CN111612064B - Pm2.5污染气团溯源方法、装置、电子设备及存储介质 - Google Patents
Pm2.5污染气团溯源方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111612064B CN111612064B CN202010432157.7A CN202010432157A CN111612064B CN 111612064 B CN111612064 B CN 111612064B CN 202010432157 A CN202010432157 A CN 202010432157A CN 111612064 B CN111612064 B CN 111612064B
- Authority
- CN
- China
- Prior art keywords
- air mass
- pollution
- track
- time period
- concentration
- 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
- 238000003860 storage Methods 0.000 title claims description 15
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 230000005540 biological transmission Effects 0.000 claims abstract description 34
- 238000011109 contamination Methods 0.000 claims abstract description 22
- 239000013618 particulate matter Substances 0.000 claims description 134
- 238000004088 simulation Methods 0.000 claims description 27
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 239000000809 air pollutant Substances 0.000 claims description 7
- 231100001243 air pollutant Toxicity 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 13
- 238000011160 research Methods 0.000 abstract description 5
- 230000007123 defense Effects 0.000 abstract description 3
- 238000004451 qualitative analysis Methods 0.000 abstract 1
- 238000004140 cleaning Methods 0.000 description 14
- 239000003344 environmental pollutant Substances 0.000 description 7
- 231100000719 pollutant Toxicity 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Dispersion Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种PM2.5污染气团溯源方法、装置、电子设备及存储介质,该方法包括:获取待分析的PM2.5污染事件对应的时间段内的环境监测数据和气象历史资料;根据环境监测数据和气象历史资料,模拟时间段内每小时的小时气团轨迹;根据每小时的小时气团轨迹,确定PM2.5污染事件对应的污染气团来源轨迹。本申请根据环境监测数据和气象历史资料,模拟PM2.5污染事件对应的时间段内的污染气团来源轨迹,无需依赖天气分型,能较为准确地对PM2.5污染事件进行污染气团传输来源分析,对开展区域联防联控研究具有重要意义。且根据污染气团来源轨迹,对PM2.5污染成因定性分析,能提高成因分析的准确性。
Description
技术领域
本申请属于环境保护技术领域,具体涉及一种PM2.5污染气团溯源方法、装置、电子设备及存储介质。
背景技术
随着工业化进程快速推进,粗放式发展带来的环境问题日益严重,其中大气污染已成为近几年最为严重的环境污染之一,尤其是PM2.5污染,严重影响空气质量,并对人体健康造成一定危害。对PM2.5污染气团的传输来源进行分析,对PM2.5污染的预防和治理均具有重大意义。
当前,相关技术中提供了一种对PM2.5污染气团的传输来源进行分析的方法,该方法基于天气分型和气象要素聚类对大气重污染案例进行判别,通过聚类得出不同天气分型条件下,污染物可能的传输来源。但对于某次出现的PM2.5重度污染过程,上述相关技术仅基于该次PM2.5重度污染对应的天气分型来分析可能存在的传输通道,准确性差。
此外,嵌套网格空气质量预报模式(NAQPMS)是我国自主研发的第三代空气质量模式。NAQPMS全面考虑了空气污染物在大气中的平流、扩散、干湿沉降以及化学转化等过程。NAQPMS模式耦合的污染在线源追踪技术从源排放开始对各种物理、化学过程进行分源类别、分地域的质量追踪,可以跟踪PM2.5污染来源,定量分析PM2.5输送过程及区域污染排放贡献率。但是NAQPMS对于软硬件条件有一定要求,并且也需要其他的方法来对模式预报分析结果进行补充和验证。
