以确定出大气污染扩散模型。具体而言,在验证集评估出的效果达到预设要求的情况下才将优化后的第二预设模型确定为大气污染扩散模型。
可以理解的是,在对第二预设模型进行训练之前,还需设置第二预设模型的损失函数,具体地,第二预设模型的损失函数为RMSE(Root Mean Square Error均方根误差)函数、MSE(Mean Square Error均方误差)函数和MAE(Mean Absolute Error平均绝对误差)函数中的任一种。
在该技术方案中,确定装置能够根据确定出的模型训练数据集确定出用于模型训练的训练集、测试集和验证集,通过这三种数据集对第二预设模型进行训练,使得确定出大气污染扩散模型能够更加准确的对大气污染扩散的情况进行模拟。
在上述技术方案中,在确定出大气污染扩散的模拟结果后,大气污染扩散的模拟方法还包括:将大气污染扩散的模拟结果转换为可视化效果图。
在该技术方案中,模拟装置在通过大气污染扩散模型输出的模拟结果后,模拟装置还需要将大气污染扩散的模拟结果转换为GIS(图像处理器)可视化效果图,以便于技术人员能够直观的连接大气污染的扩散情况,进而更好的制定出大气污染治理方案。
根据本发明的第二个方面,提出了一种大气污染扩散的模拟装置,该大气污染扩散的模拟装置包括:获取模块,用于获取待模拟区域的第一数据集;第一处理模块,用于根据第一数据集确定大气污染扩散模型;获取模块还用于获取待模拟区域的第二数据集和用户设定的参数;第二处理模块,用于将第二数据集和用户设定的参数输入至大气污染扩散模型,以确定大气污染扩散的模拟结果;其中,第一数据集用于指示待模拟区域的历史污染数据,第二数据集用于指示待模拟区域的污染源数据。
在该技术方案中,上述第一数据集用于指示上述待模拟区域的历史污染数据,其具体包括待模拟区域的历史的:地形数据、土地利用数据、风场数据、温度数据、气象数据和污染源监测数据;其中,风场数据包括风速和风向数据,气象数据包括总云量、低云量、相对湿度和气压,污染源监测数据包括污染源的烟囱高度、直径、海拔,排口的温度、排放速率以及污染源的经纬度坐标信息等数据。上述第二数据集用于指示待模拟区域的污染源数据。
具体而言,上述污染源可划分为点源、线源、面源、体源,上述污染源中的污染物主要包括SO2、SO4、NO、NO2、HNO3、NO3、PM10、PM2.5、CO和NOX等。
在该技术方案中,首先通过获取模块获取待模拟区域的第一数据集,以使第一处理模块根据获取的第一数据集确定大气污染扩散模型。具体而言,第一处理模块可以根据第一数据集对深度神经网路的编码-解码架构模型进行训练的方式,确定出上述大气污染扩散模型。
进一步地,在确定出大气污染扩散模型后,还需要通过获取模块获取待模拟区域的第二数据集以及用户设定的参数。具体而言,用户设定的参数主要包括模拟大气污染扩散的起始时间和模拟运行的时长。
进一步地,第二处理模块将获取的第二数据集中的数据和用户设定的参数输入至上述大气污染扩散模型中,以使大气污染扩散模型输出大气污染扩散的模拟结果。具体而言,在进行大气污染扩散模拟时,会将上述待模拟区域按照预设大小划分成网格形式,因此,大气污染扩散模型输出的大气污染扩散的模拟结果为网格数据,根据该网格数据能够确定每个网格的大气污染浓度,即能够了解到污染源在待模拟区域的大气污染扩散情况。
在该技术方案中,第一处理模块能够根据获取模块获取的待模拟区域出的历史污染数据确定出大气污染扩散模型,第二处理模块能够将获取的待模拟区域的当前的污染源数据和用户设定的参数输入至上述大气污染扩散模型,确定出大气污染扩散的模拟结果。在本发明的技术方案中,第二处理模块将获取的待模拟区域的污染源数据和用户设定的参数输入至大气污染扩散模型即可确定出大气污染扩散的模拟结果,简化了大气污染扩散模拟过程。同时,由于大气污染扩散模型是通过待模拟区域出的历史污染数据(即第一数据集)对深度神经网路的编码-解码架构模型进行训练得出的,提高了大气污染扩散模拟速度。
根据本发明的第三个方面,提出了一种可读存储介质,其上存储有程序或指令,程序或指令被处理器执行时实现如本发明上述技术方案提出的大气污染扩散的模拟方法。因此,该可读存储介质具备本发明上述技术方案提出的大气污染扩散的模拟方法的全部有益效果,在此不再赘述。
根据本发明的第四个方面,提出了一种电子设备,包括如本发明上述技术方案提出的大气污染扩散的模拟装置,和/或如本发明上述技术方案提出的可读存储介质,因此,该电子设备具备本发明上述技术方案提出的大气污染扩散的模拟装置和/或本发明上述技术方案提出的可读存储介质的全部有益效果,在此不再赘述。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明实施例的大气污染扩散的模拟方法的流程示意图之一;
图2示出了本发明实施例的大气污染扩散的模拟方法的流程示意图之二;
图3示出了本发明实施例的大气污染扩散的模拟方法的流程示意图之三;
图4示出了本发明实施例的大气污染扩散的模拟方法的流程示意图之四;
图5示出了本发明实施例的大气污染扩散的模拟方法的流程示意图之五;
图6示出了本发明实施例的大气污染扩散的模拟方法的流程示意图之六;
图7示出了本发明实施例的大气污染扩散的模拟方法的流程示意图之七;
图8示出了本发明实施例的大气污染扩散的模拟装置的示意框图;
图9示出了本发明实施例的编码器的示意图;
图10示出了本发明实施例的解码器的示意图;
图11示出了本发明实施例的第二预设模型的示意图;
图12示出了本发明实施例的第三预设模型的示意图;
图13示出了本发明实施例的残差学习单元的示意图;
图14示出了本发明实施例的大气污染扩散模拟效果图之一;
图15示出了本发明实施例的大气污染扩散模拟效果图之二;
图16示出了本发明实施例的大气污染扩散模拟效果图之三;
图17示出了本发明实施例的大气污染扩散模拟效果图之四。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
