一种城市大气污染物与二氧化碳协同控制关系评估方法

本发明涉及大气治理，特别是一种城市大气污染物与二氧化碳协同控制关系评估方法。

背景技术：

1、随着气候变化的加剧，决策者亟需获取碳排放源、减排潜力和减排措施等信息以制定缓解碳排放压力的减排政策。而大气污染物与二氧化碳具有同根同源的特性。因此，城市地区是实施大气污染物与二氧化碳协同减排措施的关键区域，是减缓气候变化和维持人类可持续发展的核心地带。然而，中国城市碳排放清单建设尚未得到充分研究。如何在城市地区科学有效地制定具有针对性的协同减排措施成为现阶段实现双碳战略目标面临的巨大挑战。影响大气污染物和二氧化碳排放的因素错综复杂，包括能源消费、经济发展、人口规模等。

2、中国专利申请号cn202210414087.1公开了基于观测数据的多种大气污染物-温室气体协同溯源方法，包括以下步骤：(1)协同溯源技术的在线数据预处理；(2)协同溯源技术的污染物比值的设定；(3)协同溯源技术参数的建立：计算pm2.5、气态污染物、co2的加权系数；(4)多种大气污染物-温室气体协同溯源技术的构建：提出协同溯源计算公式，识别so2-nox-vocs及pm2.5-co2的共同源类，量化共同源影响。本发明提供的基于观测数据的多种大气污染物-温室气体协同溯源方法能直接识别并量化pm2.5、气态污染物和co2的协同源影响。

3、中国专利申请号cn202210735179.x公开了一种工业园区大气污染物协同减排评估方法，包括：s1.数据预处理，对气象历史数据、大气污染物浓度历史数据和排放历史数据进行异常值处理和缺失值填补；s2.构建轻量级梯度提升机(lightgbm)和粒子群算法组合模型，模拟模型由轻量级梯度提升机(lightgbm)和粒子群算法(pso)组成；s3.设计排放源扰动示踪方案；针对代表性的污染时段,基于lightgbm-pso模型,对排放源设置不同扰动比例,设计多组对比实验,通过未来1hpm2.5浓度残差作为评价指标衡量减排效果,探索工业园区主要大气污染排放物之间的相互影响关系；s4.定义工业园区经济效应影响指数(eii)辅助分析在减排效果相同的情况下对经济发展产生的影响大小，得到基于环境改善目标和经济成本最优的减排比例，以制定合理管控策略。

4、但是上述方案都没有利用经济、工业、交通、能源和农业等指标数据来挖掘大气污染物与二氧化碳排放之间的关系；若能利用经济、工业、交通、能源和农业等指标数据来挖掘大气污染物与二氧化碳排放之间的关系将对协同减排和实现双碳目标具有重要意义。

技术实现思路

1、为了解决上述技术问题，本发明提供了一种城市大气污染物与二氧化碳协同控制关系评估方法。

2、为达到上述目的，本发明是按照以下技术方案实施的：

3、一种城市大气污染物与二氧化碳协同控制关系评估方法，包括以下步骤：

4、步骤1：获取目标城市历年大气污染物年均排放浓度和历年二氧化碳排放量，其中大气污染物包括nox、so2、pm2.5、pm10、o3和co；并确定影响大气污染物和二氧化碳排放的影响因素，影响因素包括目标城市的电力消耗、民用车保有量、人口数量、工业生产规模、能源消耗、农药和化肥使用量等；

5、步骤2：将各影响因素分别与大气污染物排放浓度进行相关性分析，并分别计算其pearson相关系数，确定nox排放浓度与影响因素中的目标城市的人口数量、民用车保有量、能源消耗、地区生产总值、社会用电量、工业单位数量、金属冶炼行业规模、石油化工产业规模、电力和热力生产规模、化肥农药使用量存在显著的相关性，并将目标城市的人口数量、民用车保有量、能源消耗、地区生产总值、社会用电量、工业单位数量、金属冶炼行业规模、石油化工产业规模、电力和热力生产规模、化肥农药使用量作为代表性指标，并对代表性指标数据进行离散化处理；

6、步骤3：根据pearson相关性分析结果，获取代表性指标与大气污染物排放浓度和二氧化碳排放量的pearson相关系数矩阵；

7、步骤4：通过greedy thick thinning算法构建城市大气污染物与二氧化碳协同控制关系评估的贝叶斯网络模型，并结合pearson相关系数矩阵将代表性指标输入为城市大气污染物与二氧化碳协同控制关系评估的贝叶斯网络模型的网络节点，网络节点包括叶节点、中间节点和根节点；并应用genie软件的expectation maximum算法对城市大气污染物与二氧化碳协同控制关系评估的贝叶斯网络模型采取均匀分布参数训练，获取贝叶斯网络节点的条件概率表，条件概率表用于披露网络节点所处的高、中、低状态与其父节点所处高、中、低状态之间的概率关系；

8、步骤5：基于所建立的城市大气污染物与二氧化碳协同控制关系评估的贝叶斯网络模型，通过其正向推理功能计算目标节点的发生概率；

9、步骤6：根据大气污染物与二氧化碳水平状态的变化情况分析大气污染物与二氧化碳的协同关系，其中协同关系包括同增、同减、一增一减，其中同增和同减被认为具备协同关系；并建立协同控制坐标系。

10、进一步地，所述步骤s1中，二氧化碳排放量计算公式如下：

11、

12、式中，e为碳排放总量，i为部门数量，ex，ux，ncvx，cx分别为化石燃料x的碳排放、消费量、净热值、含碳量，o为氧化率。

13、进一步地，所述步骤s2中，pearson相关系数为r，r的取值范围介于-1与1之间，pearson相关系数r的计算公式如下：

14、

15、式中：r为pearson相关系数，n为数据样本数量，x和y分别为两个变量活动水平，和为两个变量数据样本的平均值。

16、进一步地，所述步骤s2中，对代表性指标数据进行离散化处理采用的离散化处理方法是先使用等宽法对参数范围进行初步离散，获得三个区间宽度相等的离散区间等级，分别命名为高h、中m、低l。当然，本实施例中还可以结合领域背景知识和专家意见对区间范围进行调整。

17、进一步地，所述步骤s5中，正向推理功能计算目标节点的发生概率的计算公式如下：

18、

19、式(3)中，s为网络结构中变量xi的集合；π(xi)为变量xi的父节点集合，i＝1,2,3,…,n。

20、进一步地，所述步骤s6中，大气污染物与二氧化碳的协同关系的判别公式如下：

21、

22、

23、式中，co2′为变量xi状态发生变化后目标节点“co2排放量”的状态概率，co2为目标节点“co2排放量”的原始概率；式(5)中，nox′为变量xi状态发生变化后目标节点“nox排放浓度”的状态概率，nox为目标节点“nox排放浓度”的原始概率。

24、与现有技术相比，本发明首先获取目标城市历年大气污染物年均排放浓度和历年二氧化碳排放量，并确定影响大气污染物和二氧化碳排放的影响因素；将各影响因素分别与大气污染物排放浓度进行相关性分析，并分别计算其pearson相关系数，以确定代表性指标，并对代表性指标数据进行离散化处理；根据pearson相关性分析结果，获取代表性指标与大气污染物排放浓度和二氧化碳排放量的pearson相关系数矩阵；通过greedy thickthinning算法构建城市大气污染物与二氧化碳协同控制关系评估的贝叶斯网络模型，并结合pearson相关系数矩阵将代表性指标输入为城市大气污染物与二氧化碳协同控制关系评估的贝叶斯网络模型的网络节点；基于所建立的城市大气污染物与二氧化碳协同控制关系评估的贝叶斯网络模型，通过其正向推理功能计算目标节点的发生概率；根据大气污染物与二氧化碳水平状态的变化情况分析大气污染物与二氧化碳的协同关系，并建立协同控制坐标系；进而确定具备协同控制潜力的关键节点并采取协同控制措施；利用本发明的方法能够从经济、工业、交通、能源和农业等角度，通过建立网络模型挖掘大气污染物与二氧化碳的协同关系，充分发挥了机器学习算法的泛化能力；本发明可为城市的大气污染物与二氧化碳协同控制潜力评估提供新方法和新途径，为采取协同减排措施提供科学依据和理论支持。