CN109975230A - 大气污染物浓度在线检测系统及方法 - Google Patents
大气污染物浓度在线检测系统及方法 Download PDFInfo
- Publication number
- CN109975230A CN109975230A CN201910410075.XA CN201910410075A CN109975230A CN 109975230 A CN109975230 A CN 109975230A CN 201910410075 A CN201910410075 A CN 201910410075A CN 109975230 A CN109975230 A CN 109975230A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- monitoring point
- group
- cloud server
- detection instrument
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种大气污染物浓度在线检测系统及方法,涉及环境检测技术领域,包括第一类光谱检测仪、云端服务器和本地服务器;第一类光谱检测仪的分辨率低于指定值,用于检测所在预设监测点处的第一光谱,并将第一光谱存储至云端服务器;本地服务器用于从云端服务器下载指定时间段对应的第一光谱组,第一光谱组包括该指定时间段各个第一类光谱检测仪检测的第一光谱,根据第一光谱组和预建立的污染物气体反演模型,预测第一光谱对应的预设监测点的空气质量。这种在多预设监测点布设分辨率较低的第一类光谱检测仪的方式,降低了监测成本;此外,这种利用污染物气体反演模型预测预设监测点的空气质量的方式,保证了所监测的空气质量的准确度。
Description
技术领域
本发明涉及环境检测技术领域,尤其是涉及一种大气污染物浓度在线检测系统及方法。
背景技术
目前基于光谱的大气污染物(如挥发性有机物或氮氧化物等)浓度在线监测主要利用差分光学吸收光谱技术对气体的浓度进行反演的方法。差分光学吸收光谱技术是一种实时监测大气中痕量气体浓度的有效方法,其采用最小二乘拟合方法,用痕量气体标准差分吸收截面对测量得到的差分吸收光谱进行拟合,得出大气中痕量气体的浓度。基于差分吸收光谱的大气污染物监测网络系统,需要在不同的地理位置布设大量的分辨率满足指定值的光谱监测设备,才能准确监测整个地区的空气中污染物气体(痕量气体)的浓度。但该分辨率满足指定值的光谱监测设备的成本过高,进而导致了大气污染物监测网络系统的成本过高。
发明内容
有鉴于此,本发明的目的在于提供一种大气污染物浓度在线检测系统及方法,以缓解了传统大气污染物检测系统的成本过高的技术问题。
第一方面,本发明提供了一种大气污染物浓度在线检测系统,其中,该系统包括用于布设在预设监测点的第一类光谱检测仪、与第一类光谱检测仪通信连接的云端服务器,和与云端服务器连接的本地服务器;其中,预设监测点为预先按照地理经纬度因素和地理环境因素划分出的各个网格单元内的指定位置点;地理环境因素包括环境温度、环境湿度和气压中的至少之一;第一类光谱检测仪的分辨率低于指定值,用于检测所在预设监测点处的第一光谱,并将第一光谱存储至云端服务器;本地服务器用于从云端服务器下载指定时间段对应的第一光谱组,第一光谱组包括该指定时间段各个第一类光谱检测仪检测的第一光谱,根据第一光谱组和预建立的污染物气体反演模型,预测第一光谱对应的预设监测点的空气质量;其中,空气质量包括污染物气体的浓度。
进一步的,该系统还包括用于布设在特定监测点的第二类光谱检测仪;特定监测点为网格单元的中心点;第二类光谱检测仪的分辨率高于指定值,用于检测特定监测点处的第二光谱,并将第二光谱存储至云端服务器;本地服务器还用于下载云端服务器中,预设时间内特定监测点的第二光谱组和特定监测点的第一光谱组,并根据该第二光谱和该第一光谱训练污染物气体反演模型;其中,第二光谱组包括预设时间内各个第二类光谱检测仪检测的第二光谱。
进一步的,本地服务器还用于周期性地从云端服务器中下载第二光谱组和第一光谱组,并根据本周期下载得到的第二光谱组和第一光谱组校准污染物气体反演模型。
进一步的,该系统还包括与云端服务器连接的环境参数监测器;环境参数监测器布设在预设监测点上,用于检测预设监测点的地理环境因素,并将地理环境因素上报至云端服务器;云端服务器还用于根据地理环境因素和地理经纬度因素划分出的各个网格单元。
进一步的,本地服务器还用于将预设监测点的空气质量存储至云端服务器;第一类光谱检测仪还用于从云端服务器中下载第一类光谱检测仪对应的预设监测点的空气质量,并通过第一类光谱检测仪的显示界面显示该空气质量。
