CN110308104B - 一种大气污染物no2浓度监测方法及系统 - Google Patents
一种大气污染物no2浓度监测方法及系统 Download PDFInfo
- Publication number
- CN110308104B CN110308104B CN201910555182.1A CN201910555182A CN110308104B CN 110308104 B CN110308104 B CN 110308104B CN 201910555182 A CN201910555182 A CN 201910555182A CN 110308104 B CN110308104 B CN 110308104B
- Authority
- CN
- China
- Prior art keywords
- information
- aerial vehicle
- unmanned aerial
- concentration
- area
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 72
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 33
- 238000003384 imaging method Methods 0.000 claims abstract description 59
- 238000001228 spectrum Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000000862 absorption spectrum Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 239000003570 air Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000001658 differential optical absorption spectrophotometry Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
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
-
- 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
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
-
- 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
- G01N2021/1793—Remote sensing
- G01N2021/1795—Atmospheric mapping of gases
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
本发明实施例提供一种大气污染物NO2浓度监测方法及系统，其中，所提供的方法包括：获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息，根据所述紫外成像光谱影像和所述飞行姿态信息，获得监测区域的NO2浓度信息；根据所述监测区域的NO2浓度信息，获取所述监测区域的NO2浓度分布图。本发明实施例提供的方法及系统，根据待监测区域污染源NO2的紫外光成像光谱影像和无人机的飞行姿态信息，进而获得待监测区域的NO2浓度分布图，以实现对大气污染物NO2浓度的实时监控，具有时效性强和精度高的特点。
Description
技术领域
本发明涉及大气污染监测技术领域，尤其涉及一种大气污染物NO2浓度监测方法及系统。
背景技术
随着工业及交通运输等事业的迅速发展，特别是煤和石油的大量使用，已产生了大量有害物质，如烟尘、二氧化硫、氮氧化物、一氧化碳、碳氢化合物等。这些有害物质持续不断地排放到大气中。当其含量超过环境所能允许的极限并持续一定时间后，就会改变大气，特别是空气的正常组成，破坏自然的物理、化学和生态平衡体系，从而危害人们的生活、工作和健康，损害自然资源及财产、器物等。这种情况即被称为大气污染或空气污染。
与其他环境要素中的污染物质相比较，大气中的污染物质具有随时间、空间变化大的特点。了解该特点，对于获得正确反映大气污染实况的监测结果具有重要意义。空气污染物的时空分布及其浓度与污染物排放源的分布、排放量及地形、地貌、气象等条件密切相关。污染物的类型、排放规律及污染物的性质不同，其时空分布特点也不同。就污染物的性质而言，质量轻的分子态或气溶胶态污染物高度分散在空气中，易扩散和稀释，随时空变化快；质量较重的尘，扩散能力差，影响范围较小。为反映污染物浓度随时间变化，在大气污染监测中提出时间分辨率的概念，要求在规定的时间内反映出污染物浓度变化。例如，了解污染物对人体的急性危害，要求分辨率为3min；了解化学烟雾剂对呼吸道的刺激反应，要求分辨率为l0min。在“环境空气质量标准”中，要求测定污染物的瞬时最大浓度及日平均、月平均、季平均、年平均浓度，也是为了反映污染物随时间变化的情况。
大气污染监测是指间断或连续地测定大气中污染物的浓度、来源和分布，研究、分析大气污染现状和变化趋势的工作。监测任务主要是：对大气中的主要污染物进行定期的或连续的监测，在大量数据基础上评价大气环境质量现状及其发展趋势；对向大气排放污染物的污染源进行监督性监测，判断其是否符合国家规定的大气污染物排放标准，并及时提出控制污染物排放的措施；评价大气污染治理设施的环境效果等。
在现有的大气污染监测过程中，通常需要在室外周围没有树木，高大建筑物的平坦地带，距离地面50-180cm高度采集大气样品，在现有技术中，对大气样品采集需要多次采集，同时采集方式局限于地面采集，获取的样品具有局限性，无法在短时间对大范围的大气污染监测做到有效监测。
发明内容
为解决上述现有技术中存在的问题，本发明实施例提供一种大气污染物 NO2浓度监测方法及系统。
第一方面，本发明实施例提供一种大气污染物NO2浓度监测方法，包括：
获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息，根据所述紫外成像光谱影像和所述飞行姿态信息，获得监测区域的NO2浓度信息；
根据所述监测区域的NO2浓度信息，获取所述监测区域的NO2浓度分布图。
其中，所述获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息之前，还包括：获取监测区域的空间分布信息；根据所述空间分布信息，获取无人机的飞行航线，并根据所述飞行航线，控制无人机的飞行路径。
其中，所述获得监测区域的NO2浓度信息的步骤之后，还包括：根据主成分分析算法，对所述紫外成像光谱影像进行反演处理，得到所述监测区域的 NO2超标排放反演结果；根据NO2超标排放判别标准，对所述NO2超标排放反演结果进行识别，以获取所述监测区域的NO2超标排放区域。
其中，所述方法还包括：根据差分吸收光谱技术，对所述紫外成像光谱影像和所述飞行姿态信息进行分析处理，并对分析处理后的结果进行NO2反演，得到所述监测区域的NO2超标排放判别标准。
第二方面，本发明实施例提供一种大气污染物NO2浓度监测系统，包括：
图像处理模块，用于获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息，根据所述紫外成像光谱影像和所述飞行姿态信息，获得监测区域的NO2浓度信息；
分布图绘制模块，用于根据所述监测区域的NO2浓度信息，获取所述监测区域的NO2浓度分布图。
其中，所述系统还包括：无人机规划模块，用于获取监测区域的空间分布信息；根据所述空间分布信息，获取无人机的飞行航线，并根据所述飞行航线，控制无人机的飞行路径。
其中，所述系统还包括：数据处理模块，用于根据主成分分析算法，对所述紫外成像光谱影像进行反演处理，得到所述监测区域的NO2超标排放反演结果；根据NO2超标排放判别标准，对所述NO2超标排放反演结果进行识别，以获取所述监测区域的NO2超标排放区域。
其中，所述系统还包括：判别标准生成模块，用于根据差分吸收光谱技术，对所述紫外成像光谱影像和所述飞行姿态信息进行分析处理，并对分析处理后的结果进行NO2反演，得到所述监测区域的NO2超标排放判别标准。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的大气污染物NO2浓度监测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的大气污染物NO2浓度监测方法的步骤。
本发明实施例提供的大气污染物NO2浓度监测方法及系统，根据待监测区域污染源NO2的紫外光成像光谱影像和无人机的飞行姿态信息，进而获得待监测区域的NO2浓度分布图，以实现对大气污染物NO2浓度的实时监控，具有时效性强和精度高的特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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大气污染物NO2浓度监测方流程示意图；
图2为本发明一实施例提供的大气污染物NO2浓度监测系统的结构意图；
图3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。
参考图1，图1为本发明一实施例提供的大气污染物NO2浓度监测方流程示意图，所提供的方法包括：
S1，获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息，根据所述紫外成像光谱影像和所述飞行姿态信息，获得监测区域的NO2浓度信息；
S2，根据所述监测区域的NO2浓度信息，获取所述监测区域的NO2浓度分布图。
具体的，在本实施例中，通过在无人机上搭载紫外成像光谱仪，采集待测工业集聚区的紫外成像光谱影像，同时，在采集过程中，无人机将自身的飞行姿态信息进行同步收集，通过无线通信的方式，将采集到的紫外成像光谱影像和飞行姿态信息发送到远程控制终端。
无人机是一种以无线电遥控或由自身程序控制为主的不载人飞机，按照系统组成和飞行特点，无人机可分为固定翼型无人机和无人驾驶直升机两大类。其中，固定翼型无人机通过动力系统和机翼的滑行实现起降和飞行，遥控飞行和程控飞行均容易实现，抗风能力也比较强，类型较多，能同时搭载多种遥感传感器。通过无人机搭载的智能气体传感器对现场数据进行采集，将采集来的模拟信号转换成数字信号，并通过网络的方式传输到地面控制系统，以供地面控制系统对接收到的数字信号进行分析，从而对大气污染源NO2浓度进行监测。
在本实施例中，飞行姿态信息包括有无人机在采集紫外成像光谱影像时的经度信息、纬度信息、高程信息、航向角信息、俯仰角信息和翻滚角信息。在本发明实施例中，可通过差分吸收光谱技术(Differential Optical Absorption Spectroscopy，简称DOAS)对紫外成像光谱影像进行处理，利用空气中的气体分子的窄带吸收特性，对紫外成像光谱影像进行处理，利用空气中的气体分子的窄带吸收特性，鉴别待测监测区域的NO2浓度。
在获取了待监测区域的NO2浓度信息后，根据NO2浓度信息，结合监测区域的地图信息，进而可以绘制监测区域的浓度分布图。
通过此方法，根据待监测区域污染源NO2的紫外光成像光谱影像和无人机的飞行姿态信息，进而获得待监测区域的NO2浓度分布图，以实现对大气污染物NO2浓度的实时监控，具有时效性强和精度高的特点。
在上述实施例的基础上，所述获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息之前，还包括：获取监测区域的空间分布信息；根据所述空间分布信息，获取无人机的飞行航线，并根据所述飞行航线，控制无人机的飞行路径。
具体的，在本实施例中，首先获取待监测区域的空间分布信息，例如，根据现有的卫星地图，将待监测区域的位置信息进行标注，并根据标注后的监测区域的空间分布，制定相应的无人机飞行航线，特别对于大型化工厂等超标排放可能性较大的区域，设置优先和多次采集的飞行航线计划，从而提高对此类区域的重点监测。随后，向无人机发送控制指令，以使得无人机根据预设的飞行航线，进行飞行并采集紫外成像光谱影像，进一步的，在无人机飞行过程中，同时还需要保存无人机的飞行姿态信息，以结合紫外成像光谱影像，以获得监测区域的NO2浓度信息。
在上述实施例的基础上，所述获得监测区域的NO2浓度信息的步骤之后，还包括：根据主成分分析算法，对所述紫外成像光谱影像进行反演处理，得到所述监测区域的NO2超标排放反演结果；根据NO2超标排放判别标准，对所述NO2超标排放反演结果进行识别，以获取所述监测区域的NO2超标排放区域。
所述方法还包括：根据差分吸收光谱技术，对所述紫外成像光谱影像和所述飞行姿态信息进行分析处理，并对分析处理后的结果进行NO2反演，得到所述监测区域的NO2超标排放判别标准。
具体的，主成分分析(Principal Component Analysis，简称PCA)算法，是一种多元统计方法，通过将多个变量通过线性变换以选出较少的重要变量，有效地从过于“丰富”的数据信息中获取最重要的元素和结构，去除数据的噪音和冗余，将原来复杂的数据降维，从而得到隐藏在复杂数据背后的简单结构。在本发明实施例中，通过PCA算法对紫外成像光谱影像进行降维，并将降维后的影像数据作为神经网络模型的输入，从而反演得到NO2超标排放反演结果。
根据上述实施例的NO2超标排放判别标准，对得到的NO2超标排放反演结果进行识别判定，具体地，在NO2超标排放判别标准中，针对NO2超标排放反演结果对应的风向、飞行高度以及飞行方向等标准信息，识别NO2超标排放反演结果对应的NO2浓度分布图，从而得到NO2超标排放反演结果中 NO2浓度较高的区域，作为待监测区域的NO2超标排放区域。
在得到NO2超标排放判别标准之后，可以对待监测区域的大气污染源 NO2排放区域进行预判断，将超标排放可能性较小的区域去除，从而缩小NO2超标排放区域的搜索范围。
参考图2，图2为本发明一实施例提供的大气污染物NO2浓度监测系统的结构示意图，所提供的系统包括：图像处理模块21和分布图绘制模块22。
其中，图像处理模块21用于获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息，根据所述紫外成像光谱影像和所述飞行姿态信息，获得监测区域的NO2浓度信息。
分布图绘制模块22用于根据所述监测区域的NO2浓度信息，获取所述监测区域的NO2浓度分布图。
具体的，通过在无人机上搭载紫外成像光谱仪，采集待测工业集聚区的紫外成像光谱影像，同时，在采集过程中，无人机将自身的飞行姿态信息进行同步收集，通过无线通信的方式，将采集到的紫外成像光谱影像和飞行姿态信息发送到远程控制终端。
在本实施例中，飞行姿态信息包括有无人机在采集紫外成像光谱影像时的经度信息、纬度信息、高程信息、航向角信息、俯仰角信息和翻滚角信息。在本发明实施例中，可通过差分吸收光谱技术(Differential Optical Absorption Spectroscopy，简称DOAS)对紫外成像光谱影像进行处理，利用空气中的气体分子的窄带吸收特性，对紫外成像光谱影像进行处理，利用空气中的气体分子的窄带吸收特性，鉴别待测监测区域的NO2浓度。
在获取了待监测区域的NO2浓度信息后，根据NO2浓度信息，结合监测区域的地图信息，进而可以绘制监测区域的浓度分布图。
通过此方法，根据待监测区域污染源NO2的紫外光成像光谱影像和无人机的飞行姿态信息，进而获得待监测区域的NO2浓度分布图，以实现对大气污染物NO2浓度的实时监控，具有时效性强和精度高的特点。
在上述实施例的基础上，所述系统还包括：无人机规划模块，用于获取监测区域的空间分布信息；根据所述空间分布信息，获取无人机的飞行航线，并根据所述飞行航线，控制无人机的飞行路径。
所述系统还包括：数据处理模块，用于根据主成分分析算法，对所述紫外成像光谱影像进行反演处理，得到所述监测区域的NO2超标排放反演结果；根据NO2超标排放判别标准，对所述NO2超标排放反演结果进行识别，以获取所述监测区域的NO2超标排放区域。
所述系统还包括：判别标准生成模块，用于根据差分吸收光谱技术，对所述紫外成像光谱影像和所述飞行姿态信息进行分析处理，并对分析处理后的结果进行NO2反演，得到所述监测区域的NO2超标排放判别标准。
具体的，在本实施例中，首先获取待监测区域的空间分布信息，例如，根据现有的卫星地图，将待监测区域的位置信息进行标注，并根据标注后的监测区域的空间分布，制定相应的无人机飞行航线，特别对于大型化工厂等超标排放可能性较大的区域，设置优先和多次采集的飞行航线计划，从而提高对此类区域的重点监测。随后，向无人机发送控制指令，以使得无人机根据预设的飞行航线，进行飞行并采集紫外成像光谱影像，进一步的，在无人机飞行过程中，同时还需要保存无人机的飞行姿态信息，以结合紫外成像光谱影像，以获得监测区域的NO2浓度信息。
通过PCA算法对紫外成像光谱影像进行降维，并将降维后的影像数据作为神经网络模型的输入，从而反演得到NO2超标排放反演结果。根据上述实施例的NO2超标排放判别标准，对得到的NO2超标排放反演结果进行识别判定，具体地，在NO2超标排放判别标准中，针对NO2超标排放反演结果对应的风向、飞行高度以及飞行方向等标准信息，识别NO2超标排放反演结果对应的NO2浓度分布图，从而得到NO2超标排放反演结果中NO2浓度较高的区域，作为待监测区域的NO2超标排放区域。在得到NO2超标排放判别标准之后，可以对待监测区域的大气污染源NO2排放区域进行预判断，将超标排放可能性较小的区域去除，从而缩小NO2超标排放区域的搜索范围。
图3示例了一种电子设备的结构示意图，如图3所示，该服务器可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器 (memory)330和总线340，其中，处理器310，通信接口320，存储器330通过总线340完成相互间的通信。通信接口340可以用于服务器与智能电视之间的信息传输。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息，根据所述紫外成像光谱影像和所述飞行姿态信息，获得监测区域的NO2浓度信息；根据所述监测区域的NO2浓度信息，获取所述监测区域的NO2浓度分布图。
本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暂态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，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息，根据所述紫外成像光谱影像和所述飞行姿态信息，获得监测区域的NO2浓度信息；根据所述监测区域的NO2浓度信息，获取所述监测区域的NO2浓度分布图。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息，根据所述紫外成像光谱影像和所述飞行姿态信息，获得监测区域的NO2浓度信息；根据所述监测区域的NO2浓度信息，获取所述监测区域的NO2浓度分布图。
以上所描述的装置实施例仅仅是示意性的，其中所述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所述的方法。
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 (6)
1.一种大气污染物NO2浓度监测方法，其特征在于，包括：
获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息，根据所述紫外成像光谱影像和所述飞行姿态信息，获得监测区域的NO2浓度信息；
所述飞行姿态信息包括无人机在采集紫外成像光谱影像时的经度信息、纬度信息、高程信息、航向角信息、俯仰角信息和翻滚角信；
所述获得监测区域的NO2浓度信息的步骤之后，还包括：
根据主成分分析算法，对所述紫外成像光谱影像进行反演处理，得到所述监测区域的NO2超标排放反演结果；
根据NO2超标排放判别标准，对所述NO2超标排放反演结果进行识别，以获取所述监测区域的NO2超标排放区域；
所述方法还包括：
根据差分吸收光谱技术，对所述紫外成像光谱影像和所述飞行姿态信息进行分析处理，并对分析处理后的结果进行NO2反演，得到所述监测区域的NO2超标排放判别标准；
根据所述监测区域的NO2浓度信息，获取所述监测区域的NO2浓度分布图。
2.根据权利要求1所述的方法，其特征在于，所述获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息之前，还包括：
获取监测区域的空间分布信息；
根据所述空间分布信息，获取无人机的飞行航线，并根据所述飞行航线，控制无人机的飞行路径。
3.一种大气污染物NO2浓度监测系统，其特征在于，包括：
图像处理模块，用于获取无人机采集到的紫外成像光谱影像以及所述无人机的飞行姿态信息，根据所述紫外成像光谱影像和所述飞行姿态信息，获得监测区域的NO2浓度信息；
所述飞行姿态信息包括有无人机在采集紫外成像光谱影像时的经度信息、纬度信息、高程信息、航向角信息、俯仰角信息和翻滚角信；
所述获得监测区域的NO2浓度信息的步骤之后，还包括：
根据主成分分析算法，对所述紫外成像光谱影像进行反演处理，得到所述监测区域的NO2超标排放反演结果；
根据NO2超标排放判别标准，对所述NO2超标排放反演结果进行识别，以获取所述监测区域的NO2超标排放区域；
并且，根据差分吸收光谱技术，对所述紫外成像光谱影像和所述飞行姿态信息进行分析处理，并对分析处理后的结果进行NO2反演，得到所述监测区域的NO2超标排放判别标准；
分布图绘制模块，用于根据所述监测区域的NO2浓度信息，获取所述监测区域的NO2浓度分布图。
4.根据权利要求3所述的系统，其特征在于，所述系统还包括：
无人机规划模块，用于获取监测区域的空间分布信息；
根据所述空间分布信息，获取无人机的飞行航线，并根据所述飞行航线，控制无人机的飞行路径。
5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至2任一项所述大气污染物NO2浓度监测方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2任一项所述大气污染物NO2浓度监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910555182.1A CN110308104B (zh) | 2019-06-25 | 2019-06-25 | 一种大气污染物no2浓度监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910555182.1A CN110308104B (zh) | 2019-06-25 | 2019-06-25 | 一种大气污染物no2浓度监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110308104A CN110308104A (zh) | 2019-10-08 |
| CN110308104B true CN110308104B (zh) | 2022-06-10 |
Family
ID=68076868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910555182.1A Active CN110308104B (zh) | 2019-06-25 | 2019-06-25 | 一种大气污染物no2浓度监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110308104B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111017212A (zh) * | 2019-11-26 | 2020-04-17 | 郑州信息科技职业学院 | 一种多旋翼无人机多光谱遥感系统 |
| CN112861904B (zh) * | 2020-12-04 | 2021-11-05 | 生态环境部卫星环境应用中心 | 基于imbi指数的大气污染源监测识别方法和系统 |
| CN112461779A (zh) * | 2020-12-16 | 2021-03-09 | 重庆商勤科技有限公司 | 机载光谱遥感监测VOCs污染的方法、装置及存储介质 |
| CN113706834A (zh) * | 2021-08-25 | 2021-11-26 | 广德绿巨人环境管理咨询有限公司 | 超标违排报警的实时推送提醒系统及其推送方法 |
| CN114778774A (zh) * | 2022-04-21 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的温室气体监测方法及相关设备 |
| CN115855761B (zh) * | 2022-11-03 | 2023-09-26 | 生态环境部卫星环境应用中心 | 五基协同天空地一体化大气环境立体遥感监测系统及方法 |
| CN117250319B (zh) * | 2023-11-14 | 2024-03-01 | 北京中科航星科技有限公司 | 一种多气体环境无人机监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010147465A2 (en) * | 2009-06-16 | 2010-12-23 | Nederlandse Organisatie Voor Toegepast- Natuurwetenschappelijk Onderzoek Tno | A method and system for the remote quantitative detection of compounds in the atmosphere |
| CN102435562A (zh) * | 2011-09-13 | 2012-05-02 | 中国科学院安徽光学精密机械研究所 | 机载大气痕量气体二维分布快速监测系统及方法 |
| CN104656658A (zh) * | 2015-01-19 | 2015-05-27 | 环境保护部卫星环境应用中心 | 基于无人机的大气排污遥感监测方法及系统 |
| CN109341766A (zh) * | 2018-10-16 | 2019-02-15 | 北京厚力德仪器设备有限公司 | 一种大气综合垂直测量系统 |
| CN109405969A (zh) * | 2018-12-11 | 2019-03-01 | 中国科学院合肥物质科学研究院 | 一种机载doas光谱仪成像及控制电路 |
| CN109444062A (zh) * | 2018-11-29 | 2019-03-08 | 西安交通大学 | 一种无人机载高排典型污染物差分吸收光谱检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810701B (zh) * | 2014-01-15 | 2017-07-25 | 北京农业信息技术研究中心 | 一种无人机载成像高光谱几何校正的方法及系统 |
| CN105588805B (zh) * | 2014-10-22 | 2018-09-04 | 迪空环境技术有限公司 | 可追踪排放遥测系统及方法 |
-
2019
- 2019-06-25 CN CN201910555182.1A patent/CN110308104B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010147465A2 (en) * | 2009-06-16 | 2010-12-23 | Nederlandse Organisatie Voor Toegepast- Natuurwetenschappelijk Onderzoek Tno | A method and system for the remote quantitative detection of compounds in the atmosphere |
| CN102435562A (zh) * | 2011-09-13 | 2012-05-02 | 中国科学院安徽光学精密机械研究所 | 机载大气痕量气体二维分布快速监测系统及方法 |
| CN104656658A (zh) * | 2015-01-19 | 2015-05-27 | 环境保护部卫星环境应用中心 | 基于无人机的大气排污遥感监测方法及系统 |
| CN109341766A (zh) * | 2018-10-16 | 2019-02-15 | 北京厚力德仪器设备有限公司 | 一种大气综合垂直测量系统 |
| CN109444062A (zh) * | 2018-11-29 | 2019-03-08 | 西安交通大学 | 一种无人机载高排典型污染物差分吸收光谱检测方法 |
| CN109405969A (zh) * | 2018-12-11 | 2019-03-01 | 中国科学院合肥物质科学研究院 | 一种机载doas光谱仪成像及控制电路 |
Non-Patent Citations (1)
| Title |
|---|
| 机载成像差分吸收光谱技术测量区域NO2二维分布研究;刘进等;《物理学报》;20151231;第64卷(第3期);第1-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110308104A (zh) | 2019-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110308104B (zh) | 一种大气污染物no2浓度监测方法及系统 | |
| Kerminen et al. | Atmospheric new particle formation and growth: review of field observations | |
| Amos et al. | Determining the use of Sentinel-2A MSI for wildfire burning & severity detection | |
| Villa et al. | An overview of small unmanned aerial vehicles for air quality measurements: Present applications and future prospectives | |
| CN103218622B (zh) | 一种基于计算机视觉的雾霾监测方法 | |
| Slini et al. | PM10 forecasting for Thessaloniki, Greece | |
| CN109444062B (zh) | 一种无人机载高排典型污染物差分吸收光谱检测方法 | |
| CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
| CN110516560B (zh) | 基于fpga异构深度学习的光学遥感图像目标检测方法 | |
| CN115249331A (zh) | 基于卷积神经网络模型的矿山生态安全识别方法 | |
| Yoon et al. | Spring 2018 Asian dust events: Sources, transportation, and potential biogeochemical implications | |
| Mishra et al. | Air quality analysis and smog detection in smart cities for safer transport using Machine Learning (ML) Regression Models | |
| Fridelin et al. | Implementation of microservice architectures on SEMAR extension for air quality monitoring | |
| dos Santos et al. | Analysis of atmospheric aerosol (PM2. 5) in Recife city, Brazil | |
| CN110361340B (zh) | 基于无人机的大气污染源so2监测方法及系统 | |
| Royalty et al. | Aerosol properties observed in the subtropical North Pacific boundary layer | |
| Brown-Steiner et al. | Maximizing ozone signals among chemical, meteorological, and climatological variability | |
| Gaubert et al. | Global Scale Inversions from MOPITT CO and MODIS AOD | |
| CN116563645A (zh) | 联合迭代剪枝和知识蒸馏的面向目标检测的模型压缩方法 | |
| Barbulescu et al. | Models for pollutants’ correlation in the Romanian littoral | |
| CN116382472A (zh) | 一种基于多模数据的电力作业人员可穿戴远程实时监测系统与方法 | |
| Kneen et al. | Interpretation of satellite retrievals of PM2. 5 over the southern African Interior | |
| CN109459395B (zh) | 一种无人机载高排典型污染物差分吸收光谱检测设备 | |
| Junkermann et al. | Ultrafine particles over Germany–an aerial survey | |
| CN114419558A (zh) | 火灾视频图像识别方法、系统、计算机设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |