CN111897810A - 建立定量化不同尺度区域间大气污染联防联控方案的方法 - Google Patents
建立定量化不同尺度区域间大气污染联防联控方案的方法 Download PDFInfo
- Publication number
- CN111897810A CN111897810A CN202010745364.8A CN202010745364A CN111897810A CN 111897810 A CN111897810 A CN 111897810A CN 202010745364 A CN202010745364 A CN 202010745364A CN 111897810 A CN111897810 A CN 111897810A
- Authority
- CN
- China
- Prior art keywords
- different
- pollution
- joint
- city
- areas
- 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.)
- Granted
Links
- 230000007123 defense Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 84
- 231100000719 pollutant Toxicity 0.000 claims abstract description 84
- 230000002265 prevention Effects 0.000 claims abstract description 33
- 230000036541 health Effects 0.000 claims abstract description 22
- 238000007418 data mining Methods 0.000 claims abstract description 18
- 238000003915 air pollution Methods 0.000 claims abstract description 15
- 238000007621 cluster analysis Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 239000000356 contaminant Substances 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 239000010755 BS 2869 Class G Substances 0.000 claims description 2
- 239000004480 active ingredient Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000010757 Reduction Activity Effects 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 238000005065 mining 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
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/06395—Quality analysis or management
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于空气质量管理技术领域,公开了一种建立定量化不同尺度区域间大气污染联防联控方案的方法,包括建立城市及不同尺度区域间大气污染联合防治联合控制方案体系的新方法所需的特征变量数据库;采用聚类分析和网络关联模型等大数据挖掘方法对数据库中的特征变量进行机器学习和数据挖掘;对于不同污染物,不同污染时段、不同污染水平和不同尺度区域或城市的污染实况设计关联性阈值和对应的联防联控城市组或不同尺度区域组。本发明可为不同区域的城市间或不同尺度区域间大气污染实现更加精准化的联防联控,更加高效地实现不同城市及不同尺度区域的空气质量改善,尽快实现空气质量达标,以保护人民的健康。
Description
技术领域
本发明属于空气质量管理技术领域,尤其涉及一种建立定量化不同尺度区域间大气污染联防联控方案的方法。
背景技术
目前,现有的污染物防控系统有很多种,如专利号为201710762642.9的方法发明专利“室内环境污染防控系统”公开了一种对室内环境质量进行监测、评估和进化的方法;专利号为201220604879.7的使用新型专利“环境应急三级防控系统”公开了一种对于企业环境污染提拱了可行的解决方案。然而现有的污染物防控方案中并没有一个系统的适用于制定不同尺度区域不同大气污染物定量分级方案的方法。并且就现状而言,主要的防控是通过宏观定性行政边界划分的,并没有定量化指导联防联控。
因此急需一个可以制定精准化的大气污染物联防联控方案的方法用于决策支持,以促进更多的城市或不同尺度区域更有效的改善空气质量,并早日达到空气质量标准,早日达到世界卫生组织指导值。
通过上述分析,现有技术存在的问题及缺陷为:(1)现有技术缺乏定量化的联防联控方案,更缺乏制定定量化联防联控方案的方法。2)现有技术没有考虑不同区域的城市间或不同尺度区域间明确城市组联防联控依据,主要依靠专家会商的形式来推动联防联控政策的执行,而缺乏定量化的联防联控科学理论的支撑。3)现有联防联控技术虽然强调了重污染期间的联防联控,但是仍然缺乏联防联控的针对性和定量化决策方法,缺乏精准性,联防联控效果不够理想,成本较高,不能高效地实现不同城市及不同尺度区域间的空气质量的改善。
解决以上问题及缺陷的难度为:气象条件的多变性和大气污染物的传输性缺乏规律性,大气污染物的时序数据具有高度非线性特征,而且大气污染物浓度数据极易受到本地各类源排放的影响,同时受到外地传输影响。实际上,一个城市大气污染物的来源解析就是一个非常复杂的科学问题,中国的科学家已经对中国重点污染区域开展过很多的研究,其研究结果仍然很难获得精确的来源。为了污染的防治和控制,除了本地的排放控制之外,还需联合其他城市或区域开展联合减排活动。如何联合?跟谁联合?均是很难回答的问题。
