CN110889199B - 一种港口大气颗粒物浓度在线检测器的布局优化方法 - Google Patents

一种港口大气颗粒物浓度在线检测器的布局优化方法 Download PDF

Info

Publication number
CN110889199B
CN110889199B CN201911063520.6A CN201911063520A CN110889199B CN 110889199 B CN110889199 B CN 110889199B CN 201911063520 A CN201911063520 A CN 201911063520A CN 110889199 B CN110889199 B CN 110889199B
Authority
CN
China
Prior art keywords
grid
concentration
port
particulate matter
grids
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
CN201911063520.6A
Other languages
English (en)
Other versions
CN110889199A (zh
Inventor
封学军
庄凯
刁昶皓
周云鹏
张艳
沈金星
林桐
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201911063520.6A priority Critical patent/CN110889199B/zh
Publication of CN110889199A publication Critical patent/CN110889199A/zh
Application granted granted Critical
Publication of CN110889199B publication Critical patent/CN110889199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • 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"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Dispersion Chemistry (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Immunology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种港口大气颗粒物浓度在线检测器的布局优化方法，可以用于在线实时连续检测港口大气环境中PM2.5、PM10以及TSP的浓度。步骤如下：港口平面网格划分；港口网格垂直空间大气颗粒物浓度检测；港口空间颗粒物污染最严重的劣曲面构建；港口网格的空间聚合优化；在确定的每个聚合网格集合中，选择其中一个网格的劣曲面作为布置在线检测器的最优布局方案。本发明根据相邻网格空间颗粒物浓度之间的相关性，对港口的网格进行聚合优化，并在颗粒物污染最严重的劣曲面，综合考虑不同网格的空间关系，确定在线检测器的最优布设位置。可以可以在减少布点的同时，保证了检测结果的有效性，提高港口污染监测的投入产出效益。

