基于现象学大气分散和深度学习算法的颗粒物排放区域识别

科学领域:

• 环境科学 环境科学
• 大气科学 大气科学
• 数据科学数据科学数据科学

背景情况:

• 工业和港口地区由于多个颗粒物 (PM) 排放源,造成了重大环境和公共卫生风险.
• 现有的实时监测和预测模型不足以准确检测颗粒物排放源.

研究的目的:

• 开发一个完整的框架,准确地实时定位PM排放源在平坦地形.
• 通过更好地识别PM源来加强环境监管,工业问责制和公共卫生保护.

主要方法:

• 开发了一个综合框架,结合了人工神经网络 (ANN) 和计算流体动力学 (CFD).
• 使用实验数据和Monin-Obukhov相似性理论验证了CFD模型,以获得准确的大气概况和PM传输.
• 在CFD生成的243次模拟运行的数据集上训练长期短期记忆 (LSTM) 和1D卷积神经网络 (CNN1D) 模型.

主要成果:

• 无论是LSTM还是CNN1D深度学习模型都实现了高精度,PM排放源分类的F1分数超过0.95.
• 该框架展示了可靠的排放源定位能力.
• 超参数优化时间不同:LSTM (4小时15分钟) 和CNN1D (4小时43分钟).

结论:

• 集成的CFD-ANN框架为实时的PM排放源定位提供了可靠的解决方案.
• 这种方法在改善工业和港口环境中的环境管理和公共卫生战略方面具有显著的前景.
• 代表了解决实时PM源识别挑战的突破.