CN106295905A - 一种基于拉格朗日输送模型的空气质量快速溯源预报方法 - Google Patents
一种基于拉格朗日输送模型的空气质量快速溯源预报方法 Download PDFInfo
- Publication number
- CN106295905A CN106295905A CN201610705085.2A CN201610705085A CN106295905A CN 106295905 A CN106295905 A CN 106295905A CN 201610705085 A CN201610705085 A CN 201610705085A CN 106295905 A CN106295905 A CN 106295905A
- Authority
- CN
- China
- Prior art keywords
- pollutant
- lagrange
- simulation
- particle
- data
- 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 35
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 42
- 231100000719 pollutant Toxicity 0.000 claims abstract description 42
- 239000002245 particle Substances 0.000 claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000009415 formwork Methods 0.000 claims 1
- 230000002045 lasting effect Effects 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000007599 discharging Methods 0.000 abstract description 3
- 239000003570 air Substances 0.000 description 20
- 238000003915 air pollution Methods 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于拉格朗日输送模型的空气质量快速溯源预报方法,首先利用中尺度天气预报模式模拟所需模拟区域的气象场;再根据拉格朗日输送模型的气象场要求提取气象场模拟系统所输出的气象场的关键要素,并转换数据格式;然后设置拉格朗日输送模型的基础参数,并通过拉格朗日输送模型计算气象场中释放粒子的时空概率分布,建立粒子概率分布数据库;结合释放粒子的时空概率分布和模拟区域的污染源清单计算污染物的潜在源区贡献分布;最终统计模拟计算得到的污染物的浓度和污染物清单中各行业对于污染物的浓度的贡献量。本发明能够实现对区域、城市的大气污染来源解析、预报,以及对识别污染贡献重点区和污染减排措施的快速响应论证。
Description
技术领域
本发明涉及环保技术领域,进一步地是涉及空气质量监测领域,具体是涉及一种基于拉格朗日输送模型的空气质量快速溯源预报方法。
背景技术
随着工业化、城市化的快速发展,大气污染对人类社会的影响越来越大,对人民的生活生产带来了严重的威胁。因此公众对环境空气质量的关注日益增加。基于空气污染的严峻形势,环保部要求各地开展空气污染来源解析、空气质量预报业务和能力建设。同时在重污染发生时,急需对于大气污染进行来源解析,分析识别污染贡献重点区,为污染控制提供依据。这时,一种稳定、快速的空气质量溯源预报模型,不仅能为人民的日常生活和生产活动提供指导,还能为政府部门制定相应的环保措施提供基础性的数据和依据。
目前国内外常用的空气质量溯源模型基本是基于包含复杂化学过程的区域化学模型。常用的区域化学模型属于命令行界面,参数多,步骤复杂,计算量大,需要配备大型的服务器提供运行平台,随着区域增大和格点细化,运算速度十分缓慢。
常用的拉格朗日粒子输送模式主要有FLEXPART和HYSPLIT,其中后者在国内的实际应用中较为广泛。HYSPLIT是由NOAA发展的一款使用现有格点气象数据驱动的可用于处理紧急大气污染事件的应急响应、个例分析诊断、或者气候分析等用途的模式。该模式可以进行前向模拟得到示踪物从源释放后的输送扩散,也能后向模拟得到接收点的潜在源区贡献,在国内得到了广泛应用。上述方法因使用现有的格点气象数据驱动,缺少当地实时的气象预报数据格点资料,在溯源预报应用中较少。利用拉格朗日模型输出结果与排放源清单结合计算空气污染溯源的结合应用更是缺乏。
有鉴于此,本发明建立了拉格朗日模型衔接中尺度天气预报模式(WRF)模式预报的气象场,输出污染物来源潜在源区贡献,并结合排放源清单对于未来空气质量进行溯源预报。
发明内容
本发明的一个目的是要提供一种基于拉格朗日输送模型的空气质量快速溯源预报方法,其能够实现对区域、城市的大气污染来源解析、预报,以及对识别污染贡献重点区和污染减排措施的快速响应论证,进而实现对污染源更为有效地监管与控制。
特别地,本发明提供了一种基于拉格朗日输送模型的空气质量快速溯源预报方法,包括:
