CN103234883B - 一种基于道路交通流量实时估算中心城区pm2.5浓度的方法 - Google Patents
一种基于道路交通流量实时估算中心城区pm2.5浓度的方法 Download PDFInfo
- Publication number
- CN103234883B CN103234883B CN201310156337.7A CN201310156337A CN103234883B CN 103234883 B CN103234883 B CN 103234883B CN 201310156337 A CN201310156337 A CN 201310156337A CN 103234883 B CN103234883 B CN 103234883B
- Authority
- CN
- China
- Prior art keywords
- point
- pollution source
- inner city
- acceptor
- city
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于道路交通流量实时估算中心城区PM2.5浓度的方法,首先利用中心城区的道路交通流量实时监控数据,将交通道路污染源离散为固定间隔点污染源;然后以本发明所提出的源特征地理加权邻近受体空气污染暴露评估模型为基础,评估中心城区PM2.5污染暴露相对风险值;最后再将中心城区PM2.5监测站位置的PM2.5污染暴露相对风险值与观测浓度值进行回归建模;并利用所构建的回归模型估算中心城区的任意空间位置点的实时PM2.5浓度。这是当前在中心城区开展PM2.5高密度布点观测难以实施条件下,发明的一种可准确、高效估算中心城区任意空间位置点实时PM2.5浓度的方法。
Description
技术领域
本发明涉及环境监测与风险评估领域,特别涉及一种基于道路交通流量实时估算中心城区PM2.5浓度的方法。
背景技术
细颗粒物PM2.5(空气动力学当量直径小于或等于2.5μm)粒径小,形状不规则,比表面积大,在大气中悬浮时间较长,输送距离远,能够吸附大量毒性化合物,因为粒径小,能滞留在终末细支气管和肺泡中,直接影响肺的通气功能,使机体容易处在缺氧状态,长期暴露于高浓度的PM2.5环境中,会严重危及人体健康。中国是全球PM2.5污染的高值区,城市PM2.5浓度较高,约80%的城市不能满足2012年2月29日国家颁布新的环境空气质量标准。特别是自2011年10月以来,包括京沪在内的我国多地持续出现雾霾天气,严重影响了民众的日常生活,引发了民众对空气质量问题给健康带来的担忧。在中心城区,由于工业、交通、人口等因素的影响,PM2.5浓度较高,同时大量的人口集中生活在中心城区,PM2.5的污染影响群体的范围更大,因此在城市的中心城区了解PM2.5浓度空间分布具有重要的意义。
由于受到人力、资金、设备等因素的影响,中心城区的PM2.5浓度监测的只能局限在有限的PM2.5浓度监测站点上,当需要获得整个中心城区任意空间位置点的PM2.5浓度时,可以采用以下的方法:1、空间插值模型;2、土地利用回归模型;3、空气污染扩散模型;4、个体吸入式模型;5、混合模型;6、遥感反演模型等。以上模型的应用过程中对于输入数据依赖程度较高、监测所需时间较长,监测的延迟性较高、对研究人员的专业知识要求较高等不足。需要一种高效、快速、准确地获取中心城区PM2.5浓度的方法。
发明内容
为了准确、及时地揭示PM2.5时空变化过程与规律,以制定科学有效的防控措施,本发明提供一种能高效、快速、准确地获取中心城区PM2.5浓度的基于道路交通流量实时估算中心城区PM2.5浓度的方法。
为了实现上述技术目的,本发明的技术方案是,一种基于道路交通流量实时监控数据估算中心城区PM2.5浓度的方法,包括以下步骤:
步骤1:将中心城区内交通道路污染源离散为固定间隔的点污染源;
步骤2:在整个中心城区内进行地理加权函数的构建;
步骤3:依据步骤1、步骤2的结果,进行中心城区源特征地理加权邻近受体PM2.5污染暴露相对风险评估;
步骤4:将步骤2获得的PM2.5污染暴露相对风险值与PM2.5浓度值进行回归分析,并实时估算中心城区PM2.5浓度。
所述的方法,步骤1中所述的将中心城区内交通道路污染源离散为固定间隔的点污染源,包括以下步骤:
获得中心城区交通道路的交通流量实时监控数据;
将中心城区各交通道路离散为固定间隔的道路段,并计算离散后道路段的长度、中点坐标;
按照下列公式计算各道路段的PM2.5排放量占整个中心城区PM2.5排放量的权值:
