；邊界層參數(shù)數(shù)據(jù)和廓線數(shù) 據(jù)；在AERMAP模塊中設置好地形高程數(shù)據(jù)文件和按照原始模型的要求選取評測區(qū)域進行 網(wǎng)格劃分，結合現(xiàn)場實際場景W及污染源的參數(shù)，經(jīng)過AERMAP地形預處理后與AERMET模塊 的輸出一并輸入到AERMOD核屯、模塊當中，計算出在AERMAP中劃分好的各個網(wǎng)格點的污染 物的濃度值；然后經(jīng)過插值算法的插值獲得特定濃度的等值線，再利用算法得出等值線中 最遠兩點之間的距離1，W此距離al(0 <a< 0. 5)為邊長作包含該等值線的正方形4,獲 得其面積值S=al*al。
[0063] 由于污染造成的實際影響范圍的大小對選取在其上進行網(wǎng)格劃分的評測區(qū)域具 有最直觀的參考作用，又考慮到應急場景的及時性，因此，利用上述的邊界層參數(shù)數(shù)據(jù)和廓 線數(shù)據(jù)，在與之對應的特定等值線面積之間，建立起具有預測作用的預測模型，具體為：利 用機器學習中多元多項式的回歸思想，W邊界層參數(shù)數(shù)據(jù)和廓線數(shù)據(jù)為訓練數(shù)據(jù)，與之對 應的特定等值線面積為因變量數(shù)據(jù)，經(jīng)過大量數(shù)據(jù)的訓練獲得多項式的模型，再用測試數(shù) 據(jù)結合均方誤差、擬合優(yōu)度等指標進行算法模型的測試和優(yōu)化矯正，獲得性能較好的算法 模型。
[0064] W上述獲得的多項式模型為預測模型，應用在應急場景中為；W現(xiàn)場實時的氣象 數(shù)據(jù)為輸入，獲得預測面積，結合污染源的位置信息等轉換為具體的經(jīng)紳度范圍，W此范圍 導入AERMAP模塊當中，作為選取AERMOD模型中評測區(qū)域的依據(jù)。該樣一來，在實際模型的 預測應用中，評測區(qū)域的將盡可能的接近實際污染事故的影響區(qū)域，減少了不必要的網(wǎng)格 點的計算，提高了預測效率。
[0065] 如圖4的算法模型的流程圖所示，本專利中提到的方法的實施過程大體上分為= 個部分：
[0066] 1)根據(jù)氣象數(shù)據(jù)，經(jīng)由AERMOD模型W及后續(xù)處理獲得污染影響面積；利用原始的 AERMOD模型，如圖2所示，通過AERMET模塊對原始氣象數(shù)據(jù)進行預處理獲得符合AERMOD 模塊需要的綜合氣象指標W及特定的格式；在地形預處理模塊中有一部分是包含事故實 際污染區(qū)域的評測區(qū)域，另一部分是包含評測區(qū)域的地形高程DEM數(shù)據(jù)區(qū)域。評測區(qū)域用 來在其上進行網(wǎng)格劃分，也即相當于在該個區(qū)域上進行污染事故的預測，經(jīng)過AERMAP的處 理，輸入到AERMOD模塊當中，最終計算出每個格點的污染物的濃度值，然后對各個格點的 濃度值進行插值，獲得應急現(xiàn)場關注的傷害濃度的等值線，再利用算法得出等值線中最遠 兩點之間的距離，W此距離為邊長作包含該等值線的正方形，獲得其面積值，如圖3示意， 并且有；由于面相應急救援，我們假設方法中的預測為短時預測（即某時刻到該時刻前2小 時）；假設事故源0在途中坐標原點處，橫軸為風向的方向，預測的污染范圍在事故源的下 風向，縱向按縱向擴散理論考慮。
[0067] 具體步驟為；
[0068] (1)統(tǒng)計長期的地面氣象數(shù)據(jù)參數(shù)（.0QA文件）和探孔氣象數(shù)據(jù)文件（.IQA文 件），按每天8時、12時、16時、20時、24時、4時的氣象數(shù)據(jù)作為AERMOD模型中AERMET氣 象數(shù)據(jù)預處理模塊的輸入，如圖1所示的AERMOD模型中的AERMET氣象預處理模塊。
[0069] (2)獲得AERMET模塊的輸出文件；邊界層參數(shù)數(shù)據(jù)文件和廓線數(shù)據(jù)文件。
[0070] (3)在AERMAP中設置好地形高程信息、污染源點信息和網(wǎng)格劃分的評測區(qū)域（接 收點）信息，輸出供AERMOD模塊使用的地形數(shù)據(jù)和接收點數(shù)據(jù)。
[007U (4)把上述的邊界層參數(shù)數(shù)據(jù)和廓線數(shù)據(jù)文件，結合污染源0的實際參數(shù)、AERMAP地形數(shù)據(jù)預處理模塊的輸出文件作為AERMOD模塊的輸入文件，經(jīng)過核屯、模塊的計算，獲得 AERMAP中各個格點的污染擴散的濃度C;其中在AERMOD模塊中網(wǎng)格點濃度值的計算可依據(jù) 具體的場景，結合W下的算法公式進行計算：
[0076]
[0081] W上各參數(shù)含義均可在技術背景中得知。
[0082] (5)對上述獲得的各個格點的濃度數(shù)據(jù)進行合理的插值計算，繪制=條關注的濃 度（如二氧化硫）的等值線1，2, 3(Ci< C 2< C 3)，如圖2中S條不同濃度Ci，C2, C3的等值 線不眉、。
[0083] (6)計算上述=條濃度等值線中最外層等值線（濃度為Cl)上距離最遠的兩點之 間的距離1，Wal(a為系數(shù)，取值范圍為0 <a< 0. 5，）作為圖中正方形4的邊長，作包含 該等值線的正方形，面積為S=al*al。
[0084] 2)W邊界層數(shù)據(jù)和廓線數(shù)據(jù)經(jīng)過PCA主分量分析后的為訓練數(shù)據(jù)（自變量），對 應的包含特定濃度等值線的正方形面積為因變量，運用機器學習中多元多項式的回歸思 想，建立起預測模型；由于污染造成的實際影響范圍的大小對選取在其上進行網(wǎng)格劃分的 評測區(qū)域具有最直觀的參考作用，又考慮到應急場景的及時性，因此，利用上述的邊界層參 數(shù)數(shù)據(jù)和廓線數(shù)據(jù)，在與之對應的特定等值線面積之間，建立起具有預測作用的預測模型， 具體為；利用機器學習中多元多項式的回歸思想，W邊界層參數(shù)數(shù)據(jù)和廓線數(shù)據(jù)為訓練數(shù) 據(jù)，與之對應的特定等值線面積為因變量數(shù)據(jù)，經(jīng)過大量數(shù)據(jù)的訓練獲得多項式的模型，再 用測試數(shù)據(jù)結合均方誤差、擬合優(yōu)度等指標進行算法模型的測試和優(yōu)化矯正，獲得性能較 好的算法模型。具體步驟為：
[0085] ①對AERMET輸出的邊界層數(shù)據(jù)和廓線數(shù)據(jù)Z進行PCA主成分分析，選取前m個主 成分（表達信息量（即累計貢獻率）大于85%)X，也就是作為本專利方法的直接作用輸入 訓練參數(shù)，面積S作為因變量。
[0086]21=狂1-1〇/5。，4為2斯均值，5。為21的標準差，則第1個主成分為： [0087]Xi=e/X，其中e;為第i個特征向量；
[008引第i個主成分的貢獻率為：
[0089]
[0090] ②鑒于多元多項式能描述較為復雜的非線性問題，本專利選取用多遠多項式，借 助于機器學習中多項式回歸的思想，通過處理后的特征因子X訓練出能描述該問題的多元 多項式的模型，形如：
[0091 ] f(X。X2,X3. . .X。）= 0 此。+P雨。+. . . + 0。-而。+ 0 . .Xn+...
[0092] ⑨用大量的訓練數(shù)據(jù)對上述模型進行訓練，利用梯度下降法通過使代價函數(shù)最小 確定模型中變量前的系數(shù)，確定模型；
[0093] 指柄：
[0094] 均方誤差和：
其中Si為預測值，S為真實值；
[009引④再通過測試數(shù)據(jù)對上述模型進行測試，進行多次試驗，依據(jù)指標選取合適模型， 剔除噪聲點，再重復上述的訓練過程，W驗證模型的可用性。
[0099] 3)W現(xiàn)場獲得的邊界層參數(shù)數(shù)據(jù)和廓線數(shù)據(jù)為輸入，通過上述建立的預測模型 f狂)，得出預測面積S，作為AERMAP中評測區(qū)域的選取依據(jù)：W上述獲得的多項式模型為 預測模型f狂)，應用在應急場景中為；W現(xiàn)場實時的邊界層參數(shù)氣象數(shù)據(jù)和廓線數(shù)據(jù)為 輸入，獲得預測面積S，結合污染源的位置信息等轉換為具體的經(jīng)紳度范圍，W此范圍導入 AERMAP模塊當中，作為選取AERMOD模型中評測區(qū)域的依據(jù)。
[0100] 由于面相應急救援，我們假設方法中的預測為短時預測（即某時刻到該時刻前2 小時）；假設事故源0在附圖3中坐標原點處，橫軸為風向的方向，預測的污染范圍考慮在 事故源的下風向，縱向按縱向擴散理論考慮。本專利結合大氣擴散模型AERMOD，提出利用氣 象數(shù)據(jù)和由此產(chǎn)生的污染范圍的面積大小，建立由氣象數(shù)據(jù)為驅動因素、污染范圍面積為 結果變量的預測模型，利用該模型通過新的預測數(shù)據(jù)來預測出對應的污染面積，W此面積 作為AERMAP模塊中進行網(wǎng)格劃分的評測區(qū)域的選擇依據(jù)，降低W往選擇的盲目性，提高模 型的預測效率。具體步奏如下所述：
[0101] 1.統(tǒng)計長期的地面氣象數(shù)據(jù)參數(shù)（.OQA文件）和探孔氣象數(shù)據(jù)文件（.IQA文件）， 按每天8時、12時