源重建大气释放的贝叶斯推理和落后的大气色散模型:一个应用程序ETEX-I数据

文摘

源项重建方法尝试计算大气释放的最有可能的源参数测量,包括位置和释放量。然而,源项重建是容易受到不确定性。本文方法结合贝叶斯推理与逆向大气色散模型是开发健壮的源项重建。落后的模型是用来量化源和测量之间的关系,以减少搜索范围的贝叶斯推理。马尔可夫链蒙特卡罗方法用于样本源项的多维参数空间。源位置和释放率同时估计,产生的后验概率分布,应用贝叶斯定理。该方法应用于一组真实浓度的数据ETEX-I实验。结果表明,源位置估计−2.86°±1.01°E, 48.25°±0.33°N,和释放率估计为20.16±3.56 kg / h。真正的源位置是正确估计一个标准差的时间间隔内,释放率是正确确定为三个标准差区间内。

1。介绍

污染源的准确和及时的评价(生物、化学和放射性物质)应急响应参数起着重要的作用。在核事故,如2011年在福岛核事故和钌- 106羽在欧洲2017年事故,或释放率未知源位置。这些事件的主要问题是如何定位污染源和估计释放率。一个有效的方法是重建源利用环境监测数据和分散模型。这些方法已经应用于风洞实验(1,2),示踪实验(3,4),和真正的核事故等事故5,6)和放射性核素排放量在正常情况下(7]。

在这些研究中,两个引人注目的方法包括贝叶斯推理和反向大气模型。与确定性优化方法提供一个最优解,贝叶斯推理可以提供一个源参数的概率分布未知参数的先验信息和监测数据,但该方法耗时巨大的抽样(8]。落后的大气模型可以迅速为每一个测量位置提供可能的来源地区,但它依赖于进一步分析定量确定源的位置和释放率(9]。

然而,很少有报道贝叶斯推理和反向大气模型的结合。

健壮的源项重建的新方法结合贝叶斯推理与逆向运行模型FLEXPART提出了研究。source-receptor关系和可能来源地区通过反向模拟。贝叶斯推理获得结合用于估计源项的位置,同时释放率,连同他们的后验分布。该方法使用ETEX-I验证实验通过比较源参数和模拟浓度。

2。方法

源项重建方法基于贝叶斯推理的方法,结合了未知参数的先验信息和测量数据转换成后的信息,和它已应用于不同的场景10- - - - - -12]。下面简要总结为源重建和贝叶斯推理source-receptor的推导关系。

2.1。贝叶斯推理的重建

源重建的贝叶斯推理的目的是确定源参数的后验概率分布。控制方程是贝叶斯定理,可以表示如下: 在哪里年代由源参数和状态向量形成米是一个向量组成的测量。

在方程(条款1)可以确定如下。首先,P(年代)是源参数的先验概率之前,任何知识。它主要来自以前的数据、历史经验和主观判断。包括制服和正态分布的先验概率分布。第二,P(米|年代)是概率似然函数,并考虑到源参数年代,这表明之间的适应性建模和测量浓度。在这里,我们定义似然函数为正态分布函数。 在哪里N监控数据的数量,是我监测数据,是我th已知的大气传输模型预测的数据来源年代,将描述的部分2.2,之间的误差和 。第三,P(米)的集成P(米|年代)P(年代在所有源参数和被称为证据。它可以简单归一化常数。最后,P(年代|米)是答案后验分布源重建。

2.2。Source-Receptor关系(SRR)

似然函数的确定需要的计算C_我,即,the simulated concentrations. Because Bayesian inference requires a repeated computation ofC_我,直接模拟大气色散模型可以使用一个高度计算要求。另一种方法是计算矩阵代表释放源和浓度之间的关系在车站,转而使用矩阵向量乘法。这个矩阵被称为source-receptor关系。计算一个SRR的优点是计算模拟浓度可以避免数值模拟过程中,通常需要几分钟或几小时。有两种方法可以获得SRR:一个是基于源,使用模拟。提出模拟可以建立一个源之间的关系(x₀,y₀,问₀)和一系列的监测数据C(C_1,C₂C、…_N);另一种是基于受体,利用反向模拟(13]。通过逆转平流的符号,大量粒子在受体和发布运输落后。网格中的停留时间成正比的贡献源网格中的单元。一个反向模拟可以建立一个监测数据集之间的关系C_我源数据和一系列的停留时间t_r。当我们修复源参数,浓度C_我在一个站可以计算如下:

V是网格体积,计算基于网格设置参数,包括网格分辨率和水平高度,和dtATM的时间分辨率。更详细的描述(可以找到反向模拟的13]。

对于未知的源项的位置,可能的源项的位置通常是远远大于监控数据的数量。需要更多的模拟在远期模式比落后的模式。在这种情况下,反向模拟比前进更高效的仿真计算成本。

3所示。抽样方法和收敛性

马尔可夫链蒙特卡罗(密度)算法14)通常用于生成随机抽样获取源参数的后验概率密度函数。获得许多算法被开发出来,包括pmmh (mh)算法和吉布斯算法。目前,mh算法中常用的源项重建研究;同时在mh采样、参数扰动。

mh算法的过程如下:(1)起始:生成初始点我= (x₀,y₀,问₀)根据先验概率。(2)微扰:新来源我′= (x₀+ dx,y₀+ dy,问₀+ d问)是通过公正的扰动。(3)接受或拒绝:似然函数和计算和比较,比例 是获得。与此同时,一个随机数r[0,1]之间产生。当R≤ΔP,我′被接受;否则,我′是拒绝。(4)迭代:重复步骤2和3,直到达到收敛条件。在实践中,达到收敛条件后验分布时是稳定的。为获得多个连锁店,between-chain方差B和within-chain方差W通常用来评估抽样结果的收敛性(15]。为米马尔可夫链的长度n链之间的方差B是 在哪里

within-chain方差W是 在哪里

收敛值 在哪里

源参数的后验分布的统计分析可以获得稳定的结果后链达到收敛条件。

因此,源项重建的实现过程如图1。

4所示。应用程序

4.1。基准

在本节中,提出的方法是用来评估ETEX-I的源项位置和释放率。

ETEX-I大气示踪实验是一个由许多欧洲国家(16]。它从1994年10月至11月进行。是PMCH使用的示踪剂。源位置是Monterfil、布列塔尼、法国(−2.0083°E, 48.058°N)。总共有168个监测站设置17个国家,和3104年监测数据点。监测站和释放点如图2。

调查的能力源项重建监测数据较少,只有11站58监测数据点选择,包括检测和没有检测数据点。选择站的分布也显示在图2。

4.2。大气传输模型和气象数据

大气传输模型用于这项工作是FLEXPART V8.2 [17]。气象数据NCEP再分析气候预报系统(CFSR) 6小时的产品18),一个全球网格数据集空间分辨率为0.5°×0.5和6小时的时间分辨率。

FLEXPART模型是一个拉格朗日粒子扩散模型由挪威大气研究所。它可以运行在向前和向后模式。这个工作主要是使用落后的模式。基于站点位置和测量的采样信息,每个监测数据点的反向模拟,和部分结果如图所示3。可能的来源地区落后的模拟显示,从车站到真正的源点。

4.3。源项参数的先验分布

根据节4.2落后的模拟结果,可能来源主要分布在中欧和西欧,英格兰南部,和周围的海洋区域。基于这些结果,源项参数的采样空间设置如下:经度(−10°∼10°E),纬度(45°∼55°N),并释放率(0∼100公斤/小时)。在本文中,假设参数的先验分布是均匀分布的。根据先验分布密度函数,1000源生成的初始点密度链。

5。结果

5.1。收敛

源项是根据抽样法在迭代部分3,位置参数的迭代结果链如图4。起始点位于(7.5°E, 53.25°N)。在图的迭代计算1,精源项逐渐接近真正的源位置,最后稳定在真正的源位置附近。

的进化的平均值和标准偏差估计源参数计算和显示在图5。3000次迭代之后,这三个参数的平均值变得稳定。标准差也显示明显减少所有三个估计参数。纬度,标准差为0.33°稳态,这三个参数中是最小的。经度的标准差是略大,这是1.01°的稳定状态。这一现象表明,两个位置参数的估计的不确定性可以不同。释放率,标准差是3.56公斤/小时。

基于融合方法部分3源项参数的收敛值计算。图6表明,三个参数的经度,纬度,并释放率、收敛速度最快的纬度,释放速率收敛速度最慢。相对更好的收敛的位置参数可能归因于更好的反向模拟提供的初始值4.2。

5.2。估计结果

图7显示参数的后验概率分布。抽样的结果和真正的源参数的先验分布源方面也显示在图7。后验概率分布表明,均值,标准差,和最可能值的源参数−2.86°±1.01°E (−2.25°E), 48.24°±0.33°N (48.25°N)和20.16±3.56公斤/小时(21.0 kg / h)。图7(一)显示经度值的后验分布。分布有两个峰值的西方真正的点,偏差为0.25°和1.5°。两个山峰高度风场的影响,主要从西到东。图7 (b)显示了后验分布的纬度值。大多数的值在0.5°的真正价值。图7 (c)显示的释放率值接受状态。释放率是正确确定为三个标准差区间内。估计释放率之间的差异和真正价值主要来自于模型错误。后验分布的统计数据表中列出1。一般来说,最可能的值更接近真实值的平均值。这些结果表明,最有可能的估计可能更可靠的来源重建一个真正的核事故。与位置相比,释放率显示了相对较大的误差和标准差。

5.3。比较模拟和测量

观察到浓度和浓度模拟通过使用不同来源方面比较来验证该源重建方法。(我)FWD_t:正向模拟真正的源项(2)FWD_m:仿真与意味着源项表1(3)FWD_p:向前模拟概率最多的源项表1

图8显示了羽流建模,在不同的时间不同的源项。值得注意的是,羽形状类似于彼此相同的时候,表明模拟的气象输入起着主导的作用。尽管这两个估计经度(表相对较大的差异1),浓度分布通常是一样的,特别是对后者(中间和右侧的列图8)。这种现象意味着模拟源的位移并不敏感的位置。然而,的高浓度区域模拟使用真正的源项是完全不同于使用最可能意味着估计,表明释放率差异有更大的影响的模拟。这些差异的敏感源坐标和释放率可能部分解释的不同偏差源(表重建这两个变量1)。在某些测量中心的羽,仿真与真实的释放率表现出更大的偏差比模拟使用另外两个源项估计(第一列在图8)。这一现象表明,大气扩散模型可能有自己的偏差,偏差,这种偏差是取消的最可能的估计和均值估计在某种程度上。对于那些测量柱外,气象输入的不确定性可以这些偏差的主要来源。

图9比较观察和模拟浓度的时间配置文件代表网站。所有4个站点,山峰一般的模拟计时显示偏差3 h间隔内与监测结果相比,而模拟高峰值的偏差在50%以内,这四个网站。70%以上的电台,峰值的估算值的偏差在5倍。也有不同数量的峰值之间的模拟和测量。以D06站为例,一个小峰主峰后面显示测量数据,而不是显示在模拟数据。同样,值得注意的是,使用真正的释放率的模拟配置文件显示最明显的偏差D05 D13,大大高估的数量和大小的山峰。对于其他两个源条件,模拟峰值时间基本上是相同的,但是高峰值是不同的。因此,除了释放率,还需要减少输入气象领域的不确定性和色散的物理过程模型来提高仿真结果。本改进我们的未来的工作。

表2比较的量化指标模拟使用三个不同的源项。模拟使用真正的释放率表现出最糟糕的指标除了相关性R,这意味着模型不确定性可能进一步降低。对于其他两个源而言,他们的表演非常接近对方,除了FB。

6。结论和讨论

介绍了一种方法来重建源参数给定一组的测量。结合贝叶斯推理方法(获得)和ATM反向模拟,提供了源项的后验概率分布。方法已应用于示踪实验(ETEX-I)发生在1994年在欧洲。源和受体之间的关系是通过使用FLEXPART运行模式的落后,这减少了计算需求大量的似然函数的迭代采样,提高了计算效率。重建的结果有很好的一致性与真正的源项参数。位置的不确定性是在1.0°,释放率和实际利率之间的偏差在3倍标准差。在3000次迭代之后,该方法收敛于一个稳定的状态,不仅提供一个单一的解决方案也后验概率分布。与此同时,我们发现之间的验证仿真使用不同源条件和观测表明,主要的不确定性来自大气扩散模型,包括气象输入和物理过程模型。这些不确定性的降低可以提高重建精度来源,这将在我们未来的工作。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. x, y . Liu h . Li w·熊和美国方,“联合释放率估计和measurement-by-measurement模型大气校正在核事故放射性核素发射:应用风洞实验,”《有害物质卷。345年,48 - 62年,2018页。视图:出版商的网站|谷歌学术搜索
2. 美国方、美国壮族和李x”自动释放率反演大气放射性核素泄漏和羽偏差纠正:一个健壮的和一般补救不完美的放射性核素交通建模、”科学的环境文章ID 142140卷,754年,2019年。视图:谷歌学术搜索
3. l·罗伯逊和j·朗格”源函数估计通过变分资料同化应用于ETEX-I示踪实验中,“大气环境,32卷,不。24日,第4225 - 4219页,1998年。视图:出版商的网站|谷歌学术搜索
4. m . Bocquet“示踪扩散事件:应用程序的高分辨率重建ETEX,”季度皇家气象学会杂志》上,卷133,不。625年,第1026 - 1013页,2007年。视图:出版商的网站|谷歌学术搜索
5. 美国太阳,h·李,美国方“forward-backward耦合的核电站事故源项估计:一个案例研究的失水事故场景中,“年报的核能卷,104年,第74 - 67页,2017年。视图:出版商的网站|谷歌学术搜索
6. 李x、美国太阳和x,“源反演两个长期和短期的放射性核素从福岛核事故释放使用现场γ剂量率,”《有害物质文章ID 120770卷,379年,2019年。视图:出版商的网站|谷歌学术搜索
7. e .绮。霍夫曼,安格k,”贝叶斯推理源重建:现实的应用程序中,“国际学术研究的通知文章ID 507634卷,2014年,2014年。视图:出版商的网站|谷歌学术搜索
8. g . Kastner和f·胡贝尔稀疏贝叶斯向量自回归在巨大的尺寸。”杂志的预测,39卷,不。7,1142 - 1165年,2008页。视图:谷歌学术搜索
9. j . Sørensen h·克莱恩,m . Ulimoen“逆源定位的方法,”2020年,http://www.nks.org/scripts/getdocument.php?file=111010214696504。视图:谷歌学术搜索
10. l . Monache j . Lundquist b . Kosović,”贝叶斯推理和马尔可夫链蒙特卡罗采样重建在大陆范围内污染物来源,”应用气象学和气候学杂志》上卷,47号10日,2600 - 2613年,2008页。视图:谷歌学术搜索
11. 大肠绮”,为贝叶斯重建来源:应用程序自动计算推理引擎的一些检测/ non-detections国际监测系统在《全面禁止核试验条约》,“应用数学科学,11卷,不。32岁,1581 - 1618年,2017页。视图:出版商的网站|谷歌学术搜索
12. d . l . Brazidec j . Bocquet和m . Saunier”量化大气释放源建模不确定性的评估和应用的重建2017年秋季钌106源,”大气化学和物理,4卷,2021年。视图:谷歌学术搜索
13. p . Seibert和a·弗兰克Source-receptor矩阵计算拉格朗日粒子色散模型在落后的模式中,”大气化学和物理,4卷,不。1,51 - 63,2004页。视图:出版商的网站|谷歌学术搜索
14. 斯皮格尔霍尔特w·r·Gilks s·理查森,d .,在实践中马尔可夫链蒙特卡洛查普曼&大厅/ CRC出版社,伦敦,英国,1996年。
15. a > j·b·卡林和h . s .斯特恩贝叶斯数据分析美国佛罗里达州波卡拉顿,CRC新闻,第3版,2013年版。
16. h .计划下,g . Graziani和w·克鲁格是“ETEX:欧洲示踪实验”,在空气污染模拟大规模计算57卷,第150 - 137页,1999年。视图:出版商的网站|谷歌学术搜索
17. 美国堪称" a .本性和h . Sodemann,”拉格朗日粒子色散模型FLEXPART 8.0版本,”2020年,https://folk.nilu.no/%7Eandreas/flexpart/flexpart8.pdf。视图:谷歌学术搜索
18. 萨哈,s . Moorthi,吴x”NCEP再分析气候预报系统(CFSR)产品,长达6”计算和信息系统实验室,93卷,2021年。视图:谷歌学术搜索

版权

版权©2021云岗赵等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。