CN112213444A - 大气污染微监测网络时间切片分析的溯源方法 - Google Patents
大气污染微监测网络时间切片分析的溯源方法 Download PDFInfo
- Publication number
- CN112213444A CN112213444A CN202010882550.6A CN202010882550A CN112213444A CN 112213444 A CN112213444 A CN 112213444A CN 202010882550 A CN202010882550 A CN 202010882550A CN 112213444 A CN112213444 A CN 112213444A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- time
- atmospheric
- sub
- point
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 39
- 231100000719 pollutant Toxicity 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012806 monitoring device Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 5
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
Images
Classifications
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- 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
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0037—NOx
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0039—O3
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0042—SO2 or SO3
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Dispersion Chemistry (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
大气污染微监测网络时间切片分析的溯源方法,首先将监测区域进行网格化划分,其次利用大气污染监测装置进行大气污染物浓度数据采集,对分布式监测所采集的数据进行预处理,再确定时间切片最小周期,构建大气污染空间插值模型获取监测区域内各网格的不同时间切片的大气污染物浓度,最后进行对比分析,确定污染高值网格,实现污染溯源。本发明的优点是:通过大气污染分布式监测数据建立实现监测区域的大气污染时间切片分析,掌握监测区域大气污染时间变化规律,获取污染高值点位及时间段,并结合污染源排放信息精准定位监测区域污染源头,具有准确性高、实用性强的优点。
Description
技术领域
本发明涉及环保技术领域,具体涉及一种大气污染微监测网络时间切片分析的溯源方法。
背景技术
随着我国城市化进程不断加快,大气污染问题日益严重,大气污染物主要包括一氧化碳(CO)、二氧化硫(SO2)、氮氧化物(NOx)、臭氧(O3)等气体和PM2.5、PM10等固体颗粒物,这些污染物浓度升高会对人类的身体健康造成严重的危害。因此有必要实现对区域内大气污染物浓度变化的监测和污染源头的追溯。
目前国家虽然建立环境监测网络,在各城市内分布数个固定监测站点,但由于城市土地面积之大,城市内大气污染排放源众多,固定监测站点分布的稀疏性难以表征监测区域的大气污染浓度变化情况。为解决固定监测站点的局限性,将移动监测和固定监测相结合,构建分布式微监测网络,实现对监测区域大气污染物浓度数据的采集,而移动监测数据采集时间持续较久,监测数据之间存在时间上的滞后性和空间上的差异,并且大气污染物浓度受到地形、气象、排放源等多因素的影响,在不同时间段内气象、大气污染排放源等因素的变化会导致监测区域内的大气污染物浓度发生较大的改变,由于城市区域内污染源排放众多,传统方法难以精准定位污染源,因此有必要研究大气污染微监测网络时间切片分析的溯源方法,掌握监测区域大气污染时间变化规律,获取污染高值点位及时间段,并结合污染源排放信息精准定位监测区域污染源头。
发明内容
本发明要克服现有技术的上述缺点,提供大气污染微监测网络时间切片分析的溯源方法。
大气污染微监测网络时间切片分析的溯源方法,首先将监测区域进行网格化划分,其次利用大气污染监测装置进行大气污染物浓度数据采集,对分布式监测所采集的数据进行预处理,再确定时间切片最小周期,构建大气污染空间插值模型获取监测区域内各网格的不同时间切片的大气污染物浓度,最后进行对比分析,确定污染高值网格,实现污染溯源。具体步骤如下:
(1)监测区域网格化划分;
将监测区域进行高精度网格化划分,获取M行N列个网格,以各网格中心经纬度坐标的大气污染物浓度表征为该网格的大气污染情况,以(Xgps-m,n,Ygps-m,n)表示第m行第n列的子网格的中心经纬度坐标。(2)移动监测数据采集及数据预处理;