第二发明,本发明提供了一种大气污染物浓度在线检测方法,该方法应用于本地服务器,该方法包括:从云端服务器下载第一光谱组,其中,第一光谱组为与云端服务器通信连接的各个第一类光谱检测仪在预设监测点检测出的第一光谱的集合;预设监测点为预先按照地理经纬度因素和地理环境因素划分出的各个网格单元内的指定位置点;地理环境因素包括环境温度、环境湿度和气压中的至少之一;第一类光谱检测仪的分辨率低于指定值;根据第一光谱组和预建立的污染物气体反演模型,预测第一光谱对应的预设监测点的空气质量;其中,空气质量包括污染物气体的浓度。
进一步的,污染物气体反演模型的训练过程,包括:获取光谱样本和空气质量样本;其中,空气质量样本为预先检测的光谱样本对应预设监测点的空气质量;按照设定的训练算法,应用光谱样本和空气质量样本训练初始反演模型,得到训练好的污染物气体反演模型。
进一步的,该方法还包括:下载云端服务器中,预设时间内特定监测点的第二光谱组和特定监测点的第一光谱组,并根据该第二光谱和该第一光谱训练污染物气体反演模型;其中,第二光谱组为与云端服务器通信连接的第二类光谱检测仪在特定监测点检测出的第二光谱的集合;特定监测点为网格单元的中心点。
进一步的,该方法还包括:周期性地从云端服务器中下载的第二光谱组和第一光谱组,并根据本周期下载得到的第二光谱组和第一光谱组校准污染物气体反演模型。
进一步的,根据本周期下载得到的第二光谱组和第一光谱组校准污染物气体反演模型的步骤,包括:根据本周期下载得到的第二光谱组,反演计算该第二光谱组对应特定监测点的空气质量;按照设定的训练算法,应用本周期下载得到的第一光谱和第二光谱对应特定监测点的空气质量训练初始反演模型,得到训练好的污染物气体反演模型。
本发明实施例带来了以下有益效果:
本发明提供了一种大气污染物浓度在线检测系统及方法,该系统包括用于布设在预设监测点的第一类光谱检测仪、与第一类光谱检测仪通信连接的云端服务器,和与云端服务器连接的本地服务器;其中,预设监测点为预先按照地理经纬度因素和地理环境因素划分出的各个网格单元内的指定位置点;地理环境因素包括环境温度、环境湿度和气压中的至少之一;第一类光谱检测仪的分辨率低于指定值,用于检测所在预设监测点处的第一光谱,并将第一光谱存储至云端服务器;本地服务器用于从云端服务器下载指定时间段对应的第一光谱组,第一光谱组包括该指定时间段各个第一类光谱检测仪检测的第一光谱,根据第一光谱组和预建立的污染物气体反演模型,预测第一光谱对应的预设监测点的空气质量;其中,空气质量包括污染物气体的浓度。这种在多预设监测点布设分辨率较低的第一类光谱检测仪的方式,降低了监测成本;此外,这种利用污染物气体反演模型预测预设监测点的空气质量的方式,保证了所监测的空气质量的准确度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,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大气污染物浓度在线检测系统的结构示意图;
图2为本发明实施例提供的另一种大气污染物浓度在线检测系统的结构示意图;
图3为本发明实施例提供的一种预设监测点的分布示意图;
图4为本发明实施例提供的一种大气污染物浓度在线检测方法的流程图。
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,下面将结合附图对本发明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,本领域技术人员在没有做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。
目前传统的大气污染物监测网络系统所采用的分辨率满足指定值的光谱监测设备的成本过高,导致了大气污染物监测网络系统的成本过高,基于此,本发明实施例提供的一种大气污染物浓度在线检测系统及方法,可以在保证气体监测精度的同时,减小系统成本。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种大气污染物浓度在线检测系统进行详细介绍。
实施例一:
本发明提供了一种大气污染物浓度在线检测系统,如图1所示的一种大气污染物浓度在线检测系统的结构示意图,该系统包括用于布设在预设监测点的第一类光谱检测仪102、与第一类光谱检测仪102通信连接的云端服务器104,和与云端服务器104连接的本地服务器106;
上述预设监测点为预先按照地理经纬度因素和地理环境因素划分出的各个网格单元内的指定位置点;其中,地理环境因素包括环境温度、环境湿度和气压中的至少之一;
上述网格单元的位置可以为山丘、平原、城镇等地域,一般来说,在划分上述网格单元的时候,网格单元所占地域面积通常与网格单元的地理经纬度的地理环境差异性有关,即地理环境随地理经纬度变动较大的地域,一个网格单元的占地面积较小,以保证将地理环境相似的、地理环境变动情况相近的预设监测点划定在一个网格单元内。
第一类光谱检测仪102的分辨率低于指定值,用于检测所在预设监测点处的第一光谱,并将第一光谱存储至云端服务器104;上述指定值为可以满足正常监测需要的最低分辨率值。
在将第一光谱存储至云端服务器104的过程中,第一类光谱检测仪102可以通过配置在预设监测点的网络通信设备进行第一光谱对应数据的实时传输。
上述第一类光谱检测仪102在检测所在预设监测点处的第一光谱的过程中,通常利用所在预设监测点的空气(大气)对光线进行吸收,得到吸收后的光线的各个波段的波长强度,即为第一光谱。
本地服务器106用于从云端服务器104下载指定时间段对应的第一光谱组,第一光谱组包括该指定时间段各个第一类光谱检测仪检测的第一光谱,根据第一光谱组和预建立的污染物气体反演模型,预测第一光谱对应的预设监测点的空气质量;
其中,上述空气质量包括污染物气体的浓度;上述预建立的污染物气体反演模型为基于预测的光谱和对应该光谱的监测点的实测空气质量预先训练得到的模型。
本发明提供的大气污染物浓度在线检测系统包括用于布设在预设监测点的第一类光谱检测仪、与第一类光谱检测仪通信连接的云端服务器,和与云端服务器连接的本地服务器;其中,预设监测点为预先按照地理经纬度因素和地理环境划分出的各个网格单元内的指定位置点;地理环境因素包括环境温度、环境湿度和气压中的至少之一;第一类光谱检测仪的分辨率低于指定值,用于检测所在预设监测点处的第一光谱,并将第一光谱存储至云端服务器;本地服务器用于从云端服务器下载指定时间段对应的第一光谱组,第一光谱组包括该指定时间段各个第一类光谱检测仪检测的第一光谱,根据第一光谱组和预建立的污染物气体反演模型,预测第一光谱对应的预设监测点的空气质量;其中,空气质量包括污染物气体的浓度。一般来说,分辨率低于指定值的第一类光谱检测仪的成本相对较低。因此,这种在多预设监测点布设分辨率较低的第一类光谱检测仪的方式,降低了监测成本;此外,这种利用污染物气体反演模型预测预设监测点的空气质量的方式,保证了所监测的空气质量的准确度。
为了进一步保证污染物气体反演模型的预测精度,在上述实施例的基础上,图2示出了另一种大气污染物浓度在线检测系统的结构示意图,该系统包括用于布设在特定监测点的第二类光谱检测仪202;其中,特定监测点为网格单元的中心点;
为了便于理解,图3示出了一种预设监测点的分布示意图,该示例图中仅画出了4个网格单元,每个网格单元包括9个预设监测点,一般来说,上述特定监测点与网格单元中心点处的预设监测点重合。
上述第二类光谱检测仪202的分辨率高于指定值,用于检测特定监测点处的第二光谱,并将第二光谱存储至云端服务器104;
上述本地服务器106还用于下载云端服务器104中,预设时间内特定监测点的第二光谱组和特定监测点的第一光谱组,并根据该第二光谱和该第一光谱训练污染物气体反演模型;其中,第二光谱组包括该预设时间段各个第二类光谱检测仪检测的第二光谱。
在上述训练污染物气体反演模型的过程中,本地服务器106利用第二光谱组进行污染物气体浓度反演,如基于差分光学吸收光谱技术进行污染物气体浓度的反演计算,得到对应的空气质量组;进一步,将该空气质量组和第一光谱组作为模型训练数据样本集,对初始模型进行训练,以得到上述污染物气体反演模型。
上述本地服务器106还用于周期性地从云端服务器104中下载第二光谱组和第一光谱组,并根据本周期下载得到的第二光谱组和第一光谱组校准污染物气体反演模型。
在校准上述污染物气体反演模型的过程中,本地服务器106以周期的形式或实时的形式下载最近上传的第二光谱组和最近上传的第一光谱组,并将该第二光谱组和该第一光谱组作为校准样本数据;利用该校准样本数据验证污染物气体反演模型的精度差(即以污染物气体反演模型输出的结果与第二光谱组反演出来的结果作差后,除以第二光谱组反演出来的结果,得到精度差),如果精度差高于预设精度差时,再基于校准样本数据对污染物气体反演模型进行校准训练。也就是说,上述本地服务器106可以随时根据最近上传的第一光谱和第二光谱,扩充上述模型训练数据样本集,以利用扩充后的样本集进行污染物气体反演模型的校准训练。
如图3所示,在整个网络中每个预设监测点根据地理经纬度、地理环境等因素汇聚形成网格单元;其中,在每个网格单元内,将与相邻的几个监测点拥有相同的地理环境因素的监测点作为网格单元的中心监测点(特定监测点)P1-P4,同一网格单元的多个预设监测点具有相同或相近的地理因素(经纬度)和环境参数(如气压、湿度、温度),如图3中P1与P1-2至P1-9预设监测点,同理,P2、P3、P4所在的网格单元。
在该网格中心监测点同时放置第一类光谱检测仪102和第二类光谱检测仪202,同时采集第一光谱和第二光谱;将该网络单元的其他预设监测点仅放置第一类光谱检测仪102,采集对应预设监测点的第一光谱。
这样将第一类光谱检测仪102和第二类光谱检测仪202布设在相同或相似的地理环境因素和环境参数中,有关地理环境的干扰因素就可降到最低,由此训练得到的污染物气体反演模型便更好的预测空气质量,进而提供了整个系统的气体浓度预测的精度。
值得说明的是,由于第一光谱组和第二光谱组都是针对同一个网格单元的多个预设监测点进行的光谱监测,因此所对应的污染物气体反演模型是针对该网格单元的预设监测点特有的预测模型,不同的网格单元由于地理环境因素、地理经纬度因素不同,所对应的污染物气体反演模型也不同。
由于不同网格单元对应不同的污染物气体反演模型,但在具体划分网格单元时,自然环境的时变性导致同一网格单元内的多个预设监测点的地理环境因素存在不一致或不相似的情况,进而导致网格单元内的多个预设监测点无法再公用同一个污染物气体反演模型。
基于此,该系统还包括与云端服务器104连接的环境参数监测器;环境参数监测器布设在预设监测点上,用于检测预设监测点的地理环境因素,并将地理环境因素上报至云端服务器104;云端服务器104还用于根据地理环境因素和地理经纬度因素划分出的各个网格单元,如通过改变预设监测点所属的网格单元,对网格单元所包含的预设监测点进行重新划分,以使重新划分后的网格单元中的预设监测点的地理环境因素一样或满足预设的相似程度。
此外,基于上述各个预设监测点的地理环境因素,上述污染物气体反演模型在训练时,可以结合地理环境因素进行训练,即上述污染物气体反演模型可以是针对地理环境因素训练的,相同或满足预设相似阈值的地理环境因素公用同一个污染物气体反演模型,而不局限于同一个网格单元公用同一个污染物气体反演模型。这样的设计方式也扩大了污染物气体反演模型的适用范围,使得污染物气体反演模型摆脱了地域性、网格单元的限制,即在利用污染物气体反演模型反算第一光谱对应的空气质量时,只需要调用该第一光谱对应的地理环境因素对应的污染物气体反演模型,就可以准确预算空气质量。
为了便于工作人员对所负责的预设监测点的空气质量进行监测,本地服务器106还用于将预设监测点的空气质量存储至云端服务器104;第一类光谱检测仪102还用于从云端服务器104中下载第一类光谱检测仪102对应的预设监测点的空气质量,并通过第一类光谱检测仪102的显示界面显示该空气质量。这样,使得工作人员可以随时通过本地服务器调取所在预设监测点的数据。
综上,本实施例提出的大气污染物浓度在线检测系统具有以下有益效果:
(1)可满足低成本、高精度、实时在线监测区域污染气体浓度的要求,并且可对污染物气体反演模型进行实时校准训练,以保证预测空气质量数据的准确性;
(2)上述污染物气体反演模型的模型训练数据样本集可以基于第一光谱组和第二光谱组进行实时更新,保证了污染物气体反演模型的准确性。
(3)通过环境参数监测器获取预设监测点的地理环境因素的方式,实现了只需要通过远端服务器即可随时调整网格单元的划分,改变预设监测点所属的网格单元,无需在人员到预设监测点人为重新布设网格单元,节约了人力成本;
(4)上述污染物气体反演模型也可以结合上地理环境因素,以摆脱污染物气体反演模型的地域限制,扩大污染物气体反演模型的适用范围;
(5)这种将所有预设监测点的数据统一管理到本地服务器上的方式,便于环境监测工作人员对整体环境数据、部分地区环境数据进行全局把控。
实施例二:
在上述实施例所提供的大气污染物浓度在线检测系统的基础上,本发明提供了一种大气污染物浓度在线检测方法,参考图4所示的一种大气污染物浓度在线检测方法的流程图,该方法应用于本地服务器,该方法包括以下步骤:
S402,从云端服务器下载第一光谱组;
其中,第一光谱组为与云端服务器通信连接的各个第一类光谱检测仪在预设监测点检测出的第一光谱的集合;预设监测点为预先按照地理经纬度因素和地理环境因素划分出的各个网格单元内的指定位置点;地理环境因素包括环境温度、环境湿度和气压中的至少之一;第一类光谱检测仪的分辨率低于指定值;
S404,根据第一光谱组和预建立的污染物气体反演模型,预测第一光谱对应的预设监测点的空气质量。其中,空气质量包括污染物气体的浓度。
上述污染物气体反演模型的训练过程,包括以下步骤01和步骤02:
步骤01,获取光谱样本和空气质量样本;其中,空气质量样本为预先检测的光谱样本对应预设监测点的空气质量;
步骤02,按照设定的训练算法,应用光谱样本和空气质量样本训练初始反演模型,得到训练好的污染物气体反演模型。
该方法还包括以下步骤:
步骤11,下载云端服务器中,预设时间内特定监测点的第二光谱组和特定监测点的第一光谱组,并根据该第二光谱和该第一光谱训练污染物气体反演模型。其中,第二光谱组为与云端服务器通信连接的第二类光谱检测仪在特定监测点检测出的第二光谱的集合;特定监测点为网格单元的中心点;
步骤12,周期性地从云端服务器中下载的第二光谱组和第一光谱组,并根据本周期下载得到的第二光谱组和第一光谱组校准污染物气体反演模型。
其中,步骤12,根据本周期下载得到的第二光谱组和第一光谱组校准污染物气体反演模型,可以由以下步骤实现:
(1)根据本周期下载得到的第二光谱组,反演计算该第二光谱组对应特定监测点的空气质量;
