CN110514626A - 大气污染监测系统的数据校准方法和大气污染监测系统 - Google Patents
大气污染监测系统的数据校准方法和大气污染监测系统 Download PDFInfo
- Publication number
- CN110514626A CN110514626A CN201910667723.XA CN201910667723A CN110514626A CN 110514626 A CN110514626 A CN 110514626A CN 201910667723 A CN201910667723 A CN 201910667723A CN 110514626 A CN110514626 A CN 110514626A
- Authority
- CN
- China
- Prior art keywords
- pollutant concentration
- monitoring
- data
- monitoring station
- miniature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003915 air pollution Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 244
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 156
- 231100000719 pollutant Toxicity 0.000 claims abstract description 156
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 5
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000004062 sedimentation Methods 0.000 claims description 3
- 230000005250 beta ray Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000000790 scattering method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 239000000443 aerosol Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000013618 particulate matter Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- KRQUFUKTQHISJB-YYADALCUSA-N 2-[(E)-N-[2-(4-chlorophenoxy)propoxy]-C-propylcarbonimidoyl]-3-hydroxy-5-(thian-3-yl)cyclohex-2-en-1-one Chemical compound CCC\C(=N/OCC(C)OC1=CC=C(Cl)C=C1)C1=C(O)CC(CC1=O)C1CCCSC1 KRQUFUKTQHISJB-YYADALCUSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 244000020551 Helianthus annuus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000007619 statistical method 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
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
- G01N21/53—Scattering, i.e. diffuse reflection within a body or fluid within a flowing fluid, e.g. smoke
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种大气污染监测系统的数据校准方法、大气污染监测系统、存储介质及计算机设备。其中方法包括：获取多个标准监测站监测到的污染物浓度数据；获取与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据；根据多个标准监测站监测到的污染物浓度数据和与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据，建立污染物浓度校准模型；将监测区域的微型监测站监测到的污染物浓度数据输入训练后的污染物浓度校准模型中，输出污染物浓度校准数据。上述方法利用大数据技术和人工智能技术，减少了微型监测站的监测结果误差，保证了其投入到实际运行中能够获得可靠的监测结果。
Description
技术领域
本发明涉及环境监测领域，尤其是涉及一种大气污染监测系统的数据校准方法、大气污染监测系统、存储介质及计算机设备。
背景技术
在科技不断发展进步的今天，生活在这片土地上的人们越来越关注身边的环境污染问题，也更加关注土壤、水体和大气这些与我们的生活息息相关的自然环境，这其中，PM2.5爆表等大气污染问题是近年来人们最关注的热点问题之一，但令人遗憾的是，由于大气污染监测的成本高昂且效率低下，大气污染治理的形式依然非常严峻。
传统的大气污染监测系统对大气污染的监测,主要通过在地面安设标准监测站来实现，这些标准监测站设备精良，数据监测结果精度较高，异常数据不容易出现，但是造价高昂，而且单一、离散，难以高密度配置，所以不适于大范围监测；而新型的微型监测站虽然体积小巧、造价低廉且使用方便，但是监测结果易受颗粒物大小、密度、形状和光学特性等多方面因素影响，因此监测结果不够精准。
