CN111709646A - 空气污染暴露风险评价方法及*** - Google Patents
空气污染暴露风险评价方法及*** Download PDFInfo
- Publication number
- CN111709646A CN111709646A CN202010553734.8A CN202010553734A CN111709646A CN 111709646 A CN111709646 A CN 111709646A CN 202010553734 A CN202010553734 A CN 202010553734A CN 111709646 A CN111709646 A CN 111709646A
- Authority
- CN
- China
- Prior art keywords
- data
- population
- air
- air pollution
- variables
- 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
- 238000003915 air pollution Methods 0.000 title claims abstract description 70
- 238000011156 evaluation Methods 0.000 title claims abstract description 33
- 239000000809 air pollutant Substances 0.000 claims abstract description 68
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 68
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000005192 partition Methods 0.000 claims abstract description 12
- 230000007480 spreading Effects 0.000 claims abstract description 5
- 239000003344 environmental pollutant Substances 0.000 claims description 25
- 231100000719 pollutant Toxicity 0.000 claims description 25
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种空气污染暴露风险评价方法及***,该方法包括:根据目标区域的遥感影像对居住用地进行分类,得到多个不同类别的居住用地;将目标区域的人口数据展布在居住用地上得到人口空间分布数据;选择关键地理变量,构建LUR模型;根据LUR模型对空气污染物模拟数据进行网格分布计算,获取目标区域中的空气污染物模拟数据;对人口空间分布数据和空气污染物分布数据进行数据叠加分析,得到空气污染暴露风险分区图。本发明综合考虑人口空间分布数据和空气污染物分布数据的叠加分析,考虑了人口因素在空气污染暴露风险评价中的主体作用,提升了空气污染暴露风险评价的合理性。
Description
技术领域
本发明属于空气质量检测领域,尤其涉及一种空气污染暴露风险评价方法及***。
背景技术
随着全国各地雾霾持续爆发,公众对包括PM2.5在内空气污染物的危害认知迅速提升,全国上下的治霾诉求达到空前的高度。2012年,我国发布新版空气质量标准,PM2.5等指标也被纳入常规空气质量监测范围,全国主要城市开始逐步建设全覆盖的空气质量监控网络。
目前,空气污染暴露风险评价普遍采用空气质量监测站点的污染物浓度指标。然而,该方法假定人口在所有区域均匀分布,忽视了人口因素对环境中空气污染暴露风险评价的影响,导致空气污染物浓度较高的无人区会被划入高风险区域,易忽视人口密度高的闹市区的空气污染风险,因此,亟需科学考虑人口分布对空气污染的敏感度,综合考虑空气污染物分布和人口分布的影响,探索以人为本的城市空气污染暴露风险评价方法。
发明内容
本发明实施例的目的在于提供一种空气污染暴露风险评价方法及***,旨在解决现有的空气污染暴露风险评价方法中,由于忽视了人口因素对环境中空气污染暴露风险评价的影响,导致空气污染物浓度较高的无人区会被划入高风险区域,易忽视人口密度高的闹市区的空气污染风险。
本发明实施例是这样实现的,一种空气污染暴露风险评价方法,所述方法包括:
获取目标区域的遥感影像,并根据所述遥感影像对所述目标区域中的居住用地进行分类,得到多个不同类别的居住用地;
获取所述目标区域的人口数据,并将所述人口数据展布在所述居住用地上,以得到人口空间分布数据;
选择关键地理变量,构建LUR模型,;
根据所述LUR模型对空气污染物模拟数据进行网格分布计算,获取目标区域中的空气污染物模拟数据;
对所述人口空间分布数据和所述空气污染物分布数据进行数据叠加分析,得到空气污染暴露风险分区图,所述空气污染暴露风险分区图中存储有所述目标区域中各个区域对应的空气污染暴露风险指标。
更进一步的,所述构建LUR模型的步骤包括:
计算预设自变量与因变量污染物浓度的相关性,并剔除与污染物浓度相关性不合常理的变量;