(2)按照设定的训练算法,应用本周期下载得到的第一光谱和第二光谱对应特定监测点的空气质量训练初始反演模型,得到训练好的污染物气体反演模型。
本发明实施例提供的大气污染物浓度在线检测方法,与上述实施例提供的大气污染物浓度在线检测系统具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例还提供了一种服务器,该服务器包括存储器以及处理器,上述存储器用于存储支持处理器执行上述实施例二所述方法的程序,上述处理器被配置为用于执行该存储器中存储的程序。
进一步,本发明实施例还提供一种计算机存储介质,用于存储计算机程序指令,当计算机执行所示计算机程序指令时,执行如上述实施例二所述的方法。
本发明实施例所提供的大气污染物浓度在线检测系统及方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
为描述的方便和简洁,上述描述的方法的具体工作过程,可以参考前述系统实施例中的对应过程,在此不再赘述。
附图中的流程图和结构框图显示了根据本发明的多个实施例的方法、和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和系统,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种大气污染物浓度在线检测系统,其特征在于,所述系统包括用于布设在预设监测点的第一类光谱检测仪、与所述第一类光谱检测仪通信连接的云端服务器,和与所述云端服务器连接的本地服务器;
其中,所述预设监测点为预先按照地理经纬度因素和地理环境因素划分出的各个网格单元内的指定位置点;所述地理环境因素包括环境温度、环境湿度和气压中的至少之一;
所述第一类光谱检测仪的分辨率低于指定值,用于检测所在预设监测点处的第一光谱,并将所述第一光谱存储至所述云端服务器;
所述本地服务器用于从所述云端服务器下载指定时间段对应的第一光谱组,根据所述第一光谱组和预建立的污染物气体反演模型,预测所述第一光谱对应的预设监测点的空气质量;其中,所述第一光谱组包括该指定时间段各个所述第一类光谱检测仪检测的第一光谱,所述空气质量包括污染物气体的浓度。
2.根据权利要求1所述的系统,其特征在于,所述系统还包括用于布设在特定监测点的第二类光谱检测仪;所述特定监测点为所述网格单元的中心点;
所述第二类光谱检测仪的分辨率高于指定值,用于检测所述特定监测点处的第二光谱,并将所述第二光谱存储至所述云端服务器;
所述本地服务器还用于下载所述云端服务器中,预设时间内所述特定监测点的第二光谱组和所述特定监测点的第一光谱组,并根据该第二光谱和该第一光谱训练所述污染物气体反演模型;其中,所述第二光谱组包括所述预设时间内各个所述第二类光谱检测仪检测的第二光谱。
3.根据权利要求2所述的系统,其特征在于,所述本地服务器还用于周期性地从所述云端服务器中下载第二光谱组和第一光谱组,并根据本周期下载得到的所述第二光谱组和第一光谱组校准所述污染物气体反演模型。
4.根据权利要求1所述的系统,其特征在于,所述系统还包括与所述云端服务器连接的环境参数监测器;
所述环境参数监测器布设在所述预设监测点上,用于检测所述预设监测点的地理环境因素,并将所述地理环境因素上报至所述云端服务器;
所述云端服务器还用于根据所述地理环境因素和地理经纬度因素划分出的各个网格单元。
5.根据权利要求1所述的系统,其特征在于,所述本地服务器还用于将所述预设监测点的空气质量存储至所述云端服务器;
所述第一类光谱检测仪还用于从所述云端服务器中下载所述第一类光谱检测仪对应的预设监测点的空气质量,并通过所述第一类光谱检测仪的显示界面显示该空气质量。
6.一种大气污染物浓度在线检测方法,其特征在于,应用于本地服务器,所述方法包括:
从云端服务器下载第一光谱组,其中,所述第一光谱组为与所述云端服务器通信连接的各个第一类光谱检测仪在预设监测点检测出的第一光谱的集合;所述预设监测点为预先按照地理经纬度因素和地理环境因素划分出的各个网格单元内的指定位置点;所述地理环境因素包括环境温度、环境湿度和气压中的至少之一;所述第一类光谱检测仪的分辨率低于指定值;
根据所述第一光谱组和预建立的污染物气体反演模型,预测所述第一光谱对应的预设监测点的空气质量;其中,所述空气质量包括污染物气体的浓度。
7.根据权利要求6所述的方法,其特征在于,所述污染物气体反演模型的训练过程,包括:
获取光谱样本和空气质量样本;其中,所述空气质量样本为预先检测的所述光谱样本对应预设监测点的空气质量;
按照设定的训练算法,应用所述光谱样本和所述空气质量样本训练初始反演模型,得到训练好的污染物气体反演模型。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
下载所述云端服务器中,预设时间内所述特定监测点的第二光谱组和所述特定监测点的第一光谱组,并根据该第二光谱和该第一光谱训练所述污染物气体反演模型;其中,所述第二光谱组为与所述云端服务器通信连接的第二类光谱检测仪在特定监测点检测出的第二光谱的集合;所述特定监测点为所述网格单元的中心点。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
周期性地从所述云端服务器中下载的第二光谱组和第一光谱组,并根据本周期下载得到的所述第二光谱组和第一光谱组校准所述污染物气体反演模型。
10.根据权利要求8所述的方法,其特征在于,根据本周期下载得到的所述第二光谱组和第一光谱组校准所述污染物气体反演模型的步骤,包括:
根据本周期下载得到的所述第二光谱组,反演计算该第二光谱组对应特定监测点的空气质量;
按照设定的训练算法,应用本周期下载得到的所述第一光谱和所述第二光谱对应特定监测点的空气质量训练初始反演模型,得到训练好的污染物气体反演模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410075.XA CN109975230B (zh) | 2019-05-16 | 2019-05-16 | 大气污染物浓度在线检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410075.XA CN109975230B (zh) | 2019-05-16 | 2019-05-16 | 大气污染物浓度在线检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109975230A true CN109975230A (zh) | 2019-07-05 |
CN109975230B CN109975230B (zh) | 2021-09-17 |
Family
ID=67073837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910410075.XA Active CN109975230B (zh) | 2019-05-16 | 2019-05-16 | 大气污染物浓度在线检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109975230B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120296963A1 (en) * | 2011-03-30 | 2012-11-22 | Dexi Lu | Open wireless architecture (owa) mobile cloud infrastructure and method |
CN203415064U (zh) * | 2013-08-15 | 2014-01-29 | 毛振刚 | 基于无线传感器网络的智能森林火灾报警定位系统 |
US20150080044A1 (en) * | 2013-09-13 | 2015-03-19 | Shared Spectrum Company | Distributed spectrum monitor |
CN104614340A (zh) * | 2015-01-30 | 2015-05-13 | 长春长光思博光谱技术有限公司 | 基于云平台光栅式近红外检测仪 |
CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
CN105954202A (zh) * | 2016-04-22 | 2016-09-21 | 浙江大学 | 一种柑橘溃疡病高光谱模型传递的方法 |
CN105987753A (zh) * | 2015-02-11 | 2016-10-05 | 河北伊诺光学科技有限公司 | 一种基于云计算的光谱专家系统及其使用方法 |
CN206331577U (zh) * | 2017-01-04 | 2017-07-14 | 路永明 | 一种基于LoRa技术的超低功耗遥测水位采集系统 |
CN107991969A (zh) * | 2017-12-25 | 2018-05-04 | 云南五佳生物科技有限公司 | 一种基于物联网的智慧烟草种植管理系统 |
CN108061721A (zh) * | 2016-11-09 | 2018-05-22 | 中国石油化工股份有限公司 | 大气污染物监测设备 |
US20180268292A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc. | Learning efficient object detection models with knowledge distillation |
CN108830253A (zh) * | 2018-06-27 | 2018-11-16 | 中石化西南石油工程有限公司地质录井分公司 | 筛选模型建立方法、光谱筛选装置及方法 |
CN109639463A (zh) * | 2018-11-23 | 2019-04-16 | 华北科技学院 | 一种物联网监测点相邻关系的判定方法 |
-
2019
- 2019-05-16 CN CN201910410075.XA patent/CN109975230B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120296963A1 (en) * | 2011-03-30 | 2012-11-22 | Dexi Lu | Open wireless architecture (owa) mobile cloud infrastructure and method |
CN203415064U (zh) * | 2013-08-15 | 2014-01-29 | 毛振刚 | 基于无线传感器网络的智能森林火灾报警定位系统 |
US20150080044A1 (en) * | 2013-09-13 | 2015-03-19 | Shared Spectrum Company | Distributed spectrum monitor |
CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
CN104614340A (zh) * | 2015-01-30 | 2015-05-13 | 长春长光思博光谱技术有限公司 | 基于云平台光栅式近红外检测仪 |
CN105987753A (zh) * | 2015-02-11 | 2016-10-05 | 河北伊诺光学科技有限公司 | 一种基于云计算的光谱专家系统及其使用方法 |
CN105954202A (zh) * | 2016-04-22 | 2016-09-21 | 浙江大学 | 一种柑橘溃疡病高光谱模型传递的方法 |
CN108061721A (zh) * | 2016-11-09 | 2018-05-22 | 中国石油化工股份有限公司 | 大气污染物监测设备 |
CN206331577U (zh) * | 2017-01-04 | 2017-07-14 | 路永明 | 一种基于LoRa技术的超低功耗遥测水位采集系统 |
US20180268292A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc. | Learning efficient object detection models with knowledge distillation |
CN107991969A (zh) * | 2017-12-25 | 2018-05-04 | 云南五佳生物科技有限公司 | 一种基于物联网的智慧烟草种植管理系统 |
CN108830253A (zh) * | 2018-06-27 | 2018-11-16 | 中石化西南石油工程有限公司地质录井分公司 | 筛选模型建立方法、光谱筛选装置及方法 |
CN109639463A (zh) * | 2018-11-23 | 2019-04-16 | 华北科技学院 | 一种物联网监测点相邻关系的判定方法 |
Non-Patent Citations (3)
Title |
---|
ASHWINI DONI等: "SURVEY ON MULTI SENSOR BASED AIR AND WATER QUALITY MONITORING USING IOT", 《INDIAN J.SCI.RES》 * |
崔曼等: "基于物联网与云计算的环境监测系统研究", 《西安工业大学学报》 * |
隋鲁智等: "《环境监测技术与实践应用研究》", 31 March 2018, 北京工业大学出版社 * |
Also Published As
Publication number | Publication date |
---|---|
CN109975230B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210041406A1 (en) | Networked Environmental Monitoring System and Method | |
Li et al. | Sensing the air we breathe—the OpenSense Zurich dataset | |
Kadri et al. | Wireless sensor network for real-time air pollution monitoring | |
Turner et al. | Network design for quantifying urban CO 2 emissions: assessing trade-offs between precision and network density | |
Van Der A et al. | Multi sensor reanalysis of total ozone | |
Moberg et al. | Homogenization of Swedish temperature data. Part II: homogenized gridded air temperature compared with a subset of global gridded air temperature since 1861 | |
CN110428104A (zh) | 一种污染贡献率确定方法、装置、电子设备及存储介质 | |
Qin et al. | The evaluation and optimization of calibration methods for low-cost particulate matter sensors: Inter-comparison between fixed and mobile methods | |
JP7365415B2 (ja) | 気体センサを較正するための方法 | |
KR20150031577A (ko) | 대기오염물질 배출량 역산출 방법 | |
Mahajan et al. | An empirical study of PM2. 5 forecasting using neural network | |
Reza Koohkan et al. | Accounting for representativeness errors in the inversion of atmospheric constituent emissions: application to the retrieval of regional carbon monoxide fluxes | |
Tian et al. | Environment-adaptive calibration system for outdoor low-cost electrochemical gas sensors | |
Schneider et al. | A network of low-cost air quality sensors and its use for mapping urban air quality | |
Can et al. | CENSE Project: general overview | |
KR20150144380A (ko) | 가상센서와 관측센서를 통합한 대기질 정보 서비스 시스템 및 방법 | |
CN115356440A (zh) | 一种用于定量人为排放和气象条件对大气污染物浓度贡献的系统和方法 | |
Pieri et al. | Air pollution monitoring in lemesos using a wireless sensor network | |
CN109975230A (zh) | 大气污染物浓度在线检测系统及方法 | |
Mani et al. | AI powered IoT based real-time air pollution monitoring and forecasting | |
Fekih et al. | On the regression and assimilation for air quality mapping using dense low-cost wsn | |
Rogulski et al. | Current trends in network based air quality monitoring systems | |
Afzal et al. | IoT Based Smart Environmental Monitring System Using ESP32/We-Mos D1 Mini & ThingSpeak | |
ElAbdallaoui et al. | A crowdsensing-based framework for urban air quality decision support | |
Kakarla et al. | Comprehensive air quality management system for rapidly growing cities in developing countries |
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 |