本發明屬于氮氧化物排放量預測,尤其涉及一種多源氮氧化物排放量預測方法及系統。
背景技術:
1、本部分的陳述僅僅是提供了與本發明相關的背景技術信息,不必然構成在先技術。
2、氮氧化物(nox)是對流層大氣中重要的前體污染物,不僅會對人體呼吸系統產生直接損害,還會引發溫室效應、酸雨、光化學煙霧和霧霾等災害性氣候,以及通過光化學反應產生多種二次污染物,威脅自然生態和公眾健康;隨著經濟的發展、全球化和人口的增長,化石燃料的大量燃燒和汽車尾氣的排放導致nox為代表的大氣污染物的排放量不斷增加,大氣污染愈發嚴重;高時空分辨率的大氣污染排放清單是開展空氣質量評估、制定減排政策的基礎,因此,通過技術手段構建高精度多污染源排放清單,為大氣污染預警、溯源、管控等提供手段支撐刻不容緩。
3、傳統nox排放的估算方法,有利用統計數據、經濟模型和排放因子等的自下而上的排放估算方法,有基于大氣化學傳輸模型以及在其基礎上發展出的數據同化的自上而下的排放估算方法,盡管具備一定程度上的優勢,但依然存在諸多問題,包括耗費時間、空間連續性不足、觀測限制以及數據更新滯后等問題;此外,這些傳統方法還無法有效判別排放來源,從而限制了后續對污染源分布及排放強度的深入分析。
4、隨著深度學習的蓬勃發展發展,研究者嘗試利用化學再分析數據將深度學習算法引入到遙感柱濃度數據與污染物排放的關系研究中,顯著提升了模型的計算效率和精度,盡管如此,現有的深度學習算法在nox排放估算中仍然面臨問題與不足:這些算法依賴于實測數據來約束nox排放,但由于實測數據的覆蓋范圍有限,且主要集中在城市地區,這導致了代表性不足、空間異質性以及難以區分排放源的問題,顯著降低了nox排放估算的準確性;因此,這種數據局限性使得現有方法難以滿足對大區域、高分辨率nox排放時空分布及污染來源分析的需求。
技術實現思路
1、為克服上述現有技術的不足,本發明提供了一種多源氮氧化物排放量預測方法及系統,基于遙感柱濃度數據、濃度再分析數據和氣象再分析數據組成的多源數據,進行不同排放源的氮氧化物排放量的高效、準確預測。
2、為實現上述目的,本發明的一個或多個實施例提供了如下技術方案:
3、本發明第一方面提供了一種多源氮氧化物排放量預測方法。
4、一種多源氮氧化物排放量預測方法,包括:
5、獲取待預測地區的多源數據,包括遙感柱濃度數據、濃度再分析數據和氣象再分析數據;
6、通過空間分辨率上的統一和匹配,對多源數據進行預處理;
7、將預處理后的多源數據輸入到訓練后的多源預測模型中,預測不同排放源的氮氧化物排放量;
8、其中,所述不同排放源包括氮氧化物總排放、氮氧化物人為排放、氮氧化物生物質燃燒排放、氮氧化物閃電排放以及氮氧化物土壤排放。
9、進一步的,所述遙感柱濃度數據包括氮氧化物柱濃度數據;
10、所述濃度再分析數據包括氮氧化物地表濃度數據;
11、所述氣象再分析數據包括10m風速、2m露點溫度、2m溫度、平均海平面壓力、地面氣壓、總降水量、邊界層高度。
12、進一步的,所述空間分辨率上的統一和匹配,具體為:
13、將空間分辨率不同的多個來源的數據通過重采樣、插值方式統一處理為預設空間分辨率的數據,然后在空間位置上匹配對應。
14、進一步的,所述多源預測模型,基于mamba模型構建,包含一個輸入層、七個隱藏層和一個輸出層。
15、進一步的,所述隱藏層由多個mambablock組成,用于學習和提取特征之間的重要信息;
16、所述輸出層由一層全連接層組成,具有五個輸出單元,分別對應不同排放源的氮氧化物排放。
17、進一步的,所述多源預測模型,基于構建的模型訓練數據集,采用均方誤差損失函數進行訓練,通過決定系數進行訓練效果的評估。
18、進一步的,所述模型訓練數據集的構建方法為:
19、獲取化學再分析數據和氣象再分析數據,其中,所述化學再分析數據包括二氧化氮三維濃度數據、不同排放源的氮氧化物排放量;
20、基于化學再分析數據,計算遙感柱濃度數據、濃度再分析數據;
21、以遙感柱濃度數據、濃度再分析數據和氣象再分析數據為多源數據,依次進行預處理;
22、以預處理后的多源數據為模型的輸入,以不同排放源的氮氧化物排放量為標簽,對模型進行訓練。
23、本發明第二方面提供了一種多源氮氧化物排放量預測系統。
24、一種多源氮氧化物排放量預測系統,包括:
25、數據獲取模塊,被配置為:獲取待預測地區的多源數據,包括遙感柱濃度數據、濃度再分析數據和氣象再分析數據;
26、預處理模塊,被配置為:通過空間分辨率上的統一和匹配,對多源數據進行預處理;
27、多源預測模塊,被配置為:將預處理后的多源數據輸入到訓練后的多源預測模型中,預測不同排放源的氮氧化物排放量;
28、其中,所述不同排放源包括氮氧化物總排放、氮氧化物人為排放、氮氧化物生物質燃燒排放、氮氧化物閃電排放以及氮氧化物土壤排放。
29、本發明第三方面提供了計算機可讀存儲介質,其上存儲有程序,該程序被處理器執行時實現如本發明第一方面所述的一種多源氮氧化物排放量預測方法中的步驟。
30、本發明第四方面提供了電子設備,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的程序,所述處理器執行所述程序時實現如本發明第一方面所述的一種多源氮氧化物排放量預測方法中的步驟。
31、以上一個或多個技術方案存在以下有益效果:
32、本發明基于待預測地區的遙感柱濃度數據、濃度再分析數據和氣象再分析數據,通過深度學習的方法,學習不同排放源nox與no2濃度的非線性關系,從而高效、準確地預測氮氧化物總排放、氮氧化物人為排放、氮氧化物生物質燃燒排放、氮氧化物閃電排放以及氮氧化物土壤排放。
33、本發明充分利用覆蓋全面的化學再分析數據、氣象再分析數據,訓練多源預測模型,實現空間連續、高準確率的不同排放源的氮氧化物排放量預測,精確區分并輸出大范圍區域內多種nox源排放數據,彌補了有限的數據覆蓋造成的空間異質性問題,為高空間分辨率的空氣質量預測、模擬、評估以及多種排放源的精準管理提供基礎數據,支撐大氣污染的科學減排與精確治理。
34、本發明附加方面的優點將在下面的描述中部分給出,部分將從下面的描述中變得明顯,或通過本發明的實踐了解到。
1.一種多源氮氧化物排放量預測方法,其特征在于,包括:
2.如權利要求1所述的一種多源氮氧化物排放量預測方法,其特征在于,所述遙感柱濃度數據包括氮氧化物柱濃度數據;
3.如權利要求1所述的一種多源氮氧化物排放量預測方法,其特征在于,所述空間分辨率上的統一和匹配,具體為:
4.如權利要求1所述的一種多源氮氧化物排放量預測方法,其特征在于,所述多源預測模型,基于mamba模型構建,包含一個輸入層、七個隱藏層和一個輸出層。
5.如權利要求4所述的一種多源氮氧化物排放量預測方法,其特征在于,所述隱藏層由多個mambablock組成,用于學習和提取特征之間的重要信息;
6.如權利要求1所述的一種多源氮氧化物排放量預測方法,其特征在于,所述多源預測模型,基于構建的模型訓練數據集,采用均方誤差損失函數進行訓練,通過決定系數進行訓練效果的評估。
7.如權利要求6所述的一種多源氮氧化物排放量預測方法,其特征在于,所述模型訓練數據集的構建方法為:
8.一種多源氮氧化物排放量預測系統,其特征在于,包括:
9.一種電子設備,其特征是,包括:
10.一種存儲介質,其特征是,非暫時性地存儲計算機可讀指令,其中,當所述計算機可讀指令由計算機執行時,執行權利要求1-7任一項所述的方法。