CN112257551B - 一种氮氧化物污染源识别及排放量确定的方法及*** - Google Patents
一种氮氧化物污染源识别及排放量确定的方法及*** Download PDFInfo
- Publication number
- CN112257551B CN112257551B CN202011119845.4A CN202011119845A CN112257551B CN 112257551 B CN112257551 B CN 112257551B CN 202011119845 A CN202011119845 A CN 202011119845A CN 112257551 B CN112257551 B CN 112257551B
- Authority
- CN
- China
- Prior art keywords
- emission
- area
- pollution source
- remote sensing
- acquiring
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种氮氧化物污染源识别及排放量确定的方法及***,该方法包括:获取目标区域对应的预处理后的高空间分辨率遥感数据;根据预处理后的遥感数据,获取目标区域中的重污染区域;根据重污染区域中的污染源排放类型,获取重污染区域的关键污染源;拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,并根据NO2与氮氧化物的比例,获取氮氧化物的排放量。本发明实施例能够识别NO2重点排放区域,判断污染源所在功能区并对NOx排放量进行估算,该方法用于识别目标区域内的主要氮氧化物排放源并对其排放量进行计算。
Description
技术领域
本发明涉及环境监测与污染源识别技术领域,尤其涉及一种氮氧化物污染源识别及排放量确定的方法及***。
背景技术
氮氧化物(NOx)是二次气溶胶及夏季近地层大气臭氧生成的重要前体物。为评估氮氧化物在一定时间跨度及空间区域内的排放情况,现有方法主要基于活动水平通过排放因子法对氮氧化物排放进行核算,并利用时间廓线估算不同时间段内的污染物排放量。然而,同类源采用统一的时间廓线,难以反映同类源之间存在的时间排放特征差异。同时,活动水平以及排放因子等的不确定性导致了排放量的不确定性。
NO2柱浓度数据可以通过OMI、TROPOMI等卫星传感器反演得到,并可以定量反映目标区域内氮氧化物的空间分布特征,对地面监测站点进行补充。由于点源的烟羽扩散在空间上服从高斯分布,现有方法多对NO2柱浓度在空间上的线密度进行拟合并进一步核算污染源的氮氧化物排放量。
然而,该方法多针对位置偏远的大型点源或受其他污染源影响较小的城区。对于污染源复杂且较为集中的区域,如何识别重要污染源并对排放量核算是应用遥感数据开展重点污染源识别和排放量核算的关键技术问题。
发明内容
本发明实施例提供一种氮氧化物污染源识别及排放量确定的方法及***,用以解决现有技术中无法确定污染源识别和排放量核算的缺陷,实现重要污染源的识别和排放量的核算。
本发明实施例提供一种氮氧化物污染源识别及排放量确定的方法,包括:
获取目标区域对应的预处理后的高空间分辨率遥感数据;
根据预处理后的遥感数据,获取所述目标区域中的重污染区域;
根据所述重污染区域中的污染源排放类型,获取所述重污染区域的关键污染源;
拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,并根据NO2与氮氧化物的比例,获取氮氧化物的排放量。
根据本发明一个实施例的氮氧化物排放量确定方法,所述获取目标区域对应的预处理后的遥感数据,具体包括:
通过时空过采样方法,对目标区域对应的遥感数据进行预处理,获取预处理后的高空间分辨率遥感图像。
根据本发明一个实施例的氮氧化物排放量确定方法,根据预处理后的遥感数据,获取所述目标区域中的重污染区域,具体包括:
对预处理后的遥感数据先后进行图像灰度化,获取灰度化后的图像数据;
对灰度化后的图像数据进行去噪声处理,获取去噪处理后的图像数据;
根据去噪处理后的图像数据和预设重污染排放区域模板,获取所述重污染区域。
根据本发明一个实施例的氮氧化物排放量确定方法,所述预设重污染排放区域模块的计算公式如下:
Tx,y=Wx,y-const,
其中,dstx,y表示所述预设重污染排放区域模板,Fx,y表示去噪处理后的图像数据,Tx,y表示去噪处理后的图像数据中每个元素对应的阈值,const表示偏移值调整量,x表示行号,y表示列号。
根据本发明一个实施例的氮氧化物排放量确定方法,所述根据去噪处理后的图像数据和预设重污染排放区域模板,获取所述重污染区域,具体包括:
Outx,y=dstx,y×Cx,y,
其中,Out表示所述重污染区域,dst表示所述预设重污染排放区域模板,C表示去噪处理后的图像数据。
根据本发明一个实施例的氮氧化物排放量确定方法,所述拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,具体计算公式如下:
其中,Ax,y表示所述NO2分子量,Bx表示在X轴方向上NO2线浓度拟合线的截距,By表示在Y轴方向上NO2线浓度拟合线的截距,Ax表示在X轴方向上NO2线浓度拟合线的振幅,Ay表示在Y轴方向上NO2线浓度拟合线的振幅,fx,y(x,y)为假定NO2柱浓度所服从的空间分布,上述计算Ax,y所需参数均可通过拟合指数修正高斯分布获得。
根据本发明一个实施例的氮氧化物排放量确定方法,所述并根据NO2与氮氧化物的比例,获取氮氧化物的排放量,具体包括:
其中,E表示所述氮氧化物的排放量,Ax,y表示分子量,τ根据所述目标区域的风速和下风向e指数衰减距离确定,α为J与k的比值,J为NO2光解的一级速率常数,k为NO和O3反应速率常数,O3为臭氧浓度。
本发明实施例还提供一种氮氧化物污染源识别及排放量确定的***,包括:
预处理模块,用于获取目标区域对应的预处理后的高空间分辨率遥感数据;
重污染区域识别模块,用于根据预处理后的遥感数据,获取所述目标区域中的重污染区域;
关键污染源识别模块,用于根据所述重污染区域中的污染源排放类型,获取所述重污染区域的关键污染源;
排放量计算模块,用于拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,并根据NO2与氮氧化物的比例,获取氮氧化物的排放量。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述氮氧化物排放量确定方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述氮氧化物排放量确定方法的步骤。
本发明实施例提供的一种氮氧化物污染源识别及排放量确定的方法及***,能够识别NO2重点排放区域,判断污染源所在功能区并对NOx排放量进行估算,该方法用于识别目标区域内的主要氮氧化物排放源并对其排放量进行计算。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种氮氧化物污染源识别及排放量确定的方法的流程图;
图2为本发明实施例中北京市氮氧化物重点污染区域识别示意图;
图3为本发明实施例提供的一种氮氧化物污染源识别及排放量确定的***的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
图像分割技术是将图像分成若干特定的、具有独特性质的区域并提出感兴趣目标的技术。大型点源或重要面源的NO2柱浓度在空间上较周边呈现高值,通过设定阈值可以对其烟羽形状进行识别和提取。然而由于不同区域氮氧化物水平不同,如果设定全局单一阈值难以在空间上将区域内的主要烟羽进行识别。因此,如何根据每个区域内的氮氧化物背景浓度识别不同区域内的重点点源是目前需要解决的关键技术问题。
兴趣点(point of interest,简称POI)是地图大数据的重要组成部分,其可以是对一个停车场、一栋商业住宅、一个工厂企业等信息的描述。它的主要内容包括:名称、类别、经纬度,其在导航等诸多生活领域都有着广泛的应用,并具有分类细致、定时更新、准确性高、易于获取等特点。该数据被广泛应用于城市功能区识别研究,因此,基于兴趣点对识别烟羽所在的区域进行判定在判定烟羽所处区域以及污染源类型提供支撑。
本发明的目的是为了克服现有技术的不足,提供一种快速高效的氮氧化物排放热点区域识别及定量方法。该方法可以用于快速识别目标区域的主要污染源及其功能区域,并开展污染源NOx排放核算。
图1为本发明实施例提供的一种氮氧化物污染源识别及排放量确定的方法的流程图,如图1所示,该方法包括:
S1,获取目标区域对应的预处理后的高空间分辨率遥感数据;
S2,根据预处理后的遥感数据,获取所述目标区域中的重污染区域;
S3,根据所述重污染区域中的污染源排放类型,获取所述重污染区域的关键污染源;
S4,拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,并根据NO2与氮氧化物的比例,获取氮氧化物的排放量。
本发明实施例所采用的方案包括遥感数据预处理、热点区域提取、热点区域功能区识别以及排放量定量估算,为目标区域快速识别重要氮氧化物排放源、定量核算污染物排放量提供方法。
其中,遥感数据预处理通过时空过采样方法提高遥感数据的空间分辨率,以反映NO2空间分布特征。
热点区域提取以预处理后的遥感数据为基础,将目标区域分为若干子区域,并选取邻域值的高斯窗口加权和作为阈值生成排放热点区域提取模板,即遥感数据高于阈值的设置为1,遥感数据低于阈值的设置为0,此处的热点区域即为重污染区域。
功能区识别将热点区域与兴趣点、交通路网数据、土地利用数据相结合判断所处区域可能的污染源,可能的污染源即为本发明实施例中的关键污染源,不同区域的关键污染源是不同的,比如某个区域属于交通重点区域,那么它可能的污染源就是道路移动源。
排放量定量估算通过拟合污染源及其周边在主导风向及其垂直风向上的NO2柱浓度线浓度,以确定不同污染源去除背景浓度下的NO2分子量,并进一步地利用NO2与NOx的比例计算氮氧化物排放量。
本发明实施例提供的一种氮氧化物污染源识别及排放量确定的方法,能够识别NO2重点排放区域,判断污染源所在功能区并对NOx排放量进行估算,该方法用于识别目标区域内的主要氮氧化物排放源并对其排放量进行计算。
在上述实施例的基础上,优选地,所述获取目标区域对应的预处理后的遥感数据,具体包括:
通过时空过采样方法,对目标区域对应的遥感数据进行预处理,获取预处理后的高空间分辨率遥感图像。
采用一定时间跨度上的NO2柱浓度数据(如一个月度、季度、年度),利用高斯核函数对遥感数据进行时空过采样,其计算过程如式(1)~式(5)所示:
式中,C(j)为过采样结果,Ω(i)为NO2柱浓度,S(i,j)为卫星像素点所研究网格的相交面积,i为像素点,j为网格点,S(x,y)为二维高斯核函数,x、y是距离卫星轨迹中心店的直角坐标,wx、wy、k1、k2和k3为核函数参数。
在上述实施例的基础上,优选地,所述根据预处理后的遥感数据,获取所述目标区域中的重污染区域,具体包括:
对预处理后的遥感数据先后进行图像灰度化,获取灰度化后的图像数据;
对灰度化后的图像数据进行去噪声处理,获取去噪处理后的图像数据;
根据去噪处理后的图像数据和预设重污染排放区域模板,获取所述重污染区域。
针对预处理后的遥感数据,采用基于高斯加权和的自适应阈值法提取氮氧化物热点区域,即重污染区域:
首先,进行图像灰度化。
其中,Cx,y为式(1)时空过采样结果,G为灰度化后的遥感数据,x为行号,y为列号,Cmax为过采样后遥感数据最大值,255为灰度最大值。
接着,进行图像去噪声处理。
Fx,y=filter{Gx-i,y-i},(i,j)∈S, (7)
其中,Fx,y为去处噪声后的遥感数据,G为灰度化后的遥感数据,x为行号,y为列号,S为模板窗口,filter为滤波器,由于中值滤波可以去除噪声的同时保留图像边缘轮廓,优先选择中值滤波。
然后,预设重污染排放区域模板。
Tx,y=Wx,y-const, (8)
其中,dst为提取模板,T为逐数据所对应的阈值,W为一定邻域大小的高斯权重和,其计算过程与式(7)相同并采用高斯滤波器;const为偏移值调整量,x为行号,y为列号。
最后,热点区域提取。
Outx,y=dstx,y×Cx,y, (10)
其中,Out为提取后的热点区域;x为行号;y为列号。
本发明实施例中的重污染区域的关键污染源提取方法如下:
采用本地排放清单及POI数据对热点区域功能区进行识别。
优先结合排放清单对热点区域进行识别。如基于本地排放清单对某市提取后的热点区域中的主要污染源进行判别。
对于无排放清单数据基础,或热点区域内无排放清单涉及点源的情况,采用POI及路网进行判别。首先,判别热点区域内是否存在氮氧化物排放强度较高的工业工厂类POI;其次,根据道路路网密度判断是否为主要的道路机动车排放区域;再次,判断区域内是否存在机场、港口等典型非道路移动源的排放源。
本发明实施例中“拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,并根据NO2与氮氧化物的比例,获取氮氧化物的排放量”具体计算过程如下:
本发明实施例提出在目标源的主导风向及其垂直风向上设定正交坐标系,并设定源中心为坐标原点。
参照高斯大气污染物扩散模型,两垂直坐标系方向上NO2柱浓度的分布相互独立,其联合分布反映了NO2柱浓度的二维空间分布特征。
基于二维NO2线浓度(如式(11))及上述联合分布拟合后的振幅反映了指数修正高斯分布假设下的目标源NO2分子量之和,如式(14)所示。
本发明实施例利用指数修正高斯分布分别拟合x及y轴方向上的NO2线浓度DX(x)及DY(y)如式(12)所示,得到函数fX(x)、fY(y)及其振幅Ax、Ay,标准差σx、σy,截距Bx、By。
由于两变量独立条件下其联合分布为边缘分布的乘积,推算Ax,y如式(15)。同时,在坐标原点处拟合后的fX(0)、fY(0)及fx,y(0,0)均代表了遥感数据在其源中心的值,本发明实施例提出采用fX(0)、fY(0)的平均值及Bx、By的平均值分别估算fx,y(0,0)、Bx,y,以得到Ax,y,如式(16)。最后,本发明实施例采用Janssen方法估算NO2占NOx的比例,如式(17),并进一步利用利用式(19)估算排放量。
DX(x)=1×CX,Y=0, (11)
其中,DNO2,x为垂直于主风向上的NO2线密度,mole/cm,Ax,y为分子量,mole,E为NOx排放量,吨/小时,t0为下风向e指数衰减距离,Bx为基线值,多采用非对称最小二乘回归拟合或常数值,erf为高斯误差函数,l为过采样后的遥感数据空间分辨率,km,46为NOx摩尔质量,τ为NO2大气寿命小时,一般为5小时,可根据当地风速及t0进行估算。
为光化学反应稳态下的NO2占NOx的比例,相关参数可参考Janssen方法相关研究,J为NO2光解的一级速率常数,参考可取2.2×10-3s-1,k为NO和O3反应速率常数,参考可取3.7×10-4ppb-1s-1;α为J与k的比值,参考可取5.95ppb,u为风速,O3为臭氧浓度,ppb。
下面以京津冀地区及其典型源为例验证本方法的实用性。
1、热点区域的提取及识别。
通过本发明实施例方法时空过采样后的京津冀地区NO2柱浓度可以反映出NO2的空间特征,通过本发明实施例方法提取热点区域后,可以将空间上主要的热点区域进行提取。
以北京市为例,通过本发明实施例方法,识别北京市NO2热点区域主要有三个地区,图2为本发明实施例中北京市氮氧化物重点污染区域识别示意图,如图2所示,以道路机动车为主的五环内及昌平区域,以非道路移动源为主的首都国际机场区域。
3、NOx排放量核算。
本发明实施例以北京市首都机场、曹妃甸工业园区为例,采用夏季遥感数据对排放量进行了估算,并开展本专利方法与本地排放清单的结果对比。需要说明的是,排放清单在时间上的滞后性以及本案例仅采用了夏季遥感数据,是造成对比结果差异性的主要原因之一。
(1)北京首都国际机场:
首都机场热点区域如图2所示,由于首都国际机场距离五环内城区影响较为明显,采用式(15)~(18)进行计算。
本发明实施例在提取出的首都国际机场遥感数据的主导风向上建立估算正交坐标系并分别对两个方向上的NO2柱浓度进行拟合,并根据式(15)~(18)计算出NOx小时排放量约1.07t/小时,估算年排放约9371吨。
根据程水源等研究发现2013年首都国际机场各类移动源年NOx排放量约为6287吨,与本发明实施例所得结果接近。
(2)曹妃甸工业园区。
现有本地大气污染物排放清单数据估算2017年曹妃甸工业园区NOx排放量约1.4万吨。然而,首钢京唐钢铁作为该工业园区的重要污染源,于2019年完成超低排放改造验收,污染物排放量大幅度下降。
本发明实施例采用式(15)~(18)对排放进行计算,本发明实施例在提取出的遥感数据的主导风向上建立估算正交坐标系并分别对两个方向上的NO2柱浓度进行拟合,并根据式(15)~(18)计算出NOx小时排放量约0.28t/小时,估算年排放约2453吨。
(3)武汉钢铁及周边。
此外,本发明实施例基于式(15)~(18),估算武汉钢铁及周边NOx小时1.56吨/小时,年排放量折算为13640吨,与当地统计的1.7万吨左右具有较好的一致性。
图3为本发明实施例提供的一种氮氧化物污染源识别及排放量确定的***的结构示意图,如图3所示,该***包括预处理模块301、重污染区域识别模块302、关键污染源识别模块303和排放量计算模块304,其中:
预处理模块301用于获取目标区域对应的预处理后的高空间分辨率遥感数据;
重污染区域识别模块302用于根据预处理后的遥感数据,获取所述目标区域中的重污染区域;
关键污染源识别模块303用于根据所述重污染区域中的污染源排放类型,获取所述重污染区域的关键污染源;
排放量计算模块304用于拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,并根据NO2与氮氧化物的比例,获取氮氧化物的排放量。
本实施例为与上述方法相对应的***实施例,详情请参考上述方法实施例,本***实施例在此不再赘述。
图4为本发明实施例提供的一种电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行一种氮氧化物污染源识别及排放量确定的方法,该方法包括:
获取目标区域对应的预处理后的高空间分辨率遥感数据;
根据预处理后的遥感数据,获取所述目标区域中的重污染区域;
根据所述重污染区域中的污染源排放类型,获取所述重污染区域的关键污染源;
拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,并根据NO2与氮氧化物的比例,获取氮氧化物的排放量。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的一种氮氧化物污染源识别及排放量确定的方法,该方法包括:
获取目标区域对应的预处理后的高空间分辨率遥感数据;
根据预处理后的遥感数据,获取所述目标区域中的重污染区域;
根据所述重污染区域中的污染源排放类型,获取所述重污染区域的关键污染源;
拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,并根据NO2与氮氧化物的比例,获取氮氧化物的排放量。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的一种氮氧化物污染源识别及排放量确定的方法,该方法包括:
获取目标区域对应的预处理后的高空间分辨率遥感数据;
根据预处理后的遥感数据,获取所述目标区域中的重污染区域;
根据所述重污染区域中的污染源排放类型,获取所述重污染区域的关键污染源;
拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,并根据NO2与氮氧化物的比例,获取氮氧化物的排放量。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种氮氧化物排放源识别及排放量确定方法,其特征在于,包括:
获取目标区域对应的预处理后的高空间分辨率遥感数据;
根据预处理后的遥感数据,获取所述目标区域中的重污染区域;所述根据预处理后的遥感数据,获取所述目标区域中的重污染区域,具体包括:对预处理后的遥感数据先后进行图像灰度化,获取灰度化后的图像数据;对灰度化后的图像数据进行去噪声处理,获取去噪处理后的图像数据;根据去噪处理后的图像数据和预设重污染排放区域模板,获取所述重污染区域;所述预设重污染排放区域模块的计算公式如下:
Tx,y=Wx,y-const,
其中,dstx,y表示所述预设重污染排放区域模板,Fx,y表示去噪处理后的图像数据,Tx,y表示去噪处理后的图像数据中每个元素对应的阈值,const表示偏移值调整量,x表示行号,y表示列号;
根据所述重污染区域中的污染源排放类型,获取所述重污染区域的关键污染源;
拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,并根据NO2与氮氧化物的比例,获取氮氧化物的排放量。
2.根据权利要求1所述的氮氧化物排放量确定方法,其特征在于,所述获取目标区域对应的预处理后的高空间分辨率遥感数据,具体包括:
通过时空过采样方法,对目标区域对应的遥感数据进行预处理,获取预处理后的遥感图像。
3.根据权利要求1所述的氮氧化物排放量确定方法,其特征在于,所述根据去噪处理后的图像数据和预设重污染排放区域模板,获取所述重污染区域,具体包括:
Outx,y=dstx,y×Cx,y,
其中,Outx,y表示提取后的热点区域,dstx,y表示所述预设重污染排放区域模板,Cx,y表示时空过采样处理后的图像数据。
4.一种氮氧化物污染源识别及排放量确定的***,其特征在于,包括:
预处理模块,用于获取目标区域对应的预处理后的高空间分辨率遥感数据;
重污染区域识别模块,用于根据预处理后的遥感数据,获取所述目标区域中的重污染区域;所述根据预处理后的遥感数据,获取所述目标区域中的重污染区域,具体包括:对预处理后的遥感数据先后进行图像灰度化,获取灰度化后的图像数据;对灰度化后的图像数据进行去噪声处理,获取去噪处理后的图像数据;根据去噪处理后的图像数据和预设重污染排放区域模板,获取所述重污染区域;所述预设重污染排放区域模块的计算公式如下:
Tx,y=Wx,y-const,
其中,dstx,y表示所述预设重污染排放区域模板,Fx,y表示去噪处理后的图像数据,Tx,y表示去噪处理后的图像数据中每个元素对应的阈值,const表示偏移值调整量,x表示行号,y表示列号;
关键污染源识别模块,用于根据所述重污染区域中的污染源排放类型,获取所述重污染区域的关键污染源;
排放量计算模块,用于拟合每一关键污染源及其周边在主导风向和垂直风向上的NO2柱浓度线浓度,获取每一关键污染源的NO2分子量,并根据NO2与氮氧化物的比例,获取氮氧化物的排放量。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述氮氧化物排放量确定方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述氮氧化物排放量确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011119845.4A CN112257551B (zh) | 2020-10-19 | 2020-10-19 | 一种氮氧化物污染源识别及排放量确定的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011119845.4A CN112257551B (zh) | 2020-10-19 | 2020-10-19 | 一种氮氧化物污染源识别及排放量确定的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257551A CN112257551A (zh) | 2021-01-22 |
CN112257551B true CN112257551B (zh) | 2021-09-10 |
Family
ID=74245009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011119845.4A Active CN112257551B (zh) | 2020-10-19 | 2020-10-19 | 一种氮氧化物污染源识别及排放量确定的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257551B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034363B (zh) * | 2021-03-11 | 2024-04-09 | 云南电网有限责任公司电力科学研究院 | 基于GEE深度时空经验Kringing区域尺度的氮氧化物速降方法 |
CN113435291B (zh) * | 2021-06-22 | 2022-10-28 | 生态环境部华南环境科学研究所 | 一种排污口排查工作量核算方法、***、装置及存储介质 |
CN114218976B (zh) * | 2021-09-27 | 2024-03-08 | 中国环境科学研究院 | 臭氧前体物高值区精细化排放源追溯定位方法和*** |
CN114460232B (zh) * | 2022-01-28 | 2023-02-28 | 生态环境部卫星环境应用中心 | 基于车载测量***的多点源碳氮比监测方法及*** |
CN115082546B (zh) * | 2022-06-22 | 2023-03-21 | 中科三清科技有限公司 | 污染物排放量的确定方法、装置、电子设备及介质 |
CN114839327B (zh) * | 2022-07-01 | 2023-01-17 | 北京英视睿达科技股份有限公司 | 一种卫星监测目标区域排放源co2小时排放量方法和*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1337608A1 (en) * | 2000-09-28 | 2003-08-27 | Clean Diesel Technologies Inc. | Low-emissions diesel fuel emulsions |
US7071002B1 (en) * | 2000-05-09 | 2006-07-04 | Gordon-Darby Systems, Inc. | Method and system for vehicle emission testing |
CN104200089A (zh) * | 2014-08-27 | 2014-12-10 | 北京市环境保护监测中心 | 一种测定平房燃煤大气污染物排放量的方法 |
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 |
CN106153510A (zh) * | 2015-03-25 | 2016-11-23 | 日本电气株式会社 | 大气污染物浓度的估算方法和装置 |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控*** |
CN109523083A (zh) * | 2018-11-21 | 2019-03-26 | 北京市环境保护监测中心 | 大气污染排放测算模型建立、测算方法及模型建立装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650825B (zh) * | 2016-12-31 | 2020-05-12 | 中国科学技术大学 | 一种机动车尾气排放数据融合*** |
CN110659838A (zh) * | 2019-09-27 | 2020-01-07 | 佛山科学技术学院 | 基于遥感和gis生态环境质量评估方法 |
-
2020
- 2020-10-19 CN CN202011119845.4A patent/CN112257551B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7071002B1 (en) * | 2000-05-09 | 2006-07-04 | Gordon-Darby Systems, Inc. | Method and system for vehicle emission testing |
EP1337608A1 (en) * | 2000-09-28 | 2003-08-27 | Clean Diesel Technologies Inc. | Low-emissions diesel fuel emulsions |
CN104200089A (zh) * | 2014-08-27 | 2014-12-10 | 北京市环境保护监测中心 | 一种测定平房燃煤大气污染物排放量的方法 |
CN106153510A (zh) * | 2015-03-25 | 2016-11-23 | 日本电气株式会社 | 大气污染物浓度的估算方法和装置 |
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 |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控*** |
CN109523083A (zh) * | 2018-11-21 | 2019-03-26 | 北京市环境保护监测中心 | 大气污染排放测算模型建立、测算方法及模型建立装置 |
Non-Patent Citations (5)
Title |
---|
Remotely sensed canopy nitrogen correlates with nitrous oxide emissions in a lowland tropical rainforest;Soper,FM 等;《ECOLOGY》;20180930;第99卷(第9期);全文 * |
刘菲.基于卫星遥感的中国典型人为源氮氧化物排放研究.《中国博士学位论文全文数据库 工程科技Ⅰ辑》.2017,(第3期),第B027-38页. * |
基于OMI遥感数据的河北省大气NO2垂直柱浓度时空变化研究;辛名威;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20140131(第1期);全文 * |
基于卫星遥感的中国典型人为源氮氧化物排放研究;刘菲;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20170331(第3期);第B027-38页 * |
太赫兹成像质量提升方法;张智 等;《红外与激光工程》;20171130;第46卷(第11期);第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112257551A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257551B (zh) | 一种氮氧化物污染源识别及排放量确定的方法及*** | |
CN108648127B (zh) | 一种城市空气污染热点区域锁定方法 | |
CN112182064B (zh) | 一种污染物来源分析方法、装置、电子设备及存储介质 | |
Jin et al. | Machine learning for observation bias correction with application to dust storm data assimilation | |
CN109360421B (zh) | 一种基于机器学习的交通信息预测方法及装置、电子终端 | |
CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
CN112991132B (zh) | Pm2.5和臭氧协同管控区域识别方法及装置 | |
CN113538072A (zh) | 一种货运车辆的出行链智能识别方法、装置及电子设备 | |
CN111209533B (zh) | 道路层面细颗粒物反演方法、装置、计算设备及存储介质 | |
CN107909192B (zh) | 土壤重金属含量的估测方法及装置 | |
CN114218976B (zh) | 臭氧前体物高值区精细化排放源追溯定位方法和*** | |
CN114881381B (zh) | 基于改进卷积神经网络的城市积水水位预测方法及*** | |
CN113640822A (zh) | 一种基于非地图元素过滤的高精度地图构建方法 | |
CN115834838A (zh) | 一种隧道内的监控方法、设备和介质 | |
CN105355047A (zh) | 多交通检测源动态时间粒度的数据融合处理方法 | |
CN111612064A (zh) | Pm2.5污染气团溯源方法、装置、电子设备及存储介质 | |
CN112836586A (zh) | 一种交叉口信息确定方法、***和装置 | |
CN115792919B (zh) | 一种气溶胶激光雷达水平扫描监测污染热点区域识别方法 | |
CN115239027B (zh) | 空气质量格点化集合预报的方法及装置 | |
CN111611335A (zh) | 一种国土空间适用性评价方法、***及存储介质 | |
CN104200472A (zh) | 基于非局部小波信息的遥感图像变化检测方法 | |
CN104157009A (zh) | 一种多源遥感影像质量定量比选方法 | |
CN114414446B (zh) | 基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备 | |
CN110057981A (zh) | 路网污染源排放识别方法和*** | |
CN112818865B (zh) | 车载领域图像识别方法、识别模型建立方法、装置、电子设备和可读存储介质 |
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 |