一种基于站点监测数据构建的大气元素汞浓度预测方法

• 摘要：

  本发明公开了一种基于站点监测数据构建的大气元素汞浓度预测方法,包括步骤:获得空气质量数据、水溶性离子浓度和GEM数据建立数据库;采用逐步多元线性回归获取对GEM的主要影响参数;根据主要影响参数进行多元线性回归,获取主要影响参数与GEM的线性关系式;通过指数回归法确定主要影响因素中的特征水溶性离子与GEM的指数关系式;结合线性关系式和指数关系式,通过迭代回归的方法,构建GEM预测模型.本发明无需大型的在线测定仪器测定大气中气态元素汞浓度,只需监测主要影响参数和特定水溶性离子浓度即可根据GEM预测模型获得大气元素汞浓度数据,同时充分考虑到水溶性离子对气态元素汞浓度的影响,使得最终获得的GEM预测模型计算结果更加准确.

• 专利类型：

  发明专利

• 申请/专利号：

  CN202010449175.6

• 申请日期：

  2020.05.25

• 公开/公告号：

  CN111680404A

• 公开/公告日：

  2020-09-18

• 发明人：

  肖航 易辉 佟磊 李建荣 蔡秋亮 王克强 潘勇 林佳梅

• 申请人：

  中国科学院城市环境研究所

• 主分类号：

  G06F30/20(2020.01),G,G06,G06F,G06F30

• 分类号：

  G06F30/20(2020.01),G,G06,G06F,G06F30,G06F30/20

• 主权项：

  1.一种基于站点监测数据构建的大气元素汞浓度预测方法,其特征在于,包括步骤: S1:获得空气质量数据、水溶性离子浓度和GEM数据建立数据库,空气质量数据包括PM2.5、O3、PM10、SO2、CO、NOX,水溶性离子包括阳离子K+、Ca2+、Na+、Mg2+、NH4+和阴离子SO42-、NO3-和Cl-; S2:采用逐步多元线性回归获取对GEM的主要影响参数,主要为PM2.5、CO、NOX; S3:根据主要影响参数进行多元线性回归,获取主要影响参数与GEM的线性关系式; S4:通过指数回归法确定主要影响因素中的特征水溶性离子与GEM的指数关系式; S5:结合线性关系式和指数关系式,通过迭代回归的方法,构建GEM预测模型. 2.如权利要求1所述的一种基于站点监测数据构建的大气元素汞浓度预测方法,其特征在于,所述空气质量数据、水溶性离子浓度和GEM数据由监测点的环境监测站整年逐小时监测获得. 3.如权利要求1所述的一种基于站点监测数据构建的大气元素汞浓度预测方法,其特征在于,是通过SPSS软件获得主要影响参数,并通过Origin软件获得线性关系式,所述线性关系式为: GEM＝a*PM2.5+b*NOX+c*CO+d 其中a、b、c分别为GEM与PM2.5、NOX、CO进行多远线性回归的系数,d为回归得到的GEM的大气中本底值系数. 4.如权利要求1所述的一种基于站点监测数据构建的大气元素汞浓度预测方法,其特征在于,为了便于计算,将所述水溶性离子中的阴阳离子的浓度换算为阴阳离子当量浓度的百分比. 5.如权利要求4所述的一种基于站点监测数据构建的大气元素汞浓度预测方法,其特征在于,GEM与[Na++Mg2+]阳离子当量浓度比例具有如下所述指数关系式为: GEM＝e+f*exp(g*[Na++Mg2+]) 其中,e、f、g为根据指数关系计算获得的待定系数. 6.如权利要求3或5所述的一种基于站点监测数据构建的大气元素汞浓度预测方法,其特征在于,将GEM与PM2.5、NOX、CO的线性关系式和GEM与[Na++Mg2+]的指数关系式同时纳入GEM预测模型. 7.如权利要求6所述的一种基于站点监测数据构建的大气元素汞浓度预测方法,其特征在于,所述GEM预测模型为: GEM＝h*exp(i*[Na++Mg2+])+j*PM2.5+k*CO+l*NOX+m 其中,h、i、j、k、l、m为经过迭代回归后重新获得的系数值. 8.如权利要求1所述的一种基于站点监测数据构建的大气元素汞浓度预测方法,其特征在于,当需要对GEM进行预测时,还包括步骤: S6:获取PM2.5、NOX、CO和Na++Mg2+当量浓度数据信息,根据GEM预测模型计算GEM浓度.