CN115796034B - 基于机器学习和数值模式的道路扬尘贡献评估***和方法 - Google Patents

Abstract

本发明公开了一种基于机器学习和数值模式的道路扬尘贡献评估***和方法，涉及大气污染控制领域，包括道路扬尘量处理模块、基础数据监测模块、机器学习训练模块和数值模式评估模块，道路扬尘量处理模块用于采集道路扬尘数据和车辆行驶信息，基础数据监测模块用于获取大气中污染物和气象参数信息，所述机器学习训练模块对上述车辆信息、气象信息和扬尘信息进行处理之后通过训练建立气象和车辆与扬尘之间的映射关系，并形成道路扬尘排放清单；数值模式评估模块基于机器学习训练模块输出的排放清单，进行污染物模拟，并评估道路扬尘源对大气污染的贡献。本发明自动化程度高精确度高，为大气污染物排放清单编制，大气污染管控工作提供了重要的支撑。

Description

基于机器学习和数值模式的道路扬尘贡献评估***和方法

技术领域

本发明属于大气污染控制领域，具体涉及一种基于机器学习和数值模式的道路扬尘贡献评估***和方法。

背景技术

研究表明扬尘对PM2.5的贡献可达10%~30%，扬尘排放源包括土壤扬尘源、道路扬尘源、施工扬尘源和堆场扬尘源，其中道路扬尘是道路积尘在特定的动力条件作用下进人环境空气中形成的扬尘，与道路车辆密切相关，控制道路扬尘是改善空气质量环境的有效途径之一，由于道路扬尘具有分布散、范围广、变化快等特点，如何准确核算其排放量，并估算其对大气污染的贡献较为困难。

传统的方法测定道路扬尘，需采样人员手持吸尘器等真空设备，采集道路尘土样品，然后带回实验室，进行筛选、称重、计算等工作。可以看出，传统的方法费时费力、效率较低，在交通繁忙的道路采样也有一定安全隐患；已公开的文献CN111522893B公布了一种高时空分辨率道路扬尘源排放清单制备方法，通过获取高分遥感图像、地理视频、实时交通数据和道路积尘观测数据，构建道路积尘负荷空间分布模型、交通状况空间分布模型，构建道路积尘负荷时空数据库、道路扬尘活动水平时空数据库及道路扬尘排放因子时空数据库，进而计算不同路段在不同时刻的道路扬尘排放量，但是此种方式需要对数据库信息进行不间断的更新，对于采样区域视频的图像特征要求较高，并且对模型构建平台的精度要求要高，且只是获取了道路扬尘信息数据，无法更加精准的对道路扬尘贡献进行量化评估。

发明内容

针对现有测定道路扬尘费时费力、效率较低，在交通繁忙的道路采样也有一定安全隐患，并且不能加精准的对道路扬尘贡献进行量化评估的缺陷和问题，本发明提供一种基于机器学习和数值模式的道路扬尘贡献评估***和方法。

本发明解决其技术问题所采用的方案是：一种基于机器学习和数值模式的道路扬尘贡献评估***，包括道路扬尘量处理模块、基础数据监测模块、机器学习训练模块和数值模式评估模块，所述道路扬尘量处理模块包括扬尘监测单元和车辆识别单元，所述扬尘监测单元用于对道路扬尘数据进行采集测定，所述车辆识别单元用于获取道路上的车辆信息；所述基础数据监测模块包括污染物监测单元和气象监测单元，用于获取大气中的污染物和气象参数信息，所述机器学习训练模块与道路扬尘量处理模块和基础数据监测模块相连，包括数据预处理模块、模型建立与选择单元和预测单元，所述数据预处理单元用于接收所述道路扬尘量处理模块和基础数据监测模块采集到的数据信息，并对其进行清洗处理；所述模型建立与选择单元以预处理后的数据为基础，通过训练建立气象和车辆与扬尘之间的映射关系，并通过所述预测单元根据监测的车辆信息和气象信息对道路扬尘做出预测，形成道路扬尘排放清单；所述数值模式评估模块与机器学习训练模块连接，包括气象模拟单元和污染模拟单元，用于进行污染物模拟以及评估道路扬尘源对大气污染的贡献。

作为本发明的一种优选技术方案，所述扬尘监测单元通过道路扬尘走航车来测定道路扬尘量和积尘负荷，所述车辆识别单元用于获取车辆类型、大小、时速和车流密度的信息。

作为本发明的一种优选技术方案，所述污染物监测单元中包含有污染物监测传感器，用于监测空气中PM_2.5、PM₁₀浓度，所述气象监测单元中含有气象监测传感器，用于监测大气中的气象参数。

作为本发明的一种优选技术方案，所述气象模拟单元中配置有WRF模型，用于进行高分辨率的气象场模拟。

作为本发明的一种优选技术方案，所述污染模拟单元中配置有空气质量模式，用于对道路扬尘源的影响进行评估，定量扬尘源对PM_2.5和PM₁₀的贡献。

作为本发明的一种优选技术方案，所述数据预处理单元接收到气象数据、车辆数据以及道路扬尘数据信息之后对其进行一致性检查，对无效值、缺失值和离群值进行清洗筛除，并将处理后的数据传输至模型建立与选择单元。

本发明还提供一种基于机器学习和数值模式的道路扬尘贡献评估方法，应用上述基于机器学习和数值模式的道路扬尘贡献评估***，包括以下步骤：

步骤一：***启动，通过走航车来测定各道路扬尘数据，通过车辆识别***获取道路车辆类型、大小、时速、车流密度等信息；

步骤二：在城市中布设污染物监测传感器和气象监测传感器，用来监测大气中PM_2.5和PM₁₀的浓度以及监测风速、风向、温度、相对湿度、气压等气象参数；

步骤三：基于上述步骤一和步骤二中所获取的道路扬尘数据、车辆信息数据和气象数据，在对其进行清洗处理，选择RNN、CNN、LSTM、SVM等算法对处理后的数据进行训练，并使用交叉验证评估各算法模型，最终建立气象和车辆与扬尘的映射关系，通过监测信息对道路扬尘做预测，形成道路扬尘排放清单；

步骤四：在气象模拟单元中开展高精度多层嵌套的WRF模拟，并将模拟结果与步骤二中实际获取的气象数据进行比对，若比对效果不理想，优化WRF模型的参数化方案，直到模拟结果理想；

步骤五：以步骤三中形成的道路排放清单和步骤四生成的气象场为基础，在污染模拟单元设置空气质量模式参数，进行PM_2.5和PM₁₀模拟，将模拟结果与步骤二中获取的实际PM_2.5和PM₁₀浓度进行比对，若比对效果不理想，优化空气质量模式参数化方案，直到模拟结果理想；

步骤六：基于上述模拟结果，使用空气质量模式对道路扬尘源的影响进行评估，定量扬尘源对PM_2.5和PM₁₀的贡献。

与现有技术相比，本发明的有益效果是：本发明通过机器学习建立车辆信息和气象信息与道路扬尘的映射关系，进而通过对车辆和气象的实时监测数据来预测道路扬尘排放清单，最后通过数值模式来评估道路扬尘对大气污染的贡献，将机器学习与数值模式相结合，自动化程度高，无需人工统计核算数据即可实时获取气象数据的更新，数据获取速度快，***响应速率快，运算效率高，且数据精准度高，响应速度快，为大气污染物排放清单编制，大气污染管控工作提供了重要的支撑。

附图说明

图1为本发明实施例一整体***图；

图2为本发明实施例二整体流程图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

请参阅图1和图2，本发明提供了一种基于机器学习和数值模式的道路扬尘贡献评估***和方法的技术方案：

实施例一：

根据图1所示，本实施例提供一种基于机器学习和数值模式的道路扬尘贡献评估***，包括道路扬尘量处理模块、基础数据监测模块、机器学习训练模块和数值模式评估模块，道路扬尘量处理模块包括扬尘监测单元和车辆识别单元，其中扬尘监测单元通过道路扬尘走航车用来测定道路的扬尘量和积尘负荷，而车辆车别单元则用来获取道路上车辆的类型、大小、时速、车流密度等数据信息，并且将上述所采集的数据全部传输至机器学习训练模块，基础数据监测模块包括污染物监测单元和气象监测单元，在污染物监测单元中配置有污染物监测传感器，通过电池和太阳能供电，用于监测空气中PM_2.5、PM₁₀浓度，采集频率不低于6次/小时，在气象监测单元中配置有气象传感器，用于采集大气中的风速、风向、温度、相对湿度、气压等气象参数，采集频率不低于6次/小时，并将上述所采集的气象数据和污染物数据信息传输至机器学习训练模块。

