CN117312784A - 一种基于受体模型和大数据联用的污染源溯源方法 - Google Patents
一种基于受体模型和大数据联用的污染源溯源方法 Download PDFInfo
- Publication number
- CN117312784A CN117312784A CN202310939361.1A CN202310939361A CN117312784A CN 117312784 A CN117312784 A CN 117312784A CN 202310939361 A CN202310939361 A CN 202310939361A CN 117312784 A CN117312784 A CN 117312784A
- Authority
- CN
- China
- Prior art keywords
- pollution
- data
- model
- information
- tracing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000009792 diffusion process Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 4
- 239000003344 environmental pollutant Substances 0.000 claims description 25
- 231100000719 pollutant Toxicity 0.000 claims description 25
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000003912 environmental pollution Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 4
- 239000000428 dust Substances 0.000 claims description 4
- 238000011109 contamination Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000002372 labelling Methods 0.000 abstract 1
- 230000009194 climbing Effects 0.000 description 10
- 239000000126 substance Substances 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 4
- 239000013618 particulate matter Substances 0.000 description 4
- JCXJVPUVTGWSNB-UHFFFAOYSA-N Nitrogen dioxide Chemical compound O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 239000012855 volatile organic compound Substances 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003933 environmental pollution control Methods 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- -1 sulfur organic compounds Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2219—Large Object storage; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于受体模型和大数据联用的环境污染溯源***,包括以下步骤:步骤一:使用互联网大数据快速获取污染监测信息、污染排放信息、环境信息、地理信息、交通流量信息;步骤二:对所获取信息进行本地储存、筛选,并进行数据标签;步骤三对标签数据进行标签分类,对分类数据进行交叉引用生成污染源数据库;步骤四:结合污染源数据库进行污染区域划分生成污染特征区块;步骤五:使用无人机对受体大气采样;步骤六:通过受体模型进行源解析计算;步骤七:使用污染扩散模型进行污染源扩散路径生成;步骤八:使用无人机对污染扩散路径污染源采样定位溯源并结合排放数据库、源解析结果生成溯源报告。
Description
技术领域
本发明涉及环境保护技术领域,具体为一种基于受体模型和大数据联用的环境污染溯源***。
背景技术
污染溯源对于污染管理有着十分重要的导向作用,可以帮助污染管理者更好地发现污染问题,制定更加精准的治理对策。现有的通过受体模型进行污染溯源的技术由于在使用过程中建立污染源数据需要耗费大量的人力物力。
但是,该方法只能判别处污染物来自某一类别的污染源,不能实现地理空间来源判别,通过使用大数据以及无人机采样、扩散模型与其结合的方式逐渐将溯源范围由某一类污染源精确到某一个具体的污染点,实现高效、快速、精准的污染溯源,而且无法快速定位各种类型污染源在城市区域内的分布以及各自对环境污染的贡献率。
发明内容
(一)解决的技术问题
针对现有技术的不足,提供一种基于受体模型和大数据联用的污染源溯源方法,充分利用现有的数据资源以及大数据计算能力,结合受体模型、扩散模型及无人机实地定位,不断缩小溯源范围,快速定位各种类型污染源在城市区域内的分布以及各自对环境污染的贡献率,为大气防治管理者提供精准可靠的污染源数据,为大气防治方案的制定以及应急方案的实施提供依据和方向。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于受体模型和大数据联用的污染源溯源方法,包括以下步骤:
步骤一,采用互联网大数据技术可快速获取各基站监测点位、微站点、企业在线排放监测点位、气象监测点位、施工地监测点位、餐饮排放点位,空气监测数据、气象数据、染排放数据。地理信息数据、交通出行流量数据。
步骤二,对已获取的数据进行本地储存、筛选、管理进行不间断更新上传,并对相关数据进行标签处理。
步骤三,对所述步骤二储存的数据进行分类,建立污染排放源数据库,并实时更新动态。
步骤四,结合污染源数据库,以及空间地理信息、交通流量数据、污染监测数据区域地理空间位置进行污染区块划分。
步骤五,在被污染大气中设置无人机矩阵,进行无人机大气采样。
步骤六,采用受体模型对步骤五采集样品进行源解析确定污染来源。
步骤七,使用污染扩散模型结合监测数据和气象数据确定受体区域污染来源传输路径。
步骤八,使用无人机矩阵对污染传输路径进行采样并与污染源解析结果,污染源数据库比对,生成溯源报告完成溯源。
优选的,在所述步骤一中,监测站点和微站点所获取的数据为基本六项参数、气象站点数据主要包括温度、湿度、风速、风向、地面气压;企业在线监测数据和餐饮排放数据,主要包含排放污染物种类、排放流量、排放周期;工地监测数据主要包含PM10和PM2.5以及相对湿度。
优选的,在所述步骤二中,所进行标签处理的数据主要为各污染监测站点、企业排放监测数据、工地监测数据、餐饮排放数据、气象数据、交通流量数据主要用于数据的分类。
优选的,在所述步骤三中,各个标记数据按照采集时间、地理信息、环境信息、污染因子监测信息、采集过程信息、交通流量信息进行分类,并进行交叉生成污染源排放数据库。
污染排放数据库数据包含污染源具体地理位置、排放流量、排放污染物主要物质种类,并对污染排放数据按照污染排放时间序列统计分析。
优选的,在所述步骤四中,使用W一种基于受体模型和大数据联用的环境污染溯源***F模型计算各个监测数据的亲和度,再使用K-Me一种基于受体模型和大数据联用的环境污染溯源***ns聚类法进行大气污染区域划分。
K-Me一种基于受体模型和大数据联用的环境污染溯源***ns聚类法主要算法流程:
随机选择c个类别初始中心或根据实际场景规定c个初始中心;在第i次迭代中分别计算任意一个样本点到c个类别中心的距离,这样可以得到该样本在本次迭代中的分类结果:与其自身距离最短的中心所在的类,更新对应类的中心值,方法包括求取类内均值等;
对于所有的c个类别中心,如果根据步骤二、3的方式进行更新后,类别中心仍保持不变,则本次聚类结束,否则不断重复步骤前两步,直至聚类中心值收敛。
优选的,在所述步骤五中,优选的,在所述步骤五中,无人机搭载SDS021粉尘传感器以及SINGO一种基于受体模型和大数据联用的环境污染溯源***N模组作为监测模块,使用GT-U7GPS模块和小型BMP180气压传感器作为精准定位模块;通过不同高度形成无人机矩阵,按照高度划分对同一区域受体大气进行多次样品采集。
优选的,在所述步骤六中,通过NKCMB1.0受体模型软件进行污染物的分析,计算各污染物的浓度以及贡献率,进行技术诊断。
CMB受体模型计算方法如下:
其中:C为受体大气颗粒物的总质量浓度,单位为μg/㎡;Sj为j类源贡献的质量浓度,单位为μg/㎡;j为源类的数目,j=1,2,…,J。
如果受体颗粒物的化学组分i的浓度为Ci,那么计算方法为:
其中:Ci为受体大气颗粒物中化学组分i的浓度测量值,单位为μg/㎡;Fij为第j类源的颗粒物中化学组分i的浓度测量值,单位为g/g;Sj为第j类源的浓度计算值;i为化学组分的数目。只有当i≧j时,上述方有解,源类j的贡献率为:
ηi=Si/C×100%
优选的,在所述步骤七中,采用HYSPLIT-4后向轨迹模型分析污染物后向轨迹,计算空气气团轨迹、模拟气团扩散沉降过程,处理不同污染物排放源的输送情况,结合气象条件计算模拟多种物理过程。使用Meteoinfo进行聚类分析,分析气流轨迹来源以及来源传输远近距离,并对不同高度的后向轨迹进行聚类得到分析结果。采用大数据深度学习的方式对于所生成的污染物传输轨迹周期进行模型生成,对不同气象条件下,不同季节下的污染传输路径进行积累生成特征模型。
优选的,在所述步骤八中,控制无人机进行污染传输路径溯源主要使用爬山算法进行污染溯源。溯源报告主要以污染热力图,污染扩散动态图的形式,做溯源解释。
爬山算法主要原理:模拟爬山过程随机选取污染路径上的某个空间位置作为登山起点;每次将探测范围内的相邻点与当前点进行比较,取两者中较优者作为登山下一步,确保每一步向着更优方向移动;重复上述步骤直至该点周围不再有比其更加大的点。
本发明的有益效果是:充分利用大数据技术快速建立污染源数据库,结合受体模型、HYSPLIT-4后向轨迹模型、无人机采样溯源,以污染受体大气为溯源出发点由面到线再到点不断缩小溯源范围达到精准溯源的目的。建设环境污染监管***,辅助监管层在环境污染发生后快速对污染企业、污染餐饮店、污染工地及时进行管控,有效防控污染影响的持续扩大。提高环保部门对突发环境污染事件的综合能力,为环保部门进行环境污染管控做科学依据,提供环境管控方向。
(三)有益效果
本发明提供了一种基于受体模型和大数据联用的污染源溯源方法。具备以下有益效果:
(1)该一种基于受体模型和大数据联用的污染源溯源方法,充分利用大数据技术快速建立污染源数据库,结合受体模型、HYSPLIT-4后向轨迹模型、无人机采样溯源,以污染受体大气为溯源出发点由面到线再到点不断缩小溯源范围对污染来源进行智能研判。
(2)该一种基于受体模型和大数据联用的污染源溯源方法,为环境管理者提供不同污染溯源信息,包括面源污染情况以及排放源情况,污染来源以及污染路径轨迹,具体的污染时段污染企业等污染点,所提供的污染信息全面立体。
(3)该一种基于受体模型和大数据联用的污染源溯源方法,通过建设环境污染监管***,辅助监管层在环境污染发生后快速对污染企业、污染餐饮店、污染工地及时进行管控,有效防控污染影响的持续扩大。
(4)该一种基于受体模型和大数据联用的污染源溯源方法,在应急管理当中通过受体模型的源解析以及特征划分区块,帮助环境管理者迅速确定特征污染物以及特征污染区域,为环境管理者提供有效决策支撑数据,以及明确的管控方向,并在污染发生过后明确污染责任主体或区域,提高环境污染治理综合处置能力。
附图说明
图1为一种基于受体模型和大数据联用的污染源溯源方法污染溯源流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明提供一种技术方案:一种基于受体模型和大数据联用的污染源溯源方法,包括以下步骤:
步骤一,采用互联网大数据技术可快速获取各基站监测点位、微站点、企业在线排放监测点位、气象监测点位、施工地监测点位、餐饮排放点位,空气监测数据、气象数据、污染排放数据、地理信息数据、以及城市功能区分布、交通出行数据。
所获取的基站、微站点监测数据主要数据指标包含但不限于SO2、NO2、O3、PM2.5、PM10、VOCs、CO。施工地监测点位主要为监测范围内的PM2.5与PM10的监测数据。
企业在线排放监测数据及餐饮排放数据主要为具体污染物质种类,比如二氧化硫、一氧化碳、二氧化氮、氮氧化物、碳氢化物、挥发性有机物(VOCs)、颗粒物(飘尘、降尘、油烟等)、氨气及含氧、氮、氯、硫有机化合物等,并包含具体排放污染物质流量、排放时间周期。
采集的气象站点数据主要包括温度、湿度、风速、风向、地面气压。
步骤二,对已获取的数据进行本地储存、筛选、管理进行不间断更新上传,并对相关数据进行标签处理。
所获取的数据主要以地理信息位置、采集时间、采集设备、采集数据类型、四个采集维度做数据标记,筛选有效数据剔除无效数据,随时间维度做数据的更新。
步骤三,对各个标记数据按照时间数据、地理信息、环境信息、污染因子监测信息、采集过程信息进行分类,并对污染因子监测信息、地理信息、采集过程信息、时间信息、交通流量信息,进行交叉生成污染源排放数据库。
污染排放数据库数据应包含污染源具体地理位置、排放流量、排放污染物主要物质种类,并对污染排放数据按照污染排放时间序列统计分析。
步骤四,结合污染源数据库,以及空间地理信息、交通流量数据、污染监测数据区域地理空间位置进行污染区块划分。所划分的污染区块主要以地理位置、污染特征为主要划分标准。先使用W一种基于受体模型和大数据联用的环境污染溯源***F模型计算各个监测数据的亲和度,再使用K-Me一种基于受体模型和大数据联用的环境污染溯源***ns聚类法进行大气污染区域划分。
K-Me一种基于受体模型和大数据联用的环境污染溯源***ns聚类法主要算法流程:随机选择c个类别初始中心或根据实际场景规定c个初始中心;在第i次迭代中分别计算任意一个样本点到c个类别中心的距离,这样可以得到该样本在本次迭代中的分类结果:与其自身距离最短的中心所在的类,更新对应类的中心值,方法包括求取类内均值等;对于所有的c个类别中心,如果根据步骤二、3的方式进行更新后,类别中心仍保持不变,则本次聚类结束,否则不断重复步骤前两步,直至聚类中心值收敛。
步骤五,在受体污染大气中设置无人机矩阵,进行无人机大气采样。
无人机搭载SDS021粉尘传感器以及SINGO一种基于受体模型和大数据联用的环境污染溯源***N模组作为监测模块,使用GT-U7GPS模块和小型BMP 180气压传感器作为精准定位模块。
通过信息中心结合大数据控制无人机在空间位置上的矩阵设置。
通过无人机的顶部沿无人机的机头向无人机的机尾方向依次设置有空气吸入装置以及多个空气质量传感器。按照不同时间间隔,依次进行采样作业,并多所采样品做采样过程标记。
步骤六,采用受体模型对步骤五采集样品进行源解析确定污染来源。
通过NKCMB1.0受体模型软件使用CMB分析法进行污染物的分析,计算各污染物的浓度以及贡献率。
CMB受体分析计算方法:
其中:C为受体大气颗粒物的总质量浓度,单位为μg/㎡;Sj为j类源贡献的质量浓度,单位为μg/㎡;j为源类的数目,j=1,2,…,J。
如果受体颗粒物的化学组分i的浓度为Ci,那么计算方法为:
其中:Ci为受体大气颗粒物中化学组分i的浓度测量值,单位为μg/㎡;Fij为第j类源的颗粒物中化学组分i的浓度测量值,单位为g/g;Sj为第j类源的浓度计算值;i为化学组分的数目。只有当i≧j时,上述方有解,源类j的贡献率为:
ηi=Si/C×100%
将计算值结果使用T统计、百分质量比(PM)、残差平方和(chi或x2)、回归系数(R2)诊断技术进行结果诊断,判断结果是否可以接受。
当计算结果Tst一种基于受体模型和大数据联用的环境污染溯源***t≥2.0,PM在80%~120%,x2≤2,R2≥0.8时且计算值和测量值之比为0.5~2.0时,表示结果可以被接受。
计算指标及方法如表:
表中δSj是污染源Sj的标准偏差,J为污染源总个数
步骤七,使用污染扩散模型结合监测数据和气象数据确定受体区域污染来源传输路径。
采用HYSPLIT-4后向轨迹模型分析污染物后向轨迹,计算空气气团轨迹、模拟气团扩散沉降过程,处理不同污染物排放源的输送情况,结合气象条件计算模拟多种物理过程。
使用Meteoinfo进行聚类分析,分析气流轨迹来源以及来源传输远近距离,并对不同高度的后向轨迹进行聚类得到分析结果。
采用大数据深度学习的方式对于所生成的污染物传输轨迹周期进行模型生成,对不同气象条件下,不同季节下的污染传输路径进行积累生成特征模型。
Meteoinfo进行聚类分析方法如下:
其中中Dij i条轨迹中第J个小时的停留点到平均轨迹相应点的距离;t为轨迹的时间长度;x为聚类中的轨迹数目。
总空间相异度(TSV)是所有聚类SPV一种基于受体模型和大数据联用的环境污染溯源***R的总和,并且TSV和n之间的关系确定最终聚类的数量和每种类型的平均轨迹的空间分布。
步骤八,使用无人机矩阵对污染传输路径进行采样溯源并与污染源解析结果,污染源数据库结合,生成溯源报告完成溯源。
由信息中心控制无人机使用爬山算法进行污染溯源。
溯源报告主要以污染热力图,污染扩散动态图的形式,做溯源解释。
爬山算法主要原理:模拟爬山过程随机选取污染路径上的某个空间位置作为登山起点;每次将探测范围内的相邻点与当前点进行比较,取两者中较优者作为登山下一步,确保每一步向着更优方向移动;重复上述步骤直至该点周围不再有比其更加大的点。
所生成的污染溯源报告由污染数据库和气象数据结合受体模型和扩散模型生成污染扩散时序动态模拟图,更加直观体现污染过程;由污染划分区域所排放污染数据组成污染热力图,明确各区域的污染情况,辅助溯源分析。
本发明是利用大数据技术的快速收集分析数据的特点,结合受体模型后向轨迹扩散模型、无人机实地采样进行污染溯源。
本发明的整个溯源过程由区域划分到轨迹分析再到定点采样,从三个不同层次进行渐进式溯源过程,更加全面的为环境管理者从多个维度进行环境管理指导,明确环境管控方向。
以上的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.一种基于受体模型和大数据联用的污染源溯源方法其特征在于:包含以下步骤:
步骤一,数据获取:采用互联网大数据技术可快速获取各基站监测点位、微站点、企业在线排放监测点位、气象监测点位、施工地监测点位、餐饮排放点位,空气监测数据、气象数据、染排放数据、地理信息数据、交通流量信息数据;
步骤二,本地数据储存:对获取数据进行本地管理、储存、筛选,实时进行数据动态更新;
步骤三,污染源数据库建立:对步骤二储存的数据进行分类,建立污染排放源数据库,并实时更新动态;
步骤四,污染区域划分:结合污染源数据库,区域地理空间位置进行污染区块划分;
步骤五,受体大气污染采集:在受体区域中设置无人机矩阵,进行受体大气采样;
步骤六,污染源解析:采用受体模型对步骤五采集样品进行源解析确定污染来源;
步骤七,污染传输路径获取:使用污染扩散模型结合监测数据和气象数据确定受体区域污染来源传输路;
步骤八,无人机矩阵实地采样:使用无人机矩阵对污染传输路径进行采样并与污染源解析结果,污染源数据库比对,生成溯源报告完成溯源。
2.根据权利要求1所述一种基于受体模型和大数据联用的污染源溯源方法其特征在于:在所述步骤一中包括信息采集中心采用互联网大数据的方式快速获取数据,采集数据包括:基站监测数据、微站点数据、气象站点数据、企业在线监测数据、施工地监测信息、餐饮排放监测数据。
3.根据权利要求1所述一种基于受体模型和大数据联用的污染源溯源方法其特征在于,在所述步骤二中:信息存储方式包括由储存设备将气象监测仪和污染物监测仪监测到的图文数据进行存储后并实时导入信息标记设备,给不同类别数据进行标记,其中标签数据包括:监测因子、浓度、风速、温度、湿度、气压、采集时间、入库时间、设备编号、地理信息、交通流量。
4.根据权利要求1所述一种基于受体模型和大数据联用的污染源溯源方法其特征在于,在所述步骤三中对各个标记数据包括时间数据、地理信息、环境信息、污染因子监测信息、采集过程信息,进而生成污染源排放数据库。
5.根据权利要求1所述一种基于受体模型和大数据联用的污染源溯源方法其特征在于,在所述步骤中4中大气污染特征区域划分包括以下步骤:
先使用W一种基于受体模型和大数据联用的环境污染溯源***F模型计算各个监测数据的亲和度;
使用K-Me一种基于受体模型和大数据联用的环境污染溯源***ns聚类法进行大气污染区域划分。
6.根据权利要求1所述一种基于受体模型和大数据联用的污染源溯源方法其特征在于,在所述步骤中5中无人机包括粉尘采集模块、精准定位模块,空气吸入装置以及多个空气质量传感器。
7.根据权利要求1所述一种基于受体模型和大数据联用的污染源溯源方法其特征在于,在所述步骤六中对采集样品源解析包括以下步骤:
使用CMB受体模型,并通过NKCMB1.0受体模型软件进行污染物的分析,计算各污染物的浓度以及贡献率;
采用诊断技术对结果进行诊断,判断结果是否可以接受。
8.根据权利要求1所述一种基于受体模型和大数据联用的污染源溯源方法其特征在于;在所述步骤七中,污染扩散路径的生成包括以下步骤:
搭建本地扩散模型,设置大气污染扩散模型的地面数据、高空环境数据,完成参数的设置;
根据不同历史气象数据,构造气象场景,确定本地气象参数范围,根据温度、风速、湿度、低云量、高云量,进行不同季节、早中晚时间段数据的交叉模拟场景分类;
将气象场景分类与扩散模型结合模拟出不同时间、空间上的扩散路径,形成完备的污染扩散模型。
9.根据权利要求1所述一种基于受体模型和大数据联用的污染源溯源方法其特征在于;在所述步骤八中,无人机溯源及溯源报告的生成包括以下步骤:
通过信息控制中心向无人机发送污染传输路径,控制无人机进行采样溯源并上传采样数据到信息中心;
通过信息中心经过污染源数据库以及源解析结果的比对,确定污染点,生成溯源报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310939361.1A CN117312784A (zh) | 2023-07-27 | 2023-07-27 | 一种基于受体模型和大数据联用的污染源溯源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310939361.1A CN117312784A (zh) | 2023-07-27 | 2023-07-27 | 一种基于受体模型和大数据联用的污染源溯源方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117312784A true CN117312784A (zh) | 2023-12-29 |
Family
ID=89236162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310939361.1A Pending CN117312784A (zh) | 2023-07-27 | 2023-07-27 | 一种基于受体模型和大数据联用的污染源溯源方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117312784A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689399A (zh) * | 2024-01-31 | 2024-03-12 | 四川省生态环境科学研究院 | 一种监测指标异常升高的地表水污染源溯源方法及*** |
-
2023
- 2023-07-27 CN CN202310939361.1A patent/CN117312784A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689399A (zh) * | 2024-01-31 | 2024-03-12 | 四川省生态环境科学研究院 | 一种监测指标异常升高的地表水污染源溯源方法及*** |
CN117689399B (zh) * | 2024-01-31 | 2024-04-12 | 四川省生态环境科学研究院 | 一种监测指标异常升高的地表水污染源溯源方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110085281B (zh) | 一种基于特征污染因子源解析的环境污染溯源***及方法 | |
CN112418609B (zh) | 一种基于面-网格-点的大气二次污染精准溯源方法 | |
Mihăiţă et al. | Evaluating air quality by combining stationary, smart mobile pollution monitoring and data-driven modelling | |
CN114371260B (zh) | 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法 | |
CN110531030B (zh) | 一种基于物联网大数据大气污染物分析的方法及装置 | |
CN109522603B (zh) | 基于云平台的车载拉格朗日实时大气污染溯源***及方法 | |
CN110598953A (zh) | 一种时空相关的空气质量预测方法 | |
CN110531029B (zh) | 一种基于环保物联网大数据预测空气质量趋势的装置 | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其*** | |
CN115358332A (zh) | 面向多源数据的大气污染溯源方法 | |
CN116048129B (zh) | 污染物排放的监测方法、装置、电子设备和存储介质 | |
CN114155129A (zh) | 一种基于工业园区的大气环境溯评方法和*** | |
CN115420854B (zh) | 一种基于正后向模型结合的大气污染物溯源方法 | |
CN117312784A (zh) | 一种基于受体模型和大数据联用的污染源溯源方法 | |
CN114757687A (zh) | 一种基于大数据技术的大气污染物溯源***及方法 | |
Hernandez et al. | Analysis of the information obtained from PM 2.5 concentration measurements in an urban park | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN114511087B (zh) | 一种基于双模型的空气质量空间推断方法及*** | |
CN115578227A (zh) | 一种基于多源数据确定大气颗粒物污染重点区域的方法 | |
Mishra et al. | Air quality analysis and smog detection in smart cities for safer transport using machine learning (ML) regression models | |
CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
CN113267601B (zh) | 一种基于机器视觉和数据分析的工业生产环境远程实时监测云平台 | |
CN117291343A (zh) | 一种基于空天地监测网络的大气污染防治管控*** | |
Akbary et al. | Simulation and analysis of polluted days in Tehran | |
CN109613179B (zh) | 累积高值区的确定方法 |
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 |