通过大气污染监测装置周期性采集监测区域内大气污染浓度原始数据样本,将大气污染移动监测装置固定于移动载体上,获得的样本的数据格式为(ti,xGPS-i,yGPS-i,ρ(xi,yi))(i=1,2,…,K),式中t为大气污染物浓度数据采集时间,K为样本总数,xGPS-i为经度,yGPS-i为纬度,ρ(xi,yi)为某种大气污染物浓度,将原始数据进行预处理,剔除异常值并将xGPS-i和yGPS-i投影转换至平面坐标xi和yi,预处理后获得监测数据样本为(ti,xi,yi,ρ(xi,yi))(i=1,2,…,K),此外将监测区域各网格的中心经纬度坐标转换为平面坐标(Xm,n,Ym,n),m=1,2,…,M;n=1,2,…,N。
(3)时间切片最小周期确定;
以移动监测数据采集点位分布均匀、较为全面地覆盖监测区域的原则确定时间切片最小周期Tslice,设监测数据采集持续时间为Ttotal,按式(1)以时间切片最小周期Tslice为最小刻度将整个监测时间划分,获取L个监测子周期(若无法整除,子周期数量L向上取整),提取第l(l=1,2,…,L)个子周期内的分布式监测数据,建立大气污染空间插值模型获取该子周期内监测区域的大气污染空间分布情况。
(4)大气污染空间插值模型建模;
提取第l个子周期的大气污染监测数据作为已知点位数据,建立大气污染空间插值模型对各子网格的中心坐标进行插值,以获取第l个子周期内各网格的大气污染物浓度数据:
式中ρ(x,y)l为第l个子周期内待插值点(x,y)处的大气污染物浓度;p为分布式监测采集样本点的个数;ρ(xi,yi)l为第l个子周期内点(xi,yi)处大气污染物浓度实测值;ωi为插值计算过程中各个样本点的时空权重。
时空权重基于相似相近原理确定。考虑到移动监测所采集的样本数据存在时间上的滞后性和空间上的差异,某时刻待插值点的浓度会与其他已知监测点的距离和监测数据采集时间差存在相关性,当距离越小,则已知监测点对待插值点的空间影响权重越大;当时间差越短时,则已知监测点对待插值点的时间影响权重越大。为较为准确地表征区域内各子周期的大气污染分布情况,选取各子周期的中心时间Tl作为待插值时间点。因此时空权重包含两部分:时间权重ωm和空间权重ωd,关系式如下:
空间权重ωd由已知点与待插值点之间的欧式距离大小确定,距离越大,其权重越低,关系式如下:
式中x和y为待插值点的平面坐标。
时间权重ωm由第l个子周期内各观测点的采样时间和Tl的时间差确定,统一量纲计算各个观测点的时间差,并进行归一化处理:
t′i=|ti-Tl| (5)
式中t′max为时间差的最大值,t′min为时间差的最小值;t″i为归一化后各个观测点的时间差。由此确定时间权重ωm的关系式:
(5)确定空间插值模型;
采用遗传算法确定时间权重系数a和时间权重影响参数λ。将寻优后的时间权重系数a和时间权重影响参数λ带入式(2)即可确定大气污染空间插值模型,并计算获得第l个子周期内的各网格大气污染物浓度。
(6)时间切片分析;
重复步骤(4)和步骤(5),计算获取各子周期的各网格大气污染物浓度序列{ρ(Xm,n,Ym,n)},对各网格的不同时间切片的大气污染物浓度序列进行Mann-Kendall检验,判断各网格大气污染物浓度变化趋势,并定位存在增长趋势的网格。
本发明的优点是:通过大气污染分布式监测数据建立实现监测区域的大气污染时间切片分析,掌握监测区域大气污染时间变化规律,获取污染高值点位及时间段,并结合污染源排放信息精准定位监测区域污染源头,具有准确性高、实用性强的优点。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
大气污染微监测网络时间切片分析的溯源方法,具体步骤如下:
(1)监测区域网格化划分;
将监测区域进行高精度网格化划分,获取M行N列个网格,以各网格中心经纬度坐标的大气污染物浓度表征为该网格的大气污染情况,以(Xgps-m,n,Ygps-m,n)表示第m行第n列的子网格的中心经纬度坐标。(2)移动监测数据采集及数据预处理;
通过大气污染监测装置周期性采集监测区域内大气污染浓度原始数据样本,将大气污染移动监测装置固定于移动载体上,获得的样本的数据格式为(ti,xGPS-i,yGPS-i,ρ(xi,yi))(i=1,2,…,K),式中t为大气污染物浓度数据采集时间,K为样本总数,xGPS-i为经度,yGPS-i为纬度,ρ(xi,yi)为某种大气污染物浓度,将原始数据进行预处理,剔除异常值并将xGPS-i和yGPS-i投影转换至平面坐标xi和yi,预处理后获得监测数据样本为(ti,xi,yi,ρ(xi,yi))(i=1,2,…,K),此外将监测区域各网格的中心经纬度坐标转换为平面坐标(Xm,n,Ym,n),m=1,2,…,M;n=1,2,…,N。
(3)时间切片最小周期确定;
以移动监测数据采集点位分布均匀、较为全面地覆盖监测区域的原则确定时间切片最小周期Tslice,设监测数据采集持续时间为Ttotal,按式(1)以时间切片最小周期Tslice为最小刻度将整个监测时间划分,获取L个监测子周期(若无法整除,子周期数量L向上取整),提取第l(l=1,2,…,L)个子周期内的分布式监测数据,建立大气污染空间插值模型获取该子周期内监测区域的大气污染空间分布情况。
(4)大气污染空间插值模型建模;
提取第l个子周期的大气污染监测数据作为已知点位数据,建立大气污染空间插值模型对各子网格的中心坐标进行插值,以获取第l个子周期内各网格的大气污染物浓度数据:
式中ρ(x,y)l为第l个子周期内待插值点(x,y)处的大气污染物浓度;p为分布式监测采集样本点的个数;ρ(xi,yi)l为第l个子周期内点(xi,yi)处大气污染物浓度实测值;ωi为插值计算过程中各个样本点的时空权重。
