【技术实现步骤摘要】
大气污染源溯源方法、装置、电子设备及存储介质
[0001]本申请涉及环境监测领域，尤其涉及一种大气污染源溯源方法、装置、电子设备及存储介质。
技术介绍
[0002]随着现代工业化经济社会的发展，大气污染问题日趋严重，污染物的大量排放对大气环境造成了不同程度的污染，生态环境遭受到了严重破环。科学合理的监测空气质量，对大气污染物进行溯源是人类亟待解决的问题。目前对于大气污染物溯源大多采用人工排查的方式，这种方式费时费力且准确性差。
技术实现思路
[0003]本申请的主要目的在于提供一种大气污染源溯源方法、装置、电子设备及存储介质，利用环境监测信息及反馈信息等综合生成污染源图谱，实现信息协同下的污染精准溯源。
[0004]为实现上述目的，本申请实施例第一方面提供一种大气污染源溯源方法，包括：
[0005]将监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数；
[0006]筛选出在待分析时间段内待分析区域对应网格下记录到的i类所述污染源数据和所述污染源浓度数据；
[0007]以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类所述污染源的规模；
[0008]根据i类所述污染源的规模，绘制分类污染源图谱。
[0009]在本公开一实施例中，i类所述污染源包括裸地扬尘源污染源、生活面源污染源、交通源污染源和工业源污染源。>[0010]在本公开一实施例中，所述以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到各类所述污染源的规模包括：
[0011]将所述待分析区域对应网格的i类所述污染源数据组成矩阵X，所述待分析区域对应网格的污染源浓度数据组成矩阵Y；
[0012]以所述矩阵X为自变量，所述矩阵Y为因变量，通过全要素机器学习模型拟合污染源浓度预测模型f(X)，使得由所述污染源浓度预测模型f(X)求得的污染源浓度数据的预测值与实际值Y的差值的绝对值的平均值MAE最小；
[0013]利用所述污染源浓度预测模型f(X)，得到第m类污染源的污染源浓度数据缺省值
[0014]基于第m类污染源的污染源浓度数据缺省值得到第m类污染源的规模；
[0015]其中，
[0016]其中，所述矩阵X中的第xji个元素表示第j个网格上第i类污染源数据，所述矩阵Y中的第yj个元素表示第j个网格上的污染源浓度数据，第个元素表示第j个网格上的第m类污染源的污染源浓度数据缺省值，0＜m＜i，m、i和j均为正整数。
[0017]在本公开一实施例中，所述基于第m类污染源的污染源浓度数据缺省值得到第m类污染源的规模包括：
[0018]利用第m类污染源的污染源浓度数据缺省值和第m类污染源的值x
m
，得到第m类污染源的权重α
m
；
[0019]统计所述待分析区域内每个网格中各类所述污染源，得到每个网格中各类污染源的规模矩阵Q；
[0020]其中，所述矩阵Q中的第qji个元素表示第j个网格上第i类污染源的污染源规模。
[0021]在本公开一实施例中，所述根据i类所述污染源的规模，绘制分类污染源图谱包括：
[0022]根据所述第m类污染源的权重α
m
和第n个网格上第m类污染源的污染源规模q
nm
，得到第n个网格第m类污染源强度打分S
nm
，S
nm
＝α
m
·
q
nm
，0＜n＜j；
[0023]基于所述第n个网格第m类污染源强度，得到第n个网格的综合污染源强度打分S
n
，
[0024]将第n个网格的综合污染源强度打分S
n
归一化到0～1区间绘制综合污染源图谱和/或将第n个网格第m类污染源强度S
nm
归一化到0～1区间绘制分项污染源图谱。
[0025]在本公开一实施例中，所述利用第m类污染源污染源浓度数据缺省值和第m类污染源的值x
m
，得到第m类污染源的权重α
m
包括：
[0026][0027]其中，表示第n个网格上的第m类污染源的污染源浓度数据缺省值，表示第n个网格上的污染源浓度数据缺省值，x
nm
表示第n个网格上的第m类污染源的值。
[0028]本申请实施例第二方面提供一种大气污染源溯源装置，包括：
[0029]网格化模块，用于将监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数。
[0030]筛选模块，用于筛选出在待分析时间段内待分析区域对应网格下记录到的i类所述污染源数据和所述污染源浓度数据。
[0031]预测模块，用于以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类所述污染源的规模。
[0032]绘制模块，用于根据i类所述污染源的规模，绘制分类污染源图谱。
[0033]在本公开一实施例中，i类所述污染源包括裸地扬尘源污染源、生活面源污染源、交通源污染源和工业源污染源。
[0034]在本公开一实施例中，所述预测模块具体用于：
[0035]将所述待分析区域对应网格的i类所述污染源数据组成矩阵X，所述待分析区域对应网格的污染源浓度数据组成矩阵Y；
[0036]以所述矩阵X为自变量，所述矩阵Y为因变量，通过全要素机器学习模型拟合污染源浓度预测模型f(X)，使得由所述污染源浓度预测模型f(X)求得的污染源浓度数据的预测值与实际值Y的差值的绝对值的平均值MAE最小；
[0037]利用所述污染源浓度预测模型f(X)，得到第m类污染源的污染源浓度数据缺省值
[0038]基于第m类污染源的污染源浓度数据缺省值得到第m类污染源的规模；
[0039]其中，
[0040]其中，所述矩阵X中的第x
ji
个元素表示第j个网格上第i类污染源数据，所述矩阵Y中的第y
j
个元素表示第j个网格上的污染源浓度数据，第个元素表示第j个网格上的第m类污染源的污染源浓度数据缺省值，0＜m＜i，m、i和j均为正整数。
[0041]在本公开一实施例中，所述基于第m类污染源的污染源浓度数据缺省值得到第m类污染源的规模包括：
[0042]利用第m类污染源的污染源浓度数据缺省值和第m类污染源的值x
m
，得到第m类污染源的权重α
m
；
[0043]统计所述待分析区域内每个网格中各类所述污染源，得到每个网格中各类污染源的规模矩本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种大气污染源溯源方法，其特征在于，包括：将监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数；筛选出在待分析时间段内待分析区域对应网格下记录到的i类所述污染源数据和所述污染源浓度数据；以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类所述污染源的规模；根据i类所述污染源的规模，绘制分类污染源图谱。2.根据权利要求1所述的大气污染源溯源方法，其特征在于，i类所述污染源包括裸地扬尘源污染源、生活面源污染源、交通源污染源和工业源污染源。3.根据权利要求1所述的大气污染源溯源方法，其特征在于，所述以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到各类所述污染源的规模包括：将所述待分析区域对应网格的i类所述污染源数据组成矩阵X，所述待分析区域对应网格的污染源浓度数据组成矩阵Y；以所述矩阵X为自变量，所述矩阵Y为因变量，通过全要素机器学习模型拟合污染源浓度预测模型f(X)，使得由所述污染源浓度预测模型f(X)求得的污染源浓度数据的预测值与实际值Y的差值的绝对值的平均值MAE最小；利用所述污染源浓度预测模型f(X)，得到第m类污染源的污染源浓度数据缺省值基于第m类污染源的污染源浓度数据缺省值得到第m类污染源的规模；其中，其中，所述矩阵X中的第x
ji
个元素表示第j个网格上第i类污染源数据，所述矩阵Y中的第y
j
个元素表示第j个网格上的污染源浓度数据，第个元素表示第j个网格上的第m类污染源的污染源浓度数据缺省值，0＜m＜i，m、i和j均为正整数。4.根据权利要求3所述的大气污染源溯源方法，其特征在于，所述基于第m类污染源的污染源浓度数据缺省值得到第m类污染源的规模包括：利用第m类污染源的污染源浓度数据缺省值和第m类污染源的值x
m
，得到第m类污染源的权重α
m
；统计所述待分析区域内每个网格中各类所述污染源，得到每个网格中各类污染源的规
模矩阵Q；其中，所述矩阵Q中的第q
ji
个元素表示第j个网格上第i类污染源的污染源规模。5.根据权利要求3所述的大气污染源溯源方法，其特征在于，...
【专利技术属性】
技术研发人员：刘保献，郝吉明，王书肖，王莉华，孙峰，安欣欣，
申请(专利权)人：北京市生态环境监测中心，
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。