下面结合图1至图17,通过具体的实施例及其应用场景对本发明实施例提供的大气污染扩散的模拟方法、装置、存储介质和电子设备进行详细地说明。
实施例一:
图1示出了本发明实施例的大气污染扩散的模拟方法的流程示意图,其中,该模拟方法包括:
步骤S102,获取待模拟区域的第一数据集,根据第一数据集确定大气污染扩散模型;
步骤S104,获取待模拟区域的第二数据集和用户设定的参数;
步骤S106,将第二数据集和用户设定的参数输入至大气污染扩散模型,以确定大气污染扩散的模拟结果。
其中,第一数据集用于指示待模拟区域的历史污染数据,第二数据集用于指示待模拟区域的污染源数据。
需要说明的是,本发明所提出的大气污染扩散的模拟方法的执行主体可以是大气污染扩散的模拟装置,为了更加清楚的对本发明提出的大气污染扩散的模拟方法进行说明,下面实施例中以大气污染扩散的模拟方法的执行主体为大气污染扩散的模拟装置进行示例性说明。
在该实施例中,上述第一数据集用于指示上述待模拟区域的历史污染数据,其具体包括待模拟区域的历史的:地形数据、土地利用数据、风场数据、温度数据、气象数据和污染源监测数据;其中,风场数据包括风速和风向数据,气象数据包括总云量、低云量、相对湿度和气压,污染源监测数据包括污染源的烟囱高度、直径、海拔,排口的温度、排放速率以及污染源的经纬度坐标信息等数据。上述第二数据集用于指示待模拟区域的污染源数据。
具体而言,上述污染源可划分为点源、线源、面源、体源,上述污染源中的污染物主要包括SO2、SO4、NO、NO2、HNO3、NO3、PM10、PM2.5、CO和NOX等。
在该实施例中,模拟装置首先获取待模拟区域的第一数据集,根据第一数据集确定大气污染扩散模型。具体而言,模拟装置可以根据第一数据集对深度神经网路的编码-解码架构模型进行训练的方式,确定出上述大气污染扩散模型。
进一步地,在确定出大气污染扩散模型后,模拟装置获取待模拟区域的第二数据集以及用户设定的参数。具体而言,用户设定的参数主要包括模拟大气污染扩散的起始时间和模拟运行的时长。
进一步地,模拟装置将获取的第二数据集中的数据和用户设定的参数输入至上述大气污染扩散模型中,以使大气污染扩散模型输出大气污染扩散的模拟结果。具体而言,在进行大气污染扩散模拟时,会将上述待模拟区域按照预设大小划分成网格形式,因此,大气污染扩散模型输出的大气污染扩散的模拟结果为网格数据,根据该网格数据能够确定每个网格的大气污染浓度,即能够了解到污染源在待模拟区域的大气污染扩散情况。
示例性的,大气污染扩散模型输出的大气污染扩散的模拟结果如下表1所示:
表1
0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
0 | 0 | 0 | 5 | 0 | 0 | 0 | 0 |
0 | 0 | 4 | 5 | 4 | 0 | 0 | 0 |
0 | 2 | 3 | 4 | 3 | 2 | 0 | 0 |
1 | 1 | 2 | 3 | 3 | 1 | 1 | 0 |
1 | 1 | 2 | 3 | 2 | 1 | 0 | 0 |
0 | 1 | 2 | 2 | 1 | 0 | 0 | 0 |
0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 |
其中,表1中的数字用于表示每个网格的大气污染浓度数据。
在该实施例中,模拟装置首先根据获取的待模拟区域出的历史污染数据确定出大气污染扩散模型,然后将获取的待模拟区域的当前的污染源数据和用户设定的参数输入至上述大气污染扩散模型,确定出大气污染扩散的模拟结果。在本发明的实施例中,模拟装置将获取的待模拟区域的污染源数据和用户设定的参数输入至大气污染扩散模型即可确定出大气污染扩散的模拟结果,简化了大气污染扩散模拟过程。同时,由于大气污染扩散模型是通过待模拟区域出的历史污染数据(即第一数据集)对深度神经网路的编码-解码架构模型进行训练得出的,提高了大气污染扩散模拟速度。
图2示出了本发明实施例的大气污染扩散的模拟方法的流程示意图,其中,该模拟方法包括:
步骤S202,获取待模拟区域的第一数据集,将第一数据集输入至第一预设模型中,以确定第三数据集;
步骤S204,根据第一数据集和第三数据集对第二预设模型进行训练,以确定大气污染扩散模型;
步骤S206,获取待模拟区域的第二数据集和用户设定的参数;
步骤S208,将第二数据集和用户设定的参数输入至大气污染扩散模型,以确定大气污染扩散的模拟结果。
在该实施例中,上述第一预设模型用于指示传统的用于模拟大气污染扩散的空气质量模型,上述第三数据集用于指示根据上述第一数据集通过第一预设模型模拟出的大气污染扩散结果数据。
具体地,模拟装置首先将获取的第一数据集输入至第一预设模型(即传统的空气质量模型)中,以得出第三数据集(通过传统的空气质量模型得出的大气污染扩散结果)。具体而言,由于真实的大气污染物扩散过程难以获得,所以本发明通过传统的空气质量模型生成用于后续步骤中训练上述第二预设模型的输出数据。
需要说明的是,上述第一预设模型为AERMOD模型、高斯烟羽模型、高斯烟团模型、CALPUFF模型中的任一种。
进一步地,模拟装置也可以采用待模拟区域中的大气污染监测站点的监测数据结合插值的方法生成上述第三数据集,还可以采用上述多种模型混合的方式生成上述第三数据集,并叠加上述监测数据进行校正处理,以提高确定出的第三数据集的准确性。
进一步地,模拟装置根据上述第一数据集以及确定出的第三数据集对第二预设模型进行训练,以确定出上述大气污染扩散模型。具体而言,在训练过程中,以第一数据集作为输入数据,以第三数据集作为输出数据对第二预设模型进行训练。
在该实施例,由于真实的大气污染物扩散过程难以获得,所以本发明的实施例中根据第一数据集,通过传统的空气质量模型(即第一预设模型)生成用于训练第二预设模型的输出数据。保证了能够训练出模拟精度到达模拟要求的大气污染扩散模型。
图3示出了本发明实施例的大气污染扩散的模拟方法的流程示意图,其中,该模拟方法包括:
步骤S302,获取待模拟区域的第一数据集,将第一数据集输入至第一预设模型中,以确定第三数据集;
步骤S304,确定第二预设模型的初始浓度输入数据;
步骤S306,对第一数据集进行预处理,确定第一输入数据集和第二输入数据集;
步骤S308,根据初始浓度输入数据、第一输入数据集、第二输入数据集和第三数据集确定模型训练数据集;
步骤S310,根据模型训练数据集对第二预设模型进行训练,以确定大气污染扩散模型;
步骤S312,获取待模拟区域的第二数据集和用户设定的参数;
步骤S314,将第二数据集和用户设定的参数输入至大气污染扩散模型,以确定大气污染扩散的模拟结果。
其中,第二预设模型包括编码器和解码器,在对第二预设模型进行训练时,初始浓度输入数据和第一输入数据为编码器的输入数据,第二输入数据集为解码器的输入数据,第三数据集为解码器的输出数据。
在该实施例中,模拟装置根据上述第一数据集和上述第三数据集对第二预设模型进行训练的过程为:模拟装置首先确定出第二预设模型的初始浓度输入数据。具体而言,初始浓度输入数据用于指示将待模拟区域进行网格划分后,对每个网格大气污染浓度数据进行归一化处理后确定的出的数据。
进一步地,模拟装置对上述第一数据集进行预处理,以确定出第一输入数据集和第二输入数据集。具体而言,由于第二预设模型为深度神经网路的编码-解码架构模型,因此,第二预设模型包括编码器和解码器,所以需要对第一数据集进行预处理,分别确定出编码器的输入数据(即第一输入数据集)和解码器的输入数据(即第二输入数据集)。
进一步地,模拟装置根据上述初始浓度输入数据、上述第一输入数据集、上述第二输入数据集和上述第三数据集确定模型训练数据集,并根据该模型训练数据集对第二预设模型训练,进而确定出大气污染训练模型。具体而言,在根据该模型训练数据集对第二预设模型训练的过程中,初始浓度输入数据和第一输入数据为编码器的输入数据,第二输入数据集为解码器的输入数据,第三数据集为解码器的输出数据。
示例性的,如图9所示,为上述编码器(Encoder)的结构示意图,其中,h0用于指示初始浓度输入数据和第一输入数据集,x1、x2、...xN用于指示待模拟区域水平展开后的各网格浓度值。
通过图9可以看出,编码器接收输入的h0和x=(x1,x2,...,xn),最终输出一个编码所有信息的上下文向量c,其中,上下文向量c的计算公式如下所示:
c=hN;
c=q(hN);
c=q(h1,h2,...,hN);
其中,c用于表示上下文向量,q函数用于表示某种变换,h1,h2,...,hN用于表示编码器神经元的隐藏状态。从上述计算公式可以看到,c可以直接使用最后一个神经元的隐藏状态hN表示;也可以在最后一个神经元的隐藏状态上进行某种变换hN而得到,还可以使用所有神经元的隐藏状态h1,h2,...,hN计算得到。
示例性的,如图10所示,为上述解码器(Decoder)的结构示意图,其中,h′0用于指示上述第二输入数据集。
其中,y′t的计算公式如下所示:
h′1=σ(Wc+b);
h′t=σ(Wh′t-1+b);
y′t=σ(Wh′t+c);
其中,h′t用于指示图10中h′1和h′M之间的解码器的神经元隐藏状态,h′t-1用于指示h′t之前的神经元隐藏状态,y′t用于指示图10中y′1和y′M之间的向量,c用于表示上下文向量,σ函数用于表示某种变换,W和b用于指示常数,通过上述计算公式可以看出,h′t依赖h′t-1及上下文向量c。
示例性的,如图11所示,为第二预设模型的结构示意图,由此可以看出,解码器的输入包括编码器输出的上下文向量c。
在该实施例中,模拟装置能够确定出第二预设模型的初始浓度输入数据,能够对第一数据集进行预处理确定出第一输入数据集和第二输入数据集,能够根据上述初始浓度输入数据、上述第一输入数据集、上述第二输入数据集和上述第三数据集确定模型训练数据集,并能够根据该模型训练数据集对第二预设模型进行训练,确定出能够用于模拟大气污染扩散的大气污染扩散模型。在本发明的实施例中,模拟装置通过对第一数据集进行预处理分别确定出编码器的输入数据第一输入数据集和解码器的数据第二输入数据集,有效提高了训练出的大气污染扩散模型的模拟精度。
图4示出了本发明实施例的大气污染扩散的模拟方法的流程示意图,其中,该模拟方法包括:
步骤S402,获取待模拟区域的第一数据集,将第一数据集输入至第一预设模型中,以确定第三数据集;
步骤S404,将待模拟区域按照预设网格大小划分成多个网格;
步骤S406,根据每个网格的大气污染浓度数据确定初始浓度输入数据;
步骤S408,对第一数据集进行预处理,确定第一输入数据集和第二输入数据集;
步骤S410,根据初始浓度输入数据、第一输入数据集、第二输入数据集和第三数据集确定模型训练数据集;
步骤S412,根据模型训练数据集对第二预设模型进行训练,以确定大气污染扩散模型;
步骤S414,获取待模拟区域的第二数据集和用户设定的参数;
步骤S416,将第二数据集和用户设定的参数输入至大气污染扩散模型,以确定大气污染扩散的模拟结果。
在该实施例中,模拟装置确定第二预设模型的初始浓度输入数据的过程为:模拟装置首先将待模拟区域按照预设网格大小划分成多个网格。具体而言,上述预设网格大小一般设置为500m×500m或者1000m×1000m,具体根据待模拟区域的实际情况自行设置。
进一步地,模拟装置根据每个网格的大气污染浓度数据确定上述初始浓度输入数据。具体而言,在模拟时间t等于0的情况下,每个网格的大气污染浓度数据均为0,在模拟时间t不等于0的情况下,每个网格的大气污染浓度数据等于t-1时刻的大气污染浓度数据。
具体地,模拟装置通过对每个网格的大气污染浓度数据进行归一化处理的方式,确定出上述初始浓度输入数据。
