CN111768038B - 污染物监控方法、装置、终端设备及存储介质 - Google Patents
污染物监控方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN111768038B CN111768038B CN202010615156.6A CN202010615156A CN111768038B CN 111768038 B CN111768038 B CN 111768038B CN 202010615156 A CN202010615156 A CN 202010615156A CN 111768038 B CN111768038 B CN 111768038B
- Authority
- CN
- China
- Prior art keywords
- data
- precursor
- pollutant
- measurement
- calculation
- 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
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本申请适用于人工智能技术领域,提供了一种污染物监控方法、装置、终端设备及存储介质,其中,所述方法通过获取目标监测地区的历史样本数据,根据历史样本数据生成目标监测地区的污染物浓度与前体污染物质的关系曲线;测算目标监测地区在预设时间范围的空气质量得到测算数据并进行误差订正得到污染测算数据;若任一子区域的区域污染物浓度预测数据满足预设预警条件,根据子区域的区域前体污染物质浓度预测数据和关系曲线确定前体污染物质的敏感控制区占比信息;根据敏感控制区占比信息生成前体污染物质的控制方案。以解决前体污染物分析误差大且无法提前给出污染物的管控方案的问题。另外,本申请还涉及区块链技术。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种污染物监控方法、装置、终端设备及计算机可读存储介质。
背景技术
如今光化学烟雾污染在各大工业城市日益普遍和严重,其中臭氧污染物O3占90%以上,是衡量光化学烟雾的重要指标,而挥发性有机物(VOCs)和氮氧化物(NOx)就是生成O3的重要前体污染物。由不同的VOCs和NOx的初始浓度的混合物为起始条件,能够计算出臭氧污染物O3日最大浓度,并得到包含一系列臭氧O3等浓度曲线的EKMA曲线。相关技术中,现有的大气臭氧污染管控方法为根据制作得到的EKMA曲线中前体污染物VOCs、NOx的浓度与它们反应形成的臭氧O3浓度之间的关系分析臭氧生成的敏感性前体污染物,以对分析得到的臭氧生成敏感性前体污染物进行控制,实现对臭氧污染的管控。
但EKMA曲线受地域发生的污染事件的影响,若采用未及时订正更新的EKMA曲线进行污染物(例如臭氧)生成的敏感性前体污染物分析,将导致分析结果具有极大的误差;且无法根据EKMA曲线提前给出污染物(例如臭氧O3)的污染控制建议。
发明内容
有鉴于此,本申请实施例提供了一种污染物监控方法、装置、终端设备及计算机可读存储介质,以解决现有技术中污染物的前体污染物分析误差大且无法提前给出污染物的管控方案的问题。
本申请实施例的第一方面提供了一种污染物监控方法,包括:
获取目标监测地区的历史样本数据,根据所述历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线;所述历史样本数据包括所述目标监测地区的所述污染物的历史监测数据和污染排放数据;
测算所述目标监测地区在预设时间范围的空气质量以得到测算数据,根据历史预测偏差对所述测算数据进行误差订正得到污染测算数据;所述污染测算数据包括污染物浓度预测数据和前体污染物质浓度预测数据;
根据所述污染物浓度预测数据和所述前体污染物质浓度预测数据得到所述目标监测地区中子区域对应的区域污染物浓度预测数据和区域前体污染物质浓度预测数据;
若任一所述子区域的所述区域污染物浓度预测数据满足预设预警条件,则从所述前体污染物质浓度预测数据中获取所述子区域对应的所述区域前体污染物质浓度预测数据,根据所述子区域的所述区域前体污染物质浓度预测数据和所述关系曲线确定所述前体污染物质的敏感控制区占比信息;
根据所述敏感控制区占比信息生成所述前体污染物质的控制方案,以对所述污染物进行管控。
在一个实施示例中,所述获取目标监测地区的历史样本数据,根据所述历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线,包括:
获取目标监测地区的历史样本数据,对所述历史样本数据进行缺失数据补全和异常值剔除处理;
根据处理后的历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线。
在一个实施示例中,所述测算所述目标监测地区在预设时间范围的空气质量得到测算数据,根据历史预测偏差对所述测算数据进行误差订正得到污染测算数据,包括:
获取所述目标监测地区的大气污染源排放清单和气象预测数据,将所述大气污染源排放清单和所述气象预测数据输入空气质量数值预报模型对所述目标监测地区在预设时间范围的空气质量进行预测,得到所述测算数据;
根据历史预测偏差对所述测算数据进行误差订正得到测算订正数据,对所述测算数据和所述测算订正数据进行加权求和运算得到所述污染测算数据。
在一个实施示例中,所述根据历史预测偏差对所述测算数据进行误差订正得到测算订正数据,对所述测算数据和所述测算订正数据进行加权求和运算得到所述污染测算数据,包括:
获取历史测算数据与实际监测数据,根据所述历史测算数据和所述实际监测数据计算得到测算偏差值;
根据所述测算偏差值对所述历史测算数据进行订正得到历史测算订正数据,并计算所述历史测算订正数据与所述实际监测数据之间的订正偏差值;
根据所述测算偏差值和所述订正偏差值确定所述测算数据的第一权重和所述测算订正数据的第二权重;
根据所述第一权重值和所述第二权重值对所述测算数据和所述测算订正数据进行加权求和计算得到所述污染测算数据。
在一个实施示例中,所述预设预警条件为根据所述子区域的所述区域污染物浓度预测数据得到的所述污染物日最大浓度预测值超出预设阈值。
在一个实施示例中,所述若任一所述子区域的所述区域污染物浓度预测数据满足预设预警条件,则从所述前体污染物质浓度预测数据中获取所述子区域对应的所述区域前体污染物质浓度预测数据,根据所述子区域的所述区域前体污染物质浓度预测数据和所述关系曲线确定所述前体污染物质的敏感控制区占比信息,包括:
