[发明专利]臭氧生成贡献率分析方法及装置

说明书

本发明公开了一种臭氧生成贡献率分析方法及装置。该方法包括：获取包括不同要素的观测数据；对观测数据中各要素的观测数据进行分析，分别判断是否在对应要素的全局阈值范围内；当在全局阈值范围内时，判断为正常数据；将判断为正常数据的要素观测数据输入训练完成的TabNet中计算，得到对应要素的臭氧生成贡献率。该装置包括观测数据获取单元、数据质控单元和计算单元。这种方法及装置提出臭氧生成贡献率的定义；提出直接将VOCs观测资料、气象观测资料和常规污染物观测资料应用于臭氧生成贡献分析；提出将深度表格学习神经网络应用于臭氧生成贡献率计算的应用策略；提出可以对单一时次的观测数据进行臭氧生成贡献率分析的非线性方法。

技术领域

本发明涉及环境监测技术领域，更为具体来说，本发明涉及一种臭氧生成贡献率分析方法及装置。

背景技术

臭氧是大气中的痕量气体，约90％以上的臭氧分布在大气平流层，不到10％的臭氧处于对流层内。对流层臭氧除少量来自平流层输送外，几乎全部来自于氮氧化物与挥发性有机物(VOCs,Volatile Organic Compounds)的光化学反应。臭氧具有强氧化性，环境空气中短期高浓度臭氧暴露会对人体的心血管系统和呼吸系统等造成严重的危害。此外，高浓度环境空气臭氧还会损害植物的生长和繁殖、降低农作物的产量和生物多样性等。

虽然对流层中的臭氧主要为光化学反应生成，但是气象条件会影响大气的光化学反应，就局地臭氧浓度而言，臭氧的异地传输也是局地臭氧浓度升高的原因之一。对流层中臭氧主要来源为大气光化学反应，大气的光化学反应受到以氮氧化物和挥发性有机物为首的大气污染物的影响，也受诸如温度、湿度、气压等气象要素的影响，风速和风向则通过影响臭氧的传输影响局地臭氧浓度，不同条件下不同要素对于臭氧浓度的贡献不同。多种要素对于臭氧生成的复杂影响增加了臭氧污染原因解析的难度，基于气象观测数据和污染物观测数据，分析不同影响要素对于臭氧生成的贡献，成为了科学制定臭氧等污染防控措施的首要任务。

当下已经建立了包括国控站点、大气超级站在内的大气污染物观测体系，但是对于数据信息的深度挖掘工作进行的不多，大大降低了数据价值。如何高效地对数据进行解析，为臭氧防控提供科学依据成为了提升数据价值的关键技术点。采用机器学习算法，对常规污染物观测数据、常规气象观测数据和VOCs观测数据进行深度的综合解析，可以分析不同要素对于臭氧生成的贡献率，从而为臭氧污染的科学防控提供更为有力的支撑。

诸多学者采用机器学习技术研究了模型输入特征对于输出特征的贡献，其中比较有代表性的为基于树模型的特征重要性评估和基于线性回归模型的方差贡献分析，这种两方法均在臭氧(O₃)生成贡献分析方面有所应用，其中树模型的应用方式为：采用多样本数据集对树模型进行训练，之后统计不同的输入特征在树模型叶子节点中发挥的作用，方差贡献分析的应用方式为：采用多样本数据集对模型进行训练，获取参数，建立模型，对输入特征逐个归零，计算结果方差变化，进而计算得到不同输入要素对于臭氧浓度的方差贡献。

但是树模型方法建立在模型训练的基础上，需要大数据集进行训练，应用于数据集中不同要素的贡献分析，无法应用于个例，方差贡献则是基于线性回归模型无法考虑要素之间的交互作用，也不适用于O₃浓度与其影响要素之间复杂的非线性关系。

发明内容

本发明创新地提供了一种臭氧生成贡献率分析方法及装置，提出了臭氧生成贡献率的定义，提出了将深度表格学习神经网络(TabNet，deep tabular data learningnetwork)应用于臭氧生成贡献率计算的应用策略；提出了可以对单一时次的观测数据进行臭氧生成贡献率分析的非线性方法。

为实现上述的技术目的，一方面，本发明公开了一种臭氧生成贡献率分析方法。所述臭氧生成贡献率分析方法包括：获取包括不同要素的观测数据；对所述观测数据中各个要素的观测数据进行分析，分别判断是否在对应要素的全局阈值范围内；当在所述全局阈值范围内时，判断为正常数据；将判断为正常数据的要素观测数据输入训练完成的深度表格学习网络中进行计算，得到对应要素的臭氧生成贡献率。