CN117969769B - 基于传感技术的大气污染物含量监测方法 - Google Patents
基于传感技术的大气污染物含量监测方法 Download PDFInfo
- Publication number
- CN117969769B CN117969769B CN202410372092.XA CN202410372092A CN117969769B CN 117969769 B CN117969769 B CN 117969769B CN 202410372092 A CN202410372092 A CN 202410372092A CN 117969769 B CN117969769 B CN 117969769B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- points
- point
- interpolation
- monitoring points
- 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 490
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 53
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 5
- 239000000356 contaminant Substances 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000000809 air pollutant Substances 0.000 claims description 3
- 231100001243 air pollutant Toxicity 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 150000003464 sulfur compounds Chemical class 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910017464 nitrogen compound Inorganic materials 0.000 description 1
- 150000002830 nitrogen compounds Chemical class 0.000 description 1
- 239000000791 photochemical oxidant Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于传感技术的大气污染物含量监测方法,包括:获取监测点对应的监测数据序列,将区域内任意一个非监测点的地点,记为插值点;获取每个监测点对应的参考监测点,根据监测点和对应参考监测点之间的监测数据序列的差异,获取每个监测点空间复杂度;从所有监测点中筛选出插值点对应的对照监测点,获取插值点的空间复杂度;获取插值点的每个对照监测点在插值法中的综合权重,获取插值点对应的加权监测数据序列;根据插值点对应的加权监测数据序列,获取插值点的大气污染物检测结果。本发明通过计算插值点的每个对照监测点在插值法中的综合权重,提高了大气污染物监测结果的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于传感技术的大气污染物含量监测方法。
背景技术
在当前的环境监测领域,大气污染物含量的准确监测与预测对于保护环境和人类健康至关重要。但是在实际的监测过程中,监测站点的分布数量有限的情况下,往往需要对大气污染物浓度监测区域进行空间插值,以推算未监测区域的浓度。
目前常用的传统的插值方法有如反距离插值法,它被广泛应用于空间数据的估算和插值,但在实际应用中,反距离插值法在处理大气污染物含量监测时,通常假设空间属性是单一的,这意味着整个区域内的变化是均匀的。然而,实际上,大气污染物分布受到多种因素的影响,实际的空间属性是复杂的,因此使用传统的反距离插值法进行插值往往容易受到空间属性不均匀的影响,从而使得大气污染物含量监测的准确性降低。
发明内容
本发明提供基于传感技术的大气污染物含量监测方法,以解决现有的问题。
本发明的基于传感技术的大气污染物含量监测方法采用如下技术方案:
本发明一个实施例提供了基于传感技术的大气污染物含量监测方法,该方法包括以下步骤:
在一个地区内,获取若干个监测点对应的大气污染物浓度的监测数据序列,将所述一个地区内的任意一个非监测点的地点,记为插值点;其中,插值点对应一个三维坐标,每个监测点对应一个三维坐标;
获取每个监测点对应的参考监测点,根据监测点和每个监测点的参考监测点之间的监测数据序列的差异,获取每个监测点空间复杂度;
从所有监测点中筛选出插值点对应的若干个对照监测点,根据插值点的所有对照监测点的空间复杂度,获取插值点的空间复杂度;
根据插值点和插值点的所有对照监测点的空间复杂度,得到插值点的每个对照监测点在插值法中的综合权重;
根据插值点的所有对照监测点在插值法中的综合权重,对插值点的所有对照监测点的监测数据序列进行加权平均,获得插值点对应的加权监测数据序列;根据插值点对应的加权监测数据序列,得到插值点的大气污染物检测结果。
进一步地,获取每个监测点对应的参考监测点,包括的具体步骤如下:
将以第个监测点为中心,预设的第一半径为半径的球体内的其它监测点,记为第个监测点的参考监测点。
进一步地,根据监测点和每个监测点的参考监测点之间的监测数据序列的差异,获取每个监测点空间复杂度,包括的具体步骤如下:
使用移动平均法,分别对第个监测点的监测数据序列和第/>个监测点的所有参考监测点的监测数据序列进行分解,得到对应的趋势项和残差项;
根据每个监测点和每个监测点的每个参考监测点的监测数据序列趋势项内所有数据的平均值,获得每个监测点与每个监测点的每个参考监测点的平均污染物浓度的差异;
根据每个监测点与每个监测点的每个参考监测点的监测数据序列的趋势项内所有数据最大值减去最小值的差值、残差项内所有数据的平均值以及每个监测点与每个监测点的每个参考监测点的距离,获得每个监测点与每个监测点的每个参考监测点的浓度波动情况的差异;
根据每个监测点与每个监测点的所有参考监测点的平均污染物浓度的差异和污染物浓度波动情况的差异,获得每个监测点的空间复杂度。
进一步地,根据每个监测点和每个监测点的每个参考监测点的监测数据序列趋势项内所有数据的平均值,获得每个监测点与每个监测点的每个参考监测点的平均污染物浓度的差异,包括的具体步骤如下:
计算与/>的差值绝对值,将所述差值绝对值与/>的比值,记为第/>个监测点与第/>个监测点的第/>个参考监测点的平均污染物浓度的差异;其中,/>表示第/>个监测点的监测数据序列的趋势项内所有数据的平均值;/>表示第/>个监测点的第/>个参考监测点监测数据序列趋势项内所有数据的平均值;/>表示第/>个监测点与第/>个监测点的第个参考监测点的距离。
进一步地,根据每个监测点与每个监测点的每个参考监测点的监测数据序列的趋势项内所有数据最大值减去最小值的差值、残差项内所有数据的平均值以及每个监测点与每个监测点的每个参考监测点的距离,获得每个监测点与每个监测点的每个参考监测点的浓度波动情况的差异,对应的具体计算公式为:
表示第/>个监测点与第/>个监测点的第/>个参考监测点的污染物浓度波动情况的差异;/>为第/>个监测点监测数据序列的趋势项内所有数据中的最大值减去最小值的差值;/>为第/>个监测点监测数据序列的残差项内所有数据的平均值;/>为第/>个监测点的第/>个参考监测点的监测数据序列的趋势项内所有数据中的最大值减去最小值的差值;为第/>个监测点的第/>个参考监测点监测数据序列残差项内所有数据的平均值;/>表示第/>个监测点与第/>个监测点的第/>个参考监测点的距离;/>表示绝对值函数。
进一步地,根据每个监测点与每个监测点的所有参考监测点的平均污染物浓度的差异和污染物浓度波动情况的差异,获得每个监测点的空间复杂度,对应的具体计算公式为:
其中,表示第/>个监测点的空间复杂度;/>表示第/>个监测点与第/>个监测点的第/>个参考监测点的平均污染物浓度的差异;/>表示第/>个监测点与第/>个监测点的第/>个参考监测点的污染物浓度波动情况的差异;/>表示第/>个监测点与第/>个监测点的所有参考监测点的平均污染物浓度的差异中的中的最大值减去最小值的差值;/>表示第个监测点的所有参考监测点的数量。
进一步地,从所有监测点中筛选出插值点对应的若干个对照监测点,包括的具体步骤如下:
将以插值点为中心,预设的第二半径为半径的球体内的所有监测点,记为插值点的对照监测点。
进一步地,根据插值点的所有对照监测点的空间复杂度,获取插值点的空间复杂度,对应的具体计算公式为:
其中,表示插值点的空间复杂情况,/>表示插值点的对照监测点的数量;表示插值点的第/>个对照监测点的空间复杂度;/>表示插值点的所有对照监测点空间复杂度的方差;/>表示线性归一化函数。
进一步地,根据插值点和插值点的所有对照监测点的空间复杂度,得到插值点的每个对照监测点在插值法中的综合权重,包括的具体步骤如下:
其中,表示插值点的第/>个对照监测点在插值法中的综合权重;/>表示空间复杂度权重系数;/>表示插值点的空间复杂情况;/>表示插值点与插值点的第/>个对照监测点的距离;/>表示空间复杂度权重系数;/>表示插值点的所有对照监测点的数量;/>表示插值点的第/>个对照监测点的空间复杂度;/>是/>函数;/>表示线性归一化函数。
进一步地,根据插值点对应的加权监测数据序列,得到插值点的大气污染物检测结果,包括的具体步骤如下:
将插值点对应的加权监测数据序列中大于预设的浓度标准的加权监测数据,记为大气污染物含量异常数据。
本发明的技术方案的有益效果是:获取监测点对应的大气污染物浓度的监测数据序列,将所述一个地区内的任意一个非监测点的地点,记为插值点;获取每个监测点对应的参考监测点,根据监测点和每个监测点的参考监测点之间的监测数据序列的差异,获取每个监测点空间复杂度;从所有监测点中筛选出插值点对应的若干个对照监测点,根据插值点的所有对照监测点的空间复杂度,获取插值点的空间复杂度;根据插值点和插值点的所有对照监测点的空间复杂度,得到插值点的每个对照监测点在插值法中的综合权重;根据插值点的所有对照监测点在插值法中的综合权重,是为了提高插值点对应的加权监测数据序列的准确性,从而提高大气污染物含量监测的准确性,对插值点的所有对照监测点的监测数据序列进行加权平均,获得插值点对应的加权监测数据序列;根据插值点对应的加权监测数据序列,得到插值点的大气污染物检测结果。本发明通过插值点附近的监测点计算插值点的综合权重,获得插值点的加权监测数据序列,从而提高大气污染物含量监测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于传感技术的大气污染物含量监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于传感技术的大气污染物含量监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于传感技术的大气污染物含量监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于传感技术的大气污染物含量监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:在一个地区内,获取若干个监测点对应的大气污染物浓度的监测数据序列,将所述一个地区内的任意一个非监测点的地点,记为插值点;其中,插值点对应一个三维坐标,每个监测点对应一个三维坐标。
需要说明的是,在需要进行大气污染物含量监测的任意一个地区内,均匀的设置相应的污染物浓度监测传感器作为监测点,监测点分布的密度根据实际的需求进行设置,通常而言,监测点分布的密度的越大,监测的准确性越高,本实施例设置为每立方千米一个监测点,其它实施方式中可设置为其它值,本实施例不进行限定。其中,大气污染物包括硫化合物、含氮化合物、含碳化合物、光化学氧化剂等,本实施例以硫化合物中主要的二氧化硫的浓度为例进行叙述,其它实施方式中可设置为其它大气污染物,本实施例不进行限定。并且,通过大气污染物的检测需要,获取需要进行大气污染物浓度监测的各插值点位置,然后通过后续的插值方法获取各插值点的大气污染物浓度数据。
具体的,通过设置的监测点进行大气污染物浓度监测,得到每个监测点的监测数据序列;采样的频率为分钟每次;采样时长为24小时,以此为例进行叙述,将该任意一个地区内的任意一个非监测点的地点,记为插值点,其中,监测点和插值点三维坐标已知。三维坐标分别为经度、纬度和高度。
步骤S002:获取每个监测点对应的参考监测点,根据监测点和每个监测点的参考监测点之间的监测数据序列的差异,获取每个监测点空间复杂度。
需要说明的是,对于每个监测点的空间复杂度,与每个监测点和每个监测点的参考监测点之间的数据差异有关。监测点和对应的参考监测点之间的检测数据差异越大,说明监测点受到的其他因素的影响越大,其空间复杂度越大。监测点自身检测数据之间的变化和波动相较于其他监测点越大,那么说明当前监测点受到污染源的影响越大,该监测点的空间复杂度越大。
具体的,以第个监测点为例,本实施例预设的第一半径为/>千米,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。将以第/>个监测点为中心,预设的第一半径为半径的球体内的其它监测点,记为第/>个监测点的参考监测点。
分别对第个监测点的监测数据序列和第/>个监测点的所有参考监测点的监测数据序列,通过移动平均法得到对应的趋势项和残差项,然后分别计算趋势项内所有数据的平均值、所有数据中的最大值减去最小值的差值,以及残差项内所有数据的方差。通过计算得到第/>个监测点与第/>个监测点的参考监测点的平均污染物浓度的差异和污染物浓度波动情况的差异,以此计算第/>个监测点的空间复杂度。移动平均法为常见的公知方法,具体方法这里不再详细介绍。
首先,通过第个监测点和第/>个监测点的第/>个参考监测点的平均污染物浓度,即通过第/>个监测点与第/>个监测点的第/>个参考监测点的监测数据序列趋势项内所有数据的平均值,计算第/>个监测点与第/>个监测点的第/>个参考监测点的平均污染物浓度的差异。
计算公式如下:
其中,表示第/>个监测点与第/>个监测点的第/>个参考监测点的平均污染物浓度的差异;/>表示第/>个监测点的监测数据序列的趋势项内所有数据的平均值;/>表示第/>个监测点的第/>个参考监测点监测数据序列趋势项内所有数据的平均值;/>表示第个监测点与第/>个监测点的第/>个参考监测点的距离;/>表示绝对值函数。
接下来,通过第个监测点与第/>个监测点的第/>个参考监测点的污染物浓度的最大变化情况,即第/>个监测点与第/>个监测点的第/>个参考监测点的监测数据序列的内所有数据最大值减去最小值的差值;以及第/>个监测点与第/>个监测点的第/>个参考监测点的污染物浓度的波动情况,即第/>个监测点与第/>个监测点的第/>个参考监测点的监测数据序列残差项内所有数据的平均值,计算第/>个监测点与第/>个监测点范围内第/>个参考监测点的浓度波动情况的差异。
计算公式如下:
表示第/>个监测点与第/>个监测点的第/>个参考监测点的污染物浓度波动情况的差异;/>为第/>个监测点监测数据序列的趋势项内所有数据中的最大值减去最小值的差值;/>为第/>个监测点监测数据序列的残差项内所有数据的平均值;/>为第/>个监测点的第/>个参考监测点的监测数据序列的趋势项内所有数据中的最大值减去最小值的差值;为第/>个监测点的第/>个参考监测点监测数据序列残差项内所有数据的平均值;/>表示第/>个监测点与第/>个监测点的第/>个参考监测点的距离;/>表示绝对值函数。
具体的,表示第/>个监测点整体的波动情况指标,该值越大,说明监测点的污染物浓度变化越剧烈;/>表示第/>个监测点的第/>个参考监测点的监测数据序列整体的波动情况指标,该值越大,说明第/>个监测点的第/>个参考监测点的污染物浓度变化越剧烈。
最终,通过第个监测点与第/>个监测点的所有参考监测点的平均污染物浓度的差异和污染物浓度波动情况的差异,获得第/>个监测点的空间复杂度。
计算公式如下:
其中,表示第/>个监测点的空间复杂度;/>表示第/>个监测点与第/>个监测点的第/>个参考监测点的平均污染物浓度的差异;/>表示第/>个监测点与第/>个监测点的第/>个参考监测点的污染物浓度波动情况的差异;/>表示第/>个监测点与第/>个监测点的所有参考监测点的平均污染物浓度的差异中的中的最大值减去最小值的差值,该值越大,说明第/>个监测点的参考监测点的浓度差异越大,第/>个监测点的空间属性越复杂;/>表示第/>个监测点的所有参考监测点的数量。
具体的,表示第/>个监测点与第/>个监测点的每个参考监测点之间的平均污染物浓度的平均差异,该值越大,第/>个监测点的空间属性越复杂;表示第/>个监测点与第/>个监测点的所有参考监测点之间污染物浓度波动情况的平均差异,该值越大,说明第/>个监测点与第/>个监测点的所有参考监测点污染物波动情况差异越大,说明第/>个监测点的空间属性越复杂。
步骤S003:从所有监测点中筛选出插值点对应的若干个对照监测点,根据插值点的所有对照监测点的空间复杂度,获取插值点的空间复杂度。
需要说明的是,插值点的各对照监测点之间的空间复杂度越大,说明插值点的空间属性分布越不均匀,这就说明传统的反距离插值法的权重表示越不精确,空间复杂度对权重的影响应该越大;另外插值点的各对照监测点之间的空间复杂度差异越大,说明插值点受到的影响越不均匀,说明此时空间复杂度对权重的影响越大。
具体的,对于插值点,本实施例预设的第二半径为千米,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。将以插值点为中心,预设的第二半径为半径的球体内的所有监测点,记为插值点的对照监测点。通过插值点的所有对照监测点的空间复杂度,判断插值点的空间复杂度情况。
计算公式如下:
其中,表示插值点的空间复杂情况,/>表示插值点的对照监测点的数量;表示插值点的第/>个对照监测点的空间复杂度;/>表示插值点的所有对照监测点空间复杂度的方差;/>表示线性归一化函数。
具体的,插值点的空间复杂情况越大,插值点的空间属性分布越不均匀,这就说明传统的反距离权重的权重表示越不精确,空间复杂度对权重的影响应该越大;插值点的所有对照监测点的空间复杂度的方差/>越大,说明插值点的空间复杂度差异越大,插值点的空间复杂度情况越大;/>为插值点的所有对照监测点的平均空间复杂度,表示插值点的整体空间复杂度,该值越大,插值点的空间属性分布越不均匀,这就说明传统的反距离权重的权重表示越不精确,插值点的空间复杂度情况越大。
步骤S004:根据插值点和插值点的所有对照监测点的空间复杂度,得到插值点的每个对照监测点在插值法中的综合权重。
需要说明的是,插值点的空间复杂度情况越大,空间复杂度对权重的影响越大。此时空间复杂度越强的监测点,对插值点的影响越大。
以插值点的第个对照监测点为例,计算插值点的第/>个对照监测点的在插值法中的综合权重。
计算公式如下:
其中,表示插值点的第/>个对照监测点在插值法中的综合权重;/>表示空间复杂度权重系数;/>表示插值点的空间复杂情况;/>表示插值点与插值点的第/>个对照监测点的距离;/>表示插值点的所有对照监测点的数量;/>表示插值点的第/>个对照监测点的空间复杂度;/>是/>函数,用于数据的归一化处理;/>表示线性归一化函数。
具体的,越大,插值点的空间属性分布越不均匀,这就说明传统的反距离插值法的权重表示越不精确,空间复杂度对权重的影响应该越大;/>表示反距离权重;表示通过数据和进行归一化后的空间复杂度权重;/>表示插值点的所有对照监测点的空间复杂度之和。
步骤S005:根据插值点的所有对照监测点在插值法中的综合权重,对插值点的所有对照监测点的监测数据序列进行加权平均,获得插值点对应的加权监测数据序列;根据插值点对应的加权监测数据序列,得到插值点的大气污染物检测结果。
对插值点的每个对照监测点的监测数据序列,使用插值法,通过插值点的每个对照监测点在插值法中的综合权重进行加权平均,获得到插值点对应的加权监测数据序列;插值法为常见的公知方法,具体方法这里不再详细介绍。
根据行业内规定的大气污染物浓度标准,本实施例预设的大气污染物浓度标准为40毫克每立方米。将加权监测数据序列中的二氧化硫含量数据与预设的大气污染物浓度标准进行对比,将插值点对应的加权监测数据序列中大于预设的浓度标准的加权监测数据,记为大气污染物含量异常数据。并将大气污染物含量异常数据存储至数据库中。
至此,本发明完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.基于传感技术的大气污染物含量监测方法,其特征在于,该方法包括以下步骤:
在一个地区内,获取若干个监测点对应的大气污染物浓度的监测数据序列,将所述一个地区内的任意一个非监测点的地点,记为插值点;其中,插值点对应一个三维坐标,每个监测点对应一个三维坐标;
获取每个监测点对应的参考监测点,根据监测点和每个监测点的参考监测点之间的监测数据序列的差异,获取每个监测点空间复杂度;
从所有监测点中筛选出插值点对应的若干个对照监测点,根据插值点的所有对照监测点的空间复杂度,获取插值点的空间复杂度;
根据插值点和插值点的所有对照监测点的空间复杂度,得到插值点的每个对照监测点在插值法中的综合权重;
根据插值点的所有对照监测点在插值法中的综合权重,对插值点的所有对照监测点的监测数据序列进行加权平均,获得插值点对应的加权监测数据序列;根据插值点对应的加权监测数据序列,得到插值点的大气污染物检测结果;
所述获取每个监测点对应的参考监测点,包括的具体步骤如下:
将以第个监测点为中心,预设的第一半径为半径的球体内的其它监测点,记为第/>个监测点的参考监测点;
所述根据监测点和每个监测点的参考监测点之间的监测数据序列的差异,获取每个监测点空间复杂度,包括的具体步骤如下:
使用移动平均法,分别对第个监测点的监测数据序列和第/>个监测点的所有参考监测点的监测数据序列进行分解,得到对应的趋势项和残差项;
根据每个监测点和每个监测点的每个参考监测点的监测数据序列趋势项内所有数据的平均值,获得每个监测点与每个监测点的每个参考监测点的平均污染物浓度的差异;
根据每个监测点与每个监测点的每个参考监测点的监测数据序列的趋势项内所有数据最大值减去最小值的差值、残差项内所有数据的平均值以及每个监测点与每个监测点的每个参考监测点的距离,获得每个监测点与每个监测点的每个参考监测点的浓度波动情况的差异;
根据每个监测点与每个监测点的所有参考监测点的平均污染物浓度的差异和污染物浓度波动情况的差异,获得每个监测点的空间复杂度;
所述根据每个监测点和每个监测点的每个参考监测点的监测数据序列趋势项内所有数据的平均值,获得每个监测点与每个监测点的每个参考监测点的平均污染物浓度的差异,包括的具体步骤如下:
计算与/>的差值绝对值,将所述差值绝对值与/>的比值,记为第/>个监测点与第/>个监测点的第/>个参考监测点的平均污染物浓度的差异;其中,/>表示第/>个监测点的监测数据序列的趋势项内所有数据的平均值;/>表示第/>个监测点的第/>个参考监测点监测数据序列趋势项内所有数据的平均值;/>表示第/>个监测点与第/>个监测点的第/>个参考监测点的距离;
所述根据每个监测点与每个监测点的每个参考监测点的监测数据序列的趋势项内所有数据最大值减去最小值的差值、残差项内所有数据的平均值以及每个监测点与每个监测点的每个参考监测点的距离,获得每个监测点与每个监测点的每个参考监测点的浓度波动情况的差异,对应的具体计算公式为:
表示第/>个监测点与第/>个监测点的第/>个参考监测点的污染物浓度波动情况的差异;/>为第/>个监测点监测数据序列的趋势项内所有数据中的最大值减去最小值的差值;/>为第/>个监测点监测数据序列的残差项内所有数据的平均值;/>为第/>个监测点的第/>个参考监测点的监测数据序列的趋势项内所有数据中的最大值减去最小值的差值;为第/>个监测点的第/>个参考监测点监测数据序列残差项内所有数据的平均值;/>表示第/>个监测点与第/>个监测点的第/>个参考监测点的距离;/>表示绝对值函数;
所述根据每个监测点与每个监测点的所有参考监测点的平均污染物浓度的差异和污染物浓度波动情况的差异,获得每个监测点的空间复杂度,对应的具体计算公式为:
其中,表示第/>个监测点的空间复杂度;/>表示第/>个监测点与第/>个监测点的第个参考监测点的平均污染物浓度的差异;/>表示第/>个监测点与第/>个监测点的第/>个参考监测点的污染物浓度波动情况的差异;/>表示第/>个监测点与第/>个监测点的所有参考监测点的平均污染物浓度的差异中的最大值减去最小值的差值;/>表示第/>个监测点的所有参考监测点的数量;
所述从所有监测点中筛选出插值点对应的若干个对照监测点,包括的具体步骤如下:
将以插值点为中心,预设的第二半径为半径的球体内的所有监测点,记为插值点的对照监测点;
所述根据插值点的所有对照监测点的空间复杂度,获取插值点的空间复杂度,对应的具体计算公式为:
其中,表示插值点的空间复杂情况,/>表示插值点的对照监测点的数量;/>表示插值点的第/>个对照监测点的空间复杂度;/>表示插值点的所有对照监测点空间复杂度的方差;/>表示线性归一化函数;
所述根据插值点和插值点的所有对照监测点的空间复杂度,得到插值点的每个对照监测点在插值法中的综合权重,包括的具体步骤如下:
其中,表示插值点的第/>个对照监测点在插值法中的综合权重;/>表示空间复杂度权重系数;/>表示插值点的空间复杂情况;/>表示插值点与插值点的第/>个对照监测点的距离;/>表示插值点的所有对照监测点的数量;/>表示插值点的第/>个对照监测点的空间复杂度;/>是/>函数;/>表示线性归一化函数;
所述根据插值点对应的加权监测数据序列,得到插值点的大气污染物检测结果,包括的具体步骤如下:
将插值点对应的加权监测数据序列中大于预设的浓度标准的加权监测数据,记为大气污染物含量异常数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410372092.XA CN117969769B (zh) | 2024-03-29 | 2024-03-29 | 基于传感技术的大气污染物含量监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410372092.XA CN117969769B (zh) | 2024-03-29 | 2024-03-29 | 基于传感技术的大气污染物含量监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117969769A CN117969769A (zh) | 2024-05-03 |
CN117969769B true CN117969769B (zh) | 2024-05-31 |
Family
ID=90846387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410372092.XA Active CN117969769B (zh) | 2024-03-29 | 2024-03-29 | 基于传感技术的大气污染物含量监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117969769B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH117533A (ja) * | 1997-06-16 | 1999-01-12 | Nagano Nippon Denki Software Kk | ホットスポット補間方法および装置 |
JP2003337128A (ja) * | 2002-05-17 | 2003-11-28 | Asahi Chisui Tansa Kk | 地層モデル構築方法及び土壌汚染濃度ならびに汚染土量の推定方法 |
JP2020095020A (ja) * | 2018-11-29 | 2020-06-18 | 東京エレクトロン株式会社 | 赤外線カメラの校正方法および赤外線カメラの校正システム |
CN112598797A (zh) * | 2020-12-08 | 2021-04-02 | 中广核工程有限公司 | 核电厂复杂多源异构数据同化的方法、***、介质及设备 |
CN113407588A (zh) * | 2021-07-20 | 2021-09-17 | 中国科学院地理科学与资源研究所 | 一种海域污染空间分布获取方法、装置及电子设备 |
CN115144548A (zh) * | 2022-08-31 | 2022-10-04 | 天津市环鉴环境检测有限公司 | 有害气体成分实时监测***及其监测方法 |
CN116563799A (zh) * | 2023-07-11 | 2023-08-08 | 山东昆仲信息科技有限公司 | 基于视频监控的粉尘在线监测方法 |
CN117093832A (zh) * | 2023-10-18 | 2023-11-21 | 山东公用环保集团检测运营有限公司 | 一种用于空气质量数据缺失的数据插补方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10372846B2 (en) * | 2015-11-12 | 2019-08-06 | International Business Machines Corporation | Retrieving pollution emission source using CFD and satellite data |
-
2024
- 2024-03-29 CN CN202410372092.XA patent/CN117969769B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH117533A (ja) * | 1997-06-16 | 1999-01-12 | Nagano Nippon Denki Software Kk | ホットスポット補間方法および装置 |
JP2003337128A (ja) * | 2002-05-17 | 2003-11-28 | Asahi Chisui Tansa Kk | 地層モデル構築方法及び土壌汚染濃度ならびに汚染土量の推定方法 |
JP2020095020A (ja) * | 2018-11-29 | 2020-06-18 | 東京エレクトロン株式会社 | 赤外線カメラの校正方法および赤外線カメラの校正システム |
CN112598797A (zh) * | 2020-12-08 | 2021-04-02 | 中广核工程有限公司 | 核电厂复杂多源异构数据同化的方法、***、介质及设备 |
CN113407588A (zh) * | 2021-07-20 | 2021-09-17 | 中国科学院地理科学与资源研究所 | 一种海域污染空间分布获取方法、装置及电子设备 |
CN115144548A (zh) * | 2022-08-31 | 2022-10-04 | 天津市环鉴环境检测有限公司 | 有害气体成分实时监测***及其监测方法 |
CN116563799A (zh) * | 2023-07-11 | 2023-08-08 | 山东昆仲信息科技有限公司 | 基于视频监控的粉尘在线监测方法 |
CN117093832A (zh) * | 2023-10-18 | 2023-11-21 | 山东公用环保集团检测运营有限公司 | 一种用于空气质量数据缺失的数据插补方法及*** |
Non-Patent Citations (2)
Title |
---|
优化利用点源数据的一种GIS空间分析方法;田考聪, 王显红, 周燕荣, 徐放, 张大元, 刘洪斌, 杨剑虹;中国卫生统计;20020930(04);全文 * |
距离加权插值法在大气环境监测数据处理中的应用;唐德清;干旱环境监测;19970615(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117969769A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011656B (zh) | 一种电站辅机故障预警方法及*** | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及*** | |
CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
CN117150283B (zh) | 一种基于大数据分析的突发环境事件安全预警方法 | |
CN115436572B (zh) | 一种基于循环神经网络的传感器校准方法及装置 | |
CN110989005B (zh) | 基于标量磁力仪阵列的弱磁异常自适应实时探测方法 | |
CN117093832B (zh) | 一种用于空气质量数据缺失的数据插补方法及*** | |
CN117798744B (zh) | 一种数控机床运行状态监测方法 | |
CN111159846B (zh) | 基于分数levy稳定运动的滚动轴承剩余有效寿命预测方法 | |
CN117969769B (zh) | 基于传感技术的大气污染物含量监测方法 | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
CN116027459B (zh) | 基于数值天气预报数据的大气加权平均温度的计算方法 | |
CN114881074B (zh) | 一种基于聚类-深度学习的工程结构变形预测方法 | |
CN115855133A (zh) | 传感器的校准方法、装置、计算机设备和可读存储介质 | |
İz | Sea level acceleration under the magnifier | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及*** | |
CN114510850A (zh) | 一种大气六参差异化的多模型融合校准方法及*** | |
CN113919599A (zh) | 一种中长期负荷预测方法 | |
CN117992894B (zh) | 基于物联网的农业大棚环境异常数据监测方法 | |
CN117880856B (zh) | 一种基于人工智能的电信基站安全预警方法及*** | |
CN117665224B (zh) | 一种用于食品检测的智能实验室管理方法 | |
CN116862116B (zh) | 一种反窃电智能预警方法、***、电子设备和存储介质 | |
CN115508511B (zh) | 基于网格化设备全参数特征分析的传感器自适应校准方法 | |
CN113988400B (zh) | 一种基于pearson-lstm多步长融合网络的aqi指数预测方法 | |
CN117610965B (zh) | 一种基于人工智能算法的纸质文物环境评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |