CN107239592B - 一种空气污染监测数据的时间序列增长分析方法及系统 - Google Patents
一种空气污染监测数据的时间序列增长分析方法及系统 Download PDFInfo
- Publication number
- CN107239592B CN107239592B CN201710272216.7A CN201710272216A CN107239592B CN 107239592 B CN107239592 B CN 107239592B CN 201710272216 A CN201710272216 A CN 201710272216A CN 107239592 B CN107239592 B CN 107239592B
- Authority
- CN
- China
- Prior art keywords
- observation data
- slope
- duration
- data sequence
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种空气污染监测数据的时间序列增长分析方法及系统。所述方法包括:获取第一预设时间段内监测站点的观测数据序列;若判断获知多个观测数据对应的持续时间大于第一预设阈值,且线性拟合系数大于第二预设阈值,且拟合直线的斜率大于0,则将多个观测数据作为目标观测数据序列;获取目标观测数据序列的持续时间、线性拟合系数和斜率,对目标观测数据序列进行分析。所述系统用于执行所述方法。本发明实施例通过获取持续时间大于第一预设阈值,且线性拟合系数大于第二预设阈值,且拟合直线的斜率大于0的多个持续增长的观测数据,对观测数据进行分析,实现了针对空气污染数据的动态变化特征的分析,获得了更加精准细致的分析结果。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种空气污染监测数据的时间序列增长分析方法及系统。
背景技术
空气污染已经成为中国最大的环境公害之一。从排放源的角度来看,固定工业燃烧源(比如电厂)、移动燃烧源(比如车)、农业源在各个不同区域的分布数量和密度有很大的差异。另外,区域之间的大气的流动,会把本地排放和区域传输两个因素进一步联系起来。因此,明晰一个区域的空气污染的来源是一个科学和技术难题。虽然遥感观测、地面观测等空气质量数据已逐步丰富,排放清单、大气化学模式等相关研究已颇有进展,但中国大气复合污染的成因、健康影响与应对机制仍然是一个充满挑战的研究课题。
现有研究评估空气污染水平时,都使用基于平均绝对浓度的方法,即通过将日平均值与空气质量标准浓度对比,来确定某个时间段内的污染程度。由此可见,针对长时间的空气污染监测数据,现有的技术方法都是从静态的角度出发,把监测按照等时刻度均匀地划分成分析单元,比如24小时。但真实的空气污染过程既有日循环等基本特征,也有小时甚至分钟级别的显著的动态波动特征。PM2.5浓度变化可以呈现出复杂的增长、波动或者下降过程。不同过程所对应的气象、排放或者传输条件都可能存在很大差别。
因此,如何针对空气污染数据的动态变化进行分析,获得更加精准细致的分析结果是亟待解决的技术难题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种空气污染监测数据的时间序列增长分析方法及系统。
第一方面,本发明实施例提供一种空气污染监测数据的时间序列增长分析方法,包括:
获取第一预设时间段内被监测区域内监测站点对应的观测数据序列;
若判断获知所述观测数据序列中多个观测数据满足预设条件,则将所述多个观测数据作为目标观测数据序列;其中,所述预设条件包括:所述多个观测数据对应的持续时间大于第一预设阈值,且所述多个观测数据对应的线性拟合系数大于第二预设阈值,且所述多个观测数据对应的拟合直线的斜率大于0;
获取所述目标观测数据序列对应的所述持续时间、所述线性拟合系数和所述斜率,并根据所述持续时间、所述线性拟合系数和所述斜率对所述监测站点的所述目标观测数据序列进行分析。
第二方面,本发明实施例提供一种空气污染监测数据的时间序列增长分析系统,包括:
获取模块,用于获取第一预设时间段内被监测区域内监测站点对应的观测数据序列;
判断模块,用于若判断获知所述观测数据序列中多个观测数据满足预设条件,则将所述多个观测数据作为目标观测数据序列;其中,所述预设条件包括:所述多个观测数据对应的持续时间大于第一预设阈值,且所述多个观测数据对应的线性拟合系数大于第二预设阈值,且所述多个观测数据对应的拟合直线的斜率大于0;
分析模块,用于获取所述目标观测数据序列对应的所述持续时间、所述线性拟合系数和所述斜率,并根据所述持续时间、所述线性拟合系数和所述斜率对所述监测站点的所述目标观测数据序列进行分析。
第三方面,本发明实施例提供另一种空气污染监测数据的时间序列增长分析系统,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如下方法:
获取第一预设时间段内被监测区域内监测站点对应的观测数据序列;
若判断获知所述观测数据序列中多个观测数据满足预设条件,则将所述多个观测数据作为目标观测数据序列;其中,所述预设条件包括:所述多个观测数据对应的持续时间大于第一预设阈值,且所述多个观测数据对应的线性拟合系数大于第二预设阈值,且所述多个观测数据对应的拟合直线的斜率大于0;
获取所述目标观测数据序列对应的所述持续时间、所述线性拟合系数和所述斜率,并根据所述持续时间、所述线性拟合系数和所述斜率对所述监测站点的所述目标观测数据序列进行分析。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,包括:
所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如下方法:
获取第一预设时间段内被监测区域内监测站点对应的观测数据序列;
若判断获知所述观测数据序列中多个观测数据满足预设条件,则将所述多个观测数据作为目标观测数据序列;其中,所述预设条件包括:所述多个观测数据对应的持续时间大于第一预设阈值,且所述多个观测数据对应的线性拟合系数大于第二预设阈值,且所述多个观测数据对应的拟合直线的斜率大于0;
获取所述目标观测数据序列对应的所述持续时间、所述线性拟合系数和所述斜率,并根据所述持续时间、所述线性拟合系数和所述斜率对所述监测站点的所述目标观测数据序列进行分析。
本发明实施例提供的一种空气污染监测数据的时间序列增长分析方法及系统,通过获取持续时间大于第一预设阈值,且对应的线性拟合系数大于第二预设阈值的多个持续增长的观测数据,且对应的拟合直线的斜率大于0,并对观测数据进行分析,实现了针对空气污染数据的动态变化特征的分析,从而获得了更加精准细致的分析结果。
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一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的一种空气污染监测数据的时间序列增长分析方法流程示意图;
图2为本发明实施例提供的PM2.5浓度观测数据序列图;
图3为本发明实施例提供的观测数据散点图与风速之间的关系示意图;
图4为本发明实施例提供的观测数据散点图与风向之间的关系示意图;
图5为本发明实施例提供的大气传输与观测数据之间的关系示意图;
图6(a)为本发明实施例提供的一氧化碳浓度与观测数据增长速率之间的关系示意图;
图6(b)为本发明实施例提供的二氧化氮与观测数据增长率之间的关系示意图;
图6(c)为本发明实施例提供的二氧化硫与观测数据增长率之间的关系示意图;
图7为本发明实施例提供的一种空气污染监测数据的时间序列增长分析系统结构示意图;
图8为本发明另一实施例提供的一种空气污染监测数据的时间序列增长分析系统结构示意图;
图9为本发明又一实施例提供的一种空气污染监测数据的时间序列增长分析系统结构示意图;
图10为本发明实施例提供的系统实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种空气污染监测数据的时间序列增长分析方法流程示意图,如图1所示,所述方法,包括:
步骤101:获取第一预设时间段内被监测区域内监测站点对应的观测数据序列;
具体地,监测站点监测到的观测数据可以存储在数据库中,其中观测数据可以为PM2.5、SO2、NO2、PM10、CO和O3中的一个或多个对应的浓度数据,在数据库中存储有多个时间点对应的观测数据,且连续多个时间点对应的多个观测数据构成了观测数据序列,获取该观测数据序列,进行下一步具体判断。应当说明的是,第一预设时间段可以根据实际情况进行确定,本发明实施例对此不作具体限定。
步骤102:若判断获知所述观测数据序列中多个观测数据满足预设条件,则将所述多个观测数据作为目标观测数据序列;其中,所述预设条件包括:所述多个观测数据对应的持续时间大于第一预设阈值,且所述多个观测数据对应的线性拟合系数大于第二预设阈值,且所述多个观测数据对应的拟合直线的斜率大于0;
具体地,判断从数据库中提取出的由多个观测数据构成的观测数据序列是否满足预设条件,如果满足则将观测数据序列作为目标观测序列,其中预设条件为:(1)该观测数据持续增长的观测数据序列持续的时间大于第一预设阈值,以监测PM2.5为例,图2为本发明实施例提供的PM2.5浓度观测数据序列图,如图2所示,获取某一监测站点某三天各时间点的PM2.5的观测数据构成的观测数据序列,图2中每一点代表一次整点的观测数据,第一天全天平均PM2.5浓度为32.3ug/m3,第二天全天平均PM2.5浓度为96.25ug/m3,第三天全天平均PM2.5浓度为83.2ug/m3,图2中的观测数据序列中虚线部分的观测数据整体呈增长趋势,且持续时间为25小时,假设第一预设阈值为18,则说明该观测数据序列满足预设条件(1)。
另外,预设条件(2)为:该多个观测数据对应的线性拟合系数大于第二预设阈值,且该多个观测数据对应的拟合直线的斜率大于0,即对图2中虚线部分对应的多个观测数据进行线性拟合,其线性拟合系数为0.9306,且拟合直线的斜率为3.6154,故拟合直线的斜率大于0,如果设定第二预设阈值为0.8,则说明此段时间监测到的多个观测数据满足预设条件(2),只有同时满足预设条件(1)和预设条件(2)的情况下,该段观测数据序列才能够作为目标观测数据序列。步骤103:获取所述目标观测数据序列对应的所述持续时间、所述线性拟合系数和所述斜率,并根据所述持续时间、所述线性拟合系数和所述斜率对所述监测站点的所述目标观测数据序列进行分析。
具体地,从图2中可以得出虚线部分对应的目标观测数据序列的持续时间为25个小时,线性拟合系数为0.9306,拟合直线的斜率为3.6154,根据持续时间、线性拟合系数和斜率对监测站点所监测到的目标观测数据进序列行分析,获得监测站点所在位置的污染情况。
本发明实施例通过获取持续时间大于第一预设阈值,且对应的线性拟合系数大于第二预设阈值的多个持续增长的观测数据,且对应的拟合直线的斜率大于0,并对观测数据进行分析,实现了针对空气污染数据的动态变化特征的分析,从而获得了更加精准细致的分析结果。
在上述实施例的基础上,所述方法还包括:
采集第二预设时间段的被监测区域内所有监测站点的观测数据,将所述观测数据进行存储。
具体地,可以事先从网络上获取被监测区域内所有监测站点的观测数据,例如:获取PM2.5、SO2、NO2、PM10、CO和O3的逐小时的观测数据,这些观测数据来自1496个国控空气质量监测站点,由中国环境质量监测总站负责运营维护。监测数据近实时的发布在“全国城市空气质量实时发布平台”中,并简单的可视化展示,本发明实施例可以自动化、及时的采集第二预设时间段内的逐小时的观测数据,并将采集到的观测数据进行存储,可以存储到实现设计好的数据库中,也可以存储在其他地方,本发明实施例对此不作具体限定。可以理解的是,第二预设时间段可以根据实际情况进行设定,本发明实施例对此不作具体限定。
本发明实施例通过将被监测区域内的所有检测站点采集到的观测数据进行存储,为对该观测数据进行筛选及分析提供了数据基础。
在上述实施例的基础上,所述方法还包括:
对采集到的所述观测数据进行异常值剔除处理。
具体地,由于监测站点可能会发生异常,因此其采集到的观测数据有可能是异常值,此时便需要对存储的观测数进行系统的异常值剔除处理,其中异常值剔除包括:缺失(NA)值剔除、负值剔除、高值剔除以及突变剔除等,对于PM2.5的观测数据的异常值剔除还包括PM2.5/PM10比例异常剔除。应当说明的是,异常值剔除还可以有其他处理方式,本发明实施例对此不作具体限定。
本发明实施例通过先对观测数据进行异常值剔除处理,再进行观测数据的筛选和分析,提高了其分析的准确性。
在上述实施例的基础上,所述预设条件,还包括:
所述多个观测数据中缺失的所述观测数据总个数小于第三预设阈值,且所述观测数据序列中连续缺失的所述观测数据个数小于第四预设阈值。
具体地,在满足上述实施例提供的预设条件的基础上,其预设条件还可以包括预设条件(3)从数据库中获取到的观测数据序列中多个观测数据缺失观测数据总个数小于第三预设阈值,且该观测数据序列中连续缺失的观测数据个数小于第四预设阈值。其中,之所以会存在缺失的观测数据,是因为进行了异常值剔除处理,仍然以图2中的观测数据为例,假设选择出的虚线部分对应的多个观测数据中有5个监测时间对应的观测数据为异常值,则将其剔除掉,假设第三预设阈值为6,第四预设阈值为4,如果在这5个被剔除的观测数据中有3个观测数据是连续的,则该观测数据序列除了满足预设条件(1)和预设条件(2),还满足预设条件(3),此时,该观测数据序列可以作为目标观测数据序列;但如果在这5个被剔除的观测数据中都是连续的(即监测时间连续),则该观测数据序列不满足预设条件(3),因此不能作为目标观测数据。由此可知,只有当观测数据序列同时满足以上三个预设条件,才能够作为目标观测数据。
本发明实施例通过控制观测数据序列中缺失的观测数据个数,将满足预设条件的观测数据序列作为目标观测数据序列,使得目标观测数据序列能够更加准确的反映污染物的情况,从而提高对观测数据分析的准确性。
在上述各实施例的基础上,所述根据所述持续时间、所述线性拟合系数和所述斜率对所述监测站点的所述观测数据进行分析,包括:
根据所述持续时间、所述线性拟合系数、所述斜率以及所述观测数据对应的时间段内的气象因子进行分析,获得所述监测站点所在位置的污染物累积特征和来源。
具体地,通过获得到的目标观测数据序列的持续时间,可以获知污染持续加重的时间,通过目标观测数据的拟合系数可以获知污染情况是否是稳定加重的,通过目标观测数据的斜率可以获知污染强度。由于某一区域的污染情况处理跟本地排放有关,还可能跟当时的气象因子有关,例如当时的风速、风向等。因此根据目标观测数据序列的持续时间、线性拟合系数、斜率以及观测数据对应的时间段内的气象因子进行分析,其具体分析方法为:
图3为本发明实施例提供的观测数据散点图与风速之间的关系示意图,如图3所示,将北京某一监测站点的观测数据绘制成散点图,获得观测数据增长率,再与当时该监测站点所在位置的风速之间的关系做滑动平均得到。图4为本发明实施例提供的观测数据散点图,获得观测数据增长率与风向之间的关系示意图,如图4所示,利用风向图来分析风向与观测数据散点图之间的关系。图5为本发明实施例提供的大气传输与观测数据之间的关系示意图,如图5所示,利用绘制HYSPLIT模型后向轨迹点分布来分析与大气传输之间的关系。图6(a)为本发明实施例提供的一氧化碳浓度与观测数据增长速率之间的关系示意图,如图6(a)所示,通过对北京某一监测站点监测到的观测数据绘制散点图,并使用线性拟合分析与一氧化碳浓度之间的关系;图6(b)为本发明实施例提供的二氧化氮与观测数据增长率之间的关系示意图,如图6(b)所示,同样的方法绘制观测数据的散点图,并使用线性拟合分析与二氧化氮之间的关系;图6(c)为本发明实施例提供的二氧化硫与观测数据增长率之间的关系示意图,如图6(c)所示,与上述方法一致,可以直观的得到二氧化硫与观测数据增长率之间的关系。另外,本发明还可以通过绘制观测数据序列的不同增长率对应的PM2.5浓度分布图,来分析与区域污染强度之间的关系。因此,当受到风速的影响较大、与风向之间的关系较弱、不同增长阶段的后向轨迹点分布没有在某一方向上的聚集、与气态污染物之间的关系较强、区域污染强度变化与PM2.5增长速率之间的关系较弱的情况之下,PM2.5污染受到本地影响较强。反之,PM2.5污染受到区域传输影响较强。
本发明实施例通过动态的获取目标观测数据序列,并根据目标观测数据序列的持续时间、拟合系数、斜率以及观测数据对应的时间段内的气象因子进行分析,实现了监测站点区域的污染物本地排放和区域传输的贡献比例的判断方法。
图7为本发明实施例提供的一种空气污染监测数据的时间序列增长分析系统结构示意图,如图7所示,所述系统包括:获取模块701、判断模块702和分析模块703,其中:
获取模块701用于获取第一预设时间段内被监测区域内监测站点对应的观测数据序列;判断模块702用于若判断获知所述观测数据序列中多个观测数据满足预设条件,则将所述多个观测数据作为目标观测数据序列;其中,所述预设条件包括:所述多个观测数据对应的持续时间大于第一预设阈值,且所述多个观测数据对应的线性拟合系数大于第二预设阈值,且所述多个观测数据对应的拟合直线的斜率大于0;分析模块703用于获取所述目标观测数据序列对应的所述持续时间、所述线性拟合系数和所述斜率,并根据所述持续时间、所述线性拟合系数和所述斜率对所述监测站点的所述目标观测数据序列进行分析。
具体地,监测站点监测到的观测数据可以存储在数据库中,其中观测数据可以为PM2.5、SO2、NO2、PM10、CO和O3中的一个或多个对应的浓度数据,在数据库中存储有多个时间点对应的观测数据,且连续多个时间点对应的多个观测数据构成了观测数据序列,获取模块701获取该观测数据序列,进行下一步具体判断。判断模块702判断从数据库中提取出的由多个观测数据构成的观测数据序列是否满足预设条件,如果满足则将观测数据序列作为目标观测序列,其中预设条件为:(1)该观测数据持续增长的观测数据序列持续的时间大于第一预设阈值,(2)该多个观测数据对应的线性拟合系数大于第二预设阈值,且拟合直线的斜率大于0。分析模块703获取目标观测数据序列对应的持续时间、线性拟合系数和斜率,并根据持续时间、线性拟合系数和斜率对监测站点的目标观测数据序列进行分析。
本发明提供的系统的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
本发明实施例通过获取持续时间大于第一预设阈值,且对应的线性拟合系数大于第二预设阈值的多个持续增长的观测数据,且对应的拟合直线的斜率大于0,并对观测数据进行分析,实现了针对空气污染数据的动态变化进行分析,从而获得了更加精准细致的分析结果。
图8为本发明另一实施例提供的一种空气污染监测数据的时间序列增长分析系统结构示意图,如图8所示,所述系统包括:数据采集模块801、获取模块802、判断模块803和分析模块804,其中:
数据采集模块801用于采集预设时间段的被监测区域内所有监测站点的观测数据,将所述观测数据进行存储。
具体地,获取模块802、判断模块803和分析模块804与上述实施例中获取模块701、判断模块702和分析模块703一致,此处不再赘述。数据采集模块801可以自动化、及时的采集第二预设时间段内的逐小时的观测数据,并将采集到的观测数据进行存储,可以存储到实现设计好的数据库中,也可以存储在其他地方,本发明实施例对此不作具体限定。可以理解的是,第二预设时间段可以根据实际情况进行设定,本发明实施例对此不作具体限定。
本发明提供的系统的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
本发明实施例通过将被监测区域内的所有检测站点采集到的观测数据进行存储,为对该观测数据进行筛选及分析提供了数据基础。
图9为本发明又一实施例提供的一种空气污染监测数据的时间序列增长分析系统结构示意图,如图9所示,所述系统包括:数据采集模块901、数据处理模块902、获取模块903、判断模块904和分析模块905,其中:
数据处理模块902用于对采集到的所述观测数据进行异常值剔除处理。
具体地,数据采集模块901、获取模块903、判断模块904和分析模块905与上述实施例中数据采集模块801、获取模块802、判断模块803和分析模块804一致,此处不再赘述。由于监测站点可能会发生异常,因此其采集到的观测数据有可能是异常值,此时便需要数据处理模块902对存储的观测数进行系统的异常值剔除处理,其中异常值剔除包括:缺失(NA)值剔除、负值剔除、高值剔除以及突变剔除等,对于PM2.5的观测数据的异常值剔除还包括PM2.5/PM10比例异常剔除。
本发明提供的系统的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
本发明实施例通过先对观测数据进行异常值剔除处理,再进行观测数据的筛选和分析,提高了其分析的准确性。
图10为本发明实施例提供的系统实体结构示意图,如图10所示,所述系统,包括:处理器(processor)1001、存储器(memory)1002和总线1003;其中,
所述处理器1001和存储器1002通过所述总线1003完成相互间的通信;
所述处理器1001用于调用所述存储器1002中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取第一预设时间段内被监测区域内监测站点对应的观测数据序列;若判断获知所述观测数据序列中多个观测数据满足预设条件,则将所述多个观测数据作为目标观测数据序列;其中,所述预设条件包括:所述多个观测数据对应的持续时间大于第一预设阈值,且所述多个观测数据对应的线性拟合系数大于第二预设阈值,且所述多个观测数据对应的拟合直线的斜率大于0;获取所述目标观测数据序列对应的所述持续时间、所述线性拟合系数和所述斜率,并根据所述持续时间、所述线性拟合系数和所述斜率对所述监测站点的所述目标观测数据序列进行分析。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取第一预设时间段内被监测区域内监测站点对应的观测数据序列;若判断获知所述观测数据序列中多个观测数据满足预设条件,则将所述多个观测数据作为目标观测数据序列;其中,所述预设条件包括:所述多个观测数据对应的持续时间大于第一预设阈值,且所述多个观测数据对应的线性拟合系数大于第二预设阈值,且所述多个观测数据对应的拟合直线的斜率大于0;获取所述目标观测数据序列对应的所述持续时间、所述线性拟合系数和所述斜率,并根据所述持续时间、所述线性拟合系数和所述斜率对所述监测站点的所述目标观测数据序列进行分析。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取第一预设时间段内被监测区域内监测站点对应的观测数据序列;若判断获知所述观测数据序列中多个观测数据满足预设条件,则将所述多个观测数据作为目标观测数据序列;其中,所述预设条件包括:所述多个观测数据对应的持续时间大于第一预设阈值,且所述多个观测数据对应的线性拟合系数大于第二预设阈值,且所述多个观测数据对应的拟合直线的斜率大于0;获取所述目标观测数据序列对应的所述持续时间、所述线性拟合系数和所述斜率,并根据所述持续时间、所述线性拟合系数和所述斜率对所述监测站点的所述目标观测数据序列进行分析。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种空气污染监测数据的时间序列增长分析方法,其特征在于,包括:
获取第一预设时间段内被监测区域内监测站点对应的观测数据序列;
若判断获知所述观测数据序列中多个观测数据满足预设条件,则将所述多个观测数据作为目标观测数据序列;其中,所述预设条件包括:所述多个观测数据对应的持续时间大于第一预设阈值,且所述多个观测数据对应的线性拟合系数大于第二预设阈值,且所述多个观测数据对应的拟合直线的斜率大于0;
根据所述持续时间、所述线性拟合系数、所述斜率以及所述观测数据对应的时间段内的气象因子进行分析,获得所述监测站点所在位置的污染物累积特征和来源;具体地,通过获得到的目标观测数据序列的持续时间获知污染持续加重的时间,通过目标观测数据的拟合系数获知污染情况是否是稳定加重的,通过目标观测数据的斜率获知污染强度。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采集第二预设时间段的被监测区域内所有监测站点的观测数据,将所述观测数据进行存储。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
对采集到的所述观测数据进行异常值剔除处理。
4.根据权利要求1所述的方法,其特征在于,所述预设条件,还包括:
所述多个观测数据中缺失的所述观测数据总个数小于第三预设阈值,且所述观测数据序列中连续缺失的所述观测数据个数小于第四预设阈值。
5.一种空气污染监测数据的时间序列增长分析系统,其特征在于,包括:
获取模块,用于获取第一预设时间段内被监测区域内监测站点对应的观测数据序列;
判断模块,用于若判断获知所述观测数据序列中多个观测数据满足预设条件,则将所述多个观测数据作为目标观测数据序列;其中,所述预设条件包括:所述多个观测数据对应的持续时间大于第一预设阈值,且所述多个观测数据对应的线性拟合系数大于第二预设阈值,且所述多个观测数据对应的拟合直线的斜率大于0;
分析模块,用于根据所述持续时间、所述线性拟合系数、所述斜率以及所述观测数据对应的时间段内的气象因子进行分析,获得所述监测站点所在位置的污染物累积特征和来源;具体地,通过获得到的目标观测数据序列的持续时间获知污染持续加重的时间,通过目标观测数据的拟合系数获知污染情况是否是稳定加重的,通过目标观测数据的斜率获知污染强度。
6.根据权利要求5所述的系统,其特征在于,所述系统还包括:
数据采集模块,用于采集第二预设时间段的被监测区域内所有监测站点的观测数据,将所述观测数据进行存储。
7.根据权利要求6所述的系统,其特征在于,所述系统还包括:
数据处理模块,用于对采集到的所述观测数据进行异常值剔除处理。
8.一种空气污染监测数据的时间序列增长分析系统,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710272216.7A CN107239592B (zh) | 2017-04-24 | 2017-04-24 | 一种空气污染监测数据的时间序列增长分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710272216.7A CN107239592B (zh) | 2017-04-24 | 2017-04-24 | 一种空气污染监测数据的时间序列增长分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107239592A CN107239592A (zh) | 2017-10-10 |
CN107239592B true CN107239592B (zh) | 2019-11-29 |
Family
ID=59984172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710272216.7A Active CN107239592B (zh) | 2017-04-24 | 2017-04-24 | 一种空气污染监测数据的时间序列增长分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239592B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109781945B (zh) * | 2019-02-14 | 2022-06-10 | 北京市环境保护监测中心 | 一种基于移动装置的污染物区域间传输排查方法与系统 |
CN110059355B (zh) * | 2019-03-18 | 2021-06-01 | 清华大学 | 基于浓度时间序列的泄漏源定位方法、装置和计算机设备 |
CN111950936B (zh) * | 2020-08-31 | 2023-08-18 | 平安国际智慧城市科技股份有限公司 | 空气质量监测方法、装置、设备及介质 |
CN112861327B (zh) * | 2021-01-21 | 2022-09-23 | 山东大学 | 一种面向大气超级站的大气化学全过程在线分析系统 |
CN112905960B (zh) * | 2021-02-18 | 2024-04-19 | 中国环境科学研究院 | 用于判定尾气烟羽数据有效性和对其筛选的方法及产品 |
CN113378350A (zh) * | 2021-04-28 | 2021-09-10 | 中国地震局地质研究所 | 一种温度变化趋势确定方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798610A (zh) * | 2012-06-05 | 2012-11-28 | 清华大学 | 一种基于半高宽积分法的气体浓度在线测量方法 |
CN104850734A (zh) * | 2015-04-21 | 2015-08-19 | 武大吉奥信息技术有限公司 | 一种基于时空分布特征的空气质量指数预测方法 |
CN104850583A (zh) * | 2015-04-15 | 2015-08-19 | 清华大学 | 海量气候模式输出数据的分布式协同分析系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7045359B2 (en) * | 2002-07-26 | 2006-05-16 | Novanox, Llc | Method and apparatus to detect a gas by measuring ozone depletion |
-
2017
- 2017-04-24 CN CN201710272216.7A patent/CN107239592B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798610A (zh) * | 2012-06-05 | 2012-11-28 | 清华大学 | 一种基于半高宽积分法的气体浓度在线测量方法 |
CN104850583A (zh) * | 2015-04-15 | 2015-08-19 | 清华大学 | 海量气候模式输出数据的分布式协同分析系统及方法 |
CN104850734A (zh) * | 2015-04-21 | 2015-08-19 | 武大吉奥信息技术有限公司 | 一种基于时空分布特征的空气质量指数预测方法 |
Non-Patent Citations (1)
Title |
---|
大气环境数据分析预测方法对比研究;张静,等;《中国环境监测》;20101231;第66-69、84页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107239592A (zh) | 2017-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107239592B (zh) | 一种空气污染监测数据的时间序列增长分析方法及系统 | |
CN104103005B (zh) | 一种有限条件下突发性水环境事件污染源的溯源方法 | |
CN105181898B (zh) | 基于大密度部署传感器的大气污染监控及管理方法及系统 | |
CN103325068B (zh) | 一种实时动态三维电网污区分布图的绘制方法 | |
Richardson et al. | Statistical properties of random CO2 flux measurement uncertainty inferred from model residuals | |
IL271440A (en) | A method and system for classifying defects | |
US8352410B2 (en) | Method and system for estimating vegetation growth relative to an object of interest | |
CN106339775A (zh) | 基于天气分型和气象要素聚类的空气重污染案例判别方法 | |
CN110322583A (zh) | 异常探测系统、支持装置以及异常探测方法 | |
CN104200113A (zh) | 基于高斯过程的物联网数据不确定性度量、预测与野值剔除方法 | |
CN109871613B (zh) | 一种森林火灾判别模型获取方法及预测应用 | |
Boncina et al. | A comparative analysis of recent changes in Dinaric uneven-aged forests of the NW Balkans | |
CN110827169B (zh) | 一种基于分级指标的分布式电网业务监控方法 | |
CN115576284A (zh) | 一种服装车间智能化管理方法及系统 | |
CN117171223B (zh) | 一种微生物修复过程中的微生物培养方案推荐方法及系统 | |
Chamecki et al. | Atmospheric dispersion of wheat rust spores: a new theoretical framework to interpret field data and estimate downwind dispersion | |
Bäuerle et al. | Spatial modeling of habitat trees based on line transect sampling and point pattern reconstruction | |
Alard et al. | Biodiversity in changing landscapes: from species or patch assemblages to system organisation | |
CN103217590A (zh) | 一种自动获取大气电场雷电预警特征参数阈值的方法 | |
CN116930423A (zh) | 一种空气质量模型模拟效果的自动验证评估方法及系统 | |
Giordani et al. | Beta diversity and similarity of lichen communities as a sign of the times | |
CN110188799A (zh) | 一种计量数据多维分析与智能运维方法 | |
Hu et al. | Structuring interaction networks between epiphytic bryophytes and their hosts in Yunnan, SW China | |
CN111459996B (zh) | 对油枪在指定时间段内的工作状态进行检测的方法及装置 | |
CN108875793B (zh) | 一种基于cso-lssvm的污区等级评估方法 |
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 |