在该实施例中,模拟装置能够通过对待模拟区域进行网格划分后,每个网格的大气污染浓度数据确定出初始浓度输入数据,以便于后续步骤中根据该初始浓度输入数据训练出模拟精度较高的大气污染扩散模型,进而提高确定的大气污染扩散模拟结果的精度。
图5示出了本发明实施例的大气污染扩散的模拟方法的流程示意图,其中,第一数据集包括待模拟区域的地形数据、土地利用数据、风场数据、温度数据、气象数据和污染源监测数据,该模拟方法包括:
步骤S502,获取待模拟区域的第一数据集,将第一数据集输入至第一预设模型中,以确定第三数据集;
步骤S504,确定第二预设模型的初始浓度输入数据;
步骤S506,通过第三预设模型对地形数据和土地利用数据进行预处理,以确定第一输入数据集;
步骤S508,通过第三预设模型对风场数据、温度数据、气象数据和污染源监测数据进行预处理,以确定第二输入数据集;
步骤S510,根据初始浓度输入数据、第一输入数据集、第二输入数据集和第三数据集确定模型训练数据集;
步骤S512,根据模型训练数据集对第二预设模型进行训练,以确定大气污染扩散模型;
步骤S514,获取待模拟区域的第二数据集和用户设定的参数;
步骤S516,将第二数据集和用户设定的参数输入至大气污染扩散模型,以确定大气污染扩散的模拟结果。
在该实施例中,上述第三预设模型用于指示深度卷积神经网络的ImageNet、ResNet、VGG、InceptionNet、MobileNet中的任一种模型。
具体地,模拟装置通过第三预设模型对待模拟区域的地形数据和土地利用数据进行预处理,确定出第一输入数据集。具体而言,上述地形数据和上述土地利用数据一般为tif数据格式,因此可以直接通过第三预设模型对上述地形数据和上述土地利用数据进行特征提取,分别确定出地形特征输入数据和土地利用特征输入数据,然后根据地形特征输入数据和土地利用特征输入数据确定出上述第一输入数据集。
进一步地,模拟装置通过第三预设模型对待模拟区域的风场数据、温度数据、气象数据和污染源监测数据进行预处理,以确定第二输入数据集。
具体地,上述风场数据包括风速数据和风向数据,模拟装置对风场数据进行预处理的过程为:模拟装置首先通过克里金插值法将风速数据进行空间插值处理,形成风速区域图,使用第三预设模型对风速区域图进行特征提取,形成风速特征输入数据;然后通过克里金插值法将风向数据进行空间插值处理,形成风向区域图,使用第三预设模型对风向区域图进行特征提取,形成风向特征输入数据;进而根据风速特征输入数据和风向特征输入数据确定风场特征输入数据。
具体地,模拟装置对温度数据进行预处理的过程为:模拟装置通过克里金插值法将温度数据进行空间插值处理,形成温度区域图,使用第三预设模型对温度区域图进行特征提取,形成温度特征输入数据。
具体地,模拟装置对气象数据进行预处理的过程为:模拟装置从气象数据中提取总云量数据,形成总云量区域图,使用第三预设模型对总云量区域图进行特征提取,形成总云量特征输入数据;模拟装置从气象数据中提取低云量数据,形成低云量区域图,使用第三预设模型对低云量区域图进行特征提取,形成低云量特征输入数据;模拟装置从气象数据中提取相对湿度数据,形成相对湿度区域图,使用第三预设模型对相对湿度区域图进行特征提取,形成相对湿度特征输入数据;模拟装置从气象数据中提取气压数据,形成气压区域图,使用第三预设模型对气压区域图进行特征提取,形成气压特征输入数据。
进一步地,模拟装置将上述总云量特征输入数据、上述低云量特征输入数据、上述相对湿度特征输入数据、上述气压特征输入数据拼接为一个向量,形成气象特征输入数据。
具体地,上述污染源监测数据包括污染源的类型、污染源的基础数据、污染源的经纬度坐标和污染物;模拟装置对污染源监测数据进行预处理的过程为:模拟装置将污染源的类型进行one-hot编码(独热编码),形成污染源类型特征向量;模拟装置将污染源的基础数据的烟囱高度、直径、海拔、排口的温度、排放速率拼接为一组向量,并进行归一化处理,形成污染源基础数据特征向量;模拟装置将污染源的经纬度坐标转换为待模拟区域的网格坐标(i,j);模拟装置将污染源的经纬度坐标转换为待模拟区域的UTM(平面直角)坐标(x,y);模拟装置将污染物进行one-hot编码,形成污染物特征向量。
进一步地,模拟装置根据污染源类型特征向量、污染源基础数据特征向量、网格坐标(i,j)、UTM坐标(x,y)和污染物特征向量确定染源特征输入数据。
进一步地,模拟装置根据风场特征输入数据、温度特征输入数据、气象特征输入数据和染源特征输入数据确定出上述第二输入数据集。
示例性的,当第三预设模型为ResNet模型时,其模型结构示意图如图12所示,根据图12可以看出,ResNet模型是参考了VGG19模型,在其基础上进行了修改,并通过短路机制加入了残差单元,其变化主要体现在ResNet模型直接使用stride=2的卷积做下采样,并且用global average pool(全局平均池)层替换了全连接层。ResNet模型的一个重要设计原则是:当feature map(特征底图)大小降低一半时,feature map的数量增加一倍,这保持了网络层的复杂度。从图中可以看到,ResNet模型相比普通网络每两层间增加了短路机制,这就形成了残差学习,其中虚线表示feature map数量发生了改变。
示例性的,如图13所示,为ResNet模型中残差学习单元的示意图,其中,x用于表示输入的数据,weight layer用于表示特征提取过程,relu用于表示激活函数,indentity用于表示鉴定函数,以使特征提取完成后,输出特征提取结果F(x)+x。
在该实施例中,模拟装置能够通过对第一数据集中的地形数据和土地利用数据进行预处理,确定出第一输入数据集,能够通过对第一数据集中的风场数据、温度数据、气象数据和污染源监测数据进行预处理,确定出第二输入数据集,以便于后续步骤中根据第一输入数据集和第二输入数据集训练出模拟精度较高的大气污染扩散模型,进而提高确定的大气污染扩散模拟结果的精度。
图6示出了本发明实施例的大气污染扩散的模拟方法的流程示意图,其中,该模拟方法包括:
步骤S602,获取待模拟区域的第一数据集,将第一数据集输入至第一预设模型中,以确定第三数据集;
步骤S604,确定第二预设模型的初始浓度输入数据;
步骤S606,对第一数据集进行预处理,确定第一输入数据集和第二输入数据集;
步骤S608,根据初始浓度输入数据、第一输入数据集、第二输入数据集和第三数据集确定模型训练数据集;
步骤S610,按照预设比例系数,将模型训练数据集划分为训练集、测试集和验证集;
步骤S612,根据训练集对第二预设模型进行训练,根据测试集对第二预设模型的训练过程进行评估,根据验证集验证第二预设模型的训练效果,以确定大气污染扩散模型;
步骤S614,获取待模拟区域的第二数据集和用户设定的参数;
步骤S616,将第二数据集和用户设定的参数输入至大气污染扩散模型,以确定大气污染扩散的模拟结果。
在该实施例中,模拟装置首先按照预设比例系数,将模型训练数据集划分为训练集、测试集和验证集。具体而言,上述预设比例系数一般设置为8:1:1,即训练集、测试集和验证集的比例为8:1:1。
进一步地,模拟装置根据训练集对第二预设模型进行训练,根据测试集优化训练后的第二预设模型,根据验证集评估优化后的第二预设模型的效果,以确定出大气污染扩散模型。具体而言,在验证集评估出的效果达到预设要求的情况下才将优化后的第二预设模型确定为大气污染扩散模型。
可以理解的是,在对第二预设模型进行训练之前,还需设置第二预设模型的损失函数,具体地,第二预设模型的损失函数为RMSE函数、MSE函数和MAE函数中的任一种。
其中,RMSE函数的表达式如式1所示,MSE函数的表达式如式2所示,MAE函数的表达式如式3所示。
具体而言,在式1、式2和式3中,N用于表示常数,i用于数量,yi均表示真实值,y′i均表示预测值。
在该实施例中,确定装置能够根据确定出的模型训练数据集确定出用于模型训练的训练集、测试集和验证集,通过这三种数据集对第二预设模型进行训练,使得确定出大气污染扩散模型能够更加准确的对大气污染扩散的情况进行模拟。
图7示出了本发明实施例的大气污染扩散的模拟方法的流程示意图,其中,该模拟方法包括:
步骤S702,获取待模拟区域的第一数据集,根据第一数据集确定大气污染扩散模型;
步骤S704,获取待模拟区域的第二数据集和用户设定的参数;
步骤S706,将第二数据集和用户设定的参数输入至大气污染扩散模型,以确定大气污染扩散的模拟结果;
步骤S708,将大气污染扩散的模拟结果转换为GIS可视化效果图。
示例性的,根据上述第二数据集和用户设定的参数确定的大气污染扩散模型输入的参数为:起始时间:2020-12-03 00:00:00;海拔高度:100;模拟运行时长:3;纬度和经度:34.85,119.17;污染物数量:1;污染物名称:SO2;排放速率:1;排放时长:1时,大气污染扩散的模拟结果转换出GIS可视化效果图如图14所示。
示例性的,根据上述第二数据集和用户设定的参数确定的大气污染扩散模型输入的参数为:起始时间:2020-12-03 06:00:00;海拔高度:100;纬度和经度:34.85,119.17;模拟运行时长:3;污染物数量:1;污染物名称:SO2;排放速率:1;排放时长:1时,大气污染扩散的模拟结果转换出GIS可视化效果图如图15所示。
示例性的,根据上述第二数据集和用户设定的参数确定的大气污染扩散模型输入的参数为:起始时间:2020-12-03 12:00:00;海拔高度:100;纬度和经度:34.85,119.17;模拟运行时长:3;污染物数量:1;污染物名称:SO2;排放速率:1;排放时长:1时,大气污染扩散的模拟结果转换出GIS可视化效果图如图16所示。
示例性的,根据上述第二数据集和用户设定的参数确定的大气污染扩散模型输入的参数为:起始时间:2020-12-03 18:00:00;海拔高度:100;纬度和经度:34.85,119.17;模拟运行时长:3;污染物数量:1;污染物名称:SO2;排放速率:1;排放时长:1时,大气污染扩散的模拟结果转换出GIS可视化效果图如图17所示。
根据图14至图17可以看出,不同的模拟起始时间生成的GIS可视化效果图不同。
在该实施例中,模拟装置在通过大气污染扩散模型输出的模拟结果后,模拟装置还需要将大气污染扩散的模拟结果转换为GIS可视化效果图,以便于技术人员能够直观的连接大气污染的扩散情况,进而更好的制定出大气污染治理方案。
实施例二:
图8示出了本发明实施例的大气污染扩散的模拟装置的示意框图,该大气污染扩散的模拟装置800包括:获取模块802,用于获取待模拟区域的第一数据集;第一处理模块804,用于根据第一数据集确定大气污染扩散模型;获取模块802还用于获取待模拟区域的第二数据集和用户设定的参数;第二处理模块806,用于将第二数据集和用户设定的参数输入至大气污染扩散模型,以确定大气污染扩散的模拟结果;其中,第一数据集用于指示待模拟区域的历史污染数据,第二数据集用于指示待模拟区域的污染源数据。
在该实施例中,上述第一数据集用于指示上述待模拟区域的历史污染数据,其具体包括待模拟区域的历史的:地形数据、土地利用数据、风场数据、温度数据、气象数据和污染源监测数据;其中,风场数据包括风速和风向数据,气象数据包括总云量、低云量、相对湿度和气压,污染源监测数据包括污染源的烟囱高度、直径、海拔,排口的温度、排放速率以及污染源的经纬度坐标信息等数据。上述第二数据集用于指示待模拟区域的污染源数据。
具体而言,上述污染源可划分为点源、线源、面源、体源,上述污染源中的污染物主要包括SO2、SO4、NO、NO2、HNO3、NO3、PM10、PM2.5、CO和NOX等。
在该实施例中,首先通过获取模块802获取待模拟区域的第一数据集,以使第一处理模块804根据获取的第一数据集确定大气污染扩散模型。具体而言,第一处理模块804可以根据第一数据集对深度神经网路的编码-解码架构模型进行训练的方式,确定出上述大气污染扩散模型。
进一步地,在确定出大气污染扩散模型后,还需要通过获取模块802获取待模拟区域的第二数据集以及用户设定的参数。具体而言,用户设定的参数主要包括模拟大气污染扩散的起始时间和模拟运行的时长。
进一步地,第二处理模块806将获取的第二数据集中的数据和用户设定的参数输入至上述大气污染扩散模型中,以使大气污染扩散模型输出大气污染扩散的模拟结果。具体而言,在进行大气污染扩散模拟时,会将上述待模拟区域按照预设大小划分成网格形式,因此,大气污染扩散模型输出的大气污染扩散的模拟结果为网格数据,根据该网格数据能够确定每个网格的大气污染浓度,即能够了解到污染源在待模拟区域的大气污染扩散情况。
在该实施例中,第一处理模块804能够根据获取模块802获取的待模拟区域出的历史污染数据确定出大气污染扩散模型,第二处理模块806能够将获取的待模拟区域的当前的污染源数据和用户设定的参数输入至上述大气污染扩散模型,确定出大气污染扩散的模拟结果。在本发明的实施例中,第二处理模块806将获取的待模拟区域的污染源数据和用户设定的参数输入至大气污染扩散模型即可确定出大气污染扩散的模拟结果,简化了大气污染扩散模拟过程。同时,由于大气污染扩散模型是通过待模拟区域出的历史污染数据(即第一数据集)对深度神经网路的编码-解码架构模型进行训练得出的,提高了大气污染扩散模拟速度。
进一步地,在该实施例中,第一处理模块804还用于将第一数据集输入至第一预设模型中,以确定第三数据集;第一处理模块804还用于根据第一数据集和第三数据集对第二预设模型进行训练,以确定大气污染扩散模型。
进一步地,在该实施例中,第一处理模块804还用于确定第二预设模型的初始浓度输入数据;第一处理模块804还用于对第一数据集进行预处理,确定第一输入数据集和第二输入数据集;第一处理模块804还用于根据初始浓度输入数据、第一输入数据集、第二输入数据集和第三数据集确定模型训练数据集;第一处理模块804还用于根据模型训练数据集对第二预设模型进行训练,以确定大气污染扩散模型;其中,第二预设模型包括编码器和解码器,在对第二预设模型进行训练时,初始浓度输入数据和第一输入数据为编码器的输入数据,第二输入数据集为解码器的输入数据,第三数据集为解码器的输出数据。
进一步地,在该实施例中,第一处理模块804还用于将待模拟区域按照预设网格大小划分成多个网格;第一处理模块804还用于根据每个网格的大气污染浓度数据确定初始浓度输入数据。
进一步地,在该实施例中,第一数据集包括待模拟区域的地形数据、土地利用数据、风场数据、温度数据、气象数据和污染源监测数据;第一处理模块804还用于通过第三预设模型对地形数据和土地利用数据进行预处理,以确定第一输入数据集;第一处理模块804还用于通过第三预设模型对风场数据、温度数据、气象数据和污染源监测数据进行预处理,以确定第二输入数据集。
进一步地,在该实施例中,第一处理模块804还用于按照预设比例系数,将模型训练数据集划分为训练集、测试集和验证集;第一处理模块804还用于根据训练集对第二预设模型进行训练,根据测试集对第二预设模型的训练过程进行评估,根据验证集验证第二预设模型的训练效果,以确定大气污染扩散模型。
进一步地,在该实施例中,第二处理模块806还用于将大气污染扩散的模拟结果转换为GIS可视化效果图。
实施例三:
根据本发明的第三个实施例,提出了一种可读存储介质,其上存储有程序或指令,程序或指令被处理器执行时实现如上述实施例提出的大气污染扩散的模拟方法。因此,该可读存储介质具备上述实施例提出的大气污染扩散的模拟方法的全部有益效果,在此不再赘述。
实施例四:
根据本发明的第四个实施例,提出了一种电子设备,包括如本发明上述实施例提出的大气污染扩散的模拟装置,和/或如本发明上述实施例提出的可读存储介质,因此,该电子设备具备本发明上述实施例提出的大气污染扩散的模拟装置和/或本发明上述实施例提出的可读存储介质的全部有益效果,在此不再赘述。
在本说明书的描述中,术语“第一”、“第二”仅用于描述的目的,而不能理解为指示或暗示相对重要性,除非另有明确的规定和限定;术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。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。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或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一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大气污染扩散的模拟方法,其特征在于,包括:
获取待模拟区域的第一数据集,根据所述第一数据集确定大气污染扩散模型;
获取所述待模拟区域的第二数据集和用户设定的参数;
将所述第二数据集和用户设定的参数输入至所述大气污染扩散模型,以确定大气污染扩散的模拟结果;
其中,所述第一数据集用于指示所述待模拟区域的历史污染数据,所述第二数据集用于指示所述待模拟区域的污染源数据。
2.根据权利要求1所述的大气污染扩散的模拟方法,其特征在于,所述根据所述第一数据集确定大气污染扩散模型,具体包括:
将所述第一数据集输入至第一预设模型中,以确定第三数据集;
根据所述第一数据集和所述第三数据集对第二预设模型进行训练,以确定所述大气污染扩散模型。
3.根据权利要求2所述的大气污染扩散的模拟方法,其特征在于,所述根据所述第一数据集和所述第三数据集对第二预设模型进行训练,以确定所述大气污染扩散模型,具体包括:
确定所述第二预设模型的初始浓度输入数据;
对所述第一数据集进行预处理,确定第一输入数据集和第二输入数据集;
根据所述初始浓度输入数据、所述第一输入数据集、所述第二输入数据集和所述第三数据集确定模型训练数据集;
根据所述模型训练数据集对所述第二预设模型进行训练,以确定所述大气污染扩散模型;
其中,所述第二预设模型包括编码器和解码器,在对所述第二预设模型进行训练时,所述初始浓度输入数据和所述第一输入数据为所述编码器的输入数据,所述第二输入数据集为所述解码器的输入数据,所述第三数据集为所述解码器的输出数据。
4.根据权利要求3所述的大气污染扩散的模拟方法,其特征在于,所述确定所述第二预设模型的初始浓度输入数据,具体包括:
将所述待模拟区域按照预设网格大小划分成多个网格;
根据每个网格的大气污染浓度数据确定所述初始浓度输入数据。
5.根据权利要求3所述的大气污染扩散的模拟方法,其特征在于,所述第一数据集包括所述待模拟区域的地形数据、土地利用数据、风场数据、温度数据、气象数据和污染源监测数据,所述对所述第一数据集进行预处理,确定第一输入数据集和第二输入数据集,具体包括:
通过第三预设模型对所述地形数据和所述土地利用数据进行预处理,以确定所述第一输入数据集;
通过所述第三预设模型对所述风场数据、所述温度数据、所述气象数据和所述污染源监测数据进行预处理,以确定所述第二输入数据集。
6.根据权利要求3所述的大气污染扩散的模拟方法,其特征在于,所述根据所述模型训练数据集对所述第二预设模型进行训练,以确定所述大气污染扩散模型,具体包括:
按照预设比例系数,将所述模型训练数据集划分为训练集、测试集和验证集;
根据所述训练集对所述第二预设模型进行训练,根据所述测试集对所述第二预设模型的训练过程进行评估,根据所述验证集验证所述第二预设模型的训练效果,以确定所述大气污染扩散模型。
7.根据权利要求1所述的大气污染扩散的模拟方法,其特征在于,所述确定大气污染扩散的模拟结果后,所述大气污染扩散的模拟方法还包括:
将所述大气污染扩散的模拟结果转换为可视化效果图。
8.一种大气污染扩散的模拟装置,其特征在于,包括:
获取模块,用于获取待模拟区域的第一数据集;
第一处理模块,用于根据所述第一数据集确定大气污染扩散模型;
所述获取模块还用于获取所述待模拟区域的第二数据集和用户设定的参数;
第二处理模块,用于将所述第二数据集和用户设定的参数输入至所述大气污染扩散模型,以确定大气污染扩散的模拟结果;
其中,所述第一数据集用于指示所述待模拟区域的历史污染数据,所述第二数据集用于指示所述待模拟区域的污染源数据。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的大气污染扩散的模拟方法的步骤。
10.一种电子设备,其特征在于,包括:
如权利要求8所述的大气污染扩散的模拟装置;和/或
如权利要求9所述的可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210493003.8A CN115017679A (zh) | 2022-05-07 | 2022-05-07 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210493003.8A CN115017679A (zh) | 2022-05-07 | 2022-05-07 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017679A true CN115017679A (zh) | 2022-09-06 |
Family
ID=83069204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210493003.8A Pending CN115017679A (zh) | 2022-05-07 | 2022-05-07 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017679A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116699072A (zh) * | 2023-06-08 | 2023-09-05 | 东莞市华复实业有限公司 | 基于侦测巡航的环境预警方法 |
CN117686669A (zh) * | 2024-02-02 | 2024-03-12 | 北京市生态环境监测中心 | 一种无组织排放源网格化监测方法、装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
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 |
CN110333556A (zh) * | 2019-06-03 | 2019-10-15 | 深圳中兴网信科技有限公司 | 空气质量预测方法、装置、计算机设备及可读存储介质 |
CN111507533A (zh) * | 2020-04-22 | 2020-08-07 | 中科三清科技有限公司 | 空气污染物浓度预测方法、装置、电子设备及存储介质 |
CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
CN114356880A (zh) * | 2021-12-15 | 2022-04-15 | 浙江工业大学 | 基于数据驱动的小尺度区域大气污染物快速溯源方法 |
-
2022
- 2022-05-07 CN CN202210493003.8A patent/CN115017679A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
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 |
CN110333556A (zh) * | 2019-06-03 | 2019-10-15 | 深圳中兴网信科技有限公司 | 空气质量预测方法、装置、计算机设备及可读存储介质 |
CN111507533A (zh) * | 2020-04-22 | 2020-08-07 | 中科三清科技有限公司 | 空气污染物浓度预测方法、装置、电子设备及存储介质 |
CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
CN114356880A (zh) * | 2021-12-15 | 2022-04-15 | 浙江工业大学 | 基于数据驱动的小尺度区域大气污染物快速溯源方法 |
Non-Patent Citations (3)
Title |
---|
刘旭林;赵文芳;唐伟;: "应用CNN-Seq2seq的PM2.5未来一小时浓度预测模型", 小型微型计算机***, no. 05, 15 May 2020 (2020-05-15), pages 106 - 112 * |
张迪: "基于深度学习的大气细颗粒物污染时空预报研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, 15 January 2022 (2022-01-15), pages 027 - 1682 * |
邹国建: "基于时空特征学习的区域空气污染物扩散趋势预测研究", 中国优秀硕士学位论文全文数据库 基础科学辑, 15 July 2020 (2020-07-15), pages 009 - 35 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116699072A (zh) * | 2023-06-08 | 2023-09-05 | 东莞市华复实业有限公司 | 基于侦测巡航的环境预警方法 |
CN116699072B (zh) * | 2023-06-08 | 2024-01-26 | 东莞市华复实业有限公司 | 基于侦测巡航的环境预警方法 |
CN117686669A (zh) * | 2024-02-02 | 2024-03-12 | 北京市生态环境监测中心 | 一种无组织排放源网格化监测方法、装置、设备和介质 |
CN117686669B (zh) * | 2024-02-02 | 2024-04-23 | 北京市生态环境监测中心 | 一种无组织排放源网格化监测方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
CN109635511B (zh) | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 | |
CN115017679A (zh) | 大气污染扩散的模拟方法、装置、存储介质和电子设备 | |
CN112418212B (zh) | 一种基于EIoU改进的YOLOv3算法 | |
CN110766038A (zh) | 无监督式的地貌分类模型训练和地貌图构建方法 | |
CN110595960B (zh) | 一种基于机器学习的pm2.5浓度遥感估算方法 | |
CN113822284B (zh) | 一种基于边界注意力的rgbd图像语义分割方法 | |
CN114840900B (zh) | 一种基于i-GBDT技术的衍生式BIM构件自动生成方法 | |
CN109461177B (zh) | 一种基于神经网络的单目图像深度预测方法 | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估***及方法 | |
CN114662344B (zh) | 基于连续在线观测数据的大气污染溯源预测方法及*** | |
CN113344956A (zh) | 基于无人机航摄三维建模的地物轮廓提取分类方法 | |
CN115984850A (zh) | 基于改进Deeplabv3+的轻量级遥感影像语义分割方法 | |
CN111597932A (zh) | 基于卷积神经网络的道路裂缝图像识别方法、装置及*** | |
CN111598460A (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
CN113269224A (zh) | 一种场景图像分类方法、***及存储介质 | |
CN114419468A (zh) | 一种结合注意力机制和空间特征融合算法的水田分割方法 | |
CN111008979A (zh) | 一种鲁棒的夜晚图像语义分割方法 | |
CN109684910A (zh) | 一种网络检测输电线路地表环境变化的方法及*** | |
CN115965789A (zh) | 一种基于场景感知类注意力的遥感图像语义分割方法 | |
CN111310623A (zh) | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 | |
KR102326602B1 (ko) | 자료동화 및 하이브리드 모델을 적용한 상세 공간 해상도 오염지도 산출 방법 및 정보 제공 방법 | |
CN114359269A (zh) | 基于神经网络的虚拟食品盒缺陷生成方法及*** | |
CN116486285B (zh) | 一种基于类别掩码蒸馏的航拍图像目标检测方法 | |
CN117252988A (zh) | 图像数据的处理方法、设备及计算机可读存储介质 |
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 |