查询每类预设因子中与污染物浓度相关性最高的变量,并去除每类所述预设因子中剩余变量与剔除的变量之间皮尔森相关系数大于0.6的变量;
根据每类所述预设因子中的剩余变量进行逐步多元线性回归,以构建所述LUR模型。
更进一步的,所述根据所述LUR模型对空气污染物模拟数据进行网格分布计算的步骤包括:
生成分布网格,并根据所述LUR模型计算空气污染物模拟数据在所述分布网格中各个格网点的自变量值,以得到所述空气污染物分布数据;
其中,所述空气污染物分布数据包括各个所述格网点与对应空气污染物浓度之间的对应关系。
更进一步的,所述对所述人口空间分布数据和所述空气污染物分布数据进行数据叠加分析的步骤包括:
对所述人口空间分布数据和所述空气污染物分布数据进行无量纲归一化处理,得到无量纲数据;
根据所述无量纲数据对所述目标区域进行污染度浓度分级和人口密度分级,得到污染度等级表和人口密度等级表;
根据所述污染度等级表和所述人口密度等级表对所述无量纲数据进行污染度浓度分级和人口密度分级,得到空气污染物浓度分级图和人口密度分级图;
将所述空气污染物浓度分级图和所述人口密度分级图转换为栅格数据,并将所述栅格数据中的空气污染物浓度参数叠加至人口密度参数中,以得到所述空气污染暴露风险分区图。
更进一步的,所述对所述人口空间分布数据和所述空气污染物分布数据进行无量纲归一化处理的步骤包括:
计算所述目标区域中的平均空气污染物浓度和平均人口密度;
将所述人口空间分布数据和所述空气污染物分布数据分别对应除以所述平均空气污染物浓度和所述平均人口密度,得到无量纲数据。
更进一步的,所述预设因子包括道路、人口、土地利用或气象,所述因变量为空气污染物浓度。
本发明实施例的另一目的在于提供一种空气污染暴露风险评价***,所述***包括:
用地分类模块,用于获取目标区域的遥感影像,并根据所述遥感影像对所述目标区域中的居住用地进行分类,得到多个不同类别的居住用地;
人口展布模块,用于获取所述目标区域的人口数据,并将所述人口数据展布在所述居住用地上,以得到人口空间分布数据;
模型构建模块,用于选择关键地理变量,构建LUR模型;
污染分布计算模块,用于根据所述LUR模型对空气污染物模拟数据进行网格分布计算,获取目标区域中的空气污染物模拟数据;
数据分析模块,用于对所述人口空间分布数据和所述空气污染物分布数据进行数据叠加分析,得到空气污染暴露风险分区图,所述空气污染暴露风险分区图中存储有所述目标区域中各个区域对应的空气污染暴露风险指标。
更进一步的,所述模型构建模块还用于:
计算预设自变量与因变量污染物浓度的相关性,并剔除与污染物浓度相关性不合常理的变量;
查询每类预设因子中与污染物浓度相关性最高的变量,并去除每类所述预设因子中剩余变量与剔除的变量之间皮尔森相关系数大于0.6的变量;
根据每类所述预设因子中的剩余变量进行逐步多元线性回归,以构建所述LUR模型。
本发明实施例,通过将人口数据展布在所述居住用地上得到人口空间分布数据的设计,使得后续对人口空间分布数据和空气污染物分布数据进行数据叠加分析过程中,能有效的考虑人口因素在空气污染暴露风险评价中的主体作用,弥补了现有污染物浓度指标忽视人口分布的缺陷,提升了空气污染暴露风险评价的合理性。
附图说明
图1是本发明第一实施例提供的空气污染暴露风险评价方法的流程图;
图2是本发明第二实施例提供的空气污染暴露风险评价方法的流程图;
图3是本发明第三实施例提供的空气污染暴露风险评价***的结构示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”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设备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”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;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或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
请参阅图1,是本发明第一实施例提供的空气污染暴露风险评价方法的流程图,包括步骤:
步骤S10,获取目标区域的遥感影像,并根据所述遥感影像对所述目标区域中的居住用地进行分类,得到多个不同类别的居住用地;
其中,该遥感影像为该目标区域对应的高分辨率遥感影像,例如,该高分辨率遥感影像可以为分辨率1m的IKONOS遥感影像;
优选的,该目标区域可以为用户预设的区域、预设的城市或预设的国家等,例如,该目标区域可以为北京、上海、深圳或南昌等城市,进一步的,该步骤中,通过根据该遥感影像将目标区域中的居住用地对应划分为城镇居住用地、农村居民点或学生宿舍用地三类主要居住用地;
步骤S20,获取所述目标区域的人口数据,并将所述人口数据展布在所述居住用地上,以得到人口空间分布数据;
其中,通过将该人口数据展布在城镇居住用地、农村居民点和学生宿舍用地三类主要居住用地,以获得该人口空间分布数据;
步骤S30,选择关键地理变量,构建LUR模型;
其中,通过先进行LUR模型自变量和因变量的选取,基于获取到的PM2.5模拟数据对该LUR模型进行自变量数据的获取,并基于该自变量、因变量和自变量数据的获取以构建该LUR模型;
优选的,该步骤中,当完成该LUR模型的构建时,对该LUR模型进行模型检验,具体的,该步骤中,通过采用预留检验法,从每个季度的PM2.5模拟数据随机抽取36个作为训练样本建模,剩余的12个作为检验样本,利用检验样本模拟值与实测值之间的吻合度检验模型精度。
具体的,LUR模型精度指标采用方根误差(RMSE)和模型验证的决定系数(R2)。此外,为了避免模型结果受数据分组的影响,每个季节的上述建模操作重复3次,取拟合度最优的模型作为LUR模型;
步骤S40,根据所述LUR模型对空气污染物模拟数据进行网格分布计算,获取所述目标区域中的空气污染物模拟数据;
其中,利用ARCGIS10.2软件生成100m*100m格网,并根据构建的LUR模型计算每个格网点中PM2.5模拟数据的自变量值,进而得到格网点的PM2.5浓度,即得到该空气污染物分布数据;
步骤S50,对所述人口空间分布数据和所述空气污染物分布数据进行数据叠加分析,得到空气污染暴露风险分区图;
其中,所述空气污染暴露风险分区图中存储有所述目标区域中各个区域对应的空气污染暴露风险指标。
本实施例,通过将人口数据展布在所述居住用地上得到人口空间分布数据的设计,使得后续对人口空间分布数据和空气污染物分布数据进行数据叠加分析过程中,能有效的考虑人口因素在空气污染暴露风险评价中的主体作用,弥补了现有污染物浓度指标忽视人口分布的缺陷,提升了空气污染暴露风险评价的合理性。
实施例二
请参阅图2,是本发明第二实施例提供的空气污染暴露风险评价方法的流程图,包括步骤:
步骤S11,获取目标区域的遥感影像,并根据所述遥感影像对所述目标区域中的居住用地进行分类,得到多个不同类别的居住用地;
步骤S21,获取所述目标区域的人口数据,并将所述人口数据展布在所述居住用地上,以得到人口空间分布数据;
步骤S31,计算预设自变量与因变量污染物浓度的相关性,并剔除与污染物浓度相关性不合常理的变量;
其中,选取道路、人口、土地利用、气象4类因子的42个变量作为LUR模型的预设自变量,各类因子的处理采用ARCGIS10.2软件,LUR模型的因变量即PM2.5浓度;
具体的,该步骤中,预设自变量涉及道路、人口、土地利用、气象4类因子,其中,道路因子中18个预设自变量的值根据城市总体规划道路交通规划图,利用ARCGIS10.2软件将道路矢量化再进行缓冲区分析获取;人口因子采用居住用地面积表征,先根据提取居住用地,再进行缓冲区分析获取;土地利用因子中13个预设自变量的值根据IKONOS遥感影像数据和目标区域的土地利用变更数据提取;气象因子中5个预设变量采用气象站的监测数据,从气象数据共享网获取;
步骤S41,查询每类预设因子中与污染物浓度相关性最高的变量,并去除每类所述预设因子中剩余变量与剔除的变量之间皮尔森相关系数大于0.6的变量;
其中,通过去除每类所述预设因子中剩余变量与剔除的变量之间皮尔森相关系数大于0.6的变量的设计,有效的提高预设因子中预设自变量的准确性;
步骤S51,根据每类所述预设因子中的剩余变量进行逐步多元线性回归,以构建所述LUR模型,并获取所述目标区域中的PM2.5模拟数据;
其中,当完成该LUR模型的构建时,对该LUR模型进行模型检验,具体的,该步骤中,通过采用预留检验法,从每个季度的PM2.5模拟数据随机抽取36个作为训练样本建模,剩余的12个作为检验样本,利用检验样本模拟值与实测值之间的吻合度检验模型精度。
具体的,LUR模型精度指标采用方根误差(RMSE)和模型验证的决定系数(R2)。此外,为了避免模型结果受数据分组的影响,每个季节的上述建模操作重复3次,取拟合度最优的模型作为LUR模型;
步骤S61,生成分布网格,并根据所述LUR模型计算所述PM2.5模拟数据在所述分布网格中各个格网点的自变量值,以得到所述空气污染物分布数据;
其中,利用ARCGIS10.2软件生成100m*100m格网,并根据构建的LUR模型计算每个格网点中PM2.5模拟数据的自变量值,进而得到格网点的PM2.5浓度,即得到该空气污染物分布数据,该空气污染物分布数据包括各个所述格网点与对应PM2.5浓度之间的对应关系;
步骤S71,对所述人口空间分布数据和所述空气污染物分布数据进行无量纲归一化处理,得到无量纲数据;
具体的,该步骤中,所述对所述人口空间分布数据和所述空气污染物分布数据进行无量纲归一化处理的步骤包括:
计算所述目标区域中的平均空气污染物浓度和平均人口密度;
将所述人口空间分布数据和所述空气污染物分布数据分别对应除以所述平均空气污染物浓度和所述平均人口密度,得到无量纲数据。
步骤S81,根据所述无量纲数据对所述目标区域进行污染度浓度分级和人口密度分级,得到污染度等级表和人口密度等级表;
其中,该污染度等级表中PM2.5浓度对空间单元的影响程度分为高、次高、中、次低、低等五类,该人口密度等级表中人口密度分为高密度、次高密度、中密度、次低密度、低密度等五类,上述各个等级指标量化为{1,2,3,4,5}的整数,其中1表示低、2表示次低、3表示中、4表示次高、5表示高;
步骤S91,根据所述污染度等级表和所述人口密度等级表对所述无量纲数据进行污染度浓度分级和人口密度分级,得到PM2.5浓度分级图和人口密度分级图;
步骤S101,将所述PM2.5浓度分级图和所述人口密度分级图转换为栅格数据,并将所述栅格数据中的PM2.5浓度参数叠加至人口密度参数中,以得到所述空气污染暴露风险分区图;
其中,通过运用ARCGIS10.2软件的转换工具将PM2.5浓度分级图和人口密度分级图转为栅格数据,并运用ARCGIS10.2软件的栅格计算功能将PM2.5浓度参数叠加至人口密度参数中,从而得到各空间单元PM2.5浓度的人口暴露风险数据;
优选的,将上述人口暴露风险数据映射至高风险、次高风险、中风险、次低风险、低风险等五类,以得到该空气污染暴露风险分区图,该空气污染暴露风险分区图中存储有所述目标区域中各个区域对应的空气污染暴露风险指标,从而直观反映各空间单元的空气污染暴露风险;
本实施例,通过将人口数据展布在所述居住用地上得到人口空间分布数据的设计,使得后续对人口空间分布数据和空气污染物分布数据进行数据叠加分析过程中,能有效的考虑人口因素在空气污染暴露风险评价中的主体作用,弥补了现有污染物浓度指标忽视人口分布的缺陷,提升了空气污染暴露风险评价的合理性,通过对人口数据与污染物浓度数据进行无量纲归一化处理,以及进行风险分级,可避免暴露风险出现“高低两级”的非正常集聚现象,可直观展现评价城市区域的空气污染暴露风险,识别关键风险区。
实施例三
请参阅图3,是本发明第三实施例提供的空气污染暴露风险评价***100的结构示意图,包括:用地分类模块10、人口展布模块11、模型构建模块12、污染分布计算模块13和数据分析模块14,其中:
用地分类模块10,用于获取目标区域的遥感影像,并根据所述遥感影像对所述目标区域中的居住用地进行分类,得到多个不同类别的居住用地。
人口展布模块11,用于获取所述目标区域的人口数据,并将所述人口数据展布在所述居住用地上,以得到人口空间分布数据。
模型构建模块12,用于选择关键地理变量,构建LUR模型。
其中,所述模型构建模块12还用于:计算预设自变量与因变量污染物浓度的相关性,并剔除与污染物浓度相关性不合常理的变量;
查询每类预设因子中与污染物浓度相关性最高的变量,并去除每类所述预设因子中剩余变量与剔除的变量之间皮尔森相关系数大于0.6的变量,其中,所述预设因子包括道路、人口、土地利用或气象,所述因变量为PM2.5浓度;
根据每类所述预设因子中的剩余变量进行逐步多元线性回归,以构建所述LUR模型。
污染分布计算模块13,用于根据所述LUR模型对所述PM2.5模拟数据进行网格分布计算,获取目标区域中的空气污染物模拟数据。
其中,所述污染分布计算模块13还用于:生成分布网格,并根据所述LUR模型计算所述PM2.5模拟数据在所述分布网格中各个格网点的自变量值,以得到所述空气污染物分布数据;
其中,所述空气污染物分布数据包括各个所述格网点与对应PM2.5浓度之间的对应关系。
数据分析模块14,用于对所述人口空间分布数据和所述空气污染物分布数据进行数据叠加分析,得到空气污染暴露风险分区图,所述空气污染暴露风险分区图中存储有所述目标区域中各个区域对应的空气污染暴露风险指标。
其中,所述数据分析模块14还用于:对所述人口空间分布数据和所述空气污染物分布数据进行无量纲归一化处理,得到无量纲数据;
根据所述无量纲数据对所述目标区域进行污染度浓度分级和人口密度分级,得到污染度等级表和人口密度等级表;
根据所述污染度等级表和所述人口密度等级表对所述无量纲数据进行污染度浓度分级和人口密度分级,得到PM2.5浓度分级图和人口密度分级图;
将所述PM2.5浓度分级图和所述人口密度分级图转换为栅格数据,并将所述栅格数据中的PM2.5浓度参数叠加至人口密度参数中,以得到所述空气污染暴露风险分区图。
优选的,所述数据分析模块14还用于:计算所述目标区域中的平均空气污染物浓度和平均人口密度;
将所述人口空间分布数据和所述空气污染物分布数据分别对应除以所述平均空气污染物浓度和所述平均人口密度,得到无量纲数据。
本实施例,通过将人口数据展布在所述居住用地上得到人口空间分布数据的设计,使得后续对人口空间分布数据和空气污染物分布数据进行数据叠加分析过程中,能有效的考虑人口因素在空气污染暴露风险评价中的主体作用,弥补了现有污染物浓度指标忽视人口分布的缺陷,提升了空气污染暴露风险评价的合理性,通过对人口数据与污染物浓度数据进行无量纲归一化处理,以及进行风险分级,可避免暴露风险出现“高低两级”的非正常集聚现象,可直观展现评价城市区域的空气污染暴露风险,识别关键风险区。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元或模块完成。实施方式中的各功能单元、模块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,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
本领域技术人员可以理解,图3中示出的组成结构并不构成对本发明的空气污染暴露风险评价***的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,而图1-3中的空气污染暴露风险评价方法亦采用图3中所示的更多或更少的部件,或者组合某些部件,或者不同的部件布置来实现。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种空气污染暴露风险评价方法,其特征在于,所述方法包括:
获取目标区域的遥感影像,并根据所述遥感影像对所述目标区域中的居住用地进行分类,得到多个不同类别的居住用地;
获取所述目标区域的人口数据,并将所述人口数据展布在所述居住用地上,以得到人口空间分布数据;
选择关键地理变量,构建LUR模型;
根据所述LUR模型对空气污染物模拟数据进行网格分布计算,获取目标区域中的空气污染物模拟数据;
对所述人口空间分布数据和所述空气污染物分布数据进行数据叠加分析,得到空气污染暴露风险分区图。
2.如权利要求1所述的空气污染暴露风险评价方法,其特征在于,所述构建LUR模型的步骤包括:
计算预设自变量与因变量污染物浓度的相关性,并剔除与污染物浓度相关性不合常理的变量;
查询每类预设因子中与污染物浓度相关性最高的变量,并去除每类所述预设因子中剩余变量与剔除的变量之间皮尔森相关系数大于0.6的变量;
根据每类所述预设因子中的剩余变量进行逐步多元线性回归,以构建所述LUR模型。
3.如权利要求1所述的空气污染暴露风险评价方法,其特征在于,所述根据所述LUR模型对空气污染物模拟数据进行网格分布计算的步骤包括:
生成分布网格,并根据所述LUR模型计算空气污染物模拟数据在所述分布网格中各个格网点的自变量值,以得到所述空气污染物分布数据;
其中,所述空气污染物分布数据包括各个所述格网点与对应空气污染物浓度之间的对应关系。
4.如权利要求1所述的空气污染暴露风险方法,其特征在于,所述对所述人口空间分布数据和所述空气污染物分布数据进行数据叠加分析的步骤包括:
对所述人口空间分布数据和所述空气污染物分布数据进行无量纲归一化处理,得到无量纲数据;
根据所述无量纲数据对所述目标区域进行污染度浓度分级和人口密度分级,得到污染度等级表和人口密度等级表;
根据所述污染度等级表和所述人口密度等级表对所述无量纲数据进行污染度浓度分级和人口密度分级,得到空气污染物浓度分级图和人口密度分级图;
将所述空气污染物浓度分级图和所述人口密度分级图转换为栅格数据,并将所述栅格数据中的空气污染物浓度参数叠加至人口密度参数中,以得到所述空气污染暴露风险分区图。
5.如权利要求4所述的空气污染暴露风险评价方法,其特征在于,所述对所述人口空间分布数据和所述空气污染物分布数据进行无量纲归一化处理的步骤包括:
计算所述目标区域中的平均空气污染物浓度和平均人口密度;
将所述人口空间分布数据和所述空气污染物分布数据分别对应除以所述平均空气污染物浓度和所述平均人口密度,得到无量纲数据。
6.如权利要求2所述的空气污染暴露风险评价方法,其特征在于,所述预设因子包括道路、人口、土地利用或气象,所述因变量为空气污染物浓度。
7.一种空气污染暴露风险评价***,其特征在于,所述***包括:
用地分类模块,用于获取目标区域的遥感影像,并根据所述遥感影像对所述目标区域中的居住用地进行分类,得到多个不同类别的居住用地;
人口展布模块,用于获取所述目标区域的人口数据,并将所述人口数据展布在所述居住用地上,以得到人口空间分布数据;
模型构建模块,用于选择关键地理变量,构建LUR模型;
污染分布计算模块,用于根据所述LUR模型对空气污染物模拟数据进行网格分布计算,获取目标区域中的空气污染物模拟数据;
数据分析模块,用于对所述人口空间分布数据和所述空气污染物分布数据进行数据叠加分析,得到空气污染暴露风险分区图,所述空气污染暴露风险分区图中存储有所述目标区域中各个区域对应的空气污染暴露风险指标。
8.如权利要求7所述的空气污染暴露风险评价***,其特征在于,所述模型构建模块还用于:
计算预设自变量与因变量污染物浓度的相关性,并剔除与污染物浓度相关性不合常理的变量;
查询每类预设因子中与污染物浓度相关性最高的变量,并去除每类所述预设因子中剩余变量与剔除的变量之间皮尔森相关系数大于0.6的变量;
根据每类所述预设因子中的剩余变量进行逐步多元线性回归,以构建所述LUR模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553734.8A CN111709646B (zh) | 2020-06-17 | 2020-06-17 | 空气污染暴露风险评价方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553734.8A CN111709646B (zh) | 2020-06-17 | 2020-06-17 | 空气污染暴露风险评价方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709646A true CN111709646A (zh) | 2020-09-25 |
CN111709646B CN111709646B (zh) | 2024-02-09 |
Family
ID=72541323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010553734.8A Active CN111709646B (zh) | 2020-06-17 | 2020-06-17 | 空气污染暴露风险评价方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709646B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417786A (zh) * | 2020-11-24 | 2021-02-26 | 清华大学 | 一种基于污染物扩散和人员分布密度的空间脆弱性评价方法 |
