CN109858696A - 一种城市环境污染预测方法及*** - Google Patents
一种城市环境污染预测方法及*** Download PDFInfo
- Publication number
- CN109858696A CN109858696A CN201910092049.7A CN201910092049A CN109858696A CN 109858696 A CN109858696 A CN 109858696A CN 201910092049 A CN201910092049 A CN 201910092049A CN 109858696 A CN109858696 A CN 109858696A
- Authority
- CN
- China
- Prior art keywords
- environmental
- data
- environmental pollution
- pollution
- contaminants
- 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
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出了一种城市环境污染预测方法及***,步骤为:采集环境污染物的环境数据,包括环境污染物的浓度数据,建立环境污染数据库;根据环境污染数据库的环境数据采用小波变换的方式拟合出环境污染物和环境污染程度的相关性函数Ψan(T),并计算出污染系数因子;根据相关性函数和计算的污染系数因子,建立环境污染程度和时间的关系的环境预测函数f(T);采集的当前的环境污染物的环境数据,包括环境污染物的浓度数据,根据环境预测函数计算未来环境污染的程度。通过建立了预测城市环境污染程度的环境数据预测函数,实现对污染的程度进行***,从而在污染源造成不良后果之前采取有效的预防措施。
Description
技术领域
本公开涉及环境监测相关技术领域,具体的说,是涉及一种城市环境污染预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着目前经济的迅速发展,各种大型工厂的排放造成环境污染越来越严重,如何尽量提前检测环境的污染程度并采取相应措施是目前面临的一个很严峻的问题。由于目前针对于环境污染的监测手段,还大都是事后检测、整改的方式,这种方式下污染源还是已经造成了实际的污染后果。随着科技的迅速发展,数据的检测手段越来越多,检测数据的准确性和实时性也越来越高,但是如何从这些大量的有效数据中做到在废气、废水、固体废弃物对环境造成危害之前,***到环境的污染程度。如果能够***到城市污染的发展趋势,将可以提前采取有效的措施,对污染源采取一定的抑制措施,例如可以合理的规划、安排城市工厂的生产和排放。从而可以实现环境污染的预防,大大提高环境治理的效果。
发明内容
本公开为了解决上述问题,提出了一种城市环境污染预测方法及***,通过采集环境数据建立数据库进行数据分析,从而建立了预测城市环境污染程度的环境数据预测函数,实现对污染的程度进行***,从而在污染源造成不良后果之前采取有效的预防措施。
为了实现上述目的,本公开采用如下技术方案:
一种或多个实施例提供了一种城市环境污染预测方法,包括如下步骤:
步骤101:采集环境污染物的环境数据,包括环境污染物的浓度数据,建立环境污染数据库;
步骤102:根据环境污染数据库的环境数据采用小波变换的方式拟合出环境污染物和环境污染程度的相关性函数Ψan(T),并计算出污染系数因子;
步骤103:根据相关性函数和计算的污染系数因子,建立环境污染程度和时间的关系的环境预测函数f(T);
步骤104:采集的当前的环境污染物的环境数据,包括环境污染物的浓度数据,根据环境预测函数计算未来环境污染的程度。
进一步的,相关性函数Ψan(T)具体为:
其中,Ψn(0)表示污染物当前检测的第n种污染物的检测值,an表示不同的污染物对环境产生的影响环境污染的程度,n代表不同的污染物,n=1,2,3……,T代表衰减时间,单位为天。
进一步的,相关性函数Ψan(T)中的an通过如下公式计算:
λn是定值表示不同污染物的污染系数因子,n代表不同的污染物,n=1,2,3……,Ψn(0)为当前检测的第n种污染物的检测值。
进一步的,环境污染物的环境数据包括烟气浓度及烟气中各成分的含量、二氧化硫(SO2)浓度、氮氧化物(NOx)浓度及各成分的含量、一氧化碳(CO)浓度、臭氧(O3)浓度和PM10数值
进一步的,采用小波变换的方式拟合出环境污染物和环境污染程度的相关性函数的方法具体为:
对采集的环境数据进行处理,采用小波变换方法对对数据进行滤波处理,得到小波变换的低频分量,滤除高频分量;
对小波变换后的信号进行拟合,得到环境污染物和环境污染程度的相关性函数。
进一步的,环境预测函数f(T)具体为:
f(T)=Ψa1(T)+Ψa2(T)+Ψa3(T)+...Ψan(T);
其中,T代表衰减时间,单位为天。n代表不同的污染物,n=1,2,3……。
一种城市环境污染预测***,包括数据采集***和服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的一种城市环境污染预测方法。
进一步的,所述数据采集***包括Lora终端采集器、传感模块和无线Lora网关,所述传感模块与Lora终端采集器连接,Lora终端采集器与无线Lora网关连接,无线Lora网关与服务器无线连接。
进一步的,所述传感模块包括但不限于烟气传感器、二氧化硫浓度传感器、氮氧化物浓度传感器、一氧化碳浓度传感器、臭氧浓度传感器和PM10检测传感器。
进一步的,Lora终端采集器与无线Lora网关连接采用星状网并发通讯方式。
与现有技术相比,本公开的有益效果为:
(1)本公开通过采集环境数据建立数据库进行数据分析,从而建立了预测城市环境污染程度的环境数据预测函数,实现对污染的程度进行***,从而在污染源造成不良后果之前采取有效的预防措施,从而可以实现环境污染的预防,大大提高环境治理的效果。
(2)本公开首先采用小波变换对环境数据进行滤波处理,处理后的数据保留了原信号数据的有用分量,去除了大部分的干扰信号;可以有效提高数据处理的效率。
(3)本公开提出的环境预测函数简单,涉及的变量少,并且预测***简单,采用本公开的预测方法进行环境的***,可操作性强,可以全面推广。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的限定。
图1是根据本公开环境预测方法的流程图;
图2是本公开的数据采集***结构图;
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
在一个或多个实施方式中公开的技术方案中,如图1所示,一种城市环境污染预测方法,包括如下步骤:
步骤101:采集环境污染物的环境数据,包括环境污染物的浓度数据,建立环境污染数据库;
步骤102:根据环境污染数据库的环境数据采用小波变换的方式拟合出环境污染物和环境污染程度的相关性函数Ψan(T),并计算出污染系数因子;
步骤103:根据相关性函数和计算的污染系数因子,建立环境污染程度和时间的关系的环境预测函数f(T);
步骤104:采集的当前的环境污染物的环境数据,包括环境污染物的浓度数据,根据环境预测函数计算未来环境污染的程度。
步骤101中采集环境污染物的环境数据的数据采集***由现场采集终端和网关组成,采集***组成如图2所示。传感器终端采用Lora wan的通信方式。所述数据采集***包括Lora终端采集器2-1、传感模块和无线Lora网关2-2,所述传感模块与Lora终端采集器2-1连接,Lora终端采集器2-1与无线Lora网关2-2连接。
基于Lora技术的网络层协议主要是LoRaWAN,定义了网络通信协议和***架构,LoRaWAN的通信***网络是星状网架构。主要分为以下三种,第一个,点对点通信,就是A点发起,B点接收。第二个,星状网轮询,一点对多点的方式,一个中心点和N个节点,由节点出发,中心点接收然后确认接收完成,下一个节点继续上传,直到N个节点完成,这算一个循环周期。第三个,星状网并发,也是一点对多点的通信,不同的是多个节点可以同时与中心点通讯,这样就节约了节点的功耗,避免了个别节点的故障而引起网络的瘫痪,网络的稳定性得到了提高。本实施例中采用星状网并发通讯方式。Lora无线通信模块包括LoRa芯片和芯片***电路,可以选用SEMTCH公司的SX1278芯片。芯片***电路包括晶振时钟电路、射频输入/输出匹配电路和单片机接口电路三个部分。
传感模块设置在城市的环境各个采集点,包括但不限于烟气传感器、二氧化硫浓度传感器、氮氧化物浓度传感器、一氧化碳浓度传感器、臭氧浓度传感器和PM10检测传感器。Lora终端采集器通过有线或者无线的方式连接传感模块的各个传感器,采集环境的多个参数信息,并且能够把采集到的数据通过Lora wan的方式上传到无线Lora网关2-2。网关对现场各终端传感器数据进行协议中转,并通过Lora wan获取现场传感器数据,然后再统一把各传感器的数据上传到服务器进行分析计算。烟雾传感器可以有效地探测煤气、液化石油气、然气、一氧化碳等多种可燃性气体的浓度,烟雾报警器对微小的烟雾粒子的感应灵敏,烟雾传感器型号可以选择NIS-07。
采集大量环境数据建立数据库进行大数据处理,对数据库中的采集的历史数据进行拟合。从而计算出污染系数因子λ。
步骤102:根据环境污染数据库的环境数据采用小波变换的方式拟合出环境污染物和环境污染程度的相关性函数Ψan(T),并计算出污染系数因子λ;
根据不同环境污染物对环境污染程度趋势的不同,采用小波变换的方式拟合出各影响参数和环境污染程度的相关性函数Ψan(T),其中an表示不同的污染物对环境产生的影响环境污染的程度,是与污染系数因子λ相关的量,n代表不同的污染物,n=1,2,3……,T代表衰减时间,单位为天。通过对烟气、SO2,NOx,CO,O3,PM10等污染物的检测的历史数据进行小波变换,并将小波变换后的数据拟合得到相关性函数为:
Ψn(0)表示污染物当前检测的环境数据,n代表不同的污染物,n=1,2,3……。污染系数因子λ的数值大小由不同的污染物决定的,是污染物的固有特性,每一种污染物的污染系数因子λ是一个定值,λ的数值可以通过大量的实验数据计算获得,具体数值如表1所示。
表1
名称 | 污染系数因子 | 名称 | 污染系数因子 | 名称 | 污染系数因子 |
SO2 | 0.293817 | O3 | 0.273022 | 烟气 | 0.299371 |
CO | 0.283765 | PM10 | 0.252318 | 放射源 | 0.303129 |
NOx | 0.273321 | PM5 | 0.250013 | 电磁波 | 0.312831 |
步骤102的具体步骤为:
采集环境数据库中的环境数据;环境污染物的环境数据包括烟气浓度及烟气中各成分的含量、二氧化硫(SO2)浓度、氮氧化物(NOx)浓度及各成分的含量、一氧化碳(CO)浓度、臭氧(O3)浓度和PM10数值等;
对采集的环境数据进行处理,采用小波变换方法对对数据进行滤波处理,得到小波变换的低频分量,滤除高频分量,处理后的数据保留了原信号数据的有用分量,去除了大部分的干扰信号;可以有效提高数据处理的效率。
对小波变换后的信号进行拟合,得到环境污染物和环境污染程度的相关性函数Ψan(T)。
其中,
λn是表示不同污染物的污染系数因子,与an对应,n代表不同的污染物,n=1,2,3……,Ψn(0)为当前检测的第n种污染物的检测值。
步骤103:根据相关性函数和计算的污染系数因子,建立环境污染程度和时间的关系的环境预测函数f(T);针对不同的污染物,使用已知的污染系数因子,利用公式(1),(2),(3),(4)可以计算出未来的污染物污染程度f(T),公式如下:
f(T)=Ψa1(T)+Ψa2(T)+Ψa3(T)+...Ψan(T) (5)
其中,T代表衰减时间,是设定的时间,根据要预测的时间点设定,单位为天。如要预测20天后的污染程度,T=20。
步骤104:采集的当前的环境污染物的环境数据,包括环境污染物的浓度数据,根据环境预测函数计算未来环境污染的程度。采集的当前的环境污染物的环境数据通过上述环境采集***采集,将采集的数据通过公式(5)对未来环境进行预测。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种城市环境污染预测方法,其特征是,包括如下步骤:
步骤101:采集环境污染物的环境数据,包括环境污染物的浓度数据,建立环境污染数据库;
步骤102:根据环境污染数据库的环境数据采用小波变换的方式拟合出环境污染物和环境污染程度的相关性函数Ψan(T),并计算出污染系数因子;
步骤103:根据相关性函数和计算的污染系数因子,建立环境污染程度和时间的关系的环境预测函数f(T);
步骤104:采集的当前的环境污染物的环境数据,包括环境污染物的浓度数据,根据环境预测函数计算未来环境污染的程度。
2.如权利要求1所述的一种城市环境污染预测方法,其特征是:相关性函数Ψan(T)具体为:
其中,Ψn(0)表示污染物当前检测的第n种污染物的检测值,an表示不同的污染物对环境产生的影响环境污染的程度,n代表不同的污染物,n=1,2,3……,T代表衰减时间,单位为天。
3.如权利要求1所述的一种城市环境污染预测方法,其特征是,相关性函数Ψan(T)中的an通过如下公式计算:
λn是定值表示不同污染物的污染系数因子,n代表不同的污染物,n=1,2,3……,Ψn(0)为当前检测的第n种污染物的检测值。
4.如权利要求1所述的一种城市环境污染预测方法,其特征是:环境污染物的环境数据包括烟气浓度及烟气中各成分的含量、二氧化硫(SO2)浓度、氮氧化物(NOx)浓度及各成分的含量、一氧化碳(CO)浓度、臭氧(O3)浓度和PM10数值。
5.如权利要求1所述的一种城市环境污染预测方法,其特征是:采用小波变换的方式拟合出环境污染物和环境污染程度的相关性函数的方法具体为:
对采集的环境数据进行处理,采用小波变换方法对对数据进行滤波处理,得到小波变换的低频分量,滤除高频分量;
对小波变换后的信号进行拟合,得到环境污染物和环境污染程度的相关性函数。
6.如权利要求1所述的一种城市环境污染预测方法,其特征是:环境预测函数f(T)具体为:
f(T)=Ψa1(T)+Ψa2(T)+Ψa3(T)+...Ψan(T);
其中,T代表衰减时间,单位为天,n代表不同的污染物,n=1,2,3……。
7.一种城市环境污染预测***,其特征是:包括数据采集***和服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-8任一项所述的方法。
8.如权利要求7所述的一种城市环境污染预测***,其特征是:所述数据采集***包括Lora终端采集器、传感模块和无线Lora网关,所述传感模块与Lora终端采集器连接,Lora终端采集器与无线Lora网关连接,无线Lora网关与服务器无线连接。
9.如权利要求8所述的一种城市环境污染预测***,其特征是:所述传感模块包括但不限于烟气传感器、二氧化硫浓度传感器、氮氧化物浓度传感器、一氧化碳浓度传感器、臭氧浓度传感器和PM10检测传感器。
10.如权利要求8所述的一种城市环境污染预测***,其特征是:Lora终端采集器与无线Lora网关连接采用星状网并发通讯方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092049.7A CN109858696A (zh) | 2019-01-30 | 2019-01-30 | 一种城市环境污染预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092049.7A CN109858696A (zh) | 2019-01-30 | 2019-01-30 | 一种城市环境污染预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858696A true CN109858696A (zh) | 2019-06-07 |
Family
ID=66896881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910092049.7A Pending CN109858696A (zh) | 2019-01-30 | 2019-01-30 | 一种城市环境污染预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858696A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651036A (zh) * | 2016-12-26 | 2017-05-10 | 东莞理工学院 | 空气质量预报*** |
CN107193056A (zh) * | 2017-05-09 | 2017-09-22 | 西南石油大学 | 空气污染物监测预警方法及云平台 |
CN104616060B (zh) * | 2014-12-23 | 2018-03-27 | 南京工程学院 | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 |
CN108491953A (zh) * | 2018-01-31 | 2018-09-04 | 国网山东省电力公司电力科学研究院 | 一种基于非线性理论的pm2.5预测与预警方法及*** |
-
2019
- 2019-01-30 CN CN201910092049.7A patent/CN109858696A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616060B (zh) * | 2014-12-23 | 2018-03-27 | 南京工程学院 | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 |
CN106651036A (zh) * | 2016-12-26 | 2017-05-10 | 东莞理工学院 | 空气质量预报*** |
CN107193056A (zh) * | 2017-05-09 | 2017-09-22 | 西南石油大学 | 空气污染物监测预警方法及云平台 |
CN108491953A (zh) * | 2018-01-31 | 2018-09-04 | 国网山东省电力公司电力科学研究院 | 一种基于非线性理论的pm2.5预测与预警方法及*** |
Non-Patent Citations (1)
Title |
---|
曹明等: "Mallat小波分解在空气污染指数分析中的应用", 《建筑热能通风空调》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107831285B (zh) | 一种基于物联网的河湖污染监测***及其方法 | |
CN104820072B (zh) | 基于云计算的电子鼻空气质量监测***的监测方法 | |
Molinos-Senante et al. | Economic and environmental performance of wastewater treatment plants: Potential reductions in greenhouse gases emissions | |
Asopa et al. | Reducing carbon footprint for sustainable development of smart cities using IoT | |
Daepp et al. | Eclipse: An end-to-end platform for low-cost, hyperlocal environmental sensing in cities | |
CN114819773B (zh) | 一种基于大数据的企业绿色生产管控方法及*** | |
Saha et al. | IoT based air quality monitoring system using wireless sensors deployed in public bus services | |
Ma et al. | Hierarchical air quality monitoring system design | |
Ahmedi et al. | An Ontology Framework for Water Quality Management. | |
Wan et al. | Industrial pollution areas detection and location via satellite-based IIoT | |
CN113695366B (zh) | 一种基于环境监测的飞灰螯合剂智能筛选方法及*** | |
KR102313465B1 (ko) | 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 | |
Jin-feng et al. | A Low-cost Wireless Water Quality Auto-monitoring System. | |
Liu et al. | A secure edge monitoring approach to unsupervised energy disaggregation using mean shift algorithm in residential buildings | |
Addabbo et al. | A low-power IoT architecture for the monitoring of chemical emissions | |
Xiu et al. | Design of sewage treatment monitoring system based on internet of things | |
Schlei-Peters et al. | Assessing combined water-energy-efficiency measures in the automotive industry | |
CN109858696A (zh) | 一种城市环境污染预测方法及*** | |
Biondo et al. | A wsn real-time monitoring system approach for measuring indoor air quality using the internet of things | |
CN111781306B (zh) | 基于地理信息***的污染物监测方法及*** | |
Liu et al. | Time series forecasting fusion network model based on prophet and improved LSTM | |
Rosero-Montalvo et al. | Urban pollution environmental monitoring system using iot devices and data visualization: a case study | |
Dzikuć et al. | Determining the environmental and economic benefits of life cycle assessment on example of the power plants in Poland | |
Vidakis et al. | Recodify: An intelligent environment and space hazard condition monitoring system based on WSN and IoT technology | |
CN113344417A (zh) | 一种居民楼中排查小作坊房屋的方法、***、计算机设备及可读介质 |
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 |
Application publication date: 20190607 |
|
RJ01 | Rejection of invention patent application after publication |