CN109919201A - 一种基于多浓度数据的污染类型分析方法 - Google Patents
一种基于多浓度数据的污染类型分析方法 Download PDFInfo
- Publication number
- CN109919201A CN109919201A CN201910116490.4A CN201910116490A CN109919201A CN 109919201 A CN109919201 A CN 109919201A CN 201910116490 A CN201910116490 A CN 201910116490A CN 109919201 A CN109919201 A CN 109919201A
- Authority
- CN
- China
- Prior art keywords
- pollution
- hot spot
- pollutant
- analysis method
- type analysis
- 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
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
一种基于多浓度数据的污染类型分析方法，包括：S1、从多个热点网格的污染物监测设备采集污染物浓度数据；S2、对所述污染物浓度数据进行预处理；S3、对预处理后的污染物浓度数据进行聚类分析；以及S4、根据聚类分析结果对多个热点网格的污染物类型进行分类。本发明可以提高污染类型分析的效率和准确度。
Description
技术领域
本发明属于大气污染监测领域，具体涉及一种基于多浓度数据的污染类型分析方法。
背景技术
热点网格，就是通过技术手段，把地区污染高发地分成若干个不同地块，每个地块上有小微监测站，根据实时监测数据的高低，进行重点监管。
利用目前应用广泛、效果最佳的环保网格化监控方法可对我国大气实行网格化监测，在不同区域、不同类型的污染源区域部署相对应的空气质量监测设备或仪器，既能了解全区污染情况，又能对局部污染进行监控，实现全区范围内宏观到微观的全面监控，热点网格布设的监测设备监测该网格内浓度是否超标，超标则进行报警，可以锁定污染排放的重点区域，为监管执法提供指引和参考，便于市、县政府和环保部门及时准确地发现问题，也便于地方政府和相关部门切实有效地解决问题，深入落实生态环境保护工作职责，推动热点网格的PM2.5浓度不断下降。通过定期评估和动态调整热点网格名单，始终保持对PM2.5污染相对最重地区的监管力度，从而逐步推进整个地区空气质量的改善。
研究指出，区域污染物人为排放量到达高位后，存在着严重的区域内城市间相互输送，在沙尘减少，污染物增多的情况下，热点网格便有一氧化碳，二氧化硫，二氧化碳，PM2.5等污染物，热点网格的污染类型也不止PM2.5一种，甚至很多都是混合的，那么当进行对这些网格进行污染治理以及预测的时候，能找到网格与网格之间的污染类型的相同点，找到哪些网格是类似的网格就会更加重要。
针对于多种污染物数据，并具有多种污染类型的热点网格的分类处理，目前就是将各个网格的污染类型一一列出，进行分类，但是当面对多种污染类型的网格进行分类，以及涉及到各个污染物的强度的不同的时候，这样的做法便暴露出了缺点，不仅工作量大，而且效率很低，得到的结果的准确度也不高。
发明内容
有鉴于此，本发明提出了一种基于多浓度数据的污染类型分析方法，可以对热点网格的污染类型进行准确分类。
为了达到上述目的，本发明采用以下技术方案：
一种基于多浓度数据的污染类型分析方法，包括：
S1、从多个热点网格的污染物监测设备采集污染物浓度数据；
S2、对所述污染物浓度数据进行预处理；
S3、对预处理后的污染物浓度数据进行聚类分析；以及
S4、根据聚类分析结果对多个热点网格的污染物类型进行分类。
在一些实施例中，采集污染物浓度数据包括各个热点网格在每个时刻的污染物浓度。
在一些实施例中，所述预处理包括数据归一化、去除异常值和滤波处理。
在一些实施例中，在所述滤波处理中，主要受外在条件影响的热点网格在低频部分，主要受本地排放影响的热点网格在高频部分。
在一些实施例中，所述聚类分析为K-means聚类。
在一些实施例中，所述K-means聚类的步骤包括：
S301、从采集的所述污染物浓度数据中随机选择两个或多个热点网格的所述污染物浓度数据作为初始聚类中心；
S302、计算其余热点网格的污染物浓度数据与所述初始聚类中心的最小距离，并根据所述最小距离对每个热点网格进行聚类划分；
S303、重新计算每个有变化的热点网格的污染物浓度数据聚类对象，得到新的聚类中心；以及
S304、重复步骤S302和S303，直到每个聚类的污染物浓度数据不再发生变化。
在一些实施例中，不同污染物浓度的比例代表不同污染类型，按照不同污染物浓度的比例进行聚类。
在一些实施例中，污染类型分析方法还包括输出并展示每个热点网格的污染物类型。
在一些实施例中，所述污染类型包括颗粒物污染、硫氧化物污染、碳氧化物污染、氮氧化物污染、碳氢化合物污染、重金属污染、含氟气体污染、含氯气体污染等。其中的颗粒物包括PM2.5和/或PM10，硫氧化物包括二氧化硫、三氧化硫、三氧化二硫和/或一氧化硫，碳氧化物包括一氧化碳和/或二氧化碳，氮氧化物包括氧化亚氮、一氧化氮、二氧化氮和/或三氧化二氮，碳氢化合物包括甲烷和/或乙烷。
与现有技术相比，本发明对热点网格的污染物浓度数据进行滤波处理，提高了由于传输等因素的影响对聚类后的结果的准确度，通过对处理后的污染物浓度数据进行聚类分析，将热点网格按照不同维度的浓度值聚成不同的类(即同种类型的热点网格)，从而实现对热点网格的污染类型的准确分类。
针对于多种污染物数据，并具有多种污染类型的热点网格的分类处理，目前就是将各个网格的污染类型一一列出，进行分类，但是当面对多种污染类型的网格进行分类，以及涉及到各个污染物的强度的不同的时候，这样的做法便暴露出了缺点，不仅工作量大，而且效率很低，得到的结果的准确度也不高。相对于传统的人工统计的方法，本发明不仅提高了效率，而且准确度也有所提高，因为运用了滤波处理，所以使得结果更准确，用聚类省去了人工的方法，所以不管从准确度还是效率上，在热点网格的污染分类方面都会有所提高。
附图说明
图1为本发明实施例基于多浓度数据的污染类型分析方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
本发明将分析应用在网格污染溯源上，创建了一种基于各个热点网格间的污染物浓度关系间内在性质和规律的分析方法，。
如图1所示，本发明实施例中基于多浓度数据的污染类型分析方法包括以下步骤；：
S1、从多个热点网格的污染物监测设备采集污染物浓度数据
对每个热点网格积累历史污染物浓度数据，整合其历史数据及其每个时刻所对应的污染物浓度，即将每个时刻的热点网格浓度与该时刻对应的污染类型对应起来。
S2、对所述污染物浓度数据进行预处理
该步骤包括对各个热点网格的污染浓度数据进行归一化和去除异常值。另外，还包括对污染浓度数据进行滤波处理，其中，将热点网格分为两部分，一部分是由主要由本地排放造成的，一部分是由于外来传输等因素造成的，由于传输等其他的外在条件影响的热点网格在低频部分，主要受本地排放影响的热点网格在高频部分，如此可以减小传输等因素带来的影响。
S3、对预处理后的污染物浓度数据进行聚类分析
在该步骤中，构建聚类算法对各个热点网格数据进行聚类分析。
在本发明的实施例中，聚类分析选择k-means聚类方法，包括以下步骤：
从多个热点网格污染浓度数据的数据集中随机选择n(n为2或以上)个热点网格的污染物数据点作为初始聚类中心，即质心，然后对剩余每个热点网格的污染物浓度数据和初始聚类中心进行距离(欧氏距离)计算，
式中，ρ为热点网格的污染物浓度数据与初始数据模型的距离，x1、y1和z1为初选质点的中心，x2、y2和z2为将要进行聚类的点的中心。
根据最小距离进行聚类划分，再重新计算每个有变化的热点网格污染物数据聚类对象，新的聚类便选出新的聚类中心。
循环计算，直到每个聚类的污染物数据不再发生变化为止，即新聚类的聚类中心与原聚类相等或者小于指定的阈值。
S4、根据聚类分析结果对多个热点网格的污染物类型进行分类
在该步骤中，确定每个类别中浓度最高的污染物，将其作为该类别的污染物类型。
其中的污染类型包括颗粒物污染、硫氧化物污染、碳氧化物污染、氮氧化物污染、碳氢化合物污染、重金属污染、含氟气体污染、含氯气体污染等。其中的颗粒物包括PM2.5和/或PM10，硫氧化物包括二氧化硫、三氧化硫、三氧化二硫和/或一氧化硫，碳氧化物包括一氧化碳和/或二氧化碳，氮氧化物包括氧化亚氮、一氧化氮、二氧化氮和/或三氧化二氮，碳氢化合物包括甲烷和/或乙烷。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多浓度数据的污染类型分析方法，其特征在于，包括：
S1、从多个热点网格的污染物监测设备采集污染物浓度数据；
S2、对所述污染物浓度数据进行预处理；
S3、对预处理后的污染物浓度数据进行聚类分析；以及
S4、根据聚类分析结果对多个热点网格的污染物类型进行分类。
2.根据权利要求1所述的污染类型分析方法，其中，采集污染物浓度数据包括各个热点网格在每个时刻的污染物浓度。
3.根据权利要求1所述的污染类型分析方法，其中，所述预处理包括数据归一化、去除异常值和滤波处理。
4.根据权利要求3所述的污染类型分析方法，其中，在所述滤波处理中，主要受外在条件影响的热点网格在低频部分，主要受本地排放影响的热点网格在高频部分。
5.根据权利要求1所述的污染类型分析方法，其中，所述聚类分析为K-means聚类。
6.根据权利要求5所述的污染类型分析方法，其中，所述K-means聚类的步骤包括：
S301、从采集的所述污染物浓度数据中随机选择两个或多个热点网格的所述污染物浓度数据作为初始聚类中心；
S302、计算其余热点网格的污染物浓度数据与所述初始聚类中心的最小距离，并根据所述最小距离对每个热点网格进行聚类划分；
S303、重新计算每个有变化的热点网格的污染物浓度数据聚类对象，得到新的聚类中心；以及
S304、重复步骤S302和S303，直到每个聚类的污染物浓度数据不再发生变化。
7.根据权利要求1所述的污染类型分析方法，其中，不同污染物浓度的比例代表不同污染类型，按照不同污染物浓度的比例进行聚类。
8.根据权利要求1所述的污染类型分析方法，其中，污染类型分析方法还包括输出并展示每个热点网格的污染物类型。
9.根据权利要求1所述的污染类型分析方法，其中，所述污染类型包括颗粒物污染、硫氧化物污染、碳氧化物污染、氮氧化物污染、碳氢化合物污染、重金属污染、含氟气体污染和含氯气体污染。
10.根据权利要求9所述的污染类型分析方法，其中，颗粒物包括PM2.5和/或PM10，硫氧化物包括二氧化硫、三氧化硫、三氧化二硫和/或一氧化硫，碳氧化物包括一氧化碳和/或二氧化碳，氮氧化物包括氧化亚氮、一氧化氮、二氧化氮和/或三氧化二氮，碳氢化合物包括甲烷和/或乙烷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910116490.4A CN109919201A (zh) | 2019-02-14 | 2019-02-14 | 一种基于多浓度数据的污染类型分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910116490.4A CN109919201A (zh) | 2019-02-14 | 2019-02-14 | 一种基于多浓度数据的污染类型分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109919201A true CN109919201A (zh) | 2019-06-21 |
Family
ID=66961613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910116490.4A Pending CN109919201A (zh) | 2019-02-14 | 2019-02-14 | 一种基于多浓度数据的污染类型分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919201A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112565346A (zh) * | 2020-11-16 | 2021-03-26 | 智邮开源通信研究院(北京)有限公司 | 车联网数据采集方法、装置、电子设备及可读存储介质 |
| CN112990663A (zh) * | 2021-02-07 | 2021-06-18 | 上海应用技术大学 | 企业智能污染治理系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101503668B1 (ko) * | 2014-11-21 | 2015-03-20 | 한국과학기술원 | 유세포 분리법을 이용한 호중구 전구 세포의 분리 방법 |
| CN106404616A (zh) * | 2016-08-31 | 2017-02-15 | 孙扬 | 一种大气细颗粒物（pm2.5）排放源解析定位的方法 |
| CN107340364A (zh) * | 2017-05-31 | 2017-11-10 | 北京市环境保护监测中心 | 基于海量大气污染浓度数据的污染空间分析方法及装置 |
| CN107491779A (zh) * | 2017-06-27 | 2017-12-19 | 重庆邮电大学 | 一种基于密度峰值的网格聚类算法 |
| CN107677903A (zh) * | 2017-09-14 | 2018-02-09 | 广西电网有限责任公司电力科学研究院 | 一种变压器状态监测数据的聚类分析方法 |
| CN108345908A (zh) * | 2018-02-10 | 2018-07-31 | 武汉轻工大学 | 电网数据的分类方法、分类设备及存储介质 |
| CN108921194A (zh) * | 2018-05-31 | 2018-11-30 | 河海大学 | 一种地形坡位分类自适应的聚类方法 |
-
2019
- 2019-02-14 CN CN201910116490.4A patent/CN109919201A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101503668B1 (ko) * | 2014-11-21 | 2015-03-20 | 한국과학기술원 | 유세포 분리법을 이용한 호중구 전구 세포의 분리 방법 |
| CN106404616A (zh) * | 2016-08-31 | 2017-02-15 | 孙扬 | 一种大气细颗粒物（pm2.5）排放源解析定位的方法 |
| CN107340364A (zh) * | 2017-05-31 | 2017-11-10 | 北京市环境保护监测中心 | 基于海量大气污染浓度数据的污染空间分析方法及装置 |
| CN107491779A (zh) * | 2017-06-27 | 2017-12-19 | 重庆邮电大学 | 一种基于密度峰值的网格聚类算法 |
| CN107677903A (zh) * | 2017-09-14 | 2018-02-09 | 广西电网有限责任公司电力科学研究院 | 一种变压器状态监测数据的聚类分析方法 |
| CN108345908A (zh) * | 2018-02-10 | 2018-07-31 | 武汉轻工大学 | 电网数据的分类方法、分类设备及存储介质 |
| CN108921194A (zh) * | 2018-05-31 | 2018-11-30 | 河海大学 | 一种地形坡位分类自适应的聚类方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112565346A (zh) * | 2020-11-16 | 2021-03-26 | 智邮开源通信研究院(北京)有限公司 | 车联网数据采集方法、装置、电子设备及可读存储介质 |
| CN112990663A (zh) * | 2021-02-07 | 2021-06-18 | 上海应用技术大学 | 企业智能污染治理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108648127B (zh) | 一种城市空气污染热点区域锁定方法 | |
| CN110909483B (zh) | 一种基于网格化数据的点源大气污染物排放清单校验方法 | |
| Cao et al. | Evolution of PM2. 5 measurements and standards in the US and future perspectives for China | |
| CN109919201A (zh) | 一种基于多浓度数据的污染类型分析方法 | |
| CN114674988B (zh) | 一种基于无线网络的空气在线监测系统 | |
| CN108489875B (zh) | 一种基于时段统计分析的污染物溯源系统及方法 | |
| CN108765961B (zh) | 一种基于改进型限幅平均滤波的浮动车数据处理方法 | |
| CN204008588U (zh) | 一种烟气连续在线监测系统 | |
| Samsuri et al. | Evaluation for long term PM10 concentration forecasting using multi linear regression (MLR) and principal component regression (PCR) models | |
| CN107677614A (zh) | 一种水中重金属污染风险在线预警系统及方法 | |
| CN114858976A (zh) | 一种工业园区大气质量智能分析方法及系统 | |
| CN116738353B (zh) | 基于数据分析的制药车间空气滤芯性能检测方法 | |
| CN111507610A (zh) | 一种土壤重金属污染的累积性环境风险预警方法 | |
| CN115130831A (zh) | 一种小尺度精细化大气污染溯源方法 | |
| CN110006799A (zh) | 一种热点网格污染类型的分类方法 | |
| CN105512485A (zh) | 一种估算细颗粒物及其前体物环境容量的新方法 | |
| Yusuf et al. | Spatial patterns of urban air pollution in an industrial estate, Lagos, Nigeria | |
| CN113267601B (zh) | 一种基于机器视觉和数据分析的工业生产环境远程实时监测云平台 | |
| CN117331913A (zh) | 一种工业园区水污染源荧光指纹数据库的构建方法 | |
| CN116629642B (zh) | 一种碳排放量的评估方法、装置及设备 | |
| CN109613179B (zh) | 累积高值区的确定方法 | |
| Jing et al. | Research on urban air quality prediction based on ensemble learning of XGBoost | |
| CN107478774A (zh) | 一种气体自动监测系统及其监测方法 | |
| Dash et al. | Air dispersion model to study the point source air pollution and its impact on ambient air quality | |
| Chow et al. | Review of filters for air sampling and chemical analysis in mining workplaces |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |