[发明专利]大气污染源溯源方法、装置、电子设备及存储介质

说明书

本公开提供了一种大气污染源溯源方法，应用于环境监测技术领域，包括：将监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数，筛选出在待分析时间段内待分析区域对应网格下记录到的i类该污染源数据和该污染源浓度数据，以该待分析区域对应网格的i类该污染源数据为自变量，该待分析区域对应网格的该污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类该污染源的规模，根据i类该污染源的规模，绘制分类污染源图谱。本申清还公开了一种大气污染源溯源装置、电子设备及存储介质，实现信息协同下的污染精准溯源。

技术领域

本申请涉及环境监测领域，尤其涉及一种大气污染源溯源方法、装置、电子设备及存储介质。

背景技术

随着现代工业化经济社会的发展，大气污染问题日趋严重，污染物的大量排放对大气环境造成了不同程度的污染，生态环境遭受到了严重破环。科学合理的监测空气质量，对大气污染物进行溯源是人类亟待解决的问题。目前对于大气污染物溯源大多采用人工排查的方式，这种方式费时费力且准确性差。

发明内容

本申请的主要目的在于提供一种大气污染源溯源方法、装置、电子设备及存储介质，利用环境监测信息及反馈信息等综合生成污染源图谱，实现信息协同下的污染精准溯源。

为实现上述目的，本申请实施例第一方面提供一种大气污染源溯源方法，包括：

将监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数；

筛选出在待分析时间段内待分析区域对应网格下记录到的i类所述污染源数据和所述污染源浓度数据；

以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类所述污染源的规模；

根据i类所述污染源的规模，绘制分类污染源图谱。

在本公开一实施例中，i类所述污染源包括裸地扬尘源污染源、生活面源污染源、交通源污染源和工业源污染源。

在本公开一实施例中，所述以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到各类所述污染源的规模包括：

将所述待分析区域对应网格的i类所述污染源数据组成矩阵X，所述待分析区域对应网格的污染源浓度数据组成矩阵Y；

以所述矩阵X为自变量，所述矩阵Y为因变量，通过全要素机器学习模型拟合污染源浓度预测模型f(X)，使得由所述污染源浓度预测模型f(X)求得的污染源浓度数据的预测值与实际值Y的差值的绝对值的平均值MAE最小；

利用所述污染源浓度预测模型f(X)，得到第m类污染源的污染源浓度数据缺省值

基于第m类污染源的污染源浓度数据缺省值得到第m类污染源的规模；

其中，

其中，所述矩阵X中的第xji个元素表示第j个网格上第i类污染源数据，所述矩阵Y中的第yj个元素表示第j个网格上的污染源浓度数据，第个元素表示第j个网格上的第m类污染源的污染源浓度数据缺省值，0＜m＜i，m、i和j均为正整数。

在本公开一实施例中，所述基于第m类污染源的污染源浓度数据缺省值得到第m类污染源的规模包括：

利用第m类污染源的污染源浓度数据缺省值和第m类污染源的值x_m，得到第m类污染源的权重α_m；

统计所述待分析区域内每个网格中各类所述污染源，得到每个网格中各类污染源的规模矩阵Q；