CN113298439A (zh) * | 2021-06-22 | 2021-08-24 | 中国平安财产保险股份有限公司 | 基于人口分布的环境风险评估方法、装置及计算机设备 |
CN114705598A (zh) * | 2022-02-21 | 2022-07-05 | 中科星通(廊坊)信息技术有限公司 | 城市群pm2.5污染的分析方法和分析装置 |
CN117932737A (zh) * | 2024-01-12 | 2024-04-26 | 华中科技大学 | 一种基于污染物暴露风险地图的街区规划评估与优化方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192764A1 (en) * | 2004-03-01 | 2005-09-01 | Holland Richard A. | Computation of radiating particle and wave distributions using a generalized discrete field constructed from representative ray sets |
US8359288B1 (en) * | 2005-12-30 | 2013-01-22 | Dp Technologies, Inc. | Method and apparatus to utilize sensor, monitor, device (SMD) data based on location |
WO2015092193A1 (fr) * | 2013-12-20 | 2015-06-25 | Electricite De France | Fourniture d'energie optimisee d'un reseau de distribution. |
US20160042305A1 (en) * | 2014-08-05 | 2016-02-11 | Environmental Protection Administration, R.O.C. (Taiwan) | Environment risk sorting system |
US20170199950A1 (en) * | 2016-01-13 | 2017-07-13 | Exa Corporation | Data processing method for including the effect of the tortuosity on the acoustic behavior of a fluid in a porous medium |
US20180024508A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | System modeling, control and optimization |
CN108681645A (zh) * | 2018-05-18 | 2018-10-19 | 九江学院 | 一种基于综合相似度的锂电池模块品种分类计算方法 |
CN109255543A (zh) * | 2018-09-28 | 2019-01-22 | 中国环境科学研究院 | 一种土地利用类型中元素污染相对程度的判断方法 |
CN109615239A (zh) * | 2018-12-13 | 2019-04-12 | 西安理工大学 | 基于社会化网络媒体数据的城市空气质量的评估方法 |
CN110390494A (zh) * | 2019-08-13 | 2019-10-29 | 成都理工大学 | 农业区生活垃圾填埋场地下水中“三氮”的溯源方法 |
CN110443442A (zh) * | 2019-06-20 | 2019-11-12 | 广州大学 | 一种基于均方差赋权法的耕地生态风险评价的方法 |
CN110728018A (zh) * | 2019-08-27 | 2020-01-24 | 天津大学 | 一种不同空气湿度下大伞裙复合绝缘子积污特性分析方法 |
CN110766179A (zh) * | 2019-11-21 | 2020-02-07 | 中冶华天工程技术有限公司 | 一种采用风险优先策略的多站点巡检路径设计方法 |
CN110766257A (zh) * | 2018-07-28 | 2020-02-07 | 华中科技大学 | 一种评估人群空气污染物短期暴露浓度的方法 |
EP3629263A1 (en) * | 2018-09-26 | 2020-04-01 | Valeo Systemes Thermiques-THS | A system estimating air quality index |
CN111125641A (zh) * | 2019-12-25 | 2020-05-08 | 广州博进信息技术有限公司 | 一种大气污染异常识别与成因分析方法、装置及存储介质 |
-
2020
