CN105528753A - 一种基于网络病毒传播模型的空气污染溯源方法 - Google Patents
一种基于网络病毒传播模型的空气污染溯源方法 Download PDFInfo
- Publication number
- CN105528753A CN105528753A CN201510924343.1A CN201510924343A CN105528753A CN 105528753 A CN105528753 A CN 105528753A CN 201510924343 A CN201510924343 A CN 201510924343A CN 105528753 A CN105528753 A CN 105528753A
- Authority
- CN
- China
- Prior art keywords
- source
- matrix
- pollution
- website
- targeted sites
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003915 air pollution Methods 0.000 title claims abstract description 24
- 230000007482 viral spreading Effects 0.000 title abstract 2
- 238000012546 transfer Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 54
- 239000003344 environmental pollutant Substances 0.000 claims description 24
- 231100000719 pollutant Toxicity 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 19
- 230000003612 virological effect Effects 0.000 claims description 13
- 238000011160 research Methods 0.000 claims description 11
- 230000004069 differentiation Effects 0.000 claims description 6
- 238000002203 pretreatment Methods 0.000 claims description 5
- 230000000644 propagated effect Effects 0.000 claims description 4
- 238000011109 contamination Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000000356 contaminant Substances 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于网络病毒传播模型的空气污染溯源方法,包括步骤一、获取相关子图,步骤二、构造大气污染转移方程,步骤三、单点溯源分析,本发明的基于网络病毒传播模型的空气污染溯源方法,能够准确地按照时间要求寻找源头的空间位置,并且能得到源头的影响强度;本发明利用一定时空的污染物数据筛选出范围更小的相关区域,并且能够高效地得到溯源结果,时效性较强。
Description
技术领域
本发明涉及基于观测点数据的空气污染溯源问题,提出了一种基于网络病毒传播模型的空气污染溯源方法。
背景技术
空气污染溯源是利用空气中某些气体成分的特征及其时空分布,并通过特定的溯源方法寻找空气传播源头的过程。该技术在天气预测,大气污染治理等领域具有非常重要的研究及应用价值。
随着环境的日益恶化,污染治理成为当代一个重要的研究课题。空气污染治理是污染治理的一个重要环节,控制污染源是污染治理的关键。如何及时、准确地找到空气污染源是一个热点问题;与此同时,发现一定区域内优质空气的扩散源头也具有十分重要的意义。
传统的溯源方法大多数用来处理水体污染问题,空气污染溯源方法较少,优质空气的溯源方法并未深入研究。与此同时,传统的空气污染溯源方法不能将时间、空间、强度统一在溯源结果中,在区域范围较大时计算复杂度过高,也不能很好地满足时效性的要求。因此,采用基于网络病毒传播模型的空气污染溯源方法来处理空气污染溯源问题就显得尤为重要。
发明内容
针对现有空气污染溯源方法的高复杂度及其溯源结果的局限性问题,本发明的目的是提供一种基于网络病毒传播模型的空气污染溯源方法,最大限度地优化溯源结果,提高溯源效率。
为达到上述目的,本发明提出的基于网络病毒传播模型的空气污染溯源方法包括以下步骤:
步骤一.获取相关子图:
将某地区各个观测站以及它们之间的互相影响关系表示为一张有向图,利用各个观测站之间的地理信息和天气信息,将各观测点的加权距离数值化,得到距离矩阵。对于目标站点,使用距离阈值筛选出与其相关的站点,得到其相关子图。
步骤二.构造大气污染转移方程:
根据步骤一中得到的相关子图,构造各个观测点之间的可达性矩阵,构造某个时间区间内各个观测站的污染物浓度矩阵。再选择新的时间区间,构造新的时间区间内各个观测站的污染物浓度矩阵。由上述新旧两个污染物浓度矩阵构造污染物浓度转移方程,并求解该矩阵,得到的解为各个观测点之间的可达性矩阵。
步骤三.单点溯源分析:
根据步骤二得到的可达性矩阵,依次进行对数化和对角差异化预处理,并提取对目标站点贡献度绝对值最高的站点,分别寻找污染物和优质空气的来源,并记录源的影响强度。连续滑动时间区间,执行若干次上述过程,根据每次执行的结果绘制污染物和优质空气的传播路径。
所述的步骤一中描述的相关子图获取的具体过程如下:
把该地区全部观测站以及它们的相互影响关系表示为一张有向图,以观测点之间的地理距离为基础,再加上风力影响,得到图中各点的加权距离矩阵D,其中Dji表示观测点j对目标站点i的影响距离。对于目标站点i,设置阈值Dm,遍历D的第i列,对提取j加入集合Bi中。Bi中所有元素构成的图即为目标站点i的相关子图。
所述的步骤二中描述的大气污染转移方程构造的具体过程如下:
1)设可达性矩阵A,其中元素Aij代表相关子图中站点j对站点i的污染贡献度。
2)设lt为t时刻相关子图中各站点污染浓度列向量,即lt=[p1,t,p2,t,…,pn,t]T,其中pi,t表示站点i在t时刻的污染浓度。
3)设Pt为一定时间区间内相关子图中各观测点的污染浓度矩阵,即Pt=[lt,lt+1,…,lt+s-1],其中s为时间区间的长度。
4)设Pt-r为Pt向前滑动r个时间单位后相关子图中各观测点的污染浓度矩阵,即Pt-r=[lt-r,lt-r+1,…,lt-r+s-1],其中s为时间区间的长度。
5)构造大气污染转移方程Pt=APt-r,求解A,得到相关子图的可达性矩阵,行数记为n。
所述的步骤三中描述的单点溯源分析的具体过程如下:
1)对可达性矩阵A进行对数化处理,构造矩阵A′使得对任意Aij∈A,A′ij满足:若Aij>0,A′ij=ln(1+Aij);若Aij<0,A′ij=-ln(1+|Aij|)。
2)对矩阵A′进行对角差异化处理,构造矩阵A″使得,对任意A′ij∈A′且i≠j,A″ij满足:A″ij=A′ij-A′ji。
3)对于目标站点i,在预处理后的矩阵A″中,记A″iw=max{A″i1,A″i2,…,A″in},取正阈值A+:若A″iw>A+,则w作为站点i的污染物源头,并把A″iw作为污染源的影响强度;否则,认为该时间段污染传播不显著,w=i,即i为自身的源头。
4)将w重新作为污染物溯源的目标站点,重复若干次上述溯源过程,直到时间区间滑动到起始时刻,找到起始时刻的污染源头,绘制出该时间段内污染物的传播路径并标记每次传播的强度。
5)对于目标站点i,在预处理后的矩阵A″中,记A″iq=min{A″i1,A″i2,…,A″in},取负阈值A-:若A″iq<A-,则q作为站点i的优质空气源头,并把A″iq作为污染源的影响强度;否则,认为该时间段优质空气传播不显著,q=i,即i为自身的源头。
6)将q重新作为优质空气溯源的目标站点,重复若干次上述溯源过程,直到时间区间滑动到起始时刻,找到起始时刻的优质空气源头,绘制出该时间段内优质空气的传播路径并标记每次传播的强度。
本发明的优点在于:
(1)基于网络病毒传播模型的空气污染溯源方法,能够准确地按照时间要求寻找源头的空间位置,并且能得到源头的影响强度;
(2)该方法利用一定时空的污染物数据筛选出范围更小的相关区域,并且能够高效地得到溯源结果,时效性较强。
附图说明
图1为本发明一种基于网络病毒传播模型的空气污染溯源方法的步骤流程图。
图2为相关子图获取的步骤流程图。
图3为大气污染转移方程构造的步骤流程图。
图4为单点溯源分析的步骤流程图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明的一种基于网络病毒传播模型的空气污染溯源方法,流程如图1所示,包括以下步骤:
步骤S1:利用加权距离获取相关子图;
步骤S2:构造与求解大气污染转移方程;
步骤S3:可达性矩阵预处理及单点连续溯源。
下面将对每个步骤进行具体的说明:
步骤S1实现相关子图的获取,利用计算的加权距离来约束目标站点的相关点,从全局图中获取相关子图。图2给出了该方法的具体流程如下:
1)根据地理数据和风力数据计算任意两观测点之间的加权距离,得到加权距离矩阵D。
2)采用阈值Dm约束对目标站点的影响范围,即遍历D的第i列,对提取j加入集合Bi中。
3)Bi中所有元素构成的图即为目标站点i的相关子图。
步骤S2实现大气污染转移方程的构造,定义可达性矩阵来表示站点间的相互影响关系,利用不同时间区间内各观测点污染浓度的变化,构造浓度转移方程并求解。图3给出了该方法的具体流程如下:
1)结合目标站点i的相关子图,获取各观测点污染物浓度在一定时间区间的分布矩阵。
2)在污染物浓度时空分布矩阵中提取相关子矩阵,得到不同时间区间下污染物浓度分布矩阵,具体为:
a)利用相关子图,在全局时空分布矩阵中提取相关站点集Bi的时空分布子矩阵。
b)构造Pt为一定时间区间内相关子图中各观测点的污染浓度矩阵,即Pt=[lt,lt+1,…,lt+s-1],其中s为时间区间的长度,lt为t时刻相关子图中各站点浓度列向量,即lt=[p1,t,p2,t,…,pn,t]T,其中pi,t表示站点i在t时刻的污染浓度。
c)构造Pt-r为Pt向前滑动r个时间单位后相关子图中各观测点的污染浓度矩阵,即Pt-r=[lt-r,lt-r+1,…,lt-r+s-1],其中s为时间区间的长度。
3)构造可达性矩阵A,其中元素Aij代表相关子图中站点j对站点i的污染贡献度。Aij>0表示站点j对站点i的污染起到了加强效果,Aij<0表示站点j对站点i的污染起到了减弱效果。
4)构造污染浓度转移方程,即Pt=APt-r,求解A。
5)获取可达性矩阵A。
步骤S3实现单点溯源过程的分析,首先对可达性矩阵进行预处理,包括对数处理和对角差异化处理;接着分别对目标站点进行单次和多次的污染物溯源和优质空气溯源。图4给出了该方法的具体流程如下:
1)对可达性矩阵A进行对数压缩化处理,即构造矩阵A′使得对任意Aij∈A,A′ij满足:若Aij>0,A′ij=ln(1+Aij);若Aij<0,A′ij=-ln(1+|Aij|)。
2)对A′进行对角差异化处理,构造矩阵A″使得,对任意A′ij∈A′且i≠j,A″ij满足:A″ij=A′ij-A′ji。
3)进行单次溯源,分别获取污染物源头和优质空气源头及其影响强度,具体为:
a)对于目标站点i,在预处理后的矩阵A″中,记A″iw=max{A″i1,A″i2,…,A″in},取正阈值A+;同理,记A″iq=min{A″i1,A″i2,…,A″in},取负阈值A-。
b)若A″iw>A+,则w作为站点i的污染物源头,并把A″iw作为污染源的影响强度;否则,认为该时间段污染传播不显著,w=i,即i为自身的源头。同理,若A″iq<A-,则q作为站点i的优质空气源头,并把A″iq作为污染源的影响强度;否则,认为该时间段优质空气传播不显著,q=i,即i为自身的源头。
3)将w重新作为污染物溯源的目标站点,重复若干次上述溯源过程,直到时间区间滑动到起始时刻,找到起始时刻的污染源头。同理,将q重新作为优质空气溯源的目标站点,重复若干次上述溯源过程,直到时间区间滑动到起始时刻,找到起始时刻的优质空气源头。
4)最终获取连续时间内污染物及优质空气的传播路径,以及每次传播的强度。
以上结合附图对所提出的基于网络病毒传播模型的空气污染溯源方法的具体实施方式进行了阐述。通过以上实施方式的描述,所属领域的一般技术人员可以清楚的了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现,该软件产品存储在一个存储介质中,包括若干指令用以使得一台或多台计算机设备执行本发明各个实施例所述的方法。
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。
以上所述的本发明实施方式,并不构成对发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于网络病毒传播模型的空气污染溯源方法,包括以下步骤:
步骤一.获取相关子图:
将某地区各个观测站以及它们之间的互相影响关系表示为一张有向图,利用各个观测站之间的地理信息和天气信息,将各观测点的加权距离数值化,得到距离矩阵,对于目标站点,使用距离阈值筛选出与其相关的站点,得到其相关子图;
步骤二.构造大气污染转移方程:
根据步骤一中得到的相关子图,构造各个观测点之间的可达性矩阵,构造某个时间区间内各个观测站的污染物浓度矩阵,再选择新的时间区间,构造新的时间区间内各个观测站的污染物浓度矩阵,由上述新旧两个污染物浓度矩阵构造污染物浓度转移方程,并求解该矩阵,得到的解为各个观测点之间的可达性矩阵;
步骤三.单点溯源分析:
根据步骤二得到的可达性矩阵,依次进行对数化和对角差异化预处理,并提取对目标站点贡献度绝对值最高的站点,分别寻找污染物和优质空气的来源,并记录源的影响强度,连续滑动时间区间,执行若干次上述过程,根据每次执行的结果绘制污染物和优质空气的传播路径。
2.根据权利要求1所述的一种基于网络病毒传播模型的空气污染溯源方法,所述的步骤一具体包括:
把该地区全部观测站以及它们的相互影响关系表示为一张有向图,以观测点之间的地理距离为基础,再加上风力影响,得到图中各点的加权距离矩阵D,其中Dji表示观测点j对目标站点i的影响距离;对于目标站点i,设置阈值Dm,遍历D的第i列,对提取j加入集合Bi中;Bi中所有元素构成的图即为目标站点i的相关子图。
3.根据权利要求1所述的一种基于网络病毒传播模型的空气污染溯源方法,所述的步骤二具体包括:
1)设可达性矩阵A,其中元素Aij代表相关子图中站点j对站点i的污染贡献度;
2)设lt为t时刻相关子图中各站点污染浓度列向量,即lt=[p1,t,p2,t,…,pn,t]T,其中pi,t表示站点i在t时刻的污染浓度;
3)设Pt为一定时间区间内相关子图中各观测点的污染浓度矩阵,即Pt=[lt,lt+1,…,lt+s-1],其中s为时间区间的长度;
4)设Pt-r为Pt向前滑动r个时间单位后相关子图中各观测点的污染浓度矩阵,即Pt-r=[lt-r,lt-r+1,…,lt-r+s-1],其中s为时间区间的长度;
5)构造大气污染转移方程Pt=APt-r,求解A,得到相关子图的可达性矩阵,行数记为n。
4.根据权利要求1所述的一种基于网络病毒传播模型的空气污染溯源方法,所述的步骤三具体包括:
1)对可达性矩阵A进行对数化处理,构造矩阵A′使得对任意Aij∈A,A′ij满足:若Aij>0,A′ij=ln(1+Aij);若Aij<0,A′ij=-ln(1+|Aij|);
2)对矩阵A′进行对角差异化处理,构造矩阵A″使得,对任意A′ij∈A′且i≠j,A″ij满足:A″ij=A′ij-A′ji;
3)对于目标站点i,在预处理后的矩阵A″中,记A″iw=max{A″i1,A″i2,…,A″in},取正阈值A+:若A″iw>A+,则w作为站点i的污染物源头,并把A″iw作为污染源的影响强度;否则,认为该时间段污染传播不显著,w=i,即i为自身的源头;
4)将w重新作为污染物溯源的目标站点,重复若干次上述溯源过程,直到时间区间滑动到起始时刻,找到起始时刻的污染源头,绘制出该时间段内污染物的传播路径并标记每次传播的强度;
5)对于目标站点i,在预处理后的矩阵A″中,记A″iq=min{A″i1,A″i2,…,A″in},取负阈值A-:若A″iq<A-,则q作为站点i的优质空气源头,并把A″iq作为污染源的影响强度;否则,认为该时间段优质空气传播不显著,q=i,即i为自身的源头;
6)将q重新作为优质空气溯源的目标站点,重复若干次上述溯源过程,直到时间区间滑动到起始时刻,找到起始时刻的优质空气源头,绘制出该时间段内优质空气的传播路径并标记每次传播的强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510924343.1A CN105528753B (zh) | 2015-12-14 | 2015-12-14 | 一种基于网络病毒传播模型的空气污染溯源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510924343.1A CN105528753B (zh) | 2015-12-14 | 2015-12-14 | 一种基于网络病毒传播模型的空气污染溯源方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105528753A true CN105528753A (zh) | 2016-04-27 |
CN105528753B CN105528753B (zh) | 2018-04-20 |
Family
ID=55770961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510924343.1A Active CN105528753B (zh) | 2015-12-14 | 2015-12-14 | 一种基于网络病毒传播模型的空气污染溯源方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105528753B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145737A (zh) * | 2017-04-28 | 2017-09-08 | 南京工业大学 | 一种基于马尔科夫链的非稳态流场下污染源逆向识别算法 |
CN108489875A (zh) * | 2018-02-06 | 2018-09-04 | 济宁中科云天环保科技有限公司 | 一种基于时段统计分析的污染物溯源***及方法 |
CN110457760A (zh) * | 2019-07-17 | 2019-11-15 | 浙江大学 | 一种基于空气污染传播模式的空气污染治理方法 |
CN111413259A (zh) * | 2020-04-14 | 2020-07-14 | 河南省商丘生态环境监测中心 | 空气废气实时监测和溯源方法 |
CN111445076A (zh) * | 2020-03-30 | 2020-07-24 | 福建工程学院 | 一种基于lstm的空气污染分析方法 |
CN111538957A (zh) * | 2020-04-21 | 2020-08-14 | 中科三清科技有限公司 | 大气污染物来源贡献度的获取方法、装置、设备及介质 |
CN117592343A (zh) * | 2023-11-20 | 2024-02-23 | 中国环境科学研究院 | 基于小尺度扩散与溯源模型的空气污染模拟方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967689A (zh) * | 2012-11-22 | 2013-03-13 | 天津大学 | 基于相关系数的污染源辨识方法及其监测布点方法 |
CN104615906A (zh) * | 2015-03-03 | 2015-05-13 | 中科宇图天下科技有限公司 | 一种基于单线河流快速逆流溯源的方法 |
-
2015
- 2015-12-14 CN CN201510924343.1A patent/CN105528753B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967689A (zh) * | 2012-11-22 | 2013-03-13 | 天津大学 | 基于相关系数的污染源辨识方法及其监测布点方法 |
CN104615906A (zh) * | 2015-03-03 | 2015-05-13 | 中科宇图天下科技有限公司 | 一种基于单线河流快速逆流溯源的方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145737A (zh) * | 2017-04-28 | 2017-09-08 | 南京工业大学 | 一种基于马尔科夫链的非稳态流场下污染源逆向识别算法 |
CN108489875B (zh) * | 2018-02-06 | 2020-10-16 | 济宁中科云天环保科技有限公司 | 一种基于时段统计分析的污染物溯源***及方法 |
CN108489875A (zh) * | 2018-02-06 | 2018-09-04 | 济宁中科云天环保科技有限公司 | 一种基于时段统计分析的污染物溯源***及方法 |
CN110457760B (zh) * | 2019-07-17 | 2021-02-02 | 浙江大学 | 一种基于空气污染传播模式的空气污染治理方法 |
CN110457760A (zh) * | 2019-07-17 | 2019-11-15 | 浙江大学 | 一种基于空气污染传播模式的空气污染治理方法 |
CN111445076A (zh) * | 2020-03-30 | 2020-07-24 | 福建工程学院 | 一种基于lstm的空气污染分析方法 |
CN111445076B (zh) * | 2020-03-30 | 2023-12-29 | 福建工程学院 | 一种基于lstm的空气污染分析方法 |
CN111413259A (zh) * | 2020-04-14 | 2020-07-14 | 河南省商丘生态环境监测中心 | 空气废气实时监测和溯源方法 |
CN111413259B (zh) * | 2020-04-14 | 2020-11-10 | 河南省商丘生态环境监测中心 | 空气废气实时监测和溯源方法 |
CN111538957A (zh) * | 2020-04-21 | 2020-08-14 | 中科三清科技有限公司 | 大气污染物来源贡献度的获取方法、装置、设备及介质 |
CN111538957B (zh) * | 2020-04-21 | 2020-11-17 | 中科三清科技有限公司 | 大气污染物来源贡献度的获取方法、装置、设备及介质 |
CN117592343A (zh) * | 2023-11-20 | 2024-02-23 | 中国环境科学研究院 | 基于小尺度扩散与溯源模型的空气污染模拟方法及*** |
CN117592343B (zh) * | 2023-11-20 | 2024-05-03 | 中国环境科学研究院 | 基于小尺度扩散与溯源模型的空气污染模拟方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN105528753B (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105528753A (zh) | 一种基于网络病毒传播模型的空气污染溯源方法 | |
Wang et al. | Street centrality and land use intensity in Baton Rouge, Louisiana | |
Xu et al. | Construction of regional informatization ecological environment based on the entropy weight modified AHP hierarchy model | |
CN102507586B (zh) | 碳排放遥感监测方法 | |
CN110147610A (zh) | 一种用于河流突发水污染事件的溯源方法 | |
CN107566390B (zh) | 一种基于威胁情报的工业控制***网络安全性分析***及方法 | |
Zhou et al. | On the spatial distribution of base stations and its relation to the traffic density in cellular networks | |
Zhao et al. | Statistical analysis on the evolution of OpenStreetMap road networks in Beijing | |
Deng et al. | An efficient online direction-preserving compression approach for trajectory streaming data | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN103823951B (zh) | 一种量化路网特征及其土地利用效应的方法 | |
Fernandes et al. | Scalable vanet simulations with ns-3 | |
CN104363654A (zh) | 基于Tunneling method的无线传感器网络三维节点定位方法 | |
Abou El Seoud | Towards sustainability: smart cities in the Egyptian environment, how much smart to be smart? | |
Gu et al. | Predicting the network shift of large urban agglomerations in China using the deep-learning gravity model: A perspective of population migration | |
Zhu et al. | Approximate path searching for supporting shortest path queries on road networks | |
CN105512941A (zh) | 一种水景观生态工程生态服务功能测定方法和评价方法 | |
Kim et al. | A comparison of algorithms for origin–destination matrix generation on real road networks and an approximation approach | |
Xie et al. | An improved Dijkstra algorithm in GIS application | |
Wang et al. | An adaptive model for calculating the correlation degree of multiple adjacent signalized intersections | |
Guo et al. | Learning automata-based algorithms for solving the stochastic shortest path routing problems in 5G wireless communication | |
CN110057981A (zh) | 路网污染源排放识别方法和*** | |
CN110457760B (zh) | 一种基于空气污染传播模式的空气污染治理方法 | |
Li et al. | A stacking ensemble learning model for mobile traffic prediction | |
Jun et al. | Improved method of ant colonies to search independent data transmission routes in WSN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |