CN107340364A - 基于海量大气污染浓度数据的污染空间分析方法及装置 - Google Patents

基于海量大气污染浓度数据的污染空间分析方法及装置 Download PDF

Info

Publication number
CN107340364A
CN107340364A CN201710399019.1A CN201710399019A CN107340364A CN 107340364 A CN107340364 A CN 107340364A CN 201710399019 A CN201710399019 A CN 201710399019A CN 107340364 A CN107340364 A CN 107340364A
Authority
CN
China
Prior art keywords
mrow
msub
air pollution
pollution concentration
concentration data
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.)
Pending
Application number
CN201710399019.1A
Other languages
English (en)
Inventor
程念亮
李云婷
张大伟
王欣
孙峰
陈晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Municipal Environmental Monitoring Center
Original Assignee
Beijing Municipal Environmental Monitoring Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Municipal Environmental Monitoring Center filed Critical Beijing Municipal Environmental Monitoring Center
Priority to CN201710399019.1A priority Critical patent/CN107340364A/zh
Publication of CN107340364A publication Critical patent/CN107340364A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Combustion & Propulsion (AREA)
  • Evolutionary Computation (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种基于海量大气污染浓度数据的污染空间分析方法及装置，属于大气污染监测领域。该方法包括：获取地面高密度监测网络监测到的目标区域的大气污染浓度数据；将获取到的大气污染浓度数据排列成矩阵的形式，得到大气污染浓度数据矩阵；对大气污染浓度数据矩阵进行双聚类处理，得到多个不同传感器监测站点的双聚类块；将双聚类处理后的大气污染浓度数据插值到空气质量模型的网格中，并进行网格化处理；将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比，确定出高浓度排放网格，得到不同双聚类块的高值区域。本发明能够获得区县级别的空气质量变化精细化特征，甄别本地的污染源特征，为环境管理形成更为***化的技术支撑。

Description

基于海量大气污染浓度数据的污染空间分析方法及装置
技术领域
本发明涉及大气污染监测技术领域，具体涉及一种基于海量大气污染浓度数据的污染空间分析方法及装置。
背景技术
为推进空气质量改善，落实属地环保责任，按照清洁空气行动计划要求，北京市制定了《北京市2013-2017年清洁空气行动计划实施情况考核办法(试行)》(京政办发〔2014〕61号)和《北京市2013-2017年清洁空气行动计划实施情况考核办法(试行)实施细则》(京环发〔2014〕92号)，每年对各区空气质量改善情况和清洁空气行动计划任务完成情况进行考核。传统的监测网络受人力和物力的制约，空间分辨率较粗，只针对空气质量进行常规监测，无法实时分析区内污染特征，定位疑似污染源，更产生不了精细化监测产品，落实属地管理和调动基层环保力量进行执法监管存在较大难度。
国家知识产权局于2017年3月22日公开了申请号为201510564563.8，名称为《基于大密度部署传感器的大气污染监控及管理方法及***》的发明专利，该发明通过在区域内大密度部署传感器，并对返回的传感器数据采用云端算法进行联合校正，并进一步采用高斯推断模型在空间上推断出未部署传感器位置点的大气污染数据，再将上述已部署和未部署传感器位置点的大气污染物数据统一反馈给监控中心，进行监控和管理，以实现实时监测取证，量化评级及精细化管理的目标。但是，该发明只是将传感器数据反馈给监控中心，并未对大气污染数据进行后续处理。
发明内容
本发明要解决的技术问题是提供一种基于海量大气污染浓度数据的污染空间分析方法及装置，其能够获得区县级别的空气质量变化精细化特征，并能够甄别本地的污染源特征，为环境管理形成更为***化的技术支撑。
为解决上述技术问题，本发明提供技术方案如下：
一种基于海量大气污染浓度数据的污染空间分析方法，包括：
步骤1：获取地面高密度监测网络监测到的目标区域的大气污染浓度数据，其中，所述地面高密度监测网络由部署在目标区域的多个传感器组成；
步骤2：将获取到的大气污染浓度数据排列成矩阵的形式，得到大气污染浓度数据矩阵，其中，所述大气污染浓度数据矩阵中的行以传感器监测站点进行排列，所述大气污染浓度数据矩阵中的列以时间顺序进行排列；
步骤3：对所述大气污染浓度数据矩阵进行双聚类处理，得到多个不同传感器监测站点的双聚类块；
步骤4：将双聚类处理后的大气污染浓度数据利用空间分析工具插值到空气质量模型的网格中，对大气污染浓度数据进行网格化处理；
步骤5：将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比，确定出高浓度排放网格，最后得到不同双聚类块的高值区域。
进一步的，所述步骤5之后还包括：
步骤6：对不同的高值区域采用不同的颜色进行区分。
进一步的，所述步骤3包括：
步骤31：将大气污染浓度数据矩阵分割成若干个子矩阵；
步骤32：计算第N个子矩阵的平均平方残基打分函数H(I，J)和子矩阵中每行和每列的平均残基a(i)和a(j)：
其中，N大于等于1且小于等于子矩阵的总个数，|I|和|J|分别为子矩阵的行数和列数，aij为子矩阵的元素的值，aIj、aiJ和aIJ分别为子矩阵中第I行的平均值、第J行的平均值和子矩阵整体的平均值，即：
若H(I，J)＞δ，则执行步骤33，若H(I，J)≤δ，该子矩阵形成双聚类块，并且结束，其中，δ为预先设定的最大平均平方剩余分数；
步骤33：将所述子矩阵中最大的a(i)或a(j)对应的行或列删除；
步骤34：将所述子矩阵中最小的a(i)或a(j)对应的行或列添加到子矩阵中，之后转至所述步骤32。
进一步的，所述步骤3还包括：当一个双聚类块形成后，使用随机数代替已经形成的双聚类块中的元素的值，之后对其它的子矩阵进行双聚类处理。
进一步的，所述步骤5中，将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比时，采用等值线、阴影图、栅格图或填色图进行对比。
一种基于海量大气污染浓度数据的污染空间分析装置，包括：
获取模块：用于获取地面高密度监测网络监测到的目标区域的大气污染浓度数据，其中，所述地面高密度监测网络由部署在目标区域的多个传感器组成；
大气污染浓度数据矩阵建立模块：用于将网格化处理后的大气污染浓度数据排列成矩阵的形式，得到大气污染浓度数据矩阵，其中，所述大气污染浓度数据矩阵中的行以传感器监测站点进行排列，所述大气污染浓度数据矩阵中的列以时间顺序进行排列；
双聚类处理模块：用于对所述大气污染浓度数据矩阵进行双聚类处理，得到多个不同的双聚类块；
网格化处理模块：用于将获取的大气污染浓度数据利用空间分析工具插值到空气质量模型的网格中，对大气污染浓度数据进行网格化处理；
高值区域建立模块：用于将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比，确定出高浓度排放网格，最后得到不同双聚类块的高值区域。
进一步的，所述高值区域建立模块之后还包括：
高值区域区分模块：用于对不同的高值区域采用不同的颜色进行区分。
进一步的，所述双聚类处理模块包括：
子矩阵分割模块：用于将大气污染浓度数据矩阵分割成若干个子矩阵；
计算模块：用于计算第N个子矩阵的平均平方残基打分函数H(I，J)和子矩阵中每行和每列的平均残基d(i)和d(j)：
其中，N大于等于1且小于等于子矩阵的总个数，|I|和|J|分别为子矩阵的行数和列数，aij为子矩阵的元素的值，aIj、aiJ和aIJ分别为子矩阵中第I行的平均值、第J行的平均值和子矩阵整体的平均值，即：
若H(I，J)＞δ，则进入删除模块，若H(I，J)≤δ，该子矩阵形成双聚类块，并且结束，其中，δ为预先设定的最大平均平方剩余分数；
删除模块：用于将所述子矩阵中最大的a(i)或a(j)对应的行或列删除；
添加模块：用于将所述子矩阵中最小的a(i)或a(j)对应的行或列添加到子矩阵中。
进一步的，所述双聚类处理模块还包括：用于当一个双聚类块形成后，使用随机数代替已经形成的双聚类块中的元素的值，之后对其它的子矩阵进行双聚类处理。
进一步的，所述高值区域建立模块中，将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比时，采用等值线、阴影图、栅格图或填色图进行对比。
本发明具有以下有益效果：
与现有技术相比，本发明的基于海量大气污染浓度数据的污染空间分析方法及装置，通过在目标区域部署多个传感器建立地面高密度监测网络获取目标区域的大气污染浓度数据，并对目标区域的大气污染浓度数据进行双聚类处理得到不同的双聚类块，之后将双聚类处理后的大气污染浓度数据利用空间分析工具插值到空气质量模型的网格中，并将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比，确定出高浓度排放网格，最后得到不同双聚类块的高值区域，并获得污染区域范围及边界、污染强度、高污染发生的频率，结合污染源排放数据和污染源调查，能够认识高值区域形成的污染源排放原因，支持市及区县展开污染排放的监察及控制。本发明利用了基于传感器地面高密度监测网络产生的海量数据进行空气质量排名和高值区识别，这些数据与传统的卫星遥感数据相比，时空分辨率较高且数据质量可靠，能够获得区县级别的空气质量变化精细化特征，形成甄别本地污染源特征的分析方法，为环境管理形成更为***化的技术支撑。
附图说明
图1为本发明的基于海量大气污染浓度数据的污染空间分析方法的流程示意图；
图2为本发明的基于海量大气污染浓度数据的污染空间分析方法中对污染浓度数据进行双聚类处理的流程示意图；
图3为在北京市采用本发明的基于海量大气污染浓度数据的污染空间分析方法的地面高密度监测网络的布置示意图；
图4为北京市传统监测站点的布置示意图；
图5为对大气污染数据直接插值网格化与采用本发明的基于海量大气污染浓度数据的污染空间分析方法对大气污染浓度数据进行插值网格化的对比示意图，其中(a)为对大气污染数据直接插值网格化后的示意图，(b)为采用本发明的基于海量大气污染浓度数据的污染空间分析方法对大气污染浓度数据进行插值网格化后的示意图；
图6为采用本发明的基于海量大气污染浓度数据的污染空间分析方法及装置获得的北京某地区及其周边地区在某一时间段PM2.5浓度的变化示意图，其中(a)为工作日PM2.5浓度日变化的示意图，(b)为休息日PM2.5浓度日变化的示意图；
图7为采用本发明的基于海量大气污染浓度数据的污染空间分析方法及装置得到的北京市存在的污染源的示意图；
图8为本发明的基于海量大气污染浓度数据的污染空间分析装置的结构示意图；
图9为本发明的基于海量大气污染浓度数据的污染空间分析装置中双聚类处理模块的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
一方面，本发明提供一种基于海量大气污染浓度数据的污染空间分析方法，如图1至图7所示，包括：
步骤S1：获取地面高密度监测网络监测到的目标区域的大气污染浓度数据，其中，地面高密度监测网络由部署在目标区域的多个传感器组成；
本步骤中，通过在目标区域内大密度部署传感器，利用传感器获取目标区域在特定的气象条件下的大气污染浓度数据，与传统的监测网络站点检测到的数据相比，时空分辨率较高且数据质量可靠。
本步骤中，以北京地区为例，如图3所示，在整个北京地区部署1500个左右的传感器，这些传感器的部署原则是：均匀覆盖、重点加密、弹性布设，平原地区每3X3公里至少部署一个传感器监测站点，山区每8X8公里至少部署一个传感器监测站点。
本步骤将多个传感器部署在近地面层，且传感器的分布密度远高于现有监测站，如图3和图4所示，因此经过混合反演可以得到该平面上空间精度小于500米的连续污染浓度指标。
步骤S2：将获取到的大气污染浓度数据排列成矩阵的形式，得到大气污染浓度数据矩阵，其中，大气污染浓度数据矩阵中的行以传感器监测站点进行排列，大气污染浓度数据矩阵中的列以时间顺序进行排列；
本步骤中，以北京地区为例，获取的大气污染浓度数据的矩阵如下：
其中，c1～cm表示m个传感器监测站点，r1～rn表示时间，aij表示第i个传感器在j时间监测到的大气污染浓度的数据。
步骤S3：对大气污染浓度数据矩阵进行双聚类处理，得到多个不同传感器监测站点的双聚类块；
由于传感器监测到的数据存在大量无关属性、分布较为稀疏、有较多局部信息的特征，使得基于距离或密度的传统聚类算法无法发现有价值的信息，而本步骤中采用双聚类算法对大气污染浓度数据进行处理，双聚类在矩阵的行和列两个方向上同时聚类，可以应用于不宜使用对象的所有属性度量对象的相似性，从而得到质量更高的聚类结果。
步骤S4：将双聚类处理后的大气污染浓度数据利用空间分析工具插值到空气质量模型的网格中，对大气污染浓度数据进行网格化处理；
本步骤中的空气质量模型可以采用多尺度空气质量模型(即CMAQ模型)或综合空气质量模型和扩展(即CAMx模型)。
步骤S5：将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比，确定出高浓度排放网格，最后得到不同双聚类块的高值区域；
本步骤中，通过将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比，即可确定出高浓度排放网格。在不同的传感器监测站点的双聚类结果下，形成不同聚类的高值区，以便更好的对每个区域进行差别对待，形成高中筛高，低中取高的效果。
本发明的基于海量大气污染浓度数据的污染空间分析方法通过在目标区域部署多个传感器建立地面高密度监测网络获取目标区域的大气污染浓度数据，并对目标区域的大气污染浓度数据进行双聚类处理得到不同的双聚类块，之后将双聚类处理后的大气污染浓度数据利用空间分析工具插值到空气质量模型的网格中，并将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比，确定出高浓度排放网格，最后得到不同双聚类块的高值区域，并获得污染区域范围及边界、污染强度、高污染发生的频率，结合污染源排放数据和污染源调查，能够认识高值区域形成的污染源排放原因，支持市及区县展开污染排放的监察及控制。本发明将多个传感器部署在近地面层，且传感器的分布密度远高于现有监测站，因此经过混合反演可以得到该平面上空间精度小于500米的连续污染浓度指标。本发明利用了基于传感器地面高密度监测网络产生的海量大气污染浓度数据进行空气质量排名和高值区识别，这些数据与传统的卫星遥感数据相比，时空分辨率较高且数据质量可靠，能够获得区县级别的空气质量变化精细化特征，形成甄别本地污染源特征的分析方法，为环境管理形成更为***化的技术支撑。
本发明采用先将获取到的大气污染浓度数据进行双聚类处理，然后对双聚类处理后的大气污染浓度数据插值并进行网格化，由于双聚类处理后的大气污染浓度数据的质量更高，其网格化后的数据与直接对获取到的气污染浓度数据插值并进行网格化相比，如图5所示，可以更加微观、细致的反应局部地区污染情况变化趋势，实现“地面大气污染浓度监测的全覆盖”，即目标区域浓度估算。
本发明名称中的“空间”具体指的是目标区域近地面层的平面空间。
进一步的，步骤S5之后还优选包括：
步骤S6：对不同的高值区域采用不同的颜色进行区分。
本步骤中，通过对不同的高值区域采用不同的颜色进行区分，能够更明显有效地区分出不同浓度的区域。本实施例优选紫色为大气污染浓度最高的区域，红色次之，接下来依次为橙色、黄色，绿色为大气污染浓度最低的区域，即空气质量为优。
优选的，如图2所示，步骤S3可以包括：
步骤31：将大气污染浓度数据矩阵分割成若干个子矩阵；
本步骤中，已知大气污染浓度的矩阵A如下，其中行(时间)集合(r1，r2，…，rn)记为X，列(传感器监测站点)集合(c1，c2，…，cm)记为Y，矩阵A中元素aij表示第i个传感器监测站点在j时间监测到的大气污染物的浓度。
现有一个集合I∈X和J∈Y，则矩阵AIJ＝(I，J)为原矩阵A的一个子矩阵。
步骤S32：计算第N个子矩阵的平均平方残基打分函数H(I，J)和子矩阵中每行和每列的平均残基d(i)和d(j)：
其中，N大于等于1且小于等于子矩阵的总个数，|I|和|J|分别为子矩阵的行数和列数，aij为子矩阵的元素的值，aIj、aiJ和aIJ分别为子矩阵中第I行的平均值、第J行的平均值和子矩阵整体的平均值，即：
若H(I，J)＞δ，则执行步骤S33，若H(I，J)≤δ，该子矩阵形成双聚类块，并且结束，其中δ为预先设定的最大平均平方剩余分数；
本步骤中，当对其中一个子矩阵AIJ进行双聚类时，如果存在一个δ≥0，使得子矩阵AIJ的平均平方残基打分函数H(I，J)≤δ，则该子矩阵AIJ则形成一个双聚类块。
步骤S33：将该子矩阵中最大的a(i)或a(j)对应的行或列删除；
本步骤优选采用贪心算法策略，通过删除行或列来寻找一个平均平方残基打分函数值尽可能小、块的尺寸尽可能大的双聚类块，如图2所示。
当采用删除行或列的方式时，首先初始化一个包含矩阵A的全部行和全部列的聚类块，然后在一个循环中不断地删除当前聚类块的行或列以期达到降低平均平方残基打分函数H(I，J)的目的，直至H(I，J)小于等于预先设定的δ时循环终止。
步骤S34：将该子矩阵中最小的a(i)或a(j)对应的行或列添加到子矩阵中，之后转至步骤S32。
由于通过删除操作，得到的双聚类块的平均平方残基打分函数H(I，J)有可能不是最大的，因此某些剩余的行和列有可能可以被添加进去，只要保证双聚类块的平均平方残基打分函数H(I，J)小于等于预先设定的δ即可。
由于双聚类算法是确定的，所以对同一数据集重复使用上述双聚类算法每次找到的双聚类模块都是同一个，并不能找出第二个双聚类块。因此，为了找到多个双聚类块，步骤S32还优选包括：当一个双聚类块形成后，使用随机数代替已经形成的双聚类块中的元素的值，之后对其它的子矩阵进行双聚类处理。
进一步的，步骤S5中，将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比时，优选采用等值线、阴影图、栅格图或填色图进行对比。通过采用等值线、阴影图、栅格图或填色图等方式进行大气污染浓度的空间专题分析，分析内容涵盖实时、小时、日均、月均等时间尺度目标区域精细污染空间分布图。
采用本发明的方法甄别本地污染源时，主要是分析某一网格与周边网格平均浓度日变化的同比变化情况，如果该网格在某几个小时比方上下班或者夜间浓度高，说明该网格存在一定的污染源排放。之后采用实地调查或者卫星遥感的方法，将该网格周边的排放源情况结合污染物浓度变化分析，即可甄别本地污染源突变情况。
下面以图6为例进一步说明。
采用本发明的方法得到北京市某地区在2016年12月16日-12月19日的PM2.5浓度变化情况及其与周边地区的PM2.5浓度的对比情况，如图6所示，其中图6(a)为2016年12月16日及12月19日(工作日)的PM2.5浓度变化情况，图6(b)为2016年12月17日和12月18日(休息日)的PM2.5浓度变化情况。由此可知，该地区PM2.5浓度在凌晨时段明显比周边地区高，工作日凌晨3点最大高于周边272ug/m3。根据结果可选择在凌晨0-7点进行现场排查或通过遥感卫星排查污染产生的原因。
图7中显示了在北京市使用本发明的基于海量大气污染浓度数据的污染空间分析方法及装置得到的北京市存在的PM2.5浓度污染源的示意图，其中3条虚线表示北京市存在的污染带。目前发现城六区加海淀朝阳，PM2.5分布比较均匀(图7中虚线圆圈部分)。南部的污染带主要分布在房山南部至大兴中心部一线，和通州大兴的六环沿线地区。北部污染带主要是昌平-顺义-平谷一线。其中，房山南部至大兴中心部一线上(即西南线)，1表示大兴区庞各庄镇(PM2.5浓度160ug/m3)，2表示大兴区礼贤镇(PM2.5浓度159ug/m3)，3表示大兴区北藏村镇(PM2.5浓度158ug/m3)，4表示大兴区榆垡镇(PM2.5浓度151ug/m3)，5表示房山区窦店镇(PM2.5浓度151ug/m3)，6表示房山区琉璃河镇镇(PM2.5浓度149ug/m3)，7表示房山区良乡镇(PM2.5浓度149ug/m3)，8表示房山区长沟镇(PM2.5浓度148ug/m3)，9表示房山区石楼镇(PM2.5浓度148ug/m3)。通州大兴的六环沿线上(即东南线)，1表示大兴区魏善庄镇(PM2.5浓度150ug/m3)，2表示通州区张家湾镇(PM2.5浓度147ug/m3)，3表示大兴区青云店镇(PM2.5浓度145ug/m3)，4表示通州区永乐店镇(PM2.5浓度144ug/m3)，5表示通州区马驹桥镇(PM2.5浓度143ug/m3)。昌平-顺义-平谷一线上(即北线)，1表示顺义区李桥镇(PM2.5浓度133ug/m3)，2表示顺义区南法信镇(PM2.5浓度126ug/m3)，3表示顺义区南彩镇(PM2.5浓度126ug/m3)，4表示顺义区北务镇(PM2.5浓度125ug/m3)，5表示昌平区百善镇(PM2.5浓度123ug/m3)，6表示顺义区李遂镇(PM2.5浓度123ug/m3)，7表示顺义区马坡镇(PM2.5浓度122ug/m3)，8表示平谷区马坊镇(PM2.5浓度122ug/m3)，9表示平谷区兴谷街9道镇(PM2.5浓度118ug/m3)。
通过本发明的基于海量大气污染浓度数据的污染空间分析方法，可后期针对3条污染带上的6区23镇采取监察及控制，可落实属地责任、全面摸排，全面整治、“一镇(街道)一策”；细化责任分解、细化落实方案、解决环保工作“最后一公里”。
综上，本发明通过在目标区域大密度部署传感器监测站点，获取海量大气污染浓度数据，通过双聚类与大气污染浓度空间网格化热力图相结合的方法，识别高污染发生的区域，并获得污染区域范围及边界、污染强度、高污染发生的频率，结合污染源排放数据与污染源调查，认识高污染区域形成的污染源排放原因，支持市及区县展开污染排放的监察及控制。潜在的应用对象包括小工业集中区域、大型工业园区、物流集中区域、城乡结合部、城中村等。首先，本发明将监测结果的空间精度从离散稀疏的点位读数扩展为时空连续的面测量值。由于绝大多数监测网络设备(即传感器)处于近地面层，且分布密度远高于现有监测站，因此经过混合反演可以得到该平面上空间精度小于500米的连续污染浓度指标。其次，采用大数据分析手段，从时域和空间指标两个方面，提取高于背景浓度场的高值区域和疑似源。其中，时域指标表征高值区域和疑似源的持续时间和周期性规律，空间指标表征高值区域和疑似源的污染程度和影响范围。综合采用以上两类指标集，量化评估高值区域和疑似源的污染贡献排序，为后续模型和决策支持提供原始排查清单和优先级排序。
另一方面，本发明提供一种基于海量大气污染浓度数据的污染空间分析装置，如图8和图9所示，包括：
获取模块1：用于获取地面高密度监测网络监测到的目标区域的大气污染浓度数据，其中，地面高密度监测网络由部署在目标区域的多个传感器组成；
大气污染浓度数据矩阵建立模块2：用于将获取到的大气污染浓度数据排列成矩阵的形式，得到大气污染浓度数据矩阵，其中，大气污染浓度数据矩阵中的行以传感器监测站点进行排列，大气污染浓度数据矩阵中的列以时间顺序进行排列；
双聚类处理模块3：用于对大气污染浓度数据矩阵进行双聚类处理，得到多个不同的双聚类块；
网格化处理模块4：用于将双聚类处理后的大气污染浓度数据利用空间分析工具插值到空气质量模型的网格中；
高值区域建立模块5：用于将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比，确定出高浓度排放网格，最后得到不同双聚类块的高值区域。
本发明的基于海量大气污染浓度数据的污染空间分析装置，通过在目标区域部署多个传感器建立地面高密度监测网络获取目标区域的大气污染浓度数据，并对目标区域的大气污染浓度数据进行双聚类处理得到不同的双聚类块，之后将双聚类处理后的大气污染浓度数据利用空间分析工具插值到空气质量模型的网格中，并将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比，确定出高浓度排放网格，最后得到不同双聚类块的高值区域，并获得污染区域范围及边界、污染强度、高污染发生的频率，结合污染源排放数据和污染源调查，能够认识高值区域形成的污染源排放原因，支持市及区县展开污染排放的监察及控制。本发明将多个传感器部署在近地面层，且传感器的分布密度远高于现有监测站，因此经过混合反演可以得到该平面上空间精度小于500米的连续污染浓度指标。本发明利用了基于传感器地面高密度监测网络产生的海量数据进行空气质量排名和高值区识别，这些数据与传统的卫星遥感数据相比，时空分辨率较高且数据质量可靠，能够获得区县级别的空气质量变化精细化特征，形成甄别本地污染源特征的分析方法，为环境管理形成更为***化的技术支撑。
进一步的，高值区域建立模块5之后还优选包括：
高值区域区分模块6：用于对不同的高值区域采用不同的颜色进行区分。高值区域区分模块6通过对不同的高值区域采用不同的颜色进行区分，能够更明显有效地区分出不同浓度的区域。本实施例优选紫色为大气污染浓度最高的区域，红色次之，接下来依次为橙色、黄色，绿色为大气污染浓度最低的区域，即空气质量为优。
优选的，双聚类处理模块3可以包括：
子矩阵分割模块31：用于将大气污染浓度数据矩阵分割成若干个子矩阵；
计算模块32：用于计算第N个子矩阵的平均平方残基打分函数H(I，J)和子矩阵中每行和每列的平均残基d(i)和d(j)：
其中，N大于等于1且小于等于子矩阵的总个数，|I|和|J|分别为子矩阵的行数和列数，aij为子矩阵的元素的值，aIj、aiJ和aIJ分别为子矩阵中第I行的平均值、第J行的平均值和子矩阵整体的平均值，即：
若H(I，J)＞δ，则进入删除模块33，若H(I，J)≤δ，该子矩阵形成双聚类块，并且结束，其中，δ为预先设定的最大平均平方剩余分数；
删除模块33：用于将该子矩阵中最大的a(i)或a(j)对应的行或列删除；
添加模块34：用于将该子矩阵中最小的a(i)或a(j)对应的行或列添加到子矩阵中，之后转至计算模块32。
已知大气污染浓度的矩阵A如下，其中行(时间)集合(r1，r2，…，rn)记为X，列(传感器监测站点)集合(c1，c2，…，cm)记为Y，矩阵A中元素aij表示第i个传感器监测站点在j时间监测到的大气污染物的浓度。
现有一个集合I∈X和J∈Y，则矩阵AIJ＝(I，J)为原矩阵A的一个子矩阵。
双聚类处理模块3采用贪心算法策略，通过删除或添加行或列来寻找一个平均平方残基打分函数值尽可能小、块的尺寸尽可能大的双聚类块，如图2所示。
当采用删除行或列的方式时，首先初始化一个包含矩阵A的全部行和全部列的聚类块，然后在一个循环中不断地删除当前聚类块的行或列以期达到降低平均平方残基打分函数H(I，J)的目的，直至H(I，J)小于等于预先设定的δ时循环终止。
由于通过删除操作，得到的双聚类块的平均平方残基打分函数H(I，J)有可能不是最大的，因此某些剩余的行和列有可能可以被添加进去，只要保证双聚类块的平均平方残基打分函数H(I，J)小于等于预先设定的δ即可。
由于双聚类算法是确定的，所以对同一数据集重复使用上述双聚类算法每次找到的双聚类模块都是同一个，并不能找出第二个双聚类块。因此，为了找到多个双聚类块，，计算模块32还优选包括：用于当一个双聚类块形成后，使用随机数代替已经形成的双聚类块中的元素的值，之后对其它的子矩阵进行双聚类处理。
进一步的，高值区域建立模块5中，将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比时，优选采用等值线、阴影图、栅格图或填色图进行对比。高值区域建立模块5通过采用等值线、阴影图、栅格图或填色图等方式进行大气污染浓度的空间专题分析，分析内容涵盖实时、小时、日均、月均等时间尺度目标区域精细污染空间分布图。
综上，本发明通过在目标区域大密度部署传感器监测站点，获取海量大气污染浓度数据，通过双聚类与大气污染浓度空间网格化热力图相结合的方法，识别高污染发生的区域，并获得污染区域范围及边界、污染强度、高污染发生的频率，结合污染源排放数据与污染源调查，认识高污染区域形成的污染源排放原因，支持市及区县展开污染排放的监察及控制。潜在的应用对象包括小工业集中区域、大型工业园区、物流集中区域、城乡结合部、城中村等。首先，本发明将监测结果的空间精度从离散稀疏的点位读数扩展为时空连续的面测量值。由于绝大多数监测网络设备(即传感器)处于近地面层，且分布密度远高于现有监测站，因此经过混合反演可以得到该平面上空间精度小于500米的连续污染浓度指标。其次，采用大数据分析手段，从时域和空间指标两个方面，提取高于背景浓度场的高值区域和疑似源。其中，时域指标表征高值区域和疑似源的持续时间和周期性规律，空间指标表征高值区域和疑似源的污染程度和影响范围。综合采用以上两类指标集，量化评估高值区域和疑似源的污染贡献排序，为后续模型和决策支持提供原始排查清单和优先级排序。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于海量大气污染浓度数据的污染空间分析方法，其特征在于，包括：
步骤1：获取地面高密度监测网络监测到的目标区域的大气污染浓度数据，其中，所述地面高密度监测网络由部署在目标区域的多个传感器组成；
步骤2：将获取到的大气污染浓度数据排列成矩阵的形式，得到大气污染浓度数据矩阵，其中，所述大气污染浓度数据矩阵中的行以传感器监测站点进行排列，所述大气污染浓度数据矩阵中的列以时间顺序进行排列；
步骤3：对所述大气污染浓度数据矩阵进行双聚类处理，得到多个不同传感器监测站点的双聚类块；
步骤4：将双聚类处理后的大气污染浓度数据利用空间分析工具插值到空气质量模型的网格中，对大气污染浓度数据进行网格化处理；
步骤5：将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比，确定出高浓度排放网格，最后得到不同双聚类块的高值区域。
2.根据权利要求1所述的基于海量大气污染浓度数据的污染空间分析方法，其特征在于，所述步骤5之后还包括：
步骤6：对不同的高值区域采用不同的颜色进行区分。
3.根据权利要求1所述的基于海量大气污染浓度数据的污染空间分析方法，其特征在于，所述步骤3包括：
步骤31：将大气污染浓度数据矩阵分割成若干个子矩阵；
步骤32：计算第N个子矩阵的平均平方残基打分函数H(I，J)和子矩阵中每行和每列的平均残基a(i)和a(j)：
<mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>I</mi> <mo>,</mo> <mi>J</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>I</mi> <mo>|</mo> <mo>|</mo> <mi>J</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <mi>I</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> </mrow> </munder> <msup> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>J</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>J</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
<mrow> <mi>a</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>J</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> </mrow> </munder> <msup> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>J</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>J</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
<mrow> <mi>a</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>I</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> </mrow> </munder> <msup> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>J</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>J</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中，N大于等于1且小于等于子矩阵的总个数，|I|和|J|分别为子矩阵的行数和列数，aij为子矩阵的元素的值，aIj、aiJ和aIJ分别为子矩阵中第I行的平均值、第J行的平均值和子矩阵整体的平均值，即：
<mrow> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>I</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <mi>I</mi> </mrow> </munder> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>J</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>J</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> </mrow> </munder> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>J</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>I</mi> <mo>|</mo> <mo>|</mo> <mi>J</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <mi>I</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> </mrow> </munder> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow>
若H(I，J)＞δ，则执行步骤33，若H(I，J)≤δ，该子矩阵形成双聚类块，并且结束，其中δ为预先设定的最大平均平方剩余分数；
步骤33：将所述子矩阵中最大的a(i)或a(j)对应的行或列删除；
步骤34：将所述子矩阵中最小的a(i)或a(j)对应的行或列添加到子矩阵中，之后转至所述步骤32。
4.根据权利要求3所述的基于海量大气污染浓度数据的污染空间分析方法，其特征在于，所述步骤3还包括：当一个双聚类块形成后，使用随机数代替已经形成的双聚类块中的元素的值，之后对其它的子矩阵进行双聚类处理。
5.根据权利要求1所述的基于海量大气污染浓度数据的污染空间分析方法，其特征在于，所述步骤5中，将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比时，采用等值线、阴影图、栅格图或填色图进行对比。
6.一种基于海量大气污染浓度数据的污染空间分析装置，其特征在于，包括：
获取模块：用于获取地面高密度监测网络监测到的目标区域的大气污染浓度数据，其中，所述地面高密度监测网络由部署在目标区域的多个传感器组成；
大气污染浓度数据矩阵建立模块：用于将获取到的大气污染浓度数据排列成矩阵的形式，得到大气污染浓度数据矩阵，其中，所述大气污染浓度数据矩阵中的行以传感器监测站点进行排列，所述大气污染浓度数据矩阵中的列以时间顺序进行排列；
双聚类处理模块：用于对所述大气污染浓度数据矩阵进行双聚类处理，得到多个不同的双聚类块；
网格化处理模块：用于将双聚类处理后的大气污染浓度数据利用空间分析工具插值到空气质量模型的网格中，对大气污染浓度数据进行网格化处理；
高值区域建立模块：用于将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比，确定出高浓度排放网格，最后得到不同双聚类块的高值区域。
7.根据权利要求6所述的基于海量大气污染浓度数据的污染空间分析装置，其特征在于，所述高值区域建立模块之后还包括：
高值区域区分模块：用于对不同的高值区域采用不同的颜色进行区分。
8.根据权利要求6所述的基于海量大气污染浓度数据的污染空间分析装置，其特征在于，所述双聚类处理模块包括：
子矩阵分割模块：用于将大气污染浓度数据矩阵分割成若干个子矩阵；
计算模块：用于计算第N个子矩阵的平均平方残基打分函数H(I，J)和子矩阵中每行和每列的平均残基d(i)和d(j)：
<mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>I</mi> <mo>,</mo> <mi>J</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>I</mi> <mo>|</mo> <mo>|</mo> <mi>J</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <mi>I</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> </mrow> </munder> <msup> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>J</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>J</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
<mrow> <mi>d</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>J</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> </mrow> </munder> <msup> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>J</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>J</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
<mrow> <mi>d</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>I</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> </mrow> </munder> <msup> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>J</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>J</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中，N大于等于1且小于等于子矩阵的总个数，|I|和|J|分别为子矩阵的行数和列数，aij为子矩阵的元素的值，aIj、aiJ和aIJ分别为子矩阵中第I行的平均值、第J行的平均值和子矩阵整体的平均值，即：
<mrow> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>I</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <mi>I</mi> </mrow> </munder> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>J</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>J</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> </mrow> </munder> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>a</mi> <mrow> <mi>I</mi> <mi>J</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>I</mi> <mo>|</mo> <mo>|</mo> <mi>J</mi> <mo>|</mo> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <mi>I</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> </mrow> </munder> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow>
若H(I，J)＞δ，则进入删除模块，若H(I，J)≤δ，该子矩阵形成双聚类块，并且结束，其中，δ为预先设定的最大平均平方剩余分数；
删除模块：用于将所述子矩阵中最大的a(i)或a(j)对应的行或列删除；
添加模块：用于将所述子矩阵中最小的a(i)或a(j)对应的行或列添加到子矩阵中。
9.根据权利要求8所述的基于海量大气污染浓度数据的污染空间分析装置，其特征在于，所述双聚类处理模块还包括：用于当一个双聚类块形成后，使用随机数代替已经形成的双聚类块中的元素的值，之后对其它的子矩阵进行双聚类处理。
10.根据权利要求6所述的基于海量大气污染浓度数据的污染空间分析装置，其特征在于，所述高值区域建立模块中，将每个网格内的大气污染浓度与周边网格内的大气污染浓度进行对比时，采用等值线、阴影图、栅格图或填色图进行对比。
CN201710399019.1A 2017-05-31 2017-05-31 基于海量大气污染浓度数据的污染空间分析方法及装置 Pending CN107340364A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710399019.1A CN107340364A (zh) 2017-05-31 2017-05-31 基于海量大气污染浓度数据的污染空间分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710399019.1A CN107340364A (zh) 2017-05-31 2017-05-31 基于海量大气污染浓度数据的污染空间分析方法及装置

Publications (1)

Publication Number Publication Date
CN107340364A true CN107340364A (zh) 2017-11-10

Family

ID=60220486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710399019.1A Pending CN107340364A (zh) 2017-05-31 2017-05-31 基于海量大气污染浓度数据的污染空间分析方法及装置

Country Status (1)

Country Link
CN (1) CN107340364A (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108398529A (zh) * 2018-03-06 2018-08-14 深圳市卡普瑞环境科技有限公司 一种信息获取方法以及信息获取装置
CN108416521A (zh) * 2018-03-06 2018-08-17 深圳市卡普瑞环境科技有限公司 一种信息来源确定的方法以及信息来源确定装置
CN108508149A (zh) * 2018-03-20 2018-09-07 厦门嘉海通达环境科技有限公司 一种基于污染源溯源的药效提升空气检测***
CN108760595A (zh) * 2018-08-27 2018-11-06 陈鑫宁 分布式气体浊度监测点
CN108829642A (zh) * 2018-04-24 2018-11-16 中国环境科学研究院 一种利用特征雷达图分析环境质量数据的方法
CN109213839A (zh) * 2018-09-12 2019-01-15 北京英视睿达科技有限公司 基于网格化特征深度学习的热点网格污染物数据获取方法
CN109269984A (zh) * 2018-08-27 2019-01-25 陈鑫宁 浊度自动分类***
CN109490477A (zh) * 2018-11-19 2019-03-19 北京英视睿达科技有限公司 基于卫星遥感数据确定大气污染热点网格的方法及装置
CN109613179A (zh) * 2018-11-14 2019-04-12 北京英视睿达科技有限公司 累积高值区的确定方法
CN109765337A (zh) * 2018-12-28 2019-05-17 北京英视睿达科技有限公司 一种污染源识别方法及其***
CN109816745A (zh) * 2018-12-24 2019-05-28 深圳云天励飞技术有限公司 人体热力图展示方法及相关产品
CN109856321A (zh) * 2018-11-14 2019-06-07 北京英视睿达科技有限公司 异常高值点位的确定方法
CN109919201A (zh) * 2019-02-14 2019-06-21 北京市环境保护监测中心 一种基于多浓度数据的污染类型分析方法
CN110147383A (zh) * 2019-04-25 2019-08-20 北京英视睿达科技有限公司 确定污染源类型的方法及装置
CN110457530A (zh) * 2019-07-23 2019-11-15 广州软博信息科技有限公司 一种气象自动站数据快速插值填色方法
CN111507415A (zh) * 2020-04-21 2020-08-07 南京信息工程大学 一种基于分布密度的多源大气数据聚类方法
CN111563842A (zh) * 2020-04-29 2020-08-21 成都信息工程大学 一种基于面积权重的二维地理数据插值算法
CN111579447A (zh) * 2020-06-11 2020-08-25 暨南大学 一种获取黑碳在城市路网空间分布的装置及方法
CN112305163A (zh) * 2020-10-21 2021-02-02 西北工业大学 基于固定翼无人机的大气污染监测***及数据处理方法
CN112559619A (zh) * 2020-12-07 2021-03-26 中科三清科技有限公司 空间分布图绘制方法、装置、电子设备以及可读存储介质
CN112611843A (zh) * 2020-12-23 2021-04-06 中科三清科技有限公司 空气质量监测及展示方法、装置、电子设备以及存储介质
CN112950047A (zh) * 2021-03-18 2021-06-11 京师天启(北京)科技有限公司 一种疑似污染场地的渐进识别方法
CN108872029B (zh) * 2018-08-29 2021-06-15 杭州震弘环境科技有限公司 气体浊度处理节点
CN114062618A (zh) * 2022-01-17 2022-02-18 京友科技（深圳）有限公司 基于物联网实现多环境下空气监测汇总***
CN114580168A (zh) * 2022-03-03 2022-06-03 山东瑞智飞控科技有限公司 一种无人机监测大气污染数据与三维gis融合展示的方法
CN115326661A (zh) * 2022-10-12 2022-11-11 深圳市源清环境技术服务有限公司 一种基于大气环境的监测方法、***和可读存储介质
CN115659195A (zh) * 2022-11-21 2023-01-31 中科三清科技有限公司 一种大气污染在线识别方法
CN115935040A (zh) * 2023-03-02 2023-04-07 北京工业大学 一种大气污染协同控制区域、时间识别方法
CN115980787A (zh) * 2023-03-16 2023-04-18 安徽科创中光科技股份有限公司 一种基于颗粒物雷达的污染监测定位方法
CN117054353A (zh) * 2023-08-17 2023-11-14 山西低碳环保产业集团有限公司 一种大气污染源区域定位分析方法及***
CN117390464A (zh) * 2023-12-11 2024-01-12 唐山华洋自动化有限公司 基于kafka技术的分布式大气污染监测方法及***
CN117388445A (zh) * 2023-12-12 2024-01-12 山东省计量科学研究院 一种大气环境监测***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101949892A (zh) * 2010-08-20 2011-01-19 中国人民解放军第三军医大学第三附属医院 基于rbf人工神经网络和saw气体传感器的气体浓度检测方法
CN104573004A (zh) * 2015-01-06 2015-04-29 华南理工大学 一种基于双阶遗传计算的基因表达数据的双聚类算法
CN105223546A (zh) * 2015-09-30 2016-01-06 西安电子科技大学 基于接收信号强度和参考点位置双聚类的室内定位方法
CN106294447A (zh) * 2015-05-28 2017-01-04 中国科学院沈阳自动化研究所 一种基于双聚类填充的协同过滤方法
CN106408128A (zh) * 2016-09-26 2017-02-15 华南理工大学 基于双聚类挖掘及模糊推理的股票交易规则预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101949892A (zh) * 2010-08-20 2011-01-19 中国人民解放军第三军医大学第三附属医院 基于rbf人工神经网络和saw气体传感器的气体浓度检测方法
CN104573004A (zh) * 2015-01-06 2015-04-29 华南理工大学 一种基于双阶遗传计算的基因表达数据的双聚类算法
CN106294447A (zh) * 2015-05-28 2017-01-04 中国科学院沈阳自动化研究所 一种基于双聚类填充的协同过滤方法
CN105223546A (zh) * 2015-09-30 2016-01-06 西安电子科技大学 基于接收信号强度和参考点位置双聚类的室内定位方法
CN106408128A (zh) * 2016-09-26 2017-02-15 华南理工大学 基于双聚类挖掘及模糊推理的股票交易规则预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘杰: "北京大气污染物时空变化规律及评价预测模型研究", 《中国博士学位论文全文数据库（电子期刊）》 *
戈文航等: "基于概率计算的重叠双聚类算法", 《计算机工程与设计》 *
李向森等: "基于双聚类和可视化的重金属污染领域研究热点探析", 《公共卫生与预防医学》 *
李美航等: "双聚类算法研究", 《广东科技》 *
王林: "聚类研究的新进展：双聚类算法的原理和应用", 《中华医学会第十七次全国医学信息学术会议论文集》 *

Cited By (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108398529A (zh) * 2018-03-06 2018-08-14 深圳市卡普瑞环境科技有限公司 一种信息获取方法以及信息获取装置
CN108416521A (zh) * 2018-03-06 2018-08-17 深圳市卡普瑞环境科技有限公司 一种信息来源确定的方法以及信息来源确定装置
CN108508149A (zh) * 2018-03-20 2018-09-07 厦门嘉海通达环境科技有限公司 一种基于污染源溯源的药效提升空气检测***
CN108829642B (zh) * 2018-04-24 2022-11-22 中国环境科学研究院 一种利用特征雷达图分析环境质量数据的方法
CN108829642A (zh) * 2018-04-24 2018-11-16 中国环境科学研究院 一种利用特征雷达图分析环境质量数据的方法
CN109269984A (zh) * 2018-08-27 2019-01-25 陈鑫宁 浊度自动分类***
CN109269984B (zh) * 2018-08-27 2021-05-25 陈鑫宁 浊度自动分类***
CN108760595A (zh) * 2018-08-27 2018-11-06 陈鑫宁 分布式气体浊度监测点
CN108872029B (zh) * 2018-08-29 2021-06-15 杭州震弘环境科技有限公司 气体浊度处理节点
CN109213839A (zh) * 2018-09-12 2019-01-15 北京英视睿达科技有限公司 基于网格化特征深度学习的热点网格污染物数据获取方法
CN109613179A (zh) * 2018-11-14 2019-04-12 北京英视睿达科技有限公司 累积高值区的确定方法
CN109856321A (zh) * 2018-11-14 2019-06-07 北京英视睿达科技有限公司 异常高值点位的确定方法
CN109613179B (zh) * 2018-11-14 2023-10-20 北京英视睿达科技股份有限公司 累积高值区的确定方法
CN109490477A (zh) * 2018-11-19 2019-03-19 北京英视睿达科技有限公司 基于卫星遥感数据确定大气污染热点网格的方法及装置
CN109816745A (zh) * 2018-12-24 2019-05-28 深圳云天励飞技术有限公司 人体热力图展示方法及相关产品
CN109816745B (zh) * 2018-12-24 2023-05-12 深圳云天励飞技术有限公司 人体热力图展示方法及相关产品
CN109765337A (zh) * 2018-12-28 2019-05-17 北京英视睿达科技有限公司 一种污染源识别方法及其***
CN109919201A (zh) * 2019-02-14 2019-06-21 北京市环境保护监测中心 一种基于多浓度数据的污染类型分析方法
CN110147383A (zh) * 2019-04-25 2019-08-20 北京英视睿达科技有限公司 确定污染源类型的方法及装置
CN110457530A (zh) * 2019-07-23 2019-11-15 广州软博信息科技有限公司 一种气象自动站数据快速插值填色方法
CN110457530B (zh) * 2019-07-23 2022-02-22 广州软博信息科技有限公司 一种气象自动站数据快速插值填色方法
CN111507415A (zh) * 2020-04-21 2020-08-07 南京信息工程大学 一种基于分布密度的多源大气数据聚类方法
CN111507415B (zh) * 2020-04-21 2023-07-25 南京信息工程大学 一种基于分布密度的多源大气数据聚类方法
CN111563842A (zh) * 2020-04-29 2020-08-21 成都信息工程大学 一种基于面积权重的二维地理数据插值算法
CN111579447A (zh) * 2020-06-11 2020-08-25 暨南大学 一种获取黑碳在城市路网空间分布的装置及方法
CN112305163A (zh) * 2020-10-21 2021-02-02 西北工业大学 基于固定翼无人机的大气污染监测***及数据处理方法
CN112559619A (zh) * 2020-12-07 2021-03-26 中科三清科技有限公司 空间分布图绘制方法、装置、电子设备以及可读存储介质
CN112611843A (zh) * 2020-12-23 2021-04-06 中科三清科技有限公司 空气质量监测及展示方法、装置、电子设备以及存储介质
CN112950047A (zh) * 2021-03-18 2021-06-11 京师天启(北京)科技有限公司 一种疑似污染场地的渐进识别方法
CN114062618A (zh) * 2022-01-17 2022-02-18 京友科技（深圳）有限公司 基于物联网实现多环境下空气监测汇总***
CN114062618B (zh) * 2022-01-17 2022-03-18 京友科技（深圳）有限公司 基于物联网实现多环境下空气监测汇总***
CN114580168A (zh) * 2022-03-03 2022-06-03 山东瑞智飞控科技有限公司 一种无人机监测大气污染数据与三维gis融合展示的方法
CN115326661A (zh) * 2022-10-12 2022-11-11 深圳市源清环境技术服务有限公司 一种基于大气环境的监测方法、***和可读存储介质
CN115659195A (zh) * 2022-11-21 2023-01-31 中科三清科技有限公司 一种大气污染在线识别方法
CN115935040A (zh) * 2023-03-02 2023-04-07 北京工业大学 一种大气污染协同控制区域、时间识别方法
CN115980787B (zh) * 2023-03-16 2023-05-23 安徽科创中光科技股份有限公司 一种基于颗粒物雷达的污染监测定位方法
CN115980787A (zh) * 2023-03-16 2023-04-18 安徽科创中光科技股份有限公司 一种基于颗粒物雷达的污染监测定位方法
CN117054353A (zh) * 2023-08-17 2023-11-14 山西低碳环保产业集团有限公司 一种大气污染源区域定位分析方法及***
CN117054353B (zh) * 2023-08-17 2024-03-19 山西低碳环保产业集团有限公司 一种大气污染源区域定位分析方法及***
CN117390464A (zh) * 2023-12-11 2024-01-12 唐山华洋自动化有限公司 基于kafka技术的分布式大气污染监测方法及***
CN117390464B (zh) * 2023-12-11 2024-03-08 唐山华洋自动化有限公司 基于kafka技术的分布式大气污染监测方法及***
CN117388445A (zh) * 2023-12-12 2024-01-12 山东省计量科学研究院 一种大气环境监测***
CN117388445B (zh) * 2023-12-12 2024-04-05 山东省计量科学研究院 一种大气环境监测***

Similar Documents

Publication Publication Date Title
CN107340364A (zh) 基于海量大气污染浓度数据的污染空间分析方法及装置
Tian et al. Analysis of spatial and seasonal distributions of air pollutants by incorporating urban morphological characteristics
Bravo et al. Racial isolation and exposure to airborne particulate matter and ozone in understudied US populations: Environmental justice applications of downscaled numerical model output
Aslam et al. The use of local climate zones in the urban environment: A systematic review of data sources, methods, and themes
Lin et al. The improvement of spatial-temporal resolution of PM2. 5 estimation based on micro-air quality sensors by using data fusion technique
Gao et al. Assessing neighborhood air pollution exposure and its relationship with the urban form
Yadav et al. Assessment and prediction of urban growth for a mega-city using CA-Markov model
He et al. Comparative performance of the LUR, ANN, and BME techniques in the multiscale spatiotemporal mapping of PM 2.5 concentrations in North China
CN110095394A (zh) 一种大气颗粒物污染快速溯源方法
Xu et al. Impacts of land use/land cover patterns on groundwater quality in the Guanzhong Basin of northwest China
Liu et al. A century of the evolution of the urban area in Shenyang, China
Liu et al. A framework for delineating the regional boundaries of PM2. 5 pollution: A case study of China
Yang et al. Spatiotemporal characterization and mapping of PM2. 5 concentrations in southern Jiangsu Province, China
Wei et al. Analysis of gully erosion susceptibility and spatial modelling using a GIS-based approach
Cao et al. Monitoring changes in the impervious surfaces of urban functional zones using multisource remote sensing data: A case study of Tianjin, China
Zhang et al. Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis
Georgieva et al. Evaluating the performance of WRF-CMAQ air quality modelling system in Bulgaria by means of the DELTA tool
Zhao et al. Innovative spatial-temporal network modeling and analysis method of air quality
Fattoruso et al. Site suitability analysis for low cost sensor networks for urban spatially dense air pollution monitoring
CN117311395A (zh) 用于河道内污染巡检的无人机路径规划方法及***
Pindozzi et al. Predicting land use change on a broad area: Dyna-CLUE model application to the Litorale Domizio-Agro Aversano (Campania, South Italy)
Wang et al. Complex network analysis of PM2. 5 transport in the Yangtze River Delta Region, China
Yu et al. Synergistic data fusion of satellite observations and in-situ measurements for hourly PM2. 5 estimation based on hierarchical geospatial long short-term memory
Wang et al. A weighted higher-order network analysis of fine particulate matter (PM2. 5) transport in Yangtze River Delta
Guo et al. Finer-scale urban health risk assessment based on the interaction perspective of thermal radiation, human, activity, and space

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171110