CN108829642B - 一种利用特征雷达图分析环境质量数据的方法 - Google Patents

一种利用特征雷达图分析环境质量数据的方法 Download PDF

Info

Publication number
CN108829642B
CN108829642B CN201810371190.6A CN201810371190A CN108829642B CN 108829642 B CN108829642 B CN 108829642B CN 201810371190 A CN201810371190 A CN 201810371190A CN 108829642 B CN108829642 B CN 108829642B
Authority
CN
China
Prior art keywords
characteristic
value
map
pollution
radar
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
Application number
CN201810371190.6A
Other languages
English (en)
Other versions
CN108829642A (zh
Inventor
段菁春
谭吉华
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.)
Chinese Research Academy of Environmental Sciences
University of Chinese Academy of Sciences
Original Assignee
Chinese Research Academy of Environmental Sciences
University of Chinese Academy of Sciences
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 Chinese Research Academy of Environmental Sciences, University of Chinese Academy of Sciences filed Critical Chinese Research Academy of Environmental Sciences
Priority to CN201810371190.6A priority Critical patent/CN108829642B/zh
Publication of CN108829642A publication Critical patent/CN108829642A/zh
Application granted granted Critical
Publication of CN108829642B publication Critical patent/CN108829642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本发明公开了一种利用特征雷达图分析环境质量数据的方法，主要包括以下四个步骤：一、数据归一化，消除污染物浓度的量纲；二、绘制特征雷达图底图，特征雷达图底图包括三根呈多边形的线，线条1呈正多边形，数值为1；线条2呈不特定的多边形，数值大于1；线条3呈不特定的多边形，数值小于1；三、将特定时间或特点站点的污染特征成分谱与一定时期或一定区域平均污染特征成分谱的比值绘制成特征雷达图；四、特征雷达图叠加在特征雷达图底图上形成完整的图。本发明通过对比特定时间污染特征与一定时期平均污染特征差异，或特定站点污染特征与区域平均污染特征的差异，通过绘制特征雷达图的方式实现直观、快速地成因分析与展示。

Description

一种利用特征雷达图分析环境质量数据的方法
技术领域
本发明属于环境质量分析监测领域，具体来说，是一种利用特征雷达图分析空气、土壤、水质量数据的方法。
背景技术
环境质量监测是一种环境监测内容，主要监测环境中污染物的分布和浓度，以确定环境质量状况，通过定时、定点的环境质量监测历史数据，可以为环境质量评价和环境影响评价提供必不可少的依据；为对污染物迁移转化规律的科学研究也提供重要的基础数据。
现有对监测数据的分析方法是利用浓度变化或简单的比值法分析污染特征，由于污染物浓度变化和不同污染物的浓度值在数值上存在数量级的变化，这导致直接利用这些数据进行分析时，微小的特征变化被掩盖巨大的数据变化的背景之下，无法看到污染特征在时间序列或空间上的差异性。
发明内容
为解决上述问题，本发明提供了一种利用特征雷达图分析环境质量数据的方法，通过对原始常规监测数据进行归一化处理，扣除污染物浓度变化和不同污染物的浓度值在数值上存在数量级的差异，并通过设计特征雷达图的方式直接表现污染物在时间序列和空间上发生的变化特征，为利用环境质量常规监测数据实时动态指导环境管理部门进行决策提供便利。
为实现上述技术目的，本发明采用的技术方案如下：
一种利用特征雷达图分析环境质量数据的方法，包括如下步骤：
(1) 数据归一化，将污染物的浓度按比例进行百分比化，成为污染特征成分谱，目的是消除污染物浓度的量纲；
其计算公式为：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE003
为i时间第j种污染物归一化浓度；
Figure DEST_PATH_IMAGE005
为i时间第j种污染物原始浓度；
i为不同时间；
j为不同污染物；
(2)计算一定时期或一定区域内各项污染物的标准值、上限、下限
标准值为一定时期或一定区域平均污染特征成分谱与该平均污染特征成分谱的比值，为无量纲数，数值为1，其计算公式为：
Figure 251446DEST_PATH_IMAGE006
上限为一定时期或一定区域平均污染特征成分谱的均值加上其标准差与该污染特征成分谱的均值的比值，数值大于1，其计算公式为：
Figure DEST_PATH_IMAGE007
下限为一定时期或一定区域平均污染特征成分谱的均值减去其标准差与该污染特征成分谱的均值的比值，数值小于1，其计算公式为：
Figure 824379DEST_PATH_IMAGE008
Figure 463170DEST_PATH_IMAGE010
—第j种污染物的上限；
Figure 779751DEST_PATH_IMAGE012
—第j种污染物的标准值；
Figure 328544DEST_PATH_IMAGE014
—第j种污染物的下限；
Figure 75308DEST_PATH_IMAGE016
—一定时期或一定区域第j种污染物的归一化值；
Figure 201396DEST_PATH_IMAGE018
—第j种污染物的标准偏差；
(3)特征雷达图底图的绘制
所述特征雷达图底图包括三个多边形，其中一个多边形为正多边形，该正多边形对应所述的标准值，另外两个多边形分别代表所述的上限和下限；每一个多边形的角分别代表一种污染物，代表同一污染物的角位于通过中心点的同一直线上；
(4)特定时间或特定站点特征雷达图的绘制
计算特定时间或者特定站点的污染物浓度特征值，以绘制底图相同的方法将该特征值绘制成特征多边形的特征雷达图，该特征值为该特定时间或特定站点的污染特征成分谱归一化浓度与一定时期或一定区域污染特征成分谱均值的比值，其计算公式为：
Figure DEST_PATH_IMAGE019
其中，
Figure DEST_PATH_IMAGE021
—i时间或i站点第j种污染物的特征值；
(5)将特定时间或特定站点的特征雷达图叠加在特征雷达图底图上形成完整的分析图，根据特征雷达图中的特征多边形中每一个角所在位置，通过对应角污染物的位置情况来判断污染情况。
作为本发明一种利用特征雷达图分析环境质量数据的方法的一种优选，绘制底图时，以标准值所对应的正多边形的中心为原点，以该原点到该正多边形角的距离为标准值1，在图上分别绘制出各项污染物的上限值和下限值，再用直线分别将各项污染物的上限值、下限值连接成封闭的多边形。
作为本发明另一种利用特征雷达图分析环境质量数据的方法的一种优选，在绘制底图时，以标准值所对应的正多边形的中心为中心，等比例绘制多个用于数据参考的正多边形。
作为本发明又一种利用特征雷达图分析环境质量数据的方法的一种优选，用于分析空气质量或土壤质量或水质量。
作为本发明再一种利用特征雷达图分析环境质量数据的方法的一种优选，用于分析空气质量时，所述的污染物包括PM2.5、SO2、CO、粗颗粒、NO2。
优选的，所述污染物还包括NO。
空气污染物不限于上述所提及的这六类，还可以包括水溶性离子、元素、碳质组分等其他大气污染物。
作为本发明另一种利用特征雷达图分析环境质量数据的方法的一种优选，用于分析水质量时，所述污染物包括溶解氧、高锰酸钾指数、COD、氨氮、总磷、总氮、石油等。
作为本发明又一种利用特征雷达图分析环境质量数据的方法的一种优选，用于分析土壤质量时，所述污染物包括铁、锰、总钾、有机质、总氮、有效磷、总磷、水分、总砷、有效硼、氟化物、氯化物、矿物油及全盐量等。
本发明通过对比特定时间污染特征与一定时期平均污染特征差异，或特定站点污染特征与区域平均污染特征的差异，通过绘制特征雷达图的方式实现直观、快速地成因分析与展示。可以解决因污染物浓度变化和不同污染物的浓度值在数值上存在数量级的变化所导致微小特征变化被掩盖的技术难题，从而获得污染特征在时间序列或空间上的差异性，为环境管理和决策提供支持。当特征雷达图中各污染物向外超出上限和向内超出下限时，指示相应污染物与一定期间或一定区域的平均特征发生了显著变化。根据这个显著变化在时间序列和空间上明确判断出污染的类型，从而判断出污染源，为环境管理和决策提供支持。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明；
图1为本发明实施例1中六项污染物的特征雷达图；
图2为实施例1中五项污染物的特征雷达图；
图3为实施例2北京市2018年2月16-19日PM2.5浓度曲线和五项污染物的特征雷达图；
图4为实施例3中2018年3月11日京津冀及周边地区五项污染物的特征雷达图及分类情况；
主要符合说明：1，标准值所对应的正多边形，2，下限值所对应的多边形，3，上限值所对应的多边形，4，特定时间或特定站点所对应的多边形，5，参考多边形。
具体实施方式
为了使本领域的技术人员可以更好地理解本发明，下面结合附图和实施例对本发明技术方案进一步说明。
实施例1
本实施例以2014年整年沧州市城市空气质量为例，利用特征雷达图进行数据分析。该空气质量监测数据包括PM2.5、SO2、NO2、CO、粗颗粒、NO的日均值。
(1)先将每一日监测的数据进行数据归一化，将PM2.5、SO2、NO2、CO、粗颗粒、NO的日均值按比例进行百分比化，形成污染特征成分谱；
其计算公式为：
Figure 728192DEST_PATH_IMAGE001
Figure 990546DEST_PATH_IMAGE003
为i时间第j种污染物归一化浓度；
Figure 970528DEST_PATH_IMAGE005
为i时间第j种污染物原始浓度；
i为不同时间；
j为不同污染物；
(2) 计算2014年整年内，PM2 .5、SO2、NO2、CO、粗颗粒、NO的标准值、上限、下限
其中，标准值的计算公式为：
Figure 396961DEST_PATH_IMAGE006
上限的计算公式为：
Figure 993027DEST_PATH_IMAGE007
下限的计算公式为：
Figure 703363DEST_PATH_IMAGE008
Figure 805312DEST_PATH_IMAGE010
—第j种污染物的上限；
Figure 30625DEST_PATH_IMAGE012
—第j种污染物的标准值；
Figure 243432DEST_PATH_IMAGE014
—第j种污染物的下限；
Figure 495027DEST_PATH_IMAGE016
—2014年整年第j种污染物的归一化值；
Figure 17144DEST_PATH_IMAGE018
—第j种污染物的标准偏差；
计算结果如表一所示。
表一
SO2 NO NO2 CO PM2.5 粗颗粒
均值Zi 0.171988377 0.036596676 0.156457779 0.005924 0.394174 0.234041
标准偏差Si 0.08575579 0.034050275 0.051655211 0.002894 0.12969 0.125819
上限 1.498613868 1.930419876 1.330154316 1.488526 1.329016 1.537594
下限 0.501386132 0.069580124 0.669845684 0.511474 0.670984 0.462406
标准值 1 1 1 1 1 1
(3)绘制特征雷达图底图的绘制
如图1所示，先在底图上绘制一个正六边形作为标准值对应的图形，正六边形的每一个角分别代表一种污染物，以该正六边形的中心到该正六边形角的距离为标准值1，在图上分别绘制出各项污染物的上限值和下限值，再用直线分别将各项污染物的上限值、下限值连接成两个封闭的六边形，代表同一污染物的角位于同一直线上。
为了方便标出各项污染物的上限值，可在底图上按比例缩放标准值所对应的正多边形作为参考六边形。
(4)2014年1月19号的特征雷达图的绘制
计算该时间的污染物浓度的特征值，计算公式为
Figure 418169DEST_PATH_IMAGE019
其中， QUOTE
Figure 480672DEST_PATH_IMAGE022
Figure 650753DEST_PATH_IMAGE022
—i时间或i站点第j种污染物的特征值；计算结果如表二所示：
表二
SO2 NO NO2 CO PM2.5 粗颗粒
2014/1/19 0.96 0.44 0.76 1.01 1.44 0.54
以绘制底图相同的方法将该特征值绘制成特征多边形的特征雷达图，如图1所示。
(5)将2014年1月19号的特征雷达图叠加在特征雷达图底图上形成完整的分析图如图1所示，根据特征雷达图中的特征多边形中每一个角所在的位置，分析该对应角所对应的污染物的情况。
图1中可以看出，2014年1月19日，代表PM2.5的角已经超出其上限值所对应的多边形，而代表CO的角与标准值所对应的正六边形重合，而代表粗颗粒、SO2、NO和NO2均在代表标准值和下限值的六边形之间，从而判断当日大气污染物主要受二次污染影响。
由于NO不稳定，容易被氧化，使得每个时间点测出数值差异较大，因此，为了更准确的分析其他五项的污染情况，将NO的数据删除后，再重复上述方法，计算出如下表三的数据，依据该数据绘制出如图2所示，含有五项污染物的雷达特征图。
表三
SO2 NO2 CO PM2.5 粗颗粒
2014/1/19 0.93 0.74 0.98 1.42 0.53
上限 1.503299943 1.329881 1.466126 1.308742 1.501563
下限 0.496700057 0.670119 0.533874 0.691258 0.498437
标准值 1 1 1 1 1
从图2中，可以看出，仅有代表PM2.5的角超出上限值所对应的正五边形，而代表CO、NO2、SO2、粗颗粒的角均在代表标准值和下限值的六边形之间，从而更加准确的判断大气污染物主是要二次污染。
实施例2
以与实施例1相同的计算方法分析2018年2月16日-19日春节期间北京的五项污染物（粗颗粒、SO2、NO2、CO、PM2.5）的污染情况，并用雷达图反映每日的大气污染特征，得到图3。
从图3可以看出北京在2月16日（大年初一）都呈现典型的烟花排放污染特征（PM2.5和SO2相对占比高）；随后（初二至初四），PM2.5依然高的同时，SO2逐渐下降，CO则有所升高，表明烟花污染影响在初二以后逐渐下降。此次污染过程期间另一个显著特征是粗颗粒物和NO2的相对占比均有所下降，表明春节期间施工、货运等活动量下降，减少了扬尘和机动车排放的影响。
实施例3
以与实施例1相同的计算方法分析2018年3月11日京津冀及周边地区五项污染物(粗颗粒、SO2、NO2、CO、PM2.5)的污染情况，并用雷达图反映当日不同城市大气污染特征，并对每个城市的污染类型进行的了分类。
北京、保定、沧州、廊坊、天津，NO2的特征值均超出上限值，其他四项均在上限值和下限值之间，或者临近上限值，说明二氧化氮偏高是该天这些城市的主要特征，而二氧化氮主要的污染源为汽车的尾气，因此将此种类型划分为偏机动车型。
衡水、石家庄、邢台、阳泉、淄博的五项污染物特征值均在上限值和下限值之间，划分为偏综合型。
安阳、焦作、开封、濮阳、郑州的PM2.5的特征值均超出上限值，其他四项均在上限值和下限值之间，或者临近上限值，说明PM2.5偏高是该天这些城市的主要特征，因此将此种类型划分为偏二次污染型。
菏泽、济宁、聊城、太原的粗颗粒特征值均超出上限，将其划分为偏粗颗粒类型。
滨州与晋城，可以看出特征图偏向二氧化硫，将其划分为偏燃煤型。
唐山的二氧化硫、二氧化氮、一氧化碳特征值均超出上限，将其划分为偏钢铁类型。
以上对本发明提供的一种利用特征雷达图分析环境质量数据的方法进行了详细介绍。具体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。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种利用特征雷达图分析环境质量数据的方法，其特征在于：包括如下步骤，
(1)数据归一化，将污染物的浓度按比例进行百分比化，使其成为污染特征成分谱；
其计算公式为：
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE004
为i时间第j种污染物归一化浓度；
Figure DEST_PATH_IMAGE006
为i时间第j种污染物原始浓度；
i为不同时间；
j为不同污染物；
(2)计算一定时期或一定区域内各项污染物的标准值、上限、下限
标准值为一定时期或一定区域平均污染特征成分谱与该平均污染特征成分谱的比值，数值为1；
上限为一定时期或一定区域平均污染特征成分谱的均值加上其标准差与该污染特征成分谱的均值的比值，数值大于1，其计算公式为：
Figure DEST_PATH_IMAGE008
下限为一定时期或一定区域平均污染特征成分谱的均值减去其标准差与该污染特征成分谱的均值的比值，数值小于1，其计算公式为：
Figure DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE012
—第j种污染物的上限；
Figure DEST_PATH_IMAGE014
—第j种污染物的下限；
Figure DEST_PATH_IMAGE016
—一定时期或一定区域第j种污染物的归一化值；
Figure DEST_PATH_IMAGE018
—第j种污染物的标准偏差；
(3)特征雷达图底图的绘制
所述特征雷达图底图包括三个多边形，其中一个多边形为正多边形，该正多边形对应所述的标准值，另外两个多边形分别代表所述的上限和下限；每一个多边形的角分别代表一种污染物，代表同一污染物的角位于通过中心点的同一直线上；
绘制底图时，以正多边形中心为原点，以该原点到正多边形角的距离为1绘制标准值多边图，同时在图上分别绘制出各项污染物的上限值和下限值，再用直线分别将各项污染物的上限值、下限值连接成封闭的两个多边形；
在绘制底图时，以标准值所对应的正多边形的中心为中心，等比例绘制多个用于数据参考的正多边形；
(4)特定时间或特定站点特征雷达图的绘制
计算特定时间或者特定站点的污染物浓度特征值，以绘制底图相同的方法将该特征值绘制成特征多边形的特征雷达图，该特征值为该特定时间或特定站点的污染特征成分谱归一化浓度与一定时期或一定区域污染特征成分谱均值的比值，其计算公式为：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
—i时间或i站点第j种污染物的特征值；
(5)将特定时间或特定站点的特征雷达图叠加在特征雷达图底图上形成完整的分析图，根据特征雷达图中的特征多边形中每一个角所在位置，通过对应角污染物的位置情况来判断污染情况。
2.根据权利要求1所述的一种利用特征雷达图分析环境质量数据的方法，其特征在于：用于分析空气质量或土壤质量或水质量。
3.根据权利要求2所述的一种利用特征雷达图分析环境质量数据的方法，其特征在于：用于分析空气质量时，所述的污染物包括PM2.5、SO2、CO、粗颗粒、NO2。
4.根据权利要求3所述的一种利用特征雷达图分析环境质量数据的方法，其特征在于：所述污染物还包括NO。
5.根据权利要求2所述的一种利用特征雷达图分析环境质量数据的方法，其特征在于：用于分析水质量时，所述污染物包括溶解氧、高锰酸钾指数、COD、氨氮、总磷、总氮、石油。
6.根据权利要求2所述的一种利用特征雷达图分析环境质量数据的方法，其特征在于：用于分析土壤质量时，所述污染物包括铁、锰、总钾、有机质、总氮、有效磷、总磷、水分、总砷、有效硼、氟化物、氯化物、矿物油及全盐量。
CN201810371190.6A 2018-04-24 2018-04-24 一种利用特征雷达图分析环境质量数据的方法 Active CN108829642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810371190.6A CN108829642B (zh) 2018-04-24 2018-04-24 一种利用特征雷达图分析环境质量数据的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810371190.6A CN108829642B (zh) 2018-04-24 2018-04-24 一种利用特征雷达图分析环境质量数据的方法

Publications (2)

Publication Number Publication Date
CN108829642A CN108829642A (zh) 2018-11-16
CN108829642B true CN108829642B (zh) 2022-11-22

Family

ID=64155104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810371190.6A Active CN108829642B (zh) 2018-04-24 2018-04-24 一种利用特征雷达图分析环境质量数据的方法

Country Status (1)

Country Link
CN (1) CN108829642B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992357B (zh) * 2019-12-17 2023-04-14 云南中烟工业有限责任公司 雷达图分析方法及存储该方法的介质和单片机及各自用途
CN111612064B (zh) * 2020-05-20 2021-02-19 中科三清科技有限公司 Pm2.5污染气团溯源方法、装置、电子设备及存储介质
CN111611296B (zh) * 2020-05-20 2021-02-19 中科三清科技有限公司 Pm2.5污染成因分析方法、装置、电子设备及存储介质
CN115902114A (zh) * 2022-12-07 2023-04-04 北京工业大学 基于半定量法的小尺度大气污染溯源方法
CN116757555B (zh) * 2023-08-14 2023-11-03 中科三清科技有限公司 确定污染特征类型的方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002063539A1 (en) * 2001-02-08 2002-08-15 Aeroqual Limited Air quality monitoring system
CN105403664A (zh) * 2015-10-19 2016-03-16 电力规划设计总院 一种基于wrf-chem的大型点污染源大气环境影响评价方法
CN105424840A (zh) * 2015-12-28 2016-03-23 周俊杰 在线连续环境空气质量自动监测***及异味气源溯源方法
CN106339974A (zh) * 2016-10-21 2017-01-18 常州市环境监测中心 一种市区大气污染物排放清单的建立方法
CN106649960A (zh) * 2016-10-12 2017-05-10 环境保护部环境规划院 大气多污染物环境容量三维迭代计算方法
CN107340364A (zh) * 2017-05-31 2017-11-10 北京市环境保护监测中心 基于海量大气污染浓度数据的污染空间分析方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002063539A1 (en) * 2001-02-08 2002-08-15 Aeroqual Limited Air quality monitoring system
CN105403664A (zh) * 2015-10-19 2016-03-16 电力规划设计总院 一种基于wrf-chem的大型点污染源大气环境影响评价方法
CN105424840A (zh) * 2015-12-28 2016-03-23 周俊杰 在线连续环境空气质量自动监测***及异味气源溯源方法
CN106649960A (zh) * 2016-10-12 2017-05-10 环境保护部环境规划院 大气多污染物环境容量三维迭代计算方法
CN106339974A (zh) * 2016-10-21 2017-01-18 常州市环境监测中心 一种市区大气污染物排放清单的建立方法
CN107340364A (zh) * 2017-05-31 2017-11-10 北京市环境保护监测中心 基于海量大气污染浓度数据的污染空间分析方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
利用雷达图表征环境质量状况的综合评价方法探讨;毛欣等;《第十一次全国环境监测学术交流会暨山东省第一次环境监测学术交流会》;20180228;第331-333页 *
北京PM2.5中有机氮的污染特征与来源研究;张倩;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20160715;B027-208 *

Also Published As

Publication number Publication date
CN108829642A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN108829642B (zh) 一种利用特征雷达图分析环境质量数据的方法
Munir Analysing temporal trends in the ratios of PM2. 5/PM10 in the UK
Lestari et al. Source apportionment of particulate matter at urban mixed site in Indonesia using PMF
Isakson et al. Identification and assessment of ship emissions and their effects in the harbour of Göteborg, Sweden
Querol et al. Source origin of trace elements in PM from regional background, urban and industrial sites of Spain
Reche et al. Urban NH3 levels and sources in six major Spanish cities
Munir et al. Quantifying temporal trends of atmospheric pollutants in Makkah (1997–2012)
Viana et al. Chemical characterisation of PM episodes in NE Spain
Linnik et al. Geochemical assessment and spatial analysis of heavy metals pollution around coal-fired power station
Escrig et al. Application of optimally scaled target factor analysis for assessing source contribution of ambient PM10
Lv et al. Geochemical and statistical analysis of trace metals in atmospheric particulates in Wuhan, central China
Javed et al. Chemical characterization and source apportionment of fine and coarse atmospheric particulate matter in Doha, Qatar
Wang et al. Mixing state of ambient aerosols in Nanjing city by single particle mass spectrometry
Tsai et al. Comparing physicochemical properties of ambient particulate matter of hot spots in a highly polluted air quality zone
CN115963041A (zh) 一种大气环境中细颗粒物浓度与碳排放量之间关系的评价方法
Loranger et al. Manganese contamination in Montreal in relation with traffic density
Istiqomah et al. Particulate air pollution in Indonesia: quality index, characteristic, and source identification
Berlinger et al. Elemental carbon and nitrogen dioxide as markers of exposure to diesel exhaust in selected Norwegian industries
Xing et al. Spatial and temporal changes analysis of air quality before and after the COVID-19 in Shandong Province, China
Shen et al. Multi-type air pollutant emission inventory of non-road mobile sources in China for the period 1990-2017
Wu et al. Haze emission efficiency assessment and governance for sustainable development based on an improved network data envelopment analysis method
Brimblecombe Trends in secondary inorganic particles in Hong Kong, 1995–2020
Akagbue et al. Comprehensive Assessment and Remediation Strategies for Air Pollution: Current Trends and Future Prospects; A Case Study in Bompai Industrial Area, Kano State, Nigeria.
Zajusz-Zubek et al. Dendrograms, heat maps and principal component analysis–the practical use of statistical methods for source apportionment of trace elements in PM10
Nakatsubo et al. Estimate of regional and broad-based sources for PM2. 5 collected in an industrial area of Japan

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