CN114324780A - 大气污染物排放通量处理方法、存储介质以及计算机终端 - Google Patents
大气污染物排放通量处理方法、存储介质以及计算机终端 Download PDFInfo
- Publication number
- CN114324780A CN114324780A CN202210200399.2A CN202210200399A CN114324780A CN 114324780 A CN114324780 A CN 114324780A CN 202210200399 A CN202210200399 A CN 202210200399A CN 114324780 A CN114324780 A CN 114324780A
- Authority
- CN
- China
- Prior art keywords
- target
- atmospheric
- emission flux
- concentration
- flux
- 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
- 230000004907 flux Effects 0.000 title claims abstract description 684
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 418
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 418
- 238000003672 processing method Methods 0.000 title abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 216
- 238000000034 method Methods 0.000 claims abstract description 140
- 238000012545 processing Methods 0.000 claims abstract description 100
- 238000013135 deep learning Methods 0.000 claims abstract description 41
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 154
- 229910052799 carbon Inorganic materials 0.000 claims description 154
- 230000006870 function Effects 0.000 claims description 98
- 238000010276 construction Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 28
- 230000010354 integration Effects 0.000 claims description 25
- 230000002441 reversible effect Effects 0.000 claims description 20
- 238000006386 neutralization reaction Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 abstract description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 57
- 229910002092 carbon dioxide Inorganic materials 0.000 description 28
- 239000001569 carbon dioxide Substances 0.000 description 28
- 230000002452 interceptive effect Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000009795 derivation Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 150000003568 thioethers Chemical class 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Tourism & Hospitality (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Dispersion Chemistry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大气污染物排放通量处理方法、存储介质以及计算机终端。其中,该方法包括:获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对采集到的大气污染物浓度的浓度进行测量得到的数值;利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量。本发明解决了相关技术中对大气污染物浓度的监测准确度较低的技术问题。
Description
技术领域
本发明涉及大气污染物排放通量处理领域,具体而言,涉及一种大气污染物排放通量处理方法、存储介质以及计算机终端。
背景技术
温室气体二氧化碳对于地球大气循环有着至关重要的作用。二氧化碳会吸收地表辐射,使得更多热量滞留在大气中,进而导致气温的升高。目前,二氧化碳减排目标达成情况的监测和考量,依赖于精准的碳排放监测方案,但是由于气象等因素的影响,难以对碳排放进行精确监测。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种大气污染物排放通量处理方法、存储介质以及计算机终端,以至少解决相关技术中对大气污染物浓度的监测准确度较低的技术问题。
根据本发明实施例的一个方面,提供了一种大气污染物排放通量处理方法,包括:获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点采集到的大气污染物浓度的浓度;利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量。
根据本发明实施例的另一个方面,提供了一种大气污染物排放通量处理方法,包括:获取碳中和场景下碳浓度的观测值和初始碳排放通量,其中,观测值用于表征目标站点对碳浓度进行测量得到的数值;利用大气传输模型对观测值和初始碳排放通量进行处理,得到目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征影响碳浓度的气体在大气中的动力学传输过程,目标导数用于表征观测值相对于碳排放通量的导数;基于目标导数对初始碳排放通量进行更新,得到目标碳排放通量。
根据本发明实施例的另一个方面,提供了一种大气污染物排放通量处理方法,包括:在交互界面中显示大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;响应于交互界面中检测到的触控操作,利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;在交互界面中显示大气污染物浓度的目标排放通量,其中,目标排放通量通过目标导数对初始排放通量进行更新得到。
根据本发明实施例的另一个方面,提供了一种大气污染物排放通量处理方法,包括:云服务器接收客户端上传的大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;云服务器利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量;云服务器返回目标排放通量至客户端。
根据本发明实施例的另一个方面,提供了一种大气污染物排放通量处理方法,包括:云服务器接收客户端上传的大气污染物排放通量处理请求,其中,大气污染物排放通量处理请求至少包括:预设时间段和大气污染物浓度;云服务器获取预设时间段内大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;云服务器利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量;云服务器返回目标排放通量至客户端。
根据本申请实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述任意一个实施例中的大气污染物排放通量处理方法。
根据本申请实施例的另一方面,还提供了一种计算机终端,包括:处理器和存储器,处理器用于运行存储器中存储的程序,其中,程序运行时执行上述任意一个实施例中的大气污染物排放通量处理方法。
通过上述步骤,首先,获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点采集到的大气污染物浓度的浓度;利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量,实现了提高对目标排放通量进行监测的目的。容易注意到的是,可以先获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,然后根据大气传输模型的大气污染物浓度在大气中的动力传输模型对观测值和初始排放通量进行处理,以便确定出大气中的环境因素对预测准确度的影响因素,并根据该影响因素确定出观测误差,根据观测误差确定的目标导数对初始排放通量进行更新,从而提高初始排放通量的精确度,进而解决了相关技术中对大气污染物浓度的监测准确度较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种用于实现大气污染物排放通量处理方法的计算机终端(或移动设备)的硬件结构框图;
图2是根据本发明实施例的一种大气污染物排放通量处理方法的流程图;
图3是根据本发明实施例的一种基于自动梯度方法的地表碳通量反演示意图;
图4是根据本发明实施例的另一种大气污染物排放通量处理方法的流程图;
图5是根据本发明实施例的另一种大气污染物排放通量处理方法的流程图;
图6是根据本发明实施例的另一种大气污染物排放通量处理方法的流程图;
图7是根据本发明实施例的另一种大气污染物排放通量处理方法的流程图;
图8是根据本发明实施例的另一种大气污染物排放通量处理装置的示意图;
图9是根据本发明实施例的另一种大气污染物排放通量处理装置的示意图;
图10是根据本发明实施例的另一种大气污染物排放通量处理装置的示意图;
图11是根据本发明实施例的另一种大气污染物排放通量处理装置的示意图;
图12是根据本发明实施例的另一种大气污染物排放通量处理装置的示意图;
图13是根据本申请实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
自动梯度:自动微分的原理是将数学运算分解为一些基本操作,随后利用链式法则来计算负荷函数的梯度。现有常见的深度学习框架,如深度学习库(tensorflow), 科学计算库(pytorch)等均已集成自动求导功能。通常仅对前向过程进行编码,构建出计算图,即可利用框架的自动求导能力,获得输出对输入的导数。
大气碳通量反演:通过大气输运模式以及相应反演算法,可以利用主要温室气体的观测值,如二氧化碳,甲烷等浓度分布,来获得全球碳源和碳汇的信息。
目前,对于由二氧化碳浓度监测反演地表碳排放,通常的解决方案有变分伴随方法和集合卡曼滤波的方案。
变分伴随方法,先将非线性动力模式线性化后获得其线性伴随形式,构建线性化的状态转移。随后利用变分方法,计算误差函数关于入参的导数。其缺点在于,切线模式依赖于对原始数值格式的一阶泰勒展开,存在较大的数值误差。
集合卡曼滤波方式,通过集合预报的方式,来完成变量的状态转移,以及协方差矩阵的状态转移。在观测点上,通过贝叶斯的方式来修正状态值以及对应的协方差矩阵。集合卡曼滤波的缺点在于,集合预报通常会耗费较大的计算资源和存储资源,且通常只能做时序单方向的更新。
为了解决上述问题,本申请提供了一种大气污染物排放通量处理方法,通过对二氧化碳浓度的观测值进行反向推演的方式更新二氧化碳的初始排放通量,以达到精确度较高的目标排放通量。
实施例1
根据本发明实施例,还提供了一种大气污染物排放通量处理方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现大气污染物排放通量处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的大气污染物排放通量处理方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的大气污染物排放通量处理方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下,本申请提供了如图2所示的大气污染物排放通量处理方法。图2是根据本发明实施例的大气污染物排放通量处理方法的流程图。
步骤S202,获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量。
其中,观测值用于表征目标站点采集到的大气污染物浓度的浓度。
上述的大气污染物浓度可以为二氧化碳、PM2.5、硫化物、悬浮颗粒物(例如粉尘、烟)等。
上述的初始排放通量可以是预估的大气污染物浓度的排放通量,可选的,可以是根据历史的排放情况预估的大气污染物浓度的排放通量。上述的初始排放通量还可以设置为任意数值。
上述的目标站点可以是预先设置的一个或多个站点,其用于采集大气污染物浓度的浓度。其中,目标站点可以为地面设置的站点,目标站点还可以为卫星遥感设备。
在一种可选的实施例中,大气污染物浓度的观测值可以为一段时间内对大气污染物浓度的观测值,可以根据大气污染物浓度的观测值确定大气污染物浓度的浓度在一段时间内的变化情况,由于大气污染物浓度在排放的过程中会收到自然气象等多方面的影响,导致大气污染物浓度的浓度在一段时间内发生变化,例如,植物的碳中和、风力、雨水等影响。因此,根据观测值得到的大气污染物浓度的排放通量准确度较低。此时,可以通过对大气污染物浓度在一段时间内的观测值进行分析,得到影响排放通量的因素,并根据该因素可以对初始排放通量进行更新,使得到的目标排放通量更加的准确度。
步骤S204,利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数。
其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数。
在一种可选的实施例中,通过深度学习框架构建大气传输模型,可以表示出大气污染物浓度在大气中的动力学传输过程,通过对一段时间内的观测值进行分析,可以能够得到大气污染物浓度在大气中的运行规律,并基于该运行规律对初始排放通量进行调整,使得初始排放通量的数据更加的准确。
在另一种可选的实施例中,可以根据开始观测时的观测值和初始排放通量进行预测,预测得到结束观测时的观测值,可以根据预测得到的结束观测时的观测值和真实的观测值进行比较,确定两者之间的误差,可以根据该误差确定出初始排放通量的误差,可选的,可以用导数的形式表现观测值之间的误差与初始排放通量之间的关系,进一步地,可以基于该目标导数对初始排放通量进行更新,从而得到精确度更高的目标排放通量。
步骤S206,基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量。
上述的目标导数用于将观测值出现的误差转化成排放通量出现的误差。
在一种可选的实施例中,由于目标导数是根据观测误差得到的数据,因此,可以根据目标导数对初始排放通量进行更新,以减少初始排放通量的观测误差,从而可以得到准确度较高的目标排放通量。
在一种可选的实施例中,可以在碳交易场景中,通过获取到大气污染物浓度的目标排放通量来实现碳交易,其中,碳交易是指将二氧化碳排放权作为一种商品,买方通过向卖方支付一定金额从而可以获得一定数量的二氧化碳排放权,从而形成二氧化碳排放权的交易。可以获取二氧化碳的观测值和二氧化碳的初始排放通量,通过大气传输模型对观测值和初始排放通量进行处理,得到二氧化碳的目标导数,根据目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量,由于其是通过实际观测值对初始排放通量进行反向推演得到的,因此,其得到的目标排放通量的准确度较高,因此,在碳交易场景中,可以根据准确度较高的目标排放通量进行碳交易,从而减少相关的经济损失。
在一种可选的实施例中,可以在新能源场景中,例如新能源汽车的场景中对碳排放通量进行预估,可以确定出使用新能源汽车能够减少的碳排放通量,可选的,可以获取新能源汽车运行区域中排出的二氧化碳的观测值和二氧化碳的初始排放通量,然后利用大气传输模型对新能源汽车运行区域中的观测值和初始排放通量进行处理,得到二氧化碳的目标导数,可以根据目标导数对初始排放通量进行更新,得到新能源汽车运行区域中二氧化碳的目标排放通量,可以获取该区域中未使用新能源汽车的历史时间段的排放通量,通过比较历史时间段的排放通量和目标排放通量,可以确定出新能源汽车的减排效果。在另一种可选的实施例中,可以在自动驾驶场景下对碳排放通量进行预估,由于自动驾驶场景中的车辆是通过新能源驱动的,因此,其对于减少碳排放通量具有一定的效果,以获取自动驾驶车辆运行区域中排出的二氧化碳的观测值和二氧化碳的初始排放通量,然后利用大气传输模型对自动驾驶车辆运行区域中的观测值和初始排放通量进行处理,得到二氧化碳的目标导数,可以根据目标导数对初始排放通量进行更新,得到自动驾驶车辆运行区域中二氧化碳的目标排放通量,可以获取该区域中未使用自动驾驶车辆的历史时间段的排放通量,通过比较历史时间段的排放通量和目标排放通量,可以确定出自动驾驶车辆的减排效果。
通过上述步骤,首先,获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点采集到的大气污染物浓度的浓度;利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量,实现了提高对目标排放通量进行监测的目的。容易注意到的是,可以先获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,然后根据大气传输模型的大气污染物浓度在大气中的动力传输模型对观测值和初始排放通量进行处理,以便确定出大气中的环境因素对预测准确度的影响因素,并根据该影响因素确定出观测误差,根据观测误差确定的目标导数对初始排放通量进行更新,从而提高初始排放通量的精确度,进而解决了相关技术中对大气污染物浓度的监测准确度较低的技术问题。
本申请上述实施例中,观测值包括:预设时间段内采集到的大气污染物浓度的浓度,利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数包括:利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值,其中,初始观测值用于表征预设时间段内起始时刻采集到的大气污染物浓度的浓度,预测值用于表征预设时间段内推演得到的大气污染物浓度的浓度;基于预测值和观测值,确定大气污染物浓度的观测误差;获取观测误差相对于排放通量的导数,得到目标导数。
上述的预设时间段可以自行设置。
在一种可选的实施例中,可以先利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值,可选的,可以在进行反向推演的过程中结合气象进行推演,以便在推演的过程中可以考虑到影响排放通量数据的因素,能够推演得到大气污染物浓度在预设时间段内的预测值,其中,预测值可以是预设时间内某一点的预测得到的大气污染物浓度的值,可以根据反向推演得到的预测值和实际观测得到的在该点的值来确定出大气污染物浓度的观测误差,以便根据该观测误差来确定出大气污染物浓度初始排放通量的误差。可选的,可以通过获取观测误差相对于排放通量的导数,确定出用于更新初始排放通量的目标导数。
本申请上述实施例中,大气传输模型包括:导数计算层,微分方程构建层和时间积分层。
上述的导数计算层用于根据大气污染物浓度的相关数据和大气的速度场确定空间导数。
上述的微分方程构建层用于根据空间导数和初始排放通量构建目标微分方程。
上述的时间积分层用于对目标微分方程进行积分操作,得到预测值。
本申请上述实施例中,利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值包括:利用导数计算层对大气污染物浓度的密度、大气的速度场和初始观测值进行差分操作,得到空间导数;利用微分方程构建层对空间导数和初始排放通量进行方程构建,得到目标微分方程,目标微分方程与时间函数无关;利用时间积分层对目标微分方程进行积分操作,得到预测值。
在一种可选的实施例中,可以通过如下公式得到预测值:
在另一种可选的实施例中,可以利用导数计算层对大气污染物浓度的密度、大气的速度场和初始观测值进行差分操作,得到空间导数,以便确定初始观测值在大气中的空间分布情况,然后利用微分方程对空间导数和初始排放通量进行方程构建,得到目标微分方式,以便根据空间导数确定初始排放通量在空间中的运动情况,可以利用时间积分层对目标微分方程进行积分操作,以便确定出在预设时间段内反向推演得到的大气污染物浓度的预测值。提供过将该预测值与实际的观测值进行比对,可以确定出观测误差。
本申请上述实施例中,在基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量之后,该方法还包括:利用大气传输模型对初始观测值和目标排放通量进行处理,得到大气污染物浓度的目标预测值;基于目标预测值和目标排放通量,确定目标排放通量是否满足预设条件;响应于目标排放通量满足预设条件,基于目标预测值,确定大气污染物浓度的第一导数,其中,第一导数用于表征观测误差相对于目标排放量的导数;基于第一导数对目标排放通量进行更新。
上述的目标预测值可以是预测值中的某一时刻的预测值。需要说明的是,预测的过程可以是持续进行的,可以通过大气传输模型对初始观测值和初始排放通量进行反向推演,得到预设时间段内所有时刻的预测值。
上述的预设条件可以为迭代未收敛的条件。也即,目标排放通量未达到所需的精确度。
在一种可选的实施例中,在获取到目标排放通量之后,可以将目标排放通量重新作为初始排放通量进行反向推演,以便验证该目标排放通量是否达到所需的精确度,可选的,可以利用大气传输模型对初始观测值和目标排放通量进行反向推演,得到目标预测值,可以根据该真实的初始观测值和预测得到的目标预测值确定出观测误差,若观测误差较大,则说明目标排放通量满足迭代未收敛的条件,此时,需要再对目标排放通量进行更新。进一步地,可以在目标排放通量满足迭代未收敛的条件下,根据目标预测值和真实的观测值之间的观测误差相对于排放通量的导数,确定出大气污染物浓度的第一导数,并根据第一导数对目标排放通量进行更新,从而进一步提高目标排放通量的准确度。
进一步地,若目标排放通量不满足预设条件,则说明目标排放通量的精确度已经达到所需的精确度,此时,不需要在对目标排放通量进行更新。
本申请上述实施例中,基于目标预测值和目标排放通量,确定目标排放通量是否满足预设条件包括:基于目标预测值和观测值,构建第一误差函数;基于目标排放通量和初始排放通量,构建第二误差函数;获取第一误差函数和第二误差函数的加权和,得到大气污染物浓度的损失函数;响应于损失函数大于预设阈值,确定目标排放通量满足预设条件;响应于损失函数小于预设阈值,确定目标排放通量不满足预设条件。
上述的第一误差函数用于表示目标预测值与真实观测值之间的误差。
上述的第二误差函数用于表示目标排放通量和初始排放通量之间的误差,也即,先验排放通量与最终得到的排放通量之间的误差。
上述的预设阈值可以自行设定。
在一种可选的实施例中,对于上述的观测值和排放通量都有对应的误差协方差矩阵,也即上述的第一误差函数和第二误差函数,通过获取第一误差函数和第二误差函数的加权和,可以得到大气污染物浓度的损失函数,在损失函数大于预设阈值,说明误差较大,此时,还可以对目标排放通量进行迭代更新,直至损失函数小于或等于预设阈值,若损失函数小于预设阈值,可以确定目标排放通量不满足预设条件,此时,可以停止对目标排放通量进行迭代更新,确定该目标排放通量为最终的排放通量。
本申请上述实施例中,基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量包括:获取初始排放通量和目标导数的加权和,得到目标排放通量。
在一种可选的实施例中,可以通过如下公式得到大气污染物浓度的目标排放通量:
本申请上述实施例中,在基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量之后,该方法还包括:输出目标排放通量;接收目标排放通量对应的第一反馈信息,其中,第一反馈信息用于表征是否对目标排放通量进行更新;响应于第一反馈信息为对目标排放通量进行更新,利用大气传输模型对观测值和目标排放通量进行处理,得到大气污染物浓度的第二导数;基于第二导数对目标排放通量进行更新。
上述的第一反馈信息用于表征是否需要利用大气传输模型基于对目标排放通量进行更新。
上述的第二导数为第2迭代步的导数。
在一种可选的实施例中,可以输出目标排放通量至客户端,客户端的工作人员可以根据第一反馈信息判断是否需要再进行迭代更新,若需要,则可以反馈继续对目标排放通量进行更新,可以利用大气传输模型对观测值和目标排放通量进行处理,得到大气污染物浓度的第二导数,以便基于第二导数继续对目标排放通量进行更新,得到更新之后的目标排放通量。
本申请上述实施例中,在获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量之后,该方法还包括:输出观测值和初始排放通量;接收第二反馈信息,其中,第二反馈信息通过对观测值和初始排放通量进行修改得到;利用大气传输模型对第二反馈信息进行处理,得到大气污染物浓度的第三导数;基于第三导数对初始排放通量进行更新,得到目标排放通量。
在一种可选的实施例中,在获取到大气污染物浓度的观测值和大气污染物浓度的初始排放通量之后,可以输出观测值和初始排放通量至工作人员的客户端,以便工作人员对观测值和初始排放通量的数据准确性进行检测,若认为观测值或初始排放通量的数据不准确,则可以对观测值和初始排放通量进行修改得到第二反馈信息,可以利用大气传输模型对第二反馈信息进行处理,得到大气污染物浓度的第三导数,可以根据第三导数对初始排放通量进行更新,得到目标排放通量。
本申请上述实施例中,在基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量之后,该方法还包括:基于目标排放通量,确定目标地图上每个格点的格点排放通量;在目标地图上显示格点排放通量。
上述的目标地图可以为需要检测排放通量的地区对应的地图,目标地图还可以为全球的地图。
上述的目标排放通量可以是多个工厂大气污染物浓度的排放通量。
上述的格点可以是排放大气污染物浓度的工厂在目标地图上所处的位置。上述的格点排放通量可以为工厂排放大气污染物浓度的排放通量。
在一种可选的实施例中,可以根据目标排放通量,确定出目标地图上工厂所处格点的格点排放通量,并在目标地图上显示格点排放通量。可选的,其可以将格点排放通量的数据显示在目标地图对应的格点上,还可以将格点排放通量以气团的方式显示在目标地图对应的格点上,其中,气团越大,则说明排放通量越多,气团越小,则说明排放通量越小;还可以通过其他的矢量图来表示目标地图的格点对应的格点排放通量,其矢量图越大,说明排放通量越大,其矢量图越小,则说明排放通量越小。
本申请上述实施例中,在目标地图上显示格点排放通量之后,该方法还包括:接收目标地图上选中的目标区域;对目标区域包含的所有格点的格点排放通量进行汇总,得到目标区域对应的区域排放通量;输出区域排放通量。
在一种可选的实施例中,用户还可以从目标地图上选取目标区域对应的排放通量总和,可选的,用户可以在目标地图确定出目标区域,可以通过点击目标区域中对应区域的方式确定目标区域,还可以通过框选目标地图的区域来确定目标区域,在确定出目标区域之后,可以对目标区域中包含的所有格点的格点排放通量进行汇总,得到目标区域对应的区域排放通量,从而可以输出目标区域的区域排放通量,以便用户对目标区域的区域排放通量进行分析。
如图3所示为一种基于自动梯度方法的地表碳通量反演示意图。其中,可以碳传输方程通过深度学习框架编码,利用其求自动微分能力,获得观测对于地表碳源汇的导数项,进而更新地表碳通量。整个反演过程主要涉及三个过程,即碳动力学输运过程、误差计算过程、求导更新过程。
对于碳动力学运输过程,其中可以包含有动力学模块,动力学模块中包含有导数计算层、微分方程构建层和时间积分层,其中,导数计算层包括用于根据大气污染物浓度的密度、大气的速度场和初始观测值确定空间导数,可以在微分方程构建层中对空间导数和初始排放通量进行偏微分方程右端项构建,得到目标微分方程,在得到目标微分方程之后,可以将目标微分方程进行时间积分,可选的,可以对目标微分方程先进行单步时间积分,然后再进行多步时间积分,得到二氧化碳浓度的预测值。需要说明的是,动力学模块采用深度学习框架进行编码,搭建整体计算图。深度学习框架提供了所有张量操作的自动微分功能,其只需要搭建正向的计算图,就能自动获取计算图中任意两组张量的梯度关系,在碳动力学运输过程中,实现了初始碳浓度和地表碳汇通量,在大气风速的运输下的动力传输过程,即获得了二氧化碳浓度时空分布的预测值。
对于误差计算过程,其可以在获取到二氧化碳浓度的预测值和二氧化碳浓度的观测值确定观测误差函数,也即上述的第一误差函数,可以根据初始排放通量和目标排放通量确定出背景误差函数,也即上述的第二误差函数,并根据第一误差函数和第二误差函数的加权和得到大气污染物浓度的损失函数。其中,在碳反演的过程中,碳通量先验一般由地表清单模式获得。其中,碳通量先验为上述的初始排放通量。
对于求导更新过程,其可以在获取到损失函数之后,确定目标碳通量是否满足迭代未收敛的条件,若满足,则需要继续对碳通量进行更新,可选的,可以根据碳动力学运输模块中的自动梯度计算来获得损失函数对于任意可学习参数的导数,当学习参数为碳通量时,可以或许损失函数关于碳通量的导数,进而可以更新碳通量,得到碳通量后验。其中,碳通量后验为上述的目标排放通量。可以对上述模块的处理步骤进行重复迭代,即实现根据观测值对碳通量的修正,在迭代收敛之后,可以将碳通量后验作为最终得到的结果。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的大气污染物排放通量处理方法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,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
根据本申请实施例,还提供了一种大气污染物排放通量处理方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图4是根据本发明实施例的一种大气污染物排放通量处理方法的流程图,如图4所示,该方法可以包括以下步骤:
步骤S402,获取碳中和场景下碳浓度的观测值和初始碳排放通量。
其中,观测值用于表征目标站点对碳浓度进行测量得到的数值。
上述的碳中和场景可以是通过植树造林、节能减排等形式对二氧化碳的排放通量进行中和的场景。
上述的碳中和场景下的碳浓度观测值可以是已经经过碳中和的二氧化碳浓度的观测值。
步骤S404,利用大气传输模型对观测值和初始碳排放通量进行处理,得到二氧化碳的目标导数。
其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征影响碳浓度的气体在大气中的动力学传输过程,目标导数用于表征观测值相对于碳排放通量的导数。
步骤S406,基于目标导数对初始碳排放通量进行更新,得到碳浓度的目标碳排放通量。
本申请上述实施例中,观测值包括:预设时间段内采集到的碳浓度,利用大气传输模型对观测值和初始碳排放通量进行处理,得到碳浓度的目标导数包括:利用大气传输模型对初始观测值和初始碳排放通量进行反向推演,得到碳浓度的预测值,其中,初始观测值用于表征预设时间段内起始时刻采集到的碳浓度,预测值用于表征预设时间段内推演得到的碳浓度;基于预测值和观测值,确定碳浓度的观测误差;获取观测误差相对于排放通量的导数,得到目标导数。
本申请上述实施例中,大气传输模型包括:导数计算层,微分方程构建层和时间积分层。
本申请上述实施例中,利用大气传输模型对初始观测值和初始碳排放通量进行反向推演,得到碳浓度的预测值包括:利用导数计算层对碳浓度的密度、大气的速度场和初始观测值进行差分操作,得到空间导数;利用微分方程构建层对空间导数和初始碳排放通量进行方程构建,得到目标微分方程,目标微分方程与时间函数无关;利用时间积分层对目标微分方程进行积分操作,得到预测值。
本申请上述实施例中,在基于目标导数对初始碳排放通量进行更新,得到碳浓度的目标碳排放通量之后,该方法还包括:利用大气传输模型对初始观测值和目标碳排放通量进行处理,得到碳浓度的目标预测值;基于目标预测值和目标碳排放通量,确定目标碳排放通量是否满足预设条件;响应于目标碳排放通量满足预设条件,基于目标预测值,确定碳浓度的第一导数,其中,第一导数用于表征观测误差相对于目标排放量的导数;基于第一导数对目标碳排放通量进行更新。
本申请上述实施例中,基于目标预测值和目标碳排放通量,确定目标碳排放通量是否满足预设条件包括:基于目标预测值和观测值,构建第一误差函数;基于目标碳排放通量和初始碳排放通量,构建第二误差函数;获取第一误差函数和第二误差函数的加权和,得到碳浓度的损失函数;响应于损失函数大于预设阈值,确定目标碳排放通量满足预设条件;响应于损失函数小于预设阈值,确定目标碳排放通量不满足预设条件。
本申请上述实施例中,在基于目标导数对初始碳排放通量进行更新,得到碳浓度的目标碳排放通量之后,该方法还包括:输出目标碳排放通量;接收目标碳排放通量对应的第一反馈信息,其中,第一反馈信息用于表征是否对目标碳排放通量进行更新;响应于第一反馈信息为对目标碳排放通量进行更新,利用大气传输模型对观测值和目标碳排放通量进行处理,得到碳浓度的第二导数;基于第二导数对目标碳排放通量进行更新。
本申请上述实施例中,在获取碳浓度的观测值和初始碳排放通量之后,该方法还包括:输出观测值和初始碳排放通量;接收第二反馈信息,其中,第二反馈信息通过对观测值和初始碳排放通量进行修改得到;利用大气传输模型对第二反馈信息进行处理,得到碳浓度的第三导数;基于第三导数对初始碳排放通量进行更新,得到目标碳排放通量。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例3
根据本申请实施例,还提供了一种大气污染物排放通量处理方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图5是根据本发明实施例的一种大气污染物排放通量处理方法的流程图,如图5所示,该方法可以包括以下步骤:
步骤S502,在交互界面中显示大气污染物浓度的观测值和大气污染物浓度的初始排放通量。
其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值。
步骤S504,响应于交互界面中检测到的触控操作,利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数。
其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数。
步骤S506,在交互界面中显示大气污染物浓度的目标排放通量。
其中,目标排放通量通过目标导数对初始排放通量进行更新得到。
本申请上述实施例中,观测值包括:预设时间段内采集到的大气污染物浓度的浓度,利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数包括:利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值,其中,初始观测值用于表征预设时间段内起始时刻采集到的大气污染物浓度的浓度,预测值用于表征预设时间段内推演得到的大气污染物浓度的浓度;基于预测值和观测值,确定大气污染物浓度的观测误差;获取观测误差相对于排放通量的导数,得到目标导数。
本申请上述实施例中,大气传输模型包括:导数计算层,微分方程构建层和时间积分层。
本申请上述实施例中,利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值包括:利用导数计算层对大气污染物浓度的密度、大气的速度场和初始观测值进行差分操作,得到空间导数;利用微分方程构建层对空间导数和初始排放通量进行方程构建,得到目标微分方程,目标微分方程与时间函数无关;利用时间积分层对目标微分方程进行积分操作,得到预测值。
本申请上述实施例中,在基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量之后,该方法还包括:利用大气传输模型对初始观测值和目标排放通量进行处理,得到大气污染物浓度的目标预测值;基于目标预测值和目标排放通量,确定目标排放通量是否满足预设条件;响应于目标排放通量满足预设条件,基于目标预测值,确定大气污染物浓度的第一导数;基于第一导数对目标排放通量进行更新。
本申请上述实施例中,基于目标预测值和目标排放通量,确定目标排放通量是否满足预设条件包括:基于目标预测值和观测值,构建第一误差函数;基于目标排放通量和初始排放通量,构建第二误差函数;获取第一误差函数和第二误差函数的加权和,得到大气污染物浓度的损失函数;响应于损失函数大于预设阈值,确定目标排放通量满足预设条件;响应于损失函数小于预设阈值,确定目标排放通量不满足预设条件。
本申请上述实施例中,在交互界面中显示大气污染物浓度的目标排放通量之后,该方法还包括:接收目标排放通量对应的第一反馈信息,其中,第一反馈信息用于表征是否对目标排放通量进行更新;响应于第一反馈信息为对目标排放通量进行更新,利用大气传输模型对观测值和目标排放通量进行处理,得到大气污染物浓度的第二导数;基于第二导数对目标排放通量进行更新。
本申请上述实施例中,在交互界面中显示大气污染物浓度的观测值和大气污染物浓度的初始排放通量,该方法还包括:输出观测值和初始排放通量;接收第二反馈信息,其中,第二反馈信息通过对观测值和初始排放通量进行修改得到;利用大气传输模型对第二反馈信息进行处理,得到大气污染物浓度的第三导数;基于第三导数对初始排放通量进行更新,得到目标排放通量。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例4
根据本申请实施例,还提供了一种大气污染物排放通量处理方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图6是根据本发明实施例的一种大气污染物排放通量处理方法的流程图,如图6所示,该方法可以包括以下步骤:
步骤S602,云服务器接收客户端上传的大气污染物浓度的观测值和大气污染物浓度的初始排放通量;
其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;
步骤S604,云服务器利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数;
其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;
步骤S606,云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量;
步骤S608,云服务器返回目标排放通量至客户端。
本申请上述实施例中,观测值包括:预设时间段内采集到的大气污染物浓度的浓度,云服务器利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数包括:云服务器利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值,其中,初始观测值用于表征预设时间段内起始时刻采集到的大气污染物浓度的浓度,预测值用于表征预设时间段内推演得到的大气污染物浓度的浓度;云服务器基于预测值和观测值,确定大气污染物浓度的观测误差;云服务器获取观测误差相对于排放通量的导数,得到目标导数。
本申请上述实施例中,大气传输模型包括:导数计算层,微分方程构建层和时间积分层。
本申请上述实施例中,云服务器利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值包括:云服务器利用导数计算层对大气污染物浓度的密度、大气的速度场和初始观测值进行差分操作,得到空间导数;云服务器利用微分方程构建层对空间导数和初始排放通量进行方程构建,得到目标微分方程,目标微分方程与时间函数无关;云服务器利用时间积分层对目标微分方程进行积分操作,得到预测值。
本申请上述实施例中,在云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量之后,该方法还包括:云服务器利用大气传输模型对初始观测值和目标排放通量进行处理,得到大气污染物浓度的目标预测值;云服务器基于目标预测值和目标排放通量,确定目标排放通量是否满足预设条件;响应于目标排放通量满足预设条件,云服务器基于目标预测值,确定大气污染物浓度的第一导数,其中,第一导数用于表征观测误差相对于目标排放量的导数;云服务器基于第一导数对目标排放通量进行更新。
本申请上述实施例中,云服务器基于目标预测值和目标排放通量,确定目标排放通量是否满足预设条件包括:云服务器基于目标预测值和观测值,构建第一误差函数;云服务器基于目标排放通量和初始排放通量,构建第二误差函数;云服务器获取第一误差函数和第二误差函数的加权和,得到大气污染物浓度的损失函数;响应于损失函数大于预设阈值,云服务器确定目标排放通量满足预设条件;响应于损失函数小于预设阈值,云服务器确定目标排放通量不满足预设条件。
本申请上述实施例中,在云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量之后,该方法还包括:云服务器输出目标排放通量;接收目标排放通量对应的第一反馈信息,其中,第一反馈信息用于表征是否对目标排放通量进行更新;响应于第一反馈信息为对目标排放通量进行更新,云服务器利用大气传输模型对观测值和目标排放通量进行处理,得到大气污染物浓度的第二导数;云服务器基于第二导数对目标排放通量进行更新。
本申请上述实施例中,在云服务器获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量之后,该方法还包括:云服务器输出观测值和初始排放通量;云服务器接收第二反馈信息,其中,第二反馈信息通过对观测值和初始排放通量进行修改得到;云服务器利用大气传输模型对第二反馈信息进行处理,得到大气污染物浓度的第三导数;云服务器基于第三导数对初始排放通量进行更新,得到目标排放通量。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例5
根据本申请实施例,还提供了一种大气污染物排放通量处理方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图7是根据本发明实施例的一种大气污染物排放通量处理方法的流程图,如图7所示,该方法可以包括以下步骤:
步骤S702,云服务器接收客户端上传的大气污染物排放通量处理请求;
其中,大气污染物排放通量处理请求至少包括:预设时间段和大气污染物浓度。
步骤S704,云服务器获取预设时间段内大气污染物浓度的观测值和大气污染物浓度的初始排放通量;
其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值。
步骤S706,云服务器利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数;
其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;
步骤S708,云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量;
步骤S710,云服务器返回目标排放通量至客户端。
本申请上述实施例中,观测值包括:预设时间段内采集到的大气污染物浓度的浓度,云服务器利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数包括:云服务器利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值,其中,初始观测值用于表征预设时间段内起始时刻采集到的大气污染物浓度的浓度,预测值用于表征预设时间段内推演得到的大气污染物浓度的浓度;云服务器基于预测值和观测值,确定大气污染物浓度的观测误差;获取观测误差相对于排放通量的导数,得到目标导数。
本申请上述实施例中,大气传输模型包括:导数计算层,微分方程构建层和时间积分层。
本申请上述实施例中,云服务器利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值包括:云服务器利用导数计算层对大气污染物浓度的密度、大气的速度场和初始观测值进行差分操作,得到空间导数;云服务器利用微分方程构建层对空间导数和初始排放通量进行方程构建,得到目标微分方程,目标微分方程与时间函数无关;云服务器利用时间积分层对目标微分方程进行积分操作,得到预测值。
本申请上述实施例中,在云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量之后,该方法还包括:云服务器利用大气传输模型对初始观测值和目标排放通量进行处理,得到大气污染物浓度的目标预测值;云服务器基于目标预测值和目标排放通量,确定目标排放通量是否满足预设条件;响应于目标排放通量满足预设条件,云服务器基于目标预测值,确定大气污染物浓度的第一导数,其中,第一导数用于表征观测误差相对于目标排放量的导数;基于第一导数对目标排放通量进行更新。
本申请上述实施例中,云服务器基于目标预测值和目标排放通量,确定目标排放通量是否满足预设条件包括:云服务器基于目标预测值和观测值,构建第一误差函数;云服务器基于目标排放通量和初始排放通量,构建第二误差函数;云服务器获取第一误差函数和第二误差函数的加权和,得到大气污染物浓度的损失函数;响应于损失函数大于预设阈值,云服务器确定目标排放通量满足预设条件;响应于损失函数小于预设阈值,云服务器确定目标排放通量不满足预设条件。
本申请上述实施例中,在云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量之后,该方法还包括:云服务器输出目标排放通量;云服务器接收目标排放通量对应的第一反馈信息,其中,第一反馈信息用于表征是否对目标排放通量进行更新;响应于第一反馈信息为对目标排放通量进行更新,云服务器利用大气传输模型对观测值和目标排放通量进行处理,得到大气污染物浓度的第二导数;云服务器基于第二导数对目标排放通量进行更新。
本申请上述实施例中,在云服务器获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量之后,该方法还包括:云服务器输出观测值和初始排放通量;云服务器接收第二反馈信息,其中,第二反馈信息通过对观测值和初始排放通量进行修改得到;云服务器利用大气传输模型对第二反馈信息进行处理,得到大气污染物浓度的第三导数;云服务器基于第三导数对初始排放通量进行更新,得到目标排放通量。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例6
根据本申请实施例,还提供了一种用于实施上述大气污染物排放通量处理方法的大气污染物排放通量处理装置,如图8所示,该装置800包括:获取模块802、处理模块804、更新模块806。
其中,获取模块,用于获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点采集到的大气污染物浓度的浓度;处理模块用于利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;更新模块用于基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量。
此处需要说明的是,上述获取模块802、处理模块804、更新模块806对应于实施例1中的步骤S202至步骤S206,三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例中,观测值包括:预设时间段内采集到的大气污染物浓度的浓度,处理模块,包括:推演单元、第一确定单元、获取单元。
其中,推演单元用于利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值,其中,初始观测值用于表征预设时间段内起始时刻采集到的大气污染物浓度的浓度,预测值用于表征预设时间段内推演得到的大气污染物浓度的浓度;第一确定单元用于基于预测值和观测值,确定大气污染物浓度的观测误差;获取单元用于获取观测误差相对于排放通量的导数,得到目标导数。
本申请上述实施例中,大气传输模型包括:导数计算层,微分方程构建层和时间积分层。
本申请上述实施例中,推演单元包括:差分操作子单元、构建子单元、积分操作子单元。
其中,差分操作子单元用于利用导数计算层对大气污染物浓度的密度、大气的速度场和初始观测值进行差分操作,得到空间导数;构建子单元用于利用微分方程构建层对空间导数和初始排放通量进行方程构建,得到目标微分方程,目标微分方程与时间函数无关;积分操作子单元用于利用时间积分层对目标微分方程进行积分操作,得到预测值。
本申请上述实施例中,该装置还包括:确定模块。
其中,处理模块还用于利用大气传输模型对初始观测值和目标排放通量进行处理,得到大气污染物浓度的目标预测值;确定模块用于基于目标预测值和目标排放通量,确定目标排放通量是否满足预设条件;确定模块还用于响应于目标排放通量满足预设条件,基于目标预测值,确定大气污染物浓度的第一导数,其中,第一导数用于表征观测误差相对于目标排放量的导数;更新模块还用于基于第一导数对目标排放通量进行更新。
本申请上述实施例中,确定模块包括:构建单元、加权单元、第二确定单元。
其中,构建单元用于基于目标预测值和观测值,构建第一误差函数;构建单元还用于基于目标排放通量和初始排放通量,构建第二误差函数;加权单元用于获取第一误差函数和第二误差函数的加权和,得到大气污染物浓度的损失函数;第二确定单元用于响应于损失函数大于预设阈值,确定目标排放通量满足预设条件;第二确定单元还用于响应于损失函数小于预设阈值,确定目标排放通量不满足预设条件。
本申请上述实施例中,该装置还包括:输出模块、接收模块。
其中,输出模块用于输出目标排放通量;接收模块用于接收目标排放通量对应的第一反馈信息,其中,第一反馈信息用于表征是否对目标排放通量进行更新;更新模块用于响应于第一反馈信息为对目标排放通量进行更新,利用大气传输模型对观测值和目标排放通量进行处理,得到大气污染物浓度的第二导数;更新模块还用于基于第二导数对目标排放通量进行更新。
本申请上述实施例中,输出模块还用于输出观测值和初始排放通量;接收模块还用于接收第二反馈信息,其中,第二反馈信息通过对观测值和初始排放通量进行修改得到;处理模块还用于利用大气传输模型对第二反馈信息进行处理,得到大气污染物浓度的第三导数;更新模块还用于基于第三导数对初始排放通量进行更新,得到目标排放通量。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例7
根据本申请实施例,还提供了一种用于实施上述大气污染物排放通量处理方法的大气污染物排放通量处理装置,如图9所示,该装置包括:获取模块902、处理模块904、更新模块906。
其中,获取模块用于获取碳中和场景下碳浓度的观测值和初始碳排放通量,其中,观测值用于表征目标站点对碳浓度进行测量得到的数值;处理模块用于利用大气传输模型对观测值和初始碳排放通量进行处理,得到目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征影响碳浓度的气体在大气中的动力学传输过程,目标导数用于表征观测值相对于碳排放通量的导数;更新模块用于基于目标导数对初始碳排放通量进行更新,得到目标碳排放通量。
此处需要说明的是,上述获取模块902、处理模块904、更新模块906对应于实施例2中的步骤S402至步骤S406,三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例2所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例8
根据本申请实施例,还提供了一种用于实施上述大气污染物排放通量处理方法的大气污染物排放通量处理装置,如图10所示,该装置包括:第一显示模块1002、处理模块1004、第二显示模块1006。
其中,第一显示模块用于在交互界面中显示大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;处理模块用于响应于交互界面中检测到的触控操作,利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;第二显示模块用于在交互界面中显示大气污染物浓度的目标排放通量,其中,目标排放通量通过目标导数对初始排放通量进行更新得到。
此处需要说明的是,上述第一显示模块1002、处理模块1004、第二显示模块1006对应于实施例3中的步骤S502至步骤S506,三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例3所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例9
根据本申请实施例,还提供了一种用于实施上述大气污染物排放通量处理方法的大气污染物排放通量处理装置,如图11所示,该装置包括:接收模块1102、处理模块1104、更新模块1106、获取模块1108。
其中,接收模块用于接收客户端上传的大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;处理模块用于利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;更新模块用于基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量;获取模块用于返回目标排放通量至客户端。
此处需要说明的是,上述接收模块1102、处理模块1104、更新模块1106、获取模块1108对应于实施例4中的步骤S602至步骤S608,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例4所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例10
根据本申请实施例,还提供了一种用于实施上述大气污染物排放通量处理方法的大气污染物排放通量处理装置,如图12所示,该装置包括:接收模块1202、获取模块1204、处理模块1206、更新模块1208、反馈模块1210。
其中,接收模块用于接收客户端上传的大气污染物排放通量处理请求,其中,大气污染物排放通量处理请求至少包括:预设时间段和大气污染物浓度;获取模块用于获取预设时间段内大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;处理模块用于利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;更新模块用于基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量;反馈模块用于返回目标排放通量至客户端。
此处需要说明的是,上述接收模块1202、获取模块1204、处理模块1206、更新模块1208、反馈模块1210对应于实施例5中的步骤S702至步骤S710,五个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例4所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例11
本发明的实施例可以提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行大气污染物排放通量处理方法中以下步骤的程序代码:获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点采集到的大气污染物浓度的浓度;利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量。
可选地,图13是根据本发明实施例的一种计算机终端的结构框图。如图13所示,该计算机终端A可以包括:一个或多个(图中仅示出一个)处理器、存储器。
其中,存储器可用于存储软件程序以及模块,如本发明实施例中的大气污染物排放通量处理方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的大气污染物排放通量处理方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点采集到的大气污染物浓度的浓度;利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量。
可选的,上述处理器还可以执行如下步骤的程序代码:利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值,其中,初始观测值用于表征预设时间段内起始时刻采集到的大气污染物浓度的浓度,预测值用于表征预设时间段内推演得到的大气污染物浓度的浓度;基于预测值和观测值,确定大气污染物浓度的观测误差;获取观测误差相对于排放通量的导数,得到目标导数。
可选的,上述处理器还可以执行如下步骤的程序代码:大气传输模型包括:导数计算层,微分方程构建层和时间积分层。
可选的,上述处理器还可以执行如下步骤的程序代码:利用导数计算层对大气污染物浓度的密度、大气的速度场和初始观测值进行差分操作,得到空间导数;利用微分方程构建层对空间导数和初始排放通量进行方程构建,得到目标微分方程,目标微分方程与时间函数无关;利用时间积分层对目标微分方程进行积分操作,得到预测值。
可选的,上述处理器还可以执行如下步骤的程序代码:利用大气传输模型对初始观测值和目标排放通量进行处理,得到大气污染物浓度的目标预测值;基于目标预测值和目标排放通量,确定目标排放通量是否满足预设条件;响应于目标排放通量满足预设条件,基于目标预测值,确定大气污染物浓度的第一导数,其中,第一导数用于表征观测误差相对于目标排放量的导数;基于第一导数对目标排放通量进行更新。
可选的,上述处理器还可以执行如下步骤的程序代码:基于目标预测值和观测值,构建第一误差函数;基于目标排放通量和初始排放通量,构建第二误差函数;获取第一误差函数和第二误差函数的加权和,得到大气污染物浓度的损失函数;响应于损失函数大于预设阈值,确定目标排放通量满足预设条件;响应于损失函数小于预设阈值,确定目标排放通量不满足预设条件。
可选的,上述处理器还可以执行如下步骤的程序代码:输出目标排放通量;接收目标排放通量对应的第一反馈信息,其中,第一反馈信息用于表征是否对目标排放通量进行更新;响应于第一反馈信息为对目标排放通量进行更新,利用大气传输模型对观测值和目标排放通量进行处理,得到大气污染物浓度的第二导数;基于第二导数对目标排放通量进行更新。
可选的,上述处理器还可以执行如下步骤的程序代码:输出观测值和初始排放通量;接收第二反馈信息,其中,第二反馈信息通过对观测值和初始排放通量进行修改得到;利用大气传输模型对第二反馈信息进行处理,得到大气污染物浓度的第三导数;基于第三导数对初始排放通量进行更新,得到目标排放通量。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取碳中和场景下碳浓度的观测值和初始碳排放通量,其中,观测值用于表征目标站点对碳浓度进行测量得到的数值;利用大气传输模型对观测值和初始碳排放通量进行处理,得到目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征影响碳浓度的气体在大气中的动力学传输过程,目标导数用于表征观测值相对于碳排放通量的导数;基于目标导数对初始碳排放通量进行更新,得到目标碳排放通量。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:在交互界面中显示大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;响应于交互界面中检测到的触控操作,利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;在交互界面中显示大气污染物浓度的目标排放通量,其中,目标排放通量通过目标导数对初始排放通量进行更新得到。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:云服务器接收客户端上传的大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;云服务器利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量;云服务器返回目标排放通量至客户端。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:云服务器接收客户端上传的大气污染物排放通量处理请求,其中,大气污染物排放通量处理请求至少包括:预设时间段和大气污染物浓度;云服务器获取预设时间段内大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;云服务器利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量;云服务器返回目标排放通量至客户端。
采用本发明实施例,首先,获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点采集到的大气污染物浓度的浓度;利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量,实现了提高对目标排放通量进行监测的目的。容易注意到的是,可以先获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,然后根据大气传输模型的大气污染物浓度在大气中的动力传输模型对观测值和初始排放通量进行处理,以便确定出大气中的环境因素对预测准确度的影响因素,并根据该影响因素确定出观测误差,根据观测误差确定的目标导数对初始排放通量进行更新,从而提高初始排放通量的精确度,进而解决了相关技术中对大气污染物浓度的监测准确度较低的技术问题。
本领域普通技术人员可以理解,图13所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图13其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图13中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图13所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例4
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例一所提供的大气污染物排放通量处理方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点采集到的大气污染物浓度的浓度;利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量。
可选地,上述存储介质还被设置为存储用于执行以下步骤的程序代码:利用大气传输模型对初始观测值和初始排放通量进行反向推演,得到大气污染物浓度的预测值,其中,初始观测值用于表征预设时间段内起始时刻采集到的大气污染物浓度的浓度,预测值用于表征预设时间段内推演得到的大气污染物浓度的浓度;基于预测值和观测值,确定大气污染物浓度的观测误差;获取观测误差相对于排放通量的导数,得到目标导数。
可选地,上述存储介质还被设置为存储用于执行以下步骤的程序代码:大气传输模型包括:导数计算层,微分方程构建层和时间积分层。
可选地,上述存储介质还被设置为存储用于执行以下步骤的程序代码:利用导数计算层对大气污染物浓度的密度、大气的速度场和初始观测值进行差分操作,得到空间导数;利用微分方程构建层对空间导数和初始排放通量进行方程构建,得到目标微分方程,目标微分方程与时间函数无关;利用时间积分层对目标微分方程进行积分操作,得到预测值。
可选地,上述存储介质还被设置为存储用于执行以下步骤的程序代码:利用大气传输模型对初始观测值和目标排放通量进行处理,得到大气污染物浓度的目标预测值;基于目标预测值和目标排放通量,确定目标排放通量是否满足预设条件;响应于目标排放通量满足预设条件,基于目标预测值,确定大气污染物浓度的第一导数;基于第一导数对目标排放通量进行更新。
可选地,上述存储介质还被设置为存储用于执行以下步骤的程序代码:基于目标预测值和观测值,构建第一误差函数;基于目标排放通量和初始排放通量,构建第二误差函数;获取第一误差函数和第二误差函数的加权和,得到大气污染物浓度的损失函数;响应于损失函数大于预设阈值,确定目标排放通量满足预设条件;响应于损失函数小于预设阈值,确定目标排放通量不满足预设条件。
可选地,上述存储介质还被设置为存储用于执行以下步骤的程序代码:输出目标排放通量;接收目标排放通量对应的第一反馈信息,其中,第一反馈信息用于表征是否对目标排放通量进行更新;响应于第一反馈信息为对目标排放通量进行更新,利用大气传输模型对观测值和目标排放通量进行处理,得到大气污染物浓度的第二导数;基于第二导数对目标排放通量进行更新。
可选地,上述存储介质还被设置为存储用于执行以下步骤的程序代码:输出观测值和初始排放通量;接收第二反馈信息,其中,第二反馈信息通过对观测值和初始排放通量进行修改得到;利用大气传输模型对第二反馈信息进行处理,得到大气污染物浓度的第三导数;基于第三导数对初始排放通量进行更新,得到目标排放通量。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取碳中和场景下碳浓度 的观测值和初始碳排放通量,其中,观测值用于表征目标站点对碳浓度进行测量得到的数值;利用大气传输模型对观测值和初始碳排放通量进行处理,得到目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征影响碳浓度的气体在大气中的动力学传输过程,目标导数用于表征观测值相对于碳排放通量的导数;基于目标导数对初始碳排放通量进行更新,得到目标碳排放通量。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在交互界面中显示大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;响应于交互界面中检测到的触控操作,利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;在交互界面中显示大气污染物浓度的目标排放通量,其中,目标排放通量通过目标导数对初始排放通量进行更新得到。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:云服务器接收客户端上传的大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;云服务器利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量;云服务器返回目标排放通量至客户端。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:云服务器接收客户端上传的大气污染物排放通量处理请求,其中,大气污染物排放通量处理请求至少包括:预设时间段和大气污染物浓度;云服务器获取预设时间段内大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点对大气污染物浓度的浓度进行测量得到的数值;云服务器利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;云服务器基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量;云服务器返回目标排放通量至客户端。
采用本发明实施例,首先,获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,其中,观测值用于表征目标站点采集到的大气污染物浓度的浓度;利用大气传输模型对观测值和初始排放通量进行处理,得到大气污染物浓度的目标导数,其中,大气传输模型通过深度学习框架构建,大气传输模型用于表征大气污染物浓度在大气中的动力学传输过程,目标导数用于表征观测值相对于排放通量的导数;基于目标导数对初始排放通量进行更新,得到大气污染物浓度的目标排放通量,实现了提高对目标排放通量进行监测的目的。容易注意到的是,可以先获取大气污染物浓度的观测值和大气污染物浓度的初始排放通量,然后根据大气传输模型的大气污染物浓度在大气中的动力传输模型对观测值和初始排放通量进行处理,以便确定出大气中的环境因素对预测准确度的影响因素,并根据该影响因素确定出观测误差,根据观测误差确定的目标导数对初始排放通量进行更新,从而提高初始排放通量的精确度,进而解决了相关技术中对大气污染物浓度的监测准确度较低的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元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。
所述集成的单元如果以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全部或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(可为个人计算机、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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种大气污染物排放通量处理方法,其特征在于,包括:
获取大气污染物浓度的观测值和所述大气污染物浓度的初始排放通量,其中,所述观测值用于表征目标站点采集到的所述大气污染物浓度的浓度;
利用大气传输模型对所述观测值和所述初始排放通量进行处理,得到所述大气污染物浓度的目标导数,其中,所述大气传输模型通过深度学习框架构建,所述大气传输模型用于表征所述大气污染物浓度在大气中的动力学传输过程,所述目标导数用于表征所述观测值相对于排放通量的导数;
基于所述目标导数对所述初始排放通量进行更新,得到所述大气污染物浓度的目标排放通量。
2.根据权利要求1所述的方法,其特征在于,所述观测值包括:预设时间段内采集到的所述大气污染物浓度的浓度,利用大气传输模型对所述观测值和所述初始排放通量进行处理,得到所述大气污染物浓度的目标导数包括:
利用所述大气传输模型对初始观测值和所述初始排放通量进行反向推演,得到所述大气污染物浓度的预测值,其中,所述初始观测值用于表征所述预设时间段内起始时刻采集到的所述大气污染物浓度的浓度,所述预测值用于表征所述预设时间段内推演得到的所述大气污染物浓度的浓度;
基于所述预测值和所述观测值,确定所述大气污染物浓度的观测误差;
获取所述观测误差相对于所述排放通量的导数,得到所述目标导数。
3.根据权利要求2所述的方法,其特征在于,所述大气传输模型包括:导数计算层,微分方程构建层和时间积分层。
4.根据权利要求3所述的方法,其特征在于,利用所述大气传输模型对初始观测值和所述初始排放通量进行反向推演,得到所述大气污染物浓度的预测值包括:
利用所述导数计算层对所述大气污染物浓度的密度、所述大气的速度场和所述初始观测值进行差分操作,得到空间导数;
利用所述微分方程构建层对所述空间导数和所述初始排放通量进行方程构建,得到目标微分方程,所述目标微分方程与时间函数无关;
利用所述时间积分层对所述目标微分方程进行积分操作,得到所述预测值。
5.根据权利要求2所述的方法,其特征在于,在基于所述目标导数对所述初始排放通量进行更新,得到所述大气污染物浓度的目标排放通量之后,所述方法还包括:
利用所述大气传输模型对所述初始观测值和所述目标排放通量进行处理,得到所述大气污染物浓度的目标预测值;
基于所述目标预测值和所述目标排放通量,确定所述目标排放通量是否满足预设条件;
响应于所述目标排放通量满足所述预设条件,基于所述目标预测值,确定所述大气污染物浓度的第一导数,其中,所述第一导数用于表征观测误差相对于所述目标排放量的导数;
基于所述第一导数对所述目标排放通量进行更新。
6.根据权利要求5所述的方法,其特征在于,基于所述目标预测值和所述目标排放通量,确定所述目标排放通量是否满足预设条件包括:
基于目标预测值和所述观测值,构建第一误差函数;
基于所述目标排放通量和所述初始排放通量,构建第二误差函数;
获取所述第一误差函数和所述第二误差函数的加权和,得到所述大气污染物浓度的损失函数;
响应于所述损失函数大于预设阈值,确定所述目标排放通量满足所述预设条件;
响应于所述损失函数小于所述预设阈值,确定所述目标排放通量不满足所述预设条件。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,在基于所述目标导数对所述初始排放通量进行更新,得到所述大气污染物浓度的目标排放通量之后,所述方法还包括:
基于所述目标排放通量,确定目标地图上每个格点的格点排放通量;
在所述目标地图上显示所述格点排放通量。
8.根据权利要求7所述的方法,其特征在于,在所述目标地图上显示所述格点排放通量之后,所述方法还包括:
接收所述目标地图上选中的目标区域;
对所述目标区域包含的所有格点的格点排放通量进行汇总,得到所述目标区域对应的区域排放通量;
输出所述区域排放通量。
9.一种大气污染物排放通量处理方法,其特征在于,包括:
获取碳中和场景下碳浓度的观测值和初始碳排放通量,其中,所述观测值用于表征目标站点对所述碳浓度进行测量得到的数值;
利用大气传输模型对所述观测值和所述初始碳排放通量进行处理,得到目标导数,其中,所述大气传输模型通过深度学习框架构建,所述大气传输模型用于表征影响所述碳浓度的气体在大气中的动力学传输过程,所述目标导数用于表征所述观测值相对于碳排放通量的导数;
基于所述目标导数对所述初始碳排放通量进行更新,得到目标碳排放通量。
10.根据权利要求9所述的方法,其特征在于,所述观测值包括:预设时间段内采集到的所述碳浓度,利用大气传输模型对所述观测值和所述初始碳排放通量进行处理,得到所述目标导数包括:
利用所述大气传输模型对初始观测值和所述初始碳排放通量进行反向推演,得到所述碳浓度的预测值,其中,所述初始观测值用于表征所述预设时间段内起始时刻采集到的所述碳浓度,所述预测值用于表征所述预设时间段内推演得到的所述碳浓度;
基于所述预测值和所述观测值,确定所述碳浓度的观测误差;
获取所述观测误差相对于所述碳排放通量的导数,得到所述目标导数。
11.一种大气污染物排放通量处理方法,其特征在于,包括:
云服务器接收客户端上传的大气污染物浓度的观测值和所述大气污染物浓度的初始排放通量,其中,所述观测值用于表征目标站点对所述大气污染物浓度的浓度进行测量得到的数值;
所述云服务器利用大气传输模型对所述观测值和所述初始排放通量进行处理,得到所述大气污染物浓度的目标导数,其中,所述大气传输模型通过深度学习框架构建,所述大气传输模型用于表征所述大气污染物浓度在大气中的动力学传输过程,所述目标导数用于表征所述观测值相对于排放通量的导数;
所述云服务器基于所述目标导数对所述初始排放通量进行更新,得到所述大气污染物浓度的目标排放通量;
所述云服务器返回所述目标排放通量至所述客户端。
12.一种大气污染物排放通量处理方法,其特征在于,包括:
云服务器接收客户端上传的大气污染物排放通量处理请求,其中,所述大气污染物排放通量处理请求至少包括:预设时间段和大气污染物浓度;
所述云服务器获取所述预设时间段内所述大气污染物浓度的观测值和所述大气污染物浓度的初始排放通量,其中,所述观测值用于表征目标站点对所述大气污染物浓度的浓度进行测量得到的数值;
所述云服务器利用大气传输模型对所述观测值和所述初始排放通量进行处理,得到所述大气污染物浓度的目标导数,其中,所述大气传输模型通过深度学习框架构建,所述大气传输模型用于表征所述大气污染物浓度在大气中的动力学传输过程,所述目标导数用于表征所述观测值相对于排放通量的导数;
所述云服务器基于所述目标导数对所述初始排放通量进行更新,得到所述大气污染物浓度的目标排放通量;
所述云服务器返回所述目标排放通量至所述客户端。
13.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至12中任意一项所述的大气污染物排放通量处理方法。
14.一种计算机终端,其特征在于,包括:存储器和处理器,所述处理器用于运行存储器中存储的程序,其中,所述程序运行时执行权利要求1至12中任意一项所述的排放通量处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210200399.2A CN114324780B (zh) | 2022-03-03 | 2022-03-03 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
PCT/CN2023/076324 WO2023165336A1 (zh) | 2022-03-03 | 2023-02-16 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210200399.2A CN114324780B (zh) | 2022-03-03 | 2022-03-03 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114324780A true CN114324780A (zh) | 2022-04-12 |
CN114324780B CN114324780B (zh) | 2022-08-02 |
Family
ID=81030513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210200399.2A Active CN114324780B (zh) | 2022-03-03 | 2022-03-03 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114324780B (zh) |
WO (1) | WO2023165336A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547553A (zh) * | 2022-04-27 | 2022-05-27 | 河北先河环保科技股份有限公司 | 二氧化碳排放量的反演方法、装置、设备及存储介质 |
CN114724647A (zh) * | 2022-06-09 | 2022-07-08 | 南京大学 | 一种高时空分辨率co2通量反演***及方法 |
CN114778774A (zh) * | 2022-04-21 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的温室气体监测方法及相关设备 |
CN115271265A (zh) * | 2022-09-27 | 2022-11-01 | 四川中电启明星信息技术有限公司 | 基于碳卫星数据的电能碳流转分析方法及*** |
CN116189813A (zh) * | 2023-04-18 | 2023-05-30 | 南京大学 | 一种基于卫星大气甲烷浓度估算稻田甲烷排放通量的方法 |
WO2023165336A1 (zh) * | 2022-03-03 | 2023-09-07 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
CN116738232A (zh) * | 2023-06-16 | 2023-09-12 | 中国科学院空天信息创新研究院 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
CN117556262A (zh) * | 2024-01-08 | 2024-02-13 | 中国科学院空天信息创新研究院 | 大气甲烷排放强度监测方法、装置、电子设备及存储介质 |
CN117726046A (zh) * | 2024-02-07 | 2024-03-19 | 中科三清科技有限公司 | 点源排放预测方法、装置、存储介质及电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153291B (zh) * | 2023-10-31 | 2024-01-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及*** |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150031577A (ko) * | 2013-09-16 | 2015-03-25 | 주식회사 에니텍 | 대기오염물질 배출량 역산출 방법 |
CN106611090A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
US20180210469A1 (en) * | 2017-01-26 | 2018-07-26 | International Business Machines Corporation | Dynamic emission discharge reduction |
CN109885804A (zh) * | 2019-01-23 | 2019-06-14 | 大连理工大学 | 一种基于监测车的大气污染监测和源辨识方法 |
CN110031412A (zh) * | 2019-04-25 | 2019-07-19 | 中国科学技术大学 | 基于移动ahsa观测的大气污染物排放通量获取方法 |
CN110334438A (zh) * | 2019-07-04 | 2019-10-15 | 北京思路创新科技有限公司 | 一种空气污染物排放清单反演方法和设备 |
CN110909483A (zh) * | 2019-12-03 | 2020-03-24 | 河北先河环保科技股份有限公司 | 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 |
CN111523717A (zh) * | 2020-04-15 | 2020-08-11 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
CN111651873A (zh) * | 2020-05-22 | 2020-09-11 | 上海市环境科学研究院 | 城市大气VOCs排放清单反演方法、***、终端以及储存介质 |
CN112132336A (zh) * | 2020-09-22 | 2020-12-25 | 南京创蓝科技有限公司 | 一种pm2.5浓度的季度预测方法 |
CN112183625A (zh) * | 2020-09-28 | 2021-01-05 | 武汉大学 | 一种基于深度学习的pm2.5高精度时空预测方法 |
CN112711002A (zh) * | 2020-12-23 | 2021-04-27 | 武汉大学 | 一种基于co2-dial模拟测量的点源co2排放的新型估算方法 |
CN112800072A (zh) * | 2021-01-25 | 2021-05-14 | 北京工业大学 | 一种秸秆露天焚烧大气污染物排放清单快速更新的方法 |
CN113281264A (zh) * | 2021-05-08 | 2021-08-20 | 安徽大学 | 一种基于卫星遥感确定环境大气污染点源一氧化碳排放通量的方法 |
CN113987056A (zh) * | 2021-10-28 | 2022-01-28 | 重庆东煌高新科技有限公司 | 基于深度学习的碳排放量反演***及方法 |
CN114112935A (zh) * | 2021-11-22 | 2022-03-01 | 中国科学技术大学 | 大气污染物垂直分布的实时反演方法、装置、计算机设备和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4227889B2 (ja) * | 2003-12-08 | 2009-02-18 | 三菱重工業株式会社 | 大気汚染物質の濃度予測方法、装置、並びにプログラム及び大気汚染物質の濃度予測情報提供装置 |
RU2477886C1 (ru) * | 2011-08-12 | 2013-03-20 | Государственное научное учреждение Северо-западный научно-исследовательский институт Механизации и электрификации сельского хозяйства Российской академии сельскохозяйственных наук (СЗ НИИМЭСХ Россельхозакадемии) | Способ определения и мониторинга величины массовых выбросов загрязняющих веществ в окружающую среду из животноводческого помещения и система для его осуществления |
CA2872783A1 (en) * | 2014-12-01 | 2016-06-01 | David Andrew Risk | Gas emission detection device, system and method |
CN109446696B (zh) * | 2018-11-08 | 2020-04-07 | 成都市环境保护科学研究院 | 基于cmaq模型的快速大气环境容量测算方法、存储介质和终端 |
CN110018280B (zh) * | 2019-05-17 | 2021-08-17 | 北京市环境保护科学研究院 | 一种大气污染源排放综合表征方法及装置 |
CN111723482B (zh) * | 2020-06-17 | 2023-11-21 | 南京大学 | 一种基于卫星co2柱浓度观测反演地表碳通量的方法 |
CN114324780B (zh) * | 2022-03-03 | 2022-08-02 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
-
2022
- 2022-03-03 CN CN202210200399.2A patent/CN114324780B/zh active Active
-
2023
- 2023-02-16 WO PCT/CN2023/076324 patent/WO2023165336A1/zh unknown
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150031577A (ko) * | 2013-09-16 | 2015-03-25 | 주식회사 에니텍 | 대기오염물질 배출량 역산출 방법 |
CN106611090A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
US20180210469A1 (en) * | 2017-01-26 | 2018-07-26 | International Business Machines Corporation | Dynamic emission discharge reduction |
CN109885804A (zh) * | 2019-01-23 | 2019-06-14 | 大连理工大学 | 一种基于监测车的大气污染监测和源辨识方法 |
CN110031412A (zh) * | 2019-04-25 | 2019-07-19 | 中国科学技术大学 | 基于移动ahsa观测的大气污染物排放通量获取方法 |
CN110334438A (zh) * | 2019-07-04 | 2019-10-15 | 北京思路创新科技有限公司 | 一种空气污染物排放清单反演方法和设备 |
CN110909483A (zh) * | 2019-12-03 | 2020-03-24 | 河北先河环保科技股份有限公司 | 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 |
WO2021208393A1 (zh) * | 2020-04-15 | 2021-10-21 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
CN111523717A (zh) * | 2020-04-15 | 2020-08-11 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
CN111651873A (zh) * | 2020-05-22 | 2020-09-11 | 上海市环境科学研究院 | 城市大气VOCs排放清单反演方法、***、终端以及储存介质 |
CN112132336A (zh) * | 2020-09-22 | 2020-12-25 | 南京创蓝科技有限公司 | 一种pm2.5浓度的季度预测方法 |
CN112183625A (zh) * | 2020-09-28 | 2021-01-05 | 武汉大学 | 一种基于深度学习的pm2.5高精度时空预测方法 |
CN112711002A (zh) * | 2020-12-23 | 2021-04-27 | 武汉大学 | 一种基于co2-dial模拟测量的点源co2排放的新型估算方法 |
CN112800072A (zh) * | 2021-01-25 | 2021-05-14 | 北京工业大学 | 一种秸秆露天焚烧大气污染物排放清单快速更新的方法 |
CN113281264A (zh) * | 2021-05-08 | 2021-08-20 | 安徽大学 | 一种基于卫星遥感确定环境大气污染点源一氧化碳排放通量的方法 |
CN113987056A (zh) * | 2021-10-28 | 2022-01-28 | 重庆东煌高新科技有限公司 | 基于深度学习的碳排放量反演***及方法 |
CN114112935A (zh) * | 2021-11-22 | 2022-03-01 | 中国科学技术大学 | 大气污染物垂直分布的实时反演方法、装置、计算机设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
任歌等: "温室气体和大气污染物排放量监测与计量研究", 《计量技术》 * |
朱蓉等: "第2代大气污染物排放源强反演模式SSIM2及其在城市规划大气环境影响评价中的应用", 《气象科技》 * |
李亚林等: "邯郸市大气污染源排放清单建立及总量校验", 《环境科学研究》 * |
杨一帆等: "突发型大气污染源位置识别反演问题的数值模拟", 《环境科学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023165336A1 (zh) * | 2022-03-03 | 2023-09-07 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
CN114778774A (zh) * | 2022-04-21 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的温室气体监测方法及相关设备 |
CN114547553A (zh) * | 2022-04-27 | 2022-05-27 | 河北先河环保科技股份有限公司 | 二氧化碳排放量的反演方法、装置、设备及存储介质 |
CN114724647A (zh) * | 2022-06-09 | 2022-07-08 | 南京大学 | 一种高时空分辨率co2通量反演***及方法 |
CN115271265A (zh) * | 2022-09-27 | 2022-11-01 | 四川中电启明星信息技术有限公司 | 基于碳卫星数据的电能碳流转分析方法及*** |
CN116189813A (zh) * | 2023-04-18 | 2023-05-30 | 南京大学 | 一种基于卫星大气甲烷浓度估算稻田甲烷排放通量的方法 |
CN116738232A (zh) * | 2023-06-16 | 2023-09-12 | 中国科学院空天信息创新研究院 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
CN116738232B (zh) * | 2023-06-16 | 2024-05-31 | 中国科学院空天信息创新研究院 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
CN117556262A (zh) * | 2024-01-08 | 2024-02-13 | 中国科学院空天信息创新研究院 | 大气甲烷排放强度监测方法、装置、电子设备及存储介质 |
CN117556262B (zh) * | 2024-01-08 | 2024-05-14 | 中国科学院空天信息创新研究院 | 大气甲烷排放强度监测方法、装置、电子设备及存储介质 |
CN117726046A (zh) * | 2024-02-07 | 2024-03-19 | 中科三清科技有限公司 | 点源排放预测方法、装置、存储介质及电子设备 |
CN117726046B (zh) * | 2024-02-07 | 2024-04-30 | 中科三清科技有限公司 | 点源排放预测方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2023165336A1 (zh) | 2023-09-07 |
CN114324780B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114324780B (zh) | 大气污染物排放通量处理方法、存储介质以及计算机终端 | |
Kisi | Modeling reference evapotranspiration using three different heuristic regression approaches | |
Al-Sharif et al. | A novel approach for predicting the spatial patterns of urban expansion by combining the chi-squared automatic integration detection decision tree, Markov chain and cellular automata models in GIS | |
US20170132537A1 (en) | A computer implemented method of deriving performance from a local model | |
Brédy et al. | Water table depth forecasting in cranberry fields using two decision-tree-modeling approaches | |
Rae et al. | Implications of error and uncertainty for an environmental planning scenario: a sensitivity analysis of GIS-based variables in a reserve design exercise | |
Giuliani et al. | A Matlab toolbox for designing Multi-Objective Optimal Operations of water reservoir systems | |
Stockwell | Improving ecological niche models by data mining large environmental datasets for surrogate models | |
CN114357894B (zh) | 大气污染物的处理方法、存储介质以及计算机终端 | |
US20220043180A1 (en) | Method and system of real-time simulation and forecasting in a fully-integrated hydrologic environment | |
CN113643409A (zh) | 植被生产速率的表征方法、装置以及存储介质 | |
Wang et al. | An inexact irrigation water allocation optimization model under future climate change | |
EP2929475A2 (en) | Probabilistic carbon credits calculator | |
Unnikrishnan et al. | Data-driven multi-time-step ahead daily rainfall forecasting using singular spectrum analysis-based data pre-processing | |
CN112561199A (zh) | 天气参数预测模型训练方法、天气参数预测方法及装置 | |
Qiao et al. | Metaheuristic evolutionary deep learning model based on temporal convolutional network, improved aquila optimizer and random forest for rainfall-runoff simulation and multi-step runoff prediction | |
Vincze et al. | Rule-base reduction in Fuzzy Rule Interpolation-based Q-learning | |
CN116257792A (zh) | 一种智慧城市碳中和数据分析*** | |
Hassan et al. | Investigating the effects of climate and land use changes on rawal dam reservoir operations and hydrological behavior | |
Albano et al. | MY SIRR: Minimalist agro-hYdrological model for Sustainable IRRigation management—Soil moisture and crop dynamics | |
CN116628979B (zh) | 多元回归的总初级生产力逐像元预测方法、装置及介质 | |
CN117391727A (zh) | 一种负碳排放的碳中和方法及*** | |
CN104504256A (zh) | 一种边界层温度廓线精确反演的估计算法 | |
CN116931129A (zh) | 基于多模式集合的短期降水预报方法、装置、设备及介质 | |
Ghazali et al. | A fusion-based neural network methodology for monthly reservoir inflow prediction using MODIS products |
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 |