一种基于深度学习的大气污染物扩散的数值模拟方法与流程

1.本发明涉及大气环境技术领域，特别涉及一种基于深度神经网络构建的用于大气环境中污染物扩散的数值模拟中的空间插值方法。


背景技术：

2.大气环境污染是一个复杂的现象，在不同的时间和地点大气污染物的浓度受到许多因素的影响，大气污染物的浓度不同，空气质量差别较大。目前环境质量监测站点监测大气环境状况，是通过监测有限的离散的空间点数据，将这些监测数据进行处理，处理后的结果往往不能评价监测区域的空气质量，因此利用数值模拟方法建立空间网格，增加模拟空间点，进行空间网格插值，对大气环境污染监测数据进行空间展布。而目前的空间网格插值仅能考虑空间自相关因素，难以精细化考虑大气污染物在时空上连续变化的属性相似性，受到多种条件的限定，空间网格插值数据的平滑度和拟合度需进一步提升。


技术实现要素：

3.为提升现有技术中大气环境中污染物扩散的数值模拟中的空间插值数据的平滑度和拟合度，本发明提出一种基于深度学习的大气污染物扩散的数值模拟方法。
4.本发明的技术方案是这样实现的：一种基于深度学习的大气污染物扩散的数值模拟方法，包括：进行数据清洗，从特定区域内多次采集所有空间点的监测数据中挑选n套数据集，n为整数，n≥10；将n套数据集随机分配成一组训练集和一组验证集；构建深度神经网络；利用训练集和验证集交叉验证训练深度神经网络；利用已训练完成的深度神经网络预测特定区域内所有未知空间点的浓度值，在特定区域的空间网格内插入所有未知空间点的预测浓度值，构建精细化平滑浓度场；构建深度神经网络的具体方式为：定义八个属性输入值的输入层，八个属性输入值为任一个空间点的风速、风向、温度、降水量、地势、与该空间点最相近建筑物的距离，最相近建筑物与该空间点的方位与该空间点风向的夹角、该空间点和与其最邻近的另一个空间点的距离或时间间隔，对八个属性输入值做归一化预处理，建立两层以上的第一组全连接层，将归一化预处理后的八个属性输入值进行张量扩张，将第一组全连接层的输出结果在第一层激活层进行非线性激活处理，建立两层以上的第二组全连接层，将第一层激活层的输出结果输入至第二组全连接层进行张量缩小且缩小至1个参数值，将第二组全连接层的输出结果在第二层激活层进行激活处理，第二层激活层输出权重浓度值，输出层输出该空间点对应的预测浓度值。
5.优选的是，利用训练集和验证集交叉验证训练深度神经网络的具体方式为：将训练集的每一个空间点的八个属性值输入至深度神经网络进行训练，训练后得到每个空间点对应的浓度权重值；根据该空间点的浓度权重值和与其相近的另一个空间点的实际浓度值计算该空间点的预测浓度值；将训练集中的每一个空间点的实际浓度值和预测浓度值比
较，通过深度神经网络的反向传播机制优化训练该深度神经网络；每优化一次，验证集上的一个空间点的八个属性值输入至优化后的深度神经网络进行交叉验证，即比较验证集上的该空间的实际浓度值和预测浓度值的差值，当该差值达到最小，深度神经网络训练完成。
6.优选的是，构建深度神经网络时，第一组全连接层为两层全连接层，两层全连接层先将八个属性值扩张至32个参数值，再将32个参数值扩张至128个参数值；第二组全连接层设置为四层全连接层，其是将通过第一层激活层处理后的128个参数值先缩小至64个参数值，再将64个参数值缩小至16个参数值，再将16个参数值缩小至4个参数值，最后将4个参数值缩小至1个参数值。
7.优选的是，第一层激活层利用激活函数rectified linear unit进行非线性激活处理，第二层激活层利用激活函数softmax进行（1，0）区间的激活处理。
8.优选的是，利用已训练完成的深度神经网络预测特定区域内所有未知空间点的浓度值的具体方式为：在特定区域内具有空间网格结构的浓度扩散场，采集的空间点和未知空间点都是空间网格上的空间点，观察所有的未知空间点是否经过深度神经网络预测完成，将没有完成预测的未知空间点进行预测，如此递归完成所有未知空间点的预测；预测未知空间点的预测浓度值时，其最邻近的另一个空间点的实际浓度值可以选取采集空间点的实际浓度值，也可以选取已经完成预测的未知空间点的预测浓度值。
9.优选的是，通过深度神经网络的反向传播机制优化训练该深度神经网络时，选用交叉熵损失函数进行优化训练。
10.优选的是，所述训练集中的数据占据n套数据集的百分之九十，所述验证集中的数据占据所述训练集中的数据占据n套数据集的百分之十。
11.本发明的有益效果为：本发明的一种基于深度学习的大气污染物扩散的数值模拟方法，通过构建和训练深度神经网络，对特定过区域的未知空间点输出预测浓度值，然后将未知空间点的预测浓度值插值入特定区域的空间网格，提升空间网格插值数据的平滑度和拟合度。这种方式可针对多尺度环境大气污染扩散场进行灵活自定义插值，针对不规则的空间网格或存在数据缺失的空间网格进行插值补值。浓度扩散场中具有时间连续性的扩散浓度点，利用相邻空间点的时间先后关系，实现时空平滑插值补值；浓度扩散场中具有位置连续性的扩散浓度点，利用相邻空间点的位置关系，实现空间平滑插值补值。利用深度神经网络可以根据训练集的扩充不断迭代升级预测的精准度，形成自我迭代式的优化插值方法；深度神经网络具有更强的泛化性，可根据不同污染物的扩散特征针对不同类型的插值场进行插值预测。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
13.图1为本发明一种基于深度学习的大气污染物扩散的数值模拟方法的框架结构图；图2为图1所示构建深度神经网络的结构示意图。
具体实施方式
14.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
15.实施例：如图1所示，一种基于深度学习的大气污染物扩散的数值模拟方法，包括：进行数据清洗，从特定区域内多次采集所有空间点的监测数据中挑选n套数据集，n为整数，n≥10；将n套数据集随机分配成一组训练集和一组验证集；构建深度神经网络；利用训练集和验证集交叉验证训练深度神经网络；利用已训练完成的深度神经网络预测特定区域内所有未知空间点的浓度值，在特定区域的空间网格内插入所有未知空间点的预测浓度值，构建精细化平滑浓度场。
16.如图2所示，对于浓度扩散场中具有位置连续性的扩散浓度点，构建深度神经网络的具体方式为：定义八个属性输入值的输入层，八个属性输入值为任一个空间点的风速、风向、温度、降水量、地势、与该空间点最相近建筑物的距离最相近建筑物与该空间点的方位与该空间点风向的夹角、该空间点和与其最邻近的另一个空间点的距离，即相邻空间点的位置关系，对八个属性输入值做归一化预处理，建立两层以上的第一组全连接层，将归一化预处理后的八个属性输入值进行张量扩张，将第一组全连接层的输出结果在第一层激活层进行非线性激活处理，建立两层第二组全连接层，将第一层激活层的输出结果输入至第二组全连接层进行张量缩小且缩小至1个参数值，将第二组全连接层的输出结果在第二层激活层进行激活处理，第二层激活层输出权重浓度值，输出层输出该空间点对应的预测浓度值。
17.对于浓度扩散场中具有时间连续性的扩散浓度点，构建深度神经网络的具体方式为：定义八个属性输入值的输入层，八个属性输入值为任一个空间点的风速、风向、温度、降水量、地势、与该空间点最相近建筑物的距离最相近建筑物与该空间点的方位与该空间点风向的夹角、该空间点和与其最邻近的另一个空间点的时间间隔，即相邻空间点的时间先后关系，对八个属性输入值做归一化预处理，建立两层以上的第一组全连接层，将归一化预处理后的八个属性输入值进行张量扩张，将第一组全连接层的输出结果在第一层激活层进行非线性激活处理，建立两层第二组全连接层，将第一层激活层的输出结果输入至第二组全连接层进行张量缩小且缩小至1个参数值，将第二组全连接层的输出结果在第二层激活层进行激活处理，第二层激活层输出权重浓度值，输出层输出该空间点对应的预测浓度值。
18.对于同一空间位置点a的时空平滑插值补值，要确保该空间位置点在模拟时间轴上是连续的，例如对于时间分辨率为1小时间隔的扩散模拟过程，t0时刻为模拟开始，其对应点a的浓度为b0；t1时刻为扩散模拟持续1小时，其对应点a的浓度为b1；t2时刻为扩散模拟持续2小时，其对应点a的浓度b2。利用本发明方法所进行时空插值补值的时间点是位于t1和t2之间的时刻ta，ta可根据需要设为0-1小时之间的任意数值，通过本发明方法训练并预测可得到其浓度结果ba，以此类推即可完成a点在模拟过程中所有未知时刻的浓度插值补值。
19.构建深度神经网络时，第一组全连接层设置为两层全连接层，两层全连接层先将八个属性值扩张至32个参数值，再将32个参数值扩张至128个参数值；第二组全连接层是将通过第一层激活层利用激活函数rectified linear unit（relu）处理后的128个参数值先
缩小至64个参数值，再将64个参数值缩小至16个参数值，再将16个参数值缩小至4个参数值，最后将4个参数值缩小至1个参数值，将1个参数值输入至第二层激活层利用激活函数softmax进行（1，0）区间的激活处理。
20.利用训练集和验证集交叉验证训练深度神经网络的具体方式为：将训练集的每一个空间点的八个属性值输入至深度神经网络进行训练，训练后得到每个空间点对应的浓度权重值；根据该空间点的浓度权重值和与其相近的另一个空间点的实际浓度值计算该空间点的预测浓度值；将训练集中的每一个空间点的实际浓度值和预测浓度值比较，通过深度神经网络的反向传播机制选用交叉熵损失函数优化训练该深度神经网络；每优化一次，验证集上的一个空间点的八个属性值输入至优化后的深度神经网络进行交叉验证，即比较验证集上的该空间的实际浓度值和预测浓度值的差值，当该差值达到最小，深度神经网络训练完成。
21.利用已训练完成的深度神经网络预测特定区域内所有未知空间点的浓度值的具体方式为：在特定区域内具有空间网格结构的浓度扩散场，采集的空间点和未知空间点都是空间网格上的空间点，观察所有的未知空间点是否经过深度神经网络预测完成，将没有完成预测的未知空间点进行预测，如此递归完成所有未知空间点的预测；预测未知空间点的预测浓度值时，其最邻近的另一个空间点的实际浓度值可以选取采集空间点的实际浓度值，也可以选取已经完成预测的未知空间点的预测浓度值，采集空间点即训练集和验证集中的空间点。
22.训练集中的数据占据n套数据集的百分之九十，验证集中的数据占据所述训练集中的数据占据n套数据集的百分之十。
23.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。