CN108802856A - 一种基于ai的源数据动态修正预报系统及其工作方法 - Google Patents
一种基于ai的源数据动态修正预报系统及其工作方法 Download PDFInfo
- Publication number
- CN108802856A CN108802856A CN201810293244.1A CN201810293244A CN108802856A CN 108802856 A CN108802856 A CN 108802856A CN 201810293244 A CN201810293244 A CN 201810293244A CN 108802856 A CN108802856 A CN 108802856A
- Authority
- CN
- China
- Prior art keywords
- data
- forecast
- source
- source data
- pollution
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims description 21
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012805 post-processing Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims abstract description 4
- 239000000126 substance Substances 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 15
- 239000003344 environmental pollutant Substances 0.000 claims description 12
- 231100000719 pollutant Toxicity 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000926 atmospheric chemistry Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims 1
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 244000107687 Salvia compar Species 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AI的源数据动态修正预报系统，其特征在于，包括源数据采集系统、大数据处理中心、云平台和动态修订系统；所述云平台用于源数据采集系统所得的数据资料进行存储备份；所述数据采集系统包括采集公共气象监测点和其他可用的采集终端，所述数据采集系统用于汇总污染的源数据上报至云平台；所述采集终端与云平台采用无线通信或有线方式进行信息传输；所述动态修订系统包括有效值过滤模块，预报模拟模块和后处理模块；本发明解决解决污染源处理系统因气象要素变化导致预报产品不定性以及精度不高的问题。
Description
技术领域
本发明属于气象预报技术领域，尤其是涉及一种基于AI的源数据动态修正预报系统及其工作方法。
背景技术
近年来，我国也在污染源排放清单领域开展了一些研究，取得了一定成效，但与欧美国家相比，区域排放清单工作相对落后，以往各项相关研究所得的结果其相对独立性较强，对特定区域缺乏可比性，同时，由于污染源排放并不是固定不变的，一年中不同时段，或者年与年之间，都存在显著的变化。随着经济的发展，在经济落后地区，其排放量还将逐年上升，而在经济发达地区，随着产业转型，其排放特征也将发生变化，排放清单的研制，始终远远落后于污染源排放的变化，未能满足环境管理部门利用排放清单研究成果辅助政府了解大气污染源排放的时空变化特征、对比评估大气污染控制成效等需求。
污染源排放清单是在污染源排放状况数据库的基础上，对某一地区一种或几种污染物排放源的排放量进行统计，它是空气质量数值研究和预报的重要组成部分，对了解大气污染成因，污染过程以及分布具有重要的意义。
全球大气已形成多套不同分辨率的排放清单，如全球大气研究排放数据库、东亚主要大气污染物排放清单、清华大学中国多尺度排放清单等。这些清单的建立有效促进了空气质量数值研究和预报工作的开展。
目前，我国源清单存在分辨率不高，更新不够及时等不足，与高分辨数值预报研究的需要还有一定的差距，因此，为了保证预报系统的稳定，在预报系统中建立污染源清单的动态优化机制，显得尤其重要，而本发明有利于弥补以上不足，使空气质量数值预报结果更贴近真实状况，对了解大气污染时空演变规律、内在机理和成因来源提供有力的支撑。
发明内容
本发明所要解决的技术问题是，克服现有技术的缺点，提供一种基于AI的源数据动态修正预报系统及其工作方法，解决污染源处理系统因气象要素变化导致预报产品不定性以及精度不高的问题。
本发明提供一种基于AI的源数据动态修正预报系统，包括源数据采集系统、大数据处理中心、云平台和动态修订系统；所述云平台用于源数据采集系统所得的数据资料进行存储备份；所述数据采集系统包括采集公共气象监测点和其他可用的采集终端，所述数据采集系统用于汇总污染的源数据上报至云平台；所述采集终端与云平台采用无线通信或有线方式进行信息传输；所述动态修订系统包括有效值过滤模块，预报模拟模块和后处理模块；所述动态修订系统用于根据污染源清单、气象初始场、大气污染物监测初始场和大气化学反应机理，实时获取观测数据、畸变校验，整理分析，模拟观测对比，进而不同区域的源数据清单进行优化调整，调取云平台的存储数据，及时校正因子库。
本发明进一步限定的技术方案是：
所述有效值过滤模块包括污染初始场、气象初始场以及源数据清单，所述有效值过滤模块用于对采集到的污染气体的源数据的初步筛选、畸变校验以及特征增强处理，确定排放清单不同区域系数的调整，减少观测误差的影响。
所述预报模拟模块用于根据气象环境对污染源检测区域得到更新的数值与原来的数值进行比对，从而计算出污染源的精确数值，从而确定污染地区的污染等级；
所述后处理模块用于对提取需要预报的已校验后的数据生成可视化的图表，并为需要服务的企业进行分布分析与影响范围预测提供可视化服务。
所述气象初始场的因子库配置为在中尺度模式基础上，由因子库配置的化学模式提取化学预报模式，前一天的监测数据作为修正项,并考虑化学模式预报的浓度变化趋势,从而进行自动修正。
所述污染初始场的因子库配置获取自然源和人为源，作为区域污染源初始参数。
所述源数据清单的因子配置是通过监测到的数据根据LPDM计算污染物来源贡献率，畸变偏差纠正剔除无效数据，从而确定不同区域调整参数对进行比对优化。
本发明还提供一种基于AI的源数据动态修正预报系统的工作方法，包括如下步骤：步骤一、因子库配置
a.基于中尺度模式结合数据同化技术模拟需要预报的气象场的初始值；
b.提取化学预报模式所要求提取的参照因素设置大气污染物监测初始场的初始值；
c.通过自然源模式模式和人为源模式模式获取自然源和人为源，作为区域污染源初始场的初始值；
d.根据大气化学反应机理设置化学预报模式的基础参数；
形成因子库，作为参照系。
步骤二、数据采集整理参数优化设定
所述数据采集系统会将排放源数据上报至云平台，存储备份；通过大数据处理中心调取源数据列表，按照LPDM计算污染来源贡献以及预报和观测误差系数对进行修正优化得到有效数据的源数据清单；
步骤三、云平台获取各个城市逐小时的污染观测数据，数据处理后，导入动态修订系统的模型，及时更新因子库，并且获取源数据清单；
步骤四、预报模拟计算出污染气体的地区浓度分布以及时间变化
所得到的气场初始场、污染初始场以及源排放数据清单汇总整理分析模拟出包含有污染气体的浓度以及时间变化；
步骤五、通过后处理模块，数据提取未来3-5d内主要污染物的逐小时浓度以及空气质量指数；通过软件处理得到预报产品。
进一步地，
在步骤一中，所述气象场的初始值的精度的模式预报区域采用两层嵌套：
第一层区域覆盖全国地区，设定为粗网格的中尺度天气预报模式下；
第二层区域嵌套覆盖中国中东部地区，设定为细网格的中尺度天气预报模式下；
所述气象场的初始值为对污染有影响的要素，包括气象场的风速、风向、温度、湿度、气压等因素，通过MCIP将中尺度模式的输出文件格式转成化学模式可识别的格式。
所述动态修订系统为将衡量污染程度的污染气体数据进行提取，提出异常值，校验后所得列表，通过Fortran程序将其转化为NC格式文件，同时所述源数据采集系统获取数据列表整理出每小时的NC格式文件，将所述源数据采集系统获取24份NC格式文件的数据包进行对分析。
所述动态修订过程是将站点逐小时数据汇总后先通过最小二乘法来确定观测值与预报值之间的误差，再通过拉格朗日模型快速精算污染的来源贡献，进而得出污染物潜在源区贡献分布，并以此将预报和观测的误差归因到不同区域，进而确定不同区域源数据清单的调整系数。
本发明的有益效果是：通过大数据处理高度运算以及污染源的动态变化的推演使得预报结果更贴合大气的真实情况，设置因子库调节机制自动修复以更改因素参数，对预报精度更高，准确度更好。
附图说明
图1为本发明的设备系统结构图。
图2为本发明的动态修订系统的工作流程图。
图3为本发明的预报产品的工作方法图。
具体实施方式
实施例1
如图1-2所示，本实施例提供了一种基于AI的源数据动态修正预报系统，其特征在于，包括源数据采集系统、大数据处理中心、云平台和动态修订系统；
所述云平台用于源数据采集系统所得的数据资料进行存储备份；
所述数据采集系统包括采集公共气象监测点和其他可用的采集终端，所述数据采集系统用于汇总污染的源数据上报至云平台；所述采集终端与云平台采用无线通信或有线方式进行信息传输；所述动态修订系统包括有效值过滤模块，预报模拟模块和后处理模块；所述动态修订系统用于根据污染源清单、气象初始场、大气污染物监测初始场和大气化学反应机理等因素，实时获取观测数据、畸变校验，整理分析，模拟观测对比，进而不同区域的源数据清单进行优化调整，调取云平台的存储数据，及时校正因子库。
所述有效值过滤模块包括污染初始场、气象初始场以及源数据清单，所述有效值过滤模块用于对采集到的污染气体的源数据的初步筛选、畸变校验以及特征增强处理，确定排放清单不同区域系数的调整，减少观测误差的影响。
所述预报模拟模块用于根据气象环境对污染源检测区域得到更新的数值与原来的数值进行比对，从而计算出污染源的精确数值，从而确定污染地区的污染等级；
所述后处理模块用于对提取需要预报的已校验后的数据生成可视化的图表，并为需要服务的企业进行分布分析与影响范围预测提供可视化服务。
所述气象初始场的配置因子为在中尺度模式基础上，由因子库配置的化学模式提取化学预报模式，前一天的监测数据作为修正项,并考虑化学模式预报的浓度变化趋势,从而进行自动修正。
所述污染初始场的因子配置获取自然源和人为源，作为区域污染源初始参数。
所述源数据清单的因子配置是通过监测到的数据根据LPDM计算污染物来源贡献率，畸变偏差纠正剔除无效数据，从而确定不同区域调整参数对进行比对优化。
如图3所示，本发明还提供了一种基于AI的源数据动态修正预报系统的工作方法，包括如下步骤：
步骤一、因子库配置
a.基于中尺度模式结合数据同化技术模拟需要预报的气象场的初始值，
b.提取化学预报模式所要求提取的参照因素设置大气污染物监测初始场的初始值，
c.通过自然源模式模式和人为源模式模式获取自然源和人为源，作为区域污染源初始场的初始值，
d.根据大气化学反应机理设置化学预报模式的基础参数，
形成因子库，作为参照系；
步骤二、数据采集整理参数优化设定
所述数据采集系统每小时将污染气体的源数据上报至云平台，存储备份；通过大数据处理中心调取源数据列表，按照LPDM计算污染来源贡献以及预报和观测误差系数对进行修正优化得到有效数据的源数据清单；
步骤三、云平台获取各个城市逐小时的污染观测数据，数据处理后，导入动态修订系统的模型，及时更新因子库，并且获取源数据清单；
步骤四、预报模拟计算出污染气体的地区浓度分布以及时间变化图
所得到的气场初始场、污染初始场以及源数据清单汇总整理分析进行模拟出包含有污染气体的浓度以及时间变化；
步骤五、通过后处理模块，得到可视化产品。
数据处理提取未来3-5d每小时一次的PM2.5、PM10、SO2、NO2、O3、CO、O3-8h等污染浓度以及空气质量指数；利用GrADs、NCL等软件处理得到预报产品，主要包括气象产品、站点产品、城市产品、区域产品、过程产品、轨迹产品和减排响应。
在步骤一中，所述气象场的初始值的精度的模式预报区域采用两层嵌套，第一层区域覆盖全国地区，分辨率为36km*36km，网格数为170*130,设定为从几百到几十公里不等的网格精度的中尺度天气预报模式下；
第二层区域嵌套覆盖中国中东部地区，分辨率为12km*12km，网格数为202*226；
所述气象场的初始值为对污染有影响的要素，包括气象场的风速、风向、温度、湿度、气压等因素，通过MCIP将中尺度模式的输出文件转成化学模式可识别的格式。
所述动态修订系统为将衡量污染程度的污染气体数据进行提取，提出异常值，校验后所得列表，通过Fortran程序将其转化为NC格式文件，同时所述源数据采集系统获取数据列表整理出每小时的NC格式文件，将所述源数据采集系统获取的数据包进行对分析，所述动态修订过程是将每小时提报的NC格式文件的数据包汇总后先通过最小二乘法来确定观测值与预报值之间的误差，再通过拉格朗日模型快速精算污染的来源贡献，进而得出污染物潜在源区贡献分布，并以此将预报和观测的误差归因到不同区域，进而确定不同区域源数据清单的调整系数。
实施例2
预报模拟模块的工作流程为首先以全球气象场数据，初始排放清单、预报场以及观测数据作为初始场，模拟预报未来3-5天的逐小时气象和污染浓度；
然后将污染预报结果与实时污染观测数据进行对比分析，通过最小二乘法，找出其偏离系数。其中偏离系数主要包括实时物种的排放清单偏离系数、实时排放清单的时间偏离系数以及实时排放清单的空间偏离系数。
在时间尺度上，以年、月以及24小时内排放量的差异，使得排放清单在时间上有明显差异，对实时排放清单的时间差异进行分析，模拟出变化预测
在空间尺度上，排放清单包含了工业、农业、电厂、交通和居民生活五大类源排放，其空间分辨率为0.25度*0.25度。由于地面分布的差异，排放清单的空间分布也存在一定的偏差，因此需对实时排放清单的空间偏离进行调整。
将实时观测和预报模拟对比分析获得的偏离系数，放入到历史排放清单物种、时间和空间调整系数库中，结合污染来源贡献地区及强度识别，通过机器自学习优化调整，生成优化后的排放清单，主要包括优化后SO2排放清单、优化后NOx排放清单、优化后PM2.5排放清单和优化后VOC排放清单，将以上的集成清单放入到预报系统中，进一步优化提高预报的精确度，历史排放清单库中的样本量越多，模式模拟的结果越稳定。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (10)
1.一种基于AI的源数据动态修正预报系统，其特征在于，包括源数据采集系统、大数据处理中心、云平台和动态修订系统；所述云平台用于源数据采集系统所得的数据资料进行存储备份；所述数据采集系统包括采集公共气象监测点和其他可用的采集终端，所述数据采集系统用于汇总污染的源数据上报至云平台；所述采集终端与云平台采用无线通信或有线方式进行信息传输；所述动态修订系统包括有效值过滤模块，预报模拟模块和后处理模块；所述动态修订系统用于根据污染源清单、气象初始场、大气污染物监测初始场和大气化学反应机理，实时获取观测数据、畸变校验，整理分析，模拟观测对比，进而不同区域的源数据清单进行优化调整，调取云平台的存储数据，及时校正因子库。
2.根据权利要求1的所述的一种基于AI的源数据动态修正预报系统，其特征在于，所述有效值过滤模块包括污染初始场、气象初始场以及源数据清单，所述有效值过滤模块用于对采集到的污染气体的源数据的初步筛选、畸变校验以及特征增强处理，确定排放清单不同区域系数的调整，减少观测误差的影响；
所述预报模拟模块用于根据气象环境对污染源检测区域得到更新的数值与原来的数值进行比对，从而计算出污染源的精确数值，从而确定污染地区的污染等级；
所述后处理模块用于对提取需要预报的已校验后的数据生成可视化的图表，并为需要服务的企业进行分布分析与影响范围预测提供可视化服务。
3.根据权利要求2的所述的一种基于AI的源数据动态修正预报系统，其特征在于，所述气象初始场的配置因子为在中尺度模式基础上，由因子库配置的的化学模式提取化学预报模式，前一天的监测数据作为修正项,并考虑化学模式预报的浓度变化趋势,从而进行自动修正。
4.根据权利要求1的所述的一种基于AI的源数据动态修正预报系统，其特征在于，所述污染初始场的因子库配置获取自然源和人为源，作为区域污染源初始参数。
5.根据权利要求1的所述的一种基于AI的源数据动态修正预报系统，其特征在于，所述源数据清单的因子库配置是通过监测到的数据根据LPDM计算污染物来源贡献率，畸变偏差纠正剔除无效数据，从而确定不同区域调整参数对进行比对优化。
6.根据权利要求1-5所述的一种基于AI的源数据动态修正预报系统的工作方法，其特征在于，包括如下步骤：
步骤一、因子库配置
a.基于中尺度模式结合数据同化技术模拟需要预报的气象场的初始值，
b.提取化学预报模式所要求提取的参照因素设置大气污染物监测初始场的初始值，
c.通过自然源模式模式和人为源模式获取自然源和人为源，作为区域污染源初始场的初始值，
d.根据大气化学反应机理设置化学预报模式的基础参数，
形成因子库，作为参照系；
步骤二、数据采集整理参数优化设定：所述数据采集系统每小时将污染气体的源数据上报至云平台，存储备份；通过大数据处理中心调取源数据列表，按照LPDM计算污染来源贡献以及预报和观测误差系数对进行修正优化得到有效数据的源数据清单；
步骤三、云平台获取各个城市逐小时的污染观测数据，数据处理后，导入动态修订系统的模型，及时更新因子库，并且获取源数据清单；
步骤四、预报模拟计算出污染气体的地区浓度分布以及时间变化图：所得到的气场初始场、污染初始场以及源数据清单汇总整理分析进行模拟出包含有污染气体的浓度以及时间变化；
步骤五、通过后处理模块，数据提取未来一定时间范围内每小时一次的主要污染物等污染浓度以及空气质量指数；通过软件处理得到预报产品。
7.根据权利要求6所述的一种基于AI的源数据动态修正预报系统的工作方法，其特征在于，在步骤一中，所述气象场的初始值的精度的模式预报区域采用两层嵌套，
第一层区域覆盖全国地区，设定为粗网格的中尺度天气预报模式下；
第二层区域嵌套覆盖中国中东部地区，设定为细网格的中尺度天气预报模式下。
8.根据权利要求6所述的一种基于AI的源数据动态修正预报系统的工作方法，其特征在于，所述气象场的初始值为对污染有影响的要素，包括气象场的风速、风向、温度、湿度、气压等因素，通过MCIP将中尺度模式的输出文件格式转成化学模式可识别的格式。
9.根据权利要求6所述的一种基于AI的源数据动态修正预报系统的工作方法，其特征在于，所述动态修订系统为将衡量污染程度的污染气体数据进行提取，提出异常值，校验后所得列表，通过Fortran程序将其转化为NC格式文件，同时所述源数据采集系统获取数据列表整理出逐小时NC格式文件，将所述源数据采集系统获取的数据包进行对比分析。
10.根据权利要求9所述的一种基于AI的源数据动态修正预报系统的工作方法，其特征在于，所述动态修订过程是将站点逐小时数据汇总后先通过最小二乘法确定观测值与预报值之间的误差，再通过拉格朗日模型快速精算污染的来源贡献，进而得出污染物潜在源区贡献分布，并以此将预报和观测的误差归因到不同区域，进而确定不同区域源数据清单的调整系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810293244.1A CN108802856B (zh) | 2018-03-30 | 2018-03-30 | 一种基于ai的源数据动态修正预报系统及其工作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810293244.1A CN108802856B (zh) | 2018-03-30 | 2018-03-30 | 一种基于ai的源数据动态修正预报系统及其工作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108802856A true CN108802856A (zh) | 2018-11-13 |
| CN108802856B CN108802856B (zh) | 2020-06-30 |
Family
ID=64094685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810293244.1A Active CN108802856B (zh) | 2018-03-30 | 2018-03-30 | 一种基于ai的源数据动态修正预报系统及其工作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108802856B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110687619A (zh) * | 2019-09-18 | 2020-01-14 | 北京农业信息技术研究中心 | 一种用于农田气象站的气象数据校验方法及系统 |
| CN110836952A (zh) * | 2019-09-29 | 2020-02-25 | 北京众蓝科技有限公司 | 利用排放源监测数据调整排放源清单的空气质量预报方法和装置 |
| CN111274282A (zh) * | 2020-01-07 | 2020-06-12 | 北京科技大学 | 一种空气质量挖掘系统、方法及数据采集监控装置 |
| CN112540748A (zh) * | 2020-11-09 | 2021-03-23 | 华能新能源股份有限公司 | 一种基于Linux系统bash脚本控制的中尺度风能资源分析自动化运行系统 |
| CN113032475A (zh) * | 2021-04-16 | 2021-06-25 | 中科三清科技有限公司 | 大气污染源排放清单的处理方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100088136A1 (en) * | 2008-10-03 | 2010-04-08 | International Business Machines Corporation | System and method for determining carbon emission-conscious order fulfillment alternatives with multiple supply modes |
| CN105469213A (zh) * | 2015-12-04 | 2016-04-06 | 松辽流域水资源保护局松辽流域水环境监测中心 | 一种嫩江典型区域优先控污染物及其建立方法 |
| CN106295905A (zh) * | 2016-08-22 | 2017-01-04 | 南京大学 | 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 |
| CN106548438A (zh) * | 2016-10-21 | 2017-03-29 | 常州市环境监测中心 | 一种城市工业源排放清单的建立方法 |
| CN106548442A (zh) * | 2016-11-10 | 2017-03-29 | 湖南省环境保护科学研究院 | 一种大气污染物排放源清单精细化动态管理方法 |
-
2018
- 2018-03-30 CN CN201810293244.1A patent/CN108802856B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100088136A1 (en) * | 2008-10-03 | 2010-04-08 | International Business Machines Corporation | System and method for determining carbon emission-conscious order fulfillment alternatives with multiple supply modes |
| CN105469213A (zh) * | 2015-12-04 | 2016-04-06 | 松辽流域水资源保护局松辽流域水环境监测中心 | 一种嫩江典型区域优先控污染物及其建立方法 |
| CN106295905A (zh) * | 2016-08-22 | 2017-01-04 | 南京大学 | 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 |
| CN106548438A (zh) * | 2016-10-21 | 2017-03-29 | 常州市环境监测中心 | 一种城市工业源排放清单的建立方法 |
| CN106548442A (zh) * | 2016-11-10 | 2017-03-29 | 湖南省环境保护科学研究院 | 一种大气污染物排放源清单精细化动态管理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 任玥: "基于复合模型的典型区域大气环境质量优化控制研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110687619A (zh) * | 2019-09-18 | 2020-01-14 | 北京农业信息技术研究中心 | 一种用于农田气象站的气象数据校验方法及系统 |
| CN110836952A (zh) * | 2019-09-29 | 2020-02-25 | 北京众蓝科技有限公司 | 利用排放源监测数据调整排放源清单的空气质量预报方法和装置 |
| CN111274282A (zh) * | 2020-01-07 | 2020-06-12 | 北京科技大学 | 一种空气质量挖掘系统、方法及数据采集监控装置 |
| CN112540748A (zh) * | 2020-11-09 | 2021-03-23 | 华能新能源股份有限公司 | 一种基于Linux系统bash脚本控制的中尺度风能资源分析自动化运行系统 |
| CN112540748B (zh) * | 2020-11-09 | 2024-02-27 | 华能新能源股份有限公司 | 一种中尺度风能资源分析自动化运行系统 |
| CN113032475A (zh) * | 2021-04-16 | 2021-06-25 | 中科三清科技有限公司 | 大气污染源排放清单的处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108802856B (zh) | 2020-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Wang et al. | Detecting multi-temporal land cover change and land surface temperature in Pearl River Delta by adopting local climate zone | |
| US20230252487A1 (en) | System and method for dynamic management and control of air pollution | |
| CN115293473B (zh) | 一种林草生态修复效果评价方法 | |
| Chen et al. | How urban sprawl influences eco-environmental quality: Empirical research in China by using the Spatial Durbin model | |
| CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
| 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 | |
| CN111985701B (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
| Sun et al. | Development of emissions inventory and identification of sources for priority control in the middle reaches of Yangtze River Urban Agglomerations | |
| CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
| Deng et al. | The MR-CA models for analysis of pollution sources and prediction of PM 2.5 | |
| Jia et al. | An integrated WRF-CAMx modeling approach for impact analysis of implementing the emergency PM2. 5 control measures during red alerts in Beijing in December 2015 | |
| CN109858686A (zh) | 一种基于EnKF的地面排放清单反演优化方法 | |
| CN109376443A (zh) | 区域大气污染环境仿真动态模拟系统 | |
| CN114742460B (zh) | 一种确定待管控企业的方法、装置、电子设备及存储介质 | |
| Shi et al. | Impacts of cultivated land reclamation on the climate and grain production in Northeast China in the future 30 years | |
| CN104573155A (zh) | 一种高效近地表pm2.5浓度估算方法及估算系统 | |
| CN106383956B (zh) | 火力发电厂土建模型数据的转换系统及方法 | |
| CN112529245A (zh) | 一种耦合多源大数据的街道生活垃圾收运量预测方法 | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| CN115545565A (zh) | 基于大气环境质量的园区排污总量管控方法和系统 | |
| Cheng et al. | Application of trajectory clustering and source apportionment methods for investigating trans-boundary atmospheric PM10 pollution | |
| JP4206024B2 (ja) | 大気物質指標分布解析装置 | |
| Ren et al. | Analysis of the spatial characteristics of inhalable particulate matter concentrations under the influence of a three-dimensional landscape pattern in Xi'an, China | |
| CN114004514A (zh) | 一种大气臭氧污染发生气象条件等级判别方法 |
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 |