发明内容
本发明提供了一种能够获得精确监测结果的大气污染监测系统的数据校准方法、大气污染监测系统、存储介质及计算机设备。
根据本发明的第一个方面，提供一种大气污染监测系统的数据校准方法，该方法包括：
获取多个标准监测站监测到的污染物浓度数据；
获取与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据；
根据多个标准监测站监测到的污染物浓度数据和与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据，建立污染物浓度校准模型；
将监测区域的微型监测站监测到的污染物浓度数据输入训练后的污染物浓度校准模型中，输出污染物浓度校准数据。
根据本发明的第二个方面，提供一种大气污染监测系统，该系统包括：
网格划分装置，用于将监测区域划分为多个区域网格；
微型监测站，设置于监测区域的各个网格内，用于监测各个区域网格内的污染物浓度数据；
数据获取装置，用于获取监测区域多个标准监测站监测到的污染物浓度数据以及与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据；
模型训练装置，用于根据所述多个标准监测站监测到的污染物浓度数据和与所述多个标准监测站在同一监测点位的所述微型监测站监测到的污染物浓度数据，建立污染物浓度校准模型；
结果生成装置，用于将监测区域的其他微型监测站监测到的污染物浓度数据输入训练后的污染物浓度校准模型中，输出污染物浓度校准数据。
依据本发明的第三个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述大气污染监测系统的数据校准方法。
根据本发明的第四个方面，提供一种计算机设备，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以下步骤：
获取多个标准监测站监测到的污染物浓度数据；
获取与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据；
根据多个标准监测站监测到的污染物浓度数据和与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据，建立污染物浓度校准模型；
将监测区域的微型监测站监测到的污染物浓度数据输入训练后的污染物浓度校准模型中，输出污染物浓度校准数据。
本发明提供的一种大气污染监测系统的数据校准方法、大气污染监测系统、计算机设备和存储介质，本发明首先获取了多个标准监测站监测到的污染物浓度数据，然后获取与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据，进而根据上述数据建立污染物浓度校准模型，最后根据训练后的模型输出校准后的污染物浓度数据。上述大气污染监测系统的数据校准方法、大气污染监测系统、计算机设备和存储介质，利用大数据技术和人工智能技术，将精度较低的微型监测站监测到的数据进行校准，减少了微型监测站的监测结果误差，保证了其投入到实际运行中能够获得可靠的监测结果，进而确保了监测区域大气环境污染的监管效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了本发明实施例提供的一种大气污染监测系统的数据校准方法的流程示意图；
图2示出了本发明实施例提供的另一种大气污染监测系统的数据校准方法的流程示意图；
图3示出了本发明实施例提供的一种大气污染监测系统的结构示意图；
图4示出了本发明实施例提供的一种微型监测站的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
为了解决上述问题，本发明实施例提供了一种大气污染监测系统的数据校准方法，该方法可以应用于电脑、移动终端等计算机设备上，如图1所示，该方法包括以下步骤：
101、获取多个标准监测站监测到的污染物浓度数据；
其中，标准监测站包括符合预定标准技术要求的空气质量监测设备，例如基于β射线法或微振荡天平法构造的设备。相比小微型监测站来说，标准监测站的设备精良，数据监测结果精度也较高，异常数据不容易出现，但是这种设备成本高，难以高密度配置，所以不适于大范围监测。
具体的，计算机设备可以通过互联网或通讯装置获取到多个标准监测站监测到的污染物浓度数据，在本实施例中，获取到的污染物浓度数据为设置在不同区域的不同气象条件和不同时段下的多组污染物浓度数据。
102、获取与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据；
其中，微型监测站一般基于光散射原理制成，它通过测量散射光强度，再利用质量浓度数据转换系数，算出大气中的颗粒物质量浓度数据。相比标准监测站来说，微型监测站体积小、重量轻，可以连续自动监测环境空气中的污染物状况，但微型监测站的监测结果易受颗粒物大小、密度、形状和光学特性等多方面因素影响，因此测量结果与实际的情况存在一定的差异。
在本实施例中，为了便于对监测区域进行精确监控，可以根据预定的长度值和宽度值将监控区域划分为多个区域网格，并可以根据污染容易发生的位置或污染源集中的位置在区域网格中设置一个或多个微型监测站。在本实施例中，微型监测站可以实时监测污染物浓度，如采用分钟级别进行数据监测，监测到的污染物浓度数据可以通过无线通信模块实时传输至计算机设备中，使计算机设备可以实时获取到各个区域网格内的污染物浓度监测数据。
具体的，根据实际情况，可以在标准监测站的周围布置多个微型监测站，其中，微型监测站与标准监测站设置在同一监测点位上，一般来说，两种监测设备之间的距离在100米以内。通过获取与标准监测站在同一监测点位的微型监测站监测到的污染物浓度，可以非常方便的将两种数据进行对比，从而寻找两种数据之间的关联。可以理解的是，用于对比的数据是微型监测站和标准监测站在同样气象条件和同一时段下的监测到的多组污染物浓度数据。
103、根据多个标准监测站监测到的污染物浓度数据和与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据，建立污染物浓度校准模型；
具体的，可以采用回归分析法建立污染物浓度校准模型，拟合出回归方程如下：
Q＝k+a×X1+b×X2+c×X3+……
其中，Q为污染物浓度校准数据，k是常数，X1是第一拟合系数，X2是第二拟合系数，X3是第三拟合系数。其中，建立的污染物浓度校准模型可以反映微型监测站监测到的污染物浓度数据与标准监测站监测到的污染物浓度数据之间的关联关系。
104、将监测区域的微型监测站监测到的污染物浓度数据输入训练后的污染物浓度校准模型中，输出污染物浓度校准数据。
具体的，可以将监测区域的各个区域网格内的微型监测站监测到的污染物浓度数据输入到训练后的污染物浓度校准模型中，输出各个区域网格内的污染物浓度校准数据，从而实现对监测区域的大气环境进行全方位的精细管控。
相比标准监测站只能获取到单一、离散的污染物浓度数据，本实施中提供的微型监测站网格可以获得更全面和精准的污染物浓度数据，兼具了全面和精准两个优势的卫星监测站网格，可以进一步获得更有价值的信息，例如大气污染发生的源头、大气污染严重的热点区域、大气污染传输的路径和大气污染发生的实时状况等。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的实施过程，提供了另一种大气污染监测系统的数据校准方法，如图2所示，该方法包括：
201、获取多个标准监测站监测到的污染物浓度数据。
具体的，计算机设备可以通过互联网或通讯装置获取到多个标准监测站监测到的污染物浓度数据，进一步的，获取到的污染物浓度数据为设置在不同区域的不同气象条件和不同时段下的多组污染物浓度数据。在本实施例中，标准监测站包括符合预定标准技术要求的空气质量监测设备，例如基于β射线法或微振荡天平法构造的设备。
202、获取与所述多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据。
具体的，计算机设备可以获取到微型监测站监测到的污染物浓度数据，其中，获取数据的微型监测站与标准监测站设置在同一监测点位上，一般来说，两种监测设备之间的距离在100米以内。通过获取与标准监测站在同一监测点位的微型监测站监测到的污染物浓度，可以非常方便的将两种数据进行对比，从而寻找两种数据之间的关联。在本实施例中，微型监测站基于光散射原理制成，它通过测量散射光强度，再利用质量浓度数据转换系数，即可算出大气中的颗粒物质量浓度数据。
203、获取监测区域的卫星遥感数据和气象数据。
具体的，服务器可以通过网络公开的卫星观测数据库、气象数据库直接获取监测区域的卫星遥感数据和气象数据，也可以通过卫星监测部门或环保气象部门获取监测区域的卫星遥感数据和气象数据。其中，卫星遥感数据包括但不限于美国的Terra、Aqua卫星上获取的MODIS数据、Aura卫星上获取的OMI数据、欧洲Sentinel数据、美国Landsat8数据以及日本葵花八号Himawari-8卫星数据等卫星遥感影像数据；气象数据包括但不限于监测区域每一个监测时段的风速、风向、降水量、相对湿度和温度等数据。
204、将所述卫星遥感数据和气象数据进行预处理。
具体的，计算机设备可以首先通过辐射定标、大气校正、影像拼接和影像裁剪等方法获得气溶胶数据，然后将获得的气溶胶数据通过扩展后的暗像元法得到气溶胶光学厚度，最后将气溶胶光学厚度进行湿度订正和垂直订正后，利用统计方法计算得到监测区域的PM2.5分布情况。除此之外，服务器还可以通过卫星遥感数据进行监测区域的实体识别，比如利用卫星遥感数据识别出监测区域的水体、农田、植被、交通、人口密集区和工厂密集区，从而定位到工厂等污染源的具体位置。
具体的，计算机设备可以根据监测区域每一个监测时段的风速、风向、降水量、相对湿度和温度等数据为监测区域划分气象条件，其中，不同的气象条件对应于不同的天气状况，气象条件具体可以通过风速、风向、空气温度、空气湿度、大气压强等气象参数来描述。进一步的，通过将监测区域的气象条件输入气象模型和空气质量模型中，可以获得监测区域的污染物空间分布数据以及最大污染物浓度所在位置。需要说明的是，不同的气象条件下，针对同一监测区域所模拟的污染物浓度的空间分布是不相同的。
205、通过回归分析法，建立污染物浓度校准模型。
具体的，可以采用回归分析法建立污染物浓度校准模型，拟合出回归方程如下：
Q＝k+a×X1+b×X2+c×X3+……
其中，Q为污染物浓度校准数据，k是常数，X1是微型监测站监测到的污染物浓度数据与标准监测站监测到的污染物浓度数据的拟合系数，X2是微型监测站监测到的污染物浓度数据与卫星遥感数据的拟合系数，X3是微型监测站监测到的污染物浓度数据与气象数据的拟合系数。
回归方程还可包括微型监测站监测到的污染物浓度数据与其他数据的拟合关系，例如时间、季节等。
206、验证所述污染物浓度校准数据和与在同一监测点位的标准监测站监测到的污染物浓度数据之间的差值是否在预设阈值内；
具体的，由于季节、时间、天气等自然因素的变化以及设备本身产生的数据漂移，初步建立的污染物浓度校准模型可能会不够准确，因此，可以将初步训练的污染物浓度校准模型输出的污染物浓度校准数据与标准监测站监测到的污染物浓度数据进行对比，验证两种数据的差值是否在预设阈值内。需要注意的是，两种数据的采集条件应一致，即两者数据采集时的时间条件和气象条件应一致。
207、若否，则重新调整所述污染物浓度校准模型的参数，并重新建立所述污染物浓度校准模型。
