[发明专利]基于数据驱动的小尺度区域大气污染物快速溯源方法

权利要求书

1.基于数据驱动的小尺度区域大气污染物快速溯源方法，包括以下步骤：

S1，模型本地化并搭建模型模拟框架；设置大气污染扩散模型的地面数据、高空数据、土地利用类型的参数与数据集，完成大气污染扩散模型的本地化；根据区域实际排放信息设置源排放特征，设置受体点，确定模型模拟框架；

S2，构造气象情景；根据区域历史气象监测数据明确本地常规气象参数统计，确定本地气象参数出现的范围；按等间距划分气象要素温度、风向、风速、低云量和总云量；排列组合后构建不同气象情景，1套气象参数的组合即为1个气象情景的样本；

S3，气象情景下的模拟溯源；利用区域污染源排放清单、以上构建的气象情景，结合确定的大气污染扩散模型模拟框架解析各气象情景下各污染源对受体污染浓度的贡献，以各源类对受体浓度的贡献占比作为溯源结果进行列表汇总；

S4，建立污染溯源库；整合气象情景及相应的溯源结果，每条气象情景与溯源结果一一对应的数据对即为1个污染溯源样本，汇编污染溯源样本建立污染溯源库；

S5，训练数据驱动模型；以污染溯源库视为数据集，以污染溯源库中气象条件为输入，以污染源贡献占比为输出，每个污染溯源样本即视为1个训练样本，基于人工神经网络函数训练形成以气象参数为驱动的数据驱动模型，由MATLAB人工神经网络“trainbr”算法实现，并调整优化数据驱动模型内部参数，最终搭建最优的数据驱动模型；

S6，污染溯源；在实时气象状况下，以气象参数为关键词检索污染溯源库进行匹配，若匹配成功，提取获得各源类对受体污染物浓度的实时贡献占比；若未匹配，则利用以上人工神经网络训练的数据驱动模型，以实时气象参数构建实时气象情景驱动模型，提取各个污染源对受体的浓度贡献，即获得各源类的实时贡献占比，从而实现快速精准污染溯源；根据获得的各源类对受体的实时污染贡献占比进行排序，提取对受体污染形成占主导贡献的污染源名称，由此支撑区域大气污染的科学有效管控。

2.如权利要求1所述的基于数据驱动的小尺度区域大气污染物快速溯源方法，其特征在于：步骤S1所述的大气污染扩散模型选用AERMOD、CALPUFF适用于中小尺度污染物扩散模拟的常用大气污染扩散模型。

3.如权利要求1所述的基于数据驱动的小尺度区域大气污染物快速溯源方法，其特征在于：步骤S2所述的本地常规气象参数统计中，风速、温度的范围根据本地气象历史数据确定，风向范围则包括全范围，并根据精度要求调整间隔。

4.如权利要求1所述的基于数据驱动的小尺度区域大气污染物快速溯源方法，其特征在于：步骤S4所述的污染溯源库由每条气象情景与相应的溯源结果一一对应形成的数据对汇编而成；1条数据对即为1个污染溯源样本，每条数据对按照固定的参数顺序编制，按序号、风向、风速、温度、总云量、低云量的顺序，按顺序编码的源贡献。

5.如权利要求1所述的基于数据驱动的小尺度区域大气污染物快速溯源方法，其特征在于：步骤S5所述的数据驱动模型基于人工神经网络函数训练形成以气象参数为驱动的模型；由MATLAB人工神经网络“trainbr”算法实现，即贝叶斯正则化(BayesianRegularization)算法寻找能有效逼近样本集的函数并使误差函数最小化，采用均方误差函数E_D训练误差函数：

其中N为样本数，t_i为期望输出值，a_i为网络的实际输出值；

在目标函数中增加网络权重平方和均值来提高泛化能力，误差函数经改进后变为：

E＝ζ₁·E_D+ζ₂·E_W                     (2)

式中W_j为网络的连接权值，j为网络连接权的个数；ζ₁与ζ₂为参数，若ζ₁远大于ζ₂，则训练算法使网络误差较小，在训练过程中自适应的调整参数以达到最优。