其中Qg代表第g条道路段排放量占整个中心城区排放量的权值,Fg代表第g条道路段实时监控的交通流量,Lg代表第g条道路段的长度,h代表整个中心城区离散后的道路段数;
计算各道路段的PM2.5排放量:
Eg=Etotal*Qg
Eg代表第g条道路段的PM2.5排放量,Etotal代表整个中心城区的PM2.5排放量;
以第g条道路段的中点坐标Lg(X,Y)作为代替交通道路污染源的固定间隔点污染源的空间坐标和第g条道路段的PM2.5排放量Eg作为代替交通道路污染源的固定间隔点污染源的PM2.5排放量,生成固定间隔点污染源图层,并对所有生成的点污染源进行编号。
所述的方法,步骤2中所述的在整个中心城区内进行地理加权函数的构建,包括以下步骤:
构建一个近高斯函数模型;
将近高斯函数模型向右平移一个带宽b的距离;
其中,i表示上述步骤1中将交通道路污染源离散后的点污染源;j表示在研究区域内按照固定间隔生成的点,以这些点作为探测区域内污染暴露量空间差异的受体,称作预设受体;Wij表示由点污染源i排放所导致的预设受体j的暴露量占点污染源i排放量的权重;dij表示预设受体j与点污染源i之间的距离;b是描述权重与距离之间函数关系的非负衰减函数,称为带宽;
选择中心城区内历史监测点的PM2.5真实监测值的相对风险值和按照该地理加权函数模型计算后监测点的PM2.5相对风险值,来进行带宽b的确定,步骤如下:
所述的方法,所述的带宽b是以Akaike信息量为准则来确定带宽b的大小,选择使得AIC(Akaike信息量)最小的带宽为最优带宽,也即是求得使下式值最小的b值:
其中n中心城区内监测点的个数;rt为中心城区内第t个监测点的PM2.5真实监测值的相对风险值;Rt按照该地理加权函数模型计算后第t个监测站点的PM2.5估计值的相对风险值;tr(s)为矩阵s的迹,也即是矩阵对角线元素之和;et为第t个监测站点周围的点排放源组成的矩阵;同时式中Wt为第t个监测站点到周围的各点排放源的地理加权函数组成的矩阵,是带宽b的函数。
所述的方法,步骤3中所述的进行中心城区源特征地理加权邻近受体PM2.5污染暴露相对风险评估,包括以下步骤:
以中心城区的最东南角坐标为起始坐标,在城区范围内创建固定间隔的预设受体图层,并且将所有的预设受体进行编号;
采用邻近计算的方法,在阈值范围内,计算并记录每一个预设受体与每一个点污染源之间空间距离,并根据点污染源的编号匹配这些点污染源的PM2.5排放量,生成记录预设受体编号、点污染源编号、预设受体与多个点污染源之间空间距离和点污染源的PM2.5排放量的记录表,阈值范围的大小与地理加权函数的带宽b有关,为带宽的两倍,也即是2b;
根据生成的记录表中点污染源的编号匹配依据步骤1生成的点污染源PM2.5排放量;
根据记录预设受体与点污染源之间的距离记录表,将点污染源i的PM2.5排放量按照步骤3平移后的近高斯函数模型进行地理加权,计算由点污染源i引起的预设受体j暴露量Ei j;
Ei j=Ei*Wij
其中,Ei j表示预设受体j由点污染源i引起的暴露量;Ei为点污染源i的排放量;Wij表示由点污染源i排放所导致的预设受体j的暴露量占点污染源i排放量的权重。
计算预设受体在阈值范围内所受到的多个PM2.5点污染源引起的污染暴露相对风险值,计算公式如下:
其中,Rj表示预设受体j污染暴露相对风险值;Ei j表示预设受体j由点污染源i引起的暴露量,m为中心城区内预设受体的个数,l为阈值范围内生成的点污染源的个数;
采用地统计中的反距离权插值方法,对预设受体的PM2.5污染暴露相对风险值在中心城区内进行空间插值;生成中心城区PM2.5污染暴露风险预测图。
所述的方法,步骤3中所述的PM2.5污染暴露相对风险值与PM2.5浓度值之间的回归分析,并实时估算中心城区PM2.5浓度,包括以下步骤:
根据PM2.5监测站的地理空间位置创建PM2.5监测站点数据层;
依据监测站点的空间位置,利用步骤3生成的中心城区PM2.5污染暴露风险预测图,提取PM2.5监测站点位置的PM2.5污染暴露相对风险值;
将提取得到的PM2.5监测站点处PM2.5污染暴露相对风险值与监测站点位置的PM2.5观测浓度值进行回归分析,计算得到回归系数
其中,xi为监测站点k处预测得到的PM2.5污染暴露相对风险值,中心城区内所有监测站点预测得到的PM2.5污染暴露相对风险值的平均值,yk为监测站点k处的PM2.5观测浓度值,中心城区内所有监测站PM2.5观测浓度值的平均值,n为中心城区内监测站点的个数;
然后建立中心城区任意空间位置PM2.5污染暴露相对风险值与PM2.5观测浓度值之间的线性回归模型;
其中,Y为任意空间位置PM2.5浓度值,R为任意空间位置PM2.5污染暴露相对风险值;
将得到的回归模型依次逐点地应用到中心城区任意空间位置点PM2.5浓度的估算,实时估算中心城区PM2.5浓度。
与现有方法相比,本发明的优点在于:(1)本方法利用道路交通流量实时监控数据估算中心城区PM2.5浓度,是一种新型的中心城区PM2.5浓度估算方法;(2)同时本方法是一种较为精确的中心城区PM2.5浓度估算方法,与基于监测站点的中心城区PM2.5浓度估算相比,本方法能够估算中心城区任意空间位置点的PM2.5浓度;(3)本方法还是一种比较高效的中心城区PM2.5浓度估算方法,所需的中心城区交通道路网矢量数据相对稳定,对环境变量要求较低,不需要重复收集和整理,只需要获得中心城区PM2.5排放总量数据和实时交通流量监控数据就可以实时地获得中心城区PM2.5浓度值。
附图说明
图1示出了基于道路交通流量实时监控数据估算中心城区任意位置点PM2.5浓度的方法流程;
图2示出了将交通道路线状污染源离散为固定间隔的点污染源流程;
图3示出了真实空气污染扩散模式与地理加权函数的对比,其中:(a)为真实空气污染扩散模式、(b)为地理加权函数、(c)为地理加权函数表达式;
图4示出了源特征地理加权邻近受体空气污染暴露评估模型中邻近计算的原理,其中,(a)为计算受体点与阈值范围内的点污染源之间空间距离示意图、(b)为邻近计算后预设受体与多个点污染源之间空间距离的记录表;
图5示出了根据本发明实施例的PM2.5污染暴露相对风险值与PM2.5浓度值之间的回归分析流程具体实施方式;
图6示出了交通道路污染源离散为固定间隔的点污染源,其中(a)为中心城区道路网;(b)为中心城区道路网局部放大图;(c)为中心城区道路网离散为间隔的点污染源后的局部放大图。
图7示出了PM2.5污染暴露相对风险值与PM2.5观测浓度值回归分析结果。
图8示出了中心城区任意空间位置PM2.5浓度。
具体实施方式:
下面是对本发明一个优选实施例,结合附图进行的详细说明。
1、交通道路污染源离散为固定间隔的点污染源。
如图2所示,本发明采用的交通道路污染源离散步骤包括:
首先,从交通部门的实时道路监控***,获得中心城区交通道路的交通流量实时监控数据,由于中心城区的实时交通流量监控数据一般是按照道路名称发布,因此,需要根据道路名称将实时交通流量监控数据与相应道路属性匹配,以获得中心城区各条道路上的实时交通流量;
其次,将中心城区各交通道路离散为固定间隔的道路段,如图6所示,并计算离散后道路段的长度、中点坐标;公式分别如下:
其中(xa,ya)与(xb,yb)分别为第g条道路段的端点坐标,Lg(X,Y)代表第g条道路段的中点坐标,Lg代表第g条道路段的长度。
按照下列公式计算各道路段的PM2.5排放量占整个中心城区PM2.5排放量的权值:
Qg代表第g条道路段排放量占整个中心城区排放量的权值,Fg代表第g条道路段实时监控的交通流量,Lg代表第g条道路段的长度,h代表整个中心城区离散后的道路段数;
然后,计算各道路段的PM2.5排放量:
Eg=Etotal*Qg
Eg代表第g条道路段的PM2.5排放量,Etotal代表整个中心城区的PM2.5排放量。
最后,以Lg(X,Y)(第g条道路段的中点坐标)作为代替交通道路线状污染源的固定间隔点污染源的空间坐标和Eg(第g条道路段的PM2.5排放量)作为代替交通道路污染源的固定间隔点污染源的PM2.5排放量,生成固定间隔点污染源图层,并对所有生成的点污染源进行编号。
2、地理加权函数的构建。
在真实的空气污染扩散模式中,离污染源一定距离的位置,污染物浓度最高,以此位置为对称轴,距离此对称轴距离越大浓度越低。本发明所提出的源特征地理加权邻近受体空气污染暴露评估模型通过地理加权函数对真实的空气污染扩散模式进行模拟,具体的构建过程,采用以下步骤:
首先,构建一个近高斯函数模型;
其次,将近高斯函数模型向右平移一个带宽b的距离;
其中,i表示上述步骤1中将交通道路污染源离散后的点污染源;j表示在研究区域内按照人为定义固定间隔生成的点,以这些点作为探测区域内污染暴露量空间差异的受体,称作预设受体;Wij表示由点污染源i排放所导致的预设受体j的暴露量占点污染源i排放量的权重;dij表示预设受体j与点污染源i之间的距离;b是描述权重与距离之间函数关系的非负衰减函数,称为带宽;
选择中心城区内历史监测点的PM2.5真实监测值的相对风险值和按照该地理加权函数模型计算后监测点的PM2.5相对风险值,来进行带宽b的确定,步骤如下:
以Akaike信息量为准则来确定带宽b的大小,选择使得AIC(Akaike信息量)最小的带宽为最优带宽,也即是求得使下式值最小的b值:
其中n中心城区内监测点的个数;rt为中心城区内第t个监测点的PM2.5真实监测值的相对风险值;Rt按照该地理加权函数模型计算后第t个监测站点的PM2.5估计值的相对风险值;tr(s)为矩阵s的迹,也即是矩阵对角线元素之和;et为第t个监测站点周围的点排放源组成的矩阵;同时式中Wt为第t个监测站点到周围的各点排放源的地理加权函数组成的矩阵,是带宽b的函数。
最后,为了便于相关领域的人员理解本发明中采用的地理加权的思想,图3示出了地理加权函数与真实的空气污染扩散模式的对比。
3、中心城区源特征地理加权邻近受体PM2.5污染暴露相对风险评估,采用的步骤包括:
首先,按照中心城区的范围,创建中心城区内固定间隔的预设受体图层,并且将所有的预设受体进行编号;
其次,采用邻近计算的方法,在阈值范围内,计算并记录每一个预设受体与每一个点污染源之间空间距离,生成记录预设受体编号、点污染源编号、预设受体与多个点污染源之间空间距离的记录表,阈值范围的大小与地理加权函数的带宽b有关,为带宽的两倍,也即是2b;图4示出了邻近计算的原理,其中每一个点污染源与一定的阈值范围内每一个预设受体之间空间距离的计算公式如下:
其中dij为第i个预设受体与第j个点污染源之间的空间距离,2d为PM2.5影响的阈值范围;
再次,记录每个预设受体与阈值范围内多个点污染源之间的空间距离,并根据点污染源的编号匹配这些点污染源的PM2.5排放量,生成记录预设受体编号、点污染源编号、预设受体与多个点污染源之间空间距离和点污染源的PM2.5排放量的记录表,如表1所示;
然后,根据生成的记录表中点污染源的编号匹配按照步骤1生成的点污染源PM2.5排放量;根据记录预设受体与多个点污染源之间的距离记录表,将点污染源i的PM2.5排放量按照步骤2平移后的近高斯函数模型进行地理加权,计算由点污染源i引起的预设受体j暴露量Ei j;
Ei j=Ei*Wij
其中,Ei j表示预设受体j由点污染源i引起的暴露量;Ei为点污染源i的排放量;Wij表示由点污染源i排放所导致的预设受体j的暴露量占点污染源i排放量的权重。
再然后,利用源特征地理加权邻近受体空气污染暴露评估模型,计算预设受体在阈值范围内所受到的多个PM2.5点污染源引起的污染暴露相对风险值。计算公式如下:
其中,Rj表示预设受体j污染暴露相对风险值;Ei j表示预设受体j由点污染源i引起的暴露量,m为中心城区内预设受体的个数,l为阈值范围内生成的点污染源的个数;
最后,采用地统计中的反距离权插值方法,对预设受体的PM2.5污染暴露相对风险值在中心城区内进行空间插值;生成中心城区PM2.5污染暴露风险预测图。空间插值的公式如下:
其中,R为中心城区任意点的PM2.5相对暴露风险,Rj为邻域内预设受体j的PM2.5污染暴露相对风险值,dj为任意点与预设受体j的距离,l为中心城区内参插值的预设受体点个数,也即阈值范围内生成的点污染源的个数;
4、PM2.5污染暴露相对风险值与PM2.5浓度值之间的回归分析,并实时估算中心城区PM2.5浓度
如图5所示,本发明采用回归步骤包括:
首先,根据PM2.5监测站的地理空间位置创建PM2.5监测站点数据层;
其次,依据监测站点的空间位置,利用步骤4生成的中心城区PM2.5污染暴露风险预测图,提取PM2.5监测站点位置的PM2.5污染暴露相对风险值;
然后,将提取得到的PM2.5监测站点处PM2.5污染暴露相对风险值与监测站点位置的PM2.5观测浓度值进行回归分析,计算得到回归系数如图7所示,
其中,xk为监测站点k处预测得到的PM2.5污染暴露相对风险值,中心城区内所有监测站点预测得到的PM2.5污染暴露相对风险值的平均值,yk为监测站点i处的PM2.5观测浓度值,中心城区内所有监测站PM2.5观测浓度值的平均值,n为中心城区内监测站点的个数;
再然后,建立中心城区任意空间位置PM2.5污染暴露相对风险值与PM2.5观测浓度值之间的线性回归模型;
Y=1.0194*R–0.0761
其中,Y为任意空间位置PM2.5浓度值,R为任意空间位置PM2.5污染暴露相对风险值;
最后,将得到的回归模型依次逐点地应用到中心城区任意空间位置点PM2.5浓度的估算,实时估算中心城区PM2.5浓度,如图8所示。
在以上对本发明的详细介绍中,应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (1)
1.一种基于道路交通流量实时监控数据估算中心城区PM2.5浓度的方法,其特征在于,包括以下步骤:
步骤1:将中心城区内交通道路污染源离散为固定间隔的点污染源,包括以下步骤:
获得中心城区交通道路的交通流量实时监控数据;
将中心城区各交通道路离散为固定间隔的道路段,并计算离散后道路段的长度、中点坐标;
按照下列公式计算各道路段的PM2.5排放量占整个中心城区PM2.5排放量的权值:
其中Qg代表第g条道路段排放量占整个中心城区排放量的权值,Fg代表第g条道路段实时监控的交通流量,Lg代表第g条道路段的长度,h代表整个中心城区离散后的道路段数;
计算各道路段的PM2.5排放量:
Eg=Etotal*Qg
Eg代表第g条道路段的PM2.5排放量,Etotal代表整个中心城区的PM2.5排放量;
以第g条道路段的中点坐标Lg(X,Y)作为代替交通道路污染源的固定间隔点污染源的空间坐标和第g条道路段的PM2.5排放量Eg作为代替交通道路污染源的固定间隔点污染源的PM2.5排放量,生成固定间隔点污染源图层,并对所有生成的点污染源进行编号;
步骤2:在整个中心城区内进行地理加权函数的构建;
步骤3:依据步骤1、步骤2的结果,进行中心城区源特征地理加权邻近受体PM2.5污染暴露相对风险评估;
步骤4:将步骤3获得的PM2.5污染暴露相对风险值与PM2.5浓度值进行回归分析,并实时估算中心城区PM2.5浓度;
步骤2中所述的在整个中心城区内进行地理加权函数的构建,包括以下步骤:
构建一个近高斯函数模型;
将近高斯函数模型向右平移一个带宽b的距离;
其中,i表示上述步骤1中将交通道路污染源离散后的点污染源;j表示在研究区域内按照固定间隔生成的点,以这些点作为探测区域内污染暴露量空间差异的受体,称作预设受体;Wij表示由点污染源i排放所导致的预设受体j的暴露量占点污染源i排放量的权重;dij表示预设受体j与点污染源i之间的距离;b是描述权重与距离之间函数关系的非负衰减函数,称为带宽;
选择中心城区内历史监测点的PM2.5真实监测值的相对风险值和按照该地理加权函数模型计算后监测点的PM2.5相对风险值,来进行带宽b的确定;
所述的带宽b是以Akaike信息量为准则来确定带宽b的大小,选择使得AIC即Akaike信息量最小的带宽为最优带宽,也即是求得使下式值最小的b值:
其中n中心城区内监测点的个数;rt为中心城区内第t个监测点的PM2.5真实监测值的相对风险值;Rt按照该地理加权函数模型计算后第t个监测站点的PM2.5估计值的相对风险值;tr(s)为矩阵s的迹,也即是矩阵对角线元素之和;et为第t个监测站点周围的点排放源组成的矩阵;同时式中Wt为第t个监测站点到周围的各点排放源的地理加权函数组成的矩阵,是带宽b的函数;
步骤3中所述的进行中心城区源特征地理加权邻近受体PM2.5污染暴露相对风险评估,包括以下步骤:
以中心城区的最东南角坐标为起始坐标,在城区范围内创建固定间隔的预设受体图层,并且将所有的预设受体进行编号;
采用邻近计算的方法,在阈值范围内,计算并记录每一个预设受体与每一个点污染源之间空间距离,并根据点污染源的编号匹配这些点污染源的PM2.5排放量,生成记录预设受体编号、点污染源编号、预设受体与多个点污染源之间空间距离和点污染源的PM2.5排放量的记录表,阈值范围的大小与地理加权函数的带宽b有关,为带宽的两倍,也即是2b;
根据生成的记录表中点污染源的编号匹配依据步骤1生成的点污染源PM2.5排放量;
根据记录预设受体与点污染源之间的距离记录表,将点污染源i的PM2.5排放量按照步骤3平移后的近高斯函数模型进行地理加权,计算由点污染源i引起的预设受体j暴露量Ei j;
Ei j=Ei*Wij
其中,Ei j表示预设受体j由点污染源i引起的暴露量;Ei为点污染源i的排放量;Wij表示由点污染源i排放所导致的预设受体j的暴露量占点污染源i排放量的权重;
计算预设受体在阈值范围内所受到的多个PM2.5点污染源引起的污染暴露相对风险值,计算公式如下:
其中,Rj表示预设受体j污染暴露相对风险值;Ei j表示预设受体j由点污染源i引起的暴露量,m为中心城区内预设受体的个数,l为阈值范围内生成的点污染源的个数;
采用地统计中的反距离权插值方法,对预设受体的PM2.5污染暴露相对风险值在中心城区内进行空间插值;生成中心城区PM2.5污染暴露风险预测图;
步骤3中所述的PM2.5污染暴露相对风险值与PM2.5浓度值之间的回归分析,并实时估算中心城区PM2.5浓度,包括以下步骤:
根据PM2.5监测站的地理空间位置创建PM2.5监测站点数据层;
依据监测站点的空间位置,利用步骤3生成的中心城区PM2.5污染暴露风险预测图,提取PM2.5监测站点位置的PM2.5污染暴露相对风险值;
将提取得到的PM2.5监测站点处PM2.5污染暴露相对风险值与监测站点位置的PM2.5观测浓度值进行回归分析,计算得到回归系数
其中,xk为监测站点k处预测得到的PM2.5污染暴露相对风险值,中心城区内所有监测站点预测得到的PM2.5污染暴露相对风险值的平均值,yk为监测站点k处的PM2.5观测浓度值,中心城区内所有监测站PM2.5观测浓度值的平均值,n为中心城区内监测站点的个数;
然后建立中心城区任意空间位置PM2.5污染暴露相对风险值与PM2.5观测浓度值之间的线性回归模型;
其中,Y为任意空间位置PM2.5浓度值,R为任意空间位置PM2.5污染暴露相对风险值;
将得到的回归模型依次逐点地应用到中心城区任意空间位置点PM2.5浓度的估算,实时估算中心城区PM2.5浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310156337.7A CN103234883B (zh) | 2013-04-30 | 2013-04-30 | 一种基于道路交通流量实时估算中心城区pm2.5浓度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310156337.7A CN103234883B (zh) | 2013-04-30 | 2013-04-30 | 一种基于道路交通流量实时估算中心城区pm2.5浓度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103234883A CN103234883A (zh) | 2013-08-07 |
CN103234883B true CN103234883B (zh) | 2016-04-13 |
Family
ID=48882934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310156337.7A Active CN103234883B (zh) | 2013-04-30 | 2013-04-30 | 一种基于道路交通流量实时估算中心城区pm2.5浓度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103234883B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573155B (zh) * | 2013-10-17 | 2017-12-19 | 中国科学院地理科学与资源研究所 | 一种近地表pm2.5浓度估算方法及估算*** |
CN104008278B (zh) * | 2014-05-14 | 2017-02-15 | 昆明理工大学 | 一种基于特征向量和最小二乘支持向量机的pm2.5浓度预测方法 |
CN104217126B (zh) * | 2014-09-17 | 2017-05-31 | 中南大学 | 一种基于低空气污染暴露风险道路路径选择方法 |
CN104521680A (zh) * | 2014-12-08 | 2015-04-22 | 北京市林业碳汇工作办公室 | 一种有效调控污染物pm2.5浓度的景观生态林配植方法 |
CN106153510B (zh) * | 2015-03-25 | 2019-06-21 | 日本电气株式会社 | 大气污染物浓度的估算方法和装置 |
EP3304073B1 (en) | 2015-06-05 | 2023-08-30 | Koninklijke Philips N.V. | Device and method for monitoring a subject |
CN105117610B (zh) * | 2015-09-21 | 2017-11-03 | 黄波 | 一种基于时空特征的实时估算细颗粒物浓度的方法 |
CN105184012B (zh) * | 2015-09-28 | 2017-12-22 | 宁波大学 | 一种区域空气pm2.5浓度预测方法 |
CN106092834B (zh) * | 2016-06-07 | 2018-10-02 | 中国科学院大气物理研究所 | 大气细颗粒物在线源解析***及方法 |
CN106525678A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于地理位置的pm2.5浓度值的预测方法及装置 |
CN106706852B (zh) * | 2016-12-27 | 2019-09-27 | 清华-伯克利深圳学院筹备办公室 | 一种气体浓度传感器的标定方法和*** |
EP3399280A1 (en) | 2017-05-04 | 2018-11-07 | Koninklijke Philips N.V. | Evidence based personalized health advice for polluted air |
CN107103392A (zh) * | 2017-05-24 | 2017-08-29 | 北京航空航天大学 | 一种基于时空地理加权回归的公交客流影响因素识别与预测方法 |
CN107766296B (zh) * | 2017-09-30 | 2020-11-03 | 东南大学 | 评价道路交通特征对可吸入颗粒物排放浓度影响的方法 |
CN107967242A (zh) * | 2017-10-09 | 2018-04-27 | 中国电子科技集团公司第二十八研究所 | 一种城市交通流量对空气质量影响的分析方法及*** |
CN108120661B (zh) * | 2017-12-19 | 2021-02-05 | 北京理工大学 | 一种城市空气中颗粒物含量时空分布测定方法 |
CN110487689B (zh) * | 2018-05-14 | 2022-02-18 | 扬州大学 | 城市中相近区域扬尘颗粒物相对平均浓度测算与比较方法 |
CN111738600A (zh) * | 2020-06-23 | 2020-10-02 | 南通大学 | 一种基于高精度pm2.5反演结果的城市道路空气质量评价方法 |
CN111985567B (zh) * | 2020-08-21 | 2022-11-22 | 河北先河环保科技股份有限公司 | 一种基于机器学习的污染源类型自动识别方法 |
CN112035799A (zh) * | 2020-09-02 | 2020-12-04 | 西安建筑科技大学 | 一种过滤器选型用室外pm2.5设计浓度确定方法及其应用 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880910A (zh) * | 2012-08-30 | 2013-01-16 | 常州大学 | 一种区域地下水污染风险评价方法 |
-
2013
- 2013-04-30 CN CN201310156337.7A patent/CN103234883B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880910A (zh) * | 2012-08-30 | 2013-01-16 | 常州大学 | 一种区域地下水污染风险评价方法 |
Non-Patent Citations (3)
Title |
---|
PM2.5监测及评价研究进展;傅敏宁 等;《气象与减灾研究》;20111231;第34卷(第4期);第1-6页 * |
农田土壤铅、镉含量影响因素地理加权回归模型分析;刘琼峰 等;《农业工程学报》;20130228;第29卷(第3期);全文 * |
基于特征污染源的个体空气污染暴露评估——以美国Dallas Fort-Worth地区为例;邹滨 等;《Proceedings of Conference on Environmental Pollution and Public Health(CEPPH2011)》;20111231;第424-427页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103234883A (zh) | 2013-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103234883B (zh) | 一种基于道路交通流量实时估算中心城区pm2.5浓度的方法 | |
WO2021103323A1 (zh) | 一种历史城市保护发展协同控制方案辅助设计*** | |
Du et al. | A review of multi-scale modelling, assessment, and improvement methods of the urban thermal and wind environment | |
Yang et al. | Urban microclimate and its impact on built environment–a review | |
Fast et al. | A Lagrangian particle dispersion model compatible with WRF | |
TW201822129A (zh) | 綠建築效能模擬分析系統及其最適化決策方法 | |
CN112785024A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
Mortezazadeh et al. | Integrating CityFFD and WRF for modeling urban microclimate under heatwaves | |
CN110674467A (zh) | 基于swat模型的水文过程对气候变化的响应监测方法 | |
WO2021103322A1 (zh) | 一种历史名城新城区规划辅助设计*** | |
Murakami | Environmental design of outdoor climate based on CFD | |
KR20210050831A (ko) | 실시간 미세먼지 모니터링 시스템 및 그 방법 | |
Li et al. | Wind tunnel study on the morphological parameterization of building non-uniformity | |
Wu et al. | A Review on the Use of Landscape Indices to Study the Effects of Three-Dimensional Urban Landscape Patterns on Haze Pollution in China. | |
Ren et al. | Analysis of the spatial characteristics of inhalable particulate matter concentrations under the influence of a three-dimensional landscape pattern in Xi'an, China | |
Struzewska et al. | Impact of urban parameterization on high resolution air quality forecast with the GEM–AQ model | |
Hassan et al. | Statistical downscaling for climate change scenarios of rainfall and temperature | |
Rui et al. | Urban growth modeling with road network expansion and land use development | |
Ying et al. | City-scale ventilation analysis using 3D buildings with Guangzhou case | |
Carmichael et al. | Model intercomparison study of long range transport and sulfur deposition in East Asia (MICS-Asia) | |
Thongzunhor et al. | A Three-Dimensional Air Quality Measurement Model in an Opened High Traffic Street Canyon Using an Explicit Finite Difference Method. | |
Manga et al. | Bayesian autoregressive spatiotemporal model of PM 10 concentrations across Peninsular Malaysia | |
Saeb et al. | Air pollution estimation from traffic flows in Tehran highways | |
Huo et al. | Simulation of urban functional zone air temperature based on urban weather generator (UWG): a case study of Beijing, China | |
Fu et al. | Geostatistical analysis of factors affecting irrigation water use efficiency on the Sanjiang Plain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |