[发明专利]基于PCA模型的大气细颗粒物排放来源定位方法

摘要

本发明提供了一种基于PCA模型的大气细颗粒物排放来源定位方法，包括通过使用在线单颗粒气溶胶质谱仪采样的采样步骤、对春、夏、秋及冬四季提取变化因子的建立数据库步骤及数据解析定位四季中大气细颗粒物排放来源步骤。该定位方法无需网格化且同时从时间、空间与变化因子协同解析，解析结果更精确。

主权项

1.一种基于PCA模型的大气细颗粒物排放来源定位方法，其特征在于，包括以下步骤：采样步骤：采用在线单颗粒气溶胶质谱仪在线连续采集PM2.5气溶胶源数据Cij，其中：i＝1,2,...,m元素；j＝1,2,...,n样本；Cij为实测PM2.5样本j中元素i的质量浓度(μg/m3)；建立数据库步骤：对春、夏、秋及冬四季提取变化因子，在线连续采样获得所述数据，建立变化因子数据库；数据解析步骤：通过对所述源数据C_ij标准化后得到标准化矩阵Zn×m＝[Zij]n×m,其中Ci为所有样本中元素i的平均浓度值，σi为元素i对应的浓度标准差；根据污染散发源与受体样本之间化学元素质量守恒定理，使用上述标准化矩阵对守恒方程：进行转化得出其中：k＝1,2,...,p污染源；a_ik为源谱，即污染源k散发的元素i的含量(％)；S_kj为源贡献，即污染源k贡献给样本j的质量浓度(μg/m³)；W_ik表示第k个源中第i个元素的系数，P_kj表示第k个源对第j个样本的贡献值；对进行移项转化，得到[P]_j×k＝[B]_k×i[Z]_i×j，其中：[W]_ik被称为因子负荷矩阵，[B]_k×i＝[W]^‑1_i×k是主成分得分系数矩阵，[P]_j×k是主成分得分矩阵；因为相关系数矩阵Rm×m＝1/n×ZTn×m×Zn×m，Rm×m特征值越大，表明元素浓度在对应的特征方向上变异越大，从而由该特征向量就可以确定主成分，提取前p个主成分的原则是：第一，特征值λ1≥λ2≥...≥λp≥1,即主成分对应的特征值要大于或等于1；λj/(λ1+...+λm)称为第j个主成分对原变量方差的贡献率，那么前p个主成分的累积方差贡献率(λ1+...+λp)/(λ1+...+λm)要达到85％以上，所以对相关系数矩阵Rm×m进行特征分解得到：则因子负荷矩阵[W]_ik＝Q_m×k√Λ，从而可求得主成分得分系数矩阵和主成分得分矩阵分别为：和对因子负荷矩阵[W]ik、主成分得分系数矩阵[B]ki及主成分得分矩阵[P]ki用正交矩阵U进行方差最大正交旋转变换后可得到旋转后的因子负荷矩阵、主成分得分系数矩阵和主成分得分矩阵分别为：[W]*ik＝[W]ikU,[B]*ki＝U‑1[B]ki，[P]ki＝[B]*ki[Z]ij，经过方差最大正交旋转变换后，主成分的个数要按照前面的提取原则重新提取；令所有C_ij＝0，代入[P]_j×k＝[B]_k×i[Z]_i×j中，求得标准化绝对零浓度矩阵为：从而旋转后的绝对零成分得分为：绝对主成分得分矩阵为：其中即为主成分分析中计算所得的旋转后的主成分得分矩阵；将绝对主成分得分对样本(PM2.5)质量浓度作多元现行回归可得：其中M_j第j个样本的质量浓度，μg/m³；ξ₀常数项为未识别源的贡献量，μg/m³；ξ_k为转换系数矩阵，μg/m³，它将主成分得分矩阵偏差转换为相对于平均值影响的质量偏差，转换系数矩阵可以通过回归方程求得；ξ_k·APCS^*_kj表示第k个主成分(污染源)对第j个样本质量浓度的绝对贡献量，μg/m³。通过这一步可以确定各个污染源对PM2.5质量浓度的贡献百分比；主成分(污染源)对样本中各元素质量浓度的绝对贡献量计算如下：式中：a₀为未识别污染源对元素浓度的影响，μg/m³；a_ik为转换系数，无量纲；S_kj＝ξ_k·APCS^*_kj可以根据上一步求得，μg/m³；a_ikS_ik表示第j个样本中第k个主成分(污染源)对元素i的贡献量，μg/m³。