具体的，如果校准后的污染物浓度数据与标准监测站监测到的污染物浓度数据的差值在预设阈值范围内，则污染物浓度校准模型满足使用要求。如果校准后的污染物浓度数据与标准监测站监测到的污染物浓度数据的差值超出预设阈值，则需要对污染物浓度校准模型进行修正，直至污染物浓度校准模型满足要求。
需要说明的是，在实际工作过程中，由于检测过程必然会存在或大或小的误差，很难保证校准后的污染物浓度数据和标准监测数据能够完全拟合，校准后的污染物浓度数据与标准监测数据之间会存在差值，在本实施例中，根据实际的工作情况，当污染物浓度校准数据与标准监测数据的平均差值在阈值(例如阈值为1)范围内进行微小的浮动都是在实际操作过程中允许的。
208、将监测区域的微型监测站监测到的污染物浓度数据输入训练后的污染物浓度校准模型中，输出污染物浓度校准数据。
具体的，可以将监测区域的各个区域网格内的微型监测站监测到的污染物浓度数据输入到训练后的污染物浓度校准模型中，输出各个区域网格内的污染物浓度校准数据，从而实现对监测区域的大气环境进行全方位的精细管控。
本实施例首先获取了多个标准监测站监测到的污染物浓度数据，然后获取与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据，进而根据上述数据建立污染物浓度校准模型，最后根据训练后的模型输出校准后的污染物浓度数据。上述方法利用大数据技术和人工智能技术，将精度较低的微型监测站监测到的数据进行校准，减少了微型监测站的监测结果误差，保证了其投入到实际运行中能够获得可靠的监测结果，进而确保了监测区域大气环境污染的监管效果。
进一步的，作为图1、图2所示方法的具体实现，本实施例提供了一种大气污染监测系统，如图3所示，该装置包括：网格划分装置31、微型监测站32、数据获取装置33、模型训练装置34、结果生成装置35，其中：
网格划分装置31，用于将监测区域划分为多个区域网格；
微型监测站32，设置于监测区域的各个网格内，用于监测各个区域网格内的污染物浓度数据；
数据获取装置33，用于获取监测区域多个标准监测站监测到的污染物浓度数据以及与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据；
模型训练装置34，用于根据多个标准监测站监测到的污染物浓度数据和与多个标准监测站在同一监测点位的所述微型监测站监测到的污染物浓度数据，建立污染物浓度校准模型；
结果生成装置35，用于将监测区域的其他微型监测站监测到的污染物浓度数据输入训练后的污染物浓度校准模型中，输出污染物浓度校准数据。
在具体的应用场景中，数据获取装置33还用于获取监测区域的卫星遥感数据和气象数据；模型训练装置34还用于将所述卫星遥感数据和气象数据进行预处理，并根据多个标准监测站监测到的污染物浓度数据和与多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据以及预处理后的卫星遥感数据和气象数据，通过回归分析法，建立污染物浓度校准模型。
在具体的应用场景中，模型训练装置34还用于验证污染物浓度校准数据和与在同一监测点位的标准监测站监测到的污染物浓度数据之间的差值是否在预设阈值内；若否，则重新调整污染物浓度校准模型的参数，并重新建立污染物浓度校准模型。
在具体的应用场景中，如图4所示，微型监测站32包括激光源41、感光单元42、控制器43和通讯模块44，其中：
激光源41，用于产生入射光线；
感光单元42，用于接收入射光线经过大气散射后产生的散射光线；
控制器43，用于根据入射光线和所述经过大气散射后产生的散射光线，计算得到大气中的污染物浓度数据；
通讯模块44，用于将监测到的污染物浓度数据发送给数据获取装置。
需要说明的是，本实施例提供的一种大气污染监测系统所涉及各功能单元的其它相应描述，可以参考图1、图2中的对应描述，在此不再赘述。
基于上述如图1、图2所示方法，相应的，本实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1、图2所示的大气污染监测系统的数据校准方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该待识别软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)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)执行本申请各个实施场景所述的方法。
基于上述如图1、图2所示的方法，以及图3和图4所示的系统和微型监测站实施例，为了实现上述目的，本实施例还提供了一种大气污染监测系统的数据校准的实体设备，具体可以为个人计算机、服务器、智能手机、平板电脑、智能手表、或者其它网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1、图2所示的方法。
可选的，该实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种大气污染监测系统的数据校准的实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和待识别软件资源的程序，支持信息处理程序以及其它待识别软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
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本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，利用大数据技术和人工智能技术，将精度较低的微型监测站监测到的数据进行校准，减少了微型监测站的监测结果误差，保证了其投入到实际运行中能够获得可靠的监测结果，进而确保了监测区域大气环境污染的监管效果。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种大气污染监测系统的数据校准方法，其特征在于，所述方法包括：
获取多个标准监测站监测到的污染物浓度数据；
获取与所述多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据；
根据所述多个标准监测站监测到的污染物浓度数据和与所述多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据，建立污染物浓度校准模型；
将监测区域的微型监测站监测到的污染物浓度数据输入训练后的污染物浓度校准模型中，输出污染物浓度校准数据。
2.根据权利要求1所述的大气污染监测系统的数据校准方法，其特征在于，所述获取与所述多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据之后，还包括：
获取监测区域的卫星遥感数据和气象数据；
则根据所述多个标准监测站监测到的污染物浓度数据和与所述多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据，建立污染物浓度校准模型，包括：
将所述卫星遥感数据和气象数据进行预处理；
根据所述多个标准监测站监测到的污染物浓度数据和与所述多个标准监测站在同一监测点位的所述微型监测站监测到的污染物浓度数据以及预处理后的卫星遥感数据和气象数据，通过回归分析法，建立污染物浓度校准模型。
3.根据权利要求2所述的大气污染监测系统的数据校准方法，其特征在于，所述方法还包括：
验证所述污染物浓度校准数据和与在同一监测点位的标准监测站监测到的污染物浓度数据之间的差值是否在预设阈值内；
若否，则重新调整所述污染物浓度校准模型的参数，并重新建立所述污染物浓度校准模型。
4.根据权利要求1-3任一项所述的大气污染监测系统的数据校准方法，其特征在于，
所述微型监测站通过激光散射法监测大气中的污染物浓度数据；
所述标准监测站通过微振荡天平法和β射线法监测大气中的污染物浓度数据。
5.根据权利要求4所述的大气污染监测系统的数据校准方法，其特征在于，所述微型监测站的设置密度大于所述标准监测站的设置密度。
6.一种大气污染监测系统，其特征在于，所述系统包括：
网格划分装置，用于将监测区域划分为多个区域网格；
微型监测站，设置于所述监测区域的各个网格内，用于监测各个区域网格内的污染物浓度数据；
数据获取装置，用于获取监测区域多个标准监测站监测到的污染物浓度数据以及与所述多个标准监测站在同一监测点位的微型监测站监测到的污染物浓度数据；
模型训练装置，用于根据所述多个标准监测站监测到的污染物浓度数据和与所述多个标准监测站在同一监测点位的所述微型监测站监测到的污染物浓度数据，建立污染物浓度校准模型；
结果生成装置，用于将监测区域的其他微型监测站监测到的污染物浓度数据输入训练后的污染物浓度校准模型中，输出污染物浓度校准数据。
7.根据权利要求6所述的大气污染监测系统，其特征在于，所述微型监测站包括
激光源，用于产生入射光线；
感光单元，用于接收所述入射光线经过大气散射后产生的散射光线；
控制器，用于根据所述入射光线和所述经过大气散射后产生的散射光线，计算得到大气中的污染物浓度数据；
通讯模块，用于将监测到的污染物浓度数据发送给所述数据获取装置。
8.根据权利要求6所述的大气污染监测系统，其特征在于，每一个所述区域网格内均设置有至少一个微型监测站。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机设备，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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910667723.XA CN110514626B (zh) | 2019-07-23 | 2019-07-23 | 大气污染监测系统的数据校准方法和大气污染监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910667723.XA CN110514626B (zh) | 2019-07-23 | 2019-07-23 | 大气污染监测系统的数据校准方法和大气污染监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110514626A true CN110514626A (zh) | 2019-11-29 |
| CN110514626B CN110514626B (zh) | 2024-01-26 |
Family
ID=68623476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910667723.XA Active CN110514626B (zh) | 2019-07-23 | 2019-07-23 | 大气污染监测系统的数据校准方法和大气污染监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110514626B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111157413A (zh) * | 2020-01-15 | 2020-05-15 | 北京师范大学 | 一种pm2.5网格化监控网络系统及其一致性校准方法 |
| CN111443163A (zh) * | 2020-03-10 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
| CN111830210A (zh) * | 2020-07-30 | 2020-10-27 | 广州交信投科技股份有限公司 | 空气质量监测方法、装置、系统和计算机设备 |
