CN107391951A - 一种基于环形邻域梯度排序的空气污染溯源方法 - Google Patents

一种基于环形邻域梯度排序的空气污染溯源方法 Download PDF

Info

Publication number
CN107391951A
CN107391951A CN201710657465.8A CN201710657465A CN107391951A CN 107391951 A CN107391951 A CN 107391951A CN 201710657465 A CN201710657465 A CN 201710657465A CN 107391951 A CN107391951 A CN 107391951A
Authority
CN
China
Prior art keywords
mrow
msub
data
air pollution
gradient
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
Application number
CN201710657465.8A
Other languages
English (en)
Other versions
CN107391951B (zh
Inventor
蒋圣
谢乾
戴晶
沈勤中
龚俊
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.)
Kunshan One Hundred Ao Electronic Technology Co Ltd
NANJING BYOSOFT CO Ltd
Jiangsu Zhuoyi Information Technology Co Ltd
Original Assignee
Kunshan One Hundred Ao Electronic Technology Co Ltd
NANJING BYOSOFT CO Ltd
Jiangsu Zhuoyi Information Technology Co Ltd
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 Kunshan One Hundred Ao Electronic Technology Co Ltd, NANJING BYOSOFT CO Ltd, Jiangsu Zhuoyi Information Technology Co Ltd filed Critical Kunshan One Hundred Ao Electronic Technology Co Ltd
Priority to CN201710657465.8A priority Critical patent/CN107391951B/zh
Publication of CN107391951A publication Critical patent/CN107391951A/zh
Application granted granted Critical
Publication of CN107391951B publication Critical patent/CN107391951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16ZINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00Subject matter not provided for in other main groups of this subclass
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2219/00Indexing scheme relating to application aspects of data processing equipment or methods
    • G06F2219/10Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation

Landscapes

  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于环形邻域梯度排序的空气污染溯源方法,包括以下步骤:1)从数据库中获得预定区域内的各个监测采样点的空气污染数据;2)先对数据进行清洗,然后进行克里金插值,得到规则格网形式的空气污染浓度数据;3)对浓度数据使用邻域梯度排序溯源方法计算,得到回溯线和回溯面。本方法用于实现小尺度范围内的快速空气污染溯源,使用间隔时间段内的邻域梯度排序法进行回溯,使用梯度为评价距离,采用环形邻域为搜索区域,能够确保方位角和搜索半径的自定义,并且能够使用最大梯度排序和区间梯度排序,得到回溯线和回溯面,能够有效回溯到污染发生的区域,并具有较好的精度和效率,能够实际应用于嵌入式设备的开发及环保大数据平台。

Description

一种基于环形邻域梯度排序的空气污染溯源方法
技术领域
本发明属于空气污染溯源技术领域,具体涉及一种基于环形邻域梯度排序的空气污染溯源方法。
背景技术
随着中国的经济发展和工业化进程的提速,空气污染的情况时有发生,用于气体污染的快速高效的污染溯源是一种迫切的需求。然而,目前的空位污染溯源方法主要还是基于大尺度范围内的气象模型为基础,用来解决大尺度范围的空气污染源回溯和定位,如PM2.5的省与省、国与国之间的监测。然而,随着城市化进程的加快,小尺度范围的空气污染溯源凸显出其真正的价值所在,如用于城市突发性污染的快速溯源,用于城乡结合部的秸秆焚烧的快速定位等。然而,用于小尺度范围的污染溯源方法相对较为缺乏,这里面的原因是多方面的,首先是数据方面的原因,受限于目前的污染监测站点数量和布设密度,学者无法获得密度较好、精度较高的小区域空气污染数据,这直接导致了研究工作难以开展;其次是空气模型在小尺度范围的效用缺失,因为城市范围内楼房林立,导致了空气流动较为复杂,难以精确模拟。
针对小区域的突发性大气污染事件的快速检测,以往常规的方法是人工现场采集样本之后,带回实验室进行监测,这种方法耗时时间长。随着设备的改进,科研人员开始使用便携式监测设备,肖洋[肖洋,王新娟,郝亮,等.大气VOCs快速测定及其在环境空气污染应急溯源中的初步应用[J].环境监测管理与技术,2016,(02):65-68.]使用的是便携式VOCs的监测设备,当接到举报后,通过专业人员携带设备到当地进行实时监测,然后再对照污染源特征名录,实现污染溯源。如果污染发生的事件较快,或者是污染者使用间隔式排放,这种人工方法的时效性依然不够强。
基于邻域的多时间间隔采样的数据进行空气流的预测和溯源是一种稳定可靠的方法,根据数据的空间分辨率和时间分辨率,该方法具有较好的尺度适应性。王琦[王琦.机器学习研究及在风力预测中的应用[D].复旦大学,2012.]使用大量实验和数据进行验证,其有效性和准确性能够得到较好的保证。然而,基于邻域的方法中还存在着较多的不足,如使用不规则位置的空气污染数据,难以有效利用现有的模型,而常规的以像素中心为单位的8邻域或者16邻域,无法自定义邻域的搜索范围形状和距离等。
发明内容
发明目的:针对现有技术中存在的不足,本发明的目的是提供一种基于环形邻域梯度排序的空气污染溯源方法,用于实现小尺度范围内的快速空气污染溯源。
技术方案:为了实现上述发明目的,本发明采用的技术方案为:
一种基于环形邻域梯度排序的空气污染溯源方法,包括以下步骤:
1)从数据库中获得预定区域内的各个监测采样点的空气污染数据;
2)先对数据进行清洗,然后进行克里金插值,得到规则格网形式的空气污染浓度数据;
3)对浓度数据使用邻域梯度排序溯源方法计算,得到回溯线和回溯面。
步骤2)中,对数据进行清洗为将采集得到的数据进行数据预处理和转化;其中,数据预处理是对每个传感器得到的数据进行时间校准,让每个传感器得到的空气质量数据的时间尺度一致;数据转化是将采集得到的.dat格式转化为.csv格式和python中的list数据结构。
步骤2)中,克里金插值过程中:设预定区域的行政范围为B,设空气污染监测站所测得到的空气污染为Z(x),则{Z(x)∈B},x表示监测站点的空间位置,其中,非测量点x0的属性值的Z(x0)估计值是多个已知监测站点的空气污染浓度值的加权求和,见下式:
式子中,xi为监测站点的经纬度值,x0为插值区域经纬度值,Z(xi)是需要插值得到的空气污染格网数据数值,λi(i=1,2,...,n)为距离权值,该权值是在最小方差及无偏特征的假设条件下,由变异函数计算得到;以下列出普通克里金方程组:
按照普通克里金估计方差最小,表示为:
式中,C表示协方差函数,E为数学期望值
其中,使用克里金进行插值计算的过程为:
(1)计算监测站点之间的两辆距离及半方差;
(2)寻找一个拟合曲线拟合距离与半方差的关系,从而能根据任意距离计算出相应的半方差rij;对于未知点zo,计算它到所有已知点zi的半方差rio;求解方程组,得到最优系数λi;使用最优系数对已知点的属性值进行加权求和,得到未知点zo的估计值。
步骤3)中,邻域梯度排序法的具体过程如下:
(1)输入队头元素,确定本时段t0,以及邻域梯度阈值;
(2)寻找队头元素的邻域,并且计算上一时段t1邻域元素和队头元素本时段t0的梯度;
(3)对邻域梯度进行排序;
(4)判断是否存在大于阈值的梯度,如果是,转步骤5;否则转步骤6;
(5)输出大于阈值的所有点;
(6)输出排序最大的单个点。
将步骤3)得到的回溯线和回溯面保存为GeoJson格式,输出到前端***进行可视化展示。
所述的基于环形邻域梯度排序的空气污染溯源方法,空气污染数据为SO2浓度数据。
有益效果:与现有技术相比,本发明的基于环形邻域梯度排序的空气污染溯源方法,用于实现小尺度范围内的快速空气污染溯源,使用间隔时间段内的邻域梯度排序法进行回溯,使用梯度为评价距离,采用环形邻域为搜索区域,能够确保方位角和搜索半径的自定义,并且能够使用最大梯度排序和区间梯度排序,得到回溯线和回溯面,通过对宜兴的实测数据进行结果验证,本方法能够有效回溯到污染发生的区域,并具有较好的精度和效率,能够实际应用于嵌入式设备的开发及环保大数据平台。
附图说明
图1是样区及数据监测布点的空间位置图;(b)为(a)的局部放大图;
图2是方法流程图;
图3是环形邻域梯度排序法流程图;
图4是改进的环形邻域原理图;
图5是结果图,其中(a)为单点溯源模式,图(b)为多点溯源模式。
具体实施方式
下面结合具体实施例对本发明做一进步的说明。
实施例1
本实施例样区为江苏省宜兴市。宜兴市北纬31°07′~31°37′,东经119°31′~120°03′,处于江苏省、安徽省、浙江省三省交界之处,东面与太湖水面相连。宜兴市的总面积约为1997平方公里。宜兴市具有1500多家环保设备生产企业、3000多家配套企业,环保产业集群拥有10万产业从业人员,所以本方法的应用能够有效利用企业资源,并且得到政府的全力支持。
实施例采用的是2017年4月份的宜兴市的空气SO2监测数据,数据来自于江苏卓易信息科技股份有限公司的生产的基于ARM架构的嵌入式设备,选用的SO2传感器来自于SPEC公司,型号为3SP_SO2_20P Package 110-601,经过与宜兴市环保局监测站的实时数据进行实时校准和对比,具有较好的精度。全市共布设24个监测站点,对站点数据进行克里金插值,得到格网数据,格网之间的距离是0.05°,也就是近似500米*500米的格网,并生成为Geojson格式。空间布点的空间位置见图1所示。
本发明的基于环形邻域梯度排序的空气污染溯源方法,流程图见图2,大体过程为:首先是从数据库中获得各个监测采样点的SO2数据,然后经过数据清洗之后(主要是将采集得到的数据进行数据预处理和转化。其中,数据预处理主要是对每个传感器得到的数据进行时间校准,让每个传感器得到的空气质量数据的时间尺度一致;数据转化则是将采集得到的.dat格式转化为.csv格式和python中的list数据结构,能够被本方法直接使用),进行克里金插值,得到规则格网形式的SO2浓度数据。对浓度数据使用邻域梯度排序溯源方法计算,并保存为GeoJson格式,最后输出到前端***进行可视化展示。
1、克里金插值
使用空间插值算法对空气污染数据进行插值,从而获得格网数据是一种常规方法[许晶玉.山东省种植区地下水硝态氮污染空间变异及分布规律研究[D].中南大学,2011.]。针对反距离加权方法对于空间点插值的不足之处,如对于地理空间的加权系数的确定缺乏理论依据,以及对于空间关联度的描述不够准确等,克里金插值(Kriging)算法应运而生。该算法能够将数据函数与指定范围内的一定数量的点值进行拟合,从而确定每个位置的输出值。克里金插值算法具有多种具体的实现方法,其中,普通克里金(OrdinaryKriging)方法由于其原理简单稳定,鲁棒性和普适性较好,所以使用较多,本专利方法选用普通克里金作为插值算法。
在本方法中,设宜兴市的行政范围为B,设空气污染监测站所测得到的SO2为Z(x),则{Z(x)∈B},x表示监测站点的空间位置,本方法为表示经纬度的二维向量。根据普通克里金算法的原理,非测量点x0的属性值的Z(x0)估计值是多个已知监测站点的SO2浓度值的加权求和,见下式:
式子中,xi为监测站点的经纬度值,x0为插值区域经纬度值,Z(xi)是需要插值得到的空气污染格网数据数值。λi(i=1,2,...,n)为距离权值,该权值是在最小方差及无偏特征的假设条件下,由变异函数计算得到。以下列出普通克里金方程组:
按照普通克里金估计方差最小,表示为:
式中,C表示协方差函数,E为数学期望值。
本方法使用克里金进行插值计算的过程表示如下所示:
(1)计算监测站点之间的两辆距离及半方差;
(2)寻找一个拟合曲线拟合距离与半方差的关系,从而能根据任意距离计算出相应的半方差rij;对于未知点zo,计算它到所有已知点zi的半方差rio;求解第4步的方程组,得到最优系数λi;使用最优系数对已知点的属性值进行加权求和,得到未知点zo的估计值。
2、环形邻域梯度排序
邻域梯度排序法的基本的过程是:
(1)输入队头元素,确定本时段t0,以及邻域梯度阈值;
(2)寻找队头元素的邻域,并且计算上一时段t1邻域元素和队头元素本时段t0的梯度;
(3)对邻域梯度进行排序;
(4)判断是否存在大于阈值的梯度,如果是,转步骤5;否则转步骤6;
(5)输出大于阈值的所有点;
(6)输出排序最大的单个点。
具体流程图如下图3所示。
在以往的基于邻域的方法中,常规的做法是使用像素为单位,进行基于中心像素的窗口邻域计算,如3像素乘以3像素的8邻域计算,也有5像素乘以5像素的24邻域计算。然而,使用基于像素的窗口分析法有以下不足,(1)这种方法的邻域半径是固定的,就是以中心像素的相邻像素,无法自定义邻域的搜索范围形状和距离。因为对角线的像素和垂直方向的像素距离不一样,这也导致了搜索距离的不准确。(2)使用邻域像素无法确定更为精确的方位,如8邻域只有8个方位(正北,东北,正东,东南,正南,西南,正西,西北),而24邻域能确定的是16个方位。无法实现使用任意方位角进行定位。针对以上两点不足,采用改进的环形邻域法。该方法的原理如图4所示,具体步骤如下:
(1)输入队头元素,确定本时段t0,以及邻域梯度阈值;
(2)寻找队头元素的邻域,并且计算上一时段t1邻域元素和队头元素本时段t0的梯度;
(3)对邻域梯度进行排序;
(4)判断是否存在大于阈值的梯度,如果是,转步骤(5);否则转步骤(6);
(5)输出大于阈值的所有点;
(6)输出排序最大的单个点。
图4中,(a)表示3×3的8像素邻域;(b)表示半径为1个单位,采样点为8的环形邻域;(c)表示半径为2个单位,采样点为16的环形邻域;(d)表示半径为2,采样点为8的环形邻域;(e)表示单点溯源模式,形成的是溯源路线;(f)表示多点溯源模式,形成的是溯源范围区域。
利用这种环形邻域法,不仅能够自定义邻域搜索半径,也能够任意增加搜索点和搜索方位角,不仅能够在本方法中得到很好的实验结果,也具有较好的可扩展性。随着监测站点的增加,当污染空气的格网数据变得越来越精确和密集的时候,环形邻域依然具有良好的应用性。
将所生成得到的溯源过程数据以GeoJSON格式保存。结果如图5所示,其中(a)为单点溯源模式,每次采用梯度最大值进行溯源,参考实际污染热力图,溯源效果准确;图(b)为多点溯源,此处为3个梯度最大值,最后溯源的结果是多条溯源线,汇聚为溯源面,参考实际污染热力图,效果准确。
可见,本文方法能够有效回溯到污染发生的区域,并具有较好的精度和效率,能够实际应用于嵌入式设备的开发及环保大数据平台。

Claims (6)

1.一种基于环形邻域梯度排序的空气污染溯源方法,其特征在于,包括以下步骤:
1)从数据库中获得预定区域内的各个监测采样点的空气污染数据;
2)先对数据进行清洗,然后进行克里金插值,得到规则格网形式的空气污染浓度数据;
3)对浓度数据使用邻域梯度排序溯源方法计算,得到回溯线和回溯面。
2.根据权利要求1所述的基于环形邻域梯度排序的空气污染溯源方法,其特征在于,步骤2)中,对数据进行清洗为将采集得到的数据进行数据预处理和转化;其中,数据预处理是对每个传感器得到的数据进行时间校准,让每个传感器得到的空气质量数据的时间尺度一致;数据转化是将采集得到的.dat格式转化为.csv格式和python中的list数据结构。
3.根据权利要求1所述的基于环形邻域梯度排序的空气污染溯源方法,其特征在于,步骤2)中,克里金插值过程中:设预定区域的行政范围为B,设空气污染监测站所测得到的空气污染为Z(x),则{Z(x)∈B},x表示监测站点的空间位置,其中,非测量点x0的属性值的Z(x0)估计值是多个已知监测站点的空气污染浓度值的加权求和,见下式:
<mrow> <mi>Z</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> <mi>Z</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow>
式子中,xi为监测站点的经纬度值,x0为插值区域经纬度值,Z(xi)是需要插值得到的空气污染格网数据数值,λi(i=1,2,...,n)为距离权值,该权值是在最小方差及无偏特征的假设条件下,由变异函数计算得到;以下列出普通克里金方程组:
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> <mi>C</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mi>u</mi> <mo>=</mo> <mi>C</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>0</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>n</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced>
按照普通克里金估计方差最小,表示为:
<mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>O</mi> <mi>K</mi> </mrow> <mn>2</mn> </msubsup> <mo>=</mo> <mi>E</mi> <mo>{</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>Z</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>Z</mi> <mo>*</mo> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> <mo>}</mo> <mo>=</mo> <mi>C</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>0</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> <mi>C</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>0</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>u</mi> </mrow>
式中,C表示协方差函数,E为数学期望值
其中,使用克里金进行插值计算的过程为:
(1)计算监测站点之间的两辆距离及半方差;
(2)寻找一个拟合曲线拟合距离与半方差的关系,从而能根据任意距离计算出相应的半方差rij;对于未知点zo,计算它到所有已知点zi的半方差rio;求解方程组,得到最优系数λi;使用最优系数对已知点的属性值进行加权求和,得到未知点zo的估计值。
4.根据权利要求1所述的基于环形邻域梯度排序的空气污染溯源方法,其特征在于,步骤3)中,邻域梯度排序法的具体过程如下:
(1)输入队头元素,确定本时段t0,以及邻域梯度阈值;
(2)寻找队头元素的邻域,并且计算上一时段t1邻域元素和队头元素本时段t0的梯度;
(3)对邻域梯度进行排序;
(4)判断是否存在大于阈值的梯度,如果是,转步骤5;否则转步骤6;
(5)输出大于阈值的所有点;
(6)输出排序最大的单个点。
5.根据权利要求1所述的基于环形邻域梯度排序的空气污染溯源方法,其特征在于,将步骤3)得到的回溯线和回溯面保存为GeoJson格式,输出到前端***进行可视化展示。
6.根据权利要求1所述的基于环形邻域梯度排序的空气污染溯源方法,其特征在于,空气污染数据为SO2浓度数据。
CN201710657465.8A 2017-08-03 2017-08-03 一种基于环形邻域梯度排序的空气污染溯源方法 Active CN107391951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710657465.8A CN107391951B (zh) 2017-08-03 2017-08-03 一种基于环形邻域梯度排序的空气污染溯源方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710657465.8A CN107391951B (zh) 2017-08-03 2017-08-03 一种基于环形邻域梯度排序的空气污染溯源方法

Publications (2)

Publication Number Publication Date
CN107391951A true CN107391951A (zh) 2017-11-24
CN107391951B CN107391951B (zh) 2020-10-23

Family

ID=60343679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710657465.8A Active CN107391951B (zh) 2017-08-03 2017-08-03 一种基于环形邻域梯度排序的空气污染溯源方法

Country Status (1)

Country Link
CN (1) CN107391951B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062454A (zh) * 2018-01-19 2018-05-22 宁波市镇海规划勘测设计研究院 污染物时空分布不确定性特征分析方法、***及存储介质
CN109523066A (zh) * 2018-10-29 2019-03-26 东华理工大学 一种基于克里金插值的pm2.5新增移动站点选址方法
CN110531030A (zh) * 2019-08-16 2019-12-03 北京慧辰资道资讯股份有限公司 一种基于物联网大数据大气污染物分析的方法及装置
CN110909301A (zh) * 2019-11-19 2020-03-24 吉林大学 基于梯度方向构建的插值方法
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
CN112241853A (zh) * 2020-12-16 2021-01-19 中电科新型智慧城市研究院有限公司 一种区域间空气质量影响的评估方法及评估装置
CN112417721A (zh) * 2020-11-11 2021-02-26 北京京航计算通讯研究所 基于二维有限元法扩散模型的水污染溯源方法及***
CN112749470A (zh) * 2019-10-31 2021-05-04 北京华航无线电测量研究所 一种结构形变传感器布局优化拟合方法
CN113552289A (zh) * 2021-07-14 2021-10-26 清华苏州环境创新研究院 一种基于高斯模式的大气污染溯源方法
CN115184440A (zh) * 2022-07-22 2022-10-14 武汉理工大学 基于物联网的VOCs监测及数据处理***
CN115455814A (zh) * 2022-08-31 2022-12-09 南京云创大数据科技股份有限公司 基于深度学习的污染源查找及污染物分布预测方法及***
CN117708617A (zh) * 2024-02-05 2024-03-15 四川国蓝中天环境科技集团有限公司 基于多源大数据及污染特征时空匹配的大气污染溯源方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013010984A2 (fr) * 2011-07-21 2013-01-24 Universite De Reims Champagne Ardenne Dispositif de détection de trace de gaz
CN102968777A (zh) * 2012-11-20 2013-03-13 河海大学 一种基于重叠区域sift特征点的图像拼接方法
CN106295905A (zh) * 2016-08-22 2017-01-04 南京大学 一种基于拉格朗日输送模型的空气质量快速溯源预报方法
CN106484997A (zh) * 2016-10-10 2017-03-08 南京林业大学 一种基于克里金插值的水岸带淤泥厚度计算及出图方法
CN106841436A (zh) * 2017-01-18 2017-06-13 上海市环境监测中心 一种工业区大气VOCs自动监测预警溯源***及其方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013010984A2 (fr) * 2011-07-21 2013-01-24 Universite De Reims Champagne Ardenne Dispositif de détection de trace de gaz
CN102968777A (zh) * 2012-11-20 2013-03-13 河海大学 一种基于重叠区域sift特征点的图像拼接方法
CN106295905A (zh) * 2016-08-22 2017-01-04 南京大学 一种基于拉格朗日输送模型的空气质量快速溯源预报方法
CN106484997A (zh) * 2016-10-10 2017-03-08 南京林业大学 一种基于克里金插值的水岸带淤泥厚度计算及出图方法
CN106841436A (zh) * 2017-01-18 2017-06-13 上海市环境监测中心 一种工业区大气VOCs自动监测预警溯源***及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭亮,于晖: "基于浓度梯度-逆流搜索的污染源定位策略", 《智能计算机与应用》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062454A (zh) * 2018-01-19 2018-05-22 宁波市镇海规划勘测设计研究院 污染物时空分布不确定性特征分析方法、***及存储介质
CN109523066A (zh) * 2018-10-29 2019-03-26 东华理工大学 一种基于克里金插值的pm2.5新增移动站点选址方法
CN110531030A (zh) * 2019-08-16 2019-12-03 北京慧辰资道资讯股份有限公司 一种基于物联网大数据大气污染物分析的方法及装置
CN110531030B (zh) * 2019-08-16 2021-11-12 北京慧辰资道资讯股份有限公司 一种基于物联网大数据大气污染物分析的方法及装置
CN112749470A (zh) * 2019-10-31 2021-05-04 北京华航无线电测量研究所 一种结构形变传感器布局优化拟合方法
CN112749470B (zh) * 2019-10-31 2023-07-14 北京华航无线电测量研究所 一种结构形变传感器布局优化拟合方法
CN110909301A (zh) * 2019-11-19 2020-03-24 吉林大学 基于梯度方向构建的插值方法
CN110909301B (zh) * 2019-11-19 2024-02-20 吉林大学 基于梯度方向构建的插值方法
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
CN112417721B (zh) * 2020-11-11 2021-07-27 北京京航计算通讯研究所 基于二维有限元法扩散模型的水污染溯源方法及***
CN112417721A (zh) * 2020-11-11 2021-02-26 北京京航计算通讯研究所 基于二维有限元法扩散模型的水污染溯源方法及***
CN112241853A (zh) * 2020-12-16 2021-01-19 中电科新型智慧城市研究院有限公司 一种区域间空气质量影响的评估方法及评估装置
CN113552289A (zh) * 2021-07-14 2021-10-26 清华苏州环境创新研究院 一种基于高斯模式的大气污染溯源方法
CN113552289B (zh) * 2021-07-14 2024-01-23 清华苏州环境创新研究院 一种基于高斯模式的大气污染溯源方法
CN115184440A (zh) * 2022-07-22 2022-10-14 武汉理工大学 基于物联网的VOCs监测及数据处理***
CN115455814A (zh) * 2022-08-31 2022-12-09 南京云创大数据科技股份有限公司 基于深度学习的污染源查找及污染物分布预测方法及***
CN117708617A (zh) * 2024-02-05 2024-03-15 四川国蓝中天环境科技集团有限公司 基于多源大数据及污染特征时空匹配的大气污染溯源方法
CN117708617B (zh) * 2024-02-05 2024-04-30 四川国蓝中天环境科技集团有限公司 基于多源大数据及污染特征时空匹配的大气污染溯源方法

Also Published As

Publication number Publication date
CN107391951B (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN107391951A (zh) 一种基于环形邻域梯度排序的空气污染溯源方法
CN104865353B (zh) 基于无人机的工业园区大气污染数据采集方法
WO2018214060A1 (zh) 一种城市小尺度空气质量指数预测方法与***
CN104834017A (zh) 一种有毒有害气体泄漏扩散事故源定位方法
CN115453069B (zh) 一种面向城市臭氧超标污染遥感溯源方法
Nelson et al. Variability of active-layer thickness at multiple spatial scales, north-central Alaska, USA
CN103106347A (zh) 一种基于土壤属性空间分布的农业面源磷污染估算方法
CN106295516A (zh) 基于图像的雾霾pm2.5值估计方法
CN104849777A (zh) 基于交叉相关追踪法的电网设备区域对流天气预报方法
CN104166801A (zh) 一种有效波高和波周期参数化方法
CN115147239B (zh) 新建滨海电厂温升区环境本底水温推算及温升计算方法
CN111652404A (zh) 一种全天气地表温度反演方法和***
Cachay et al. Graph Neural Networks for Improved El Ni\~ no Forecasting
Ziehn et al. Greenhouse gas network design using backward Lagrangian particle dispersion modelling− Part 1: Methodology and Australian test case
Soh et al. Spatial-Temporal pattern analysis and prediction of air quality in Taiwan
CN114077798B (zh) 估算小尺度区域大气污染物网格浓度的方法
De Serio et al. Detecting sensitive areas in confined shallow basins
Klein et al. Wireless sensor networks for fugitive methane emissions monitoring in oil and gas industry
Citakoglu et al. Determination of monthly wind speed of Kayseri region with Gray estimation method
CN106814162A (zh) 一种室外空气质量解决方法和***
Suto et al. Computational fluid dynamics simulation and statistical procedure for estimating wide-area distributions of airborne sea salt considering local ground conditions
CN105068075A (zh) 一种近地面大风的计算方法
Dhimish et al. Exploratory evaluation of solar radiation and ambient temperature in twenty locations distributed in United Kingdom
CN114371519B (zh) 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法
Li et al. Sequence-to-sequence learning for prediction of soil temperature and moisture

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
GR01 Patent grant
GR01 Patent grant