[发明专利]高分辨率城市移动源污染时空预测方法、系统及存储介质

说明书

本发明的一种高分辨率城市移动源污染时空预测方法、系统及存储介质，包括对历史移动源污染监测数据和外部环境因素数据按指定空间分辨率处理成低分辨率移动源污染、外部环境因素观测序列，以及高分辨率移动源污染观测序列；对上述进行标准化处理；将标准化后的低分辨率历史移动源污染数据按指定时间间隔长度进行切分与当前时刻外部环境因素数据、高分辨率移动源污染数据组合构建历史移动源污染数据样本集；构建高分辨率城市移动源污染时空预测模型，训练模型，利用训练好的预测模型对未来时段的高分辨率移动源污染时空分布进行预测。本发明可以有效处理不同空间尺度下排放清单的空间结构约束，实现在稀疏监测下的高精度排放清单时空分布预测。

技术领域

本发明涉及环境监测技术领域，具体涉及一种高分辨率城市移动源污染时空预测方法、系统及存储介质。

背景技术

随着中国城市化进程和社会经济的快速发展，我国机动车保有量快速增长，已连续十一年成为世界机动车产销第一大国。2019年，全国机动车保有量达到3.48亿辆，比2018年增长6.4％，同时机动车排放所导致的空气污染问题也日益严峻。《中国移动源环境管理年报(2020)》显示全国机动车四项污染物排放总量初步核算为1603.8万吨，其中汽油车是污染物排放总量的主要贡献者，其排放的一氧化碳(CO)、碳氢化合物(THC)、氮氧化合物(NOx)和颗粒物(PM)等四项主要污染物均超过90％。移动源污染已成为我国大中城市空气污染的重要来源，是造成细颗粒物、光化学烟雾污染的重要原因。

对于移动源排放清单时空特性分析其目标是利用实际移动源污染排放历史检测数据来研究移动源污染排放时空分布特性，当前研究主要集中在单一路段移动源排放清单预测和基于城市区域排放清单预测。在单一路段移动源排放清单预测主要采用循环神经网络模型，可以较好学习单一路段排放序列的时序依赖性，但是无法处理城市局部区域排放时空序列的时空相关性。在城市区域排放清单预测方面主要采用时空网络模型，但是该方法仅考虑了同一空间尺度下的移动源排放时空变化分布预测，无法构建不同空间分辨率排放清单时空特征映射关系。

因此有必要开发一种高时空分辨率移动源污染动态排放清单预测技术，其对城市移动源污染核算和排放控制措施评估具有重要意义。

发明内容

本发明提出的一种高分辨率城市移动源污染时空预测方法、系统及存储介质，可解决上述技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种高分辨率城市移动源污染时空预测方法，包括：

步骤S1：对历史移动源污染监测数据和外部环境因素数据按指定空间分辨率处理成低分辨率移动源污染、外部环境因素观测序列，以及高分辨率移动源污染观测序列；

步骤S2：对低分辨率移动源污染数据、外部环境因素数据，以及高分辨率移动源污染数据进行标准化处理；

步骤S3：将标准化后的低分辨率历史移动源污染数据按指定时间间隔长度进行切分与当前时刻外部环境因素数据、高分辨率移动源污染数据组合构建历史移动源污染数据样本集；

步骤S4：构建高分辨率城市移动源污染时空预测模型，包括低分辨率污染时空特征提取模块、外部影响因素融合模块、高分辨分布式上采样特征映射模块；

步骤S5：将移动源历史污染数据样本集的训练集用于高分辨率城市移动源污染时空预测模型训练，并用测试集进行模型测试，得到性能稳定的高分辨率城市移动源污染时空预测模型；

步骤S6：利用训练好的高分辨率城市移动源污染时空预测模型对未来时段的高分辨率移动源污染时空分布进行预测。

进一步的，所述步骤S1包括：