CN116258101B - 一种基于气体浓度监测数据快速计算排放源强的方法 - Google Patents
一种基于气体浓度监测数据快速计算排放源强的方法 Download PDFInfo
- Publication number
- CN116258101B CN116258101B CN202310513483.4A CN202310513483A CN116258101B CN 116258101 B CN116258101 B CN 116258101B CN 202310513483 A CN202310513483 A CN 202310513483A CN 116258101 B CN116258101 B CN 116258101B
- Authority
- CN
- China
- Prior art keywords
- data
- concentration
- wind field
- wind
- target area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 125
- 231100000719 pollutant Toxicity 0.000 claims abstract description 125
- 238000009792 diffusion process Methods 0.000 claims abstract description 60
- 238000012937 correction Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000003908 quality control method Methods 0.000 claims abstract description 17
- 239000000779 smoke Substances 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 239000000356 contaminant Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000809 air pollutant Substances 0.000 claims description 2
- 231100001243 air pollutant Toxicity 0.000 claims description 2
- 238000009423 ventilation Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Fluid Mechanics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Feedback Control In General (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于气体浓度监测数据快速计算排放源强的方法,包括获取目标区域风场测站点的位置分布数据;获取目标区域的风场数据进行质控处理,确定风场模型,并进行风场同化;获取大气污染物浓度数据进行基础处理,结合风场同化数据进行浓度场同化;基于风场测站点的位置分布数据、风场同化数据和浓度场同化数据,求解目标区域内污染物浓度空间分布的格点数据;进行污染物扩散的模态分析,计算目标区域大气污染物总排放源强。本发明对风场测站点的位置数据、风场数据、浓度场数据以及风场和浓度场流动的连续的时间序列数据进行空间四维同化订正,解决由于时空代表性不一致造成的问题,进行排放源强计算。
Description
技术领域
本发明涉及一种基于气体浓度监测数据快速计算排放源强的方法,属于大气污染物和碳排放测算技术领域。
背景技术
区域空气质量问题已日益引起全社会的高度关注,对工业和城市人居排放量的控制,实现源头治理是空气质量达标治理的工作重心,而实时监控工业和人居大气排放量,又是排放控制的前提。与此同时,对以二氧化碳和甲烷等含碳温室气体的排放量的定量估算亦是相关工作的重要前置技术需求。目前常见的计算排放量的方法主要有三种——物料平衡法,流量监控法和模式伴随反演法。
其中现有的物料平衡法难以得到排放强度在特定分辨率上的时空分布特征;流量监测法无法得到无组织源的排放特征;而模式伴随反演法一方面由于计算代价过大导致无法进行实时结果计算,且存在反演结果过于依赖源清单中的位置假设的问题。因此实现一种有效的、有高可靠性和高实时性的并可通过监测来掌握特定区域大气污染物源实时排放情况的方法就愈发重要。
同时,现有的仪器监测浓度值存在不同点位仪器之间由于校调不一致或者长期运行中非定向漂移的***误差,以及存在观测点周边复杂地形地物环境造成时空代表性不一致的的情况,限制了多点浓度监测数据进行空间分布的可靠性。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于气体浓度监测数据快速计算排放源强的方法,通过重新定位风场测站点的位置数据,获取风场数据进行风场同化,获取浓度数据,并结合风场同化结果进行浓度场同化,基于订正后的风场测站点数据和浓度场同化结果生成污染物浓度空间分布的格点数据,结合风场同化结果进行扩散模态分析,计算目标区域的总排放源强,可有效解决现有技术所面临的问题。
为达到上述目的,本发明提供一种基于气体浓度监测数据快速计算排放源强的方法,包括:
获取目标区域风场测站点的位置分布数据;
获取目标区域的风场数据进行质控处理,确定风场模型,基于风场模型进行风场同化,获得风场同化数据;
获取大气污染物浓度数据进行基础处理,结合风场同化数据进行浓度场同化,获得浓度场同化数据;
基于风场测站点的位置分布数据、风场同化数据和浓度场同化数据,求解目标区域内污染物浓度空间分布的格点数据;
基于目标区域内污染物浓度空间分布的格点数据和风场同化数据,进行污染物的扩散模态分析,计算目标区域排放源强。
进一步地,所述获取目标区域风场测站点的位置分布数据,包括:
在目标区域确定至少一个风场测站点的坐标作为原站点;
基于原站点的坐标对目标区域的其他风场测站点进行标点校正,获取校正后各风场测站点的位置分布数据。
进一步地,所述获取目标区域的风场数据进行质控处理,确定风场模型,包括:
获取风场测站点的数量,对异常值进行归一化交叉验证处理;
若风场测站点的数量小于20,则处理得到单一的风场模型;
若风场测站点的数量大于或等于20,则处理得到复杂风场模型。
进一步地,所述处理得到单一的风场模型,包括:
若风场测站点的数量等于1,则基于该风场测站点风场数据生成均匀单一的风场模型;
若风场测站点的数量大于1且小于20,则对各个风场测站点的数据质控处理过程进行动态权重分配,基于单一化的风场的模拟结果选择最优的权重系数,基于最优的权重系数构造单一的风场模型。
进一步地,所述处理得到复杂风场模型,包括:
基于二维空间内的散点插值法,进行多点插值处理,构造复杂的风场模型;
或采用至少基于一种数学语言的拉格朗日插值方法进行多点插值处理,构造复杂的风场模型。
进一步地,所述结合风场同化数据进行浓度场同化,获得浓度场同化数据包括:
基于烟羽浓度、扩散物理特征和扩散系数的特征量,生成烟羽在风场中进行扩散的连续点源排放下的烟羽扩散模型;
对基础处理后的大气污染物浓度数据进行集中校正,生成大气污染物浓度订正数据;
基于烟羽扩散模型对目标区域的大气污染物浓度订正数据进行多源分配定标,基于分配定标结果对风场测站点进行质控筛除,获得浓度场同化数据。
进一步地,所述获取大气污染物浓度数据进行基础处理,包括:
对大气污染物浓度数据的异常值进行处理:对仪器异常值进行查找替换,剔除包括错误数据、空白数据和不符合物理规律的异常数据;
对异常值处理后的大气污染物浓度数据进行去风频化长时间尺度数据整合。
进一步地,所述对基础处理后的大气污染物浓度数据进行集中校正,生成大气污染物浓度订正数据,包括:
获取各风场测站点的大气污染物日浓度变化参量;
将各风场测站点的大气污染物日浓度变化参量的时间的分布函数进行空间卡曼滤波;
根据空间卡曼滤波的滤波修正函数或沿时间维度滑动平均的逐风场测站点修正因子获取原始数据叠加修正因子,进行空间四维订正,生成大气污染物浓度订正数据。
进一步地,所述空间四维订正,包括:
空间滤波处理、时序特征的多点一致性校正、根据布点空间相对位置和复杂地物分布特征对扩散路径上的阻抗差异进行的归一化订正。
进一步地,所述基于分配定标结果对风场测站点进行质控筛除,包括:
若风场测站点的大气污染物日浓度变化参量符合多源分配定标结果,则判定修正因子在时间维度上稳定,保留该风场测站点;
否则判定风场测站点在该时刻的浓度数据异常,并剔除该风场测站点。
进一步地,所述求解目标区域内污染物浓度空间分布的格点数据,包括:
基于风场测站点的位置分布数据、风场同化数据和浓度场同化数据,采用包括自然邻点插值法获取各个排放源的烟羽浓度空间分布的格点数据,对多个排放源进行叠加,获取多源浓度分布数据,即为目标区域内污染物浓度空间分布的格点数据。
进一步地,所述计算目标区域排放源强,包括:
基于风场同化数据,对于不同区域浓度分布,平行于主要风力扩散方向进行遍历得到污染物的主扩散路径,依据烟羽扩散空间分布方程拟合大气污染物浓度与主扩散路径积分长度之间的函数关系,基于拟合结果求解烟羽模型,计算排放源强;
或,计算目标区域的环境容量,作为大气污染物总排放源强。
进一步地,所述依据烟羽扩散空间分布方程拟合大气污染物浓度与主扩散路径积分长度之间的函数关系,包括:计算目标区域大气污染物浓度随污染源距离的变化关系:
;
其中,q为污染物浓度分布;r为下风向脊线上任一点距离大气污染物排放源处的脊线距离;Q为目标区域的大气污染物排放总源强;H为大气污染源排放有效高度;,/>为水平湍流扩散系数;,/>为垂直湍流扩散系数;u为目标区域大气污染物排放时刻的水平风速;φ为计算系数;
对目标区域大气污染物浓度随污染源距离的变化关系进行取对数处理,并代入和/>:
;
令:
M=;
N=;
则:;
令B=;k=/>;
则:。
进一步地,所述计算排放源强,包括:
求解各个风场测站点的大气污染物浓度分布,通过线性回归拟合得到k、B的值,计算出目标区域的大气污染物排放总源强Q。
进一步地,所述计算目标区域的环境容量,作为大气污染物总排放源强,包括:
;
其中,Q为大气污染物排放总源强;L为烟羽宽度;V为风速;H为目标区域的边界层高度;为目标区域在不同高度上由于风速不同造成的区域内垂直高度上大气污染物浓度分布不均形成的大气污染物浓度差。
本发明所达到的有益效果:
本发明提供一种基于气体浓度监测数据快速计算排放源强的方法,提供了一种在线风场和浓度监控为依据的污染物总量核算体系,对风场测站点的位置数据、风场数据、浓度场数据以及风场和浓度场流动的连续的时间序列数据进行空间四维同化订正,消除在计算过程中的***误差,解决由于时空代表性不一致造成的问题;对风场和浓度场的空间分布进行重构,生成污染物浓度空间分布的格点数据,结合风场同化结果进行扩散模态分析,通过变分取值法确定扩散路径然后通过线性拟合进行源强反演,计算目标区域的总排放源强,或在扩散模态分析后通过空间容量法计算排放源强。可有效提升工业园区或者大气污染物集中排放区域的碳排放计算水平,有利于对排放源头进行精准治理。
附图说明
图1是本发明实施例提供的一种基于气体浓度监测数据快速计算排放源强的方法的整体流程图;
图2是本发明实施例提供的一种基于气体浓度监测数据快速计算排放源强的方法中针对插值处理后的污染物浓度数据生成订正函数的过程;
图3是本发明实施例提供的一种基于气体浓度监测数据快速计算排放源强的方法中求解污染物浓度分布的过程图;
图4是本发明实施例提供的一种基于气体浓度监测数据快速计算排放源强的方法中求解排放源强的过程图;
图5为使用变分取极值法中根据风场情况找到污染物主扩散方向并在主扩散方向上找到污染物平均浓度的极值将其作为主扩散路径的模拟计算示意图;
图6为使用本申请提供的两种大气污染物源强反推方法进行的某一实施案例中的某园区卫星地址示意图;
图7为使用本申请提供的两种大气污染物源强反推方法进行的某一实施案例中某时刻的的大气污染物年化排放量(图中点元素为采用逐时浓度数据进行反演推算得出的污染物排放量,曲线元素为对该排放量的时间序列经过时间维度数据同化方法进行优化后得到的污染物排放量的时间序列,即为污染物的最终排放量结果);
图8为未使用本方法求解的情况下,当前微站网格数据平台上显示的大气污染物排放浓度的分布示意图;
图9为使用本方法求解的大气污染物排放浓度的分布示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的实施例提供一种基于气体浓度监测数据快速计算排放源强的方法,如图1至图9所示,本发明提供一种基于气体浓度监测数据快速计算排放源强的方法,提供了一种在线风场和浓度监控为依据的污染物总量核算体系,对风场测站点的位置数据、风场数据、浓度场数据以及风场和浓度场流动的连续的时间序列数据进行空间四维同化订正,消除在计算过程中的***误差,解决由于时空代表性不一致造成的问题;对风场和浓度场的空间分布进行重构,生成污染物浓度空间分布的格点数据,结合风场同化结果进行扩散模态分析,通过变分取值法确定扩散路径然后通过线性拟合进行源强反演,计算目标区域的总排放源强,或在扩散模态分析后通过空间容量法计算排放源强。可有效提升工业园区或者大气污染物集中排放区域的碳排放计算水平,有利于对排放源头进行精准治理。
本发明提供一种基于气体浓度监测数据快速计算排放源强的方法,如图1至图4所示,具体包括如下步骤:
步骤1:获取目标区域风场测站点的位置分布数据:
如图1和图3所示,在目标区域确定至少一个风场测站点作为原站点,通过地图定位确定原站点的经纬度坐标,基于原站点的坐标,采用卫星对比、实地考察和远程走访的方法对目标区域的其他风场测站点进行标点校正,获取校正后各风场测站点的坐标分布数据。
步骤2:获取目标区域的风场数据进行质控处理,确定风场模型,并进行风场同化:
2.1:基于目标区域中风场测站点的数量确定目标区域的风场模型:
如图1和图3所示,获取风速、风场方向、湍流强度的测算质量、风场测站点的数量以及数据的空间分辨率,对包括与现实情况相悖、与周边站点不匹配以及有明显区别的不同情况导致的异常值进行归一化交叉验证处理;
2.2:基于风场测站点的数量,对目标区域进行等级划分:
如图1和图3所示,若风场测站点的数量小于20,则处理得到的单一的风场模型:
若风场测站点的数量为1,则直接使用该风场测站点的风场数据生成均匀单一的风场模型;
若风场测站点的数量大于1且小于20,则对各个风场测站点的数据质控处理过程进行动态权重分配,基于单一化的风场的模拟结果选择最优的权重系数,基于最优的权重系数构造单一的风场模型,更加贴合目标区域实际的风场情况。
若风场测站点的数量大于或等于20并且获取的风场数据的数据质量较高,则使用二维空间内的散点插值法,基于matlab软件中的Scatteredinterolant函数对原始风场数据构建的原始风场进行多点插值处理,以构造复杂的风场模型;
或至少基于一种其他数学语言的高阶拉格朗日插值算法对原始风场数据构建的原始风场进行多点插值处理,以构造复杂的风场模型。
步骤3:获取大气污染物浓度数据进行基础处理,结合风场同化数据进行浓度场同化:
3.1:通过风场测站点获取大气污染物浓度数据并进行基础处理:
如图1和图3所示,对仪器异常值进行查找替换,剔除包括错误数据、空白数据和不符合物理规律的异常数据;
进行去风频化长时间尺度数据整合。
3.2:基于烟羽浓度、扩散物理特征和扩散系数的特征量,生成烟羽在风场中进行扩散的连续点源排放下的烟羽扩散模型:
该模型假定某种大气污染物浓度分布服从特定的数学分布,烟羽以平均风速向下风向输送,忽略沿水平风输送方向的湍流扩散,垂直方向和水平方向扩散,由扩散参数描述。
3.3:对基础处理后的大气污染物浓度数据进行集中校正,生成大气污染物浓度订正数据:
如图1和图3所示,确定一个近似守恒量——大气污染物日浓度变化参量;
将各站点的大气污染物日浓度变化参量的时间分布函数进行空间卡曼滤波;
根据滤波修正函数或沿时间维度滑动平均的逐站点修正因子获取原始数据叠加修正因子,进行空间四维订正,生成大气污染物浓度订正数据。
具体地,所述空间四维订正包括:对数据进行空间滤波处理、时序特征的多点一致性校正以及根据布点空间相对位置和复杂地物分布特征对扩散路径上的阻抗差异进行的归一化订正。
3.4:基于烟羽扩散模型对目标区域的大气污染物浓度订正数据进行多源分配定标,基于分配定标结果对风场测站点进行质控筛除:
如图1和图3所示,对各站的大气污染物日浓度变化参量进行多源分配定标;
若站点的大气污染物日浓度变化参量符合多源分配定标结果,则判定修正因子在时间维度上稳定,保留该站;
否则判定站点在该时刻的浓度数据异常,并剔除该站。
步骤4:基于风场测站点的位置分布数据、风场同化数据和浓度场同化数据,求解目标区域内污染物浓度空间分布的格点数据:
如图1和图3所示,于风场测站点的位置分布数据、风场同化数据和浓度场同化数据,采用包括自然邻点插值法获取各个排放源的烟羽浓度空间分布的格点数据,对多个排放源进行叠加,获取多源浓度分布数据,即为目标区域内污染物浓度空间分布的格点数据。
对插值处理后的污染物浓度数据生成订正函数,用于分析插值处理后的区域浓度分布情况,以便确定观测仪器出现校准误差的站点,如图2所示,其中 Xi为i时刻某特定站点所代表范围内的污染物浓度值,或者是关注区域内特定范围中若干个站点所共同代表的区域范围内的污染物浓度分布函数,图中所示i可为0、1、2或3;Di为生成订正函数所依据的权重系数函数,由数据统计过程中依据统计学理论中的随机贝叶斯分布性质来决定, 图中所示i可为1、2或3;最终共同求得的X0为最终生成的订正函数,即通过所述订正后得到的可以代表一定区域范围内随时间变化的污染物浓度值及其分布。
步骤5:基于目标区域内污染物浓度空间分布的格点数据和风场同化数据,进行污染物扩散的模态分析,计算目标区域大气污染物总排放源强;
如图1和图4所示,在进行总的排放源强计算时,可采用线性拟合法和环境容量法;
所述线性拟合法具体包括:
基于风场同化数据,对不同区域浓度分布,平行于主要的风力扩散方向进行遍历,得到污染物的主扩散路径,构建大气污染物排放和扩散传输模型:
如图5所示,采用变分法取极值,拟合大气污染物浓度与路径积分的长度函数关系,计算目标区域大气污染物浓度随污染源距离的变化关系,公式如下:
;
其中,q为污染物浓度分布,为可根据测站数据经采集、质控和判别处理后,并根据大气污染物排放和扩散传播模型的建立与求解完成后得出的已知量;r为下风向脊线上任一点距离大气污染物排放源处的沿脊线距离,为通过卫星地图精准测算的已知量;Q为目标区域的大气污染物排放总源强;H为大气污染源排放有效高度,普遍范围在距离地表的一定高度以内,为可进行实地测算后得出的已知量;,/>为水平湍流扩散系数,为常数已知量;/>,/>为垂直湍流扩散系数,为常数已知量;u为目标区域大气污染物排放时刻的水平风速,可通过监测数据集采集与质控处理后得出的已知量;φ为计算系数,为一常数已知量;
对上述关系式进行取对数处理,并带入和/>,
;
令M=;
N=;
则:;
令B=;k=/>;
则:;
其中,关系因素B、M、N和K可通过微尺度数值方法和统计方法得到,具体方案需根据目标区域的地物分布特征和近地面大气湍流扩散特征来决定;
求解各个风场测站点的大气污染物浓度分布,通过线性回归拟合得到k、B的值,计算出M、N和大气污染物总排放源强Q。
所述线性容量法具体包括:
基于烟羽宽度、实时风速、边界层高度和区域上下风向的浓度差计算后反推排放源强:
;
其中,Q为大气污染物排放总源强;L为烟羽宽度;V为风速,在质控处理后即可得出;H为目标区域的边界层高度;为目标区域在不同高度上由于风速不同造成的区域内垂直高度上大气污染物浓度分布不均形成的大气污染物浓度差。
步骤6:利用MATLAB、Python等绘图软件进行计算结果的可视化转化和检验输出,根据计算结果提供给园区或工厂更加科学合理的大气污染物排放方案。
在具体实施时,如图6所示,本实施案例中选取了约15kmx8km的区域,原始数据为2020.1.1至2020.12.31的气象要素和若干污染气体与颗粒物的多站点连续浓度监测数据,时间分辨率为1小时的站点有空气站两个、微站及敏感站29个。主要记录了TVOC和NOx的污染物浓度数据;
在本示例中根据实地考察、卫星对比、远程走访的方式对站点在奥维互动地图软件中进行地图标点定位。在同一地图软件中可以确保各个站点的相对经纬度坐标精准,最终得到较精准的订正后站点经纬度数据。
在本示例中区域较小,风力数据有限,风场站点唯一,认为区域内风场为均匀平流,以空气中心站为标准,处理得到单一化风场。
在本实施案例中将获得的站点测得的原始大气污染物浓度数据中的仪器异常值进行查找替换,并进行去风频化长时间尺度数据整合。
通过机器学习生成校正权重函数,并对浓度进行集中校正。最终生成最后的大气污染物浓度订正数据。
利用烟羽扩散的物理模型进行该区域大气污染物浓度场的判定和分配。
逐站做守恒量Λ值的多源分配进行定标,当站点的Λ值符合多源分配结果时,则保留该站,否则舍弃。
通过订正后站点的经纬度数据,风场同化结果,以及经过多源分配定标后的站点浓度数据对单个排放源进行自然邻点插值,生成烟羽浓度空间分布的格点数据。对多排放源进行叠加,得到多源浓度分布。
最终得到模拟区域内污染物浓度分布的格点数据。
根据区域污染物浓度的空间分布以及风场同化的结果,对污染物扩散进行模态分析,选取合适的源强计算方案。
在本实施例中通过两种方法对比得出最终的总源强排放量使用以下两种计算方法:
阐述在这一实施案例中使用的方法一:环境容量法:
第一步输入区域内烟羽宽度、风速和温度的小时变化率求得区域内的大气的垂直稳定度。
第二步查阅当地气象数据资料获得风玫瑰图与垂直扩散强度的关系。
第三步对风向、温度和湿度等数据进行参数化处理,得到该区域边界层高度的逐小时值,结合上述计算得到浓度空间分布,计算得到园区内环境容量的动态值。
第四步计算得出园区大气污染物总排放源强。
第五步针对上述计算结果进行可视化输出。
阐述方法二:线性拟合法:
第一步使用变分取极值法,确定大气污染物的主扩散路径。
第二步依据烟羽扩散空间分布方程,拟合浓度与路径积分长度之间的函数关系。
第三步根据拟合结果求得烟羽模型中的重要参数。
第四步计算得出园区大气污染物总排放源强。
第五步针对上述计算结果进行可视化输出。
如图7所示,为本实施例采用上述两种方法测算的大气污染物排放量的结果。
本实施案例中认为仅存在单个大气污染物排放源,或多个格点独立点源可以近似看成一个近似连通的单个面源。
通过对比图8和图9的特定时段平均的区域近地面排放浓度分布可知本发明相较于现有技术的巨大改善:图中所示为某工业园区某特征大气污染物集中排放形成的近地面浓度的分布,图8为微站原始监测数据生成的浓度分布图,在去风频化的分布图中显示在密集排放区域的时段平均浓度反而较远处更低,不符合物理原理;该现象的发生主要是微站仪器***误差的横向不一致性和布点周边微环境非均匀性的共同作用的结果。如图9所示,通过本方法校正后重新生成的分布特征大为改善,一方面清晰地正确显示了高排放区域的位置和范围,另一方面对浓度数据做基于扩散随机性分布验证,结果也更加符合数学上的贝叶斯分布。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于气体浓度监测数据快速计算排放源强的方法,其特征在于:包括
获取目标区域风场测站点的位置分布数据;
获取目标区域的风场数据进行质控处理,确定风场模型,基于风场模型进行风场同化,获得风场同化数据;
获取大气污染物浓度数据进行基础处理,结合风场同化数据进行浓度场同化,获得浓度场同化数据;
基于风场测站点的位置分布数据、风场同化数据和浓度场同化数据,求解目标区域内污染物浓度空间分布的格点数据;
基于目标区域内污染物浓度空间分布的格点数据和风场同化数据,进行污染物的扩散模态分析,计算目标区域排放源强;
所述结合风场同化数据进行浓度场同化,获得浓度场同化数据,包括:
基于烟羽浓度、扩散物理特征和扩散系数的特征量,生成烟羽在风场中进行扩散的连续点源排放下的烟羽扩散模型;
对基础处理后的大气污染物浓度数据进行集中校正,生成大气污染物浓度订正数据;
基于烟羽扩散模型对目标区域的大气污染物浓度订正数据进行多源分配定标,基于分配定标结果对风场测站点进行质控筛除,获得浓度场同化数据;
所述计算目标区域排放源强,包括:
基于风场同化数据,对于不同区域浓度分布,平行于主要风力扩散方向进行遍历得到污染物的主扩散路径,依据烟羽扩散空间分布方程拟合大气污染物浓度与主扩散路径积分长度之间的函数关系,基于拟合结果求解烟羽模型,计算排放源强;
或,计算目标区域的环境容量,作为大气污染物总排放源强;
所述依据烟羽扩散空间分布方程拟合大气污染物浓度与主扩散路径积分长度之间的函数关系,包括:
计算目标区域大气污染物浓度随污染源距离的变化关系:
;
其中,q为污染物浓度分布;r为下风向脊线上任一点距离大气污染物排放源处的脊线距离;Q为目标区域的大气污染物排放总源强;H为大气污染源排放有效高度;,/>为水平湍流扩散系数;,/>为垂直湍流扩散系数;u为目标区域大气污染物排放时刻的水平风速;φ为计算系数;
对目标区域大气污染物浓度随污染源距离的变化关系进行取对数处理,并代入和:
;
令:
M=;
N=;
则:;
令B=;k=/>;
则:;
所述基于拟合结果求解烟羽模型,计算排放源强,包括:
求解各个风场测站点的大气污染物浓度分布,通过线性回归拟合得到k、B的值,计算出目标区域的大气污染物排放总源强Q;
所述计算目标区域的环境容量,作为大气污染物总排放源强,包括:
;
其中,Q为大气污染物排放总源强;L为烟羽宽度;V为风速;H为目标区域的边界层高度;为目标区域在不同高度上由于风速不同造成的区域内垂直高度上大气污染物浓度分布不均形成的大气污染物浓度差。
2.根据权利要求1所述的基于气体浓度监测数据快速计算排放源强的方法,其特征在于:
所述获取目标区域风场测站点的位置分布数据,包括:
在目标区域确定至少一个风场测站点的坐标作为原站点;
基于原站点的坐标对目标区域的其他风场测站点进行标点校正,获取校正后各风场测站点的位置分布数据。
3.根据权利要求1所述的基于气体浓度监测数据快速计算排放源强的方法,其特征在于:
所述获取目标区域的风场数据进行质控处理,确定风场模型,包括:
获取风场测站点的数量,对异常值进行归一化交叉验证处理;
若风场测站点的数量小于20,则处理得到单一的风场模型;
若风场测站点的数量大于或等于20,则处理得到复杂风场模型。
4.根据权利要求3所述的基于气体浓度监测数据快速计算排放源强的方法,其特征在于:
所述处理得到单一的风场模型,包括:
若风场测站点的数量等于1,则基于该风场测站点风场数据生成均匀单一的风场模型;
若风场测站点的数量大于1且小于20,则对各个风场测站点的数据质控处理过程进行动态权重分配,基于单一化的风场的模拟结果选择最优的权重系数,基于最优的权重系数构造单一的风场模型。
5.根据权利要求3所述的基于气体浓度监测数据快速计算排放源强的方法,其特征在于:
所述处理得到复杂风场模型,包括:
基于二维空间内的散点插值法,进行多点插值处理,构造复杂的风场模型;
或采用至少基于一种数学语言的拉格朗日插值方法进行多点插值处理,构造复杂的风场模型。
6.根据权利要求1所述的基于气体浓度监测数据快速计算排放源强的方法,其特征在于:
所述获取大气污染物浓度数据进行基础处理,包括:
对大气污染物浓度数据的异常值进行处理:对仪器异常值进行查找替换,剔除包括错误数据、空白数据和不符合物理规律的异常数据;
对异常值处理后的大气污染物浓度数据进行去风频化长时间尺度数据整合。
7.根据权利要求1所述的基于气体浓度监测数据快速计算排放源强的方法,其特征在于:
所述对基础处理后的大气污染物浓度数据进行集中校正,生成大气污染物浓度订正数据,包括:
获取各风场测站点的大气污染物日浓度变化参量;
将各风场测站点的大气污染物日浓度变化参量的时间的分布函数进行空间卡曼滤波;
根据空间卡曼滤波的滤波修正函数或沿时间维度滑动平均的逐风场测站点修正因子获取原始数据叠加修正因子,进行空间四维订正,生成大气污染物浓度订正数据。
8.根据权利要求7所述的基于气体浓度监测数据快速计算排放源强的方法,其特征在于:
所述空间四维订正,包括:
空间滤波处理、时序特征的多点一致性校正、根据布点空间相对位置和复杂地物分布特征对扩散路径上的阻抗差异进行的归一化订正。
9.根据权利要求7所述的基于气体浓度监测数据快速计算排放源强的方法,其特征在于:
所述基于分配定标结果对风场测站点进行质控筛除,包括:
若风场测站点的大气污染物日浓度变化参量符合多源分配定标结果,则判定修正因子在时间维度上稳定,保留该风场测站点;
否则判定风场测站点在该时刻的浓度数据异常,并剔除该风场测站点。
10.根据权利要求1所述的基于气体浓度监测数据快速计算排放源强的方法,其特征在于:
所述求解目标区域内污染物浓度空间分布的格点数据,包括:
基于风场测站点的位置分布数据、风场同化数据和浓度场同化数据,采用包括自然邻点插值法获取各个排放源的烟羽浓度空间分布的格点数据,对多个排放源进行叠加,获取多源浓度分布数据,即为目标区域内污染物浓度空间分布的格点数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310513483.4A CN116258101B (zh) | 2023-05-09 | 2023-05-09 | 一种基于气体浓度监测数据快速计算排放源强的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310513483.4A CN116258101B (zh) | 2023-05-09 | 2023-05-09 | 一种基于气体浓度监测数据快速计算排放源强的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258101A CN116258101A (zh) | 2023-06-13 |
CN116258101B true CN116258101B (zh) | 2023-07-28 |
Family
ID=86686507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310513483.4A Active CN116258101B (zh) | 2023-05-09 | 2023-05-09 | 一种基于气体浓度监测数据快速计算排放源强的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258101B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669270B (zh) * | 2024-01-31 | 2024-04-19 | 南京智缔环境科技有限公司 | 一种对微站组网数据进行时空一致性订正的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105866330A (zh) * | 2016-03-25 | 2016-08-17 | 北京工业大学 | 一种基于ISCST-3模型反算工业面源VOCs排放源强方法 |
CN106777762B (zh) * | 2016-12-31 | 2020-01-10 | 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 |
-
2023
- 2023-05-09 CN CN202310513483.4A patent/CN116258101B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116258101A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909483B (zh) | 一种基于网格化数据的点源大气污染物排放清单校验方法 | |
CN114280695A (zh) | 一种空气污染物监测预警方法及云平台 | |
CN112905560A (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
CN114371260A (zh) | 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法 | |
CN113624921B (zh) | 多模式综合污染溯源方法 | |
CN113436045A (zh) | 大气污染多尺度融合溯源方法、装置和可读存储介质 | |
CN116258101B (zh) | 一种基于气体浓度监测数据快速计算排放源强的方法 | |
CN112711002B (zh) | 一种基于co2-dial模拟测量的点源co2排放的新型估算方法 | |
CN107169277B (zh) | 一种pm2.5浓度的数据分析和预测模型建立方法 | |
Wei et al. | Development and evaluation of a robust temperature sensitive algorithm for long term NO2 gas sensor network data correction | |
CN114757807A (zh) | 多模式融合的大气污染物实际排放量在线核算方法 | |
CN114088633A (zh) | 一种星地协同监测的煤矿区甲烷排放异常识别和核算方法 | |
CN111737912A (zh) | 一种基于深度神经网络的mwhts模拟亮温计算方法 | |
CN113111565B (zh) | 一种基于mie散射方程观测算子的气溶胶资料同化方法 | |
CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析***及其方法 | |
CN112364940A (zh) | 基于多源数据的大气污染物源解析方法、存储介质及设备 | |
CN114910430A (zh) | 基于超光谱遥感的痕量气体水平分布探测交通污染源方法 | |
CN114662344A (zh) | 基于连续在线观测数据的大气污染溯源预测方法及*** | |
CN114118613A (zh) | 一种焦化土壤污染空间分布预测优化方法及*** | |
CN114077798B (zh) | 估算小尺度区域大气污染物网格浓度的方法 | |
CN117871790B (zh) | 基于多种数据融合的路边监测站数据分析和交通溯源方法 | |
CN113281264B (zh) | 一种基于卫星遥感确定环境大气污染点源一氧化碳排放通量的方法 | |
CN113176216B (zh) | 一种臭氧前体物VOCs高值区卫星遥感识别方法 | |
CN116466368B (zh) | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 | |
Barbano et al. | Performance evaluation of MeteoTracker mobile sensor for outdoor applications |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230613 Assignee: Jiangsu Huagao Software Technology Co.,Ltd. Assignor: Nanjing University of Information Science and Technology Contract record no.: X2023980050609 Denomination of invention: A method for quickly calculating emission source intensity based on gas concentration monitoring data Granted publication date: 20230728 License type: Common License Record date: 20231208 |
|
EE01 | Entry into force of recordation of patent licensing contract |