步骤1:利用中尺度天气预报模式模拟所需模拟区域的气象场;
步骤2:根据拉格朗日输送模型的气象场要求提取所述气象场模拟系统所输出的所述气象场的关键要素;
步骤3:设置所述拉格朗日输送模型的基础参数,并通过所述拉格朗日输送模型计算所释放粒子的时空概率分布,建立粒子概率分布数据库;
步骤4:结合所述释放粒子的时空概率分布和所述模拟区域的污染源清单计算污染物的潜在源区贡献分布;
步骤5:统计模拟计算得到的所述污染物的浓度和所述污染物清单中各行业对于所述污染物的浓度的贡献量。
进一步地,所述步骤1中所述气象场的模拟包括如下过程:收集基础气象资料,设置选择网络精度,选择所需模拟区域和数据处理分析,输出指定的所述模拟区域的关于气象场的模拟结果。
进一步地,在所述步骤2中,所提取的所述关键要素为对气团输送起关键作用的要素,包括所述步骤1中所述气象场的风速、温度、湿度和气压场。
进一步地,在所述步骤2中,将计算输出的气象场资料转换成拉格朗日模型能够读取的格式,进行数据格式转换时,是将中尺度天气预报模式下输出的NC格式的气象数据转换为ARL格式的气象场格点数据。
进一步地,在所述步骤3中,所述拉格朗日输送模型的基础参数包括:
建立所述气象场中粒子释放的模拟时间方案,包括模拟开始时间的设定,模拟持续的日期以及污染小时步长,并选择后向或者前向模拟的小时数;
选择需要模拟的区域范围,确定所述模拟区域的边界经纬度;
确定模拟站点的个数,建立模拟地点的经纬度坐标和粒子释放的高度以及公里网格点;
选择模型垂直运动的方案、模式层顶高度、模型结果数据输出格式和内容。
进一步地,在所述步骤3中,运行拉格朗日输送模型获得释放粒子的时空 概率分布的过程,是根据实际情况输出包括后向或者前向不同模拟时长的累计粒子的滞留时间和粒子数的空间分布,采用科学的统计方法进行整理计算,得出释放粒子的空间概率分布,建立粒子概率分布数据库。
进一步地,在所述步骤4中,对于污染物的潜在源区贡献分布,具体计算过程如下:
首先,建立大气污染源清单数据库,根据实际情况分为不同区域、不同分辨率以及不同行业;
然后,从所述粒子概率分布数据库和所述污染源清单数据库获取数据,进行污染物潜在源区贡献分布的计算;
最后,建立污染物潜在源区数据库,读取所述污染物潜在源区数据库的数据运行模型,计算得到模拟的污染物浓度和清单中各行业对于污染物浓度的贡献量。
进一步地,在所述步骤5中,建立模拟污染物浓度及清单中各行业对污染物贡献的数据库,解析上述数据库,得到需要的污染物浓度数据,转换为出图需要的格式数据并自动渲染输出。
本发明的基于拉格朗日输送模型的空气质量快速溯源预报方法,由于将拉格朗日输送模型的输出结果与排放源清单结合来计算空气污染溯源,建立了拉格朗日模型衔接WRF模式预报的气象场,能够计算输出污染物来源潜在源区贡献,并结合排放源清单对于未来空气质量进行溯源预报的方法和系统,为解决现有技术中大气污染预报模型计算量大且速度慢的问题,提供了一种新的空气污染溯源方法。
进一步地,本发明能够实现对区域、城市的大气污染来源解析、预报,以及对识别污染贡献重点区和污染减排措施的快速响应论证,进而实现对污染源更为有效地监管与控制。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本发明一个实施例的空气质量快速溯源预报方法的工作流程示 意图。
具体实施方式
图1是根据本实施例的空气质量快速溯源预报方法的工作流程示意图。如图1所述,该基于拉格朗日输送模型的空气质量快速溯源预报方法,其一般性地可包括以下步骤:
步骤1:利用中尺度天气预报模式模拟所需模拟区域的气象场;
步骤2:根据拉格朗日输送模型的气象场要求提取所述气象场模拟系统所输出的所述气象场的关键要素;
步骤3:设置所述拉格朗日输送模型的基础参数,并通过所述拉格朗日输送模型计算所释放粒子的时空概率分布(footprint),建立粒子概率分布数据库;
步骤4:结合所述释放粒子的时空概率分布和所述模拟区域的污染源清单计算污染物的潜在源区贡献分布(PSC,potential source contribution);
步骤5:统计模拟计算得到的所述污染物的浓度和所述污染物清单中各行业对于所述污染物的浓度的贡献量。
进一步地,所述步骤1中所述气象场的模拟包括如下过程:
(1)基础气象资料的收集整理。采用多渠道全球或更大范围的气象的初始场数据驱动,同化气象场资料,代入中尺度天气预报模式。
(2)确定中尺度天气预报模式的模拟网格精度。根据实际预报需求精度可以设定为从几百米到几十公里不等;
(3)选择所需模拟区域。建立合理的模拟嵌套方案,选择合适的模拟区域;
(4)数据处理分析,输出指定的所述模拟区域的关于气象场的模拟结果。基于中尺度天气预报模式(WRF),建立实时数值天气预报系统,精细准确地模拟以及预测天气状况和气象要素,形成未来3天至7天的气象预报场数据库
进一步地,在所述步骤2中,所提取的所述关键要素为对气团输送起关键作用的要素,包括所述步骤1中所述气象场的风速、温度、湿度和气压场。然后利用ARW2ARL将计算输出的气象场资料转换成拉格朗日模型能够读取的格式,在所述步骤2中,进行数据格式转换时,是将中尺度天气预报模式下输出的NC格式的气象数据转换为ARL格式的气象场格点数据。
进一步地,在所述步骤3中,所述拉格朗日输送模型的基础参数包括:
建立所述气象场中粒子释放的模拟时间方案,包括模拟开始时间的设定,模拟持续的日期以及污染小时步长,并选择后向或者前向模拟的小时数;
选择需要模拟的区域范围,确定所述模拟区域的边界经纬度;
确定模拟站点的个数,建立模拟地点的经纬度坐标和粒子释放的高度以及公里网格点;
选择模型垂直运动的方案、模式层顶高度、模型结果数据输出格式和内容。
进一步地,在所述步骤3中,运行拉格朗日输送模型获得释放粒子的时空概率分布的过程,是根据实际情况输出包括后向或者前向不同模拟时长的累计粒子的滞留时间和粒子数的空间分布,采用科学的统计方法进行整理计算,得出释放粒子的空间概率分布,建立粒子概率分布数据库。
具体说来,在受体点释放一定量的粒子,随着粒子的后向轨迹计算,推出粒子可能的来源空间分布。根据实际情况推出包括后向或者前向不同模拟时长的累计粒子的滞粒子在每一个三维网格驻留的时间。只有经过地面的气团才会受排放的影响,高空的气团就算驻留很长时间,它的浓度也较难发生变化。提取100m高度以下的驻留时间,采用科学的统计方法进行整理计算,得出影响地面污染输送的释放粒子的空间概率分布。
进一步地,在所述步骤4中,对于污染物的潜在源区贡献分布,具体计算过程如下:
首先,建立大气污染源清单数据库,根据实际情况分为不同区域、不同分辨率以及不同行业,包含工业、农业、电厂、交通和居民生活五大类源排放;
然后,从所述粒子概率分布数据库和所述污染源清单数据库获取数据,进行污染物潜在源区贡献分布的计算;
最后,建立污染物潜在源区数据库,读取所述污染物潜在源区数据库的数据运行模型,计算得到模拟的污染物浓度和清单中各行业对于污染物浓度的贡献量。根据空间层高、污染物类型、覆盖区域、时间点或时间段,动态展现查询时段内每小时的模式预测结果。具体包括:
(1)建立模拟污染物浓度及清单中各行业对污染物贡献的数据库。能够对具体时间、具体地点不同类型空气污染的来源解析,输出市内其他地区、市外地区对重污染地区大气环境质量的贡献率,及影响污染大气的主要污染物类型组成(PM2.5、扬尘、SO2等)和各组成的贡献率,从而分析识别污染贡献大户(区域及污染源);
(2)解析拉格朗日输送模型运行结果文件,得到需要的污染物浓度数据, 转换为出图需要的格式数据并自动渲染输出。对主要大气污染物进行追踪溯源,自动生成直观的分布图,为污染控制方案制定提供依据。
本发明的基于拉格朗日输送模型的空气质量快速溯源预报方法,由于将拉格朗日输送模型的输出结果与排放源清单结合来计算空气污染溯源,建立了拉格朗日模型衔接WRF模式预报的气象场,能够计算输出污染物来源潜在源区贡献,并结合排放源清单对于未来空气质量进行溯源预报的方法和系统,为解决现有技术中大气污染预报模型计算量大且速度慢的问题,提供了一种新的空气污染溯源方法。
进一步地,本发明能够实现对区域、城市的大气污染来源解析、预报,以及对识别污染贡献重点区和污染减排措施的快速响应论证,进而实现对污染源更为有效地监管与控制。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (8)
1.一种基于拉格朗日输送模型的空气质量快速溯源预报方法,包括:
步骤1:利用中尺度天气预报模式模拟所需模拟区域的气象场;
步骤2:根据拉格朗日输送模型的气象场要求提取所述气象场模拟系统所输出的所述气象场的关键要素;
步骤3:设置所述拉格朗日输送模型的基础参数,并通过所述拉格朗日输送模型计算所释放粒子的时空概率分布,建立粒子概率分布数据库;
步骤4:结合所述释放粒子的时空概率分布和所述模拟区域的污染源清单计算污染物的潜在源区贡献分布;
步骤5:统计模拟计算得到的所述污染物的浓度和所述污染物清单中各行业对于所述污染物的浓度的贡献量。
2.根据权利要求1所述的空气质量快速溯源预报方法,其特征在于,所述步骤1中所述气象场的模拟包括如下过程:收集基础气象资料,设置选择网络精度,选择所需模拟区域和数据处理分析,输出指定的所述模拟区域的关于气象场的模拟结果。
3.根据权利要求1所述的空气质量快速溯源预报方法,其特征在于,在所述步骤2中,所提取的所述关键要素为对气团输送起关键作用的要素,包括所述步骤1中所述气象场的风速、温度、湿度和气压场。
4.根据权利要求3所述的空气质量快速溯源预报方法,其特征在于,在所述步骤2中,将计算输出的气象场资料转换成拉格朗日模型能够读取的格式,进行数据格式转换时,是将中尺度天气预报模式下输出的NC格式的气象数据转换为ARL格式的气象场格点数据。
5.根据权利要求1所述的空气质量快速溯源预报方法,其特征在于,在所述步骤3中,所述拉格朗日输送模型的基础参数包括:
建立所述气象场中粒子释放的模拟时间方案,包括模拟开始时间的设定,模拟持续的日期以及污染小时步长,并选择后向或者前向模拟的小时数;
选择需要模拟的区域范围,确定所述模拟区域的边界经纬度;
确定模拟站点的个数,建立模拟地点的经纬度坐标和粒子释放的高度以及公里网格点;
选择模型垂直运动的方案、模式层顶高度、模型结果数据输出格式和内容。
6.根据权利要求1或5所述的空气质量快速溯源预报方法,其特征在于,在所述步骤3中,运行拉格朗日输送模型获得释放粒子的时空概率分布的过程,是根据实际情况输出包括后向或者前向不同模拟时长的累计粒子的滞留时间和粒子数的空间分布,采用科学的统计方法进行整理计算,得出释放粒子的空间概率分布,建立粒子概率分布数据库。
7.根据权利要求1所述的空气质量快速溯源预报方法,其特征在于,在所述步骤4中,对于污染物的潜在源区贡献分布,具体计算过程如下:
首先,建立大气污染源清单数据库,根据实际情况分为不同区域、不同分辨率以及不同行业;
然后,从所述粒子概率分布数据库和所述污染源清单数据库获取数据,进行污染物潜在源区贡献分布的计算;
最后,建立污染物潜在源区数据库,读取所述污染物潜在源区数据库的数据运行模型,计算得到模拟的污染物浓度和清单中各行业对于污染物浓度的贡献量。
8.根据权利要求1所述的空气质量快速溯源预报方法,其特征在于,在所述步骤5中,建立模拟污染物浓度及清单中各行业对污染物贡献的数据库,解析所述数据库,得到需要的污染物浓度数据,转换为出图需要的格式数据并自动渲染输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610705085.2A CN106295905A (zh) | 2016-08-22 | 2016-08-22 | 一种基于拉格朗日输送模型的空气质量快速溯源预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610705085.2A CN106295905A (zh) | 2016-08-22 | 2016-08-22 | 一种基于拉格朗日输送模型的空气质量快速溯源预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106295905A true CN106295905A (zh) | 2017-01-04 |
Family
ID=57615147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610705085.2A Pending CN106295905A (zh) | 2016-08-22 | 2016-08-22 | 一种基于拉格朗日输送模型的空气质量快速溯源预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295905A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107391951A (zh) * | 2017-08-03 | 2017-11-24 | 江苏卓易信息科技股份有限公司 | 一种基于环形邻域梯度排序的空气污染溯源方法 |
CN108318622A (zh) * | 2018-01-09 | 2018-07-24 | 南京大学 | 增加有机气溶胶化学过程的大气污染模拟预测算法 |
CN108802856A (zh) * | 2018-03-30 | 2018-11-13 | 南京大学 | 一种基于ai的源数据动态修正预报系统及其工作方法 |
CN109118129A (zh) * | 2018-11-02 | 2019-01-01 | 孙扬 | 一种大气污染物精准溯源识别系统及方法 |
CN109298136A (zh) * | 2018-10-11 | 2019-02-01 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
CN109522603A (zh) * | 2018-10-18 | 2019-03-26 | 南京大学 | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 |
CN109583743A (zh) * | 2018-11-26 | 2019-04-05 | 南京创蓝科技有限公司 | 基于拉格朗日模型和移动观测平台的大气污染溯源方法 |
CN109685281A (zh) * | 2018-12-29 | 2019-04-26 | 中科三清科技有限公司 | 污染来源预测方法、装置及电子设备 |
CN109765337A (zh) * | 2018-12-28 | 2019-05-17 | 北京英视睿达科技有限公司 | 一种污染源识别方法及其系统 |
CN109878400A (zh) * | 2018-10-19 | 2019-06-14 | 南京大学 | 模块化全功能拓展大气监测移动平台及监测使用方法 |
CN109916788A (zh) * | 2019-01-14 | 2019-06-21 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
CN110095394A (zh) * | 2019-05-27 | 2019-08-06 | 佛山市环境监测中心站 | 一种大气颗粒物污染快速溯源方法 |
CN110824110A (zh) * | 2019-10-30 | 2020-02-21 | 山东大学 | 一种基于拉格朗日轨迹模式和化学盒子模式的区域臭氧污染溯源系统 |
CN111460637A (zh) * | 2020-03-20 | 2020-07-28 | 成都市环境保护科学研究院(成都市固体废物管理中心) | 基于数值方法的城市通风潜势定量评估方法 |
CN111814111A (zh) * | 2020-05-25 | 2020-10-23 | 南京大学环境规划设计研究院股份公司 | 一种工业园区大气污染物溯源方法 |
CN111899817A (zh) * | 2020-08-04 | 2020-11-06 | 中科三清科技有限公司 | 污染物源解析方法和装置 |
CN112036656A (zh) * | 2020-09-08 | 2020-12-04 | 南京创蓝科技有限公司 | 一种高污染物排放企业的规划选址方法 |
CN112052619A (zh) * | 2020-09-08 | 2020-12-08 | 自然资源部第一海洋研究所 | 空气污染粒子信息的优化方法、装置及电子设备 |
CN112131739A (zh) * | 2020-09-22 | 2020-12-25 | 南京创蓝科技有限公司 | 一种乡镇级别大气污染溯源的预报方法 |
CN112541255A (zh) * | 2020-11-27 | 2021-03-23 | 暨南大学 | 一种大气污染排放来源自动识别系统及识别方法 |
CN113449918A (zh) * | 2021-05-13 | 2021-09-28 | 深圳中兴网信科技有限公司 | 突发重大污染事件应急指挥辅助决策方法和系统 |
CN114661849A (zh) * | 2021-04-02 | 2022-06-24 | 辽宁省生态环境厅 | 污染溯源方法及装置 |
CN115420854A (zh) * | 2022-08-22 | 2022-12-02 | 北京工业大学 | 一种基于正后向模型结合的大气污染物溯源方法 |
CN115931659A (zh) * | 2022-10-31 | 2023-04-07 | 信阳师范学院 | 一种城市堆场扬尘对空气质量影响评估的系统和方法 |
CN116151028A (zh) * | 2023-04-11 | 2023-05-23 | 安徽中科蓝壹信息科技有限公司 | 一种排除本地影响的污染贡献计算方法及系统 |
CN117116381A (zh) * | 2023-09-08 | 2023-11-24 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
CN112132336B (zh) * | 2020-09-22 | 2024-02-20 | 南京创蓝科技有限公司 | 一种pm2.5浓度的季度预测方法 |
-
2016
- 2016-08-22 CN CN201610705085.2A patent/CN106295905A/zh active Pending
Non-Patent Citations (3)
Title |
---|
J.BRIOUDE等: "The Lagrangian particle dispersion model FLEXPART-WRF version 3.1", 《GEOSCIENTIFIC MODEL DEVELOPMENT》 * |
常炉予等: "周边气象条件对南京城区大气污染物浓度的影响", 《气象与环境学报》 * |
张英杰等: "大气污染物周边源对2014 南京青奥会空气质量影响的预估分析", 《中国粉体技术》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107391951B (zh) * | 2017-08-03 | 2020-10-23 | 江苏卓易信息科技股份有限公司 | 一种基于环形邻域梯度排序的空气污染溯源方法 |
CN107391951A (zh) * | 2017-08-03 | 2017-11-24 | 江苏卓易信息科技股份有限公司 | 一种基于环形邻域梯度排序的空气污染溯源方法 |
CN108318622A (zh) * | 2018-01-09 | 2018-07-24 | 南京大学 | 增加有机气溶胶化学过程的大气污染模拟预测算法 |
CN108802856A (zh) * | 2018-03-30 | 2018-11-13 | 南京大学 | 一种基于ai的源数据动态修正预报系统及其工作方法 |
CN108802856B (zh) * | 2018-03-30 | 2020-06-30 | 南京大学 | 一种基于ai的源数据动态修正预报系统及其工作方法 |
CN109298136B (zh) * | 2018-10-11 | 2019-10-15 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
CN109298136A (zh) * | 2018-10-11 | 2019-02-01 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
CN109522603A (zh) * | 2018-10-18 | 2019-03-26 | 南京大学 | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 |
CN109878400A (zh) * | 2018-10-19 | 2019-06-14 | 南京大学 | 模块化全功能拓展大气监测移动平台及监测使用方法 |
CN109118129A (zh) * | 2018-11-02 | 2019-01-01 | 孙扬 | 一种大气污染物精准溯源识别系统及方法 |
CN109583743A (zh) * | 2018-11-26 | 2019-04-05 | 南京创蓝科技有限公司 | 基于拉格朗日模型和移动观测平台的大气污染溯源方法 |
CN109765337A (zh) * | 2018-12-28 | 2019-05-17 | 北京英视睿达科技有限公司 | 一种污染源识别方法及其系统 |
CN109685281A (zh) * | 2018-12-29 | 2019-04-26 | 中科三清科技有限公司 | 污染来源预测方法、装置及电子设备 |
WO2020135887A1 (zh) * | 2018-12-29 | 2020-07-02 | 中科三清科技有限公司 | 污染来源预测方法、装置及电子设备 |
CN109916788A (zh) * | 2019-01-14 | 2019-06-21 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
CN109916788B (zh) * | 2019-01-14 | 2020-05-19 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
CN110095394A (zh) * | 2019-05-27 | 2019-08-06 | 佛山市环境监测中心站 | 一种大气颗粒物污染快速溯源方法 |
CN110824110A (zh) * | 2019-10-30 | 2020-02-21 | 山东大学 | 一种基于拉格朗日轨迹模式和化学盒子模式的区域臭氧污染溯源系统 |
CN111460637A (zh) * | 2020-03-20 | 2020-07-28 | 成都市环境保护科学研究院(成都市固体废物管理中心) | 基于数值方法的城市通风潜势定量评估方法 |
CN111460637B (zh) * | 2020-03-20 | 2023-07-21 | 成都市环境保护科学研究院 | 基于数值方法的城市通风潜势定量评估方法 |
CN111814111A (zh) * | 2020-05-25 | 2020-10-23 | 南京大学环境规划设计研究院股份公司 | 一种工业园区大气污染物溯源方法 |
CN111899817A (zh) * | 2020-08-04 | 2020-11-06 | 中科三清科技有限公司 | 污染物源解析方法和装置 |
CN112052619A (zh) * | 2020-09-08 | 2020-12-08 | 自然资源部第一海洋研究所 | 空气污染粒子信息的优化方法、装置及电子设备 |
CN112052619B (zh) * | 2020-09-08 | 2021-04-30 | 自然资源部第一海洋研究所 | 空气污染粒子信息的优化方法、装置及电子设备 |
CN112036656A (zh) * | 2020-09-08 | 2020-12-04 | 南京创蓝科技有限公司 | 一种高污染物排放企业的规划选址方法 |
CN112131739A (zh) * | 2020-09-22 | 2020-12-25 | 南京创蓝科技有限公司 | 一种乡镇级别大气污染溯源的预报方法 |
CN112132336B (zh) * | 2020-09-22 | 2024-02-20 | 南京创蓝科技有限公司 | 一种pm2.5浓度的季度预测方法 |
CN112541255A (zh) * | 2020-11-27 | 2021-03-23 | 暨南大学 | 一种大气污染排放来源自动识别系统及识别方法 |
CN114661849A (zh) * | 2021-04-02 | 2022-06-24 | 辽宁省生态环境厅 | 污染溯源方法及装置 |
CN114661849B (zh) * | 2021-04-02 | 2023-07-14 | 辽宁省生态环境厅 | 污染溯源方法及装置 |
CN113449918A (zh) * | 2021-05-13 | 2021-09-28 | 深圳中兴网信科技有限公司 | 突发重大污染事件应急指挥辅助决策方法和系统 |
CN115420854B (zh) * | 2022-08-22 | 2023-12-15 | 北京工业大学 | 一种基于正后向模型结合的大气污染物溯源方法 |
CN115420854A (zh) * | 2022-08-22 | 2022-12-02 | 北京工业大学 | 一种基于正后向模型结合的大气污染物溯源方法 |
CN115931659A (zh) * | 2022-10-31 | 2023-04-07 | 信阳师范学院 | 一种城市堆场扬尘对空气质量影响评估的系统和方法 |
CN115931659B (zh) * | 2022-10-31 | 2023-11-03 | 信阳师范学院 | 一种城市堆场扬尘对空气质量影响评估的系统和方法 |
CN116151028A (zh) * | 2023-04-11 | 2023-05-23 | 安徽中科蓝壹信息科技有限公司 | 一种排除本地影响的污染贡献计算方法及系统 |
CN117116381A (zh) * | 2023-09-08 | 2023-11-24 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
CN117116381B (zh) * | 2023-09-08 | 2024-05-03 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295905A (zh) | 一种基于拉格朗日输送模型的空气质量快速溯源预报方法 | |
Lin et al. | Exploiting spatiotemporal patterns for accurate air quality forecasting using deep learning | |
CN109522603B (zh) | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 | |
CN108701274B (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
de Gennaro et al. | Neural network model for the prediction of PM10 daily concentrations in two sites in the Western Mediterranean | |
Liu et al. | Characterizing spatiotemporal patterns of air pollution in China: A multiscale landscape approach | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN110428104A (zh) | 一种污染贡献率确定方法、装置、电子设备及存储介质 | |
KR100619144B1 (ko) | 실시간 기상 데이터 처리 시스템 및 방법 | |
Kumar et al. | Application of WRF model for air quality modelling and AERMOD-a survey | |
Mahanta et al. | Urban air quality prediction using regression analysis | |
CN101893726A (zh) | 一种风沙灾害模拟装置及模拟方法 | |
Chen et al. | Simulating the effects of land urbanization on regional meteorology and air quality in Yangtze River Delta, China | |
CN117351521B (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
Zhang et al. | Large-eddy simulation of traffic-related air pollution at a very high resolution in a mega-city: evaluation against mobile sensors and insights for influencing factors | |
CN108802856A (zh) | 一种基于ai的源数据动态修正预报系统及其工作方法 | |
Chen et al. | Quantitative analysis of the building-level relationship between building form and land surface temperature using airborne LiDAR and thermal infrared data | |
JP4206024B2 (ja) | 大気物質指標分布解析装置 | |
Zhang et al. | Distribution patterns and influencing factors of population exposure risk to particulate matters based on cell phone signaling data | |
Li et al. | Improving air quality through urban form optimization: A review study | |
CN111400877B (zh) | 一种基于gis数据的智能城市仿真系统和方法 | |
CN109615239B (zh) | 基于社会化网络媒体数据的城市空气质量的评估方法 | |
CN107704945A (zh) | 水稻迁飞性害虫迁入峰预警方法 | |
CN108021115A (zh) | 一种燃煤电厂大气污染物扩散监控方法及系统 | |
Nechausov | The information model of the system for local atmospheric air pollution monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170104 |