CN112131739A - 一种乡镇级别大气污染溯源的预报方法 - Google Patents
一种乡镇级别大气污染溯源的预报方法 Download PDFInfo
- Publication number
- CN112131739A CN112131739A CN202010998796.XA CN202010998796A CN112131739A CN 112131739 A CN112131739 A CN 112131739A CN 202010998796 A CN202010998796 A CN 202010998796A CN 112131739 A CN112131739 A CN 112131739A
- Authority
- CN
- China
- Prior art keywords
- data
- source
- air mass
- pollution
- forecasting
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 32
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000013277 forecasting method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 15
- 239000012855 volatile organic compound Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000356 contaminant Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000003915 air pollution Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000003933 environmental pollution control Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000005648 plant growth regulator Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种乡镇级别大气污染溯源的预报方法,属于空气质量预测技术领域,包括以下步骤:获取区域地形数据;再根据区域地形数据制作乡镇区县地理信息文件;之后将区域地形数据网格化并同化至中尺度气象模型;再获取气象数据并通过中尺度气象模型进行数值模拟得到气象场;然后选择溯源点位,根据气象场和拉格朗日模型计算得到溯源点位对应的污染气团;根据乡镇区县地理信息文件对溯源点位的污染气团进行溯源预报。本发明克服了现有技术中,无法及时有效对乡镇大气污染溯源进行预报的不足,提供了一种乡镇级别大气污染溯源的预报方法,可以及时有效地实现大气污染溯源的预报,并且可以提高大气污染溯源预报的准确性。
Description
技术领域
本发明属于空气质量预测技术领域,更具体地说,涉及一种乡镇级别大气污染溯源的预报方法。
背景技术
在现实环境中,由于经济发展阶段的限制,不合理的经济发展方式往往伴随着对环境的破坏。不断恶化的大气环境污染状况导致了很多恶劣的后果。例如危害人体健康,对动植物的生长造成一定的破坏,对长期的经济发展也是有害无益的。随着时代的进步,国家对环境治理工作的重视,经济发展方式的变化,绿色经济的倡导,目前对大气环境的重视程度已经上升到国家层面。在推进工业化和城镇化的进程中,越来越注意大气环境的治理工作,如何快速、准确找到污染物源头进行集中治理就显得尤为重要,目前并没有一个实际可行的技术方法实现空气污染的准确溯源。
随着《大气污染防治行动计划》的出台,大气污染防治工作逐渐进入民众的视野,称为民众和政府关注的焦点,大气污染防治工作已经从环境污染控制为目标的导向方式,转为环境空气质量改善为目标的管理模式转变。各城区县、乡镇级别的大气污染防治工作也将面临新的挑战。所以,及时、有效的发现乡镇区县内的大气污染来源,并给出科学、定量的污染贡献,成为管理部门亟需解决的难题。
针对空气污染的溯源,现有技术也提出了一些解决方案,例如发明创造名称为:一种大气颗粒物污染快速溯源方法(申请日:2019年5月27日;申请号:201910443167.8),该方案公开了一种大气颗粒物污染快速溯源方法,包括以下步骤:步骤S1:建立区域颗粒物排放信息库;步骤S2:确定颗粒物污染时段;步骤S3:获取污染时段的区域气象数据;步骤S4:确定受体位置;步骤S5:获取区域内污染时段不同网格的气团滞留时间以及污染来源识别计算;步骤S6:确定是该次污染过程的污染排放来源区域所属网格;步骤S7:筛选颗粒物污染的靶向防治对象。该方案联用源清单-气象模型-粒子扩散模型技术,对大气颗粒物污染来源进行解析;对历史和未来的颗粒物污染来源进行追溯,溯源结果精准,靶向性强,对防治政策指定的支撑性特别强。但是,该方案的不足之处在于:无法及时有效对乡镇大气污染进行溯源。
综上所述,如何实现对乡镇大气污染溯源的预报,是现有技术亟需解决的问题。
发明内容
1.要解决的问题
本发明克服了现有技术中,无法及时有效对乡镇大气污染溯源进行预报的不足,提供了一种乡镇级别大气污染溯源的预报方法,可以及时有效地实现大气污染溯源的预报,并且可以提高大气污染溯源预报的准确性。
2.技术方案
为了解决上述问题,本发明所采用的技术方案如下:
本发明一种乡镇级别大气污染溯源的预报方法,包括以下步骤:获取区域地形数据;再根据区域地形数据制作乡镇区县地理信息文件;将区域地形数据网格化并同化至中尺度气象模型;获取气象数据并通过中尺度气象模型进行数值模拟得到气象场;选择溯源点位,根据气象场和拉格朗日模型计算得到溯源点位对应的污染气团;而后根据乡镇区县地理信息文件对溯源点位的污染气团进行溯源预报。
更进一步地,获取区域地形数据的具体过程为:利用卫星获取雷达影像数据,并根据雷达影像数据得到SRTM地形数据。
更进一步地,将区域地形数据网格化并同化至中尺度气象模型的具体过程为:SRTM地形数据根据分辨率精度分为SRTM1数据和SRTM3数据,其中,SRTM1数据的分辨率精度为30米,SRTM3数据的分辨率精度为90米;将SRTM3数据进行网格化并输出网格信息,将网格信息进行数据格式同化并传输至中尺度气象模型。
更进一步地,计算得到溯源点位对应的污染气团具体过程为:拉格朗日模型根据气象场进行模拟计算得到污染气团的轨迹和浓度,其中,污染气团的轨迹的水平分辨率为0.001°×0.001°。
更进一步地,通过以下公式计算污染气团的浓度:
PSCi,j=Fi,j×Ei,j
其中,PSCi,j为在网格污染物的浓度,Fi,j为污染气团在网格停留的时间值,Ei,j为网格的VOCs的排放强度;将每个网格的PSC相加得到污染气团的浓度。
更进一步地,利用下列公式得到污染气团的浓度y:
其中,m和n为整数。
更进一步地,对溯源点位的污染气团进行溯源预报的具体过程为:根据乡镇区县地理信息文件将污染气团划分为多个网格,且每个网格对应一个乡镇区县,根据网格的信息对对应乡镇区县的污染进行溯源预报;其中,网格的信息包括污染气团的浓度以及贡献时间。
更进一步地,制作乡镇区县地理信息文件的具体过程为:根据行政区域划分代码对区域地形数据进行划分得到乡镇区县地理信息文件。
3.有益效果
相比于现有技术,本发明的有益效果为:
本发明的一种乡镇的大气污染溯源的预报方法,通过区域行政划分以及模型数值模拟,可预报未来7-15天污染气团的影响路径,从而实现了乡镇区县对溯源点位的污染贡献程度的量化,进而可以区分不同乡镇区县行政区域内的来源贡献,进一步实现了未来7-15天影响溯源点位的潜在源区的精准溯源预报,为管理部门提供重要的参考依据,使得污染气团轨迹具有科学性、参考性和真实性。
附图说明
图1为本发明的方法流程示意图;
图2为实施例1的地形数据同化的效果对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例;而且,各个实施例之间不是相对独立的,根据需要可以相互组合,从而达到更优的效果。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
结合图1所示,本发明的一种乡镇的大气污染溯源的预报方法,具体包括以下步骤:
1)获取地形数据
获取区域地形数据,具体地,利用卫星获取雷达影像数据,并根据雷达影像数据得到SRTM地形数据。本实施例中利用插值算法对雷达影像数据进行处理得到SRTM地形数据;值得说明的是,SRTM地形数据根据分辨率精度分为SRTM1数据和SRTM3数据,其中,SRTM1数据的分辨率精度为30米,SRTM3数据的分辨率精度为90米。
2)制作地理信息文件
根据区域地形数据制作乡镇区县地理信息文件;具体地,根据行政区域划分代码对区域地形数据进行划分得到乡镇区县地理信息文件。本实施例中在Arcgis软件中对对区域地形数据进行边界描绘,制作成地理信息文件的shp文件,将中国行政边界划分为34个省级行政区、333个地级区划、2846个县级区划和39945个乡级区划。
3)地形数据同化
将区域地形数据网格化并同化至中尺度气象模型;具体地,将SRTM3数据进行网格化并输出网格信息,将网格信息进行数据格式同化并传输至中尺度气象模型,从而更新了中尺度气象模型的下垫面数据,如图2所示,其中,图2(a)为卫星拍摄图,图2(b)为模型同化数据效果。
4)模拟气象场
获取气象数据并通过中尺度气象模型进行数值模拟得到气象场;本实施例的气象数据为全球预报系统(GFS)气象数据,且该气象数据从网上下载获得。中尺度气象模型根据气象数据计算气象场,该气象场为未来15天区域内的三维气象场,水平分辨率为1km,垂直方向为32层,包含500百帕至近地面不同气压层次的气象场。值得说明的是,中尺度气象模型利用模型算法计算气象场是现有技术。
5)计算污染气团
选择溯源点位,本发明的溯源点位可以随机选择;之后根据气象场和拉格朗日模型计算得到溯源点位对应的污染气团;具体地,计算得到溯源点位对应的污染气团具体过程为:拉格朗日模型根据气象场进行模拟计算得到污染气团的轨迹和浓度,从而对到达溯源点位的污染气团轨迹进行溯源,量化污染气团传输通道及任意网格污染气团的停留时长。值得说明的是,本发明中污染气团的轨迹和浓度为未来7~15天的数据。此外,本发明中污染气团的轨迹的水平分辨率为0.001°×0.001°,从而可以反映局地风向的转变,细小气流和风场的变化,体现局地微气候的科学分析。
进一步地,通过以下公式计算污染气团的浓度:
PSCi,j=Fi,j×Ei,j
其中,PSCi,j为在网格污染物的浓度,Fi,j为污染气团在网格停留的时间值,Ei,j为网格的VOCs的排放强度,i和j为整数,i,j表示网格的坐标;需要说明的是,VOCs为挥发性有机物。之后将每个网格的PSC相加得到污染气团的浓度,具体地,利用下列公式得到污染气团的浓度y:
其中,m和n为整数。
6)溯源预报
根据乡镇区县地理信息文件对溯源点位的污染气团进行溯源预报。具体地,根据乡镇区县地理信息文件将污染气团划分为多个网格,且每个网格对应一个乡镇区县,根据网格的信息对对应乡镇区县的污染进行溯源预报;网格的信息包括污染气团的浓度以及贡献时间,从而可以知晓污染气团在对应乡镇区县的停留时间和浓度,进而量化了乡镇区县对溯源点位的污染贡献程度,进一步实现了对溯源点位污染气团的溯源预报。
本发明的一种乡镇的大气污染溯源的预报方法,通过区域行政划分以及模型数值模拟,可预报未来7-15天污染气团的影响路径,从而实现了乡镇区县对溯源点位的污染贡献程度的量化,进而可以区分不同乡镇区县行政区域内的来源贡献,进一步实现了未来7-15天影响溯源点位的潜在源区的精准溯源预报,为管理部门提供重要的参考依据,使得污染气团轨迹具有科学性、参考性和真实性。
实施例2
本实施例的内容与实施例1基本相同,进一步地,本实施例将实施例1的方法应用于某市区县级别大气污染溯源预报,包括如下步骤:
(1)获取某市地形数据,形成某市本地化的数字化地形。
(2)按照某市的行政区划划分,准备11个市辖区的shp文件,为污染气团足迹的区域的划分提供划分依据。
(3)地形数据网格化并同化至中尺度气象模型,改进数值模拟的气象预报效果,真实反映最新下垫面情况对大气污染溯源的影响程度。
(4)将GFS气象数据通过中尺度气象模型模拟,计算出未来15天某市内的三维气象场,包含温度、湿度、风速、风向、不同高度的气象场,将此气象场作为输入系统的预报气象背景场,作为驱动大气污染溯源的气象动力条件。
(5)选择某国控站点为溯源点位,利用拉格朗日模型计算未来7-15天到达某国控站点监测点位的气团轨迹,得到轨迹上每个气团轨迹的经纬度、停留时间的大小。
(6)根据某市行政区划的shp文件划分,对气团轨迹的经纬度进行区域的判断,将都在A区的污染气团的停留时间进行统计相加,可以得到A区对于某国控站点的污染气团贡献时间;从而实现对污染气团的溯源预报。
在上文中结合具体的示例性实施例详细描述了本发明。但是,应当理解,可在不脱离由所附权利要求限定的本发明的范围的情况下进行各种修改和变型。详细的描述和附图应仅被认为是说明性的,而不是限制性的,如果存在任何这样的修改和变型,那么它们都将落入在此描述的本发明的范围内。此外,背景技术旨在为了说明本技术的研发现状和意义,并不旨在限制本发明或本申请和本发明的应用领域。
Claims (8)
1.一种乡镇级别大气污染溯源的预报方法,其特征在于,包括以下步骤:
获取区域地形数据;
根据区域地形数据制作乡镇区县地理信息文件;
将区域地形数据网格化并同化至中尺度气象模型;
获取气象数据并通过中尺度气象模型进行数值模拟得到气象场;
选择溯源点位,根据气象场和拉格朗日模型计算得到溯源点位对应的污染气团;
根据乡镇区县地理信息文件对溯源点位的污染气团进行溯源预报。
2.根据权利要求1所述的一种乡镇级别大气污染溯源的预报方法,其特征在于,获取区域地形数据的具体过程为:利用卫星获取雷达影像数据,并根据雷达影像数据得到SRTM地形数据。
3.根据权利要求2所述的一种乡镇级别大气污染的溯源预报方法,其特征在于,将区域地形数据网格化并同化至中尺度气象模型的具体过程为:
SRTM地形数据根据分辨率精度分为SRTM1数据和SRTM3数据,其中,SRTM1数据的分辨率精度为30米,SRTM3数据的分辨率精度为90米;
将SRTM3数据进行网格化并输出网格信息,将网格信息进行数据格式同化并传输至中尺度气象模型。
4.根据权利要求1所述的一种乡镇级别大气污染溯源的预报方法,其特征在于,计算得到溯源点位对应的污染气团具体过程为:
拉格朗日模型根据气象场进行模拟计算得到污染气团的轨迹和浓度,其中,污染气团的轨迹的水平分辨率为0.001°×0.001°。
5.根据权利要求4所述的一种乡镇级别大气污染溯源的预报方法,其特征在于,通过以下公式计算污染气团的浓度:
PSCi,j=Fi,j×Ei,j
其中,PSCi,j为在网格污染物的浓度,Fi,j为污染气团在网格停留的时间值,Ei,j为网格的VOCs的排放强度;
将每个网格的PSC相加得到污染气团的浓度。
7.根据权利要求1所述的一种乡镇级别大气污染溯源的预报方法,其特征在于,对溯源点位的污染气团进行溯源预报的具体过程为:
根据乡镇区县地理信息文件将污染气团划分为多个网格,且每个网格对应一个乡镇区县,根据网格的信息对对应乡镇区县的污染进行溯源预报;其中,网格的信息包括污染气团的浓度以及贡献时间。
8.根据权利要求1~7任一项所述的一种乡镇级别大气污染溯源的预报方法,其特征在于,制作乡镇区县地理信息文件的具体过程为:根据行政区域划分代码对区域地形数据进行划分得到乡镇区县地理信息文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010998796.XA CN112131739A (zh) | 2020-09-22 | 2020-09-22 | 一种乡镇级别大气污染溯源的预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010998796.XA CN112131739A (zh) | 2020-09-22 | 2020-09-22 | 一种乡镇级别大气污染溯源的预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112131739A true CN112131739A (zh) | 2020-12-25 |
Family
ID=73842197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010998796.XA Pending CN112131739A (zh) | 2020-09-22 | 2020-09-22 | 一种乡镇级别大气污染溯源的预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112131739A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284244A (zh) * | 2021-04-20 | 2021-08-20 | 四川大学 | 一种基于格点化扩散模拟的大气污染物溯源方法 |
CN113740221A (zh) * | 2021-09-07 | 2021-12-03 | 天津大学 | 基于细颗粒物与臭氧的空气污染源区确定方法 |
CN114356880A (zh) * | 2021-12-15 | 2022-04-15 | 浙江工业大学 | 基于数据驱动的小尺度区域大气污染物快速溯源方法 |
CN114358626A (zh) * | 2022-01-10 | 2022-04-15 | 中国环境科学研究院 | 一种基于地理信息软件和气团分析软件的污染源溯源分析方法 |
CN114661849A (zh) * | 2021-04-02 | 2022-06-24 | 辽宁省生态环境厅 | 污染溯源方法及装置 |
CN114662344A (zh) * | 2022-05-23 | 2022-06-24 | 南昌云宜然科技有限公司 | 基于连续在线观测数据的大气污染溯源预测方法及系统 |
CN116109323A (zh) * | 2022-12-26 | 2023-05-12 | 北京中科三清环境技术有限公司 | 臭氧污染溯源方法、装置、设备及存储介质 |
CN117668531A (zh) * | 2023-12-07 | 2024-03-08 | 无锡中科光电技术有限公司 | 一种基于主成分分析的emmd-bp神经网络大气污染物预报方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295905A (zh) * | 2016-08-22 | 2017-01-04 | 南京大学 | 一种基于拉格朗日输送模型的空气质量快速溯源预报方法 |
CN106649960A (zh) * | 2016-10-12 | 2017-05-10 | 环境保护部环境规划院 | 大气多污染物环境容量三维迭代计算方法 |
CN107563139A (zh) * | 2017-09-06 | 2018-01-09 | 郑州大学 | 一种点源突发性水污染源事故溯源贡献程度计算方法 |
CN109522603A (zh) * | 2018-10-18 | 2019-03-26 | 南京大学 | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 |
CN109878400A (zh) * | 2018-10-19 | 2019-06-14 | 南京大学 | 模块化全功能拓展大气监测移动平台及监测使用方法 |
CN110085281A (zh) * | 2019-04-26 | 2019-08-02 | 成都之维安科技股份有限公司 | 一种基于特征污染因子源解析的环境污染溯源系统及方法 |
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 |
CN111368401A (zh) * | 2020-02-20 | 2020-07-03 | 南开大学 | 污染源的溯源方法、装置和存储介质 |
CN111523717A (zh) * | 2020-04-15 | 2020-08-11 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
-
2020
- 2020-09-22 CN CN202010998796.XA patent/CN112131739A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295905A (zh) * | 2016-08-22 | 2017-01-04 | 南京大学 | 一种基于拉格朗日输送模型的空气质量快速溯源预报方法 |
CN106649960A (zh) * | 2016-10-12 | 2017-05-10 | 环境保护部环境规划院 | 大气多污染物环境容量三维迭代计算方法 |
CN107563139A (zh) * | 2017-09-06 | 2018-01-09 | 郑州大学 | 一种点源突发性水污染源事故溯源贡献程度计算方法 |
CN109522603A (zh) * | 2018-10-18 | 2019-03-26 | 南京大学 | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 |
CN109878400A (zh) * | 2018-10-19 | 2019-06-14 | 南京大学 | 模块化全功能拓展大气监测移动平台及监测使用方法 |
CN110085281A (zh) * | 2019-04-26 | 2019-08-02 | 成都之维安科技股份有限公司 | 一种基于特征污染因子源解析的环境污染溯源系统及方法 |
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 |
CN111368401A (zh) * | 2020-02-20 | 2020-07-03 | 南开大学 | 污染源的溯源方法、装置和存储介质 |
CN111523717A (zh) * | 2020-04-15 | 2020-08-11 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
Non-Patent Citations (4)
Title |
---|
FAN HUANG ET AL.: "Chemical characteristics and source apportionment of PM2.5 in Wuhan, China", 《JOURNAL OF ATMOSPHERIC CHEMISTRY》, pages 247 - 259 * |
杨莹: "基于中尺度耦合模型哈尔滨市辖区空气污染特征研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 2, pages 52 - 58 * |
陈璞珑: "南京市大气颗粒物的源谱特征和来源解析研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》, no. 5, pages 127 - 144 * |
黄顺祥等: "基于伴随方法的大气污染溯源", 《科学通报》, vol. 63, no. 16, pages 1595 - 1603 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114661849A (zh) * | 2021-04-02 | 2022-06-24 | 辽宁省生态环境厅 | 污染溯源方法及装置 |
CN114661849B (zh) * | 2021-04-02 | 2023-07-14 | 辽宁省生态环境厅 | 污染溯源方法及装置 |
CN113284244A (zh) * | 2021-04-20 | 2021-08-20 | 四川大学 | 一种基于格点化扩散模拟的大气污染物溯源方法 |
CN113284244B (zh) * | 2021-04-20 | 2023-09-05 | 四川大学 | 一种基于格点化扩散模拟的大气污染物溯源方法 |
CN113740221A (zh) * | 2021-09-07 | 2021-12-03 | 天津大学 | 基于细颗粒物与臭氧的空气污染源区确定方法 |
CN113740221B (zh) * | 2021-09-07 | 2022-07-26 | 天津大学 | 基于细颗粒物与臭氧的空气污染源区确定方法 |
CN114356880A (zh) * | 2021-12-15 | 2022-04-15 | 浙江工业大学 | 基于数据驱动的小尺度区域大气污染物快速溯源方法 |
CN114358626A (zh) * | 2022-01-10 | 2022-04-15 | 中国环境科学研究院 | 一种基于地理信息软件和气团分析软件的污染源溯源分析方法 |
CN114662344A (zh) * | 2022-05-23 | 2022-06-24 | 南昌云宜然科技有限公司 | 基于连续在线观测数据的大气污染溯源预测方法及系统 |
CN116109323A (zh) * | 2022-12-26 | 2023-05-12 | 北京中科三清环境技术有限公司 | 臭氧污染溯源方法、装置、设备及存储介质 |
CN116109323B (zh) * | 2022-12-26 | 2023-08-01 | 北京中科三清环境技术有限公司 | 臭氧污染溯源方法、装置、设备及存储介质 |
CN117668531A (zh) * | 2023-12-07 | 2024-03-08 | 无锡中科光电技术有限公司 | 一种基于主成分分析的emmd-bp神经网络大气污染物预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131739A (zh) | 一种乡镇级别大气污染溯源的预报方法 | |
Chen et al. | Effects of urban green space morphological pattern on variation of PM2. 5 concentration in the neighborhoods of five Chinese megacities | |
CN109522603B (zh) | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 | |
CN115420854B (zh) | 一种基于正后向模型结合的大气污染物溯源方法 | |
WO2021103322A1 (zh) | 一种历史名城新城区规划辅助设计系统 | |
Wu et al. | Application of an integrated Weather Research and Forecasting (WRF)/CALPUFF modeling tool for source apportionment of atmospheric pollutants for air quality management: A case study in the urban area of Benxi, China | |
Zhang et al. | Large-eddy simulation of traffic-related air pollution at a very high resolution in a mega-city: evaluation against mobile sensors and insights for influencing factors | |
Zhang et al. | A machine learning model to estimate ambient PM2. 5 concentrations in industrialized highveld region of South Africa | |
Charabi et al. | Investigating the impact of monsoon season on the dispersion of pollutants emitted from vehicles: A case study of Salalah City, Sultanate of Oman | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
CN116611547A (zh) | 大气污染物来源预报方法、装置、设备及存储介质 | |
Mijling | High-resolution mapping of urban air quality with heterogeneous observations: a new methodology and its application to Amsterdam | |
Li et al. | Evaluating the influencing factors of urbanization in the Xinjiang Uygur Autonomous Region over the past 27 years based on VIIRS-DNB and DMSP/OLS nightlight imageries | |
JP4206024B2 (ja) | 大気物質指標分布解析装置 | |
CN115545565A (zh) | 基于大气环境质量的园区排污总量管控方法和系统 | |
Swamy et al. | Impact of urban heat island on meteorology and air quality at microenvironments | |
Zhang et al. | Influence of the spatial distribution pattern of buildings on the distribution of PM2. 5 concentration | |
Zhang et al. | The CA model based on data assimilation | |
WO2023151155A1 (zh) | 一种区县尺度生物质燃烧源归一化贡献潜势定量系统 | |
CN115758856A (zh) | 一种景观格局及气候变化对流域未来水质影响的研究方法 | |
CN114878748A (zh) | 一种co2排放量的监测方法及监测系统 | |
Liu et al. | Real-time forecasting method of urban air quality based on observation sites and Thiessen polygons | |
Kakareka et al. | Modeling Atmospheric Air Pollution of an Industrial City with Fine Particulate Matter | |
CN112926029A (zh) | 一种用于农村生活污水治理的聚居区识别划分方法 | |
Morris | Computational study of Klang Valley's urban climatology, and urbanisation of Putrajaya city, Malaysia |
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 |