CN111611296B - Pm2.5污染成因分析方法、装置、电子设备及存储介质 - Google Patents
Pm2.5污染成因分析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111611296B CN111611296B CN202010432140.1A CN202010432140A CN111611296B CN 111611296 B CN111611296 B CN 111611296B CN 202010432140 A CN202010432140 A CN 202010432140A CN 111611296 B CN111611296 B CN 111611296B
- Authority
- CN
- China
- Prior art keywords
- pollution
- data
- meteorological
- monitoring data
- weather
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种PM2.5污染成因分析方法、装置、电子设备及存储介质,该方法包括:获取目标区域的环境监测数据和地面气象数据及预设时间段内的气象历史资料;根据环境监测数据确定PM2.5污染事件的排放特征及特征变化规律;根据环境监测数据和地面气象数据确定气象影响信息;根据环境监测数据和气象历史资料确定污染气团传输轨迹及对应的贡献比例;根据排放特征、特征变化规律、气象影响信息、污染气团传输轨迹及对应的贡献比例进行成因分析。从污染排放、气象和区域传输三方面进行成因分析,不仅考虑自然因素和人为因素对PM2.5污染的影响,还考虑了区域传输的影响,考虑的影响因素更加全面,提高了PM2.5污染成因分析的准确性。
Description
技术领域
本申请属于环境保护技术领域,具体涉及一种PM2.5污染成因分析方法、装置、电子设备及存储介质。
背景技术
随着工业化进程快速推进,粗放式发展带来的环境问题日益严重,其中大气污染已成为近几年最为严重的环境污染之一,尤其是PM2.5污染,严重影响空气质量,并对人体健康造成一定危害。对PM2.5污染进行成因分析,对PM2.5污染的预防和治理均具有重大意义。
当前,相关技术中提供了一种对PM2.5污染进行成因分析的方法,该方法通过采集分析区域中PM2.5的监测数据,通过对数据的研究,得出PM2.5质量浓度污染特征、变化规律,确定造成PM2.5污染的自然因素和人为因素;然后针对PM2.5的各种影响因素,找到PM2.5与各种影响因素之间的相关关系和一般规律。通过对 PM2.5的影响因素进行分析,定性地识别PM2.5的来源和形成过程。同时采用回归分析技术,定性地确定各类污染源的贡献度。但上述相关技术仅从自然因素和人为因素探究其对PM2.5浓度的影响,导致分析结果存在一定不确定性。
此外,嵌套网格空气质量预报模式(NAQPMS)是我国自主研发的第三代空气质量模式。NAQPMS全面考虑了空气污染物在大气中的平流、扩散、干湿沉降以及化学转化等过程。NAQPMS模式耦合的污染在线源追踪技术从源排放开始对各种物理、化学过程进行分源类别、分地域的质量追踪,可以跟踪PM2.5污染来源,定量分析PM2.5输送过程及区域污染排放贡献率。但是NAQPMS对于软硬件条件有一定要求,并且也需要其他的方法来对模式预报分析结果进行补充和验证。
发明内容
本申请提出一种PM2.5污染成因分析方法、装置、电子设备及存储介质,从污染排放、气象和区域传输三方面对PM2.5污染事件的成因进行定性分析,不仅考虑了自然因素和人为因素对PM2.5污染的影响,还考虑了区域传输对PM2.5污染的影响,考虑的影响因素更加全面,大大提高了PM2.5污染成因分析的准确性。
本申请第一方面实施例提出了一种PM2.5污染成因分析方法,所述方法包括;
获取目标区域的环境监测数据和地面气象数据以及预设时间段内的气象历史资料;
根据所述环境监测数据,确定待分析的PM2.5污染事件对应的排放特征及特征变化规律;
根据所述环境监测数据和所述地面气象数据,确定气象条件对所述PM2.5污染事件形成的气象影响信息;
根据所述环境监测数据和所述气象历史资料,确定所述PM2.5污染事件对应的污染气团传输轨迹及所述污染气团传输轨迹对应的贡献比例;
根据所述排放特征、所述特征变化规律、所述气象影响信息、所述污染气团传输轨迹及其对应的贡献比例,分析所述PM2.5污染事件的形成原因。
在本申请的一些实施例中,所述根据所述环境监测数据,确定待分析的PM2.5污染事件对应的排放特征及特征变化规律,包括:
从所述环境监测数据中截取待分析的PM2.5污染事件对应的时间段内的环境监测数据;
对截取的所述环境监测数据包括的各种空气污染物的浓度进行归一化处理;
根据归一化处理后的所述各种空气污染物的浓度,绘制特征雷达图;
从所述特征雷达图中识别出所述PM2.5污染事件对应的排放特征及所述排放特征随时间变化的特征变化规律。
在本申请的一些实施例中,所述根据所述环境监测数据和所述地面气象数据,确定气象条件对所述PM2.5污染事件形成的气象影响信息,包括:
根据所述环境监测数据和所述地面气象数据,生成所述目标区域对应的气象- 污染关系表;
从所述地面气象数据中截取所述PM2.5污染事件对应的时间段内的地面气象数据;
根据截取的所述地面气象数据,计算所述PM2.5污染事件对应的时间段内的平均温度、相对湿度和平均风速;
根据所述平均温度、所述相对湿度和所述平均风速,从所述气象-污染关系表中查询所述PM2.5污染事件对应的气象影响信息。
在本申请的一些实施例中,所述根据所述环境监测数据和所述地面气象数据,生成所述目标区域对应的气象-污染关系表,包括:
划分不同的温度区间、相对湿度区间和平均风速区间,根据不同的温度区间、相对湿度区间和平均风速区间组合得到多个气象条件;
根据所述环境监测数据和所述地面气象数据,统计每个气象条件下PM2.5浓度超过预设阈值的发生频率;
根据每个气象条件及每个气象条件下PM2.5浓度超过预设阈值的发生频率,生成气象-污染关系表。
在本申请的一些实施例中,所述根据所述环境监测数据和所述气象历史资料,确定所述PM2.5污染事件对应的污染气团传输轨迹及所述污染气团传输轨迹对应的贡献比例,包括:
从所述环境监测数据中截取待分析的PM2.5污染事件对应的时间段内的环境监测数据;
从截取的所述环境监测数据中筛选出大于预设阈值的PM2.5浓度;
基于所述气象历史资料驱动综合轨迹模式,根据所述PM2.5污染事件对应的时间段内的环境监测数据模拟所述PM2.5污染事件对应的后向轨迹;
在模拟的所述后向轨迹中,对筛选出的所述PM2.5浓度对应的后向轨迹进行轨迹聚类,得到污染气团传输轨迹及所述污染气团传输轨迹对应的贡献比例。
在本申请的一些实施例中,所述根据所述环境监测数据,确定待分析的PM2.5污染事件对应的排放特征及特征变化规律之后,还包括:
获取所述目标区域对应的PM2.5污染的历史排放特征及历史变化规律;
根据所述历史排放特征及所述历史变化规律,对所述PM2.5污染事件对应的排放特征及特征变化规律进行验证,得到排放特征校验结果。
在本申请的一些实施例中,所述环境监测数据包括PM2.5浓度、PM10浓度、 SO2浓度、NO2浓度、O3浓度、CO浓度。
本申请第二方面的实施例提供了一种PM2.5污染成因分析装置,所述装置包括;
数据获取模块,用于获取目标区域的环境监测数据和地面气象数据以及预设时间段内的气象历史资料;
排放特征确定模块,用于根据所述环境监测数据,确定待分析的PM2.5污染事件对应的排放特征及特征变化规律;
气象影响确定模块,用于根据所述环境监测数据和所述地面气象数据,确定气象条件对所述PM2.5污染事件形成的气象影响信息;
传输轨迹确定模块,用于根据所述环境监测数据和所述气象历史资料,确定所述PM2.5污染事件对应的污染气团传输轨迹及所述污染气团传输轨迹对应的贡献比例;
成因分析模块,用于根据所述排放特征、所述特征变化规律、所述气象影响信息、所述污染气团传输轨迹及其对应的贡献比例,分析所述PM2.5污染事件的形成原因。
本申请第三方面的实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序以实现上述第一方面所述的方法。
本申请第四方面的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行实现上述第一方面所述的方法。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本申请实施例根据环境监测数据确定待分析的PM2.5污染事件对应的排放特征及特征变化规律。根据环境监测数据及地面气象数据确定PM2.5污染事件对应的气象影响信息。根据环境监测数据及气象历史资料确定PM2.5污染事件对应的污染气团传输轨迹及其对应的贡献比例。根据排放特征及特征变化规律、气象影响信息、污染气团传输轨迹及其对应的贡献比例,从污染排放、气象和区域传输三方面对PM2.5污染事件的成因进行定性分析,不仅考虑了自然因素和人为因素对PM2.5污染的影响,还考虑了区域传输对PM2.5污染的影响,考虑的影响因素更加全面,大大提高了PM2.5污染成因分析的准确性,为预防和治理PM2.5污染提供科学依据,对PM2.5污染有针对性地精准施策具有重要意义,且对于开展区域联防联控研究具有重要意义。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变的明显,或通过本申请的实践了解到。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。
在附图中:
图1示出了本申请一实施例所提供的一种PM2.5污染成因分析方法的流程图;
图2示出了本申请一实施例所提供的特征雷达图的示意图;
图3示出了本申请一实施例所提供的后向轨迹的示意图;
图4示出了本申请一实施例所提供的后向轨迹聚类的示意图;
图5示出了本申请一实施例所提供的后向轨迹的三维示意图;
图6示出了本申请一实施例所提供的另一种PM2.5污染成因分析方法的流程图;
图7示出了本申请一实施例所提供的一种PM2.5污染成因分析装置的结果示意图;
图8示出了本申请一实施例所提供的一种电子设备的结构示意图;
图9示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面结合附图来描述本申请实施例提出的一种PM2.5污染成因分析方法、装置、电子设备及存储介质。
本申请实施例提供了一种PM2.5污染成因分析方法,该方法分别从污染排放、气象条件和区域传输三个方面来分析PM2.5污染的形成原因。其中,污染排放是主因和内因,气象条件和区域传输是外因,从以上三方面对PM2.5污染成因开展分析,即考虑了自然因素和人为因素对PM2.5污染的影响,也考虑了区域传输对PM2.5污染的影响,大大提高了PM2.5污染成因分析的准确性,为预防和治理PM2.5污染提供科学依据,对PM2.5污染有针对性地精准施策具有重要意义,且对于开展区域联防联控研究具有重要意义。
参见图1,该方法具体包括以下步骤;
步骤101:获取目标区域的环境监测数据和地面气象数据以及预设时间段内的气象历史资料。
上述目标区域可以为一个城市,如北京、上海或广州等。或者,目标区域可以为多个城市组成的连续区域,如京津冀地区、东北地区、华中地区等。环境监测数据包括环境空气质量六项基本指标,即PM2.5浓度、PM10浓度、SO2浓度、 NO2浓度、O3浓度、CO浓度。其中,O3浓度可以为O3-8h,即连续8小时臭氧浓度的均值。地面气象数据包括平均风速、相对湿度和温度等,其中平均风速可以为2分钟平均风速、10分钟平均风速等。预设时间段可以为3年或5年等。气象历史资料可以为WRF(The Weather Research and Forecasting Model,天气预报模式) 模拟的全国高分辨率气象资料。
在本申请实施例中,选定目标区域之后,从设置在目标区域内用于监测PM2.5浓度、PM10浓度、SO2浓度、NO2浓度、O3浓度、CO浓度等空气质量指标的空气质量监测站点获取最近一定时间内的环境监测数据,从设置在目标区域内用于监测温度、相对湿度、风速等气象要素的气象观测站获取最近一定时间内的地面气象数据,以及获取预设时间段内WRF模式模拟的气象历史资料。例如,假设目标区域为北京,则可以从设置在北京内的空气质量监测站点获取北京最近3年内的环境监测数据,从设置在北京内的气象观测站获取最近3年内的地面气象数据,以及获取最近3年内的全国高分辨率气象资料。
本步骤中获取的环境监测数据包括环境空气质量六项基本指标,由于监测环境空气质量六项基本指标的站点很多,且站点分布较广,监测得到的环境空气质量六项基本指标的数据质量很高,因此依据本步骤获取的环境监测数据来进行 PM2.5污染成因分析,能够提高成因分析的准确性。
步骤102:根据环境监测数据,确定待分析的PM2.5污染事件对应的排放特征及特征变化规律。
PM2.5污染事件是指在目标区域中出现的PM2.5浓度超过预设阈值形成的PM2.5重度污染,预设阈值可以为75、115或150等。步骤101中获取了目标区域最近一定时间内的环境监测数据,在该一定时间内目标区域可能发生了多次PM2.5污染事件,本申请实施例可以对任意一次PM2.5污染事件进行成因分析。
待分析的PM2.5污染事件是在一个时间段内发展的污染过程,在该时间段内 PM2.5浓度随时间的变化类似于抛物线。对于待分析的PM2.5污染事件对应的时间段的选取,本申请实施例首先确定PM2.5浓度超过预设阈值的日期区间,在该日期区间的上限日期之前确定PM2.5浓度小于或等于预设清洁值的日期,将该日期作为待分析的PM2.5污染事件对应的时间段的开始日期。在上述日期区间的下限日期之后确定PM2.5浓度小于或等于预设清洁值的日期,将该日期作为待分析的PM2.5污染事件对应的时间段的截止日期。其中,上述预设清洁值可以为20、25或30等。
例如,假设预设阈值为115,预设清洁值为35,北京1月18日的PM2.5浓度为120,超过预设阈115达到了重度污染水平。而1月14日和1月21日北京的 PM2.5浓度均为35,等于预设清洁值为35,空气质量较好。因此选取1月14日-1 月21日作为发生在北京的该次PM2.5污染事件对应的时间段。
通过上述方式确定出待分析的PM2.5污染事件及其对应的时间段之后,从环境监测数据中截取待分析的PM2.5污染事件对应的时间段内的环境监测数据。对截取的环境监测数据包括的各种空气污染物的浓度进行归一化处理。具体地,将各种空气污染物的浓度按比例转换为百分比数值。然后根据归一化处理后的各种空气污染物的浓度,通过预设应用程序绘制特征雷达图。本申请实施例可以绘制待分析的PM2.5污染事件对应的时间段中PM2.5浓度最高的日期及浓度最高的日期前后两个清洁日这三天的特征雷达图。从绘制的特征雷达图中识别出PM2.5污染事件对应的排放特征及排放特征随时间变化的特征变化规律。
上述预设应用程序可以为电子表格Excel。PM2.5污染的排放特征包括偏机动车型、偏钢铁型、偏二次型、偏综合型等。其中,偏机动车型表示当前PM2.5污染主要是由机动车行驶扬尘及排放尾气造成的,偏钢铁型表示当前PM2.5污染主要是由钢铁重工业生产排放的废气等造成的,偏二次型表示当前PM2.5浓度特征突出,其中包括一次排放和气态污染物二次转化的部分,偏综合型表示当前PM2.5污染是由多种因素造成,多项污染物特征突出导致雷达图没有固定形状。
上述每一种排放特征对应的特征雷达图均不同,本申请实施例中预先存储了每种排放特征对应的特征雷达图。通过上述方式绘制出待分析的PM2.5污染事件中多个日期对应的特征雷达图之后,将绘制的每个特征雷达图分别与预先存储的每种排放特征对应的特征雷达图进行匹配,分别识别出绘制的每个特征雷达图对应的排放特征,并确定出待分析的PM2.5污染事件的污染过程中排放特征随时间变化的特征变化规律。特征变化规律即包括上述识别出的每个排放特征及每个排放特征对应的日期。
例如,待分析的PM2.5污染事件为北京市2020年1月14日-21日之间发生的 PM2.5重度污染,其中1月18日PM2.5浓度大于预设阈值达到重度污染水平,1月 14日和21日PM2.5浓度小于等于预设清洁值,空气质量较好,作为重污染前后的清洁日。分别根据这三个日期的环境监测数据绘制特征雷达图,绘制的特征雷达图如图2所示。根据绘制的特征雷达图,识别出污染前期(1月14日),北京市环境空气质量六项基本指标的排放特征显示为偏机动车型。本次污染过程最严重的日期(1月18日)的排放特征显示为明显的偏二次型,随着污染过程加重,特征雷达图逐渐向PM2.5特征突出转化。污染结束后(1月21日),特征雷达图转为偏综合型。排放特征显示本次污染过程前,排放以机动车排放为主,随着时间变化,污染向二次污染转化。
目前很多地区开展大气重污染成因分析,因此在很多文献资料中会记录过去对目标区域出现的PM2.5重度污染进行分析得到的历史排放特征及历史变化规律。因此通过上述方式确定待分析的PM2.5污染事件对应的排放特征及特征变化规律之后,还可以从这些文献资料中获取目标区域对应的PM2.5污染的历史排放特征及历史变化规律。根据历史排放特征及历史变化规律,对PM2.5污染事件对应的排放特征及特征变化规律进行验证,得到排放特征校验结果。
通过利用历史排放特征及历史变化规律对本步骤确定的待分析的PM2.5污染事件对应的排放特征及特征变化规律进行验证,能够进一步确保最终分析得到的 PM2.5污染事件的形成原因的准确性。
步骤103:根据环境监测数据和地面气象数据,确定气象条件对PM2.5污染事件形成的气象影响信息。
在考察气象方面对PM2.5污染的影响时,首先需要统计过去不同的气象条件下PM2.5重度污染的发生频率。经文献和相关资料调研,选取温度、相对湿度和风速分别划分不同梯度区间来设置不同气象条件,其中风速影响PM2.5的水平扩散,温度和相对湿度影响PM2.5的二次转化。
具体地,划分不同的温度区间、相对湿度区间和平均风速区间。温度可以划分成(-∞,0℃)、[0℃,25℃]和(25℃,+∞)三个温度区间,相对湿度可以划分成[0,60%]、(60%,80%]和(80%,1]三个相对湿度区间,平均风速可以划分成[0m/s,2m/s]、(2m/s,4m/s]和(4m/s,+∞)三个平均风速区间。其中,上述温度区间、相对湿度区间和平均风速区间的划分仅作为示例,实际应用中可根据需求来划分温度区间、相对湿度区间和平均风速区间。
通过上述方式划分出温度区间、相对湿度区间和平均风速区间之后,根据不同的温度区间、相对湿度区间和平均风速区间,对划分的温度区间、相对湿度区间和平均风速区间进行随机排列组合得到多个气象条件,每个气象条件中均包括一个温度区间、一个相对湿度区间和一个平均风速区间。例如,气象条件可以为温度区间(-∞,0℃)、相对湿度区间[0,60%]和平均风速区间[0m/s,2m/s]构成的组合,或者气象条件可以为温度区间(-∞,0℃)、相对湿度区间(60%,80%] 和平均风速区间(2m/s,4m/s]构成的组合等等。
通过上述方式构建出多个气象条件之后,根据目标区域最近一定时间内的环境监测数据和地面气象数据,统计每个气象条件下PM2.5浓度超过预设阈值的发生频率。对于每个气象条件,首先从地面气象数据中筛选出温度、相对湿度和平均风速符合该气象条件的所有日期,查看环境监测数据中筛选出的日期对应的PM2.5浓度是否大于预设阈值,统计这些日期中出现PM2.5浓度大于预设阈值的日期数目,计算该日期数目与筛选出的符合该气象条件的所有日期的总数目之间的比值,将该比值作为该气象条件对应的PM2.5污染的发生频率。
通过上述方式统计出每个气象条件对应的PM2.5污染的发生频率之后,根据每个气象条件及每个气象条件下PM2.5浓度超过预设阈值的发生频率,生成气象-污染关系表。气象-污染关系表包括发生频率统计表和气象影响评估表,其中发生频率统计表中包括上述每个气象条件及统计的每个气象条件对应的PM2.5污染的发生频率。气象影响评估表中包括PM2.5污染的发生频率的不同区间范围与气象影响程度的对应关系,气象影响程度用于表示气象条件对PM2.5污染的形成造成的影响大小,本申请实施例中气象影响程度可以定性表示,如气象影响程度可以为“气象条件较好”、“气象条件一般”、“气象条件较差”等。或者,气象影响程度也可以定量表示,如气象影响程度可以为10%、50%等,数值越高表示气象条件对对 PM2.5污染的形成造成的影响越大。
通过上述方式生成目标区域对应的气象-污染关系表之后,根据待分析的PM2.5污染事件对应的时间段,从地面气象数据中截取该时间段内的地面气象数据。根据截取的地面气象数据,计算待分析的PM2.5污染事件对应的时间段内的平均温度、相对湿度和平均风速。根据平均温度、相对湿度和平均风速,从气象-污染关系表中查询PM2.5污染事件对应的气象影响信息。首先从气象-污染关系表包括的发生频率统计表中,查询出计算的平均温度、相对湿度和平均风速对应的PM2.5污染的发生频率。然后从气象-污染关系表包括的气象影响评估表中,查询出该发生频率对应的气象影响程度,将该气象影响程度作为待分析的PM2.5污染事件对应的气象影响信息。
为了便于理解上述确定PM2.5污染事件对应的气象影响信息的过程,下面结合示例进行说明。例如,选取北京市近三年作为统计时段,根据近三年北京市的环境监测数据和地面气象数据,进行不同气象条件下PM2.5浓度超标的统计分析。经文献和相关资料调研,选取温度、相对湿度和风速分别划分不同梯度区间设置不同气象条件,对北京市在不同气象条件下PM2.5浓度超标的发生频率进行统计,生成表1所示的发生频率统计表以及表2所示的气象影响评估表。计算北京市本次污染过程(2020年1月14日-21日)中的平均温度(-1.9℃)、相对湿度(45%) 和平均风速(2.3m/s),从表1中查询出平均温度(-1.9℃)、相对湿度(45%)和平均风速(2.3m/s)对应的PM2.5浓度达到重度污染的发生频率为0%,从表2中查询出发生频率为0%对应的气象影响信息为“气象条件较好”。
表1
表2
步骤104:根据环境监测数据和气象历史资料,确定PM2.5污染事件对应的污染气团传输轨迹及污染气团传输轨迹对应的贡献比例。
预设作目标区域24小时后向轨迹,则选择污染事件前24小时作为起始时段,污染事件结束时段作为结束。从步骤101获取的预设时间段内的气象历史资料中截取污染事件前24小时至污染事件结束这一时间段内的气象历史资料,基于截取的气象历史资料驱动综合轨迹模式,通过预设制图软件按照预设模拟高度模拟出污染事件前和污染事件期间小时气流轨迹。根据污染时间对应的时间段,从目标区域最近一段时间内的环境监测数据中截取PM2.5污染事件对应的时间段内的环境监测数据,将PM2.5小时浓度对应赋值到模拟出的小时气流轨迹,得到具有PM2.5浓度的小时气流轨迹。在模拟的轨迹中,筛选浓度较高的轨迹,预设阈值可以是 75μg/m3、115μg/m3等高值浓度,将筛选后的高值浓度轨迹进行轨迹聚类,得到污染气团传输轨迹及污染气团传输轨迹对应的贡献比例。
其中,气象历史资料可以为基于WRF(The Weather Research and ForecastingModel,天气预报模式)模拟的全国高分辨率气象资料,全国高分辨率气象资料的分辨率可以为1°。综合轨迹模式可以为HYSPLIT(Hybrid Single Particle Lagrangian IntegratedTrajectory Model,混合单粒子拉格朗日综合轨迹模式)。预设模拟高度可以为10m或50m等。上述预设制图软件可以为Meteoinfo气象制图软件。
例如,假设北京市2020年1月17-18日出现PM2.5浓度高于预设阈值,1月 14日和1月21日的PM2.5浓度小于等于预设清洁值,则基于WRF模式模拟的全国高分辨率气象资料驱动HYSPLIT模式,根据北京市2020年1月13日至1月21 日的环境监测数据,对1月13日至1月21日进行逐小时的后向轨迹模拟,设置模拟高度为10m,并针对其中PM2.5浓度大于预设阈值75μg/m3的轨迹进行聚类,分析本次污染过程可能存在的污染气团传输情况。也可以只对北京市2020年1月 17-18日24小时的后向轨迹进行逐小时模拟。
其中,北京市2020年1月17-18日高度为10m的24小时后向轨迹模拟得到的多条小时气团轨迹中存在PM2.5浓度小于等于预设阈值75μg/m3的轨迹。从所有小时气团轨迹中筛选出PM2.5浓度大于75μg/m3的轨迹,筛选出的轨迹如图3所示。对筛选出的轨迹进行聚类,得到最终的污染气团轨迹及其对应的贡献比例,如图4 所示。基于北京地形和污染气团的传输来源的方向和占比进行综合考虑,推测北京此次PM2.5浓度升高可能受到偏西南方向近地面传输影响。为印证本推测,选取偏西南方向轨迹作轨迹相对高度三维图,如图5所示,结果显示北京受到偏西南方向污染气团的近地面传输。
本申请实施例不限制上述步骤102、103和104的执行顺序,这三个步骤可以同时执行,也可以先后执行,图1中是以这三个步骤同时执行进行示意的。
步骤105:根据排放特征、特征变化规律、气象影响信息、污染气团传输轨迹及其对应的贡献比例,分析PM2.5污染事件的形成原因。
根据上文确定出的排放特征、特征变化规律、气象影响信息、污染气团传输轨迹及其对应的贡献比例,分别从污染排放、气象、区域传输三个方面,对待分析的PM2.5污染事件的形成原因进行定性分析。例如,确定出北京市1月14日排放特征为偏机动车型,1月18日排放特征为偏二次型,1月21日排放特征为偏综合型。且确定出北京市1月14日-21日气象影响信息为“气象条件较好”,以及确定出北京市此次PM2.5污染期间污染气团轨迹及其对应的贡献比例如图4所示。则综合污染排放、气象和区域传输三方面,北京市2020年1月14-21日PM2.5污染过程的成因分析如下:北京市本地机动车排放氮氧化物作为PM2.5的重要前体物,对本次污染过程有一定贡献,同时叠加偏西南方向近地面传输,导致北京市PM2.5浓度超标。
为了便于理解本申请实施例提供的PM2.5污染成因分析方法,下面结合附图进行简要说明。如图6所示,首先收集数据,之后根据收集的数据分别进行排放特征分析、气象条件分析、传输来源分析。其中,在排放特征分析中,对数据进行处理并绘制图标,然后根据特征雷达图分析排放特征及特征变化规律,并从文献资料中获取目标区域的历史排放特征及历史变化规律,根据历史排放特征及历史变化规律对上述分析出的排放特征及特征变化规律进行校验,最终得到本次污染对应的排放特征及特征变化规律。在气象条件分析中,根据收集的文献资料,统计不同气象条件下PM2.5污染超标的发生频率。评估本次污染过程中气象条件的影响程度,得到气象影响信息。在传输来源分析中,进行后向轨迹聚类分析,聚类分析所依据的数据包括环境监测数据(每小时的PM2.5浓度)和气象数据(WRF 模拟的全国高分辨率气象资料),聚类分析所采用的工具为Meteoinfo气象制图软件,聚类分析所采用的方法为HYSPLIT综合轨迹模式。通过聚类分析最终得到传输结果。根据本次污染对应的排放特征及特征变化规律、气象影响信息及传输结果,最终得到成因分析结果。