根据所述关系曲线确定所述子区域的所述区域污染物浓度预测数据对应的所述前体污染物质的标准比值;所述前体污染物质包括至少两个前体污染物;
根据所述子区域的所述区域前体污染物质浓度预测数据与所述标准比值在所述关系曲线的位置关系确定所述前体污染物质中位于控制区的所述前体污染物;
统计在预设时间段内每一所述前体污染物位于控制区的时长得到所述敏感控制区占比信息。
在一个实施示例中,在根据所述敏感控制区占比信息生成所述前体污染物质的控制方案,以对所述污染物进行管控之后,包括:
将所述控制方案上传至区块链。
本申请实施例的第二方面提供了一种污染物监控装置,包括:
关系曲线生成模块,用于获取目标监测地区的历史样本数据,根据所述历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线;所述历史样本数据包括所述目标监测地区的所述污染物的历史监测数据和污染排放数据;
污染预测模块,用于测算所述目标监测地区在预设时间范围的空气质量得到测算数据,根据历史预测偏差对所述测算数据进行误差订正得到污染测算数据;所述污染测算数据包括污染物浓度预测数据和前体污染物质浓度预测数据;
区域预测数据确定模块,用于根据所述污染物浓度预测数据和所述前体污染物质浓度预测数据得到所述目标监测地区中子区域对应的区域污染物浓度预测数据和区域前体污染物质浓度预测数据;
敏感控制区确定模块,用于若任一所述子区域的所述区域污染物浓度预测数据满足预设预警条件,则从所述前体污染物质浓度预测数据中获取所述子区域对应的所述区域前体污染物质浓度预测数据,根据所述子区域的所述区域前体污染物质浓度预测数据和所述关系曲线确定所述前体污染物质的敏感控制区占比信息;
控制方案生成模块,用于根据所述敏感控制区占比信息生成所述前体污染物质的控制方案,以对所述污染物进行管控。
本申请实施例的第四方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在终端设备上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方案提供的污染物监控方法的各步骤。
本申请实施例的第五方面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存储有计算机程序,所述计算机程序被处理器执行时实现第一方案提供的污染物监控方法的各步骤。
实施本申请实施例提供的一种污染物监控方法、污染物监控装置、终端设备及计算机可读存储介质具有以下有益效果:
本申请实施例提供的一种污染物监控方法,通过获取目标监测地区的历史样本数据,根据所述历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线,使得污染物浓度与污染物对应的前体污染物质的关系曲线得以根据目标监测地区的历史污染数据进行更新,避免污染物的前体污染物的分析误差;测算目标监测地区在预设时间范围的空气质量得到测算数据,根据历史预测偏差对所述测算数据进行误差订正得到污染测算数据;根据历史预测偏差对测算数据进行及时校正,得到准确且具有高时效性的污染测算数据。污染测算数据包括污染物浓度预测数据和前体污染物质浓度预测数据;对目标监测地区进行子区域划分后,得到目标监测地区中子区域对应的区域污染物浓度预测数据和区域前体污染物质浓度预测数据;若任一所述子区域的所述区域污染物浓度预测数据满足预设预警条件,则从所述前体污染物质浓度预测数据中获取所述子区域对应的所述区域前体污染物质浓度预测数据,根据所述子区域的所述区域前体污染物质浓度预测数据和所述关系曲线确定所述前体污染物质的敏感控制区占比信息;从而根据区域污染物浓度预测数据实现准确的对子区域污染物污染预警,并根据区域前体污染物质浓度预测数据在更新后的关系曲线的位置确定位于敏感控制区的前体污染物质得到准确的敏感控制区占比信息;根据所述敏感控制区占比信息生成所述前体污染物质的控制方案,以对所述污染物进行管控;使得能够根据控制方案对前体污染物质进行控制,以实现提前对污染物进行抑制。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种污染物监控方法的实现流程图;
图2是本申请实施例一提供的根据历史预测偏差对测算数据进行误差订正的实现流程图;
图3是本申请实施例一提供的确定前体污染物质的敏感控制区占比信息的实现流程图;
图4是本申请实施例二提供的一种污染物监控装置的结构框图;
图5是本申请实施例三提供的一种终端设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例所涉及的污染物监控方法,本实施例可适用于对地区或城市进行污染物管控的应用场景,可以由控制设备或终端平板、PC或服务器等(以下称“移动终端”)执行。
本申请实施例涉及的污染物监控方法,应用于智慧环保场景中,从而推动智慧城市的建设。
请参阅图1,图1示出了本申请实施例提供的一种污染物监控方法的实现流程图。本实施例提供的污染物监控方法具体包括如下步骤:
S110、获取目标监测地区的历史样本数据,根据所述历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线;所述历史样本数据包括所述目标监测地区的所述污染物的历史监测数据和污染排放数据。
大气中的污染物(例如臭氧、二氧化碳等)通常由其前体污染物质经过化学反应生成,通过提前对任一大气的污染物质的前体污染物质进行控制,就能有效抑制大气中的污染物浓度。现有技术中通常根据污染物浓度与该污染物对应的前体污染物质的关系曲线确定该污染物对应的前体污染物质的浓度与生成的污染物的浓度的关系。为实现对大气中的污染物质的污染管控,可根据污染物浓度与该污染物对应的前体污染物质的关系曲线确定需提前控制的前体污染物质。但由于不同的地区或城市的气候和污染排放情况不同使得地区或城市中经由前体污染物质化学反应生成污染物的生成速率以及生成效果不同,造成污染物浓度与该污染物对应的前体污染物质的关系曲线具有地域局限性;并且不同的地区或城市中突发的污染事件也会使得经由前体污染物质化学反应生成污染物的生成速率以及生成效果发生改变,造成污染物浓度与该污染物对应的前体污染物质的关系曲线具有时间性。若污染物浓度与该污染物对应的前体污染物质的关系曲线时效性差且不根据地域差异进行修正就会导致污染物的前体污染物分析误差大,从而导致污染物的污染控制效果不佳。
