CN117310101A - 一种大气污染物浓度监测*** - Google Patents
一种大气污染物浓度监测*** Download PDFInfo
- Publication number
- CN117310101A CN117310101A CN202311428623.4A CN202311428623A CN117310101A CN 117310101 A CN117310101 A CN 117310101A CN 202311428623 A CN202311428623 A CN 202311428623A CN 117310101 A CN117310101 A CN 117310101A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- concentration
- atmospheric
- real
- preset
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 357
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 219
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 219
- 238000009792 diffusion process Methods 0.000 claims abstract description 153
- 238000000034 method Methods 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 50
- 238000012937 correction Methods 0.000 claims description 38
- 239000000356 contaminant Substances 0.000 claims description 24
- 238000007405 data analysis Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000010223 real-time analysis Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000000809 air pollutant Substances 0.000 description 33
- 231100001243 air pollutant Toxicity 0.000 description 33
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002189 fluorescence spectrum Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明涉及一种大气污染物浓度监测***,主要涉及污染监测技术领域,包括采集模块,用以对监测区域的空气信息进行采集;实时监测模块,用以根据采集到的空气信息对大气污染物的浓度和扩散方向进行实时监测,实时监测模块与采集模块连接;模型监测模块,用以根据历史监测数据对大气污染物的浓度进行模型监测,模型监测模块与采集模块连接;监测调整模块,用以根据实时监测结果和模型监测结果对大气污染物的扩散方向进行调整,监测调整模块与实时监测模块和模型监测模块连接;污染物告警模块,用以根据大气污染物的浓度和扩散方向进行告警,污染物告警模块与监测调整模块连接。本发明提高了大气污染物浓度监测效率。
Description
技术领域
本发明涉及污染监测技术领域,尤其涉及一种大气污染物浓度监测***。
背景技术
大气污染物分为天然污染物和人为污染物,引起公害的往往是人为污染物,它们主要来源于燃料燃烧和大规模的工矿企业,通过对污染物浓度和扩散方向的监测,我们可以了解污染物的来源、分布、影响范围以及可能对人类健康和环境造成的危害,监测数据可以用于分析和预测污染物的变化趋势,为政府和相关部门制定和调整环境保护政策、措施以及开展污染防治提供科学依据,大气污染会对人体健康和生活质量产生负面影响,通过监测和分析,可以有效地提高空气质量,保障公众的健康和生活质量。
中国专利公开号:CN110346517B公开了一种智慧城市工业大气污染可视化预警方法,包括获取监测点的位置数据信息、监测点空气数据和监测工业区的基础数据信息;提取相对位置信息特征;选取最优的空气质量监测站和最优的工业排放点;构建大气污染物预测模型;构建任意监测点的污染物浓度预测模型并进行修正;对监测工业区的大气污染排放进行可视化预警。但该方案仅使用大气模型对大气污染进行预测,无法精确获取大气污染物浓度和大气污染物扩散方向,无法提高大气污染物浓度监测效率。
发明内容
为此,本发明提供一种大气污染物浓度监测***,用以克服现有技术中大气污染物浓度监测效率低的问题。
为实现上述目的,本发明提供一种大气污染物浓度监测***,包括:
采集模块,用以对监测区域的空气信息进行采集;
实时监测模块,用以根据采集到的空气信息对大气污染物的浓度和扩散方向进行实时监测,实时监测模块设有实时分析单元,其用以根据空气污染物浓度计算实时监测系数,实时监测模块还设有补偿单元,其用以根据实时温度对实时监测系数的计算过程进行补偿,实时监测模块设有修正单元,其用以根据实时湿度对补偿过程进行修正,实时监测模块设有浓度划分单元,其用以根据实时监测系数对大气污染物的实时浓度状态进行划分,实时监测模块设有扩散方向监测单元,其用以根据各监测区域的实时监测系数对大气污染物的扩散方向进行分析;
模型监测模块,用以根据历史监测数据对大气污染物的浓度进行模型监测,模型监测模块设有模型搭建单元,其用以根据历史监测数据对大气污染物预测模型进行搭建运行,模型监测模块设有数据分析单元,其用以对大气污染物预测模型的运行结果数据进行分析,以对大气污染物的浓度进行模型预测;
监测调整模块,用以根据实时监测结果和模型监测结果对大气污染物的扩散方向进行调整,监测调整模块设有监测调整单元,其用以根据大气污染物模型的数据分析结果对扩散方向的分析过程进行调整,监测调整模块设有校正单元,其用以根据预设调整周期内的平均风速对扩散方向的调整过程进行校正;
污染物告警模块,用以根据大气污染物的浓度和扩散方向进行告警,污染物告警模块设有浓度告警单元,其用以根据大气污染物的实时浓度监测情况进行大气污染物的浓度告警,污染物告警模块设有扩散方向告警单元,其用以根据大气污染物的扩散方向进行告警。
进一步地,所述实时分析单元根据采集到的空气信息中各监测区域的空气污染物浓度计算该监测区域的实时监测系数A,设定A=(B1/B10+B2/B20+...+Bi/Bi0)/i,B1为第一预设种类空气污染物浓度,B10为第一预设种类的标准空气污染物浓度,B2为第二预设种类空气污染物浓度,B20为第二预设种类的标准空气污染物浓度,Bi为第i预设种类空气污染物浓度,Bi0为第i预设种类的标准空气污染物浓度,i为进行监测的空气污染物浓度的种类量。
进一步地,所述补偿单元将实时温度T与预设温度T0进行比对,并根据比对结果对实时监测系数A的计算过程的补偿情况进行判断,其中:
当T<T0时,所述补偿单元判定不对实时监测系数A的计算过程进行补偿;
当T≥T0时,所述补偿单元判定对实时监测系数A的计算过程进行补偿,设定补偿系数C=1+[1 - e(T-T0)]/T,补偿后的实时监测系数为Ac,设定AC=A×C。
进一步地,所述修正单元将实时湿度D与预设湿度D0进行比对,并根据比对结果对补偿过程的修正情况进行判断,其中:
当D≤D0时,所述修正单元判定不对补偿过程进行修正;
当D>D0时,所述修正单元判定对补偿过程进行修正,设定修正系数F=1+(D-D0)/D,修正后的补偿系数为Cf,设定CF=C×F。
进一步地,所述浓度划分单元将实时监测系数A与各预设监测系数进行比对,并根据比对结果对大气污染物的实时浓度状态进行划分,其中:
当0<A≤A1时,所述浓度划分单元判定所述监测区域的大气污染物浓度处于第一档污染状态;
当A1<A≤A2时,所述浓度划分单元判定所述监测区域的大气污染物浓度处于第二档污染状态;
当A2<A时,所述浓度划分单元判定所述监测区域的大气污染物浓度处于第三档污染状态。
进一步地,所述扩散方向监测单元在大气监测场中存在监测区域的大气污染物浓度处于第二档污染状态和第三档污染状态时,根据各监测区域的实时监测系数对大气污染物的扩散方向进行分析,将距离大气监测场所预设点相同距离的监测区域的实时监测系数在极坐标图上描点,绘制实时监测系数随距离变化的极坐标图,根据极坐标图获取大气污染物的扩散方向,所述扩散方向监测单元获取大气污染物的扩散方向与预设禁止扩散方向的夹角,将其作为扩散夹角,并将扩散夹角V与预设扩散夹角V0进行比对,并根据比对结果判断大气污染物的扩散情况,其中:
当V≤V0时,所述扩散方向监测单元判定大气污染物向禁止扩散方向扩散;
当V>V0时,所述扩散方向监测单元判定大气污染物向正常扩散方向扩散。
进一步地,所述数据分析单元对大气污染物预测模型的运行结果数据中未来预测时间段内各时刻的模型监测系数Aa与各预设监测系数进行比对,并根据比对结果对大气污染物的浓度进行模型预测,其中:
当0<Aa≤A1时,所述数据分析单元判定所述监测区域在该时刻的大气污染物浓度处于第一档污染状态;
当A1<Aa≤A2时,所述数据分析单元判定所述监测区域在该时刻的大气污染物浓度处于第二档污染状态;
当A2<Aa时,所述数据分析单元判定所述监测区域在该时刻的大气污染物浓度处于第三档污染状态;
所述数据分析单元将大气污染物浓度处于第三档污染状态的时间段进行推送,以对用户进行告警。
进一步地,所述监测调整单元获取预设调整周期内处于第三档污染状态的时间段占预设调整周期时长的比例,将其作为异常占比G,并将异常占比G与预设占比G0进行比对,并根据比对结果对预设扩散夹角的调整情况进行判断,其中:
当G<G0时,所述监测调整单元判定不对预设扩散夹角进行调整;
当G≥G0时,所述监测调整单元判定对预设扩散夹角进行调整,设定调整系数H=2-e-2(G-G0),调整后的预设扩散夹角为VH0,设定VH0=V0×H。
进一步地,所述校正单元将预设调整周期内的平均风速K与预设平均风速K0进行比对,并根据比对结果对预设扩散夹角的调整过程的校正情况进行判断,其中:
当K≤K0时,所述校正单元不对预设扩散夹角的调整过程进行校正;
当K>K0时,所述校正单元对预设扩散夹角的调整过程进行校正,设定校正系数为L,设定L=1+(K-K0)/K,校正后的调整系数为HL,设定HL=H×L。
进一步地,所述浓度告警单元在监测区域的大气污染物浓度处于第三档污染状态时,对用户进行大气污染物的浓度告警,提示用户停止施工;
所述扩散方向告警单元在监测区域的大气污染物浓度处于第二档污染状态时,根据大气污染物的扩散情况进行大气污染物的扩散方向告警,其中:
当大气污染物向正常扩散方向扩散时,所述扩散方向告警单元不进行大气污染物的扩散方向告警;
当大气污染物向禁止扩散方向扩散时,所述扩散方向告警单元对用户进行大气污染物的扩散方向告警,提示用户采取应对措施。
与现有技术相比,本发明的有益效果在于,所述***通过采集模块对大气监测场所的各监测区域的空气信息进行采集,以便于***根据实时采集的空气信息进行实时监测、模型监测和联合监测,所述***还通过实时监测模块对大气污染物的浓度和扩散方向进行实时监测,以便于根据采集到的空气信息对监测区域进行实时监测,从而提高大气污染物浓度监测效率,所述***还通过模型监测模块对大气污染物的浓度进行模型监测,从而根据历史监测数据进行模型预测,以便于在大气污染物浓度异常时进行预测,从而提高大气污染物浓度监测效率,所述***还通过监测调整模块对大气污染物的扩散方向进行调整,以便于根据实时监测结果和模型监测结果进行联合监测,从而提高监测结果的准确性,从而进一步提高大气污染物浓度监测效率,所述***还通过污染物告警模块对用户进行告警,以便于用户在收到告警后采取应对措施,从而提高大气污染物浓度监测效率。
尤其,所述采集模块根据扇形布点法对大气监测场进行划分,以便于对大气监测场进行分区域监测,以在监测大气污染物浓度的同时对大气污染物的扩散方向进行监测,从而提高大气污染物的浓度监测效率,所述采集模块通过连续自动监测仪器对监测区域的空气信息进行采集,以便于对监测区域的空气信息进行实时采集,以提高空气信息的采集效率,从而提高大气污染物的浓度监测效率。
尤其,所述补偿单元在实时温度大于等于预设温度时,对实时监测系数的计算过程进行补偿,以便于提高实时监测系数计算的精确度,从而在温度升高,如在夏末的时候,由于地面热空气迅速上升,上层冷空气下降,形成对流,污染物被不断地带入较高的上层混合稀释,使得低层大气中污染物浓度降低时,对实时监测系数的计算过程进行补偿,进一步提高大气污染物浓度监测效率。
尤其,所述修正单元在实时湿度大于预设湿度时,对补偿过程进行修正,以在空气中的实时湿度较高,对高温条件下的大气污染物浓度监测造成影响时,对补偿系数进行修正,从而提高补偿系数计算的准确度,进一步提高大气污染物浓度监测效率。
尤其,所述扩散方向监测单元根据各监测区域的实时监测系数对大气污染物的扩散方向进行分析,从而根据极坐标图获取大气污染物的扩散方向,以便于在大气监测场中存在监测区域的大气污染物浓度处于第二档污染状态和第三档污染状态时对大气污染物的扩散方向进行监测,从而提高大气污染物浓度监测效率。
尤其,所述监测调整单元在异常占比大于等于预设占比时对预设扩散夹角进行调整,以提高实时监测的敏锐度,从而提高空气污染物浓度监测效率。
尤其,所述校正单元在预设调整周期内的平均风速大于预设平均风速时,对预设扩散夹角的调整过程进行校正,以在风速变化过快,对大气污染物扩散速度造成影响时进行校正,提高调整系数计算的准确度,从而进一步提高大气污染物浓度监测效率。
附图说明
图1为本实施例大气污染物浓度监测***的结构示意图;
图2为本实施例实时监测模块的结构示意图;
图3为本实施例模型监测模块的结构示意图;
图4为本实施例监测调整模块的结构示意图;
图5为本实施例污染物告警模块的结构示意图。
实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本实施例大气污染物浓度监测***的结构示意图,所述***包括:
采集模块,用以对监测区域的空气信息进行采集;
实时监测模块,用以根据采集到的空气信息对大气污染物的浓度和扩散方向进行实时监测,实时监测模块与采集模块连接;
模型监测模块,用以根据历史监测数据对大气污染物的浓度进行模型监测,模型监测模块与采集模块连接;
监测调整模块,用以根据实时监测结果和模型监测结果对大气污染物的扩散方向进行调整,监测调整模块与实时监测模块和模型监测模块连接;
污染物告警模块,用以根据大气污染物的浓度和扩散方向进行告警,污染物告警模块与监测调整模块连接。
具体而言,所述***设置于大气监测场所,通过采集模块对大气监测场所的各监测区域的空气信息进行采集,以便于***根据实时采集的空气信息进行实时监测、模型监测和联合监测,所述***还通过实时监测模块对大气污染物的浓度和扩散方向进行实时监测,以便于根据采集到的空气信息对监测区域进行实时监测,从而提高大气污染物浓度监测效率,所述***还通过模型监测模块对大气污染物的浓度进行模型监测,从而根据历史监测数据进行模型预测,以便于在大气污染物浓度异常时进行预测,从而提高大气污染物浓度监测效率,所述***还通过监测调整模块对大气污染物的扩散方向进行调整,以便于根据实时监测结果和模型监测结果进行联合监测,从而提高监测结果的准确性,从而进一步提高大气污染物浓度监测效率,所述***还通过污染物告警模块对用户进行告警,以便于用户在收到告警后采取应对措施,从而提高大气污染物浓度监测效率。
具体而言,所述大气监测场所是指进行大气污染物监测的整体区域,本实施例所述大气监测场所是指在居民区域、学校区域和养老区域等特殊区域进行生产施工时,对空气质量要求高,大气污染物扩散方向要求严格的区域,所述监测区域是指对大气监测场所进行划分后的区域,所述连续自动监测仪器是指根据监测的空气污染物种类设置的监测仪器,包括对二氧化硫、氮氧化物等气态污染物进行监测的气体分析仪器、对颗粒物等固态污染物进行监测的颗粒物计数仪器和对于大气中的重金属元素进行监测的原子吸收光谱、原子荧光光谱等仪器,所述监测区域的空气信息是指通过连续自动监测仪器对监测区域进行监测得到的结果数据,包括各监测区域的空气污染物浓度、实时温度、实时湿度和预设调整周期内的平均风速。
具体而言,所述采集模块根据扇形布点法将大气监测场所划分为各监测区域,并在各监测区域设置连续自动监测仪器,通过连续自动监测仪器对监测区域的空气信息进行采集。所述扇形布点法是指以大气监测场所的预设点为中心,按照预设扇形角度分别设置的多个监测点。可以理解的是,本实施例不对扇形布点法的具体应用内容进行限定,本领域技术人员可以自由设置,只需满足对大气污染物浓度的精确测量需求即可,如可设置扇形布点法的具体应用内容为,对大气监测场所的区域作外切三角形,将三角形的各顶点分别设置为预设点,将各预设点作为各扇形的中心,各顶角作为各预设扇形角度,在各扇形边长上每隔1千米作为一个监测点,以监测点为中心,500米为半径作圆,将该圆内的区域作为监测区域,以根据扇形布点法对大气监测场所进行划分。
具体而言,所述采集模块根据扇形布点法对大气监测场进行划分,以便于对大气监测场进行分区域监测,以在监测大气污染物浓度的同时对大气污染物的扩散方向进行监测,从而提高大气污染物的浓度监测效率,所述采集模块通过连续自动监测仪器对监测区域的空气信息进行采集,以便于对监测区域的空气信息进行实时采集,以提高空气信息的采集效率,从而提高大气污染物的浓度监测效率。
请参阅图2所示,其为本实施例实时监测模块的结构示意图,所述实时监测模块包括:
实时分析单元,其用以根据空气污染物浓度计算实时监测系数;
补偿单元,其用以根据实时温度对实时监测系数的计算过程进行补偿,补偿单元与实时分析单元连接;
修正单元,其用以根据实时湿度对补偿过程进行修正,修正单元与补偿单元连接;
浓度划分单元,其用以根据实时监测系数对大气污染物的实时浓度状态进行划分,浓度划分单元与实时分析单元连接;
扩散方向监测单元,其用以根据各监测区域的实时监测系数对大气污染物的扩散方向进行分析,扩散方向监测单元与浓度划分单元连接。
请参阅图3所示,其为本实施例模型监测模块的结构示意图,所述模型监测模块包括:
模型搭建单元,其用以根据历史监测数据对大气污染物预测模型进行搭建运行;
数据分析单元,其用以对大气污染物预测模型的运行结果数据进行分析,以对大气污染物的浓度进行模型预测,数据分析单元与模型搭建单元连接。
请参阅图4所示,其为本实施例监测调整模块的结构示意图,所述监测调整模块包括:
监测调整单元,其用以根据大气污染物模型的数据分析结果对扩散方向的分析过程进行调整;
校正单元,其用以根据预设调整周期内的平均风速对扩散方向的调整过程进行校正,校正单元与监测调整单元连接。
请参阅图5所示,其为本实施例污染物告警模块的结构示意图,所述污染物告警模块包括:
浓度告警单元,根据大气污染物的实时浓度监测情况进行大气污染物的浓度告警;
扩散方向告警单元,其用以根据大气污染物的扩散方向进行告警,扩散方向告警单元与浓度告警单元连接。
具体而言,所述实时分析单元根据采集到的空气信息中各监测区域的空气污染物浓度计算该监测区域的实时监测系数A,设定A=(B1/B10+B2/B20+...+Bi/Bi0)/i,B1为第一预设种类空气污染物浓度,B10为第一预设种类的标准空气污染物浓度,B2为第二预设种类空气污染物浓度,B20为第二预设种类的标准空气污染物浓度,Bi为第i预设种类空气污染物浓度,Bi0为第i预设种类的标准空气污染物浓度,i为进行监测的空气污染物浓度的种类量。
具体而言,所述各预设种类空气污染物浓度是指通过连续自动监测仪器对监测区域的空气污染物进行采集得到的各预设种类空气污染物浓度,本实施例不对预设种类空气污染物的内容进行限定,本领域技术人员可以根据实际情况自由设置,只需满足对空气污染物浓度采集需求即可,如可设置第一预设种类空气污染物为二氧化硫,第二预设种类空气污染物为氮氧化物,第三预设种类空气污染物为颗粒物,第四预设种类空气污染物为重金属元素,所述各预设种类的标准空气污染物浓度是指满足污染物排放标准的空气污染物浓度。
具体而言,所述补偿单元将实时温度T与预设温度T0进行比对,并根据比对结果对实时监测系数A的计算过程的补偿情况进行判断,其中:
当T<T0时,所述补偿单元判定不对实时监测系数A的计算过程进行补偿;
当T≥T0时,所述补偿单元判定对实时监测系数A的计算过程进行补偿,设定补偿系数C=1+[1 - e(T-T0)]/T,e是自然对数的底,补偿后的实时监测系数为Ac,设定AC=A×C。
具体而言,所述补偿单元在实时温度大于等于预设温度时,对实时监测系数的计算过程进行补偿,以便于提高实时监测系数计算的精确度,从而在温度升高,如在夏末的时候,由于地面热空气迅速上升,上层冷空气下降,形成对流,污染物被不断地带入较高的上层混合稀释,使得低层大气中污染物浓度降低时,对实时监测系数的计算过程进行补偿,进一步提高大气污染物浓度监测效率。
具体而言,所述修正单元将实时湿度D与预设湿度D0进行比对,并根据比对结果对补偿过程的修正情况进行判断,其中:
当D≤D0时,所述修正单元判定不对补偿过程进行修正;
当D>D0时,所述修正单元判定对补偿过程进行修正,设定修正系数F=1+(D-D0)/D,修正后的补偿系数为Cf,设定CF=C×F。
具体而言,所述修正单元在实时湿度大于预设湿度时,对补偿过程进行修正,以在空气中的实时湿度较高,对高温条件下的大气污染物浓度监测造成影响时,对补偿系数进行修正,从而提高补偿系数计算的准确度,进一步提高大气污染物浓度监测效率。
具体而言,所述浓度划分单元将实时监测系数A与各预设监测系数进行比对,并根据比对结果对大气污染物的实时浓度状态进行划分,其中:
当0<A≤A1时,所述浓度划分单元判定所述监测区域的大气污染物浓度处于第一档污染状态;
当A1<A≤A2时,所述浓度划分单元判定所述监测区域的大气污染物浓度处于第二档污染状态;
当A2<A时,所述浓度划分单元判定所述监测区域的大气污染物浓度处于第三档污染状态;
A1为第一预设监测系数,A2为第二预设监测系数,A1<A2。
具体而言,所述扩散方向监测单元在大气监测场中存在监测区域的大气污染物浓度处于第二档污染状态和第三档污染状态时,根据各监测区域的实时监测系数对大气污染物的扩散方向进行分析,将距离大气监测场所预设点相同距离的监测区域的实时监测系数在极坐标图上描点,绘制实时监测系数随距离变化的极坐标图,根据极坐标图获取大气污染物的扩散方向,所述扩散方向监测单元获取大气污染物的扩散方向与预设禁止扩散方向的夹角,将其作为扩散夹角,并将扩散夹角V与预设扩散夹角V0进行比对,并根据比对结果判断大气污染物的扩散情况,其中:
当V≤V0时,所述扩散方向监测单元判定大气污染物向禁止扩散方向扩散;
当V>V0时,所述扩散方向监测单元判定大气污染物向正常扩散方向扩散。
具体而言,所述扩散方向是指大气污染物受环境影响的主要扩散方向,所述禁止扩散方向是指禁止大气污染物扩散的方向,如朝向居民区域、学校区域和养老区域等特殊区域的方向,所述正常扩散方向是指除禁止扩散方向外的方向。
具体而言,所述扩散方向监测单元根据各监测区域的实时监测系数对大气污染物的扩散方向进行分析,从而根据极坐标图获取大气污染物的扩散方向,以便于在大气监测场中存在监测区域的大气污染物浓度处于第二档污染状态和第三档污染状态时对大气污染物的扩散方向进行监测,从而提高大气污染物浓度监测效率。
具体而言,所述模型搭建单元将预设历史周期内的历史监测数据进行预处理,并将预处理后的历史监测数据输入至神经网络模型中进行训练,将训练后的神经网络模型作为大气污染物预测模型,并对大气污染物预测模型进行运行,得到未来预测时间段内大气污染物预测模型的运行结果数据。
具体而言,所述预设历史周期是指预设的选取历史监测数据的时间段,所述历史监测数据包括在预设历史周期内各时刻的实时监测系数、实时温度和实时湿度,所述未来预测时间段是指预设的对大气污染物的浓度和扩散方向进行预测的时间段,所述大气污染物预测模型的运行结果数据是将预设历史周期内的历史监测数据输入至大气污染物预测模型后,运行得到的未来预测时间段内的与大气污染物相关的结果数据,包括模型监测系数和模型监测极坐标图,所述模型监测系数是指未来预测时间段内的各时刻的大气污染物监测系数,本实施例不对模型监测系数的获取过程进行限定,本领域技术人员可以自由设置只需满足对模型监测系数的精确预测需求即可,如可设置模型监测系数的获取过程为:选取神经网络模型的类型为Alexnet卷积神经网络模型,并使用随机值对神经网络模型的权重参数进行初始化,将预设历史周期内各时刻的实时监测系数、实时温度和实时湿度的数据进行曲线图处理,将时间作为x轴,实时监测系数、实时温度和实时湿度作为y轴,得到曲线图,并将曲线图输入至神经网络模型中,将曲线变化率作为卷积核,根据损失值对曲线变化率进行池化,在神经网络模型中从输入层依次经过隐藏层,最终到达输出层,进行前向传播,计算网络的输出结果,根据网络输出结果和实际标签计算损失值,通过反向传播算法,将损失值从输出层依次反向传播到隐藏层和输入层,并计算每层神经元的梯度,根据每层神经元的梯度,使用Adam优化器更新模型的权重参数,直到达到预设迭代次数,如9次后,得到训练完成的神经网络模型,将需要预测的预设历史周期内各时刻的实时监测系数、实时温度和实时湿度输入到模型中,得到对应该预设历史周期的模型监测系数与时间的曲线图,如将过去三天内各时刻的实时监测系数、实时温度和实时湿度输入至模型中,得到对应该预设历史周期的未来一小时的模型监测系数为30,未来两小时的模型监测系数为50,本实施例还可通过vggnet卷积神经网络获取模型监测系数,所述模型监测极坐标图是指显示未来预测时间段内的各时刻大气污染物扩散方向的极坐标图,本实施例不对大气污染物预测模型的运行过程进行限定,本领域技术人员可以自由设置,只需满足对大气污染物的预测需求即可,如可设置将过去三天的历史监测数据输入至大气污染物预测模型中,并对大气污染物预测模型进行运行,得到未来一天内各时刻的大气污染物监测系数和各时刻大气污染物扩散方向的极坐标图。
可以理解的是,本实施例不对历史监测数据预处理的方式进行限定,本领域技术人员可以自由设置,只需满足对历史数据的处理需求即可,如可设置预处理包括数据清洗、缺失值填充和异常值处理。
具体而言,所述数据分析单元对大气污染物预测模型的运行结果数据中未来预测时间段内各时刻的模型监测系数Aa与各预设监测系数进行比对,并根据比对结果对大气污染物的浓度进行模型预测,其中:
当0<Aa≤A1时,所述数据分析单元判定所述监测区域在该时刻的大气污染物浓度处于第一档污染状态;
当A1<Aa≤A2时,所述数据分析单元判定所述监测区域在该时刻的大气污染物浓度处于第二档污染状态;
当A2<Aa时,所述数据分析单元判定所述监测区域在该时刻的大气污染物浓度处于第三档污染状态;
所述数据分析单元将大气污染物浓度处于第三档污染状态的时间段进行推送,以对用户进行告警。
可以理解的是,本实施例不对用户告警方式进行限定,本领域技术人员可以自由设置,只需满足对用户的提示需求即可,如可设置用户告警方式为,将处于第三档污染状态的时间段进行弹窗推送,并对用户进行铃声提示。
具体而言,所述监测调整单元获取预设调整周期内处于第三档污染状态的时间段占预设调整周期时长的比例,将其作为异常占比G,并将异常占比G与预设占比G0进行比对,并根据比对结果对预设扩散夹角的调整情况进行判断,其中:
当G<G0时,所述监测调整单元判定不对预设扩散夹角进行调整;
当G≥G0时,所述监测调整单元判定对预设扩散夹角进行调整,设定调整系数H=2-e-2(G-G0),e为自然对数的底数,调整后的预设扩散夹角为VH0,设定VH0=V0×H。
具体而言,所述预设调整周期是指在未来预测时间段节选的对预设扩散夹角进行调整的时间段,如在未来预测时间段为三天的时间段中节选与当前时刻连续的未来一天作为预设调整周期。
具体而言,所述监测调整单元在异常占比大于等于预设占比时对预设扩散夹角进行调整,以提高实时监测的敏锐度,从而提高空气污染物浓度监测效率。
具体而言,所述校正单元将预设调整周期内的平均风速K与预设平均风速K0进行比对,并根据比对结果对预设扩散夹角的调整过程的校正情况进行判断,其中:
当K≤K0时,所述校正单元不对预设扩散夹角的调整过程进行校正;
当K>K0时,所述校正单元对预设扩散夹角的调整过程进行校正,设定校正系数为L,设定L=1+(K-K0)/K,校正后的调整系数为HL,设定HL=H×L。
具体而言,所述预设调整周期内的平均风速是指在预设调整周期内,覆盖监测区域的平均风速,本实施例不对预设调整周期内的平均风速的获取方式进行限定,本领域技术人员可以自由设置,只需满足对平均风速的精确获取需求即可,如可通过使用气象预测服务对平均风速进行获取。
具体而言,所述校正单元在预设调整周期内的平均风速大于预设平均风速时,对预设扩散夹角的调整过程进行校正,以在风速变化过快,对大气污染物扩散速度造成影响时进行校正,提高调整系数计算的准确度,从而进一步提高大气污染物浓度监测效率。
具体而言,所述浓度告警单元在监测区域的大气污染物浓度处于第三档污染状态时,对用户进行大气污染物的浓度告警,提示用户停止施工。
可以理解是,本实施例不对大气污染物的浓度告警方式进行限定,本领域技术人员可以自由设置,只需满足对用户的提示需求即可,如可设置大气污染物的浓度告警方式为进行灯光闪烁告警。
具体而言,所述扩散方向告警单元在监测区域的大气污染物浓度处于第二档污染状态时,根据大气污染物的扩散情况进行大气污染物的扩散方向告警,其中:
当大气污染物向正常扩散方向扩散时,所述扩散方向告警单元不进行大气污染物的扩散方向告警;
当大气污染物向禁止扩散方向扩散时,所述扩散方向告警单元对用户进行大气污染物的扩散方向告警,提示用户采取应对措施。
可以理解是,本实施例不对大气污染物的扩散方向告警方式进行限定,本领域技术人员可以自由设置,只需满足对用户的提示需求即可,如可设置大气污染物的扩散方向告警方式为进行弹窗告警。
可以理解的是,本实施例不对用户采取应对措施的具体内容进行限定,本领域技术人员可以自由设置,只需满足对污染物扩散的控制需求即可,如可设置应对措施为停止施工并开启施工区域转向风扇。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种大气污染物浓度监测***,其特征在于,包括:
采集模块,用以对监测区域的空气信息进行采集;
实时监测模块,用以根据采集到的空气信息对大气污染物的浓度和扩散方向进行实时监测,实时监测模块设有实时分析单元,其用以根据空气污染物浓度计算实时监测系数,实时监测模块还设有补偿单元,其用以根据实时温度对实时监测系数的计算过程进行补偿,实时监测模块设有修正单元,其用以根据实时湿度对补偿过程进行修正,实时监测模块设有浓度划分单元,其用以根据实时监测系数对大气污染物的实时浓度状态进行划分,实时监测模块设有扩散方向监测单元,其用以根据各监测区域的实时监测系数对大气污染物的扩散方向进行分析;
模型监测模块,用以根据历史监测数据对大气污染物的浓度进行模型监测,模型监测模块设有模型搭建单元,其用以根据历史监测数据对大气污染物预测模型进行搭建运行,模型监测模块设有数据分析单元,其用以对大气污染物预测模型的运行结果数据进行分析,以对大气污染物的浓度进行模型预测;
监测调整模块,用以根据实时监测结果和模型监测结果对大气污染物的扩散方向进行调整,监测调整模块设有监测调整单元,其用以根据大气污染物模型的数据分析结果对扩散方向的分析过程进行调整,监测调整模块设有校正单元,其用以根据预设调整周期内的平均风速对扩散方向的调整过程进行校正;
污染物告警模块,用以根据大气污染物的浓度和扩散方向进行告警,污染物告警模块设有浓度告警单元,其用以根据大气污染物的实时浓度监测情况进行大气污染物的浓度告警,污染物告警模块设有扩散方向告警单元,其用以根据大气污染物的扩散方向进行告警。
2.根据权利要求1所述的大气污染物浓度监测***,其特征在于,所述实时分析单元根据采集到的空气信息中各监测区域的空气污染物浓度计算该监测区域的实时监测系数A,设定A=(B1/B10+B2/B20+...+Bi/Bi0)/i,B1为第一预设种类空气污染物浓度,B10为第一预设种类的标准空气污染物浓度,B2为第二预设种类空气污染物浓度,B20为第二预设种类的标准空气污染物浓度,Bi为第i预设种类空气污染物浓度,Bi0为第i预设种类的标准空气污染物浓度,i为进行监测的空气污染物浓度的种类量。
3.根据权利要求2所述的大气污染物浓度监测***,其特征在于,所述补偿单元将实时温度T与预设温度T0进行比对,并根据比对结果对实时监测系数A的计算过程的补偿情况进行判断,其中:
当T<T0时,所述补偿单元判定不对实时监测系数A的计算过程进行补偿;
当T≥T0时,所述补偿单元判定对实时监测系数A的计算过程进行补偿,设定补偿系数C=1+[1 - e(T-T0)]/T,补偿后的实时监测系数为Ac,设定AC=A×C。
4.根据权利要求3所述的大气污染物浓度监测***,其特征在于,所述修正单元将实时湿度D与预设湿度D0进行比对,并根据比对结果对补偿过程的修正情况进行判断,其中:
当D≤D0时,所述修正单元判定不对补偿过程进行修正;
当D>D0时,所述修正单元判定对补偿过程进行修正,设定修正系数F=1+(D-D0)/D,修正后的补偿系数为Cf,设定CF=C×F。
5.根据权利要求4所述的大气污染物浓度监测***,其特征在于,所述浓度划分单元将实时监测系数A与各预设监测系数进行比对,并根据比对结果对大气污染物的实时浓度状态进行划分,其中:
当0<A≤A1时,所述浓度划分单元判定所述监测区域的大气污染物浓度处于第一档污染状态;
当A1<A≤A2时,所述浓度划分单元判定所述监测区域的大气污染物浓度处于第二档污染状态;
当A2<A时,所述浓度划分单元判定所述监测区域的大气污染物浓度处于第三档污染状态。
6.根据权利要求5所述的大气污染物浓度监测***,其特征在于,所述扩散方向监测单元在大气监测场中存在监测区域的大气污染物浓度处于第二档污染状态和第三档污染状态时,根据各监测区域的实时监测系数对大气污染物的扩散方向进行分析,将距离大气监测场所预设点相同距离的监测区域的实时监测系数在极坐标图上描点,绘制实时监测系数随距离变化的极坐标图,根据极坐标图获取大气污染物的扩散方向,所述扩散方向监测单元获取大气污染物的扩散方向与预设禁止扩散方向的夹角,将其作为扩散夹角,并将扩散夹角V与预设扩散夹角V0进行比对,并根据比对结果判断大气污染物的扩散情况,其中:
当V≤V0时,所述扩散方向监测单元判定大气污染物向禁止扩散方向扩散;
当V>V0时,所述扩散方向监测单元判定大气污染物向正常扩散方向扩散。
7.根据权利要求1所述的大气污染物浓度监测***,其特征在于,所述数据分析单元对大气污染物预测模型的运行结果数据中未来预测时间段内各时刻的模型监测系数Aa与各预设监测系数进行比对,并根据比对结果对大气污染物的浓度进行模型预测,其中:
当0<Aa≤A1时,所述数据分析单元判定所述监测区域在该时刻的大气污染物浓度处于第一档污染状态;
当A1<Aa≤A2时,所述数据分析单元判定所述监测区域在该时刻的大气污染物浓度处于第二档污染状态;
当A2<Aa时,所述数据分析单元判定所述监测区域在该时刻的大气污染物浓度处于第三档污染状态,所述数据分析单元将大气污染物浓度处于第三档污染状态的时间段进行推送,以对用户进行告警。
8.根据权利要求1所述的大气污染物浓度监测***,其特征在于,所述监测调整单元获取预设调整周期内处于第三档污染状态的时间段占预设调整周期时长的比例,将其作为异常占比G,并将异常占比G与预设占比G0进行比对,并根据比对结果对预设扩散夹角的调整情况进行判断,其中:
当G<G0时,所述监测调整单元判定不对预设扩散夹角进行调整;
当G≥G0时,所述监测调整单元判定对预设扩散夹角进行调整,设定调整系数H=2-e-2(G-G0),调整后的预设扩散夹角为VH0,设定VH0=V0×H。
9.根据权利要求8所述的大气污染物浓度监测***,其特征在于,所述校正单元将预设调整周期内的平均风速K与预设平均风速K0进行比对,并根据比对结果对预设扩散夹角的调整过程的校正情况进行判断,其中:
当K≤K0时,所述校正单元不对预设扩散夹角的调整过程进行校正;
当K>K0时,所述校正单元对预设扩散夹角的调整过程进行校正,设定校正系数为L,设定L=1+(K-K0)/K,校正后的调整系数为HL,设定HL=H×L。
10.根据权利要求1所述的大气污染物浓度监测***,其特征在于,所述浓度告警单元在监测区域的大气污染物浓度处于第三档污染状态时,对用户进行大气污染物的浓度告警,提示用户停止施工;
所述扩散方向告警单元在监测区域的大气污染物浓度处于第二档污染状态时,根据大气污染物的扩散情况进行大气污染物的扩散方向告警,其中:
当大气污染物向正常扩散方向扩散时,所述扩散方向告警单元不进行大气污染物的扩散方向告警;
当大气污染物向禁止扩散方向扩散时,所述扩散方向告警单元对用户进行大气污染物的扩散方向告警,提示用户采取应对措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311428623.4A CN117310101A (zh) | 2023-10-31 | 2023-10-31 | 一种大气污染物浓度监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311428623.4A CN117310101A (zh) | 2023-10-31 | 2023-10-31 | 一种大气污染物浓度监测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117310101A true CN117310101A (zh) | 2023-12-29 |
Family
ID=89246427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311428623.4A Pending CN117310101A (zh) | 2023-10-31 | 2023-10-31 | 一种大气污染物浓度监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117310101A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117871794A (zh) * | 2024-03-13 | 2024-04-12 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管***及方法 |
CN117892952A (zh) * | 2024-01-11 | 2024-04-16 | 湖北凌创环保有限公司 | 一种基于物联网的大气环境监管*** |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183492A (zh) * | 2010-12-15 | 2011-09-14 | 安徽循环经济技术工程院 | 三波段积分式大气气溶胶粒子散射系数测量仪及测量方法 |
CN105004843A (zh) * | 2015-08-05 | 2015-10-28 | 李宏亮 | Sf6在线监测*** |
CN106383205A (zh) * | 2016-10-13 | 2017-02-08 | 北京伟瑞迪科技有限公司 | VOCs区域在线监测及预警*** |
CN107193056A (zh) * | 2017-05-09 | 2017-09-22 | 西南石油大学 | 空气污染物监测预警方法及云平台 |
WO2017202718A1 (de) * | 2016-05-24 | 2017-11-30 | Hekatron Vertriebs Gmbh | Verfahren und gefahrenmelder zur erkennung von rauch |
CN107436343A (zh) * | 2017-07-31 | 2017-12-05 | 南京南瑞集团公司 | 一种模拟计算敏感区域污染物浓度的方法 |
CN111665329A (zh) * | 2020-06-16 | 2020-09-15 | 广州小沙鸥科技有限公司 | 一种区域空气污染物浓度超标智能预警*** |
CN112129891A (zh) * | 2020-08-26 | 2020-12-25 | 杨凯 | 一种基于工业污染的大气环境监测*** |
WO2021120765A1 (zh) * | 2019-12-19 | 2021-06-24 | 北京工业大学 | 一种突发大气污染事故动态应急预警评估与决策支持方法和*** |
CN113706352A (zh) * | 2021-08-20 | 2021-11-26 | 轩昂环保科技股份有限公司 | 基于物联网的城市智慧管家管理平台 |
CN114858976A (zh) * | 2022-04-27 | 2022-08-05 | 浙江索思科技有限公司 | 一种工业园区大气质量智能分析方法及*** |
KR102448881B1 (ko) * | 2022-07-13 | 2022-09-28 | 김윤수 | 초정밀 전자부품 생산 공정용 파티클 농도측정방법 |
CN115184228A (zh) * | 2022-09-08 | 2022-10-14 | 江西珉轩智能科技有限公司 | 一种基于机器学习的安全态势感知方法及*** |
CN115963227A (zh) * | 2023-01-04 | 2023-04-14 | 武汉市三藏科技有限责任公司 | 一种基于物联网的大气实时走航监测***及方法 |
CN116128260A (zh) * | 2023-04-18 | 2023-05-16 | 山东奥斯瑞特检验检测有限公司 | 基于数据样本的重点企业环境分析方法 |
CN116165351A (zh) * | 2023-03-23 | 2023-05-26 | 江苏凯霖机电设备有限公司 | 一种空气成分的在线监测方法及*** |
CN116186566A (zh) * | 2023-04-27 | 2023-05-30 | 北京建工环境修复股份有限公司 | 基于深度学习的扩散预测方法及*** |
CN116702047A (zh) * | 2023-08-07 | 2023-09-05 | 北京建工环境修复股份有限公司 | 一种地下水实时监测方法、***及介质 |
CN117491295A (zh) * | 2023-10-16 | 2024-02-02 | 江西中江环保集团股份有限公司 | 基于遥感影像的工业园区有毒有害气体污染预警处置方法 |
CN117892952A (zh) * | 2024-01-11 | 2024-04-16 | 湖北凌创环保有限公司 | 一种基于物联网的大气环境监管*** |
-
2023
- 2023-10-31 CN CN202311428623.4A patent/CN117310101A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183492A (zh) * | 2010-12-15 | 2011-09-14 | 安徽循环经济技术工程院 | 三波段积分式大气气溶胶粒子散射系数测量仪及测量方法 |
CN105004843A (zh) * | 2015-08-05 | 2015-10-28 | 李宏亮 | Sf6在线监测*** |
WO2017202718A1 (de) * | 2016-05-24 | 2017-11-30 | Hekatron Vertriebs Gmbh | Verfahren und gefahrenmelder zur erkennung von rauch |
CN106383205A (zh) * | 2016-10-13 | 2017-02-08 | 北京伟瑞迪科技有限公司 | VOCs区域在线监测及预警*** |
CN114280695A (zh) * | 2017-05-09 | 2022-04-05 | 西南石油大学 | 一种空气污染物监测预警方法及云平台 |
CN107193056A (zh) * | 2017-05-09 | 2017-09-22 | 西南石油大学 | 空气污染物监测预警方法及云平台 |
CN107436343A (zh) * | 2017-07-31 | 2017-12-05 | 南京南瑞集团公司 | 一种模拟计算敏感区域污染物浓度的方法 |
WO2021120765A1 (zh) * | 2019-12-19 | 2021-06-24 | 北京工业大学 | 一种突发大气污染事故动态应急预警评估与决策支持方法和*** |
CN111665329A (zh) * | 2020-06-16 | 2020-09-15 | 广州小沙鸥科技有限公司 | 一种区域空气污染物浓度超标智能预警*** |
CN112129891A (zh) * | 2020-08-26 | 2020-12-25 | 杨凯 | 一种基于工业污染的大气环境监测*** |
CN113706352A (zh) * | 2021-08-20 | 2021-11-26 | 轩昂环保科技股份有限公司 | 基于物联网的城市智慧管家管理平台 |
CN114858976A (zh) * | 2022-04-27 | 2022-08-05 | 浙江索思科技有限公司 | 一种工业园区大气质量智能分析方法及*** |
KR102448881B1 (ko) * | 2022-07-13 | 2022-09-28 | 김윤수 | 초정밀 전자부품 생산 공정용 파티클 농도측정방법 |
CN115184228A (zh) * | 2022-09-08 | 2022-10-14 | 江西珉轩智能科技有限公司 | 一种基于机器学习的安全态势感知方法及*** |
CN115963227A (zh) * | 2023-01-04 | 2023-04-14 | 武汉市三藏科技有限责任公司 | 一种基于物联网的大气实时走航监测***及方法 |
CN116165351A (zh) * | 2023-03-23 | 2023-05-26 | 江苏凯霖机电设备有限公司 | 一种空气成分的在线监测方法及*** |
CN116128260A (zh) * | 2023-04-18 | 2023-05-16 | 山东奥斯瑞特检验检测有限公司 | 基于数据样本的重点企业环境分析方法 |
CN116186566A (zh) * | 2023-04-27 | 2023-05-30 | 北京建工环境修复股份有限公司 | 基于深度学习的扩散预测方法及*** |
CN116702047A (zh) * | 2023-08-07 | 2023-09-05 | 北京建工环境修复股份有限公司 | 一种地下水实时监测方法、***及介质 |
CN117491295A (zh) * | 2023-10-16 | 2024-02-02 | 江西中江环保集团股份有限公司 | 基于遥感影像的工业园区有毒有害气体污染预警处置方法 |
CN117892952A (zh) * | 2024-01-11 | 2024-04-16 | 湖北凌创环保有限公司 | 一种基于物联网的大气环境监管*** |
Non-Patent Citations (2)
Title |
---|
VALDERI D. LEITE等: "Ammoniacal Nitrogen Stripping From Landfill Leachate at Open Horizontal Flow Reactors", 《WATER ENVIRONMENT RESEARCH, 31 December 2018 (2018-12-31), pages 387 - 394 * |
张伟: "VR技术引入环保管家领域的可行性分析", 《皮革制作与环保科技》, 15 June 2022 (2022-06-15), pages 181 - 183 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892952A (zh) * | 2024-01-11 | 2024-04-16 | 湖北凌创环保有限公司 | 一种基于物联网的大气环境监管*** |
CN117871794A (zh) * | 2024-03-13 | 2024-04-12 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管***及方法 |
CN117871794B (zh) * | 2024-03-13 | 2024-05-24 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117310101A (zh) | 一种大气污染物浓度监测*** | |
CN112368563B (zh) | 一种利用公共交通工具监测空气质量的*** | |
CN108133295B (zh) | 一种针对目标路段的机动车尾气浓度连续时间预测方法 | |
US10830743B2 (en) | Determining the net emissions of air pollutants | |
CN114280695A (zh) | 一种空气污染物监测预警方法及云平台 | |
CN109063366B (zh) | 一种基于时间和空间加权的建筑性能数据在线预处理方法 | |
CN106651100B (zh) | 基于车联网优选车载监测点的空气质量评估***及方法 | |
CN106446307B (zh) | 基于气溶胶地基数据的aod垂直订正效果评价方法及*** | |
CN113919231A (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及*** | |
CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
CN112906941B (zh) | 面向动态相关空气质量时间序列的预测方法及*** | |
KR102100739B1 (ko) | 미세먼지 발생 예측방법 | |
CN117574061B (zh) | 一种pm2.5和臭氧污染协同防控的预测方法及*** | |
CN108983324A (zh) | 一种基于卡尔曼滤波的气温预报方法及*** | |
CN115290831B (zh) | 一种空气质量检测方法 | |
CN108304610B (zh) | 一种大气高污染过程动态追踪方法 | |
CN114819704A (zh) | 一种移动源污染物排放溯源方法及*** | |
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 | |
CN114295778B (zh) | 一种基于火电厂烟气排放质量评价方法及评价*** | |
CN116258101B (zh) | 一种基于气体浓度监测数据快速计算排放源强的方法 | |
US20220292521A1 (en) | Computer-Assisted Method for Generating Training Data for a Neural Network for Predicting a Concentration of Pollutants | |
Dragomir et al. | Prediction of the NO2 concentration data in an urban area using multiple regression and neuronal networks | |
CN116482567A (zh) | 一种基于物联网的太阳能灯电量监测***及方法 | |
US20230184730A1 (en) | Computer-Assisted Method for Generating Training Data for a Neural Network for Predicting a Concentration of Pollutants at a Measuring Station | |
Ozdemir et al. | Prediction of tropospheric ozone concentration by employing artificial neural networks |
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 |