发明内容
本申请提出一种PM2.5污染气团溯源方法、装置、电子设备及存储介质,根据环境监测数据和气象历史资料,模拟PM2.5污染事件对应的时间段内的污染气团来源轨迹,无需依赖天气分型,能够准确地对任意一次PM2.5污染事件进行污染气团的传输来源分析。
本申请第一方面实施例提出了一种PM2.5污染气团溯源方法,所述方法包括;
获取待分析的PM2.5污染事件对应的时间段内的环境监测数据和气象历史资料;
根据所述环境监测数据和所述气象历史资料,模拟所述时间段内每小时的小时气团轨迹;
根据所述每小时的小时气团轨迹,确定所述PM2.5污染事件对应的污染气团来源轨迹。
在本申请一些实施例中,所述根据所述环境监测数据和所述气象历史资料,模拟所述时间段内每小时的小时气团轨迹,包括:
从所述环境监测数据中获取所述时间段内每小时的PM2.5浓度;
基于所述气象历史资料驱动综合轨迹模式,按照预设模拟高度对所述每小时的PM2.5浓度进行后向轨迹模拟,得到所述时间段内每小时的小时气团轨迹;以及,
根据所述每小时的PM2.5浓度,确定每个小时气团轨迹对应的PM2.5浓度。
在本申请一些实施例中,其特征在于,所述根据所述每小时的小时气团轨迹,确定所述PM2.5污染事件对应的污染气团来源轨迹,包括:
从所述时间段内每小时的小时气团轨迹中筛选出PM2.5浓度大于预设浓度阈值的小时气团轨迹;
将筛选出的所述小时气团轨迹确定为所述时间段内的污染气团轨迹;
对所述污染气团轨迹进行聚类,得到所述PM2.5污染事件对应的污染气团来源轨迹及所述污染气团来源轨迹对应的贡献比例。
在本申请一些实施例中,对所述时间段内的污染气团轨迹进行聚类,得到所述PM2.5污染事件对应的污染气团来源轨迹之后,还包括:
根据所述PM2.5污染事件对应的目标区域的地形信息、所述污染气团来源轨迹及其对应的贡献比例,确定所述PM2.5污染事件对应的地面传输来源。
在本申请一些实施例中,所述确定所述PM2.5污染事件对应的地面传输来源之后,还包括:
根据所述污染气团来源轨迹,绘制所述污染气团来源轨迹对应的相对高度三维图;
根据所述PM2.5污染事件对应的目标区域的地形信息及所述相对高度三维图,对确定的所述地面传输来源进行验证。
本申请第二方面实施例提出了一种PM2.5污染气团溯源装置,所述装置包括;
数据获取模块,用于获取待分析的PM2.5污染事件对应的时间段内的环境监测数据和气象历史资料;
轨迹模拟模块,用于根据所述环境监测数据和所述气象历史资料,模拟所述时间段内每小时的小时气团轨迹;
来源确定模块,用于根据所述每小时的小时气团轨迹,确定所述PM2.5污染事件对应的污染气团来源轨迹。
在本申请一些实施例中,所述轨迹模拟模块,用于从所述环境监测数据中获取所述时间段内每小时的PM2.5浓度;基于所述气象历史资料驱动综合轨迹模式,按照预设模拟高度对所述每小时的PM2.5浓度进行后向轨迹模拟,得到所述时间段内每小时的小时气团轨迹;以及,根据所述每小时的PM2.5浓度,确定每个小时气团轨迹对应的PM2.5浓度。
在本申请一些实施例中,所述来源确定模块,用于从所述时间段内每小时的小时气团轨迹中筛选出PM2.5浓度大于预设浓度阈值的小时气团轨迹;将筛选出的所述小时气团轨迹确定为所述时间段内的污染气团轨迹;对所述污染气团轨迹进行聚类,得到所述PM2.5污染事件对应的污染气团来源轨迹及所述污染气团来源轨迹对应的贡献比例。
本申请第三方面实施例提出了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序以实现上述第一方面所述的方法。
本申请第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现上述第一方面所述的方法。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本申请实施例根据环境监测数据和气象历史资料,通过后向轨迹模拟,确定 PM2.5污染事件对应的时间段内的污染气团来源轨迹及每个污染气团来源轨迹对应的贡献比例,无需依赖天气分型,能够较为准确地对任意一次PM2.5污染事件进行污染气团的传输来源分析。
进一步地,根据分析出的污染气团来源轨迹,结合排放特征和气象影响因素,能够从污染排放、气象和区域传输三方面对PM2.5污染事件的成因进行定性分析,不仅考虑了自然因素和人为因素对PM2.5污染的影响,还考虑了区域传输对PM2.5污染的影响,考虑的影响因素更加全面,大大提高了PM2.5污染成因分析的准确性,为预防和治理PM2.5污染提供科学依据,对PM2.5污染有针对性地精准施策具有重要意义,且对于开展区域联防联控研究具有重要意义。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变的明显,或通过本申请的实践了解到。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。
在附图中:
图1示出了本申请一实施例所提供的一种PM2.5污染气团溯源方法的流程图;
图2示出了本申请一实施例所提供的后向轨迹的示意图;
图3示出了本申请一实施例所提供的后向轨迹聚类的示意图;
图4示出了本申请一实施例所提供的后向轨迹的相对高度三维图;
图5示出了本申请一实施例所提供的另一种PM2.5污染气团溯源装置的结构示意图;
图6示出了本申请一实施例所提供的一种电子设备的结构示意图;
图7示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面结合附图来描述本申请实施例提出的一种PM2.5污染气团溯源方法、装置、电子设备及存储介质。
本申请实施例提供了一种PM2.5污染气团溯源方法,对于特定的某次PM2.5污染事件,该方法能够根据该次PM2.5污染事件对应的环境监测数据和气象历史资料,通过后向轨迹模拟,确定该次PM2.5污染事件对应的时间段内的污染气团来源轨迹及每个污染气团来源轨迹对应的贡献比例,基于污染气团来源轨迹及其对应的贡献比例,能够确定出该次PM2.5污染事件中污染气团的传输来源。
参见图1,该方法具体包括以下步骤;
步骤101:获取待分析的PM2.5污染事件对应的时间段内的环境监测数据和气象历史资料。
待分析的PM2.5污染事件为发生在某目标区域内的PM2.5重度污染事件。目标区域可以为一个城市,如北京、上海或广州等。或者,目标区域可以为多个城市组成的连续区域,如京津冀地区、东北地区、华中地区等。PM2.5污染事件是一个 PM2.5污染由轻到重,再由重到轻的发展过程,在该发展过程中确定PM2.5浓度最高的重污染日期,在该重污染日期之前确定第一个PM2.5浓度小于或等于预设清洁值的第一清洁日期。在该重污染日期之后确定第一个PM2.5浓度小于或等于预设清洁值的第二清洁日期。将第一清洁日期至第二清洁日期之间的时间区间作为该次 PM2.5污染事件对应的污染发展时间区间。其中,上述预设浓度阈值可以为75μg/m3、 115μg/m3等高值浓度,预设清洁值可以为25μg/m3、35μg/m3等。
本申请实施例通过后向轨迹模拟来进行PM2.5污染气团溯源分析,可以作24 小时后向轨迹或48小时后向轨迹等,若作24小时后向轨迹,则将上述第一清洁日期之前的24小时与上述污染发展时间区间确定为待分析的PM2.5污染事件对应的时间段。若作48小时后向轨迹,则将上述第一清洁日期之前48小时与上述污染发展时间区间确定为待分析的PM2.5污染事件对应的时间段。
在目标区域内设置有用于监测PM2.5浓度、PM10浓度、SO2浓度、NO2浓度、 O3浓度、CO浓度等空气质量指标的点空气质量监测站。通过上述方式确定出待分析的PM2.5污染事件对应的时间段之后,从这些空气质量监测站监测的环境监测数据中截取待分析的PM2.5污染事件对应的时间段内的环境监测数据。
气象历史资料可以为WRF(The Weather Research and Forecasting Model,天气预报模式)模拟的全国高分辨率气象资料。全国高分辨率气象资料的分辨率可以为1°。通过上述方式确定出待分析的PM2.5污染事件对应的时间段之后,获取该时间段内WRF模拟的全国高分辨率气象资料。
步骤102:根据环境监测数据和气象历史资料,模拟该时间段内每小时的小时气团轨迹。
环境监测数据中包括待分析的PM2.5污染事件对应的时间段内每小时的PM2.5浓度、PM10浓度、SO2浓度、NO2浓度、O3浓度、CO浓度等。从环境监测数据中获取该时间段内每小时的PM2.5浓度。基于该时间段内的气象历史资料驱动综合轨迹模式,按照预设模拟高度对每小时的PM2.5浓度进行后向轨迹模拟,得到该时间段内每小时的小时气团轨迹。
其中,综合轨迹模式可以为HYSPLIT(Hybrid Single Particle LagrangianIntegrated Trajectory Model,混合单粒子拉格朗日综合轨迹模式)。预设模拟高度可以为10m或50m等。
通过上述方式得到待分析的PM2.5污染事件对应的时间段内每小时的小时气团轨迹之后,还根据每小时的PM2.5浓度,确定每个小时气团轨迹对应的PM2.5浓度。即将每小时的PM2.5浓度分别赋值给每小时的小时气团轨迹。
例如,假设北京市2020年1月17-18日出现PM2.5浓度高于预设浓度阈值,1 月14日为1月17日之前第一个PM2.5浓度小于等于预设清洁值的清洁日,1月21 日为1月18日之后第一个PM2.5浓度小于等于预设清洁值的清洁日,且假设对此次PM2.5污染事件作24小时后向轨迹,则基于WRF模式模拟的全国高分辨率气象资料驱动HYSPLIT模式,根据北京市2020年1月13日至1月21日的环境监测数据中每小时的PM2.5浓度,按照模拟高度为10m对1月13日至1月21日进行逐小时的后向轨迹模拟,模拟出每小时的小时气团轨迹,并将每小时的PM2.5浓度分别赋值给每小时的小时气团轨迹。
步骤103:根据每小时的小时气团轨迹,确定PM2.5污染事件对应的污染气团来源轨迹。
从该时间段内每小时的小时气团轨迹中筛选出PM2.5浓度大于预设浓度阈值的小时气团轨迹,如图2所示。将筛选出的小时气团轨迹确定为该时间段内的污染气团轨迹。对该时间段内的污染气团轨迹进行聚类,得到PM2.5污染事件对应的污染气团来源轨迹及污染气团来源轨迹对应的贡献比例,如图3所示。其中,预设浓度阈值可以为75μg/m3、115μg/m3等。
例如,图2所示的对北京1月13日至1月21日进行逐小时后向轨迹模拟得到的小时气团轨迹中,从中筛选的PM2.5浓度大于预设阈值75μg/m3的污染气团轨迹,对上述污染气团轨迹进行聚类,得到如图3所示的最终的污染气团来源轨迹及其对应的贡献比例。
通过上述方式得到待分析的PM2.5污染事件对应的污染气团来源轨迹之后,还根据PM2.5污染事件对应的目标区域的地形信息、污染气团来源轨迹及其对应的贡献比例,确定PM2.5污染事件对应的地面传输来源。例如,从图3所示的北京市1 月13日至1月21日之间的污染气团来源轨迹及其对应的贡献比例可以看出,此次PM2.5污染事件的传输来源主要来自于偏西南方向的近地面传输。依据北京市的地形信息可知北京市西南方向地势较高,污染气团从地势较高的地方向地势较低的地方传输符合PM2.5污染近地面传输的客观规律,因此可以确定北京本次PM2.5污染事件受到偏西南方向污染气团的近地面传输。
为了印证上述确定的PM2.5污染事件对应的地面传输来源是否准确,本申请实施例还根据污染气团来源轨迹,通过预设制图软件绘制污染气团来源轨迹对应的相对高度三维图;根据该相对高度三维图和PM2.5污染事件对应的目标区域的地形信息,对确定的地面传输来源进行验证。可以选取任意传输方向的污染气团轨迹作相对高度三维图,也可以对每条污染气团来源轨迹都作相对高度三维图。上述预设制图软件可以为meteoinfo软件。
例如,对于图3所示的污染气团来源轨迹绘制图4所示的相对高度三维图,从该相对高度三维图中能够直观地看出来源于偏西南方向的污染气团的传输轨迹符合北京市地形的实际情况。
通过本申请实施例提供的方法确定出PM2.5污染事件的污染气团来源轨迹之后,可以结合污染气团来源轨迹、待分析的PM2.5污染事件的排放特征及气象影响因素,分析PM2.5污染事件的形成原因。
PM2.5污染的排放特征包括偏机动车型、偏钢铁型、偏二次型、偏综合型等。其中,偏机动车型表示当前PM2.5污染主要是由机动车行驶扬尘及排放尾气造成的,偏钢铁型表示当前PM2.5污染主要是由钢铁重工业生产排放的废气等造成的,偏二次型表示当前PM2.5浓度特征突出,其中包括一次排放和气态污染物二次转化的部分,偏综合型表示当前PM2.5污染是由多种因素造成,多项污染物特征突出导致雷达图没有固定形状。
上述每一种排放特征对应的特征雷达图均不同,本申请实施例中预先存储了每种排放特征对应的特征雷达图。将待分析的PM2.5污染事件对应的时间段内的环境监测数据包括的各种空气污染物的浓度按比例转换为百分比数值。然后根据转换后各种空气污染物的浓度,通过预设应用程序绘制特征雷达图。预设应用程序可以为电子表格EXCEL。本申请实施例可以绘制待分析的PM2.5污染事件对应的时间段中PM2.5浓度最高的日期及浓度最高的日期前后两个清洁日这三天的特征雷达图。从绘制的特征雷达图中识别出PM2.5污染事件对应的排放特征及排放特征随时间变化的特征变化规律。
对于气象影响因素方面,首先统计过去不同的气象条件下PM2.5重度污染的发生频率。经文献和相关资料调研,选取温度、相对湿度和风速分别划分不同梯度区间来设置不同气象条件。根据目标区域最近一定时间内的环境监测数据和地面气象数据,统计每个气象条件下PM2.5浓度超过预设浓度阈值的发生频率。地面气象数据包括平均风速、相对湿度和温度等,其中平均风速可以为2分钟平均风速、 10分钟平均风速等。一定时间可以为3年或5年等。具体地,对于每个气象条件,首先从地面气象数据中筛选出温度、相对湿度和平均风速符合该气象条件的所有日期,查看环境监测数据中筛选出的日期对应的PM2.5浓度是否大于预设浓度阈值,统计这些日期中出现PM2.5浓度大于预设浓度阈值的日期数目,计算该日期数目与上述符合该气象条件的所有日期的总数目之间的比值,将该比值作为该气象条件对应的PM2.5污染的发生频率。
根据每个气象条件及每个气象条件下PM2.5浓度超过预设阈值的发生频率,生成气象-污染关系表。气象-污染关系表包括发生频率统计表和气象影响评估表,其中发生频率统计表中包括上述每个气象条件及统计的每个气象条件对应的PM2.5污染的发生频率。气象影响评估表中包括PM2.5污染的发生频率的不同区间范围与气象影响程度的对应关系,气象影响程度用于表示气象条件对PM2.5污染的形成造成的影响大小,本申请实施例中气象影响程度可以定性表示,如气象影响程度可以为“气象条件较好”、“气象条件一般”、“气象条件较差”等。或者,气象影响程度也可以定量表示,如气象影响程度可以为10%、50%等,数值越高表示气象条件对对PM2.5污染的形成造成的影响越大。
根据待分析的PM2.5污染事件对应的时间段内的地面气象数据,计算待分析的PM2.5污染事件对应的时间段内的平均温度、相对湿度和平均风速。根据平均温度、相对湿度和平均风速,从气象-污染关系表中查询PM2.5污染事件对应的气象影响信息。首先从气象-污染关系表包括的发生频率统计表中,查询出计算的平均温度、相对湿度和平均风速对应的PM2.5污染的发生频率。然后从气象-污染关系表包括的气象影响评估表中,查询出该发生频率对应的气象影响程度,将该气象影响程度作为待分析的PM2.5污染事件对应的气象影响信息。
通过上述方式确定出待分析的PM2.5污染事件对应的排放特征、特征变化规律及气象影响信息,以及结合步骤101-103得到的污染气团来源轨迹,分析PM2.5污染事件的形成原因。分别从污染排放、气象、区域传输三个方面,对待分析的PM2.5污染事件的形成原因进行定性分析。
例如,确定出北京市1月14日排放特征为偏机动车型,1月18日排放特征为偏二次型,1月21日排放特征为偏综合型。且确定出北京市1月14日-21日气象影响信息为“气象条件较好”,以及确定出北京市此次PM2.5污染期间污染气团来源轨迹及其对应的贡献比例如图3所示。则综合污染排放、气象和区域传输三方面,北京市2020年1月14-21日PM2.5污染过程的成因分析如下:北京市本地机动车排放氮氧化物作为PM2.5的重要前体物,对本次污染过程有一定贡献,同时叠加偏西南方向近地面传输,导致北京市PM2.5浓度超标。
本申请实施例根据环境监测数据和气象历史资料,通过后向轨迹模拟,确定 PM2.5污染事件对应的时间段内的污染气团来源轨迹及每个污染气团来源轨迹对应的贡献比例,无需依赖天气分型,能够准确地对任意一次PM2.5污染事件进行污染气团的传输来源分析。而且根据分析出的污染气团来源轨迹,结合排放特征和气象影响因素,能够从污染排放、气象和区域传输三方面对PM2.5污染事件的成因进行定性分析,不仅考虑了自然因素和人为因素对PM2.5污染的影响,还考虑了区域传输对PM2.5污染的影响,考虑的影响因素更加全面,大大提高了PM2.5污染成因分析的准确性,为预防和治理PM2.5污染提供科学依据,对PM2.5污染有针对性地精准施策具有重要意义,且对于开展区域联防联控研究具有重要意义。
本申请实施例提供了一种PM2.5污染气团溯源装置,该装置用于执行上述实施例所述的PM2.5污染气团溯源方法,如图5所示,该装置包括;
数据获取模块501,用于获取待分析的PM2.5污染事件对应的时间段内的环境监测数据和气象历史资料;
轨迹模拟模块502,用于根据环境监测数据和气象历史资料,模拟时间段内每小时的小时气团轨迹;
来源确定模块503,用于根据所述每小时的小时气团轨迹,确定PM2.5污染事件对应的污染气团来源轨迹。
上述轨迹模拟模块502,用于从环境监测数据中获取时间段内每小时的PM2.5浓度;基于气象历史资料驱动综合轨迹模式,按照预设模拟高度对每小时的PM2.5浓度进行后向轨迹模拟,得到时间段内每小时的小时气团轨迹;以及,根据每小时的PM2.5浓度,确定每个小时气团轨迹对应的PM2.5浓度。
来源确定模块503,用于从时间段内的小时气团轨迹中筛选出PM2.5浓度大于预设浓度阈值的小时气团轨迹;将筛选出的小时气团轨迹确定为该时间段内的污染气团轨迹;对该时间段内的污染气团轨迹进行聚类,得到PM2.5污染事件对应的污染气团来源轨迹及污染气团来源轨迹对应的贡献比例。
该装置还包括:地面传输来源确定模块,用于根据PM2.5污染事件对应的目标区域的地形信息、污染气团来源轨迹及其对应的贡献比例,确定PM2.5污染事件对应的地面传输来源。
该装置还包括:验证模块,用于根据污染气团来源轨迹,绘制污染气团来源轨迹对应的相对高度三维图;根据PM2.5污染事件对应的目标区域的地形信息和相对高度三维图,对确定的地面传输来源进行验证。
本申请的上述实施例提供的PM2.5污染气团溯源装置与本申请实施例提供的PM2.5污染气团溯源方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的PM2.5污染气团溯源方法对应的电子设备,以执行上PM2.5污染气团溯源方法。本申请实施例不做限定。
请参考图6,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图6所示,所述电子设备2包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200 运行所述计算机程序时执行本申请前述任一实施方式所提供的PM2.5污染气团溯源方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200 在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述PM2.5污染气团溯源方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的PM2.5污染气团溯源方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的PM2.5污染气团溯源方法对应的计算机可读存储介质,请参考图7,其示出的计算机可读存储介质为光盘 30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的PM2.5污染气团溯源方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的 PM2.5污染气团溯源方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种PM2.5污染气团溯源方法,其特征在于,所述方法包括;
获取待分析的PM2.5污染事件对应的时间段内的环境监测数据和气象历史资料;
根据所述环境监测数据和所述气象历史资料,模拟所述时间段内每小时的小时气团轨迹;
根据所述每小时的小时气团轨迹,确定所述PM2.5污染事件对应的污染气团来源轨迹;
将所述环境监测数据包括的各空气污染物的浓度按比例转换为百分比数值;根据转换后各空气污染物的浓度,绘制特征雷达图;从所述特征雷达图中识别所述PM2.5污染事件对应的排放特征及所述排放特征随时间变化的特征变化规律;
根据所述PM2.5污染事件对应的目标区域最近一定时间内的环境监测数据和地面气象数据,统计每个气象条件下PM2.5浓度超过预设浓度阈值的发生频率;根据每个气象条件及每个气象条件下PM2.5浓度超过预设阈值的发生频率,生成气象-污染关系表;根据所述PM2.5污染事件对应的时间段内的地面气象数据,计算所述PM2.5污染事件对应的时间段内的平均温度、相对湿度和平均风速;根据平均温度、相对湿度和平均风速,从气象-污染关系表中查询所述PM2.5污染事件对应的气象影响信息;
根据所述PM2.5污染事件对应的排放特征、所述特征变化规律、所述气象影响信息以及所述污染气团来源轨迹,分析所述PM2.5污染事件的形成原因。
2.根据权利要求1所述的方法,其特征在于,所述根据所述环境监测数据和所述气象历史资料,模拟所述时间段内每小时的小时气团轨迹,包括:
从所述环境监测数据中获取所述时间段内每小时的PM2.5浓度;
基于所述气象历史资料驱动综合轨迹模式,按照预设模拟高度对所述每小时的PM2.5浓度进行后向轨迹模拟,得到所述时间段内每小时的小时气团轨迹;以及,
根据所述每小时的PM2.5浓度,确定每个小时气团轨迹对应的PM2.5浓度。
3.根据权利要求1所述的方法,其特征在于,所述根据所述每小时的小时气团轨迹,确定所述PM2.5污染事件对应的污染气团来源轨迹,包括:
从所述时间段内每小时的小时气团轨迹中筛选出PM2.5浓度大于预设浓度阈值的小时气团轨迹;
将筛选出的所述小时气团轨迹确定为所述时间段内的污染气团轨迹;
对所述污染气团轨迹进行聚类,得到所述PM2.5污染事件对应的污染气团来源轨迹及所述污染气团来源轨迹对应的贡献比例。
4.根据权利要求3所述的方法,其特征在于,对所述污染气团轨迹进行聚类,得到所述PM2.5污染事件对应的污染气团来源轨迹之后,还包括:
根据所述PM2.5污染事件对应的目标区域的地形信息、所述污染气团来源轨迹及其对应的贡献比例,确定所述PM2.5污染事件对应的地面传输来源。
5.根据权利要求4所述的方法,其特征在于,所述确定所述PM2.5污染事件对应的地面传输来源之后,还包括:
根据所述污染气团来源轨迹,绘制所述污染气团来源轨迹对应的相对高度三维图;
根据所述PM2.5污染事件对应的目标区域的地形信息及所述相对高度三维图,对确定的所述地面传输来源进行验证。
6.一种PM2.5污染气团溯源装置,其特征在于,所述装置包括;
数据获取模块,用于获取待分析的PM2.5污染事件对应的时间段内的环境监测数据和气象历史资料;
轨迹模拟模块,用于根据所述环境监测数据和所述气象历史资料,模拟所述时间段内每小时的小时气团轨迹;
来源确定模块,用于根据所述每小时的小时气团轨迹,确定所述PM2.5污染事件对应的污染气团来源轨迹;将所述环境监测数据包括的各空气污染物的浓度按比例转换为百分比数值;根据转换后各空气污染物的浓度,绘制特征雷达图;从所述特征雷达图中识别所述PM2.5污染事件对应的排放特征及所述排放特征随时间变化的特征变化规律;根据所述PM2.5污染事件对应的目标区域最近一定时间内的环境监测数据和地面气象数据,统计每个气象条件下PM2.5浓度超过预设浓度阈值的发生频率;根据每个气象条件及每个气象条件下PM2.5浓度超过预设阈值的发生频率,生成气象-污染关系表;根据所述PM2.5污染事件对应的时间段内的地面气象数据,计算所述PM2.5污染事件对应的时间段内的平均温度、相对湿度和平均风速;根据平均温度、相对湿度和平均风速,从气象-污染关系表中查询所述PM2.5污染事件对应的气象影响信息;根据所述PM2.5污染事件对应的排放特征、所述特征变化规律、所述气象影响信息以及所述污染气团来源轨迹,分析所述PM2.5污染事件的形成原因。
7.根据权利要求6所述的装置,其特征在于,
所述轨迹模拟模块,用于从所述环境监测数据中获取所述时间段内每小时的PM2.5浓度;基于所述气象历史资料驱动综合轨迹模式,按照预设模拟高度对所述每小时的PM2.5浓度进行后向轨迹模拟,得到所述时间段内每小时的小时气团轨迹;以及,根据所述每小时的PM2.5浓度,确定每个小时气团轨迹对应的PM2.5浓度。
8.根据权利要求6所述的装置,其特征在于,
所述来源确定模块,用于从所述时间段内每小时的小时气团轨迹中筛选出PM2.5浓度大于预设浓度阈值的小时气团轨迹;将筛选出的所述小时气团轨迹确定为所述时间段内的污染气团轨迹;对所述污染气团轨迹进行聚类,得到所述PM2.5污染事件对应的污染气团来源轨迹及所述污染气团来源轨迹对应的贡献比例。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序以实现如权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432157.7A CN111612064B (zh) | 2020-05-20 | 2020-05-20 | Pm2.5污染气团溯源方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432157.7A CN111612064B (zh) | 2020-05-20 | 2020-05-20 | Pm2.5污染气团溯源方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612064A CN111612064A (zh) | 2020-09-01 |
CN111612064B true CN111612064B (zh) | 2021-02-19 |
Family
ID=72200703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010432157.7A Active CN111612064B (zh) | 2020-05-20 | 2020-05-20 | Pm2.5污染气团溯源方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612064B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182064B (zh) * | 2020-09-25 | 2021-07-20 | 中科三清科技有限公司 | 一种污染物来源分析方法、装置、电子设备及存储介质 |
CN113191096B (zh) * | 2021-04-13 | 2022-04-29 | 中南建筑设计院股份有限公司 | 基于WRF和XFlow耦合的多精细度融合污染物扩散分析方法 |
CN113763509B (zh) * | 2021-09-08 | 2022-09-02 | 中科三清科技有限公司 | 轨迹图绘制方法和装置 |
CN114199736B (zh) * | 2021-12-13 | 2023-12-01 | 北京市生态环境监测中心 | 获取pm2.5及其组分的区域传输贡献率的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829642A (zh) * | 2018-04-24 | 2018-11-16 | 中国环境科学研究院 | 一种利用特征雷达图分析环境质量数据的方法 |
CN110531030A (zh) * | 2019-08-16 | 2019-12-03 | 北京慧辰资道资讯股份有限公司 | 一种基于物联网大数据大气污染物分析的方法及装置 |
CN110595972A (zh) * | 2019-10-16 | 2019-12-20 | 上海应用技术大学 | Pm2.5浓度值和影响因素的分析方法 |
CN110836952A (zh) * | 2019-09-29 | 2020-02-25 | 北京众蓝科技有限公司 | 利用排放源监测数据调整排放源清单的空气质量预报方法和装置 |
CN111125641A (zh) * | 2019-12-25 | 2020-05-08 | 广州博进信息技术有限公司 | 一种大气污染异常识别与成因分析方法、装置及存储介质 |
CN111178653A (zh) * | 2018-11-13 | 2020-05-19 | 百度在线网络技术(北京)有限公司 | 用于确定污染区域的方法和装置 |
CN111178786A (zh) * | 2020-01-08 | 2020-05-19 | 中科宇图科技股份有限公司 | 一种保障区域空气质量的排放源位置确定方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118129A (zh) * | 2018-11-02 | 2019-01-01 | 孙扬 | 一种大气污染物精准溯源识别系统及方法 |
CN109583743A (zh) * | 2018-11-26 | 2019-04-05 | 南京创蓝科技有限公司 | 基于拉格朗日模型和移动观测平台的大气污染溯源方法 |
CN109685281B (zh) * | 2018-12-29 | 2020-02-07 | 中科三清科技有限公司 | 污染来源预测方法、装置及电子设备 |
CN110095394A (zh) * | 2019-05-27 | 2019-08-06 | 佛山市环境监测中心站 | 一种大气颗粒物污染快速溯源方法 |
CN110687255A (zh) * | 2019-10-21 | 2020-01-14 | 软通动力信息技术有限公司 | 一种空气污染物的溯源方法、装置、设备和存储介质 |
-
2020
- 2020-05-20 CN CN202010432157.7A patent/CN111612064B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829642A (zh) * | 2018-04-24 | 2018-11-16 | 中国环境科学研究院 | 一种利用特征雷达图分析环境质量数据的方法 |
CN111178653A (zh) * | 2018-11-13 | 2020-05-19 | 百度在线网络技术(北京)有限公司 | 用于确定污染区域的方法和装置 |
CN110531030A (zh) * | 2019-08-16 | 2019-12-03 | 北京慧辰资道资讯股份有限公司 | 一种基于物联网大数据大气污染物分析的方法及装置 |
CN110836952A (zh) * | 2019-09-29 | 2020-02-25 | 北京众蓝科技有限公司 | 利用排放源监测数据调整排放源清单的空气质量预报方法和装置 |
CN110595972A (zh) * | 2019-10-16 | 2019-12-20 | 上海应用技术大学 | Pm2.5浓度值和影响因素的分析方法 |
CN111125641A (zh) * | 2019-12-25 | 2020-05-08 | 广州博进信息技术有限公司 | 一种大气污染异常识别与成因分析方法、装置及存储介质 |
CN111178786A (zh) * | 2020-01-08 | 2020-05-19 | 中科宇图科技股份有限公司 | 一种保障区域空气质量的排放源位置确定方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111612064A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182064B (zh) | 一种污染物来源分析方法、装置、电子设备及存储介质 | |
CN111612064B (zh) | Pm2.5污染气团溯源方法、装置、电子设备及存储介质 | |
CN111611296B (zh) | Pm2.5污染成因分析方法、装置、电子设备及存储介质 | |
Henneman et al. | Evaluating the effectiveness of air quality regulations: A review of accountability studies and frameworks | |
Zhang et al. | High-resolution simulation of link-level vehicle emissions and concentrations for air pollutants in a traffic-populated eastern Asian city | |
CN111612670B (zh) | 一种构建机动车排放清单的方法、装置和计算机设备 | |
CN112362816A (zh) | 一种基于观测数据的臭氧来源分析方法及装置 | |
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 | |
US20110208414A1 (en) | Method and determining system for automatically determining emission locations, and method and traffic control system based thereon for immission-dependent traffic control | |
CN111882205A (zh) | 空气质量达标分析方法、装置、电子设备及存储介质 | |
CN111696369A (zh) | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 | |
CN111178786B (zh) | 一种保障区域空气质量的排放源位置确定方法及系统 | |
CN112214913A (zh) | 臭氧的主导前体物识别方法、装置、电子设备及存储介质 | |
CN112906941B (zh) | 面向动态相关空气质量时间序列的预测方法及系统 | |
CN117871790B (zh) | 基于多种数据融合的路边监测站数据分析和交通溯源方法 | |
CN112669190A (zh) | 污染源异常排放行为的检测方法、装置及计算机设备 | |
CN112348388A (zh) | 基于排放数据的臭氧主导前体物识别方法及装置 | |
CN111815178A (zh) | 空气质量达标分析方法、装置、电子设备及存储介质 | |
CN115239027B (zh) | 空气质量格点化集合预报的方法及装置 | |
Kong et al. | Clustering diurnal cycles of day-to-day temperature change to understand their impacts on air quality forecasting in mountain-basin areas | |
CN113379162B (zh) | 农村公路机动车行驶量估计方法 | |
Borrego et al. | Air quality plans for the northern region of Portugal: improving particulate matter and coping with legislation | |
Yang et al. | Spatiotemporal prediction of particulate matter concentration based on traffic and meteorological data | |
Zhang et al. | [Retracted] Human Health Risk Prediction Method of Regional Atmospheric Environmental Pollution Sources Based on PMF and PCA Analysis under Artificial Intelligence Cloud Model | |
CN117973710B (zh) | 一种针对卫星高值区的大气污染溯源方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200901 Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd. Assignor: 3CLEAR TECHNOLOGY Co.,Ltd. Contract record no.: X2022980012305 Denomination of invention: PM2.5pollution air mass traceability method, device, electronic equipment and storage medium Granted publication date: 20210219 License type: Common License Record date: 20220815 |