CN110057981A - 路网污染源排放识别方法和系统 - Google Patents
路网污染源排放识别方法和系统 Download PDFInfo
- Publication number
- CN110057981A CN110057981A CN201910408757.7A CN201910408757A CN110057981A CN 110057981 A CN110057981 A CN 110057981A CN 201910408757 A CN201910408757 A CN 201910408757A CN 110057981 A CN110057981 A CN 110057981A
- Authority
- CN
- China
- Prior art keywords
- concentration value
- street
- pollution
- value
- road network
- 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
Classifications
-
- 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
Abstract
本发明公开路网污染源排放识别方法和系统,方法包括:在路网中设置多个监测站以用于实时采集监测数据;获取所述路网当中的各街道的背景污染浓度值;基于所述多个监测站采集各街道污染源的第一污染浓度值;基于所述各街道的背景污染浓度值和第一污染浓度值计算各街道的第二污染浓度值。本申请实施例提供的方案通过在各街道设置监测站用于采集实时的第一污染浓度值,获取各街道的背景污染浓度值,之后根据该第一污染浓度值和背景污染浓度值可以得到消除背景污染浓度值影响后的更接近实际情况的污染源的污染浓度值。
Description
技术领域
本发明属于污染源识别技术领域,尤其涉及路网污染源排放识别方法和系统。
背景技术
城市道路交通排放污染自二十世纪九十年代起逐渐取代工业煤烟型污染,成为影响城市居民生活的主要因素。近年来城市私人汽车保有量急剧增加,导致交通路网排放污染越来越严重,且形成常态化。道路交通污染危害极大,主要体现在对人的健康、生活及工业生产等方面。
目前国内外对于交通污染排放的研究集中在治理策略以及防御,理论模型的适用性,试验因素等方面,包括污染气体排放模型的建立。此方法会导致某些排放源污染含量增加(例如CO、NO)等,影响日后对交通路网污染状况的精准识别。
目前针对路网污染源追踪的方式大多为,在车辆加装检测设备,并记录车辆运行时间与路程,算出平均排放值。此方法不仅经济成本高,而且误差较大,同时无法大面积进行实施。
发明人在实现本申请的过程中发现:路网当中的污染源种类多、污染状况复杂,同时当前路网当中所排放的污染源会根据风向进行扩散,所以比较难以监测和筛查出道路中真实的污染状况,导致路网污染的数据采集、数据分析、具有较多的干扰因素,从而难以获得路网当中最真实有效的路网污染信息。
发明内容
本发明实施例提供一种路网污染源排放识别方法和系统,用于至少解决上述技术问题之一。
第一方面,本发明实施例提供一种路网污染源排放识别方法,包括:在路网中设置多个监测站以用于实时采集监测数据;获取所述路网当中的各街道的背景污染浓度值;基于所述多个监测站采集各街道污染源的第一污染浓度值;基于所述各街道的背景污染浓度值和第一污染浓度值计算各街道的第二污染浓度值。
第二方面,本发明实施例提供一种路网污染源排放识别系统,包括:设置单元,配置为在路网中设置多个监测站以用于实时采集监测数据;获取单元,配置为获取所述路网当中的各街道的背景污染浓度值;采集单元,配置为基于所述多个监测站采集各街道污染源的第一污染浓度值;第一计算单元,配置为基于所述各街道的背景污染浓度值和第一污染浓度值计算各街道的第二污染浓度值。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的路网污染源排放识别方法的步骤。
第四方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行本发明任一实施例的路网污染源排放识别方法的步骤。
本申请的方法和系统提供的方案通过在各街道设置监测站用于采集实时的第一污染浓度值,获取各街道的背景污染浓度值,之后根据该第一污染浓度值和背景污染浓度值可以得到消除背景污染浓度值影响后的更接近实际情况的污染源的污染浓度值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明一实施例提供的一种路网污染源排放识别方法流程图;
图2为本发明一实施例提供的另一种路网污染源排放识别方法的流程图;
图3为本发明一实施例提供的一种路网污染源排放识别系统的框图;
图4为本发明一实施例提供的电子设备的结构示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中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,本领域普通技术人员在没有作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。
请参考图1,其示出了本申请的路网污染源排放识别方法一实施例的流程图,本实施例的路网污染源排放识别方法可以适用于对路网污染源进行识别。
如图1所示,在步骤101中,在路网中设置多个监测站以用于实时采集监测数据;
在步骤102中,获取路网当中的各街道的背景污染浓度值;
在步骤103中,基于多个监测站采集各街道污染源的第一污染浓度值;
在步骤104中,基于各街道的背景污染浓度值和第一污染浓度值计算各街道的第二污染浓度值。
在本实施例中,对于步骤101,首先,需要在路网中设置高密度的监测站,包括至少在街道两侧每隔预定距离设置一个监测站,以用于实时采集检测数据。之后,对于步骤102,获取路网当中的各街道的背景污染浓度,该数据可以是利用卫星采集的数据进行反演得到,本申请在此没有限制。之后,对于步骤103,基于设置的多个监测站采集各街道的第一污染浓度值,该污染浓度值是监测站采集的浓度值。最后,对于步骤104,根据获取的背景污染浓度值和该第一污染浓度值可以计算得到各街道的第二污染浓度值,该第二污染浓度值是排除背景污染浓度值之后的污染浓度值。
本实施例的方法通过在各街道设置监测站用于采集实时的第一污染浓度值,获取各街道的背景污染浓度值,之后根据该第一污染浓度值和背景污染浓度值可以得到消除背景污染浓度值影响后的更接近实际情况的污染源的污染浓度值。
进一步参考图2,其示出了本申请一实施例提供的另一种路网污染源排放识别方法的流程图。其中,本实施例方法的流程图主要是针对流程图1中步骤102进一步限定的步骤的流程图。
如图2所示,在步骤201中,根据位于各街道边界处的监测站采集各街道边界处的风速和风向;
在步骤202中,根据风速和风向计算各街道污染源的扩散流入值和扩散流出值;
在步骤203中,基于第二污染浓度值、扩散流入值和扩散流出值计算各街道的第三污染浓度值。
在本实施例中,对于步骤201,通过在各街道的边界处设置的监测站采集各街道的边界处的风速、风向等空气扩散影响因子,其中空气扩散影响因子还可以包括:气温、大气稳定、逆温层等。其中,风向:大气污染物是往下风向扩散的,因此盛行风向决定了大气污染物影响的区域。风速:风速的大小主要影响污染物在下风向的输送以及大气的湍流强度;显然,风速越大,则污染物的输送速度越快,大气湍流越强,越有利于大气污染的扩散。气温:环境气温直接影响高架点源烟流的抬升高度,影响有效源高。大气稳定:大气稳定程度决定了大气的垂直运动,直接影响着大气污染物在垂直方向的扩散。当大气稳定度属于不稳定类时,空气容易发生垂直运动,有利于大气污染物在垂直的扩散。逆温层:逆温层的存在将阻碍大气的垂直运动,对大气污染物扩散不利,特别是对低矮面源的扩散影响更大。本申请在此没有限制。
之后,对于步骤202,根据空气扩散因子如风速和风向计算各街道污染源的扩散流入值和扩散流出值。最后,在步骤203中,根据该第二污染浓度值、扩散流入值和扩散流出值计算各街道的第三污染浓度值,从而可以在排除背景污染浓度值影响的基础上进一步排除空气扩散的影响。
本实施例的方法通过设置的监测站在边界处采集空气扩散因子如风速和风向等参数,之后基于采集的空气扩散因子参数可以计算出扩散流入值和扩散流出值,然后基于第二污染浓度值和该扩散流入值和扩散流出值,可以计算得出排除空气扩散影响的第三污染浓度值,从而可以对交通路网污染状况进行更精准地识别。
在一些可选的实施例中,获取路网当中的各街道的背景污染浓度值包括:基于卫星反演数据和/或各街道周边的重点污染排放源获取路网当中的各街道的背景污染浓度值,其中,卫星反演将卫星探测的原始数据经一定的变换、订正与计算,反求出表征卫星探测对象某种特性状态的演算过程。从而可以利用已知的卫星反演数据和周边重点污染源的数据对背景污染浓度值进行更好地表征,从而利于后续计算中得到更加精准的交通路网污染数据。
在一些可选的实施例中,基于各街道的背景污染浓度值和第一污染浓度值计算各街道的第二污染浓度值包括:获取第一污染浓度值中的各污染源的浓度值;获取背景污染浓度值中的各污染源的浓度值;以及将第一污染浓度值中的各污染源的浓度值减去背景污染浓度值中的相应的各污染源的浓度值以得到各街道的第二污染浓度值。从而可以通过简单地计算就能排除掉背景污染浓度值的影响,得出更加精准的路网污染数据。
在一些可选的实施例中,基于第二污染浓度值、扩散流入值和扩散流出值计算各街道的第三污染浓度值包括:将第二污染浓度值加上扩散流入值,并减去扩散流出值得到各街道的第三污染浓度值。从而可以通过简单地计算得出排除扩散影响的路网污染状况数据。
以下通过一个具体实施例对本申请的方案进行说明,在以下实施例中出现的具体的数值并不用于限定本申请的保护范围。
本申请一具体实施例提供的方案步骤如下:
1、高密度站、子站记录的实时数据,并结合卫星反演数据以及当前街道周边的重点污染排放源(例如工厂)计算得到路网当中的背景浓度值(也就是其他干扰污染)。
2、根据高密度站、子站数据,得到路网中各个街道的边界处的风速和风向,并经过算法计算得到流入的污染值和流出的污染值。
3、路网环境模型计算后得到扣除背景污染值,以及扣除污染源扩散后的真实路网污染源数据。
本申请的方案为了避免路网中的其他干扰污染源、背景浓度的影响,以及当前路网自身污染源的扩散等问题,需要通过分布在路网当中的高密度站、子站监测数据的结合,同时通过卫星数据得到路网的大致背景浓度值来精细化计算,从而排除当前路网当中的干扰污染源,并且减去当前的背景浓度值,并最终得到真实的路网污染源排放状况。
精细化分析计算路网当中的所有污染源,从而可以精准的排除路网当中的干扰污染源,从而得到更精准的路网污染排放数据。
避免了路网中的其他干扰污染源、背景浓度的影响,以及当前路网自身污染源的扩散等问题,可以动静结合,即采用卫星浓度反演和子站、高密度站测得的风向、风速相结合,多次计算,扣除背景值,真正做到城市路网污染监测“全方位、无死角”。
在监测面积范围较大的街道区域,包含的干扰污染源较多,自身的污染扩散流入和流出也更加严重,此方法和技术大大减小了此种区域中的数据误差,得到最真实的路网污染排放浓度数据。
本申请技术方案的详细步骤如下:
在路网中包含有多种污染源,同时当前路网当中自身排放的污染源会根据风向进行扩散,所以比较难以监测和筛查出道路中真实的污染源排放状况。
道路交通路网中安装有多个高密度站、子站,高密度站和子站可以实时监测并记录当前站点周边的多种污染源数据。同时记录当前站点的风速系数和流向。根据子站和高密度站的污染源数据可以得到当前路网当中各个街道以及路口的污染浓度数据初始值。
建立路网环境污染计算模型,根据高密度站、子站记录的实时数据,并结合卫星反演数据以及记录表当中记录的当前街道周边的重点污染排放源(例如工厂)的排放值,经过一系列算法,并分别计算后可以得到路网环境当中各个街道背景浓度的估计值。将每个街道的污染浓度初始值减去其对应的背景浓度估计值后,可以得到当前街道的第二污染浓度值。
路网当中的每个街道可以根据子站和高密度站所记录的数据获取到当前街道范围边界处的风速以及流向。若风的流向指向了街道内部则标记为正浓度风,若风的流向指向边界的外侧则标记为负浓度风。同时根据风速系数进行预先设定的算法进行计算,得到污染的扩散流入值和扩散流出值。
将已扣除背景浓度的第二污染浓度值与扩散流入和流出值进行相互抵消,流入则为加,流出则为减,从而得到了一个消除背景浓度影响,消除污染源扩散问题的真实路网污染源数据。
请参考图3,其示出了本发明一实施例提供的一种路网污染源排放识别系统的框图。如图3所示,路网污染源排放识别系统300包括设置单元310、获取单元320、采集单元330和第一计算单元340。
其中,设置单元310,配置为在路网中设置多个监测站以用于实时采集监测数据;获取单元320,配置为获取所述路网当中的各街道的背景污染浓度值;采集单元330,配置为基于所述多个监测站采集各街道污染源的第一污染浓度值;第一计算单元340,配置为基于所述各街道的背景污染浓度值和第一污染浓度值计算各街道的第二污染浓度值。
在一些可选的实施例中,上述路网污染源排放识别系统,还包括风速风向监测单元(图中未示出)、第二计算单元(图中未示出)和第三计算单元(图中未示出)。其中,风速风向监测单元,配置为根据位于各街道边界处的监测站采集各街道边界处的风速和风向;第二计算单元,配置为根据所述风速和所述风向计算所述各街道污染源的扩散流入值和扩散流出值;以及第三计算单元,配置为基于所述第二污染浓度值、所述扩散流入值和所述扩散流出值计算所述各街道的第三污染浓度值。
在一些可选的实施例中,上述获取单元进一步配置为:基于卫星反演数据和/或各街道周边的重点污染排放源获取所述路网当中的各街道的背景污染浓度值。
应当理解,图3中记载的诸模块与参考图1和图2中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图3中的诸模块,在此不再赘述。
值得注意的是,本公开的实施例中的模块并不用于限制本公开的方案,例如获取单元,可以描述为获取所述路网当中的各街道的背景污染浓度值的单元。另外,还可以通过硬件处理器来实现相关功能模块,例如获取单元也可以用处理器实现,在此不再赘述。
在另一些实施例中,本发明实施例还提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的路网污染源排放识别方法;
作为一种实施方式,本发明的非易失性计算机存储介质存储有计算机可执行指令,计算机可执行指令设置为:
在路网中设置多个监测站以用于实时采集监测数据;
获取所述路网当中的各街道的背景污染浓度值;
基于所述多个监测站采集各街道污染源的第一污染浓度值;
基于所述各街道的背景污染浓度值和第一污染浓度值计算各街道的第二污染浓度值。
作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的路网污染源排放识别方法对应的程序指令/模块。一个或者多个程序指令存储在非易失性计算机可读存储介质中,当被处理器执行时,执行上述任意方法实施例中的路网污染源排放识别方法。
非易失性计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据路网污染源排放识别系统的使用所创建的数据等。此外,非易失性计算机可读存储介质可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至路网污染源排放识别系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种计算机程序产品,计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行上述任一项路网污染源排放识别方法。
图4是本发明实施例提供的电子设备的结构示意图,如图4所示,该设备包括:一个或多个处理器410以及存储器420,图4中以一个处理器410为例。路网污染源排放识别方法的设备还可以包括:输入装置430和输出装置440。处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接,图4中以通过总线连接为例。存储器420为上述的非易失性计算机可读存储介质。处理器410通过运行存储在存储器420中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例路网污染源排放识别方法。输入装置430可接收输入的数字或字符信息,以及产生与路网污染源排放识别装置的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于河流路网污染源排放识别的设备中,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
在路网中设置多个监测站以用于实时采集监测数据;
获取所述路网当中的各街道的背景污染浓度值;
基于所述多个监测站采集各街道污染源的第一污染浓度值;
基于所述各街道的背景污染浓度值和第一污染浓度值计算各街道的第二污染浓度值。
本申请实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种路网污染源排放识别方法,包括:
在路网中设置多个监测站以用于实时采集监测数据;
获取所述路网当中的各街道的背景污染浓度值;
基于所述多个监测站采集各街道污染源的第一污染浓度值;
基于所述各街道的背景污染浓度值和第一污染浓度值计算各街道的第二污染浓度值。
2.根据权利要求1所述的方法,其中,所述方法还包括:
根据位于各街道边界处的监测站采集各街道边界处的风速和风向;
根据所述风速和所述风向计算所述各街道污染源的扩散流入值和扩散流出值;
基于所述第二污染浓度值、所述扩散流入值和所述扩散流出值计算所述各街道的第三污染浓度值。
3.根据权利要求1所述的方法,其中,所述获取所述路网当中的各街道的背景污染浓度值包括:
基于卫星反演数据和/或各街道周边的重点污染排放源获取所述路网当中的各街道的背景污染浓度值。
4.根据权利要求1所述的方法,其中,基于所述各街道的背景污染浓度值和第一污染浓度值计算各街道的第二污染浓度值包括:
获取所述第一污染浓度值中的各污染源的浓度值;
获取所述背景污染浓度值中的各污染源的浓度值;
将所述第一污染浓度值中的各污染源的浓度值减去所述背景污染浓度值中的相应的各污染源的浓度值以得到所述各街道的第二污染浓度值。
5.根据权利要求2所述的方法,其中,所述基于所述第二污染浓度值、所述扩散流入值和所述扩散流出值计算所述各街道的第三污染浓度值包括:
将所述第二污染浓度值加上所述扩散流入值,并减去所述扩散流出值得到所述各街道的第三污染浓度值。
6.一种路网污染源排放识别系统,包括:
设置单元,配置为在路网中设置多个监测站以用于实时采集监测数据;
获取单元,配置为获取所述路网当中的各街道的背景污染浓度值;
采集单元,配置为基于所述多个监测站采集各街道污染源的第一污染浓度值;
第一计算单元,配置为基于所述各街道的背景污染浓度值和第一污染浓度值计算各街道的第二污染浓度值。
7.根据权利要求6所述的系统,还包括:
风速风向监测单元,配置为根据位于各街道边界处的监测站采集各街道边界处的风速和风向;
第二计算单元,配置为根据所述风速和所述风向计算所述各街道污染源的扩散流入值和扩散流出值;
第三计算单元,配置为基于所述第二污染浓度值、所述扩散流入值和所述扩散流出值计算所述各街道的第三污染浓度值。
8.根据权利要求6所述的系统,其中,所述获取单元进一步配置为:
基于卫星反演数据和/或各街道周边的重点污染排放源获取所述路网当中的各街道的背景污染浓度值。
9.一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至5任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408757.7A CN110057981A (zh) | 2019-05-16 | 2019-05-16 | 路网污染源排放识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408757.7A CN110057981A (zh) | 2019-05-16 | 2019-05-16 | 路网污染源排放识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110057981A true CN110057981A (zh) | 2019-07-26 |
Family
ID=67323494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910408757.7A Pending CN110057981A (zh) | 2019-05-16 | 2019-05-16 | 路网污染源排放识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110057981A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077280A (zh) * | 2020-01-14 | 2020-04-28 | 浙江清华长三角研究院 | 一种基于河网的农村污水处理设施与水质监测站点间的溯源分析方法 |
CN112557605A (zh) * | 2021-02-25 | 2021-03-26 | 北京英视睿达科技有限公司 | 应用于钢铁厂区的污染排放源识别方法、装置及可存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104297117A (zh) * | 2014-10-23 | 2015-01-21 | 浙江省环境保护科学设计研究院 | 基于遥感技术的风景名胜区道路交通污染预警装置及方法 |
KR20160021528A (ko) * | 2014-08-18 | 2016-02-26 | 한국과학기술연구원 | 대기 오염 모니터 방법 |
CN105426636A (zh) * | 2015-12-23 | 2016-03-23 | 北京工业大学 | 城市峡谷街道机动车污染物排放与扩散的实时估计方法 |
CN106650159A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种城市路网大气污染物浓度时空分布实时监测系统 |
CN107607678A (zh) * | 2017-09-15 | 2018-01-19 | 深圳市卡普瑞环境科技有限公司 | 一种污染源排放特征确定方法及其监测设备 |
CN108414690A (zh) * | 2018-03-06 | 2018-08-17 | 深圳市卡普瑞环境科技有限公司 | 一种参数确定方法及其相关设备 |
CN108416521A (zh) * | 2018-03-06 | 2018-08-17 | 深圳市卡普瑞环境科技有限公司 | 一种信息来源确定的方法以及信息来源确定装置 |
-
2019
- 2019-05-16 CN CN201910408757.7A patent/CN110057981A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160021528A (ko) * | 2014-08-18 | 2016-02-26 | 한국과학기술연구원 | 대기 오염 모니터 방법 |
CN104297117A (zh) * | 2014-10-23 | 2015-01-21 | 浙江省环境保护科学设计研究院 | 基于遥感技术的风景名胜区道路交通污染预警装置及方法 |
CN105426636A (zh) * | 2015-12-23 | 2016-03-23 | 北京工业大学 | 城市峡谷街道机动车污染物排放与扩散的实时估计方法 |
CN106650159A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种城市路网大气污染物浓度时空分布实时监测系统 |
CN107607678A (zh) * | 2017-09-15 | 2018-01-19 | 深圳市卡普瑞环境科技有限公司 | 一种污染源排放特征确定方法及其监测设备 |
CN108414690A (zh) * | 2018-03-06 | 2018-08-17 | 深圳市卡普瑞环境科技有限公司 | 一种参数确定方法及其相关设备 |
CN108416521A (zh) * | 2018-03-06 | 2018-08-17 | 深圳市卡普瑞环境科技有限公司 | 一种信息来源确定的方法以及信息来源确定装置 |
Non-Patent Citations (4)
Title |
---|
何晓凤等: "南京市大气NO_x扩散规律与防治对策研究", 《气象科学》 * |
李湘南等: "城市低矮街道峡谷汽车排放NO_x扩散模式的初探", 《工业安全与防尘》 * |
胡昊 等: "《新兴信息技术在大气环境治理中的研究与应用》", 31 January 2018 * |
闫春生: "兰州市区街道空气中一氧化碳污染规律的研究", 《甘肃环境研究与监测》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077280A (zh) * | 2020-01-14 | 2020-04-28 | 浙江清华长三角研究院 | 一种基于河网的农村污水处理设施与水质监测站点间的溯源分析方法 |
CN112557605A (zh) * | 2021-02-25 | 2021-03-26 | 北京英视睿达科技有限公司 | 应用于钢铁厂区的污染排放源识别方法、装置及可存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103754B (zh) | 一种道路交通状况预测方法及系统 | |
CN109325418A (zh) | 基于改进YOLOv3的道路交通环境下行人识别方法 | |
CN112712690B (zh) | 车辆电子围栏方法、装置、电子设备 | |
CN112257551B (zh) | 一种氮氧化物污染源识别及排放量确定的方法及系统 | |
KR20140024541A (ko) | 대기 모델링 서비스 제공 시스템 | |
CN110633843B (zh) | 园区巡检方法、装置、设备及存储介质 | |
CN109214422A (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
CN110057981A (zh) | 路网污染源排放识别方法和系统 | |
US20160370333A1 (en) | Generating fine resolution air pollution estimates | |
CN114155129A (zh) | 一种基于工业园区的大气环境溯评方法和系统 | |
CN110688906A (zh) | 风电设备的智能检测方法及相关产品 | |
CN114842349B (zh) | 一种基于信息技术的建筑施工环境保护方法和系统 | |
CN108414692A (zh) | 一种污染源的监测点设置方法及其相关设备 | |
CN106874936A (zh) | 图像传播监测方法及装置 | |
US9177215B2 (en) | Sparse representation for dynamic sensor networks | |
CN110263250B (zh) | 一种推荐模型的生成方法及装置 | |
CN116187398A (zh) | 一种无人机海洋图像检测用轻量神经网络搭建方法及设备 | |
CN109213840B (zh) | 基于多维特征深度学习的热点网格识别方法 | |
CN116228501B (zh) | 排污超标区域行业确定方法、装置、存储介质及电子设备 | |
Mahamuni et al. | Machine learning for smart cities: A survey | |
CN116977256A (zh) | 缺陷检测模型的训练方法、装置、设备及存储介质 | |
CN110597248A (zh) | 园区无人智慧巡检方法、装置、设备及存储介质 | |
Guo et al. | Accurate and fast single shot multibox detector | |
CN115908263A (zh) | 道路路面损伤智能检测系统及其检测方法和存储介质 | |
CN114203164A (zh) | 模型训练方法、异常声音识别方法、装置、设备及介质 |
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: 20190726 |