CN112182064B - 一种污染物来源分析方法、装置、电子设备及存储介质 - Google Patents

一种污染物来源分析方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112182064B
CN112182064B CN202011027457.3A CN202011027457A CN112182064B CN 112182064 B CN112182064 B CN 112182064B CN 202011027457 A CN202011027457 A CN 202011027457A CN 112182064 B CN112182064 B CN 112182064B
Authority
CN
China
Prior art keywords
pollution
air mass
pollutant
grid
transmission track
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
CN202011027457.3A
Other languages
English (en)
Other versions
CN112182064A (zh
Inventor
曹宁
李诗瑶
易志安
孙明生
秦东明
马培翃
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.)
3Clear Technology Co Ltd
Original Assignee
3Clear 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 3Clear Technology Co Ltd filed Critical 3Clear Technology Co Ltd
Priority to CN202011027457.3A priority Critical patent/CN112182064B/zh
Publication of CN112182064A publication Critical patent/CN112182064A/zh
Application granted granted Critical
Publication of CN112182064B publication Critical patent/CN112182064B/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
    • G06F16/24—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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Remote Sensing (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提出一种污染物来源分析方法、装置、电子设备及存储介质，该方法包括：获取待分析的污染事件对应的污染物监测数据和气象数据，以及获取用户设置的模拟参数；根据污染物监测数据、气象数据及模拟参数，模拟污染事件对应的污染气团传输轨迹；根据污染气团传输轨迹，定位潜在污染源的位置，以及确定潜在污染源对污染事件的贡献程度。本申请综合不同垂直结构、不同时间长度、不同污染等级、不同追踪时间等模拟参数，进行轨迹聚类及潜在污染源分析。考虑因素更加全面，提高了污染溯源分析的准确性，预测潜在污染源的位置及贡献程度，对污染成因分析、污染预防和治理提供科学依据，对污染有针对性地精准施策及开展区域联防联控研究具有重要意义。

