CN108446531A - 基于实测源成分谱和源解析技术的受体Si和Al重构方法 - Google Patents
基于实测源成分谱和源解析技术的受体Si和Al重构方法 Download PDFInfo
- Publication number
- CN108446531A CN108446531A CN201810188930.2A CN201810188930A CN108446531A CN 108446531 A CN108446531 A CN 108446531A CN 201810188930 A CN201810188930 A CN 201810188930A CN 108446531 A CN108446531 A CN 108446531A
- Authority
- CN
- China
- Prior art keywords
- factor
- receptor
- spectrum
- component
- source
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/96—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation using ion-exchange
-
- 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
- G01N33/20—Metals
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Crystallography & Structural Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了基于实测源成分谱和源解析技术的受体Si和Al重构方法。包括:利用在线观测仪器观测颗粒物的化学组分,构建多组分在线数据,输入到正定因子矩阵分解模型(PMF);设置模型参数;进行模型计算,提取因子,计算因子贡献;依据各源类标识组分特征不同,将因子识别为具体的源类;结合实测源成分谱、因子成分谱和因子贡献,反算受体Si和Al,获得Si和Al的重构受体数据。本发明提供的基于实测源成分谱和源解析技术的受体Si和Al重构方法能优化解析结果,提高模型计算的准确性。
Description
技术领域
本发明涉及大气颗粒物源解析领域,具体涉及一种基于实测源成分谱和源解析技术的受体Si和Al重构方法。
背景技术
细颗粒物污染加重对环境空气质量、大气能见度和居民人体健康产生不利影响,管控政策的制订应该基于科学分析和污染源解析,找准大气污染形成的根源和关键环节。这就需要我们对大气污染成因进行精确解析和对颗粒物来源进行准确溯源,为污染天气的政策制定提供科学依据,从而有效控制城市颗粒物污染尤其是重污染过程中的颗粒物。
目前,与离线监测技术相比,在线监测技术监测的颗粒物中化学组分种类较少,例如缺失Si、Al等重要标识组分。这类标识组分的缺失可能会导致土壤、燃煤、机动车等源类的共线性增加,从而会增加这几类源的因子成分谱和源贡献的不确定性。
发明内容
本发明的目的是解决现有在线监测技术监测的颗粒物中化学组分缺失重要的地壳标识组分Si、Al,导致土壤、燃煤、机动车等源类的共线性增加的问题,基于较高时间分辨率的测量仪器来测量受体源解析模型中需要的各种数据,结合因子分析模型和实际当地的源成分谱,提供了一种反算Si和Al获得含Si和Al重构受体数据的方法。本发明提供的方法能够优化源解析结果,提高模型计算的准确性。
本发明提供的基于实测源成分谱和源解析技术的受体Si和Al重构方法,具体步骤如下:
第1步、利用在线观测仪器观测颗粒物的化学组分,构建多组分在线数据,输入到因子分析模型;输入的在线数据包括水溶性离子,碳组分和元素。
水溶性离子由在线离子色谱分析仪测量,包括NH4 +、Na+、K+、Ca2+、Mg+、SO4 2-、NO3 -和Cl-;碳组分由半连续OC/EC仪器测量,包括OC和EC;元素由重金属在线分析仪监测,包括K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Ag、Cd、Sn、Sb、Ba、Au、Hg、Tl、Pb和Bi组分,没有地壳标识组分Al Si。
第2步、设置模型参数;
所述的因子分析模型是正定因子矩阵分解模型(PMF),需要设定的参数包括组分的不确定性和因子个数;组分的不确定性设置方法如公式(1)或(2)所示:
若组分浓度≤MDL(最低检测限),不确定性计算如下:
Unc=5/6*MDL (1)
若组分浓度>MDL(最低检测限),不确定性计算如下:
式中,Unc表示组分的不确定性;ErrorFraction是误差分数,根据具体的采样和分析情况来设定;concentration为组分浓度;
因子个数表示的是污染源的个数,根据需要观测点位的实际情况设定,且因子设定的个数小于输入数据中化学组分的数量。
第3步、进行模型计算,提取因子,计算因子贡献;
第4步、根据不同污染源标识组分不同、或标识组分含量不同,结合模型输出的因子成分谱,将3步提取的因子识别为具体的源类。
第5步、结合实测源成分谱、因子谱和因子贡献,反算受体Si和Al,获得含有Si和Al的重构受体数据,工作原理如公式(3)所示;
F*G=X (3)
式中,F是因子谱和实测源成分谱的结合,因子谱是第3步获得的,不含有Si和Al;G是第3步获得的因子贡献,X是重构的受体数据,其中包含了Si和Al受体数据。
本发明的优点和有益效果:
本发明能通过反算方法获得含有Si和Al的重构受体数据,弥补现有在线数据缺失重要地壳标识组分Si和Al的不足。对重构受体数据进行源解析,能够优化源解析结果,提高模型计算的准确性。
附图说明
图1示出了反算SiAl获得含SiAl重构数据的流程图。
图2为技术路线图。
具体实施方式
实施例1
本实施例利用成都市源谱和源贡献,构建了含Si、Al的模拟受体数据、不含Si、Al的模拟受体数据以及反算Si、Al的模拟受体数据,利用PMF对这三套受体数据分别进行解析,与真实的源贡献和源谱进行对比分析,来评估反算Si和Al受体方法的可行性和科学性。为模拟真实环境情况,给构建的模拟受体数据加入了不同程度的噪音干扰,噪音干扰对PM2.5的贡献占比为5%、10%、15%。图2为技术路线图,具体步骤如下:
1.构建因子分析模型输入数据。所述的输入数据包括水溶性离子,碳组分,元素。表1和表2分别为成都市5类源的源成分谱和真实源贡献。
(1)模拟受体数据构建(未加扰动)
400天不加扰动的受体数据,其构建方法如公式(4)所示。
式中fkj表示第j种组分在第k类源中的比例(g/g),sik表示第k类源第i个样品对颗粒物的贡献,5是源类数目。已知源成分谱和源贡献值,利用公式4得到受体数据Cij。其数据大小为400×22(400天样品,22种组分)。
(2)模拟受体数据构建(加入扰动)
在未加扰动模拟受体数据构建的基础上,加入不同程度的噪音扰动。噪音即未知源,其贡献比例分别设为5%、10%和15%,贡献值为7.55±2.27、16.1±5.36和25.5±8.51。
其构建方法:每条成分谱中的每种组分,参考受体数据中组分的含量设定上下界,每种组分在给定的范围内产生400个均匀分布的随机值。每天的贡献值乘以每天的成分谱得到400条噪音受体数据,加到不受干扰的受体数据中,从而获得受不同干扰程度的数据。公式如下:
式中p表示噪音源。
基本原则:(1)噪音成分谱中没有标识组分;(2)不能和已知源共线。
基于上述原则和方法分别构建了5%、10%和15%扰动的含有Si和Al的受体;把Si和Al去掉,获得缺失Si和Al的受体数据。
表1成都市源成分谱
表2模拟数据的真实源贡献大小
2.对步骤1获得的含有Si和Al的受体数据、缺失Si和Al的受体数据进行模型计算,提取因子,获得因子成分谱和因子贡献时间序列。共识别了5种源类:二次硫酸盐、二次硝酸盐、机动车、土壤、燃煤源。
3.结合成都市源成分谱(表1)、因子成分谱和因子贡献,反算受体Si和Al,获得Si和Al的重构受体数据。因子成分谱和因子贡献为步骤2中对缺失Si和Al受体数据的解析结果。
4.利用PMF模型对步骤3获得的反算含Si和Al的重构受体数据进行模型计算,提取因子,获得因子贡献时间序列和因子成分谱。共识别了5种源类:二次硫酸盐、二次硝酸盐、机动车、土壤、燃煤源。
5.评估解析结果
把步骤2获得的含有Si和Al的受体数据的解析结果、缺失Si和Al的受体数据的解析结果、步骤4获得的反算含Si和Al的重构受体数据解析结果,与真实源谱(表2)和源贡献进行比较。表3-表5为不同噪音干扰的模拟受体数据的解析结果评价指标,评价指标如下:
为更好地反映模型解析得到的因子谱和真实源谱的差异,利用分歧系数(CD)指标来进行评估,CD接近0表明两类源之间相似度较大,接近1表明差异较大。CD值的计算公式如下:
其中,xkf和xkj分别是第f源和第j源中的第k类化学组分;p是化学组分数目。
为更好地反应模型结果和真实贡献的差异,利用平均绝对误差(AAE)和相关系数(r,源贡献时间序列间的相关性)指标来估算的每天的贡献值和真实贡献值的差异。AAE计算公式如下:
式中n表示样品数(本实验为400),aij表示第j个源第i天模型估算的贡献值,bij表示第j个源第i天的真实贡献值。AAE值越小,表明与真实值的差异越小,拟合效果越好。
表3 5%扰动
表4 10%扰动
表5 15%扰动
对于5%扰动受体数据,缺失Si、Al数据解析得到的因子谱和源贡献与真实的源谱和源贡献差异最大,其次是重构Si、Al的受体数据得到的解析结果较差。1)CD值结果表明,对于二次硫酸盐和二次硝酸盐而言,三种情况下CD值无明显差异;缺失Si、Al的受体数据情况下,机动车、煤烟尘、土壤尘的CD值最大,说明该情况下的解析得到的因子谱与其相应的真实源谱差异最大,重构Si、Al的受体数据得到的CD值次之,含Si、Al的受体数据得到的CD值最小。结果表明,缺失Si、Al组分会影响因子分析模型对机动车、煤烟尘、土壤尘的识别。2)对于机动车、土壤尘、煤烟尘,缺失Si、Al情况下得到的AAE值最大,r最小,说明缺失Si、Al的受体数据解析得到的机动车、煤烟尘、土壤尘的源贡献与其相应的真实源贡献差异最大,重构Si、Al的受体数据解析结果次之。结果表明,缺失Si、Al组分会影响因子分析模型对机动车、煤烟尘、土壤尘源贡献评估。
对于10%扰动受体数据,1)CD结果表明,缺失Si、Al的受体数据情况下,机动车、煤烟尘、土壤尘的CD值最大,说明该情况下的所解析的因子谱与其相应的真实源谱差异最大,含Si、Al的受体数据得到的CD值最小,这一结果与5%的扰动试验相似,表明缺失Si、Al对机动车、煤烟尘、土壤尘的识别和评估有影响。2)AAE和r结果表明,三种情况下,二次硫酸盐和二次硝酸盐的AAE比较相似,说明缺失Si、Al对二次源的贡献评估无明显影响。对于机动车、土壤尘、煤烟尘,缺失Si、Al情况下得到的AAE值最大,r最小,说明缺失Si、Al的受体数据解析得到的机动车、煤烟尘、土壤尘的谱与其相应的真实源贡献差异最大,其他两种情况的解析结果比较相似,与真实值的差异较小。
对于15%扰动受体数据,1)CD结果表明,缺失Si、Al的受体数据情况下,煤烟尘、土壤尘的CD值最大,说明该情况下的解析得到的因子谱与其相应的真实源谱差异最大。2)AAE和r结果表明,三种情况下,二次硫酸盐、二次硝酸盐、机动车的AAE比较相似,说明在15%干扰场景下,缺失Si、Al对二次源和机动车的贡献评估无明显影响。对于土壤尘、煤烟尘,缺失Si、Al情况下得到的AAE值最大,r最小,说明缺失Si、Al的受体数据解析得到的煤烟尘和土壤尘的谱与其相应的真实源贡献差异最大,其他两种情况的解析结果比较相似,与真实值的差异较小。
从以上结果评价指标来看,缺失Si、Al对解析土壤尘、机动车、煤烟尘有较大的影响,可能会增加其解析结果的不确定性。在源谱的识别上,含SiAl的结果最好,反算SiAl受体相比缺失SiAl对源谱有优化作用;在源贡献上,反算SiAl的方法对结果有优化作用,尤其是对燃煤源和土壤源。
实施例2
本实例利用南开大学超级站的在线监测数据、因子分析模型和天津市源成分谱进行反算获得重构数据,具体步骤如下:
1.构建因子分析模型输入数据。所述的输入数据包括水溶性离子,碳组分,元素。
利用半连续OC/EC仪器测量碳组分,包括OC和EC的浓度。
利用在线离子色谱分析仪测量水溶性离子,包括NH4 +、Na+、Mg2+、S04 2-、NO3 -、Cl-的浓度。
利用重金属在线分析仪监测元素,包括K、Ca、Cr、Mn、Fe、Ni、Cu、Zn、As、Se、Ag、Cd、Ba、Hg、Pb的浓度,缺失SiAl。(每次输入数据的组分类别根据实际监测数据会有一定变化)。
监测的数据时间分辨率为1小时
2、输入因子分析模型的参数。包括组分的不确定性,其依据组分浓度、最低检测限和具体的采样、分析情况来进行设定;
3、输入识别的因子数。模型提取的因子个数设置为6。
提取因子和计算因子贡献,提取的因子如表6所示,表7为对组分进行横向归一化的源成分谱。结合表6和表7,根据经验人为的判断因子代表的源类。因子1为二次源,因子2为海盐和生物质混合源,因子3为燃煤源,因子4为扬尘源,因子5为机动车源,因子6为工业源。表8为各污染源对受体颗粒物的贡献浓度的时间序列(ug/m3)。
表6源解析因子成分谱(ug/m3)
表7源解析因子成分谱(%)
表8-1源解析因子贡献浓度(μg/m3)
表8-2源解析因子贡献浓度(μg/m3)
4、结合源成分谱、因子谱和因子贡献,反算受体Si和Al,获得含有Si和Al的重构受体数据。
表9为天津市燃煤源、扬尘、机动车源成分谱;由于其它源排放的Si和Al含量较低,即源成分谱中Si和Al浓度很低,这里不予考虑。将步骤3中获得的源贡献矩阵(表8)中的燃煤源、扬尘源、机动车源贡献浓度时间序列与对应源成分谱(表9)中的Al、Si值相乘,获得重构的受体Si和Al浓度时间序列(表10);将之与原始输入数据合并,即获得含有Si和Al的重构受体数据。5、重构受体数据输入到因子分析模型,进行计算,提取因子,计算因子贡献。表11为缺失Si、Al和反算含Si、Al解析结果对比。反算含Si和Al解析结果的扬尘、机动车源贡献比缺失Si和Al解析结果源贡献高,燃煤源贡献降低,源贡献结果更加合理。分歧系数(CD)指标可用于评估因子谱间的差异,CD接近0表明两类源之间相似度较大,接近1表明差异较大。可看出燃煤因子、工业因子谱之间的差异较小,机动车、二次因子谱间的差异最大。
表9天津市燃煤源、扬尘源、机动车源源成分谱(g/g)
表10-1重构的受体SiAl浓度
表10-2重构的受体SiAl浓度
表11缺失SiAl和反算含SiAl解析结果对比
Claims (5)
1.一种基于实测源成分谱和源解析技术的受体Si和Al重构方法,其特征在于所述方法包括:
第1步、利用在线观测仪器观测颗粒物的化学组分,构建多组分在线数据,输入到正定因子矩阵分解模型;
第2步、设置模型参数;
第3步、进行模型计算,提取因子,计算因子贡献;
第4步、依据各源类标识组分特征不同,将因子识别为具体的源类;
第5步、结合实测源成分谱、因子成分谱和因子贡献,反算受体Si和Al,获得Si和Al的重构受体数据。
2.如权利要求1所述的基于实测源成分谱和源解析技术的受体Si和Al重构方法,其特征在于所述的构建多组分在线数据,是指需要构建因子分析模型的输入数据;所述的输入数据包括水溶性离子,碳组分和元素;
水溶性离子由在线离子色谱分析仪测量,包括NH4 +、Na+、K+、Ca2+、Mg+、SO4 2-、NO3 -和Cl-;碳组分由半连续OC/EC仪器测量,包括OC和EC;元素由重金属在线分析仪监测,包括K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Ag、Cd、Sn、Sb、Ba、Au、Hg、Tl、Pb和Bi组分,但缺少重要的地壳标识组分Si和Al。
3.如权利要求1中所述的基于实测源成分谱和源解析技术的受体Si和Al重构方法,其特征在于所述的因子分析模型是正定因子矩阵分解模型(PMF),需要设定的参数包括组分的不确定性和因子个数,组分的不确定性设置方法如公式(1)或(2)所示;
若组分浓度≤最低检测限MDL,不确定性计算如下:
Unc=5/6*MDL (1)
若组分浓度>最低检测限MDL,不确定性计算如下:
式中,Unc表示组分的不确定性;ErrorFraction是误差分数,根据具体的采样和分析情况来设定;concentration为组分浓度;
因子个数表示的是污染源的个数,根据需要观测点位的实际情况设定,且因子设定的个数小于输入数据中化学组分的数量。
4.如权利要求1所述的基于实测源成分谱和源解析技术的受体Si和Al重构方法,其特征在于根据不同污染源标识组分不同、或标识组分含量不同,结合模型输出的因子成分谱,将第3步提取的因子识别为具体的源类。
5.如权利要求1所述的基于实测源成分谱和源解析技术的受体Si和Al重构方法,其特征在于反算受体Si和Al,获得含有Si和Al的重构受体数据,工作原理如公式(3)所示:
F*G=X (3)
式中,F是因子谱和实测源成分谱的结合,因子谱是第3步获得的,不含有Si和Al;G是第3步获得的因子贡献,X是重构的受体数据,其中包含了Si和Al受体数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810188930.2A CN108446531B (zh) | 2018-03-08 | 2018-03-08 | 基于实测源成分谱和源解析技术的受体Si和Al重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810188930.2A CN108446531B (zh) | 2018-03-08 | 2018-03-08 | 基于实测源成分谱和源解析技术的受体Si和Al重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446531A true CN108446531A (zh) | 2018-08-24 |
CN108446531B CN108446531B (zh) | 2021-06-29 |
Family
ID=63193822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810188930.2A Active CN108446531B (zh) | 2018-03-08 | 2018-03-08 | 基于实测源成分谱和源解析技术的受体Si和Al重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446531B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361304A (zh) * | 2019-06-20 | 2019-10-22 | 南开大学 | 基于ams数据估算不同生成路径对颗粒物中二次无机粒子影响的方法 |
CN110489785A (zh) * | 2019-07-05 | 2019-11-22 | 山东大学 | 一种大气污染物在线源解析方法及*** |
CN112614553A (zh) * | 2020-12-29 | 2021-04-06 | 南开大学 | 一种基于化学动力学-受体模型融合技术的VOCs来源解析方法 |
CN112967764A (zh) * | 2021-03-30 | 2021-06-15 | 河北先河环保科技股份有限公司 | 多技术耦合的污染物源解析方法、装置 |
CN113033950A (zh) * | 2021-02-03 | 2021-06-25 | 生态环境部华南环境科学研究所 | 基于多个排放源项的石油化工行业挥发性有机物源成分谱的建立方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698255A (zh) * | 2013-12-26 | 2014-04-02 | 中国环境科学研究院 | 一种大气颗粒物来源实时解析方法 |
CN103900938A (zh) * | 2014-04-18 | 2014-07-02 | 淮海工学院 | 一种分离海底沉积物再悬浮过程中悬沙浓度的方法 |
CN106383365A (zh) * | 2016-10-28 | 2017-02-08 | 中国地质大学(北京) | 一种利用图版校正火成岩核磁共振孔隙度的方法 |
CN106383205A (zh) * | 2016-10-13 | 2017-02-08 | 北京伟瑞迪科技有限公司 | VOCs区域在线监测及预警*** |
CN106650020A (zh) * | 2016-11-24 | 2017-05-10 | 北京师范大学 | 一种复合受体模型污染源解析方法 |
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 |
CN107239613A (zh) * | 2017-06-05 | 2017-10-10 | 南开大学 | 一种基于在线数据和因子分析模型的智能源类识别方法 |
US20170315105A1 (en) * | 2016-04-28 | 2017-11-02 | Fuji Electric Co., Ltd. | Generation source analyzing device and generation source analyzing method |
-
2018
- 2018-03-08 CN CN201810188930.2A patent/CN108446531B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698255A (zh) * | 2013-12-26 | 2014-04-02 | 中国环境科学研究院 | 一种大气颗粒物来源实时解析方法 |
CN103900938A (zh) * | 2014-04-18 | 2014-07-02 | 淮海工学院 | 一种分离海底沉积物再悬浮过程中悬沙浓度的方法 |
US20170315105A1 (en) * | 2016-04-28 | 2017-11-02 | Fuji Electric Co., Ltd. | Generation source analyzing device and generation source analyzing method |
CN106383205A (zh) * | 2016-10-13 | 2017-02-08 | 北京伟瑞迪科技有限公司 | VOCs区域在线监测及预警*** |
CN106383365A (zh) * | 2016-10-28 | 2017-02-08 | 中国地质大学(北京) | 一种利用图版校正火成岩核磁共振孔隙度的方法 |
CN106650020A (zh) * | 2016-11-24 | 2017-05-10 | 北京师范大学 | 一种复合受体模型污染源解析方法 |
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 |
CN107239613A (zh) * | 2017-06-05 | 2017-10-10 | 南开大学 | 一种基于在线数据和因子分析模型的智能源类识别方法 |
Non-Patent Citations (2)
Title |
---|
GUO LIANG SHI.ETC: ""Estimated contrib utions and uncertainties of PCA/MLReCMB results: Source apportionment for synthetic and ambient datasets"", 《ATMOSPHERIC ENVIRONMENT 》 * |
李思遠等: ""基于 PMF 模式的莱芜市大气细颗粒物来源解析"", 《第十三届全国气溶胶会议》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361304A (zh) * | 2019-06-20 | 2019-10-22 | 南开大学 | 基于ams数据估算不同生成路径对颗粒物中二次无机粒子影响的方法 |
CN110361304B (zh) * | 2019-06-20 | 2021-10-01 | 南开大学 | 基于pmf3模型和ams数据估算不同生成路径对颗粒物中二次无机粒子贡献的方法 |
CN110489785A (zh) * | 2019-07-05 | 2019-11-22 | 山东大学 | 一种大气污染物在线源解析方法及*** |
CN112614553A (zh) * | 2020-12-29 | 2021-04-06 | 南开大学 | 一种基于化学动力学-受体模型融合技术的VOCs来源解析方法 |
CN112614553B (zh) * | 2020-12-29 | 2022-07-26 | 南开大学 | 一种基于化学动力学-受体模型融合技术的VOCs来源解析方法 |
CN113033950A (zh) * | 2021-02-03 | 2021-06-25 | 生态环境部华南环境科学研究所 | 基于多个排放源项的石油化工行业挥发性有机物源成分谱的建立方法 |
CN113033950B (zh) * | 2021-02-03 | 2023-06-23 | 生态环境部华南环境科学研究所 | 基于多个排放源项的石油化工行业挥发性有机物源成分谱的建立方法 |
CN112967764A (zh) * | 2021-03-30 | 2021-06-15 | 河北先河环保科技股份有限公司 | 多技术耦合的污染物源解析方法、装置 |
CN112967764B (zh) * | 2021-03-30 | 2023-05-30 | 河北先河环保科技股份有限公司 | 多技术耦合的污染物源解析方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108446531B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446531A (zh) | 基于实测源成分谱和源解析技术的受体Si和Al重构方法 | |
CN107239613A (zh) | 一种基于在线数据和因子分析模型的智能源类识别方法 | |
CN110044779B (zh) | 一种大气重金属颗粒物实时在线监测和源解析联用的方法 | |
Tang et al. | European scale application of atmospheric reactive nitrogen measurements in a low-cost approach to infer dry deposition fluxes | |
Aas et al. | Lessons learnt from the first EMEP intensive measurement periods | |
CN109920492B (zh) | 一种水体沉积物中铅污染源解析的方法 | |
Solazzo et al. | Error apportionment for atmospheric chemistry-transport models–a new approach to model evaluation | |
Kivekäs et al. | Contribution of ship traffic to aerosol particle concentrations downwind of a major shipping lane | |
CN109187287A (zh) | 基于稳定元素粒径分布信息的大气颗粒物来源解析方法 | |
CN108802262A (zh) | 基于多组分在线监测数据与因子分析模型联用的目标因子转换-pmf耦合算法 | |
Kannosto et al. | Mode resolved density of atmospheric aerosol particles | |
CN108956881A (zh) | Sdabb源解析方法、***、终端设备及计算机可读存储介质 | |
CN107944213A (zh) | Pmf在线源解析方法、***、终端设备及计算机可读存储介质 | |
CN112967764B (zh) | 多技术耦合的污染物源解析方法、装置 | |
CN112613675A (zh) | 一种分析污染源与气象因素对不同程度pm2.5污染影响贡献和效应的机器学习模型 | |
CN110781225B (zh) | 一种环境介质污染物浓度水平的诊断方法 | |
CN109085291B (zh) | 缺失组分迭代反演标定嵌套—pmf源解析算法 | |
Volkodaeva et al. | Measuring of industrial emission parameters | |
CN112345312A (zh) | 一种海洋飞沫气溶胶氯损耗程度确定方法及*** | |
Birmili et al. | Measurements of humidified particle number size distributions in a Finnish boreal forest: derivation of hygroscopic particle growth factors | |
Kaminski et al. | The PM2. 5 Fine Particle Background Network of the German Meteorological Service-First Results | |
Miyakawa et al. | Trace elements in PM 2.5 aerosols in East Asian outflow in the spring of 2018: emission, transport, and source apportionment | |
CN111537413B (zh) | 基于单颗粒偏光特性自适应进行沙尘颗粒物定量监测方法 | |
CN117589948B (zh) | 一种基于颗粒物数谱的云凝结核来源解析方法及*** | |
Yang et al. | Study on LOD of Trace Elements by XRF Analysis Using BP & Adaboost and PLS Methods |
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 |