【技术实现步骤摘要】
本专利技术属于环境保护，具体涉及一种于人工智能和大数据的污染源清单反演方法、系统、仿真器、可读存储介质以及计算机程序产品。
技术介绍
1、由于人们对工业高度发达的负面影响预料不够，预防不利，导致了全球性的三大危机：资源短缺、环境污染、生态破坏。环境污染指自然的或人为的破坏，向环境中添加某种物质而超过环境的自净能力而产生危害的行为。(或由于人为的因素，环境受到有害物质的污染，使生物的生长繁殖和人类的正常生活受到有害影响)，由于人为因素使环境的构成或状态发生变化，环境素质下降，从而扰乱和破坏了生态系统和人类的正常生产和生活条件的现象。
2、现有人为排放造成的大气污染种类繁多，以及化学成分较为复杂，而且排口众多，导致排污源头将污染物排出后，其会随着大气扩散至各个地方从而引起大气污染，其中传统方式都是通过人工监测大气污染物来对大气污染程度进行表征，但这样的方式无法难以追溯到源头，导致传统方式的监管难度大，以及污染源头排查工作量较大的问题。
3、现有大气污染预测与溯源的技术主要采用化学传输模型(ctm)：ctm是一种用于模拟和理解大气污染物如何在大气中传播、转化和沉降的重要工具。这些模型结合了气象学、化学和物理学的原理，以提供对大气污染物行为的详细洞察。其原理和方法如下：
4、a)化学反应：ctm模拟大气中的化学物质如何通过化学反应转化。这包括氧化剂、颗粒物和其他污染物之间的相互作用。
5、b)传输过程：模型还考虑了大气动力学，包括风速、风向和湍流等因素，这些因素影响污染物在大气中的运动和分
6、c)排放源：模型输入包括排放源的数据，如工业排放、车辆尾气和自然来源(例如火山和植物排放)。
7、d)气象数据：大气温度、湿度、太阳辐射等气象条件对污染物的化学反应和传输有重要影响，因此也被纳入模型中。
8、e)数值求解：使用复杂的数学算法，通常是通过分时间步和空间网格来求解包含在模型中的方程组。
9、其主要局限性为：
10、a)数据依赖性：ctm的准确性高度依赖于输入数据的质量，包括排放源数据、气象数据和化学反应速率等。
11、b)计算复杂性：这些模型通常非常复杂，需要大量的计算资源和时间来运行，特别是在覆盖大区域或进行长时间模拟时。
12、c)化学反应的不确定性：大气化学非常复杂，许多化学反应的速率和机制仍然存在不确定性。
13、d)尺度限制：ctm通常在一定的空间和时间尺度上运行。在更小的尺度上(如街道级别)，模型的准确性可能会降低。
14、e)环境变化适应性：随着环境条件(如气候变化)的变化，模型可能需要更新以反映新的环境条件。
15、基于此，目前我们需要知道哪些位置的排放导致了大气污染浓度水平。故而需研发设计一种能够基于人工智能和大数据的污染源清单反演方法来实现该目的。
技术实现思路
1、本专利技术旨在解决现有技术中污染源排放清单更新时效性差的问题，从而为政府部门制定相关环保措施提供基础数据支撑。
2、我们需要知道哪些位置的排放导致了大气污染浓度水平。例如，假设我们测量了co2的浓度，测量结果显示c＝300mg/m^3。我们希望有一个模型能预测哪些位置的排放对浓度值300mg/m^3做出了百分之多少的贡献。这些信息可以为排放控制提供宝贵的建议。我们可以利用这些信息来调查污染物浓度升高的可能原因，或通过更好的排放控制措施来预防污染水平的升高。
3、基于此，本专利技术研究并设计了一种以人工智能和大数据为基础的污染源清单反演方法，能够建立污染物浓度和排放之间的联系，即给定污染物浓度来估计排放，给定排放来估计污染物浓度，通过人工智能的算法发现污染物浓度和排放之间的关系，并通过观测到的气象数据和空气质量数据来纠正模型中的误差和消除不确定性。
4、需要说明的，本研究主要从以下几个方面入手并对反演算法进行了完整的设计：
5、首先，进行数据分析与准备。
6、具体为，根据算法需求准备符合条件的排放数据、浓度数据、气象数据和经纬度信息等，排放经过9次减少扰动，对应于使用不同排放生成的9个浓度文件(在每个不同排放模拟中，气象场保持不变)。
7、其次，明确核心算法。
8、更进一步的，通过人工智能算法来根据排放来估计污染物浓度，有以下几种可能的方法：(1)使用机器学习(如随机森林或其他方法)来分析贡献；(2)将问题定义为一个封闭立方体积的有限元分析问题，具有边界约束，其中浓度从一个单元流向相邻单元，并使用机器学习来解决；(3)使用深度学习找到排放和浓度之间的关系。本研究决定使用深度学习作为解决问题的方法，并通过对排放的贡献值排序来分析出排放对特定单元浓度的影响。
9、最后，开展研究结果及分析。
10、为了确认该反演算法的可靠性等效果，本专利技术研究中最后通过评估所选方法的结果，选定目标城市，确定目标城市的经纬度信息，评估是在一个随机选择的时间戳上执行的，以此分析排放物-浓度污染物的关系。
11、因此，本专利技术基于上述的主要研究思路，具体提出了以下几个方面解决问题的方案：
12、较为具体的，本专利技术第一方面提供了一种反演方法，具体是基于人工智能和大数据的污染源清单反演方法，包括：
13、获取气象数据、排放数据以及浓度数据三种数据，并进行预处理；
14、利用3dcnn人工智能算法，获得对任意单元的污染物浓度贡献最大的排放源，并建立污染物浓度与排放量之间的关系模型；
15、通过集成梯度方法分析关系模型以估计输入排放数据对浓度特定单元的影响，获得最终清单反演结果。
16、在一可实施的具体方案中，所述的获取气象数据、排放数据以及浓度数据三种数据，并进行预处理的步骤，包括：
17、解析三种数据文件，使用时间戳信息来准备排放-气象-浓度样本；
18、接着，对三种数据进行标准化处理，均归一化至0-1区间；
19、将三种数据细分为三维数据网格。
20、在上述方案基础上，进一步的，所述的将三种数据细分为三维数据网格的步骤，包括：
21、对于排放数据设置8个层次；对于浓度数据设置8×2＝16个层次：
22、对于每个相邻的层级对，将层级数据通过求和操作合并。
23、在上述方案基础上，进一步的，三种数据细分的三维数据网格分别为：
24、排放数据，样本网格形状为(8，20，20)；
25、浓度数据，样本网格形状为(8，20，20)；
26、气象数据，样本网格形状为(5，20，20)。
27、在一可实施的具体方案中，所述的利用3dcnn人工智能算法，获得对任意单元的污染物浓度贡献最大的排放源，并建立污染物浓度与排放量之间的关系模型的步骤包括：
28、通过二维卷积层处理的气象数据，将维数从5降至1，然后激活本文档来自技高网...
【技术保护点】
1.基于人工智能和大数据的污染源清单反演方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能和大数据的污染源清单反演方法，其特征在于，所述的获取气象数据、排放数据以及浓度数据三种数据，并进行预处理的步骤，包括：
3.根据权利要求2所述的基于人工智能和大数据的污染源清单反演方法，其特征在于，所述的将三种数据细分为三维数据网格的步骤，包括：
4.根据权利要求3所述的基于人工智能和大数据的污染源清单反演方法，其特征在于，三种数据细分的三维数据网格分别为：
5.根据权利要求4所述的基于人工智能和大数据的污染源清单反演方法，其特征在于，所述的利用3DCNN人工智能算法，获得对任意单元的污染物浓度贡献最大的排放源，并建立污染物浓度与排放量之间的关系模型的步骤包括：
6.根据权利要求5所述的基于人工智能和大数据的污染源清单反演方法，其特征在于，还包括通过循环神经网络RNN以排放数据+气象数据的多个时间戳记录序列作为输入来预测排放浓度的步骤。
7.根据权利要求6所述的基于人工智能和大数据的污染源清单反演方法，其特征
8.根据权利要求7所述的基于人工智能和大数据的污染源清单反演方法，其特征在于，所述的归因分数进行归一化，以确保每个特征的最终归因分数的总和等于模型在实际输入和基准输入上的预测之间的差值。
9.一种基于人工智能和大数据的污染源清单反演系统，其特征在于，包括：
10.一种仿真器，包括存储器和处理器，其特征在于，存储器上存储有计算机指令，处理器用于运行存储器上存储的计算机指令，以实现如权利要求1-8中任一项所述的基于人工智能和大数据的污染源清单反演方法的步骤。
...【技术特征摘要】
1.基于人工智能和大数据的污染源清单反演方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能和大数据的污染源清单反演方法，其特征在于，所述的获取气象数据、排放数据以及浓度数据三种数据，并进行预处理的步骤，包括：
3.根据权利要求2所述的基于人工智能和大数据的污染源清单反演方法，其特征在于，所述的将三种数据细分为三维数据网格的步骤，包括：
4.根据权利要求3所述的基于人工智能和大数据的污染源清单反演方法，其特征在于，三种数据细分的三维数据网格分别为：
5.根据权利要求4所述的基于人工智能和大数据的污染源清单反演方法，其特征在于，所述的利用3dcnn人工智能算法，获得对任意单元的污染物浓度贡献最大的排放源，并建立污染物浓度与排放量之间的关系模型的步骤包括：
6.根据权利要求5所述的基于人工智能和大数据的污染源清单反演...
【专利技术属性】
技术研发人员：唐伟，李洋，张众志，杜晓惠，于扬，戴学之，徐峻，刘世杰，程苗苗，汪筠朗，
申请(专利权)人：中国环境科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。