CN115758711B - 一种基于污染传输路径的大气污染溯源方法 - Google Patents
一种基于污染传输路径的大气污染溯源方法 Download PDFInfo
- Publication number
- CN115758711B CN115758711B CN202211420562.2A CN202211420562A CN115758711B CN 115758711 B CN115758711 B CN 115758711B CN 202211420562 A CN202211420562 A CN 202211420562A CN 115758711 B CN115758711 B CN 115758711B
- Authority
- CN
- China
- Prior art keywords
- grid
- pollution
- transmission path
- calculating
- monitoring point
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Control Of Transmission Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大气污染识别技术领域,具体地说是一种基于污染传输路径的大气污染溯源方法,通过分析不同监测站点信号间的内在规律,找出其相似性,并基于相似性提出新的出入度概念并对需重点关注的热点区域进行识别,通过交叉收敛映射进行源解析,对污染路径进行识别。
Description
技术领域
本发明涉及大气污染识别技术领域,具体地说是一种基于污染传输路径的大气污染溯源方法。
背景技术
如何精确分时段、分地区限制性减排是目前亟待解决的污染监管问题。各地区受地形、气象、产业分布影响,大气容量及天气***迁移性并不相同,大气污染受到本地源和外来源的双重影响。
如何精确溯源污染物,定位污染源、区分地区污染源汇的独立性目前尚无有效算法。
当前,大气污染溯源方法主要包括(1)统计分析溯源:产排污系数法、大数据多元统计建模法;(2)数值模拟法:如CMAQ、WRF-chem、Hysplit模型;(3)新物质示踪溯源:如同位素示踪法等。(4)依据特征组分进行溯源。类似大数据分析溯源,通过判断各污染源及目标位点的特征组分含量(如荧光物质、菌群物质),进行特异性标识物识别进行溯源。
(1)统计分析溯源采用了多维度社会数据、污染监测数据、排污企业数据进行综合分析。如通过产排污系数法,通过产排污系数计算点源、面源、移动源等主要污染物排放量,从而识别主要排放源。此类方法的缺点是并不能直接建立源与质的关系,导致精度不高。
(2)数值模型法是模拟污染物在大气中的迁移(对流、平流)、转化、沉降等规律,评估或计算目标点位的污染物浓度或通量。模型参数尚不成熟,未有本土化验证,且参数化方案繁杂,不同边界条件、初始条件产生的预测结果、溯源结果差异较大,复现性不高、参数率定与验证困难,导致预测和溯源的总体精度不高,效果不理想。
(3)新物质示踪溯源法可如同位素示踪法,通过同位素标记法,对大气中污染组分元素进行标记,结合示踪轨迹判定污染来。同位素标记法已被证实在无机物溯源、氮磷新型污染物溯源、纳米污染物溯源存在较好的应用效果。引入化学物质追踪法的优点是:
(3.1)可依据污染溯源需求筛选出需重点关注的污染物质,特异性标记相应元素,针对性强;
(3.2)可通过示踪标记的新化学物质探究污染来源,真实地反应了污染物的迁移轨迹,其结果具有较高的可靠性及可信性。但引入新物质会作为新的污染物侵染环境,造成了二次污染现象。
(3.3)特征组分法是将特异性标识的特征指标(如特定组分、荧光光谱特性、菌群比例)作为指示,将待溯源区域与各污染源的相应特征进行对比匹配,高度匹配结果即为溯源点位。但其存在成本较高,不易实时化监控溯源的缺点。
近两年来,随着我国跨部门、跨行业数据共享推进,为开展大数据统计算法提供了契机。因此,开展融合多维数据的统计规律溯源技术亟待开发,且此技术有轻量级、鲁棒性高、运算成本低、可实时化、成本低等特点。
因此,为了解决上述问题,本申请提出了一种基于污染传输路径的大气污染溯源方法,通过分析不同监测站点信号间的内在规律,找出其相似性,并基于相似性提出新的出入度概念并对需重点关注的热点区域进行识别,通过交叉收敛映射进行源解析,对污染路径进行识别。
发明内容
本发明的目的是填补现有技术的空白,提供了一种基于污染传输路径的大气污染溯源方法,通过分析不同监测站点信号间的内在规律,找出其相似性,并基于相似性提出新的出入度概念并对需重点关注的热点区域进行识别,通过交叉收敛映射进行源解析,对污染路径进行识别。
为了达到上述目的,本发明提供一种基于污染传输路径的大气污染溯源方法,包括:
将关注区域网格化;
对污染重点关注网格进行识别;以及
以污染重点关注网格为起点,构建污染传输路径;
其中,对污染重点关注网格进行识别,包括:计算每个网格的出入度及关注指数h,计算每个网格的关注指数h包括针对每个网格计算出入度,关注指数h与出入度正相关,当一个网格的关注指数h比其邻接的所有网格的关注指数h高,且一个网格的关注指数h随时序逐渐增高时,则将一个网格识别为污染重点关注网格。
计算每个网格的关注指数h还包括:
针对每个网格计算污染物绝对值,针对每个网格计算网格排污量,网格排污量计算规则以大气污染排放源清单进行地理加权得出,
每个网格的关注指数h根据如下公式计算:
所述i为第i种污染物,N(i)为污染物种类数;
针对每个网格计算出入度,包括:
针对每个网格,以网格中心O为圆心并以R为半径规划出圆形的网格的临近区域,针对临近区域的所有监测点,设任意两个监测点分别为A、
B,设滑动步长为t0,计算监测点A在t1、t2、……、tn时刻的污染参数与监测点B在t1+t0、t2+t0、……、tn+t0时刻的污染参数之间的皮尔逊相关性值;
在皮尔逊相关性值大于设定阈值时,以监测点A为起点向监测点B画一条长度为监测点A、监测点B之间的皮尔逊相关性值的线段;
从网格中心O经监测点A画一条半径线,将线段的终点向半径线的投影为B’,当B’位于监测点A朝向网格中心O的一侧时,A B’的长度为线段的入度;当B’位于监测点A背离网格中心O的一侧时,A B’的长度为线段的出度。
网格的出入度为:
网格的临近区域的所有线段的出度之和/(网格的临近区域的所有线段的出度之和+网格的临近区域的所有线段的入度之和)。
以污染重点关注网格为起点,构建污染传输路径,包括:
以污染重点关注网格为起点,构建与其相邻网格之间的污染传输路径,并以相邻网格为下一个起点,进一步逐级构建污染传输路径。
以污染重点关注网格为起点,构建污染传输路径,包括:
通过收敛交叉映射算法得出相邻两个网格之间的因果系数,并将因果系数最高的相邻两个网格连接,从而构建相邻两个网格之间的污染传输路径。
污染参数为污染物浓度。
本发明同现有技术相比,具备以下有益效果:
本发明计算复杂度较低,所需内存量及运行时间均显著优于传统机理模型,可有效在局地尺度初步判断污染来源,计算效率高,可应用性强。
本发明数据并不基于污染物绝对值,而是选择时序变换趋势作为基础变量,不同于传统的高斯扩散模型、欧拉模型、拉格朗日模型,本模块从另一角度识别了污染源,以新的数据维度校核溯源结果。
本发明调参简便,可实时化运行,调参成本较低,节省科研精力及人力成本。
附图说明
图1为本发明出入度算法示意图。
图2为本发明时间开销及模型数据占用内存比较示意图。
图3为本发明参数数量比较示意图。
图4为本发明实施例污染传输路径示意图。
具体实施方式
现结合附图对本发明做进一步描述。
请参阅图1~3,本发明提出了一种基于污染传输路径的大气污染溯源方法,通过引入地理网格出入度概念,对各地理网格污染扩散源汇性效应进行量化,识别需关注的重点网格区域,限定潜在污染源区;引入交叉收敛映射算法,识别潜在污染源区内污染传输路径和方向,采用基于图网络的逐级回溯算法,对重污染区域计算多级污染传输路径和污染输出样点的污染传输关联系数,进而对大气污染进行溯源解析。
包括:
将关注区域网格化;
对污染重点关注网格进行识别;以及
以污染重点关注网格为起点,构建污染传输路径;
其中,对污染重点关注网格进行识别,包括:计算每个网格的出入度及关注指数h,计算每个网格的关注指数h包括针对每个网格计算出入度,关注指数h与出入度正相关,当一个网格的关注指数h比其邻接的所有网格的关注指数h高,且一个网格的关注指数h随时序逐渐增高时,则将一个网格识别为污染重点关注网格。
计算每个网格的关注指数h还包括:
针对每个网格计算污染物绝对值,针对每个网格计算网格排污量,网格排污量计算规则以大气污染排放源清单进行地理加权得出,
每个网格的关注指数h根据如下公式计算,
所述i为第i种污染物,N(i)为污染物种类数。
针对每个网格计算出入度,包括:
针对每个网格,以网格中心O为圆心并以R为半径规划出圆形的网格的临近区域,针对临近区域的所有监测点,设任意两个监测点分别为A、B,设滑动步长为t0,计算监测点A在t1、t2、……、tn时刻的污染参数与监测点B在t1+t0、t2+t0、……、tn+t0时刻的污染参数之间的皮尔逊相关性值;
在皮尔逊相关性值大于设定阈值时,以监测点A为起点向监测点B画一条长度为监测点A、监测点B之间的皮尔逊相关性值的线段;
从网格中心O经监测点A画一条半径线,将线段的终点向半径线的投影为B’,当B’位于监测点A朝向网格中心O的一侧时,AB’的长度为线段的入度;当B’位于监测点A背离网格中心O的一侧时,AB’的长度为线段的出度。
网格的出入度为:
网格的临近区域的所有线段的出度之和/(网格的临近区域的所有线段的出度之和+网格的临近区域的所有线段的入度之和)。
以污染重点关注网格为起点,构建污染传输路径,包括:
以污染重点关注网格为起点,构建与其相邻网格之间的污染传输路径,并以相邻网格为下一个起点,进一步逐级构建污染传输路径。
以污染重点关注网格为起点,构建污染传输路径,包括:
通过收敛交叉映射算法得出相邻两个网格之间的因果系数,并将因果系数最高的相邻两个网格连接,从而构建相邻两个网格之间的污染传输路径。
污染参数为污染物浓度。
针对X和Y两个空间样点,取20到40小时的不同长度时间序列进行20次估算,对比与X的决定系数ρyx和/>与Y的决定系数ρxy,当20次估算结果中ρyx大于0.3且大于ρxy的情况超过总数的75%时,认为X对Y的影响相对更大,判定X为污染输出样点,Y为污染接受/输入样点,反之亦然。
如图4所示,其中箭头表示污染传输路径方向,圆圈大小代表空间样点对该污染过程中所有重污染样点的污染传输关联系数大小,包括目标样点的本地污染传输关联系数以及上游污染输出样点的区域污染传输关联系数。
以上仅是本发明的优选实施方式,只是用于帮助理解本申请的方法及其核心思想,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
本发明从整体上解决了现有技术中主要基于数值模拟,需耗费人工精力进行超参设定及参数设定,模型运行过程中需使用大量运算资源,时间复杂度及空间复杂度高,对小尺度、复杂地形、复杂气象场的应用效果不佳,无法展示其内在的统计学规律,需二次解译以及其效率不高不适用于城市局地尺度的轻量级使用的技术问题,通过引入地理网格出入度概念,对各地理网格污染扩散源汇性效应进行量化,识别需关注的重点网格区域,限定潜在污染源区;引入交叉收敛映射算法,识别潜在污染源区内污染传输路径和方向,采用基于图网络的逐级回溯算法,对重污染区域计算多级污染传输路径和污染输出样点的污染传输关联系数,进而对大气污染进行溯源解析。
Claims (4)
1.一种基于污染传输路径的大气污染溯源方法,其特征在于,包括:
将关注区域网格化;
对污染重点关注网格进行识别;以及
以所述污染重点关注网格为起点,构建污染传输路径;
其中,所述对污染重点关注网格进行识别,包括:计算每个网格的出入度及关注指数h,所述计算每个网格的关注指数h包括针对每个网格计算出入度,所述关注指数h与所述出入度正相关,当一个网格的所述关注指数h比其邻接的所有网格的所述关注指数h高,且所述一个网格的所述关注指数h随时序逐渐增高时,则将所述一个网格识别为所述污染重点关注网格;
所述计算每个网格的关注指数h还包括:
针对每个网格计算污染物绝对值,针对每个网格计算网格排污量,网格排污量计算规则以大气污染排放源清单进行地理加权得出,
所述每个网格的所述关注指数h根据如下公式计算:
所述i为第i种污染物,N(i)为污染物种类数;
所述针对每个网格计算出入度,包括:
针对每个网格,以网格中心O为圆心并以R为半径规划出圆形的所述网格的临近区域,针对所述临近区域的所有监测点,设任意两个所述监测点分别为A、B,设滑动步长为t0,计算监测点A在t1、t2、……、tn时刻的污染参数与监测点B在t1+t0、t2+t0、……、tn+t0时刻的污染参数之间的皮尔逊相关性值;
在所述皮尔逊相关性值大于设定阈值时,以所述监测点A为起点向所述监测点B画一条长度为所述监测点A、所述监测点B之间的所述皮尔逊相关性值的线段;
从所述网格中心O经所述监测点A画一条半径线,将所述线段的终点向所述半径线的投影为B’,当B’位于所述监测点A朝向所述网格中心O的一侧时,A B’的长度为所述线段的入度;当B’位于所述监测点A背离所述网格中心O的一侧时,A B’的长度为所述线段的出度;
所述网格的所述出入度为:
所述网格的所述临近区域的所有所述线段的出度之和/(所述网格的所述临近区域的所有所述线段的出度之和+所述网格的所述临近区域的所有所述线段的入度之和)。
2.根据权利要求1所述的基于污染传输路径的大气污染溯源方法,其特征在于,所述污染重点关注网格为起点,构建污染传输路径,包括:
以所述污染重点关注网格为起点,构建与其相邻网格之间的所述污染传输路径,并以所述相邻网格为下一个起点,进一步逐级构建所述污染传输路径。
3.据权利要求1至2中任一项所述的基于污染传输路径的大气污染溯源方法,其特征在于,所述污染重点关注网格为起点,构建污染传输路径,包括:通过收敛交叉映射算法得出相邻两个所述网格之间的因果系数,并将因果系数最高的相邻两个所述网格连接,从而构建相邻两个所述网格之间的所述污染传输路径。
4.根据权利要求1所述的基于污染传输路径的大气污染溯源方法,其特征在于,所述污染参数为污染物浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211420562.2A CN115758711B (zh) | 2022-11-11 | 2022-11-11 | 一种基于污染传输路径的大气污染溯源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211420562.2A CN115758711B (zh) | 2022-11-11 | 2022-11-11 | 一种基于污染传输路径的大气污染溯源方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115758711A CN115758711A (zh) | 2023-03-07 |
CN115758711B true CN115758711B (zh) | 2023-05-30 |
Family
ID=85370326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211420562.2A Active CN115758711B (zh) | 2022-11-11 | 2022-11-11 | 一种基于污染传输路径的大气污染溯源方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758711B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
WO2019224545A2 (en) * | 2018-05-24 | 2019-11-28 | Vortex IoT Limited | A system for detecting air pollution |
CN111666646A (zh) * | 2020-05-25 | 2020-09-15 | 上海市环境监测中心(上海长三角区域空气质量预测预报中心) | 基于复杂网络的大气污染传输关键节点的识别方法及*** |
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 |
CN113344759A (zh) * | 2021-06-30 | 2021-09-03 | 北京建筑大学 | 一种移动源污染排放的分析方法 |
CN114969143A (zh) * | 2022-04-09 | 2022-08-30 | 大连理工大学人工智能大连研究院 | 基于数据挖掘的城市间大气污染物时空关联特征分析方法 |
-
2022
- 2022-11-11 CN CN202211420562.2A patent/CN115758711B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019224545A2 (en) * | 2018-05-24 | 2019-11-28 | Vortex IoT Limited | A system for detecting air pollution |
CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN111666646A (zh) * | 2020-05-25 | 2020-09-15 | 上海市环境监测中心(上海长三角区域空气质量预测预报中心) | 基于复杂网络的大气污染传输关键节点的识别方法及*** |
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 |
CN113344759A (zh) * | 2021-06-30 | 2021-09-03 | 北京建筑大学 | 一种移动源污染排放的分析方法 |
CN114969143A (zh) * | 2022-04-09 | 2022-08-30 | 大连理工大学人工智能大连研究院 | 基于数据挖掘的城市间大气污染物时空关联特征分析方法 |
Non-Patent Citations (2)
Title |
---|
Migration and diffusion characteristics of air pollutants and meteorological influences in Northwest China: a case study of four mining areas;Jia Su,et al;《Environmental Science and Pollution Research 》;正文第55003-55025页 * |
区域大气污染物关键传播路径和 重要节点挖掘方法研究;吴瑶;《中国优秀硕士学位论文全文数据库》;A002-43 * |
Also Published As
Publication number | Publication date |
---|---|
CN115758711A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418609B (zh) | 一种基于面-网格-点的大气二次污染精准溯源方法 | |
CN108417033B (zh) | 基于多维因素的高速路交通事故分析预测方法 | |
CN115358332A (zh) | 面向多源数据的大气污染溯源方法 | |
WO2020107712A1 (zh) | 基于用户数据实现天线方位角纠偏的方法 | |
CN114742272A (zh) | 一种基于时空交互关系的土壤镉风险预测方法 | |
CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN109615215A (zh) | 一种区域植被恢复的特征分析方法 | |
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 | |
CN110536310B (zh) | 基于用户数据识别天线接反的方法 | |
CN113012771A (zh) | 土壤重金属空间插值方法、装置及计算机可读存储介质 | |
CN111784084A (zh) | 基于梯度提升决策树的出行生成预测方法、***及装置 | |
CN113984968A (zh) | 一种工业园区大气VOCs溯源方法 | |
CN117092297A (zh) | 一种工业园区大气污染物的溯源方法、***、设备及介质 | |
CN113468790A (zh) | 一种基于改进粒子群算法的风速特征模拟方法及*** | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN114970946A (zh) | 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法 | |
CN115758711B (zh) | 一种基于污染传输路径的大气污染溯源方法 | |
Boali et al. | Wind erosion estimation and assessment using Bayesian belief networks in eastern Isfahan township | |
CN112153636A (zh) | 一种基于机器学习预测电信业用户携号转出的方法 | |
CN103473476B (zh) | 基于区域内数座测风塔测风数据的风能资源推算方法 | |
CN112711911B (zh) | 基于污染源谱库的应用于边界观测的快速污染溯源方法 | |
CN113919533A (zh) | 一种基于人工智能的空气质量溯源预报方法 | |
CN113552289B (zh) | 一种基于高斯模式的大气污染溯源方法 | |
CN117807510B (zh) | 结合多源数据处理的河网动态分区方法及*** |
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 |