CN108802262A - 基于多组分在线监测数据与因子分析模型联用的目标因子转换-pmf耦合算法 - Google Patents
基于多组分在线监测数据与因子分析模型联用的目标因子转换-pmf耦合算法 Download PDFInfo
- Publication number
- CN108802262A CN108802262A CN201810627097.7A CN201810627097A CN108802262A CN 108802262 A CN108802262 A CN 108802262A CN 201810627097 A CN201810627097 A CN 201810627097A CN 108802262 A CN108802262 A CN 108802262A
- Authority
- CN
- China
- Prior art keywords
- factor
- model
- spectrum
- target elements
- analysis model
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000000556 factor analysis Methods 0.000 title claims abstract description 30
- 230000008878 coupling Effects 0.000 title claims abstract description 15
- 238000010168 coupling process Methods 0.000 title claims abstract description 15
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 15
- 238000007405 data analysis Methods 0.000 title description 4
- 238000001228 spectrum Methods 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 102000003712 Complement factor B Human genes 0.000 claims abstract 2
- 108090000056 Complement factor B Proteins 0.000 claims abstract 2
- 150000002500 ions Chemical class 0.000 claims description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 239000013618 particulate matter Substances 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 229910052804 chromium Inorganic materials 0.000 claims description 6
- 239000000470 constituent Substances 0.000 claims description 6
- 229910052802 copper Inorganic materials 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 229910052742 iron Inorganic materials 0.000 claims description 6
- 229910052745 lead Inorganic materials 0.000 claims description 6
- 229910052748 manganese Inorganic materials 0.000 claims description 6
- 229910052759 nickel Inorganic materials 0.000 claims description 6
- 229910052725 zinc Inorganic materials 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 229910052787 antimony Inorganic materials 0.000 claims description 4
- 229910052785 arsenic Inorganic materials 0.000 claims description 4
- 229910052797 bismuth Inorganic materials 0.000 claims description 4
- 229910052793 cadmium Inorganic materials 0.000 claims description 4
- 229910052733 gallium Inorganic materials 0.000 claims description 4
- 229910001385 heavy metal Inorganic materials 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 229910052700 potassium Inorganic materials 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 229910052718 tin Inorganic materials 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000004255 ion exchange chromatography Methods 0.000 claims 1
- 238000000034 method Methods 0.000 description 6
- 239000003245 coal Substances 0.000 description 5
- HRKQOINLCJTGBK-UHFFFAOYSA-N dihydroxidosulfur Chemical class OSO HRKQOINLCJTGBK-UHFFFAOYSA-N 0.000 description 5
- 239000000428 dust Substances 0.000 description 5
- 239000000779 smoke Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- CHCGWNQHGOGCNA-UHFFFAOYSA-N 2,3-dimethyl-4-nitrobenzoic acid Chemical class CC1=C(C)C([N+]([O-])=O)=CC=C1C(O)=O CHCGWNQHGOGCNA-UHFFFAOYSA-N 0.000 description 3
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910017604 nitric acid Inorganic materials 0.000 description 2
- 125000003636 chemical group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/96—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation using ion-exchange
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
Landscapes
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供基于多组分在线监测数据与因子分析模型联用的目标因子转换‑PMF耦合算法。包括：在线数据的输入，构建多组分在线数据，输入到因子分析模型；模型参数设置，选择因子个数，设置模型参数；确定实测源成分谱，并将实测源成分谱归一化；实际源贡献的计算，利用输入的受体数据和归一化的实测源成分谱计算出源贡献；模型计算与目标因子替换，模型经计算得到初始的因子成分谱和因子贡献，用归一化的实测源谱和实际源贡献对其替换；拉伸计算，在替换后的基础上进行拉伸操作，得到最终计算结果。本发明提供的目标因子转换‑PMF耦合算法能实现因子分析模型计算中拉伸计算功能的自动化，具有很好的推广应用前景。
Description
技术领域
本发明涉及大气颗粒物源解析领域，具体涉及一种目标因子转换-PMF耦合算法。
背景技术
改善中国区域性霾污染现状，提高大气能见度，需对高浓度PM2.5进行有效控制和治理，使用科学的源解析方法判断PM2.5来源是控制和治理的关键。为治理严重大气污染，20世纪70年代美国率先开展颗粒物来源解析的研究，20世纪90年代欧洲的相关研究也有显著进展。我国源解析工作起步于20世纪80年代。
PM2.5来源解析是科学、有效地开展灰霾污染防治的基础和前提，是制定空气质量达标规划的重要依据。目前PM2.5源解析以离线的滤膜采样为主，采样时间一般为24小时或更长，从样品采集、化学组分析到模型结果的获取周期长，一定时间内平均化的数据无法捕捉小时间尺度(如几分钟或几小时)的高浓度污染过程，难以满足对短时间内突发重污染事件来源解析的需求。近年来研发出的多种颗粒物在线仪器可提供某些化学组分和示踪物的实时浓度，在线源解析可为制定快速和有效的控制措施提供重要的决策服务，是未来源解析工作发展的重要方向。
目前，利用因子分析模型结合在线监测数据建立的在线源解析技术能快速的解析重污染天气过程中颗粒物的主要来源。但是因子分析模型的计算过程主要是基于数学方法，不考虑数据本身的物理意义，这就使得计算的结果与实际情况有差别；因此需要通过人工经验判别，对初始结果进行拉伸计算，使得结果更符合实际物理意义。想要得到理想的结果，目前的在线源解析技术无法实现真正的自动化。
发明内容
本发明的目的是解决当前基于在线监测数据与因子分析模型联用的在线源解析技术中，无法通过自动化方法得到较为合理源解析结果的问题；基于较高时间分辨率测量仪器得到的在线监测数据，结合因子分析模型，提供了一种目标因子转换-PMF耦合算法。本发明通过提出的目标因子转换方法，用归一化的实测源谱和计算得到的源贡献替换因子分析模型初始的因子成分谱和因子贡献，在此基础上对实测源谱中的标识组分固定后再进行拉伸计算，将其转化成计算机语言嵌套到模型中，从而实现自动化因子拉伸，最终得到理想结果。
本发明提供的基于多组分在线监测数据与因子分析模型联用的目标因子转换-PMF耦合算法，采用的技术方案如下：
第1步.输入在线数据；
基于不同仪器监测的颗粒物浓度及其化学组分在线监测数据构成的模型输入数据，包括颗粒物浓度，水溶性离子，碳组分和元素浓度数据；
颗粒物浓度是指由颗粒物在线监测仪器测量的PM2.5浓度；水溶性离子由在线离子色谱分析仪测量，包括NH4 +、Na+、K+、Ca2+、Mg+、SO4 2-、NO3 -和Cl-；碳组分由半连续OC/EC仪器测量，包括OC和EC；元素由重金属在线分析仪监测，包括K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Ag、Cd、Sn、Sb、Ba、Au、Hg、Tl、Pb和Bi组分。
