一种大气污染物浓度分析方法、装置及存储介质制造方法及图纸

本发明专利技术涉及一种本发明专利技术实施例提供的一种大气污染物浓度分析方法、装置及存储介质，通过采集的大气污染评价数据训练预设机器学习模型，并利用训练完成的预设机器学习模型分离大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献，运算效率高，且充分考虑了气象参数与大气污染物浓度的非线性关系，也不受污染物源排放清单准确性的影响，准确性高。准确性高。准确性高。

【技术实现步骤摘要】
一种大气污染物浓度分析方法、装置及存储介质


[0001]本专利技术一般地涉及大气环境研究领域。更具体地，本专利技术涉及一种大气污染物浓度分析方法、装置及存储介质。

技术介绍

[0002]在大气环境研究中，为了深入了解污染成因，评估大气污染控制政策的有效性，常需要对大气污染物浓度开展趋势分析。大气污染物浓度除受排放影响外，往往还依赖于气象条件，其中气象条件与大气复合污染的发生发展紧密相关，在某些特定点位和时段气象条件对大气污染物浓度的影响甚至可能远大于排放的影响，对大气污染物浓度的时空变化具有重要贡献。由于气象条件的“干扰”作用，无法直接通过污染物绝对浓度评估排放变化趋势，使大气污染控制政策的评价变得复杂和困难。因此分离气象条件对大气污染物浓度变化的影响，从而深入了解因排放变化而导致的大气污染物浓度的“真实”变化趋势十分必要。
[0003]气象标准化技术是一种通过控制气象对污染物浓度的影响，评估排放导致的大气污染物浓度水平的技术。目前，已有一些针对气象条件对大气污染物浓度影响的评价方法，常见的有基于空气质量模式，利用相同清单和不同年份的气象条件开展模拟，所得模拟浓度差即为由气象条件差异导致的大气污染物浓度变化，进而估算气象条件的影响。但是，该方法较易受到排放清单和模型机理准确性的影响，且运算效率较低。还有一种方式是基于气象指数，根据历史气象资料，在确定主要影响因子的基础上对气象要素开展统计分析，计算各气象要素分指数，加和得到气象综合指数，即气象条件的影响。但气象指数通常与空气质量数据结合相对较少，且针对气象条件与大气污染物浓度的非线性响应关系考虑不足，准确性较低。
[0004]因此，如何解决已有技术在大气污染物浓度趋势分析过程中运算效率低、准确性低的问题，是目前亟待解决的技术问题。

技术实现思路

[0005]为解决上述一个或多个技术问题，本专利技术提出通过机器学习的方式分离大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献。为此，本专利技术在如下的多个方面中提供方案。
[0006]在第一方面中，本专利技术实施例提供一种大气污染物浓度分析方法，包括：获取多个大气污染评价数据，每个所述大气污染评价数据包括：大气污染物浓度参数、气象参数和时间参数，所述时间参数用于表征污染物的排放情况；将部分或全部的所述大气污染评价数据中的每个分别作为一个训练数据输入预设机器学习模型，所述预设机器学习模型为能够进行回归预测的机器学习模型；调整所述预设机器学习模型的最优参数和最大迭代次数，直至所述预设机器学习模型针对每个所述训练数据输出的大气污染物浓度预测值与对应的大气污染物浓度参数之间的差异在预设范围内时，确定完成所述预设机器学习模型的训
练；针对每个所述大气污染评价数据，根据大气污染物浓度参数、气象参数和时间参数，以及完成训练的所述预设机器学习模型确定大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献。
[0007]在本专利技术实施例提供的一种具体实施方式中，针对每个所述大气污染评价数据，根据大气污染物浓度参数、气象参数和时间参数，以及完成训练的所述预设机器学习模型确定大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献，包括：针对每个所述大气污染评价数据，将大气污染物浓度参数、气象参数和时间参数输入完成训练的所述预设机器学习模型；利用SHAP算法跟踪每个所述大气污染评价数据中包括的大气污染物浓度参数、气象参数和时间参数输入完成训练的所述预设机器学习模型时的预测过程，得到大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献。
[0008]在本专利技术实施例提供的一种具体实施方式中，气象参数包括：温度参数、湿度参数、风速参数、降水参数和气压参数，时间参数包括：周期参数和时间序列；利用SHAP算法跟踪每个所述大气污染评价数据中包括的大气污染物浓度参数、气象参数和时间参数输入完成训练的所述预设机器学习模型时的预测过程，得到大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献，包括：利用SHAP算法跟踪每个所述大气污染评价数据中包括的大气污染物浓度参数、气象参数和时间参数输入完成训练的所述预设机器学习模型时的预测过程，分别得到温度参数的气象贡献、湿度参数的气象贡献、风速参数的气象贡献、降水参数的气象贡献和气压参数的气象贡献，以及周期参数的非气象贡献和时间序列的非气象贡献；将得到的温度参数的气象贡献、湿度参数的气象贡献、风速参数的气象贡献、降水参数的气象贡献和气压参数的气象贡献进行求和，得到大气污染物浓度参数中气象参数导致的气象贡献；将得到的周期参数的非气象贡献和时间序列的非气象贡献进行求和，得到大气污染物浓度参数中时间参数导致的非气象贡献。
[0009]在本专利技术实施例提供的一种具体实施方式中，所述周期参数包括：以预设时长为周期的参数，所述周期参数为一个或多个，不同所述周期参数对应的预设时长不同。
[0010]在本专利技术实施例提供的一种具体实施方式中，还包括：针对不同的所述大气污染评价数据，根据温度参数、湿度参数、风速参数、降水参数和气压参数的变化确定温度参数的气象贡献、湿度参数的气象贡献、风速参数的气象贡献、降水参数的气象贡献和气压参数的气象贡献的变化是否符合预设规则，所述预设规则根据物理规律确定；如不符合预设规则，则重新对所述预设机器学习模型进行训练。
[0011]在本专利技术实施例提供的一种具体实施方式中，还包括：将得到的温度参数的气象贡献和湿度参数的气象贡献进行求和，得到大气污染物浓度参数中反应条件导致的气象贡献；将得到的风速参数的气象贡献、降水参数的气象贡献和气压参数的气象贡献进行求和，得到大气污染物浓度参数中扩散条件导致的气象贡献。
[0012]在本专利技术实施例提供的一种具体实施方式中，所述预设机器学习模型为利用R语言中的xgboost工具包搭建的XGBoost模型，利用xgb.cv函数调整所述预设机器学习模型的最优参数和最大迭代次数。
[0013]在本专利技术实施例提供的一种具体实施方式中，针对每个所述大气污染评价数据，根据大气污染物浓度参数、气象参数和时间参数，以及完成训练的所述预设机器学习模型
确定大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献，包括：针对每个所述大气污染评价数据，将大气污染物浓度参数、气象参数和时间参数输入完成训练的所述预设机器学习模型，得到大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献。
[0014]第二方面中，本专利技术实施例还提供一种大气污染物浓度分析装置，包括：获取单元，用于获取多个大气污染评价数据，每个所述大气污染评价数据包括：大气污染物浓度参数、气象参数和时间参数，所述时间参数用于表征污染物的排放情况；输入单元，用于将部分或全部的所述大气污染评价数据中的每个分别作为一个训练数据输入预设机器学习模型，所述预设机器学习模型为能够进行回归预测的机器学习模型；训练单元，用于调整所述预设机器学习模型的最优参数和最大迭代次数，直至所述预设机器学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大气污染物浓度分析方法，其特征在于，包括：获取多个大气污染评价数据，每个所述大气污染评价数据包括：大气污染物浓度参数、气象参数和时间参数，所述时间参数用于表征污染物的排放情况；将部分或全部的所述大气污染评价数据中的每个分别作为一个训练数据输入预设机器学习模型，所述预设机器学习模型为能够进行回归预测的机器学习模型；调整所述预设机器学习模型的最优参数和最大迭代次数，直至所述预设机器学习模型针对每个所述训练数据输出的大气污染物浓度预测值与对应的大气污染物浓度参数之间的差异在预设范围内时，确定完成所述预设机器学习模型的训练；针对每个所述大气污染评价数据，根据大气污染物浓度参数、气象参数和时间参数，以及完成训练的所述预设机器学习模型确定大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献。2.根据权利要求1所述的大气污染物浓度分析方法，其特征在于，针对每个所述大气污染评价数据，根据大气污染物浓度参数、气象参数和时间参数，以及完成训练的所述预设机器学习模型确定大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献，包括：针对每个所述大气污染评价数据，将大气污染物浓度参数、气象参数和时间参数输入完成训练的所述预设机器学习模型；利用SHAP算法跟踪每个所述大气污染评价数据中包括的大气污染物浓度参数、气象参数和时间参数输入完成训练的所述预设机器学习模型时的预测过程，得到大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献。3.根据权利要求2所述的大气污染物浓度分析方法，其特征在于，气象参数包括：温度参数、湿度参数、风速参数、降水参数和气压参数，时间参数包括：周期参数和时间序列；利用SHAP算法跟踪每个所述大气污染评价数据中包括的大气污染物浓度参数、气象参数和时间参数输入完成训练的所述预设机器学习模型时的预测过程，得到大气污染物浓度参数中气象参数导致的气象贡献和时间参数导致的非气象贡献，包括：利用SHAP算法跟踪每个所述大气污染评价数据中包括的大气污染物浓度参数、气象参数和时间参数输入完成训练的所述预设机器学习模型时的预测过程，分别得到温度参数的气象贡献、湿度参数的气象贡献、风速参数的气象贡献、降水参数的气象贡献和气压参数的气象贡献，以及周期参数的非气象贡献和时间序列的非气象贡献；将得到的温度参数的气象贡献、湿度参数的气象贡献、风速参数的气象贡献、降水参数的气象贡献和气压参数的气象贡献进行求和，得到大气污染物浓度参数中气象参数导致的气象贡献；将得到的周期参数的非气象贡献和时间序列的非气象贡献进行求和，得到大气污染物浓度参数中时间参数导致的非气象贡献。4.根据权利要求3所述的大气污染物浓度分析方法，其特征在于，所述周期参数包括：以预设时长为周期的参数，所述周期参数为...

【专利技术属性】
技术研发人员：刘世杰，张馨露，马琳琳，程苗苗，
申请(专利权)人：中国环境科学研究院，
类型：发明
国别省市：