CN114356880B - 基于数据驱动的小尺度区域大气污染物快速溯源方法 - Google Patents
基于数据驱动的小尺度区域大气污染物快速溯源方法 Download PDFInfo
- Publication number
- CN114356880B CN114356880B CN202111534936.9A CN202111534936A CN114356880B CN 114356880 B CN114356880 B CN 114356880B CN 202111534936 A CN202111534936 A CN 202111534936A CN 114356880 B CN114356880 B CN 114356880B
- Authority
- CN
- China
- Prior art keywords
- pollution
- meteorological
- data
- tracing
- source
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于数据驱动的小尺度区域大气污染物快速溯源方法,包括:大气污染扩散模型土地利用类型信息本地化及气象场模拟,根据本地气象状况构建以气象参数等间距划分后组合的气象情景,结合大气污染扩散模拟平台模拟气象情景获得溯源结果形成污染溯源库,以污染溯源库为训练数据拟合搭建数据驱动模型拟合,以实时气象条件匹配污染溯源库或引发数据驱动模型实现快速污染溯源。本发明极大提高了污染溯源的精度和速度,实现小尺度区域大气污染综合管控能力的显著提升,支撑区域VOCs等污染物的大幅削减及空气质量的有效改善。
Description
技术领域
本发明涉及大气污染防控领域,具体涉及一种大气污染快速溯源方法。
背景技术
工业园区企业密度大,污染排放集中,尤其是VOCs排放呈现多源、多物种且时空分布不均匀的特点,导致园区VOCs等污染物监测难度大、污染特征不明确、污染来源不明晰,使得污染事件时有发生,污染事件应急响应较慢,对园区及周边地区的生态环境和人民健康造成显著危害。开展工业园区小尺度下快速污染溯源是识别污染来源的重要途径,对园区污染物科学管控至关重要,也是切实有效保障大气环境质量的重要支撑。
目前小尺度区域的大气污染溯源多使用源排放清单法、受体模型法和源模型法,源排放清单法仅考虑污染源排放而忽略了污染物在大气中的扩散、转化等过程。如CMB、PMF等受体模型及其改进方法依赖于较高的污染物组分监测要求而存在一定的局限性。AERMOD扩散模型以大气边界层和大气扩散理论为基础,在假设污染物浓度在一定范围内符合正态分布的前提下,采用高斯扩散公式建立起来的稳态烟羽模型,是《环境影响评价技术导则大气环境(HJ2.2-2018)》推荐使用的小尺度大气扩散模型,然而其模拟过程耗时较长,对污染事件下的溯源有效性不足。面对当前区域管控要求提高,对污染模拟的精度、准确度和速度均提出了更高的要求。已有的有扩散模型(如AERMOD等)对污染物扩散溯源的模拟过程耗时较长,难以在发生污染事件时迅速识别主要污染源及源类贡献,使得在污染事件下的应急响应相对滞后,无法满足高效、智能、科学的管控。
发明内容
本发明要解决现有技术的发生污染时间时实时溯源模拟耗时长的问题,提供一种基于数据驱动的小尺度区域大气污染物快速溯源方法。
本发明以气象参数的等间距变化建立气象情景,结合区域污染排放清单开展大量气象情景的溯源模拟,进而建立气象情景与溯源结果一一对应的数据集,并以此作为机器学习的样本进行机器学习拟合,搭建以气象参数驱动的人工神经网络机器学习模型,从而实现区域小尺度特点下的快速精准溯源,大大提高了污染溯源的时效性与精确性。
基于数据驱动的小尺度区域大气污染物快速溯源方法,包括如下步骤:
S1,模型本地化并搭建模型模拟框架。设置大气污染扩散模型的地面数据、高空数据、土地利用类型等相关参数与数据集,完成模型的本地化。根据区域实际排放信息设置源排放特征,设置受体点,确定模型模拟框架。
S2,构造气象情景。根据区域历史气象监测数据明确本地常规气象参数统计,确定本地气象参数出现的范围。根据温度、风向、风速、低云量、总云量等气象要素按等间距划分,其中风向设置一般范围为0°~315°(以正北方向为0°);总云量范围可以设置为0~10%;低云量范围可以设置为0~10%,实际根据实地气象状况调整范围,根据精度要求调整间隔。排列组合后构建不同气象情景,1套气象参数的组合即为1个气象情景的样本。
S3,气象情景下的模拟溯源。利用区域污染源排放清单、以上构建的气象情景,结合确定的扩散模型模拟框架解析各气象情景下各污染源对受体污染浓度的贡献,以各源类对受体浓度的贡献占比作为溯源结果进行列表汇总。
S4,建立污染溯源库。整合气象情景及相应的溯源结果,每条气象情景与溯源结果一一对应的数据对即为1个污染溯源样本,汇编污染溯源样本建立污染溯源库。
S5,训练数据驱动模型。以污染溯源库视为数据集,以污染溯源库中气象条件为输入,以污染源贡献占比为输出,每个污染溯源样本即视为1个训练样本,基于人工神经网络函数训练形成以气象参数为驱动的模型,由MATLAB人工神经网络“trainbr”算法实现,并调整优化模型内部参数,最终搭建最优的数据驱动模型。
S6,污染溯源。在实时气象状况下,以气象参数为关键词检索污染溯源库进行匹配,若匹配成功,提取获得各源类对受体污染物浓度的实时贡献占比;若未匹配,则利用以上人工神经网络训练的数据驱动模型,以实时气象参数构建实时气象情景驱动模型,提取各个污染源对受体的浓度贡献,即获得各源类的实时贡献占比,从而实现快速精准污染溯源。根据获得的各源类对受体的实时污染贡献占比进行排序,提取对受体污染形成占主导贡献的污染源名称,由此支撑区域大气污染的科学有效管控。
优选地,步骤S1所述的大气污染扩散模型选用AERMOD、CALPUFF等适用于中小尺度污染物扩散模拟的常用大气污染扩散模型。
优选地,步骤S2所述的本地常规气象参数统计中,风速、温度的范围根据本地气象历史数据确定,风向范围则包括全范围,并根据精度要求调整间隔。
优选地,步骤S4所述的污染溯源库由每条气象情景与相应的溯源结果一一对应形成的数据对汇编而成;1条数据对即为1个污染溯源样本,每条数据对按照固定的参数顺序编制,一般顺序为序号、风向、风速、温度、总云量、低云量,按顺序编码的源贡献。
优选地,步骤S5所述的数据驱动模型基于人工神经网络函数训练形成以气象参数为驱动的模型。由MATLAB人工神经网络“trainbr”算法实现,即贝叶斯正则化(BayesianRegularization)算法寻找能有效逼近样本集的函数并使误差函数最小化,采用均方误差函数ED训练误差函数:
其中N为样本数,ti为期望输出值,ai为网络的实际输出值。
在目标函数中增加网络权重平方和均值来提高泛化能力,误差函数经改进后变为:
E=ζ1·ED+ζ2·EW (2)
优选地,所述实时气象参数为当前气象监测数据,或所指定时段内的气象监测数据。
优选地,步骤S6所述的实时气象参数至少包括风向、风速、温度指标。
本发明的优点是:围绕小尺度区域,集成大气污染扩散模型和机器学习方法搭建污染溯源体系,创新性地提出了在发生污染时以污染溯源库快速溯源的技术方法,具有溯源速度快、精确度高的特点,能够有力支撑小尺度区域VOCs等污染物的大幅削减与区域空气质量的有效改善,实现园区大气污染综合管控能力的显著提升。
附图说明
图1为本发明的技术方案流程图。
图2为实例AERMOD模型土地利用类型参数计算结果示意图。
图3为实例WRF搭建的气象场的示意图。
图4为实例部分污染溯源库展示图。
图5为实例污染溯源结果的示意图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本实施例利用基于数据驱动的的小尺度区域大气污染物快速溯源方法,具体步骤如下:
1.AERMOD模型的本地化
搭建模拟平台首先需要确定模式模拟区域的土地利用类型信息。AERMOD模式的土地利用参数中,粗糙度是将以研究区域中心点为圆心,半径为1km的圆形区域划分为12个扇区,每个扇区的粗糙度数值以各扇区中不同土地利用类型面积的占比为依据计算,反照率和鲍文率是研究区域中心点为中心的3km×3km矩形区域为参考进行计算,土地利用类型数据取自FROM-GLC10-2017v01数据集(10m分辨率),最终土地利用类型参数的计算结果如图2所示。
利用WRF模型模拟本地气象场,最内层网格的格距精确到1km,使用四层网格嵌套,外层为内层提供边界条件,以提高内层模拟的准确性。第一层范围为1620×1458km,分辨率为27km;第二层范围为513×405km,分辨率为9km;第三层范围为108×108km,分辨率为3km;第四层覆盖工业园区,范围为24×24km,分辨率为1km。模拟采用WRF-ARW中尺度气象模式生成三维气象场,结果如图3所示。
2.污染溯源库的构建
为预测污染源在各类气象条件下的扩散浓度,根据温度、风向、风速、低云量、总云量等气象要素均按等间距划分后排列组合,得到不同气象情景。根据本地气象历史数据统计分析确定气象情景设置范围,具体的划分方案如下:
将风向、风速、温度、总云量和低云量等7项要素排列组合生成所有可能的气象条件,其中风向设置范围为0°~315°(以正北方向为0°,间隔为45°),风速范围设置为1~13m/s(间隔为2m/s),温度范围设置为-5~45℃(间隔为5℃),总云量范围设置为0~10(间隔为2),低云量范围设置为0~10(间隔为2)。本次模型模拟源强共86个,受体点32个。
然后基于以上建立的土地利用类型信息及气象场,通过AERMOD扩散模型模拟得到各气象情景下每个污染源对受体的浓度贡献。以各源类对受体浓度的贡献占比作为溯源结果进行列表汇总,以每条气象情景与溯源结果一一对应汇编污染溯源样本建立污染溯源库。根据排放源的按顺序编码S1,S2,…,Sn,以及环境受体的按顺序编码D1,D2,…,Dm,进一步排列组合形成各源类对每个环境受体的贡献S1D1,S2D2,…,SnDm。部分污染溯源库内容如图4所示。
3.数据驱动模型的搭建
以上构建的污染溯源库所包含的污染情景虽然已经十分庞大,在实际应用中仍无法覆盖所有气象条件下的情景。基于气象情景与溯源结果数据对,以污染溯源库中气象条件和受体监测点浓度为输入,污染源对受体的浓度贡献为输出,基于污染溯源库内有限的数据,利用MATLAB软件中人工神经网络算法将其训练成一个连续的数据驱动模型。
以每条气象参数与溯源结果数据对作为神经网络的训练样本,选用MATLAB软件“trainbr”算法执行训练过程,其中以气象参数为训练的输入层,以各受体点对应排放源贡献浓度为训练的输出层,设置隐含层神经元为8个,设置训练集、验证集、测试集占比分别为0.7、0.15、0.15。执行训练脚本后返回训练完成的net网络,利用net网络计算各气象参数条件下的污染浓度模拟值,结合源文件中输出数据计算拟合效果R2为0.947,表明搭建的net网络的模拟性能较好。
4.实时污染溯源***的应用实例
集成污染溯源库和数据驱动模型形成了园区小尺度的实时精准污染溯源***,实例溯源过程如下:
基于训练完成的net网络,以气象参数为关键词,将实时气象参数与污染溯源库中的气象情景进行检索匹配,应用实例下风向为15°,风速为5.2m/s,温度为21.5℃,总云量为7,低云量为4的情景,显然该气象状况并未包含在污染溯源库的气象情景中。因此,以风向15°,温度21.5℃,风速5.2m/s,总云量7,低云量4构建新的气象情景(15,5.2,21.5,7,4),以该气象情景为输入,执行数据驱动模型,计算86个源在32个受体点的污染浓度,根据浓度占比计算获得各源类对受体点A的贡献率r。
其中,ri,j为第i个源对第j个受体点污染浓度的贡献率,Ci,j为第i个源对第j个受体点污染浓度,n为排放源编号,本例中共N=86。以ri,j的降序排序,ri,j最大值对应的源类即为对该受体点贡献最主要的源类,Ci,j即为相应的贡献浓度,ri,j为相应的贡献率。本例溯源结果如图5所示。
Claims (7)
1.基于数据驱动的小尺度区域大气污染物快速溯源方法,包括以下步骤:
S1,模型本地化并搭建模型模拟框架;设置大气污染扩散模型的地面数据、高空数据、土地利用类型的参数与数据集,完成大气污染扩散模型的本地化;根据区域实际排放信息设置源排放特征,设置受体点,确定模型模拟框架;
S2,构造气象情景;根据区域历史气象监测数据明确本地常规气象参数统计,确定本地气象参数出现的范围;按等间距划分气象要素温度、风向、风速、低云量和总云量;排列组合后构建不同气象情景,1套气象参数的组合即为1个气象情景的样本;
S3,气象情景下的模拟溯源;利用区域污染源排放清单、以上构建的气象情景,结合确定的大气污染扩散模型模拟框架解析各气象情景下各污染源对受体污染浓度的贡献,以各源类对受体浓度的贡献占比作为溯源结果进行列表汇总;
S4,建立污染溯源库;整合气象情景及相应的溯源结果,每条气象情景与溯源结果一一对应的数据对即为1个污染溯源样本,汇编污染溯源样本建立污染溯源库;
S5,训练数据驱动模型;以污染溯源库视为数据集,以污染溯源库中气象条件为输入,以污染源贡献占比为输出,每个污染溯源样本即视为1个训练样本,基于人工神经网络函数训练形成以气象参数为驱动的数据驱动模型,由MATLAB人工神经网络“trainbr”算法实现,并调整优化数据驱动模型内部参数,最终搭建最优的数据驱动模型;
S6,污染溯源;在实时气象状况下,以气象参数为关键词检索污染溯源库进行匹配,若匹配成功,提取获得各源类对受体污染物浓度的实时贡献占比;若未匹配,则利用以上人工神经网络训练的数据驱动模型,以实时气象参数构建实时气象情景驱动模型,提取各个污染源对受体的浓度贡献,即获得各源类的实时贡献占比,从而实现快速精准污染溯源;根据获得的各源类对受体的实时污染贡献占比进行排序,提取对受体污染形成占主导贡献的污染源名称,由此支撑区域大气污染的科学有效管控。
2.如权利要求1所述的基于数据驱动的小尺度区域大气污染物快速溯源方法,其特征在于:步骤S1所述的大气污染扩散模型选用AERMOD、CALPUFF适用于中小尺度污染物扩散模拟的常用大气污染扩散模型。
3.如权利要求1所述的基于数据驱动的小尺度区域大气污染物快速溯源方法,其特征在于:步骤S2所述的本地常规气象参数统计中,风速、温度的范围根据本地气象历史数据确定,风向范围则包括全范围,并根据精度要求调整间隔。
4.如权利要求1所述的基于数据驱动的小尺度区域大气污染物快速溯源方法,其特征在于:步骤S4所述的污染溯源库由每条气象情景与相应的溯源结果一一对应形成的数据对汇编而成;1条数据对即为1个污染溯源样本,每条数据对按照固定的参数顺序编制,按序号、风向、风速、温度、总云量、低云量的顺序,按顺序编码的源贡献。
5.如权利要求1所述的基于数据驱动的小尺度区域大气污染物快速溯源方法,其特征在于:步骤S5所述的数据驱动模型基于人工神经网络函数训练形成以气象参数为驱动的模型;由MATLAB人工神经网络“trainbr”算法实现,即贝叶斯正则化(BayesianRegularization)算法寻找能有效逼近样本集的函数并使误差函数最小化,采用均方误差函数ED训练误差函数:
其中N为样本数,ti为期望输出值,ai为网络的实际输出值;
在目标函数中增加网络权重平方和均值来提高泛化能力,误差函数经改进后变为:
E=ζ1·ED+ζ2·EW (2)
6.如权利要求1所述的基于数据驱动的小尺度区域大气污染物快速溯源方法,其特征在于:所述实时气象参数为当前气象监测数据,或所指定时段内的气象监测数据。
7.如权利要求1所述的基于数据驱动的小尺度区域大气污染物快速溯源方法,其特征在于:步骤S6所述的实时气象参数至少包括风向、风速、温度指标。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534936.9A CN114356880B (zh) | 2021-12-15 | 2021-12-15 | 基于数据驱动的小尺度区域大气污染物快速溯源方法 |
US18/082,214 US20230194755A1 (en) | 2021-12-15 | 2022-12-15 | Data-driven rapid traceability method for air pollutants in small-scale regionals |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534936.9A CN114356880B (zh) | 2021-12-15 | 2021-12-15 | 基于数据驱动的小尺度区域大气污染物快速溯源方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114356880A CN114356880A (zh) | 2022-04-15 |
CN114356880B true CN114356880B (zh) | 2023-04-11 |
Family
ID=81099538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111534936.9A Active CN114356880B (zh) | 2021-12-15 | 2021-12-15 | 基于数据驱动的小尺度区域大气污染物快速溯源方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230194755A1 (zh) |
CN (1) | CN114356880B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017679A (zh) * | 2022-05-07 | 2022-09-06 | 深圳中兴智坪科技有限公司 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
CN115455814B (zh) * | 2022-08-31 | 2023-05-12 | 南京云创大数据科技股份有限公司 | 基于深度学习的污染源查找及污染物分布预测方法及*** |
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 |
CN116109323B (zh) * | 2022-12-26 | 2023-08-01 | 北京中科三清环境技术有限公司 | 臭氧污染溯源方法、装置、设备及存储介质 |
CN117058549B (zh) * | 2023-08-21 | 2024-02-20 | 中科三清科技有限公司 | 一种多行业二次污染动态来源解析***及解析方法 |
CN116842350B (zh) * | 2023-09-01 | 2023-11-03 | 北京建工环境修复股份有限公司 | 一种污染场地植物修复的分析方法、***及介质 |
CN116881671B (zh) * | 2023-09-04 | 2023-11-17 | 山东智明环保工程有限公司 | 基于神经网络的大气污染溯源方法及*** |
CN117252077B (zh) * | 2023-10-11 | 2024-04-30 | 德州市疾病预防控制中心 | 一种基于扩散路径信息的大气全氟化合物溯源方法及*** |
CN117172429B (zh) * | 2023-11-02 | 2024-02-02 | 北京建工环境修复股份有限公司 | 一种基于生物信息学的污水处理方法及*** |
CN117524345B (zh) * | 2023-11-17 | 2024-06-11 | 山东省济南生态环境监测中心 | 一种基于受体模式的城市VOCs源解析方法 |
CN117592343B (zh) * | 2023-11-20 | 2024-05-03 | 中国环境科学研究院 | 基于小尺度扩散与溯源模型的空气污染模拟方法及*** |
CN117373556B (zh) * | 2023-12-04 | 2024-02-13 | 山东清控生态环境产业发展有限公司 | 一种基于多维数据的溯源仪器及*** |
CN117388445B (zh) * | 2023-12-12 | 2024-04-05 | 山东省计量科学研究院 | 一种大气环境监测*** |
CN117473398B (zh) * | 2023-12-26 | 2024-03-19 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车活动的城市扬尘污染源分类方法 |
CN117524354B (zh) * | 2024-01-05 | 2024-03-29 | 北京佳华智联科技有限公司 | 一种化工区域的空气污染溯源方法及装置 |
CN117610438B (zh) * | 2024-01-24 | 2024-05-28 | 广东智环创新环境科技有限公司 | 挥发性有机污染物扩散模拟与溯源方法及*** |
CN117875576B (zh) * | 2024-03-13 | 2024-05-24 | 四川国蓝中天环境科技集团有限公司 | 一种基于结构化案例库的城市大气污染分析方法 |
CN118072872B (zh) * | 2024-04-17 | 2024-06-25 | 四川国蓝中天环境科技集团有限公司 | 一种基于多特征融合的空气质量监测站点中观溯源方法 |
CN118114167B (zh) * | 2024-04-30 | 2024-07-16 | 北京中科三清环境技术有限公司 | 污染源贡献浓度的确定方法、装置、存储介质与电子设备 |
CN118114165B (zh) * | 2024-04-30 | 2024-07-05 | 北京中科三清环境技术有限公司 | 污染源贡献浓度的确定方法与装置 |
CN118169339B (zh) * | 2024-05-16 | 2024-07-23 | 北京市生态环境监测中心 | 基于多源数据的周边污染源溯源方法、装置、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108336A (zh) * | 2016-11-24 | 2018-06-01 | 上海栖芯信息科技有限公司 | 一种面向工业园区的大气污染物溯源方法 |
CN109115966A (zh) * | 2018-11-11 | 2019-01-01 | 西藏神州瑞霖环保科技股份有限公司 | 一种可实时监测污染物浓度及扩散范围的监测设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4135092A (en) * | 1978-04-12 | 1979-01-16 | Geomet Exploration, Inc. | Method of quantifying fugitive emission rates from pollution sources |
AR113020A1 (es) * | 2018-09-12 | 2020-01-15 | Gabriel Otero | Método de trazabilidad de envases que contienen sustancias contaminantes |
CN112540148B (zh) * | 2019-09-20 | 2023-10-20 | 中国石油化工股份有限公司 | 一种炼化企业大气污染物监测预警与溯源***构建方法 |
CN111814111B (zh) * | 2020-05-25 | 2021-07-27 | 南京大学环境规划设计研究院集团股份公司 | 一种工业园区大气污染物溯源方法 |
CN112131739A (zh) * | 2020-09-22 | 2020-12-25 | 南京创蓝科技有限公司 | 一种乡镇级别大气污染溯源的预报方法 |
CN113624921B (zh) * | 2021-08-04 | 2024-03-29 | 杭州谱育科技发展有限公司 | 多模式综合污染溯源方法 |
-
2021
- 2021-12-15 CN CN202111534936.9A patent/CN114356880B/zh active Active
-
2022
- 2022-12-15 US US18/082,214 patent/US20230194755A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108336A (zh) * | 2016-11-24 | 2018-06-01 | 上海栖芯信息科技有限公司 | 一种面向工业园区的大气污染物溯源方法 |
CN109115966A (zh) * | 2018-11-11 | 2019-01-01 | 西藏神州瑞霖环保科技股份有限公司 | 一种可实时监测污染物浓度及扩散范围的监测设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114356880A (zh) | 2022-04-15 |
US20230194755A1 (en) | 2023-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114356880B (zh) | 基于数据驱动的小尺度区域大气污染物快速溯源方法 | |
US11874429B2 (en) | High-temperature disaster forecast method based on directed graph neural network | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其*** | |
Asklany et al. | Rainfall events prediction using rule-based fuzzy inference system | |
CN109492830A (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN108172301A (zh) | 一种基于梯度提升树的蚊媒传染病疫情预测方法及*** | |
CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测*** | |
CN115358332A (zh) | 面向多源数据的大气污染溯源方法 | |
CN109165690A (zh) | 一种城市路网尾气污染分布预测的方法及*** | |
CN106231609A (zh) | 一种基于重点目标区域的水下传感器网络优化部署方法 | |
CN109063908A (zh) | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 | |
CN110346518B (zh) | 一种交通排放污染可视化预警方法及其*** | |
CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
CN112651665A (zh) | 一种基于图神经网络的地表水水质指标预测方法和装置 | |
CN110533248A (zh) | 融合机器学习和lstm的大气污染物浓度预测方法 | |
CN102867217A (zh) | 基于投影寻踪的设施农业气象灾害风险评价方法 | |
CN117313931B (zh) | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 | |
CN115983522B (zh) | 一种乡村生境质量评估及预测方法 | |
CN116187210A (zh) | 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 | |
Chen et al. | Modelling traffic noise in a wide gradient interval using artificial neural networks | |
CN116050460A (zh) | 基于注意力神经网络的气温数据空间插值方法 | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
CN114444796A (zh) | 一种基于图神经网络的跨区域空气污染预测方法及*** | |
Ye et al. | Hybrid calibration of agent-based travel model using traffic counts and AVI data | |
CN113947238A (zh) | 一种基于多站点时空关联的城市污染物浓度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |