CN110687255A - 一种空气污染物的溯源方法、装置、设备和存储介质 - Google Patents

一种空气污染物的溯源方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN110687255A
CN110687255A CN201910999693.2A CN201910999693A CN110687255A CN 110687255 A CN110687255 A CN 110687255A CN 201910999693 A CN201910999693 A CN 201910999693A CN 110687255 A CN110687255 A CN 110687255A
Authority
CN
China
Prior art keywords
data
wind direction
air
tracing
determining
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
Application number
CN201910999693.2A
Other languages
English (en)
Inventor
郭银波
宋洋
陶友明
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.)
Isoftstone Information Technology Co Ltd
Original Assignee
Isoftstone 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 Isoftstone Information Technology Co Ltd filed Critical Isoftstone Information Technology Co Ltd
Priority to CN201910999693.2A priority Critical patent/CN110687255A/zh
Publication of CN110687255A publication Critical patent/CN110687255A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01N33/0004—Gaseous mixtures, e.g. polluted air

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)

Abstract

本发明实施例公开了一种空气污染物的溯源方法、装置、设备及存储介质，该方法包括：获取监测点采集到的溯源数据，其中，所述溯源数据包括空气污染物数据、风向数据和风速数据；根据所述溯源数据，确定所述空气污染物在预设风向区间上的概率分布图；根据所述风向数据和风速数据，确定与所述预设风向区间对应的风向风速玫瑰图；基于所述概率分布图和所述风向风速玫瑰图，确定所述空气污染物的溯源信息。本发明实施例通过将空气污染物的概率分布图与风向风速玫瑰图相结合，解决了数据量需求大和预测不准确的问题，提高了空气污染物溯源结果的准确度和精确度，为执法人员治理空气环境提供精准数据支持，进而提高执法效率。

Description

一种空气污染物的溯源方法、装置、设备和存储介质
技术领域
本发明实施例涉及污染物溯源技术领域，尤其涉及一种空气污染物的溯源方法、装置、设备和存储介质。
背景技术
近年来，由于社会经济的快速发展，环境及大气污染问题也日益严重，全国各地屡遭雾霾侵袭，严重时整个城市雾霾缭绕，车辆、楼宇难见踪影，引发了社会对空气质量和环境污染的强烈关注。
为有效推进环境监管工作的落实，环保局不断强化工作措施，积极推进网格化空气质量监管体系建设。网格化空气质量监管体系(简称监管体系)是将城市以区县、街道、乡镇、社区(村)为单位，分级划定大气污染防治管理网格，大范围、高密度的布点，能够区域网格全覆盖，客观真实反映污染现状。监管体系具有完整的监测、溯源、管理、执法的闭环管理流程，尤其是污染物溯源环节，可以帮助执法人员及时准确的对污染源进行治理。现有的污染物溯源方法大多是基于相关模型算法对采集到的污染物监测数据进行计算，从而对污染物源进行预测，或者是通过综合多个监测点的监测数据对污染源进行预测。
基于上述现有的技术方法，模型算法需要使用大量的监测数据才能实现对污染物的准确预测，时效性较差。尤其是，当地区内监测点数量较少时，则不能满足现有技术方法的数据需求，使得对污染物溯源的预测结果准确度不高。
发明内容
本发明实施例提供一种空气污染物的溯源方法、装置、设备及存储介质，以实现对空气污染物来源的精准预测和分析，进而提高执法效率。
第一方面，本发明实施例提供了一种空气污染物的溯源方法，该方法包括：
获取监测点采集到的溯源数据，其中，所述溯源数据包括空气污染物数据、风向数据和风速数据；
根据所述溯源数据，确定所述空气污染物在预设风向区间上的概率分布图；
根据所述风向数据和风速数据，确定与所述预设风向区间对应的风向风速玫瑰图；
基于所述概率分布图和所述风向风速玫瑰图，确定所述空气污染物的溯源信息。
第二方面，本发明实施例还提供了种空气污染物的溯源装置，该装置包括：
溯源数据获取模块，用于获取监测点采集到的溯源数据，其中，所述溯源数据包括空气污染物数据、风向数据和风速数据；
概率分布图确定模块，用于根据所述溯源数据，确定所述空气污染物在预设风向区间上的概率分布图；
风向风速玫瑰图确定模块，用于根据所述风向数据和风速数据，确定与所述预设风向区间对应的风向风速玫瑰图；
溯源信息确定模块，用于基于所述概率分布图和所述风向风速玫瑰图，确定所述空气污染物的溯源信息。
第三方面，本发明实施例还提供了一种设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所涉及的任一所述的空气污染物的溯源方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的空气污染物的溯源方法。
本发明实施例通过将空气污染物的概率分布图与风向风速玫瑰图相结合，解决了数据量需求大和预测不准确的问题，提高了空气污染物溯源结果的准确度和精确度，为执法人员治理空气环境提供精准数据支持，进而提高执法效率。
附图说明
图1为本发明实施例一提供的一种空气污染物的溯源方法的流程图。
图2是本发明实施例一提供的一种空气污染物的溯源方法的***流程图。
图3是本发明实施例一提供的一种概率分布图的示意图。
图4是本发明实施例一提供的一种风向风速玫瑰图的示意图。
图5是本发明实施例二提供的一种空气污染物的溯源方法的流程图。
图6是本发明实施例二提供的一种风向风速叠加玫瑰图。
图7是本发明实施例三提供的一种空气污染物的溯源装置的示意图。
图8是本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种空气污染物的溯源方法的流程图，本实施例可适用于网格化空气质量监测的情况，该方法可以由空气污染物的溯源装置来执行，该装置可采用软件和/或硬件的方式实现，该装置可以配置于终端智能设备中，如计算机，ipad和手机。具体包括如下步骤：
S110、获取监测点采集到的溯源数据，其中，溯源数据包括空气污染物数据、风向数据和风速数据。
其中，监测点由高精度、易部署的微型站与国标方法的扬尘站、小型空气自动站等监测设备组成，大范围、高密度的监测点部署构成网格化空气质量监测网络的感知体系。具体的监测点位置可以综合考虑地区的地形条件、风频分布特征、环境指数和环境保护目标所在方位等多种影响因素，对监测点进行部署。
在一个实施例中，可选的，根据预设条件对监测点中的传感器设备进行数据质控。其中，预设条件包括但不限于预设时间、监测点位置变更和监测点采集到的数据超过阈值。示例性的，当监测点采集到的数据超过阈值时，对检测点中的传感器设备进行数据质控，保证监测点采集的数据准确、有效和可靠，不会出现误报警的情况。具体的，可以通过运用四级校准的质控手段对传感器设备进行全生命周期的数据质控和校准。
在一个实施例中，可选的，溯源数据包括但不限于空气污染物数据、风向数据、风速数据、湿度数据、温度数据、大气压数据等多种特征参数数据。其中，空气污染物数据中的空气污染物包括但不限于PM10、PM2.5、SO2、NO2、CO和O3。风向数据是监测点在某一时刻采集到的风所处的风向区间，其中，风向是指风从外吹向监测点的方向，风向区间则是指以监测点为中心，将风向等分为预设个数的区间。风速数据是监测点在某一时刻采集到的风速。
在一个实施例中，可选的，监测点根据预设采集时间，采集实时监测到的溯源数据。其中，预设采集时间可以是任意时刻。示例性的，预设采集时间可以是一天中的8:00、9:00和20:00等时刻点，当然也可以是每分钟。在一个实施例中，可选的，溯源数据中不同特征参数数据的预设采集时间可以相同，也可以不同。其中，可以根据各特征参数的实际情况设置不同的预设采集时间。示例性的，可以每分钟采集一次空气污染物数据，每30分钟采集一次风速数据。此处对溯源数据中各特征参数数据的预设采集时间不作限定。进一步地，在一个实施例中，可选的，监测点根据溯源数据的采集时间，对溯源数据进行存储。其中，采集时间包括年、月、日、时、分和秒等时间信息，以便对溯源数据采集的时间精确记录。
在一个实施例中，可选的，通过无线或有线的传输方式，实时或定时获取监测点采集的溯源数据。其中，实时获取监测点采集的溯源数据可以是根据监测点的预设采集时间，获取监测点采集的溯源数据。其中，预设采集时间可以是任意时刻，即实时接收或提取监测点采集到的溯源数据，并存储溯源数据以便后续对溯源数据进行处理。定时获取监测点采集的溯源数据可以是根据预设时间，获取监测点存储的与预设时间对应的溯源数据。其中，预设时间可以是某月、某天、几天和一天中的某段时间，当然，也可以是某个时刻，此处对预设时间不作限定。
在一个实施例中，可选的，在获取监测点采集的溯源数据之前，实时监测监测点的空气污染物数据是否超出阈值，如果是，获取监测点采集到的预设时间段内的溯源数据。示例性的，预设时间段可以是空气污染物数据超出阈值前的预设时间段，也可以是空气污染物数据超出阈值后的预设时间段，当然还可以是空气污染物数据超出阈值前后的预设时间段。举例而言，监测点空气污染物数据在9月7号0点超出阈值，则可以获取9月5号和6号的溯源数据，或采取执法措施的同时，获取9月7号和8号的溯源数据，以便对执法提供数据支持，当然也可以获取9月6号和7号的溯源数据。此处对预设时间段的时间起始点和时间范围不作限定。
举例而言，图2是本发明实施例一提供的一种空气污染物的溯源方法的***流程图。在网格化空气质量监管体系中，实时监测监测点的监测数据是否正常。如果正常则结束，如果不正常，则说明监测数据超标，即超过监测数据阈值，此时启动分析溯源功能，执行本实施例中的空气污染物的溯源方法，得到溯源信息，再根据溯源信息中提示的污染来源位置，将执法任务分配给最近的网格员或者环保局工作人员进行处理，处理完成后平台监测数据正常，完成闭环流程。
进一步地，在一个实施例中，可选的，在获取监测点采集到的溯源数据之后，根据预设时间序列，对溯源数据进行数据融合。其中，预设时间序列是指一段时间范围，如7:00-8:00、8号-10号和1月-2月等等。数据融合包括统计预设时间序列对应的时间范围内溯源数据的平均值、最大值、最小值和中位数中的一种或几种。例如，预设时间序列为某天上午8:00-9:00，监测点每分钟采集一次空气污染物数据，每30分钟采集一次风速数据，则可以分别统计与该时间序列对应的1小时内空气污染物数据的平均值和风速数据的平均值，将其作为该预设时间序列对应下的数据融合后的空气污染物数据和风速数据。这样设置的好处在于，由于溯源数据中不同的特征参数数据的采集时间可能不同，通过数据融合可以对溯源数据的时间序列进行统一，以便在同一时间序列的标准下，对溯源数据中的各特征参数数据进行处理。
S120、根据溯源数据，确定空气污染物在预设风向区间上的概率分布图。
其中，溯源数据包括数据融合后的风向数据和空气污染物数据。风向区间是指以监测点为中心，将风向等分为预设个数的区间。其中，风向是指风从外面吹向监测点的方向。其中，示例性的，预设个数可以为2个、8个和16个。在一个实施例中，可选的，预设风向区间包括至少一个风向区间。
其中，概率分布图是指根据空气污染物在各风向区间上出现的概率值绘制的统计图。其中，统计图包括但不限于扇形图、柱状图、折线图和网状图。在一个实施例中，可选的，根据扇形图绘制概率分布图。具体的，可将各风向区间用等分的扇形图表示，组成一个完成的圆形，并在各扇形图上绘制对应的概率值。举例而言，如果将风向划分为16个风向区间，则在扇形图中各风向区间对对应的扇形角度为22.5°，分别用E、W、S和N代表东、西、南和北。如果以北为起点，则22.5°对应的风向区间为NNE(北北东)，45°对应的风向区间为NE(东北)，以此类推。图中绘制直线坐标表示空气污染物在各风向区间中出现的概率值。图3是本发明实施例一提供的一种概率分布图的示意图。数据来源于在2015年05月监测周期内，保定市国控点游泳馆的PM2.5的监测数据。
在一个实施例中，可选的，根据空气污染物数据，确定空气污染物的浓度阈值。根据浓度阈值，确定空气污染物数据超过浓度阈值的阈值样本数量。基于风向数据和预设风向区间，将阈值样本数量除以空气污染物数据的总样本数量，确定空气污染物的概率值，并生成概率分布图。
其中，浓度阈值可以是固定的浓度阈值，也可以是根据空气污染物数据确定的浓度阈值。示例性的，将空气污染物数据中的预设百分位上的数值作为浓度阈值，其中，预设百分位可以是25th，80th或90th。
在一个实施例中，可选的，基于风向数据和预设风向区间，对空气污染物数据进行分类，确定预设风向区间内的空气污染物数据的阈值样本数量和总样本数量。其中，不同风向区间的空气污染物的浓度阈值可以相同，也可以不同。
在一个实施例中，可选的，基于风向数据中预设风向区间对应的时间序列，对空气污染物数据进行分类，生成风向空气污染物数据，将风向空气污染物数据的阈值样本数量和总样本数量作为预设风向区间内的阈值样本数量和总样本数量。其中，时间序列是指经过数据融合后溯源数据对应的时间段。举例而言，当预设风向区间为北风时，风向数据中北风对应的时间序列分别为8:00-9:00和10:00-11:00，则将与上述时间序列对应的空气污染物数据划分为北风空气污染物数据，确定该北风空气污染物数据的阈值样本数量和总样本数量。当风向数据和空气污染物数据采集时间相同时，在一个实施例中，可选的，根据风向数据中预设风向区间对应的采集时间，对空气污染物数据进行分类，生成风向空气污染物数据，将风向空气污染物数据的阈值样本数量和总样本数量作为预设风向区间内的阈值样本数量和总样本数量。其中，采集时间是指监测点采集溯源数据时对应的时刻。风向数据举例而言，当预设风向区间为北风时，风向数据中北风对应的采集时间分别为1:00、2:01、2:45和3:05，则将上述采集时间对应的空气污染物数据划分为北风空气污染物数据，确定该北风空气污染物数据的阈值样本数量和总样本数量。
在一个实施例中，可选的，根据方向概率函数计算空气污染物的概率值。具体的，根据浓度阈值确定预设风向区间上的空气污染物数据的阈值样本量mΔθ，计算预设风向区间上的空气污染物数据的总样本数量nΔθ，根据方向概率函数(conditional probabilityfunction,CPF)计算公式CPF＝mΔθ/nΔθ得到空气污染物在预设风向区间上的概率值。重复上述方法步骤，得到空气污染物在各预设风向区间上的概率值，生成概率分布图。
S130、根据风向数据和风速数据，确定与预设风向区间对应的风向风速玫瑰图。
风向风速玫瑰图是在预设时间段内，根据预设风向区间上的风向数据和风速数据，将其按照一定的比例绘制得到的图像，多用8个或16个罗盘方位表示。风向风速玫瑰图包括风向、风速、风向频率和风速频率。其中，在各风向区间上根据统计数值画出的线段或形状表示风向频率，其中线段的长度越长或该形状的边长越长，表示风向频率越高。风向风速玫瑰图中的直线坐标表示风向频率值。在风向频率对应的线段或形状上，按照风速频率绘制出不同颜色或灰度的分线段或分形状。风向风速玫瑰图中标注有不同颜色或灰度对应的风速范围，标注的位置不作限定。图4是本发明实施例一提供的一种风向风速玫瑰图的示意图。数据来源于在2015年05月监测周期内，保定市国控点游泳馆的PM2.5的监测数据。风向风速玫瑰图中各风向区间内的三角形的区间长度表示该风向出现的次数占总观察次数的风向概率值，即风向频率。各三角形内的不同灰度表示该风向出现时的风速，同一三角形中不同灰度的面积表示不同风速出现的次数占总风向次数的概率，即风速频率。
S140、基于概率分布图和风向风速玫瑰图，确定空气污染物的溯源信息。
在一个实施例中，可选的，概率分布图的风向区间和风向风速玫瑰图的风向区间的个数可以相同，也可以不同。溯源信息包括空气污染物的来源方向、扩散速度、扩散范围和来源位置中至少一项。
在一个实施例中，可选的，根据概率分布图确定不同风向区间空气污染物出现的概率值，根据风向风速玫瑰图确定不同风向区间风向频率和风速频率，根据不同风向区间的概率值、风向频率和风速频率，确定空气污染物的溯源信息。具体的，根据不同风向区间的风向频率和空气污染物概率值的对应关系，确定空气污染物的来源方向和扩散方向。根据风速频率和空气污染物的概率值的对应关系，确定空气污染物的扩散速度。根据扩散方向和扩散速度确定扩散范围和来源位置。
在一个实施例中，可选的，将概率分布图用扇形图表示，统一概率分布图和风向风速玫瑰图中的直线坐标系的绘制比例和风向设置，将二者进行叠加，得到风向风速叠加玫瑰图。其中，统一风向设置是指概率分布图和风向风速玫瑰图的风向区间的起始点相同，如都以北(N)为划分起点。概率分布图和风向风速玫瑰图的风向区间的预设个数可以相同，也可以不同。将概率分布图和风向风速玫瑰图进行叠加的好处在于，以便综合且直观从风向风速叠加玫瑰图中确定空气污染物的溯源信息。
本实施例的技术方案，通过将空气污染物的概率分布图与风向风速玫瑰图相结合，解决了数据量需求大和预测不准确的问题，提高了空气污染物溯源结果的准确度和精确度，为执法人员治理空气环境提供精准数据支持，进而提高执法效率。
实施例二
图5是本发明实施例二提供的一种空气污染物的溯源方法的流程图，本实施例的技术方案是上述实施例的基础上的进一步细化。可选的，在确定所述空气污染物的浓度阈值之前，或在确定所述空气污染物数据超过所述浓度阈值的阈值样本数量之前，还包括：根据所述风速数据，对所述空气污染物数据进行筛选。
本发明实施例的具体步骤包括：
S210、获取监测点采集到的溯源数据，其中，溯源数据包括空气污染物数据、风向数据和风速数据。
S220、根据风速数据，对空气污染物数据进行筛选。
在一个实施例中，可选的，在对空气污染物数据进行筛选之前，根据预设时间序列，对溯源数据进行数据融合。在一个实施例中，可选的，在同一时间序列下，将与预设风速数据对应的空气污染物数据作为筛选后的空气污染物数据。其中，预设风速数据可以是任一风速范围或固定风速，如预设风速为小于1m/s、大于5m/s或等于4m/s。在一个实施例中，可选的，将大于等于1m/s风速数据对应的空气污染物数据作为筛选后的空气污染物数据。当风速小于1m/s时，可认为处于静风的状态，空气污染物不会受到周围污染源扩散的影响。举例而言，如果风速数据大于等于1m/s，确定该风速数据对应的时间序列，如8:00-9:00，则保留与该时间序列对应的空气污染物数据。如果风速数据小于1m/s，确定该风速数据对应的时间序列，如10:00-11:00，则删除与该时间序列对应的空气污染物数据。重复上述步骤，将保留的空气污染物数据作为筛选后的空气污染物数据。
后续步骤中涉及到的空气污染物数据，均指筛选后的空气污染物数据。
S230、根据空气污染物数据，确定空气污染物的浓度阈值。
S240、根据浓度阈值和溯源数据，确定空气污染物在预设风向区间上的概率分布图。
S250、根据风向数据和风速数据，确定与预设风向区间对应的风向风速玫瑰图。
S260、基于概率分布图和风向风速玫瑰图，确定空气污染物的溯源信息。
在一个实施例中，可选的，将概率分布图用扇形图表示，统一概率分布图和风向风速玫瑰图中的直线坐标系的绘制比例和风向设置，将二者进行叠加，得到风向风速叠加玫瑰图。其中，统一风向设置是指概率分布图和风向风速玫瑰图的风向区间的起始点相同，如都以北(N)为划分起点。概率分布图和风向风速玫瑰图的风向区间的预设个数可以相同，也可以不同。
举例而言，图6是本发明实施例二提供的一种风向风速叠加玫瑰图。图6以概率分布图和风向风速玫瑰图的风向区间的预设个数相同为例，将图3和图4叠加后得到的叠加图像。由于数据来源于在2015年05月监测周期内，保定市国控点游泳馆的PM2.5的监测数据，因此根据风向风速叠加玫瑰图确定的空气污染物的溯源信息，并结合实际情况分析可以得到，保定市国控点游泳馆的PM2.5来源方向既受区域传输的影响，在其周边也存在释放源。在东北方向(NE)和西南方向(SW)存在区域传输的影响，其中，西南方向(SW)可能与石家庄颗粒物传输有关，这与目前官方公布的北京颗粒物传输通道相符合。而该监测点的南-西南方向(SSW)、南(S)和东-东南方向(ESE)存在明显的本地释放，这些污染释放源可能来自分布在保定南市区及新市区南部、西南部、东南部的污染企业。
可以理解的是，S220还可以在S230之后被执行，这样设置的好处在于，在确定浓度阈值后再根据风向数据对空气污染物数据进行筛选，可以保证浓度阈值确定时空气污染物数据的完整性，并且确定的浓度阈值更能反应原始空气污染物数据的真实情况。
本实施例的技术方案，通过根据风向数据对空气污染物数据进行筛选，使得能够根据实际需求选择对应的数据进行分析，有效的降低了计算量，提高了空气污染物溯源结果的准确度和精确度，为执法人员治理空气环境提供精准数据支持。
实施例三
图7是本发明实施例三提供的一种空气污染物的溯源装置的示意图。本实施例可适用于网格化空气质量监测的情况，该装置可采用软件和/或硬件的方式实现，该装置可以配置于终端智能设备中，如计算机，ipad和手机。该装置包括：溯源数据获取模块310、概率分布图确定模块320、风向风速玫瑰图确定模块330和溯源信息确定模块340。
其中，溯源数据获取模块310，用于获取监测点采集到的溯源数据，其中，溯源数据包括空气污染物数据、风向数据和风速数据。
概率分布图确定模块320，用于根据溯源数据，确定空气污染物在预设风向区间上的概率分布图。
风向风速玫瑰图确定模块330，用于根据风向数据和风速数据，确定与预设风向区间对应的风向风速玫瑰图。
溯源信息确定模块340，用于基于概率分布图和风向风速玫瑰图，确定空气污染物的溯源信息。
本实施例的技术方案，通过将空气污染物的概率分布图与风向风速玫瑰图相结合，解决了数据量需求大和预测不准确的问题，提高了空气污染物溯源结果的准确度和精确度，为执法人员治理空气环境提供精准数据支持，进而提高执法效率。
在上述技术方案的基础上，可选的，该装置还包括：
数据融合模块，用于根据预设时间序列，对溯源数据进行数据融合。
可选的，概率分布图确定模块320包括：
浓度阈值确定单元，用于根据空气污染物数据，确定空气污染物的浓度阈值；
阈值样本数量确定单元，用于根据浓度阈值，确定空气污染物数据超过浓度阈值的阈值样本数量；
概率分布图生成单元，用于基于风向数据和预设风向区间，将阈值样本数量除以空气污染物数据的总样本数量，确定空气污染物的概率值，并生成概率分布图。
可选的，该装置还包括：
数据筛选模块，用于根据风速数据，对空气污染物数据进行筛选。
可选的，该装置还包括：
阈值实时监测模块，用于实时监测监测点的空气污染物数据是否超出阈值，如果是，获取监测点采集到的预设时间段内的溯源数据。
可选的，预设风向区间包括至少一个风向区间。
可选的，溯源信息包括空气污染物的来源方向、扩散速度、扩散范围和来源位置中至少一项。
本发明实施例所提供的空气污染物的溯源装置可以用于执行本发明实施例所提供的空气污染物的溯源方法，具备执行方法相应的功能和有益效果。
值得注意的是，上述空气污染物的溯源装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例四
图8是本发明实施例四提供的一种设备的结构示意图，本发明实施例四为本发明上述实施例的空气污染物的溯源方法的实现提供服务，可配置本发明实施例三中的空气污染物的溯源装置。图8示出了适于用来实现本发明实施方式的示例性设备12的框图。图8显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，***存储器28，连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图8所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的空气污染物的溯源方法。
通过上述设备，将空气污染物的概率分布图与风向风速玫瑰图相结合，解决了数据量需求大和预测不准确的问题，提高了空气污染物溯源结果的准确度和精确度，为执法人员治理空气环境提供精准数据支持，进而提高执法效率。
实施例五
本发明实施例五还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种空气污染物的溯源方法，该方法包括：
获取监测点采集到的溯源数据，其中，溯源数据包括空气污染物数据、风向数据和风速数据；
根据溯源数据，确定空气污染物在预设风向区间上的概率分布图；
根据风向数据和风速数据，确定与预设风向区间对应的风向风速玫瑰图；
基于概率分布图和风向风速玫瑰图，确定空气污染物的溯源信息。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的空气污染物的溯源方法中的相关操作。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种空气污染物的溯源方法，其特征在于，包括：
获取监测点采集到的溯源数据，其中，所述溯源数据包括空气污染物数据、风向数据和风速数据；
根据所述溯源数据，确定所述空气污染物在预设风向区间上的概率分布图；
根据所述风向数据和风速数据，确定与所述预设风向区间对应的风向风速玫瑰图；
基于所述概率分布图和所述风向风速玫瑰图，确定所述空气污染物的溯源信息。
2.根据权利要求1所述的方法，其特征在于，在获取监测点采集到的溯源数据之后，还包括：
根据预设时间序列，对所述溯源数据进行数据融合。
3.根据权利要求2所述的方法，其特征在于，所述根据所述溯源数据，确定所述空气污染物在预设风向区间上的概率分布图，包括：
