空气污染控制软件：AERMOD二次开发_（5）.源排放数据处理.docx

PAGE1

PAGE1

源排放数据处理

在空气污染控制软件AERMOD中，源排放数据的处理是至关重要的一环。源排放数据的质量直接影响到空气质量模型的精度和可靠性。本节将详细介绍如何处理源排放数据，包括数据的收集、验证、格式化以及在AERMOD中的输入方法。我们将通过具体的例子来说明这些步骤。

数据收集

源排放数据的收集是空气质量模型运行的基础。这些数据通常包括以下几个方面：

排放源的位置：经纬度坐标、海拔高度等。

排放源的类型：点源、线源、面源等。

排放速率：每个排放源在不同时间段内的排放量。

排放物质：具体排放的污染物种类，如SO2、NOx、PM10等。

排放源的物理参数：如烟囱高度、直径、排放温度、排放速度等。

例子：数据收集

假设我们有一个工业区，需要收集该区域内的排放源数据。我们可以通过以下步骤进行数据收集：

现场调查：记录每个排放源的位置、类型、排放速率和物理参数。

文献调研：查阅相关文献，获取排放源的详细信息。

企业数据：从企业获取其排放数据报告。

以下是一个简单的数据收集表格示例：

源名称|经度|纬度|海拔高度|类型|污染物|排放速率(kg/h)|烟囱高度(m)|烟囱直径(m)|排放温度(°C)|排放速度(m/s)|

|——–|——|——|———-|——|——–|—————–|————–|————–|————–|————–|

源1|120.12|30.23|100|点源|SO2|100|50|1.5|200|10|

源2|120.15|30.25|100|点源|NOx|200|60|2.0|220|12|

源3|120.18|30.28|100|面源|PM10|500|-|-|-|-|

数据验证

数据验证是对收集到的源排放数据进行质量检查，确保数据的准确性和可靠性。常见的数据验证方法包括：

数据完整性检查：确保所有必要的数据字段都被正确记录。

数据合理性检查：检查数据是否符合物理和化学规律。

数据一致性检查：确保不同数据源之间的数据一致。

例子：数据验证

假设我们已经收集了上述表格中的数据，接下来进行数据验证：

数据完整性检查：检查每个源的经纬度、海拔高度、类型、污染物、排放速率、烟囱高度、烟囱直径、排放温度和排放速度是否都有记录。

数据合理性检查：检查排放速率是否在合理范围内，烟囱高度和直径是否符合实际物理尺寸，排放温度和速度是否符合物理规律。

数据一致性检查：将现场调查数据与企业报告数据进行对比，确保数据的一致性。

以下是一个简单的Python脚本示例，用于进行数据完整性检查：

#数据验证脚本

importpandasaspd

#假设数据存储在一个CSV文件中

data=pd.read_csv(emission_sources.csv)

#定义必须的数据字段

required_fields=[源名称,经度,纬度,海拔高度,类型,污染物,排放速率(kg/h),烟囱高度(m),烟囱直径(m),排放温度(°C),排放速度(m/s)]

#检查数据完整性

defcheck_data_integrity(df,required_fields):

missing_fields=[fieldforfieldinrequired_fieldsiffieldnotindf.columns]

ifmissing_fields:

raiseValueError(f缺少以下字段：{missing_fields})

missing_values=df[required_fields].isnull().sum()

ifany(missing_values0):

print(以下字段有缺失值：)

print(missing_values[missing_values0])

#调用检查函数

check_data_integrity(data,required_fields)

数据格式化

数据格式化是将收集到的源排放数据转换为AERMOD可以接受的格式。AERMOD的输入文件通常包括.inp、.met、.emis等文件。其中，.emis文件用于存储源排放数据。

例子：数据格式化

假设我们已经验证了上述数据的完整性，接下来将数据格式化为AERMOD的输入文件格式。以下是一个简单的数据格式化脚本示例：

#数据格式化脚本

im