基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法技术

本发明专利技术基于信创背景公开了基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法，包括如下步骤：获取目标区域的气象预测数据、卫星遥感数据、污染源排放清单和空气质量监测数据；将获取的数据输入到CMAQ空气质量模型、CAMx空气质量模型、颗粒物臭氧神经网络预测模型以及卫星遥感气溶胶反演模型中，获取模型预测值；采用神经网络的模型架构，在长期历史相关数据的基础上，对模型预测值和实际监测值进行循环训练，从而建立多模式空气质量模型；将目标区域的最新相关数据输入到多模式空气质量模型中，根据多模式空气质量模型的输出结果对目标区域的臭氧和颗粒物进行预测预警。本发明专利技术对颗粒物和臭氧预测预警效果好。明对颗粒物和臭氧预测预警效果好。明对颗粒物和臭氧预测预警效果好。

【技术实现步骤摘要】
基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法


[0001]本专利技术涉及气象预测领域，尤其涉及基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法。

技术介绍

[0002][0003]现阶段颗粒物与臭氧成为影响我国城市和区域空气质量的主要空气污染物，二者协同控制已成为我国空气质量改善的焦点和打赢蓝天保卫战的关键。颗粒物与臭氧之间具有复杂的关联性，二者不仅具有共同的前体物，而且在大气中通过多种途径相互影响。
[0004]在颗粒物臭氧协同治理方面，现有的科研手段面临挑战。对臭氧和颗粒物相互影响的机理尚未有明确结论，对臭氧和颗粒物进行预测预警的技术还不成熟，政府管理部门针对臭氧和颗粒物的管控体系尚不完善。
[0005]在颗粒物和臭氧预测预警方面，主要采用数值预报和统计预报两种方法。数值预报主要利用空气质量模式将复杂的大气物理、化学模式系统化，建立污染物排放、气象、化学反应相关的模型，模拟空气质量的变化；统计预报建立在空气质量在线自动监测历史数据的基础上，通过各个污染因子的变化规律，对未来空气质量进行预测。此两种方法各有优劣，数据无法互相支持，造成预测结果准确度不稳定。
[0006]在具体实施过程中，用于分析的大量数据，长距离跨洋传输的不稳定性导致无法及时的获取所需数据，高分辨率的模式模拟所需的计算量巨大，现有主流算力框架无法满足超算需求，预测预警的及时性得不到保障。

技术实现思路

[0007]专利技术目的：为了克服现有技术中存在的不足，并响应我国“坚持信息技术应用创新道路”的号召，本专利技术提供基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法，对颗粒物和臭氧预测预警效果好。
[0008]技术方案：为实现上述目的，基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法，该方法包括如下步骤：
[0009]步骤一：获取目标区域的长期历史相关数据，相关数据包括气象预测数据、卫星遥感数据、污染源排放清单和空气质量监测数据；
[0010]步骤二：将获取的历史相关数据分别代入到CMAQ和CAMx两个第三代空气质量模型、颗粒物臭氧神经网络预测模型以及卫星遥感气溶胶反演模型中，获取模型预测值；
[0011]步骤三：采用神经网络的模型架构，在长期历史相关数据的基础上，对模型预测值和实际监测值进行循环训练，从而建立多模式空气质量模型；
[0012]步骤四：将目标区域的最新相关数据输入到多模式空气质量模型中，根据多模式空气质量模型的输出结果对目标区域的臭氧和颗粒物进行预测预警。
[0013]进一步地，在步骤二中，将数据代入CMAQ和CAMx两个第三代空气质量模型的具体
实施步骤如下：
[0014](a1)制定模型模拟的地理区域，确定网格参数，通过WRF气象研究和预报模型生成气象预测预报数据，通过排放源清单算法获得每小时排放清单数据；
[0015](a2)输入气象预测预报数据以及排放清单数据，通过CMAQ、CAMx两个空气质量模型，分别模拟出重点区域每个网格每个时段SO2、NO2、CO、臭氧、PM2.5、温度、湿度、风速、风向和降雨量；
[0016](a3)通过非线性最小二乘拟合算法，根据拟合函数，对预测结果进行优化拟合；非线性最小二乘公式为：
[0017]f(x)≈p
n
(x＝a0+a1(x
‑
x0)+a2(x
‑
x0)2+...+a
n
(x
‑
x0)
n
；
[0018]式中f为拟合值，p为预测值；
[0019]并用最小二乘法计算误差，误差函数为：
[0020][0021]经过机器学习，以获取合适的f(x)的最终表达式；再使用拟合公式f(x)，分别输出 CMAQ，CAMX两个模型的预测拟合值。
[0022]进一步地，在步骤二中，将数据代入颗粒物臭氧神经网络预测模型的具体实施步骤如下：
[0023](b1)从平台数据库导出特定地区所有空气质量自动监测站逐小时历史数据；
[0024](b2)根据时间先后，生成训练数据列表和验证数据列表；
[0025](b3)使用循环神经网络对训练数据进行训练，将若干天作为一个周期，输出结果为一个周期内若干天的臭氧和颗粒物逐小时浓度：
[0026](b4)训练结束后，保存此循环神经网络模型；每天凌晨0点后，模型会根据前一天的24小时监测数据，预测未来一个周期内若干天的颗粒物和臭氧逐小时浓度；
[0027](b5)进入一个周期后，对神经网络进行再次训练，以获得更好的模型预测精度。
[0028]进一步地，在步骤(b1)中，对于数据缺失、数值异常等不适于进行模型训练的历史数据，进行数据清洗以及归一化处理；归一化方程为：
[0029][0030]进一步地，在步骤二中，将数据代入卫星遥感气溶胶反演模型预测的具体实施步骤如下：
[0031](c1)从NASA网站下载MODIS数据；
[0032](c2)通过偏振辐射传输公式反演目标的表现反射率，偏振辐射传输公式为：
[0033][0034]其中R为表现反射率(apparent reflectance)，F0为地外太阳辐射通量，I为大气层顶端辐射率，μ为卫星所在视角的观测天顶角余弦，μ0为太阳天顶角余弦，为散射辐射
传播分析与入射太阳方向相对方向角；
[0035](c3)根据目标区域，反演0.412um波长表现反射率，同时根据11nm，12nm波长反演的温度亮度值，以及1.38umMODIS反射率的空间变化，判断目标区域气象条件，如有云层或地表冰雪覆盖，停止反演，运用历史模型预测值作为本次模型运行的结果；
[0036](c4)通过计算归一化植被指数和归一化冰雪指数等参数，初步得到AOT预估值；
[0037](c5)通过对目标区域网格中土地类型以及气溶胶类型进行识别，调整相应参数，经过参数AOT模拟值；
[0038](c6)对模型反演效果进行拟合，最后输出目标区域最终的优化AOT值；
[0039](c7)通过算法，预测未来的AOT值。
[0040]进一步地，在步骤三中，建立多模式模型的具体实施步骤如下：
[0041](d1)训练数据生成，通过数据库获取多模式模型的各类历史预测数据，生成训练数据和验证数据，将若干天作为一个周期，将一个周期内的数据作为输入训练集，将下一个周期内的数据作为验证集；
[0042](d2)数据有效性处理，数据归一化处理；
[0043](d3)建立LSMT模型，LSMT模型的第一层为LSTM网络，第二层为全连接层；设置均方误差MSE为此神经网络的损失函数，损失函数的计算方法是求预测值与真实值之间距离的平方和，其公式为：
[0044][0045]然后采用自适应梯度下降算法AdaGrad作为后向传输迭代，其更新过程如下：
[0046][0047][0048]其中s是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法，其特征在于：该方法包括如下步骤：步骤一：获取目标区域的长期历史相关数据，相关数据包括气象预测数据、卫星遥感数据、污染源排放清单和空气质量监测数据；步骤二：将获取的历史相关数据分别代入到CMAQ和CAMx两个第三代空气质量模型、颗粒物臭氧神经网络预测模型以及卫星遥感气溶胶反演模型中，获取模型预测值；步骤三：采用神经网络的模型架构，在长期历史相关数据的基础上，对模型预测值和实际监测值进行循环训练，从而建立多模式空气质量模型；步骤四：将目标区域的最新相关数据输入到多模式空气质量模型中，根据多模式空气质量模型的输出结果对目标区域的臭氧和颗粒物进行预测预警。2.根据权利要求1所述的基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法，其特征在于：在步骤二中，将数据代入CMAQ和CAMx两个第三代空气质量模型的具体实施步骤如下：(a1)制定模型模拟的地理区域，确定网格参数，通过WRF气象研究和预报模型生成气象预测预报数据，通过排放源清单算法获得每小时排放清单数据；(a2)输入气象预测预报数据以及排放清单数据，通过CMAQ、CAMx两个空气质量模型，分别模拟出重点区域每个网格每个时段SO2、NO2、CO、臭氧、PM2.5、温度、湿度、风速、风向和降雨量；(a3)通过非线性最小二乘拟合算法，根据拟合函数，对预测结果进行优化拟合；非线性最小二乘公式为：f(x)≈p
n
(x)＝a0+a1(x
‑
x0)+a2(x
‑
x0)2+...+a
n
(x
‑
x0)
n
；式中f为拟合值，p为预测值；并用最小二乘法计算误差，误差函数为：经过机器学习，以获取合适的f(x)的最终表达式；再使用拟合公式f(x)，分别输出CMAQ，CAMX两个模型的预测拟合值。3.根据权利要求2所述的基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法，其特征在于：在步骤二中，将数据代入颗粒物臭氧神经网络预测模型的具体实施步骤如下：(b1)从平台数据库导出特定地区所有空气质量自动监测站逐小时历史数据；(b2)根据时间先后，生成训练数据列表和验证数据列表；(b3)使用循环神经网络对训练数据进行训练，将若干天作为一个周期，输出结果为一个周期内若干天的臭氧和颗粒物逐小时浓度：(b4)训练结束后，保存此循环神经网络模型；每天凌晨0点后，模型会根据前一天的24小时监测数据，预测未来一个周期内若干天的颗粒物和臭氧逐小时浓度；(b5)进入一个周期后，对神经网络进行再次训练，以获得更好的模型预测精度。4.根据权利要求3所述的基于多模式空气质量模型用于臭氧与颗粒物预测预警的方
法，其特征在于：在步骤(b1)中，对于数据缺失、数值异常等不适于进行模型训练的历史数据，进行数据清洗以及归一化处理；归一化方程为：5.根据权利要求1所述的基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法，其特征在于：在步骤二中，将数据代入卫星遥感气溶胶反演模型预测的具体实施步骤如下：(c1)从NASA网站下载MODIS数据；(c2)通过偏振辐射传输公式反演目标的表现反射率，偏振辐射传输公式为：其中R为表现反射率(apparent reflectance)，F0为地外太阳辐射通量，I为大气层顶端辐射率，μ为卫星所在视角的观测天顶角余弦，μ0为太阳天顶角余弦，为散射辐射传播分析与入射太阳方...

【专利技术属性】
技术研发人员：黄红娟，许鹏，赵婵娟，惠鼎晔，狄鳌，沈乔楠，魏雪莹，余辉，施建喆，杨思远，
申请(专利权)人：江苏蓝创智能科技股份有限公司，
类型：发明
国别省市：