本發(fā)明涉及環(huán)境科學(xué)，尤其涉及一種大氣污染擴(kuò)散的仿真系統(tǒng)。

背景技術(shù)：

1、大氣污染已經(jīng)成為全球性環(huán)境問題之一，對生態(tài)系統(tǒng)和人類健康造成了嚴(yán)重威脅。隨著城市化進(jìn)程的加快和工業(yè)活動(dòng)的增加，諸如pm2.5、so2、nox等大氣污染物的排放顯著增加，其擴(kuò)散和分布特征受到氣象條件、地形因素和污染源特性的多重影響。為了評估大氣污染的影響范圍、濃度分布以及對環(huán)境的潛在危害，仿真技術(shù)成為一種重要的手段。

2、現(xiàn)有技術(shù)中常用的高斯煙羽模型盡管具有計(jì)算效率高的優(yōu)點(diǎn)，但其仿真精度在復(fù)雜地形和動(dòng)態(tài)氣象條件下顯著下降，難以反映湍流、地形特征和非穩(wěn)態(tài)氣象對污染物擴(kuò)散的影響。而cfd模型雖然能夠在復(fù)雜場景中提供高精度仿真，但計(jì)算復(fù)雜度極高，難以滿足實(shí)時(shí)或大范圍擴(kuò)散預(yù)測的需求。此外，傳統(tǒng)模型通常固定使用單一的仿真方法，缺乏動(dòng)態(tài)切換能力，無法平衡計(jì)算效率與仿真精度。

技術(shù)實(shí)現(xiàn)思路

1、為了彌補(bǔ)以上不足，本發(fā)明提供了一種大氣污染擴(kuò)散的仿真系統(tǒng)，旨在改善傳統(tǒng)模型通常固定使用單一的仿真方法，缺乏動(dòng)態(tài)切換能力的問題。

2、第一方面，本發(fā)明提供了如下技術(shù)方案，一種大氣污染擴(kuò)散的仿真系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、動(dòng)態(tài)仿真模型模塊、仿真計(jì)算模塊、可視化模塊和決策支持模塊，

3、所述數(shù)據(jù)采集模塊用于采集包括污染物濃度、氣象參數(shù)和地理信息在內(nèi)的多源數(shù)據(jù)；

4、所述數(shù)據(jù)預(yù)處理模塊用于對采集的數(shù)據(jù)進(jìn)行清洗、融合和優(yōu)化；

5、所述動(dòng)態(tài)仿真模型模塊采用動(dòng)態(tài)混合擴(kuò)散模型，并結(jié)合深度學(xué)習(xí)進(jìn)行模型參數(shù)優(yōu)化；

6、所述仿真計(jì)算模塊基于分布式計(jì)算框架，完成污染物擴(kuò)散的高效模擬；

7、所述可視化模塊用于三維動(dòng)態(tài)展示污染物濃度分布及擴(kuò)散路徑；

8、所述決策支持模塊基于仿真結(jié)果生成污染治理建議和風(fēng)險(xiǎn)預(yù)警信息。

9、較佳的，所述數(shù)據(jù)采集模塊包括：

10、地面采集單元，通過部署在目標(biāo)區(qū)域的固定監(jiān)測站，利用電化學(xué)傳感器采集污染物濃度；

11、移動(dòng)采集單元，搭載于無人機(jī)上的激光光譜傳感器，實(shí)時(shí)采集空氣中微量污染物濃度，結(jié)合gps提供精確的空間位置數(shù)據(jù)；

12、遙感采集單元，基于衛(wèi)星遙感技術(shù)，采用多光譜影像處理算法提取大氣污染物濃度分布信息。

13、較佳的，所述數(shù)據(jù)預(yù)處理模塊包括：

14、數(shù)據(jù)清洗單元，使用基于統(tǒng)計(jì)學(xué)的異常檢測算法剔除傳感器誤差數(shù)據(jù)，同時(shí)通過滑動(dòng)窗口濾波算法平滑時(shí)間序列數(shù)據(jù)；

15、缺失值填補(bǔ)單元，利用基于克里金插值的空間插值方法和lstm深度學(xué)習(xí)模型對時(shí)間序列數(shù)據(jù)進(jìn)行缺失值預(yù)測；

16、數(shù)據(jù)融合單元，采用加權(quán)最小二乘法對多源數(shù)據(jù)進(jìn)行時(shí)空加權(quán)融合，生成高精度的初始濃度場。

17、較佳的，所述動(dòng)態(tài)仿真模型模塊包括：

18、高斯模型單元，基于高斯煙羽模型進(jìn)行大尺度簡單地形條件下的污染擴(kuò)散仿真，具體包括以下步驟：

19、s1、建立高斯模型公式

20、

21、其中：

22、c(x,y,z)為污染物濃度；

23、q為污染源排放速率；

24、u為風(fēng)速，取值范圍為1-20m/s；

25、σy,σz為橫向和垂直擴(kuò)散系數(shù)，根據(jù)大氣穩(wěn)定度類別和距離通過修正公式計(jì)算；

26、y為垂直于風(fēng)向的橫向距離；

27、z為垂直高度；

28、h為污染源排放高度；

29、exp為指數(shù)函數(shù)，表示ex，其中e為自然對數(shù)的底；

30、s2、基于pasquill-gifford穩(wěn)定度類別確定擴(kuò)散系數(shù)σy和σz的計(jì)算公式：

31、其中：

32、x為下風(fēng)距離；

33、ay,az為橫向和垂直擴(kuò)散的初始系數(shù)；

34、by,bz為橫向和垂直擴(kuò)散的指數(shù)參數(shù)；

35、s3、修正因子引入

36、根據(jù)湍流增強(qiáng)效應(yīng)，加入修正因子α和β，修正公式：

37、σ′y＝α·σy，σ′z＝β·σz

38、α和β的取值范圍為1.1-1.5，具體根據(jù)風(fēng)速和溫度變化動(dòng)態(tài)調(diào)整；

39、cfd模型單元，基于計(jì)算流體力學(xué)進(jìn)行復(fù)雜地形和非穩(wěn)態(tài)氣象條件下的污染擴(kuò)散仿真，具體包括以下步驟：

40、s1、控制方程建立

41、質(zhì)量守恒方程：

42、其中：

43、ρ為大氣密度；

44、t為時(shí)間；

45、為質(zhì)量流入或流出的變化率；

46、為流體速度矢量；

47、動(dòng)量方程：

48、p為壓力；

49、μ為動(dòng)力黏性系數(shù)；

50、為重力加速度矢量；

51、污染物輸運(yùn)方程：

52、其中：

53、c為污染物濃度；

54、為流體速度矢量；

55、d為湍流擴(kuò)散系數(shù)，通過湍流黏性系數(shù)計(jì)算，取值范圍為10-3-10-1m2/s

56、s為污染源項(xiàng)，即污染源排放速率；

57、s2、采用-k-∈湍流模型

58、參數(shù)為：

59、湍動(dòng)能k＝1.5·(u′)2，其中u′為湍流強(qiáng)度，取值范圍為0.1-0.3·u；

60、湍流耗散率其中l(wèi)為湍流混合長度，取值為1-10m，cμ為湍流模型常數(shù)，cμ＝0.09；

61、s3、網(wǎng)格劃分

62、使用非結(jié)構(gòu)化三角形網(wǎng)格對復(fù)雜地形進(jìn)行劃分；

63、網(wǎng)格密度在高濃度梯度區(qū)域加密，網(wǎng)格大小范圍為0.1-10m；

64、s4、數(shù)值求解

65、采用有限體積法fvm離散控制方程；

66、使用simple算法求解壓力-速度耦合問題；

67、模型切換單元，設(shè)置地形復(fù)雜度閾值slopemax＝15°和風(fēng)速變化率閾值δu/δt＝2m/s2；

68、當(dāng)輸入數(shù)據(jù)滿足簡單地形和穩(wěn)定氣象條件時(shí)，啟用高斯模型單元；

69、當(dāng)輸入數(shù)據(jù)超出上述閾值時(shí)，自動(dòng)切換至cfd模型單元；

70、參數(shù)優(yōu)化單元，利用深度神經(jīng)網(wǎng)絡(luò)dnn優(yōu)化擴(kuò)散系數(shù)，dnn架構(gòu)包括：

71、輸入層：包括風(fēng)速、風(fēng)向、溫度和湍流強(qiáng)度在內(nèi)的10個(gè)輸入特征；

72、隱藏層：3層，每層包含64個(gè)神經(jīng)元，激活函數(shù)為relu；

73、輸出層：輸出優(yōu)化后的擴(kuò)散系數(shù)σy和σz；

74、訓(xùn)練數(shù)據(jù)量：不少于100,000條污染事件數(shù)據(jù)，使用adam優(yōu)化器，學(xué)習(xí)率為0.001；

75、多污染物協(xié)同擴(kuò)散單元，建立多組分污染物化學(xué)反應(yīng)模型：

76、

77、其中：

78、nox為氮氧化物；

79、voc為揮發(fā)性有機(jī)化合物；

80、o3為臭氧；

81、k為化學(xué)反應(yīng)速率常數(shù)；

82、化學(xué)反應(yīng)速率k根據(jù)實(shí)驗(yàn)數(shù)據(jù)動(dòng)態(tài)調(diào)整；

83、模擬不同污染物的沉降速率范圍：

84、pm2.5(0.01-0.05m/s)，so2(0.02-0.1m/s)。

85、較佳的，所述仿真計(jì)算模塊包括：

86、分布式計(jì)算單元，基于hadoop或spark計(jì)算框架，將仿真任務(wù)劃分為多個(gè)小區(qū)域并行計(jì)算；

87、實(shí)時(shí)計(jì)算單元，結(jié)合gpu加速技術(shù)，通過cuda編程優(yōu)化污染物擴(kuò)散的實(shí)時(shí)模擬能力；

88、自適應(yīng)網(wǎng)格劃分單元，基于污染物濃度梯度變化，采用自適應(yīng)網(wǎng)格細(xì)化算法動(dòng)態(tài)調(diào)整網(wǎng)格密度，集中計(jì)算資源于高濃度變化區(qū)域。

89、較佳的，所述可視化模塊包括：

90、三維動(dòng)態(tài)展示單元，基于webgl和gis技術(shù)開發(fā)的可視化平臺(tái)，實(shí)時(shí)渲染污染物濃度的三維分布；

91、時(shí)間序列動(dòng)畫單元，利用基于d3.js的前端框架動(dòng)態(tài)生成污染物擴(kuò)散過程的時(shí)間序列動(dòng)畫；

92、污染源標(biāo)注單元，基于反向追蹤算法定位污染源，通過地理信息系統(tǒng)gis在地圖上標(biāo)注污染源位置和擴(kuò)散范圍。

93、較佳的，所述決策支持模塊包括：

94、污染治理建議單元，基于多目標(biāo)優(yōu)化算法，分析仿真結(jié)果并生成針對性治理措施建議；

95、風(fēng)險(xiǎn)預(yù)警單元，利用分類算法，對仿真區(qū)域進(jìn)行污染風(fēng)險(xiǎn)等級(jí)劃分，并發(fā)布預(yù)警信息；

96、報(bào)告生成單元，使用自動(dòng)化模板生成技術(shù)，將污染擴(kuò)散路徑、風(fēng)險(xiǎn)評估結(jié)果和治理建議整合為圖文并茂的報(bào)告。

97、第二方面，本發(fā)明提供以下技術(shù)方案，一種大氣污染擴(kuò)散的仿真方法，包括以下步驟：

98、s1.數(shù)據(jù)采集

99、通過多源采集設(shè)備采集大氣污染相關(guān)數(shù)據(jù)，具體包括：

100、s101、通過地面監(jiān)測站的電化學(xué)傳感器采集污染物濃度和氣象參數(shù)；

101、s102、通過無人機(jī)搭載的激光光譜傳感器采集空間位置的污染物濃度；

102、s103、通過衛(wèi)星遙感技術(shù)提取多光譜影像中的區(qū)域污染物濃度分布；

103、s2.數(shù)據(jù)預(yù)處理

104、對采集到的數(shù)據(jù)進(jìn)行處理，具體包括：

105、s201、數(shù)據(jù)清洗，基于滑動(dòng)窗口濾波算法平滑時(shí)間序列數(shù)據(jù)，并剔除異常值；

106、s202、數(shù)據(jù)填補(bǔ)，利用克里金插值法處理空間數(shù)據(jù)的缺失，并采用lstm深度學(xué)習(xí)模型補(bǔ)全時(shí)間序列的缺失數(shù)據(jù)；

107、s203、數(shù)據(jù)融合，通過加權(quán)最小二乘法融合地面、移動(dòng)和遙感數(shù)據(jù)，生成高精度的污染物初始濃度場；

108、s3.動(dòng)態(tài)仿真建模

109、采用動(dòng)態(tài)混合擴(kuò)散模型對污染物擴(kuò)散進(jìn)行仿真，具體包括：

110、s301、根據(jù)地形復(fù)雜度和氣象條件，動(dòng)態(tài)切換高斯煙羽模型和cfd模型；

111、s302、高斯煙羽模型用于簡單地形條件下的快速擴(kuò)散計(jì)算；

112、s303、cfd模型結(jié)合有限體積法和湍流模型對復(fù)雜地形條件下的擴(kuò)散進(jìn)行高精度模擬；

113、s304、引入深度學(xué)習(xí)優(yōu)化模型參數(shù)，包括擴(kuò)散系數(shù)和湍流混合參數(shù)；

114、s305、建立多污染物協(xié)同擴(kuò)散模型，模擬污染物之間的化學(xué)反應(yīng)與協(xié)同擴(kuò)散過程；

115、s4.仿真計(jì)算

116、利用分布式并行計(jì)算框架對擴(kuò)散模型進(jìn)行求解，具體包括：

117、s401、將仿真區(qū)域劃分為多個(gè)子區(qū)域，采用hadoop或spark框架并行計(jì)算；

118、s402、在高濃度梯度區(qū)域應(yīng)用自適應(yīng)網(wǎng)格劃分技術(shù)；

119、s403、借助gpu加速技術(shù)，通過cuda編程優(yōu)化計(jì)算速度，進(jìn)行實(shí)時(shí)污染擴(kuò)散預(yù)測；

120、s5.結(jié)果可視化

121、對仿真結(jié)果進(jìn)行動(dòng)態(tài)可視化展示，具體包括：

122、s501、使用webgl技術(shù)開發(fā)三維可視化平臺(tái)，實(shí)時(shí)展示污染物濃度的空間分布；

123、s502、基于d3.js生成時(shí)間序列動(dòng)畫，動(dòng)態(tài)呈現(xiàn)污染物擴(kuò)散的時(shí)間演化過程；

124、s503、在可視化平臺(tái)中結(jié)合gis標(biāo)注污染源位置及其影響范圍；

125、s6.決策支持

126、基于仿真結(jié)果生成污染治理建議和風(fēng)險(xiǎn)預(yù)警信息，具體包括：

127、s601、利用多目標(biāo)優(yōu)化算法提供針對性治理建議，包括污染源封閉和交通限行措施；

128、s602、使用支持向量機(jī)svm模型對污染風(fēng)險(xiǎn)進(jìn)行分級(jí)，并發(fā)布健康防護(hù)建議；

129、s603、自動(dòng)生成綜合報(bào)告，包含污染物擴(kuò)散路徑圖、治理建議和健康預(yù)警信息。

130、第三方面，該發(fā)明提供以下技術(shù)方案，一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述的大氣污染擴(kuò)散的仿真方法。

131、第四方面，本發(fā)明提供以下技術(shù)方案，一種可讀存儲(chǔ)介質(zhì)，所述可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的大氣污染擴(kuò)散的仿真方法。

132、本發(fā)明具有如下有益效果：

133、1、本發(fā)明中，通過引入動(dòng)態(tài)混合擴(kuò)散模型，實(shí)現(xiàn)了高斯煙羽模型和cfd模型的智能切換，能夠適應(yīng)從簡單地形到復(fù)雜地形的多種場景。同時(shí)，利用深度學(xué)習(xí)技術(shù)優(yōu)化擴(kuò)散系數(shù)和湍流混合參數(shù)，使模型在動(dòng)態(tài)氣象條件和突發(fā)事件下具有高精度和高適應(yīng)性，顯著優(yōu)于傳統(tǒng)單一模型的局限性。

134、2、本發(fā)明中，系統(tǒng)采用分布式計(jì)算架構(gòu)和gpu加速技術(shù)，通過任務(wù)分解與并行處理大幅提升計(jì)算效率。結(jié)合自適應(yīng)網(wǎng)格劃分技術(shù)，在高濃度變化區(qū)域加密計(jì)算網(wǎng)格，實(shí)現(xiàn)精細(xì)化仿真，同時(shí)減少低濃度區(qū)域的計(jì)算負(fù)擔(dān)。該方法兼顧仿真速度與精度，滿足實(shí)時(shí)預(yù)測和大規(guī)模區(qū)域仿真的需求。

135、3、本發(fā)明中，通過多污染物協(xié)同擴(kuò)散模型，系統(tǒng)可以動(dòng)態(tài)模擬多種污染物之間的交互作用(如化學(xué)反應(yīng)和沉降)，如nox和voc生成臭氧的反應(yīng)過程。這一能力使得系統(tǒng)在復(fù)雜污染場景下能夠提供更具真實(shí)性的仿真結(jié)果，為多源復(fù)合污染治理提供科學(xué)依據(jù)。

136、4、本發(fā)明中，系統(tǒng)采用gis和webgl技術(shù)開發(fā)三維動(dòng)態(tài)可視化平臺(tái)，能夠直觀展示污染物濃度分布、擴(kuò)散路徑和時(shí)間演變過程。用戶可以通過交互界面調(diào)整仿真參數(shù)并實(shí)時(shí)查看更新結(jié)果。該功能不僅提升了仿真結(jié)果的可理解性，還為環(huán)境管理部門提供了清晰的決策參考。