时空权重基于相似相近原理确定。考虑到移动监测所采集的样本数据存在时间上的滞后性和空间上的差异,某时刻待插值点的浓度会与其他已知监测点的距离和监测数据采集时间差存在相关性,当距离越小,则已知监测点对待插值点的空间影响权重越大;当时间差越短时,则已知监测点对待插值点的时间影响权重越大。为较为准确地表征区域内各子周期的大气污染分布情况,选取各子周期的中心时间Tl作为待插值时间点。因此时空权重包含两部分:时间权重ωm和空间权重ωd,关系式如下:
空间权重ωd由已知点与待插值点之间的欧式距离大小确定,距离越大,其权重越低,关系式如下:
式中x和y为待插值点的平面坐标。
时间权重ωm由第l个子周期内各观测点的采样时间和Tl的时间差确定,统一量纲计算各个观测点的时间差,并进行归一化处理:
t′i=|ti-Tl| (5)
式中t′max为时间差的最大值,t′min为时间差的最小值;t″i为归一化后各个观测点的时间差。由此确定时间权重ωm的关系式:
(5)确定空间插值模型;
采用遗传算法确定时间权重系数a和时间权重影响参数λ。将寻优后的时间权重系数a和时间权重影响参数λ带入式(2)即可确定大气污染空间插值模型,并计算获得第l个子周期内的各网格大气污染物浓度。
(6)时间切片分析;
重复步骤(4)和步骤(5),计算获取各子周期的各网格大气污染物浓度序列{ρ(Xm,n,Ym,n)},对各网格的不同时间切片的大气污染物浓度序列进行Mann-Kendall检验,判断各网格大气污染物浓度变化趋势,并定位存在增长趋势的网格。
Claims (1)
1.大气污染微监测网络时间切片分析的溯源方法,具体步骤如下:
(1)监测区域网格化划分;
将监测区域进行高精度网格化划分,获取M行N列个网格,以各网格中心经纬度坐标的大气污染物浓度表征为该网格的大气污染情况,以(Xgps-m,n,Ygps-m,n)表示第m行第n列的子网格的中心经纬度坐标;
(2)移动监测数据采集及数据预处理;
通过大气污染监测装置周期性采集监测区域内大气污染浓度原始数据样本,将大气污染移动监测装置固定于移动载体上,获得的样本的数据格式为(ti,xGPS-i,yGPS-i,ρ(xi,yi))(i=1,2,…,K),式中t为大气污染物浓度数据采集时间,K为样本总数,xGPS-i为经度,yGPS-i为纬度,ρ(xi,yi)为某种大气污染物浓度,将原始数据进行预处理,剔除异常值并将xGPS-i和yGPS-i投影转换至平面坐标xi和yi,预处理后获得监测数据样本为(ti,xi,yi,ρ(xi,yi))(i=1,2,…,K),此外将监测区域各网格的中心经纬度坐标转换为平面坐标(Xm,n,Ym,n),m=1,2,…,M;n=1,2,…,N;
(3)时间切片最小周期确定;
以移动监测数据采集点位分布均匀、较为全面地覆盖监测区域的原则确定时间切片最小周期Tslice,设监测数据采集持续时间为Ttotal,按式(1)以时间切片最小周期Tslice为最小刻度将整个监测时间划分,获取L个监测子周期(若无法整除,子周期数量L向上取整),提取第l(l=1,2,…,L)个子周期内的分布式监测数据,建立大气污染空间插值模型获取该子周期内监测区域的大气污染空间分布情况;
(4)大气污染空间插值模型建模;
提取第l个子周期的大气污染监测数据作为已知点位数据,建立大气污染空间插值模型对各子网格的中心坐标进行插值,以获取第l个子周期内各网格的大气污染物浓度数据:
式中ρ(x,y)l为第l个子周期内待插值点(x,y)处的大气污染物浓度;p为分布式监测采集样本点的个数;ρ(xi,yi)l为第l个子周期内点(xi,yi)处大气污染物浓度实测值;ωi为插值计算过程中各个样本点的时空权重;
时空权重基于相似相近原理确定;考虑到移动监测所采集的样本数据存在时间上的滞后性和空间上的差异,某时刻待插值点的浓度会与其他已知监测点的距离和监测数据采集时间差存在相关性,当距离越小,则已知监测点对待插值点的空间影响权重越大;当时间差越短时,则已知监测点对待插值点的时间影响权重越大;为较为准确地表征区域内各子周期的大气污染分布情况,选取各子周期的中心时间Tl作为待插值时间点;因此时空权重包含两部分:时间权重ωm和空间权重ωd,关系式如下:
空间权重ωd由已知点与待插值点之间的欧式距离大小确定,距离越大,其权重越低,关系式如下:
式中x和y为待插值点的平面坐标;
时间权重ωm由第l个子周期内各观测点的采样时间和Tl的时间差确定,统一量纲计算各个观测点的时间差,并进行归一化处理:
t′i=|ti-Tl| (5)
式中t′max为时间差的最大值,t′min为时间差的最小值;t″i为归一化后各个观测点的时间差;由此确定时间权重ωm的关系式:
(5)确定空间插值模型;
采用遗传算法确定时间权重系数a和时间权重影响参数λ;将寻优后的时间权重系数a和时间权重影响参数λ带入式(2)即可确定大气污染空间插值模型,并计算获得第l个子周期内的各网格大气污染物浓度;
(6)时间切片分析;
重复步骤(4)和步骤(5),计算获取各子周期的各网格大气污染物浓度序列{ρ(Xm,n,Ym,n)},对各网格的不同时间切片的大气污染物浓度序列进行Mann-Kendall检验,判断各网格大气污染物浓度变化趋势,并定位存在增长趋势的网格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010882550.6A CN112213444A (zh) | 2020-08-28 | 2020-08-28 | 大气污染微监测网络时间切片分析的溯源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010882550.6A CN112213444A (zh) | 2020-08-28 | 2020-08-28 | 大气污染微监测网络时间切片分析的溯源方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112213444A true CN112213444A (zh) | 2021-01-12 |
Family
ID=74058971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010882550.6A Pending CN112213444A (zh) | 2020-08-28 | 2020-08-28 | 大气污染微监测网络时间切片分析的溯源方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213444A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684123A (zh) * | 2021-01-28 | 2021-04-20 | 山西云时代太钢信息自动化技术有限公司 | 一种工厂级空气质量污染源网络推演方法 |
CN112800603A (zh) * | 2021-01-26 | 2021-05-14 | 北京航空航天大学 | 一种基于集合最优插值算法的大气环境数据同化方法 |
CN113533644A (zh) * | 2021-06-26 | 2021-10-22 | 西北工业大学 | 基于无人机的对面源常规大气污染物的监测方法 |
CN113567635A (zh) * | 2021-08-23 | 2021-10-29 | 河南驰诚电气股份有限公司 | 一种工业气体智能监测一体化系统及监测方法 |
CN113610243A (zh) * | 2021-08-12 | 2021-11-05 | 中节能天融科技有限公司 | 基于耦合机器学习和相关性分析的大气污染物溯源方法 |
CN114461737A (zh) * | 2021-12-20 | 2022-05-10 | 北京市科学技术研究院城市安全与环境科学研究所 | 基于印痕模型的监测溯源方法和系统 |
CN114814135A (zh) * | 2022-04-07 | 2022-07-29 | 中山大学 | 一种基于多元监测的河流水质污染溯源方法及系统 |
CN117093832A (zh) * | 2023-10-18 | 2023-11-21 | 山东公用环保集团检测运营有限公司 | 一种用于空气质量数据缺失的数据插补方法及系统 |
CN117129556A (zh) * | 2023-08-29 | 2023-11-28 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
CN117332357A (zh) * | 2023-11-28 | 2024-01-02 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
CN117805323A (zh) * | 2024-02-28 | 2024-04-02 | 铜川科达化工设备有限公司 | 基于物联网的置于电捕焦油器前的样气监测采样分析系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336093A (zh) * | 2013-06-26 | 2013-10-02 | 中山大学 | 一种区域空间质量分析方法 |
CN108182491A (zh) * | 2017-12-27 | 2018-06-19 | 宇星科技发展(深圳)有限公司 | 大气细颗粒物(pm2.5)实时源解析定位方法 |
CN109242746A (zh) * | 2018-09-04 | 2019-01-18 | 武汉大学 | 基于应急监测数据的一维瞬时点源污染源溯源方法 |
CN109345004A (zh) * | 2018-09-12 | 2019-02-15 | 北京英视睿达科技有限公司 | 基于热点网格的空气污染物数据获取方法 |
CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN109507367A (zh) * | 2018-11-02 | 2019-03-22 | 北京英视睿达科技有限公司 | 确定大气污染物精细化分布的方法及装置 |
CN109612883A (zh) * | 2018-12-13 | 2019-04-12 | 北京英视睿达科技有限公司 | 基于高密度监测网络的总悬浮颗粒物污染溯源方法及装置 |
CN109669005A (zh) * | 2018-12-27 | 2019-04-23 | 北京英视睿达科技有限公司 | 一种大气污染物传输量化方法及装置 |
CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
US20200110019A1 (en) * | 2017-06-09 | 2020-04-09 | Sense Square S.R.L.S. | Atmospheric pollution source mapping and tracking of pollutants by using air quality monitoring networks having high space-time resolution |
CN111563331A (zh) * | 2020-05-08 | 2020-08-21 | 浙江工业大学 | 一种基于移动监测的区域大气污染分布预测方法 |
-
2020
- 2020-08-28 CN CN202010882550.6A patent/CN112213444A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336093A (zh) * | 2013-06-26 | 2013-10-02 | 中山大学 | 一种区域空间质量分析方法 |
US20200110019A1 (en) * | 2017-06-09 | 2020-04-09 | Sense Square S.R.L.S. | Atmospheric pollution source mapping and tracking of pollutants by using air quality monitoring networks having high space-time resolution |
CN108182491A (zh) * | 2017-12-27 | 2018-06-19 | 宇星科技发展(深圳)有限公司 | 大气细颗粒物(pm2.5)实时源解析定位方法 |
CN109242746A (zh) * | 2018-09-04 | 2019-01-18 | 武汉大学 | 基于应急监测数据的一维瞬时点源污染源溯源方法 |
CN109345004A (zh) * | 2018-09-12 | 2019-02-15 | 北京英视睿达科技有限公司 | 基于热点网格的空气污染物数据获取方法 |
CN109507367A (zh) * | 2018-11-02 | 2019-03-22 | 北京英视睿达科技有限公司 | 确定大气污染物精细化分布的方法及装置 |
CN109612883A (zh) * | 2018-12-13 | 2019-04-12 | 北京英视睿达科技有限公司 | 基于高密度监测网络的总悬浮颗粒物污染溯源方法及装置 |
CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN109669005A (zh) * | 2018-12-27 | 2019-04-23 | 北京英视睿达科技有限公司 | 一种大气污染物传输量化方法及装置 |
CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
CN111563331A (zh) * | 2020-05-08 | 2020-08-21 | 浙江工业大学 | 一种基于移动监测的区域大气污染分布预测方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800603A (zh) * | 2021-01-26 | 2021-05-14 | 北京航空航天大学 | 一种基于集合最优插值算法的大气环境数据同化方法 |
CN112800603B (zh) * | 2021-01-26 | 2024-05-24 | 北京航空航天大学 | 一种基于集合最优插值算法的大气环境数据同化方法 |
CN112684123A (zh) * | 2021-01-28 | 2021-04-20 | 山西云时代太钢信息自动化技术有限公司 | 一种工厂级空气质量污染源网络推演方法 |
CN113533644A (zh) * | 2021-06-26 | 2021-10-22 | 西北工业大学 | 基于无人机的对面源常规大气污染物的监测方法 |
CN113610243B (zh) * | 2021-08-12 | 2023-10-13 | 中节能天融科技有限公司 | 基于耦合机器学习和相关性分析的大气污染物溯源方法 |
CN113610243A (zh) * | 2021-08-12 | 2021-11-05 | 中节能天融科技有限公司 | 基于耦合机器学习和相关性分析的大气污染物溯源方法 |
CN113567635A (zh) * | 2021-08-23 | 2021-10-29 | 河南驰诚电气股份有限公司 | 一种工业气体智能监测一体化系统及监测方法 |
CN114461737B (zh) * | 2021-12-20 | 2022-10-14 | 北京市科学技术研究院城市安全与环境科学研究所 | 基于印痕模型的监测溯源方法和系统 |
CN114461737A (zh) * | 2021-12-20 | 2022-05-10 | 北京市科学技术研究院城市安全与环境科学研究所 | 基于印痕模型的监测溯源方法和系统 |
CN114814135B (zh) * | 2022-04-07 | 2024-04-19 | 中山大学 | 一种基于多元监测的河流水质污染溯源方法及系统 |
CN114814135A (zh) * | 2022-04-07 | 2022-07-29 | 中山大学 | 一种基于多元监测的河流水质污染溯源方法及系统 |
CN117129556A (zh) * | 2023-08-29 | 2023-11-28 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
CN117129556B (zh) * | 2023-08-29 | 2024-02-02 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
CN117093832A (zh) * | 2023-10-18 | 2023-11-21 | 山东公用环保集团检测运营有限公司 | 一种用于空气质量数据缺失的数据插补方法及系统 |
CN117093832B (zh) * | 2023-10-18 | 2024-01-26 | 山东公用环保集团检测运营有限公司 | 一种用于空气质量数据缺失的数据插补方法及系统 |
CN117332357A (zh) * | 2023-11-28 | 2024-01-02 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
CN117332357B (zh) * | 2023-11-28 | 2024-03-12 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
CN117805323A (zh) * | 2024-02-28 | 2024-04-02 | 铜川科达化工设备有限公司 | 基于物联网的置于电捕焦油器前的样气监测采样分析系统 |
CN117805323B (zh) * | 2024-02-28 | 2024-04-26 | 铜川科达化工设备有限公司 | 基于物联网的置于电捕焦油器前的样气监测采样分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112213444A (zh) | 大气污染微监测网络时间切片分析的溯源方法 | |
CN109444232B (zh) | 一种多通道智能化污染气体监测装置与扩散溯源方法 | |
CN111563331B (zh) | 一种基于移动监测的区域大气污染分布预测方法 | |
CN107391951B (zh) | 一种基于环形邻域梯度排序的空气污染溯源方法 | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
Eneroth et al. | A trajectory climatology for Svalbard; investigating how atmospheric flow patterns influence observed tracer concentrations | |
CN109784552B (zh) | 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法 | |
Lopez-Restrepo et al. | Forecasting PM10 and PM2. 5 in the Aburrá Valley (Medellín, Colombia) via EnKF based data assimilation | |
CN113348471B (zh) | 一种大气污染预测中对区域边界优化的方法 | |
CN116011317B (zh) | 一种基于多方法融合的小尺度近实时大气污染溯源方法 | |
CN114088633B (zh) | 一种星地协同监测的煤矿区甲烷排放异常识别和核算方法 | |
CN112800603A (zh) | 一种基于集合最优插值算法的大气环境数据同化方法 | |
CN115420854B (zh) | 一种基于正后向模型结合的大气污染物溯源方法 | |
CN111487216A (zh) | 一种二氧化碳通量反演方法、系统 | |
Boon et al. | Analysis of the potential of near-ground measurements of CO 2 and CH 4 in London, UK, for the monitoring of city-scale emissions using an atmospheric transport model | |
CN112508056A (zh) | 基于移动多源感知的城市空气质量监测方法 | |
CN115438848A (zh) | 基于深度混合图神经网络的pm2.5浓度长期预测方法 | |
Aydoğdu et al. | Assimilation experiments for the fishery observing system in the Adriatic Sea | |
CN116842877B (zh) | 一种基于多源数据综合利用的小尺度三维风场重构算法 | |
CN113189014A (zh) | 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法 | |
CN116223395A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
Pison et al. | How a European network may help with estimating methane emissions on the French national scale | |
Hassler et al. | An updated version of a gap-free monthly mean zonal mean ozone database | |
Zhang et al. | Comparisons of OCO-2 satellite derived XCO2 with in situ and modeled data over global ocean | |
Connors et al. | Estimates of sub-national methane emissions from inversion modelling |
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 |