基于缩尺模型实验和机器学习的街谷污染物浓度归因分析
编号:98
稿件编号:100 访问权限:仅限参会人
更新:2021-10-08 19:05:59
浏览:337次
墙报交流
摘要
摘要:在快速城市化的背景下,机动车已经成为城市街谷中污染物的主要排放源,街谷形态(高宽比、长宽比)、街谷设施(植被、高架桥)、以及气象条件(风向、风速)等都会对街谷污染物的扩散产生很大的影响。本文以CO2为示踪气体,利用室外缩尺实验和机器学习相结合的方法,在比例为1:15的室外缩尺模型实验基地不同高宽比(H/W=1,2,3)的街谷中布置了线源排放装置,用CO2传感器测量了真实大气条件下街谷不同高度(h=0.3m,0.9m)的CO2浓度;根据不同的街谷形态、监测位点和气象条件下CO2浓度数据,用机器学习方法建立了一个CO2的XGBoost(eXtreme Gradient Boosting)回归模型,将街谷内不同监测位点污染物浓度的影响因素进行量化,探究了街谷形态、气象因素对街谷污染物浓度的影响。研究结果发现:(1)街谷的形态对CO2的浓度有很大的影响,浓度随着街谷高宽比的增加而增加,当H/W从1增加到2时,浓度增加约0.5-1倍,当H/W从2增加到3时,浓度增加约1.5-2倍;(2)随着长宽比的增加,迎风侧和背风侧的浓度差异变大,两侧的浓度差异与街谷的长宽比和高度有关,在街谷狭窄和高度较低的情况下,差异最为明显;在H/W=3的街谷中,迎风侧0.3米和0.9米高度的浓度分别是背风侧的160.2%和23.5%;(3)街谷两端的污染物浓度普遍低于中间的浓度,街谷两端的传感器测得的浓度与内部的浓度差异在H/W=3的街谷中最大;(4)经过交叉验证,XGBoost模型在测试集上表现良好,R2为0.953;为了进一步研究各输入特征对CO2浓度的贡献,我们计算了所有样本的SHAP(SHapley Additive exPlanation)值,结果显示:H/W(高宽比)、W/2(水平距离)、h(高度)和d(街谷纵深)对输出CO2浓度的贡献百分比分别为34.1%、10.5%、4.9%和19.1%;在气象条件中,温度对污染物扩散的影响大于风向和风速,温度越高对污染物扩散越有利;T(温度)、φ(球坐标体系下的方位角)、θ(球坐标体系中的天顶角)、ws_b(背景风速)、wd_b(背景风向)和ws(街谷风速)的贡献率分别为12.1%、1.6%、1.5%、10.0%、4.8%和1.3%。我们首次将机器学习应用在缩尺模型实验结果上研究街谷线源扩散,量化了不同因子对街谷污染物浓度的贡献。
关键字
街道峡谷 缩尺模型 机器学习 XGBoost(eXtreme Gradient Boosting)
发表评论