CN117540229B - 一种基于聚类算法的大气环境监测方法 - Google Patents
一种基于聚类算法的大气环境监测方法 Download PDFInfo
- Publication number
- CN117540229B CN117540229B CN202311515996.5A CN202311515996A CN117540229B CN 117540229 B CN117540229 B CN 117540229B CN 202311515996 A CN202311515996 A CN 202311515996A CN 117540229 B CN117540229 B CN 117540229B
- Authority
- CN
- China
- Prior art keywords
- index
- atmospheric environment
- data
- monitoring
- atmospheric
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 230000007613 environmental effect Effects 0.000 claims abstract description 91
- 238000012806 monitoring device Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000003908 quality control method Methods 0.000 claims abstract description 8
- 239000013618 particulate matter Substances 0.000 claims description 40
- 239000003344 environmental pollutant Substances 0.000 claims description 37
- 231100000719 pollutant Toxicity 0.000 claims description 37
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 33
- 230000005855 radiation Effects 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 23
- 239000002245 particle Substances 0.000 claims description 20
- 239000012855 volatile organic compound Substances 0.000 claims description 14
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 11
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 11
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical compound S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 claims description 11
- TXKMVPPZCYKFAC-UHFFFAOYSA-N disulfur monoxide Inorganic materials O=S=S TXKMVPPZCYKFAC-UHFFFAOYSA-N 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 239000000356 contaminant Substances 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 210000002345 respiratory system Anatomy 0.000 description 5
- 238000009792 diffusion process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005800 cardiovascular problem Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 229910052815 sulfur oxide Inorganic materials 0.000 description 1
- 230000037072 sun protection Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于聚类算法的大气环境监测方法。该基于聚类算法的大气环境监测方法,包括以下步骤:划分大气环境聚类区域;获取各个大气环境聚类区域中各个监测设备收集到的大气环境数据,同时对大气环境数据进行实时质量控制和预处理;对于每个大气环境聚类区域根据大气环境数据分析出环境监测指数数据;根据环境指数数据计算出环境质量监测综合指数;根据环境质量监测指数分析出大气环境聚类区域的环境异常点,并发出警报。本发明通过对大气环境分区域监测,并根据监测得出的环境监测指数数据综合分析出环境质量监测综合指数,达到了对指定地区的大气环境进行全面性监测,解决了现有技术中存在难以提供全面的环境评估的问题。
Description
技术领域
本发明涉及环境监测技术领域,尤其涉及一种基于聚类算法的大气环境监测方法。
背景技术
城市大气环境的监测主要由环境管理部门管理,对存在于大气中的污染物进行定点、连续的测量和分析。根据监测结果实时存储并加以分析之后,合理评估空气质量,并提供寻求污染源的判定依据。
例如公告号为:CN115326661B的发明专利公告的一种基于大气环境的监测方法、***和可读存储介质,包括:预设区域的不同的坐标位置分别设置有多个前端监测设备;基于多个前端监测设备的坐标位置分别采用密度聚类算法进行聚类分析,计算得到多个聚类区以及对应的聚类中心;基于每个聚类区,选取距离对应聚类中心最近的前端监测设备作为主监测设备;通过前端监测设备实时监测获取各自坐标位置处的大气环境数据;基于每个聚类区,通过主监测设备收集其他前端监测设备监测的大气环境数据并进行大气环境数据汇整,得到每个聚类区的汇整数据并进行上报;基于每个聚类区的汇整数据进行数据分析处理,得到大气环境画像。
例如公开号为:CN110895526A的发明专利公开的一种大气监测***中数据异常的修正方法,包括:利用最小-最大规范化方法对特征数据进行预处理,再结合该节点的历史数据按第一级基于信息熵的异常检测算法计算出传感器节点的异常概率,当节点的异常概率高于阈值时,执行第二级基于K-means的异常检测算法,获取该节点相近节点的特征向量,对该节点和相近节点进行聚类分簇,在分簇结果之上计算该节点特征向量与所在聚类中心之间的距离,判断该传感器节点是否没有异常。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中,由于不同地区的大气环境条件可能存在较大差异,且环境状况受多种因素影响,存在难以提供全面的环境评估的问题。
发明内容
本申请实施例通过提供一种基于聚类算法的大气环境监测方法,解决了现有技术中存在难以提供全面的环境评估的问题,实现了对指定地区的大气环境进行全面性监测。
本申请实施例提供了一种基于聚类算法的大气环境监测方法,包括以下步骤:将待进行大气环境监测的指定地区通过聚类算法对各个监测设备的坐标进行聚类分析,得到不同的大气环境聚类区域;获取各个大气环境聚类区域中各个监测设备收集到的大气环境数据,同时对大气环境数据进行实时质量控制和预处理;对于每个大气环境聚类区域根据大气环境数据分析出环境监测指数数据,所述环境监测指数数据包括温度湿度指数、紫外线指数、大气压力指数、污染物浓度指数和风速监测指数;根据环境指数数据计算出环境质量监测综合指数;根据环境质量监测指数分析出大气环境聚类区域的环境异常点,并发出警报。
进一步的,所述大气环境聚类区域的具体获得方法为:获取待进行大气环境监测的指定地区中所有监测设备的地理坐标位置数据;确定聚类半径以及密度阈值;根据各个监测设备的地理坐标位置数据,使用密度聚类算法对监测设备的坐标位置进行分析;根据聚类分析的结果,将每个聚类记为一个大气环境区域。
进一步的,所述环境质量监测综合指数的具体分析方法为:为待进行大气环境监测的指定地区中的各个大气环境聚类区域编号;获取各个大气环境聚类区域对应的环境监测指数数据;构建环境质量监测综合指数模型公式;具体的环境质量监测综合指数模型公式为:式中,Ψ为环境质量监测综合指数,e为自然常数,/>和/>分别为第q个大气环境聚类区域对应的温度湿度指数、紫外线指数、大气压力指数、污染物浓度指数和风速监测指数,q为大气环境聚类区域的编号,q=1,2,...,Q,Q为大气环境聚类区域的总数,ε1,ε2,ε3,ε4和ε5分别为温度湿度指数、紫外线指数、大气压力指数、污染物浓度指数和风速监测指数在环境质量监测综合指数中的权重系数,ζ为环境质量监测综合指数的修正因子。
进一步的,所述温度湿度指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的温度数据和湿度数据,并分别为其编号;构建温度湿度指数模型公式;具体的温度湿度指数模型公式为:式中,/>为第q个大气环境聚类区域中第i个温度数据,i为温度数据的编号,i=1,2,...,I,I为温度数据总数,/>为第q个大气环境聚类区域中第j个湿度数据,j为湿度数据的编号,j=1,2,...,J,J为湿度数据总数,α1为温度值在温度湿度指数中对应的权重系数,α2为湿度值在温度湿度指数中对应的权重系数,χ为温度和湿度的影响因子叠加值,δ为温度湿度指数的修正因子。
进一步的,所述紫外线指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的太阳辐射值、云覆盖率和大气透明度,并分别为其编号;构建紫外线指数模型公式;具体的紫外线指数模型公式为:式中,/>为第q个大气环境聚类区域中第m个太阳辐射值,m为太阳辐射值的编号,m=1,2,...,M,M为太阳辐射值总数,β1为太阳辐射值在紫外线指数中对应的权重系数,/>为第q个大气环境聚类区域中第n个云覆盖率,n为云覆盖率的编号,n=1,2,...,N,N为云覆盖率总数,β2为云覆盖率在紫外线指数中对应的权重系数,/>为第q个大气环境聚类区域中第o个大气透明度,o为大气透明度的编号,o=1,2,...,O,O为大气透明度总数,β3为大气透明度在紫外线指数中对应的权重系数,γ为紫外线指数的修正系数。
进一步的,所述大气压力指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的海拔数据和大气压力数据,并分别为其编号;构建大气压力指数模型公式;具体的大气压力指数模型公式为:式中,AHq为第q个大气环境聚类区域对应的海拔数据,/>为标准海拔数据,φ1为海拔数据在大气压力指数中对应的权重系数,APq为第q个大气环境聚类区域对应的大气压力数据,/>为标准大气压力数据,φ2为大气压力数据在大气压力指数中对应的权重系数,λ为大气压力指数的修正系数。
进一步的,所述污染物浓度指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的颗粒物浓度指数、硫氧化物浓度值、氮氧化物浓度值、一氧化碳浓度值和挥发性有机化合物浓度值,并分别为其编号;构建污染物浓度指数模型公式;具体的污染物浓度指数模型公式为:式中,Θq为第q个大气环境聚类区域对应的颗粒物浓度指数,/>为颗粒物浓度值在污染物浓度指数中对应的权重系数,SOq、NOq和COq分别为第q个大气环境聚类区域对应的硫氧化物浓度值、氮氧化物浓度值、一氧化碳浓度值,/>为硫氧化物浓度值、氮氧化物浓度值、一氧化碳浓度值在污染物浓度指数中对应的权重叠加系数,VOq为第q个大气环境聚类区域对应的挥发性有机化合物浓度值,/>为挥发性有机化合物浓度值在污染物浓度指数中对应的权重系数,θ为污染物浓度指数的修正系数。
进一步的,所述颗粒物浓度指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的PM2.5颗粒物浓度值和PM10颗粒物浓度值,并分别为其编号;构建颗粒物浓度指数模型公式;具体的颗粒物浓度指数模型公式为:式中,/>为第q个大气环境聚类区域对应的PM2.5颗粒物浓度值,η1为PM2.5颗粒物浓度值在颗粒物浓度指数中对应的权重系数,/>为第q个大气环境聚类区域对应的PM10颗粒物浓度值,η2为PM10颗粒物浓度值在颗粒物浓度指数中对应的权重系数,τ为颗粒物浓度指数的修正系数。
进一步的,所述风速监测指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的平均风速建筑物所占面积、平原所占面积和山脉所占面积,并分别为其编号;构建风速监测指数模型公式;具体的风速监测指数模型公式为:式中,/>为第q个大气环境聚类区域对应的平均风速,μ1为平均风速在风速监测指数中对应的权重系数,SJRq、SPYq和SMTq分别为第q个大气环境聚类区域对应的建筑物所占面积、平原所占面积和山脉所占面积,μ2、μ3和μ4分别为建筑物所占面积、平原所占面积和山脉所占面积在风速监测指数中对应的权重系数,σ为风速监测指数的修正系数。
进一步的,所述环境异常点的具体分析方法为:为环境监测指数数据定义允许阈值,当存在环境监测指数数据超出允许阈值后,将该环境监测指数数据进行标记并预警;设置每个大气环境聚类区域内环境质量监测指数的参考值和标准差,当环境质量监测指数与参考值的差值不低于标准差时,将环境质量监测指数进行标记并预警。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、通过对大气环境分区域监测,并根据监测得出的环境监测指数数据综合分析出环境质量监测综合指数,从而综合多个指数数据进行评估,进而实现了对指定地区的大气环境进行全面性监测,有效解决了现有技术中存在难以提供全面的环境评估的问题。
2、通过在获取大气环境数据后,进行实时质量控制和预处理,确保数据的准确性和可靠性,从而减少数据噪声和误差,提高监测数据的质量,进而实现了提高环境监测结果的可信度。
3、通过环境质量监测综合指数分析出大气环境聚类区域中的异常点,并及时发出警报,从而快速响应环境问题,采取必要的措施来改善环境质量,进而实现了减少潜在的风险和危害。
附图说明
图1为本申请实施例提供的基于聚类算法的大气环境监测方法流程图。
具体实施方式
本申请实施例通过提供一种基于聚类算法的大气环境监测方法,解决了现有技术中存在难以提供全面的环境评估的问题,通过对大气环境分区域监测,并根据监测得出的环境监测指数数据综合分析出环境质量监测综合指数,实现了对指定地区的大气环境进行全面性监测。
本申请实施例中的技术方案为解决上述存在难以提供全面的环境评估的问题,总体思路如下:
通过划分大气环境聚类区域;获取各个大气环境聚类区域中各个监测设备收集到的大气环境数据,同时对大气环境数据进行实时质量控制和预处理;对于每个大气环境聚类区域根据大气环境数据分析出环境监测指数数据;根据环境指数数据计算出环境质量监测综合指数;根据环境质量监测指数分析出大气环境聚类区域的环境异常点,达到了对指定地区的大气环境进行全面性监测。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,为本申请实施例提供的基于聚类算法的大气环境监测方法流程图,该方法包括以下步骤:将待进行大气环境监测的指定地区通过聚类算法对各个监测设备的坐标进行聚类分析,得到不同的大气环境聚类区域;获取各个大气环境聚类区域中各个监测设备收集到的大气环境数据,同时对大气环境数据进行实时质量控制和预处理;对于每个大气环境聚类区域根据大气环境数据分析出环境监测指数数据,环境监测指数数据包括温度湿度指数、紫外线指数、大气压力指数、污染物浓度指数和风速监测指数;根据环境指数数据计算出环境质量监测综合指数;根据环境质量监测指数分析出大气环境聚类区域的环境异常点,并发出警报。
在本实施例中,实时质量控制是指对从各个监测设备收集到的大气环境数据进行即时的数据质量检查和校正,以确保数据的准确性和一致性。其包括以下几个方面:数据清洗:识别和纠正数据中的错误值、缺失值和异常值,以避免不准确的数据对环境监测结果造成干扰;数据校准:校正不同监测设备之间的数据差异,以确保它们的数据是可比较的,校准包括温度、湿度、气压等方面的调整;数据插值:填充缺失的数据点,以确保没有数据缺失导致的信息断裂,当缺少某个时间点或地点的数据时,使用插值方法可以根据该点周围已知的数据点的数值来估计或推测出该缺失点的数值。预处理包括数据清洗、校正、归一化和插值等步骤,以确保监测数据在后续的环境指数计算和分析中是可靠和准确的。通过实时质量控制和预处理,可以提高数据的质量,确保环境监测的准确性和可信度。
进一步的,大气环境聚类区域的具体获得方法为:获取待进行大气环境监测的指定地区中所有监测设备的地理坐标位置数据;确定聚类半径以及密度阈值;根据各个监测设备的地理坐标位置数据,使用密度聚类算法对监测设备的坐标位置进行分析;根据聚类分析的结果,将每个聚类记为一个大气环境区域。
在本实施例中,密度聚类算法指的是DBSCAN(Density-Based SpatialClustering of Applications with Noise),该算法可以通过定义邻域内的数据点密度来识别聚类,同时还可以检测噪声点,从而将大气环境监测设备的地理坐标位置分析成不同的大气环境区域,帮助实现聚类分析。
进一步的,环境质量监测综合指数的具体分析方法为:为待进行大气环境监测的指定地区中的各个大气环境聚类区域编号;获取各个大气环境聚类区域对应的环境监测指数数据;构建环境质量监测综合指数模型公式;具体的环境质量监测综合指数模型公式为:式中,Ψ为环境质量监测综合指数,e为自然常数,/>和/>分别为第q个大气环境聚类区域对应的温度湿度指数、紫外线指数、大气压力指数、污染物浓度指数和风速监测指数,q为大气环境聚类区域的编号,q=1,2,...,Q,Q为大气环境聚类区域的总数,ε1,ε2,ε3,ε4和ε5分别为温度湿度指数、紫外线指数、大气压力指数、污染物浓度指数和风速监测指数在环境质量监测综合指数中的权重系数,ζ为环境质量监测综合指数的修正因子。
在本实施例中,在环境质量监测综合指数模型中引入温度湿度指数、紫外线指数、大气压力指数、污染物浓度指数和风速监测指数的作用是为了更全面地综合考虑多个环境指标,以更准确地反映大气环境的整体情况。
进一步的,温度湿度指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的温度数据和湿度数据,并分别为其编号;构建温度湿度指数模型公式;具体的温度湿度指数模型公式为:式中,/>为第q个大气环境聚类区域中第i个温度数据,i为温度数据的编号,i=1,2,...,I,I为温度数据总数,/>为第q个大气环境聚类区域中第j个湿度数据,j为湿度数据的编号,j=1,2,...,J,J为湿度数据总数,α1为温度值在温度湿度指数中对应的权重系数,α2为湿度值在温度湿度指数中对应的权重系数,χ为温度和湿度的影响因子叠加值,δ为温度湿度指数的修正因子。
在本实施例中,温度和湿度是大气环境中的基本参数,它们影响人体的舒适度和生活质量。温度湿度指数可以用来评估大气中的温度和湿度情况,以确定热度和湿度对环境的影响。温度和湿度变化可以影响大气中的污染物扩散和稳定性。较高的温度和湿度可以改善空气质量,而较低的温度和湿度可能导致污染物滞留在大气中,影响空气质量。温度和湿度还是天气预测的关键参数。它们影响云层形成、降水、露点和其他气象条件。高湿度通常与降雨相关,而低湿度则可能导致干旱。在大气环境监测中,将温度和湿度纳入综合评估模型以更全面地理解大气环境的状况。
进一步的,紫外线指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的太阳辐射值、云覆盖率和大气透明度,并分别为其编号;构建紫外线指数模型公式;具体的紫外线指数模型公式为:式中,/>为第q个大气环境聚类区域中第m个太阳辐射值,m为太阳辐射值的编号,m=1,2,...,M,M为太阳辐射值总数,β1为太阳辐射值在紫外线指数中对应的权重系数,/>为第q个大气环境聚类区域中第n个云覆盖率,n为云覆盖率的编号,n=1,2,...,N,N为云覆盖率总数,β2为云覆盖率在紫外线指数中对应的权重系数,/>为第q个大气环境聚类区域中第o个大气透明度,o为大气透明度的编号,o=1,2,...,O,O为大气透明度总数,β3为大气透明度在紫外线指数中对应的权重系数,γ为紫外线指数的修正系数。
在本实施例中,紫外线辐射是太阳辐射的一部分,对皮肤和眼睛有潜在的危害。紫外线指数反映了大气环境中的紫外线辐射强度,这对健康和环境都具有重要意义,根据其提供有关紫外线辐射水平的信息,有助于人们采取防晒措施来保护自己。通过考虑太阳辐射值、云覆盖率和大气透明度,紫外线指数模型可以更准确地反映紫外线辐射的强度,有助于评估紫外线对人体和环境的潜在风险。较高的太阳辐射值意味着更强烈的紫外线辐射,可能导致更高的紫外线指数,从而对人体和环境产生更大的潜在影响。云覆盖率表示天空中云层的覆盖程度。云层可以吸收、散射或反射紫外线辐射,从而减轻地表的紫外线辐射强度。云覆盖率对紫外线指数的高低有显著影响,较高的云覆盖率通常会减少紫外线辐射,从而导致较低的紫外线指数。大气透明度表示大气对光线的透明程度。透明度较高的大气能够更好地传递紫外线辐射。
进一步的,大气压力指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的海拔数据和大气压力数据,并分别为其编号;构建大气压力指数模型公式;具体的大气压力指数模型公式为:式中,AHq为第q个大气环境聚类区域对应的海拔数据,/>为标准海拔数据,φ1为海拔数据在大气压力指数中对应的权重系数,APq为第q个大气环境聚类区域对应的大气压力数据,/>为标准大气压力数据,φ2为大气压力数据在大气压力指数中对应的权重系数,λ为大气压力指数的修正系数。
在本实施例中,海拔对大气环境具有重要影响,因为随着海拔的增加,大气压力和气温通常下降,同时氧气浓度也减小。大气压力通常受天气***的影响,如气旋和气压***。变化的大气压力可以影响天气条件和风的方向。高气压通常意味着晴朗的天气,而低气压通常伴随着降雨和风暴。
进一步的,污染物浓度指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的颗粒物浓度指数、硫氧化物浓度值、氮氧化物浓度值、一氧化碳浓度值和挥发性有机化合物浓度值,并分别为其编号;构建污染物浓度指数模型公式;具体的污染物浓度指数模型公式为:式中,Θq为第q个大气环境聚类区域对应的颗粒物浓度指数,/>为颗粒物浓度值在污染物浓度指数中对应的权重系数,SOq、NOq和COq分别为第q个大气环境聚类区域对应的硫氧化物浓度值、氮氧化物浓度值、一氧化碳浓度值,/>为硫氧化物浓度值、氮氧化物浓度值、一氧化碳浓度值在污染物浓度指数中对应的权重叠加系数,VOq为第q个大气环境聚类区域对应的挥发性有机化合物浓度值,/>为挥发性有机化合物浓度值在污染物浓度指数中对应的权重系数,θ为污染物浓度指数的修正系数。
在本实施例中,颗粒物通常包括可吸入颗粒物(PM10)和细颗粒物(PM2.5),它们对大气环境和健康产生重要影响。高浓度的颗粒物会降低空气质量,对人体呼吸道和心血管***产生危害。因此,颗粒物浓度对于大气环境监测至关重要。硫氧化物是大气中的一类污染物,通常来自燃烧过程。高硫氧化物浓度可以导致酸雨形成,对水体和土壤产生负面影响,同时也对人体的呼吸***和环境产生危害。氮氧化物也是大气中的污染物,来源包括交通尾气和工业排放。高浓度的氮氧化物与空气污染和光化学烟雾的形成有关,对人体和植被产生不利影响。一氧化碳是一种有毒气体,主要来自燃烧过程,如汽车尾气。高一氧化碳浓度对人体呼吸***和健康产生危害,也影响大气质量。挥发性有机化合物是一类多样的化合物,包括溶剂和挥发性有机化合物排放。它们与臭氧生成和空气污染相关,对健康和环境产生危害。通过监测和综合这些污染物的浓度,可以更好地了解大气环境中的污染水平,提供有关空气质量和潜在危险的信息。污染物浓度指数有助于综合评估大气环境的污染情况,为制定污染防控政策和改善空气质量提供支持。
进一步的,颗粒物浓度指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的PM2.5颗粒物浓度值和PM10颗粒物浓度值,并分别为其编号;构建颗粒物浓度指数模型公式;具体的颗粒物浓度指数模型公式为:式中,/>为第q个大气环境聚类区域对应的PM2.5颗粒物浓度值,η1为PM2.5颗粒物浓度值在颗粒物浓度指数中对应的权重系数,/>为第q个大气环境聚类区域对应的PM10颗粒物浓度值,η2为PM10颗粒物浓度值在颗粒物浓度指数中对应的权重系数,τ为颗粒物浓度指数的修正系数。
在本实施例中,PM2.5颗粒物是细小的颗粒,可以悬浮在空气中较长时间,对空气质量和健康影响较大。高浓度的PM2.5颗粒物会降低空气质量,对呼吸道和心血管***产生危害。PM10颗粒物包括较大的颗粒,对空气质量和健康也有一定影响,尤其是对呼吸***。这些颗粒物是大气污染的主要成分之一,对空气质量和健康产生直接影响。它们通常与呼吸道疾病、心血管问题和其他健康影响有关。通过监测和综合这些颗粒物的浓度,以更好地了解大气环境中的颗粒物污染水平,为大气环境质量评估和环境保护提供支持。
进一步的,风速监测指数的具体分析方法为:提取每个大气环境聚类区域对应的大气环境数据中的平均风速建筑物所占面积、平原所占面积和山脉所占面积,并分别为其编号;构建风速监测指数模型公式;具体的风速监测指数模型公式为:式中,/>为第q个大气环境聚类区域对应的平均风速,μ1为平均风速在风速监测指数中对应的权重系数,SJRq、SPYq和SMTq分别为第q个大气环境聚类区域对应的建筑物所占面积、平原所占面积和山脉所占面积,μ2、μ3和μ4分别为建筑物所占面积、平原所占面积和山脉所占面积在风速监测指数中对应的权重系数,σ为风速监测指数的修正系数。
在本实施例中,平均风速对大气环境监测有重要作用,因为风速直接影响大气混合和污染物扩散。较高的平均风速有助于将污染物分散,改善空气质量。建筑物的分布和密度会影响地区的大气环境,建筑物可以改变风的流动方式,影响大气的对流和污染物扩散。平原地区通常拥有较平坦的地形,风速可能较高,有助于空气的混合和污染物的扩散。山脉地区通常地形复杂,风速可能较低,造成污染物滞留的可能性较高。
进一步的,环境异常点的具体分析方法为:为环境监测指数数据定义允许阈值,当存在环境监测指数数据超出允许阈值后,将该环境监测指数数据进行标记并预警;设置每个大气环境聚类区域内环境质量监测指数的参考值和标准差,当环境质量监测指数与参考值的差值不低于标准差时,将环境质量监测指数进行标记并预警。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:相对于公告号为:CN115326661B的发明专利公告的一种基于大气环境的监测方法、***和可读存储介质,本申请实施例通过对大气环境分区域监测,并根据监测得出的环境监测指数数据综合分析出环境质量监测综合指数,从而综合温度湿度指数、紫外线指数、大气压力指数、污染物浓度指数和风速监测指数对大气环境进行评估,进而实现了对指定地区的大气环境进行全面性监测;相对于公开号为:CN110895526A的发明专利公开的一种大气监测***中数据异常的修正方法,本申请实施例通过环境质量监测综合指数分析出大气环境聚类区域中的异常点,并及时发出警报,从而快速响应环境问题,采取必要的措施来改善环境质量,进而实现了减少潜在的风险和危害。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于聚类算法的大气环境监测方法,其特征在于,包括以下步骤:
将待进行大气环境监测的指定地区通过聚类算法对各个监测设备的坐标进行聚类分析,得到不同的大气环境聚类区域;
获取各个大气环境聚类区域中各个监测设备收集到的大气环境数据,同时对大气环境数据进行实时质量控制和预处理;
对于每个大气环境聚类区域根据大气环境数据分析出环境监测指数数据,所述环境监测指数数据包括温度湿度指数、紫外线指数、大气压力指数、污染物浓度指数和风速监测指数;
根据环境指数数据计算出环境质量监测综合指数;
根据环境质量监测指数分析出大气环境聚类区域的环境异常点,并发出警报;
所述环境质量监测综合指数的具体分析方法为:
为待进行大气环境监测的指定地区中的各个大气环境聚类区域编号;
获取各个大气环境聚类区域对应的环境监测指数数据;
构建环境质量监测综合指数模型公式;
具体的环境质量监测综合指数模型公式为:
式中,Ψ为环境质量监测综合指数,e为自然常数,和/>分别为第q个大气环境聚类区域对应的温度湿度指数、紫外线指数、大气压力指数、污染物浓度指数和风速监测指数,q为大气环境聚类区域的编号,q=1,2,...,Q,Q为大气环境聚类区域的总数,ε1,ε2,ε3,ε4和ε5分别为温度湿度指数、紫外线指数、大气压力指数、污染物浓度指数和风速监测指数在环境质量监测综合指数中的权重系数,ζ为环境质量监测综合指数的修正因子;
所述温度湿度指数的具体分析方法为:
提取每个大气环境聚类区域对应的大气环境数据中的温度数据和湿度数据,并分别为其编号;
构建温度湿度指数模型公式;
具体的温度湿度指数模型公式为:
式中,为第q个大气环境聚类区域中第i个温度数据,i为温度数据的编号,i=1,2,...,I,I为温度数据总数,/>为第q个大气环境聚类区域中第j个湿度数据,j为湿度数据的编号,j=1,2,...,J,J为湿度数据总数,α1为温度值在温度湿度指数中对应的权重系数,α2为湿度值在温度湿度指数中对应的权重系数,χ为温度和湿度的影响因子叠加值,δ为温度湿度指数的修正因子。
2.如权利要求1所述基于聚类算法的大气环境监测方法,其特征在于,所述大气环境聚类区域的具体获得方法为:
获取待进行大气环境监测的指定地区中所有监测设备的地理坐标位置数据;
确定聚类半径以及密度阈值;
根据各个监测设备的地理坐标位置数据,使用密度聚类算法对监测设备的坐标位置进行分析;
根据聚类分析的结果,将每个聚类记为一个大气环境区域。
3.如权利要求2所述基于聚类算法的大气环境监测方法,其特征在于,所述紫外线指数的具体分析方法为:
提取每个大气环境聚类区域对应的大气环境数据中的太阳辐射值、云覆盖率和大气透明度,并分别为其编号;
构建紫外线指数模型公式;
具体的紫外线指数模型公式为:
式中,为第q个大气环境聚类区域中第m个太阳辐射值,m为太阳辐射值的编号,m=1,2,...,M,M为太阳辐射值总数,β1为太阳辐射值在紫外线指数中对应的权重系数,为第q个大气环境聚类区域中第n个云覆盖率,n为云覆盖率的编号,n=1,2,...,N,N为云覆盖率总数,β2为云覆盖率在紫外线指数中对应的权重系数,/>为第q个大气环境聚类区域中第o个大气透明度,o为大气透明度的编号,o=1,2,...,O,O为大气透明度总数,β3为大气透明度在紫外线指数中对应的权重系数,γ为紫外线指数的修正系数。
4.如权利要求3所述基于聚类算法的大气环境监测方法,其特征在于,所述大气压力指数的具体分析方法为:
提取每个大气环境聚类区域对应的大气环境数据中的海拔数据和大气压力数据,并分别为其编号;
构建大气压力指数模型公式;
具体的大气压力指数模型公式为:
式中,AHq为第q个大气环境聚类区域对应的海拔数据,为标准海拔数据,φ1为海拔数据在大气压力指数中对应的权重系数,APq为第q个大气环境聚类区域对应的大气压力数据,/>为标准大气压力数据,φ2为大气压力数据在大气压力指数中对应的权重系数,λ为大气压力指数的修正系数。
5.如权利要求4所述基于聚类算法的大气环境监测方法,其特征在于,所述污染物浓度指数的具体分析方法为:
提取每个大气环境聚类区域对应的大气环境数据中的颗粒物浓度指数、硫氧化物浓度值、氮氧化物浓度值、一氧化碳浓度值和挥发性有机化合物浓度值,并分别为其编号;
构建污染物浓度指数模型公式;
具体的污染物浓度指数模型公式为:
式中,Θq为第q个大气环境聚类区域对应的颗粒物浓度指数,为颗粒物浓度值在污染物浓度指数中对应的权重系数,SOq、NOq和COq分别为第q个大气环境聚类区域对应的硫氧化物浓度值、氮氧化物浓度值、一氧化碳浓度值,/>为硫氧化物浓度值、氮氧化物浓度值、一氧化碳浓度值在污染物浓度指数中对应的权重叠加系数,VOq为第q个大气环境聚类区域对应的挥发性有机化合物浓度值,/>为挥发性有机化合物浓度值在污染物浓度指数中对应的权重系数,θ为污染物浓度指数的修正系数。
6.如权利要求5所述基于聚类算法的大气环境监测方法,其特征在于,所述颗粒物浓度指数的具体分析方法为:
提取每个大气环境聚类区域对应的大气环境数据中的PM2.5颗粒物浓度值和PM10颗粒物浓度值,并分别为其编号;
构建颗粒物浓度指数模型公式;
具体的颗粒物浓度指数模型公式为:
式中,为第q个大气环境聚类区域对应的PM2.5颗粒物浓度值,η1为PM2.5颗粒物浓度值在颗粒物浓度指数中对应的权重系数,/>为第q个大气环境聚类区域对应的PM10颗粒物浓度值,η2为PM10颗粒物浓度值在颗粒物浓度指数中对应的权重系数,τ为颗粒物浓度指数的修正系数。
7.如权利要求6所述基于聚类算法的大气环境监测方法,其特征在于,所述风速监测指数的具体分析方法为:
提取每个大气环境聚类区域对应的大气环境数据中的平均风速建筑物所占面积、平原所占面积和山脉所占面积,并分别为其编号;
构建风速监测指数模型公式;
具体的风速监测指数模型公式为:
式中,为第q个大气环境聚类区域对应的平均风速,μ1为平均风速在风速监测指数中对应的权重系数,SJRq、SPYq和SMTq分别为第q个大气环境聚类区域对应的建筑物所占面积、平原所占面积和山脉所占面积,μ2、μ3和μ4分别为建筑物所占面积、平原所占面积和山脉所占面积在风速监测指数中对应的权重系数,σ为风速监测指数的修正系数。
8.如权利要求1所述基于聚类算法的大气环境监测方法,其特征在于,所述环境异常点的具体分析方法为:
为环境监测指数数据定义允许阈值,当存在环境监测指数数据超出允许阈值后,将该环境监测指数数据进行标记并预警;
设置每个大气环境聚类区域内环境质量监测指数的参考值和标准差,当环境质量监测指数与参考值的差值不低于标准差时,将环境质量监测指数进行标记并预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515996.5A CN117540229B (zh) | 2023-11-15 | 2023-11-15 | 一种基于聚类算法的大气环境监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515996.5A CN117540229B (zh) | 2023-11-15 | 2023-11-15 | 一种基于聚类算法的大气环境监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117540229A CN117540229A (zh) | 2024-02-09 |
CN117540229B true CN117540229B (zh) | 2024-04-30 |
Family
ID=89781915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311515996.5A Active CN117540229B (zh) | 2023-11-15 | 2023-11-15 | 一种基于聚类算法的大气环境监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540229B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003281671A (ja) * | 2002-03-20 | 2003-10-03 | Nippon Telegr & Teleph Corp <Ntt> | マルチセンシング大気環境モニタリングシステム装置及びモニタリング方法 |
CN112232251A (zh) * | 2020-10-24 | 2021-01-15 | 兰州旭阳祥辉科技有限公司 | 一种基于互联网的环境监测方法、***、存储介质及设备 |
CN113804829A (zh) * | 2021-08-20 | 2021-12-17 | 重庆市生态环境监测中心 | 一种大气污染天空地一体化实时监测***及方法 |
CN115326661A (zh) * | 2022-10-12 | 2022-11-11 | 深圳市源清环境技术服务有限公司 | 一种基于大气环境的监测方法、***和可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110410931B (zh) * | 2019-08-06 | 2020-04-28 | 重庆大学 | 基于多参数评价的室内空气环境质量协调控制***及方法 |
-
2023
- 2023-11-15 CN CN202311515996.5A patent/CN117540229B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003281671A (ja) * | 2002-03-20 | 2003-10-03 | Nippon Telegr & Teleph Corp <Ntt> | マルチセンシング大気環境モニタリングシステム装置及びモニタリング方法 |
CN112232251A (zh) * | 2020-10-24 | 2021-01-15 | 兰州旭阳祥辉科技有限公司 | 一种基于互联网的环境监测方法、***、存储介质及设备 |
CN113804829A (zh) * | 2021-08-20 | 2021-12-17 | 重庆市生态环境监测中心 | 一种大气污染天空地一体化实时监测***及方法 |
CN115326661A (zh) * | 2022-10-12 | 2022-11-11 | 深圳市源清环境技术服务有限公司 | 一种基于大气环境的监测方法、***和可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于开源物联网平台的环境监测***设计;陈凯;谭宋;朱恒;;电子技术与软件工程;20180810(15);第47-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117540229A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125641B (zh) | 一种大气污染异常识别与成因分析方法、装置及存储介质 | |
CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
CN111507610A (zh) | 一种土壤重金属污染的累积性环境风险预警方法 | |
CN112906941B (zh) | 面向动态相关空气质量时间序列的预测方法及*** | |
CN110261272B (zh) | 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法 | |
CN112461799B (zh) | 一种获取高速公路团雾能见度的方法及装置 | |
CN111413297A (zh) | 能见度测量方法、装置、计算机设备及存储介质 | |
Yusuf et al. | Spatial patterns of urban air pollution in an industrial estate, Lagos, Nigeria | |
Hernandez et al. | Analysis of the information obtained from PM 2.5 concentration measurements in an urban park | |
Sun et al. | Classification of circulation patterns during the formation and dissipation of continuous pollution weather over the Sichuan Basin, China | |
CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
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 | |
Fattah et al. | Multi-sensor system and internet of things (IoT) technologies for air pollution monitoring | |
CN115358647A (zh) | 基于大数据的氢能产业链风险监测***及监测方法 | |
CN114295778B (zh) | 一种基于火电厂烟气排放质量评价方法及评价*** | |
CN117540229B (zh) | 一种基于聚类算法的大气环境监测方法 | |
CN112986497B (zh) | 基于气体传感器阵列指纹识别的污染气体溯源方法 | |
CN113485218A (zh) | 一种基于5g的智慧物联监管平台 | |
CN117310093A (zh) | 基于物联网的大气环境监测*** | |
CN109613179B (zh) | 累积高值区的确定方法 | |
CN117312784A (zh) | 一种基于受体模型和大数据联用的污染源溯源方法 | |
CN116644957A (zh) | 一种基于气象和环境监测数据的城市空气污染预警方法 | |
Saritha et al. | Determination of Crisis on Climatic Fluctuations and Smog Deterioration by Categorizing the Condition Using Predictive Analytics | |
CN114582083A (zh) | 一种隧道监控多传感器数据融合火灾预警方法 | |
ULAVI et al. | Regression modelling for predicting visibility in a tropical urban environment |
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 |