根据所述空气污染物数据，确定所述空气污染物的浓度阈值；
根据所述浓度阈值，确定所述空气污染物数据超过所述浓度阈值的阈值样本数量；
基于所述预设风向区间，将所述阈值样本数量除以所述空气污染物数据的总样本数量，确定所述空气污染物的概率值，并生成概率分布图。
4.根据权利要求3所述的方法，其特征在于，在确定所述空气污染物的浓度阈值之前，或在确定所述空气污染物数据超过所述浓度阈值的阈值样本数量之前，还包括：
根据所述风速数据，对所述空气污染物数据进行筛选。
5.根据权利要求1所述的方法，其特征在于，在获取监测点采集到的溯源数据之前，包括：
实时监测监测点的空气污染物数据是否超出阈值，如果是，获取监测点采集到的预设时间段内的溯源数据。
6.根据权利要求1所述的方法，其特征在于，所述预设风向区间包括至少一个风向区间。
7.根据权利要求1所述的方法，其特征在于，所述溯源信息包括空气污染物的来源方向、扩散速度、扩散范围和来源位置中至少一项。
8.一种空气污染物的溯源装置，其特征在于，包括：
溯源数据获取模块，用于获取监测点采集到的溯源数据，其中，所述溯源数据包括空气污染物数据、风向数据和风速数据；
概率分布图确定模块，用于根据所述溯源数据，确定所述空气污染物在预设风向区间上的概率分布图；
风向风速玫瑰图确定模块，用于根据所述风向数据和风速数据，确定与所述预设风向区间对应的风向风速玫瑰图；
溯源信息确定模块，用于基于所述概率分布图和所述风向风速玫瑰图，确定所述空气污染物的溯源信息。
9.一种设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的空气污染物的溯源方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的空气污染物的溯源方法。
CN201910999693.2A 2019-10-21 2019-10-21 一种空气污染物的溯源方法、装置、设备和存储介质 Pending CN110687255A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910999693.2A CN110687255A (zh) 2019-10-21 2019-10-21 一种空气污染物的溯源方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910999693.2A CN110687255A (zh) 2019-10-21 2019-10-21 一种空气污染物的溯源方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN110687255A true CN110687255A (zh) 2020-01-14

Family

ID=69113714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910999693.2A Pending CN110687255A (zh) 2019-10-21 2019-10-21 一种空气污染物的溯源方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN110687255A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN112051362A (zh) * 2020-09-01 2020-12-08 杭州壹丈科技有限公司 风玫瑰预判污染物变化模型
CN112084231A (zh) * 2020-08-03 2020-12-15 武汉区域气候中心 一种大气温室气体在线观测数据的本底筛分方法
CN112131739A (zh) * 2020-09-22 2020-12-25 南京创蓝科技有限公司 一种乡镇级别大气污染溯源的预报方法
CN112632862A (zh) * 2020-11-09 2021-04-09 北京辰安科技股份有限公司 风场稳定性的确定方法、装置、电子设备及存储介质
CN113514612A (zh) * 2021-06-30 2021-10-19 杭州谱育科技发展有限公司 区域内污染的溯源方法
CN113759441A (zh) * 2021-09-08 2021-12-07 长春嘉诚信息技术股份有限公司 基于风玫瑰图及污染源监测的空气质量溯源方法
CN113793028A (zh) * 2021-09-14 2021-12-14 济南东之林智能软件有限公司 污染源关联信息的确定方法、装置及终端设备
CN114280226A (zh) * 2020-09-18 2022-04-05 英业达科技有限公司 配合气象环境的空气污染分析与防治决策***及其方法
CN116739189A (zh) * 2023-08-14 2023-09-12 中科三清科技有限公司 传输溯源方法、装置、存储介质及电子设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102116734A (zh) * 2009-12-30 2011-07-06 财团法人工业技术研究院 污染物来源预测方法及***
CN102565879A (zh) * 2011-08-04 2012-07-11 南京信息工程大学 一种风资料的处理方法