- 2020-06-17 CN CN202010553734.8A patent/CN111709646B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192764A1 (en) * | 2004-03-01 | 2005-09-01 | Holland Richard A. | Computation of radiating particle and wave distributions using a generalized discrete field constructed from representative ray sets |
US8359288B1 (en) * | 2005-12-30 | 2013-01-22 | Dp Technologies, Inc. | Method and apparatus to utilize sensor, monitor, device (SMD) data based on location |
WO2015092193A1 (fr) * | 2013-12-20 | 2015-06-25 | Electricite De France | Fourniture d'energie optimisee d'un reseau de distribution. |
US20160042305A1 (en) * | 2014-08-05 | 2016-02-11 | Environmental Protection Administration, R.O.C. (Taiwan) | Environment risk sorting system |
US20170199950A1 (en) * | 2016-01-13 | 2017-07-13 | Exa Corporation | Data processing method for including the effect of the tortuosity on the acoustic behavior of a fluid in a porous medium |
US20180024508A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | System modeling, control and optimization |
CN108681645A (zh) * | 2018-05-18 | 2018-10-19 | 九江学院 | 一种基于综合相似度的锂电池模块品种分类计算方法 |
CN110766257A (zh) * | 2018-07-28 | 2020-02-07 | 华中科技大学 | 一种评估人群空气污染物短期暴露浓度的方法 |
EP3629263A1 (en) * | 2018-09-26 | 2020-04-01 | Valeo Systemes Thermiques-THS | A system estimating air quality index |
CN109255543A (zh) * | 2018-09-28 | 2019-01-22 | 中国环境科学研究院 | 一种土地利用类型中元素污染相对程度的判断方法 |
CN109615239A (zh) * | 2018-12-13 | 2019-04-12 | 西安理工大学 | 基于社会化网络媒体数据的城市空气质量的评估方法 |
CN110443442A (zh) * | 2019-06-20 | 2019-11-12 | 广州大学 | 一种基于均方差赋权法的耕地生态风险评价的方法 |
CN110390494A (zh) * | 2019-08-13 | 2019-10-29 | 成都理工大学 | 农业区生活垃圾填埋场地下水中“三氮”的溯源方法 |
CN110728018A (zh) * | 2019-08-27 | 2020-01-24 | 天津大学 | 一种不同空气湿度下大伞裙复合绝缘子积污特性分析方法 |
CN110766179A (zh) * | 2019-11-21 | 2020-02-07 | 中冶华天工程技术有限公司 | 一种采用风险优先策略的多站点巡检路径设计方法 |
CN111125641A (zh) * | 2019-12-25 | 2020-05-08 | 广州博进信息技术有限公司 | 一种大气污染异常识别与成因分析方法、装置及存储介质 |
Non-Patent Citations (5)
Title |
---|
宋心艺: "城市空气污染时空变化特征研究与空气质量预测——以上海市为例", no. 6, pages 28 - 39 * |
张西雅;扈海波;: "基于多源数据的北京地区PM_(2.5)暴露风险评估", no. 05, pages 192 - 202 * |
许刚;焦利民;肖丰涛;赵素丽;张欣;: "土地利用回归模型模拟京津冀PM_(2.5)浓度空间分布", no. 10, pages 119 - 123 * |
钟佩;黄诗淳;朱耀辉;李阳;马露;: "土地利用回归模型在大气NO_2浓度空间分布模拟中的应用", 环境与健康杂志, no. 04, pages 30 - 33 * |
阳海鸥等: "LUR模型模拟的南昌市PM2.5浓度与土地利用类型的关系", vol. 33, no. 6, pages 232 - 239 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417786A (zh) * | 2020-11-24 | 2021-02-26 | 清华大学 | 一种基于污染物扩散和人员分布密度的空间脆弱性评价方法 |
CN113298439A (zh) * | 2021-06-22 | 2021-08-24 | 中国平安财产保险股份有限公司 | 基于人口分布的环境风险评估方法、装置及计算机设备 |
CN114705598A (zh) * | 2022-02-21 | 2022-07-05 | 中科星通(廊坊)信息技术有限公司 | 城市群pm2.5污染的分析方法和分析装置 |
CN114705598B (zh) * | 2022-02-21 | 2022-11-11 | 中科星通(廊坊)信息技术有限公司 | 城市群pm2.5污染的分析方法和分析装置 |
CN117932737A (zh) * | 2024-01-12 | 2024-04-26 | 华中科技大学 | 一种基于污染物暴露风险地图的街区规划评估与优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111709646B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709646A (zh) | 空气污染暴露风险评价方法及*** | |
CN110796284B (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN110084418B (zh) | 一种突发大气污染事故应急监测的监测点优化布设方法 | |
Makra et al. | Monitoring the long-range transport effects on urban PM10 levels using 3D clusters of backward trajectories | |
CN102096072B (zh) | 一种城市部件自动化测量方法 | |
Ghassoun et al. | Intra-urban variation of ultrafine particles as evaluated by process related land use and pollutant driven regression modelling | |
CN107832910B (zh) | 一种评价道路交通特征对一氧化碳排放浓度影响的方法 | |
Nejadkoorki et al. | The design of long-term air quality monitoring networks in urban areas using a spatiotemporal approach | |
CN113191582B (zh) | 一种基于gis与机器学习的道路山洪易损性评价方法 | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
CN114943441B (zh) | 一种基于poi数据的区域土壤污染健康风险评估方法 | |
CN113298439A (zh) | 基于人口分布的环境风险评估方法、装置及计算机设备 | |
CN117078077A (zh) | 一种高速公路路域的生态脆弱性评价方法 | |
CN115239156A (zh) | 城镇化指标对水系结构的影响警示方法 | |
Hamid et al. | Short term prediction of PM10 concentrations using seasonal time series analysis | |
CN116882625A (zh) | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 | |
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 | |
CN113901043B (zh) | 污染源智能监管和数据融合分析方法和*** | |
CN109213840A (zh) | 基于多维特征深度学习的热点网格识别方法 | |
CN117171533A (zh) | 一种地理测绘作业数据实时采集处理方法及*** | |
CN109613179B (zh) | 累积高值区的确定方法 | |
CN117456342A (zh) | 一种基于街景影像的交通事故风险评估方法及*** | |
Burian et al. | High-resolution dataset of urban canopy parameters for Houston, Texas | |
CN116307858A (zh) | 测绘成果质量检查与评分*** | |
CN115598027A (zh) | 一种基于遥感和机器学习技术的pm2.5反演方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |