CN112861904B - 基于imbi指数的大气污染源监测识别方法和*** - Google Patents
基于imbi指数的大气污染源监测识别方法和*** Download PDFInfo
- Publication number
- CN112861904B CN112861904B CN202011407478.8A CN202011407478A CN112861904B CN 112861904 B CN112861904 B CN 112861904B CN 202011407478 A CN202011407478 A CN 202011407478A CN 112861904 B CN112861904 B CN 112861904B
- Authority
- CN
- China
- Prior art keywords
- concentration
- imbi
- remote sensing
- index
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 239000005436 troposphere Substances 0.000 claims description 17
- 238000002485 combustion reaction Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 239000002028 Biomass Substances 0.000 claims description 8
- 239000003245 coal Substances 0.000 claims description 7
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 18
- 238000012360 testing method Methods 0.000 description 8
- 238000011010 flushing procedure Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 239000003344 environmental pollutant Substances 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000002912 waste gas Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于IMBI指数的大气污染源监测识别方法及***,该方法及***中通过设置分析模型来获得监测地区近地面的NO2和CO的浓度,进而将二者的比值作为IMBI指数,根据该IMBI指数所处的数值范围判断监测区域的主要污染源类型,可以根据具体的类型有针对性地给出治理方案,从而提高大气污染防治水平,低费高效地降低大气中PM2.5含量。
Description
技术领域
本发明涉及环境监测技术领域,具体涉及基于IMBI指数的大气污染源监测识别方法和***。
背景技术
当前我们国家虽然PM2.5浓度持续下降,但仍有部分城市PM2.5年均浓度仍未达标,污染治理任务艰巨,同时夏季臭氧污染日益严重,在部分城市已取代PM2.5成为影响优良天数的主要污染因子。NO2和CO作为PM2.5和O3的重要前体物,通过对NO2和CO高值区监测,识别大气污染源,对于PM2.5和O3的协同控制具有重要意义。
NO2主要由于交通和工业过程中化石燃料的燃烧而产生,燃烧温度要求较高,燃料燃烧越充分,排放的废气中NO2浓度越高。CO同样主要来源于人为源排放,凡是含碳的燃料不完全燃烧都会产生一氧化碳,燃烧时,供氧条件越差,排放的废气中CO含量越高。两种污染物浓度的人为排放源较为一致,主要来源于工业源、移动源和生物质燃烧等,同时人为排放的气态污染物主要存在于对流层中低层,直接利用卫星遥感来监测识别排放这两种气态污染物的大气污染源存在两方面的问题:一是卫星遥感监测反演得到的是对流层NO2和CO柱浓度,无法直接反应人为源排放状况;二是虽然两种气态污染物排放源较为一致,但是单独利用其中一种污染物,无法区分NO2和CO高值区主要来源于哪种污染源。因此如何获取近地面NO2和CO浓度、准确区分和定位工业源、移动源和燃烧源,是目前大气污染治理要做到科学治污和精准治污所面临的重要问题。
由于上述原因,本发明人对现有的大气污染源监测方法做了深入研究,设计出一种能够解决上述问题的基于IMBI指数的大气污染源监测识别方法及***。
发明内容
为了克服上述问题,本发明人进行了锐意研究,设计出一种基于IMBI指数的大气污染源监测识别方法及***,该方法及***中通过设置分析模型来获得监测地区近地面的NO2和CO的浓度,进而将二者的比值作为IMBI指数,根据该IMBI指数所处的数值范围判断监测区域的主要污染源类型,可以根据具体的类型有针对性地给出治理方案,从而提高大气污染防治水平,低费高效地降低大气中PM2.5含量,从而完成本发明。
具体来说,本发明的目的在于提供一种基于IMBI指数的大气污染源监测识别方法,该方法包括
步骤1,通过样本训练分析模型,
步骤2,调取监测地区的卫星遥感信息,反演得到对流层中NO2柱浓度和CO柱浓度,再调取监测地区的气象条件,一并将之输入到所述分析模型中,获得该监测地区近地面的NO2和CO浓度,
步骤3,根据监测地区近地面的NO2和CO的浓度信息获得该监测地区的IMBI指数,并据此判断该监测地区的污染状况。
其中,在步骤1中,所述样本包括:
通过卫星遥感信息反演得到的对流层NO2柱浓度和CO柱浓度,
地面监测站点获得的近地面的NO2、CO的浓度,和
气象条件;所述气象条件包括气温、湿度和风速。
其中,在步骤3中,所述IMBI指数通过近地面CO浓度和近地面NO2浓度之比获得。
其中,在步骤3中,判断该监测地区的污染状况包括:
IMBI<200且NO2浓度值处于前20%的规则遥感单元为城市移动源或城区工业源,
200≤IMBI<400且CO浓度值处于前20%的规则遥感单元为工业源,
IMBI≥400且CO浓度值处于前20%的规则遥感单元为居民燃煤或生物质燃烧源。
其中,在步骤3中,若所述规则遥感单元为心城区,且IMBI≥400,并且CO值处于前20%,则该规则遥感单元为机动车污染源。
其中,在步骤3中,判断完成该监测地区的污染状况后,用框选的形式突出显示其中的高污染区域。
本发明还提供一种基于IMBI指数的大气污染源监测识别***,该***包括:
分析模型,其用于根据监测地区的对流层中NO2柱浓度、CO柱浓度和监测地区的气象条件,获得该监测地区近地面的NO2和CO的浓度;
判断筛选模块,其用于根据监测地区近地面的NO2和CO的浓度获得该监测地区的IMBI指数,并据此判断该监测地区的污染状况。
其中,所述分析模型通过样本训练得到,所述样本包括:
通过卫星遥感信息反演得到的对流层NO2柱浓度和CO柱浓度,
地面监测站点获得的近地面的NO2、CO的浓度,和
气象条件;所述气象条件包括气温、湿度和风速。
其中,在所述判断筛选模块中,通过近地面CO浓度和近地面NO2浓度之比获得IMBI指数。
其中,在所述判断筛选模块中,
IMBI<200且NO2浓度值处于前20%的规则遥感单元为城市移动源或城区工业源,
200≤IMBI<400且CO浓度值处于前20%的规则遥感单元为工业源,
IMBI≥400且CO浓度值处于前20%的规则遥感单元为居民燃煤或生物质燃烧源。
本发明所具有的有益效果包括:
(1)根据本发明提供的基于IMBI指数的大气污染源监测识别方法及***中通过分析模块快速准确地获得监测地区近地面的NO2和CO浓度,从而使得该***及方法能够对没有搭载NO2和CO探测设备的地区进行污染情况监测,提高整体的适应性;
(2)根据本发明提供的基于IMBI指数的大气污染源监测识别方法及***能够获得IMBI指数,并根据该IMBI指数所处的数值范围判断监测区域的主要污染源类型,为精确治理污染提供可靠的数据信息基础。
附图说明
图1示出根据本发明一种优选实施方式的基于IMBI指数的大气污染源监测识别方法整体逻辑图;
图2示出实施例中得到的京津冀鲁豫地区近地面NO2浓度分布图;
图3示出实施例中得到的京津冀鲁豫地区近地面CO浓度分布图;
图4示出实施例中得到的京津冀鲁豫地区近地面IMBI分布图;
图5示出实施例中突出显示的河北唐山国义特钢焦化厂附近区域及其放大图;
图6示出实施例中突出显示的天津市蓟州区上仓镇附近区域及其放大图;
图7示出实施例中突出显示的山东省德州市鲁权屯镇附近区域及其放大图;
图8示出实施例中突出显示的河南省安阳市八里营镇四街村附近区域及其放大图;
图9示出实施例中突出显示的河山东省菏泽市东明集镇五营村附近区域及其放大图。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
根据本发明提供的基于IMBI指数的大气污染源监测识别方法,如图1中所示,该方法包括如下步骤:
步骤1,通过样本训练分析模型,
步骤2,调取监测地区的卫星遥感信息,反演得到对流层中NO2柱浓度和CO柱浓度,再调取监测地区的气象条件,一并将之输入到所述分析模型中,获得该监测地区近地面的NO2和CO浓度,
步骤3,根据监测地区近地面的NO2和CO的浓度信息获得该监测地区的IMBI指数,并据此判断该监测地区的污染状况。
在一个优选的实施方式中,在步骤1中,所述样本包括:
通过卫星遥感信息反演得到的对流层NO2柱浓度和CO柱浓度,
地面监测站点获得的近地面的NO2、CO的浓度,和
气象条件;所述气象条件包括气温、湿度和风速。
通过大量样本冲刷训练,使得该分析模型在接收到对流层NO2柱浓度、CO柱浓度和对应的气象条件时就能够获得相应的近地面的NO2和CO浓度。
所述训练样本可以选择全球范围内任意多个区域对应的NO2柱浓度、CO柱浓度和气象条件。
在一个优选的实施方式中,所述步骤1包括如下子步骤:
子步骤1,调取基础数据;
子步骤2,判定基础数据是否符合要求;
子步骤3,从符合要求的基础数据中选取可用数据;
子步骤4,根据子步骤3中的可用数据获得分析模型。
具体来说,在子步骤1中,调取一个规则遥感单元所对应区域的近地面NO2、CO的浓度,调取该区域的气象条件,即该规则遥感单元所对应区域近地面的气温、湿度和风速,再通过反演获得该规则遥感单元对应区域的对流层NO2柱浓度和CO柱浓度,将这些数据集合为一个基础数据,所述基础数据即为样本训练的基础数据。在实际工作过程中,每次调取所述基础数据时至少要调取3000个以上的基础数据。
所述子步骤2包括如下亚子步骤;
亚子步骤1,将所有基础数据随机地按照预定比例分成两组,即为学习组和检验组;优选地,所述比例可以为15~25:1,更优选地,学习组中数据数量与检验组中数据数量之比为19:1;
亚子步骤2,利用学习组中的数据冲刷模型,再用检验组中的每个数据逐一验证该模型,并分别记录检验组中每个数据的验证结果,优选地,所述验证结果包括验证通过和验证不通过;其中,验证通过是指将检验组中基础数据的对流层NO2柱浓度、CO柱浓度和气象条件带入到模型中,得到的近地面NO2、CO的浓度与该基础数据中的近地面NO2、CO的浓度接近,即误差在3%以下,优选地,所述浓度接近是指获得值与真实值之间的差除以真实值,所得结果小于或等于3%时的情况,进一步地,彼此独立地解算NO2和CO的误差,二者的误差都在3%以下时才判定为验证通。
验证不通过是指将检验组中基础数据的对流层NO2柱浓度、CO柱浓度和气象条件带入到模型中,得到的近地面NO2、CO的浓度与该基础数据中的近地面NO2、CO的浓度据不一致,即即误差大于3%。
亚子步骤3,多次重复上述亚子步骤1和亚子步骤2,其中,曾经被分配到检验组中的基础数据不再被分配到检验组中,确保每个基础数据都曾在检验组中对被学习组中数据冲刷过的模型做过验证,直至获得所有基础数据对应的验证结果;
亚子步骤4,解算所有基础数据验证结果的总通过率,所述总通过率为所有基础数据的验证结果为验证通过的数量与所有基础数据的数量之比;当总通过率不大于80%时,认为这些基础数据不符合基本要求,全部放弃,重复子步骤1,重新获得新的基础数据;当亚子步骤4中结果即总通过率大于80%时,认为这些基础数据满足使用要求,即为符合要求的基础数据,可以进行下一步处理。
在一个优选的实施方式中,子步骤3中得到可用数据包括如下子步骤:
亚子步骤a,多次重复子步骤2中的亚子步骤1-3,并且每次重复亚子步骤1时都得到一个由不同的基础数据组成的检验组,即所有的检验组都是不同的;优选地,所述亚子步骤1-3重复20-30次,进而使得每个基础数据都对应有多个验证结果,再分别解算每个基础数据对应的平均通过率;所述基础数据对应的平均通过率为该基础数据对应的验证结果中验证通过的数量与该基础数据对应的验证结果的总数量之比。
亚子步骤b,找到并隐藏5例平均通过率最低的基础数据,当存在6例以上基础数据的平均通过率一致且最低时,任意隐藏其中5例即可,即数据值并列时,随机抽取,被隐藏的数据,在被恢复以前,不再参与任何计算处理;找到并利用剩余的基础数据再次执行亚子步骤1-4,观察总通过率相较于隐藏数据前是否提高,如果总通过率提高,则删除该被隐藏的基础数据,并执行亚子步骤c;如果总通过率未提高,则恢复被隐藏的基础数据,继续挑选并隐藏平均通过率最低的基础数据,其中,曾经被隐藏后又被恢复的数据不会再次被挑选,基础数据恢复后添加特殊标记;重复以上过程,直至总通过率提高;
亚子步骤c,在总通过率提高后,以剩余的基础数据为基础,重复亚子步骤a和亚子步骤b,在重复的过程中,首先消除数据上的特殊标记;发现总通过率提高后再以当前剩余的基础数据为基础,继续重复亚子步骤a和亚子步骤b,直至总通过率达到90%以上,优选为95%以上;或者删除的基础数据达到总的基础数据的20%时为止,此时剩余的基础数据即为可用数据。
优选地,所述子步骤2中的模型包括绝大多数有监督学***均值作为每次冲刷的输出值,即将3-4层结构的神经网络、C4.5决策树、XGBoost组合为最优选的模型,即高生态效用的模型。
在子步骤4中,获得分析模型的过程中,将每个可用数据中的对流层NO2柱浓度、CO柱浓度、气象条件与近地面NO2、CO的浓度拼接成一个数据段,作为学习材料,通过机器学习获得分析模型;
在一个优选的实施方式中,在步骤4中,利用可用数据获得分析模型学***均值。例如,针对一组数据,三个模型分别给出的输出结果为一个是6,一个是15,一个是7,输出结果7和输出结果6彼此接近,则最终分析模型的输出结果为6,即7和6的平均值,并向下取整,其中NO2浓度和CO浓度分别单独计算。
本申请中所述的近地面是指高度在50至100m左右的空间区域。
所述地面监测站点为***世界气象组织统一协调管控的观测场地,其中包括测量气温、湿度和风速的相关设备。
在一个优选的实施方式中,在步骤3中,所述IMBI指数通过近地面CO浓度和近地面NO2浓度之比获得。
在一个优选的实施方式中,在步骤3中,判断该监测地区的污染状况包括:
IMBI<200且NO2浓度值处于前20%的规则遥感单元为城市移动源或城区工业源。具体来说,将该监测区域分隔成多个规则遥感单元,分别判断每个规则遥感单元的IMBI值,同时对所有规则遥感单元对应的NO2浓度值并按照大小排序,从中挑选出NO2浓度值排名前20%且IMBI<200的规则遥感单元,该挑选出的规则遥感单元所指代的区域范围即为所述城市移动源或城区工业源,即为高污染区域。本申请中所述的规则遥感单元是卫星遥感图像中表示特定地面区域的矩形框选单元,可以根据分辨率等实际情况设定具体的网格尺寸,如3.5km×3.5km、3.5km×7km、7km×7km等等。
200≤IMBI<400且CO浓度值处于前20%的规则遥感单元为工业源,
IMBI≥400且CO浓度值处于前20%的规则遥感单元为居民燃煤或生物质燃烧源。
在一个优选的实施方式中,在步骤3中,若所述规则遥感单元为心城区,且IMBI≥400,并且CO值处于前20%,则该规则遥感单元为机动车污染源。
本申请中优选地,当该监测地区的PM2.5浓度大于75μg/m3或者CO浓度大于200*1016molec./cm2时,才进行上述污染状况的判断,即当该监测地区的PM2.5浓度在75μg/m3以下并且CO浓度在200*1016molec./cm2以下时,不存在污染源。
进一步优选地,在步骤3中,判断完成该监测地区的污染状况后,用框选的形式突出显示其中的高污染区域,即用线框选中高污染区域,并对高污染区域做局部放大处理,以便于准确获知高污染区域的具体坐标及地貌信息。
优选地,所述监测地区的一般区域为地级市的行政覆盖范围。
本发明还提供一种基于IMBI指数的大气污染源监测识别***,该***包括分析模型和判断筛选模块。
分析模型用于根据监测地区的对流层中NO2柱浓度、CO柱浓度和监测地区的气象条件,获得该监测地区近地面的NO2和CO的浓度;
判断筛选模块用于根据监测地区近地面的NO2和CO的浓度获得该监测地区的IMBI指数,并据此判断该监测地区的污染状况。
优选地,所述分析模型通过样本训练得到,所述样本包括:
通过卫星遥感信息反演得到的对流层NO2柱浓度和CO柱浓度,
地面监测站点获得的近地面的NO2、CO的浓度,和
气象条件;所述气象条件包括气温、湿度和风速。
优选地,在所述判断筛选模块中,通过近地面CO浓度和近地面NO2浓度之比获得IMBI指数。
优选地,在所述判断筛选模块中,
IMBI<200且NO2浓度值处于前20%的规则遥感单元为城市移动源或城区工业源;
200≤IMBI<400且CO浓度值处于前20%的规则遥感单元为工业源,
IMBI≥400且CO浓度值处于前20%的规则遥感单元为居民燃煤或生物质燃烧源。
进一步地,判断完成该监测地区的污染状况后,用框选的形式突出显示其中的高污染区域。
实施例
从国控监测站点数据库调取近地面NO2、CO浓度和气象条件,从和AIRS数据库中调取热红外高光谱数据,并根据热红外高光谱数据反演得到对流层NO2柱浓度和CO柱浓度,且将每个规则遥感单元所对应区域的近地面NO2浓度、近地面CO浓度、近地面气象条件、对流层NO2柱浓度和CO柱浓度集合为一个基础数据,共调取3000个基础数据。
将全部3000条基础数据随机分为20份,其中一份作为检验组,其他份作为学习组,通过学习组冲刷模型,再用检验组中的数据验证该模型,得到每个检验组数据的验证结果;再用其他份中的数据作为检验组,重复上述步骤,共重复循环150次,确保每个基础数据都曾分配到过检验组中,即每个基础数据都得到对应的验证结果,求得总通过率为88%,高于80%,可以进行下一步处理。
剔除该基础数据中的异常数据,即得到可用数据,具体来说,
求取平均通过率,将全部3000条基础数据随机分为20份,其中一份作为检验组,其他份作为学***均通过率;
找到并隐藏5例平均通过率最低的基础数据,利用剩余的2995例基础数据再次执行上述求取总通过率的过程,观察总通过率相较于隐藏数据前是否提高,如果总通过率提高,则删除该被隐藏的基础数据;如果总通过率未提高,则恢复被隐藏的基础数据,对恢复的基础数据做特殊标记,不可再次被挑选/隐藏,再从剩余基础数据中挑选平均通过率最低的5个基础数据,重复上述求取总通过率的过程,直至总通过率提高;
在命中率有所上升后,删除隐藏数据,以剩余的基础数据为基础,继续执行上述求取平均通过率的过程,在此过程中,曾经被特殊标记的数据取消特殊标记,在重新被标记以前,可以被挑选/隐藏。解算每个基础数据对应的平均通过率,寻找并隐藏平均通过率最低的5个基础数据,再在隐藏平均通过率最低的数据的基础上求取总通过率,持续重复上述剔除过程,最终总通过率达到95%。
此时剩余的数据都称之为可用数据。
根据可用数据训练分析模型,具体来说,
利用可用数据冲刷3-4层结构的神经网络、C4.5决策树、XGBoost计算模块,得到该三个模型组合的分析模型,该分析模型的输出值为三个模型给出的3个模型输出中2个较为接近的值的均值,从而得到分析模型。
在获得了分析模型以后,调取京津冀鲁豫地区的2019年2月的卫星遥感信息,反演得到对流层中NO2柱浓度和CO柱浓度,再调取该地区2019年2月的气温、湿度和风速信息,一并将之输入到所述分析模型中,从而获得京津冀鲁豫地区2019年2月近地面的NO2和CO浓度,如图2和图3中所示,进而获得京津冀鲁豫地区IMBI值,如图4中所示。
根据下述的判断条件,
IMBI<200且NO2浓度值处于前20%的规则遥感单元为城市移动源或城区工业源,
200≤IMBI<400且CO浓度值处于前20%的规则遥感单元为工业源,
IMBI≥400且CO浓度值处于前20%的规则遥感单元为居民燃煤或生物质燃烧源;
框选出京津冀鲁豫地区中的高污染区域,如图5、图6、图7、图8和图9中所示。
其中,图5示出通过框选的形式突出显示了河北唐山国义特钢焦化厂附近区域为高污染区域,该规则遥感单元中近地面NO2浓度值为8.59*1015molec./cm2,近地面CO浓度值为250*1016molec./cm2IMBI值为291,该规则遥感单元对应的污染源类型为工业源;
图6示出通过框选的形式突出显示了天津市蓟州区上仓镇附近区域为高污染区域,该规则遥感单元中近地面NO2浓度值为5.05*1015molec./cm2,近地面CO浓度值为215*1016molec./cm2IMBI值为426,该规则遥感单元对应的污染源类型为居民燃煤源;
图7示出通过框选的形式突出显示了山东省德州市鲁权屯镇附近区域为高污染区域,该规则遥感单元中近地面NO2浓度值为5.53*1015molec./cm2,近地面CO浓度值为223*1016molec./cm2IMBI值为403,该规则遥感单元对应的污染源类型为居民燃煤源;
图8示出通过框选的形式突出显示了河南省安阳市八里营镇四街村附近区域为高污染区域,该规则遥感单元中近地面NO2浓度值为4.01*1015molec./cm2,近地面CO浓度值为(202*1016molec./cm2IMBI值为504,该规则遥感单元对应的污染源类型为居民燃煤源;
图9示出通过框选的形式突出显示了山东省菏泽市东明集镇五营村附近区域为高污染区域,该规则遥感单元中近地面NO2浓度值为4.22*1015molec./cm2,近地面CO浓度值为(212*1016molec./cm2IMBI值为502,该规则遥感单元对应的污染源类型为居民燃煤源。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (4)
1.一种基于IMBI指数的大气污染源监测识别方法,其特征在于,该方法包括
步骤1,通过样本训练分析模型,
步骤2,调取监测地区的卫星遥感信息,反演得到对流层中NO2柱浓度和CO柱浓度,再调取监测地区的气象条件,一并将之输入到所述分析模型中,获得该监测地区近地面的NO2和CO浓度,
步骤3,根据监测地区近地面的NO2和CO的浓度信息获得该监测地区的IMBI指数,并据此判断该监测地区的污染状况;
在步骤1中,所述样本包括:
通过卫星遥感信息反演得到的对流层NO2柱浓度和CO柱浓度,
地面监测站点获得的近地面的NO2、CO的浓度,和
气象条件;所述气象条件包括气温、湿度和风速;
在步骤3中,所述IMBI指数通过近地面CO浓度和近地面NO2浓度之比获得;
在步骤3中,判断该监测地区的污染状况包括:
IMBI<200且NO2浓度值处于前20%的规则遥感单元为城市移动源或城区工业源;
200≤IMBI<400且CO浓度值处于前20%的规则遥感单元为工业源,
IMBI≥400且CO浓度值处于前20%的规则遥感单元为居民燃煤或生物质燃烧源。
2.根据权利要求1所述的基于IMBI指数的大气污染源监测识别方法,其特征在于,
在步骤3中,若所述规则遥感单元为心城区,且IMBI≥400,并且CO值处于前20%,则该规则遥感单元为机动车污染源。
3.根据权利要求1所述的基于IMBI指数的大气污染源监测识别方法,其特征在于,
在步骤3中,判断完成该监测地区的污染状况后,用框选的形式突出显示其中的高污染区域。
4.基于IMBI指数的大气污染源监测识别***,其特征在于,该***包括:
分析模型,其用于根据监测地区的对流层中NO2柱浓度、CO柱浓度和监测地区的气象条件,获得该监测地区近地面的NO2和CO的浓度;
判断筛选模块,其用于根据监测地区近地面的NO2和CO的浓度获得该监测地区的IMBI指数,并据此判断该监测地区的污染状况;
所述分析模型通过样本训练得到,
所述样本包括:
通过卫星遥感信息反演得到的对流层NO2柱浓度和CO柱浓度,
地面监测站点获得的近地面的NO2、CO的浓度,和
气象条件;所述气象条件包括气温、湿度和风速;
在所述判断筛选模块中,通过近地面CO浓度和近地面NO2浓度之比获得IMBI指数;
在所述判断筛选模块中,
IMBI<200且NO2浓度值处于前20%的规则遥感单元为城市移动源或城区工业源;
200≤IMBI<400且CO浓度值处于前20%的规则遥感单元为工业源,
IMBI≥400且CO浓度值处于前20%的规则遥感单元为居民燃煤或生物质燃烧源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407478.8A CN112861904B (zh) | 2020-12-04 | 2020-12-04 | 基于imbi指数的大气污染源监测识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407478.8A CN112861904B (zh) | 2020-12-04 | 2020-12-04 | 基于imbi指数的大气污染源监测识别方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861904A CN112861904A (zh) | 2021-05-28 |
CN112861904B true CN112861904B (zh) | 2021-11-05 |
Family
ID=75996952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011407478.8A Active CN112861904B (zh) | 2020-12-04 | 2020-12-04 | 基于imbi指数的大气污染源监测识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861904B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110308104A (zh) * | 2019-06-25 | 2019-10-08 | 生态环境部卫星环境应用中心 | 一种大气污染物no2浓度监测方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5128268A (en) * | 1989-06-20 | 1992-07-07 | President And Fellows Of Harvard College | Halogen/charge-transfer complex gas monitor |
CN109543990A (zh) * | 2018-11-19 | 2019-03-29 | 北京英视睿达科技有限公司 | 基于污染源确定大气污染热点网格的方法及装置 |
CN109357716A (zh) * | 2018-11-26 | 2019-02-19 | 河南大瑞物联网科技有限公司 | 一种重污染地区污染数据实时采集方法 |
CN110567510B (zh) * | 2019-07-23 | 2023-09-19 | 北京英视睿达科技股份有限公司 | 大气污染监测方法、***、计算机设备和存储介质 |
CN110942049B (zh) * | 2019-12-17 | 2020-10-16 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感的臭氧污染源识别方法和*** |
CN111414571A (zh) * | 2020-04-01 | 2020-07-14 | 浙江工业大学 | 一种大气污染物监测方法 |
-
2020
- 2020-12-04 CN CN202011407478.8A patent/CN112861904B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110308104A (zh) * | 2019-06-25 | 2019-10-08 | 生态环境部卫星环境应用中心 | 一种大气污染物no2浓度监测方法及*** |
Non-Patent Citations (1)
Title |
---|
生态环境保护中污染源自动监测技术的运用;刘森林;《云南化工》;20200831;第47卷(第8期);第167-169页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112861904A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Borck et al. | Population density and urban air quality | |
Carmichael et al. | Evaluating regional emission estimates using the TRACE‐P observations | |
CN104200089B (zh) | 一种测定平房燃煤大气污染物排放量的方法 | |
Shao et al. | Uncertainty analysis of terrestrial net primary productivity and net biome productivity in China during 1901–2005 | |
CN116011317B (zh) | 一种基于多方法融合的小尺度近实时大气污染溯源方法 | |
CN115420854B (zh) | 一种基于正后向模型结合的大气污染物溯源方法 | |
CN112861904B (zh) | 基于imbi指数的大气污染源监测识别方法和*** | |
CN114662344B (zh) | 基于连续在线观测数据的大气污染溯源预测方法及*** | |
CN107480781A (zh) | 神经网络自适应卡尔曼滤波的核事故源项反演方法 | |
RU2397514C1 (ru) | Способ построения сети постов мониторинга загрязнения атмосферы и определения характеристик источников ее загрязнения | |
CN112669976A (zh) | 基于生态环境变化的人群健康评估方法及*** | |
CN115186437B (zh) | 碳同位素联合同化模型及甄别人为碳排放与自然碳通量区域同化***的构建方法 | |
CN114724647B (zh) | 一种高时空分辨率co2通量反演***及方法 | |
CN109753720A (zh) | 空气质量监测数据异常排查方法、***、设备及介质 | |
CN112986497B (zh) | 基于气体传感器阵列指纹识别的污染气体溯源方法 | |
Krishnaveni et al. | Aerosol classification using fuzzy clustering over a tropical rural site | |
Han et al. | Estimation of the source contributions for carbonaceous aerosols at a background site in Korea | |
Lee et al. | Past and recent changes in the pollution characteristics of PM10 and SO2 in the largest industrial city in South Korea | |
CN116930423A (zh) | 一种空气质量模型模拟效果的自动验证评估方法及*** | |
CN117312784A (zh) | 一种基于受体模型和大数据联用的污染源溯源方法 | |
CN114896952B (zh) | 一种大气污染源排放清单编制方法及装置 | |
CN115860189A (zh) | 一种低碳目标下土地利用空间格局优化方法及*** | |
Campanile et al. | Applying machine learning to weather and pollution data analysis for a better management of local areas: the case of Napoli, Italy | |
CN114527235B (zh) | 一种排放强度实时量化检测的方法 | |
Zhu et al. | A data-driven approach for optimal design of integrated air quality monitoring network in a chemical cluster |
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 |