CN104849415A (zh) * 2015-06-11 2015-08-19 刘国宝 基于北斗定位的空气污染监控***
US9599597B1 (en) * 2012-12-22 2017-03-21 Picarro, Inc. Systems and methods for likelihood-based detection of gas leaks using mobile survey equipment
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
CN107358006A (zh) * 2017-07-25 2017-11-17 华北电力大学（保定） 一种基于主成分分析的Lorenz扰动风速预测方法
CN107589220A (zh) * 2017-09-08 2018-01-16 交通运输部天津水运工程科学研究所 一种适用于狭长航道的船舶尾气监测站选址方法
CN107656298A (zh) * 2017-09-15 2018-02-02 深圳市卡普瑞环境科技有限公司 一种获取方位信息的方法及相关设备
CN107941994A (zh) * 2017-11-09 2018-04-20 北京伟瑞迪科技有限公司 一种面向工业园区污染物溯源分析方法
CN108416521A (zh) * 2018-03-06 2018-08-17 深圳市卡普瑞环境科技有限公司 一种信息来源确定的方法以及信息来源确定装置
CN109375285A (zh) * 2018-08-20 2019-02-22 泛测（北京）环境科技有限公司 一种应用于污染分析的玫瑰图制作方法
CN109991683A (zh) * 2019-04-12 2019-07-09 中国气象局沈阳大气环境研究所 风频数据处理方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102116734A (zh) * 2009-12-30 2011-07-06 财团法人工业技术研究院 污染物来源预测方法及***
CN102565879A (zh) * 2011-08-04 2012-07-11 南京信息工程大学 一种风资料的处理方法
US9599597B1 (en) * 2012-12-22 2017-03-21 Picarro, Inc. Systems and methods for likelihood-based detection of gas leaks using mobile survey equipment
CN104849415A (zh) * 2015-06-11 2015-08-19 刘国宝 基于北斗定位的空气污染监控***
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
CN107358006A (zh) * 2017-07-25 2017-11-17 华北电力大学（保定） 一种基于主成分分析的Lorenz扰动风速预测方法
CN107589220A (zh) * 2017-09-08 2018-01-16 交通运输部天津水运工程科学研究所 一种适用于狭长航道的船舶尾气监测站选址方法
CN107656298A (zh) * 2017-09-15 2018-02-02 深圳市卡普瑞环境科技有限公司 一种获取方位信息的方法及相关设备
CN107941994A (zh) * 2017-11-09 2018-04-20 北京伟瑞迪科技有限公司 一种面向工业园区污染物溯源分析方法
CN108416521A (zh) * 2018-03-06 2018-08-17 深圳市卡普瑞环境科技有限公司 一种信息来源确定的方法以及信息来源确定装置
CN109375285A (zh) * 2018-08-20 2019-02-22 泛测（北京）环境科技有限公司 一种应用于污染分析的玫瑰图制作方法
CN109991683A (zh) * 2019-04-12 2019-07-09 中国气象局沈阳大气环境研究所 风频数据处理方法及装置

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN112084231A (zh) * 2020-08-03 2020-12-15 武汉区域气候中心 一种大气温室气体在线观测数据的本底筛分方法
CN112051362B (zh) * 2020-09-01 2022-06-24 杭州壹丈科技有限公司 风玫瑰预判污染物变化模型
CN112051362A (zh) * 2020-09-01 2020-12-08 杭州壹丈科技有限公司 风玫瑰预判污染物变化模型
CN114280226A (zh) * 2020-09-18 2022-04-05 英业达科技有限公司 配合气象环境的空气污染分析与防治决策***及其方法
CN112131739A (zh) * 2020-09-22 2020-12-25 南京创蓝科技有限公司 一种乡镇级别大气污染溯源的预报方法
CN112632862A (zh) * 2020-11-09 2021-04-09 北京辰安科技股份有限公司 风场稳定性的确定方法、装置、电子设备及存储介质
CN112632862B (zh) * 2020-11-09 2023-11-14 北京辰安科技股份有限公司 风场稳定性的确定方法、装置、电子设备及存储介质
CN113514612A (zh) * 2021-06-30 2021-10-19 杭州谱育科技发展有限公司 区域内污染的溯源方法
CN113514612B (zh) * 2021-06-30 2024-05-10 杭州谱育科技发展有限公司 区域内污染的溯源方法
CN113759441A (zh) * 2021-09-08 2021-12-07 长春嘉诚信息技术股份有限公司 基于风玫瑰图及污染源监测的空气质量溯源方法
CN113759441B (zh) * 2021-09-08 2022-04-22 长春嘉诚信息技术股份有限公司 基于风玫瑰图及污染源监测的空气质量溯源方法
CN113793028A (zh) * 2021-09-14 2021-12-14 济南东之林智能软件有限公司 污染源关联信息的确定方法、装置及终端设备
CN113793028B (zh) * 2021-09-14 2024-04-26 济南东之林智能软件有限公司 污染源关联信息的确定方法、装置及终端设备
CN116739189A (zh) * 2023-08-14 2023-09-12 中科三清科技有限公司 传输溯源方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN110687255A (zh) 一种空气污染物的溯源方法、装置、设备和存储介质
Shi et al. Investigating the influence of urban land use and landscape pattern on PM2. 5 spatial variation using mobile monitoring and WUDAPT
CN112880751B (zh) 基于走航监测的空气污染状况获取方法
CN110085281A (zh) 一种基于特征污染因子源解析的环境污染溯源***及方法
CN106529410A (zh) 一种基于监控视频的灰霾扩散路径绘制与来源确定方法
CN110426493B (zh) 空气质量监测数据校准方法、装置、设备和存储介质
CN114329245A (zh) 一种空气污染的溯源方法、装置、服务器及存储介质
Gama et al. Seasonal patterns of Saharan dust over Cape Verde–a combined approach using observations and modelling
Droste et al. Assessing the potential and application of crowdsourced urban wind data
CN110738354B (zh) 预测颗粒物浓度的方法、装置、存储介质及电子设备
Maroko Using air dispersion modeling and proximity analysis to assess chronic exposure to fine particulate matter and environmental justice in New York City
CN114155129A (zh) 一种基于工业园区的大气环境溯评方法和***
CN113125635A (zh) 一种大气污染预警方法、装置及可读存储介质
CN113655175A (zh) 一种网格化空气监测方法、***、计算机设备及存储介质
CN110807725A (zh) 一种大气污染溯源方法、装置、计算设备和介质
CN112991132A (zh) Pm2.5和臭氧协同管控区域识别方法及装置
CN114357058A (zh) 一种臭氧污染溯源方法
CN112487115A (zh) 污染源的确定方法、装置、设备及存储介质
Dong et al. Analysis of the co-existence of long-range transport biomass burning and dust in the subtropical West Pacific Region
CN116381160A (zh) 基于监测数据的大气污染综合溯源方法及终端
CN117092297A (zh) 一种工业园区大气污染物的溯源方法、***、设备及介质
Horita et al. Determining flooded areas using crowd sensing data and weather radar precipitation: a case study in Brazil
Shin et al. Predictability of PM2. 5 in Seoul based on atmospheric blocking forecasts using the NCEP global forecast system
CN115100819A (zh) 基于大数据分析的滑坡灾害预警方法、装置及电子设备
CN106454241A (zh) 一种基于监控视频与社交网络数据的灰霾扩散路径绘制与来源确定方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200114