CN111125641B - 一种大气污染异常识别与成因分析方法、装置及存储介质 - Google Patents
一种大气污染异常识别与成因分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111125641B CN111125641B CN201911371771.0A CN201911371771A CN111125641B CN 111125641 B CN111125641 B CN 111125641B CN 201911371771 A CN201911371771 A CN 201911371771A CN 111125641 B CN111125641 B CN 111125641B
- Authority
- CN
- China
- Prior art keywords
- air quality
- value
- preset
- event
- acquiring
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000010219 correlation analysis Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000356 contaminant Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000009792 diffusion process Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000003915 air pollution Methods 0.000 claims description 9
- 239000003344 environmental pollutant Substances 0.000 claims description 9
- 231100000719 pollutant Toxicity 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000002939 deleterious effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Sampling And Sample Adjustment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大气污染异常识别与成因分析方法,所述方法包括:采集预设时间及区域的空气质量实测数据,并根据预设空气质量预测模型,获取相同预设时间及区域的空气质量预测数据;计算所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值;判断所述绝对值是否位于预设置信区间之外;若是,则所述空气质量发生异变,获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件。本发明还公开了一种大气污染异常识别与成因分析装置。采用本发明,可以对空气质量变化带来的影响评估出影响程度,以预防和规避有害事件和优化完善有益事件,加强空气质量监管和改善空气质量。
Description
技术领域
本发明涉及环保监测领域,特别是涉及一种大气污染异常识别与成因分析方法、装置及存储介质。
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。在干洁的大气中,恒量气体的组成是微不足道的。但是在一定范围的大气中,出现了原来没有的微量物质,其数量和持续时间,都有可能对人、动物、植物及物品、材料产生不利影响和危害。当大气中污染物质的浓度达到有害程度,以至破坏生态系统和人类正常生存和发展的条件,对人或物造成危害的现象叫做大气污染。
目前,空气健康常规监测与预测日益成熟,但政策因素、公众行为或一些突发的事件会导致城区空气质量发生显著变化,成为空气质量的异常事件。但是,没有针对异常事件的监测和分析方法,因此无法对这些异常事件进行规避或治理。
发明内容
为了解决上述问题,本发明的目的是提供一种大气污染异常识别与成因分析方法,可以对空气质量变化带来的影响评估出影响程度,以预防和规避有害事件和优化完善有益事件,从而提高空气质量水平。
基于此,本发明提供了一种大气污染异常识别与成因分析方法,所述方法包括:
采集预设时间及区域的空气质量实测数据,并根据预设空气质量预测模型,获取相同预设时间及区域的空气质量预测数据;
计算所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值;
判断所述绝对值是否位于预设置信区间之外;
若是,则所述空气质量发生异变,获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件。
其中,所述空气质量预测模型的构建过程包括:
(1)利用土地利用回归模型;
Y=C+,
其中,所述i为变量,所述C为常量,所述Y为大气污染物浓度,所述Ai为系数,所述Xi为自变量,所述Xi为目标坐标点计算的空间特征量;
或者(2)利用大气扩散模型;
上式中:
x、y、z代表空间直角坐标系的三个坐标轴;
ū 代表平均风速,单位为m/s;
Q代表源强,是指污染物排放速率,单位为g/s;
σy代表侧向扩散参数,是指污染物在y方向分布的标准偏差(m);
σz代表竖向扩散参数,是指污染物在z方向分布的标准偏差(m);C(x,y,z)代表下风向任意位置(x,y,z)处的污染物浓度(g/cm3)。
其中,所述置信区间的获取过程包括:
获取若干个预设时间或预设区域的所述绝对值;
计算所述若干个所述绝对值的平均值、标准差和标准误差;
根据置信区间,确定置信度;
所述置信区间的下限值为所述平均值减去标准误差与标准正态分布值的乘积;
所述置信区间的上限值为所述平均值加上标准误差与标准正态分布值的乘积。
其中,所述方法还包括:
判断所述空气质量发生异变程度的高低;
A=D-b(D>b)或A=a-D(a>D)
其中,所述A为异变值,所述D为所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值,所述a为所述置信区间的下限值,所述b为所述置信区间的上限值,所述A越大,则所述空气质量发生异变程度越高。
其中,所述获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件包括:
获取因子强度SQ和异变值A;
对所述SQ和所述A进行相关分析,获取相关值;
判断所述相关值是否大于相关阈值;
若是,则所述影响空气质量的事件与所述空气质量发生异变相关。
其中,所述获取因子强度SQ:
tS为事件发生时间、to为事件消失时间,为事件发生点距离监测点的距离,为事件发生的强度,k为预设系数。
其中,所述获取相关值包括
其中,所述为所述相关值。本发明实施例还提供了一种大气污染异常识别与成因分析装置,所述装置包括:
采集模块,用于采集预设时间及区域的空气质量实测数据,并根据预设空气质量预测模型,获取相同预设时间及区域的空气质量预测数据;
计算模块,用于计算所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值;
判断模块,用于判断所述绝对值是否位于预设置信区间之外;
分析模块,用于若是,则所述空气质量发生异变,获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件。
本发明实施例还提供了一种大气污染异常识别与成因分析设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述的大气污染异常识别与成因分析方法。
本发明实施例还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述的大气污染异常识别与成因分析方法。
采用本发明,首先,采集预设时间及区域的空气质量实测数据,并根据预设空气质量预测模型,获取相同预设时间及区域的空气质量预测数据;计算所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值;判断所述绝对值是否位于预设置信区间之外;若是,则所述空气质量发生异变,获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件。本发明可以判断空气质量是否发生异变,并且确定与空气质量发生异变相关的事件,进而预防和规避有害事件和优化完善有益事件,提高空气质量水平。
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简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明实施例提供的大气污染异常识别与成因分析方法的流程图;
图2是本发明实施例提供的大气污染异常识别与成因分析装置的示意图;
图3是本发明实施例提供的标准正态分布值的示意图。
具体实施方式
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,所描述的实施例仅仅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。
图1是本发明实施例提供的大气污染异常识别与成因分析方法的流程图,所述方法包括:
S101、采集预设时间及区域的空气质量实测数据,并根据预设空气质量预测模型,获取相同预设时间及区域的空气质量预测数据;
采集预设时间及区域的空气质量实测数据可以包括:调用城区空气检测站实时监测空气质量的结果,所述空气质量的结果包括各种空气污染物的浓度,举例来讲,如PM2.5,PM10,O3,SO2,CO,NO2、AQI(空气质量指数)等等。
根据预设空气质量预测模型,获取相同预设时间及区域的空气质量预测数据包括:
首先,建立空气质量预测模型:
土地利用模型是描述地区内部经济活动的选址行为及其作用结果的土地利用空间分布的数学模型,分为预测模型和优化模型。
所述空气质量预测模型的构建过程包括
1、利用土地利用回归模型;
Y=C+
其中,所述i为变量,所述C为常量,所述Y为大气污染物浓度,所述Ai为系数,所述Xi为自变量,所述Xi为目标坐标点计算的空间特征量,(例如gdp,土地利用方式,交通量,人口,气象,平流层高度等)
2、利用大气扩散模型;
上式中:
x、y、z代表空间直角坐标系的三个坐标轴;
ū 代表 平均风速(m/s);
Q,q代表源强,指污染物排放速率(g/s) 。通常:
(ⅰ)瞬时点源的源强以一次释放的总量表示;
(ⅱ)连续点源以单位时间的释放量表示;
(ⅲ)连续线源以单位时间单位长度的排放量表示;
(ⅳ)连续面源以单位时间单位面积的排放量表示。
σy代表侧向扩散参数,是指污染物在y方向分布的标准偏差(m),与x有关;
σz代表竖向扩散参数,是指污染物在z方向分布的标准偏差(m),与x有关;
C(x,y,z)代表下风向任意位置(x,y,z)处的污染物浓度(g/cm3)。
举例来讲,所述空气质量预测模型的构建过程可以包括:
Y=A1X1+A2X2+A3X3+ A4X4+C
其中,所述A1,A2,A3,A4为系数,所述X1,X2,X3,X4为自变量,所述X1为目标坐标点第一预设范围内耕地的面积,所述X2为目标坐标点第二预设范围内赤地的面积,所述X3为目标坐标点第三预设范围内城区主干路的总长度,所述X4为目标坐标点第四预设范围内GDP总和。
举例来讲,Y=A1X1+A2X2+A3X3+C=-0.712Cropland(5000 m)+0.229Bareland(5000m)+0.321Length of main road (300m)+0.169GDP (3000 m)-2.8*10-11,其中,Cropland( 5000 m)是选取坐标点即目标坐标点5000m范围内土地利用Cropland即耕地 的面积,Bareland (5000 m)是选取坐标点5000m范围内土地利用Bareland即赤地的面积,Length of main road (300 m)是选取坐标点300米范围内城区主干路的总长度,GDP(3000 m)是选取坐标点3000米范围内GDP总和。
自变量X1,X2,X3即Cropland、Bareland、Length of main road、GDP是时空数据,具有时空特性,空间图层管理包括以下图层城区土地利用图层、城区道路图层、城区GDP投影图层。
选取目标坐标,设置缓冲器半径,圈出缓冲器,计算出缓冲器土地利用类型的面积,道路类型的总长,GDP总量。
建立模型库,根据不同的区域,可以建立不同的模型,确定模型的常量C,系数A1,A2,A3等,确定自变量X1,X2,X3等。模型修改和优化,可以修改模型的常量C,系数A1,A2,A3等,确定自变量X1,X2,X3等,不断的优化和完善模型。
根据选择目标坐标,在空间图层中计算出自变量的值,所述自变量的值应用在模型中,可以实时求出目标坐标点的污染物的一定时间范围内浓度预测值。
S102、计算所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值;
获取预设时间及区域的空气质量实测数据以及相同预设时间及区域的空气质量预测数据之后,
计算所述空气质量实测数据与所述空气质量预测数据之间差值,并对所述差值取绝对值。所述绝对值可以用D来表示。
S103、判断所述绝对值是否位于预设置信区间之外;
其中,所述置信区间的获取过程包括:
获取若干个预设时间或预设区域的所述绝对值;
计算所述若干个所述绝对值的平均值、标准差和标准误差;
根据置信区间,确定置信度;
所述置信区间的下限值为所述平均值减去标准误差与标准正态分布值的乘积;
所述置信区间的上限值为所述平均值加上标准误差与标准正态分布值的乘积,标准正态分布值的示意图如图3所示。
S104、若否,则所述空气质量未发生异变;
若否,则无影响空气质量重要或突发事件的发生即所述空气质量未发生异变。
影响空气质量重要或突发事件包括:
(i)、极端天气事件W;
大气运动会影响污染物的扩散和浓度,一些极端的天气例如台风事件会极大的加速污染物的扩散,天气事件记作W。
(ii)、交通突发事件T;
交通运输中一些事故会影响空气质量,例如运输容易挥发物品的车辆发生泄漏,车辆起火燃烧等,交通事件记作T。
(iii)、工业园区变化或突发事故D;
工业区的建设中,新工厂的建立或旧工厂的废弃,工厂事故造成污染物的泄漏或违规排放等,记作D。
(iv)、政府政策实施M;
政府环保政策的实施,例如车辆限行等,记作M。
(v)、其他事件O;
一些其他的突发事件记作O。
S105、若是,则所述空气质量发生异变,获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件。
其中,所述获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件包括:
获取因子强度SQ和异变值A;
对所述SQ和所述A进行相关分析,获取相关值;
判断所述相关值是否大于相关阈值;
若是,则所述影响空气质量的事件与所述空气质量发生异变相关。
其中,所述获取因子强度SQ:
tS为事件发生时间、to为事件消失时间,为事件发生点距离监测点的距离,为事件发生的强度,k为预设系数。/>即因子距离可以是事件发生地点到监测点的空间距离,可以采用两点之间的距离公式来求解所述事件发生点与监测点的距离。可以在地图上标注事件发生地的经纬度P1,根据监测点的经纬度P2,自动求解出P1和P2之间的距离。/>为事件发生的强度,不同事件的发生可以对应于不同的事件发生强度值,举例来讲,比如事件为刮风的话,所述事件发生的强度可以为天气预报所监测到的风级,事件为下雨的话,所述事件的强度可以为降雨量,不同的风级对应不同的强度值。
其中,所述获取相关值包括
其中,所述为所述相关值。
因子强度是事件发生的中心位置处的强度,其强度标准见下表
其中,所述方法还包括:判断所述空气质量发生异变程度的高低;
A=D-b(D>b)或A=a-D(a>D)
其中,所述A为异变值,所述D为所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值,所述a为所述置信区间的下限值,所述b为所述置信区间的上限值,所述A越大,则所述空气质量发生异变程度越高。
采用本发明,首先,采集预设时间及区域的空气质量实测数据,并根据预设空气质量预测模型,获取相同预设时间及区域的空气质量预测数据;计算所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值;判断所述绝对值是否位于预设置信区间之外;若是,则所述空气质量发生异变,获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件。本发明可以判断空气质量是否发生异变,并且确定与空气质量发生异变相关的事件,进而预防和规避有害事件和优化完善有益事件,提高空气质量水平。
图2是本发明实施例提供的大气污染异常识别与成因分析装置的示意图,所述装置包括:
采集模块,用于采集预设时间及区域的空气质量实测数据,并根据预设空气质量预测模型,获取相同预设时间及区域的空气质量预测数据;
计算模块,用于计算所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值;
判断模块,用于判断所述绝对值是否位于预设置信区间之外;
分析模块,用于若是,则所述空气质量发生异变,获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件。
本发明实施例提出的一种大气污染异常识别与成因分析装置的技术特征和技术效果与本发明实施例提出的方法相同,在此不予赘述。
本发明实施例还提供了一种大气污染异常识别与成因分析设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述大气污染异常识别与成因分析方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述大气污染异常识别与成因分析方法。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (8)
1.一种大气污染异常识别与成因分析方法,其特征在于,包括:
采集预设时间及区域的空气质量实测数据,并根据预设空气质量预测模型,获取相同预设时间及区域的空气质量预测数据;
计算所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值;
判断所述绝对值是否位于预设置信区间之外;
若是,则所述空气质量发生异变,获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件;
所述获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件包括:
获取因子强度SQ和异变值A;
对所述SQ和所述A进行相关分析,获取相关值;
判断所述相关值是否大于相关阈值;
若是,则所述影响空气质量的事件与所述空气质量发生异变相关;
所述获取因子强度SQ:
SQ=∫kf(sq)/f(lq)(t0-ts)dx
tS为事件发生时间、to为事件消失时间,f(lq)为事件发生点距离监测点的距离,f(sq)为事件发生的强度,k为预设系数,x为事件发生过程中任意时刻的强度值;
所述异变值A用来判断所述空气质量发生异变程度的高低。
2.如权利要求1所述的大气污染异常识别与成因分析方法,其特征在于,所述空气质量预测模型的构建过程包括:
(1)利用土地利用回归模型;
其中,所述i为计数变量,所述C为所述土地利用回归模型的回归常量,所述Y为目标坐标点的大气污染物浓度,所述Ai为所述土地利用回归模型的回归系数,所述Xi为目标坐标点计算的空间特征量;
或者(2)利用大气扩散模型;
上式中:
x、y、z代表空间直角坐标系的三个坐标轴;
ū代表平均风速;
Q代表源强,是指污染物排放速率;
σy代表侧向扩散参数,是指污染物在y方向分布的标准偏差;
σz代表竖向扩散参数,是指污染物在z方向分布的标准偏差;
C(x,y,z)代表下风向任意位置(x,y,z)处的污染物浓度。
3.如权利要求1所述的大气污染异常识别与成因分析方法,其特征在于,所述置信区间的获取过程包括:
获取若干个预设时间或预设区域的所述绝对值;
计算所述若干个所述绝对值的平均值、标准差和标准误差;
根据置信区间,确定置信度;
所述置信区间的下限值为所述平均值减去标准误差与标准正态分布值的乘积;
所述置信区间的上限值为所述平均值加上标准误差与标准正态分布值的乘积。
4.如权利要求1所述的大气污染异常识别与成因分析方法,其特征在于,所述方法还包括:
判断所述空气质量发生异变程度的高低;
A=D-b(D>b)或A=a-D(a>D)
其中,所述A为异变值,所述D为所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值,所述a为所述置信区间的下限值,所述b为所述置信区间的上限值,所述A越大,则所述空气质量发生异变程度越高。
5.如权利要求1所述的大气污染异常识别与成因分析方法,其特征在于,所述获取相关值包括
其中,所述r(SQ,A)为所述相关值。
6.一种大气污染异常识别与成因分析装置,其特征在于,包括:
采集模块,用于采集预设时间及区域的空气质量实测数据,并根据预设空气质量预测模型,获取相同预设时间及区域的空气质量预测数据;
计算模块,用于计算所述空气质量实测数据与所述空气质量预测数据之间差值的绝对值;
判断模块,用于判断所述绝对值是否位于预设置信区间之外;
分析模块,用于若是,则所述空气质量发生异变,获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件;
所述获取空气质量异变因子并进行相关性分析来确定影响空气质量的事件包括:
获取因子强度SQ和异变值A;
对所述SQ和所述A进行相关分析,获取相关值;
判断所述相关值是否大于相关阈值;
若是,则所述影响空气质量的事件与所述空气质量发生异变相关;
所述获取因子强度SQ:
SQ=∫kf(sq)/f(lq)(t0-ts)dx
tS为事件发生时间、to为事件消失时间,f(lq)为事件发生点距离监测点的距离,f(sq)为事件发生的强度,k为预设系数,x为事件发生过程中任意时刻的强度值;
所述异变值A用来判断所述空气质量发生异变程度的高低。
7.一种大气污染异常识别与成因分析设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的大气污染异常识别与成因分析方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的大气污染异常识别与成因分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371771.0A CN111125641B (zh) | 2019-12-25 | 2019-12-25 | 一种大气污染异常识别与成因分析方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371771.0A CN111125641B (zh) | 2019-12-25 | 2019-12-25 | 一种大气污染异常识别与成因分析方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111125641A CN111125641A (zh) | 2020-05-08 |
CN111125641B true CN111125641B (zh) | 2024-03-12 |
Family
ID=70503514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911371771.0A Active CN111125641B (zh) | 2019-12-25 | 2019-12-25 | 一种大气污染异常识别与成因分析方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111125641B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612064B (zh) * | 2020-05-20 | 2021-02-19 | 中科三清科技有限公司 | Pm2.5污染气团溯源方法、装置、电子设备及存储介质 |
CN111710374A (zh) * | 2020-06-15 | 2020-09-25 | 中科三清科技有限公司 | 大气污染成因分析方法及装置 |
CN111709646B (zh) * | 2020-06-17 | 2024-02-09 | 九江学院 | 空气污染暴露风险评价方法及系统 |
CN111489041B (zh) * | 2020-06-23 | 2020-10-16 | 平安国际智慧城市科技股份有限公司 | 预测污染物异常排放的方法、装置、计算机设备 |
CN112037106B (zh) * | 2020-08-07 | 2023-12-15 | 汉威科技集团股份有限公司 | 一种基于特征互相关性和概率密度的数据异常分析方法 |
CN111932146A (zh) * | 2020-09-01 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 污染成因的分析方法、装置、计算机设备和可读存储介质 |
CN115290831B (zh) * | 2022-09-30 | 2024-02-13 | 深圳市益清源环保科技有限公司 | 一种空气质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
CN109996269A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团湖北有限公司 | 一种无线通信网络异常原因确定方法、装置、设备及介质 |
CN110085281A (zh) * | 2019-04-26 | 2019-08-02 | 成都之维安科技股份有限公司 | 一种基于特征污染因子源解析的环境污染溯源系统及方法 |
-
2019
- 2019-12-25 CN CN201911371771.0A patent/CN111125641B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109996269A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团湖北有限公司 | 一种无线通信网络异常原因确定方法、装置、设备及介质 |
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
CN110085281A (zh) * | 2019-04-26 | 2019-08-02 | 成都之维安科技股份有限公司 | 一种基于特征污染因子源解析的环境污染溯源系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111125641A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125641B (zh) | 一种大气污染异常识别与成因分析方法、装置及存储介质 | |
Bhatti et al. | Time series analysis and forecasting of air pollution particulate matter (PM 2.5): an SARIMA and factor analysis approach | |
Voukantsis et al. | Intercomparison of air quality data using principal component analysis, and forecasting of PM10 and PM2. 5 concentrations using artificial neural networks, in Thessaloniki and Helsinki | |
Laña et al. | The role of local urban traffic and meteorological conditions in air pollution: A data-based case study in Madrid, Spain | |
Vardoulakis et al. | Operational air pollution modelling in the UK—Street canyon applications and challenges | |
Fernando et al. | Forecasting PM10 in metropolitan areas: Efficacy of neural networks | |
CN116187095B (zh) | 一种道路交通扬尘环境影响评价方法及装置 | |
CN113777236B (zh) | 基于排放源的空气质量监控方法和装置 | |
CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
Goyal et al. | Assessment of the effectiveness of policy interventions for Air Quality Control Regions in Delhi city | |
CN112991132B (zh) | Pm2.5和臭氧协同管控区域识别方法及装置 | |
CN114218976B (zh) | 臭氧前体物高值区精细化排放源追溯定位方法和系统 | |
CN114755367B (zh) | 一种环保污染监测方法、系统、设备及介质 | |
Tunno et al. | Understanding intra-neighborhood patterns in PM 2.5 and PM 10 using mobile monitoring in Braddock, PA | |
Zakaria et al. | The assessment of ambient air pollution pattern in Shah Alam, Selangor, Malaysia | |
CN117708617B (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 | |
CN115436573A (zh) | 一种大气污染源智能监测方法及装置 | |
Perez et al. | Forecasting of hourly PM2. 5 in south-west zone in Santiago de Chile | |
CN109085100B (zh) | 污染物浓度的确定方法及装置 | |
CN115578227A (zh) | 一种基于多源数据确定大气颗粒物污染重点区域的方法 | |
CN109613179B (zh) | 累积高值区的确定方法 | |
CN115907077A (zh) | 智慧环保平台大气环境管理系统的监控及预警模块和方法 | |
Kobus et al. | Analysis of PM10 high concentration episodes in Warsaw, Krakow and Wroclaw in the years 2005–2017 with application of selected elements of information systems | |
CN110850041B (zh) | 一种基于气象条件的污染溯源方法、设备和存储介质 | |
CN117540229B (zh) | 一种基于聚类算法的大气环境监测方法 |
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 |