工业生产带来的大气污染问题对公共安全和社会稳定具有重大影响。大气污染物的超量排放将严重影响空气质量,而大气污染泄漏事故则可能造成一系列的人员伤亡。因此,对大气污染的排放及泄漏事故进行管理具有重要意义。由于大气污染物排放监测数据的缺乏,大气污染事故难以复现等原因,传统的管理模式只停留在定性层面,仅仅依靠专家经验或管理者主观意见进行决策。平行应急管理模式为大气污染物的排放管理提供了新的途径。在平行管理系统的支持下,依据该管理模式可以进行充分的计算实验以获取相关数据,揭示污染事件机制并验证、评估与优化应急管理预案,同时还能支持事故发生时的在线仿真推演与辅助决策。本文以化工园区的大气污染物排放平行应急管理为研究背景,以构建平行管理系统为目的,梳理了当前大气污染物扩散建模与污染源估计方法的研究现状与发展趋势,从大气污染物扩散的机理模型出发,对动态数据驱动的大气扩散机理模型、结合机理模型知识的机器学习大气扩散预测模型进行了研究,并将其应用于大气污染源估计方法中,最后构建了平行管理原型系统。论文的主要工作及创新点概括如下:(1)建立了动态数据驱动的大气扩散模型。在传统的静态大气扩散机理模型运行过程中,其模型参数保持不变,因此无法满足动态环境下的建模需求。本文将大气扩散机理模型与动态观测数据相结合,采用粒子滤波作为数据同化方法,将实时观测数据注入高斯烟羽模型。通过对模型参数的动态校正与估计,改善模型在动态气象环境下的预测精度。同时结合期望最大化(EM)算法框架,提高了参数估计精度与模型预测精度。该方法为动态环境下的大气扩散建模提供了有效途径。(2)提出了结合大气扩散机理的机器学习扩散模型。单一的机理建模或数据建模方法在描述大气扩散过程时存在无法平衡模型精度与计算效率的问题。针对人工神经网络(ANN)与支持向量回归(SVR)两种机器学习模型,将高斯烟羽模型参数项引入特征构建中,建立了高斯-机器学习扩散预测模型。该模型兼顾了预测精度与计算效率,在改善机器学习模型精度的同时不增加过多计算负担。同时,通过实验对这两种机器学习模型的拟合能力与泛化性进行了对比分析,为实际应用中的模型选择提供了指导。(3)提出了基于机器学习扩散模型的最优化源估计方法。传统的最优化源估计方法受到前向扩散模型精度的限制,在实际应用中效果不佳。本文将构建的机器学习扩散模型作为前向扩散模型应用于粒子群优化(PSO)算法中,提升了传统的基于高斯扩散模型的PSO算法的源估计精度。进一步,在源估计算法的敏感性分析中揭示了观测噪声与传感网络密度对源估计结果的影响,为源估计算法在实际应用中的配置提供了参考。(4)构建了大气污染平行管理原型系统。根据平行应急管理模式的需求,综合现有理论方法,针对某化工园区建立了大气污染平行管理原型系统以实现数据监测预警、动态仿真推演、污染源估计等功能。为了支撑该平行管理系统的运行,开发了基于无人机的大气污染物监测系统以提供实时监测数据。本文聚焦于大气污染的平行应急管理,改进了传统建模思路,将机理建模与数据建模方法相结合对大气扩散过程进行描述。同时,利用提出的大气扩散模型提升了大气污染源估计效果。基于已有的技术方法,针对某化工园区构建了大气污染平行管理原型系统,并开发了一套基于无人机的大气污染物监测系统。本文的研究工作能有效地深化管理者对于大气污染事故的理解,促进预案制定和辅助应急决策,从而有力地支撑了大气污染平行应急管理模式的构建,具有重要的现实意义。