CN111259336B - 大气污染物浓度预警方法 - Google Patents
大气污染物浓度预警方法 Download PDFInfo
- Publication number
- CN111259336B CN111259336B CN202010041301.4A CN202010041301A CN111259336B CN 111259336 B CN111259336 B CN 111259336B CN 202010041301 A CN202010041301 A CN 202010041301A CN 111259336 B CN111259336 B CN 111259336B
- Authority
- CN
- China
- Prior art keywords
- mass concentration
- regression coefficients
- concentration
- precipitation
- ground
- 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
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 50
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001556 precipitation Methods 0.000 claims abstract description 50
- 239000002243 precursor Substances 0.000 claims abstract description 11
- 238000012417 linear regression Methods 0.000 claims abstract description 7
- 239000013618 particulate matter Substances 0.000 claims description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 238000003915 air pollution Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000002596 correlated effect Effects 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 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
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 150000003568 thioethers Chemical class 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Dispersion Chemistry (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Traffic Control Systems (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了大气污染物浓度预警方法,涉及人工影响天气防灾减灾领域,包括步骤S1确定污染地区的天气特征;S2获取气象要素和污染前体物浓度的相关数据;S3确定污染地区的地形特征和降水情况;S4根据地形特征、降水情况及S2中获得的数据得到大气污染物浓度,进行相关空气质量预警预报;可以快速预测大气污染物浓度的数值变化,避免因其他参量的物理指示特征不够明确,无法实现对空气污染更精确的预警,在保证准确的基础上仅采用少数几个自变量进行回归,得到大气污染物浓度与主要气象要素和前体物浓度之间的多元线性回归方程,从而实现在发生空气污染时及时预报大气污染物浓度的变化趋势,并且在大气污染物消散后及时解除预警。
Description
技术领域
本发明涉及人工影响天气防灾减灾领域,尤其涉及一种大气污染物浓度预警方法。
背景技术
随着经济的发展,城市的大气污染问题日益严重,大气中的颗粒物、臭氧、氮氧化物、硫化物等气体污染物不利于人体健康,且会降低大气能见度,影响交通和航空安全,因此大气污染问题受到政府以及社会的广泛关注。
虽然污染物的过量排放是造成大气污染的根本原因,但大气污染物浓度的变化乃至重污染事件的发生主要受不利于大气扩散的气象条件的影响(Ye等,2015;Ning等,2018)。大气扩散的理论和实践研究表明,在一定的时间段内,局地污染物排放量虽然变化不大(Wu et al.2017),但在不同的气象条件下,大气污染物浓度变化却非常剧烈(李宗恺等,1985),表明污染气象条件在调节污染物浓度变化方面起着至关重要的作用(Hurley etal.2001;刘宁微等,2010;Li et al.2015)。郭利等(2011)统计发现北京市6月份颗粒物质量浓度与温度呈正相关,与风速呈负相关,11月份颗粒物质量浓度与相对湿度呈正相关,与风速、温度和气压呈负相关。陈渤黎等(2015)发现常州市重污染天气多出现在西北风控制下,气温较低时,空气污染概率较大。贾梦唯等(2016)发现南京地区O3与温度和边界层高度呈显著正相关,春、冬季颗粒物浓度与温度呈显著负相关,夏、秋季颗粒物浓度与湿度呈负相关。上述研究均表明污染物的维持、扩散和气象条件有密切的关系。
经过专利和文献检索,目前空气质量预报主要方法有两种,分别是基于数值预报模式和基于统计学方法。数值预报方法往往适合区域性的空气污染预测,基于统计学方法的空气质量预报通常应用于区域范围预报,它是基于该区域主要气象要素和空气质量的历史数据,通过分析二者之间的相关性,进行多元逐步回归,建立最优预报方程,之后使用观测到的气象数据预报未来空气质量,具有快捷、简单的特点。近年来,BP神经网络在空气质量预报方面应用广泛(李德志等,2010),虽然BP神经网络能够较好地提取数据集中的线性和非线性因素,但是在模型的训练过程中会产生过拟合、欠拟合和计算量过大等问题,因此,模型的预测精度会受到一定程度的影响。
上述方法在空气质量预警预报中应用广泛,但其适用性具有很强的限制性。近年来全国多个地区由于污染物大量排放、复杂的地形和独特的气象条件共同作用,空气质量问题逐渐显现,而空气质量监测网目前还正处于不断发展的阶段,对于实现全地区尤其是非平原地区的空气质量实时监测还存在一定的差距,因而合理地利用数值模式完善空气质量预警预报方法具有重要意义。
发明内容
本发明的目的就在于为了解决上述问题设计了一种大气污染物浓度预警方法。
本发明通过以下技术方案来实现上述目的:
大气污染物浓度预警方法,包括以下步骤:
S1、根据大气环流形势确定污染地区的天气特征;
S2、获取气象要素和污染前体物浓度的相关数据,包括海拔高度h、地面温度T、相对湿度RH、地面风速spd、逐小时降雨量R和行星边界层高度pblh值以及NO2、SO2、NO、CO的质量浓度值;
S3、确定污染地区的地形特征和降水情况;
S4、根据地形特征、降水情况及S2中获得的数据得到大气污染物浓度,进行相关空气质量预警预报。
本发明的实施方式还提供了一种大气污染物浓度预警装置,包括:至少一个处理器;与至少一个处理器通信连接的存储器,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执行上述的大气污染物浓度预警方法。
本发明的实施方式还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的大气污染物浓度预警方法。
本发明的有益效果在于:可以快速预测大气污染物浓度的数值变化,避免因其他参量的物理指示特征不够明确,无法实现对空气污染更精确的预警,在保证准确的基础上采用WRF-CHEM模式输出的几种简单的高低空气象要素及污染前体物建立近地面大气污染物浓度的多元线性回归方程,在保证准确的基础上仅采用少数几个自变量进行回归,得到大气污染物浓度与主要气象要素和前体物浓度之间的多元线性回归方程,从而实现在发生空气污染时及时预报大气污染物浓度的变化趋势,并且在大气污染物消散后及时解除预警。
附图说明
图1是本发明大气污染物浓度预警方法的流程示意图;
图2是本发明关于PM2.5多元线性回归方程及回归系数的显著性检验;
图3是本发明关于PM10多元线性回归方程及回归系数的显著性检验;
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要理解的是,术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,“设置”、“连接”等术语应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图,对本发明的具体实施方式进行详细说明。
实施例1,如图1、图2、图3所示,
大气污染物浓度预警方法,包括以下步骤:
S1、根据大气环流形势确定污染地区的天气特征。
S2、获取气象要素和污染前体物浓度的相关数据,包括海拔高度h、地面温度T、相对湿度RH、地面风速spd、逐小时降雨量R和行星边界层高度pblh值以及NO2、SO2、NO、CO的质量浓度值。
S3、确定污染地区的地形特征和降水情况;
判断地形特征:根据海拔高度h确定污染地区的地形特征,当污染地区的海拔高度h与半径250km以内的四周地区海拔高度差大于800m,则确定为盆地地形;海拔高度在500m以上,且地形起伏度Δh>200m,则确定为山地地形,其中Δh=hmax-hmin,hmax为选区域内最大海拔高度值,hmin为所选区域内最小海拔高度值;
判断降水情况:根据根据逐小时降雨量R,确定污染地区是否发生降水;R≥0.1mm,确定为降水发生;R<0.1mm,确定为无降水发生。
S4、根据地形特征、降水情况及S2中获得的数据得到大气污染物浓度,进行相关空气质量预警预报;
S41、根据降水情况,确定PM2.5、PM10和O3与主要气象要素(T、RH、spd、R)和主要前体物(NO2、SO2、NO、CO)质量浓度之间的多元线性回归方程;
确定为降水发生时:
确定为无降水发生时:
其中,和分别为近地面PM2.5、PM10和O3的质量浓度;xNO和xCO分别为S2中获取的近地面SO2、NO2、NO和CO的质量浓度;xpblh、xspd、xR、xT和xRH分别为污染地区行星边界层高度pblh、地面风速spd、逐小时降雨量R、地面温度T和地面相对湿度RH;a、b、c、d、e、f、g、h为回归系数;
S42、根据地形特征和降水情况确定回归系数的取值,得到近地面PM2.5、PM10和O3的质量浓度;
山地地形时,若有降水发生(0.1mm≤R≤1.5mm),根据天气特征和降水情况初步判定近地面PM2.5质量浓度大于150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=5.66、b=0.11、c=0.836、d=-0.011、e=-7.065、f=15.987;
PM10质量浓度的回归系数分别为:a=14.932、b=0.054、c=1.044、d=-0.014、e=-12.332、f=22.944;
O3质量浓度的回归系数分别为:a=0.97、b=0.023、c=0.001、d=-0.144、e=0、f=2.808、g=-3.677;
山地地形时,有降水发生(0.1mm≤R≤1.5mm),根据天气特征和降水情况初步判定近地面PM2.5质量浓度不超过150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=7.647、b=0.005、c=0.799、d=-0.009、e=-8.213、f=14.339;
PM10质量浓度的回归系数分别为:a=16.072、b=0.086、c=0.929、d=-0.012、e=-11.477、f=19.212;
O3质量浓度的回归系数分别为:a=0.47、b=0.014、c=-0.003、d=-0.027、e=0.001、f=2.355、g=-0.616;
山地地形时,若无降水发生(R<0.1mm),根据天气特征和降水情况初步判定近地面PM2.5质量浓度大于150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=-1142.968、b=0.052、c=0.869、d=-0.104、e=-25.49、f=45.006、g=5.341;
PM10质量浓度的回归系数分别为:a=-1270.455、b=0.179、c=0.825、d=-0.136、e=-11.25、f=51.969、g=5.593;
O3质量浓度的回归系数分别为:a=-38.788、b=0.027、c=-0.004、d=0、e=-0.004、f=-1.804、g=1.652、h=0.161;
山地地形时,若无降水发生(R<0.1mm),根据天气特征和降水情况初步判定近地面PM2.5质量浓度不超过150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=-203.835、b=-0.031、c=0.902、d=-0.011、e=-22.187、f=5.862、g=1.577;
PM10质量浓度的回归系数分别为:a=-451.024、b=0.073、c=0.968、d=-0.019、e=-25.065、f=14.132、g=3.028;
O3质量浓度的回归系数分别为:a=42.571、b=0.015、c=-0.004、d=0、e=-0.001、f=-0.708、g=-1.236、h=-0.237;
盆地时,若有降水发生(0.1mm≤R≤1.5mm),近地面PM2.5质量浓度大于150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=70.261、b=0.082、c=0.584、d=-0.057、e=-7.154、f=0.398;
PM10质量浓度的回归系数分别为:a=93.782、b=0.144、c=0.717、d=-0.068、e=-12.476、f=5.925;
O3质量浓度的回归系数分别为:a=19.759、b=0.063、c=-0.002、d=-0.333、e=-0.003、f=-0.588、g=-7.352;
盆地时,若有降水发生(0.1mm≤R≤1.5mm),根据天气特征和降水情况初步判定近地面PM2.5质量浓度不超过150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=49.657、b=0.1142、c=0.491、d=-0.053、e=0.956、f=-2.133;
PM10质量浓度的回归系数分别为:a=-56.217、b=0.54、c=0.733、d=-0.004、e=17.66、f=-0.376;
O3质量浓度的回归系数分别为:a=9.338、b=0.054、c=-0.007、d=-0.147、e=-0.006、f=3.201、g=-7.763;
盆地时,若无降水发生(R<0.1mm),根据天气特征和降水情况初步判定近地面PM2.5质量浓度大于150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=-42.04、b=0.133、c=0.459、d=-0.081、e=-1.884、f=3.752、g=0.816;
PM10质量浓度的回归系数分别为:a=-102.042、b=0.204、c=0.523、d=-0.09、e=-2.153、f=4.977、g=1.597;
O3质量浓度的回归系数分别为:a=-0.799、b=-0.011、c=0、d=0、e=0.001、f=1.299、g=-0.009、h=-0.036;
盆地时,若无降水发生(R<0.1mm),根据天气特征和降水情况初步判定近地面PM2.5质量浓度不超过150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=-1659.415、b=0.286、c=0.299、d=-0.057、e=37.768、f=44.591、g=10.874;
PM10质量浓度的回归系数分别为:a=-2113.736、b=0.384、c=0.458、d=-0.065、e=42.608、f=56.357、g=13.919;
O3质量浓度的回归系数分别为:a=6.774、b=-0.042、c=0.003、d=-0.003、e=-0.002、f=1.62、g=0、h=-0.082;
S43、判断近地面PM2.5、PM10、SO2、NO2和O3的质量浓度与对应阈值的关系,发布相关预警信息:
其余情况均不解除预警,继续观察下一时次近地面SO2、NO2、NO和CO质量浓度以及pblh、spd、R、T和RH值。
本实施例仅对常规气象要素数据进行分析,不涉及其他非常规气象要素对大气污染物浓度的指示特征,并考虑了大气污染物受前体物浓度的影响,在保证准确的前提下采用几种简单的高低空气象要素及污染前体物建立近地面大气污染物浓度的多元线性回归方程,从而实现对近地面主要大气污染物浓度的准确预测。
实施例2,
大气污染物浓度预警装置,其特征在于包括:
至少一个处理器;
与至少一个处理器通信连接的存储器,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执行上述实施例1中的大气污染物浓度预警方法。
实施例3,
计算机可读存储介质,存储有计算机程序,其特征在于,计算机程序被处理器执行时实现上述实施例1中的大气污染物浓度预警方法。即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (4)
1.大气污染物浓度预警方法,其特征在于,包括以下步骤:
S1、根据大气环流形势确定污染地区的天气特征;
S2、获取气象要素和污染前体物浓度的相关数据,包括海拔高度h、地面温度T、相对湿度RH、地面风速spd、逐小时降雨量R和行星边界层高度pblh值以及NO2、SO2、NO、CO的质量浓度值;
S3、确定污染地区的地形特征和降水情况;具体为:
判断地形特征:根据海拔高度h确定污染地区的地形特征,当污染地区的海拔高度h与半径250km以内的四周地区海拔高度差大于800m,则确定为盆地地形;海拔高度在500m以上,且地形起伏度Δh>200m,则确定为山地地形,其中Δh=hmax-hmin,hmax为选区域内最大海拔高度值,hmin为所选区域内最小海拔高度值;
判断降水情况:根据根据逐小时降雨量R,确定污染地区是否发生降水;R≥0.1mm,确定为降水发生;R<0.1mm,确定为无降水发生;
S4、根据地形特征、降水情况及S2中获得的数据得到大气污染物浓度,进行相关空气质量预警预报;具体包括:
S41、根据降水情况,确定PM2.5、PM10和O3与主要气象要素T、RH、spd、R和主要前体物NO2、SO2、NO、CO质量浓度之间的多元线性回归方程;
确定为降水发生时:
确定为无降水发生时:
其中,和分别为近地面PM2.5、PM10和O3的质量浓度;xNO和xCO分别为S2中获取的近地面SO2、NO2、NO和CO的质量浓度;xpblh、xspd、xR、xT和xRH分别为污染地区行星边界层高度pblh、地面风速spd、逐小时降雨量R、地面温度T和地面相对湿度RH;a、b、c、d、e、f、g、h为回归系数;
S42、根据地形特征和降水情况确定回归系数的取值,得到近地面PM2.5、PM10和O3的质量浓度;
山地地形时,若有降水发生0.1mm≤R≤1.5mm,根据天气特征和降水情况初步判定近地面PM2.5质量浓度大于150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=5.66、b=0.11、c=0.836、d=-0.011、e=-7.065、f=15.987;
PM10质量浓度的回归系数分别为:a=14.932、b=0.054、c=1.044、d=-0.014、e=-12.332、f=22.944;
O3质量浓度的回归系数分别为:a=0.97、b=0.023、c=0.001、d=-0.144、e=0、f=2.808、g=-3.677;
山地地形时,有降水发生0.1mm≤R≤1.5mm,根据天气特征和降水情况初步判定近地面PM2.5质量浓度不超过150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=7.647、b=0.005、c=0.799、d=-0.009、e=-8.213、f=14.339;
PM10质量浓度的回归系数分别为:a=16.072、b=0.086、c=0.929、d=-0.012、e=-11.477、f=19.212;
O3质量浓度的回归系数分别为:a=0.47、b=0.014、c=-0.003、d=-0.027、e=0.001、f=2.355、g=-0.616;
山地地形时,若无降水发生R<0.1mm,根据天气特征和降水情况初步判定近地面PM2.5质量浓度大于150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=-1142.968、b=0.052、c=0.869、d=-0.104、e=-25.49、f=45.006、g=5.341;
PM10质量浓度的回归系数分别为:a=-1270.455、b=0.179、c=0.825、d=-0.136、e=-11.25、f=51.969、g=5.593;
O3质量浓度的回归系数分别为:a=-38.788、b=0.027、c=-0.004、d=0、e=-0.004、f=-1.804、g=1.652、h=0.161;
山地地形时,若无降水发生R<0.1mm,根据天气特征和降水情况初步判定近地面PM2.5质量浓度不超过150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=-203.835、b=-0.031、c=0.902、d=-0.011、e=-22.187、f=5.862、g=1.577;
PM10质量浓度的回归系数分别为:a=-451.024、b=0.073、c=0.968、d=-0.019、e=-25.065、f=14.132、g=3.028;
O3质量浓度的回归系数分别为:a=42.571、b=0.015、c=-0.004、d=0、e=-0.001、f=-0.708、g=-1.236、h=-0.237;
盆地时,若有降水发生0.1mm≤R≤1.5mm,根据天气特征和降水情况初步判定近地面PM2.5质量浓度大于150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=70.261、b=0.082、c=0.584、d=-0.057、e=-7.154、f=0.398;
PM10质量浓度的回归系数分别为:a=93.782、b=0.144、c=0.717、d=-0.068、e=-12.476、f=5.925;
O3质量浓度的回归系数分别为:a=19.759、b=0.063、c=-0.002、d=-0.333、e=-0.003、f=-0.588、g=-7.352;
盆地时,若有降水发生0.1mm≤R≤1.5mm,根据天气特征和降水情况初步判定近地面PM2.5质量浓度不超过150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=49.657、b=0.1142、c=0.491、d=-0.053、e=0.956、f=-2.133;
PM10质量浓度的回归系数分别为:a=-56.217、b=0.54、c=0.733、d=-0.004、e=17.66、f=-0.376;
O3质量浓度的回归系数分别为:a=9.338、b=0.054、c=-0.007、d=-0.147、e=-0.006、f=3.201、g=-7.763;
盆地时,若无降水发生R<0.1mm,根据天气特征和降水情况初步判定近地面PM2.5质量浓度大于150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=-42.04、b=0.133、c=0.459、d=-0.081、e=-1.884、f=3.752、g=0.816;
PM10质量浓度的回归系数分别为:a=-102.042、b=0.204、c=0.523、d=-0.09、e=-2.153、f=4.977、g=1.597;
O3质量浓度的回归系数分别为:a=-0.799、b=-0.011、c=0、d=0、e=0.001、f=1.299、g=-0.009、h=-0.036;
盆地时,若无降水发生R<0.1mm,根据天气特征和降水情况初步判定近地面PM2.5质量浓度不超过150μg·m-3时,
PM2.5质量浓度的回归系数分别为:a=-1659.415、b=0.286、c=0.299、d=-0.057、e=37.768、f=44.591、g=10.874;
PM10质量浓度的回归系数分别为:a=-2113.736、b=0.384、c=0.458、d=-0.065、e=42.608、f=56.357、g=13.919;
O3质量浓度的回归系数分别为:a=6.774、b=-0.042、c=0.003、d=-0.003、e=-0.002、f=1.62、g=0、h=-0.082;
S43、判断近地面PM2.5、PM10、SO2、NO2和O3的质量浓度与对应阈值的关系,发布相关预警信息。
3.大气污染物浓度预警装置,其特征在于包括:
至少一个处理器;
与至少一个处理器通信连接的存储器,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执行如权利要求1-2中任一项所述的大气污染物浓度预警方法。
4.计算机可读存储介质,存储有计算机程序,其特征在于,计算机程序被处理器执行时实现权利要求1-2中任一项所述的大气污染物浓度预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041301.4A CN111259336B (zh) | 2020-01-15 | 2020-01-15 | 大气污染物浓度预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041301.4A CN111259336B (zh) | 2020-01-15 | 2020-01-15 | 大气污染物浓度预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259336A CN111259336A (zh) | 2020-06-09 |
CN111259336B true CN111259336B (zh) | 2023-03-21 |
Family
ID=70954045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010041301.4A Active CN111259336B (zh) | 2020-01-15 | 2020-01-15 | 大气污染物浓度预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259336B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882103A (zh) * | 2020-06-15 | 2020-11-03 | 航天凯天环保科技股份有限公司 | 一种污染源实时在线监控系统 |
CN112484776A (zh) * | 2020-11-18 | 2021-03-12 | 成都信息工程大学 | 静止卫星逐小时近地面大气细颗粒物估算方法 |
CN115204507B (zh) * | 2022-07-26 | 2023-05-23 | 北京中科三清环境技术有限公司 | 大气能见度的预测方法、装置、设备及存储介质 |
CN115049168B (zh) * | 2022-08-16 | 2022-10-25 | 成都信息工程大学 | 一种雾污预警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738974A (zh) * | 2016-02-05 | 2016-07-06 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
CN109087231A (zh) * | 2018-08-20 | 2018-12-25 | 泛测(北京)环境科技有限公司 | 一种生成空气质量分析报告的方法 |
CN109615147A (zh) * | 2018-12-27 | 2019-04-12 | 浙江大学 | 一种未来72小时大气污染预报预警方法 |
AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
-
2020
- 2020-01-15 CN CN202010041301.4A patent/CN111259336B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738974A (zh) * | 2016-02-05 | 2016-07-06 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
CN109087231A (zh) * | 2018-08-20 | 2018-12-25 | 泛测(北京)环境科技有限公司 | 一种生成空气质量分析报告的方法 |
CN109615147A (zh) * | 2018-12-27 | 2019-04-12 | 浙江大学 | 一种未来72小时大气污染预报预警方法 |
AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
Also Published As
Publication number | Publication date |
---|---|
CN111259336A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259336B (zh) | 大气污染物浓度预警方法 | |
Borne et al. | A method for finding sea breeze days under stable synoptic conditions and its application to the Swedish west coast | |
Moorthy et al. | Characteristics of aerosols over a remote island, Minicoy in the Arabian Sea: Optical properties and retrieved size characteristics | |
Carlson | Expanding the trophic state concept to identify non-nutrient limited lakes and reservoirs | |
CN110378520A (zh) | 一种pm2.5浓度预测和预警方法 | |
CN110765419B (zh) | 一种基于多源数据耦合的重要水功能区水质风险测评方法 | |
Özbay et al. | Predicting tropospheric ozone concentrations in different temporal scales by using multilayer perceptron models | |
CN110414051B (zh) | 一种抑制河流水华的生态需水核算方法 | |
CN114354872A (zh) | 一种无人化河长智能巡河系统 | |
Garrido-Perez et al. | Assessing the value of air stagnation indices to reproduce PM10 variability in Europe | |
Rounds | Development of a neural network model for dissolved oxygen in the Tualatin River, Oregon | |
CN114518611A (zh) | 一种基于相似案例判别分析的臭氧预报方法 | |
JPH05332915A (ja) | 水圏監視装置及び浄化装置 | |
CN116665802B (zh) | 一种用于区域臭氧浓度的评估方法及系统 | |
CN112990531B (zh) | 一种基于特征增强ConvLSTM的雾霾预测方法 | |
Mok et al. | Short-term prediction of SO2 concentration in Macau with artificial neural networks | |
CN117434235A (zh) | 基于水质监测的水华预警方法、装置、设备及介质 | |
CN115186230B (zh) | 一种判定台风对空气质量影响的方法及装置 | |
CN115487589A (zh) | 一种水厂滤池自动过滤控制管理系统 | |
Knowlton et al. | Natural variability in lakes and reservoirs should be recognized in setting nutrient criteria | |
CN116523174A (zh) | 基于自组织神经网络的污水处理厂工况评估方法及系统 | |
CN116030627A (zh) | 一种融合预测交通风险变量的道路交通事故分析方法 | |
CN111208585A (zh) | 一种基于pm2.5浓度廓线的污染边界层高度预警方法 | |
Whelpdale et al. | Atmospheric monitoring network operations and results in Canada | |
Yuan et al. | Air quality secondary forecast model based on ARIMA time series model |
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 |