【技术实现步骤摘要】
本专利技术涉及大气颗粒污染物预测分析，特别涉及大气细颗粒物的化学组分、污染来源对氧化潜势贡献的分析方法。
技术介绍
1、活性氧（ros）引起的氧化应激反应是大气细颗粒物pm2.5对人体健康产生危害的重要潜在机制。当吸入的pm2.5产生的活性氧，例如超氧自由基（o2·-）、氢氧自由基（ho·）过氧羟基自由基（ho2·）和过氧化氢（h2o2）等的增加程度超过人体抗氧化能力时，就会引发人体的氧化应激，进而导致或加剧呼吸系统和心血管系统炎症。氧化潜势（op）表示大气细颗粒物直接或者间接消耗细胞中抗氧化剂，或者产生氧化物质的能力；是生物系统中氧化应激的关键表达，被认为是评估pm2.5暴露风险的指标。
2、不同污染来源和化学组成特征的大气细颗粒物可能产生不同的人体健康效应，其中潜在的毒理学机制和病理效应尚不完全清楚。例如，尽管si、ca等地壳元素在pm2.5质量浓度中占比较大，但是其毒性低。不同大气细颗粒物化学组分、产生来源和氧化潜势之间具有明显的错综复杂和非线性关系，一些关键化学组分之间或者来源之间可能存在协同效应。深入挖掘和了解隐藏在不同物种之间和污染源之间的相互作用关系，可以更有针对性进行大气污染管控，更有效地降低大气细颗粒物健康风险。因此，有必要建立一种准确有效的评估方法，识别并量化影响大气细颗粒物氧化潜势的关键有毒组分和来源，以便全面评估大气细颗粒物对人体健康的风险。
技术实现思路
1、本专利技术提供了一种大气细颗粒物的化学组分、污染源对氧化潜势贡献的分析方法，该方法能够
2、一种大气细颗粒物的化学组分、污染源对氧化潜势贡献的分析方法，包括以下步骤：
3、获取大气细颗粒物样品中的大气细颗粒物浓度、化学组分浓度和氧化潜势；
4、以所述大气细颗粒物浓度和所述化学组分浓度的浓度构建第一数据集，并结合区域污染排放信息，用所述受体模型进行计算；根据所述受体模型的解析结果确定各污染源，解析各污染源对所述大气细颗粒物样品的贡献值，得到源贡献结果；
5、利用随机森林算法分别搭建第一机器学习模型和第二机器学习模型；以所述化学组分浓度作为自变量，所述大气细颗粒物的氧化潜势作为因变量，构建第二数据集；以所述源贡献结果为自变量，所述大气细颗粒物的氧化潜势作为因变量，构建第三数据集；
6、利用所述第二数据集对所述第一机器学习模型进行训练和验证，调整和优化所述第一机器学习模型的内部参数；利用所述第三数据集对所述第二机器学习模型进行训练和验证，调整和优化所述第二机器学习模型的内部参数；
7、根据所述第一机器学习模型结果，计算所述化学组分对应的shap值的平均绝对值（shap值的平均绝对值用来识别并量化各个所述化学组分对大气细颗粒物的氧化潜势的影响效应），识别并量化单个化学组分浓度对氧化潜势的影响；采用结构挖掘方法计算得到所述化学组分浓度对应的条件最小深度值（即cmd值）；根据所述条件最小深度值分析确认至少两种化学组分浓度的组合对大气细颗粒物氧化潜势的交互影响；
8、根据所述第二机器学习模型结果，计算所述源贡献结果对应的shap值的平均绝对值，识别并量化单个污染源对氧化潜势的影响；采用结构挖掘方法计算源贡献结果对应的条件最小深度值，分析确认至少两种污染源的组合对大气细颗粒物氧化潜势的交互影响。
9、本专利技术的上述分析方法中，利用受体模型解析大气污染物来源时，可以不依赖污染源和气象场信息，仅仅通过大气细颗粒物pm2.5中的化学组分浓度定量解析出各类污染源的贡献。本专利技术基于数据驱动的机器学习算法通过学习数据的复杂模式和关系，实现更灵活的非线性拟合，高效准确的挖掘因素之间非线性关系。本专利技术将随机森林（rf）、模型解释（shap）和结构挖掘分析（sma）相结合的分析方法，可以专门分析各个特征与因变量之间的相应关系。本专利技术将化学分析-模型模拟-数据驱动相结合，为大气细颗粒物的健康风险评估提供了新的思路和方向。
10、本领域技术人员应当知晓的是，大气细颗粒物（pm2.5）样品的大气细颗粒物浓度，可以采用本领域常规的测定方法获得。
11、在本专利技术的一些实施案例中，测定大气细颗粒物浓度的方法具体为可以选择为：
12、依据《环境空气颗粒物（pm2.5）手工监测方法（重量法）技术规范》通过在监测点布设pm2.5采样仪器采集环境空气中细颗粒物样品，通过重量法得到pm2.5浓度。
13、
14、上述公式（8）中，为pm2.5浓度（μg/m3），为采样后滤膜的质量（μg），为采样前滤膜的质量（μg），为标准状态下采样体积（m3）。
15、进一步地，化学组分包括水溶性离子组分、元素组分和碳组分。
16、更进一步地，所述水溶性离子组分包括f-、cl-、no3-、so42-、nh4+、na+、k+、ca2+、mg2+。
17、更进一步地，所述元素组分包括锂、铍、铝、钒、铬、锰、铁、钴、镍、铜、锌、砷、铷、锶、镉、锡、锑、铯、钡、铊、铅和铀。
18、更进一步地，所述碳组分包括有机碳和元素碳，所述有机碳包括水溶性有机碳。进一步地，所述区域污染排放信息，主要用于了解某一特定区域的大气细颗粒物排放和污染源的历史数据，以及现场实地考察总结获得的数据。因此，区域污染排放信息包括但不限于区域的经济建设信息、能源结构信息、工业布局信息和污染物排放信息，以及实地调研信息。
19、本领域技术人员应当知晓的是，可以采用本领域常用的仪器和检测方法测定大气细颗粒物样品的上述化学组分浓度。
20、进一步地，所述受体模型为正定矩阵因子分解模型（pmf）、化学质量平衡模型（cmb）或主因子分解模型（pca）。
21、进一步地，所述第一机器学习模型和第二机器学习模型均采用以下方法构建获得：采用均方根误差rmse和平均绝对误差mae作为误差指标，以分别计算所述第一机器学习模型和第二机器学习模型的预测值与真实值的差距，验证所述第一机器学习模型和第二机器学习模型预测结果的精准程度。
22、进一步地，采用十折交叉验证法将所述第二数据集分为第一训练集和第一测试集；采用十折交叉验证法将所述第三数据集分为第二训练集和第二测试集。
23、本领域技术人员应当至少的是，大气细颗粒物的氧化潜势除了可以采用dtt（二硫苏糖醇）检测法计算获得以外，还可以采用aa（抗坏血酸）检测法、gsh（谷胱甘肽）检测法或epr（电子顺磁共振波谱）检测法等细胞外检测氧化潜势的分析方法计算获得。
24、在本专利技术的一些实施案例中，可以采用以二硫苏糖醇（dtt）为强还原剂的方法测定细颗粒物中氧化潜势，其实验原理具体为：当向大气颗粒水溶液中加入dtt溶液后，本文档来自技高网...
【技术保护点】
1.一种大气细颗粒物的化学组分、污染源对氧化潜势贡献的分析方法，其特征在于，包括以下步骤：获取大气细颗粒物样品中的大气细颗粒物浓度、化学组分浓度和氧化潜势；
2.根据权利要求1所述的分析方法，其特征在于，化学组分包括水溶性离子组分、元素组分和碳组分；所述水溶性离子组分包括F-、Cl-、NO3-、SO42-、NH4+、Na+、K+、Ca2+、Mg2+，所述元素组分包括锂、铍、铝、钒、铬、锰、铁、钴、镍、铜、锌、砷、铷、锶、镉、锡、锑、铯、钡、铊、铅和铀，所述碳组分包括有机碳和元素碳，所述有机碳包括水溶性有机碳。
3.根据权利要求1所述的分析方法，其特征在于，所述区域污染排放信息包括区域的经济建设信息、能源结构信息、工业布局信息和污染物排放信息，以及实地调研信息。
4.根据权利要求1所述的分析方法，其特征在于，所述受体模型为正定矩阵因子分解模型、化学质量平衡模型或主因子分解模型。
5.根据权利要求1所述的分析方法，其特征在于，所述第一机器学习模型和第二机器学习模型均采用以下方法构建获得：采用均方根误差RMSE和平均绝对误差MAE作为误差
6.根据权利要求1所述的分析方法，其特征在于，采用十折交叉验证法将所述第二数据集分为第一训练集和第一测试集；采用十折交叉验证法将所述第三数据集分为第二训练集和第二测试集。
7.根据权利要求1所述的分析方法，其特征在于，采用DTT检测法、AA检测法、GSH检测法、EPR检测法中的任意一种测定所述样品中的大气细颗粒物的氧化潜势。
...【技术特征摘要】
1.一种大气细颗粒物的化学组分、污染源对氧化潜势贡献的分析方法，其特征在于，包括以下步骤：获取大气细颗粒物样品中的大气细颗粒物浓度、化学组分浓度和氧化潜势；
2.根据权利要求1所述的分析方法，其特征在于，化学组分包括水溶性离子组分、元素组分和碳组分；所述水溶性离子组分包括f-、cl-、no3-、so42-、nh4+、na+、k+、ca2+、mg2+，所述元素组分包括锂、铍、铝、钒、铬、锰、铁、钴、镍、铜、锌、砷、铷、锶、镉、锡、锑、铯、钡、铊、铅和铀，所述碳组分包括有机碳和元素碳，所述有机碳包括水溶性有机碳。
3.根据权利要求1所述的分析方法，其特征在于，所述区域污染排放信息包括区域的经济建设信息、能源结构信息、工业布局信息和污染物排放信息，以及实地调研信息。
4.根据权利要求1所述的分析方法，其特...
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。