、16时、20时、24时、4时的气象数据作为AERMOD模型中AERMET气象数据 预处理模块的输入。
[0102] 2.获得AERMET模块的输出文件；边界层参数数据文件和廓线数据文件。
[0103] 3.把上述的边界层参数数据和廓线数据文件，结合污染源0的实际参数、AERMAP 地形数据预处理模块的输出文件作为AERMOD模块的输入文件，经过核屯、模块的计算，获得 AERMAP中各个格点的污染扩散的浓度。
[0104] 4.对上述获得的各个格点的浓度数据进行合理的插值计算，绘制S条关注的浓度 (如二氧化硫）的等值线1，2, 3(Ci< C 2< C 3)。
[01化]5.计算上述S条浓度等值线中最外层等值线（Cl)上距离最远的两点之间的距离 1，Wal(0 <a< 0. 5)为边长，作包含该等值线的正方形，面积为S=al相1。
[0106] 6.对AERMET输出的边界层数据和廓线数据X进行PCA主成分分析，选取前m个主 成分（表达信息量（即累计贡献率）大于85%)Z，也就是作为本专利方法的直接作用输入 训练参数，面积S作为因变量。
[0107]Zi=狂i-y1)/S。，yi为Zi的均值，5U为Zi的标准差，则第i个主成分为；
[010引 Xi=eX，其中e;为第i个特征向量；
[0109] 第i个主成分的贡献率为；
[0110]
[0111] 7.鉴于多元多项式能描述较为复杂的非线性问题，本专利选取用多远多项式，借 助于机器学习中多项式回归的思想，通过处理后的特征因子X训练出能描述该问题的多元 多项式的模型，形如：
[01 1 引f(X。X2,X3. . .X。）= 0 片10+P1又20+. . . + 0。-1又。0+ 0nXi。-1又2. . .Xn+- ? ?
[0113] 8.用大量的训练数据对上述模型进行训练，利用梯度下降法通过使代价函数最小 确定模型中变量前的系数，确定模型。
[0114] 指柄：
[0115] 均方误差和：
其中Si为预测值，Sd为真实值。
[0119] 9.再通过测试数据对上述模型进行测试，进行多次试验，依据指标选取合适模型， 剔除噪声点，再重复上述的训练过程，W验证模型的可用性。
[0120] 综上所述，本发明与大气扩散模型AERMO相结合，提出了优化选取进行网格划分 的评测区域的方法，减少了不必要的网格点的计算消耗，提高了预测效率；本发明提出的 方法具有可预测性，可根据事故发生前的真实气象数据进行合理的预测，降低了了W往 AERMOD模型选取评测区域的盲目性；发明提出的方法具有较好的适用性，在实际污染扩散 事故当中对应急救援能起到很好的实际场景中参考作用，降低事故中人力物力的浪费。所 W，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0121] 上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟 悉此技术的人±皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因 此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完 成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
【主权项】
1. 一种提高大气污染模型预测效率的方法，应用于通过大气污染模型评测污染区域的 过程中，其特征在于，所述方法包括： 对原始气象数据进行预处理获取边界层参数数据和廓线数据，根据所述边界层参数数 据、所述廓线数据、污染源参数以及地形数据获取大气污染模型内各个预测网格点的污染 浓度值，根据所述污染浓度值获取关注污染物浓度的等值线并根据所述等值线获取污染影 响面积； 利用所述边界层参数数据、所述廓线数据以及所述污染影响面积建立具有预测作用的 多项式预测模型； 以存在大气污染时的实时气象数据为输入，根据所述多项式预测模型获取预测污染面 积，将所述预测污染面积和污染源的位置信息导入到大气污染模型中作为选取所述大气污 染模型中评测污染区域的依据。2. 根据权利要求1所述的提高大气污染模型预测效率的方法，其特征在于，通过对所 述各个预测网格点的污染浓度值进行插值运算获取所述关注污染物浓度的等值线。3. 根据权利要求2所述的提高大气污染模型预测效率的方法，其特征在于，所述获取 污染影响面积具体为：获取所述等值线中最远两点之间的距离，以所述距离为边长构建涵 盖所述等值线在内的正方形，获取所述正方形的面积并以所述正方形的面积作为所述污染 影响面积。4. 根据权利要求1、2或3所述的提高大气污染模型预测效率的方法，其特征在于，所述 等值线至少为两条。5. 根据权利要求1所述的提高大气污染模型预测效率的方法，其特征在于，利用所述 边界层参数数据、所述廓线数据以及所述污染影响面积建立具有预测作用的多项式预测模 型具体为： 以所述边界层参数数据和所述廓线数据为训练数据，以所述污染影响面积为因变量数 据，经过对所述训练数据的多次训练获得多项式模型，再根据均方误差和拟合优度对所述 多项式模型进行优化获得所述具有预测作用的多项式预测模型。6. 根据权利要求5所述的提高大气污染模型预测效率的方法，其特征在于，所述具有 预测作用的多项式预测模型为： f (X1, X2, X3. · · Xm) - β 〇Xj + β jX2 +. . . + β n-lXn ^ nXl X2· · · Xm 其中，Xl，X2, X3. . . \分别为边界层参数数据和廓线数据的主分量参数构成的多项式预 测模型的训练输入数据；P1... 0"分别为多项式预测模型中训练输入数据的系 数；η为模型训练输入参数的个数;m为组合项参数的个数。7. 根据权利要求6所述的提高大气污染模型预测效率的方法，其特征在于，根据均方 误差和拟合优度对所述多项式模型进行优化具体为：获取模型预测面积的均方误差的和以 及拟合优度之后，利用梯度下降法获取代价函数在最小值时多项式预测模型中系数的值。8. 根据权利要求7所述的提高大气污染模型预测效率的方法，其特征在于， 所述模型预测面积的均方误差的和》其中，SiS模型对面积的 预测值，Sh为包含等值线的正方形的真实值，η为样本数，i为样本中的第i个样本； 所述拟合优度为「，其中，r2为所建模型对问题拟合的拟合 优度，Si为模型对面积的预测值，S为模型预测面积的平均值，X i为边界层参数数据和廓线 数据的主分量参数构成的多项式预测模型的训练输入数据J为Xi的平均值； 所述代价函数为：、其中，h...为多项式预测 模型中训练输入数据的系数，r2为所建模型对问题拟合的拟合优度，S ω为第i个样本的面 积真实值，f(X(i))为第i个样本的模型对面积的预测值； 梯度下降法采用的公式，_其中，α为学习率，为多项 式预测模型训练输入数据的系数系数，β C1, P1...为多项式预测模型中训练输入数据的系 数。
【专利摘要】本发明提供一种提高大气污染模型预测效率的方法，所述方法包括：对原始气象数据进行预处理获取边界层参数数据和廓线数据并获取大气污染模型内各个预测网格点的污染浓度值，根据污染浓度值获取关注污染物浓度的等值线并根据等值线获取污染影响面积；利用边界层参数数据、廓线数据以及污染影响面积建立具有预测作用的多项式预测模型；以存在大气污染时的实时气象数据为输入，根据多项式预测模型获取预测污染面积，将预测污染面积和污染源的位置信息导入到大气污染模型的AERMAP模块中作为选取大气污染模型中评测污染区域的依据。本发明减少了AERMOD模型中不必要的网格点的计算消耗，提高了预测效率。
【IPC分类】G06F17/50
【公开号】CN104881546
【申请号】CN201510291999
【发明人】杨庭清, 徐俊, 魏建明
【申请人】中国科学院上海高等研究院
【公开日】2015年9月2日
【申请日】2015年6月1日