CN110006799A - 一种热点网格污染类型的分类方法 - Google Patents
一种热点网格污染类型的分类方法 Download PDFInfo
- Publication number
- CN110006799A CN110006799A CN201910116787.0A CN201910116787A CN110006799A CN 110006799 A CN110006799 A CN 110006799A CN 201910116787 A CN201910116787 A CN 201910116787A CN 110006799 A CN110006799 A CN 110006799A
- Authority
- CN
- China
- Prior art keywords
- hot spot
- spot grid
- classification method
- pollution
- peak value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 17
- 231100000719 pollutant Toxicity 0.000 claims abstract description 17
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 22
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical compound S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 claims description 11
- 239000000428 dust Substances 0.000 claims description 8
- 239000007789 gas Substances 0.000 claims description 7
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- -1 industrial pollution Substances 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- AKEJUJNQAAGONA-UHFFFAOYSA-N sulfur trioxide Chemical compound O=S(=O)=O AKEJUJNQAAGONA-UHFFFAOYSA-N 0.000 claims description 6
- 239000004215 Carbon black (E152) Substances 0.000 claims description 5
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 claims description 5
- 239000003245 coal Substances 0.000 claims description 5
- 229930195733 hydrocarbon Natural products 0.000 claims description 5
- 239000013618 particulate matter Substances 0.000 claims description 5
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 4
- 239000003517 fume Substances 0.000 claims description 4
- 150000002430 hydrocarbons Chemical class 0.000 claims description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 3
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000000460 chlorine Substances 0.000 claims description 3
- 229910052801 chlorine Inorganic materials 0.000 claims description 3
- LZDSILRDTDCIQT-UHFFFAOYSA-N dinitrogen trioxide Chemical compound [O-][N+](=O)N=O LZDSILRDTDCIQT-UHFFFAOYSA-N 0.000 claims description 3
- 229910001385 heavy metal Inorganic materials 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 2
- 239000005864 Sulphur Substances 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 2
- 229910052757 nitrogen Inorganic materials 0.000 claims description 2
- 239000001272 nitrous oxide Substances 0.000 claims description 2
- 239000001301 oxygen Substances 0.000 claims description 2
- 229910052760 oxygen Inorganic materials 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 241000790917 Dioxys <bee> Species 0.000 claims 1
- 230000003647 oxidation Effects 0.000 claims 1
- 238000007254 oxidation reaction Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 1
- YZCKVEUIGOORGS-IGMARMGPSA-N Protium Chemical compound [1H] YZCKVEUIGOORGS-IGMARMGPSA-N 0.000 description 1
- 241000720974 Protium Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229960004424 carbon dioxide Drugs 0.000 description 1
- 229910002090 carbon oxide Inorganic materials 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001535 kindling effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G01N15/075—Investigating concentration of particle suspensions by optical means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Dispersion Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种热点网格污染类型的分类方法，包括：获得各个热点网格的污染物的历史浓度数据，计算各个热点网格随时间变化的浓度特征；根据现场监测确定各个热点网格的污染类型；建立数学模型，并利用所述各个热点网格随时间变化的浓度特征与相应的污染类型进行训练；获得实时监测到的各个热点网格的污染物浓度数据，计算随时间变化的浓度特征，并输入训练后的数学模型，得到热点网格的污染类型。本发明可以提高污染类型分类的精准度，提高监管效率，节约人力。
Description
技术领域
本发明属于大气污染监测领域，具体涉及一种热点网格污染类型的分类方法。
背景技术
大气污染物，指由于人类活动或自然过程排入大气的并对人和环境产生有害影响的那些物质，如：颗粒物：指大气中液体、固体状物质，又称尘，例如pm2.5，硫氧化物：是硫的氧化物的总称，包括二氧化硫，三氧化硫，三氧化二硫，一氧化硫等。碳的氧化物：主要是一氧化碳。氮氧化物：是氮的氧化物的总称，包括氧化亚氮，一氧化氮，二氧化氮，三氧化二氮等。碳氢化合物：是以碳元素和氢元素形成的化合物，如甲烷、乙烷等烃类气体。其它有害物质：如重金属类，含氟气体，含氯气体等等。通过检测设备可以实时检测某地对应大气污染物的浓度。
所谓热点网格，是指环境保护部组织有关技术单位，把京津冀及周边重点区域“2+26”城市，按照3km×3km划分成若干个网格。综合卫星遥感、空气质量地面观测、气象观测等各类数据，利用基于认知的遥感图像识别技术和多源数据融合，然后通过大气污染物卫星遥感反演，确定每一个网格的PM2.5平均浓度，根据浓度数值排序确定热点网格中的重点监管地区。
对热点网格进行分类，如污染类型可以分为：移动污染源密集区、工地扬尘、着火点、餐饮油烟、其他、居民散煤、工业污染、道路扬尘等可以帮助环境保护人员对一个城市的污染类型有更清楚的了解，能够对城市空气污染的防治更有的放矢。
如果仅通过现场执法对网格污染类型进行分类将消耗大量的人力物力，而通过卫星识别等手段准确性不能保证，不能做到有效溯源，因此需要一种能够高效、准确的热点网格污染类型的分类方法。
发明内容
有鉴于此，本发明提出一种热点网格污染类型的分类方法，通过大气污染物浓度随时间的变化特征对大气热点网格污染类型进行分类，用于解决现有技术中存在的至少一个问题。
为了达到上述目的，本发明采用以下技术方案：
一种热点网格污染类型的分类方法，包括：
获得各个热点网格的污染物的历史浓度数据，计算各个热点网格随时间变化的浓度特征；
根据现场监测确定各个热点网格的污染类型；
建立数学模型，并利用所述各个热点网格随时间变化的浓度特征与相应的污染类型进行训练；以及
获得实时监测到的各个热点网格的污染物浓度数据，计算随时间变化的浓度特征，并输入训练后的数学模型，得到热点网格的污染类型。
在一些实施例中，所述随时间变化的浓度特征包括当天最高值与最低值的差值、当天峰值与峰值后固定时间点值的差值、当天峰值持续时间、当天峰值出现次数、当天峰值首次出现时间、当天峰值末次出现时间、当天峰值与历史峰值的差值及其任意组合。
在一些实施例中，所述污染类型包括移动污染源密集区、工地扬尘、着火点、餐饮油烟、居民散煤、工业污染、道路扬尘和特殊类型的任意组合。
在一些实施例中，所述污染物包括颗粒物、硫氧化物、碳氧化物、氮氧化物、碳氢化合物、重金属、含氟气体、含氯气体及其任意组合。
在一些实施例中，所述颗粒物包括PM2.5和/或PM10；所述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；所述碳氧化物包括一氧化碳；所述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；所述碳氢化合物包括甲烷和/或乙烷。
在一些实施例中，采用随机森林算法、神经网络、支持向量机等来训练所述数学模型。
与现有技术相比，本发明具有以下有益效果：
本发明通过大气污染物浓度随时间的变化特征对大气热点网格主要污染物进行类型分类，由于每种污染类型所具有的大气污染物浓度随时间的变化特征在数据表现上会有不同的差别，因此可以作为区分污染类型的依据，从而达到污染类型分类的目的，为环境监控提供更好的数据洞察力，支持环保部做城市污染类型分析，能够分析每个城市污染物类型占比，以及为现场执法人员提供检查依据，从而提高检查精准度，提高监管效率，节约人力。
附图说明
图1为本发明实施例中热点网格污染类型的分类方法流程图；
图2为当天最高值与最低值的差值在8种污染类型的数据分布核密度直方图；
图3为峰值点隔小时差值在8种污染类型的数据分布核密度直方图；
图4为峰值持续时间在8种污染类型的数据分布核密度直方图。
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。
本发明基于不同污染源浓度的时间曲线的不同，提出基于随时间变化的浓度特征进行分类。如图1所示，本发明提出的热点网格污染类型的分类方法，包括：
获得各个热点网格的污染物的历史浓度数据，计算各个热点网格随时间变化的浓度特征；
根据现场监测确定各个热点网格的污染类型；
建立数学模型，并利用所述各个热点网格随时间变化的浓度特征与相应的污染类型进行训练；以及
获得实时监测到的各个热点网格的污染物浓度数据，计算随时间变化的浓度特征，并输入训练后的数学模型，得到热点网格的污染类型。
需要说明的是，所述方法并不限定各步骤的顺序，各步骤可按照任何可能的方式排列，例如确定各个热点网格的污染类型的步骤也可作为第一步骤。
在下面的实施例中，本发明以PM2.5浓度为例，对热点网格污染类型进行分类，包括以下步骤：
1.获得各个热点网格的PM2.5历史浓度数据，计算基于PM2.5历史浓度数据的特征
PM2.5历史浓度数据可以由热点网格内设置的监测设备获得。根据以往经验，不同污染类型在PM2.5浓度变化上有不同的特征，如：工业类污染往往发生在深夜凌晨，移动类污染往往发生在上下班高峰期，餐饮油烟类污染往往发生在11:00-1:00，5:00-7:00等时间段，因此可以提出7个基于PM2.5的数据特征，作为污染类型分类的依据。确定的特征和计算方法如下：
特征1：当天最高值与最低值的差值
定义为热点网格每天PM2.5值中最高值和最低值的差值。
特征2：峰值与固定时间点值的差值
定义为热点网格最大PM2.5与对应下一个时间点(例如一小时)的PM2.5值的差值。
特征3：峰值持续时间
定义为在热点网格PM2.5在当天最大PM2.5值一定阈值范围内的出现最大连续时间区间。
特征4：峰值出现次数
定义为热点网格PM2.5在当天最大PM2.5值一定阈值范围内的出现次数。
特征5：峰值首次出现时间
定义为热点网格PM2.5在当天最大PM2.5值一定阈值范围内的首次出现的时间点。
特征6：峰值末次出现时间
定义为热点网格PM2.5在当天最大PM2.5值一定阈值范围内的末次出现的时间点。
特征7：当天峰值与历史峰值差值
定义为热点网格当天最大PM2.5值与该网格点历史最大PM2.5值的差值。
图2-4是上述一些特征在不同污染类型中的数据分布核密度直方图，通过核密度直方图可以直观的看出本发明提出的特征在统计上对污染类型有不同的差别。因此可利用本发明提出的特征数据对污染类型做分类。
2.根据现场监测确定各个热点网格的污染类型
各个热点网格的污染类型可以通过现场监测来确定，在该实施例中确定的污染类型包括：移动污染源密集区、工地扬尘、着火点、餐饮油烟、居民散煤、工业污染、道路扬尘和其他类型(或称为特殊类型)等8种类型。
3.建立并训练数学模型
根据历史数据计算本发明提出的7维特征，并根据现场监测确定的污染类型对热点网格对应的特征数据打标签，作为模型的训练数据。采用随机森林算法对数据模型进行训练，实现对提出的维度与特征分类的更好理解，从而提高污染类型分类的准确率。
4.污染类型分类
获得热点网格的当天数据后，计算提出的7维特征，输入依据该训练后的数学模型，即可输出热点网格污染类型的分类结果。
本领域技术人员应当理解，本发明还可以利用其它一种或多种污染物的浓度数据来对热点网格污染类型进行分类，并且污染物的种类越多，提取的特征数量越多，得到的分类结果越准确。
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)
1.一种热点网格污染类型的分类方法，其特征在于，包括：
获得各个热点网格的污染物的历史浓度数据，计算各个热点网格随时间变化的浓度特征；
根据现场监测确定各个热点网格的污染类型；
建立数学模型，并利用所述各个热点网格随时间变化的浓度特征与相应的污染类型进行训练；以及
获得实时监测到的各个热点网格的污染物浓度数据，计算随时间变化的浓度特征，并输入训练后的数学模型，得到热点网格的污染类型。
2.根据权利要求1所述的分类方法，其中，所述随时间变化的浓度特征包括当天最高值与最低值的差值、当天峰值与峰值后固定时间点值的差值、当天峰值持续时间、当天峰值出现次数、当天峰值首次出现时间、当天峰值末次出现时间、当天峰值与历史峰值的差值及其任意组合。
3.根据权利要求1所述的分类方法，其中，所述污染类型包括移动污染源密集区、工地扬尘、着火点、餐饮油烟、居民散煤、工业污染、道路扬尘和特殊类型的任意组合。
4.根据权利要求1所述的分类方法，其中，所述污染物包括颗粒物、硫氧化物、碳氧化物、氮氧化物、碳氢化合物、重金属、含氟气体、含氯气体及其任意组合。
5.根据权利要求4所述的分类方法，其中，所述颗粒物包括PM2.5和/或PM10。
6.根据权利要求4所述的分类方法，其中，所述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。
7.根据权利要求4所述的分类方法，其中，所述碳氧化物包括一氧化碳。
8.根据权利要求4所述的分类方法，其中，所述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。
9.根据权利要求4所述的分类方法，其中，所述碳氢化合物包括甲烷和/或乙烷。
10.根据权利要求1所述的分类方法，其中，采用随机森林算法、神经网络或支持向量机来训练所述数学模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910116787.0A CN110006799A (zh) | 2019-02-14 | 2019-02-14 | 一种热点网格污染类型的分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910116787.0A CN110006799A (zh) | 2019-02-14 | 2019-02-14 | 一种热点网格污染类型的分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110006799A true CN110006799A (zh) | 2019-07-12 |
Family
ID=67165742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910116787.0A Pending CN110006799A (zh) | 2019-02-14 | 2019-02-14 | 一种热点网格污染类型的分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110006799A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110361054A (zh) * | 2019-08-01 | 2019-10-22 | 武汉知中智知识产权运营有限公司 | 一种基于大数据实时分析空气污染源监控预警方法和装置 |
| CN111579446A (zh) * | 2020-05-19 | 2020-08-25 | 中煤科工集团重庆研究院有限公司 | 一种基于最优融合算法的粉尘浓度检测方法 |
| CN111985567A (zh) * | 2020-08-21 | 2020-11-24 | 河北先河环保科技股份有限公司 | 一种基于机器学习的污染源类型自动识别方法 |
| CN112062396A (zh) * | 2020-08-27 | 2020-12-11 | 盐城工学院 | 一种富营养化水体生态净化系统及净化方法 |
| 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 (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8315956B2 (en) * | 2008-02-07 | 2012-11-20 | Nec Laboratories America, Inc. | System and method using hidden information |
| CN102999664A (zh) * | 2012-11-20 | 2013-03-27 | 天津大学 | 一种室内污染源位置识别方法 |
| 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 |
| CN107194139A (zh) * | 2016-03-14 | 2017-09-22 | 日电（中国）有限公司 | 大气污染源分级方法及计算设备 |
| CN109213839A (zh) * | 2018-09-12 | 2019-01-15 | 北京英视睿达科技有限公司 | 基于网格化特征深度学习的热点网格污染物数据获取方法 |
| CN109213840A (zh) * | 2018-09-12 | 2019-01-15 | 北京英视睿达科技有限公司 | 基于多维特征深度学习的热点网格识别方法 |
-
2019
- 2019-02-14 CN CN201910116787.0A patent/CN110006799A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8315956B2 (en) * | 2008-02-07 | 2012-11-20 | Nec Laboratories America, Inc. | System and method using hidden information |
| CN102999664A (zh) * | 2012-11-20 | 2013-03-27 | 天津大学 | 一种室内污染源位置识别方法 |
| CN107194139A (zh) * | 2016-03-14 | 2017-09-22 | 日电（中国）有限公司 | 大气污染源分级方法及计算设备 |
| 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 |
| CN109213839A (zh) * | 2018-09-12 | 2019-01-15 | 北京英视睿达科技有限公司 | 基于网格化特征深度学习的热点网格污染物数据获取方法 |
| CN109213840A (zh) * | 2018-09-12 | 2019-01-15 | 北京英视睿达科技有限公司 | 基于多维特征深度学习的热点网格识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘强: "蒙阴县城区环境空气质量影响因素分析及对策建议", 《中国科技博览》 * |
| 陈斌 等: "《第十二次环境监测学术交流会论文集》", 31 July 2015, 中国环境出版社 * |
| 陶栋琦 等: "基于随机森林的变压器故障检测方法的研究", 《电子器件》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110361054A (zh) * | 2019-08-01 | 2019-10-22 | 武汉知中智知识产权运营有限公司 | 一种基于大数据实时分析空气污染源监控预警方法和装置 |
| CN111579446A (zh) * | 2020-05-19 | 2020-08-25 | 中煤科工集团重庆研究院有限公司 | 一种基于最优融合算法的粉尘浓度检测方法 |
| CN111985567A (zh) * | 2020-08-21 | 2020-11-24 | 河北先河环保科技股份有限公司 | 一种基于机器学习的污染源类型自动识别方法 |
| CN112062396A (zh) * | 2020-08-27 | 2020-12-11 | 盐城工学院 | 一种富营养化水体生态净化系统及净化方法 |
| 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 |
|---|---|---|
| CN110006799A (zh) | 一种热点网格污染类型的分类方法 | |
| CN112085241B (zh) | 一种基于机器学习的环境大数据分析和决策平台 | |
| Perez et al. | Forecasting hourly PM2. 5 in Santiago de Chile with emphasis on night episodes | |
| Qin et al. | Spatial-temporal analysis and projection of extreme particulate matter (PM10 and PM2. 5) levels using association rules: A case study of the Jing-Jin-Ji region, China | |
| Hama et al. | Quantifying primary and secondary source contributions to ultrafine particles in the UK urban background | |
| Kim et al. | Influence of fossil-fuel power plant emissions on the surface fine particulate matter in the Seoul Capital Area, South Korea | |
| Perez et al. | PM2. 5 forecasting in Coyhaique, the most polluted city in the Americas | |
| Giemsa et al. | Influence of local sources and meteorological parameters on the spatial and temporal distribution of ultrafine particles in Augsburg, Germany | |
| CN112132450A (zh) | 一种气态污染物的定位方法 | |
| CN117708617A (zh) | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 | |
| Xia et al. | Rapid assessments of light-duty gasoline vehicle emissions using on-road remote sensing and machine learning | |
| Koren et al. | On the relation between size and shape of desert dust aerosol | |
| Evagelopoulos et al. | PM10-PM2. 5 time series and fractal analysis | |
| CN109213840A (zh) | 基于多维特征深度学习的热点网格识别方法 | |
| CN109615239B (zh) | 基于社会化网络媒体数据的城市空气质量的评估方法 | |
| CN112129887A (zh) | 城市温室气体排放量的核算方法和装置 | |
| CN115293579A (zh) | 可获得恶臭污染治理目标的反演评估方法及装置 | |
| Castelli et al. | Tracing the origin of odour nuisance from citizens’ notifications with the SMART modelling system | |
| Jachimowski et al. | Tackling Air Pollution in Krakow | |
| CN109087231A (zh) | 一种生成空气质量分析报告的方法 | |
| Nuwarinda | Air pollution study of a Highveld township during a Basa njengo Magogo rollout | |
| Shen | Air Quality Assessment and Pollution Mitigation Strategies in Beijing: A Comprehensive Study on PM2. 5 Trends, Influencing Factors, and Case Studies | |
| CN117808626B (zh) | 燃煤电厂负荷运行状态监测方法、装置、设备及介质 | |
| Amin et al. | Comparison on the Analysis on PM10 Data based on Average and Extreme Series | |
| Mobhera et al. | Analytical Evaluation of vehicular air pollutants at urban Arterial road: A case study of Rajkot city |
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 |
Application publication date: 20190712 |
|
| RJ01 | Rejection of invention patent application after publication |