解决以上问题及缺陷的意义为:随着人工智能技术的发展,机器学习方法得到越来越多的应用,同时随着计算机硬件技术的发展,大大促进了其它各学科领域(包括大气污染领域)的发展。机器学习就是在处理复杂非线性数据,寻找内在规律上具有特别的优势。通过学科的交叉,优势的互补,利用计算机技术和人工智能技术的发展解决大气污染物联防联控问题,为联防联控的精准化发展提供了新的生命力,具有非常好的前景,具有重大意义。
发明内容
针对现有技术存在的问题,本发明提供了一种建立定量化不同尺度区域间大气污染联防联控方案的方法。本发明目的在于提供一种建立带有评估体系的不同大气污染物、不同污染水平、不同时段、城市及不同尺度区域间的大气污染定量化、精准化的联防联控方案体系的方法,实现高效、科学、全面的环境空气质量改善的防控系统设计。
本发明是这样实现的,一种建立定量化不同尺度区域间大气污染联防联控方案的方法包括:
1)根据大气污染防控的需要,选定联防联控涉及区域范围,即包括多少城市,或省,或乡镇街道,或自主设定的区域范围等不同尺度区域构成的一个总区域;
2)从空气质量实时发布网和省级及市级大气污染物监测网获取各大气污染物的小时浓度数据,然后清洗并保存到数据库;
3)基于不同污染物,不同污染时段、不同污染水平、不同尺度区域的污染物小时浓度数据建立特征变量数据库;
4)采用聚类分析和网络关联模型等大数据挖掘方法对数据库中的特征变量进行机器学习和数据挖掘;
5)对于不同污染物,不同污染时段、不同污染水平和对应城市或区域的污染实况设计一系列具体的关联性阈值,然后基于该系列定量化阈值筛选得到每个城市或不同尺度区域的联防联控伙伴,并构成联防联控城市组或不同尺度区域组;
6)对这些联防联控城市组或不同尺度区域组上应用评估系统进行评估,评估指标包括:紧迫度指标、健康影响程度指标、控制弹性指标、区域影响程度指标、综合指标;
7)给出该总区域中不同污染物,不同污染时段、不同污染水平、不同尺度区域间的联防联控方案及评估结果。
进一步,步骤1)包括了不同大气污染物即PM10,PM2.5,O3,SO2,NO2,CO,是空气质量标准中涉及的所有标准污染物。
进一步,步骤4)包括了采用了聚类分析与网络关联模型等数据挖掘方法建立的联防联控方案方法。聚类分析不仅包括浓度距离聚类也包括相关性距离聚类。
进一步,步骤5)利用从国家公开发布关于环境空气质量的各污染物浓度数据、建立污染特征水平数据库,进行聚类和网络相关模型的数据挖掘方法,设定各联防联控级别的污染物浓度关联性定量指标(阈值)来划分与各级联防联控的城市或不同尺度区域组合,得到不同污染物,不同污染水平,不同时段,不同尺度区域内联防联控城市或不同尺度区域组合,即为联防联控城市组或不同尺度区域组合组。
进一步,步骤6)主要用于对所有联防联控子区域组合进行多指标的评价,各评价指标的评价结果供政府筛选优先子区域组合进行联防联控的污染防控政策。
进一步,步骤6)采用五种评估指标对不同大气污染物、不同污染水平、不同时段的每个联防联控城市组或不同尺度区域组进行评估。评估指标包括:紧迫度指标、健康影响程度指标、控制弹性指标、区域影响程度指标、综合指标。
紧迫度指标综合考虑了每个城市或不同尺度区域的污染物平均浓度与空气质量标准(或世界卫生组织指导值)之间的差距;健康影响程度指标考虑了不同城市人口的暴露风险;由于每个城市所在的地理位置不同,气候和污染物排放量等不同,因此,会造成每个需要联合防控的城市的污染物浓度波动范围不一致。因此,控制弹性指标综合考虑这些影响,体现了污染容易控制的程度;区域影响程度指标综合考虑了每个联合防控的小区域对于整个联合防控大区域的污染物的贡献程度。
进一步,步骤7)包括不同大气污染水平,即包括基于联防联控管理需求地方政府所设定的不同污染水平划分,或参照中国空气质量标准中的污染水平分级的优,良,轻度污染,中度污染,重度污染,严重污染的污染水平划分。
进一步,步骤7)包括了不同污染时段的联防联控方案,这里的不同污染时段又包括分季节,分月份,分节假日和非节假日,周末和非周末,分不同污染事件时段,分不同污染类型进行划分的时段。
进一步,步骤7)包括了不同尺度区域间,即包括了省份间、城市组间、地级市间、县级市间、不同乡镇,不同街道间及自主设定的子区域间等所有不同尺度区域间的联防联控方案制定。
本发明另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
1)根据大气污染防控的需要,选定联防联控涉及区域范围,即包括多少城市,或省,或乡镇街道,或自主设定的区域范围等不同尺度区域构成的一个总区域;
2)从空气质量实时发布网和省级及市级大气污染物监测网获取各大气污染物的小时浓度数据并保存到数据库;
3)基于不同污染物,不同污染时段、不同污染水平、不同尺度区域的污染物小时浓度数据建立特征变量数据库;
4)采用聚类分析和网络关联模型等大数据挖掘方法对数据库中的特征变量进行机器学习和数据挖掘;
5)对于不同污染物,不同污染时段、不同污染水平和对应城市或区域的污染实况设计一系列具体的关联性阈值,然后基于该系列定量化阈值进行两两城市组或区域组进行筛选得到每个城市或不同尺度区域的联防联控伙伴,并构成联防联控城市组或不同尺度区域组;
6)对这些联防联控城市组或不同尺度区域组上应用评估系统进行评估,评估指标包括:紧迫度指标、健康影响程度指标、控制弹性指标、区域影响程度指标、综合指标;
7)给出该总区域中不同污染物,不同污染时段、不同污染水平、不同尺度区域间的联防联控方案及评估结果。
本发明另一目的在于提供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,使得所述处理器执行如下步骤:
1)根据大气污染防控的需要,选定联防联控涉及区域范围,即包括多少城市,或省,或乡镇街道,或自主设定的区域范围等不同尺度区域构成的一个总区域;
2)从空气质量实时发布网和省级及市级大气污染物监测网获取各大气污染物的小时浓度数据并保存到数据库;
3)基于不同污染物,不同污染时段、不同污染水平、不同尺度区域的污染物小时浓度数据建立特征变量数据库;
4)采用聚类分析和网络关联模型等大数据挖掘方法对数据库中的特征变量进行机器学习和数据挖掘;
5)对于不同污染物,不同污染时段、不同污染水平和对应城市或区域的污染实况设计一系列具体的关联性阈值,然后基于该系列定量化阈值进行两两城市组或区域组进行筛选得到每个城市或不同尺度区域的联防联控伙伴,并构成联防联控城市组或不同尺度区域组;
6)对这些联防联控城市组或不同尺度区域组上应用评估系统进行评估,评估指标包括:紧迫度指标、健康影响程度指标、控制弹性指标、区域影响程度指标、综合指标;
7)给出该总区域中不同污染物,不同污染时段、不同污染水平、不同尺度区域间的联防联控方案及评估结果。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供一种定量化建立城市及不同尺度区域间大气污染精准化联防联控方案体系的新方法,包括基于城市及不同尺度区域的各大气污染物(PM10,PM2.5,O3,SO2,NO2和CO)小时或日浓度数据,及城市及不同尺度区域的地理面积和人口等信息,通过包括聚类分析和网络关联模型等的数据挖掘方法,建立带有评估体系的不同大气污染物、不同污染水平、不同时段、城市及不同尺度区域间的大气污染精准化联防联控方案体系的方法。所述不同大气污染物即PM10,PM2.5,O3,SO2,NO2,CO。所述不同污染水平即基于联防联控管理需求地方政府所设定的不同污染水平,或者包括参考中国空气质量标准中的污染水平分级,优,良,轻度污染,中度污染,重度污染,严重污染。所述的不同尺度区域是根据需要把中国或区域分成不同的小区域,在每个区域内不同的城市或区县或街道或地理空间网格间的不同污染物的关联度来确定联防联控,在每个区域内不同的城市或区县或街道或地理空间网格间联防联控方案体系,包括一级联防联控方案,二级联防联控方案,三级联防联控方案等多级方案,根据关联度和污染严重程度来确定更高级别的联防联控方案;所述的不同时段包括不同季节(春、夏、秋、冬)及自主选择的污染时段或关键时段。本方法可为中国不同区域的城市间或不同尺度区域间大气污染实现更加精准化的联防联控,更加高效地实现不同城市及不同尺度区域间的空气质量的改善,使得各城市及不同尺度的区域尽快实现空气质量达标,以保护人民的健康。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述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建立定量化不同尺度区域间大气污染联防联控方案的方法流程图。
图2是本发明实施例提供的长三角区域41个地级市的地理区域图。
图3是本发明实施例提供的本实施案例的大气污染不同尺度区域间联合防治联合控制管理方法实施流程图。
图4是本发明实施例提供的长三角地区春(a),夏(b),秋(c)和冬(d)四季的大气PM2.5联防联控城市组。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明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发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种建立定量化不同尺度区域间大气污染联防联控方案的方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供一种建立定量化不同尺度区域间大气污染联防联控方案的方法包括:
1)根据大气污染防控的需要,选定联防联控涉及区域范围,即包括多少城市,或省,或乡镇街道,或自主设定的区域范围等不同尺度区域构成的一个总区域;
2)从空气质量实时发布网和省级及市级大气污染物监测网获取各大气污染物的小时浓度数据并保存到数据库;
3)基于不同污染物,不同污染时段、不同污染水平、不同尺度区域的污染物小时浓度数据建立特征变量数据库;
4)采用聚类分析和网络关联模型等大数据挖掘方法对数据库中的特征变量进行机器学习和数据挖掘;
5)对于不同污染物,不同污染时段、不同污染水平和对应城市或区域的污染实况设计一系列具体的关联性阈值,然后基于该系列定量化阈值筛选得到每个城市或不同尺度区域的联防联控伙伴,并构成联防联控城市组或不同尺度区域组;
6)对这些联防联控城市组或不同尺度区域组上应用评估系统进行评估,评估指标包括:紧迫度指标、健康影响程度指标、控制弹性指标、区域影响程度指标、综合指标;
7)给出该总区域中不同污染物,不同污染时段、不同污染水平、不同尺度区域间的联防联控方案及评估结果。
本发明提供的一种建立定量化城市及不同尺度区域间大气污染精准化联防联控方案体系的新方法,业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的仅仅是一个具体实施例而已。
下面结合实施案例对本发明作进一步描述。
实施例
建立2018年长三角41个地级市间PM2.5污染精细化联防联控方案体系
(一)、选定研究区域和数据的准备
选取长三角41个地级市如图2所示。从中国环境监测总站获取大气PM2.5小时浓度数据,从国家统计年鉴获取人口数据和面积数据,把这些数据都保存到数据库中。图2长三角区域41个地级市的地理位置图。
(二)本实施案例所采用的方法
1)污染物人口暴露强度的计算
人口暴露强度能够反映人群暴露于污染物的风险,通过人口密度乘以污染物浓度计算。单位是μg·104persons/(m3·km2)
其中,Ei长三角第i城市的人口暴露强度;Ci该城市的污染物浓度,Pi该城市的人口数量,A是该城市的面积。
2)层次聚类的方法
层次聚类,也称为层次聚类分析,凝聚的层次聚类或“自下而上”的层次聚类,是一种把相似对象分类为一组。分层聚类通常通过顺序合并相似的聚类来实现并首先将每个对象视为一个单独的聚类。它重复执行以下步骤:(1)识别两个最相似的聚类;(2)将两个最接近的聚类合并为一个聚类。这种情况不断重复,直到所有聚类合并在一起,从而产生一种组内相似而组间差异大的聚类。层次聚类的主要输出是树状图,它显示了聚类之间的层次关系。本专利以长三角地区41个地级市为初始对象进行层次聚类。每个城市的特征变量为全年或不同季节的PM2.5日平均浓度,聚类分析的输入数据如下:
其中,n是城市数量,m是特征变量也就是每个城市每天的PM2.5浓度值。对于i城市的变量可以用一个向量表示为:(xi1,xi2,…xim)T,i=1,2,…n.
在聚类过程中,从一个聚类到另一个聚类计算了两个聚类之间的距离(称为相似性)。距离度量的选择应基于特定研究的理论考虑。在这项研究中,欧几里德距离如方程(3)所示是选为衡量两个城市之间距离。
其中,dij是i城市和j城市之间的距离,同时dij=dji.
在方程(2)中,城市的数量是n,两个城市之间的距离使用方程(3)去获得(4)的对称矩阵。
从矩阵找出非主对角线的最小距离,通过从矩阵D0移除Gi,Gj所在的行和列,Gi,Gj合并为一个新的类(Gr=(Gi,Gj)),把新类Gr合并到剩下的类中,获的新的Dn-1矩阵,重复以上步骤去获得Dn-2矩阵。连续计算,直到所有的样本被合并进一个大类中。在合并类的过程中,有必要记录合并样本的级别和两种合并类型,最后绘制聚类谱系图。
3)复杂网络相关性模型
皮尔逊相关系数是分析变量之间相关性的方法之一,网络相关性是基于相关性系数,P的绝对值越大表明两个城市(变量)之间的相关性越大,当P值为0表示两个变量之间线性独立。对于任意两个变量X={x1,x2,…xm}和Y={y1,y2,…ym},两个城市之间的P(X,Y)是被定义为方程(5)。这相关性距离,也称作皮尔逊相关距离,是用来测量两个城市之间的污染物相关性。相关性距离等于1.0减去相关性系数,见公式(6)
4)评估指标的定义
第一个指标:紧迫度指标
长三角每个城市的PM2.5浓度达到中国环境空气质量标准很重要,因此,去定义标准化的紧迫度指标(NU)对于每一个聚类城市是非常必须的。每个聚类城市的平均PM2.5浓度被标准化作为标准化的紧迫度指标(NU)。方程(7)给出了min-max标准化方法,其中y代表这标准化的指标“NU”。另外的指标也通过这种方法进行了标准化处理。
第二个指标:健康影响程度指标
联防联控的的最终目标是保护人类的健康,所以非常有必要定义标准化的健康影响程度指标(NH)。对于每个城市组,由(1)计算得到人口PM2.5暴露强度,采用(7)的min-max标准化方法进行归一化为“NH”,获得标准化的健康影响程度指标NH。
第三个指标:控制弹性指标
由于不同的地理位置、气候和污染物净化条件,每个城市组的污染控制弹性不同。本研究选取每个城市组归一化PM2.5变异系数作为控制弹性指标“NE”,反映了某城市PM2.5的季节性浓度范围。这个指标通过公式(8)计算得到,在经过公式(7)进行归一化。控制弹性指标NE越大,PM2.5降低的潜力越大。
第四个指标:区域影响程度指标
每个城市组的PM2.5浓度会影响整个长三角地区的PM2.5平均浓度,并且不同的城市组,其对区域污染影响也是不同。因此,城市组的PM2.5浓度对整个长三角地区的影响程度进行标准化之后作为影响程度(NW)指标。线性回归是将整个YRD区域中PM2.5的日平均浓度作为因变量Y;每个城市组中PM2.5的日平均浓度作为自变量X。通过min-max归一化方法将斜率归一化为“NW”值。区域影响程度指标NW的值越大,该城市组对整个YRD地区PM2.5污染的影响越大。
第五个指标:综合指标
根据标准化的min-max标准化方法,使上述四个指标具有可比性。最后,如式(9)所示,将综合指标(I)定义为四个指标(NU,NH,NE和NW)的总和。因此,该指标代表了对联防联控每个城市组的综合评估。综合指标越大,优先预防和控制的重要性就越大,获得的收益就越大。
I=NU+NH+NE+NW (9)。
(三)、本实施案例的实施过程
本实施案例的实施流程如图3所示。
首先从国家公开发布平台获取长三角41个城市2018年的PM2.5浓度数据,并进行了基本的统计分析以了解污染的时空分布特征,通过聚类分析模块进行长三角区域城市组污染水平聚类,获得污染的城市聚集情况。
把长三角区域各城市的PM2.5浓度数据作为输入数据,采用复杂网络关联性模型,获得不同城市间的相关性距离。把相关性距离最近的城市组是优先联防联控城市组。联防联控方案因季节不同而不同。联防联控方案分为三个级别,其中一级为基础性的联防联控,也是最低级别的联防联控,而且一级联防联控城市组通常为2个城市的组合,这级别的联防联控执行难度最低。二级为中等级别的联防联控,且该级别的联防联控城市组多为三个城市的组合。三级为高级别的联防联控,且该级别的每个联防联控城市组通常为多于三个城市的组合。当污染较轻的时候建议启动一级联防联控。当污染比较明显或者中等的时候建议在一级的基础上增加二级联防联控。但污染达到较重及以上程度时,建议在一级和二级的基础上的同时启动三级联防联控。最后,我们得到了精准化的不同季节分级联防联控方案体系。
(四)、本实施案例的实施结果
本实施案例的长三角41个地级市的大气PM2.5的精准化联防联控方案如下图4所示。图4长三角地区春(a),夏(b),秋(c)和冬(d)四季的大气PM2.5联防联控城市组;(左侧列是一级,中间列是二级,右侧列是三级,具体城市代码见附表5)
春秋冬季中,当PM2.5小于35μg/m3,我们提出使用一级联合防控方案(一级主要是相关性最强的,主要是两个城市组成的城市组,这样的设计容易高效的实施该方案)。当PM2.5浓度大于35μg/m3但是小于75μg/m3时,我们提出使用二级联合防控方案(二级联合防控方案主要是三个城市组成的城市组,通过这样可以有效的进行污染物的管控,有针对性进行污染治理)。当PM2.5浓度大于75μg/m3时,推荐同时启动一、二、三级联合防控措施,这里主要是4到5个城市构成的三级联合防控城市组,对于高浓度污染的防控具有更重要的意义。
本实施案例的联防联控城市组的五个指标的评估结果如下:
基于NU,NH,NE,NW以及I指标,把长三角的城市按照季节进行联防联控划分,见附表1-4。以一级防控为例,对于冬季一级,NU,NH,NE,NW,I最高的城市组为徐州-宿迁,苏州-上海,苏州-上海,马鞍山-南京,南京-常州。紧迫度指标衡量聚类城市组的PM2.5污染水平,因此NU越大表明PM2.5污染越重。冬季一级中,NU指标的排名为徐州-宿迁,马鞍山-芜湖,徐州-淮北,表明长三角北部地区是最迫切需要联防联控政策的实施。对于健康影响指标NH而言,在冬季一级,苏州-上海有最高的NH值,紧随其后的为淮南-蚌埠,无锡-苏州,无锡-常州,南京-常州,徐州-淮北,镇江-南京。NH值越大,表明和长三角其他区域比起来这里有越大的健康风险。NE是衡量PM2.5减排潜力的指标,越小的NE值意味着这个城市组管控难度越大。类似的,冬季一级NE靠前的城市组为苏州-上海,无锡-苏州,苏州-嘉兴,无锡-常州,无锡-嘉兴和南京-常州。此外,对于NW指标而言马鞍山-南京,马鞍山-常州,马鞍山-芜湖,南京-常州,镇江-常州,镇江-南京最高。评估综合指标(I)表明,南京-常州第一,紧随其后的为镇江-南京和苏州-上海。春季一级,对于NU,NH,NE,NW和I指标镇江-扬州,苏州-上海,扬州-台州,扬州-南京,镇江-台州分别排名第一。夏季一级,对于NU,NH,NE,NW和I指标淮南-蚌埠,上海-南通,舟山-宁波,马鞍山-南京分别排名第一。秋季一级,对于NU,NH,NE,NW和I指标徐州-淮北,淮南-蚌埠,镇江-扬州,南京-滁州,阜阳-亳州分别排名第一。联防联控的城市组的完整详细信息,请参见附表1-4。从五个不同角度,不同等级,不同季节的指标对联防联控各城市组进行了评估。多角度评估可以加深我们对长三角地区联防联控计划系统每个城市组的重要性的了解。然而,对于那些没有达到目标的城市,NU应该是最重要的指标,达到中国空气质量标准的目标应该是未来几年的首要目标。
(五)、以上的不同季节下长三角区域大气PM2.5的精细化联防联控分级方案及五个指标的评估结果和排名的集合体系就是本发明该实施案例即长三角区域41地级市大气PM2.5的精细化联防联控方案体系。建立该精细化联防联控方案体系所采用的方法就是一种定量化建立城市及不同尺度区域间大气污染精准化联防联控方案体系的新方法的实施案例。
附表1 春季联防联控城市组的NU,NH,NE,NW和I指标值
附表2:夏季联防联控城市组的NU,NH,NE,NW和I指标值
附表3:秋季联防联控城市组的NU,NH,NE,NW和I指标值
附表4:冬季联防联控城市组的NU,NH,NE,NW和I指标值
附表5 图2中的城市名称代号所代表的城市名称
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”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,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装置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”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
应当注意,本发明的实施方式可以通过计算机的硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用高性能计算机集群来实现;软件部分主要由python和C++语言来实现。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如移动硬盘等载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种建立定量化不同尺度区域间大气污染联防联控方案的方法,其特征在于,所述建立定量化不同尺度区域间大气污染联防联控方案的方法包括:
基于不同污染物,不同污染时段、不同污染水平、不同尺度区域或城市的污染物小时浓度数据建立特征变量数据库;
采用聚类分析和网络关联模型等大数据挖掘方法对数据库中的特征变量进行机器学习和数据挖掘;
对于不同污染物,不同污染时段、污染水平和对应城市或区域的污染实况设计一系列具体的关联性阈值,然后基于该系列定量化阈值进行城市组或区域组进行筛选得到每个城市或不同尺度区域的联防联控伙伴,并构成联防联控城市组或不同尺度区域组;
对所述联防联控城市组或不同尺度区域组上应用评估系统进行评估,评估指标包括:紧迫度指标、健康影响程度指标、控制弹性指标、区域影响程度指标、综合指标;
获取总区域中不同污染物,不同污染时段、不同污染水平、不同尺度区域间的联防联控方案及评估结果。
2.如权利要求1所述的建立定量化不同尺度区域间大气污染联防联控方案的方法,其特征在于,基于不同污染物,不同污染时段、不同污染水平、不同尺度区域或城市的污染物小时浓度数据建立特征变量数据库前,需进行:
根据大气污染防控的需要,选定联防联控涉及区域范围,包括多少城市,或省,或乡镇街道,或自主设定的区域范围等不同尺度区域构成的一个总区域;
从空气质量实时发布网和省级及市级大气污染物监测网获取各大气污染物的小时浓度数据,进行清洗后保存到数据库。
3.如权利要求2所述的建立定量化不同尺度区域间大气污染联防联控方案的方法,其特征在于,不同大气污染物即PM10,PM2.5,O3,SO2,NO2,CO,是空气质量标准中涉及的所有标准污染物。
4.如权利要求1所述的建立定量化不同尺度区域间大气污染联防联控方案的方法,其特征在于采用了聚类分析方法。采集到的输入数据如下:
其中,n是城市数量,m是特征变量也就是每个城市每天的PM2.5浓度值。对于i城市的变量可以用一个向量表示为:(xi1,xi2,…xim)T,i=1,2,…n;
在聚类过程中,从一个聚类到另一个聚类计算了两个聚类之间的距离;
欧几里德距离方程所示是选为衡量两个城市之间距离;
其中,dij是i城市和j城市之间的距离,同时dij=dji.
从矩阵找出非主对角线的最小距离,通过从矩阵D0移除Gi,Gj所在的行和列,Gi,Gj合并为一个新的类(Gr=(Gi,Gj)),把新类Gr合并到剩下的类中,获的新的Dn-1矩阵,重复以上步骤去获得Dn-2矩阵;连续计算,直到所有的样本被合并进一个大类中。在合并类的过程中,记录合并样本的级别和两种合并类型,最后绘制聚类谱系图。
5.如权利要求1所述的建立定量化不同尺度区域间大气污染联防联控方案的方法,其特征在于采用了复杂网络关联模型。
复杂网络关联模型用来反映众多不同尺度的区域或城市大气污染物间的关联特性;相关性系数P的绝对值越大表明两个城市之间的相关性越大,当P值为0表示两个变量之间线性独立;对于任意两个变量X={x1,x2,…xm}和Y={y1,y2,…ym},两个城市之间的相关性系数P(X,Y)是被定义为方程相关性距离等于1.0减去相关性系数;见公式:
这相关性距离,也称作皮尔逊相关距离,用来测量两个城市之间的污染物相关性的强弱。相关性越强则相关性距离越近;
利用从公开发布关于环境空气质量的各污染物浓度数据、建立污染特征水平数据库,进行聚类和网络相关模型的数据挖掘方法,设定各联防联控级别的污染物浓度关联性阈值,获得不同污染物,不同污染水平,不同时段,不同尺度区域内的联防联控的不同尺度区域组合或城市组合,即为联防联控城市组或不同尺度区域组合组。
6.如权利要求1所述的建立定量化不同尺度区域间大气污染联防联控方案的方法,其特征在于,采用五种评估指标构成的一套评估体系,对不同大气污染物、不同污染水平、不同时段的每个联防联控城市组或不同尺度区域组进行评估;评估指标包括:紧迫度指标、健康影响程度指标、控制弹性指标、区域影响程度指标、综合指标;
紧迫度指标综合分析每个城市或不同尺度区域的污染物平均浓度与空气质量标准之间的差距;健康影响程度指标分析不同城市人口的暴露风险;由于每个城市所在的地理位置不同,气候和大气污染物强度及特征不同,控制弹性指标综合分析这些影响,反映污染容易控制的程度;区域影响程度指标综合分析每个联合防控的小区域对于整个联合防控大区域的污染物的贡献程度;综合指标就是带权重各项评价指标之和。
7.如权利要求6所述的建立定量化不同尺度区域间大气污染联防联控方案的方法,其特征在于,紧迫度指标为:
其中y代表这标准化的指标NU;
健康影响程度指标为:
区域影响程度指标
单个城市组的大气污染物浓度对整个总区域的影响程度进行标准化之后作为影响程度NW指标;线性回归是将整个总区域中PM2.5的日平均浓度作为因变量Y;每个城市组中PM2.5的日平均浓度作为自变量X;通过min-max归一化方法将斜率归一化为NW值;区域影响程度指标NW的值越大,该城市组对整个总区域的大气污染物浓度的影响越大;
综合指标:
I=NU+NH+NE+NW,将综合指标(I)分为四个指标NU,NH,NE和NW的总和;该指标代表对联防联控每个城市组的综合评估;综合指标越大,优先预防和控制的重要性就越大,获得的收益就越大。
8.如权利要求1所述的建立定量化不同尺度区域间大气污染联防联控方案的方法,其特征在于,不同大气污染水平包括基于联防联控管理需求地方政府所设定的不同污染水平,不同污染时段,不同尺度区域等的划分。不同污染物水平的划分可以参照空气质量标准中的污染水平分级的优,良,轻度污染,中度污染,重度污染,严重污染的污染水平划分;
不同污染时段包括分季节,分月份,分节假日和非节假日,周末和非周末,分不同污染事件时段,分不同污染类型进行划分的时段;
不同尺度区域间包括省份间、城市组间、地级市间、县级市间、不同乡镇,不同街道间及自主设定的子区域间等各不同尺度区域间的联防联控方案制定。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
1)根据大气污染防控的需要,选定联防联控涉及区域范围,即包括多少城市,或省,或乡镇街道,或自主设定的区域范围等不同尺度区域构成的一个总区域;
2)从空气质量实时发布网和省级及市级大气污染物监测网获取各大气污染物的小时浓度数据,然后进行清洗并保存到数据库;
3)基于不同污染物,不同污染时段、不同污染水平、不同尺度区域的污染物小时浓度数据建立特征变量数据库;
4)采用聚类分析和网络关联模型等大数据挖掘方法对数据库中的特征变量进行机器学习和数据挖掘;
5)对于不同污染物,不同污染时段、不同污染水平和对应城市或区域的污染实况设计一系列具体的网络关联性阈值,然后基于该系列定量化阈值筛选得到各城市或不同尺度区域的联防联控伙伴,并构成联防联控城市组或不同尺度区域组;
6)对这些联防联控城市组或不同尺度区域组上应用评估系统进行评估,评估指标包括:紧迫度指标、健康影响程度指标、控制弹性指标、区域影响程度指标、综合指标;
7)给出该总区域中不同污染物,不同污染时段、不同污染水平、不同尺度区域间的联防联控方案及评估结果。
10.一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,使得所述处理器执行如下步骤:
1)根据大气污染防控的需要,选定联防联控涉及区域范围,即包括多少城市,或省,或乡镇街道,或自主设定的区域范围等不同尺度区域构成的一个总区域;
2)从空气质量实时发布网和省级及市级大气污染物监测网获取各大气污染物的小时浓度数据并保存到数据库;
3)基于不同污染物,不同污染时段、不同污染水平、不同尺度区域的污染物小时浓度数据建立特征变量数据库;
4)采用聚类分析和网络关联模型等大数据挖掘方法对数据库中的特征变量进行机器学习和数据挖掘;
5)对于不同污染物,不同污染时段、不同污染水平和对应城市或区域的污染实况设计一系列具体的网络关联性阈值,然后基于该系列定量化阈值筛选得到每个城市或不同尺度区域的联防联控伙伴,并构成联防联控城市组或不同尺度区域组;
6)对这些联防联控城市组或不同尺度区域组上应用评估系统进行评估,评估指标包括:紧迫度指标、健康影响程度指标、控制弹性指标、区域影响程度指标、综合指标;
7)给出该总区域中不同污染物,不同污染时段、不同污染水平、不同尺度区域间的联防联控方案及评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010745364.8A CN111897810B (zh) | 2020-07-29 | 2020-07-29 | 建立定量化不同尺度区域间大气污染联防联控方案的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010745364.8A CN111897810B (zh) | 2020-07-29 | 2020-07-29 | 建立定量化不同尺度区域间大气污染联防联控方案的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111897810A true CN111897810A (zh) | 2020-11-06 |
CN111897810B CN111897810B (zh) | 2024-03-29 |
Family
ID=73183666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010745364.8A Active CN111897810B (zh) | 2020-07-29 | 2020-07-29 | 建立定量化不同尺度区域间大气污染联防联控方案的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111897810B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402408A (zh) * | 2023-06-06 | 2023-07-07 | 北京工业大学 | 一种基于站点浓度差异的本外地排放贡献估算方法 |
CN116881749A (zh) * | 2023-09-01 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种污染场地施工监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002063539A1 (en) * | 2001-02-08 | 2002-08-15 | Aeroqual Limited | Air quality monitoring system |
CN102385313A (zh) * | 2011-06-17 | 2012-03-21 | 上海市供水调度监测中心 | 基于实时水压信息的城市供水区域动态划分控制方法 |
CN102934081A (zh) * | 2010-04-13 | 2013-02-13 | Et国际有限公司 | 运行空间方法、系统和装置 |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
JP2017111816A (ja) * | 2015-12-15 | 2017-06-22 | 株式会社リコー | 物体分割方法及び装置 |
CN107563562A (zh) * | 2017-09-08 | 2018-01-09 | 新奥泛能网络科技股份有限公司 | 网格化城市大气污染物排放的评估方法及装置 |
-
2020
- 2020-07-29 CN CN202010745364.8A patent/CN111897810B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002063539A1 (en) * | 2001-02-08 | 2002-08-15 | Aeroqual Limited | Air quality monitoring system |
CN102934081A (zh) * | 2010-04-13 | 2013-02-13 | Et国际有限公司 | 运行空间方法、系统和装置 |
CN102385313A (zh) * | 2011-06-17 | 2012-03-21 | 上海市供水调度监测中心 | 基于实时水压信息的城市供水区域动态划分控制方法 |
JP2017111816A (ja) * | 2015-12-15 | 2017-06-22 | 株式会社リコー | 物体分割方法及び装置 |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN107563562A (zh) * | 2017-09-08 | 2018-01-09 | 新奥泛能网络科技股份有限公司 | 网格化城市大气污染物排放的评估方法及装置 |
Non-Patent Citations (3)
Title |
---|
李瑞;李清;徐健;李亮;葛朝军;黄凌;孙登红;刘子义;张坤;周国柱;王杨君;胡子梅;宋燕西;陈勇航;李莉;: "秋冬季区域性大气污染过程对长三角北部典型城市的影响", 环境科学, no. 04, 15 April 2020 (2020-04-15) * |
李莉;程水源;陈东升;付红玲;郎建垒: "城市尺度污染贡献敏感性三维空间分布研究", 环境科学研究, vol. 23, no. 9, 15 September 2010 (2010-09-15) * |
杨志恒;: "基于Ward法的区域空间聚类分析", 中国人口・资源与环境, no. 1, 4 June 2010 (2010-06-04) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402408A (zh) * | 2023-06-06 | 2023-07-07 | 北京工业大学 | 一种基于站点浓度差异的本外地排放贡献估算方法 |
CN116402408B (zh) * | 2023-06-06 | 2023-09-26 | 北京工业大学 | 一种基于站点浓度差异的本外地排放贡献估算方法 |
CN116881749A (zh) * | 2023-09-01 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种污染场地施工监测方法及系统 |
CN116881749B (zh) * | 2023-09-01 | 2023-11-17 | 北京建工环境修复股份有限公司 | 一种污染场地施工监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111897810B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Varga | University research and regional innovation: a spatial econometric analysis of academic technology transfers | |
CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
Hamrick et al. | Diverse information-gathering methods in the postsecondary decision-making process | |
Zhao et al. | Evaluating the effects of campaign-style environmental governance: evidence from Environmental Protection Interview in China | |
Pope et al. | A multi-objective assessment of an air quality monitoring network using environmental, economic, and social indicators and GIS-based models | |
CN111897810B (zh) | 建立定量化不同尺度区域间大气污染联防联控方案的方法 | |
Kadiyala et al. | Development of hybrid genetic-algorithm-based neural networks using regression trees for modeling air quality inside a public transportation bus | |
CN115033809A (zh) | 一种城市颗粒物时空管控方法 | |
Patil et al. | A literature review on prediction of air quality index and forecasting ambient air pollutants using machine learning algorithms | |
US8620686B1 (en) | Method for dynamic geospatial analysis with collaborative decision making | |
CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
CN110989043A (zh) | 空气质量指数级别概率预报方法、装置及存储介质 | |
Elias | Methodological, statistical and practical issues arising from the collection and analysis of work history information by survey techniques | |
Sharma et al. | Forecasting and prediction of air pollutants concentrates using machine learning techniques: the case of India | |
CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
Mumpower et al. | Scientific information, social values, and policy formation: The application of simulation models and judgment analysis to the Denver regional air pollution problem | |
Treboux et al. | A predictive data-driven model for traffic-jams forecasting in smart santader city-scale testbed | |
CN112417286A (zh) | 区域性文化产业集聚的影响因素分析方法和系统 | |
CN110610446A (zh) | 一种基于两步聚类思路的县域城镇分类方法 | |
CN115952216A (zh) | 一种养老保险数据挖掘方法、装置、存储介质及电子设备 | |
Kocakoç et al. | Exploring decision rules for election results by classification trees | |
Vidal et al. | Cities challenges in the contemporary societies: Urban sustainability and environmental issues: Os Desafios das Cidades nas Sociedades Contemporâneas Sustentabilidade Urbana e Questões Ambientais | |
CN112883169B (zh) | 一种基于大数据的矛盾演化分析方法及装置 | |
Varghese et al. | Robust Air Quality Prediction Based on Regression and XGBoost | |
Çekim et al. | The impact of google trends on the tourist arrivals: a case of antalya tourism |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230724 Address after: Room 605, No. 2, Lane 2899, Guangfu West Road, Putuo District, Shanghai, 200062 Applicant after: SHANGHAI READEARTH INFORMATION TECHNOLOGY Co.,Ltd. Address before: 200444 No. 99, upper road, Shanghai, Baoshan District Applicant before: Shanghai University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |