CN113436045A - 大气污染多尺度融合溯源方法、装置和可读存储介质 - Google Patents
大气污染多尺度融合溯源方法、装置和可读存储介质 Download PDFInfo
- Publication number
- CN113436045A CN113436045A CN202110663070.5A CN202110663070A CN113436045A CN 113436045 A CN113436045 A CN 113436045A CN 202110663070 A CN202110663070 A CN 202110663070A CN 113436045 A CN113436045 A CN 113436045A
- Authority
- CN
- China
- Prior art keywords
- pollution
- contribution
- potential source
- concentration
- enterprise
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 claims abstract description 74
- 238000012937 correction Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 43
- 239000002245 particle Substances 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000004088 simulation Methods 0.000 claims description 20
- 238000011109 contamination Methods 0.000 claims description 17
- 239000003344 environmental pollutant Substances 0.000 claims description 11
- 231100000719 pollutant Toxicity 0.000 claims description 11
- 239000003086 colorant Substances 0.000 claims description 10
- 238000009792 diffusion process Methods 0.000 claims description 7
- 239000000779 smoke Substances 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004138 cluster model Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 abstract description 9
- 239000003570 air Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种大气污染多尺度融合溯源方法、装置和可读存储介质。一种大气污染多尺度融合溯源方法包括:获取大气污染浓度值超标前第一时间段内的气象数据;模拟计算得到污染来源轨迹和主要轨迹贡献比率;计算得到污染潜在源区和污染潜在源区贡献率;模拟计算得到企业对监控站点的污染浓度贡献值;根据主要轨迹贡献比率对污染潜在源区贡献率进行融合修正,得到修正后的潜在源区贡献率;基于修正后的污染潜在源区贡献率对企业对监控站点的污染浓度贡献值进行修正,得到修正后的企业污染浓度贡献值。本发明技术方案从大方向到小区域再到企业点源逐层精细化溯源,满足不同环境治理决策需要。
Description
技术领域
本发明涉及大气污染防治与溯源技术领域,具体而言,涉及一种大气污染 多尺度融合溯源方法、装置和可读存储介质。
背景技术
随着我国经济快速发展和工业化、城镇化进程不断加速,能源消耗增加, 出现了一系列的大气环境问题。大气污染防治最有效的方法就是控制内因,核 心是找准大气污染源头,实现靶向治理,提高控制效率。
大气污染溯源通过动力学模式追溯排放源及贡献率的时空分布,结合排放 源成分解析结果和排放源清单可追溯到具体的排放源,并实现对预报结果的同 步溯源。源模型法是以不同尺度数值模式方法定量描述大气污染物从源到受体 所经历的物理化学过程,定量估算不同地区和不同类别污染源排放对环境空气 中颗粒物的贡献。当前基于源模型的大气污染溯源技术主要包括空气质量模型 CMAQ(Community Multiscale Air Quality,第三代空气质量预报和评估装置 的模式)、CAMx(Comprehensive Air Quality Modelwith Extensions,第三代 三维空气质量模型);颗粒物污染精准溯源Hysplit(HybridSingle Particle Lagrangian Integrated Trajectory Model,拉格朗日混合单粒子轨道模型)等。 但这些模型都只能做到大尺度区域污染溯源,需要气象模型WRF(The WeatherResearch and Forecasting Model,天气预报模式)和排放源模型SMOKE(大气 排放源清单处理模型)的支持,存在操作难度大、计算量大等问题,且无法实 现多尺度,特别是小尺度精准溯源。
发明内容
本发明旨在解决上述技术问题的至少之一。
为此,本发明的第一目的在于提供一种大气污染多尺度融合溯源方法。
本发明的第二目的在于提供一种大气污染多尺度融合溯源装置。
本发明的第三目的在于提供一种大气污染多尺度融合溯源装置。
本发明的第四目的在于提供一种可读存储介质。
为实现本发明的第一目的,本发明的技术方案提供了一种大气污染多尺度 融合溯源方法,包括:基于监控站点的大气污染浓度值超标,得到大气污 染浓度值超标信息,获取大气污染浓度值超标前第一时间段内的气象数据; 根据气象数据,模拟计算得到污染来源轨迹和主要轨迹贡献比率;根据污 染来源轨迹,计算得到污染潜在源区和污染潜在源区贡献率;根据污染潜在 源区,模拟计算得到源区内企业对监控站点的污染浓度贡献值;根据主要 轨迹贡献比率对污染潜在源区贡献率进行融合修正,得到修正后的潜在源 区贡献率;基于修正后的污染潜在源区贡献率对企业对监控站点的污染浓 度贡献值进行修正,得到修正后的企业污染浓度贡献值。
本技术方案的一种多尺度逐层递进的溯源方法,从大方向到小区域再 到企业点源逐层精细化溯源,可以满足不同环境治理决策需要。
另外,本发明提供的技术方案还可以具有如下附加技术特征:
上述技术方案中,根据气象数据,模拟计算得到污染来源轨迹和主要轨 迹贡献比率,具体包括:根据气象数据,以监控站点位置为起点,采用拉 格朗日大气扩散模型进行后向轨迹分析,计算污染来源轨迹;对污染来源 轨迹进行聚类,得到主要轨迹;基于主要轨迹,得到每个主要轨迹贡献比 率。
本技术方案中,通过第一重大尺度溯源可以看出污染来源主要方向、输送 轨迹及主要轨迹贡献比率,可以对污染来源进行大方向上的溯源。
上述任一技术方案中,采用拉格朗日大气扩散模型进行后向轨迹分析, 计算污染来源轨迹,具体包括:假设污染来源为质点,质点的轨迹即为污染 来源轨迹,计算公式为:
P'(t+Δt)=P(t)+V(P,t)·Δt
P(t+Δt)=P(t)+0.5[V(P,t)+V(P',t+Δt)]Δt
其中,P(t)表示t时刻质点位置,P'(t+Δt)表示t+Δt时刻质点位置,P(t+Δt) 表示t+Δt时刻质点位置通过矢量速度在时间和空间上线性插值得出,V(P,t) 表示质点在P位置和t时刻的速度,V(P',t+Δt)表示质点在P′位置和t+Δt时刻 的速度,Δt表示时间差,t表示时间。
本技术方案给出了污染来源轨迹的具体计算公式,计算过程简单,容易 实现。
上述任一技术方案中,根据污染来源轨迹,计算得到污染潜在源区和污 染潜在源区贡献率,具体包括:根据监控站点确定污染溯源范围;对污染 溯源范围区域进行网格划分;获取监控站点过去第二时间内的污染监测浓 度值;计算得到污染潜在源区贡献率,具体包括:统计每个网格内经过的 污染来源轨迹总数,得到第一轨迹个数;每条污染来源轨迹对应一个监控 站点的污染物浓度,对污染物浓度设定阈值,统计每个网格内污染轨迹浓度值超过阈值的轨迹个数,得到第二轨迹个数;计算第二轨迹个数与第一 轨迹个数比值:
其中,mij表示超过设定阈值的污染来源轨迹在网格(i,j)内被截获的第 二轨迹个数,nij表示所有污染来源轨迹被网格(i,j)截获的第一轨迹个数;
获取权重因子:
其中,nave表示溯源范围内所有网格的平均轨迹个数,当3nave<nij时,Wij=1, 当1.5nave<nij<3nave时,Wij=0.7,当nave<nij<3nave时,Wij=0.42,当nij<nave时,Wij=0.05;
根据权重因子和比值,得到污染潜在源区的加权贡献率:
本技术方案通过对污染溯源范围进行网格划分,完成中尺度潜在区域溯 源,满足不同环境治理决策需要。
上述任一技术方案中,大气污染多尺度融合溯源方法,还包括:设定不 同污染潜在源区贡献率对应的颜色;根据污染潜在源区贡献率,对每个网 格进行颜色填充,进行可视化展示。
本实施中,通过对网格进行颜色填充,可以更加直观的显示不同污染 潜在源区贡献率,满足不同环境治理决策需要。
上述任一技术方案中,大气污染多尺度融合溯源方法,还包括:
获取每个网格的污染物对监控站点的平均权重浓度值:
其中,Cij表示网格(i,j)的平均权重浓度值,Cl表示污染来源轨迹l经过 网格(i,j)时的大气污染浓度值,tijl表示污染来源轨迹l经过网格(i,j)的停留时 间,M表示污染来源轨迹l的数量;
根据平均权重浓度值和权重因子,得到相对权重浓度值:
根据相对权重浓度值和比值,更新污染潜在源区贡献率。
本技术方案弥补潜在源区贡献率分析无法区分相同贡献值的网格对报 警点浓度贡献大小的缺陷。
上述任一技术方案中,根据污染潜在源区,模拟计算得到源区内企业对 监控站点的污染浓度贡献值,具体包括:根据污染潜在源区内的企业排放 数据、气象数据和地形数据,利用非稳态拉格朗日烟团模型装置,计算企 业对监控站点的污染浓度贡献值。
本技术方案为小尺度溯源,通过企业排放数据、气象数据和地形数据, 得到企业对监控站点的污染浓度贡献值,采用非稳态拉格朗日烟团模型系 统,计算过程简单,准确率高。
上述任一技术方案中,根据主要轨迹贡献比率对污染潜在源区贡献率进 行融合修正,得到修正后的潜在源区贡献率;基于修正后的污染潜在源区 贡献率对企业对监控站点的污染浓度贡献值进行修正,得到修正后的企业 污染浓度贡献值,具体包括:
确定网格(i,j)落入的污染来源轨迹l,采用污染来源轨迹l的主要轨迹 贡献比率,对污染来源轨迹l的污染潜在源区贡献率进行修正:
确定企业落入的网格,采用修正后的污染潜在源区贡献率,对企业对 监控站点的污染浓度贡献值进行修正,得到修正后的企业污染浓度贡献值:
本技术方案给出了进行多尺度融合的具体计算方法,可以弥补由于单 个模型计算误差、奇异点和数据不完整等带来的计算结果不准确问题,提 升潜在区域贡献率和企业污染浓度贡献度的准确性。
上述任一技术方案中,大气污染多尺度融合溯源方法,还包括:对企业 的修正后的企业污染浓度贡献值进行排名,进行可视化展示。
本实施对得到的修正后的企业污染浓度贡献值进行排名,通过排名可 以简单直观的找出具体的企业污染源头,对企业污染源头进行直观显示。
为实现本发明的第二目的,本发明的技术方案提供了一种大气污染多尺 度融合溯源装置,包括:数据获取模块、第一获取模块、第二获取模块、第 三获取模块和第四获取模块;数据获取模块基于监控站点的大气污染浓度 值超标,得到大气污染浓度值超标信息,获取大气污染浓度值超标前第一 时间内的气象数据;第一获取模块根据气象数据,模拟计算得到污染来源 轨迹和主要轨迹贡献比率;第二获取模块根据污染来源轨迹,计算得到污 染潜在源区和污染潜在源区贡献率;第三获取模块根据污染潜在源区,模 拟计算得到企业对监控站点的污染浓度贡献值;第四获取模块根据主要轨 迹贡献比率对潜在源区贡献率进行融合修正,得到修正后的潜在源区贡献 率;基于修正后的潜在源区贡献率对企业对监控站点的污染浓度贡献值进 行融合修正,得到修正后的企业污染浓度贡献值。
本技术方案充分利用不同尺度溯源结果进行融合分析,使用大尺度溯 源结果对下一级尺度溯源结果进行修正,可以弥补由于单个模型计算误差、 奇异点和数据不完整等带来的计算结果不准确问题,提升潜在源区贡献率 和企业污染浓度贡献度的准确性。
为实现本发明的第三目的,本发明的技术方案提供了一种大气污染多尺度 融合溯源装置,包括:存储器和处理器,存储器存储有程序或指令,处理 器执行程序或指令;其中,处理器在执行程序或指令时,实现如本发明任 一技术方案的大气污染多尺度融合溯源方法的步骤。
本技术方案提供的大气污染多尺度融合溯源装置实现如本发明任一技术 方案的大气污染多尺度融合溯源方法的步骤,因而其具有如本发明任一技术 方案的大气污染多尺度融合溯源方法的全部有益效果,在此不再赘述。‘
为实现本发明的第四目的,本发明的技术方案提供了一种可读存储介质, 可读存储介质存储有程序或指令,程序或指令被执行时,实现上述任一技 术方案的大气污染多尺度融合溯源方法的步骤。
本技术方案提供的可读存储介质实现如本发明任一技术方案的大气污 染多尺度融合溯源方法的步骤,因而其具有如本发明任一技术方案的大气污 染多尺度融合溯源方法的全部有益效果,在此不再赘述。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明 的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中 将变得明显和容易理解,其中:
图1为根据本发明一个实施例的大气污染多尺度融合溯源方法流程示意 图之一;
图2为根据本发明一个实施例的大气污染多尺度融合溯源方法流程示意 图之二;
图3为根据本发明一个实施例的大气污染多尺度融合溯源方法流程示意 图之三;
图4为根据本发明一个实施例的大气污染多尺度融合溯源方法流程示意 图之四;
图5为根据本发明一个实施例的大气污染多尺度融合溯源方法流程示意 图之五;
图6为根据本发明一个实施例的大气污染多尺度融合溯源方法流程示意 图之六;
图7为根据本发明一个实施例的大气污染多尺度融合溯源装置组成示意 图;
图8为根据本发明一个实施例的大气污染多尺度融合溯源装置组成示意 图;
图9为根据本发明一个实施例的大气污染多尺度融合溯源方法原理示意 框图;
图10为根据本发明一个实施例的污染来源轨迹图示意图;
图11为根据本发明一个实施例的污染来源轨迹聚类结果展示图;
图12为根据本发明一个实施例的溯源区域确定及网格划分示意图;
图13为根据本发明一个实施例的潜在源区分析可视化展示示意图;
图14为根据本发明一个实施例的小尺度点源溯源结果展示;
图15为根据本发明一个实施例的大气污染多尺度融合溯源方法流程示意 图之七。
其中,图7至图9中附图标记与部件名称之间的对应关系为:
100:大气污染多尺度融合溯源装置,110:数据获取模块,120:第一 获取模块,130:第二获取模块,140:第三获取模块,150:第四获取模块, 200:大气污染多尺度融合溯源装置,210:存储器,220:处理器,300:监控 站点报警时间、地点、浓度值和气象数据,310:大尺度溯源,320:中尺度溯 源,330:小尺度溯源,340:多尺度融合。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和 具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情 况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发 明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范 围并不受下面公开的具体实施例的限制。
下面参照图1至图15描述本发明一些实施例的大气污染多尺度融合溯源 方法、装置和可读存储介质。
实施例1:
如图1所示,本实施例提供了一种大气污染多尺度融合溯源方法,包括 以下步骤:
步骤S102,基于监控站点的大气污染浓度值超标,得到大气污染浓度 值超标信息,获取大气污染浓度值超标前第一时间段内的气象数据;
步骤S104,根据气象数据,模拟计算得到污染来源轨迹和主要轨迹贡 献比率;
步骤S106,根据污染来源轨迹,计算得到污染潜在源区和污染潜在源 区贡献率;
步骤S108,根据污染潜在源区,模拟计算得到源区内企业对监控站点 的污染浓度贡献值;
步骤S110,根据主要轨迹贡献比率对污染潜在源区贡献率进行融合修 正,得到修正后的潜在源区贡献率;基于修正后的污染潜在源区贡献率对 企业对监控站点的污染浓度贡献值进行修正,得到修正后的企业污染浓度 贡献值。
相关技术的大气污染多尺度融合溯源方法,一般采用大方向大区域溯 源或小尺度企业关联分析溯源。无法满足不同的治理环境决策需求。
本实施例中,首先,获取大气污染浓度值超标的监测站点的气象数据, 根据气象数据进行大尺度溯源,即获取污染来源轨迹和主要轨迹贡献比率, 然后,进行中尺度溯源,得到污染潜在源区和污染潜在源区贡献率,第三, 进行小尺度溯源,得到企业对监控站点的污染浓度贡献值,最后,进行多 尺度融合,采用主要轨迹贡献比率,对污染潜在源区贡献率进行修正,采 用修正后的污染潜在源区贡献率,对企业对监控站点的污染浓度贡献值进行修正,实现多尺度融合修正,得到修正后的企业污染浓度贡献值。
本实施例中,第一时间段根据实际需求进行设定,举例而言,可以为 一周。
本实施例的一种多尺度逐层递进的溯源方法,从大方向到小区域再到 企业点源逐层精细化溯源,可以满足不同环境治理决策需要。
本实施例充分利用不同尺度溯源结果进行融合分析,使用大尺度溯源 结果对下一级尺度溯源结果进行修正,可以弥补由于单个模型计算误差、 奇异点和数据不完整等带来的计算结果不准确问题,提升潜在源区贡献率 企业污染浓度贡献度的准确性。
实施例2:
如图2所示,本实施例提供了一种大气污染多尺度融合溯源方法,除上 述实施例的技术特征以外,本实施例进一步地包括了以下技术特征:
根据气象数据,模拟计算得到污染来源轨迹和主要轨迹贡献比率,具 体包括以下步骤:
步骤S202,根据气象数据,以监控站点位置为起点,采用拉格朗日大 气扩散模型进行后向轨迹分析,计算污染来源轨迹;
步骤S204,对污染来源轨迹进行聚类,得到主要轨迹;
步骤S206,基于主要轨迹,得到每个主要轨迹贡献比率。
本实施例中,根据对气象数据进行大尺度溯源,采用拉格朗日大气扩散 模型,可以获取准确度更高的污染来源轨迹,计算方法简单,易于实现。
本实施例中,通过第一重大尺度溯源可以看出污染来源主要方向、输送轨 迹及主要轨迹贡献比率,可以对污染来源进行大方向上的溯源,满足不同环 境治理决策需要。
实施例3:
本实施例提供了一种大气污染多尺度融合溯源方法,除上述实施例的技 术特征以外,本实施例进一步地包括了以下技术特征:
采用拉格朗日大气扩散模型进行后向轨迹分析,计算污染来源轨迹, 具体包括:假设污染来源为质点,质点的轨迹即为污染来源轨迹,计算公式 为:
P'(t+Δt)=P(t)+V(P,t)·Δt
P(t+Δt)=P(t)+0.5[V(P,t)+V(P',t+Δt)]Δt
其中,P(t)表示t时刻质点位置,P'(t+Δt)表示t+Δt时刻质点位置,P(t+Δt) 表示t+Δt时刻质点位置通过矢量速度在时间和空间上线性插值得出,V(P,t) 表示质点在P位置和t时刻的速度,V(P',t+Δt)表示质点在P′位置和t+Δt时刻 的速度,Δt表示时间差,t表示时间。
本实施例给出了污染来源轨迹的具体计算公式,计算过程简单,容易实 现。
实施例4:
如图3所示,本实施例提供了一种大气污染多尺度融合溯源方法,除上 述实施例的技术特征以外,本实施例进一步地包括了以下技术特征:
根据污染来源轨迹,得到污染潜在源区和污染潜在源区贡献率,具体包 括以下步骤:
步骤S302,根据监控站点确定污染溯源范围;
步骤S304,对污染溯源范围区域进行网格划分;
步骤S306,获取监控站点过去第二时间内的污染监测浓度值;
步骤S308,获取污染潜在源区贡献率。
获取污染潜在源区贡献率,具体包括::统计每个网格内经过的污染 来源轨迹总数,得到第一轨迹个数;每条污染来源轨迹对应一个监控站点 的污染物浓度,对污染物浓度设定阈值,统计每个网格内污染轨迹浓度值 超过阈值的轨迹个数,得到第二轨迹个数;计算第二轨迹个数与第一轨迹 个数比值:
其中,mij表示超过设定阈值的污染来源轨迹在网格(i,j)内被截获的第 二轨迹个数,nij表示所有污染来源轨迹被网格(i,j)截获的第一轨迹个数;
获取权重因子:
其中,nave表示溯源范围内所有网格的平均轨迹个数,当3nave<nij时,Wij=1, 当1.5nave<nij<3nave时,Wij=0.7,当nave<nij<3nave时,Wij=0.42,当nij<nave时,Wij=0.05;
根据权重因子和比值,得到加权污染潜在源区贡献率:
本实施例中,首先,根据监控站点划定污染溯源范围,范围的大小根据 实际情况选定,举例而言,可以是100公里×100公里等。然后,将选定 的污染溯源范围划分为网格,网格大小根据实际需要动态设置,举例而言, 可以是5公里×5公里等。第三,获取监控站点过去第二时间内的污染监 测浓度值,第二时间可以根据实际情况进行设定,举例而言,可以为过去 一周以小时为分辨率的污染监测浓度值。最后,得到污染潜在源区贡献率。
本实施例通过对污染溯源范围进行网格划分,完成中尺度潜在区域溯 源,满足不同环境治理决策需要。
实施例5:
如图4所示,本实施例提供了一种大气污染多尺度融合溯源方法,除上 述实施例的技术特征以外,本实施例进一步地包括了以下技术特征:
大气污染多尺度融合溯源方法,还包括以下步骤:
步骤S402,设定不同污染潜在源区贡献率对应的颜色;
步骤S404,根据污染潜在源区贡献率,对每个网格进行颜色填充,进 行可视化展示。
本实施中,污染溯源范围被划分为网格,根据每个网格中污染潜在源区 贡献率不同,对网格进行颜色填充,填充颜色后的网格能够进行可视化展 示,通过对网格进行颜色填充,可以更加直观的显示不同污染潜在源区贡 献率,满足不同环境治理决策需要。
实施例6:
本实施例提供了一种大气污染多尺度融合溯源方法,除上述实施例的技 术特征以外,本实施例进一步地包括了以下技术特征:
大气污染多尺度融合溯源方法,还包括:
获取每个网格的污染物对监控站点的平均权重浓度值:
其中,Cij表示网格(i,j)的平均权重浓度值,Cl表示污染来源轨迹l经过 网格(i,j)时的大气污染浓度值,tijl表示污染来源轨迹l经过网格(i,j)的停留时 间,M表示污染来源轨迹l的数量;
根据平均权重浓度值和权重因子,得到相对权重浓度值:
根据相对权重浓度值和比值,更新污染潜在源区贡献率。
本实施例中,获取每个网格的平均权重浓度值,再根据平均权重浓度值得 到相对权重浓度值,通过上述计算,弥补潜在源区贡献率分析无法区分相 同贡献值的网格对报警点浓度贡献大小的缺陷。
实施例7:
如图5所示,本实施例提供了一种大气污染多尺度融合溯源方法,除上 述实施例的技术特征以外,本实施例进一步地包括了以下技术特征:
根据污染潜在源区,模拟计算得到源区内企业对监控站点的污染浓度 贡献值,具体包括以下步骤:
步骤S502,根据污染潜在源区内的企业排放数据、气象数据和地形数 据,利用非稳态拉格朗日烟团模型***,计算企业对监控站点的污染浓度 贡献值。
本实施例为小尺度溯源,通过企业排放数据、气象数据和地形数据,得 到企业对监控站点的污染浓度贡献值,采用非稳态拉格朗日烟团模型***, 计算过程简单,准确率高。
实施例8:
本实施例提供了一种大气污染多尺度融合溯源方法,除上述实施例的技 术特征以外,本实施例进一步地包括了以下技术特征:
根据主要轨迹贡献比率对污染潜在源区贡献率进行融合修正,得到修 正后的潜在源区贡献率;基于修正后的污染潜在源区贡献率对企业对监控 站点的污染浓度贡献值进行修正,得到修正后的企业污染浓度贡献值,具 体包括:
确定网格(i,j)落入的污染来源轨迹l,采用污染来源轨迹l的主要轨迹 贡献比率,对污染来源轨迹l的污染潜在源区贡献率进行修正:
确定企业落入的网格,采用修正后的污染潜在源区贡献率,对企业对 监控站点的污染浓度贡献值进行修正,得到修正后的企业污染浓度贡献值:
本实施例给出了进行多尺度融合的具体计算方法,采用主要轨迹贡献 比率,对污染潜在源区贡献率进行修正,采用修正后的污染潜在源区贡献 率,对企业对监控站点的污染浓度贡献值进行修正,实现多尺度融合修正, 得到修正后的企业污染浓度贡献值,可以弥补由于单个模型计算误差、奇 异点和数据不完整等带来的计算结果不准确问题,提升企业污染浓度的准 确性。
实施例9:
如图6所示,本实施例提供了一种大气污染多尺度融合溯源方法,除上 述实施例的技术特征以外,本实施例进一步地包括了以下技术特征:
大气污染多尺度融合溯源方法,还包括以下步骤:
步骤S602,对企业的修正后的企业污染浓度贡献值进行排名,进行可 视化展示。
本实施对得到的修正后的企业污染浓度贡献值进行排名,通过排名可 以简单直观的找出具体的企业污染源头,对企业污染源头进行直观显示。
实施例10:
如图7所示,本实施例提供了一种大气污染多尺度融合溯源装置100, 包括:数据获取模块110、第一获取模块120、第二获取模块130、第三获 取模块140和第四获取模块150;数据获取模块110基于监控站点的大气 污染浓度值超标,得到大气污染浓度值超标信息,获取大气污染浓度值超 标前第一时间内的气象数据;第一获取模块120根据气象数据,模拟计算 得到污染来源轨迹和主要轨迹贡献比率;第二获取模块130根据污染来源 轨迹,计算得到污染潜在源区和污染潜在源区贡献率;第三获取模块140 根据污染潜在源区,模拟计算得到企业对监控站点的污染浓度贡献值;第 四获取模块150根据主要轨迹贡献比率对潜在源区贡献率进行融合修正, 得到修正后的潜在源区贡献率;基于修正后的潜在源区贡献率对企业对监 控站点的污染浓度贡献值进行融合修正,得到修正后的企业污染浓度贡献 值。
本实施例的大气污染多尺度融合溯源装置100,从大方向到小区域再到 企业点源逐层精细化溯源,可以满足不同环境治理决策需要。
本实施例充分利用不同尺度溯源结果进行融合分析,使用大尺度溯源 结果对下一级尺度溯源结果进行修正,可以弥补由于单个模型计算误差、 奇异点和数据不完整等带来的计算结果不准确问题,提升潜在源区贡献率 企业污染浓度贡献度的准确性。
实施例11:
如图8所示,本实施例提供了一种大气污染多尺度融合溯源装置200, 包括:存储器210和处理器220,存储器210存储有程序或指令,处理器 220执行程序或指令;其中,处理器220在执行程序或指令时,实现如本 发明任一实施例的大气污染多尺度融合溯源方法的步骤。
实施例12:
本实施例提供了一种可读存储介质,可读存储介质存储有程序或指令, 程序或指令被处理器220执行时,实现上述任一实施例的大气污染多尺度融 合溯源方法的步骤。
实施例13:
本实施例提供了一种大气污染多尺度融合溯源方法,针对某监控站污染 报警进行3重尺度溯源并进行融合分析:
第1重尺度溯源(即大尺度溯源),根据气象数据,以监控站点位置为起 点,利用HYSPLIT(Hybrid Single-Particle Lagrangian Integrated Trajectory model,拉格朗日大气扩散模型)进行后向轨迹分析,计算出污染来源轨迹, 并聚类出主要轨迹,得出各主要轨迹的贡献比率(第l条轨迹的贡献率)。通 过大尺度溯源可以看出污染来源主要方向、输送轨迹及其贡献率。
第2重尺度溯源(即中尺度溯源),基于第1重尺度溯源得到的污染来源 轨迹,根据概率论和统计原理,计算出污染潜在源区、潜在源区的贡献率 (网格(i,j)的贡献率)和权重浓度值,并进行潜在源区排名。通过中尺度溯源 可以找出对报警点污染超标造成影响的潜在源区,并计算出潜在源区对报警点 的贡献率及重权浓度值。
第3重尺度溯源(即小尺度溯源),基于第2重尺度溯源得到的潜在源区, 根据潜在源区内的企业排放数据、气象数据和地形数据,利用CALPUFF(非 稳态拉格朗日烟团模型***)计算出各企业对报警点的污染浓度贡献(第k 个企业的贡献浓度),并进行企业贡献度排名。通过小尺度溯源可以找出具体 的企业污染源头,并计算出各企业对报警点的浓度贡献。
多尺度融合修正分析,利用大尺度溯源计算出的各主要轨迹占比对中尺度 潜在源区贡献率进行修正:
实施例14:
本实施例的一种大气污染多尺度融合溯源方法(即多尺度融合修正的污 染精准溯源方法),技术路线如图9所示,首先,得到监控站点报警时间、地 点、浓度值和气象数据300,根据上述数据,进行大尺度溯源310(即污染来 源轨迹溯源),中尺度溯源320(即污染潜在区域溯源)和小尺度溯源330(即 污染来源企业溯源),然后,进行多尺度融合340(即多尺度融合修正分析)。
多尺度融合修正的污染精准溯源方法主要包括第一重大尺度方向轨迹溯 源、第二重中尺度潜在区域溯源、第三重小尺度企业溯源和多尺度融合修正分 析四大步骤,流程如图15所示,具体为:
步骤S702:第一重大尺度方向轨迹溯源;
当某监测站点监测到污染超标报警时,记录污染报警时间、地点和污染浓 度值。获取报警点区域以报警时间点为终点的前一段时间的气象数据,如获取 报警点区域近一周的气象数据。
根据获取的气象数据,以监控站点位置为起点,利用HYSPLIT进行后向 轨迹模拟,计算出所有污染来源轨迹。HYSPLIT中假定质点的轨迹是随着风 场而运动的,轨迹是质点在空间和时间上的积分。质点所在位置的矢量速度在 时间和空间上都是线性插值得出的,其具体计算公式如下:
P'(t+Δt)=P(t)+V(P,t)·Δt
P(t+Δt)=P(t)+0.5[V(P,t)+V(P',t+Δt)]Δt
其中,P(t)表示t时刻质点位置,P'(t+Δt)表示t+Δt时刻质点位置,P(t+Δt) 表示t+Δt时刻质点位置通过矢量速度在时间和空间上线性插值得出,V(P,t)表 示质点在P位置和t时刻的速度,V(P',t+Δt)表示质点在P′位置和t+Δt时刻的速 度,Δt表示时间差,t表示时间。P(·)表示质点的位置,V(·)表示质点的速度, 下时刻指定点的位置是由上一时刻的平均速度和猜值所在点的速度平均后与 时间步长的乘积而得到。本实施例以污染报警时间前一周气象数据为例进行污 染来源轨迹模拟分析,模拟时间间隔为4小时,即每天计算6次,模拟高度分 别取100m、500m和1000m,因此一共可得到126条轨迹(126=6次×3高度×7天), 如图10所示。
通过第一重大尺度溯源可以看出污染来源主要方向、输送轨迹及其贡献 率。
步骤S704:第二重中尺度潜在区域溯源;
首先,根据污染超标报警点确定污染溯源范围,举例而言,以报警点所在 城市为范围确定溯源区域为100公里×100公里。然后,将确定的溯源范围区 域进行网格划分,网格大小根据实际需要动态设置,本实施例以5公里×5公 里为例,如图12所示,其中黑点为报警点,大矩形区域为某市(其大小为100 公里×100公里),每个小网格大小为5公里×5公里。每个5公里×5公里网 格便是本实施例定义的中尺度溯源区域。
导入监控站点过去一周以小时为分辨率的污染监测浓度值,基于步骤 S702得到污染来源轨迹,计算轨迹经过网格(i,j)内超出某一设定阈值的网格 端点数mij与网格总端点数nij之比:
对于那些较偏远的网格,由于轨迹经过的端点数nij太少,可能会给上式的 计算带来较大的不确定性。因此引入权重Wij来降低这些偏远网格所带来的影 响:
权重因子Wij的赋值主要取决于轨迹经过的某一网格端点数nij与该网格平 均端点数nave。因此,每个网格对报警点的潜在贡献率定义为:
进一步的,根据的值对每个网格进行颜色填充和可视化展示,网格的 贡献率值越大,其颜色越深,越有可能是潜在源区,如图13所示,图中右侧 标记的方形表示贡献率范围,从上至下,逐渐增加,从A至E可以对应不同 的颜色,颜色越深其潜在源区贡献率越大。
优选的,进一步计算每个网格(i,j)的污染物对报警点相对权重浓度值,弥 补潜在源区贡献率分析无法区分相同贡献值的网格对报警点浓度贡献大小的 缺陷,其计算原理如下:
步骤S706:第三重小尺度企业溯源;
针对每一个潜在源区(网格点(i,j)),获取网格点内企业排放信息,包括但 不限于企业经纬度、烟囱源高、烟囱出口直径、烟囱出口流速、烟囱出口烟气 温度等。获取网格点到报警点之间区域的地形数据和气象数据,其中气象数据 包括地面气象数据和高空模拟数据。将上面得到的企业排放信息、地形数据和 气象数据输入CALPUFF模型计算出网格内各企业排放污染到达报警点处时 的浓度值(k表示第k个企业),其中,便是小尺度企业点源溯源结果。
进一步的,根据每个企业对报警点的浓度值,计算区域内企业的贡献浓度 比例,并进行排名可视化展示,如图14所示。
步骤S708:多尺度融合修正分析;
在进行第二重中尺度溯源时,针对各个潜在源区(网格(i,j)):首先,确 定网格(i,j)落在哪个主要轨迹l上,其中,轨迹l由第一重大尺度溯源得到;然 后,利用大尺度溯源计算出的各主要轨迹占比对中尺度潜在源区贡献率进行修 正:
目前现有的大气污染多尺度融合溯源方法要么只能进行大方向大区域溯 源,要么只能进行小尺度企业关联分析溯源。本实施例提出一种多尺度逐层递 进的溯源方法,从大方向到小区域再到企业点源逐层精细化溯源,满足不同环 境治理决策需要。
综上,本发明实施例的有益效果为:
1.本实施例充分利用不同尺度溯源结果进行融合分析,使用大尺度溯 源结果对下一级尺度溯源结果进行修正,可以弥补由于单个模型计算误差、 奇异点和数据不完整等带来的计算结果不准确问题,提升潜在源区贡献率 企业污染浓度贡献度的准确性。
2.本实施例中,通过第一重大尺度溯源可以看出污染来源主要方向、输 送轨迹及主要轨迹贡献比率,可以对污染来源进行大方向上的溯源,通过对 污染溯源范围进行网格划分,完成中尺度潜在区域溯源,通过计算企业对 监控站点的污染浓度贡献值,完成小尺度溯源,可以满足不同环境治理决策 需要。
在本发明中,术语“第一”、“第二”、“第三”仅用于描述的目的,而不能理 解为指示或暗示相对重要性;术语“多个”则指两个或两个以上,除非另有明确 的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解,例如, “连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;“相连”可以是 直接相连,也可以通过中间媒介间接相连。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。
本发明的描述中,需要理解的是,术语“上”、“下”、“左”、“右”、“前”、“后” 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装置或单元必须具有特定的方 向、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。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例” 等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于 本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述 不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特 点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的 技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内, 所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种大气污染多尺度融合溯源方法,其特征在于,包括:
基于监控站点的大气污染浓度值超标,得到大气污染浓度值超标信息,获取所述大气污染浓度值超标前第一时间段内的气象数据;
根据所述气象数据,模拟计算得到污染来源轨迹和主要轨迹贡献比率;
根据所述污染来源轨迹,计算得到污染潜在源区和污染潜在源区贡献率;
根据所述污染潜在源区,模拟计算得到源区内企业对监控站点的污染浓度贡献值;
根据所述主要轨迹贡献比率对所述污染潜在源区贡献率进行融合修正,得到修正后的潜在源区贡献率;基于所述修正后的污染潜在源区贡献率对所述企业对监控站点的污染浓度贡献值进行修正,得到所述修正后的企业污染浓度贡献值。
2.根据权利要求1所述的大气污染多尺度融合溯源方法,其特征在于,所述根据所述气象数据,模拟计算得到污染来源轨迹和主要轨迹贡献比率,具体包括:
根据所述气象数据,以所述监控站点位置为起点,采用拉格朗日大气扩散模型进行后向轨迹分析,计算所述污染来源轨迹;
对所述污染来源轨迹进行聚类,得到主要轨迹;
基于所述主要轨迹,得到每个主要轨迹贡献比率。
3.根据权利要求2所述的大气污染多尺度融合溯源方法,其特征在于,所述采用拉格朗日大气扩散模型进行后向轨迹分析,计算所述污染来源轨迹,具体包括:
假设所述污染来源为质点,所述质点的轨迹即为所述污染来源轨迹,计算公式为:
P'(t+Δt)=P(t)+V(P,t)·Δt
P(t+Δt)=P(t)+0.5[V(P,t)+V(P',t+Δt)]Δt
其中,P(t)表示t时刻质点位置,P'(t+Δt)表示t+Δt时刻质点位置,P(t+Δt)表示t+Δt时刻质点位置通过矢量速度在时间和空间上线性插值得出,V(P,t)表示质点在P位置和t时刻的速度,V(P',t+Δt)表示质点在P′位置和t+Δt时刻的速度,Δt表示时间差,t表示时间。
4.根据权利要求1所述的大气污染多尺度融合溯源方法,其特征在于,所述根据所述污染来源轨迹,计算得到污染潜在源区和污染潜在源区贡献率,具体包括:
根据所述监控站点确定污染溯源范围;
对所述污染溯源范围区域进行网格划分;
获取所述监控站点过去第二时间内的污染监测浓度值;
获取所述污染潜在源区贡献率,具体包括:统计每个网格内经过的污染来源轨迹总数,得到第一轨迹个数;每条所述污染来源轨迹对应一个所述监控站点的污染物浓度,对所述污染物浓度设定阈值,统计每个网格内所述污染轨迹浓度值超过阈值的轨迹个数,得到第二轨迹个数;计算所述第二轨迹个数与所述第一轨迹个数比值:
其中,mij表示超过所述设定阈值的所述污染来源轨迹在所述网格(i,j)内被截获的第二轨迹个数,nij表示所有所述污染来源轨迹被网格(i,j)截获的第一轨迹个数;
获取权重因子:
其中,nave表示所述溯源范围内所有网格的平均轨迹个数,当3nave<nij时,Wij=1,当1.5nave<nij<3nave时,Wij=0.7,当nave<nij<3nave时,Wij=0.42,当nij<nave时,Wij=0.05;
根据所述权重因子和所述比值,得到所述污染潜在源区的加权贡献率:
5.根据权利要求4所述的大气污染多尺度融合溯源方法,其特征在于,还包括:
设定不同所述污染潜在源区贡献率对应的颜色;
根据所述污染潜在源区贡献率,对每个所述网格进行颜色填充,进行可视化展示。
7.根据权利要求1所述的大气污染多尺度融合溯源方法,其特征在于,所述根据所述污染潜在源区,模拟计算得到源区内企业对监控站点的污染浓度贡献值,具体包括:
根据所述污染潜在源区内的企业排放数据、气象数据和地形数据,利用非稳态拉格朗日烟团模型***,计算企业对所述监控站点的污染浓度贡献值。
8.根据权利要求1所述的大气污染多尺度融合溯源方法,其特征在于,所述根据所述主要轨迹贡献比率对所述污染潜在源区贡献率进行融合修正,得到修正后的潜在源区贡献率;基于所述修正后的污染潜在源区贡献率对所述企业对监控站点的污染浓度贡献值进行修正,得到所述修正后的企业污染浓度贡献值,具体包括:
确定网格(i,j)落入的所述污染来源轨迹l,采用所述污染来源轨迹l的所述主要轨迹贡献比率,对所述污染来源轨迹l的所述污染潜在源区贡献率进行修正:
确定企业落入的网格,采用所述修正后的污染潜在源区贡献率,对所述企业对监控站点的污染浓度贡献值进行修正,得到所述修正后的企业污染浓度贡献值:
9.根据权利要求8所述的大气污染多尺度融合溯源方法,其特征在于,还包括:
对企业的所述修正后的企业污染浓度贡献值进行排名,进行可视化展示。
10.一种大气污染多尺度融合溯源装置(100),其特征在于,包括:
数据获取模块(110),所述数据获取模块(110)基于监控站点的大气污染浓度值超标,得到大气污染浓度值超标信息,获取所述大气污染浓度值超标前第一时间内的气象数据;
第一获取模块(120),所述第一获取模块(120)根据所述气象数据,模拟计算得到污染来源轨迹和主要轨迹贡献比率;
第二获取模块(130),所述第二获取模块(130)根据所述污染来源轨迹,计算得到污染潜在源区和污染潜在源区贡献率;
第三获取模块(140),所述第三获取模块(140)根据所述污染潜在源区,模拟计算得到企业对监控站点的污染浓度贡献值;
第四获取模块(150),所述第四获取模块(150)根据所述主要轨迹贡献比率对所述潜在源区贡献率进行融合修正,得到修正后的潜在源区贡献率;基于所述修正后的潜在源区贡献率对所述企业对监控站点的污染浓度贡献值进行融合修正,得到修正后的企业污染浓度贡献值。
11.一种大气污染多尺度融合溯源装置(200),其特征在于,包括:
存储器(210),存储有程序或指令;
处理器(220),执行所述程序或指令;
其中,所述处理器(220)在执行所述程序或指令时,实现如权利要求1至9中任一项所述的大气污染多尺度融合溯源方法的步骤。
12.一种可读存储介质,其特征在于,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时,实现如权利要求1至9中任一项所述的大气污染多尺度融合溯源方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663070.5A CN113436045A (zh) | 2021-06-15 | 2021-06-15 | 大气污染多尺度融合溯源方法、装置和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663070.5A CN113436045A (zh) | 2021-06-15 | 2021-06-15 | 大气污染多尺度融合溯源方法、装置和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113436045A true CN113436045A (zh) | 2021-09-24 |
Family
ID=77756048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110663070.5A Pending CN113436045A (zh) | 2021-06-15 | 2021-06-15 | 大气污染多尺度融合溯源方法、装置和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436045A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077798A (zh) * | 2022-01-19 | 2022-02-22 | 北京英视睿达科技股份有限公司 | 估算小尺度区域大气污染物网格浓度的方法 |
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*** |
CN114359002A (zh) * | 2022-03-21 | 2022-04-15 | 四川国蓝中天环境科技集团有限公司 | 基于移动监测趋势挖掘的大气污染小尺度溯源方法及*** |
CN114822709A (zh) * | 2022-03-16 | 2022-07-29 | 深圳中兴智坪科技有限公司 | 大气污染多粒度精准成因分析方法及装置 |
CN115130831A (zh) * | 2022-06-08 | 2022-09-30 | 北京工业大学 | 一种小尺度精细化大气污染溯源方法 |
CN115201071A (zh) * | 2022-09-09 | 2022-10-18 | 杭州泽天春来科技有限公司 | 一种基于厂界恶臭在线监测***的空气扩散溯源方法及*** |
CN116011317A (zh) * | 2022-11-29 | 2023-04-25 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
CN116228501A (zh) * | 2023-05-08 | 2023-06-06 | 中科三清科技有限公司 | 排污超标区域行业确定方法、装置、存储介质及电子设备 |
CN117116381A (zh) * | 2023-09-08 | 2023-11-24 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
CN118114166A (zh) * | 2024-04-30 | 2024-05-31 | 北京中科三清环境技术有限公司 | 基于网格贡献浓度的多尺度溯源方法与装置 |
CN118246771A (zh) * | 2024-05-23 | 2024-06-25 | 生态环境部卫星环境应用中心 | 一种针对大气颗粒物重污染的小时级控制方案规划方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988269A (zh) * | 2019-12-18 | 2020-04-10 | 中科三清科技有限公司 | 大气污染源排放清单的偏差修正方法、装置及存储介质 |
CN111458456A (zh) * | 2020-03-04 | 2020-07-28 | 生态环境部南京环境科学研究所 | 一种基于cwt的大气一次污染物外来源定量分析方法 |
CN111814111A (zh) * | 2020-05-25 | 2020-10-23 | 南京大学环境规划设计研究院股份公司 | 一种工业园区大气污染物溯源方法 |
CN112182064A (zh) * | 2020-09-25 | 2021-01-05 | 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 |
CN112418609A (zh) * | 2020-10-30 | 2021-02-26 | 暨南大学 | 一种基于面-网格-点的大气二次污染精准溯源方法 |
CN112444605A (zh) * | 2020-11-24 | 2021-03-05 | 深圳中兴网信科技有限公司 | 大气污染智能化精准溯源方法、***、设备和存储介质 |
-
2021
- 2021-06-15 CN CN202110663070.5A patent/CN113436045A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988269A (zh) * | 2019-12-18 | 2020-04-10 | 中科三清科技有限公司 | 大气污染源排放清单的偏差修正方法、装置及存储介质 |
CN111458456A (zh) * | 2020-03-04 | 2020-07-28 | 生态环境部南京环境科学研究所 | 一种基于cwt的大气一次污染物外来源定量分析方法 |
CN111814111A (zh) * | 2020-05-25 | 2020-10-23 | 南京大学环境规划设计研究院股份公司 | 一种工业园区大气污染物溯源方法 |
CN112182064A (zh) * | 2020-09-25 | 2021-01-05 | 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 |
CN112418609A (zh) * | 2020-10-30 | 2021-02-26 | 暨南大学 | 一种基于面-网格-点的大气二次污染精准溯源方法 |
CN112444605A (zh) * | 2020-11-24 | 2021-03-05 | 深圳中兴网信科技有限公司 | 大气污染智能化精准溯源方法、***、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
王珏等: "济南市四季PM_(10)、PM_(2.5)输送来源及其传输过程", 《环境科学与技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN114077798A (zh) * | 2022-01-19 | 2022-02-22 | 北京英视睿达科技股份有限公司 | 估算小尺度区域大气污染物网格浓度的方法 |
CN114822709A (zh) * | 2022-03-16 | 2022-07-29 | 深圳中兴智坪科技有限公司 | 大气污染多粒度精准成因分析方法及装置 |
CN114359002A (zh) * | 2022-03-21 | 2022-04-15 | 四川国蓝中天环境科技集团有限公司 | 基于移动监测趋势挖掘的大气污染小尺度溯源方法及*** |
CN114359002B (zh) * | 2022-03-21 | 2022-05-20 | 四川国蓝中天环境科技集团有限公司 | 基于移动监测趋势挖掘的大气污染小尺度溯源方法及*** |
CN115130831B (zh) * | 2022-06-08 | 2024-02-27 | 北京工业大学 | 一种小尺度精细化大气污染溯源方法 |
CN115130831A (zh) * | 2022-06-08 | 2022-09-30 | 北京工业大学 | 一种小尺度精细化大气污染溯源方法 |
CN115201071A (zh) * | 2022-09-09 | 2022-10-18 | 杭州泽天春来科技有限公司 | 一种基于厂界恶臭在线监测***的空气扩散溯源方法及*** |
CN115201071B (zh) * | 2022-09-09 | 2022-12-09 | 杭州泽天春来科技有限公司 | 一种基于厂界恶臭在线监测***的空气扩散溯源方法及*** |
CN116011317A (zh) * | 2022-11-29 | 2023-04-25 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
CN116011317B (zh) * | 2022-11-29 | 2023-12-08 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
CN116228501A (zh) * | 2023-05-08 | 2023-06-06 | 中科三清科技有限公司 | 排污超标区域行业确定方法、装置、存储介质及电子设备 |
CN117116381A (zh) * | 2023-09-08 | 2023-11-24 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
CN117116381B (zh) * | 2023-09-08 | 2024-05-03 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
CN118114166A (zh) * | 2024-04-30 | 2024-05-31 | 北京中科三清环境技术有限公司 | 基于网格贡献浓度的多尺度溯源方法与装置 |
CN118246771A (zh) * | 2024-05-23 | 2024-06-25 | 生态环境部卫星环境应用中心 | 一种针对大气颗粒物重污染的小时级控制方案规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436045A (zh) | 大气污染多尺度融合溯源方法、装置和可读存储介质 | |
Kuik et al. | Air quality modelling in the Berlin–Brandenburg region using WRF-Chem v3. 7.1: sensitivity to resolution of model grid and input data | |
CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
Wang et al. | The contribution from distant dust sources to the atmospheric particulate matter loadings at XiAn, China during spring | |
CN114757807B (zh) | 多模式融合的大气污染物实际排放量在线核算方法 | |
CN110990905A (zh) | 一种历史城市保护发展协同控制方案辅助设计*** | |
CN114280695A (zh) | 一种空气污染物监测预警方法及云平台 | |
CN112444605A (zh) | 大气污染智能化精准溯源方法、***、设备和存储介质 | |
CN110909483A (zh) | 一种基于网格化数据的点源大气污染物排放清单校验方法 | |
CN115420854B (zh) | 一种基于正后向模型结合的大气污染物溯源方法 | |
CN113624921B (zh) | 多模式综合污染溯源方法 | |
CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析***及其方法 | |
CN113610243A (zh) | 基于耦合机器学习和相关性分析的大气污染物溯源方法 | |
CN115689125B (zh) | 一种基于多源数据的涉气污染源布局方法 | |
CN115545565A (zh) | 基于大气环境质量的园区排污总量管控方法和*** | |
CN114118613A (zh) | 一种焦化土壤污染空间分布预测优化方法及*** | |
KR101882874B1 (ko) | 대기환경을 고려한 발전기 운영 계획 수립 방법 및 그 장치 | |
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 | |
CN112132450A (zh) | 一种气态污染物的定位方法 | |
CN114219345B (zh) | 一种基于数据挖掘的二次空气质量预报优化方法 | |
CN114295778B (zh) | 一种基于火电厂烟气排放质量评价方法及评价*** | |
CN117893376A (zh) | 一种基于时空碳足迹的社区碳排放监测与调控方法 | |
CN108764527A (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210924 |