CN109685281A - 污染来源预测方法、装置及电子设备 - Google Patents
污染来源预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109685281A CN109685281A CN201811646056.9A CN201811646056A CN109685281A CN 109685281 A CN109685281 A CN 109685281A CN 201811646056 A CN201811646056 A CN 201811646056A CN 109685281 A CN109685281 A CN 109685281A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- emission
- source
- meso
- 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 44
- 238000003915 air pollution Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 29
- 239000000470 constituent Substances 0.000 claims description 81
- 239000000356 contaminant Substances 0.000 claims description 39
- 238000004393 prognosis Methods 0.000 claims description 34
- 238000004088 simulation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 239000002243 precursor Substances 0.000 description 14
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 229910002651 NO3 Inorganic materials 0.000 description 6
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 6
- 150000003863 ammonium salts Chemical class 0.000 description 6
- 239000003344 environmental pollutant Substances 0.000 description 6
- 231100000719 pollutant Toxicity 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 239000000443 aerosol Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 239000005864 Sulphur Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000012855 volatile organic compound Substances 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
- Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种污染来源预测方法、装置及电子设备,涉及污染预测的技术领域,包括:获取中尺度气象预测数据和待预测目的地的排放清单数据;所述排放清单数据中记载有排放物和排放物对应的排放源,按照行业类型,对所述排放源进行合并处理,得到参考排放数据,将所述中尺度气象预测数据和所述参考排放数据输入到空气质量数值模型中,得到空气污染预测数据,根据排放清单数据和所述空气污染预测数据,计算空气污染精细化预测贡献率。本发明可以降低空气质量数值模型计算量,提高计算速度。
Description
技术领域
本发明涉及污染预测技术领域,尤其是涉及一种污染来源预测方法、装置及电子设备。
背景技术
随着我国经济的持续发展,全国各类污染物的排放量总体较高,以PM2.5为主要污染物的大气污染已经成为目前我国重大的环境问题之一,以京津冀、长三角和成渝城市群为代表的区域性重污染时有发生。对PM2.5重污染进行提前、精准防控的前提是在污染发生前对其来源进行精细化解析,而后再制定有针对性的减排方案。
空气质量数值模型是一种常用于PM2.5来源预测的工具,目前主流的模式包括CMAQ-ISAM、CAMx-PSAT和我国自主研制的NAQPMS-OSAM,上述模型以污染排放源清单和WRF中尺度气象预报数据为输入,在模式计算过程中充分考虑了影响PM2.5污染输送、扩散、沉降和化学转化等诸多物理化学过程,支持PM2.5的地区及行业污染来源预测。但是,由于空气质量数值模式的物理化学机制复杂,模式来源预测的计算量较大,一般需要在高性能计算集群上运行数十小时。
发明内容
有鉴于此,本发明的目的在于提供污染来源预测方法、装置及电子设备,可以降低空气质量数值模型计算量,提高计算速度。
第一方面,本发明实施例提供了一种污染来源预测方法,包括:
获取中尺度气象预测数据和待预测目的地的排放清单数据;所述排放清单数据中记载有排放物和排放物对应的排放源;
按照行业类型,对所述排放源进行合并处理,得到参考排放数据;
将所述中尺度气象预测数据和所述参考排放数据输入到空气质量数值模型中,得到空气污染预测数据;
根据排放清单数据和所述空气污染预测数据,计算空气污染精细化预测贡献率;空气污染精细化预测贡献率为所述排放清单数据中记载的每个排放源贡献的目标污染物的多种组成成分中的每一种组成成分对造成空气污染目标污染物的预测贡献率。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述获取中尺度气象预测数据的步骤,包括:
获取气象预测基础数据,其中,所述气象预测基础数据包括待测目的地的背景场的气象预测数据和待预测目的地的地理信息数据;
将所述气象预测基础数据输入到中尺度气象模型中,得到中尺度气象预测数据;所述中尺度气象模型中包括预先设定的网格配置、物理参数化方案、模拟时长。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述将所述气象预测数据输入到中尺度气象模型中,得到中尺度气象预测数据的步骤之后,所述方法还包括:
对所述中尺度气象预测数据进行格式转换,以能够作为空气质量数值模型的输入值。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述按照行业类型,对所述排放源进行合并处理,得到参考排放数据的步骤,包括:
将排放清单数据中行业类型相同的排放源进行合并处理,得到初始排放数据;
按照中尺度气象模型中的网格配置,对所述初始排放数据进行网格分配,得到网格化的初始排放数据;
按照中尺度气象模型中的模拟时长,确定预设时间;
按照预设时间,对所述网格化的初始排放数据进行时间分配,得到参考排放数据。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述空气污染预测数据包括目标污染物的多种组成成分的浓度和排放行业对各种组成成分的预测贡献率,所述根据排放清单数据和所述空气污染预测数据,计算空气污染精细化预测贡献率的步骤,包括:
确定目标污染物的多种组成成分;
逐一对多种组成成分的每种组成成分作为目标组成成分,且对所述排放清单数据中记载的每个排放源作为目标排放源进行如下步骤:
计算目标排放源在所述目标排放源对应的排放行业中贡献的目标组成成分的第一占比;
计算目标组成成分的浓度与目标污染物的浓度的第二占比;
根据所述第一占比、第二占比和目标排放源对应的排放行业对目标组成成分的预测贡献率,计算目标排放源贡献的目标组成成分对造成空气污染目标污染物的预测贡献率。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述方法还包括:
根据所述第一占比和目标排放源对应的排放行业对目标组成成分的预测贡献率,计算目标排放源对目标组成成分的贡献率。
第二方面,本发明实施例还提供一种污染来源预测装置,包括:
获取模块,用于获取中尺度气象预测数据和待预测目的地的排放清单数据;所述排放清单数据中记载有排放物和排放物对应的排放源;
合并模块,用于按照行业类型,对所述排放源进行合并处理,得到参考排放数据;
预测模块,用于将所述中尺度气象预测数据和所述参考排放数据输入到空气质量数值模型中,得到空气污染预测数据;
精细化预测模块,用于根据排放清单数据和所述空气污染预测数据,计算空气污染精细化预测贡献率;空气污染精细化预测贡献率为所述排放清单数据中记载的每个排放源贡献的目标污染物的多种组成成分中的每一种组成成分对造成空气污染目标污染物的预测贡献率。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述获取模块,包括:
基础数据获取子模块,用于获取气象预测基础数据,其中,所述气象预测基础数据包括待预测目的地的背景场的气象预测数据和待预测目的地的地理信息数据;
处理子模块,用于将所述气象预测基础数据输入到中尺度气象模型中,得到中尺度气象预测数据;所述中尺度气象模型中包括预先设定的网格配置、物理参数化方案、模拟时长。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例任一项所述的方法的步骤。
第四方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行所述实施例任一所述方法。
本发明实施例带来了以下有益效果:可以通过获取中尺度气象预测数据和待预测目的地的排放清单数据,排放清单数据中记载有排放物和排放物对应的排放源,按照行业类型,对所述排放源进行合并处理,得到参考排放数据,然后将中尺度气象预测数据和参考排放数据输入到空气质量数值模型中,得到空气污染预测数据,根据排放清单数据和空气污染预测数据,计算空气污染精细化预测贡献率,本发明将输入到空气质量数值模型中的排放源进行合并处理后作为输入,得到一个以行业类型为单位的空气污染预测数据,然后在根据排放清单数据进行细化,避免在空气质量数值模型计算量大的问题,提高了计算速率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的污染来源预测方法的流程图;
图2为本发明实施例提供的污染来源预测方法的工作流程图;
图3为本发明实施例提供的污染来源预测装置的结构框图;
图4为本发明实施例提供的污染来源预测装置中的合并模块的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
空气质量数值模型是一种常用于PM2.5来源预测的工具,目前主流的模式包括CMAQ-ISAM、CAMx-PSAT和我国自主研制的NAQPMS-OSAM,上述模型以污染排放源清单和WRF中尺度气象预报数据为输入,在模式计算过程中充分考虑了影响PM2.5污染输送、扩散、沉降和化学转化等诸多物理化学过程,支持PM2.5的地区及行业污染来源预测。但是,由于空气质量数值模式的物理化学机制复杂,模式来源预测的计算量较大,一般需要在高性能计算集群上运行数十小时。
基于此,本发明实施例提供的一种污染来源预测方法、装置及电子设备,可以通过获取中尺度气象预测数据和待预测目的地的排放清单数据,排放清单数据中记载有排放物和排放物对应的排放源,按照行业类型,对所述排放源进行合并处理,得到参考排放数据,然后将中尺度气象预测数据和参考排放数据输入到空气质量数值模型中,得到空气污染预测数据,根据排放清单数据和空气污染预测数据,计算空气污染精细化预测贡献率,本发明将输入到空气质量数值模型中的排放源进行合并处理后作为输入,得到一个以行业类型为单位的空气污染预测数据,然后再根据排放清单数据进行细化,避免在空气质量数值模型计算量大的问题,提高了计算速率。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种污染来源预测方法进行详细介绍,
结合图1和图2所示,该方法包括:
S110:获取中尺度气象预测数据和待预测目的地的排放清单数据;排放清单数据中记载有排放物和排放物对应的排放源;
其中,获取中尺度气象预测数据的步骤包括:
获取气象预测基础数据,气象预测基础数据可以通过下载全球气象预报数据得到,气象预测数据是对未来天气的一种预测,其内容可以包括:气温、风、云、降水、能见度、空气湿度、风向、风速等等。其中,气象预测数据包括待测目的地的背景场的气象预测数据和待预测目的地的地理信息数据,待测目的地的背景场的气象预测数据是指待测目的地的周边区域的气象预测数据,地理信息数据包括地形高度、土地利用类型等。
将气象预测基础数据输入到中尺度气象模型中,得到中尺度气象预测数据;中尺度气象模型中包括预先设定的网格配置、物理参数化方案、模拟时长。
其中,中尺度气象模型是一种可以用于业务数值天气预报或者大气数值模拟研究的模型,可以进行物理过程参数化研究、数据同化的研究。在本发明中使用的中尺度气象模型为物理过程参数化研究的方向,其中,中尺度气象模型中包括物理参数化方案,物理参数化方案可以包括Kessler方案、Lin等的方案、MM5相似理论方案、5层热力扩散方案等等中的一个或者多个,可以针对研究方向的不同选择物理参数化方案。网格配置是指将待测目的地进行细化,细化成由一个个小网格组成,而小网格的长度、宽度即为网格配置,将待测目的地进行网格配置能够使得研究更加精细化。模拟时长是指模拟未来几天的气象预测数据,例如可以模拟未来3天、5天等等。
由于经过中尺度气象模型输出的中尺度气象预测数据可以在格式上不符合空气质量数值模型的输入,所以在经过上述处理之后,所述方法还包括:
对所述中尺度气象预测数据进行格式转换,以能够作为空气质量数值模型的输入值。其中,格式转换主要是对中尺度气象预测数据进行诊断变量计算、单位转换等等处理过程。
S120:按照行业类型,对排放源进行合并处理,得到参考排放数据;
由于在步骤S110中获取的排放清单数据可以包括中记载有排放物、排放物对应的排放源、排放量等等数据。在执行步骤S120中,可以包括:
将排放清单数据中行业类型相同的排放源进行合并处理,得到初始排放数据;例如:将排放清单数据中的排放源可以包括小汽车、卡车、摩托车等等,这些排放源的行业类型均为车辆,所以可以将其合并成一个排放行业,组成车辆的排放行业。
按照中尺度气象模型中的网格配置,对所述初始排放数据进行网格分配,得到网格化的初始排放数据;由于在本发明中输入到空气质量数值模型中的数据是以网格数据为研究对象的,同时在步骤S110中中尺度气象模型中已经进行网格配置,所以,为了使数据统一,所以,在本发明中经过合并处理后的初始排放数据按照中尺度气象模型中的网格配置进行网格分配。
按照中尺度气象模型中的模拟时长,确定预设时间;在实际应用过程中,一般会测到以年为时间单位的排放清单数据,记载着一年时间内的排放清单数据,然而,在气象预测时仅仅需要预测几天的数据,所以,可以按照中尺度气象模型中的模拟时长,确定预设时间,例如,模拟时长为几天时,可以将预设时间定为1小时,以1小时为单位进行预测。
按照预设时间,对所述网格化的初始排放数据进行时间分配,得到参考排放数据。本步骤中按照上述确定的预设时间,对上述时间进行分配,得到以预设时间为单位的网格化的初始排放数据,即为参考排放数据,所以,参考排放数据可以是以网格配置为空间的配置、以预设时间为时间的配置、以排放行业为单位的排放数据。
其中,本发明可以通过SMOKE排放处理模型对初始排放数据进行网格化处理和时间分配。
S130:将中尺度气象预测数据和参考排放数据输入到空气质量数值模型中,得到空气污染预测数据;
由上可知,中尺度气象预测数据为网格化的且有模拟时长的气象数据,参考排放数据为以网格配置为空间的配置、以预设时间为时间的配置、以排放行业为单位的排放数据,将这两种数据输入到空气质量数值模型,得到空气污染预测数据。其中,所述空气污染预测数据包括目标污染物的多种组成成分的浓度和排放行业对各种组成成分的预测贡献率。例如,车辆的污染贡献率。
其中,空气质量数值模型可以包括:NAQPMS-OSAM等等。
S140:根据排放清单数据和空气污染预测数据,计算空气污染精细化预测贡献率。
其中,空气污染精细化预测贡献率为排放清单数据中记载的每个排放源贡献的目标污染物的多种组成成分中的每一种组成成分对造成空气污染目标污染物的预测贡献率。结合图2所示,以排放清单数据中的排放源从排放源1到排放源n为例,以目标污染物的组成成分1到组成成分m为例,空气污染精细化预测贡献率包括排放源1排放的组成成分1对造成空气污染目标污染物的预测贡献率,......,排放源n排放的组成成分m对造成空气污染目标污染物的预测贡献率。
由于空气污染预测数据为按照行业类型进行合并后得到的,即排放行业对每种组成成分的预测贡献率,所以,空气污染预测数据记载有以行业类型为单位预测贡献率。为了更加精细化的划分成以每个排放源为单位的预测污染贡献率,步骤S140具体执行方式为:
确定目标污染物的多种组成成分;
由于空气污染精细化预测贡献率为所述排放清单数据中记载的每个排放源排放的目标污染物的多种组成成分中的每一种组成成分对造成空气污染目标污染物的预测贡献率,所以,需要逐一对多种组成成分的每种组成成分作为目标组成成分,且对所述排放清单数据中记载的每个排放源作为目标排放源进行如下步骤:
计算目标排放源在所述目标排放源对应的排放行业中贡献的目标组成成分的第一占比;由于排放源排放的是组成成分的前体物,所以,当计算目标排放源在目标排放源对应的排放行业中对目标组成成分贡献的第一占比时,可以通过计算目标排放源在目标排放源对应的排放行业中排放的目标组成成分对应的前体物的占比来得到,其中,前体物为排放源直接排放物,当排放源排放前体物后,前体物在空气中发生化学反应,得到目标污染物的组成成分,当目标污染物包括多个组成成分时,每个组成成分可以有一个前体物,多种组成成分可以有多个前体物。
计算目标组成成分的浓度与目标污染物的浓度的第二占比;由于空气污染预测数据中包括目标污染物的多种组成成分的浓度,所以可以通过浓度的数值计算第二占比。
根据第一占比、第二占比和目标排放源对应的排放行业对目标组成成分的预测贡献率,计算目标排放源贡献的目标组成成分对造成空气污染的目标污染物的预测贡献率。可以理解为:第一占比乘以第二占比乘以目标排放源对应的排放行业对目标组成成分的预测贡献率等于目标排放源贡献的目标组成成分对造成空气污染的目标污染物的预测贡献率。
作为一个示例,以排放行业为机动车、目标污染物为PM2.5为例,机动车包括小汽车、卡车、摩托车等排放源,PM2.5的组成成分包括一次PM2.5、硫酸盐、硝酸盐、铵盐、二次有机气溶胶等组分,每种组分具有自己的前体物,一次PM2.5的前体物为排放的一次PM2.5、硫酸盐的前体物为SO2、硝酸盐的前体物为NOx、铵盐的前体物为NH3、二次有机气溶胶的前体物为VOCs,当空气污染预测数据为一次PM2.5的浓度为100mg/m3、硫酸盐的浓度为20mg/m3、硝酸盐的浓度为80mg/m3、铵盐的浓度为50mg/m3、二次有机气溶胶的浓度为50mg/m3,空气质量数值模型预测的机动车对硫酸盐的预测贡献率为50%。
以计算PM2.5的目标组成成分为硫酸盐为例,当目标排放源为小汽车时,计算小汽车在机动车中贡献的硫酸盐的第一占比,即根据排放清单数据计算小汽车在机动车中排放的硫酸盐的前体物SO2的第一占比,其中,小汽车排放SO2为10t/yr,卡车排放SO2为30t/yr、摩托车排放SO2为5t/yr,,则第一占比为10/(10+30+5)为22%。
计算硫酸盐的浓度与PM2.5的浓度的第二占比,20/(100+20+80+50+50)为2/30。
小汽车贡献的硫酸盐对造成空气污染的PM2.5的预测贡献率为硫(机动车对酸盐的预测贡献率为50%)乘以(第一占比22%)乘以(第二占比2/30)为3.76%。
同样的方式,可以计算出卡车贡献的硫酸盐对造成空气污染的PM2.5的预测贡献率为11.16%,可以计算出摩托车贡献的硫酸盐对造成空气污染的PM2.5的预测贡献率为1.83%。
同样的方式,还可以计算出小汽车贡献的一次PM2.5、硝酸盐、铵盐、二次有机气溶胶对造成空气污染的PM2.5的预测贡献率,卡车贡献的一次PM2.5、硝酸盐、铵盐、二次有机气溶胶对造成空气污染的PM2.5的预测贡献率,摩托车贡献的一次PM2.5、硝酸盐、铵盐、二次有机气溶胶对造成空气污染的PM2.5的预测贡献率。
将排放清单数据记载的每个排放源贡献的每种组成成分对造成空气污染的目标污染物的预测贡献率均算出来,即为空气污染精细化预测贡献率。
其中,所述方法还包括:
根据所述第一占比和目标排放源对应的排放行业对目标组成成分的预测贡献率,计算目标排放源对目标组成成分的贡献率。
可知,小汽车对目标组成成分的贡献率为(机动车对硫酸盐的预测贡献率为50%)乘以(第一占比22%)为11%。
另外,本发明还可以按照地域进行区分,工作的流程可以为:获取中尺度气象预测数据和待预测目的地的排放清单数据;所述排放清单数据中记载有排放物和排放物对应的排放源,按照地域,对所述排放源进行合并处理,得到参考排放数据;将所述中尺度气象预测数据和所述参考排放数据输入到空气质量数值模型中,得到空气污染预测数据;空气污染预测数据为目标污染物的多种组成成分的浓度和地域对各种组成成分的预测贡献率,根据排放清单数据和所述空气污染预测数据,计算空气污染精细化预测贡献率;空气污染精细化预测贡献率为所述排放清单数据中记载的每个地域排放的目标污染物的多种组成成分中的每一种组成成分对造成空气污染目标污染物的预测贡献率。
具体实现方式与上述类似,作为一个示例,得到的空气污染精细化预测贡献率可以为济南本地贡献58%、泰安市贡献30%、济宁市贡献7%、枣庄市贡献2%、临沂市贡献2%、其他地区贡献1%。
第二方面,本发明实施例还提供一种污染来源预测装置,结合图3所示,包括:
获取模块310,用于获取中尺度气象预测数据和待预测目的地的排放清单数据;所述排放清单数据中记载有排放物和排放物对应的排放源;
合并模块320,用于按照行业类型,对所述排放源进行合并处理,得到参考排放数据;
预测模块330,用于将所述中尺度气象预测数据和所述参考排放数据输入到空气质量数值模型中,得到空气污染预测数据;
精细化预测模块340,用于根据排放清单数据和所述空气污染预测数据,计算空气污染精细化预测贡献率;空气污染精细化预测贡献率为所述排放清单数据中记载的每个排放源贡献的目标污染物的多种组成成分中的每一种组成成分对造成空气污染目标污染物的预测贡献率。
可选的,获取模块310,包括:结合图4所示,
基础数据获取子模块3101,用于获取气象预测基础数据,其中,所述气象预测基础数据包括待预测目的地的背景场的气象预测数据和待预测目的地的地理信息数据;
处理子模块3102,用于将所述气象预测基础数据输入到中尺度气象模型中,得到中尺度气象预测数据;所述中尺度气象模型中包括预先设定的网格配置、物理参数化方案、模拟时长。
可选的,所述装置还包括:
格式转换模块,用于对所述中尺度气象预测数据进行格式转换,以能够作为空气质量数值模型的输入值。
可选的,合并模块320,包括:结合图4所示
初始合并模块3201,用于将排放清单数据中行业类型相同的排放源进行合并处理,得到初始排放数据;
确定模块3202,用于按照中尺度气象模型中的模拟时长,确定预设时间;
时空分配模块3203,用于按照中尺度气象模型中的网格配置,对所述初始排放数据进行网格分配,得到网格化的初始排放数据,按照预设时间,对所述网格化的初始排放数据进行时间分配,得到参考排放数据。
可选的,所述空气污染预测数据包括目标污染物的多种组成成分的浓度和排放行业对各种组成成分的预测贡献率,精细化预测模块340具体用于:
确定目标污染物的多种组成成分;
逐一对多种组成成分的每种组成成分作为目标组成成分,且对所述排放清单数据中记载的每个排放源作为目标排放源进行如下步骤:
计算目标排放源在所述目标排放源对应的排放行业中贡献的目标组成成分的第一占比;
计算目标组成成分的浓度与目标污染物的浓度的第二占比;
根据所述第一占比、第二占比和目标排放源对应的排放行业对目标组成成分的预测贡献率,计算目标排放源贡献的目标组成成分对造成空气污染目标污染物的预测贡献率。
可选的,所述装置还包括:
计算模块,根据所述第一占比和目标排放源对应的排放行业对目标组成成分的预测贡献率,计算目标排放源对目标组成成分的贡献率。
综上可指,本发明实施例提供的污染来源预测装置,可以将输入到空气质量数值模型中的排放源进行合并处理后作为输入,得到一个以行业类型为单位的空气污染预测数据,然后在根据排放清单数据进行细化,避免在空气质量数值模型计算量大的问题,提高了计算速率。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例还提供一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例任一项所述的方法的步骤。
其中,存储器可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
其中,存储器用于存储程序,所述处理器在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器中,或者由处理器实现。
处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
第四方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行所述实施例任一所述方法。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机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计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种污染来源预测方法,其特征在于,包括:
获取中尺度气象预测数据和待预测目的地的排放清单数据;所述排放清单数据中记载有排放物和排放物对应的排放源;
按照行业类型,对所述排放源进行合并处理,得到参考排放数据;
将所述中尺度气象预测数据和所述参考排放数据输入到空气质量数值模型中,得到空气污染预测数据;
根据排放清单数据和所述空气污染预测数据,计算空气污染精细化预测贡献率;空气污染精细化预测贡献率为所述排放清单数据中记载的每个排放源贡献的目标污染物的多种组成成分中的每一种组成成分对造成空气污染目标污染物的预测贡献率。
2.根据权利要求1所述的污染来源预测方法,其特征在于,所述获取中尺度气象预测数据的步骤,包括:
获取气象预测基础数据,其中,所述气象预测基础数据包括待预测目的地的背景场的气象预测数据和待预测目的地的地理信息数据;
将所述气象预测基础数据输入到中尺度气象模型中,得到中尺度气象预测数据;所述中尺度气象模型中包括预先设定的网格配置、物理参数化方案、模拟时长。
3.根据权利要求2所述的污染来源预测方法,其特征在于,所述将所述气象预测数据输入到中尺度气象模型中,得到中尺度气象预测数据的步骤之后,所述方法还包括:
对所述中尺度气象预测数据进行格式转换,以能够作为空气质量数值模型的输入值。
4.根据权利要求2所述的污染来源预测方法,其特征在于,所述按照行业类型,对所述排放源进行合并处理,得到参考排放数据的步骤,包括:
将排放清单数据中行业类型相同的排放源进行合并处理,得到初始排放数据;
按照中尺度气象模型中的网格配置,对所述初始排放数据进行网格分配,得到网格化的初始排放数据;
按照中尺度气象模型中的模拟时长,确定预设时间;
按照预设时间,对所述网格化的初始排放数据进行时间分配,得到参考排放数据。
5.根据权利要求1所述的污染来源预测方法,其特征在于,所述空气污染预测数据包括目标污染物的多种组成成分的浓度和排放行业对各种组成成分的预测贡献率,所述根据排放清单数据和所述空气污染预测数据,计算空气污染精细化预测贡献率的步骤,包括:
确定目标污染物的多种组成成分;
逐一对多种组成成分的每种组成成分作为目标组成成分,且对所述排放清单数据中记载的每个排放源作为目标排放源进行如下步骤:
计算目标排放源在所述目标排放源对应的排放行业中贡献的目标组成成分的第一占比;
计算目标组成成分的浓度与目标污染物的浓度的第二占比;
根据所述第一占比、第二占比和目标排放源对应的排放行业对目标组成成分的预测贡献率,计算目标排放源贡献的目标组成成分对造成空气污染目标污染物的预测贡献率。
6.根据权利要求5所述的污染来源预测方法,其特征在于,所述方法还包括:
根据所述第一占比和目标排放源对应的排放行业对目标组成成分的预测贡献率,计算目标排放源对目标组成成分的贡献率。
7.一种污染来源预测装置,其特征在于,包括:
获取模块,用于获取中尺度气象预测数据和待预测目的地的排放清单数据;所述排放清单数据中记载有排放物和排放物对应的排放源;
合并模块,用于按照行业类型,对所述排放源进行合并处理,得到参考排放数据;
预测模块,用于将所述中尺度气象预测数据和所述参考排放数据输入到空气质量数值模型中,得到空气污染预测数据;
精细化预测模块,用于根据排放清单数据和所述空气污染预测数据,计算空气污染精细化预测贡献率;空气污染精细化预测贡献率为所述排放清单数据中记载的每个排放源贡献的目标污染物的多种组成成分中的每一种组成成分对造成空气污染目标污染物的预测贡献率。
8.根据权利要求7所述的污染来源预测装置,其特征在于,所述获取模块,包括:
基础数据获取子模块,用于获取气象预测基础数据,其中,所述气象预测基础数据包括待预测目的地的背景场的气象预测数据和待预测目的地的地理信息数据;
处理子模块,用于将所述气象预测基础数据输入到中尺度气象模型中,得到中尺度气象预测数据;所述中尺度气象模型中包括预先设定的网格配置、物理参数化方案、模拟时长。
9.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-6任一所述方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811646056.9A CN109685281B (zh) | 2018-12-29 | 2018-12-29 | 污染来源预测方法、装置及电子设备 |
PCT/CN2019/130126 WO2020135887A1 (zh) | 2018-12-29 | 2019-12-30 | 污染来源预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811646056.9A CN109685281B (zh) | 2018-12-29 | 2018-12-29 | 污染来源预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685281A true CN109685281A (zh) | 2019-04-26 |
CN109685281B CN109685281B (zh) | 2020-02-07 |
Family
ID=66191582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811646056.9A Active CN109685281B (zh) | 2018-12-29 | 2018-12-29 | 污染来源预测方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109685281B (zh) |
WO (1) | WO2020135887A1 (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288256A (zh) * | 2019-06-28 | 2019-09-27 | 中科三清科技有限公司 | 情景分析方法及装置 |
CN110428104A (zh) * | 2019-08-01 | 2019-11-08 | 软通动力信息技术有限公司 | 一种污染贡献率确定方法、装置、电子设备及存储介质 |
CN110472850A (zh) * | 2019-08-01 | 2019-11-19 | 软通动力信息技术有限公司 | 一种减排方案的确定方法、装置、设备及存储介质 |
CN110824107A (zh) * | 2019-09-29 | 2020-02-21 | 中国人民解放军陆军防化学院 | 一种基于动态反演排放源数据的空气质量预报方法 |
WO2020135887A1 (zh) * | 2018-12-29 | 2020-07-02 | 中科三清科技有限公司 | 污染来源预测方法、装置及电子设备 |
CN111368401A (zh) * | 2020-02-20 | 2020-07-03 | 南开大学 | 污染源的溯源方法、装置和存储介质 |
CN111611296A (zh) * | 2020-05-20 | 2020-09-01 | 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 |
CN111612064A (zh) * | 2020-05-20 | 2020-09-01 | 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 |
CN111666368A (zh) * | 2020-06-11 | 2020-09-15 | 中科三清科技有限公司 | 一种数据处理方法、装置、存储介质及终端 |
CN111768038A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 污染物监控方法、装置、终端设备及存储介质 |
CN111899817A (zh) * | 2020-08-04 | 2020-11-06 | 中科三清科技有限公司 | 污染物源解析方法和装置 |
CN112000683A (zh) * | 2020-08-25 | 2020-11-27 | 中科三清科技有限公司 | 数据处理方法、装置及设备 |
CN112052619A (zh) * | 2020-09-08 | 2020-12-08 | 自然资源部第一海洋研究所 | 空气污染粒子信息的优化方法、装置及电子设备 |
CN112085295A (zh) * | 2020-09-21 | 2020-12-15 | 中国科学院大气物理研究所 | 一种大气污染多情景控制效果快速预测评估方法 |
CN112233247A (zh) * | 2020-09-29 | 2021-01-15 | 广东新禾道信息科技有限公司 | 大气污染防治网格化监控设备及其使用方法 |
CN112348388A (zh) * | 2020-11-16 | 2021-02-09 | 中科三清科技有限公司 | 基于排放数据的臭氧主导前体物识别方法及装置 |
CN112381341A (zh) * | 2020-09-21 | 2021-02-19 | 中国科学院大气物理研究所 | 一种区域空气质量管控措施效果评估方法 |
CN113011455A (zh) * | 2021-02-02 | 2021-06-22 | 北京数汇通信息技术有限公司 | 一种空气质量预测svm模型构建方法 |
CN114048610A (zh) * | 2021-11-15 | 2022-02-15 | 中科三清科技有限公司 | 数据输出方法和装置 |
CN114199736A (zh) * | 2021-12-13 | 2022-03-18 | 北京市生态环境监测中心 | 获取pm2.5及其组分的区域传输贡献率的方法 |
CN114971031A (zh) * | 2022-05-31 | 2022-08-30 | 中科三清科技有限公司 | 大气污染排放的溯源方法、装置、电子设备及存储介质 |
CN112132336B (zh) * | 2020-09-22 | 2024-02-20 | 南京创蓝科技有限公司 | 一种pm2.5浓度的季度预测方法 |
CN118114167A (zh) * | 2024-04-30 | 2024-05-31 | 北京中科三清环境技术有限公司 | 污染源贡献浓度的确定方法、装置、存储介质与电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112444605A (zh) * | 2020-11-24 | 2021-03-05 | 深圳中兴网信科技有限公司 | 大气污染智能化精准溯源方法、***、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107194139A (zh) * | 2016-03-14 | 2017-09-22 | 日电(中国)有限公司 | 大气污染源分级方法及计算设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628852B (zh) * | 2012-03-13 | 2014-12-31 | 北京工业大学 | 基于污染物来源识别技术的大气污染源分级方法 |
US10830922B2 (en) * | 2015-10-28 | 2020-11-10 | International Business Machines Corporation | Air quality forecast by adapting pollutant emission inventory |
CN109685281B (zh) * | 2018-12-29 | 2020-02-07 | 中科三清科技有限公司 | 污染来源预测方法、装置及电子设备 |
-
2018
- 2018-12-29 CN CN201811646056.9A patent/CN109685281B/zh active Active
-
2019
- 2019-12-30 WO PCT/CN2019/130126 patent/WO2020135887A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194139A (zh) * | 2016-03-14 | 2017-09-22 | 日电(中国)有限公司 | 大气污染源分级方法及计算设备 |
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 |
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 |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020135887A1 (zh) * | 2018-12-29 | 2020-07-02 | 中科三清科技有限公司 | 污染来源预测方法、装置及电子设备 |
CN110288256B (zh) * | 2019-06-28 | 2020-07-03 | 中科三清科技有限公司 | 情景分析方法及装置 |
CN110288256A (zh) * | 2019-06-28 | 2019-09-27 | 中科三清科技有限公司 | 情景分析方法及装置 |
CN110428104A (zh) * | 2019-08-01 | 2019-11-08 | 软通动力信息技术有限公司 | 一种污染贡献率确定方法、装置、电子设备及存储介质 |
CN110472850A (zh) * | 2019-08-01 | 2019-11-19 | 软通动力信息技术有限公司 | 一种减排方案的确定方法、装置、设备及存储介质 |
CN110824107A (zh) * | 2019-09-29 | 2020-02-21 | 中国人民解放军陆军防化学院 | 一种基于动态反演排放源数据的空气质量预报方法 |
CN111368401A (zh) * | 2020-02-20 | 2020-07-03 | 南开大学 | 污染源的溯源方法、装置和存储介质 |
CN111611296A (zh) * | 2020-05-20 | 2020-09-01 | 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 |
CN111612064A (zh) * | 2020-05-20 | 2020-09-01 | 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 |
CN111666368A (zh) * | 2020-06-11 | 2020-09-15 | 中科三清科技有限公司 | 一种数据处理方法、装置、存储介质及终端 |
CN111666368B (zh) * | 2020-06-11 | 2021-05-25 | 中科三清科技有限公司 | 一种数据处理方法、装置、存储介质及终端 |
CN111768038A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 污染物监控方法、装置、终端设备及存储介质 |
CN111768038B (zh) * | 2020-06-30 | 2023-02-03 | 平安国际智慧城市科技股份有限公司 | 污染物监控方法、装置、终端设备及存储介质 |
CN111899817A (zh) * | 2020-08-04 | 2020-11-06 | 中科三清科技有限公司 | 污染物源解析方法和装置 |
CN112000683A (zh) * | 2020-08-25 | 2020-11-27 | 中科三清科技有限公司 | 数据处理方法、装置及设备 |
CN112000683B (zh) * | 2020-08-25 | 2021-03-16 | 中科三清科技有限公司 | 数据处理方法、装置及设备 |
CN112052619B (zh) * | 2020-09-08 | 2021-04-30 | 自然资源部第一海洋研究所 | 空气污染粒子信息的优化方法、装置及电子设备 |
CN112052619A (zh) * | 2020-09-08 | 2020-12-08 | 自然资源部第一海洋研究所 | 空气污染粒子信息的优化方法、装置及电子设备 |
CN112085295A (zh) * | 2020-09-21 | 2020-12-15 | 中国科学院大气物理研究所 | 一种大气污染多情景控制效果快速预测评估方法 |
CN112381341A (zh) * | 2020-09-21 | 2021-02-19 | 中国科学院大气物理研究所 | 一种区域空气质量管控措施效果评估方法 |
CN112085295B (zh) * | 2020-09-21 | 2021-09-21 | 中国科学院大气物理研究所 | 一种大气污染多情景控制效果快速预测评估方法 |
CN112132336B (zh) * | 2020-09-22 | 2024-02-20 | 南京创蓝科技有限公司 | 一种pm2.5浓度的季度预测方法 |
CN112233247A (zh) * | 2020-09-29 | 2021-01-15 | 广东新禾道信息科技有限公司 | 大气污染防治网格化监控设备及其使用方法 |
CN112233247B (zh) * | 2020-09-29 | 2021-07-30 | 广东新禾道信息科技有限公司 | 大气污染防治网格化监控设备及其使用方法 |
CN112348388A (zh) * | 2020-11-16 | 2021-02-09 | 中科三清科技有限公司 | 基于排放数据的臭氧主导前体物识别方法及装置 |
CN113011455B (zh) * | 2021-02-02 | 2024-01-05 | 北京数汇通信息技术有限公司 | 一种空气质量预测svm模型构建方法 |
CN113011455A (zh) * | 2021-02-02 | 2021-06-22 | 北京数汇通信息技术有限公司 | 一种空气质量预测svm模型构建方法 |
CN114048610B (zh) * | 2021-11-15 | 2022-08-09 | 中科三清科技有限公司 | 数据输出方法和装置 |
CN114048610A (zh) * | 2021-11-15 | 2022-02-15 | 中科三清科技有限公司 | 数据输出方法和装置 |
CN114199736A (zh) * | 2021-12-13 | 2022-03-18 | 北京市生态环境监测中心 | 获取pm2.5及其组分的区域传输贡献率的方法 |
CN114199736B (zh) * | 2021-12-13 | 2023-12-01 | 北京市生态环境监测中心 | 获取pm2.5及其组分的区域传输贡献率的方法 |
CN114971031A (zh) * | 2022-05-31 | 2022-08-30 | 中科三清科技有限公司 | 大气污染排放的溯源方法、装置、电子设备及存储介质 |
CN118114167A (zh) * | 2024-04-30 | 2024-05-31 | 北京中科三清环境技术有限公司 | 污染源贡献浓度的确定方法、装置、存储介质与电子设备 |
CN118114167B (zh) * | 2024-04-30 | 2024-07-16 | 北京中科三清环境技术有限公司 | 污染源贡献浓度的确定方法、装置、存储介质与电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109685281B (zh) | 2020-02-07 |
WO2020135887A1 (zh) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685281A (zh) | 污染来源预测方法、装置及电子设备 | |
Xiao et al. | A genetic algorithm with exact dynamic programming for the green vehicle routing & scheduling problem | |
Nejadkoorki et al. | An approach for modelling CO2 emissions from road traffic in urban areas | |
US8036822B2 (en) | Travel time determination | |
Lu et al. | Freeway micro-simulation calibration: Case study using aimsun and VISSIM with detailed field data | |
US8706458B2 (en) | Traffic sensor management | |
Fan et al. | Data-fitted first-order traffic models and their second-order generalizations: Comparison by trajectory and sensor data | |
Liu | Data model and algorithms for multimodal route planning with transportation networks | |
CN101295326B (zh) | 应用gps数据生成od矩阵的交通仿真的方法 | |
JP2009259158A (ja) | 交通状態シミュレーション装置及びプログラム | |
Schweizer et al. | Building a large-scale micro-simulation transport scenario using big data | |
Xiong et al. | Developing a 24-hour large-scale microscopic traffic simulation model for the before-and-after study of a new tolled freeway in the Washington, DC–Baltimore Region | |
JP2007164262A (ja) | 交通状況予測装置、方法及びプログラム、経路探索システム並びに交通状況提供システム | |
Wismans et al. | Real time traffic models, decision support for traffic management | |
Khumara et al. | Estimation of urban traffic state using simulation of urban mobility (SUMO) to optimize intelligent transport system in smart city | |
CN101807348B (zh) | 一种动态网络导航***及方法 | |
CN105608919B (zh) | 车站位置的确定方法及装置 | |
JP2010271205A (ja) | 経路検証システムにおける経路検証方法 | |
Ghaffarpasand et al. | Vehicle telematics for safer, cleaner and more sustainable urban transport: A review | |
Madadi et al. | Multi-stage optimal design of road networks for automated vehicles with elastic multi-class demand | |
CN108846524A (zh) | 一种打车需求量预测方法及装置 | |
Astarita et al. | A review of traffic signal control methods and experiments based on Floating Car Data (FCD) | |
Tettamanti et al. | Road traffic measurement and related data fusion methodology for traffic estimation | |
US20230137263A1 (en) | Method and apparatus for generating structured trajectories from geospatial observations | |
CN107526815A (zh) | 目标区域范围内的移动模式的确定方法及电子设备 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190426 Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd. Assignor: 3CLEAR TECHNOLOGY Co.,Ltd. Contract record no.: X2022980012305 Denomination of invention: Pollution source prediction method, device and electronic equipment Granted publication date: 20200207 License type: Common License Record date: 20220815 |
|
EE01 | Entry into force of recordation of patent licensing contract |