CN117591907B - 基于密集型空气质量微站监测的污染发生及传播感知方法 - Google Patents

基于密集型空气质量微站监测的污染发生及传播感知方法 Download PDF

Info

Publication number
CN117591907B
CN117591907B CN202410075193.0A CN202410075193A CN117591907B CN 117591907 B CN117591907 B CN 117591907B CN 202410075193 A CN202410075193 A CN 202410075193A CN 117591907 B CN117591907 B CN 117591907B
Authority
CN
China
Prior art keywords
data
monitoring
peak
pollution
air quality
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
Application number
CN202410075193.0A
Other languages
English (en)
Other versions
CN117591907A (zh
Inventor
韩科
唐竟瑀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Guolan Zhongtian Environmental Technology Group Co ltd
Original Assignee
Sichuan Guolan Zhongtian Environmental Technology Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Guolan Zhongtian Environmental Technology Group Co ltd filed Critical Sichuan Guolan Zhongtian Environmental Technology Group Co ltd
Priority to CN202410075193.0A priority Critical patent/CN117591907B/zh
Publication of CN117591907A publication Critical patent/CN117591907A/zh
Application granted granted Critical
Publication of CN117591907B publication Critical patent/CN117591907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (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 & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Sampling And Sample Adjustment (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于密集型空气质量微站监测的污染发生及传播感知方法，涉及环境污染物监测领域，包括以下步骤：获取空气质量微站监测数据中的峰值数据；基于固定站点数据对峰值数据进行校正，并通过聚类获取局部污染区域；对每个局部污染区域中的所有空气质量微站的峰值数据进行比较，通过极大似然估计方法计算最有可能的污染中心点；通过峰值数据与污染中心点的空间关系和各峰值数据之间的污染物时间序列数据计算出污染传播方向。本发明合理有效地利用大气监测网的数据，结合空间和时间的信息，通过对多个空气质量微站数据进行联合挖掘，提取出趋势和峰值等有用信息，进而提升对随机噪音的鲁棒性，并分析出概率最大的污染传播方向。

Description

基于密集型空气质量微站监测的污染发生及传播感知方法
技术领域
本发明涉及环境污染物监测领域，具体涉及一种基于密集型空气质量微站监测的污染发生及传播感知方法。
背景技术
以更高标准保证环境监测数据“真、准、全、快、新”为根基，健全科学独立权威高效的生态环境监测体系为主线，巩固环境质量监测、强化污染源监测、拓展生态质量监测，全面推进生态环境监测从数量规模型向质量效能型跨越，提高生态环境监测现代化水平是当前环境监测的目标。
但是目前环境监测数据需要克服的问题包括：
1、国控站、省控站等固定站建设成本大，数量少，无法做到全域监测和局部污染的监测；
2、自建空气质量微站成本低，数量较多，但数据质控有限、数据间不可直接对比、存在个别站点对局部偶然污染较为敏感等问题。
因此，若仅以固定站的数据作为监测依据，则会导致无法实现局部监测的问题；若以空气质量微站的数据作为监测依据，则会导致监测结果可靠性低的问题。
发明内容
针对现有技术中的上述不足，本发明提供的基于密集型空气质量微站监测的污染发生及传播感知方法结合固定站和空气质量微站的监测数据，对局部污染的产生进行定位并计算污染的传播方向，实现高可靠性的污染监测。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于密集型空气质量微站监测的污染发生及传播感知方法，其包括以下步骤：
S1、获取空气质量微站监测数据并进行挖掘，得到峰值数据；
S2、对监测区域进行网格化，基于固定站点数据对网格中的峰值数据进行校正和过滤，得到处理后的峰值数据；对处理后的峰值数据进行聚类生成局部污染区域；
S3、对每个局部污染区域中的所有空气质量微站的峰值数据进行比较，通过极大似然估计方法计算最有可能的污染中心点；
S4、通过峰值数据与污染中心点的空间关系和各峰值数据之间的污染物时间序列数据计算出污染传播方向。
进一步地，步骤S1的具体方法包括以下子步骤：
S1-1、获取空气质量微站的编号、点位和原始监测数据；
S1-2、对于每个空气质量微站的原始监测数据中的每一种污染物数据，通过将Savitzky-Golay滤波器对其进行毛刺滤波，得到每一种污染物的平滑数据；
S1-3、使用信号处理find_peaks方法，按显著性查找每一种污染物的平滑数据的峰值，得到每个空气质量微站的每一种污染物数据的峰值集合；
S1-4、保留每个空气质量微站的每一种污染物数据的峰值集合中高于峰值点平均值的点位，并获取其经纬度信息，得到峰值数据。
进一步地，步骤S1-2中Savitzky-Golay滤波器在进行毛刺滤波中的分割窗宽度为9，阶数为2。
进一步地，步骤S1-3中使用处理find_peaks方法按显著性查找每一种污染物的平滑数据的峰值过程中的距离参数设置为30。
进一步地，步骤S2的具体方法包括以下子步骤：
S2-1、对监测区域进行网格化，若空气质量微站所在网格的2km范围内存在固定监测站点则根据公式：
获取该空气质量微站校正后的峰值数据中的污染物监测值；否则直接保留相应空气质量微站的峰值数据中的污染物监测值；其中/>为固定监测站点的监测值；/>为在同一网格中位于固定监测站点2km范围以内的空气质量微站的峰值数据中的污染物监测值；/>为固定监测站点的权重；/>为空气质量微站的权重，/>，/>；空气质量微站与相应固定监测站点的距离越远，/>的取值越小；
S2-2、对空气质量微站和固定监测站点的污染物监测值进行空气指数计算，将空气指数超过50的站点数据进行保留并记为一个污染点；
S2-3、对所有污染点按经纬度通过K-means方法进行聚类，将聚类后的每一个类别记为一个污染区域，得到局部污染区域。
进一步地，步骤S3的具体方法包括以下子步骤：
S3-1、对于单个局部污染区域，根据污染物浓度设置峰值权重，根据峰值权重模拟每个峰值周围的坐标点，得到峰值坐标点集合；其中污染物浓度和峰值权重成正比，峰值权重和坐标点数量成正比；
S3-2、以峰值坐标点服从二维高斯分布为基础，通过极大似然估计方法计算峰值坐标点集合的中心坐标点，并将其作为最有可能的污染中心点。
进一步地，步骤S3-2中通过极大似然估计方法计算峰值坐标点集合的中心坐标点的具体方法为：
根据公式：
获取中心坐标点；其中n为峰值坐标点集合中峰值坐标点的总数；/>为第j个峰值坐标点的坐标值；/>为正态分布的标准差；π为圆周率；/>表示以10为底的对数；/>为中心坐标点的似然函数。
进一步地，步骤S4的具体方法包括以下子步骤：
S4-1、将中心点坐标记为，获取距离中心点坐标最近的一个峰值数据坐标，构建方向为/>到/>的向量/>；
S4-2、寻找满足向量与向量/>的夹角小于30°，且距离/>最近的峰值数据坐标点/>；其中向量/>的方向为/>到/>；
S4-3、获取峰值数据坐标对应的监测站点的监测序列/>和峰值数据坐标/>对应的监测站点的监测序列/>；其中监测站点包括空气质量微站和固定监测站点；/>为相应监测站点第m个小时的监测数据；/>为滞后阶数；/>为相应监测站点第/>个小时的监测数据；
S4-4、对监测序列和/>进行格兰杰因果检验，当检验结果小于设定的显著性水平时，判定监测序列/>的变化引起监测序列/>的变化，将/>到/>方向作为初步污染传播方向；
S4-5、将已选取为距离中心点坐标最近的一个峰值数据坐标除开，得到未选取峰值数据坐标集合；
S4-6、采用与步骤S4-1至步骤S4-5相同的方法，遍历未选取峰值数据坐标集合中的所有峰值数据坐标，得到若干初步污染传播方向；
S4-7、选取所有初步污染传播方向中对应的格兰杰因果检验最小的方向作为最终的污染传播方向。
本发明的有益效果为：本发明合理有效地利用大气监测网的数据，结合空间和时间的信息，可以在更高细粒度上抓住污染动态，通过对多个空气质量微站数据进行联合挖掘，提取出趋势和峰值等有用信息，进而提升对随机噪音的鲁棒性，并分析出概率最大的污染传播方向，可为相关部门的执法活动提供有效的辅助信息，提前规避风险，抑制污染的进一步传播。
附图说明
图1为本方法的流程示意图；
图2为实施例中空气质量微站原始PM2.5监测数据图；
图3为对图2的数据进行进行毛刺滤波后的数据图；
图4为基于图3的数据提取峰值点的结果示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该基于密集型空气质量微站监测的污染发生及传播感知方法包括以下步骤：
S1、获取空气质量微站监测数据并进行挖掘，得到峰值数据；
S2、对监测区域进行网格化，基于固定站点数据对网格中的峰值数据进行校正和过滤，得到处理后的峰值数据；对处理后的峰值数据进行聚类生成局部污染区域；
S3、对每个局部污染区域中的所有空气质量微站的峰值数据进行比较，通过极大似然估计方法计算最有可能的污染中心点；
S4、通过峰值数据与污染中心点的空间关系和各峰值数据之间的污染物时间序列数据计算出污染传播方向。
步骤S1的具体方法包括以下子步骤：
S1-1、获取空气质量微站的编号、点位和原始监测数据；
S1-2、对于每个空气质量微站的原始监测数据中的每一种污染物数据，通过将Savitzky-Golay滤波器对其进行毛刺滤波，得到每一种污染物的平滑数据；
S1-3、使用信号处理find_peaks方法，按显著性查找每一种污染物的平滑数据的峰值，得到每个空气质量微站的每一种污染物数据的峰值集合；
S1-4、保留每个空气质量微站的每一种污染物数据的峰值集合中高于峰值点平均值的点位，并获取其经纬度信息，得到峰值数据。
步骤S2的具体方法包括以下子步骤：
S2-1、对监测区域进行网格化，若空气质量微站所在网格的2km范围内存在固定监测站点则根据公式：
获取该空气质量微站校正后的峰值数据中的污染物监测值；否则直接保留相应空气质量微站的峰值数据中的污染物监测值；其中/>为固定监测站点的监测值；/>为在同一网格中位于固定监测站点2km范围以内的空气质量微站的峰值数据中的污染物监测值；/>为固定监测站点的权重；/>为空气质量微站的权重，/>，/>；空气质量微站与相应固定监测站点的距离越远，/>的取值越小；
S2-2、对空气质量微站和固定监测站点的污染物监测值进行空气指数计算，将空气指数超过50的站点数据进行保留并记为一个污染点；
S2-3、对所有污染点按经纬度通过K-means方法进行聚类，将聚类后的每一个类别记为一个污染区域，得到局部污染区域。
步骤S3的具体方法包括以下子步骤：
S3-1、对于单个局部污染区域，根据污染物浓度设置峰值权重，根据峰值权重模拟每个峰值周围的坐标点，得到峰值坐标点集合；其中污染物浓度和峰值权重成正比，峰值权重和坐标点数量成正比；
S3-2、以峰值坐标点服从二维高斯分布为基础，通过极大似然估计方法计算峰值坐标点集合的中心坐标点，并将其作为最有可能的污染中心点。
步骤S3-2中通过极大似然估计方法计算峰值坐标点集合的中心坐标点的具体方法为：
根据公式：
获取中心坐标点；其中n为峰值坐标点集合中峰值坐标点的总数；/>为第j个峰值坐标点的坐标值；/>为正态分布的标准差；π为圆周率；/>表示以10为底的对数；/>为中心坐标点的似然函数。
步骤S4的具体方法包括以下子步骤：
S4-1、将中心点坐标记为，获取距离中心点坐标最近的一个峰值数据坐标，构建方向为/>到/>的向量/>；
S4-2、寻找满足向量与向量/>的夹角小于30°，且距离/>最近的峰值数据坐标点/>；其中向量/>的方向为/>到/>；
S4-3、获取峰值数据坐标对应的监测站点的监测序列/>和峰值数据坐标/>对应的监测站点的监测序列/>；其中监测站点包括空气质量微站和固定监测站点；/>为相应监测站点第m个小时的监测数据；/>为滞后阶数；/>为相应监测站点第/>个小时的监测数据；
S4-4、对监测序列和/>进行格兰杰因果检验，当检验结果小于设定的显著性水平时，判定监测序列/>的变化引起监测序列/>的变化，将/>到/>方向作为初步污染传播方向；
S4-5、将已选取为距离中心点坐标最近的一个峰值数据坐标除开，得到未选取峰值数据坐标集合；
S4-6、采用与步骤S4-1至步骤S4-5相同的方法，遍历未选取峰值数据坐标集合中的所有峰值数据坐标，得到若干初步污染传播方向；
S4-7、选取所有初步污染传播方向中对应的格兰杰因果检验最小的方向作为最终的污染传播方向。
在本发明的一个实施例中，空气质量微站的每组监测数据包含了六种污染物（PM2.5、PM10、二氧化硫、一氧化碳、二氧化氮、臭氧）的监测数据，每一种污染物数据的处理方式相互独立且相同，以PM2.5为例，图2为原始pm2.5监测数据，可以看出其具有多个尖锐点，即存在较多毛刺。如图3所示，采用Savitzky-Golay滤波器对其进行毛刺滤波处理后，得到与原始数据走势相同的平滑数据。Savitzky-Golay滤波器的参数设置为：分割窗宽度为9，阶数为2。
接着使用信号处理find_peaks方法，按显著性查找峰值，设置查找参数：距离为30。经查找，得到该时间戳内，此站点PM2.5峰值点所在的横坐标如图4所示，图4中的圆点即为按显著性查找到的峰值点。再对这些峰值点进行过滤，仅保留高于所有峰值点均值的点位，并获取剩下数据所携带的经纬度信息，进而执行后续操作即可得到PM2.5的最终污染传播方向。
综上所述，本发明合理有效地利用大气监测网的数据，结合空间和时间的信息，可以在更高细粒度上抓住污染动态，通过对多个空气质量微站数据进行联合挖掘，提取出趋势和峰值等有用信息，进而提升对随机噪音的鲁棒性，并分析出概率最大的污染传播方向，可为相关部门的执法活动提供有效的辅助信息，提前规避风险，抑制污染的进一步传播。

Claims (5)

1.一种基于密集型空气质量微站监测的污染发生及传播感知方法，其特征在于，包括以下步骤：
S1、获取空气质量微站监测数据并进行挖掘，得到峰值数据；
S2、对监测区域进行网格化，基于固定站点数据对网格中的峰值数据进行校正和过滤，得到处理后的峰值数据；对处理后的峰值数据进行聚类生成局部污染区域；
S3、对每个局部污染区域中的所有空气质量微站的峰值数据进行比较，通过极大似然估计方法计算最有可能的污染中心点；
S4、通过峰值数据与污染中心点的空间关系和各峰值数据之间的污染物时间序列数据计算出污染传播方向；
步骤S3的具体方法包括以下子步骤：
S3-1、对于单个局部污染区域，根据污染物浓度设置峰值权重，根据峰值权重模拟每个峰值周围的坐标点，得到峰值坐标点集合；其中污染物浓度和峰值权重成正比，峰值权重和坐标点数量成正比；
S3-2、以峰值坐标点服从二维高斯分布为基础，通过极大似然估计方法计算峰值坐标点集合的中心坐标点，并将其作为最有可能的污染中心点；
步骤S3-2中通过极大似然估计方法计算峰值坐标点集合的中心坐标点的具体方法为：
根据公式：
获取中心坐标点；其中n为峰值坐标点集合中峰值坐标点的总数；/>为第j个峰值坐标点的坐标值；/>为正态分布的标准差；π为圆周率；/>表示以10为底的对数；为中心坐标点的似然函数；
步骤S4的具体方法包括以下子步骤：
S4-1、将中心点坐标记为，获取距离中心点坐标最近的一个峰值数据坐标，构建方向为/>到/>的向量/>；
S4-2、寻找满足向量与向量/>的夹角小于30°，且距离/>最近的峰值数据坐标点；其中向量/>的方向为/>到/>；
S4-3、获取峰值数据坐标对应的监测站点的监测序列/> 和峰值数据坐标/>对应的监测站点的监测序列/>；其中监测站点包括空气质量微站和固定监测站点；/>为相应监测站点第m个小时的监测数据；/>为滞后阶数；/>为相应监测站点第/>个小时的监测数据；
S4-4、对监测序列和/>进行格兰杰因果检验，当检验结果小于设定的显著性水平时，判定监测序列/>的变化引起监测序列/>的变化，将/>到/>方向作为初步污染传播方向；
S4-5、将已选取为距离中心点坐标最近的一个峰值数据坐标除开，得到未选取峰值数据坐标集合；
S4-6、采用与步骤S4-1至步骤S4-5相同的方法，遍历未选取峰值数据坐标集合中的所有峰值数据坐标，得到若干初步污染传播方向；
S4-7、选取所有初步污染传播方向中对应的格兰杰因果检验最小的方向作为最终的污染传播方向。
2.根据权利要求1所述的基于密集型空气质量微站监测的污染发生及传播感知方法，其特征在于，步骤S1的具体方法包括以下子步骤：
S1-1、获取空气质量微站的编号、点位和原始监测数据；
S1-2、对于每个空气质量微站的原始监测数据中的每一种污染物数据，通过将Savitzky-Golay滤波器对其进行毛刺滤波，得到每一种污染物的平滑数据；
S1-3、使用信号处理find_peaks方法，按显著性查找每一种污染物的平滑数据的峰值，得到每个空气质量微站的每一种污染物数据的峰值集合；
S1-4、保留每个空气质量微站的每一种污染物数据的峰值集合中高于峰值点平均值的点位，并获取其经纬度信息，得到峰值数据。
3.根据权利要求2所述的基于密集型空气质量微站监测的污染发生及传播感知方法，其特征在于，步骤S1-2中Savitzky-Golay滤波器在进行毛刺滤波中的分割窗宽度为9，阶数为2。
4.根据权利要求2所述的基于密集型空气质量微站监测的污染发生及传播感知方法，其特征在于，步骤S1-3中使用处理find_peaks方法按显著性查找每一种污染物的平滑数据的峰值过程中的距离参数设置为30。
5.根据权利要求1所述的基于密集型空气质量微站监测的污染发生及传播感知方法，其特征在于，步骤S2的具体方法包括以下子步骤：
S2-1、对监测区域进行网格化，若空气质量微站所在网格的2km范围内存在固定监测站点则根据公式：
获取该空气质量微站校正后的峰值数据中的污染物监测值；否则直接保留相应空气质量微站的峰值数据中的污染物监测值；其中/>为固定监测站点的监测值；/>为在同一网格中位于固定监测站点2km范围以内的空气质量微站的峰值数据中的污染物监测值；/>为固定监测站点的权重；/>为空气质量微站的权重，/>，/>；空气质量微站与相应固定监测站点的距离越远，/>的取值越小；
S2-2、对空气质量微站和固定监测站点的污染物监测值进行空气指数计算，将空气指数超过50的站点数据进行保留并记为一个污染点；
S2-3、对所有污染点按经纬度通过K-means方法进行聚类，将聚类后的每一个类别记为一个污染区域，得到局部污染区域。
CN202410075193.0A 2024-01-18 2024-01-18 基于密集型空气质量微站监测的污染发生及传播感知方法 Active CN117591907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410075193.0A CN117591907B (zh) 2024-01-18 2024-01-18 基于密集型空气质量微站监测的污染发生及传播感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410075193.0A CN117591907B (zh) 2024-01-18 2024-01-18 基于密集型空气质量微站监测的污染发生及传播感知方法

Publications (2)

Publication Number Publication Date
CN117591907A CN117591907A (zh) 2024-02-23
CN117591907B true CN117591907B (zh) 2024-03-26

Family

ID=89910289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410075193.0A Active CN117591907B (zh) 2024-01-18 2024-01-18 基于密集型空气质量微站监测的污染发生及传播感知方法

Country Status (1)

Country Link
CN (1) CN117591907B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108318630A (zh) * 2018-02-06 2018-07-24 济宁中科云天环保科技有限公司 一种城市空气质量实时监测***和预警方法
CN108469273A (zh) * 2018-02-27 2018-08-31 济宁中科云天环保科技有限公司 基于机器学习算法的云端数据联调校准方法
CN109325616A (zh) * 2018-09-01 2019-02-12 哈尔滨工程大学 一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法
CN110766191A (zh) * 2019-08-27 2020-02-07 东华理工大学 一种基于时空克里金插值的新增pm2.5固定监测站点选址方法
CN111220782A (zh) * 2020-03-26 2020-06-02 泛测（北京）环境科技有限公司 一种道路上空大气中颗粒污染物检测报警***
CN114359002A (zh) * 2022-03-21 2022-04-15 四川国蓝中天环境科技集团有限公司 基于移动监测趋势挖掘的大气污染小尺度溯源方法及***
CN114997499A (zh) * 2022-06-07 2022-09-02 浙江工业大学 一种半监督学习下的城市颗粒物浓度时空预测方法
WO2022217839A1 (zh) * 2021-04-14 2022-10-20 江南大学 一种基于深度时空相似性的空气质量预测方法
CN115269675A (zh) * 2022-06-15 2022-11-01 浙江工业大学 工业园区大气污染时空解析方法
CN115561408A (zh) * 2022-11-17 2023-01-03 河北先河环保科技股份有限公司 空气污染预警方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220099256A (ko) * 2021-01-06 2022-07-13 삼성전자주식회사 웨이퍼 불량 특성별 분포 출력 장치 및 이의 동작 방법

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108318630A (zh) * 2018-02-06 2018-07-24 济宁中科云天环保科技有限公司 一种城市空气质量实时监测***和预警方法
CN108469273A (zh) * 2018-02-27 2018-08-31 济宁中科云天环保科技有限公司 基于机器学习算法的云端数据联调校准方法
CN109325616A (zh) * 2018-09-01 2019-02-12 哈尔滨工程大学 一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法
CN110766191A (zh) * 2019-08-27 2020-02-07 东华理工大学 一种基于时空克里金插值的新增pm2.5固定监测站点选址方法
CN111220782A (zh) * 2020-03-26 2020-06-02 泛测（北京）环境科技有限公司 一种道路上空大气中颗粒污染物检测报警***
WO2022217839A1 (zh) * 2021-04-14 2022-10-20 江南大学 一种基于深度时空相似性的空气质量预测方法
CN114359002A (zh) * 2022-03-21 2022-04-15 四川国蓝中天环境科技集团有限公司 基于移动监测趋势挖掘的大气污染小尺度溯源方法及***
CN114997499A (zh) * 2022-06-07 2022-09-02 浙江工业大学 一种半监督学习下的城市颗粒物浓度时空预测方法
CN115269675A (zh) * 2022-06-15 2022-11-01 浙江工业大学 工业园区大气污染时空解析方法
CN115561408A (zh) * 2022-11-17 2023-01-03 河北先河环保科技股份有限公司 空气污染预警方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于簇核心区域的聚类算法研究及在大气污染中的应用;谢越;中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑;20240115(第第2024 年01期期);B027-1153 *

Also Published As

Publication number Publication date
CN117591907A (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
CN112749478A (zh) 一种基于高斯扩散模型大气污染溯源扩散分析***及方法
CN107247761B (zh) 基于位图的轨迹编码方法
CN109214422B (zh) 基于dcgan的停车数据修补方法、装置、设备及存储介质
CN109446243B (zh) 一种基于大数据分析检测光伏电站发电异常的方法
CN116626233A (zh) 基于多源数据融合的大气污染溯源方法、终端及存储介质
CN115983725B (zh) 一种基于移动站监测数据的污染物空间分布趋势挖掘方法
Wan et al. Industrial pollution areas detection and location via satellite-based IIoT
CN108414690A (zh) 一种参数确定方法及其相关设备
CN111615061A (zh) 移动终端轨迹数据的去噪方法及装置
CN109115949B (zh) 基于大数据的污染溯源方法及计算机可读介质
CN114781510A (zh) 一种故障定位方法、装置、***和存储介质
CN115436573A (zh) 一种大气污染源智能监测方法及装置
CN117591907B (zh) 基于密集型空气质量微站监测的污染发生及传播感知方法
CN116228501B (zh) 排污超标区域行业确定方法、装置、存储介质及电子设备
CN116757506A (zh) 秸秆焚烧指导方法、装置、存储介质及电子设备
CN116681562A (zh) 河流污染溯源方法及装置
CN116701556A (zh) 基于滑动窗口的内河船舶横驶行为语义检测方法及装置
CN111175446A (zh) 一种气体溯源方法及装置
CN116861339A (zh) 一种基于机器学习识别船舶工况以提升船舶碳污排放量估算精度的方法
CN112505247B (zh) 空气质量分析方法、装置、设备及存储介质
CN113225391B (zh) 基于滑动窗口异常检测的大气环境监测质量监控方法及计算设备
CN108037541A (zh) 高压直流输电对地磁观测干扰自判断优化处理方法及***
CN114881472A (zh) 机动车排放对空气质量影响的分析方法、装置及设备
CN118169339B (zh) 基于多源数据的周边污染源溯源方法、装置、介质及设备
CN114025375A (zh) 基于蜂窝分布识别技术的5g跟踪区异常检测方法及其***

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