一种分析污染源与气象因素对不同程度PM制造技术

一种分析污染源与气象因素对不同程度PM

【技术实现步骤摘要】
一种分析污染源与气象因素对不同程度PM2.5污染影响贡献和效应的机器学习模型
本专利技术涉及大气颗粒物污染防治领域，具体涉及一种基于数据驱动的识别并量化P.M2.5污染影响因素、贡献及效应的机器学习模型。
技术介绍
细颗粒物(PM2.5)作为大气环境中的主要污染物，不仅会造成环境能见度低，改变气候状况，而且对人体健康产生很大的的危害，容易造成人体心血管和呼吸系统疾病，甚至过早死亡。我国PM2.5污染主要受排放、气象、大气化学反应和传输等因素协同作用，污染过程十分复杂，在不同PM2.5污染过程中，污染物化学反应路径和速率不同。识别并定量评估各个地区细颗粒物(PM2.5)污染中的影响要素是大气污染防治的重要研究问题。目前研究大多使用源排放清单、化学组分数据、再分析数据，结合化学质量传输模型、空气质量预报模式、后向轨迹模型等对一个区域内的污染事件进行成因分析，往往聚焦一个区域内单一的重污染事件，限定范围较窄，缺少高时间分类上不同污染程度、同一污染程度的多次事件的定量分析，同时分析过程滞后，不能快速精确的识别和量化不同程度PM2.5污染本文档来自技高网...

【技术保护点】
1.一种分析污染源与气象因素对不同程度PM

【技术特征摘要】
1.一种分析污染源与气象因素对不同程度PM2.5污染影响贡献和效应的机器学习模型，包括：
计算基于在线多组分数据的PM2.5污染来源解析，利用在线监测仪器监测颗粒物浓度以及化学组分的浓度，构建多组分在线数据集，将数据集输入到PMF模型中进行大气颗粒物来源解析，解析得到污染源的个数以及污染源对PM2.5污染的贡献；
搭建机器学习模型，利用随机森林算法搭建机器学习模型，基于常规污染物浓度数据、化学组分数据、气象数据和源解析结果数据等多种数据集，不断调整优化模型的参数，形成最优的机器学习模型；
分析污染源和气象因素对PM2.5的影响程度，计算夏普利值，绘制shap图，量化各影响因素对PM2.5浓度的促进或者抑制的程度；
分析污染源和气象因素对不同程度PM2.5污染的影响效应，利用优化的机器学习模型识别不同程度PM2.5污染中主导因素并进行重要性排序，同时结合部分依赖计算、夏普利值，分别量化污染源和气象因素对不同程度PM2.5污染的单因素以及多因素协同影响，进行敏感性分析；
分析一次污染源和气象因素对二次污染源生成浓度的影响效应，利用优化的机器学习模型，量化一次污染源和气象因素对二次污染源生成浓度的影响贡献。


2.如权利要求1中所述的分析污染源与气象因素对不同程度PM2.5污染影响贡献和效应的机器学习模型，其特征在于：所述的在线多组分数据，是利用不同仪器监测的颗粒物浓度及其化学组分在线监测数据构成的多组分数据，包括颗粒物浓度，水溶性离子，碳组分和元素浓度数据；颗粒物浓度是指由颗粒物在线监测仪器测量的PM2.5浓...

【专利技术属性】
技术研发人员：史国良，许博，张忠诚，高洁，冯银厂，
申请(专利权)人：南开大学，
类型：发明
国别省市：天津;12