排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
提出了一种新的大气污染物来源及输送情况的网格化分析方法.首先,不依赖于排放源清单,而是以预设的网格化排放源来运行空气质量模型,得到排放源的污染影响因子.然后,结合污染物监测数据,构建排放源总合排放强度求解方程组,并利用遗传算法进行求解.最后,基于排放源的污染影响因子和总合排放强度,计算出排放源的污染贡献占比,从而完成对大气污染物来源及输送情况的网格化分析.这一方法的提出,为缺少准确排放源清单情况下大气污染状况的分析与治理,提供了新的思路.利用此方法,对北京市、石家庄市、保定市2017年10~12月期间PM2.5的来源及输送情况进行了验证性实验. 相似文献
2.
污染物浓度预报是应对大气污染问题的重要手段.现有的模式类预报方法受限于排放源清单的准确性,而在污染物排放源短期少变的条件下,基于气象要素的统计类预报方法是一种更具实用性的方法.但现有统计类预报方法的计算模型输入量缺乏对气象要素累积效应的表征,以及对气象因素影响大气污染物聚散过程的表征,严重影响了预报的精度.为此,本文提出了一种着眼于改善计算模型输入量的统计类PM_(2.5)浓度预报方法.该方法采用方位聚散因子作为计算模型输入量,既可表征出PM_(2.5)累积与消散的过程,又考虑了气象要素在一定时段内的累积效应,为提高预报精度奠定了良好的基础.同时,通过BP神经网络训练,本方法在方位聚散因子与PM_(2.5)浓度值之间建立起关联模型,从而完成对PM_(2.5)浓度值的准确预报. 相似文献
1