第2步.设置模型参数；
本发明使用的因子分析模型是multilinear engine-2(ME2)，需要输入因子分析模型的参数包括输入数据的行、列数，提取的因子个数和模型计算的不确定性参数，模型计算之前，需要同时输入这四个必要参数。同时设置与模型输出文件有关参数，使得计算出的因子成分谱(F0)为归一化结果。
第3步.将实测源谱进行归一化；
实测源成分谱是与输入数据对应的本地化源谱，将每类源中各个组分的含量分别除以每个组分含量的平均值，使得每类源中各组分含量的平均值为1，最终得到归一化后的源谱(F实)。
第4步.计算得到源贡献矩阵
根据公式G实＝X*pinv(F实’)，其中，利用真实受体数据(X)和实测源谱(F实)计算出源贡献矩阵(G实)。
第5步.目标因子替换；
运行模型计算后，用第3步和第4步中所述的F实和G实替换模型计算后得到初始的因子成分谱和因子贡献，替换后的结果作为初始计算结果。
第6步.因子拉伸
在初始计算结果的基础上设置拉伸条件，拉伸计算时将F实中每类源的标识组分固定，运行拉伸计算，最终得到模型计算结果。污染源标识组分设定为：扬尘的标识组分为Ca；煤烟尘的标识组分为Ca、OC、EC；二次硫酸盐的标识组分为SO4 2-、NH4 +；二次硝酸盐的标识组分为NO3 -、NH4 +；机动车的标识组分为OC、EC。
本发明的优点和有益效果：
本发明提供的目标因子转换-PMF耦合算法能实现因子分析模型计算中拉伸计算功能的自动化，提高模型计算的效率，实现了因子分析模型的自动化计算，并且使得因子分析模型的解析结果更加接近真实情况，具有很好的推广应用前景。
附图说明
图1示出了自动源识别的流程图。
具体实施方式
实施例1
本实例利用在线监测数据和因子分析模型进行污染源识别的模型计算，具体步骤如下：
第1步.构建因子分析模型输入数据。所述的输入数据包括水溶性离子，碳组分，元素，颗粒物浓度。
利用颗粒物在线监测仪器测量PM2.5浓度。
利用半连续OC/EC仪器测量碳组分，包括OC和EC的浓度。
利用在线离子色谱分析仪测量水溶性离子，包括NH4 +、Na+、Mg2+、K+、Ca2+、SO4 2-、NO3 -、Cl-等的浓度。
利用重金属在线分析仪监测元素，包括K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Ag、Cd、Sn、Sb、Ba、Au、Hg、Tl、Pb和Bi等的浓度。(每次输入数据的组分类别根据实际监测数据会有一定变化)。
从2014年7月22日0时至2014年7月31日23时连续采样，监测的数据时间分辨率为1小时，共获得受体数据240条，包含NH4 +、Na+、Mg2+、SO4 2-、NO3 -、K-、Ca、Cr、Mn、Fe、Ni、Cu、Zn、Pb、OC、EC共16中组分。
第2步.设置模型输入参数，本发明使用的因子分析模型是multilinear engine-2(ME2)，需要输入因子分析模型的参数包括输入数据的行、列数，提取的因子个数和模型计算的不确定性参数，模型计算之前，需要同时输入这四个必要参数。本实施例输入设置如下：
行数：240行；列数：16列；提取的因子个数：5；模型计算的不确定性参数：0.25。同时设置与模型输出文件有关参数，使得计算出的因子成分谱(F0)为归一化结果。
第3步.将实测源谱进行归一化；
实测源成分谱是与输入数据对应的本地化源谱，如表1所示，现将每类源中各个组分的含量分别除以每个组分含量的平均值，使得每类源中各组分含量的平均值为1，最终得到归一化后的源谱(F实)，如表2所示。
表1实测源成分谱
表2归一化实测源成分谱
第4步.参见附图1的左半部分，根据公式G实＝X*pinv(F实’)，其中，利用在线监测受体数据(X)和实测源谱(F实)计算出源贡献矩阵(G实)。
第5步.参见附图1的右半部分，运行模型计算后，用第3步和第4步中所述的F实和G实替换模型计算后得到初始的因子成分谱和因子贡献，替换后的结果作为初始计算结果。
第6步.在初始计算结果的基础上设置拉伸条件，拉伸计算时将F实中每类源的标识组分固定，污染源标识组分设定为：扬尘的标识组分为Ca；煤烟尘的标识组分为Ca、OC、EC；二次硫酸盐的标识组分为SO4 2-、NH4 +；二次硝酸盐的标识组分为NO3 -、NH4 +；机动车的标识组分为OC、EC。运行拉伸计算，最终得到模型计算结果，其中计算得到的因子成分谱如表3所示，因子1、因子2、因子3、因子4、因子5可由标识组分分别识别为扬尘、煤烟、二次硫酸、二次硝酸、机动车，各因子贡献结果与表2相比较为一致，说明计算得到的结果基本符合环境真实情况。
表3计算得到因子成分谱
实施例2
本实例利用在线监测数据和因子分析模型进行污染源识别的模型计算，具体步骤如下：
第1步.构建因子分析模型输入数据。所述的输入数据包括水溶性离子，碳组分，元素，颗粒物浓度。
利用颗粒物在线监测仪器测量PM2.5浓度。
利用半连续OC/EC仪器测量碳组分，包括OC和EC的浓度。
利用在线离子色谱分析仪测量水溶性离子，包括NH4 +、Na+、Mg2+、K+、Ca2+、SO4 2-、NO3 -、Cl-等的浓度。
利用重金属在线分析仪监测元素，包括K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Ag、Cd、Sn、Sb、Ba、Au、Hg、Tl、Pb和Bi等的浓度。(每次输入数据的组分类别根据实际监测数据会有一定变化)。
从2014年8月1日0时至2014年8月12日23时连续采样，监测的数据时间分辨率为1小时，共获得受体数据288条，包含NH4 +、Na+、Mg2+、SO4 2-、NO3 -、K-、Ca、Cr、Mn、Fe、Ni、Cu、Zn、Pb、OC、EC共16中组分。
第2步.设置模型输入参数，本发明使用的因子分析模型是multilinear engine-2(ME2)，需要输入因子分析模型的参数包括输入数据的行、列数，提取的因子个数和模型计算的不确定性参数，模型计算之前，需要同时输入这四个必要参数。本实施例输入设置如下：
行数：288行；列数：16列；提取的因子个数：5；模型计算的不确定性参数：0.30。同时设置与模型输出文件有关参数，使得计算出的因子成分谱(F0)为归一化结果。
第3步.将实测源谱进行归一化；
实测源成分谱是与输入数据对应的本地化源谱，如表4所示，现将每类源中各个组分的含量分别除以每个组分含量的平均值，使得每类源中各组分含量的平均值为1，最终得到归一化后的源谱(F实)，如表5所示。
表4实测源成分谱
表5归一化实测源成分谱
第4步.参见附图1的左半部分，根据公式G实＝X*pinv(F实’)，其中，利用在线监测受体数据(X)和实测源谱(F实)计算出源贡献矩阵(G实)。
第5步.参见附图1的右半部分，运行模型计算后，用第3步和第4步中所述的F实和G实替换模型计算后得到初始的因子成分谱和因子贡献，替换后的结果作为初始计算结果。
第6步.在初始计算结果的基础上设置拉伸条件，拉伸计算时将F实中每类源的标识组分固定，污染源标识组分设定为：扬尘的标识组分为Ca；煤烟尘的标识组分为Ca、OC、EC；二次硫酸盐的标识组分为SO4 2-、NH4 +；二次硝酸盐的标识组分为NO3 -、NH4 +；机动车的标识组分为OC、EC。运行拉伸计算，最终得到模型计算结果，其中计算得到的因子成分谱如表6所示，因子1、因子2、因子3、因子4、因子5可由标识组分分别识别为扬尘、煤烟、二次硫酸、二次硝酸、机动车，各因子贡献结果与表5相比较为一致，说明计算得到的结果基本符合环境真实情况。
表6计算得到因子成分谱
Claims (7)
1.基于多组分在线监测数据与因子分析模型联用的目标因子转换-PMF耦合算法，其特征在于包括：
在线数据的输入，利用在线监测仪器监测的颗粒物及其组分浓度，构建多组分在线数据，输入到因子分析模型；
模型参数设置，选择因子个数，设置模型计算参数；
确定实测源成分谱，并将实测源成分谱归一化；
实际源贡献的计算，利用输入的受体数据和归一化的实测源成分谱计算出源贡献；
模型计算与目标因子替换，模型经计算得到初始的因子成分谱和因子贡献，用归一化的实测源谱和实际源贡献对其替换，得到初始计算结果；
拉伸计算，在初始结果的基础上进行拉伸操作，设置拉伸条件，得到最终的模型计算结果。
2.如权利要求1中所述的基于多组分在线监测数据与因子分析模型联用的目标因子转换-PMF耦合算法，其特征在于所述的在线数据的输入，是基于不同仪器监测的颗粒物浓度及其化学组分在线监测数据构成的模型输入数据，包括颗粒物浓度，水溶性离子，碳组分和元素浓度数据；
颗粒物浓度是指由颗粒物在线监测仪器测量的PM2.5浓度；水溶性离子由在线离子色谱分析仪测量，包括NH4 +、Na+、K+、Ca2+、Mg+、SO4 2-、NO3 -和Cl-；碳组分由半连续OC/EC仪器测量，包括OC和EC；元素由重金属在线分析仪监测，包括K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Ag、Cd、Sn、Sb、Ba、Au、Hg、Tl、Pb和Bi组分。
3.如权利要求1中所述的基于多组分在线监测数据与因子分析模型联用的目标因子转换-PMF耦合算法，其特征在于所述的因子分析模型是multilinear engine-2，需要输入因子分析模型的参数包括输入数据的行、列数，提取的因子个数和模型计算的不确定性参数，模型计算之前，需要同时输入这四个必要参数，同时设置与模型输出文件有关参数，使得计算出的因子成分谱F0为归一化结果。
4.如权利要求1中所述的基于多组分在线监测数据与因子分析模型联用的目标因子转换-PMF耦合算法，其特征在于所述的实测源成分谱是与输入数据对应的本地化源谱，将实测源谱进行归一化，得到归一化后的源谱F实，使得每类源中各组分含量的平均值为1。
5.如权利要求1中所述的基于多组分在线监测数据与因子分析模型联用的目标因子转换-PMF耦合算法，根据公式G实＝X*pinv(F实’)，利用输入受体数据X和实测源谱F实计算出源贡献矩阵G实。
6.如权利要求1中所述的基于多组分在线监测数据与因子分析模型联用的目标因子转换-PMF耦合算法，其特征在于所述的目标因子转换，是指模型计算后，用权利要求4和权利要求5中所述的F实和G实替换模型计算后得到初始的因子成分谱和因子贡献，替换后的结果作为初始计算结果。
7.如权利要求1中所述的基于多组分在线监测数据与因子分析模型联用的目标因子转换-PMF耦合算法，其特征在于所述的拉伸计算要在初始计算结果的基础上设置拉伸条件，拉伸计算时根据实际源谱情况和具体需求将F实中每类源的标识组分固定，运行拉伸计算，最终得到模型计算结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810627097.7A CN108802262B (zh) | 2018-06-19 | 2018-06-19 | 基于在线多组分数据的目标因子转换-pmf源解析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810627097.7A CN108802262B (zh) | 2018-06-19 | 2018-06-19 | 基于在线多组分数据的目标因子转换-pmf源解析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108802262A true CN108802262A (zh) | 2018-11-13 |
| CN108802262B CN108802262B (zh) | 2020-08-07 |
Family
ID=64083290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810627097.7A Active CN108802262B (zh) | 2018-06-19 | 2018-06-19 | 基于在线多组分数据的目标因子转换-pmf源解析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108802262B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110361304A (zh) * | 2019-06-20 | 2019-10-22 | 南开大学 | 基于ams数据估算不同生成路径对颗粒物中二次无机粒子影响的方法 |
| CN112304813A (zh) * | 2020-10-16 | 2021-02-02 | 南开大学 | 一种大气颗粒物健康风险来向源解析方法 |
| CN112614553A (zh) * | 2020-12-29 | 2021-04-06 | 南开大学 | 一种基于化学动力学-受体模型融合技术的VOCs来源解析方法 |
| CN114117893A (zh) * | 2021-11-08 | 2022-03-01 | 南开大学 | 一种解析大气降尘污染来源及其评估污染源对降尘边际效应的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020156610A1 (en) * | 1997-03-04 | 2002-10-24 | Mitsubishi Denki Kabushiki Kaisha | Gate delay calculation apparatus and method thereof using parameter expressing RC model source resistance value |
| US20090172803A1 (en) * | 2002-06-19 | 2009-07-02 | Brustoloni Jose C | Method and apparatus for incrementally deploying ingress filtering on the internet |
| CN107239613A (zh) * | 2017-06-05 | 2017-10-10 | 南开大学 | 一种基于在线数据和因子分析模型的智能源类识别方法 |
| CN107402284A (zh) * | 2017-07-13 | 2017-11-28 | 南开大学 | 基于气体标识的大气污染物多元源解析算法 |
-
2018
- 2018-06-19 CN CN201810627097.7A patent/CN108802262B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020156610A1 (en) * | 1997-03-04 | 2002-10-24 | Mitsubishi Denki Kabushiki Kaisha | Gate delay calculation apparatus and method thereof using parameter expressing RC model source resistance value |
| US20090172803A1 (en) * | 2002-06-19 | 2009-07-02 | Brustoloni Jose C | Method and apparatus for incrementally deploying ingress filtering on the internet |
| CN107239613A (zh) * | 2017-06-05 | 2017-10-10 | 南开大学 | 一种基于在线数据和因子分析模型的智能源类识别方法 |
| CN107402284A (zh) * | 2017-07-13 | 2017-11-28 | 南开大学 | 基于气体标识的大气污染物多元源解析算法 |
Non-Patent Citations (7)
| Title |
|---|
| GUI-RONG LIU 等: "Physically constrained source apportionment (PCSA) for polycyclic aromatic hydrocarbon using the Multilinear Engine 2-species ratios (ME2-SR) method", 《SCIENCE OF THE TOTAL ENVIRONMENT》 * |
| GUO-LIANG SHI 等: "Combined source apportionment, using positive matrix factorization–chemical mass balance and principal component analysis/multiple linear regression–chemical mass balance models", 《ATMOSPHERIC ENVIRONMENT》 * |
| MICHAEL P. ZELENKA 等: "A combined TTFA/CMB receptor modeling approach and its application to air pollution sources in China", 《ATMOSPHERIC ENVIRONMENT》 * |
| PHILIP K. HOPKE: "Target Transformation Factor Analysis", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
| 周来东: "成都市春季大气飘尘目标变换因子分析", 《四川环境》 * |
| 张远航等: "重庆市交通扬尘尘源的鉴别", 《环境科学研究》 * |
| 杨旭曙 等: "大气颗粒物中多环芳烃的源解析方法", 《环境监测管理与技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110361304A (zh) * | 2019-06-20 | 2019-10-22 | 南开大学 | 基于ams数据估算不同生成路径对颗粒物中二次无机粒子影响的方法 |
| CN110361304B (zh) * | 2019-06-20 | 2021-10-01 | 南开大学 | 基于pmf3模型和ams数据估算不同生成路径对颗粒物中二次无机粒子贡献的方法 |
| CN112304813A (zh) * | 2020-10-16 | 2021-02-02 | 南开大学 | 一种大气颗粒物健康风险来向源解析方法 |
| CN112304813B (zh) * | 2020-10-16 | 2023-09-01 | 南开大学 | 一种大气颗粒物健康风险来向源解析方法 |
| CN112614553A (zh) * | 2020-12-29 | 2021-04-06 | 南开大学 | 一种基于化学动力学-受体模型融合技术的VOCs来源解析方法 |
| CN112614553B (zh) * | 2020-12-29 | 2022-07-26 | 南开大学 | 一种基于化学动力学-受体模型融合技术的VOCs来源解析方法 |
| CN114117893A (zh) * | 2021-11-08 | 2022-03-01 | 南开大学 | 一种解析大气降尘污染来源及其评估污染源对降尘边际效应的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108802262B (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108802262A (zh) | 基于多组分在线监测数据与因子分析模型联用的目标因子转换-pmf耦合算法 | |
| CN111814111B (zh) | 一种工业园区大气污染物溯源方法 | |
| CN107239613A (zh) | 一种基于在线数据和因子分析模型的智能源类识别方法 | |
| CN108446531A (zh) | 基于实测源成分谱和源解析技术的受体Si和Al重构方法 | |
| CN110057983A (zh) | 一种基于观测数据和化学机制的臭氧来源解析方法 | |
| CN110967320A (zh) | 一种柴油车气态排气污染物遥感检测系统及方法 | |
| CN107944213A (zh) | Pmf在线源解析方法、系统、终端设备及计算机可读存储介质 | |
| CN108519465B (zh) | 一种基于大数据的空气污染智能监测系统 | |
| CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
| CN102262039A (zh) | 单颗粒气溶胶质谱对室内重金属污染检测的方法及装置 | |
| CN112613675A (zh) | 一种分析污染源与气象因素对不同程度pm2.5污染影响贡献和效应的机器学习模型 | |
| CN115812634B (zh) | 一种孵前种蛋受精信息无损分拣方法及装置 | |
| CN114943917A (zh) | 一种视觉识别污水厂好氧池曝气量的算法 | |
| CN112687350A (zh) | 空气细颗粒物的来源解析方法、电子设备及存储介质 | |
| CN109883931A (zh) | 一种pm2.5在线源解析方法及测量系统 | |
| CN109085291B (zh) | 缺失组分迭代反演标定嵌套—pmf源解析算法 | |
| CN116087044A (zh) | 一种基于cmb模型的pm2.5在线来源解析方法及设备 | |
| CN115718075A (zh) | 一种评估草地不同退化程度模型及方法 | |
| CN113295826B (zh) | 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法 | |
| CN107876530A (zh) | 一种实验室内基础设施智能清洗方法 | |
| CN108171381B (zh) | 一种高炉co利用率混沌加权一阶局部预测方法和系统 | |
| CN117649123A (zh) | 一种智慧园区管理系统 | |
| CN108775921A (zh) | 工业烟气在线连续监测装置 | |
| CN115791537B (zh) | 基于同位素的颗粒物在线源解析方法、系统、设备及介质 | |
| CN112907096B (zh) | 一种重金属污染风险评估系统 |
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 |