| CN112540159A (zh) * | 2020-11-27 | 2021-03-23 | 中广核工程有限公司 | 核电厂大气扩散预测校正方法、系统、介质及电子设备 |
| CN112611843A (zh) * | 2020-12-23 | 2021-04-06 | 中科三清科技有限公司 | 空气质量监测及展示方法、装置、电子设备以及存储介质 |
| CN112611688A (zh) * | 2020-12-30 | 2021-04-06 | 罗克佳华科技集团股份有限公司 | 一种大气监测设备的自动校准装置及方法 |
| CN113295586A (zh) * | 2021-05-14 | 2021-08-24 | 南京源恒环境研究所有限公司 | 一种大气污染监测系统的数据校准方法 |
| CN113533644A (zh) * | 2021-06-26 | 2021-10-22 | 西北工业大学 | 基于无人机的对面源常规大气污染物的监测方法 |
| CN113933221A (zh) * | 2021-10-14 | 2022-01-14 | 中国计量科学研究院 | 一种基于区域反演的颗粒物浓度监测仪远程校准方法 |
| EP3945290A1 (en) | 2020-07-31 | 2022-02-02 | Rae Systems, Inc. | Apparatuses, computer-implemented methods, and computer program products for dynamic iterative baseline adjustment |
| CN114200077A (zh) * | 2021-11-13 | 2022-03-18 | 安徽熵沃智能科技有限公司 | 一种应用于网格化空气质量监测系统的云平台智能辅助校准算法 |
| CN114485800A (zh) * | 2022-02-14 | 2022-05-13 | 北京佳华智联科技有限公司 | 适用于气体多参数移动监测仪的远程质控方法 |
| CN114510850A (zh) * | 2022-04-20 | 2022-05-17 | 四川国蓝中天环境科技集团有限公司 | 一种大气六参差异化的多模型融合校准方法及系统 |
| CN115508511A (zh) * | 2022-09-19 | 2022-12-23 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
| CN117237647A (zh) * | 2023-11-15 | 2023-12-15 | 成都嘉德数源环保科技有限公司 | 一种大气污染监测系统及方法 |
| CN117313428A (zh) * | 2023-11-28 | 2023-12-29 | 西安中核核仪器股份有限公司 | 一种火电厂污染物浓度在线监测修正方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104280324A (zh) * | 2014-08-27 | 2015-01-14 | 北京市环境保护监测中心 | 利用卫星遥感监测近地面细颗粒物质量浓度的方法 |
| CN105527208A (zh) * | 2016-01-27 | 2016-04-27 | 北京市环境保护监测中心 | 一种大气颗粒物质量浓度数据校正方法 |
| CN106651100A (zh) * | 2016-10-12 | 2017-05-10 | 华南理工大学 | 基于车联网优选车载监测点的空气质量评估系统及方法 |
| CN107300550A (zh) * | 2017-06-21 | 2017-10-27 | 南京大学 | 一种基于bp神经网络模型预测大气重金属浓度的方法 |
| CN109799193A (zh) * | 2019-02-19 | 2019-05-24 | 北京英视睿达科技有限公司 | 污染分布立体监测方法及系统 |
| CN109992740A (zh) * | 2019-02-14 | 2019-07-09 | 北京市环境保护监测中心 | 一种基于数据库计算污染源实际排放水平的方法 |
-
2019
- 2019-07-23 CN CN201910667723.XA patent/CN110514626B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104280324A (zh) * | 2014-08-27 | 2015-01-14 | 北京市环境保护监测中心 | 利用卫星遥感监测近地面细颗粒物质量浓度的方法 |
| CN105527208A (zh) * | 2016-01-27 | 2016-04-27 | 北京市环境保护监测中心 | 一种大气颗粒物质量浓度数据校正方法 |
| CN106651100A (zh) * | 2016-10-12 | 2017-05-10 | 华南理工大学 | 基于车联网优选车载监测点的空气质量评估系统及方法 |
| CN107300550A (zh) * | 2017-06-21 | 2017-10-27 | 南京大学 | 一种基于bp神经网络模型预测大气重金属浓度的方法 |
| CN109992740A (zh) * | 2019-02-14 | 2019-07-09 | 北京市环境保护监测中心 | 一种基于数据库计算污染源实际排放水平的方法 |
| CN109799193A (zh) * | 2019-02-19 | 2019-05-24 | 北京英视睿达科技有限公司 | 污染分布立体监测方法及系统 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111157413B (zh) * | 2020-01-15 | 2021-09-17 | 北京师范大学 | 一种pm2.5网格化监控网络系统及其一致性校准方法 |
| CN111157413A (zh) * | 2020-01-15 | 2020-05-15 | 北京师范大学 | 一种pm2.5网格化监控网络系统及其一致性校准方法 |
| CN111443163A (zh) * | 2020-03-10 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
| CN111830210A (zh) * | 2020-07-30 | 2020-10-27 | 广州交信投科技股份有限公司 | 空气质量监测方法、装置、系统和计算机设备 |
| EP3945290A1 (en) | 2020-07-31 | 2022-02-02 | Rae Systems, Inc. | Apparatuses, computer-implemented methods, and computer program products for dynamic iterative baseline adjustment |
| CN112540159A (zh) * | 2020-11-27 | 2021-03-23 | 中广核工程有限公司 | 核电厂大气扩散预测校正方法、系统、介质及电子设备 |
| CN112611843A (zh) * | 2020-12-23 | 2021-04-06 | 中科三清科技有限公司 | 空气质量监测及展示方法、装置、电子设备以及存储介质 |
| CN112611688A (zh) * | 2020-12-30 | 2021-04-06 | 罗克佳华科技集团股份有限公司 | 一种大气监测设备的自动校准装置及方法 |
| CN113295586A (zh) * | 2021-05-14 | 2021-08-24 | 南京源恒环境研究所有限公司 | 一种大气污染监测系统的数据校准方法 |
| CN113533644A (zh) * | 2021-06-26 | 2021-10-22 | 西北工业大学 | 基于无人机的对面源常规大气污染物的监测方法 |
| CN113933221A (zh) * | 2021-10-14 | 2022-01-14 | 中国计量科学研究院 | 一种基于区域反演的颗粒物浓度监测仪远程校准方法 |
| CN114200077A (zh) * | 2021-11-13 | 2022-03-18 | 安徽熵沃智能科技有限公司 | 一种应用于网格化空气质量监测系统的云平台智能辅助校准算法 |
| CN114485800B (zh) * | 2022-02-14 | 2023-10-27 | 北京佳华智联科技有限公司 | 适用于气体多参数移动监测仪的远程质控方法 |
| CN114485800A (zh) * | 2022-02-14 | 2022-05-13 | 北京佳华智联科技有限公司 | 适用于气体多参数移动监测仪的远程质控方法 |
| CN114510850A (zh) * | 2022-04-20 | 2022-05-17 | 四川国蓝中天环境科技集团有限公司 | 一种大气六参差异化的多模型融合校准方法及系统 |
| CN114510850B (zh) * | 2022-04-20 | 2022-06-21 | 四川国蓝中天环境科技集团有限公司 | 一种大气六参差异化的多模型融合校准方法及系统 |
| CN115508511A (zh) * | 2022-09-19 | 2022-12-23 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
| CN115508511B (zh) * | 2022-09-19 | 2023-05-26 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
| CN117237647A (zh) * | 2023-11-15 | 2023-12-15 | 成都嘉德数源环保科技有限公司 | 一种大气污染监测系统及方法 |
| CN117237647B (zh) * | 2023-11-15 | 2024-01-26 | 成都嘉德数源环保科技有限公司 | 一种大气污染监测系统及方法 |
| CN117313428A (zh) * | 2023-11-28 | 2023-12-29 | 西安中核核仪器股份有限公司 | 一种火电厂污染物浓度在线监测修正方法 |
| CN117313428B (zh) * | 2023-11-28 | 2024-02-23 | 西安中核核仪器股份有限公司 | 一种火电厂污染物浓度在线监测修正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110514626B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110514626A (zh) | 大气污染监测系统的数据校准方法和大气污染监测系统 | |
| US11521022B2 (en) | Semantic state based sensor tracking and updating | |
| Mirkatouli et al. | Analysis of land use and land cover spatial pattern based on Markov chains modelling | |
| KR20220119645A (ko) | 작물 유형 및/또는 파종 날짜 추정 | |
| CN109799193A (zh) | 污染分布立体监测方法及系统 | |
| CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
| Anh Khoa et al. | Wireless sensor networks and machine learning meet climate change prediction | |
| Yang et al. | Reward‐based participant management for crowdsourcing rainfall monitoring: An agent‐based model simulation | |
| Al-Younis et al. | Image shift due to atmospheric refraction: prediction by numerical weather modeling and machine learning | |
| CN110710102B (zh) | 用于在环境中定位能量收集装置的方法和设备 | |
| Hooda | IoT and remote sensing | |
| CN117518196A (zh) | 一种激光雷达的运动补偿方法、装置、系统、设备及介质 | |
| EP4445308A1 (en) | Satellite data for estimating survey completeness by region | |
| Voelz et al. | Low cost digital photography approach to monitoring optical bending and guiding in the atmosphere | |
| US20230186594A1 (en) | Information processing apparatus, information processing method, and non-transitory computer readable medium | |
| CN113361386B (zh) | 虚拟场景的处理方法、装置、设备及存储介质 | |
| Kesler et al. | A low cost shading analyzer and site evaluator design to determine solar power system installation area | |
| Játiva et al. | Hybrid Digital Twin Model for Greenhouse and Underground Environments | |
| US20120203471A1 (en) | Generation source estimation apparatus and method of diffusion material | |
| CN107403050A (zh) | 装配式建筑检查方法、装置及系统 | |
| Adebusola et al. | Application of Principal Component Analysis and Artificial Neural Networks for the Prediction of QoS in FSO Links over South Africa | |
| Yamamoto et al. | Software for multimodal battlefield signal modeling and optimal sensor placement | |
| CN116706906B (zh) | 一种光伏电站输出功率的预测方法、装置、设备及介质 | |
| Rabinovich et al. | Optical propagation in a marine environment: effects of turbulence spectrum choice on simulation | |
| CN116631530B (zh) | 污染物扩散风险识别方法、装置及设备 |
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 | ||
| CB02 | Change of applicant information |
Address after: 100070 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Applicant after: Beijing Yingshi Ruida Technology Co.,Ltd. Address before: 100071 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Applicant before: BEIJING INSIGHTS VALUE TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240628 Address after: 100070 605, 6 / F, building 1, courtyard 8, Automobile Museum West Road, Fengtai District, Beijing Patentee after: Beijing Qingfeng Zhongzhi Ecological Technology Co.,Ltd. Country or region after: China Address before: 100070 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Patentee before: Beijing Yingshi Ruida Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |