基于情景特征的空气质量预报模型自适应选择方法研究
发布时间：2021-07-14 00:08
空气质量预报模型是进行空气污染预报和建立污染减排措施的重要方法。随着空气质量预报模型的发展,其类型和数量日益丰富,应用需求也越来越广泛。然而,不同模型在机理、适用区域等方面存在明显的差异性特征,实际建模应用中往往需要对不同模型的适用情景进行繁琐的考量和处理。这在增加模型使用者应用难度的同时,也在开展涉及到多专业、多领域模型的集成应用中增加了综合模拟结果的不确定性。当前,关于空气质量预报模型的评估策略和指标各自为营,难以支撑适应于多样化目标地理问题的模型选择,缺少对模型适用情景的体系性研究。因此,本文从空气质量预报模型的适用情景分析出发,以情景特征体系的构建为切入点,从模型特征和用户使用情景特征两个层面归纳形成情景特征体系;基于此情景特征体系,分别构建模型特征库和用户使用情景特征库。通过将模型特征库和用户使用情景特征库进行指标化关联,面向空气质量预报模型的合理应用需求,本文以匹配与推荐为引导,研究模型的自适应选择方法,实现基于情景特征的模型匹配,以及模型执行驱动的数据资源推荐。本文的主要研究内容和成果如下:（1）情景特征体系与特征库构建。面向模型适用情景的体系性研究需求,从模型特征及用户...
【文章来源】：南京师范大学江苏省 211工程院校
【文章页数】：124 页
【学位级别】：硕士
【部分图文】：
技术路线图
第2章空气质量预报模型特征分析16和实际观测值之间的误差达到最校如图2.1所示，BP网络结构包括输入层、隐含层和输出层，典型BP算法通过上述三层网络结构之间的信息传输得以实现。其中，由输入层传播信号到输出层的过程，被称为前向传播过程；由输出层将误差分配给各层所有单元进行误差调整的过程，被称为误差反向传播过程。基于上述两个过程，BP算法的训练结果与预期结果更为接近。图2.1BP网络模型结构[47]2.1.5统计预报模型特征总结本节介绍了可用于统计预报中的常见模型和方法，包括回归模型、聚类模型、时间序列分析方法和人工神经网络，基于对这些模型基本思想的了解，将其优缺点和特征进行总结。回归模型中介绍的逐步回归法、OLS模型、LUR模型、GRW模型以及GTWR模型在实质上都为普通线性回归模型的扩展模型，因此它们的一般式都是基于线性回归模型公式的不同拓展。逐步回归法结构简单，方程中变量较少，它需要逐个引入新变量并进行每一步的检验，选择合适变量是提高效率的关键因素，因此其主观性较强。OLS模型是回归模型中较为基本的一个模型，作为一个全局模型，它具有一定的局限性，例如结果不稳定、假定预测因子无测量误差等。LUR模型与OLS相比添加了土地利用等变量，并通过自变量与污染物浓度之间的相关性，评估缺少监测站点区域的污染物浓度，因此其考虑因素更为齐全，预测精度也相对更高。但是与GWR和GTWR模型相比，其在大空间尺度下对于空气污染物质浓度的模拟和预测能力较弱，并且忽略了时空非平稳性。GWR和GTWR模型都是加权回归模型，GWR添加了对于观测对象空间结构的考虑，GTWR在考虑空间地理位置的基础上，还加入了对观测时间的考虑，由于空气污染是基于时空位置的地理问题，因此这两个模型与上述的回归模型相比能更?
第2章空气质量预报模型特征分析182.2.1中小尺度模型中小尺度数值预报模型包括高斯模型AERMOD、ADMS（AtmosphericDispersionModellingSystem）、ISC（IndustrialSourceComplex）和拉格朗日轨迹模型CALPUFF、OZIPM/EKMA（OzoneIsoplethPlottingMethod/EmpiricalKineticModelingApproach）等。这些模型结构较为简单并且计算速度比较快，多用于城市尺度中一次污染物的模拟。目前应用较为广泛的模型有AERMOD和CALPUFF模型，下述为这两个模型的简要介绍。（1）AERMOD模型AERMOD以扩散统计理论为出发点，考虑了对流条件下浮力烟羽和混合层顶的相互作用，可进行城市区域和乡村区域等中小尺度区域的污染物质浓度分布模拟及预测[48]。AERMOD模型包括AERMET气象模块、AERMAP地形处理模块以及AERMOD扩散模块，模拟流程如图2.2所示。AERMET处理地面特征数据及气象观测数据后得到行星边界层参数，AERMAP将输入的地形数据经过计算转换成AERMOD模块可处理的地形预处理数据。将边界层参数数据、廓线数据和地形预处理数据作为输入数据传入AERMDO系统，就可以经计算得到所需的污染物浓度。图2.2AERMOD模型模拟流程AERMOD在稳定边界层（SBL）的浓度分布表现形式为高斯分布，公式如下所示[49]：{,,}=√2·∑[[(+2)222]+∞=∞[(++2)222]]（2-11）式中，是有效风速值，是曲流的水平分布函数，是垂直方向上的扩散系数，是烟囱的有效源高度，是稳定混合层高度，。而在对流边界层（CBL），AERMOD采用了双高斯概率密度函数（pdf）来表达，可以计算建筑物下洗。对流边界层下AERMOD预测的污染物浓度由
【参考文献】：
期刊论文
[1]Investigating the Transport Mechanism of PM2.5 Pollution during January 2014 in Wuhan, Central China[J]. Miaomiao LU,Xiao TANG,Zifa WANG,Lin WU,Xueshun CHEN,Shengwen LIANG,Hui ZHOU,Huangjian WU,Ke HU,Longjiao SHEN,Jia YU,Jiang ZHU. Advances in Atmospheric Sciences. 2019(11)
[2]肇庆市一次典型污染天气的污染物来源解析[J]. 常树诚,廖程浩,曾武涛,杨柳林,俞绍才,陈雪,郑剑平. 环境科学. 2019(10)
[3]一种图像分割模型的自适应参数选择方法[J]. 王辉,吴永武,杜应琼. 计算机应用与软件. 2019(05)
[4]AERMOD和CALPUFF干沉降在复杂地形下模拟结果的对比研究[J]. 舒璐,关勖,祝禄祺,潘峰,仝纪龙. 环境科学与管理. 2019(01)
[5]我国空气质量模型应用中存在的问题及建议[J]. 于振波,刘玉萍,李广来,刘薇,贾琳琳. 环境保护与循环经济. 2018(08)
[6]多元逐步回归与卡尔曼滤波法在霾预报中应用[J]. 咸云浩,张恒德,谢永华,杨乐. 系统仿真学报. 2018(04)
[7]基于POI兴趣点的排放清单空间分配方法[J]. 王堃,高佳佳,田贺忠,淡默,岳涛,薛亦峰,左朋莱,王晨龙. 中国环境科学. 2017(06)
[8]土地利用回归模型模拟京津冀PM2.5浓度空间分布[J]. 许刚,焦利民,肖丰涛,赵素丽,张欣. 干旱区资源与环境. 2016(10)
[9]大气扩散模型的研究进展[J]. 苑春莉,范世良,柴天昱,朱玉芳,谢元华,朱彤. 节能. 2016(10)
[10]基于特征矩阵和关联图的空间场景相似性度量方法[J]. 陈占龙,吕梦楼,吴亮,徐永洋. 武汉大学学报(信息科学版). 2017(07)
本文编号：3282997
【文章来源】：南京师范大学江苏省 211工程院校
【文章页数】：124 页
【学位级别】：硕士
【部分图文】：
技术路线图
第2章空气质量预报模型特征分析16和实际观测值之间的误差达到最校如图2.1所示，BP网络结构包括输入层、隐含层和输出层，典型BP算法通过上述三层网络结构之间的信息传输得以实现。其中，由输入层传播信号到输出层的过程，被称为前向传播过程；由输出层将误差分配给各层所有单元进行误差调整的过程，被称为误差反向传播过程。基于上述两个过程，BP算法的训练结果与预期结果更为接近。图2.1BP网络模型结构[47]2.1.5统计预报模型特征总结本节介绍了可用于统计预报中的常见模型和方法，包括回归模型、聚类模型、时间序列分析方法和人工神经网络，基于对这些模型基本思想的了解，将其优缺点和特征进行总结。回归模型中介绍的逐步回归法、OLS模型、LUR模型、GRW模型以及GTWR模型在实质上都为普通线性回归模型的扩展模型，因此它们的一般式都是基于线性回归模型公式的不同拓展。逐步回归法结构简单，方程中变量较少，它需要逐个引入新变量并进行每一步的检验，选择合适变量是提高效率的关键因素，因此其主观性较强。OLS模型是回归模型中较为基本的一个模型，作为一个全局模型，它具有一定的局限性，例如结果不稳定、假定预测因子无测量误差等。LUR模型与OLS相比添加了土地利用等变量，并通过自变量与污染物浓度之间的相关性，评估缺少监测站点区域的污染物浓度，因此其考虑因素更为齐全，预测精度也相对更高。但是与GWR和GTWR模型相比，其在大空间尺度下对于空气污染物质浓度的模拟和预测能力较弱，并且忽略了时空非平稳性。GWR和GTWR模型都是加权回归模型，GWR添加了对于观测对象空间结构的考虑，GTWR在考虑空间地理位置的基础上，还加入了对观测时间的考虑，由于空气污染是基于时空位置的地理问题，因此这两个模型与上述的回归模型相比能更?
第2章空气质量预报模型特征分析182.2.1中小尺度模型中小尺度数值预报模型包括高斯模型AERMOD、ADMS（AtmosphericDispersionModellingSystem）、ISC（IndustrialSourceComplex）和拉格朗日轨迹模型CALPUFF、OZIPM/EKMA（OzoneIsoplethPlottingMethod/EmpiricalKineticModelingApproach）等。这些模型结构较为简单并且计算速度比较快，多用于城市尺度中一次污染物的模拟。目前应用较为广泛的模型有AERMOD和CALPUFF模型，下述为这两个模型的简要介绍。（1）AERMOD模型AERMOD以扩散统计理论为出发点，考虑了对流条件下浮力烟羽和混合层顶的相互作用，可进行城市区域和乡村区域等中小尺度区域的污染物质浓度分布模拟及预测[48]。AERMOD模型包括AERMET气象模块、AERMAP地形处理模块以及AERMOD扩散模块，模拟流程如图2.2所示。AERMET处理地面特征数据及气象观测数据后得到行星边界层参数，AERMAP将输入的地形数据经过计算转换成AERMOD模块可处理的地形预处理数据。将边界层参数数据、廓线数据和地形预处理数据作为输入数据传入AERMDO系统，就可以经计算得到所需的污染物浓度。图2.2AERMOD模型模拟流程AERMOD在稳定边界层（SBL）的浓度分布表现形式为高斯分布，公式如下所示[49]：{,,}=√2·∑[[(+2)222]+∞=∞[(++2)222]]（2-11）式中，是有效风速值，是曲流的水平分布函数，是垂直方向上的扩散系数，是烟囱的有效源高度，是稳定混合层高度，。而在对流边界层（CBL），AERMOD采用了双高斯概率密度函数（pdf）来表达，可以计算建筑物下洗。对流边界层下AERMOD预测的污染物浓度由
【参考文献】：
期刊论文
[1]Investigating the Transport Mechanism of PM2.5 Pollution during January 2014 in Wuhan, Central China[J]. Miaomiao LU,Xiao TANG,Zifa WANG,Lin WU,Xueshun CHEN,Shengwen LIANG,Hui ZHOU,Huangjian WU,Ke HU,Longjiao SHEN,Jia YU,Jiang ZHU. Advances in Atmospheric Sciences. 2019(11)
[2]肇庆市一次典型污染天气的污染物来源解析[J]. 常树诚,廖程浩,曾武涛,杨柳林,俞绍才,陈雪,郑剑平. 环境科学. 2019(10)
[3]一种图像分割模型的自适应参数选择方法[J]. 王辉,吴永武,杜应琼. 计算机应用与软件. 2019(05)
[4]AERMOD和CALPUFF干沉降在复杂地形下模拟结果的对比研究[J]. 舒璐,关勖,祝禄祺,潘峰,仝纪龙. 环境科学与管理. 2019(01)
[5]我国空气质量模型应用中存在的问题及建议[J]. 于振波,刘玉萍,李广来,刘薇,贾琳琳. 环境保护与循环经济. 2018(08)
[6]多元逐步回归与卡尔曼滤波法在霾预报中应用[J]. 咸云浩,张恒德,谢永华,杨乐. 系统仿真学报. 2018(04)
[7]基于POI兴趣点的排放清单空间分配方法[J]. 王堃,高佳佳,田贺忠,淡默,岳涛,薛亦峰,左朋莱,王晨龙. 中国环境科学. 2017(06)
[8]土地利用回归模型模拟京津冀PM2.5浓度空间分布[J]. 许刚,焦利民,肖丰涛,赵素丽,张欣. 干旱区资源与环境. 2016(10)
[9]大气扩散模型的研究进展[J]. 苑春莉,范世良,柴天昱,朱玉芳,谢元华,朱彤. 节能. 2016(10)
[10]基于特征矩阵和关联图的空间场景相似性度量方法[J]. 陈占龙,吕梦楼,吴亮,徐永洋. 武汉大学学报(信息科学版). 2017(07)
本文编号：3282997
本文链接：https://www.wllwen.com/projectlw/qxxlw/3282997.html