Description

一种污染物来源分析方法、装置、电子设备及存储介质
技术领域
本申请属于环境保护技术领域，具体涉及一种污染物来源分析方法、装置、电子设备及存储介质。
背景技术
大气污染已成为近几年最为严重的环境污染之一，大气污染具有传输性，随着气象条件的改变，大气污染的区域范围也会发生改变。在某处排放的大气污染物质，不仅对排放源所在区域产生影响，也会影响排放源周围大部分区域的大气环境。因此分析污染事件的污染物来源，对研究污染事件的成因具有重要意义。
目前，相关技术中提供了一种污染溯源方法，该方法基于天气分型和气象要素聚类对大气重污染案例进行判别，通过聚类得出不同天气分型条件下，污染物可能的传输来源。但对于某次出现的污染事件，相关技术仅基于该次污染事件对应的天气分型来分析可能存在的传输通道，分析角度单一，准确性差。
此外，嵌套网格空气质量预报模式(NAQPMS)是我国自主研发的第三代空气质量模式。NAQPMS全面考虑了空气污染物在大气中的平流、扩散、干湿沉降以及化学转化等过程。NAQPMS模式耦合的污染在线源追踪技术从源排放开始对各种物理、化学过程进行分源类别、分地域的质量追踪，可以跟踪PM2.5污染来源，定量分析PM2.5输送过程及区域污染排放贡献率。但是NAQPMS对于软硬件条件有一定要求，并且也需要其他的方法来对模式预报分析结果进行补充和验证。
发明内容
本申请提出一种污染物来源分析方法、装置、电子设备及存储介质，综合各种模拟参数，进行轨迹聚类及潜在污染源分析。考虑因素更加全面，提高了污染溯源分析的准确性，预测潜在污染源的位置及贡献程度，对污染成因分析、污染预防和治理提供科学依据，对污染有针对性地精准施策及开展区域联防联控研究具有重要意义。
本申请第一方面实施例提出了一种污染物来源分析方法，所述方法包括；
获取待分析的污染事件对应的污染物监测数据和气象数据，以及获取用户设置的模拟参数；
根据所述污染物监测数据、所述气象数据及所述模拟参数，模拟所述污染事件对应的污染气团传输轨迹；
根据所述污染气团传输轨迹，定位潜在污染源的位置，以及确定所述潜在污染源对所述污染事件的贡献程度。
在本申请的一些实施例中，所述根据所述污染物监测数据、所述气象数据及所述模拟参数，模拟所述污染事件对应的污染气团传输轨迹，包括：
根据所述模拟参数包括的追踪时间和所述污染事件对应的污染时段，确定需要模拟的时间段；
根据所述污染事件对应的目标区域的坐标，从所述气象数据中获取所述目标区域在所述时间段内的气象资料数据；
根据所述气象资料数据、所述目标区域的坐标和所述模拟参数包括的模拟高度，模拟所述时间段内的气团传输轨迹；
根据所述污染物监测数据、所述气团传输轨迹和所述模拟参数，获得所述污染事件对应污染气团传输轨迹。
在本申请的一些实施例中，所述根据所述污染物监测数据、所述气团传输轨迹和所述模拟参数，获得所述污染事件对应的污染气团传输轨迹，包括：
根据所述模拟参数包括的污染物名称，将所述污染物监测数据中所述污染物名称对应的污染物浓度叠加到所述气团传输轨迹上；
对叠加了污染物浓度的气团传输轨迹进行轨迹聚类，得到所述污染事件对应的污染气团传输轨迹。
在本申请的一些实施例中，所述将所述污染物监测数据中所述污染物名称对应的污染物浓度叠加到所述气团传输轨迹上之前，还包括：
从所述气象数据中获取所述目标区域在所述时间段内的地面气象数据；
根据所述地面气象数据、所述污染物监测数据，获得地面风向及污染物分布图；
判断所述地面风向与所述气团传输轨迹的延伸方向之间的相似度是否大于或等于预设阈值；
若所述相似度大于或等于预设阈值，则执行将所述污染物监测数据中所述污染物名称对应的污染物浓度叠加到所述气团传输轨迹上的操作；
若所述相似度小于所述预设阈值，则调整所述模拟参数，根据调整后的所述模拟参数重新模拟所述气团传输轨迹。
在本申请的一些实施例中，所述根据所述污染气团传输轨迹，定位潜在污染源的位置，以及确定所述潜在污染源对所述污染事件的贡献程度，包括：
在电子地图上对包含所述污染气团传输轨迹的区域范围进行网格划分；
根据经过第一网格的气团传输轨迹上的总端点数目及污染气团传输轨迹上的端点数，计算所述第一网格中存在潜在污染源的概率，所述第一网格为所述污染气团传输轨迹经过的任一网格；
根据经过所述第一网格的污染气团传输轨迹上的端点数目及污染物浓度，计算所述第一网格对应的污染物浓度；
若所述概率大于预设数值或所述第一网格对应的污染物浓度大于预设浓度，则将所述第一网格的坐标确定为所述潜在污染源的位置，将所述第一网格对应的污染物浓度确定为所述潜在污染源对所述污染事件的贡献程度。
在本申请的一些实施例中，所述方法还包括：
根据预设的污染源排放清单数据库，确定位于包含所述污染气团传输轨迹的区域范围内的所有污染源；
在所述电子地图上所述区域范围内标注出所述污染源。
在本申请的一些实施例中，所述方法还包括：
将所述污染事件对应的所述污染物监测数据、所述气象数据、所述模拟参数、所述污染气团传输轨迹、所述潜在污染源的位置及所述潜在污染源对所述污染事件的贡献程度对应存储在案例库中。
本申请第二方面的实施例中提供了一种污染物来源分析装置，所述装置包括；
获取模块，用于获取待分析的污染事件对应的污染物监测数据和气象数据，以及获取用户设置的模拟参数；
轨迹模拟模块，用于根据所述污染物监测数据、所述气象数据及所述模拟参数，模拟所述污染事件对应的污染气团传输轨迹；
潜在源定位模块，用于根据所述污染气团传输轨迹，定位潜在污染源的位置，以及确定所述潜在污染源对所述污染事件的贡献程度。
本申请第三方面实施例提出了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序以实现上述第一方面所述的方法。
本申请第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现上述第一方面所述的方法。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
在本申请实施例中，综合不同垂直结构、不同时间长度、不同污染等级、不同追踪时间等模拟参数，对污染事件进行轨迹聚类得到污染气团传输轨迹，并依据污染气团传输轨迹预测潜在污染源的位置以及潜在污染源对该污染事件的贡献程度。考虑的影响因素更加全面，大大提高了污染溯源分析的准确性和针对性，且依据污染气团传输轨迹对潜在污染源的位置及贡献程度进行预测，对污染事件的成因分析具有重要意义，为预防和治理大气污染提供科学依据，对大气污染有针对性地精准施策及开展区域联防联控研究具有重要意义。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变的明显，或通过本申请的实践了解到。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请一实施例所提供的一种污染物来源分析方法的流程图；
图2示出了本申请一实施例所提供的一种污染物来源分析方法的另一流程示意图；
图3示出了本申请一实施例所提供的一种污染物来源分析装置的结构示意图；
图4示出了本申请一实施例所提供的一种电子设备的结构示意图；
图5示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面结合附图来描述本申请实施例提出的一种污染物来源分析方法、装置、电子设备及存储介质。
本申请实施例提供了一种污染物来源分析方法，该方法综合不同垂直结构、不同时间长度、不同污染等级、不同追踪时间等模拟参数，对污染事件进行溯源分析，得到污染气团传输轨迹，并依据污染气团传输轨迹预测潜在污染源的位置以及潜在污染源对该污染事件的贡献程度。依据不同垂直结构、不同时间长度、不同污染等级、不同追踪时间等多个参数组合的方案来模拟污染气团传输轨迹，考虑的影响因素更加全面，大大提高了污染溯源分析的准确性及针对性，且依据污染气团传输轨迹对潜在污染源的位置及贡献程度进行预测，对污染事件的成因分析具有重要意义，为预防和治理大气污染提供科学依据，对大气污染有针对性地精准施策及开展区域联防联控研究具有重要意义。
参见图1，该方法具体包括以下步骤；
步骤101：获取待分析的污染事件对应的污染物监测数据和气象数据，以及获取用户设置的模拟参数。
待分析的污染事件可以为发生在某目标区域内的轻度、中度或重度等污染等级的污染事件。目标区域可以为一个城市，如北京、上海或广州等。或者，目标区域可以为多个城市组成的连续区域，如京津冀地区、东北地区、华中地区等。
对于待分析的污染事件，首先确定该污染事件对应的污染物名称、污染时段、目标区域的坐标等。其中，污染物名称可以包括PM2.5、PM10、SO2、NO2、O3、CO等。污染时段为该污染事件对应的污染由轻到重，再由重到轻发展的时间区间。在污染事件的发展过程中确定污染物浓度最高的重污染日期，在该重污染日期之前确定第一个污染物浓度小于或等于预设清洁值的第一清洁日期。在该重污染日期之后确定第一个污染物浓度小于或等于预设清洁值的第二清洁日期。将第一清洁日期至第二清洁日期之间的时间区间作为该污染事件对应的污染时段。其中，上述预设清洁值可以为25μg/m3、35μg/m3等。
对于确定的待分析的污染事件，获取其对应的污染物监测数据和气象数据。具体地，在目标区域内设置有用于监测PM2.5浓度、PM10浓度、SO2浓度、NO2浓度、O3浓度、CO浓度等空气质量指标的空气质量监测站。从这些空气质量监测站监测的数据中获取目标区域的污染物监测数据。
上述气象数据包括气象资料数据和地面气象数据。其中，气象资料数据优选为NECP(National Centers for Environmental Prediction，美国国家环境预报中心)的GDAS(Global Data Assimilation System，全球资料同化系统)数据。地面气象数据可以为目标区域中设置的地面气象监测站监测的风力、温度、湿度、压强等气象参数值。从目标区域中设置的地面气象监测站获取目标区域的地面气象数据。
在本申请实施例中，获得待分析的污染事件对应的气象数据和污染物监测数据之后，还按照检测时间的先后顺序对获得的污染物监测数据及气象数据排序。具体地，对于污染物监测数据中包括的每小时的污染物浓度，按照时间的先后顺序进行排序。对于气象资料数据及地面气象数据中包括的每小时检测的气象参数值，也按照时间的先后顺序进行排序。将排序后每小时的污染物监测数据与气象数据进行一一对应存储。
本申请实施例的执行主体为终端，该终端可以为手机或电脑等。用户获取到待分析的污染事件的污染物监测数据和气象数据之后，将这些数据提交给终端，终端基于这些数据模拟待分析的污染事件的后向传输轨迹。在进行轨迹模拟之前，用户还可以通过终端显示的界面设置此次轨迹模拟所需的模拟参数，该模拟参数可以包括污染物名称、模拟高度、模拟时段、追踪时间、浓度阈值、目标区域中的一种或多种。
其中，污染物名称可以为PM2.5、PM10、SO2、NO2、O3、CO等。目标区域可以一个城市为例。模拟高度可以为10m、500m、1500m、3000m等。由于污染物在不同高度输送频率的差异较大，因此可以设置不同垂直高度进行分析，设置轨迹终点高度10m代表近地面高度，500m代表边界层中部高度，1500m代表边界层顶高度，3000m代表自由大气高度，以便对输送通道的垂直特征进行分析。
模拟时段可以为按月份、季度或年份进行模拟，或者模拟待分析的污染事件对应的污染时段等。由于污染物在特定时间段的输送来向、速度、位置的差异较大，因此可以设置不同的模拟时段进行分析，以便后期统计特定时段的输送通道。
污染物后向追踪的时间尺度可以根据污染物在大气运动中的生命周期及具体情况进行设置，追踪时间可以为追踪过去12h、24h、48h或72h等，如追踪时间可以设置为72h，以便涵盖二次污染物的生命周期。
浓度阈值可以为用户设置的任意浓度值，也可以为特定污染等级对应的浓度值，污染等级可以为轻度污染、中度污染或重度污染。污染物在不同污染物浓度下的输送来向、速度、位置的差异较大，因此可以筛选不同污染物浓度的轨迹进行聚类分析，以便更加精准地找到不同污染物浓度等级下污染物的输送通道的差异，得到最易影响目标区域的输送通道。
作为一种示例，模拟参数的组合方案可以为：污染物名称为PM2.5、模拟高度为10m、模拟时段为8月份、追踪时间为后向24h、浓度阈值为污染等级“重度污染”对应的污染物浓度值(如PM2.5浓度大于150μg/m3)、目标区域为北京。则该模拟参数的组合方案表示对8月份北京出现的所有重度污染事件中PM2.5在距离地面10m的高度处的传输轨迹进行模拟。
通过本步骤获得待分析的污染事件的污染物监测数据、气象数据和模拟参数之后，通过如下步骤102和103的操作对待分析的污染事件进行溯源分析。
步骤102：根据污染物监测数据、气象数据及模拟参数，模拟该污染事件对应的污染气团传输轨迹。
本申请实施例具体通过如下步骤1021-1024的操作来模拟污染气团传输轨迹，包括：
步骤1021：根据模拟参数包括的追踪时间和该污染事件对应的污染时段，确定需要模拟的时间段。
从该污染事件对应的污染时段的开始时间起，往前推算模拟参数包括的追踪时间，得到需要模拟的时间段的开始时间。将该污染事件的污染时段的截止时间作为需要模拟的时间段的截止时间。例如，假设待分析的污染事件的污染时段为2018年8月3日至8月5日，模拟参数包括的追踪时间为过去24h，则从2018年8月3日往前推算24h，得到需要模拟的时间段的开始时间为2018年8月2日。则需要模拟的时间段为2018年8月2日至2018年8月5日。
步骤1022：根据该污染事件对应的目标区域的坐标，从气象数据中获取该目标区域在需要模拟的时间段内的气象资料数据。
确定待分析的污染事件对应的需要模拟的时间段后，从GDAS数据中选取在需要模拟的时间段内目标区域对应的GDAS数据，将选取的GDAS数据作为该污染事件对应的气象资料数据。
步骤1023：根据气象资料数据、目标区域的坐标和模拟参数包括的模拟高度，模拟上述时间段内的气团传输轨迹。
本申请实施例中采用收集的气象资料数据(即GDAS数据)基于预设轨迹模式进行后向轨迹模拟，得到不同来向的气团传输轨迹。预设轨迹模式可以为HYSPLIT(HybridSingle Particle Lagrangian Integrated Trajectory Model，混合单粒子拉格朗日综合轨迹模式)。
气团的运动轨迹是气团被风输送时气团的移动位置按照时间排列组成的。气团的输送是通过气团初始位置P(t)和第一插值位置P′(t+Δt)的三维速率向量的平均计算得到的。P′(t+Δt)的三维速率向量是进行线性时间和空间内插值得到的。其中，气团初始位置P(t)即为待分析的污染事件对应的目标区域的坐标。第一插值位置P′(t+Δt)的通过如下公式(1)来计算，最终位置通过如下公式(2)来计算。
P′(t+Δt)＝P(t)+V(P,t)Δt…(1)
P(t+Δt)＝P(t)+0.5[V(P,t)+V(P′,t+Δt)]Δt…(2)
其中，Δt为时间步长，Δt需满足不等式Umax(grid-units/min)Δt(min)<0.75(grid-units)，Umax为最大风速，grid-units为格距，min为分钟。grid-units/min为Umax的单位，表示每分钟气团移动的格距。V为气团移动速度，如V(P,t)为气团在时间t时在位置P处的移动速度。
后向轨迹模拟是按照时间步长进行模拟的，该时间步长可以为一小时或两小时等。对于需要模拟的时间段内的任意一个时间步长，通过上述方式计算出气团的各个位置后，从气团初始位置开始按照各个位置对应的时间先后顺序连线，即得到该时间步长内的后向轨迹，本申请实施例中称为气团传输轨迹。
步骤1024：根据污染物监测数据、气团传输轨迹和模拟参数，获得污染事件对应的污染气团传输轨迹。
具体地，根据模拟参数包括的污染物名称，将污染物监测数据中污染物名称对应的污染物浓度叠加到气团传输轨迹上；对叠加了污染物浓度的气团传输轨迹进行轨迹聚类，得到污染事件对应的污染气团传输轨迹。
通过步骤1023的操作获得需要模拟的时间段内每小时对应的气团传输轨迹后，根据模拟参数包括的污染物名称，从污染物监测数据中获取该污染物名称对应的每小时的污染物浓度。将每小时的污染物浓度分别对应叠加到每小时的气团传输轨迹上。按照轨迹长度或轨迹的方向等对叠加了污染物浓度的气团传输轨迹进行聚类。如将轨迹长度相似的气团传输轨迹进行合并，或者将来源方向相同的气团传输轨迹进行合并。
在本申请实施例中，在聚类之前还可以先从叠加了污染物浓度的气团传输轨迹中筛选出满足模拟参数包括的浓度阈值的气团传输轨迹。
在本申请的另一些实施例中，为了提高模拟的污染气团传输轨迹的精确度，在将污染物浓度叠加到气团传输轨迹上之前，还对气团传输轨迹进行校验，具体包括：
从气象数据中获取目标区域在需要模拟的时间段内的地面气象数据；根据地面气象数据、污染物监测数据，获得地面风向及污染物分布图；判断地面风向与气团传输轨迹的延伸方向之间的相似度是否大于或等于预设阈值；若相似度大于或等于预设阈值，则通过上述方式将污染物监测数据中污染物名称对应的污染物浓度叠加到气团传输轨迹上；若相似度小于预设阈值，则调整模拟参数中包括的模拟高度、追踪时间等参数，根据调整后的模拟参数按照上述步骤1021-1023的操作重新模拟气团传输轨迹。
气团传输轨迹是依据气象资料数据模拟的，其延伸方向与气象资料数据对应的风向一致。对于同一地区同一时间段，地面气象数据对应的风向应该与气象资料数据对应的风向一致，因此可以通过上述方式利用地面气象数据对应的地面风向对用气象资料数据模拟的气团传输轨迹的方向进行校验，以确定模拟的气团传输轨迹是否准确。
在本申请的另一些实施例中，还可以将上述步骤1023模拟的气团传输轨迹与上述地面风向与污染物分布图进行对比显示，用户可以从显示的气团传输轨迹的图和包含地面风向的图中，直观地看出气团传输轨迹的延伸方向是否与地面风向相近，如果气团传输轨迹的延伸方向与地面风向相近，则确定模拟的气团传输轨迹的准确性很高。如果气团传输轨迹的延伸方向与地面风向差别很大，则确定模拟的气团传输轨迹的准确性很低，后续用户可以调整模拟参数，然后再次按照上述步骤1021-1023的操作重新模拟气团传输轨迹。
依据地面气象数据模拟地面风向，通过地面风向对模拟的气团传输轨迹进行校验，确保模拟的气团传输轨迹的准确性，进而提高后续潜在污染源分析的准确性。
步骤103：根据污染气团传输轨迹，定位潜在污染源的位置，以及确定潜在污染源对污染事件的贡献程度。
本申请实施例具体通过如下步骤1031-1034的操作进行潜在源定位分析，具体包括：
步骤1031：在电子地图上对包含污染气团传输轨迹的区域范围进行网格划分。
基于GIS(Geographic Information System，地理信息系统)在电子地图上对包含污染气团传输轨迹的区域范围进行网格划分，划分为i*j个网格。
步骤1032：根据经过第一网格的气团传输轨迹上的总端点数目及污染气团传输轨迹上的端点数，计算第一网格中存在潜在污染源的概率，第一网格为污染气团传输轨迹经过的任一网格。
本申请实施例将任一有气团传输轨迹经过的网格(i，j)称为第一网格。对于每个第一网格，统计经过第一网格里所有气团传输轨迹上的总端点数目以及所有污染气团传输轨迹上的端点数目，通过如下公式(3)计算第一网格中存在潜在污染源的概率。
Figure BDA0002702545980000101
在公式(3)中，PSCFij为第一网格中存在潜在污染源的条件概率，mij为经过第一网格(i，j)的特定污染气团传输轨迹上的端点数目，特定污染气团传输轨迹为污染物浓度超过模拟参数包括的浓度阈值的轨迹，nij为经过第一网格(i，j)的所有气团传输轨迹的总端点数目。
由于气团在传输过程中可能存在在网格中滞留时间过短的情况，使得气团传输轨迹经过网格的部分上端点数过少，从而造成通过上述公式(3)计算的网格对应的概率的准确性低。为了减少上述情况的影响，本申请实施例在上述公式(3)的基础上引入了权重函数W(nij)，具体地可以通过如下公式(4)和(5)来计算第一网格中存在潜在污染源的概率。
WPSCFij＝PSCFij*W(nij)…(4)
Figure BDA0002702545980000111
在公式(4)和(5)中，WPSCFij为引入权重函数Wij后第一网格(i，j)中存在潜在污染源的概率，W(nij)为第一网格对应的权重，nave为研究区域内每个网格内的平均轨迹端点数。由公式(3)可知，PSCF的误差会随着网格与采样点的距离变化而变化，若nij较小，PSCF的结果误差就会很大。本申请实施例在nij＜3nave时引入权重函数W(nij)降低PSCF的误差，如公式(4,5)所示。WPSCF值越高，代表其所对应的区域越有可能是污染物的潜在源区，并且经过该区域的污染气团传输轨迹为污染物传输的主要路径。
通过上述方式分别计算出每个有污染气团传输轨迹经过的网格对应的概率。
步骤1033：根据经过第一网格的污染气团传输轨迹上的端点数目及污染物浓度，计算第一网格对应的污染物浓度。
对于每个第一网格，根据经过第一网格的每条污染气团传输轨迹上的端点数目及污染物浓度，通过如下公式(6)计算第一网格对应的污染物浓度。
Figure BDA0002702545980000112
在公式(6)中，l是经过第一网格(i，j)的污染气团传输轨迹之一。Cl是污染气团传输轨迹l经过第一网格时的污染物浓度。τijl是污染气团传输轨迹l在第一网格中停留的时间，τijl的取值用第一网格中污染气团传输轨迹l的端点数目来代替。
由于污染气团在传输过程中可能存在在网格中滞留时间过短的情况，使得污染气团传输轨迹经过网格的部分上端点数过少，从而造成通过上述公式(6)计算的网格对应的污染物浓度的准确性低。为了减少上述情况的影响，本申请实施例在上述公式(6)的基础上引入了权重函数W(nij)，具体地可以通过如下公式(7)和上述公式(5)来计算第一网格对应的污染物浓度。
WCWTij＝Cij*W(nij)…(7)
在公式(7)中，WCWTij为引入权重函数Wij后经度为i，纬度为j的第一网格对应的污染物浓度。
步骤1034：若概率大于预设数值或第一网格对应的污染物浓度大于预设浓度，则将第一网格的坐标确定为潜在污染源的位置；将第一网格对应的污染物浓度确定为潜在污染源对污染事件的贡献程度。
通过上述步骤1032计算出第一网格对应的概率之后，将计算的概率与预设数值进行比较，若计算的概率大于预设数值，则表明第一网格中很可能存在潜在污染源，则将第一网格的坐标确定为潜在污染源的位置。预设数值可以为0.8或0.9等。
通过步骤1033计算出第一网格对应的污染物浓度之后，将计算的污染物浓度与预设浓度比较，若计算的污染物浓度大于预设浓度，则表明第一网格中很可能存在潜在污染源，则将第一网格的坐标确定为潜在污染源的位置，并将第一网格对应的污染物浓度确定为潜在污染源对污染事件的贡献程度，第一网格对应的污染物浓度越高，则表明第一网格中的潜在污染源对污染事件的贡献程度越大。预设浓度可以为75μg/m3、115μg/m3、150μg/m等。
为了提高潜在污染源定位的准确性，本申请实施例还可以将计算的概率大于预设数值且计算的污染物浓度大于预设浓度的网格的坐标确定为潜在污染源的位置。
在本申请实施例中，还预先收集或获取了各地各行业的污染物排放清单，以便掌握实际污染排放特征及污染源区，建立可视化区域污染源排放监管体系。本申请实施例将据此建立的数据库称为预设的污染源排放清单数据库。通过本申请实施例提供的方式预测出潜在污染源的位置及潜在污染源对待分析的污染事件的贡献程度之后，根据包含污染气团传输轨迹的区域范围，从预设的污染源排放清单数据库，确定位于包含污染气团传输轨迹的区域范围内的所有污染源；在电子地图上该区域范围内标注出所有污染源；实现潜在源区与实际污染源区的交叉验证，同时也可通过潜在源区位置反向识别污染源区位置实施精准管控。
在本申请实施例中，通过上述方式模拟出污染气团传输轨迹及预测出潜在污染源的位置之后，可以以二维或三维等空间模式进行展示。展示的污染气团传输轨迹上还可以标出污染物浓度及贡献占比等。预测的潜在污染源可以在电子地图中标注展示，以使用户直观地浏览潜在污染源的分布情况。还可以利用可视化方式集成相关大数据，比如遥感数据、环境监测数据、污染源排放数据、清单数据，以便实现协同识别与管控。
本申请实施例还设置有案例库，该案例库存储以往的沙尘暴示踪、水汽示踪、PM2.5示踪等案例。还可以将待分析的污染事件对应的污染物监测数据、气象数据、模拟参数、污染气团传输轨迹、潜在污染源的位置及潜在污染源对污染事件的贡献程度对应存储在案例库中，以便于后续确定合适的参数化方案，实现快速污染气团溯源。
为了便于理解本申请实施例提供的方案，下面结合附图进行说明。如图2所示，本申请实施例提供一种基于气团逆轨迹示踪法解析污染来源的分析方法，该方法的执行主体为终端，终端中可以包括监测模块、模式处理模块、可视化协同决策模块，并提供案例库。终端通过这些处理模块来执行上述基于气团逆轨迹示踪法解析污染来源的分析方法。具体地，在监测模块中，针对特定的污染事件及其对应的需要模拟的时间段，分析污染事件特征，污染事件特征包括污染物名称和受体敏感点位置。其中，污染物名称可以包括PM2.5、PM10、O3、水汽、颗粒物组分等。受体敏感点位置即为发生该污染事件的目标区域。该监测模块还根据需要模拟的时间获取对应的地面气象观测数据和高空气象要素资料。在模式处理模块中，根据污染事件对应的污染物名称、受体敏感点位置、地面气象观测数据和高空气象要素资料等，基于HYSPLIT模型提供的各种模式条件进行轨迹聚类和潜在源分析。
图2中示意性地画出了模式条件1-5共5种模式条件，实际应用中可以自由组合模拟参数形成不同的模式条件。模式条件可以包括不同垂直高度、不同追踪时间、不同时段划分、不同污染等级及研究污染物在输送过程中边界层和自由大气的交换等。
模式处理模块在进行轨迹聚类时可以按照轨迹的长度或传输速度等进行欧式距离的聚类，也可以主要按照轨迹的角度或方向等进行角式距离的聚类，得到外来传输通道。在进行潜在源区分析时，可以通过研究区域网格划分，通过PSCF(potential sourcecontribution function，潜在源贡献分析)定性求解出潜在源区的位置。也可以通过CWT(concentration-weighted trajectory method，浓度权重轨迹分析法)定量判断潜在源区对目标区域的污染贡献。通过定性分析和定量分析获得外来输送潜在源区，并通过现实中的污染源分布对预测的潜在源区进行互相验证。最终将模拟的外来输送通道及外来输送潜在源区存储在案例库中。该案例库可用于水汽示踪、沙尘暴示踪、常规污染物示踪和颗粒物组分示踪等。
在本申请实施例中，综合不同垂直结构、不同时间长度、不同污染等级、不同追踪时间等模拟参数，对污染事件进行轨迹聚类得到污染气团传输轨迹，并依据污染气团传输轨迹预测潜在污染源的位置以及潜在污染源对该污染事件的贡献程度。考虑的影响因素更加全面，大大提高了污染溯源分析的准确性和针对性，且依据污染气团传输轨迹对潜在污染源的位置及贡献程度进行预测，对污染事件的成因分析具有重要意义，为预防和治理大气污染提供科学依据，对大气污染有针对性地精准施策及开展区域联防联控研究具有重要意义。
本申请实施例提供了一种污染物来源分析装置，该装置用于执行上述实施例所述的污染物来源分析方法，如图3所示，该装置包括；
获取模块301，用于获取待分析的污染事件对应的污染物监测数据和气象数据，以及获取用户设置的模拟参数；
轨迹模拟模块302，用于根据污染物监测数据、气象数据及模拟参数，模拟污染事件对应的污染气团传输轨迹；
潜在源定位模块303，用于根据污染气团传输轨迹，定位潜在污染源的位置，以及确定潜在污染源对污染事件的贡献程度。
轨迹模拟模块302包括：
确定单元，用于根据模拟参数包括的追踪时间和污染事件对应的污染时段，确定需要模拟的时间段；
获取单元，用于根据污染事件对应的目标区域的坐标，从气象数据中获取目标区域在时间段内的气象资料数据；
模拟单元，用于根据气象资料数据、目标区域的坐标和模拟参数包括的模拟高度，模拟时间段内的气团传输轨迹；根据污染物监测数据、气团传输轨迹和模拟参数，获得污染事件对应的污染气团传输轨迹。
聚类单元，具体用于根据模拟参数包括的污染物名称，将污染物监测数据中污染物名称对应的污染物浓度叠加到气团传输轨迹上；对叠加了污染物浓度的气团传输轨迹进行轨迹聚类，得到污染事件对应的污染气团传输轨迹。
该装置还包括：参数调整模块，用于从气象数据中获取目标区域在时间段内的地面气象数据；根据地面气象数据、污染物监测数据，获得地面风向及污染物分布图；判断地面风向与气团传输轨迹的延伸方向之间的相似度是否大于或等于预设阈值；若相似度大于或等于预设阈值，则执行将污染物监测数据中污染物名称对应的污染物浓度叠加到气团传输轨迹上的操作；若相似度小于预设阈值，则调整模拟参数，根据调整后的模拟参数重新模拟气团传输轨迹。
潜在源定位模块303，用于在电子地图上对包含污染气团传输轨迹的区域范围进行网格划分；根据经过第一网格的气团传输轨迹上的总端点数目及污染气团传输轨迹上的端点数，计算第一网格中存在潜在污染源的概率，第一网格为污染气团传输轨迹经过的任一网格；根据经过第一网格的污染气团传输轨迹上的端点数目及污染物浓度，计算第一网格对应的污染物浓度；若概率大于预设数值或第一网格对应的污染物浓度大于预设浓度，则将第一网格的坐标确定为潜在污染源的位置，将第一网格对应的污染物浓度确定为潜在污染源对污染事件的贡献程度。
该装置还包括：潜在污染源验证模块，用于根据预设的污染源排放清单数据库，确定位于包含污染气团传输轨迹的区域范围内的所有污染源；在电子地图上区域范围内标注出所有污染源。
该装置还包括：存储模块，用于将污染事件对应的污染物监测数据、气象数据、模拟参数、污染气团传输轨迹、潜在污染源的位置及潜在污染源对污染事件的贡献程度对应存储在案例库中。
本申请的上述实施例提供的污染物来源分析装置与本申请实施例提供的污染物来源分析方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的污染物来源分析方法对应的电子设备，以执行上污染物来源分析方法。本申请实施例不做限定。
请参考图4，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图4所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的污染物来源分析方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述污染物来源分析方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的污染物来源分析方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的污染物来源分析方法对应的计算机可读存储介质，请参考图5，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的污染物来源分析方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的污染物来源分析方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种污染物来源分析方法，其特征在于，所述方法包括；
获取待分析的污染事件对应的污染物监测数据和气象数据，以及获取用户设置的模拟参数；
根据所述污染物监测数据、所述气象数据及所述模拟参数，模拟所述污染事件对应的污染气团传输轨迹；
在电子地图上对包含所述污染气团传输轨迹的区域范围进行网格划分；根据经过第一网格的污染气团传输轨迹上的总端点数目、污染气团传输轨迹上的端点数及第一网格对应的权重，计算所述第一网格中存在潜在污染源的概率，所述第一网格为所述污染气团传输轨迹经过的任一网格；根据第一网格对应的权重以及经过所述第一网格的污染气团传输轨迹上的端点数目及污染物浓度，计算所述第一网格对应的污染物浓度；若所述概率大于预设数值或所述第一网格对应的污染物浓度大于预设浓度，则将所述第一网格的坐标确定为所述潜在污染源的位置，将所述第一网格对应的污染物浓度确定为所述潜在污染源对所述污染事件的贡献程度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述污染物监测数据、所述气象数据及所述模拟参数，模拟所述污染事件对应的污染气团传输轨迹，包括：
根据所述模拟参数包括的追踪时间和所述污染事件对应的污染时段，确定需要模拟的时间段；
根据所述污染事件对应的目标区域的坐标，从所述气象数据中获取所述目标区域在所述时间段内的气象资料数据；
根据所述气象资料数据、所述目标区域的坐标和所述模拟参数包括的模拟高度，模拟所述时间段内的气团传输轨迹；
根据所述污染物监测数据、所述气团传输轨迹和所述模拟参数，获得所述污染事件对应的污染气团传输轨迹。
3.根据权利要求2所述的方法，其特征在于，根据所述污染物监测数据、所述气团传输轨迹和所述模拟参数，获得所述污染事件对应的污染气团传输轨迹，包括：
根据所述模拟参数包括的污染物名称，将所述污染物监测数据中所述污染物名称对应的污染物浓度叠加到所述气团传输轨迹上；
对叠加了污染物浓度的气团传输轨迹进行轨迹聚类，得到所述污染事件对应的污染气团传输轨迹。
4.根据权利要求3所述的方法，其特征在于，所述将所述污染物监测数据中所述污染物名称对应的污染物浓度叠加到所述气团传输轨迹上之前，还包括：
从所述气象数据中获取所述目标区域在所述时间段内的地面气象数据；
根据所述地面气象数据、所述污染物监测数据，获得地面风向及污染物分布图；
判断所述地面风向与所述气团传输轨迹的延伸方向之间的相似度是否大于或等于预设阈值；
若所述相似度大于或等于预设阈值，则执行将所述污染物监测数据中所述污染物名称对应的污染物浓度叠加到所述气团传输轨迹上的操作；
若所述相似度小于所述预设阈值，则调整所述模拟参数，根据调整后的所述模拟参数重新模拟所述气团传输轨迹。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据预设的污染源排放清单数据库，确定位于包含所述污染气团传输轨迹的区域范围内的所有污染源；
在所述电子地图上所述区域范围内标注出所述污染源。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
将所述污染事件对应的所述污染物监测数据、所述气象数据、所述模拟参数、所述污染气团传输轨迹、所述潜在污染源的位置及所述潜在污染源对所述污染事件的贡献程度对应存储在案例库中。
7.一种污染物来源分析装置，其特征在于，所述装置包括；
获取模块，用于获取待分析的污染事件对应的污染物监测数据和气象数据，以及获取用户设置的模拟参数；
轨迹模拟模块，用于根据所述污染物监测数据、所述气象数据及所述模拟参数，模拟所述污染事件对应的污染气团传输轨迹；
潜在源定位模块，用于在电子地图上对包含所述污染气团传输轨迹的区域范围进行网格划分；根据经过第一网格的污染气团传输轨迹上的总端点数目、污染气团传输轨迹上的端点数及第一网格对应的权重，计算所述第一网格中存在潜在污染源的概率，所述第一网格为所述污染气团传输轨迹经过的任一网格；根据第一网格对应的权重以及经过所述第一网格的污染气团传输轨迹上的端点数目及污染物浓度，计算所述第一网格对应的污染物浓度；若所述概率大于预设数值或所述第一网格对应的污染物浓度大于预设浓度，则将所述第一网格的坐标确定为所述潜在污染源的位置，将所述第一网格对应的污染物浓度确定为所述潜在污染源对所述污染事件的贡献程度。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现如权利要求1-6中任一项所述的方法。
CN202011027457.3A 2020-09-25 2020-09-25 一种污染物来源分析方法、装置、电子设备及存储介质 Active CN112182064B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011027457.3A CN112182064B (zh) 2020-09-25 2020-09-25 一种污染物来源分析方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011027457.3A CN112182064B (zh) 2020-09-25 2020-09-25 一种污染物来源分析方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112182064A CN112182064A (zh) 2021-01-05
CN112182064B true CN112182064B (zh) 2021-07-20

Family

ID=73944926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011027457.3A Active CN112182064B (zh) 2020-09-25 2020-09-25 一种污染物来源分析方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112182064B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113009086A (zh) * 2021-03-08 2021-06-22 重庆邮电大学 一种基于后向轨迹模式的探索城市大气污染物来源的方法
CN112988940A (zh) * 2021-04-02 2021-06-18 中科三清科技有限公司 污染溯源方法及装置
CN113688493B (zh) * 2021-05-18 2023-09-22 武汉理工大学 一种基于污染过程分型的大气污染潜在源区识别方法
CN113436045A (zh) * 2021-06-15 2021-09-24 深圳中兴网信科技有限公司 大气污染多尺度融合溯源方法、装置和可读存储介质
CN113420984A (zh) * 2021-06-23 2021-09-21 天津大学 空气污染源区的确定方法
CN113536630B (zh) * 2021-07-12 2023-09-29 西南科技大学 污染物无组织排放因子获取方法
CN113688506B (zh) * 2021-07-29 2024-04-12 北京首创大气环境科技股份有限公司 基于微站等多维数据的潜在大气污染源识别方法
CN113607765B (zh) * 2021-08-03 2024-04-12 亚翔系统集成科技（苏州）股份有限公司 一种基于半导体生产线中不良产品的污染源查找方法
CN114154828A (zh) * 2021-11-25 2022-03-08 泛测（北京）环境科技有限公司 大气污染区域传输分析方法和系统
CN116611971A (zh) * 2022-02-09 2023-08-18 南京浦蓝大气环境研究院有限公司 一种区县尺度生物质燃烧源归一化贡献潜势定量系统
CN114819696B (zh) * 2022-05-12 2023-06-23 中科三清科技有限公司 确定污染物浓度影响因素的方法、装置及电子设备
CN115130831B (zh) * 2022-06-08 2024-02-27 北京工业大学 一种小尺度精细化大气污染溯源方法
CN116011317B (zh) * 2022-11-29 2023-12-08 北京工业大学 一种基于多方法融合的小尺度近实时大气污染溯源方法
CN116227749B (zh) * 2023-05-08 2023-07-21 中科三清科技有限公司 污染物排放量的确定方法、装置、存储介质及电子设备
CN116739191B (zh) * 2023-08-14 2023-11-07 中科三清科技有限公司 热点网格识别方法、装置、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408308A (zh) * 2014-11-25 2015-03-11 复旦大学 一种地下空间排放口排放污染物对周围环境影响的测量方法
US9436784B2 (en) * 2013-02-08 2016-09-06 University Of Alaska Fairbanks Validating and calibrating a forecast model
CN109583743A (zh) * 2018-11-26 2019-04-05 南京创蓝科技有限公司 基于拉格朗日模型和移动观测平台的大气污染溯源方法
KR20200009395A (ko) * 2018-07-18 2020-01-30 (주)에코메이텍 능동반응 led 조형물을 활용한 기상 인자 및 대기 오염물질 기반 실시간 미세먼지/초미세먼지 예측시스템
CN111611296A (zh) * 2020-05-20 2020-09-01 中科三清科技有限公司 Pm2.5污染成因分析方法、装置、电子设备及存储介质
CN111612064A (zh) * 2020-05-20 2020-09-01 中科三清科技有限公司 Pm2.5污染气团溯源方法、装置、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000009395U (ko) * 1998-11-04 2000-06-05 신오섭 수지재의 식품용기
CN109522603B (zh) * 2018-10-18 2020-11-24 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
CN110658307A (zh) * 2019-10-12 2020-01-07 江苏省常州环境监测中心 评估污染源对环境空气质量影响的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9436784B2 (en) * 2013-02-08 2016-09-06 University Of Alaska Fairbanks Validating and calibrating a forecast model
CN104408308A (zh) * 2014-11-25 2015-03-11 复旦大学 一种地下空间排放口排放污染物对周围环境影响的测量方法
KR20200009395A (ko) * 2018-07-18 2020-01-30 (주)에코메이텍 능동반응 led 조형물을 활용한 기상 인자 및 대기 오염물질 기반 실시간 미세먼지/초미세먼지 예측시스템
CN109583743A (zh) * 2018-11-26 2019-04-05 南京创蓝科技有限公司 基于拉格朗日模型和移动观测平台的大气污染溯源方法
CN111611296A (zh) * 2020-05-20 2020-09-01 中科三清科技有限公司 Pm2.5污染成因分析方法、装置、电子设备及存储介质
CN111612064A (zh) * 2020-05-20 2020-09-01 中科三清科技有限公司 Pm2.5污染气团溯源方法、装置、电子设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Dispersion simulations using HYSPLIT for the Sagebrush Tracer Experiment;FongNgan et al;《Atmospheric Environment》;20180831(第186期);第18-31页 *
Monitoring of Air Pollution over Urban Area from MODIS;Jianping Guo et al;《2008 2nd International Conference on Bioinformatics and Biomedical Engineering》;20180603;第3749-3752页 *
乐山市2016年冬季颗粒物重污染过程与输送路径及潜在源区;龙启超 等;《环境科学研究》;20190228;第32卷(第2期);第263-272页 *
利用后向轨迹模式研究上海市PM2.5来源分布及传输特征;赵倩彪 等;《环境监测管理与技术》;20140831;第26卷(第4期);第22-26页 *

Also Published As

Publication number Publication date
CN112182064A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112182064B (zh) 一种污染物来源分析方法、装置、电子设备及存储介质
CN111612064B (zh) Pm2.5污染气团溯源方法、装置、电子设备及存储介质
CN111611296B (zh) Pm2.5污染成因分析方法、装置、电子设备及存储介质
Bandeira et al. Impact of land use on urban mobility patterns, emissions and air quality in a Portuguese medium-sized city
González et al. High-resolution air quality modeling in a medium-sized city in the tropical Andes: Assessment of local and global emissions in understanding ozone and PM10 dynamics
Coelho et al. Assessment of potential improvements on regional air quality modelling related with implementation of a detailed methodology for traffic emission estimation
Benavides et al. CALIOPE-Urban v1. 0: coupling R-LINE with a mesoscale air quality modelling system for urban air quality forecasts over Barcelona city (Spain)
Chattopadhyay et al. Spatial and temporal variation of urban air quality: a GIS approach
CN112880751A (zh) 基于走航监测的空气污染状况获取方法
CN116048129B (zh) 污染物排放的监测方法、装置、电子设备和存储介质
Kelly et al. Fine‐scale simulation of ammonium and nitrate over the South Coast Air Basin and San Joaquin Valley of California during CalNex‐2010
CN112509288B (zh) 用于大气污染的监测方法、装置、电子设备及介质
Ahmad et al. Modelling land use/land cover (LULC) change dynamics, future prospects, and its environmental impacts based on geospatial data models and remote sensing data
CN112362816A (zh) 一种基于观测数据的臭氧来源分析方法及装置
CN114218976B (zh) 臭氧前体物高值区精细化排放源追溯定位方法和系统
CN111753906B (zh) 污染物传输轨迹的聚类方法、装置、电子设备及存储介质
Struzewska et al. Application of model output statistics to the GEM-AQ high resolution air quality forecast
CN117871790B (zh) 基于多种数据融合的路边监测站数据分析和交通溯源方法
CN114186619A (zh) 车辆停靠点聚类的方法、装置、设备及存储介质
Zhao et al. Spatial distribution of source locations for particulate nitrate and sulfate in the upper-midwestern United States
Shepelev et al. Measuring and modelling the concentration of vehicle-related PM2. 5 and PM10 emissions based on neural networks
Miao et al. Quantifying and predicting air quality on different road types in urban environments using mobile monitoring and automated machine learning
CN111815178A (zh) 空气质量达标分析方法、装置、电子设备及存储介质
Etuman et al. Integrated air quality modeling for urban policy: A novel approach with olympus-chimere
Hung Urban air quality modelling and management in Hanoi, Vietnam

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210105

Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd.

Assignor: 3CLEAR TECHNOLOGY Co.,Ltd.

Contract record no.: X2022980012305

Denomination of invention: A kind of pollutant source analysis method, device, electronic equipment and storage medium

Granted publication date: 20210720

License type: Common License

Record date: 20220815

EE01 Entry into force of recordation of patent licensing contract