CN112131336B - 一种污染源定位方法、装置、计算机设备及存储介质 - Google Patents

一种污染源定位方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112131336B
CN112131336B CN202011335648.6A CN202011335648A CN112131336B CN 112131336 B CN112131336 B CN 112131336B CN 202011335648 A CN202011335648 A CN 202011335648A CN 112131336 B CN112131336 B CN 112131336B
Authority
CN
China
Prior art keywords
source
initial
coordinates
individual
sensor
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
CN202011335648.6A
Other languages
English (en)
Other versions
CN112131336A (zh
Inventor
吴敏政
郑家顺
潘衡
邹珂
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.)
Chengdu Feiyingsi Technology Co Ltd
Original Assignee
Chengdu Feiyingsi Technology Co Ltd
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 Chengdu Feiyingsi Technology Co Ltd filed Critical Chengdu Feiyingsi Technology Co Ltd
Priority to CN202011335648.6A priority Critical patent/CN112131336B/zh
Publication of CN112131336A publication Critical patent/CN112131336A/zh
Application granted granted Critical
Publication of CN112131336B publication Critical patent/CN112131336B/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
    • 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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Food Science & Technology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Biochemistry (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Analytical Chemistry (AREA)
  • Combustion & Propulsion (AREA)
  • Immunology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)

Abstract

本发明公开了一种污染源定位方法、装置、计算机设备及存储介质，该方法通过获取P个初始个体，每一初始个体包括随机生成的M个污染源的标准坐标和初始源强，然后根据传感器的标准坐标和污染物实测浓度，采用最低损失迭代算法对每一初始个体中的初始源强进行迭代处理，得到目标个体，基于所有目标个体生成初始种群污染源，最后通过差分进化算法对初始种群进行优化处理得到源强最优解，并将源强最优解中污染源的标准坐标作为污染源的有效坐标，将有效坐标转换为地理位置坐标，从而实现对污染源的准确定位。

Description

一种污染源定位方法、装置、计算机设备及存储介质
技术领域
本发明涉及污染源定位技术领域，具体涉及一种污染源定位方法、装置、计算机设备及存储介质。
背景技术
随着中国经济的飞速发展，各行业的工业化程度也越来越深，尤其涉及化工类生产的行业，其环境污染问题尤为明显。在生产过程中，当工业气体发生泄漏时，安装在现场的传感器会实时采集现场的气体浓度和气象数据等，以确定污染源的位置。目前对污染源进行定位的算法大致可以划分为两种：一、根据污染物实测浓度梯度，进行迂回搜索，依据正向浓度概率密度与逆向位置概率密度的耦合关系，确定污染源的位置；二、基于大量模拟计算模拟所有可能出现的污染物泄露场景，并存储在数据库中，当发生污染物泄露时，可以直接进行匹配查找，确定污染源位置。上述第一种算法需要特定设备（如机器人、无人机或机器鱼等），而特定的设备并不适应所有的应用场景，在一些环境复杂的应用场景中，特定设备的搜索路线会遇到重重阻碍，影响污染源定位的准确性；第二种算法无法穷举所有污染物泄露的情况，在一些没有模拟计算的污染物泄露的场景下，无法完成对污染源定位的需求。
发明内容
本发明所要解决的技术问题是现有确定污染源的算法受到环境因素影响较大，无法在所有污染物泄露的场景下对污染源进行准确定位。因此，提供一种污染源定位方法及装置、计算机设备及存储介质，通过最低损失迭代算法和差分进化算法得到源强最优解，并根据源强最优解计算污染源的位置信息，从而实现对污染源的准确定位。
本发明通过下述技术方案实现：
一种污染源定位方法，包括：
实时获取布置在各传感器节点上的传感器发送的位置坐标和污染物实测浓度，并将所述位置坐标转换为传感器的标准坐标；
获取P个初始个体，每一所述初始个体包括随机生成的M个污染源的标准坐标和初始源强；其中，P和M为正整数；
基于所述传感器的标准坐标和所述污染物实测浓度，采用最低损失迭代算法对每一所述初始个体中的初始源强进行迭代处理，得到目标个体，基于所有目标个体生成初始种群；
基于所述传感器的标准坐标和所述污染物实测浓度，通过差分进化算法对所述初始种群进行优化处理，将损失值最低的目标个体的源强作为源强最优解；
将所述源强最优解中污染源的标准坐标作为有效坐标；
将所述有效坐标转换为地理位置坐标，得到污染源地理位置信息。
进一步地，所述基于所述传感器的标准坐标和所述污染物实测浓度，采用最低损失迭代算法对每一所述初始个体中的初始源强进行迭代处理，得到目标个体，包括：
基于所述传感器的标准坐标和所述污染物实测浓度，通过最低损失迭代算法对所述初始个体进行迭代处理，当所述最低损失迭代算法进行至m次迭代时，则通过
Figure 661249DEST_PATH_IMAGE001
次迭代处理后的最低损失对应的源强对损失函数求解，选择使得损失函数值降低最多的解作为每个污染源的n次迭代最优解；其中，
Figure 664977DEST_PATH_IMAGE002
，n指迭代总次数；
其中，所述最低损失迭代算法具体为：采用损失函数对所述初始个体中的每一污染源在
Figure 184951DEST_PATH_IMAGE001
次迭代处理所得到的源强以及所述污染源的污染物理论浓度进行计算，获取每一所述污染源在m次迭代的最优解，当
Figure 844603DEST_PATH_IMAGE003
时，则得到n次迭代最优解；
将M个污染源的标准坐标和源强的的n次迭代最优解作为一个目标个体。
进一步地，所述基于所述传感器的标准坐标和所述污染物实测浓度，通过差分进化算法对所述初始种群进行优化处理，将损失值最低的目标个体的源强作为源强最优解，包括：
对所述初始种群中的每个目标个体进行突变和交叉处理，得到一组P个新目标个体；
基于所述传感器的标准坐标和所述污染物实测浓度，采用损失函数对所述新目标个体进行计算，得到损失值，对每一个新目标个体，对比新目标个体和原目标个体的损失值，并保留损失值较小的目标个体在种群内做下一步迭代；
当新的种群中所有所述目标个体损失值均小于设定阈值时，则从中选择损失值最小的目标个体的源强作为源强最优解。
进一步地，所述损失函数具体为
Figure 865648DEST_PATH_IMAGE004
，其中，Re指损失值，
Figure 661566DEST_PATH_IMAGE005
指传感器的个数，
Figure 352441DEST_PATH_IMAGE006
指污染源的个数，
Figure 561706DEST_PATH_IMAGE007
指第个
Figure 324126DEST_PATH_IMAGE008
传感器节点的污染物理论浓度与第
Figure 676347DEST_PATH_IMAGE009
个污染源源强之间的比例系数，
Figure 397179DEST_PATH_IMAGE010
指对所有污染源提供的污染物理论浓度的求和，其中，污染物理论浓度指根据传感器所处位置的标准坐标和污染源当前迭代的源强计算出的浓度，
Figure 31422DEST_PATH_IMAGE011
指第
Figure 269637DEST_PATH_IMAGE008
个传感器节点上的传感器测量的污染物实测浓度，
Figure 305726DEST_PATH_IMAGE012
指第
Figure 463038DEST_PATH_IMAGE009
个污染源当前迭代的源强。
进一步地，所述污染源定位方法还包括：
获取布置在各传感器节点上的传感器发送的气象监测数据和污染物监测浓度；
通过Pasquill分级方法对所述气象监测数据进行判断，确定大气稳定度级别，基于所述大气稳定度级别获取扩散参数；
基于所述传感器的标准坐标和所述扩散参数构建扩散模型，获取所述传感器节点的污染物理论浓度；
基于所述污染物监测浓度和所述污染物理论浓度构建损失函数。
进一步地，所述通过Pasquill分级方法对所述气象监测数据进行判断，确定大气稳定度级别，包括：
通过P-G扩散曲线法对所述气象监测数据进行分析，获取扩散参数；
通过Pasquill分级方法对所述扩散参数进行进行判断，确定大气稳定度级别。
进一步地，所述实时获取布置在各传感器节点上的传感器发送的位置坐标，并将所述位置坐标转换为传感器的标准坐标，包括：
获取布置在各传感器节点上的传感器发送的位置坐标和气象监测数据，并从所述气象监测数据中获取稳态风向角；
基于所述稳态风向角和所述位置坐标构建旋转坐标系，获取各传感器节点上布置的传感器的标准坐标。
一种污染源定位装置，包括：
位置坐标转换模块，用于实时获取布置在各传感器节点上的传感器发送的位置坐标和污染物实测浓度，并将所述位置坐标转换为传感器的标准坐标；
初始个体生成模块，用于获取P个初始个体，每一所述初始个体包括随机生成的M个污染源的标准坐标和初始源强；其中，P和M为正整数；
初始种群生成模块，用于基于所述传感器的标准坐标和所述污染物实测浓度，采用最低损失迭代算法对每一所述初始个体中的初始源强进行迭代处理，得到目标个体，基于所有目标个体生成初始种群；
优化处理模块，用于基于所述传感器的标准坐标和所述污染物实测浓度，通过差分进化算法对所述初始种群进行优化处理，将损失值最低的目标个体的源强作为源强最优解；
有效坐标获取模块，用于将所述源强最优解中污染源的标准坐标作为有效坐标；
有效坐标转换模块，用于将所述有效坐标转换为地理位置坐标，得到污染源地理位置信息。
一种计算机设备，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，所述处理器执行所述计算机程序时实现上述污染源定位方法。
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上述污染源定位方法。
本发明提供的污染源定位方法、装置、计算机设备及存储介质，通过获取P个初始个体，每一初始个体包括随机生成的M个污染源的标准坐标和初始源强，然后根据传感器的标准坐标和污染物实测浓度，采用最低损失迭代算法对每一初始个体中的初始源强进行迭代处理，得到目标个体，基于所有目标个体生成初始种群污染源，最后通过差分进化算法对初始种群进行优化处理得到源强最优解，并将源强最优解中污染源的标准坐标作为污染源的有效坐标，将有效坐标转换为地理位置坐标，从而实现对污染源的准确定位，该污染源定位方法、装置、计算机设备及存储介质不受环境限制，可实现对各种污染物泄露环境下的污染源进行定位。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明污染源定位方法的流程图。
图2为图1中步骤S30的一具体流程图。
图3为图1中步骤S40的一具体流程图。
图4为本发明污染源定位方法的另一流程图。
图5为图4中步骤S72的一具体流程图。
图6为图1中步骤S11的一具体流程图。
图7为本发明污染源定装置的结构示意图。
图8为本发明计算机设备的一示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本发明提供一种污染源定位方法，该方法可应用于不同计算机设备中，该计算机设备包括但不限于各种个人计算机、笔记本电脑、智能手机和平板电脑。
如图1所示，本发明提供一种污染源定位方法，包括如下步骤：
S10：实时获取布置在各传感器节点上的传感器发送的位置坐标和污染物实测浓度，并将位置坐标转换为传感器的标准坐标。
其中，传感器发送的位置坐标为经纬度坐标（WGS-84坐标），为方便后续计算，本实施例在获取经纬度坐标后，需将纬度坐标转换为二维坐标，即传感器的标准坐标（北京54坐标）。
为方便区分，本实施例将传感器发送的位置坐标记为
Figure 256681DEST_PATH_IMAGE013
，标准坐标记为
Figure 360904DEST_PATH_IMAGE014
。
S20：获取P个初始个体，每一初始个体包括随机生成的M个污染源的标准坐标和初始源强。其中，P和M为正整数。
其中，初始源强指预先设置的在迭代开始之前的源强。本实施例将每一污染源的初始源强设为0。
具体地，在得到每一污染源的标准坐标后，根据设置的每一污染源的初始源强，将每一污染源的标准坐标和初始源强作为一个个体
Figure 48237DEST_PATH_IMAGE015
，P个初始个体可表示为
Figure 579712DEST_PATH_IMAGE016
。
S30：基于传感器的标准坐标和污染物实测浓度，采用最低损失迭代算法对每一初始个体中的初始源强进行迭代处理，得到目标个体，基于所有目标个体生成初始种群。
其中，目标个体指经过最低损失迭代算法对初始源强进行处理迭代处理后形成的个体。在得到目标个体后，将所有目标个体作为一个初始种群。
S40：基于传感器的标准坐标和污染物实测浓度，通过差分进化算法对初始种群进行优化处理，将损失值最低的目标个体的源强作为源强最优解。
具体地，在得到传感器的标准坐标和污染物实测浓度后，通过差分进化算法对初始种群突变，交叉，选择等优化处理之后，将最后一轮的最优解作为污染源在当前时刻的源强最优解。
S50：将源强最优解中污染源的标准坐标作为有效坐标。
其中，有效坐标指基于源强最优解中污染源的标准坐标。
S60：将有效坐标转换为地理位置坐标，得到污染源地理位置信息。
具体地，在得到有效坐标后，将有效坐标（即二维坐标）转换为位置坐标（即经纬度坐标），作为污染源的地理位置信息。
进一步地，如图2所示，步骤S30中，基于传感器的标准坐标和污染物实测浓度，采用最低损失迭代算法对每一初始个体中的初始源强进行迭代处理，得到目标个体，具体包括如下步骤：
S31：基于传感器的标准坐标和污染物实测浓度，通过最低损失迭代算法对初始个体进行迭代处理，当最低损失迭代算法进行至m次迭代时，则通过
Figure 595073DEST_PATH_IMAGE001
次迭代处理后的最低损失对应的源强对损失函数求解，选择使得损失函数值降低最多的解作为每个污染源的m次迭代最优解。其中，
Figure 565303DEST_PATH_IMAGE002
，n指迭代总次数。
其中，最低损失迭代算法具体为：
采用损失函数对第一种群中的每一污染源在
Figure 310405DEST_PATH_IMAGE001
次迭代处理所得到的源强以及污染源的污染物理论浓度进行计算，获取每一污染源在m次迭代最优解，当
Figure 449000DEST_PATH_IMAGE003
时，则得到n次迭代最优解。
本实施例中的污染物理论浓度指通过扩散模型计算得到的污染物实测浓度。
S32：将M个污染源的标准坐标和源强的n次迭代最优解作为一个目标个体。
进一步地，如图3所示，步骤S40中，基于传感器的标准坐标和污染物实测浓度，通过差分进化算法对初始种群进行优化处理，将损失值最低的目标个体的源强作为源强最优解，具体包括如下步骤：
S41：对初始种群中的每个目标个体进行突变和交叉处理，得到一组P个新目标个体。
S42：基于传感器的标准坐标和污染物实测浓度，采用损失函数对新目标个体进行计算，得到损失值，对每一个新目标个体，对比新目标个体和原目标个体的损失值，并保留损失值较小的目标个体在种群内做下一步迭代。
S43：当新的种群中所有目标个体损失值均小于设定阈值时，则从中选择损失值最小的目标个体的源强作为源强最优解。
进一步地，当较小损失值中存在不小于设定阈值的值时，则继续通过步骤S41-步骤S43对初始种群进行优化处理，直至所有较小损失值均小于设定阈值停止优化处理，并从较小损失值中选择损失值最小的目标个体的源强作为源强最优解。
进一步地，本实施例中的损失函数具体为
Figure 76290DEST_PATH_IMAGE004
，其中，Re指损失值，
Figure 522315DEST_PATH_IMAGE005
指传感器的个数，
Figure 59607DEST_PATH_IMAGE006
指污染源的个数，
Figure 729623DEST_PATH_IMAGE007
指第
Figure 47472DEST_PATH_IMAGE008
个传感器节点的污染物理论浓度与第
Figure 969291DEST_PATH_IMAGE017
个污染源源强之间的比例系数，
Figure 688986DEST_PATH_IMAGE010
指对所有污染源提供的污染物理论浓度的求和，其中，污染物理论浓度指根据传感器所处位置的标准坐标和污染源当前迭代的源强计算出的浓度，
Figure 529903DEST_PATH_IMAGE018
指第
Figure 272731DEST_PATH_IMAGE019
个传感器节点上的传感器测量的污染物实测浓度，
Figure 60558DEST_PATH_IMAGE020
指第
Figure 431497DEST_PATH_IMAGE017
个污染源当前迭代的源强。
具体地，当污染源位置和传感器位置确定之后，根据扩散模型，传感器所在污染源的污染物实测浓度和污染源的源强比例是一个常数也就是比例系数
Figure 82796DEST_PATH_IMAGE007
。本实施例中的
Figure 109657DEST_PATH_IMAGE007
可通过步骤S33中的扩散模型计算得到。
进一步地，如图4所示，污染源定位方法还包括：
S71：获取布置在各传感器节点上的传感器发送的气象监测数据和污染物监测浓度。
其中，气象监测数据指布置在各传感器节点上的传感器监测到的数据，该气象监测数据包括但不限于气温、气压、风向和温湿度。
S72：通过Pasquill分级方法对气象监测数据进行判断，确定大气稳定度级别，基于大气稳定度级别获取扩散参数。
具体地，根据Pasquill对气象监测数据进行判断，查取大气稳定度，然后根据大气稳定度级别获取扩散参数。
S73：基于传感器的标准坐标和扩散参数构建扩散模型，获取传感器节点的污染物理论浓度。
具体地，本实施例中的扩散模型具体为基于传感器的标准坐标和扩散参数构建的高斯模型。该扩散模型具体为
Figure 497913DEST_PATH_IMAGE021
，其中，
Figure 864304DEST_PATH_IMAGE022
指坐标为
Figure 250286DEST_PATH_IMAGE023
的传感器节点的污染物理论浓度与位于原点（0，0，0）的污染源发出的污染物浓度之间的比例系数，
Figure 92340DEST_PATH_IMAGE024
指平均风速，
Figure 894074DEST_PATH_IMAGE025
指y方向的扩散参数，
Figure 177288DEST_PATH_IMAGE026
指z方向的扩散参数，
Figure 62067DEST_PATH_IMAGE027
指传感器节点的标准横坐标，
Figure 735625DEST_PATH_IMAGE028
指传感器节点的标准纵坐标（垂直于x轴的水平方向的坐标轴），
Figure 668946DEST_PATH_IMAGE029
指传感器节点的标准高度坐标。
S74：基于污染物监测浓度和污染物理论浓度构建损失函数。
进一步地，如图5所示，步骤S72，通过Pasquill分级方法对气象监测数据进行判断，确定大气稳定度级别，具体包括如下步骤：
S721：通过P-G扩散曲线法对气象监测数据进行分析，获取扩散参数。
S722：通过Pasquill分级方法对扩散参数进行进行判断，确定大气稳定度级别。
进一步地，如图6所示，步骤S10，实时获取布置在各传感器节点上的传感器发送的位置坐标，并将位置坐标转换为传感器的标准坐标，具体包括如下步骤：
S11：获取布置在各传感器节点上的传感器发送的位置坐标和气象监测数据，并从气象监测数据中获取稳态风向角。
S12：基于稳态风向角和位置坐标构建旋转坐标系，获取各传感器节点上布置的传感器的标准坐标。
具体地，基于稳态风向角和位置坐标构建的旋转坐标系为：
Figure 868983DEST_PATH_IMAGE030
其中，
Figure 862347DEST_PATH_IMAGE031
指稳态风向角，
Figure 521736DEST_PATH_IMAGE032
指传感器发送的位置坐标，
Figure 55485DEST_PATH_IMAGE033
指位置坐标经旋转坐标系转换处理后得到的传感器的标准坐标。
本发明提供的污染源定位方法，通过获取P个初始个体，每一初始个体包括随机生成的M个污染源的标准坐标和初始源强，然后根据传感器的标准坐标和污染物实测浓度，采用最低损失迭代算法对每一初始个体中的初始源强进行迭代处理，得到目标个体，基于所有目标个体生成初始种群污染源，最后通过差分进化算法对初始种群进行优化处理得到源强最优解，并将源强最优解中污染源的标准坐标作为污染源的有效坐标，将有效坐标转换为地理位置坐标，从而实现对污染源的准确定位，该污染源定位方法、装置、计算机设备及存储介质不受环境限制，可实现对各种污染物泄露环境下的污染源进行定位，该污染源定位方法、装置、计算机设备及存储介质不受环境限制，可实现对各种污染物泄露环境下的污染源进行定位。
实施例2
如图7所示，本实施例与实施例1的区别在于，一种污染源定位装置，包括：
位置坐标转换模块10，用于实时获取布置在各传感器节点上的传感器发送的位置坐标和污染物实测浓度，并将位置坐标转换为传感器的标准坐标。
初始个体生成模块20，用于获取P个初始个体，每一初始个体包括随机生成的M个污染源的标准坐标和初始源强。其中，P和M为正整数。
初始种群生成模块30，用于基于传感器的标准坐标和污染物实测浓度，采用最低损失迭代算法对每一初始个体中的初始源强进行迭代处理，得到目标个体，基于所有目标个体生成初始种群。
优化处理模块40，用于基于传感器的标准坐标和污染物实测浓度，通过差分进化算法对初始种群进行优化处理，将损失值最低的目标个体的源强作为源强最优解。
有效坐标获取模块50，用于将源强最优解中污染源的标准坐标作为有效坐标。
有效坐标转换模块60，用于将有效坐标转换为地理位置坐标，得到污染源地理位置信息。
进一步地，初始种群生成模块30包括迭代处理单元和目标个体生成单元。
迭代处理单元，用于基于传感器的标准坐标和污染物实测浓度，通过最低损失迭代算法对初始个体进行迭代处理，当最低损失迭代算法进行至
Figure 313291DEST_PATH_IMAGE034
次迭代时，则通过
Figure 415240DEST_PATH_IMAGE001
次迭代处理后的最低损失对应的源强对损失函数求解，选择使得损失函数值降低最多的解作为每个污染源的n次迭代最优解。其中，
Figure 922444DEST_PATH_IMAGE002
，n指迭代总次数。
其中，最低损失迭代算法具体为：采用损失函数对第一种群中的每一污染源在
Figure 197568DEST_PATH_IMAGE001
次迭代处理所得到的源强以及污染源的污染物理论浓度进行计算，获取每一污染源在m次迭代最优解，当
Figure 513143DEST_PATH_IMAGE003
时，则得到n次迭代最优解。
目标个体生成单元，用于将M个污染源的标准坐标和源强的n次迭代最优解作为一个目标个体。
进一笔地，优化处理模块40包括突变和交叉处理单元、选择单元和源强最优解计算单元。
突变和交叉处理单元，用于对初始种群中的每个目标个体进行突变和交叉处理，得到一组P个新目标个体。
选择单元，用于基于传感器的标准坐标和污染物实测浓度，采用损失函数对新目标个体进行计算，得到损失值，对每一个新目标个体，对比新目标个体和原目标个体的损失值，并保留损失值较小的目标个体在种群内做下一步迭代。
源强最优解计算单元，用于当新的种群中所有目标个体损失值均小于设定阈值时，则从中选择损失值最小的目标个体的源强作为源强最优解。
进一步地，损失函数具体为
Figure 582730DEST_PATH_IMAGE004
，其中，Re指损失值，
Figure 842810DEST_PATH_IMAGE005
指传感器的个数，
Figure 593728DEST_PATH_IMAGE006
指污染源的个数，
Figure 826127DEST_PATH_IMAGE007
指第
Figure 128932DEST_PATH_IMAGE008
个传感器节点的污染物理论浓度与第
Figure 79570DEST_PATH_IMAGE035
个污染源源强之间的比例系数，
Figure 867136DEST_PATH_IMAGE010
指对所有污染源提供的污染物理论浓度的求和，其中，污染物理论浓度指根据传感器所处位置的标准坐标和污染源当前迭代的源强计算出的浓度，
Figure 16357DEST_PATH_IMAGE036
指第
Figure 365430DEST_PATH_IMAGE037
个传感器节点上的传感器测量的污染物实测浓度，
Figure 537785DEST_PATH_IMAGE038
指第
Figure 755140DEST_PATH_IMAGE035
个污染源当前迭代的源强。
进一步地，污染源定位装置还包括传感器数据测量模块、大气稳定度级别处理模块、污染物理论浓度获取模块和损失函数构建模块。
传感器数据测量模块，用于获取布置在各传感器节点上的传感器发送的气象监测数据和污染物监测浓度。
大气稳定度级别处理模块，用于通过Pasquill分级方法对气象监测数据进行判断，确定大气稳定度级别，基于大气稳定度级别获取扩散参数。
污染物理论浓度获取模块，用于基于传感器的标准坐标和扩散参数构建扩散模型，获取传感器节点的污染物理论浓度。
损失函数构建模块，用于基于污染物监测浓度和污染物理论浓度构建损失函数。
进一步地，大气稳定度级别处理模块包括扩散参数获取单元和大气稳定度级别计算单元。
扩散参数获取单元，用于通过P-G扩散曲线法对气象监测数据进行分析，获取扩散参数。
大气稳定度级别计算单元，用于通过Pasquill分级方法对扩散参数进行进行判断，确定大气稳定度级别。
进一步地，位置坐标转换模块10包括稳态风向角获取单元和标准坐标获取单元。
稳态风向角获取单元，用于获取布置在各传感器节点上的传感器发送的位置坐标和气象监测数据，并从气象监测数据中获取稳态风向角。
标准坐标获取单元，用于基于稳态风向角和位置坐标构建旋转坐标系，获取各传感器节点上布置的传感器的标准坐标。
关于污染源定位的具体限定可以参见上文中对于污染源定位方法的限定，在此不再赘述。上述污染源定位中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
实施例3
本实施例提供一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括计算机可读存储介质、内存储器。该计算机可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为计算机可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储污染源定位方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种污染源定位方法。
本实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中污染源定位方法的步骤，例如图1所示的步骤S10至步骤S60，或者，图2-图6所示的步骤，为避免重复，这里不再赘述。或者，处理器执行计算机程序时实现上述实施例中污染源定位装置的各模块/单元的功能，例如图7所示模块10至模块60的功能。为避免重复，这里不再赘述。
实施例4
本实施例，提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中污染源定位方法的步骤，例如图1所示的步骤S10-S60，或者，图2-图6所示的步骤，为避免重复，这里不再赘述。或者，处理器执行计算机程序时实现污染源定位装置这一实施例中的各模块/单元的功能，例如图7所示的模块10至模块60的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种污染源定位方法，其特征在于，包括：
实时获取布置在各传感器节点上的传感器发送的位置坐标和污染物实测浓度，并将所述位置坐标转换为传感器的标准坐标；
获取P个初始个体，每一所述初始个体包括随机生成的M个污染源的标准坐标和初始源强；其中，P和M为正整数；
基于所述传感器的标准坐标和所述污染物实测浓度，采用最低损失迭代算法对每一所述初始个体中的初始源强进行迭代处理，得到目标个体，基于所有目标个体生成初始种群；
基于所述传感器的标准坐标和所述污染物实测浓度，通过差分进化算法对所述初始种群进行优化处理，将损失值最低的目标个体的源强作为源强最优解；
将所述源强最优解中污染源的标准坐标作为有效坐标；
将所述有效坐标转换为地理位置坐标，得到污染源地理位置信息；
其中，所述基于所述传感器的标准坐标和所述污染物实测浓度，采用最低损失迭代算法对每一所述初始个体中的初始源强进行迭代处理，得到目标个体，包括：
基于所述传感器的标准坐标和所述污染物实测浓度，通过最低损失迭代算法对所述初始个体进行迭代处理，当所述最低损失迭代算法进行至
Figure DEST_PATH_IMAGE001
次迭代时，则通过
Figure DEST_PATH_IMAGE002
次迭代处理后的最低损失对应的源强对损失函数求解，选择使得损失函数值降低最多的解作为每个污染源的
Figure 90954DEST_PATH_IMAGE001
次迭代最优解；其中，
Figure DEST_PATH_IMAGE003
，n指迭代总次数；
其中，所述最低损失迭代算法具体为：采用损失函数对所述初始个体中的每一污染源在
Figure 178733DEST_PATH_IMAGE002
次迭代处理所得到的源强以及所述污染源的污染物理论浓度进行计算，获取每一所述污染源在m次迭代的最优解，当
Figure DEST_PATH_IMAGE004
时，则得到n次迭代最优解；
其中，所述基于所述传感器的标准坐标和所述污染物实测浓度，通过差分进化算法对所述初始种群进行优化处理，将损失值最低的目标个体的源强作为源强最优解，包括：
对所述初始种群中的每个目标个体进行突变和交叉处理，得到一组P个新目标个体；
基于所述传感器的标准坐标和所述污染物实测浓度，采用损失函数对所述新目标个体进行计算，得到损失值，对每一个新目标个体，对比新目标个体和原目标个体的损失值，并保留损失值较小的目标个体在种群内做下一步迭代；
当新的种群中所有所述目标个体损失值均小于设定阈值时，则从中选择损失值最小的目标个体的源强作为源强最优解；
所述最低损失迭代算法具体为：
所述损失函数具体为
Figure DEST_PATH_IMAGE005
，其中，Re指损失值，
Figure DEST_PATH_IMAGE006
指传感器的个数，M指污染源的个数，
Figure DEST_PATH_IMAGE007
指第
Figure DEST_PATH_IMAGE008
个传感器节点的污染物理论浓度与第
Figure DEST_PATH_IMAGE009
个污染源源强之间的比例系数，
Figure DEST_PATH_IMAGE010
指对所有污染源提供的污染物理论浓度的求和，其中，污染物理论浓度指根据传感器所处位置的标准坐标和污染源当前迭代的源强计算出的浓度，
Figure DEST_PATH_IMAGE011
指第
Figure 364995DEST_PATH_IMAGE008
个传感器节点上的传感器测量的污染物实测浓度，
Figure DEST_PATH_IMAGE012
指第
Figure 432308DEST_PATH_IMAGE009
个污染源当前迭代的源强。
2.根据权利要求1所述的污染源定位方法，其特征在于，将M个污染源的标准坐标和源强的n次迭代最优解作为一个目标个体。
3.根据权利要求1所述的污染源定位方法，其特征在于，所述污染源定位方法还包括：
获取布置在各传感器节点上的传感器发送的气象监测数据和污染物监测浓度；
通过Pasquill分级方法对所述气象监测数据进行判断，确定大气稳定度级别，基于所述大气稳定度级别获取扩散参数；
基于所述传感器的标准坐标和所述扩散参数构建扩散模型，获取所述传感器节点的污染物理论浓度；
基于所述污染物监测浓度和所述污染物理论浓度构建损失函数。
4.根据权利要求3所述的污染源定位方法，其特征在于，所述通过Pasquill分级方法对所述气象监测数据进行判断，确定大气稳定度级别，包括：
通过P-G扩散曲线法对所述气象监测数据进行分析，获取扩散参数；
通过Pasquill分级方法对所述扩散参数进行进行判断，确定大气稳定度级别。
5.根据权利要求1所述的污染源定位方法，其特征在于，所述实时获取布置在各传感器节点上的传感器发送的位置坐标，并将所述位置坐标转换为传感器的标准坐标，包括：
获取布置在各传感器节点上的传感器发送的位置坐标和气象监测数据，并从所述气象监测数据中获取稳态风向角；
基于所述稳态风向角和所述位置坐标构建旋转坐标系，获取各传感器节点上布置的传感器的标准坐标。
6.一种污染源定位装置，其特征在于，包括：
位置坐标转换模块，用于实时获取布置在各传感器节点上的传感器发送的位置坐标和污染物实测浓度，并将所述位置坐标转换为传感器的标准坐标；
初始个体生成模块，用于获取P个初始个体，每一所述初始个体包括随机生成的M个污染源的标准坐标和初始源强；其中，P和M为正整数；
初始种群生成模块，用于基于所述传感器的标准坐标和所述污染物实测浓度，采用最低损失迭代算法对每一所述初始个体中的初始源强进行迭代处理，得到目标个体，基于所有目标个体生成初始种群；
优化处理模块，用于基于所述传感器的标准坐标和所述污染物实测浓度，通过差分进化算法对所述初始种群进行优化处理，将损失值最低的目标个体的源强作为源强最优解；
有效坐标获取模块，用于将所述源强最优解中污染源的标准坐标作为有效坐标；
有效坐标转换模块，用于将所述有效坐标转换为地理位置坐标，得到污染源地理位置信息;
其中，所述基于所述传感器的标准坐标和所述污染物实测浓度，采用最低损失迭代算法对每一所述初始个体中的初始源强进行迭代处理，得到目标个体，包括：
基于所述传感器的标准坐标和所述污染物实测浓度，通过最低损失迭代算法对所述初始个体进行迭代处理，当所述最低损失迭代算法进行至
Figure 512260DEST_PATH_IMAGE001
次迭代时，则通过
Figure 974203DEST_PATH_IMAGE002
次迭代处理后的最低损失对应的源强对损失函数求解，选择使得损失函数值降低最多的解作为每个污染源的
Figure 506815DEST_PATH_IMAGE001
次迭代最优解；其中，
Figure 971295DEST_PATH_IMAGE003
，n指迭代总次数；
其中，所述最低损失迭代算法具体为：采用损失函数对所述初始个体中的每一污染源在
Figure 905753DEST_PATH_IMAGE002
次迭代处理所得到的源强以及所述污染源的污染物理论浓度进行计算，获取每一所述污染源在m次迭代的最优解，当
Figure 305641DEST_PATH_IMAGE004
时，则得到n次迭代最优解；
其中，所述基于所述传感器的标准坐标和所述污染物实测浓度，通过差分进化算法对所述初始种群进行优化处理，将损失值最低的目标个体的源强作为源强最优解，包括：
对所述初始种群中的每个目标个体进行突变和交叉处理，得到一组P个新目标个体；
基于所述传感器的标准坐标和所述污染物实测浓度，采用损失函数对所述新目标个体进行计算，得到损失值，对每一个新目标个体，对比新目标个体和原目标个体的损失值，并保留损失值较小的目标个体在种群内做下一步迭代；
当新的种群中所有所述目标个体损失值均小于设定阈值时，则从中选择损失值最小的目标个体的源强作为源强最优解；
所述最低损失迭代算法具体为：
所述损失函数具体为
Figure 325550DEST_PATH_IMAGE005
，其中，Re指损失值，
Figure 328141DEST_PATH_IMAGE006
指传感器的个数，M指污染源的个数，
Figure 258051DEST_PATH_IMAGE007
指第
Figure 953474DEST_PATH_IMAGE008
个传感器节点的污染物理论浓度与第
Figure 460679DEST_PATH_IMAGE009
个污染源源强之间的比例系数，
Figure 876748DEST_PATH_IMAGE010
指对所有污染源提供的污染物理论浓度的求和，其中，污染物理论浓度指根据传感器所处位置的标准坐标和污染源当前迭代的源强计算出的浓度，
Figure 785798DEST_PATH_IMAGE011
指第
Figure 386544DEST_PATH_IMAGE008
个传感器节点上的传感器测量的污染物实测浓度，
Figure 381045DEST_PATH_IMAGE012
指第
Figure 364919DEST_PATH_IMAGE009
个污染源当前迭代的源强。
7.一种计算机设备，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任一项所述污染源定位方法。
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任一项所述污染源定位方法。
CN202011335648.6A 2020-11-25 2020-11-25 一种污染源定位方法、装置、计算机设备及存储介质 Active CN112131336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011335648.6A CN112131336B (zh) 2020-11-25 2020-11-25 一种污染源定位方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011335648.6A CN112131336B (zh) 2020-11-25 2020-11-25 一种污染源定位方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112131336A CN112131336A (zh) 2020-12-25
CN112131336B true CN112131336B (zh) 2021-02-09

Family

ID=73852244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011335648.6A Active CN112131336B (zh) 2020-11-25 2020-11-25 一种污染源定位方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112131336B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113029989B (zh) * 2021-04-29 2022-10-04 深圳市利拓光电有限公司 基于激光传感器的气体检测方法、装置、设备及存储介质
CN114199962B (zh) * 2021-12-16 2023-06-20 山西农业大学 一种用于畜禽舍内有害气体分析监测系统
CN116340723B (zh) * 2023-05-22 2023-08-01 安徽中科大国祯信息科技有限责任公司 基于大数据的乡村水污染快速溯源方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4742763A (en) * 1985-04-23 1988-05-10 Heinz Holter Device for the detection of noxious substances in the air supplied to a compartment occupied by people
KR20100078205A (ko) * 2008-12-30 2010-07-08 린나이코리아 주식회사 폐열회수형 환기장치용 공기 청정 제어 시스템
CN102495187A (zh) * 2011-11-14 2012-06-13 武汉科技大学 一种基于无线传感网络的水环境污染源的探测方法
US8904851B2 (en) * 2011-12-19 2014-12-09 Empire Technology Development Llc Methods and compositions for sensors
CN108535418A (zh) * 2018-04-12 2018-09-14 盐城工学院 一种污染物溯源方法、装置、监控终端及存储介质
CN108733893A (zh) * 2018-04-25 2018-11-02 同济大学 耦合深度学习方法的公共建筑突发污染的溯源

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040128081A1 (en) * 2002-12-18 2004-07-01 Herschel Rabitz Quantum dynamic discriminator for molecular agents
CN107607671A (zh) * 2017-08-24 2018-01-19 慧感(上海)物联网科技有限公司 一种气体泄漏源定位方法
CN110110276B (zh) * 2019-03-18 2021-01-26 清华大学 基于变步长递推轨迹的泄漏源定位方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4742763A (en) * 1985-04-23 1988-05-10 Heinz Holter Device for the detection of noxious substances in the air supplied to a compartment occupied by people
KR20100078205A (ko) * 2008-12-30 2010-07-08 린나이코리아 주식회사 폐열회수형 환기장치용 공기 청정 제어 시스템
CN102495187A (zh) * 2011-11-14 2012-06-13 武汉科技大学 一种基于无线传感网络的水环境污染源的探测方法
US8904851B2 (en) * 2011-12-19 2014-12-09 Empire Technology Development Llc Methods and compositions for sensors
CN108535418A (zh) * 2018-04-12 2018-09-14 盐城工学院 一种污染物溯源方法、装置、监控终端及存储介质
CN108733893A (zh) * 2018-04-25 2018-11-02 同济大学 耦合深度学习方法的公共建筑突发污染的溯源

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"Identifying Main Areas Generating Stormwater Pollution from Satellite Imagery and Ancillary Data";Mi-Hyun Park、Michael K. Stenstrom;《2004 IEEE International Geoscience and Remote Sensing Symposium》;20041231;第1卷;第590-593页 *
"Pollutant source identification";Zhang S P, Xin X K;《Applied Water》;20171231;第1955-1963页 *
"基于差分进化算法的河流突发性污染事故溯源";陶宇夏、蒋晶、魏永长、刘晓;《工业工程与管理》;20200402;论文第1-7页 *
"基于改进高斯模型的哈尔滨市PM2.5扩散问题实证分析";魏薇、傅丽芳;《数学的实践与认识》;20141123;第44卷(第22期);第205-211页 *
杨海东." 河渠突发水污染追踪溯源理论与方法".《中国博士学位论文全文数据库--工程科技I辑》.2017,(第06期),B027-40. *

Also Published As

Publication number Publication date
CN112131336A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN112131336B (zh) 一种污染源定位方法、装置、计算机设备及存储介质
CN113567635B (zh) 一种工业气体智能监测一体化系统及监测方法
CN111666924B (zh) 一种平面几何自动解题方法及系统
KR20140024541A (ko) 대기 모델링 서비스 제공 시스템
CN114019110B (zh) 一种基于大数据的作业场所气体探测器端云一体化平台
CN111814740B (zh) 指针仪表读数的识别方法、装置、计算机设备和存储介质
CN111912937A (zh) 一种室内突发污染物智能实时溯源方法及系统
CN116572747B (zh) 电池故障检测方法、装置、计算机设备和存储介质
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN115930949A (zh) 一种多传感器分布式协同探测方法、系统及电子设备
CN109213840B (zh) 基于多维特征深度学习的热点网格识别方法
CN113158589A (zh) 一种电池管理系统的仿真模型校准方法以及装置
CN112710623A (zh) 遥感监测有毒有害气体扩散范围和浓度的方法和设备
CN116087421A (zh) 大气污染物监测溯源方法、装置、计算机设备和存储介质
CN114487300B (zh) 基于车载测量系统的零散点源碳排放强度监测方法及系统
Rao et al. A computational geometry method for DTOA triangulation
CN113777224B (zh) 一种网格化空气质量评估数据的生成方法及系统
CN112784389A (zh) 基于仿真数据库的气体动态分布模拟方法、装置及系统
Daw et al. Multi-task learning for source attribution and field reconstruction for methane monitoring
Fanfarillo Quantifying uncertainty in source term estimation with tensorflow probability
CN116070807B (zh) 一种基于空间关系的电站巡检路径规划方法及装置
Guohua et al. Enhancing situation awareness of chemical release through source inversion
KR20200127483A (ko) 매트랩을 활용한 모델링 자동화 장치 및 방법
CN117972397B (zh) 基于大数据的大气干湿沉降模型模拟优化监测方法和介质
CN115144548B (zh) 有害气体成分实时监测系统及其监测方法

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