CN112183950A - 一种空气质量评价模型、模型构建方法及其应用 - Google Patents
一种空气质量评价模型、模型构建方法及其应用 Download PDFInfo
- Publication number
- CN112183950A CN112183950A CN202010933365.5A CN202010933365A CN112183950A CN 112183950 A CN112183950 A CN 112183950A CN 202010933365 A CN202010933365 A CN 202010933365A CN 112183950 A CN112183950 A CN 112183950A
- Authority
- CN
- China
- Prior art keywords
- air quality
- evaluation
- pollutant
- evaluation factor
- characteristic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种空气质量评价模型、模型构建方法及其应用,采用加权隶属度原则确定最终评价结果,同时考虑季节性差异,以动态的分析特征大气污染物的更变状况,及时为制定大气污染问题治理措施的决策提供更有力的支撑,更有力的保证了评价结果的客观性;同时随着时间前进可以动态的分析特征大气污染物的更变状况,及时为制定大气污染问题治理措施的决策提供更有力的支撑。
Description
技术领域
本发明涉及空气质量综合评价技术领域,具体涉及一种空气质量评价模型、模型构建方法及其应用。
背景技术
空气污染作为一个重大的环境污染问题,在我国引起了高度重视。长期处在高度污染的大气环境中,会导致人体健康受到严重的危害。空气污染的负面影响不仅侵害人体健康,也阻碍着经济发展。因此,对大气保护决策提供有价值的信息十分关键。空气质量评估在解释空气质量和预警以保护人类在日常活动中健康免受污染严重的大气影响等方面起着至关重要的作用。
现有的空气质量评价方法通常以《环境空气质量标准》指出的六种主要大气污染物(PM2.5、PM10、SO2、NO2、CO、O3)作为评价因子参与空气质量评价。受不同地区地理环境、气候条件、工业发展和经济水平等多方面因素的影响,各大气污染物对各地大气环境的形成贡献度并不相同。对于不同地区,筛选特征大气污染物作为评价因子一方面能够提供治理当地大气污染问题的决策支撑,另一方面在保证评价结果准确的前提下减少评价过程中产生的计算开销。在同一个地区,因四季变化造成的气候差异使得各大气污染物在不同季节大气环境形成的过程中参与程度不同。
发明内容
本发明的目的在于提供一种空气质量评价模型、模型构建方法及其应用,采用加权隶属度原则确定最终评价结果,同时考虑季节性差异,以动态的分析特征大气污染物的更变状况,及时为制定大气污染问题治理措施的决策提供更有力的支撑,更有力的保证了评价结果的客观性。
为达到上述技术效果,本发明采取的技术方案为:
一种空气质量评价模型,模型如式(1);
其中,ci为标准空气质量等级,li为模糊综合评价因子,i为大于零的自然数;{l1,...,ln}=L,L为模糊综合评价矩阵,模糊综合评价矩阵L是评价因子的权重集和模糊关系矩阵的乘积;评价因子的权重集是信息熵系数集和污染物关联度系数集的乘积,信息熵系数集是评价因子集通过信息熵计算得到,污染物关联度系数集是评价因子集与历史空气质量等级间的关联度系数,评价因子集是根据各大气污染物与空气质量间的关联度获得的特征大气污染物的集合,模糊关系矩阵是评价因子集中各特征大气污染物的浓度值关于标准空气质量等级的隶属度的集合。
一种空气质量评价模型构建方法,包括以下步骤:
S1,获取特征大气污染物,获得评价因子集;获取评价因子集中各特征大气污染物的浓度值与历史空气质量等级间的关联度系数,获得污染物关联度系数集;
S2,将S1获得的评价因子集中各特征大气污染物浓度值通过信息熵计算获得信息熵系数集;
S3,将S2获得的信息熵系数集中的各信息熵系数与S1获得的污染物关联度系数集中对应的污染物关联度系数相乘,获得评价因子的权重集;
S4,获取评价因子集中各特征大气污染物浓度值关于标准空气质量等级的隶属度,获得模糊关系矩阵;
S5,将S3获得的评价因子的权重集和S4获得的模糊关系矩阵相乘,获得模糊综合评价矩阵L;
S6,将S5获得的模糊综合评价矩阵L结合加权隶属度原则,获得空气质量评价模型,空气质量评价模型为权利要求1的空气质量评价模型。
优选的,包括以下步骤:
S1,分别获取四个季节的特征大气污染物,获得第一评价因子集、第二评价因子集、第三评价因子集和第四评价因子集;获取每个评价因子集中各特征大气污染物的浓度值与对应季节历史空气质量等级间的关联度系数,获得第一污染物关联度系数集、第二污染物关联度系数集、第三污染物关联度系数集和第四污染物关联度系数集;
S2,将S1获得的每个评价因子集中各特征大气污染物浓度值通过信息熵计算获得第一信息熵系数集、第二信息熵系数集、第三信息熵系数集和第四信息熵系数集;
S3,将S2获得的每个信息熵系数集中的各信息熵系数与S1中对应的污染物关联度系数集中对应的染物关联度系数相乘,获得第一评价因子的权重集、第二评价因子的权重集、第三评价因子的权重集和第四评价因子的权重集;
S4,获取每个评价因子集中各特征大气污染物浓度值关于标准空气质量等级的隶属度,获得第一模糊关系矩阵、第二模糊关系矩阵、第三模糊关系矩阵和第四模糊关系矩阵;
S5,将S3获得的每个评价因子的权重集和S4中对应的模糊关系矩阵相乘,获得第一模糊综合评价矩阵、第二模糊综合评价矩阵、第三模糊综合评价矩阵和第四模糊综合评价矩阵;
S6,将S5获得的各模糊综合评价矩阵分别结合加权隶属度原则,获得每个季节的空气质量评价模型。
优选的,S1中,使用皮尔逊相关系数作为关联度获取指标,获取大气污染物的浓度序列与历史空气质量等级间的关联度,选择关联度>0.5对应的大气污染物为特征大气污染物。
优选的,S4中,使用指数隶属度函数,以特征大气污染物浓度值为行、特征大气污染物浓度值关于标准空气质量等级的隶属度为列,获得模糊关系矩阵。
一种空气质量评价方法,包括以下步骤:
S61,获取特征大气污染物、特征大气污染物的浓度值与历史空气质量等级,获得样本集;
S62,将S61获得的样本集输入空气质量评价模型中,得到空气质量等级评价结果;
其中,空气质量评价模型为本发明公开的空气质量评价模型,或为本发明公开的空气质量评价模型构建方法构建得到的空气质量评价模型。
一种空气质量评价系统,包括特征大气污染物及历史空气质量等级采集模块和空气质量评价模块;特征大气污染物及历史空气质量等级采集模块,用于获取特征大气污染物、特征大气污染物的浓度值以及历史空气质量等级,获得样本集;空气质量评价模块,用于执行权利为本发明公开的空气质量评价方法。
由于采用上述技术方案,具有以下有益效果:
(1)本发明的一种空气质量评价模型、模型构建方法及其应用,采用加权隶属度原则确定最终评价结果,所得的评价结果更符合真实的大气环境变化情况。
(2)本发明的一种空气质量评价模型、模型构建方法及其应用,同时分析各大气污染物在不同季节时与大气环境的关联关系,根据特征大气污染物对当地当季大气环境的作用程度确定其权重,更有力的保证了评价结果的客观性。
(3)本发明的一种空气质量评价模型、模型构建方法及其应用,提供了一个动态的空气质量评价结果,随着时间前进可以动态的分析特征大气污染物的更变状况,及时为制定大气污染问题治理措施的决策提供更有力的支撑。
附图说明
图1为本发明季节性空气质量评价方法的流程示意图;
图2为广州2019年各季节空气质量的历史评价结果
图3为兰州2019年各季节空气质量的历史评价结果;
图4为广州2019年各季节空气质量评价结果对比;
图5为兰州2019年各季节空气质量评价结果对比;
以下结合说明书附图和具体实施方式对本发明做具体说明。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。以便本领域的技术人员更好的理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
特征大气污染物和历史空气质量等级,可以以省份、城市或乡镇为区域范围,以年度、季度或月度为时间范围获取。
以下对本发明涉及的定义或概念内涵做以说明:
季节:本发明中的季节是每年循环出现的地理景观相差比较大的4个时间段,包括春季、夏季、秋季和冬季;其中春季为3月-5月,夏季为6月-8月,秋季为9月-11月,冬季为12月-次年2月。
皮尔逊相关系数:本发明使用的皮尔逊相关系数是一种用于度量两个变量之间相关程度的方法。两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的比值。皮尔逊相关系数的取值范围为[-1,1],其值介于[-1,0]时表示变量之间呈负相关,对应的,其值介于[0,1]时表示变量之间呈正相关。皮尔逊相关系数的绝对值越大,表示变量之间的相关联程度越强。参见文献:Mu Yashuang,Liu Xiaodong.Wang Lidong.A Pearson’s correlation coefficient-based decision tree and its parallel implementation[J].Information Sciences,2018,435:40-58.
指数隶属度函数:本发明使用的指数隶属度函数采用指数函数度量变量关于评价结果的隶属度。参见文献:Li Liu,Zhou Jianzhong,An Xueli,Zhang Yongchuan,YangLi.Using fuzzy theory and information entropy for water quality assessment inThree Gorges region,China[J].Expert Systems with Applications,2010,37:2517-2521.
加权隶属度原则:本发明使用的加权隶属度原则是将被评价对象关于各评价类别的隶属度与各评价类别对应的权重相乘取和求得最终评价结果的准则。
标准空气质量等级(参见步骤S4):本发明中各污染物关于不同空气质量等级的浓度限值参照《环境空气质量标准》(GB3095-2012),如表1所示。
表1《环境空气质量标准》(GB3095-2012)
实施例1
本实施例的特征大气污染物和历史空气质量等级,以城市为区域范围,以4个季度为时间范围获取。
本实施例的历史空气质量等级具体为上一年度(2019年)广州地区空气质量等级的集合,通过公网https://www.aqistudy.cn/historydata/获得。
一种空气质量评价模型如式(1);
其中,ci为标准空气质量等级,li为模糊综合评价因子,i为大于零的自然数,ClassLevel表示空气质量等级;
其中,大气污染物包括《环境空气质量标准》指出的六种主要大气污染物PM2.5、PM10、SO2、NO2、CO和O3;各污染物关于不同空气质量等级的浓度限值参照《环境空气质量标准》(GB3095-2012),如表1所示,因此本实施例的模型中n=6,i={1,2,3,4,5,6,},Ci={1,2,3,4,5,6}并依次对应为标准空气质量等级{优,良,轻度污染,中度污染,重度污染,严重污染}。
其中,{l1,...,l6}=L,L为模糊综合评价矩阵,模糊综合评价矩阵L是评价因子的权重集和模糊关系矩阵的乘积;评价因子的权重集是信息熵系数集和污染物关联度系数集的乘积,信息熵系数集是评价因子集通过信息熵计算得到,污染物关联度系数集是评价因子集与历史空气质量等级间的关联度系数,评价因子集是根据各大气污染物与空气质量间的关联度获得的特征大气污染物的集合,模糊关系矩阵是评价因子集中各特征大气污染物的浓度值关于标准空气质量等级的隶属度的集合。
广州冬季实例数据{51,77,9,0.8,54,0}依次对应为广州冬季特征大气污染物{PM2.5,PM10,SO2,CO,NO2,O3}的浓度。广州地区第一模糊综合评价矩阵为[0.6196 0.23550.0899 0.0397 0.0073 0];其中,0.6196,0.2355,0.0899,0.0397,0.0073和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示广州冬季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。由式(1)可得评价结果:
ClassLevel=1*0.6196+2*0.2355+3*0.0899+4*0.0397+5*0.0073+6*0=1.5556,对其四舍五入可得最终评价结果为2,对照表1即得广州地区冬季空气质量等级为良。
广州春季实例数据{26,50,6,0,0,42}依次对应为广州春季特征大气污染物{PM2.5,PM10,SO2,CO,NO2,O3}的浓度。广州地区第二模糊综合评价矩阵为[1 0.0103 0.00040 0 0];其中,1,0.0103,0.0004,0,0和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示为广州春季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。由式(1)可得评价结果:
ClassLevel=1*1+2*0.0103+3*0.0004+5*0+6*0=1.0218,对其四舍五入可得最终评价结果为1,对照表1即得广州地区春季空气质量等级为优。
广州夏季实例数据{13,22,0,0,0,58}依次对应为广州夏季特征大气污染物{PM2.5,PM10,SO2,CO,NO2,O3}的浓度。广州地区第三模糊综合评价矩阵为[1 0.0143 0.00220.0004 0 0];其中,1,0.0143,0.0022,0.0004,0和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示为广州夏季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。由式(1)可得评价结果:
ClassLevel=1*1+2*0.0143+3*0.0022+4*0.0004+5*0+6*0=1.0368,对其四舍五入可得最终评价结果为1,对照表1即得广州地区夏季空气质量等级为优。
广州秋季实例数据{7,16,4,0,23,35}依次对应为广州秋季特征大气污染物{PM2.5,PM10,SO2,CO,NO2,O3}的浓度。广州地区第三模糊综合评价矩阵为[1 0.0010 0 0 00];其中,1,0.0010,0,0,0和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示为广州秋季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。由式(1)可得评价结果:
ClassLevel=1*1+2*0.0010+3*0+4*0+5*0+6*0=1.0020,对其四舍五入可得最终评价结果为1,对照表1即得广州地区秋季空气质量等级为优。
评价因子集是根据各大气污染物与空气质量间的关联度获得的特征大气污染物的集合;具体是使用皮尔逊相关系数作为关联度获取指标,获取大气污染物的浓度序列与历史空气质量等级间的关联度,选择关联度>0.5对应的大气污染物为特征大气污染物,获得评价因子集;
广州第一评价因子集={PM2.5,PM10,SO2,CO,NO2};PM2.5,PM10,SO2,CO和NO2均为广州冬季评价因子;
广州第二评价因子集={PM2.5,PM10,SO2,O3};PM2.5,PM10,SO2和O3均为广州春季评价因子;
广州第三评价因子集={PM2.5,PM10,O3};PM2.5,PM10和O3均为广州夏季评价因子;
广州第四评价因子集={PM2.5,PM10,SO2,NO2,O3};PM2.5,PM10,SO2,NO2和O3均为广州秋季评价因子;
其中,第一评价因子集对应冬季,第二评价因子集对应春季,第三评价因子集对应夏季,第四评价因子集对应秋季。
污染物关联度系数集是评价因子集与历史空气质量等级间的关联度系数;
广州第一污染物关联度系数集={0.8788,0.8901,0.7441,0.5849,0.7625};其中,0.8788、0.8901、0.7441、0.5849和0.7625依次对应广州第一评价因子集中PM2.5、PM10、SO2、CO和NO2的关联度系数;
广州第二污染物关联度系数集={0.5958,0.6142,0.6443,0.6573};其中,0.5958、0.6142、0.6443和0.6573依次对应广州第二评价因子集中PM2.5、PM10、SO2和O3的关联度系数;
广州第三污染物关联度系数集={0.6586,0.6674,0.8273};其中,0.6586、0.6674和0.8273依次对应广州第三评价因子集中PM2.5、PM10和O3的关联度系数;
广州第四污染物关联度系数集={0.6417,0.6923,0.6666,0.5819,0.7368};其中,0.6417、0.6923、0.6666、0.5819和0.7368依次对应广州第四评价因子集中PM2.5、PM10、SO2、NO2和O3的关联度系数。
信息熵系数集是评价因子集通过信息熵计算得到;
广州第一信息熵系数集={0.1998,0.1999,0.2001,0.2002,0.1999};其中,0.1998、0.1999、0.2001、0.2002和0.1999依次对应广州第一评价因子集中PM2.5、PM10、SO2、CO和NO2的信息熵系数;
广州第二信息熵系数集={0.2302,0.2001,0.1036,0.4660};其中,0.2302、0.2001、0.1036和0.4660依次对应广州第二评价因子集中PM2.5、PM10、SO2和O3的信息熵系数;
广州第三信息熵系数集={0.3369,0.2351,0.4280};其中,0.3369、0.2351和0.4280依次对应广州第三评价因子集中PM2.5、PM10和O3的信息熵系数;
广州第四信息熵系数集={0.2169,0.2060,0.0995,0.1160,0.3616};其中,0.2169、0.2060、0.0995、0.1160和0.3616依次对应广州第四评价因子集中PM2.5、PM10、SO2、NO2和O3的信息熵系数。
评价因子的权重集是信息熵系数集和污染物关联度系数集的乘积;
广州第一评价因子的权重集={0.23,0.23,0.19,0.15,0.20};其中,0.23、0.23、0.19、0.15和0.20依次对应广州第一评价因子集中PM2.5、PM10、SO2、CO和NO2的权重;
广州第二评价因子的权重集={0.22,0.19,0.11,0.48};其中,0.22、0.19、0.11和0.48依次对应广州第二评价因子集中PM2.5、PM10、SO2和O3的权重;
广州第三评价因子的权重集={0.31,0.21,0.48};其中,0.31、0.21和0.48依次对应广州第三评价因子集中PM2.5、PM10和O3的权重;
广州第四评价因子的权重集={0.20,0.21,0.10,0.10,0.39};其中,0.20、0.21、0.10、0.10和0.39依次对应广州第四评价因子集中PM2.5、PM10、SO2、NO2和O3的权重。
模糊关系矩阵是评价因子集中各特征大气污染物的浓度值关于标准空气质量等级的隶属度的集合;
其中,第一行数据从左至右对应为广州冬季示例数据中PM2.5的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为广州冬季示例数据中PM10、SO2、CO和NO2的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度;
其中,第一行数据从左至右对应为广州春季示例数据中PM2.5的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为广州春季示例数据中PM10、SO2和O3的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度;
其中,第一行数据从左至右对应为广州夏季示例数据中PM2.5的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为广州夏季示例数据中PM10和O3的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度;
其中,第一行数据从左至右对应为广州秋季示例数据中PM2.5的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为广州秋季示例数据中PM10、SO2、NO2和O3的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
图2和图3分别展示了使用本发明公开的模型对广州2019年各季节空气质量的历史评价结果和对兰州2019年季节的空气质量的历史评价结果。
由于本实施例提出了对各季选择特征大气污染物,并且在最终计算评价结果时采用了加权隶属度原则,因此特将应用本方法所得的评价结果与基于最大值隶属度原则的评价方法所得的最终评价结果、未考虑季节性特征大气污染物差异的评价方法所得的结果进行对比。如图4和图5所示分别为广州2019年各季节空气质量评价结果对比和兰州2019年各季节空气质量评价结果对比,可知本实施例模型的评价结果更符合真实的大气环境变化情况。
实施例2
本实施例的历史空气质量等级获得同实施例1。
一种空气质量评价模型构建方法,包括以下步骤:
S1,使用皮尔逊相关系数作为关联度获取指标,获取大气污染物的浓度序列与历史空气质量等级间的关联度,选择关联度>0.5对应的大气污染物为特征大气污染物;
获得第一评价因子集、第二评价因子集、第三评价因子集和第四评价因子集;
其中,第一评价因子集对应冬季,第二评价因子集对应春季,第三评价因子集对应夏季,第四评价因子集对应秋季;
广州第一评价因子集={PM2.5,PM10,SO2,CO,NO2};PM2.5,PM10,SO2,CO和NO2均为广州冬季评价因子;
广州第二评价因子集={PM2.5,PM10,SO2,O3};PM2.5,PM10,SO2和O3均为广州春季评价因子;
广州第三评价因子集={PM2.5,PM10,O3};PM2.5,PM10和O3均为广州夏季评价因子;
广州第四评价因子集={PM2.5,PM10,SO2,NO2,O3};;PM2.5,PM10,SO2,NO2和O3均为广州秋季评价因子;
兰州第一评价因子集={PM2.5,PM10,CO,NO2};PM2.5,PM10,CO和NO2均为兰州冬季评价因子;
兰州第二评价因子集={NO2,O3};NO2和O3均为兰州春季评价因子;
兰州第三评价因子集={PM10,NO2,O3};PM10,NO2和O3均为兰州夏季评价因子;
兰州第四评价因子集={PM2.5,PM10,SO2,CO,NO2};PM2.5,PM10,SO2,CO和NO2均为兰州秋季评价因子。
获取每个评价因子集中各特征大气污染物的浓度值与对应季节历史空气质量等级间的关联度系数,获得第一污染物关联度系数集、第二污染物关联度系数集、第三污染物关联度系数集和第四污染物关联度系数集;
广州第一污染物关联度系数集={0.8788,0.8901,0.7441,0.5849,0.7625};其中,0.8788、0.8901、0.7441、0.5849和0.7625依次对应广州第一评价因子集中PM2.5、PM10、SO2、CO和NO2的关联度系数;
广州第二污染物关联度系数集={0.5958,0.6142,0.6443,0.6573};其中,0.5958、0.6142、0.6443和0.6573依次对应广州第二评价因子集中PM2.5、PM10、SO2和O3的关联度系数;
广州第三污染物关联度系数集={0.6586,0.6674,0.8273};其中,0.6586、0.6674和0.8273依次对应广州第三评价因子集中PM2.5、PM10和O3的关联度系数;
广州第四污染物关联度系数集={0.6417,0.6923,0.6666,0.5819,0.7368};其中,0.6417、0.6923、0.6666、0.5819和0.7368依次对应广州第四评价因子集中PM2.5、PM10、SO2、NO2和O3的关联度系数;
兰州第一污染物关联度系数集={0.8195,0.8795,0.6898,0.6970};其中,0.8195、0.8795、0.6898和0.6970依次对应兰州第一评价因子集中PM2.5、PM10、CO和NO2的关联度系数;
兰州第二污染物关联度系数集={0.5188,0.5734};其中,0.5188和0.5734依次对应兰州第二评价因子集中NO2和O3的关联度系数;
兰州第三污染物关联度系数集={0.5064,0.5565,0.8058};其中,0.5064、0.5565和0.8058依次对应兰州第三评价因子集中PM10、NO2和O3的关联度系数;
兰州第四污染物关联度系数集={0.7118,0.7761,0.6040,0.6621,0.7725};其中,0.7118、0.7761、0.6040、0.6621和0.7725依次对应兰州第四评价因子集中PM2.5、PM10、SO2、CO和NO2的关联度系数;
S2,将S1获得的每个评价因子集中各特征大气污染物浓度值通过信息熵计算获得第一信息熵系数集、第二信息熵系数集、第三信息熵系数集和第四信息熵系数集;
广州第一信息熵系数集={0.1998,0.1999,0.2001,0.2002,0.1999};其中,0.1998、0.1999、0.2001、0.2002和0.1999依次对应广州第一评价因子集中PM2.5、PM10、SO2、CO和NO2的信息熵系数;
广州第二信息熵系数集={0.2302,0.2001,0.1036,0.4660};其中,0.2302、0.2001、0.1036和0.4660依次对应广州第二评价因子集中PM2.5、PM10、SO2和O3的信息熵系数;
广州第三信息熵系数集={0.3369,0.2351,0.4280};其中,0.3369、0.2351和0.4280依次对应广州第三评价因子集中PM2.5、PM10和O3的信息熵系数;
广州第四信息熵系数集={0.2169,0.2060,0.0995,0.1160,0.3616};其中,0.2169、0.2060、0.0995、0.1160和0.3616依次对应广州第四评价因子集中PM2.5、PM10、SO2、NO2和O3的信息熵系数;
兰州第一信息熵系数集={0.2492,0.2140,0.2883,0.2484};其中,0.2492、0.2140、0.2883和0.2484依次对应兰州第一评价因子集中PM2.5、PM10、CO和NO2的信息熵系数;
兰州第二信息熵系数集={0.4993,0.4997};其中,0.4993和0.4997依次对应兰州第二评价因子集中NO2和O3的信息熵系数;
兰州第三信息熵系数集={0.3334,0.3333,0.3333};其中,0.3334、0.3333和0.3333依次对应兰州第三评价因子集中PM10、NO2和O3的信息熵系数;
兰州第四信息熵系数集={0.1785,0.1884,0.2903,0.2145,0.1283};其中,0.1785、0.1884、0.2903、0.2145和0.1283依次对应兰州第四评价因子集中PM2.5、PM10、SO2、CO和NO2的信息熵系数;
S3,将S2获得的每个信息熵系数集中的各信息熵系数与S1中对应的污染物关联度系数集中对应的污染物关联度系数相乘,获得第一评价因子的权重集、第二评价因子的权重集、第三评价因子的权重集和第四评价因子的权重集;
广州第一评价因子的权重集={0.23,0.23,0.19,0.15,0.20};其中,0.23、0.23、0.19、0.15和0.20依次对应广州第一评价因子集中PM2.5、PM10、SO2、CO和NO2的权重;
广州第二评价因子的权重集={0.22,0.19,0.11,0.48};其中,0.22、0.19、0.11和0.48依次对应广州第二评价因子集中PM2.5、PM10、SO2和O3的权重;
广州第三评价因子的权重集={0.31,0.21,0.48};其中,0.31、0.21和0.48依次对应广州第三评价因子集中PM2.5、PM10和O3的权重;
广州第四评价因子的权重集={0.20,0.21,0.10,0.10,0.39};其中,0.20、0.21、0.10、0.10和0.39依次对应广州第四评价因子集中PM2.5、PM10、SO2、NO2和O3的权重;
兰州第一评价因子的权重集={0.27,0.25,0.26,0.22};其中,0.27、0.25、0.26和0.22依次对应兰州第一评价因子集中PM2.5、PM10、CO和NO2的权重;
兰州第二评价因子的权重集={0.47,0.53};其中,0.47和0.53依次对应兰州第二评价因子集中NO2和O3的权重;
兰州第三评价因子的权重集={0.27,0.30,0.43};其中,0.27、0.30和0.43依次对应兰州第三评价因子集中PM10、NO2和O3的权重;
兰州第四评价因子的权重集={0.19,0.21,0.26,0.21,0.13};其中,0.19、0.21、0.26、0.21和0.13依次对应兰州第四评价因子集中PM2.5、PM10、SO2、CO和NO2的权重;
S4,使用指数隶属度函数,获取每个评价因子集中各特征大气污染物浓度值关于标准空气质量等级的隶属度,获得第一模糊关系矩阵、第二模糊关系矩阵、第三模糊关系矩阵和第四模糊关系矩阵;
对广州和兰州四季分别使用以下示例数据,数据从左至右表示的特征大气污染物与S1中对应的评价因子集中特征大气污染物的顺序一致。模糊关系矩阵以特征大气污染物的种类为行,特征大气污染物对应的标准空气质量等级为列,每行的数据从左至右表示了该行对应的大气污染物的浓度值关于标准空气质量等级的隶属度。
广州冬季示例数据:{51,77,9,0.8,54};其中,51,77,9,0.8,54依次对应广州第一评价因子集中PM2.5、PM10、SO2、CO和NO2的浓度值; 其中,第一行数据从左至右对应为广州冬季示例数据中PM2.5的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为广州冬季示例数据中PM10、SO2、CO和NO2的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,0值代表隶属度为0。
广州春季示例数据:{26,50,6,42};其中,26,50,6和42依次对应广州第二评价因子集中PM2.5、PM10、SO2和O3的浓度值; 其中,第一行数据从左至右对应为广州春季示例数据中PM2.5的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为广州春季示例数据中PM10、SO2和O3的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
广州夏季示例数据:{13,22,58};其中,13,22和58依次对应广州第三评价因子集中PM2.5、PM10和O3的浓度值; 其中,第一行数据从左至右对应为广州夏季示例数据中PM2.5的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为广州夏季示例数据中PM10和O3的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
广州秋季示例数据:{7,16,4,23,35};其中,7,16,4,23和35依次对应广州第四评价因子集中PM2.5、PM10、SO2、NO2和O3的浓度值; 其中,第一行数据从左至右对应为广州秋季示例数据中PM2.5的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为广州秋季示例数据中PM10、SO2、NO2和O3的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
兰州冬季示例数据:{53,188,0.9,47};其中,53,188,0.9和47依次对应兰州第一评价因子集中PM2.5、PM10、CO和NO2的浓度值; 其中,第一行数据从左至右对应为兰州冬季示例数据中PM2.5的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为兰州冬季示例数据中PM10、CO和NO2的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
兰州春季示例数据:{63,96};其中,63和96依次对应兰州第二评价因子集中NO2和O3的浓度值; 其中,第一行数据从左至右对应为兰州春季示例数据中NO2的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为兰州春季示例数据中和O3的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
兰州夏季示例数据:{56,38,134};其中,56,38和134依次对应兰州第三评价因子集中PM10、NO2和O3的浓度值; 其中,第一行数据从左至右对应为兰州夏季示例数据中PM10的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为兰州夏季示例数据中NO2和O3的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
兰州秋季示例数据:{17,41,6,0.6,28};其中,17,41,6,0.6和28依次对应兰州第四评价因子集中PM2.5、PM10、SO2、CO和NO2的浓度值; 其中,第一行数据从左至右对应为兰州秋季示例数据中PM2.5的浓度值关于其标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度,相应地,余下行数据对应为兰州秋季示例数据中PM10、SO2、CO和NO2的浓度值关于各自标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
S5,将S3获得的每个评价因子的权重集和S4中对应的模糊关系矩阵相乘,获得第一模糊综合评价矩阵、第二模糊综合评价矩阵、第三模糊综合评价矩阵和第四模糊综合评价矩阵;
广州第一模糊综合评级矩阵=[0.6196 0.2355 0.0899 0.0397 0.0073 0];其中,0.6196,0.2355,0.0899,0.0397,0.0073和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示广州冬季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
广州第二模糊综合评价矩阵=[1 0.0103 0.0004 0 0 0];其中,1,0.0103,0.0004,0,0和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示广州春季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
广州第三模糊综合评价矩阵=[1 0.0143 0.0022 0.0004 0 0];其中,1,0.0143,0.0022,0.0004,0和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示广州夏季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
广州第四模糊综合评价矩阵=[1 0.0010 0 0 0 0];其中,1,0.0010,0,0,0和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示广州秋季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
兰州第一模糊综合评级矩阵=[0.4480 0.2214 0.1011 0.0020 0.0062 0];其中,0.4480,0.2214,0.1011,0.0020,0.0062和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示兰州冬季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
兰州第二模糊综合评价矩阵=[0.7945 0.6309 0.2268 0.1062 0.0005 0];其中,0.7945,0.6309,0.2268,0.1062,0.0005和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示兰州春季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
兰州第三模糊综合评价矩阵=[0.8455 0.5039 0.2505 0.1637 0.0034 0];其中,0.8455,0.5039,0.2505,0.1637,0.0034和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示兰州夏季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
兰州第四模糊综合评价矩阵=[1 0.0420 0.0024 0.0002 0 0];其中,1,0.0420,0.0024,0.0002,0和0依次对应为l1,l2,l3,l4,l5和l6;l1,l2,l3,l4,l5和l6分别表示兰州秋季示例数据代表的空气状况关于标准空气质量等级优、良、轻度污染、中度污染、重度污染和严重污染的隶属度。
S6,将S5获得的各模糊综合评价矩阵分别结合加权隶属度原则,获得每个季节的空气质量评价模型;
其中的空气质量评价模型为实施例1公开的空气质量评价模型。
实施例3
一种空气质量评价方法,包括以下步骤:
S61,获取特征大气污染物、特征大气污染物的浓度值与历史空气质量等级,获得样本集;
S62,将S61获得的样本集输入空气质量评价模型中,得到空气质量等级评价结果;
具体的,空气质量评价模型为实施例1公开的空气质量评价模型,或实施例2公开的空气质量评价模型构建方法构建得到的空气质量评价模型。
实施例4
一种空气质量评价系统,包括特征大气污染物及历史空气质量等级采集模块和空气质量评价模块;
特征大气污染物及历史空气质量等级采集模块,用于获取特征大气污染物、特征大气污染物的浓度值以及历史空气质量等级,获得样本集;
空气质量评价模块,用于执行实施例3的空气质量评价方法。
本申请是参照根据本申请实施例的方法、系统、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (7)
2.一种空气质量评价模型构建方法,其特征在于,包括以下步骤:
S1,获取特征大气污染物,获得评价因子集;
获取评价因子集中各特征大气污染物的浓度值与历史空气质量等级间的关联度系数,获得污染物关联度系数集;
S2,将S1获得的评价因子集中各特征大气污染物浓度值通过信息熵计算获得信息熵系数集;
S3,将S2获得的信息熵系数集中的各信息熵系数与S1获得的污染物关联度系数集中对应的污染物关联度系数相乘,获得评价因子的权重集;
S4,获取所述评价因子集中各特征大气污染物浓度值关于标准空气质量等级的隶属度,获得模糊关系矩阵;
S5,将S3获得的评价因子的权重集和S4获得的模糊关系矩阵相乘,获得模糊综合评价矩阵L;
S6,将S5获得的模糊综合评价矩阵L结合加权隶属度原则,获得空气质量评价模型,所述空气质量评价模型为权利要求1所述的空气质量评价模型。
3.如权利要求2所述的空气质量评价模型构建方法,其特征在于,包括以下步骤:
S1,分别获取四个季节的特征大气污染物,获得第一评价因子集、第二评价因子集、第三评价因子集和第四评价因子集;
获取每个评价因子集中各特征大气污染物的浓度值与对应季节历史空气质量等级间的关联度系数,获得第一污染物关联度系数集、第二污染物关联度系数集、第三污染物关联度系数集和第四污染物关联度系数集;
S2,将S1获得的每个评价因子集中各特征大气污染物浓度值通过信息熵计算获得第一信息熵系数集、第二信息熵系数集、第三信息熵系数集和第四信息熵系数集;
S3,将S2获得的每个信息熵系数集中的各信息熵系数与S1中对应的污染物关联度系数集中对应的污染物关联度系数相乘,获得第一评价因子的权重集、第二评价因子的权重集、第三评价因子的权重集和第四评价因子的权重集;
S4,获取所述每个评价因子集中各特征大气污染物浓度值关于标准空气质量等级的隶属度,获得第一模糊关系矩阵、第二模糊关系矩阵、第三模糊关系矩阵和第四模糊关系矩阵;
S5,将S3获得的每个评价因子的权重集和S4中对应的模糊关系矩阵相乘,获得第一模糊综合评价矩阵、第二模糊综合评价矩阵、第三模糊综合评价矩阵和第四模糊综合评价矩阵;
S6,将S5获得的各模糊综合评价矩阵分别结合加权隶属度原则,获得每个季节的空气质量评价模型。
4.如权利要求2或3所述的季节性空气质量评价模型构建方法,其特征在于,所述S1中,使用皮尔逊相关系数作为关联度获取指标,获取大气污染物的浓度序列与历史空气质量等级间的关联度,选择关联度>0.5对应的大气污染物为特征大气污染物。
5.如权利要求2或3所述的季节性空气质量评价模型构建方法,其特征在于,所述S4中,使用指数隶属度函数,以特征大气污染物浓度值为行、特征大气污染物浓度值关于标准空气质量等级的隶属度为列,获得模糊关系矩阵。
6.一种空气质量评价方法,其特征在于,包括以下步骤:
S61,获取特征大气污染物、特征大气污染物的浓度值与历史空气质量等级,获得样本集;
S62,将S61获得的样本集输入空气质量评价模型中,得到空气质量等级评价结果;
其中,所述的空气质量评价模型为权利要求1所述的空气质量评价模型,或权利要求2-5任一所述的空气质量评价模型构建方法构建得到的空气质量评价模型。
7.一种空气质量评价系统,其特征在于,包括特征大气污染物及历史空气质量等级采集模块和空气质量评价模块;
所述的特征大气污染物及历史空气质量等级采集模块,用于获取特征大气污染物、特征大气污染物的浓度值以及历史空气质量等级,获得样本集;
所述的空气质量评价模块,用于执行权利要求6所述的空气质量评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933365.5A CN112183950B (zh) | 2020-09-08 | 2020-09-08 | 一种空气质量评价模型、模型构建方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933365.5A CN112183950B (zh) | 2020-09-08 | 2020-09-08 | 一种空气质量评价模型、模型构建方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183950A true CN112183950A (zh) | 2021-01-05 |
CN112183950B CN112183950B (zh) | 2023-09-26 |
Family
ID=73924944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010933365.5A Active CN112183950B (zh) | 2020-09-08 | 2020-09-08 | 一种空气质量评价模型、模型构建方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183950B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018348A (zh) * | 2022-06-20 | 2022-09-06 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130174646A1 (en) * | 2012-01-09 | 2013-07-11 | David Martin | Networked air quality monitoring |
US20140032130A1 (en) * | 2012-07-30 | 2014-01-30 | Eric Berkobin | Methods and systems for mobile carbon dioxide monitoring |
CN103577676A (zh) * | 2012-08-02 | 2014-02-12 | 西安元朔科技有限公司 | 污水处理工艺综合评价的灰色加权法 |
CN106897555A (zh) * | 2017-02-22 | 2017-06-27 | 辽宁工程技术大学 | 一种露天煤矿气体环境的评价方法 |
CN109685340A (zh) * | 2018-12-11 | 2019-04-26 | 国网山东省电力公司青岛供电公司 | 一种配电设备健康状态评估方法及系统 |
CN110633449A (zh) * | 2019-09-19 | 2019-12-31 | 郑州航空工业管理学院 | 一种基于改进熵权法的空气质量评价方法 |
CN111177639A (zh) * | 2019-12-11 | 2020-05-19 | 广东工业大学 | 一种基于模糊分析的室内空气质量评价方法 |
-
2020
- 2020-09-08 CN CN202010933365.5A patent/CN112183950B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130174646A1 (en) * | 2012-01-09 | 2013-07-11 | David Martin | Networked air quality monitoring |
US20140032130A1 (en) * | 2012-07-30 | 2014-01-30 | Eric Berkobin | Methods and systems for mobile carbon dioxide monitoring |
CN103577676A (zh) * | 2012-08-02 | 2014-02-12 | 西安元朔科技有限公司 | 污水处理工艺综合评价的灰色加权法 |
CN106897555A (zh) * | 2017-02-22 | 2017-06-27 | 辽宁工程技术大学 | 一种露天煤矿气体环境的评价方法 |
CN109685340A (zh) * | 2018-12-11 | 2019-04-26 | 国网山东省电力公司青岛供电公司 | 一种配电设备健康状态评估方法及系统 |
CN110633449A (zh) * | 2019-09-19 | 2019-12-31 | 郑州航空工业管理学院 | 一种基于改进熵权法的空气质量评价方法 |
CN111177639A (zh) * | 2019-12-11 | 2020-05-19 | 广东工业大学 | 一种基于模糊分析的室内空气质量评价方法 |
Non-Patent Citations (4)
Title |
---|
RESHMA RIYAZ 等: ""Air Quality Prediction in Smart Cities: A Fuzzy-logic based Approach"", 《IEEE》 * |
吴应淑;刘鑫;: "模糊综合评判在达州市环境空气质量评价中的应用", 四川环境, no. 05 * |
李勇;丛怡;贾佳;: "基于熵权法的汾渭平原城市空气质量模糊综合评价", 环境工程, no. 08 * |
胥开芬;: "水利工程对生态环境影响后评价研究――以石头河水利工程为例", 江苏水利, no. 10 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018348A (zh) * | 2022-06-20 | 2022-09-06 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112183950B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sarremejane et al. | Do metacommunities vary through time? Intermittent rivers as model systems | |
Savchuk et al. | The Baltic Sea a century ago—a reconstruction from model simulations, verified by observations | |
Heino et al. | Geographical patterns of micro‐organismal community structure: are diatoms ubiquitously distributed across boreal streams? | |
Filstrup et al. | Regional variability among nonlinear chlorophyll—phosphorus relationships in lakes | |
Alahuhta et al. | Environmental and spatial correlates of community composition, richness and status of boreal lake macrophytes | |
Rehana et al. | Climate change induced risk in water quality control problems | |
Longyang | Assessing the effects of climate change on water quality of plateau deep-water lake-A study case of Hongfeng Lake | |
Ciavatta et al. | Assimilation of remotely-sensed optical properties to improve marine biogeochemistry modelling | |
CN110727717B (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
Yang et al. | Estimation of algal biological parameters using water quality modeling and SPOT satellite data | |
Tornés et al. | Diatom responses to sewage inputs and hydrological alteration in Mediterranean streams | |
Tudesque et al. | Scale-dependent effects of land cover on water physico-chemistry and diatom-based metrics in a major river system, the Adour-Garonne basin (South Western France) | |
Dimitriou et al. | Meta-analysis of a large data set with Water Framework Directive indicators and calibration of a Benthic Quality Index at the family level | |
Liu et al. | Urbanization increases biotic homogenization of zooplankton communities in tropical reservoirs | |
Kim et al. | Spatial patterning of chlorophyll a and water-quality measurements for determining environmental thresholds for local eutrophication in the Nakdong River basin | |
Baho et al. | Assessing temporal scales and patterns in time series: Comparing methods based on redundancy analysis | |
Estrada et al. | Global sensitivity analysis in the development of first principle-based eutrophication models | |
Ai et al. | Analyzing the spatial patterns and drivers of ecosystem services in rapidly urbanizing Taihu Lake Basin of China | |
Yang et al. | A path-based structural decomposition analysis of Beijing’s water footprint evolution | |
García et al. | Macroinvertebrate indicators of ecological status in Mediterranean temporary stream types of the Balearic Islands | |
CN106709212B (zh) | 一种快速识别土壤有机碳关键输出区的多参数评价方法 | |
Jones | Archaeofaunal evidence of human adaptation to climate change in Upper Paleolithic Iberia | |
Achleitner et al. | The European water framework directive: water quality classification and implications to engineering planning | |
Cvetkoska et al. | Spatial patterns of diatom diversity and community structure in ancient Lake Ohrid | |
Santos et al. | Artificial neural network modeling of microbial community structures in the Atlantic Forest of Brazil |
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 |