本技术涉及城市空气质量时空精细制图技术领域,具体涉及一种PM<subgt;2.5</subgt;和O<subgt;3</subgt;联合模拟方法、存储介质及设备。该方法包括确定ENVI‑met输入指标体系;获得初始ENVI‑met模拟数据;获取校正后的目标区域内空气污染时空分布的数据集;构建基于改进的U‑Net网络的PM<subgt;2.5</subgt;和O<subgt;3</subgt;联合模拟模型,将数据集导入联合模拟模型以预测获取PM<subgt;2.5</subgt;和O<subgt;3</subgt;联合制图结果。该存储介质上存储有计算机程序指令,该指令被处理器执行时实现该方法。该设备包括至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,该指令被处理器执行时实现该方法。本发明能够获取高分辨率、高解释性和高准确度的PM<subgt;2.5</subgt;和O<subgt;3</subgt;联合制图结果。
背景技术
目前,建筑单元尺度空气污染特征分析仍主要依赖于固定站点监测,该监测方法存在时间分辨率高和准确性高的优势,但是空间分辨率不足。近年来,基于车载或者无人机载的空气质量移动走航技术逐步受到推广,该技术具有空间分辨率高和准确性高的优势,但难以覆盖广范围和长时序。随着计算机流体力学研究及计算机学科迅猛发展,数值模式和经验统计等多种间接模拟技术逐渐成熟。其中,通过空气污染物扩散传输偏微分方程求解的数值模拟方法解释性强,而且可提供广范围、长时序的高时空分辨率数据;然而,其对排放清单等数据依赖程度高导致准确性有限,而且算力需求高,物理模型固化。相对而言,基于大数据分析的深度学习在计算速度和精度方面有很大优势,而且其网络框架可以自由设置,可耦合多源数据开展高时空分辨率空气质量制图研究。然而,其精度会受到样本数量影响,而且由于机器学习的“黑箱子”属性,机理解释性常受到质疑。
综上所述,需要开发一种兼具高时间分辨率、高空间分辨率、高解释性和高准确度优势的PM2.5
和O3
联合模拟方法、存储介质及设备。
实现思路