Description

一种港口大气颗粒物浓度在线检测器的布局优化方法
技术领域
本发明涉及一种港口大气颗粒物浓度在线检测器的布局优化方法，主要考虑港口中的陆域范围，不考虑水域范围内的大气颗粒物浓度检测，属于交通环境污染与防治领域。
背景技术
对在线检测器的合理布设是对大气污染进行有效检测的基础，是正确反映港口大气环境状况的前提，是提升港口大气环境检测结果可靠性的重要途径。由于颗粒物来源的复杂性、港口功能区位布置的多样性、作业机械及作业工艺的特殊性等影响因素，使得港口空间内大气污染情况复杂且多变。对于在线检测器的布设来说，当点位选择不恰当时，检测数据无法充分体现港口实际的大气污染情况，甚至会影响港口粉尘污染治理方案的选择。
经过发明人长期研究发现，利用无人机检测港口三维空间内的颗粒物浓度数据，可以得到能反映港口大气环境真实污染状况的在线检测器布置点位，有效检测到港区空间内整体的污染状况，避免以往地面检测的不全面性，提高港口在线检测设备的投入产出效益。
发明内容
本发明的目的是提供一种港口环境颗粒物浓度在线检测器的布局优化方法，使检测结果能充分体现港口实际大气污染情况的在线实时连续检测港口大气环境中PM2.5、PM10以及TSP的浓度。
为解决上述技术问题，本发明采用的技术方案是：
一种港口大气颗粒物浓度在线检测器的布局优化方法，其特征在于，步骤如下：
1)港口平面网格划分：根据港口总平面布局图，对港口平面进行网格划分；
2)港口网格垂直空间大气颗粒物浓度检测：利用颗粒物浓度检测器，对每个网格中心位置由地面至垂直上方H米高度空间内的L个不同高度位置的颗粒物浓度进行检测，得到网格上方垂直空间内L个颗粒物浓度数据，L≥2；
3)港口空间颗粒物污染最严重的劣曲面构建：确定每一个网格中颗粒物污染最严重的高度，将所有网格颗粒物污染严重度最大的平面衔接起来，形成港口空间中颗粒物污染最严重的劣曲面；
4)港口网格的空间聚合优化：根据港口不同网格垂直空间内检测的颗粒物浓度数据进行关联度分析，确定聚合的网格集合；
5)确定在线检测器的最优布局方案：在确定的每个聚合网格集合中，选择其中一个网格的劣曲面作为布置在线检测器的最优布局方案。
所述步骤5)中确定在线检测器最优布局方案的方法为：
51)在港口空间颗粒物浓度最高的劣曲面上，确定每个聚合网格集合的中心点的坐标(Xc(On),Yc(On))，式中On为第n个聚合网格集合，n＝1,2,…,N，N为聚合网格集合总数；
52)分别计算每个聚合网格集合On中所有个网格与聚合网格集合On中心点坐标(Xc(On),Yc(On))的距离
Figure GDA0003795687230000021
为：
Figure GDA0003795687230000022
式中，an＝1,2,…,An；An为第n个聚合网格集合On包含的网格数；
53)确定每个聚合网格集合On中所有An个网格与网格集合On中心点坐标(Xc(On),Yc(On))的距离的最大值
Figure GDA0003795687230000023
为：
Figure GDA0003795687230000024
54)确定每个聚合网格集合On中每一个网格an上方垂直空间中劣曲面上颗粒物污染严重度修正值
Figure GDA0003795687230000025
55)将聚合网格集合中所有网格中颗粒物污染严重度修正值最大的网格作为在线检测器的布置点位。
L＝H/b，其中b为高度间隔。
采用无人机进行步骤2)的港口网格垂直空间大气颗粒物浓度检测。
无人机检测时，根据港口历史气象信息，综合考虑风速、温度和湿度指标，确定无人机的最佳检测日期。
所述无人机的最佳检测日期的确定方法如下：
21)获取港口的历史气象数据，计算当地过去K年中每周的平均风速、平均温度和平均湿度数据；
22)根据每周的平均风速、温度和湿度数据，构建每周的平均风速集合、平均温度集合和平均湿度集合；
23)测算每周的风速指数fs(i)、温度指数ft(i)和湿度指数fh(i)，
Figure GDA0003795687230000031
其中，MinS(i)为每周的平均风速集合中风速最小的值，MaxS(i)为每周的平均风速集合中风速最大的值，MinT(i)为每周的平均温度集合中温度最小的值，MaxT(i)为每周的平均温度集合中温度最大的值，MinH(i)为每周的平均湿度集合中湿度最小的值，MaxS(i)为每周的平均湿度集合中湿度最大的值；
24)根据风速指数、温度指数和湿度指数，确定Bt(i)对应的第i周无人机的最佳检测周，
Figure GDA0003795687230000032
其中，Bt(i)为综合考虑风速、温度和湿度后的最佳检测气象条件，MaxV(i)为全年52周综合考虑风速指数、温度指数和湿度指数的最大值，λ1,λ2,λ3为权重系数，且λ1+λ2+λ3＝1；
25)在最佳检测周中选择一天作为无人机检测日期。
步骤1)中所述港口平面网格划分的方法如下：
11)获取港区的总平面布局图，确定总平面的边界点的经纬度坐标；
12)在港区总平面布局图中，以纬度最低点设置X轴，以经度最低点设置Y轴，结合港区总平面尺寸数据建立港区总平面布局图的平面直角坐标系；
13)在构建的平面直角坐标系中，分别在横坐标和纵坐标上以宽度w为间隔将港口划分为M个网格，并对港区总平面内所有的网格从最接近X轴零点的位置为编号为1，其他依次以顺时针螺旋法则进行编号，直到所有网格都有专门的编号m，m＝1,2,…,M；其中顺时针螺旋法则指，从编号1的网格开始沿Y轴方向对相邻网格进行编号直到可以编号的网格边界后，以顺时针方向转换为X轴方向对相邻网格进行编号直到可以编号的网格边界后，以顺时针方向转换为Y轴方向进行同样的编号直到遍历所有的网格均编号完成；
14)确定每个网格的中心点在直角坐标系中的位置，记为(Xc(m),Yc(m))。
所述步骤2)中港口网格垂直空间大气颗粒物浓度检测的方法为：
21)利用搭载颗粒物浓度检测器的无人机，对每个网格中心位置由地面至垂直上方H米高度空间内每隔b米位置检测的PM2.5的浓度为PM2.5(m,l,d)，PM10的浓度为PM10(m,l,d)，TSP的浓度为TSP(m,l,d)。其中，l为由地面至垂直上方H米高度空间内的检测位置编号，本发明中H米高度范围内每次检测的高度间隔为b米，因此从地面上方b米位置开始l＝1,2,…,L；d为无人机检测次数的编号，d＝1,2,…,D，D为总检测次数；PM2.5(m,l,d)是指在网格m的中心高度编号为l位置，无人机在第d次飞行检测的动力学当量直径小于等于2.5微米的颗粒物浓度；PM10(m,l,d)是指在网格m的中心高度编号为l位置，无人机在第d次飞行检测的动力学当量直径小于等于10微米的颗粒物浓度；TSP(m,l,d)是指在网格m的中心高度编号为l位置，无人机在第d次飞行检测的动力学当量直径小于等于100微米的颗粒物浓度；
22)根据每个网格垂直空间中利用无人机检测的颗粒物浓度数据，得到不同高度的PM2.5、PM10和TSP的平均浓度；不同高度检测的PM2.5的平均浓度为
Figure GDA0003795687230000041
PM10的平均浓度为
Figure GDA0003795687230000042
TSP的平均浓度为
Figure GDA0003795687230000043
23)确定不同网格空间的颗粒物浓度数据集合，PM2.5的浓度集合为
Figure GDA0003795687230000044
PM10的浓度集合为
Figure GDA0003795687230000045
TSP的浓度集合为
Figure GDA0003795687230000046
所述步骤3)中构建颗粒物浓度最劣曲面的方法为：
31)确定港口不同网格上方空间颗粒物浓度的最大值并构建颗粒物浓度最高的集合Z(m)：
垂直上方空间中PM2.5的浓度最高值
Figure GDA0003795687230000047
PM10的浓度最高值
Figure GDA0003795687230000048
TSP的浓度最高值TSPmax(m)＝MaxTSP(M)；
构建网格m处颗粒物浓度最高的集合
Figure GDA0003795687230000049
32)测算每个网格颗粒物浓度指数：
PM2.5的浓度指数fPM2.5(m,l)，PM10的浓度指数为fPM10(m,l)，TSP的浓度指数为fTSP(m,l)分别为：
Figure GDA0003795687230000051
33)确定每个网格浓度指数的最大值：
PM2.5浓度指数的最大值
Figure GDA0003795687230000052
PM10浓度指数的最大值
Figure GDA0003795687230000053
TSP浓度指数的最大值
Figure GDA0003795687230000054
Figure GDA0003795687230000055
式中，Max[]均表示向量中的最大值；
34)确定每个网格颗粒物浓度指数的最大值：
颗粒物浓度指数的最大值为：
Figure GDA0003795687230000056
35)计算每个网格颗粒物浓度系数与浓度系数最大值之间的关联系数：
PM2.5、PM10以及TSP的浓度系数与浓度系数最大值的关联系数如下：
Figure GDA0003795687230000057
36)根据每个网格的颗粒物浓度数据的关联系数确定不同高度的污染严重度，并得到每个网格的颗粒物污染严重度集合：
颗粒物浓度污染严重度为P(m,l),以及网格m的颗粒物污染严重度集合P(m)分别为：
Figure GDA0003795687230000061
β1,β2,β3为权重系数，且β1+β2+β3＝1；
37)确定每个网格上方垂直空间内污染严重度最大的值：
污染严重度最大的值Pmax(m)＝MaxP(m)；
38)将所有网格颗粒物污染严重度最大的平面衔接起来，形成港口空间中颗粒物污染最严重的劣曲面。
所述步骤4)中港口网格的空间聚合优化方法为：
41)计算相邻网格之间颗粒物浓度的关联度：
PM2.5的关联度CoPM2.5(n,q)，PM10的关联度CoPM10(n,q)以及TSP的关联度CoTSP(n,q)为：
Figure GDA0003795687230000062
式中，q为与网格n相邻的网格；
42)计算相邻网格之间颗粒物浓度的综合关联系数：
颗粒物浓度综合关联系数CT(n,q)：
Figure GDA0003795687230000063
其中，
Figure GDA0003795687230000064
为权重系数，且
Figure GDA0003795687230000065
43)若网格n与相邻网格q中颗粒物浓度综合关联系数CT(n,q)≥ε，则将相邻网格q划入到网格n的聚合子集On；其中ε为预设的关联阈值。
与现有技术相比，本发明的有益效果是：
1)本发明通过将港口平面细分为不同的网格，并利用无人机对港口不同网格垂直空间内颗粒物浓度进行检测，与现有的仅通过固定在地面的在线检测器相比，能更充分地掌握港口颗粒物浓度特征。
2)根据每个网格空间颗粒物浓度的特征，确定港口空间颗粒物污染最严重的劣曲面，而通过固定在地面的在线检测器仅能判断颗粒物污染最严重的局部平面区域，本发明能更准确地判断港口颗粒物污染严重度的变化情况。
3)本发明根据相邻网格空间颗粒物浓度之间的相关性，对港口的网格进行聚合优化，并在颗粒物污染最严重的劣曲面，综合考虑不同网格的空间关系，确定在线检测器的最优布设位置。可以解决现有在线检测器布设缺乏定量判断依据的问题，根据港口颗粒物污染浓度特征有针对性地选择最优的布点位置，可以在减少布点的同时，保证了检测结果的有效性，提高港口污染监测的投入产出效益。
附图说明
图1流程图；
图2港口平面网格划分示意图；
图3网格关联优化调整集合示意图；
图4在线检测器最优布局方案示意图。
具体实施方式
以下结合附图，对本发明做进一步说明：
本发明一种港口大气颗粒物浓度在线检测器的布局优化方法，可以用于在线实时连续检测港口大气环境中PM2.5、PM10以及TSP的浓度，可以在节约建设成本的同时真实地掌握港口大气环境的污染状况。
如图1所示，本发明方法步骤如下：
首先，根据港口总平面布置图，对港口进行网格划分，并以顺时针螺旋法则进行编号；
其次，利用搭载颗粒物浓度检测器的无人机对每个网格垂直空间内的颗粒物浓度进行检测；
进而，根据每个网格空间颗粒物浓度的特征，确定港口空间颗粒物污染最严重的劣曲面；
同时，根据相邻网格空间颗粒物浓度之间的相关性，对港口的网格进行聚合优化；
最后，在颗粒物污染最严重的劣曲面，综合考虑不同网格的空间关系，确定在线检测器的最优布设位置。
A.港口平面网格划分的方法如下：
A1)获取港区的总平面布局图，确定总平面的边界点的经纬度坐标；
A2)如附图2所示，在港区总平面布局图中，以纬度最低点设置X轴，以经度最低点设置Y轴，结合港区总平面尺寸数据建立港区总平面布局图的平面直角坐标系；
A3)在构建的平面直角坐标系中，分别在横坐标和纵坐标上以宽度w为间隔将港口划分为M个网格，并对港区总平面内所有的网格从最接近X轴零点的位置为编号为1，其他依次以顺时针螺旋法则进行编号，直到所有网格都有专门的编号m，m＝1,2,…,M。其中顺时针螺旋法则指，从编号1的网格开始沿Y轴方向对相邻网格进行编号直到可以编号的网格边界后，以顺时针方向转换为X轴方向对相邻网格进行编号直到可以编号的网格边界后，以顺时针方向转换为Y轴方向进行同样的编号直到遍历所有的网格均编号完成。如附图2所示，当没有特殊要求时，根据发明人经验，网格划分的间隔宽度w可以取值为50米；
A4)确定每个网格的中心点处在直角坐标系中的位置，记为(Xc(m),Yc(m))。
B.无人机检测日期确定的方法如下：
B1)获取港口的历史气象数据，计算当地过去K年中每周的平均风速、平均温度和平均湿度数据，以第k(k＝1,2,…,K)年的第i(i＝1,2,…,52)周为例，平均风速为
Figure GDA0003795687230000081
平均温度为
Figure GDA0003795687230000082
平均湿度为
Figure GDA0003795687230000083
其中s(i,j,k)为第k年第i周第j天的平均风速，t(i,j,k)为第k年第i周第j天的平均温度，h(i,j,k)为第k年第i周第j天的平均湿度。根据发明人经验，历史气象数据可以由当地气象管理部门获取，建议历史年K＝3。
B2)根据每周的平均风速、温度和湿度数据，构建每周的平均风速集合
Figure GDA0003795687230000084
平均温度集合
Figure GDA0003795687230000085
和平均湿度集合
Figure GDA0003795687230000091
B3)测算每周的风速指数fs(i)、温度指数ft(i)和湿度指数fh(i)，
Figure GDA0003795687230000092
其中，MinS(i)为每周的平均风速集合中风速最小的值，MaxS(i)为每周的平均风速集合中风速最大的值，MinT(i)为每周的平均温度集合中温度最小的值，MaxT(i)为每周的平均温度集合中温度最大的值，MinH(i)为每周的平均湿度集合中湿度最小的值，MaxS(i)为每周的平均湿度集合中湿度最大的值。
B4)根据风速指数、温度指数和湿度指数，可以确定Bt(i)对应的第i周无人机的最佳检测周，
Figure GDA0003795687230000093
其中，Bt(i)为综合考虑风速、温度和湿度后的最佳检测气象条件，MaxV(i)为全年52周综合考虑风速指数、温度指数和湿度指数的最大值，λ1,λ2,λ3为权重系数，且λ1+λ2+λ3＝1。
当没有特殊要求时，根据发明人经验，可设定λ1＝0.3,λ2＝0.3,λ3＝0.4。
B5)在最佳检测周中选择一天(港口正常作业)作为无人机检测日期。
C.港口网格垂直空间大气颗粒物浓度检测的方法为：
C1)利用搭载颗粒物浓度检测器的无人机，对每个网格中心位置由地面至垂直上方H米高度空间内每隔b米位置检测的PM2.5的浓度为PM2.5(m,l,d)，PM10的浓度为PM10(m,l,d)，TSP的浓度为TSP(m,l,d)。其中，l为由地面至垂直上方H米高度空间内的检测位置编号，本发明中H米高度范围内每次检测的高度间隔为b米，因此从地面上方b米位置开始l＝1,2,…,L；D为无人机检测的总次数，d为无人机检测的编号，d＝1,2,…,D；PM2.5(m,l,d)是指在网格m的中心高度编号为l位置，无人机在第d次飞行检测的动力学当量直径小于等于2.5微米的颗粒物浓度；PM10(m,l,d)是指在网格m的中心高度编号为l位置，无人机在第d次飞行检测的的动力学当量直径小于等于10微米的颗粒物浓度；TSP(m,l)是指在网格m的中心高度编号为l位置，无人机在第d次飞行检测的动力学当量直径小于等于100微米的颗粒物浓度。当没有特色要求时，根据发明人经验，利用无人机在港口地面上方检测的高度H最好设定在H＝120米范围内，无人机检测的高度间隔b米可以设定为b＝5米，因此，L＝H/b＝24,从地面上方5米位置开始l＝1,2,…,24。根据发明人经验，无人机检测的次数D可以设定3，可以记d＝1,2,3。
C2)根据每个网格垂直空间中利用无人机检测的颗粒物浓度数据，可得到不同高度的PM2.5、PM10和TSP的平均浓度。以网格m为例，不同高度检测的PM2.5的平均浓度为
Figure GDA0003795687230000101
PM10的平均浓度为
Figure GDA0003795687230000102
TSP的平均浓度为
Figure GDA0003795687230000103
C3)确定不同网格空间的颗粒物浓度数据集合，以网格m为例，PM2.5的浓度集合为
Figure GDA0003795687230000104
PM10的浓度集合为
Figure GDA0003795687230000105
TSP的浓度集合为
Figure GDA0003795687230000106
D.构建颗粒物浓度最劣曲面的方法为：
D1)确定港口不同网格上方空间颗粒物浓度的最大值并构建颗粒物浓度最高的集合Z(m)。以网格m处为例，垂直上方空间中PM2.5的浓度最高值
Figure GDA0003795687230000107
PM10的浓度最高值
Figure GDA0003795687230000108
TSP的浓度最高值TSPmax(m)＝MaxTSP(M)。由此，构建网格m处颗粒物浓度最高的集合
Figure GDA0003795687230000109
D2)测算每个网格颗粒物浓度指数，以网格m为例，PM2.5的浓度指数fPM2.5(m,l)，PM10的浓度指数为fPM10(m,l)，TSP的浓度指数为fTSP(m,l)分别为：
Figure GDA0003795687230000111
D3)确定每个网格浓度指数的最大值，以网格m为例，PM2.5浓度指数的最大值
Figure GDA0003795687230000112
PM10浓度指数的最大值
Figure GDA0003795687230000113
TSP浓度指数的最大值
Figure GDA0003795687230000114
Figure GDA0003795687230000115
本发明中Max[]均表示向量中的最大值。
D4)确定每个网格颗粒物浓度指数的最大值，以网格m为例，颗粒物浓度指数的最大值为：
Figure GDA0003795687230000116
D5)计算每个网格颗粒物浓度系数与浓度系数最大值之间的关联系数，以网格m中心垂直上方编号为l位置处检测的颗粒物浓度为例，PM2.5、PM10以及TSP的浓度系数与浓度系数最大值的关联系数如下：
Figure GDA0003795687230000117
D6)根据每个网格的颗粒物浓度数据的关联系数确定不同高度的污染严重度，并得到每个网格的颗粒物污染严重度集合。以网格m中心垂直上方编号为l位置处检测的颗粒物浓度为例，颗粒物浓度污染严重度为P(m,l),以及网格m的颗粒物污染严重度集合P(m)分别为：
Figure GDA0003795687230000121
β1,β2,β3为权重系数，且β1+β2+β3＝1。根据发明人经验，当地主管部门无特殊要求时可以取值为：β1＝0.2,β2＝0.3,β3＝0.5。
D7)确定每个网格上方垂直空间内污染严重度最大的值，以网格m为例，污染严重度最大的值Pmax(m)＝MaxP(m)；
D8)将所有网格颗粒物污染严重度最大的平面衔接起来，形成港口空间中颗粒物污染最严重的劣曲面。
E.港口网格的空间聚合优化方法为：
E1)从网格编号1开始，计算相邻网格之间颗粒物浓度的关联度。以网格m与相邻的网格q的为例，PM2.5的关联度CoPM2.5(m,q)，PM10的关联度CoPM10(m,q)以及TSP的关联度CoTSP(m,q)为：
Figure GDA0003795687230000122
E2)计算相邻网格之间颗粒物浓度的综合关联系数，以网格m与相邻网格q为例，颗粒物浓度综合关联系数CT(m,q)；
Figure GDA0003795687230000123
其中，
Figure GDA0003795687230000124
为权重系数，且
Figure GDA0003795687230000125
当无特殊要求时，根据发明人经验可设定
Figure GDA0003795687230000126
E3)若网格m与相邻网格q中颗粒物浓度综合关联系数CT(m,q)≥ε，则将相邻网格q划入到网格m的聚合子集Om。其中ε为预设的关联阈值，根据发明人经验可以设ε＝0.85。如附图3所示，新的聚合子集Om共有7个不同的网格集合，包含了港口所有73个网格。每个网格的编号包含了此网格的原始编号以及所属的聚合子集编号两种，如网格编号3(60)表示原来附图1中划分的编号为60的网格属于O3子集。
E4)以此类推，直到将港口所有网格聚合优化为不同的关联网格集合，如附图3所示；
F.确定在线检测器最优布局方案的方法为：
F1)在港口空间颗粒物浓度最高的劣曲面上，确定所有关联网格集合的中心点的坐标，以聚合子集Om为例，此聚合子集中所有网格形成的图形的中心点坐标为(Xc(Om),Yc(Om))。以Om中第6个子集中所有网格形成的图形为例，中心点坐标如附图4所示。
F2)分别计算聚合子集Om中所有A个网格与聚合子集Om中心点坐标(Xc(Om),Yc(Om))的距离，以聚合子集Om中网格a(a＝1,2,…,A)为例，其与聚合子集中心坐标的距离
Figure GDA0003795687230000131
为：
Figure GDA0003795687230000132
F3)确定聚合子集Om中所有A个网格与聚合子集Om中心点坐标(Xc(Om),Yc(Om))的距离的最大值
Figure GDA0003795687230000133
为
Figure GDA0003795687230000134
F4)综合考虑聚合子集中所有网格空间中颗粒物浓度最高的劣曲面中颗粒物污染严重度的修正值，以聚合子集Om为例，网格a上方垂直空间中劣曲面上颗粒物污染严重度修正值
Figure GDA0003795687230000135
F5)将聚合子集中所有网格中颗粒物污染严重度修正值最大的网格作为在线检测器的布置点位。
F6)对每一个聚合子集重复上述步骤，得到港口空间中所有在线检测器的最优布置，如附图4所示。

Claims (9)

1.一种港口大气颗粒物浓度在线检测器的布局优化方法，其特征在于，步骤如下：
1)港口平面网格划分：根据港口总平面布局图，对港口平面进行网格划分；
2)港口网格垂直空间大气颗粒物浓度检测：利用颗粒物浓度检测器，对每个网格中心位置由地面至垂直上方H米高度空间内的L个不同高度位置的颗粒物浓度进行检测，得到网格上方垂直空间内L个颗粒物浓度数据，L≥2；
3)港口空间颗粒物污染最严重的劣曲面构建：确定每一个网格中颗粒物污染最严重的高度，将所有网格颗粒物污染严重度最大的平面衔接起来，形成港口空间中颗粒物污染最严重的劣曲面；
4)港口网格的空间聚合优化：根据港口不同网格垂直空间内检测的颗粒物浓度数据进行关联度分析，确定聚合的网格集合；
5)确定在线检测器的最优布局方案：在确定的每个聚合网格集合中，选择其中一个网格的劣曲面作为布置在线检测器的最优布局方案；
步骤5)中确定在线检测器最优布局方案的方法为：
51)在港口空间颗粒物浓度最高的劣曲面上，确定每个聚合网格集合的中心点的坐标(Xc(On),Yc(On))，式中On为第n个聚合网格集合，n＝1,2,…,N，N为聚合网格集合总数；
52)分别计算每个聚合网格集合On中所有个网格与聚合网格集合On中心点坐标(Xc(On),Yc(On))的距离
Figure FDA0003765616940000011
为：
Figure FDA0003765616940000012
式中，an＝1,2,…,An；An为第n个聚合网格集合On包含的网格数；
53)确定每个聚合网格集合On中所有An个网格与网格集合On中心点坐标(Xc(On),Yc(On))的距离的最大值
Figure FDA0003765616940000013
为：
Figure FDA0003765616940000014
54)确定每个聚合网格集合On中每一个网格an上方垂直空间中劣曲面上颗粒物污染严重度修正值
Figure FDA0003765616940000015
式中，Pmax(an)为网格an的颗粒物污染严重度最大的值；
55)将聚合网格集合中所有网格中颗粒物污染严重度修正值最大的网格作为在线检测器的布置点位。
2.根据权利要求1所述的布局优化方法，其特征在于，L＝H/b，其中b为高度间隔。
3.根据权利要求1所述的布局优化方法，其特征在于，采用无人机进行步骤2)的港口网格垂直空间大气颗粒物浓度检测。
4.根据权利要求3所述的布局优化方法，其特征在于，无人机检测时，根据港口历史气象信息，综合考虑风速、温度和湿度指标，确定无人机的最佳检测日期。
5.根据权利要求4所述的布局优化方法，其特征在于，所述无人机的最佳检测日期的确定方法如下：
21)获取港口的历史气象数据，计算当地过去K年中每周的平均风速、平均温度和平均湿度数据；
22)根据每周的平均风速、温度和湿度数据，构建每周的平均风速集合、平均温度集合和平均湿度集合；
23)测算每周的风速指数fs(i)、温度指数ft(i)和湿度指数fh(i)，
Figure FDA0003765616940000021
其中，MinS(i)为每周的平均风速集合中风速最小的值，MaxS(i)为每周的平均风速集合中风速最大的值，MinT(i)为每周的平均温度集合中温度最小的值，MaxT(i)为每周的平均温度集合中温度最大的值，MinH(i)为每周的平均湿度集合中湿度最小的值，MaxS(i)为每周的平均湿度集合中湿度最大的值；
24)根据风速指数、温度指数和湿度指数，确定Bt(i)对应的第i周无人机的最佳检测周，
Figure FDA0003765616940000022
其中，Bt(i)为综合考虑风速、温度和湿度后的最佳检测气象条件，MaxV(i)为全年52周综合考虑风速指数、温度指数和湿度指数的最大值，λ1,λ2,λ3为权重系数，且λ1+λ2+λ3＝1；
25)在最佳检测周中选择一天作为无人机检测日期。
6.根据权利要求1所述的布局优化方法，其特征在于，步骤1)中所述港口平面网格划分的方法如下：
11)获取港区的总平面布局图，确定总平面的边界点的经纬度坐标；
12)在港区总平面布局图中，以纬度最低点设置X轴，以经度最低点设置Y轴，结合港区总平面尺寸数据建立港区总平面布局图的平面直角坐标系；
13)在构建的平面直角坐标系中，分别在横坐标和纵坐标上以宽度w为间隔将港口划分为M个网格，并对港区总平面内所有的网格从最接近X轴零点的位置为编号为1，其他依次以顺时针螺旋法则进行编号，直到所有网格都有专门的编号m，m＝1,2,…,M；其中顺时针螺旋法则指，从编号1的网格开始沿Y轴方向对相邻网格进行编号直到可以编号的网格边界后，以顺时针方向转换为X轴方向对相邻网格进行编号直到可以编号的网格边界后，以顺时针方向转换为Y轴方向进行同样的编号直到遍历所有的网格均编号完成；
14)确定每个网格的中心点在直角坐标系中的位置，记为(Xc(m),Yc(m))。
7.根据权利要求1所述的布局优化方法，其特征在于，步骤2)中港口网格垂直空间大气颗粒物浓度检测的方法为：
21)利用搭载颗粒物浓度检测器的无人机，对每个网格中心位置由地面至垂直上方H米高度空间内每隔b米位置检测的PM2.5的浓度为PM2.5(m,l,d)，PM10的浓度为PM10(m,l,d)，TSP的浓度为TSP(m,l,d)；其中，l为由地面至垂直上方H米高度空间内的检测位置编号，H米高度范围内每次检测的高度间隔为b米，因此从地面上方b米位置开始l＝1,2,…,L；d为无人机检测次数的编号，d＝1,2,…,D，D为总检测次数；PM2.5(m,l,d)是指在网格m的中心高度编号为l位置，无人机在第d次飞行检测的动力学当量直径小于等于2.5微米的颗粒物浓度；PM10(m,l,d)是指在网格m的中心高度编号为l位置，无人机在第d次飞行检测的动力学当量直径小于等于10微米的颗粒物浓度；TSP(m,l,d)是指在网格m的中心高度编号为l位置，无人机在第d次飞行检测的动力学当量直径小于等于100微米的颗粒物浓度；
22)根据每个网格垂直空间中利用无人机检测的颗粒物浓度数据，得到不同高度的PM2.5、PM10和TSP的平均浓度；不同高度检测的PM2.5的平均浓度为
Figure FDA0003765616940000041
PM10的平均浓度为
Figure FDA0003765616940000042
TSP的平均浓度为
Figure FDA0003765616940000043
23)确定不同网格空间的颗粒物浓度数据集合，PM2.5的浓度集合为
Figure FDA0003765616940000044
PM10的浓度集合为
Figure FDA0003765616940000045
TSP的浓度集合为
Figure FDA0003765616940000046
8.根据权利要求7所述的布局优化方法，其特征在于，步骤3)中构建颗粒物浓度最劣曲面的方法为：
31)确定港口不同网格上方空间颗粒物浓度的最大值并构建颗粒物浓度最高的集合Z(m)：
垂直上方空间中PM2.5的浓度最高值
Figure FDA0003765616940000047
PM10的浓度最高值
Figure FDA0003765616940000048
TSP的浓度最高值TSPmax(m)＝MaxTSP(M)；
构建网格m处颗粒物浓度最高的集合
Figure FDA0003765616940000049
32)测算每个网格颗粒物浓度指数：
PM2.5的浓度指数fPM2.5(m,l)，PM10的浓度指数为fPM10(m,l)，TSP的浓度指数为fTSP(m,l)分别为：
Figure FDA00037656169400000410
33)确定每个网格浓度指数的最大值：
PM2.5浓度指数的最大值
Figure FDA0003765616940000051
PM10浓度指数的最大值
Figure FDA0003765616940000052
TSP浓度指数的最大值
Figure FDA0003765616940000053
Figure FDA0003765616940000054
式中，Max[]均表示向量中的最大值；
34)确定每个网格颗粒物浓度指数的最大值：
颗粒物浓度指数的最大值为：
Figure FDA0003765616940000055
35)计算每个网格颗粒物浓度系数与浓度系数最大值之间的关联系数：
PM2.5、PM10以及TSP的浓度系数与浓度系数最大值的关联系数如下：
Figure FDA0003765616940000056
36)根据每个网格的颗粒物浓度数据的关联系数确定不同高度的污染严重度，并得到每个网格的颗粒物污染严重度集合：
颗粒物浓度污染严重度为P(m,l),以及网格m的颗粒物污染严重度集合P(m)分别为：
Figure FDA0003765616940000057
β1,β2,β3为权重系数，且β1+β2+β3＝1；
37)确定每个网格上方垂直空间内污染严重度最大的值：
污染严重度最大的值Pmax(m)＝MaxP(m)；
38)将所有网格颗粒物污染严重度最大的平面衔接起来，形成港口空间中颗粒物污染最严重的劣曲面。
9.根据权利要求8所述的布局优化方法，其特征在于，步骤4)中港口网格的空间聚合优化方法为：
41)计算相邻网格之间颗粒物浓度的关联度：
PM2.5的关联度CoPM2.5(n,q)，PM10的关联度CoPM10(n,q)以及TSP的关联度CoTSP(n,q)为：
Figure FDA0003765616940000061
式中，q为与网格n相邻的网格；
42)计算相邻网格之间颗粒物浓度的综合关联系数：
颗粒物浓度综合关联系数CT(n,q)：
Figure FDA0003765616940000062
其中，
Figure FDA0003765616940000063
为权重系数，且
Figure FDA0003765616940000064
43)若网格n与相邻网格q中颗粒物浓度综合关联系数CT(n,q)≥ε，则将相邻网格q划入到网格n的聚合子集On；其中ε为预设的关联阈值。
CN201911063520.6A 2019-11-01 2019-11-01 一种港口大气颗粒物浓度在线检测器的布局优化方法 Active CN110889199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911063520.6A CN110889199B (zh) 2019-11-01 2019-11-01 一种港口大气颗粒物浓度在线检测器的布局优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911063520.6A CN110889199B (zh) 2019-11-01 2019-11-01 一种港口大气颗粒物浓度在线检测器的布局优化方法

Publications (2)

Publication Number Publication Date
CN110889199A CN110889199A (zh) 2020-03-17
CN110889199B true CN110889199B (zh) 2022-09-23

Family

ID=69746771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911063520.6A Active CN110889199B (zh) 2019-11-01 2019-11-01 一种港口大气颗粒物浓度在线检测器的布局优化方法

Country Status (1)

Country Link
CN (1) CN110889199B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111426609B (zh) * 2020-04-03 2022-09-30 交通运输部天津水运工程科学研究所 一种散货港口粉尘全域网格化监测方法
CN112798475B (zh) * 2020-12-22 2024-06-07 中煤能源研究院有限责任公司 一种岩土体中注浆浆液扩散面积的监测方法、***及装置
CN116187597B (zh) * 2023-04-28 2023-07-07 交通运输部规划研究院 一种考虑环境影响因素的港口布局优化方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104483248A (zh) * 2014-12-30 2015-04-01 中科宇图天下科技有限公司 一种区域颗粒物立体监测***和方法
CN104865353A (zh) * 2015-06-01 2015-08-26 上海交通大学 基于无人机的工业园区大气污染数据采集方法
CN108648127A (zh) * 2018-04-28 2018-10-12 北京航空航天大学 一种城市空气污染热点区域锁定方法
CN109765335A (zh) * 2018-12-25 2019-05-17 北京英视睿达科技有限公司 在监测区域内设置监测点的方法、控制装置和电子设备
CN110084418A (zh) * 2019-04-21 2019-08-02 北京工业大学 一种突发大气污染事故应急监测的监测点优化布设方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104483248A (zh) * 2014-12-30 2015-04-01 中科宇图天下科技有限公司 一种区域颗粒物立体监测***和方法
CN104865353A (zh) * 2015-06-01 2015-08-26 上海交通大学 基于无人机的工业园区大气污染数据采集方法
CN108648127A (zh) * 2018-04-28 2018-10-12 北京航空航天大学 一种城市空气污染热点区域锁定方法
CN109765335A (zh) * 2018-12-25 2019-05-17 北京英视睿达科技有限公司 在监测区域内设置监测点的方法、控制装置和电子设备
CN110084418A (zh) * 2019-04-21 2019-08-02 北京工业大学 一种突发大气污染事故应急监测的监测点优化布设方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Investigating the Influence of the Implementation of an Energy Development Plan on Air Quality Using WRF-CAMx Modeling Tools: A Case Study of Shandong Province in China;Ruoting Luo 等;《Atmosphere》;20191029;全文 *
基于无人机平台的细颗粒物三维分布监测;鲁斯嘉等;《科学技术与工程》;20170331;第17卷(第8期);全文 *

Also Published As

Publication number Publication date
CN110889199A (zh) 2020-03-17

Similar Documents

Publication Publication Date Title
CN110889199B (zh) 一种港口大气颗粒物浓度在线检测器的布局优化方法
CN104865353B (zh) 基于无人机的工业园区大气污染数据采集方法
CN107194139B (zh) 大气污染源分级方法及计算设备
CN108763756B (zh) 一种气溶胶光学厚度与pm2.5反演订正方法及其***
Li et al. Impacts of wind fields on the distribution patterns of traffic emitted particles in urban residential areas
CN104992072A (zh) 基于空间网格剖分的作业地块自动识别与面积统计方法
CN110196962B (zh) 一种基于核密度估计的飞机速度异常识别方法
CN115420854B (zh) 一种基于正后向模型结合的大气污染物溯源方法
CN107145668A (zh) 发电厂烟气污染物排放对区域大气雾霾的评价方法及装置
CN107169301B (zh) 一种分而治之航迹关联方法
CN109344812A (zh) 一种改进的基于聚类的单光子点云数据去噪方法
CN112215950B (zh) 一种室内有毒有害气体浓度的三维重建方法
CN114118613A (zh) 一种焦化土壤污染空间分布预测优化方法及***
CN115578227A (zh) 一种基于多源数据确定大气颗粒物污染重点区域的方法
CN115342821A (zh) 一种复杂未知环境下的无人车导航代价地图构建方法
CN111650673A (zh) 一种利用风场资料订正低涡中心位置的方法
CN112257351A (zh) 一种考虑地形和风向的环境空气质量监测异常值检测方法
CN113688493B (zh) 一种基于污染过程分型的大气污染潜在源区识别方法
CN114295778A (zh) 一种基于火电厂烟气排放质量评价方法及评价***
CN117472893A (zh) 一种***化提升交通流数据质量方法
CN109213840A (zh) 基于多维特征深度学习的热点网格识别方法
CN112182714A (zh) 顾及飞行员视线和天气条件的建筑太阳能潜力计算方法
Lee et al. Long range transport of Asian dust from dust storms and its impact on Japan
CN116256771A (zh) 一种基于无人机激光点云树障分析方法
CN116052023A (zh) 基于三维点云的电力巡检地物分类方法及存储介质

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
GR01 Patent grant
GR01 Patent grant