机器学习训练模块包括数据预处理单元、模型建立与选择单元和预测单元，数据预处理单元接收到上述气象数据、车辆数据以及道路扬尘数据信息之后对其进行一致性检查，对一些无效值、缺失值和离群值进行清洗筛除，并将处理后的数据传输至模型建立与选择单元，模型建立与选择单元以处理好的数据为基础，选择RNN、CNN、LSTM、SVM等算法对预处理后的数据进行训练，使用交叉验证评估各算法模型，最终建立气象和车辆与道路扬尘的映射关系，形成道路扬尘排放清单，并传输至数值模式评估模块。

数值模式评估模块与机器学习训练模块连接，包括气象模拟单元和污染模拟单元，在气象模拟单元中配置有WRF模型，用于在气象模拟单元中开展高精度多层嵌套的WRF模拟，并将模拟结果与基础数据监测模块所获取到的实际的气象资料进行比对，若比对效果不理想，则选择变换不同的参数化方案，直到WRF模拟产生的气象场贴合实际监测的气象资料数据，达到理想化；污染物模拟单元与气象模拟单元连接，在污染物模拟单元中配置有空气质量模式，以机器学习训练模块输出的道路扬尘排放清单和气象模拟单元生成的气象场为基础，设置空气质量模式参数，以进行PM_2.5和PM₁₀浓度模拟，其中空气质量模式是NAQPMS、WRF-CHEM、CMAQ、CAMx中的一种或多种，并将模拟结果与基础数据监测模块所获取的实际PM_2.5和PM₁₀浓度进行比对，若比对效果不理想，则选择优化空气质量模式参数方案，直到模拟结果贴合实际所监测的浓度数据，即达到理想化，最终实现使用空气质量模式对道路扬尘源的影响进行评估，定量扬尘源对PM_2.5和PM₁₀的贡献。

本发明提供的基于机器学习和数值模式的道路扬尘贡献评估***，通过机器学习建立车辆信息和气象信息与道路扬尘的映射关系，进而通过对车辆和气象的实时监测数据来预测道路扬尘排放清单，最后通过数值模式来评估道路扬尘对大气污染的贡献，将机器学习与数值模式相结合，自动化程度高，精准度高，整个***运算效率高，响应速度快，为大气污染物排放清单编制，大气污染管控工作提供了重要的支撑。

实施例二：

本实施例提供一种基于机器学习和数值模式的道路扬尘贡献评估方法，参见图2，应用实施例一中所述的基于机器学习和数值模式的道路扬尘贡献评估***，包括以下步骤：

步骤一：***启动，通过走航车来测定各道路扬尘数据，通过车辆识别***获取道路车辆类型、大小、时速、车流密度等信息；

步骤二：在城市中布设污染物监测传感器和气象监测传感器，用来监测大气中PM_2.5和PM₁₀的浓度以及监测风速、风向、温度、相对湿度、气压等气象参数；

步骤三：基于上述步骤一和步骤二中所获取的道路扬尘数据、车辆信息数据和气象数据，在对其进行清洗处理，选择RNN、CNN、LSTM、SVM等算法对处理后的数据进行训练，并使用交叉验证评估各算法模型，最终建立气象和车辆与扬尘的映射关系，通过监测信息对道路扬尘做预测，形成道路扬尘排放清单；

步骤四：在气象模拟单元中开展高精度多层嵌套的WRF模拟，并将模拟结果与步骤二中实际获取的气象数据进行比对，若比对效果不理想，优化WRF模型的参数化方案，直到模拟结果理想；

步骤五：以步骤三中形成的道路排放清单和步骤四生成的气象场为基础，在污染模拟单元设置空气质量模式参数，进行PM_2.5和PM₁₀模拟，将模拟结果与步骤二中获取的实际PM_2.5和PM₁₀浓度进行比对，若比对效果不理想，优化空气质量模式参数化方案，直到模拟结果理想；

步骤六：基于上述模拟结果，使用空气质量模式对道路扬尘源的影响进行评估，定量扬尘源对PM_2.5和PM₁₀的贡献。

以上所述仅为本发明的较佳实施例，并不限制本发明，凡在本发明的精神和原则范围内所做的任何修改、等同替换和改进，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于机器学习和数值模式的道路扬尘贡献评估***，其特征在于：包括道路扬尘量处理模块、基础数据监测模块、机器学习训练模块和数值模式评估模块，所述道路扬尘量处理模块包括扬尘监测单元和车辆识别单元，所述扬尘监测单元用于对道路扬尘数据进行采集测定，所述车辆识别单元用于获取道路上的车辆信息；所述基础数据监测模块包括污染物监测单元和气象监测单元，用于获取大气中的污染物和气象参数信息，所述机器学习训练模块与道路扬尘量处理模块和基础数据监测模块相连，包括数据预处理单元、模型建立与选择单元和预测单元，所述数据预处理单元用于接收所述道路扬尘量处理模块和基础数据监测模块采集到的数据信息，并对其进行清洗处理，所述模型建立与选择单元以预处理后的数据为基础，选择RNN、CNN、LSTM、SVM算法对预处理后的数据进行训练，使用交叉验证评估各算法模型，通过训练建立气象和车辆与扬尘之间的映射关系，并通过所述预测单元根据监测的车辆信息和气象信息对道路扬尘做出预测，形成道路扬尘排放清单；所述数值模式评估模块与机器学习训练模块连接，包括气象模拟单元和污染模拟单元，用于进行污染物模拟以及评估道路扬尘源对大气污染的贡献。

2.根据权利要求1所述的基于机器学习和数值模式的道路扬尘贡献评估***，其特征在于：所述扬尘监测单元通过道路扬尘走航车来测定道路扬尘量和积尘负荷，所述车辆识别单元用于获取车辆类型、大小、时速和车流密度的信息。

3.根据权利要求1所述的基于机器学习和数值模式的道路扬尘贡献评估***，其特征在于：所述污染物监测单元中包含有污染物监测传感器，用于监测空气中PM_2.5、PM₁₀浓度，所述气象监测单元中含有气象监测传感器，用于监测大气中的气象参数。

4.根据权利要求1所述的基于机器学习和数值模式的道路扬尘贡献评估***，其特征在于：所述气象模拟单元中配置有WRF模型，用于进行高分辨率的气象场模拟。

5.根据权利要求1所述的基于机器学习和数值模式的道路扬尘贡献评估***，其特征在于：所述污染模拟单元中配置有空气质量模式，用于对道路扬尘源的影响进行评估，定量扬尘源对PM_2.5和PM₁₀的贡献。

6.根据权利要求1所述的基于机器学习和数值模式的道路扬尘贡献评估***，其特征在于：所述数据预处理单元接收到气象数据、车辆数据以及道路扬尘数据信息之后对其进行一致性检查，对无效值、缺失值和离群值进行清洗筛除，并将处理后的数据传输至模型建立与选择单元。

7.一种基于机器学习和数值模式的道路扬尘贡献评估方法，其特征在于，应用上述权利要求1-6中任意一项所述的基于机器学习和数值模式的道路扬尘贡献评估***，包括以下步骤：

步骤一：***启动，通过走航车来测定各道路扬尘数据，通过车辆识别***获取道路车辆类型、大小、时速、车流密度信息；

步骤二：在城市中布设污染物监测传感器和气象监测传感器，用来监测大气中PM_2.5和PM₁₀的浓度以及监测风速、风向、温度、相对湿度、气压气象参数；

步骤三：基于上述步骤一和步骤二中所获取的道路扬尘数据、车辆信息数据和气象数据，再对其进行清洗处理，选择RNN、CNN、LSTM、SVM算法对处理后的数据进行训练，并使用交叉验证评估各算法模型，最终建立气象和车辆与扬尘的映射关系，通过监测信息对道路扬尘做预测，形成道路扬尘排放清单；

步骤四：在气象模拟单元中开展高精度多层嵌套的WRF模拟，并将模拟结果与步骤二中实际获取的气象数据进行比对，若比对效果不理想，优化WRF模型的参数化方案，直到模拟结果理想；

步骤五：以步骤三中形成的道路排放清单和步骤四生成的气象场为基础，在污染模拟单元设置空气质量模式参数，进行PM_2.5和PM₁₀模拟，将模拟结果与步骤二中获取的实际PM_2.5和PM₁₀浓度进行比对，若比对效果不理想，优化空气质量模式参数化方案，直到模拟结果理想；

步骤六：基于上述模拟结果，使用空气质量模式对道路扬尘源的影响进行评估，定量扬尘源对PM_2.5和PM₁₀的贡献。