、16時、20時、24時、4時的氣象數據作為AERMOD模型中AERMET氣象數據 預處理模塊的輸入。
[0102] 2.獲得AERMET模塊的輸出文件；邊界層參數數據文件和廓線數據文件。
[0103] 3.把上述的邊界層參數數據和廓線數據文件，結合污染源0的實際參數、AERMAP 地形數據預處理模塊的輸出文件作為AERMOD模塊的輸入文件，經過核屯、模塊的計算，獲得 AERMAP中各個格點的污染擴散的濃度。
[0104] 4.對上述獲得的各個格點的濃度數據進行合理的插值計算，繪制S條關注的濃度 (如二氧化硫）的等值線1，2, 3(Ci< C 2< C 3)。
[01化]5.計算上述S條濃度等值線中最外層等值線（Cl)上距離最遠的兩點之間的距離 1，Wal(0 <a< 0. 5)為邊長，作包含該等值線的正方形，面積為S=al相1。
[0106] 6.對AERMET輸出的邊界層數據和廓線數據X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%)Z，也就是作為本專利方法的直接作用輸入 訓練參數，面積S作為因變量。
[0107]Zi=狂i-y1)/S。，yi為Zi的均值，5U為Zi的標準差，則第i個主成分為；
[010引 Xi=eX，其中e;為第i個特征向量；
[0109] 第i個主成分的貢獻率為；
[0110]
[0111] 7.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：
[01 1 引f(X。X2,X3. . .X。）= 0 片10+P1又20+. . . + 0。-1又。0+ 0nXi。-1又2. . .Xn+- ? ?
[0113] 8.用大量的訓練數據對上述模型進行訓練，利用梯度下降法通過使代價函數最小 確定模型中變量前的系數，確定模型。
[0114] 指柄：
[0115] 均方誤差和：
其中Si為預測值，Sd為真實值。
[0119] 9.再通過測試數據對上述模型進行測試，進行多次試驗，依據指標選取合適模型， 剔除噪聲點，再重復上述的訓練過程，W驗證模型的可用性。
[0120] 綜上所述，本發(fā)明與大氣擴散模型AERMO相結合，提出了優(yōu)化選取進行網格劃分 的評測區(qū)域的方法，減少了不必要的網格點的計算消耗，提高了預測效率；本發(fā)明提出的 方法具有可預測性，可根據事故發(fā)生前的真實氣象數據進行合理的預測，降低了了W往 AERMOD模型選取評測區(qū)域的盲目性；發(fā)明提出的方法具有較好的適用性，在實際污染擴散 事故當中對應急救援能起到很好的實際場景中參考作用，降低事故中人力物力的浪費。所 W，本發(fā)明有效克服了現(xiàn)有技術中的種種缺點而具高度產業(yè)利用價值。
[0121] 上述實施例僅例示性說明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何熟 悉此技術的人±皆可在不違背本發(fā)明的精神及范疇下，對上述實施例進行修飾或改變。因 此，舉凡所屬技術領域中具有通常知識者在未脫離本發(fā)明所揭示的精神與技術思想下所完 成的一切等效修飾或改變，仍應由本發(fā)明的權利要求所涵蓋。
【主權項】
1. 一種提高大氣污染模型預測效率的方法，應用于通過大氣污染模型評測污染區(qū)域的 過程中，其特征在于，所述方法包括： 對原始氣象數據進行預處理獲取邊界層參數數據和廓線數據，根據所述邊界層參數數 據、所述廓線數據、污染源參數以及地形數據獲取大氣污染模型內各個預測網格點的污染 濃度值，根據所述污染濃度值獲取關注污染物濃度的等值線并根據所述等值線獲取污染影 響面積； 利用所述邊界層參數數據、所述廓線數據以及所述污染影響面積建立具有預測作用的 多項式預測模型； 以存在大氣污染時的實時氣象數據為輸入，根據所述多項式預測模型獲取預測污染面 積，將所述預測污染面積和污染源的位置信息導入到大氣污染模型中作為選取所述大氣污 染模型中評測污染區(qū)域的依據。2. 根據權利要求1所述的提高大氣污染模型預測效率的方法，其特征在于，通過對所 述各個預測網格點的污染濃度值進行插值運算獲取所述關注污染物濃度的等值線。3. 根據權利要求2所述的提高大氣污染模型預測效率的方法，其特征在于，所述獲取 污染影響面積具體為：獲取所述等值線中最遠兩點之間的距離，以所述距離為邊長構建涵 蓋所述等值線在內的正方形，獲取所述正方形的面積并以所述正方形的面積作為所述污染 影響面積。4. 根據權利要求1、2或3所述的提高大氣污染模型預測效率的方法，其特征在于，所述 等值線至少為兩條。5. 根據權利要求1所述的提高大氣污染模型預測效率的方法，其特征在于，利用所述 邊界層參數數據、所述廓線數據以及所述污染影響面積建立具有預測作用的多項式預測模 型具體為： 以所述邊界層參數數據和所述廓線數據為訓練數據，以所述污染影響面積為因變量數 據，經過對所述訓練數據的多次訓練獲得多項式模型，再根據均方誤差和擬合優(yōu)度對所述 多項式模型進行優(yōu)化獲得所述具有預測作用的多項式預測模型。6. 根據權利要求5所述的提高大氣污染模型預測效率的方法，其特征在于，所述具有 預測作用的多項式預測模型為： f (X1, X2, X3. · · Xm) - β 〇Xj + β jX2 +. . . + β n-lXn ^ nXl X2· · · Xm 其中，Xl，X2, X3. . . \分別為邊界層參數數據和廓線數據的主分量參數構成的多項式預 測模型的訓練輸入數據；P1... 0"分別為多項式預測模型中訓練輸入數據的系 數；η為模型訓練輸入參數的個數;m為組合項參數的個數。7. 根據權利要求6所述的提高大氣污染模型預測效率的方法，其特征在于，根據均方 誤差和擬合優(yōu)度對所述多項式模型進行優(yōu)化具體為：獲取模型預測面積的均方誤差的和以 及擬合優(yōu)度之后，利用梯度下降法獲取代價函數在最小值時多項式預測模型中系數的值。8. 根據權利要求7所述的提高大氣污染模型預測效率的方法，其特征在于， 所述模型預測面積的均方誤差的和》其中，SiS模型對面積的 預測值，Sh為包含等值線的正方形的真實值，η為樣本數，i為樣本中的第i個樣本； 所述擬合優(yōu)度為「，其中，r2為所建模型對問題擬合的擬合 優(yōu)度，Si為模型對面積的預測值，S為模型預測面積的平均值，X i為邊界層參數數據和廓線 數據的主分量參數構成的多項式預測模型的訓練輸入數據J為Xi的平均值； 所述代價函數為：、其中，h...為多項式預測 模型中訓練輸入數據的系數，r2為所建模型對問題擬合的擬合優(yōu)度，S ω為第i個樣本的面 積真實值，f(X(i))為第i個樣本的模型對面積的預測值； 梯度下降法采用的公式，_其中，α為學習率，為多項 式預測模型訓練輸入數據的系數系數，β C1, P1...為多項式預測模型中訓練輸入數據的系 數。
【專利摘要】本發(fā)明提供一種提高大氣污染模型預測效率的方法，所述方法包括：對原始氣象數據進行預處理獲取邊界層參數數據和廓線數據并獲取大氣污染模型內各個預測網格點的污染濃度值，根據污染濃度值獲取關注污染物濃度的等值線并根據等值線獲取污染影響面積；利用邊界層參數數據、廓線數據以及污染影響面積建立具有預測作用的多項式預測模型；以存在大氣污染時的實時氣象數據為輸入，根據多項式預測模型獲取預測污染面積，將預測污染面積和污染源的位置信息導入到大氣污染模型的AERMAP模塊中作為選取大氣污染模型中評測污染區(qū)域的依據。本發(fā)明減少了AERMOD模型中不必要的網格點的計算消耗，提高了預測效率。
【IPC分類】G06F17/50
【公開號】CN104881546
【申請?zhí)枴緾N201510291999
【發(fā)明人】楊庭清, 徐俊, 魏建明
【申請人】中國科學院上海高等研究院
【公開日】2015年9月2日
【申請日】2015年6月1日