本申请涉及一种基于网格优化与自调控的污染物浓度扩散模拟方法。所述方法包括:对模拟区域进行基础网格划分,得到基础网格;根据监测站的空间位置和污染物浓度值计算模拟区域的污染物浓度场;根据模拟区域的污染物浓度场生成浓度分布矩阵后动态调整基础网格的网格密度;利用调整后基础网格的网格密度计算出各个网格区域的计算复杂度,根据云平台和加权轮询算法进行污染物浓度计算任务分配,每个网格的污染物浓度预测结果构成模拟区域的污染物浓度分布预测结果;根据卡尔曼滤波和获取的实时环境数据对污染物浓度分布预测结果进行动态调整,得到最终的污染物浓度预测值。采用本方法能够提高污染扩散模拟的精度和实时性。
背景技术
随着工业化、城市化进程的不断加快,环境污染问题日益严峻,尤其是化学毒剂、生物病原体等生化污染物的扩散,对环境质量、生态系统以及人类健康构成了巨大的威胁。在实际应用中,污染物扩散模拟技术已成为环境治理与应急响应的关键工具。在突发性环境污染事件中,污染物扩散的路径和影响范围往往复杂且难以预测,因此,快速、精准地模拟污染物的扩散过程,成为环境管理与应急响应领域的核心需求。传统的污染扩散模拟方法通常采用固定网格划分技术和静态计算模式,存在诸多局限性。
现有的污染扩散模型通常基于固定网格划分进行计算,这种方式在一定程度上能够满足中小规模污染场景的模拟需求,但在高浓度污染区域和低浓度污染区域中难以同时兼顾精度和效率。在高浓度区域,固定网格分辨率可能不足,导致模拟结果无法满足实际需求,而在低浓度区域,过高的网格密度又会造成大量不必要的计算开销,显著降低资源利用率。此外,传统的模拟方法通常依赖单机计算,无法灵活扩展计算资源,导致在面对大规模或复杂场景时,模拟速度较慢,难以满足突发事件对实时性的要求。这些技术瓶颈在污染物扩散模拟的精度、效率和灵活性方面形成了重大障碍。此外,传统模型的另一局限性是对环境动态变化的响应能力不足。污染物扩散过程受到气象条件(如风速、风向、温度、湿度等)的显著影响,而这些条件可能随时间不断变化,其动态特性难以及时展现。现有方法通常使用静态的模型参数,难以实时响应环境数据的变化,导致模拟结果与实际情况存在偏差,削弱了污染预测的准确性和应急响应的有效性。因此,为应对复杂动态环境中的污染扩散问题,需要一种能够实时调整网格密度、灵活调度计算资源,并结合动态环境数据进行模型优化的新型技术,为生化污染物扩散模拟提供精准、高效的解决方案。
实现思路