一种突发大气污染事故源反演准确性提升方法技术

一种突发大气污染事故源反演准确性提升方法，属于突发事故应急预警评估技术领域。本发明专利技术方法特征在于包括数据准备及模型确定、模型参数取值依据判别、模型参数敏感性分析识别、高敏感性参数优化、优化模型模拟性能评估、源反演结果评估六个步骤，该发明专利技术方法的核心思路在于通过优化改善扩散模型模拟性能以提升源反演的准确性。本发明专利技术公开的一种提升突发大气污染源反演准确性的方法，基于收集的外场模拟实验数据，以高斯烟羽模型为大气扩散模型，对本发明专利技术方法进行应用测试，结果表明本发明专利技术方法能有效提升污染源强及位置信息反演估算准确性。

【技术实现步骤摘要】
一种突发大气污染事故源反演准确性提升方法
本专利技术属于突发事故应急预警评估
，涉及一种具有普适性的提高事故污染源信息反演追溯准确性的方法，具体涉及一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的突发大气污染源反演准确性提升方法。
技术介绍
随着我国经济快速发展，各类生产、生活活动引起的突发大气污染事故(爆炸、火灾、泄漏、恶臭等)急剧上升，对人类健康、生态环境和经济发展构成巨大威胁。可靠的事故源信息对于开展突发大气污染事故污染预测及风险评估，实现快速、合理的应急响应具有重要意义。对事故源信息的准确估算是开展有效应急响应工作的关键。然而，突发大气污染事故具有突发性、复杂性、危险性等特点，准确的事故源信息往往难以直接获取。基于模型模拟浓度与观测浓度建立的源反演技术是确定事故源信息(源参数)的重要手段，对于源反演准确性的提升一直是国内外学者研究的重点。目前，源反演准确性提升相关研究主要集中在最优化算法方面，如遗传算法、粒子群-单纯形耦合算法、遗传-单纯形耦合算法、粒子群-遗传-模拟退火耦合算法在近几年被广泛提出用于源反演。然而，源反演是涉及扩散模型的反问题，模型模拟性能极大影响源反演准确性，但是，从优化改进模型模拟性能角度来提升源反演准确性的系统技术方法目前尚未见报道。
技术实现思路
本专利技术提出一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的突发大气污染事故源反演准确性提升方法。本方法以大气扩散模型为基础，通过解决如何精准识别扩散模型性能关键影响参数，如何优化校准模型参数等关键问题，改善扩散模型模拟性能，进一步将优化改善模型用于大气污染源信息反演以达到有效提升源反演准确性的目的。本专利技术一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的突发大气污染源反演准确性提升方法，包括以下步骤：(1)数据准备及模型确定扩散模型改善优化需要大量的外场观测数据，一般外场数据包括同一观测时段内的气象(风向、风速等)、下风向污染物观测浓度、污染源信息(污染释放位置、排放量等)以及地形、下垫面数据资料；根据实际应用情景，筛选确定具体大气扩散模型。(2)模型参数取值依据判别确定大气污染扩散模型后，梳理大气扩散模型所涉及的输入参数类型，判别模型参数取值依据，一般模型参数可分为历史经验类和客观变量类参数，其中，统计经验类是指基于历史数据分析统计结果得到的经验值来确定模型参数值，客观变量类指的是基于现场情景、客观实际情况来确定的参数值；(3)模型参数敏感性分析识别根据模型参数取值依据判别结果，确定以模型参数统计经验取值为优化目标，利用敏感性识别技术对经验参数进行敏感性排序：①对参数进行设置不同模型经验参数变化取值范围，确定参数取值变化步长；②对模型输入参数逐一进行选定，其他参数保持不变，进一步在指定参数变化范围内按照固定步长变化，并带入扩散模型进行计算，得到不同的计算结果；③从而利用参数变化前后对得到的模型计算结果的影响作为判定参数敏感性大小的依据，并进行模型参数敏感性排序。本专利技术根据已有的Morris筛选技术进行模型参数敏感性识别排序，具体计算公式如下：其中，S为灵敏度判别因子；Yi为模型第i次运行输出值；Yi+1为模型第i+1次运行输出值，Y0为参数率定后模型计算结果的初始值；Pi为第i次模型计算参数值相对于率定参数后参数值变化的百分率；Pi+1为第i+1次模型计算参数值相对于率定后初始参数值的变化百分率；n为模型运行计算次数。本研究中采用10％的固定步长对各参数进行扰动，分析不同参数变动对模型预测结果的影响程度。根据参数灵敏度计算值，可将参数敏感性分为以下四类：①当|S|≥1时，为高敏感参数；②当0.2≤|S|＜1时，为敏感参数；③当0.05≤|S|＜0.2时，为中等敏感参数；④当0≤|S|＜0.05时，为不敏感参数。(4)高敏感性参数优化根据模型参数敏感性分析结果，选取高敏感性参数作为未知变量，以监测数据和扩散模型模拟结果偏差最小构建参数优化目标函数，利用最优化理论算法对目标函数进行优化求解，最终求解得到的未知变量结果即为优化模型参数。优化目标函数表达式如下：式中m代表观测点数目，和代表在位置j处对应的观测浓度和模型计算浓度。(5)模型模拟性能评估模型参数优化之后，利用不同的测试数据集对优化后扩散模型的模拟性能进行测试分析，判断模型参数优化后是否有效改善模型模拟性能，该步骤可作为初步判别条件，如果模型优化前后模拟性能变化不大，则可初步判断参数优化无效，需重新调整目标优化参数。(6)源反演结果评估基于优化后扩散模型和监测结果，以监测数据和扩散模型模拟结果偏差最小为目标建立反演目标函数，目标函数形式可参考第(4)步骤优化目标函数表达式，但不仅限于该形式；其次，基于不同外场实验案例数据，利用最优化算法对源反演准确性进行求解测试，评估验证模型参数优化后是否有效提升源反演准确性。本专利技术第(3)步骤中，参数敏感性识别技术不限于Morris筛选技术，替换为其他能量化参数输入对扩散模型输入影响的技术方法均适用于本专利技术方法；第(5)步骤中，源反演模型具体表达式不仅限于方差和形式，以监测数据和扩散模型模拟结果偏差最小化为目标的函数表达形式均适用于本专利技术方法；本专利技术方法利用单因素方差分析进行模型改善前后源反演结果差异显著性分析，当分析结果为差异性显著时，认定为优化模型参数后能有效提升源反演准确性。附图说明图1为一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的提升大气污染源反演准确性的方法示意图。图2为实例中本专利技术方法应用前后源反演准确性对比结果。图3为实例中本专利技术方法应用前后源反演准确性对比结果。具体实施方式以下结合外场模拟实验实例，具体阐述本专利技术基于大气扩散模型-参数敏感性识别技术-最优化算法理论的提升大气污染源反演准确性的方法的内容。(1)第一步，数据准备本专利技术以美国1956年在内布拉斯加州奥尼尔镇东北部草原地区(北纬40°29.6′，西经98°34.3′，平均海拔600余米)开展的68次SO2外场模拟实验为基础数据集，其中，为保证扩散模型参数优化结果可靠性，本方法建议选择尽可能多的外场实验用于模型参数优化，剩余实验用于本方法的结果评估步骤，其中，本次具体实施案例中选择59次用于模型参数优化，9次用于结果评估，其中，按照大气扩散条件Pasquill划分准则，大气扩散条件可分为A，B，C，D，E，F五个等级，59次实验中A-F下的外场实验次数为4，4，8，28，4，11；9次用于结果评估的外场实验中，A-F下的外场实验次数为1，1，2，2，1，2。(2)第二步，模型参数分类本次实施案例，选取高斯烟羽模型为大气扩散模型，梳理分析高斯烟羽模型中输入参数的类型，针对高斯烟羽模型公式中所涉及的不同参数，确定模本文档来自技高网...

【技术保护点】
1.一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的突发大气污染源反演准确性提升方法，其特征在于，包括以下步骤：/n(1)数据准备及模型确定/n扩散模型改善优化需要大量的外场观测数据，一般外场数据包括同一观测时段内的气象、下风向污染物观测浓度、污染源信息以及地形、下垫面数据资料；根据实际应用情景，筛选确定具体大气扩散模型；/n(2)模型参数取值依据判别/n确定大气污染扩散模型后，梳理大气扩散模型所涉及的输入参数类型，判别模型参数取值依据，一般模型参数可分为历史经验类和客观变量类参数，其中，统计经验类是指基于历史数据分析统计结果得到的经验值来确定模型参数值，客观变量类指的是基于现场情景、客观实际情况来确定的参数值；/n(3)模型参数敏感性分析识别/n根据模型参数取值依据判别结果，确定以模型参数统计经验取值为优化目标，利用敏感性识别技术对经验参数进行敏感性排序：/n①对参数进行设置不同模型经验参数变化取值范围，确定参数取值变化步长；/n②对模型输入参数逐一进行选定，其他参数保持不变，进一步在指定参数变化范围内按照固定步长变化，并带入扩散模型进行计算，得到不同的计算结果；/n③从而利用参数变化前后对得到的模型计算结果的影响作为判定参数敏感性大小的依据，并进行模型参数敏感性排序；/n本专利技术根据已有的Morris筛选技术进行模型参数敏感性识别排序，具体计算公式如下：/n...

【技术特征摘要】
1.一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的突发大气污染源反演准确性提升方法，其特征在于，包括以下步骤：
(1)数据准备及模型确定
扩散模型改善优化需要大量的外场观测数据，一般外场数据包括同一观测时段内的气象、下风向污染物观测浓度、污染源信息以及地形、下垫面数据资料；根据实际应用情景，筛选确定具体大气扩散模型；
(2)模型参数取值依据判别
确定大气污染扩散模型后，梳理大气扩散模型所涉及的输入参数类型，判别模型参数取值依据，一般模型参数可分为历史经验类和客观变量类参数，其中，统计经验类是指基于历史数据分析统计结果得到的经验值来确定模型参数值，客观变量类指的是基于现场情景、客观实际情况来确定的参数值；
(3)模型参数敏感性分析识别
根据模型参数取值依据判别结果，确定以模型参数统计经验取值为优化目标，利用敏感性识别技术对经验参数进行敏感性排序：
①对参数进行设置不同模型经验参数变化取值范围，确定参数取值变化步长；
②对模型输入参数逐一进行选定，其他参数保持不变，进一步在指定参数变化范围内按照固定步长变化，并带入扩散模型进行计算，得到不同的计算结果；
③从而利用参数变化前后对得到的模型计算结果的影响作为判定参数敏感性大小的依据，并进行模型参数敏感性排序；
本发明根据已有的Morris筛选技术进行模型参数敏感性识别排序，具体计算公式如下：



其中，S为灵敏度判别因子；Yi为模型第i次运行输出值；Yi+1为模型第i+1次运行输出值，Y0为参数率定后模型计算结果的初始值；Pi为第i次模型计算参数值相对于率定参数后参数值变化的百分率；Pi+1为第i+1次模型计算参数值相对于率定后初始参数值的变化百分率；n为模型运行计算次数。本研究中采用10％的固定步长对各参数进行扰动，分析不同参数变动对模型预测结果的影响程度；
根据参数灵敏度计算值，可将参数敏感性分为以下四类：

【专利技术属性】
技术研发人员：郎建垒，毛书帅，玄博元，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11