本發(fā)明涉及空氣質量監(jiān)測，具體涉及一種多模型融合的污染物排放分布的快速修正方法及系統。

背景技術：

1、大氣污染物排放清單是衡量一個地區(qū)污染源活躍度的重要依據，也是制定環(huán)境政策和實施空氣污染治理措施的關鍵工具。

2、基于排放系數和活躍水平來核算各類大氣污染物的排放量，是當前計算排放清單的主流技術。但，由于本地化排放系數數據有限，我國排放清單編制主要借鑒美國的排放系數數據庫。然而，由于城市化進程、燃料性質、生產工藝等等的差異，借鑒國外參數導致排放清單的不確定性很大。同時，在計算中，多采用平均排放系數來進行排放清單計算，導致誤差進一步擴大。最終，形成的排放清單，不僅僅是時間嚴重滯后的，而且是靜態(tài)、長時間尺度、粗空間粒度的。導致在實際使用中，存在較大誤差。

3、目前排放清單的修正方法主要包括經驗模型法、數值模擬法、反演法、統計模型法和機器學習法。經驗模型簡單但缺乏動態(tài)適應性，數值模擬方法精度高但計算復雜，反演法依賴觀測數據且分辨率有限，統計模型雖然快速但線性假設限制其適用性，而機器學習方法在處理復雜非線性關系上表現優(yōu)異，但常規(guī)機器學習方法依賴大數據且缺乏解釋性。各方法在實際應用中各有局限，通常需要結合多種方法以提高修正精度和效率。

技術實現思路

1、本發(fā)明的目的在于提供一種多模型融合的污染物排放分布的快速修正方法及系統，通過多模型融合，聯合圖神經網絡（sa-gnn）與傳輸數值模型和機器學習模型（lightgbm）相結合的方法對基礎靜態(tài)清單進行快速修正，提高準確率，減少使用誤差。能夠顯著提高污染物分布場的模擬精度，確保排放清單的修正更加精確。

2、為實現上述目的，本技術采用以下方案：

3、一方面，本發(fā)明提供一種多模型融合的污染物排放分布的快速修正方法，具體包括以下步驟：

4、s1、利用wrf模型模擬待修正區(qū)域內的氣象，得到wrf模擬結果，利用lightgbm模型對wrf模擬結果進行訂正，得到wrf場，對wrf場進行格式轉換得到氣象場；

5、s2、基于meic清單，利用smoke模型處理待修正區(qū)域內一次污染物對應的排放清單，得到smoke場，對smoke場進行格式轉換，得到排放場；

6、s3、基于wrf場和smoke場，利用cmaq模擬污染場分布，得到cmaq模擬場；

7、s4、根據待修正的一次污染物監(jiān)測站數據，利用lightgbm模型對cmaq模擬場進行訂正，得到訂正場，并記錄此時lightgbm模型的參數情況，另存為lightgbm修正模型；

8、s5、將氣象場和排放場輸入sa-gnn模型，得到該一次污染物對應的模擬場，并利用lightgbm修正模型對一次污染物的模擬場進行修正，得到預報場；

9、s6、比較訂正場和預報場的差異場是否小于設定閾值，若否則計算差異場與訂正場中一次污染物的濃度值的比值，通過該比值修正排放場，得到新的排放場，重復步驟s5，根據氣象場和新的排放場更新sa-gnn模型，得到更新后的預報場；

10、s7、比較訂正場和更新后的預報場的差異，并重復步驟s6直至差值小于設定閾值。

11、在一些具體實施方式中，步驟s5的具體過程為：

12、s51、將待修正區(qū)域網格化，構建sa-gnn模型的圖神經網絡，將待修正區(qū)域內的各個網格點作為圖的節(jié)點；

13、s52、將輸入氣象場和排放場作為各節(jié)點的特征向量；

14、s53、根據各節(jié)點的向量，通過圖神經網絡捕捉排放場、氣象場和一次污染物分布的非線性時空關系，得到該一次污染物對應的模擬場。

15、在一些具體實施方式中，圖神經網絡的圖結構的構建過程為：

16、將待修正區(qū)域內的各個網格點定義為圖的節(jié)點；

17、為各節(jié)點之間構建邊，邊的權重根據節(jié)點間的氣象條件確定；

18、基于構建的圖結構，生成空間關系矩陣，該矩陣表示節(jié)點之間的相互關系和影響。

19、在一些具體實施方式中，步驟s53的具體過程為：

20、s531、通過圖神經網絡捕捉一次污染物在空間上的分布關系；

21、s532、sa-gnn模型構建若干個圖卷積層對節(jié)點特征向量進行聚合和更新，提取節(jié)點間的時空依賴關系；

22、s533、根據一次污染物在空間上的分布關系以及節(jié)點間的時空依賴關系，通過全連接層對該一次污染物的濃度進行模擬，得到該一次污染物對應的模擬場。

23、在一些具體實施方式中，sa-gnn模型在圖卷積層操作中引入自注意力機制，所述自注意力機制根據每個節(jié)點的特征向量權重自動分配鄰近節(jié)點的影響力。

24、在一些具體實施方式中，步驟s6中求取新的排放場的過程為：

25、將訂正場和預報場的比值分配到待修正區(qū)域的各網格上，求出每個網格的系數；每個網格均通過系數*排放場，得到新的排放場。

26、在一些具體實施方式中，步驟s1的具體過程為：

27、s11、通過全球或區(qū)域再分析數據獲取待修正區(qū)域的初始和邊界條件，通過wrf前處理系統根據初始和邊界條件進行格式轉換和區(qū)域重采樣，生成適合修正區(qū)域的氣象輸入數據；

28、s12、通過配置wrf模擬所需的各個影響參數進行氣象場的模擬，得到wrf模擬結果；

29、s13、將wrf模擬結果與實測氣象數據進行對比，得到誤差，利用lightgbm對wrf模擬結果的誤差進行訂正，得到wrf場；

30、s14、利用python將wrf場中各氣象場變量提取出來，形成可輸入sa-gnn的氣象數據集，將該氣象數據集作為氣象場。

31、在一些具體實施方式中，步驟s2的具體過程為：

32、s21、獲取待修正區(qū)域內一次污染物對應的meic排放清單，按照smoke要求將排放清單的數據格式化，生成符合smoke模型輸入要求的排放源文件；

33、s22、將排放源文件輸入到smoke模型中，利用smoke模型的排放處理模塊進行排放源的點源、面源處理，并生成適合cmaq輸入的網格化排放數據文件，將網格化排放數據文件作為smoke場，同時利用python對網格化排放數據文件進行格式處理，得到排放場。

34、在一些具體實施方式中，步驟s3的步驟為：

35、s31、配置cmaq模擬所需的各個影響參數進行污染場的模擬；

36、s32、將wrf場和smoke場輸入到cmaq中，模擬污染場在待修正區(qū)域的分布，得到cmaq模擬場。

37、第二方面，本技術提供一種多模型融合的污染物排放分布的快速修正系統，包括：

38、氣象場模擬模塊，利用wrf模型模擬待修正區(qū)域內的氣象，得到wrf模擬結果，利用lightgbm模型對wrf模擬結果進行訂正，得到wrf場和氣象場；

39、排放場模擬模塊，利用smoke模型處理待修正區(qū)域內一次污染物對應的排放清單，得到排放場和smoke場；

40、污染場模擬模塊，基于wrf場和smoke場，利用cmaq模擬污染場分布，得到cmaq模擬場；

41、訂正模塊，用于根據一次污染物監(jiān)測站數據，利用lightgbm模型對cmaq模擬場結果進行訂正，得到訂正場，并記錄此時lightgbm模型的參數情況，另存為lightgbm修正模型；

42、預報場模擬模塊，用于將氣象場和排放場輸入sa-gnn模型，得到該一次污染物對應的模擬場，并利用lightgbm修正模型對一次污染物的模擬場進行修正，得到預報場；

43、排放場修正模塊，用于比較訂正場和預報場的差異是否小于設定閾值，若否則計算差異與訂正場中一次污染物的濃度值的比值，通過該比值修正排放場，得到新的排放場，將氣象場和新的排放場重新輸入到預報場模擬模塊中的sa-gnn模型中，并利用lightgbm修正模型修正，得到更新后的預報場，再次比較訂正場和更新后的預報場的差值，若還是大于則持續(xù)對預報場進行更新直至差值小于設定閾值。

44、本發(fā)明的發(fā)明構思為：

45、現有的對排放清單的修正方法主要包括經驗模型法、數值模擬法、反演法、統計模型法和機器學習法。但是經驗模型簡單但缺乏動態(tài)適應性，數值模擬方法精度高但計算復雜，反演法依賴觀測數據且分辨率有限，統計模型雖然快速但線性假設限制其適用性，而機器學習方法在處理復雜非線性關系上表現優(yōu)異，但常規(guī)機器學習方法依賴大數據且缺乏解釋性。

46、因此，本技術通過圖神經網絡（sa-gnn）與傳輸數值模型和機器學習模型（lightgbm）相結合的方法對基礎靜態(tài)清單進行快速修正。一方面，為降低數值模型的誤差，針對wrf模擬結果和cmaq模擬結果，分別采用lightgbm模型進行預先訂正，此時得到的氣象結果場和一次污染物分布模擬場可以認為是準確的，但整個系統的執(zhí)行時間會很長，同時無法針對靜態(tài)清單進行修正。

47、因此為了實現對排放清單的快速修正，本發(fā)明基于對偶學習思想，現基于wrf-smoke-cmaq，模擬空間污染物分布，認為cmaq模擬場是關系正確的結果，同時在wrf和cmaq模擬結果中，均加入lightgbm進行數據訂正，盡可能減少模擬數值誤差，但該步驟無法反向修改排放場數據；據此，將wrf-smoke轉化的氣象場和排放場，輸入sa-gnn，可快速實現污染物的分布場模擬，同時對該分布場進行l(wèi)ightgbm訂正，之后對比sa-gnn訂正場和cmaq模擬場的差異，對排放場進行修正。這樣只對sa-gnn模擬進行更新，不用再重新進行wrf、smoke和cmaq模擬，可以實現對排放清單的快速修正。

48、本發(fā)明具有的有益效果：

49、1、可以自適應學習復雜時空關系

50、利用sa-gnn模型在處理復雜的時空關系時的天然優(yōu)勢，通過圖神經網絡捕捉排放源、氣象條件和污染物分布響應之間的非線性時空關系，能夠很好的反映真實的污染物分布場，提高模擬的精度和適應性。

51、2、可以實現快速迭代優(yōu)化，快速對排放清單進行修正

52、通過構建差異場，對排放場進行快速修正，只對sa-gnn模擬進行更新，不用重復進行wrf、smoke和cmaq模擬，可以實現對排放清單的快速修正，高效完成迭代優(yōu)化。相比傳統的數值模擬方法需要在每次迭代中對排放場進行精細調整，只對sa-gnn模擬進行更新加速了修正過程，使得排放清單的修正更加快速。

53、3、能夠動態(tài)調整和高分辨率處理

54、本技術能夠根據不同時間、空間的污染物擴散特點，對排放場進行網格級別的動態(tài)調整，實現高分辨率的排放清單修正。相比靜態(tài)排放清單計算方法，這種動態(tài)修正方式可以更好地應對復雜、變化的環(huán)境條件。

55、4、可以減少人為假設和經驗參數依賴

56、傳統排放清單修正方法通常依賴大量經驗參數和假設，而基于sa-gnn的修正方法通過數據驅動模型學習污染物傳輸和擴散的規(guī)律，減少了對人為假設和參數設置的依賴，提高了結果的科學性和準確性。

57、5、靈活擴展性和魯棒性

58、本技術能夠自適應處理不同類型的氣象場和排放場數據，具有很好的擴展性。無論是應用于不同地區(qū)，還是不同的污染物種類，該方法都能根據輸入數據靈活調整，具有較強的泛化能力和魯棒性。