为解决污染物浓度与该污染物对应的前体污染物质的关系曲线时效性差且地域适应性差这一问题,可以通过获取目标监测地区的历史样本数据,根据获取到的历史样本数据生成目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线。由于历史样本数据包括目标监测地区的污染物的历史监测数据和污染排放数据,目标监测地区对应的污染物历史监测数据确保关系曲线的时间性,目标监测地区对应的污染排放数据确保关系曲线的地域性,使得污染物浓度与污染物对应的前体污染物质的关系曲线得以根据目标监测地区的历史污染情况和地域污染排放情况进行及时更新,避免污染物的前体污染物质的分析误差。可选的,前体污染物质包括若干前体污染物;污染物历史监测数据包括目标监测地区包含的各个行政区(即子区域)历史气象监测数据;污染排放数据包括目标监测地区的历史污染排放数据。将目标监测地区的污染物的历史监测数据和污染排放数据存放于实时缓存的数据库中,并且对历史监测数据和污染排放数据实时进行更新,减少移动终端在生成关系曲线时数据落库和查库的时间消耗,提高数据计算和关系曲线生成的效率。
详细的,污染物以大气的臭氧为例,则臭氧污染物对应的前体污染物质包括主要的两种前体污染物,分别为挥发性有机物(VOCs)和氮氧化物(NOx)。获取目标监测地区的历史样本数据后,根据历史样本数据生成目标监测地区的臭氧污染物浓度与所述污染物对应的前体污染物质的关系曲线为EKMA曲线。臭氧污染物对应的关系曲线中包括一系列臭氧等浓度曲线以及每一臭氧等浓度曲线对应的两个前体污染物比值,即VOCs/NOx脊线的比值。
在一个实施示例中,为提高生成的目标监测地区的污染物浓度与该污染物对应的前体污染物质的关系曲线的准确度,还需对获取到的历史样本数据进行预处理,将历史样本数据中的缺失数据补全和异常值剔除。则获取目标监测地区的历史样本数据,根据所述历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线的具体过程包括:获取目标监测地区的历史样本数据,对所述历史样本数据进行缺失数据补全和异常值剔除处理;根据处理后的历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线。
在一个实施方式中,在获取到目标监测地区的历史样本数据后,可以通过对历史样本数据进行归一化处理,以将历史样本数据中缺失的数据补全;再通过聚类算法对归一化处理后的历史样本数据进行异常值剔除。具体的,可将历史样本数据按单位进行划分,然后对每一单位包含的数据进行归一化处理补全每一单位中确实的数据,完成历史样本数据的缺失数据补全处理;并通过聚类算法对缺失数据补全处理后的历史样本数据进行异常值剔除。可选的,该聚类算法可为K均值聚类算法、均值漂移聚类算法或期望聚类算法等。详细的,可用K均值聚类算法对缺失数据补全处理后的历史样本数据进行异常值剔除。具体过程可为:从缺失数据补全处理后的历史样本数据中随机挑选k个样本点作为原始的簇中心;计算剩余样本数据与簇中心的距离,并把各样本标记为离k个簇中心最近的类别;重新计算各簇中样本点的均值,并以均值作为新的k个簇中心。不断重复上述步骤直至簇中心的变化趋于稳定,形成最终的k个簇;基于聚类的结果,计算簇内每个数据点到簇中心的距离;将每个数据点对应的距离与预设阈值相比较,若任一数据点对应的距离大于预设阈值则判定是异常数据点,否则判断该数据点正常;将判定是异常数据点从缺失数据补全处理后的历史样本数据中剔除,完成历史样本数据的异常值剔除处理。
当然,上述对历史样本数据进行缺失数据补全和异常值剔除处理的方法只是作为示例,在实施本发明实施例时,可以通过KNN填充方法完成缺失值补全以及根据实际情况将历史样本数据输入神经网络进行卷积计算完成异常值剔除,本发明实施例对此不加以限制。
S120、测算所述目标监测地区在预设时间范围的空气质量以得到测算数据,根据历史预测偏差对所述测算数据进行误差订正得到污染测算数据;所述污染测算数据包括污染物浓度预测数据和前体污染物质浓度预测数据。
为实现对污染物的提前管控,需提前获知目标监测地区未来的污染物浓度趋势,才能根据未来的污染物浓度趋势在步骤110生成的目标监测地区的污染物浓度与该污染物对应的前体污染物质的关系曲线中确定位于敏感控制区的前体污染物,以对位于敏感控制区的前体污染物加以控制,实现目标监测地区的污染物的管控。因此,移动终端测算目标监测地区在预设时间范围的空气质量得到测算数据,以对目标监测地区在预设时间范围的污染物浓度趋势进行预测;根据历史预测偏差对所述测算数据进行误差订正得到污染测算数据;通过根据历史预测偏差对测算数据进行及时校正,得到准确且具有高时效性的污染测算数据。
在一个实施示例中,测算所述目标监测地区在预设时间范围的空气质量得到测算数据,根据历史预测偏差对所述测算数据进行误差订正得到污染测算数据的具体过程包括步骤11至步骤12:
步骤11、获取所述目标监测地区的大气污染源排放清单和气象预测数据,将所述大气污染源排放清单和所述气象预测数据输入空气质量数值预报模型对所述目标监测地区在预设时间范围的空气质量进行预测,得到所述测算数据;
具体地,移动终端将目标监测地区对应的城市大气污染源排放清单及GFS气象资料数据输入预先训练好的空气质量数据预报模型进行预设时间范围的空气质量测算,得到测算数据。可选的,得到的测算数据包括在预设时间范围内的污染物浓度预测数据和前体污染物质浓度预测数据;预设时间范围为未来的时间范围,可以小时、天或周为单位,可设置预设时间范围为当前时间的未来7天;预先训练好的空气质量数据预报模型可为WRF-Chem空气质量预报数值模型。
步骤12、根据历史预测偏差对所述测算数据进行误差订正得到测算订正数据,对所述测算数据和所述测算订正数据进行加权求和运算得到所述污染测算数据。
在测算得到测算数据后,为对测算数据进行及时校正得到准确且具有高时效性的污染测算数据,可以根据历史预测偏差对测算数据进行误差订正得到污染测算数据。具体的,根据历史预测偏差对测算数据进行简单误差订正得到测算订正数据;由于测算订正数据相比于实际检测得到的污染数据还具有一定的系统性误差,则需结合测算数据和测算订正数据再次进行系统性的偏差订正,对测算数据和测算订正数据进行加权求和运算得到污染测算数据。
在一个实施示例中,根据历史预测偏差对所述测算数据进行误差订正得到测算订正数据,对所述测算数据和所述测算订正数据进行加权求和运算得到所述污染测算数据的具体步骤包括步骤21至步骤24,如图2所示:
步骤21、获取历史测算数据与实际监测数据,根据所述历史测算数据和所述实际监测数据计算得到测算偏差值;
为提高偏差订正结果的准确度,可结合预设时间范围时长包含的多个历史预测偏差对测算数据进行误差订正。移动终端获取与预设时间范围时长对应的若干个历史测算数据与实际监测数据,根据每一历史测算数据和该历史测算数据对应的实际监测数据计算得到对应的一个测算偏差值,从而获得预设时间范围时长对应的若干个测算偏差值。
详细的,假设预设时间范围时长为N天,则获取当前时间对应的历史N天的历史测算数据与这历史N天对应的实际监测数据;并且历史N天的历史测算数据包括当前时间的当天测算数据。以时间天数为单位将历史测算数据划分为N组数据组D1~DN,每一组数据为对应的一个历史天数包含的M个历史测算数据;其中M个历史测算数据为空气质量数据预报模型在不同的预报时长输出的测算结果,例如为一个历史天数中每小时对应的历史测算数据。在历史N天内,相同预报时长的均有N个历史测算数据,由于每组数据都可能相较于实际监测数据产生一定的偏差,分别对不同预报时长的N个历史测算数据计算偏差值。假设D1的历史测算数据为Forei,对应的每一历史天数的观测结果实际监测数据用Obsi表示,则当前时间T下历史N天中D1(即当前时间的当天测算数据)的测算偏差值BiaT-1的计算公式为:
对于其它数据组D2-DN中任一数据组对应的测算偏差值均可根据上述公式计算得到。
步骤22、根据所述测算偏差值对所述历史测算数据进行订正得到历史测算订正数据,并计算所述历史测算订正数据与所述实际监测数据之间的订正偏差值;
根据计算得到的测算偏差值对历史测算数据进行订正得到历史测算订正数据,并计算历史测算订正数据与实际监测数据之间的订正偏差值。具体的,假设预设时间范围时长为N天,则获取当前时间对应的预测N天的测算数据,并且预测N天的测算数据包括当前时间的当天测算数据。以时间天数为单位将测算数据划分为N组数据组F1~FN,每一组数据为对应的一个预测天数包含的M个测算数据;其中M个测算数据为空气质量数据预报模型在不同的预报时长输出的测算结果,例如为一个预测天数中每小时对应的测算数据。根据计算得到的测算偏差值BiaT-1对当前时间T对应的预设时间范围内的历史前一天对应的历史测算数据进行订正得到历史测算订正数据。详细的,以对当前时间T对应的预设时间范围内的前一天T-1对应的历史测算数据RT-1进行订正得到历史测算订正数据R′T-1为例,其具体的计算公式为:
则根据上述公式可依次计算得到当前时间T对应的预设时间范围内的预测天数F1-FN对应的前一天历史测算数据进行订正后得到历史测算订正数据R′T-1至R′N-1,其中,当前时间T对应的预设时间范围内的预测天数F1表示当前时间,包括当天的测算数据。
当计算得到历史测算订正数据后,为对系统性偏差进行订正,可以根据历史测算订正数据和实际监测数据得到订正偏差值。具体的,当前时间T对应的预设时间范围内的前一天T-1对应的订正偏差值E′T-1的计算公式为:
且根据上述公式可将测算偏差值BiaT-1转换为当前时间T对应的预设时间范围内的前一天T-1对应的测算偏差值ET-1;测算偏差值ET-1具体的计算公式为:
步骤23、根据所述测算偏差值和所述订正偏差值确定所述测算数据的第一权重和所述测算订正数据的第二权重;
为实现对系统性的偏差订正,需结合测算数据和测算订正数据再次进行系统性的偏差订正,对测算数据和测算订正数据进行加权求和运算得到污染测算数据,而测算数据和测算订正数据对应的权重与测算偏差值以及订正偏差值有关,根据测算偏差值和订正偏差值计算得到测算数据的第一权重和测算订正数据的第二权重。
具体的,为提高系统性的偏差订正的准确性,在确定测算数据的第一权重和测算订正数据的第二权重时,可以选用目标预测天数前一天T-1的测算偏差值和订正偏差值进行测算数据的第一权重和测算订正数据的第二权重的计算。详细的,第一权重为第二权重为
步骤24、根据所述第一权重值和所述第二权重值对所述测算数据和所述测算订正数据进行加权求和计算得到所述污染测算数据。
在确定目标预测天数对应的第一权重和第二权重后,根据第一权重值和所述第二权重值对目标预测天数对应的测算数据和测算订正数据进行加权求和计算得到经过系统性偏差订正后的目标预测天数的污染测算数据。具体的,以当天T的污染测算数据计算过程为例,根据当天T的前一天T-1的测算偏差值和订正偏差值进行测算数据的第一权重和测算订正数据的第二权重的计算,然后根据第一权重值和第二权重值对当天T对应的测算数据和测算订正数据进行加权求和计算得到当天T对应的污染测算数据R_correctT,具体计算公式为:其中,R′T为当天T对应的测算订正数据;RT为当天T对应的测算数据。
因此,根据上述步骤可逐一计算得到当前时间T对应的预设时间范围内的预测天数F1-FN对应的污染测算数据,从而准确的得到目标监测地区在预设时间范围内污染物未来的变化趋势。
在一个实施示例中,上述步骤21至步骤24中的误差订正方法可以通过神经网络(例如LSTM网络)训练生成误差订正模型,从而使得移动终端将目标监测地区对应的城市大气污染源排放清单及GFS气象资料数据输入预先训练好的空气质量数据预报模型进行预设时间范围的空气质量测算得到测算数据后,将测算数据直接输入训练好的误差订正模型得到污染测算数据。充分结合了数值模型WRF-Chem和机器学习模型LSTM得到高精度、高时效性的污染测算数据。具体的,即在WRF-Chem模型结果输出的接口处接入LSTM模块,对WRF-Chem预测的测算数据做及时校正。利用误差订正模型对未来污染物浓度趋势的把握,同时利用误差订正模型对过去历史污染物浓度及对应气象数据进行训练,然后更加准确预测未来污染物的浓度。
S130、根据所述污染物浓度预测数据和所述前体污染物质浓度预测数据得到所述目标监测地区中子区域对应的区域污染物浓度预测数据和区域前体污染物质浓度预测数据。
根据历史预测偏差对测算数据进行误差订正得到预设时间范围内的预测天数F1-FN对应的污染测算数据后,由于污染测算数据与目标监测地区的地理位置信息对应,根据预设子区域划分规则可将污染测算数据划分为目标监测地区中每一子区域对应的子污染测算数据。由于污染测算数据包括污染物浓度预测数据和前体污染物质浓度预测数据,则根据污染物浓度预测数据和前体污染物质浓度预测数据得到目标监测地区中子区域对应的区域污染物浓度预测数据和区域前体污染物质浓度预测数据。可选的,该预设子区域划分规则可为根据目标监测地区对应的行政地区划分或根据地理信息最高分辨率对目标监测地区进行网格划分。
S140、若任一所述子区域的所述区域污染物浓度预测数据满足预设预警条件,则从所述前体污染物质浓度预测数据中获取所述子区域对应的所述区域前体污染物质浓度预测数据,根据所述子区域的所述区域前体污染物质浓度预测数据和所述关系曲线确定所述前体污染物质的敏感控制区占比信息。
得到当前时间T对应的预设时间范围内的预测天数F1-FN对应每一子区域的区域污染物浓度预测数据后,对每一子区域对应的区域污染物浓度预测数据进行检测,判断是否满足预设预警条件。由于每一子区域对应的区域污染物浓度预测数据包括预设时间范围内的预测天数F1至FN对应的区域污染物浓度预测数据,则具体可为判断每一子区域的每一预测天数对应的区域污染物浓度预测数据是否满足预设预警条件。若任一子区域的任一预测天数对应的区域污染物浓度预测数据满足预设预警条件,说明时间到达预测天数时该子区域的污染物浓度将达到预警线,则需对该子区域的污染物进行污染管控。从而得到污染物浓度达到预警线的子区域以及预测时间,实现对子区域污染物的污染预警。
当任一子区域的任一预测天数对应的区域污染物浓度预测数据满足预设预警条件时,为实现对该子区域的污染物进行污染管控,可从前体污染物质浓度预测数据中获取该子区域的该预测天数对应的区域前体污染物质浓度预测数据,根据获取到的区域前体污染物质浓度预测数据在更新后的关系曲线的位置确定位于敏感控制区的前体污染物质,从而得到准确的敏感控制区占比信息。
在一个实施示例中,所述预设预警条件为根据所述子区域的所述区域污染物浓度预测数据得到的所述污染物日最大浓度预测值超出预设阈值。则对每一子区域对应的区域污染物浓度预测数据进行检测,判断是否满足预设预警条件的具体过程包括:根据每一子区域的每一预测天数对应的区域污染物浓度预测数据,计算每一子区域的每一预测天数对应的污染物日最大浓度预测值;若任一子区域的任一预测天数对应的污染物日最大浓度预测值超出预设阈值,则判定该子区域的该预测天数的区域污染物浓度预测数据满足预设预警条件。可选的,污染物日最大浓度预测值可为污染物日最大8小时浓度预测值;该预设阈值可根据污染物对应的国家标准进行设定;例如当污染物为臭氧时,预设阈值可根据臭氧的国家二级标准设定。
在一个实施示例中,若任一所述子区域的所述区域污染物浓度预测数据满足预设预警条件,则从所述前体污染物质浓度预测数据中获取所述子区域对应的所述区域前体污染物质浓度预测数据,根据所述子区域的所述区域前体污染物质浓度预测数据和所述关系曲线确定所述前体污染物质的敏感控制区占比信息的具体过程包括步骤31至步骤33,如图3所示:
步骤31、根据所述关系曲线确定所述子区域的所述区域污染物浓度预测数据对应的所述前体污染物质的标准比值;所述前体污染物质包括至少两个前体污染物;
具体的,当任一子区域的任一预测天数对应的区域污染物浓度预测数据满足预设预警条件时,根据预测天数得到需进行污染物管控的目标时间,根据该子区域得到该子区域对应的区域前体污染物质浓度预测数据;并且该区域前体污染物质浓度预测数据中包括预测天数当天每小时的区域前体污染物质浓度预测数据。当前体污染物质包括至少两个前体污染物时,该区域前体污染物质浓度预测数据中包括预测天数当天每小时的每种前体污染物的浓度预测数据。由于该子区域的该预测天数对应的区域污染物浓度预测数据包括每小时对应的区域污染物浓度预测数据,则根据上述步骤110中生成的关系曲线确定该子区域的该预测天数对应的区域污染物浓度预测数据对应的前体污染物质的标准比值具体为:根据上述步骤110中生成的关系曲线确定该子区域的该预测天数中每小时对应的区域污染物浓度预测数据对应的前体污染物质的标准比值,即至少两个前体污染物的比值。详细举例说明,以臭氧污染物为例,根据上述步骤110中生成的关系曲线(EKMA曲线)确定该子区域的该预测天数中每小时对应的区域臭氧浓度预测数据对应的前体污染物质的标准比值,即VOCs/NOx脊线的比值。
步骤32、根据所述子区域的所述区域前体污染物质浓度预测数据与所述标准比值在所述关系曲线的位置关系确定所述前体污染物质中位于控制区的所述前体污染物;
根据上述步骤110中生成的关系曲线得到该子区域的该预测天数中,每小时对应的区域污染物浓度预测数据对应的前体污染物质的标准比值后,由于该子区域的该预测天数对应的区域前体污染物质浓度预测数据中,包括该预测天数当天每小时的区域前体污染物质浓度预测数据,可以根据同一时刻对应的前体污染物质的标准比值与区域前体污染物质浓度预测数据在所述关系曲线的位置关系,确定该时刻前体污染物质中位于敏感控制区的前体污染物;重复上述步骤对该预测天数中的所有时刻前体污染物质中位于控制区的某一前体污染物进行确定后,得到前体污染物质包括的每种前体污染物在预测天数当天占据敏感控制区的小时数。
详细举例说明,以臭氧污染物为例,根据上述步骤110中生成的关系曲线(EKMA曲线)得到该子区域的该预测天数中,每小时对应的区域臭氧污染物浓度预测数据对应的前体污染物质的标准比值(VOCs/NOx脊线的比值)后,由于该子区域的该预测天数对应的区域前体污染物质浓度预测数据中,包括该预测天数当天每小时的区域前体污染物质浓度预测数据,每小时的区域前体污染物质浓度预测数据包括VOCs浓度预测数据和NOx浓度预测数据;可以根据同一时刻对应的前体污染物质的标准比值与同一时刻对应的区域前体污染物质浓度预测数据中VOCs浓度预测数据与NOx浓度预测数据的预测比值在所述关系曲线的位置关系,确定该时刻前体污染物质中位于敏感控制区的前体污染物;若同一时刻的预测比值小于同一时刻的标准比值,则确定前体污染物VOCs位于控制区;若同一时刻的预测比值大于同一时刻的标准比值,则确定前体污染物NOx位于控制区;重复上述步骤对该预测天数中的所有时刻位于控制区的前体污染物进行确定后,分别得到前体污染物VOCs以及前体污染物NOx在预测天数当天占据敏感控制区的小时数。
步骤33、统计在预设时间段内每一所述前体污染物位于控制区的时长得到所述敏感控制区占比信息。
统计在预设时间段内,例如在该预测天数当天内,每一前体污染物位于控制区的时长得到所述敏感控制区占比信息。详细举例说明,以臭氧污染物为例,则统计得到前体污染物VOCs以及前体污染物NOx在预测天数当天占据敏感控制区的占比信息。
S150、根据所述敏感控制区占比信息生成所述前体污染物质的控制方案,以对所述污染物进行管控。
在得到敏感控制区占比信息后,由于敏感控制区占比信息包括需进行污染物管控的子区域在需管控日期当天的前体污染物质包括的每种前体污染物占据敏感控制区的小时数,根据需管控日期当天的每种前体污染物占据敏感控制区的小时数生成前体污染物质的控制方案,以对所述污染物进行管控。具体的,该控制方案可为确定敏感控制区占比信息中占比大的前体污染物为目标前体污染物,对目标前体污染物进行管控,使得能够根据控制方案对污染物生成影响较大的目标前体污染物进行控制,以实现提前对需进行污染物管控的子区域的污染物进行抑制。由于子区域可为目标监测地区的最高空间分辨率的一个网格地区或行政地区,且每种前体污染物占据敏感控制区的时长精确到小时,使得根据敏感控制区占比信息生成所述前体污染物质的控制方案,能够实现精确到小时的网格化污染物的污染管控。
以上可以看出,本实施例提供的一种污染物监控方法,通过获取目标监测地区的历史样本数据,根据所述历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线,使得污染物浓度与污染物对应的前体污染物质的关系曲线得以根据目标监测地区的历史污染数据进行更新,避免污染物的前体污染物的分析误差;测算目标监测地区在预设时间范围的空气质量得到测算数据,根据历史预测偏差对所述测算数据进行误差订正得到污染测算数据;根据历史预测偏差对测算数据进行及时校正,得到准确且具有高时效性的污染测算数据。污染测算数据包括污染物浓度预测数据和前体污染物质浓度预测数据;对目标监测地区进行子区域划分后,得到目标监测地区中子区域对应的区域污染物浓度预测数据和区域前体污染物质浓度预测数据;若任一所述子区域的所述区域污染物浓度预测数据满足预设预警条件,则从所述前体污染物质浓度预测数据中获取所述子区域对应的所述区域前体污染物质浓度预测数据,根据所述子区域的所述区域前体污染物质浓度预测数据和所述关系曲线确定所述前体污染物质的敏感控制区占比信息;从而根据区域污染物浓度预测数据实现准确的对子区域污染物污染预警,并根据区域前体污染物质浓度预测数据在更新后的关系曲线的位置确定位于敏感控制区的前体污染物质得到准确的敏感控制区占比信息;根据所述敏感控制区占比信息生成所述前体污染物质的控制方案,以对所述污染物进行管控;使得能够根据控制方案对前体污染物质进行控制,以实现提前对污染物进行抑制。
在本申请的所有实施例中,基于污染物监控方法得到对应的控制方案,具体来说,将控制方案上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该控制方案,以便查证控制方案是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
实施例二
请参阅图4,图4是本申请实施例提供的一种污染物监控装置的结构框图。本实施例中该移动终端包括的各单元用于执行图1至图3对应的实施例中的各步骤。具体请参阅图1至图3以及图1至图3所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图4,污染物监控装置40包括:
关系曲线生成模块401,用于获取目标监测地区的历史样本数据,根据所述历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线;所述历史样本数据包括所述目标监测地区的所述污染物的历史监测数据和污染排放数据;
污染预测模块402,用于测算所述目标监测地区在预设时间范围的空气质量以得到测算数据,根据历史预测偏差对所述测算数据进行误差订正得到污染测算数据;所述污染测算数据包括污染物浓度预测数据和前体污染物质浓度预测数据;
区域预测数据确定模块403,用于根据所述污染物浓度预测数据和所述前体污染物质浓度预测数据得到所述目标监测地区中子区域对应的区域污染物浓度预测数据和区域前体污染物质浓度预测数据;
敏感控制区确定模块404,用于若任一所述子区域的所述区域污染物浓度预测数据满足预设预警条件,则从所述前体污染物质浓度预测数据中获取所述子区域对应的所述区域前体污染物质浓度预测数据,根据所述子区域的所述区域前体污染物质浓度预测数据和所述关系曲线确定所述前体污染物质的敏感控制区占比信息;
控制方案生成模块405,用于根据所述敏感控制区占比信息生成所述前体污染物质的控制方案,以对所述污染物进行管控。
应当理解的是,图4示出的污染物监控装置的结构框图中,各单元用于执行图1至图3对应的实施例中的各步骤,而对于图1至图3对应的实施例中的各步骤已在上述实施例中进行详细解释,具体请参阅图1至图3以及图1至图3所对应的实施例中的相关描述,此处不再赘述。
实施例三
图5是本申请另一实施例提供的一种终端设备的结构框图。如图5所示,该实施例的终端设备50包括:处理器51、存储器52以及存储在所述存储器52中并可在所述处理器51上运行的计算机程序53,例如污染物监控方法的程序。处理器51执行所述计算机程序73时实现上述各个污染物监控方法各实施例中的步骤,例如图1所示的S110至S150,或者图2和图3所示的S21至S24以及S31至S33。或者,所述处理器51执行所述计算机程序53时实现上述图4对应的实施例中各单元的功能,例如,图4所示的模块401至405的功能,具体请参阅图4对应的实施例中的相关描述,此处不赘述。
示例性的,所述计算机程序53可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器52中,并由所述处理器51执行,以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序53在所述终端50中的执行过程。例如,所述计算机程序53可以被分割成关系曲线生成模块、污染预测模块、区域预测数据确定模块、敏感控制区确定模块以及控制方案生成模块,各单元具体功能如上所述。
所述转台设备可包括,但不仅限于,处理器51、存储器52。本领域技术人员可以理解,图5仅仅是终端设备50的示例,并不构成对终端设备50的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述转台设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器51可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器52可以是所述终端设备50的内部存储单元,例如终端设备50的硬盘或内存。所述存储器52也可以是所述终端设备50的外部存储设备,例如所述终端设备50上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器52还可以既包括所述终端设备50的内部存储单元也包括外部存储设备。所述存储器52用于存储所述计算机程序以及所述转台设备所需的其他程序和数据。所述存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种污染物监控方法,其特征在于,包括:
获取目标监测地区的历史样本数据,根据所述历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线;所述历史样本数据包括所述目标监测地区的所述污染物的历史监测数据和污染排放数据;
获取所述目标监测地区的大气污染源排放清单和气象预测数据,将所述大气污染源排放清单和所述气象预测数据输入空气质量数值预报模型对所述目标监测地区在预设时间范围的空气质量进行预测,得到测算数据;获取历史测算数据与实际监测数据,根据所述历史测算数据和所述实际监测数据计算得到测算偏差值;根据所述测算偏差值对所述历史测算数据进行订正得到历史测算订正数据,并计算所述历史测算订正数据与所述实际监测数据之间的订正偏差值;根据所述测算偏差值和所述订正偏差值确定所述测算数据的第一权重和所述测算订正数据的第二权重;根据所述第一权重和所述第二权重对所述测算数据和所述测算订正数据进行加权求和计算得到污染测算数据;所述污染测算数据包括污染物浓度预测数据和前体污染物质浓度预测数据;
根据所述污染物浓度预测数据和所述前体污染物质浓度预测数据得到所述目标监测地区中子区域对应的区域污染物浓度预测数据和区域前体污染物质浓度预测数据;
若任一所述子区域的所述区域污染物浓度预测数据满足预设预警条件,则从所述前体污染物质浓度预测数据中获取所述子区域对应的所述区域前体污染物质浓度预测数据,根据所述子区域的所述区域前体污染物质浓度预测数据和所述关系曲线确定所述前体污染物质的敏感控制区占比信息;
根据所述敏感控制区占比信息生成所述前体污染物质的控制方案,以对所述污染物进行管控。
2.根据权利要求1所述的污染物监控方法,其特征在于,所述获取目标监测地区的历史样本数据,根据所述历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线,包括:
获取目标监测地区的历史样本数据,对所述历史样本数据进行缺失数据补全和异常值剔除处理;
根据处理后的历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线。
3.根据权利要求1所述的污染物监控方法,其特征在于,所述预设预警条件为根据所述子区域的所述区域污染物浓度预测数据得到的污染物日最大浓度预测值超出预设阈值。
4.根据权利要求1所述的污染物监控方法,其特征在于,所述若任一所述子区域的所述区域污染物浓度预测数据满足预设预警条件,则从所述前体污染物质浓度预测数据中获取所述子区域对应的所述区域前体污染物质浓度预测数据,根据所述子区域的所述区域前体污染物质浓度预测数据和所述关系曲线确定所述前体污染物质的敏感控制区占比信息,包括:
根据所述关系曲线确定所述子区域的所述区域污染物浓度预测数据对应的所述前体污染物质的标准比值;所述前体污染物质包括至少两个前体污染物;
根据所述子区域的所述区域前体污染物质浓度预测数据与所述标准比值在所述关系曲线的位置关系确定所述前体污染物质中位于控制区的所述前体污染物;
统计在预设时间段内每一所述前体污染物位于控制区的时长得到所述敏感控制区占比信息。
5.根据权利要求1所述的污染物监控方法,其特征在于,在根据所述敏感控制区占比信息生成所述前体污染物质的控制方案,以对所述污染物进行管控之后,包括:
将所述控制方案上传至区块链。
6.一种污染物监控装置,其特征在于,包括:
关系曲线生成模块,用于获取目标监测地区的历史样本数据,根据所述历史样本数据生成所述目标监测地区的污染物浓度与所述污染物对应的前体污染物质的关系曲线;所述历史样本数据包括所述目标监测地区的所述污染物的历史监测数据和污染排放数据;
污染预测模块,用于获取所述目标监测地区的大气污染源排放清单和气象预测数据,将所述大气污染源排放清单和所述气象预测数据输入空气质量数值预报模型对所述目标监测地区在预设时间范围的空气质量进行预测,得到测算数据;获取历史测算数据与实际监测数据,根据所述历史测算数据和所述实际监测数据计算得到测算偏差值;根据所述测算偏差值对所述历史测算数据进行订正得到历史测算订正数据,并计算所述历史测算订正数据与所述实际监测数据之间的订正偏差值;根据所述测算偏差值和所述订正偏差值确定所述测算数据的第一权重和所述测算订正数据的第二权重;根据所述第一权重和所述第二权重对所述测算数据和所述测算订正数据进行加权求和计算得到污染测算数据;所述污染测算数据包括污染物浓度预测数据和前体污染物质浓度预测数据;
区域预测数据确定模块,用于根据所述污染物浓度预测数据和所述前体污染物质浓度预测数据得到所述目标监测地区中子区域对应的区域污染物浓度预测数据和区域前体污染物质浓度预测数据;
敏感控制区确定模块,用于若任一所述子区域的所述区域污染物浓度预测数据满足预设预警条件,则从所述前体污染物质浓度预测数据中获取所述子区域对应的所述区域前体污染物质浓度预测数据,根据所述子区域的所述区域前体污染物质浓度预测数据和所述关系曲线确定所述前体污染物质的敏感控制区占比信息;
控制方案生成模块,用于根据所述敏感控制区占比信息生成所述前体污染物质的控制方案,以对所述污染物进行管控。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010615156.6A CN111768038B (zh) | 2020-06-30 | 2020-06-30 | 污染物监控方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010615156.6A CN111768038B (zh) | 2020-06-30 | 2020-06-30 | 污染物监控方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768038A CN111768038A (zh) | 2020-10-13 |
CN111768038B true CN111768038B (zh) | 2023-02-03 |
Family
ID=72724198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010615156.6A Active CN111768038B (zh) | 2020-06-30 | 2020-06-30 | 污染物监控方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768038B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289040A (zh) * | 2020-04-03 | 2020-06-16 | 中科三清科技有限公司 | 走航监测系统 |
CN112560296B (zh) * | 2021-02-25 | 2021-06-04 | 北京英视睿达科技有限公司 | 用于生成臭氧的控制因素的判断方法、系统及电子设备 |
CN112991132B (zh) * | 2021-04-30 | 2021-09-21 | 北京英视睿达科技有限公司 | Pm2.5和臭氧协同管控区域识别方法及装置 |
CN113608561B (zh) * | 2021-07-23 | 2022-05-10 | 天津同阳科技发展有限公司 | 气体污染物浓度控制方法和装置 |
CN113758853B (zh) * | 2021-09-30 | 2024-01-19 | 美埃(中国)环境科技股份有限公司 | 一种准确测算过滤器性能及寿命的方法 |
CN115097547A (zh) * | 2022-07-04 | 2022-09-23 | 湖南省生态环境监测中心 | 一种基于数值模式与统计分析结合的大气重污染预报方法 |
CN116168771B (zh) * | 2023-04-26 | 2023-06-30 | 北京建工环境修复股份有限公司 | 一种基于物联网的河流中全氟化合物污染监测方法及系统 |
CN117129638B (zh) * | 2023-10-26 | 2024-01-12 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN109685281A (zh) * | 2018-12-29 | 2019-04-26 | 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 |
CN110346517A (zh) * | 2019-07-25 | 2019-10-18 | 中南大学 | 一种智慧城市工业大气污染可视化预警方法及其系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492830B (zh) * | 2018-12-17 | 2021-08-31 | 杭州电子科技大学 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
-
2020
- 2020-06-30 CN CN202010615156.6A patent/CN111768038B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN109685281A (zh) * | 2018-12-29 | 2019-04-26 | 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 |
CN110346517A (zh) * | 2019-07-25 | 2019-10-18 | 中南大学 | 一种智慧城市工业大气污染可视化预警方法及其系统 |
Non-Patent Citations (1)
Title |
---|
张娅娜."天津市臭氧污染控制的研究".《中国优秀硕博士学位论文全文数据库(硕士)》.2017,(第2期), * |
Also Published As
Publication number | Publication date |
---|---|
CN111768038A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768038B (zh) | 污染物监控方法、装置、终端设备及存储介质 | |
US20210110262A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
CN107844848B (zh) | 一种区域人流量预测方法及系统 | |
CN112148577A (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
WO2021130926A1 (ja) | 人流予測装置、人流予測方法、及び人流予測プログラム | |
US20200111174A1 (en) | Probabilistic Load Forecasting via Point Forecast Feature Integration | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN110988269A (zh) | 大气污染源排放清单的偏差修正方法、装置及存储介质 | |
CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN110110339B (zh) | 一种日前水文预报误差校正方法及系统 | |
CN113379098A (zh) | 河流区间动态洪峰分析预警方法、系统、设备及介质 | |
CN113537563B (zh) | 污染应急管控效果评估方法及装置 | |
CN112362816A (zh) | 一种基于观测数据的臭氧来源分析方法及装置 | |
CN114819696A (zh) | 确定污染物浓度影响因素的方法、装置及电子设备 | |
CN115629159A (zh) | 一种基于多源数据的臭氧及前体物溯源方法及装置 | |
JP5110891B2 (ja) | 水処理施設における流入水水質の統計的予測方法及びその装置 | |
CN114708007A (zh) | 一种用于门店销售计划的智能分解方法及系统 | |
CN112036038A (zh) | 一种排放源的排放量调优方法、装置、设备及存储介质 | |
CN109887253B (zh) | 石油化工装置报警的关联分析方法 | |
CN116702926A (zh) | 一种空气质量模式预报机器学习集成订正方法 | |
CN114200078B (zh) | Oh自由基浓度的测算方法和装置 | |
CN116432908A (zh) | 近零碳园区的碳核算方法、装置、终端及存储介质 | |
CN114386332A (zh) | 基于edc-lstm模型的土壤湿度预测方法、装置及存储介质 | |
CN115271258A (zh) | 臭氧主控污染物的预测方法、装置及电子设备 | |
CN113191810A (zh) | 游戏指标预测方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |