CN111563331B - 一种基于移动监测的区域大气污染分布预测方法 - Google Patents

一种基于移动监测的区域大气污染分布预测方法 Download PDF

Info

Publication number
CN111563331B
CN111563331B CN202010380073.3A CN202010380073A CN111563331B CN 111563331 B CN111563331 B CN 111563331B CN 202010380073 A CN202010380073 A CN 202010380073A CN 111563331 B CN111563331 B CN 111563331B
Authority
CN
China
Prior art keywords
concentration
time
point
predicted
atmospheric pollution
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
Application number
CN202010380073.3A
Other languages
English (en)
Other versions
CN111563331A (zh
Inventor
董红召
王乐恒
朱爱陈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010380073.3A priority Critical patent/CN111563331B/zh
Publication of CN111563331A publication Critical patent/CN111563331A/zh
Application granted granted Critical
Publication of CN111563331B publication Critical patent/CN111563331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Dispersion Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于移动监测的区域大气污染分布预测方法，首先将待预测区域进行网格化处理，再通过大气污染移动监测装置对大气污染浓度进行数据采集，将移动监测采集的大气污染物浓度数据进行预处理，确定时空权重，建立大气污染分布预测模型，对区域内各网格进行浓度预测，确定区域的大气污染分布。本发明通过大气污染移动监测数据建立区域大气污染分布预测模型，确定区域的大气污染分布情况，具有准确性高、实用性强的优点。

Description

一种基于移动监测的区域大气污染分布预测方法
技术领域
本发明涉及一种大气污染分布预测方法。
背景技术
随着我国城市化进程不断加快，城市大气污染问题日益严重，大气污染物主要包括一氧化碳(CO)、二氧化硫(SO2)、氮氧化物(NOx)、臭氧(O3)等气体和PM2.5、PM10等固体颗粒物，这些污染物浓度升高会对人类的身体健康造成严重的危害，因此对大气污染物的浓度变化进行监测并通过有效的大气污染分布预测方法探究大气污染物在城市的空间分布可以为大气污染的防治提供支持。
目前全国各大城市建立了环境监测网络，分布有多个国控环境监测站，然而相比较于城市土地面积之大，少且稀疏环境监测站无法有效表征其周边区域的大气污染空间分布。区域内大气污染浓度变化受到该区域排放源、地形环境、气象条件等多方面的综合影响，往往不同街区的大气污染浓度存在显著差异，若用固定监测站点所采集的大气污染监测浓度来对区域大气污染进行分布预测会存在较大的误差，无法有效表征区域内大气污染分布情况。为解决固定监测站监测能力的局限性，可通过移动监测来获取区域高时间、空间分辨率的大气污染物数据。移动监测数据采集周期往往持续数个小时，监测数据之间会存在时间滞后性和空间上的差异，因此有必要研究一种基于移动监测的样本点之间时空差异性的分布预测方法，从而保证对高空间分辨率区域大气污染分布预测的准确性。
由于区域内大气污染物浓度变化受到该区域排放源、地理环境、气象条件等多方面的影响，不同街区的大气污染浓度存在显著差异，无法用固定监测点位所采集的大气污染浓度进行分布预测表征区域大气污染浓度。移动监测大气污染数据采集周期往往持续数个小时，监测数据之间会存在时间滞后性和空间上的差异，因此需提出一种基于移动监测的样本点之间时空差异性的分布预测方法，从而保证对高空间分辨率区域大气污染分布预测的准确性。
发明内容
本发明要克服现有技术的上述缺点，提供一种基于移动监测的区域大气污染分布预测方法。
一种基于移动监测的区域大气污染分布预测方法，首先将待预测区域进行网格化处理，再通过大气污染移动监测装置对大气污染浓度进行数据采集，将移动监测采集的大气污染物浓度数据进行预处理，确定时空权重，建立大气污染分布预测模型，对区域内各网格进行浓度预测，确定区域的大气污染分布。具体步骤如下：
(1)区域网格化处理；
将区域进行高分辨率网格化处理，划分为K个子网格，以子网格中心位置的大气污染浓度来表征该子网格的大气污染浓度。设定第k个子网格的中心点位置坐标为(Xk,Yk),k＝1,2,…,K。
(2)移动监测数据采集及预处理；
通过大气污染移动监测装置采集区域内大气污染浓度原始数据样本，将大气污染移动监测装置固定于移动载体上，载体移动速度控制在15km/h，装置采样周期为3s，获得的样本的数据格式为(ti,xGPS-i,yGPS-i,Z(xi,yi))(i＝1,2,…,n)，式中t为大气污染物浓度数据采集时间，xGPS-i为经度，yGPS-i为纬度，Z(xi,yi)为某种大气污染物浓度，将原始数据进行预处理，剔除异常值并将xGPS-i和yGPS-i投影转换至平面坐标xi和yi，预处理后获得监测数据样本为(ti,xi,yi,Z(xi,yi))(i＝1,2,…,n)。(3)大气污染分布预测模型建模；
由于大气污染物在空气中存在扩散作用，区域内待预测点的大气污染物浓度值会受到其他已知点位的影响，可用区域内已知点位浓度来预测待预测点位的浓度，因此建立大气污染分布预测模型：
Figure BDA0002481619000000031
式中Z(x,y)为待预测点(x,y)处的大气污染物浓度；n为移动监测采集样本点的个数；Z(xi,yi)为点(xi,yi)处大气污染物浓度值；ωi为预测计算过程中各个样点的时空权重。
(4)时空权重ω确定；
时空权重基于相似相近原理确定。移动监测所获取的样本点之间存在时间和空间的差异性，即不存在同一时刻同一位置的两个样本点。由于大气污染物在空气中存在扩散作用，待预测点的浓度和已知观测点的浓度会因时间和空间的差异性而存在不同的影响，即某一预测时间待预测点的浓度会受到其他已知观测点和待预测点之间的距离及观测点数据采集时间和待预测点预测时间间隔影响。任意观测点的浓度对预测点的浓度影响会受距离的增加而不断减弱，也会随着待预测时间和观测点浓度数据采集时间间隔的增大而减弱。因此时空权重包含两部分：时间权重ωm和空间权重ωd，关系式如下：
Figure BDA0002481619000000041
式中
Figure BDA0002481619000000042
为第i个观测点浓度的时间权重；
Figure BDA0002481619000000043
为第i个观测点浓度的空间权重；a为时间权重系数；b为空间权重系数。
空间权重ωd由已知点与待预测点之间的欧式距离大小确定，距离越大，其权重越低，关系式如下：
Figure BDA0002481619000000044
式中x和y为待预测点的平面坐标；p为权重，默认值为2。
时间权重ωm由观测点的采样时间和待预测点的预测时间间隔确定，当观测点的采样时间离待预测点的预测时间越接近，则权重越大，假定待预测点的预测时间为T，统一量纲计算各个观测点的时间间隔，并进行归一化处理：
t′i＝|ti-T|   (4)
Figure BDA0002481619000000045
式中t′max为时间间隔的最大值，t′min为时间间隔的最小值；t″i为归一化后各个观测点的时间间隔。由此确定时间权重ωm的关系式：
Figure BDA0002481619000000051
(5)参数确定；
采用遗传算法确定时间权重系数a和空间权重系数b。
(6)确定空间分布预测模型；
将寻优后的时间权重系数a和空间权重系数b带入式1即可确定空间分布预测模型。
Figure BDA0002481619000000052
(7)实现空间分布预测；
采用移动监测数据通过分布预测模型来预测各个子网格的大气污染浓度Z(Xk,Yk)，即可获取该区域大气污染空间分布情况。
本发明的优点是：通过大气污染移动监测数据建立区域大气污染分布预测模型，确定区域的大气污染分布情况，具有准确性高、实用性强的优点。
说明书附图
图1是本发明方法的流程图。
具体实施方式：
下面结合附图，进一步说明本发明的技术方案。
一种基于移动监测的区域大气污染分布预测方法，首先将待预测区域进行网格化处理，再通过大气污染移动监测装置对大气污染浓度进行数据采集，将移动监测采集的大气污染物浓度数据进行预处理，确定时空权重，建立大气污染分布预测模型，对区域内各网格进行浓度预测，确定区域的大气污染分布。具体步骤如下：
(1)区域网格化处理；
将区域进行高分辨率网格化处理，划分为K个子网格，以子网格中心位置的大气污染浓度来表征该子网格的大气污染浓度。设定第k个子网格的中心点位置坐标为(Xk,Yk),k＝1,2,…,K。
(2)移动监测数据采集及预处理；
通过大气污染移动监测装置采集区域内大气污染浓度原始数据样本，将大气污染移动监测装置固定于移动载体上，载体移动速度控制在15km/h，装置采样周期为3s，获得的样本的数据格式为(ti,xGPS-i,yGPS-i,Z(xi,yi))(i＝1,2,…,n)，式中t为大气污染物浓度数据采集时间，xGPS-i为经度，yGPS-i为纬度，Z(xi,yi)为某种大气污染物浓度，将原始数据进行预处理，剔除异常值并将xGPS-i和yGPS-i投影转换至平面坐标xi和yi，预处理后获得监测数据样本为(ti,xi,yi,Z(xi,yi))(i＝1,2,…,n)。(3)大气污染分布预测模型建模；
由于大气污染物在空气中存在扩散作用，区域内待预测点的大气污染物浓度值会受到其他已知点位的影响，可用区域内已知点位浓度来预测待预测点位的浓度，因此建立大气污染分布预测模型：
Figure BDA0002481619000000071
式中Z(x,y)为待预测点(x,y)处的大气污染物浓度；n为移动监测采集样本点的个数；Z(xi,yi)为点(xi,yi)处大气污染物浓度值；ωi为预测计算过程中各个样点的时空权重。
(4)时空权重ω确定；
时空权重基于相似相近原理确定。移动监测所获取的样本点之间存在时间和空间的差异性，即不存在同一时刻同一位置的两个样本点。由于大气污染物在空气中存在扩散作用，待预测点的浓度和已知观测点的浓度会因时间和空间的差异性而存在不同的影响，即某一预测时间待预测点的浓度会受到其他已知观测点和待预测点之间的距离及观测点数据采集时间和待预测点预测时间间隔影响。任意观测点的浓度对预测点的浓度影响会受距离的增加而不断减弱，也会随着待预测时间和观测点浓度数据采集时间间隔的增大而减弱。因此时空权重包含两部分：时间权重ωm和空间权重ωd，关系式如下：
Figure BDA0002481619000000072
式中
Figure BDA0002481619000000073
为第i个观测点浓度的时间权重；
Figure BDA0002481619000000074
为第i个观测点浓度的空间权重；a为时间权重系数；b为空间权重系数。
空间权重ωd由已知点与待预测点之间的欧式距离大小确定，距离越大，其权重越低，关系式如下：
Figure BDA0002481619000000081
式中x和y为待预测点的平面坐标；p为权重，默认值为2。
时间权重ωm由观测点的采样时间和待预测点的预测时间间隔确定，当观测点的采样时间离待预测点的预测时间越接近，则权重越大，假定待预测点的预测时间为T，统一量纲计算各个观测点的时间间隔，并进行归一化处理：
t′i＝|ti-T|   (4)
Figure BDA0002481619000000082
式中t′max为时间间隔的最大值，t′min为时间间隔的最小值；t″i为归一化后各个观测点的时间间隔。由此确定时间权重ωm的关系式：
Figure BDA0002481619000000083
(5)参数确定；
采用遗传算法确定时间权重系数a和空间权重系数b。
(6)确定空间分布预测模型；
将寻优后的时间权重系数a和空间权重系数b带入式1即可确定空间分布预测模型。
Figure BDA0002481619000000091
(7)实现空间分布预测；
采用移动监测数据通过分布预测模型来预测各个子网格的大气污染浓度Z(Xk,Yk)，即可获取该区域大气污染空间分布情况。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种基于移动监测的区域大气污染分布预测方法，首先将待预测区域进行网格化处理，再通过大气污染移动监测装置对大气污染浓度进行数据采集，将移动监测采集的大气污染物浓度数据进行预处理，确定时空权重，建立大气污染分布预测模型，对区域内各网格进行浓度预测，确定区域的大气污染分布；具体步骤如下：
(1)区域网格化处理；
将区域进行高分辨率网格化处理，划分为K个子网格，以子网格中心位置的大气污染浓度来表征该子网格的大气污染浓度；设定第k个子网格的中心点位置坐标为(Xk,Yk),k＝1,2,…,K；
(2)移动监测数据采集及预处理；
通过大气污染移动监测装置采集区域内大气污染浓度原始数据样本，将大气污染移动监测装置固定于移动载体上，载体移动速度控制在15km/h，装置采样周期为3s，获得的样本的数据格式为(ti,xGPS-i,yGPS-i,Z(xi,yi))(i＝1,2,…,n)，式中t为大气污染物浓度数据采集时间，xGPS-i为经度，yGPS-i为纬度，Z(xi,yi)为某种大气污染物浓度，将原始数据进行预处理，剔除异常值并将xGPS-i和yGPS-i投影转换至平面坐标x和y，预处理后获得监测数据样本为(ti,xi,yi,Z(xi,yi))(i＝1,2,…,n)；
(3)大气污染分布预测模型建模；
由于大气污染物在空气中存在扩散作用，区域内待预测点的大气污染物浓度值会受到其他已知点位的影响，可用区域内已知点位浓度来预测待预测点位的浓度，因此建立大气污染分布预测模型：
Figure FDA0002481618990000021
式中Z(x,y)为待预测点(x,y)处的大气污染物浓度；n为移动监测采集样本点的个数；Z(xi,yi)为点(xi,yi)处大气污染物浓度值；ωi为预测计算过程中各个样点的时空权重；
(4)时空权重ω确定；
时空权重基于相似相近原理确定；移动监测所获取的样本点之间存在时间和空间的差异性，即不存在同一时刻同一位置的两个样本点；由于大气污染物在空气中存在扩散作用，待预测点的浓度和已知观测点的浓度会因时间和空间的差异性而存在不同的影响，即某一预测时间待预测点的浓度会受到其他已知观测点和待预测点之间的距离及观测点数据采集时间和待预测点预测时间间隔影响；任意观测点的浓度对预测点的浓度影响会受距离的增加而不断减弱，也会随着待预测时间和观测点浓度数据采集时间间隔的增大而减弱；因此时空权重包含两部分：时间权重ωm和空间权重ωd，关系式如下：
Figure FDA0002481618990000022
式中
Figure FDA0002481618990000023
为第i个观测点浓度的时间权重；
Figure FDA0002481618990000024
为第i个观测点浓度的空间权重；a为时间权重系数；b为空间权重系数；
空间权重ωd由已知点与待预测点之间的欧式距离大小确定，距离越大，其权重越低，关系式如下：
Figure FDA0002481618990000031
式中x和y为待预测点的平面坐标；p为权重，默认值为2；
时间权重ωm由观测点的采样时间和待预测点的预测时间间隔确定，当观测点的采样时间离待预测点的预测时间越接近，则权重越大，假定待预测点的预测时间为T，统一量纲计算各个观测点的时间间隔，并进行归一化处理：
t′i＝|ti-T|                       (4)
Figure FDA0002481618990000032
式中t′max为时间间隔的最大值，t′min为时间间隔的最小值；t″i为归一化后各个观测点的时间间隔；由此确定时间权重ωm的关系式：
Figure FDA0002481618990000033
(5)参数确定；
采用遗传算法确定时间权重系数a和空间权重系数b；
(6)确定空间分布预测模型；
将寻优后的时间权重系数a和空间权重系数b带入式1即可确定空间分布预测模型；
Figure FDA0002481618990000041
(7)实现空间分布预测；
采用移动监测数据通过分布预测模型来预测各个子网格的大气污染浓度Z(Xk,Yk)，即可获取该区域大气污染空间分布情况。
CN202010380073.3A 2020-05-08 2020-05-08 一种基于移动监测的区域大气污染分布预测方法 Active CN111563331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010380073.3A CN111563331B (zh) 2020-05-08 2020-05-08 一种基于移动监测的区域大气污染分布预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010380073.3A CN111563331B (zh) 2020-05-08 2020-05-08 一种基于移动监测的区域大气污染分布预测方法

Publications (2)

Publication Number Publication Date
CN111563331A CN111563331A (zh) 2020-08-21
CN111563331B true CN111563331B (zh) 2023-04-07

Family

ID=72070815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010380073.3A Active CN111563331B (zh) 2020-05-08 2020-05-08 一种基于移动监测的区域大气污染分布预测方法

Country Status (1)

Country Link
CN (1) CN111563331B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112213444A (zh) * 2020-08-28 2021-01-12 浙江工业大学 大气污染微监测网络时间切片分析的溯源方法
CN112305163B (zh) * 2020-10-21 2023-04-07 西北工业大学 基于固定翼无人机的大气污染监测系统及数据处理方法
CN114500959B (zh) * 2022-03-31 2022-06-21 广东中浦科技有限公司 污染源视频监控的方法及系统
CN114689478B (zh) * 2022-04-08 2022-11-15 江苏锦测环保科技有限公司 一种空气质量检测装置及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103061A (zh) * 2009-12-18 2011-06-22 西安费斯达自动化工程有限公司 一种大气监测、预测、评价的等浓度线方法
CN102930177A (zh) * 2012-11-23 2013-02-13 南京信息工程大学 一种基于精细边界层模式的复杂地形风电场风速预测方法
CN110263479A (zh) * 2019-06-28 2019-09-20 浙江航天恒嘉数据科技有限公司 一种大气污染因子浓度时空分布预测方法及系统
CN110567510A (zh) * 2019-07-23 2019-12-13 北京英视睿达科技有限公司 大气污染监测方法、系统、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103061A (zh) * 2009-12-18 2011-06-22 西安费斯达自动化工程有限公司 一种大气监测、预测、评价的等浓度线方法
CN102930177A (zh) * 2012-11-23 2013-02-13 南京信息工程大学 一种基于精细边界层模式的复杂地形风电场风速预测方法
CN110263479A (zh) * 2019-06-28 2019-09-20 浙江航天恒嘉数据科技有限公司 一种大气污染因子浓度时空分布预测方法及系统
CN110567510A (zh) * 2019-07-23 2019-12-13 北京英视睿达科技有限公司 大气污染监测方法、系统、计算机设备和存储介质

Also Published As

Publication number Publication date
CN111563331A (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
CN111563331B (zh) 一种基于移动监测的区域大气污染分布预测方法
CN112508056B (zh) 基于移动多源感知的城市空气质量监测方法
CN112213444A (zh) 大气污染微监测网络时间切片分析的溯源方法
CN112418609A (zh) 一种基于面-网格-点的大气二次污染精准溯源方法
WO2018214060A1 (zh) 一种城市小尺度空气质量指数预测方法与系统
CN110598953A (zh) 一种时空相关的空气质量预测方法
CN112749478A (zh) 一种基于高斯扩散模型大气污染溯源扩散分析系统及方法
CN110909483A (zh) 一种基于网格化数据的点源大气污染物排放清单校验方法
CN108170793A (zh) 基于车辆语义轨迹数据的停留点分析方法及其系统
CN116048129B (zh) 污染物排放的监测方法、装置、电子设备和存储介质
CN112270112A (zh) 有毒有害气体泄露溯源新方法
CN115420854B (zh) 一种基于正后向模型结合的大气污染物溯源方法
CN106407633A (zh) 基于时空回归克里金模型估算地面pm2.5的方法及系统
CN115185292B (zh) 基于地空一体化的空气污染智能监测方法及平台
CN110990661B (zh) 一种基于路网约束和密度聚类的兴趣区域出入口提取方法
JP2013525793A (ja) 大気質を測定するための装置及び方法
CN113420984A (zh) 空气污染源区的确定方法
CN118013769B (zh) 一种基于WRF-Chem的大气污染物浓度预测方法
CN114822709A (zh) 大气污染多粒度精准成因分析方法及装置
CN114510850A (zh) 一种大气六参差异化的多模型融合校准方法及系统
CN106920198B (zh) 用于污染物溯源的设备和方法
CN114002381A (zh) 一种大气污染溯源扩散分析方法及装置
Bhat et al. Machine learning based prediction system for detecting air pollution
CN117669270A (zh) 一种对微站组网数据进行时空一致性订正的方法
CN106198862A (zh) 一种地铁车厢内空气质量评价方法

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