基于深度学习诊断火灾贡献PM2.5和O3浓度的方法

本发明属于生态环境与大气污染监测，尤其涉及基于深度学习诊断火灾贡献pm2.5和o3浓度的方法。

背景技术：

1、火灾（包括森林火灾、草地火灾及农作物秸秆焚烧等生物质燃烧过程）是大气污染物的重要来源之一，火灾燃烧过程中会向大气排放大量颗粒物和气态污染物，包括pm2.5挥发性有机物以及氮氧化物等，这些污染物在大气输送作用下可影响数百甚至上千公里范围内的空气质量，并进一步参与复杂的大气化学反应过程，对o3的生成或消耗产生重要影响。因此，准确识别火灾排放对城市地区pm2.5和o3浓度的影响，并定量评估其贡献，对于理解区域空气污染形成机制以及制定空气污染防控策略具有重要意义。

2、目前，火灾排放对空气污染影响的研究通常依赖化学传输模式或排放清单方法进行模拟，例如，通过构建火灾排放清单并结合化学传输模式，可以模拟火灾排放污染物在大气中的输送、扩散以及化学转化过程。然而，上述方法在城市尺度火灾污染贡献评估方面仍存在一定局限性。首先，火灾排放清单通常基于卫星遥感火点信息以及经验排放因子进行估算，而植被燃烧排放因子、火灾燃烧强度及燃烧生物量等参数具有较大的不确定性，从而导致排放清单存在较大误差，进而严重影响污染贡献评估结果的准确性。其次，化学传输模式通常需要大量输入数据，包括高时空分辨率的气象场、详细的排放清单以及复杂的大气化学反应机制，模型计算成本较高，并且对输入数据质量较为敏感，在排放信息不完整的地区难以实现高精度的污染贡献估计。此外，火灾排放对城市空气质量的影响具有明显的时空不确定性，受到气象条件、大气输送路径以及火灾燃烧强度等多种因素的共同影响。传统方法在识别火灾影响时段以及定量分离火灾贡献与城市本地排放贡献方面仍存在一定困难。

3、近年来，随着机器学习技术的发展，利用多源环境数据进行空气污染物浓度预测逐渐成为新的研究方向。然而，现有机器学习研究大多侧重于污染物浓度预测，较少涉及污染来源贡献的定量分解，尤其缺乏能够同时考虑火灾排放特征、大气输送过程以及城市气象条件的模型框架。因此，如何构建一种能够融合火点遥感数据、气象数据和空气质量监测数据，并能够有效识别火灾影响过程、定量估计火灾排放对城市pm2.5和o3浓度贡献的方法，成为当前生态环境领域亟需解决的技术问题。

技术实现思路

1、本发明旨在提供一种基于机器学习模型的火灾排放对城市地区pm2.5和o3浓度贡献诊断方法。该方法通过融合火点遥感数据、气象再分析数据以及空气质量监测数据，并构建联合机器学习模型，实现城市污染物浓度中火灾排放贡献与背景浓度的分离。与传统依赖排放清单或化学传输模式进行模拟的方法相比，本发明无需构建复杂的火灾排放清单，也无需进行高计算成本的大气化学模拟，能够充分利用多源观测数据挖掘污染物浓度变化的关键驱动因素，从而实现火灾排放对城市空气污染影响的定量评估，解决现有技术中火灾污染贡献识别困难以及估算不确定性较大的问题。

2、本发明通过以下技术方案实现：

3、基于深度学习诊断火灾贡献pm2.5和o3浓度的方法，包括以下步骤：

4、s1、获取目标城市的多源环境数据集，所述多源环境数据集包括城市空气质量观测数据、卫星火点遥感数据以及气象再分析数据；

5、s2、利用拉格朗日粒子轨迹模型计算目标城市观测点的气团后向轨迹，以模拟气团的历史输送路径，并将所述历史输送路径与所述卫星火点遥感数据进行空间匹配，以初步识别潜在受火灾影响的轨迹；

6、s3、统计每条轨迹交汇的火点数量，计算对应时段所述城市空气质量观测数据中污染物浓度的变化相关性，通过拐点分析确定火点数量阈值；

7、s4、当所述轨迹交汇的火点数量超过所述火点数量阈值时，将对应的时间段标记为火灾影响时段，将其余时间段定义为非火灾影响时段；

8、s5、构建联合深度学习框架，所述联合深度学习框架包括背景浓度预测模型和火灾贡献浓度预测模型；利用所述非火灾影响时段的数据训练所述背景浓度预测模型，并利用所述火灾影响时段的数据对所述背景浓度预测模型和所述火灾贡献浓度预测模型进行联合训练；

9、s6、利用训练完成的联合深度学习框架对目标城市的空气污染物浓度进行预测，分解输出无火灾条件下的背景污染浓度估算值以及由火灾排放引起的污染物浓度增量估算值，以定量评估火灾排放对城市pm2.5和o3浓度的贡献。

10、进一步的，所述获取目标城市的多源环境数据集之后，还包括：

11、对获取的多源环境数据进行时间和空间对齐处理，并针对受体城市不同气压层的气象变量，采用主成分分析方法进行降维处理，提取主要气象特征输入至后续的模型中。

12、进一步的，将所述历史输送路径与所述卫星火点遥感数据进行空间匹配，以初步识别潜在受火灾影响的轨迹，包括：

13、当轨迹点与卫星遥感火点之间的空间距离小于预设距离阈值，且基于火辐射功率估算的烟羽上升高度覆盖所述轨迹点的高度时，判定所述轨迹与火点发生交汇。

14、进一步的，所述烟羽上升高度采用公式进行计算，烟羽上升高度计算公式为：

15、

16、其中，表示烟羽上升高度，代表火辐射功率。

17、进一步的，所述背景浓度预测模型具有独立输入特征，所述背景浓度预测模型的独立输入特征包括地表气象因子、高空气象因子、气团后向轨迹及时间信息；

18、所述火灾贡献浓度预测模型具有独立输入特征，所述火灾贡献浓度预测模型的独立输入特征包括火灾活动强度变量及输送特征变量，所述输送特征变量包括轨迹交汇总火点数量、总燃烧面积、植被燃烧生物量及传输距离。

19、进一步的，所述利用所述火灾影响时段的数据对所述背景浓度预测模型和所述火灾贡献浓度预测模型进行联合训练，具体包括：

20、在火灾影响时段，将所述背景浓度预测模型输出的预测值与所述火灾贡献浓度预测模型输出的预测值之和，作为污染物总浓度预测值；

21、将所述污染物总浓度预测值与城市空气质量实际观测浓度进行对比构建损失函数，对模型进行迭代优化；

22、在迭代优化过程中，对的火灾贡献预测值施加非负约束。

23、进一步的，所述联合深度学习框架中的所述背景浓度预测模型与所述火灾贡献浓度预测模型均采用包含残差连接结构的人工神经网络。

24、进一步的，所述定量评估火灾排放对城市pm2.5和o3浓度的贡献之后，还包括：

25、基于时间特征和空间特征对火灾贡献pm2.5和o3浓度的预测结果进行展示，以反映火灾排放对城市空气污染物浓度在不同时间尺度和空间尺度上的变化特征。

26、本发明还提出一种基于深度学习诊断火灾贡献pm2.5和o3浓度的方法的系统，所述系统包括：

27、数据预处理模块，用于获取目标城市的多源环境数据集，所述多源环境数据集包括城市空气质量观测数据、卫星火点遥感数据以及气象再分析数据；

28、轨迹与火点匹配模块，用于利用拉格朗日粒子轨迹模型计算目标城市观测点的气团后向轨迹，以模拟气团的历史输送路径，并将所述历史输送路径与所述卫星火点遥感数据进行空间匹配，以初步识别潜在受火灾影响的轨迹；

29、时段判定模块，用于统计每条轨迹交汇的火点数量，计算对应时段所述城市空气质量观测数据中污染物浓度的变化相关性，通过拐点分析确定火点数量阈值；并基于所述火点数量阈值将时间段划分为火灾影响时段和非火灾影响时段；

30、联合训练模块，用于构建包括背景浓度预测模型和火灾贡献浓度预测模型的联合深度学习框架，并利用所述非火灾影响时段数据和火灾影响时段数据对模型进行联合训练；

31、贡献分解评估模块，用于利用训练完成的联合深度学习框架对目标城市的空气污染物浓度进行预测，分解输出背景污染浓度估算值以及火灾贡献引起的浓度增量估算值。

32、本发明的有益效果：

33、（1）本发明融合火点遥感数据、气象再分析数据以及空气质量观测数据，实现多源数据驱动的火灾污染贡献评估，提高了污染来源识别的准确性；

34、（2）本发明无需构建复杂的火灾排放清单或运行高计算成本的化学传输模式，降低了模型计算复杂度，提高了污染贡献估算效率；

35、（3）本发明通过深度学习方法对污染物浓度进行分解，实现背景浓度与火灾排放贡献的定量区分，从而更加准确地评估火灾排放对城市空气质量的影响；

36、（4）本发明所需输入数据来源广泛且易于获取，能够在不同地区推广应用，为区域空气污染来源解析提供新的技术手段。