空气质量仿真软件：AERMOD_（10）.模型参数设置

于 2025-05-04 06:04:44 发布
阅读量472 收藏 14
点赞数 19
分类专栏： 环境仿真 文章标签： 仿真模拟 环境仿真 模拟仿真
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42749425/article/details/147690213
版权

模型参数设置

模型参数概述

在使用AERMOD进行空气质量仿真时，模型参数的设置是至关重要的一步。这些参数直接影响模型的精度和仿真结果的有效性。AERMOD模型参数主要包括气象参数、地形参数、源参数和受体参数等。每一类参数都有其特定的输入格式和要求，需要根据具体的仿真需求进行设置。

在这里插入图片描述

气象参数

气象参数是AERMOD模型中最基础的输入之一，主要包括风速、风向、大气稳定度等。这些参数可以通过气象站的数据或者气象模型如WRF（Weather Research and Forecasting）模型生成的数据来获取。

数据来源

  1. 气象站数据：直接从气象站获取的观测数据，通常格式为**.met**文件。

  2. 气象模型数据：通过气象模型生成的数据，通常格式为**.prof**文件。

参数设置

  • 风速（Wind Speed）：单位为米/秒（m/s），表示风的移动速度。

  • 风向（Wind Direction）：单位为度（°），表示风的来向。

  • 大气稳定度（Atmospheric Stability）：分为A、B、C、D、E、F六个等级，分别表示不同的大气稳定状态。

  • 温度（Temperature）：单位为摄氏度（°C），表示大气温度。

  • 湿度（Humidity）：单位为百分比（%），表示大气湿度。

  • 混合层高度（Mixing Height）：单位为米（m），表示大气中的混合层高度。

代码示例

假设我们有一个气象站数据文件example.met，我们可以使用Python脚本来读取并处理这些数据，然后生成AERMOD需要的输入文件。


# 导入必要的库

import pandas as pd



# 读取气象站数据

data = pd.read_csv('example.met', delimiter='\s+', header=None, skiprows=2)

data.columns = ['Date', 'Time', 'WindSpeed', 'WindDirection', 'Temperature', 'Humidity', 'MixingHeight']



# 处理数据

data['Date'] = pd.to_datetime(data['Date'], format='%Y%m%d')

data['WindSpeed'] = data['WindSpeed'].astype(float)

data['WindDirection'] = data['WindDirection'].astype(float)

data['Temperature'] = data['Temperature'].astype(float)

data['Humidity'] = data['Humidity'].astype(float)

data['MixingHeight'] = data['MixingHeight'].astype(float)



# 生成AERMOD需要的输入文件

with open('aermod_input.met', 'w') as file:

    file.write(' meteorological data file for AERMOD\n')

    file.write(' 1\n')

    for index, row in data.iterrows():

        file.write(f"{row['Date'].strftime('%Y%m%d')} {row['Time']} {row['WindSpeed']} {row['WindDirection']} {row['Temperature']} {row['Humidity']} {row['MixingHeight']}\n")



# 代码描述

# 1. 导入pandas库用于数据处理。

# 2. 读取气象站数据文件`example.met`，并跳过前两行的标题。

# 3. 设置列名并转换数据类型。

# 4. 处理日期和时间格式。

# 5. 将处理后的数据写入AERMOD需要的输入文件`aermod_input.met`。

地形参数

地形参数用于描述仿真区域的地理特征，包括地形高度、地形粗糙度等。这些参数可以帮助模型更准确地模拟污染物的扩散过程。

数据来源

  1. 地形数据：通常通过GIS（Geographic Information System）软件获取。

  2. 地形粗糙度：通过实地测量或者经验公式估算。

参数设置

  • 地形高度（Terrain Height）：单位为米（m），表示地面的高度。

  • 地形粗糙度（Terrain Roughness）：单位为米（m），表示地形的粗糙程度。

  • 地形类别（Terrain Category）：分为平坦、中等、粗糙等。

代码示例

假设我们有一个地形数据文件example.ter，我们可以使用Python脚本来读取并处理这些数据，然后生成AERMOD需要的输入文件。


# 导入必要的库

import pandas as pd



# 读取地形数据

data = pd.read_csv('example.ter', delimiter='\s+', header=None, skiprows=2)

data.columns = ['X', 'Y', 'TerrainHeight', 'TerrainRoughness']



# 处理数据

data['X'] = data['X'].astype(float)

data['Y'] = data['Y'].astype(float)

data['TerrainHeight'] = data['TerrainHeight'].astype(float)

data['TerrainRoughness'] = data['TerrainRoughness'].astype(float)



# 生成AERMOD需要的输入文件

with open('aermod_input.ter', 'w') as file:

    file.write(' terrain data file for AERMOD\n')

    file.write(' 1\n')

    for index, row in data.iterrows():

        file.write(f"{row['X']} {row['Y']} {row['TerrainHeight']} {row['TerrainRoughness']}\n")



# 代码描述

# 1. 导入pandas库用于数据处理。

# 2. 读取地形数据文件`example.ter`，并跳过前两行的标题。

# 3. 设置列名并转换数据类型。

# 4. 将处理后的数据写入AERMOD需要的输入文件`aermod_input.ter`。

源参数

源参数用于描述污染物的排放源，包括点源、线源、面源等。这些参数直接影响污染物的初始分布和扩散过程。

数据来源

  1. 点源数据：通常通过实地测量或者企业报告获取。

  2. 线源数据：通过交通流量数据和车辆排放数据计算。

  3. 面源数据：通过区域排放数据和土地使用数据计算。

参数设置

  • 源类型（Source Type）：点源（POINT）、线源（LINE）、面源（AREA）等。

  • 源位置（Source Location）：包括源的X、Y坐标和高度。

  • 源排放速率（Emission Rate）：单位为克/秒（g/s）或千克/小时（kg/h）。

  • 源温度（Source Temperature）：单位为摄氏度（°C）。

  • 源出口速度（Source Exit Velocity）：单位为米/秒（m/s）。

代码示例

假设我们有一个点源数据文件example.src，我们可以使用Python脚本来读取并处理这些数据，然后生成AERMOD需要的输入文件。


# 导入必要的库

import pandas as pd



# 读取点源数据

data = pd.read_csv('example.src', delimiter='\s+', header=None, skiprows=2)

data.columns = ['SourceID', 'SourceType', 'X', 'Y', 'Height', 'EmissionRate', 'Temperature', 'ExitVelocity']



# 处理数据

data['X'] = data['X'].astype(float)

data['Y'] = data['Y'].astype(float)

data['Height'] = data['Height'].astype(float)

data['EmissionRate'] = data['EmissionRate'].astype(float)

data['Temperature'] = data['Temperature'].astype(float)

data['ExitVelocity'] = data['ExitVelocity'].astype(float)



# 生成AERMOD需要的输入文件

with open('aermod_input.src', 'w') as file:

    file.write(' source data file for AERMOD\n')

    file.write(' 1\n')

    for index, row in data.iterrows():

        file.write(f"{row['SourceID']} {row['SourceType']} {row['X']} {row['Y']} {row['Height']} {row['EmissionRate']} {row['Temperature']} {row['ExitVelocity']}\n")



# 代码描述

# 1. 导入pandas库用于数据处理。

# 2. 读取点源数据文件`example.src`，并跳过前两行的标题。

# 3. 设置列名并转换数据类型。

# 4. 将处理后的数据写入AERMOD需要的输入文件`aermod_input.src`。

受体参数

受体参数用于定义仿真区域内的观测点，这些点用于输出污染物浓度的数据。受体参数的设置直接影响仿真结果的分布和输出格式。

数据来源

  1. 观测点数据：通常通过实地测量或者地理信息系统获取。

参数设置

  • 受体位置（Receptor Location）：包括受体的X、Y坐标和高度。

  • 受体类型（Receptor Type）：点受体（POINT）、网格受体（GRID）等。

  • 受体数量（Number of Receptors）：定义仿真区域内观测点的数量。

代码示例

假设我们有一个受体数据文件example.rec，我们可以使用Python脚本来读取并处理这些数据，然后生成AERMOD需要的输入文件。


# 导入必要的库

import pandas as pd



# 读取受体数据

data = pd.read_csv('example.rec', delimiter='\s+', header=None, skiprows=2)

data.columns = ['ReceptorID', 'ReceptorType', 'X', 'Y', 'Height']



# 处理数据

data['X'] = data['X'].astype(float)

data['Y'] = data['Y'].astype(float)

data['Height'] = data['Height'].astype(float)



# 生成AERMOD需要的输入文件

with open('aermod_input.rec', 'w') as file:

    file.write(' receptor data file for AERMOD\n')

    file.write(' 1\n')

    for index, row in data.iterrows():

        file.write(f"{row['ReceptorID']} {row['ReceptorType']} {row['X']} {row['Y']} {row['Height']}\n")



# 代码描述

# 1. 导入pandas库用于数据处理。

# 2. 读取受体数据文件`example.rec`，并跳过前两行的标题。

# 3. 设置列名并转换数据类型。

# 4. 将处理后的数据写入AERMOD需要的输入文件`aermod_input.rec`。

模型运行参数

模型运行参数用于控制AERMOD的运行过程，包括仿真时间、输出频率、网格大小等。这些参数的设置直接影响模型的运行效率和输出结果的详细程度。

参数设置

  • 仿真时间（Simulation Time）：定义仿真的起始时间和结束时间。

  • 输出频率（Output Frequency）：定义输出结果的时间间隔。

  • 网格大小（Grid Size）：定义仿真区域的网格大小。

  • 模拟模式（Simulation Mode）：包括稳态（STEADY）和瞬态（TRANS）模式。

代码示例

假设我们需要设置AERMOD的运行参数，我们可以使用Python脚本来生成AERMOD需要的输入文件。


# 定义运行参数

start_time = '20230101 0000'

end_time = '20230101 2300'

output_frequency = '1H'

grid_size = '1000M'



# 生成AERMOD需要的输入文件

with open('aermod_input.ctrl', 'w') as file:

    file.write(' control file for AERMOD\n')

    file.write(' 1\n')

    file.write(f"DATE {start_time}\n")

    file.write(f"DATE {end_time}\n")

    file.write(f"FREQ {output_frequency}\n")

    file.write(f"GRID {grid_size}\n")

    file.write("MODE STEADY\n")



# 代码描述

# 1. 定义仿真起始时间、结束时间、输出频率和网格大小。

# 2. 生成AERMOD需要的控制文件`aermod_input.ctrl`。

# 3. 写入仿真时间、输出频率、网格大小和模拟模式。

模型输出文件

模型输出文件用于存储AERMOD仿真后的结果，包括污染物浓度、风场数据等。这些文件的格式和内容需要根据具体的仿真需求进行设置。

输出文件格式

  1. 污染物浓度文件：通常格式为**.conc**文件。

  2. 风场数据文件：通常格式为**.out**文件。

代码示例

假设我们需要读取AERMOD生成的污染物浓度文件example.conc，并进行简单的数据处理。


# 导入必要的库

import pandas as pd



# 读取污染物浓度文件

data = pd.read_csv('example.conc', delimiter='\s+', header=None, skiprows=2)

data.columns = ['ReceptorID', 'Date', 'Time', 'Pollutant', 'Concentration']



# 处理数据

data['Date'] = pd.to_datetime(data['Date'], format='%Y%m%d')

data['Concentration'] = data['Concentration'].astype(float)



# 输出处理后的数据

data.to_csv('processed_conc.csv', index=False)



# 代码描述

# 1. 导入pandas库用于数据处理。

# 2. 读取污染物浓度文件`example.conc`，并跳过前两行的标题。

# 3. 设置列名并转换数据类型。

# 4. 将处理后的数据写入新的CSV文件`processed_conc.csv`。

高级参数设置

高级气象参数

高级气象参数包括更详细的气象数据，如云量、太阳辐射等。这些参数可以提高模型的精度，但需要更多的数据支持。

参数设置

  • 云量（Cloud Cover）：单位为百分比（%），表示云层覆盖的范围。

  • 太阳辐射（Solar Radiation）：单位为瓦/平方米（W/m²），表示太阳辐射的强度。

代码示例

假设我们有一个包含云量和太阳辐射的高级气象数据文件example.adv，我们可以使用Python脚本来读取并处理这些数据，然后生成AERMOD需要的输入文件。


# 导入必要的库

import pandas as pd



# 读取高级气象数据

data = pd.read_csv('example.adv', delimiter='\s+', header=None, skiprows=2)

data.columns = ['Date', 'Time', 'WindSpeed', 'WindDirection', 'Temperature', 'Humidity', 'MixingHeight', 'CloudCover', 'SolarRadiation']



# 处理数据

data['Date'] = pd.to_datetime(data['Date'], format='%Y%m%d')

data['WindSpeed'] = data['WindSpeed'].astype(float)

data['WindDirection'] = data['WindDirection'].astype(float)

data['Temperature'] = data['Temperature'].astype(float)

data['Humidity'] = data['Humidity'].astype(float)

data['MixingHeight'] = data['MixingHeight'].astype(float)

data['CloudCover'] = data['CloudCover'].astype(float)

data['SolarRadiation'] = data['SolarRadiation'].astype(float)



# 生成AERMOD需要的输入文件

with open('aermod_input.adv', 'w') as file:

    file.write(' advanced meteorological data file for AERMOD\n')

    file.write(' 1\n')

    for index, row in data.iterrows():

        file.write(f"{row['Date'].strftime('%Y%m%d')} {row['Time']} {row['WindSpeed']} {row['WindDirection']} {row['Temperature']} {row['Humidity']} {row['MixingHeight']} {row['CloudCover']} {row['SolarRadiation']}\n")



# 代码描述

# 1. 导入pandas库用于数据处理。

# 2. 读取高级气象数据文件`example.adv`，并跳过前两行的标题。

# 3. 设置列名并转换数据类型。

# 4. 将处理后的数据写入AERMOD需要的输入文件`aermod_input.adv`。

高级地形参数

高级地形参数包括更详细的地形数据，如地形坡度、地形类型等。这些参数可以提高模型对地形特征的描述精度。

参数设置

  • 地形坡度（Terrain Slope）：单位为度（°），表示地形的坡度。

  • 地形类型（Terrain Type）：分为城市、乡村、森林等。

代码示例

假设我们有一个包含地形坡度和地形类型的高级地形数据文件example.advter，我们可以使用Python脚本来读取并处理这些数据，然后生成AERMOD需要的输入文件。


# 导入必要的库

import pandas as pd



# 读取高级地形数据

data = pd.read_csv('example.advter', delimiter='\s+', header=None, skiprows=2)

data.columns = ['X', 'Y', 'TerrainHeight', 'TerrainRoughness', 'TerrainSlope', 'TerrainType']



# 处理数据

data['X'] = data['X'].astype(float)

data['Y'] = data['Y'].astype(float)

data['TerrainHeight'] = data['TerrainHeight'].astype(float)

data['TerrainRoughness'] = data['TerrainRoughness'].astype(float)

data['TerrainSlope'] = data['TerrainSlope'].astype(float)

data['TerrainType'] = data['TerrainType'].astype(str)



# 生成AERMOD需要的输入文件

with open('aermod_input.advter', 'w') as file:

    file.write(' advanced terrain data file for AERMOD\n')

    file.write(' 1\n')

    for index, row in data.iterrows():

        file.write(f"{row['X']} {row['Y']} {row['TerrainHeight']} {row['TerrainRoughness']} {row['TerrainSlope']} {row['TerrainType']}\n")



# 代码描述

# 1. 导入pandas库用于数据处理。

# 2. 读取高级地形数据文件`example.advter`，并跳过前两行的标题。

# 3. 设置列名并转换数据类型。

# 4. 将处理后的数据写入AERMOD需要的输入文件`aermod_input.advter`。

高级源参数

高级源参数包括更详细的源数据，如源排放高度的变化、源排放速率的变化等。这些参数可以提高模型对污染物排放特征的描述精度，从而提升仿真的准确性。

参数设置

  • 源排放高度变化（Source Emission Height Variation）：单位为米（m），表示源排放高度随时间和空间的变化。

  • 源排放速率变化（Source Emission Rate Variation）：单位为克/秒（g/s）或千克/小时（kg/h），表示源排放速率随时间和空间的变化。

  • 源温度变化（Source Temperature Variation）：单位为摄氏度（°C），表示源温度随时间和空间的变化。

  • 源出口速度变化（Source Exit Velocity Variation）：单位为米/秒（m/s），表示源出口速度随时间和空间的变化。

代码示例

假设我们有一个包含高级源参数的源数据文件example.advsrc，我们可以使用Python脚本来读取并处理这些数据，然后生成AERMOD需要的输入文件。


# 导入必要的库

import pandas as pd



# 读取高级源数据

data = pd.read_csv('example.advsrc', delimiter='\s+', header=None, skiprows=2)

data.columns = ['SourceID', 'SourceType', 'X', 'Y', 'Height', 'EmissionRate', 'Temperature', 'ExitVelocity', 'EmissionHeightVariation', 'EmissionRateVariation', 'TemperatureVariation', 'ExitVelocityVariation']



# 处理数据

data['X'] = data['X'].astype(float)

data['Y'] = data['Y'].astype(float)

data['Height'] = data['Height'].astype(float)

data['EmissionRate'] = data['EmissionRate'].astype(float)

data['Temperature'] = data['Temperature'].astype(float)

data['ExitVelocity'] = data['ExitVelocity'].astype(float)

data['EmissionHeightVariation'] = data['EmissionHeightVariation'].astype(float)

data['EmissionRateVariation'] = data['EmissionRateVariation'].astype(float)

data['TemperatureVariation'] = data['TemperatureVariation'].astype(float)

data['ExitVelocityVariation'] = data['ExitVelocityVariation'].astype(float)



# 生成AERMOD需要的输入文件

with open('aermod_input.advsrc', 'w') as file:

    file.write(' advanced source data file for AERMOD\n')

    file.write(' 1\n')

    for index, row in data.iterrows():

        file.write(f"{row['SourceID']} {row['SourceType']} {row['X']} {row['Y']} {row['Height']} {row['EmissionRate']} {row['Temperature']} {row['ExitVelocity']} {row['EmissionHeightVariation']} {row['EmissionRateVariation']} {row['TemperatureVariation']} {row['ExitVelocityVariation']}\n")



# 代码描述

# 1. 导入pandas库用于数据处理。

# 2. 读取高级源数据文件`example.advsrc`，并跳过前两行的标题。

# 3. 设置列名并转换数据类型。

# 4. 将处理后的数据写入AERMOD需要的输入文件`aermod_input.advsrc`。

模型调试与验证

在完成所有参数的设置后，模型的调试与验证是确保仿真结果准确性的关键步骤。这包括对模型的输入数据进行检查、运行模型并分析输出结果，以及与实际观测数据进行对比验证。

输入数据检查

  1. 气象数据检查：确保气象数据的完整性和准确性，检查是否有缺失值或异常值。

  2. 地形数据检查：确保地形数据的分辨率和覆盖范围符合仿真要求，检查地形高度和粗糙度的数据是否合理。

  3. 源数据检查：确保源数据的完整性，检查源位置、排放速率和温度等参数是否准确。

  4. 受体数据检查：确保受体数据的分布合理，检查受体位置和数量是否符合仿真需求。

模型运行

  1. 运行AERMOD：使用生成的输入文件（如aermod_input.met、aermod_input.ter、aermod_input.src、aermod_input.rec等）运行AERMOD模型。

  2. 监控运行状态：通过日志文件监控模型的运行状态，确保模型顺利运行。

结果分析

  1. 读取输出文件：读取模型生成的输出文件（如example.conc、example.out等），并进行初步的数据处理。

  2. 数据可视化：使用可视化工具（如Matplotlib、Plotly等）将仿真结果进行图形化展示，便于直观分析。

  3. 对比验证：将仿真结果与实际观测数据进行对比，评估模型的准确性。

代码示例

假设我们已经生成了模型输出文件example.conc，我们可以使用Python脚本来读取并可视化这些数据。


# 导入必要的库

import pandas as pd

import matplotlib.pyplot as plt



# 读取污染物浓度文件

data = pd.read_csv('example.conc', delimiter='\s+', header=None, skiprows=2)

data.columns = ['ReceptorID', 'Date', 'Time', 'Pollutant', 'Concentration']



# 处理数据

data['Date'] = pd.to_datetime(data['Date'], format='%Y%m%d')

data['Concentration'] = data['Concentration'].astype(float)



# 数据可视化

plt.figure(figsize=(10, 6))

for receptor_id in data['ReceptorID'].unique():

    subset = data[data['ReceptorID'] == receptor_id]

    plt.plot(subset['Date'], subset['Concentration'], label=f"Receptor {receptor_id}")

plt.xlabel('Date')

plt.ylabel('Concentration (mg/m³)')

plt.title('Pollutant Concentration Over Time')

plt.legend()

plt.show()



# 代码描述

# 1. 导入pandas库和matplotlib库用于数据处理和可视化。

# 2. 读取污染物浓度文件`example.conc`，并跳过前两行的标题。

# 3. 设置列名并转换数据类型。

# 4. 为每个受体绘制污染物浓度随时间变化的曲线图。

# 5. 显示图表。

总结

AERMOD模型的参数设置是一个复杂但至关重要的过程。通过合理设置气象参数、地形参数、源参数和受体参数，可以显著提高模型的仿真精度和结果的有效性。此外，高级参数的设置和模型的调试与验证也是确保仿真结果准确的重要步骤。希望本文档能为使用AERMOD进行空气质量仿真提供有价值的参考。

评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

kkchenjj

你的鼓励是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值