本申请实施例根据环境监测数据确定待分析的PM2.5污染事件对应的排放特征及特征变化规律。根据环境监测数据及地面气象数据确定PM2.5污染事件对应的气象影响信息。根据环境监测数据及气象历史资料确定PM2.5污染事件对应的污染气团传输轨迹及其对应的贡献比例。根据排放特征及特征变化规律、气象影响信息、污染气团传输轨迹及其对应的贡献比例,从污染排放、气象和区域传输三方面对PM2.5污染事件的成因进行定性分析,不仅考虑了自然因素和人为因素对PM2.5污染的影响,还考虑了区域传输对PM2.5污染的影响,考虑的影响因素更加全面,大大提高了PM2.5污染成因分析的准确性,为预防和治理PM2.5污染提供科学依据,对PM2.5污染有针对性地精准施策具有重要意义,且对于开展区域联防联控研究具有重要意义。
本申请实施例提供了一种PM2.5污染成因分析装置,该装置用于执行上述实施例所述的PM2.5污染成因分析方法,如图7所示,该装置包括;
数据获取模块701,用于获取目标区域的环境监测数据和地面气象数据以及预设时间段内的气象历史资料;
排放特征确定模块702,用于根据环境监测数据,确定待分析的PM2.5污染事件对应的排放特征及特征变化规律;
气象影响确定模块703,用于根据环境监测数据和地面气象数据,确定气象条件对PM2.5污染事件形成的气象影响信息;
传输轨迹确定模块704,用于根据环境监测数据和气象历史资料,确定PM2.5污染事件对应的污染气团传输轨迹及污染气团传输轨迹对应的贡献比例;
成因分析模块705,用于根据排放特征、特征变化规律、气象影响信息、污染气团传输轨迹及其对应的贡献比例,分析PM2.5污染事件的形成原因。
上述排放特征确定模块702,用于从环境监测数据中截取待分析的PM2.5污染事件对应的时间段内的环境监测数据;对截取的环境监测数据包括的各种空气污染物的浓度进行归一化处理;根据归一化处理后的各种空气污染物的浓度,绘制特征雷达图;从特征雷达图中识别出PM2.5污染事件对应的排放特征及排放特征随时间变化的特征变化规律。
上述气象影响确定模块703包括:
生成单元,用于根据环境监测数据和地面气象数据,生成目标区域对应的气象-污染关系表;
截取单元,用于从地面气象数据中截取PM2.5污染事件对应的时间段内的地面气象数据;
计算单元,用于根据截取的地面气象数据,计算PM2.5污染事件对应的时间段内的平均温度、相对湿度和平均风速;
查询单元,用于根据平均温度、相对湿度和平均风速,从气象-污染关系表中查询PM2.5污染事件对应的气象影响信息。
上述生成单元,用于划分不同的温度区间、相对湿度区间和平均风速区间,根据不同的温度区间、相对湿度区间和平均风速区间组合得到多个气象条件;根据环境监测数据和地面气象数据,统计每个气象条件下PM2.5浓度超过预设阈值的发生频率;根据每个气象条件及每个气象条件下PM2.5浓度超过预设阈值的发生频率,生成气象-污染关系表。
上述传输轨迹确定模块704,用于从环境监测数据中截取待分析的PM2.5污染事件对应的时间段内的环境监测数据;从截取的环境监测数据中筛选出大于预设阈值的PM2.5浓度;基于气象历史资料驱动综合轨迹模式,根据PM2.5污染事件对应的时间段内的环境监测数据模拟PM2.5污染事件对应的后向轨迹;在模拟的后向轨迹中,对筛选出的PM2.5浓度对应的后向轨迹进行轨迹聚类,得到污染气团传输轨迹及污染气团传输轨迹对应的贡献比例。
该装置还包括:验证模块,用于获取目标区域对应的PM2.5污染的历史排放特征及历史变化规律;根据历史排放特征及历史变化规律,对PM2.5污染事件对应的排放特征及特征变化规律进行验证,得到排放特征校验结果。
在本申请实施例中,环境监测数据包括PM2.5浓度、PM10浓度、SO2浓度、 NO2浓度、O3浓度、CO浓度。
本申请的上述实施例提供的PM2.5污染成因分析装置与本申请实施例提供的 PM2.5污染成因分析方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的PM2.5污染成因分析方法对应的电子设备,以执行上PM2.5污染成因分析方法。本申请实施例不做限定。
请参考图8,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图8所示,所述电子设备2包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200 运行所述计算机程序时执行本申请前述任一实施方式所提供的PM2.5污染成因分析方法。
其中,存储器201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。通过至少一个通信接口203(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200 在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述PM2.5污染成因分析方法可以应用于处理器200中,或者由处理器200实现。
处理器200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200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200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(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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申请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。结合本申请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201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的PM2.5污染成因分析方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的PM2.5污染成因分析方法对应的计算机可读存储介质,请参考图9,其示出的计算机可读存储介质为光盘 30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的PM2.5污染成因分析方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的 PM2.5污染成因分析方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种PM2.5污染成因分析方法,其特征在于,所述方法包括;
获取目标区域的环境监测数据和地面气象数据以及预设时间段内的气象历史资料;
根据所述环境监测数据,确定待分析的PM2.5污染事件对应的排放特征及特征变化规律;
根据所述环境监测数据和所述地面气象数据,生成所述目标区域对应的气象-污染关系表;
从所述地面气象数据中截取所述PM2.5污染事件对应的时间段内的地面气象数据;
根据截取的所述地面气象数据,计算所述PM2.5污染事件对应的时间段内的平均温度、相对湿度和平均风速;
根据所述平均温度、所述相对湿度和所述平均风速,从所述气象-污染关系表中查询所述PM2.5污染事件对应的气象影响信息;
根据所述环境监测数据和所述气象历史资料,确定所述PM2.5污染事件对应的污染气团传输轨迹及所述污染气团传输轨迹对应的贡献比例;
根据所述排放特征、所述特征变化规律、所述气象影响信息、所述污染气团传输轨迹及其对应的贡献比例,分析所述PM2.5污染事件的形成原因。
2.根据权利要求1所述的方法,其特征在于,所述根据所述环境监测数据,确定待分析的PM2.5污染事件对应的排放特征及特征变化规律,包括:
从所述环境监测数据中截取待分析的PM2.5污染事件对应的时间段内的环境监测数据;
对截取的所述环境监测数据包括的各种空气污染物的浓度进行归一化处理;
根据归一化处理后的所述各种空气污染物的浓度,绘制特征雷达图;
从所述特征雷达图中识别出所述PM2.5污染事件对应的排放特征及所述排放特征随时间变化的特征变化规律。
3.根据权利要求1所述的方法,其特征在于,所述根据所述环境监测数据和所述地面气象数据,生成所述目标区域对应的气象-污染关系表,包括:
划分不同的温度区间、相对湿度区间和平均风速区间,根据不同的温度区间、相对湿度区间和平均风速区间组合得到多个气象条件;
根据所述环境监测数据和所述地面气象数据,统计每个气象条件下PM2.5浓度超过预设阈值的发生频率;
根据每个气象条件及每个气象条件下PM2.5浓度超过预设阈值的发生频率,生成气象-污染关系表。
4.根据权利要求1所述的方法,其特征在于,所述根据所述环境监测数据和所述气象历史资料,确定所述PM2.5污染事件对应的污染气团传输轨迹及所述污染气团传输轨迹对应的贡献比例,包括:
从所述环境监测数据中截取待分析的PM2.5污染事件对应的时间段内的环境监测数据;
从截取的所述环境监测数据中筛选出大于预设阈值的PM2.5浓度;
基于所述气象历史资料驱动综合轨迹模式,根据所述PM2.5污染事件对应的时间段内的环境监测数据模拟所述PM2.5污染事件对应的后向轨迹;
在模拟的所述后向轨迹中,对筛选出的所述PM2.5浓度对应的后向轨迹进行轨迹聚类,得到污染气团传输轨迹及所述污染气团传输轨迹对应的贡献比例。
5.根据权利要求1所述的方法,其特征在于,所述根据所述环境监测数据,确定待分析的PM2.5污染事件对应的排放特征及特征变化规律之后,还包括:
获取所述目标区域对应的PM2.5污染的历史排放特征及历史变化规律;
根据所述历史排放特征及所述历史变化规律,对所述PM2.5污染事件对应的排放特征及特征变化规律进行验证,得到排放特征校验结果。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述环境监测数据包括PM2.5浓度、PM10浓度、SO2浓度、NO2浓度、O3浓度、CO浓度。
7.一种PM2.5污染成因分析装置,其特征在于,所述装置包括;
数据获取模块,用于获取目标区域的环境监测数据和地面气象数据以及预设时间段内的气象历史资料;
排放特征确定模块,用于根据所述环境监测数据,确定待分析的PM2.5污染事件对应的排放特征及特征变化规律;
气象影响确定模块,用于根据所述环境监测数据和所述地面气象数据,生成所述目标区域对应的气象-污染关系表;从所述地面气象数据中截取所述PM2.5污染事件对应的时间段内的地面气象数据;根据截取的所述地面气象数据,计算所述PM2.5污染事件对应的时间段内的平均温度、相对湿度和平均风速;根据所述平均温度、所述相对湿度和所述平均风速,从所述气象-污染关系表中查询所述PM2.5污染事件对应的气象影响信息;
传输轨迹确定模块,用于根据所述环境监测数据和所述气象历史资料,确定所述PM2.5污染事件对应的污染气团传输轨迹及所述污染气团传输轨迹对应的贡献比例;
成因分析模块,用于根据所述排放特征、所述特征变化规律、所述气象影响信息、所述污染气团传输轨迹及其对应的贡献比例,分析所述PM2.5污染事件的形成原因。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序以实现如权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432140.1A CN111611296B (zh) | 2020-05-20 | 2020-05-20 | Pm2.5污染成因分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432140.1A CN111611296B (zh) | 2020-05-20 | 2020-05-20 | Pm2.5污染成因分析方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611296A CN111611296A (zh) | 2020-09-01 |
CN111611296B true CN111611296B (zh) | 2021-02-19 |
Family
ID=72200603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010432140.1A Active CN111611296B (zh) | 2020-05-20 | 2020-05-20 | Pm2.5污染成因分析方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611296B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182064B (zh) * | 2020-09-25 | 2021-07-20 | 中科三清科技有限公司 | 一种污染物来源分析方法、装置、电子设备及存储介质 |
CN113379150A (zh) * | 2021-06-24 | 2021-09-10 | 中科三清科技有限公司 | 大气现状成因的识别方法及装置、计算机设备及存储介质 |
CN113393058B (zh) * | 2021-07-14 | 2023-10-20 | 成都佳华物链云科技有限公司 | 污染物管控方法、预测管控方法、实时管控方法及装置 |
CN113763509B (zh) * | 2021-09-08 | 2022-09-02 | 中科三清科技有限公司 | 轨迹图绘制方法和装置 |
CN114154828A (zh) * | 2021-11-25 | 2022-03-08 | 泛测(北京)环境科技有限公司 | 大气污染区域传输分析方法和*** |
CN115238244B (zh) * | 2022-08-09 | 2023-04-07 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种pm2.5污染成因快速量化解析方法 |
CN115453064B (zh) * | 2022-09-22 | 2023-09-05 | 山东大学 | 一种细颗粒物空气污染成因分析方法及*** |
CN115541825B (zh) * | 2022-09-30 | 2023-10-24 | 信阳师范学院 | 一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101882184A (zh) * | 2010-05-25 | 2010-11-10 | 中冶赛迪工程技术股份有限公司 | 基于gis技术和aermode模型的大气环评***与环评方法 |
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*** |
CN102799772A (zh) * | 2012-07-03 | 2012-11-28 | 中山大学 | 面向空气质量预报的样本优化方法 |
CN102866436A (zh) * | 2012-09-27 | 2013-01-09 | 青岛农业大学 | 一种病害的预测警示*** |
CN110727717A (zh) * | 2019-12-17 | 2020-01-24 | 北京英视睿达科技有限公司 | 网格化大气污染强度的监控方法、装置、设备和存储介质 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7596755B2 (en) * | 1997-12-22 | 2009-09-29 | Ricoh Company, Ltd. | Multimedia visualization and integration environment |
CN105630842B (zh) * | 2014-11-07 | 2019-06-14 | 阿里巴巴集团控股有限公司 | 建立空气质量信息数据库、确定受污染信息的方法及装置 |
WO2016081928A1 (en) * | 2014-11-21 | 2016-05-26 | Picarro, Inc. | Gas detection systems and methods using measurement position uncertainty representations |
CN104502243B (zh) * | 2014-12-29 | 2017-01-11 | 湘潭大学 | 一种用于测量pm2.5的装置及方法 |
CN105300862B (zh) * | 2015-11-13 | 2018-08-28 | 金陵科技学院 | 基于云处理车载移动大气颗粒污染物的环境检测方法及*** |
CN106202533B (zh) * | 2016-07-25 | 2019-10-25 | 中国科学技术大学 | 街道峡谷机动车尾气污染物浓度估算*** |
US10830743B2 (en) * | 2017-05-04 | 2020-11-10 | International Business Machines Corporation | Determining the net emissions of air pollutants |
CN107677777B (zh) * | 2017-10-13 | 2020-09-18 | 深圳博沃智慧科技有限公司 | 一种大气重污染过程智能分析*** |
CN111630414B (zh) * | 2018-02-27 | 2022-04-12 | 松下知识产权经营株式会社 | 空气污染显示终端 |
CN108829642B (zh) * | 2018-04-24 | 2022-11-22 | 中国环境科学研究院 | 一种利用特征雷达图分析环境质量数据的方法 |
CN109878400A (zh) * | 2018-10-19 | 2019-06-14 | 南京大学 | 模块化全功能拓展大气监测移动平台及监测使用方法 |
CN109583743A (zh) * | 2018-11-26 | 2019-04-05 | 南京创蓝科技有限公司 | 基于拉格朗日模型和移动观测平台的大气污染溯源方法 |
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 |
CN110298560B (zh) * | 2019-06-13 | 2022-12-06 | 南方科技大学 | 一种大气污染排放控制效果的评估方法、装置及存储介质 |
CN110427533B (zh) * | 2019-07-25 | 2023-04-18 | 东北师范大学 | 基于时序粒子跟踪的污染传播模式可视分析方法及*** |
CN110458915A (zh) * | 2019-08-14 | 2019-11-15 | 孙玮 | 一种大气污染时空变换评价预测模型的建立方法 |
CN110824110B (zh) * | 2019-10-30 | 2022-06-03 | 山东大学 | 一种基于拉格朗日轨迹模式和化学盒子模式的区域臭氧污染溯源*** |
-
2020
- 2020-05-20 CN CN202010432140.1A patent/CN111611296B/zh active Active
Patent Citations (5)
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*** |
CN101882184A (zh) * | 2010-05-25 | 2010-11-10 | 中冶赛迪工程技术股份有限公司 | 基于gis技术和aermode模型的大气环评***与环评方法 |
CN102799772A (zh) * | 2012-07-03 | 2012-11-28 | 中山大学 | 面向空气质量预报的样本优化方法 |
CN102866436A (zh) * | 2012-09-27 | 2013-01-09 | 青岛农业大学 | 一种病害的预测警示*** |
CN110727717A (zh) * | 2019-12-17 | 2020-01-24 | 北京英视睿达科技有限公司 | 网格化大气污染强度的监控方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111611296A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611296B (zh) | Pm2.5污染成因分析方法、装置、电子设备及存储介质 | |
CN112182064B (zh) | 一种污染物来源分析方法、装置、电子设备及存储介质 | |
CN111612064B (zh) | Pm2.5污染气团溯源方法、装置、电子设备及存储介质 | |
Zhou et al. | Spatio-temporal evolution and the influencing factors of PM 2.5 in China between 2000 and 2015 | |
Kim | The effects of transboundary air pollution from China on ambient air quality in South Korea | |
Amster et al. | Contribution of nitrogen oxide and sulfur dioxide exposure from power plant emissions on respiratory symptom and disease prevalence | |
CN111882205A (zh) | 空气质量达标分析方法、装置、电子设备及存储介质 | |
CN111178786B (zh) | 一种保障区域空气质量的排放源位置确定方法及*** | |
Mika et al. | Analysis of the faulty spatial structure of land in the context of assessing the quality of cadastral data in Poland | |
CN111753906B (zh) | 污染物传输轨迹的聚类方法、装置、电子设备及存储介质 | |
CN112214913A (zh) | 臭氧的主导前体物识别方法、装置、电子设备及存储介质 | |
CN116626233A (zh) | 基于多源数据融合的大气污染溯源方法、终端及存储介质 | |
CN112687350A (zh) | 空气细颗粒物的来源解析方法、电子设备及存储介质 | |
Soh et al. | Spatial-Temporal pattern analysis and prediction of air quality in Taiwan | |
CN117871790B (zh) | 基于多种数据融合的路边监测站数据分析和交通溯源方法 | |
Wen et al. | Vehicular ammonia emissions: an underappreciated emission source in densely populated areas | |
CN113077089B (zh) | 一种多因素对空气质量影响的评价方法和装置 | |
Krishnaveni et al. | Aerosol classification using fuzzy clustering over a tropical rural site | |
CN115526525A (zh) | 一种臭氧污染治理方法、装置、设备及存储介质 | |
Kamaruzzaman et al. | Assessment on air quality pattern: A case study in Putrajaya, Malaysia | |
Wen et al. | Emission and influences of non-road mobile sources on air quality in China, 2000–2019 | |
CN115170822A (zh) | 一种农田土壤重金属定性源解析的联用方法 | |
Zhu et al. | A data-driven approach for optimal design of integrated air quality monitoring network in a chemical cluster | |
Dalai et al. | Air pollution trend in Chandigarh during 2019–2022: status and influence of meteorological factors | |
Zhang et al. | [Retracted] Human Health Risk Prediction Method of Regional Atmospheric Environmental Pollution Sources Based on PMF and PCA Analysis under Artificial Intelligence Cloud Model |
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: 20200901 Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd. Assignor: 3CLEAR TECHNOLOGY Co.,Ltd. Contract record no.: X2022980012305 Denomination of invention: PM2.5pollution cause analysis method, device, electronic equipment and storage medium Granted publication date: 20210219 License type: Common License Record date: 20220815 |
|
EE01 | Entry into force of recordation of patent licensing contract |