一种融合多源气象资料的大气污染人工智能监测预警方法与流程

本发明涉及大气污染监测，具体涉及一种融合多源气象资料的大气污染人工智能监测预警方法。

背景技术：

1、大气污染天气的发生是自然和人为因素共同作用的结果，气象条件作为影响大气环境的重要因素之一，制约着大气污染物的稀释、扩散、输送和转化过程，进而影响着大气污染物的分布及污染物浓度。城市空气质量的好坏与气象条件的关系十分密切，要进一步提升大气污染精准防治能力，首先要具备大气污染气象条件精细化监测预警能力。

2、传统的气象条件分析主要依靠天气预报人员的主观分析和判断，多依赖人为经验，随着各种天气观测手段的增加，观测精细化程度的提升，各种分钟级三维立体观测资料形成了海量数据集，单纯依托主观分析，资料利用率低，结论准确性差，服务效果不佳。为此，提出一种融合多源气象资料的大气污染人工智能监测预警方法。

技术实现思路

1、本发明所要解决的技术问题在于：如何解决现有技术中存在的单纯依托主观分析，资料利用率低，结论准确性差，服务效果不佳等问题，提供了一种融合多源气象资料的大气污染人工智能监测预警方法。

2、本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

3、s1：初选模型因子

4、根据预报员经验和大气污染监测指标，基于边界层温湿风、污染物浓度、环境气象参数以及温湿风再造变量，初步选择出与pm2.5和o3污染发生的模型因子；

5、s2：获取模型因子

6、从气象和环境实况数据、气象和环境预报结果中获取模型因子，作为训练样本；

7、s3：筛选模型因子

8、使用随机森林算法的gini指数评分对训练样本进行特征重要性评估，筛选出模型因子；

9、s4：模型建立及训练

10、根据筛选出的模型因子，建立训练数据集，使用lstm网络建立大气污染监测预警模型，大气污染监测预警模型包括pm2.5监测预警模型、o3监测预警模型；

11、s5：模型效果检验

12、使用检验数据集对pm2.5监测预警模型、o3监测预警模型的预报效果分别进行检验；

13、s6：监测预警

14、对于达到预期预报效果的pm2.5监测预警模型、o3监测预警模型，通过接入业务应用的各类数据，实现pm2.5、o3污染监测预警。

15、更进一步地，在所述步骤s2中，气象实况数据包括从地面气象观测站获取的温度、湿度、风速、水平风uv分量、气压、24小时变压、降水，从风廓线雷达获取的不同高度水平风uv分量、水平风向、水平风速、垂直速度，从微波辐射计获取的不同高度温度、湿度、位温、变温、逆温；环境实况数据包括近地面pm2.5、o3、no2小时浓度、日均浓度；气象预报结果来自气象数值模式；环境预报结果来自空气质量数值模式。

16、更进一步地，在所述步骤s2中，气象预报结果每天更新2次，环境预报结果每天更新1次，环境实况数据每小时更新1次，气象实况数据更新频次为分钟级，其中，气象观测站更新间隔为5min，风廓线雷达更新间隔为6min，微波辐射计更新间隔为2min。

17、更进一步地，在所述步骤s2中，模型因子包括近地面温度、湿度、风速、风uv分量、气压、24h变压、降水，低云量，总云量；1000hpa、925hpa、850hpa、700hpa等压面上的水平风uv分量、水平风向、水平风速、垂直速度、温度、湿度、位温、变温；由物理参数计算得到的混合层高度、辐合系数、逆温、位温差、通风量u分量、通风量v分量；近地面pm2.5、o3、no2小时浓度和多年平均浓度；体现时间特征的日期因子。

18、更进一步地，在所述步骤s3中，基于python语言中的sklearn集成学习库，利用sklearn进行初步学习训练，训练过程中计算每个特征的得分，并对结果进行标准化，以使所有特征的重要性总和等于1，得到不同特征量重要性指标，按照重要性指标从大到小排序，投票循环判定，最终筛选出模型因子，其中，特征即获取的模型因子。

19、更进一步地，在所述步骤s3中，筛选出的pm2.5监测预警模型的模型因子具体如下：

20、总云量、海平面气压、24h变压、气温、24h变温、逆温、湿度、降水、混合层高度，10米风u分量、10米风v分量；925hpa u、v风、风向、垂直速度；上一时刻pm2.5小时浓度、日期因子；

21、筛选出的o3监测预警模型的模型因子具体如下：

22、2米温度、10米风v分量、10米风u分量、混合层高度、2米相对湿度、总云量、降水、多年平均o3逐小时浓度、no2小时浓度、多年平均no2逐小时浓度、日期因子。

23、更进一步地，在所述步骤s4中，使用woa算法对在模型训练时进行调优，以确认lstm里面的参数，使模型性能最优，其中，参数包括隐藏单元数目、训练周期、学习率、l2正则化参数。

24、更进一步地，在所述步骤s6中，预报结果以图形化方式展示；通过设置监测阈值实现监测预警提示。

25、本发明相比现有技术具有以下优点：该融合多源气象资料的大气污染人工智能监测预警方法，通过筛选对大气污染影响敏感的模型因子，结合空气质量数值模式预报结果，融入分钟级三维立体多源观测资料，通过建立大气污染监测预警模型，实现自动提醒服务，为大气污染防治决策提供客观依据；相比于数值模式，计算效率高，反演速度快，准确率明显提升；分钟级观测资料实时滚动同化进模型，能极大地提高监测结果的精细化和客观化程度。

技术特征：

1.一种融合多源气象资料的大气污染人工智能监测预警方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种融合多源气象资料的大气污染人工智能监测预警方法，其特征在于，在所述步骤s2中，气象实况数据包括从地面气象观测站获取的温度、湿度、风速、水平风uv分量、气压、24小时变压、降水，从风廓线雷达获取的不同高度水平风uv分量、水平风向、水平风速、垂直速度，从微波辐射计获取的不同高度温度、湿度、位温、变温、逆温；环境实况数据包括近地面pm2.5、o3、no2小时浓度、日均浓度；气象预报结果来自气象数值模式；环境预报结果来自空气质量数值模式。

3.根据权利要求2所述的一种融合多源气象资料的大气污染人工智能监测预警方法，其特征在于，在所述步骤s2中，气象预报结果每天更新2次，环境预报结果每天更新1次，环境实况数据每小时更新1次，气象实况数据更新频次为分钟级，其中，气象观测站更新间隔为5min，风廓线雷达更新间隔为6min，微波辐射计更新间隔为2min。

4.根据权利要求2所述的一种融合多源气象资料的大气污染人工智能监测预警方法，其特征在于，在所述步骤s2中，模型因子包括近地面温度、湿度、风速、风uv分量、气压、24h变压、降水，低云量，总云量；1000hpa、925hpa、850hpa、700hpa等压面上的水平风uv分量、水平风向、水平风速、垂直速度、温度、湿度、位温、变温；由物理参数计算得到的混合层高度、辐合系数、逆温、位温差、通风量u分量、通风量v分量；近地面pm2.5、o3、no2小时浓度和多年平均浓度；以及体现时间特征的日期因子。

5.根据权利要求4所述的一种融合多源气象资料的大气污染人工智能监测预警方法，其特征在于，在所述步骤s3中，基于python语言中的sklearn集成学习库，利用sklearn进行初步学习训练，训练过程中计算每个特征的得分，并对结果进行标准化，以使所有特征的重要性总和等于1，得到不同特征量重要性指标，按照重要性指标从大到小排序，投票循环判定，最终筛选出模型因子，其中，特征即获取的模型因子。

6.根据权利要求5所述的一种融合多源气象资料的大气污染人工智能监测预警方法，其特征在于，在所述步骤s3中，筛选出的pm2.5监测预警模型的模型因子具体如下：

7.根据权利要求6所述的一种融合多源气象资料的大气污染人工智能监测预警方法，其特征在于，在所述步骤s4中，使用woa算法对在模型训练时进行调优，以确认lstm里面的参数，使模型性能最优，其中，参数包括隐藏单元数目、训练周期、学习率、l2正则化参数。

8.根据权利要求1所述的一种融合多源气象资料的大气污染人工智能监测预警方法，其特征在于，在所述步骤s6中，预报结果以图形化方式展示；通过设置监测阈值实现监测预警提示。

技术总结本发明公开了一种融合多源气象资料的大气污染人工智能监测预警方法，属于大气污染监测技术领域，包括初选模型因子、获取模型因子、筛选模型因子、模型建立及训练、模型效果检验、监测预警。本发明通过筛选对大气污染影响敏感的模型因子，结合空气质量数值模式预报结果，融入分钟级三维立体多源观测资料，通过建立大气污染监测预警模型，实现自动提醒服务，为大气污染防治决策提供客观依据；相比于数值模式，计算效率高，反演速度快，准确率明显提升；分钟级观测资料实时滚动同化进模型，能极大地提高监测结果的精细化和客观化程度。技术研发人员：赵娜,孟宪罗,张智,赵玉广,焦亚音,杨雨灵受保护的技术使用者：河北省气象灾害防御和环境气象中心（河北省预警信息发布中心）技术研发日：技术公布日：2024/7/4