CN112214913A - 臭氧的主导前体物识别方法、装置、电子设备及存储介质 - Google Patents

臭氧的主导前体物识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112214913A
CN112214913A CN202011279695.3A CN202011279695A CN112214913A CN 112214913 A CN112214913 A CN 112214913A CN 202011279695 A CN202011279695 A CN 202011279695A CN 112214913 A CN112214913 A CN 112214913A
Authority
CN
China
Prior art keywords
concentration
precursor
ozone
time period
pollutant
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
Application number
CN202011279695.3A
Other languages
English (en)
Inventor
陈焕盛
王自发
肖林鸿
潘鹤
秦东明
陈亚飞
魏巍
王文丁
吴剑斌
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 CN202011279695.3A priority Critical patent/CN112214913A/zh
Publication of CN112214913A publication Critical patent/CN112214913A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/02Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/10Devices for predicting weather conditions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/26Government or public services
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/20Drawing from basic elements, e.g. lines or circles
    • G06T11/206Drawing of charts or graphs
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00Details relating to the application field
    • G06F2113/08Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Tourism & Hospitality (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Oxygen, Ozone, And Oxides In General (AREA)

Abstract

本申请提出一种臭氧的主导前体物识别方法、装置、电子设备及存储介质,该方法包括:获取目标区域在预设时间段内的气象场数据和污染物浓度模拟数据;根据气象场数据和污染物浓度模拟数据,确定多个前体物浓度组合情景;根据多个前体物浓度组合情景,识别出在预设时间段内目标区域中对臭氧的生成起主导作用的前体污染物。本申请通过大气化学箱模式模拟臭氧生成,化学反应考虑得更全面,计算速度很快,节省计算资源,快速识别出起主导作用的前体污染物。绘制臭氧等浓度曲线直观反映臭氧与其前体物的关系,模拟不同比例的前体物浓度削减情形下臭氧浓度的变化情况,为臭氧污染管控决策提供有力支撑。

Description

臭氧的主导前体物识别方法、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,具体涉及一种臭氧的主导前体物识别方法、装置、电子设备及存储介质。
背景技术
近年来,大气臭氧污染呈加剧态势,已成为困扰城市空气质量管理的重要污染物之一。对流层臭氧是由氮氧化物光解反应触发的一系列复杂反应生成的二次污染物。臭氧光化学反应过程中参与的主要组分包括挥发性有机物(Volatile Organic Compounds,VOCs)和氮氧化物(Nitrogen Oxides,NOx)等臭氧前体物。要解决城市臭氧污染问题,首先需要识别城市中对臭氧的生成起主导作用的臭氧前体物。
目前,相关技术中通常采用数值模式模拟的方法来定量描述臭氧与其前体物之间的关系,以识别出起主导作用的臭氧前体物。具体通过动态调整网格化排放清单,驱动欧拉数值模型进行大规模的并行敏感性试验,以获得臭氧与其前体物之间的关系。
但上述相关技术需要计算空间中的每个网格点上污染物浓度的动态变化,计算量很大,通常需要较多高性能的计算资源支撑。而高质量的网格化排放清单难以获得也严重影响上述相关技术的应用效果。
发明内容
本申请提出一种臭氧的主导前体物识别方法、装置、电子设备及存储介质,能快速识别出起主导作用的前体污染物,计算速度很快,节省计算资源,便于明确出臭氧前体物的控制策略,为臭氧管控提供数据支撑。
本申请第一方面实施例提出了一种臭氧的主导前体物识别方法,所述方法包括;
获取目标区域在预设时间段内的气象场数据和污染物浓度模拟数据,所述污染物浓度模拟数据是通过预设空气质量模式模拟得到的;
根据所述气象场数据和所述污染物浓度数据,确定多个前体物浓度组合情景;
根据所述多个前体物浓度组合情景,识别出在所述预设时间段内所述目标区域中对臭氧的生成起主导作用的前体污染物。
在本申请的一些实施例中,获取目标区域在预设时间段内的污染物浓度模拟数据,包括:
获取目标区域所述预设时间段内的污染物网格化排放清单;
根据所述污染物网格化排放清单,通过所述预设空气质量模式模拟所述目标区域在预设时间段内的污染物浓度;
从模拟的污染物浓度中提取臭氧前体物的浓度;
将所述臭氧前体物的浓度确定为所述目标区域在所述预设时间段内的污染物浓度模拟数据。
在本申请的一些实施例中,所述根据所述气象场数据和所述污染物浓度模拟数据,确定多个前体物浓度组合情景,包括:
将所述气象场数据和所述污染物浓度模拟数据确定为所述目标区域在所述预设时间段内的基准浓度情景;
调整所述基准浓度情景包括的各臭氧前体物的浓度,获得多个前体物浓度组合情景。
在本申请的一些实施例中,所述根据所述多个前体物浓度组合情景,识别出在所述预设时间段内所述目标区域中对臭氧的生成起主导作用的前体污染物,包括:
通过预设箱模式分别模拟每个前体物浓度组合情景对应的臭氧浓度;
根据所述每个前体物浓度组合情景对应的臭氧前体物的浓度和臭氧浓度,确定所述预设时间段内所述目标区域中对臭氧的生成起主导作用的前体污染物。
在本申请的一些实施例中,所述方法还包括:
根据每个前体物浓度组合情景对应的挥发性有机物的浓度,分别计算每个前体物浓度组合情景对应的挥发性有机物的反应活性;
根据所述每个前体物浓度组合情景对应的挥发性有机物的反应活性、氮氧化物的浓度及臭氧浓度,绘制臭氧等浓度曲线图。
在本申请的一些实施例中,所述方法还包括:
根据所述基准浓度情景包括的挥发性有机物的浓度,计算所述基准浓度情景对应的挥发性有机物的反应活性;
根据所述基准浓度情景对应的挥发性有机物的反应活性、氮氧化物的浓度及臭氧浓度,在所述臭氧等浓度曲线图中标注出所述基准浓度情景。
在本申请的一些实施例中,所述方法还包括:
确定所述臭氧等浓度曲线图中每条等浓度曲线的曲率最大点;
将所述每条等浓度曲线的曲率最大点连接起来,获得主导分割线,所述主导分割线用于区分起主导作用的前体污染物和其他前体污染物。
本申请第二方面的实施例提供了一种臭氧的主导前体物识别装置,所述装置包括:
获取模块,用于获取目标区域在预设时间段内的气象场数据和污染物浓度模拟数据,所述污染物浓度模拟数据是通过预设空气质量模式模拟得到的;
情景确定模块,用于根据所述气象场数据和所述污染物浓度数据,确定多个前体物浓度组合情景;
识别模块,用于根据所述多个前体物浓度组合情景,识别出在所述预设时间段内所述目标区域中对臭氧的生成起主导作用的前体污染物。
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,通过大气化学箱模式来模拟臭氧的生成,化学反应考虑得更为全面,且计算速度相对很快,节省了计算资源,提高了计算效率。通过分析每个前体物浓度组合情景对应的臭氧浓度,能够快速地识别出对臭氧的产生起主导作用的前体污染物,能够定量计算出各臭氧前体物的最优控制比例,便于明确出臭氧前体物的控制策略,为目标区域的臭氧管控提供数据支撑。通过绘制臭氧等浓度曲线能够直观识别和反映臭氧与其前体物之间的关系。能够模拟出不同比例的臭氧前体物浓度削减情形下,臭氧浓度的变化情况,不仅支持历史数据的分析,也可以预测未来一段时间内的臭氧污染情况,能够为臭氧污染管控决策工作提供有力支撑。
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臭氧的主导前体物识别方法的流程图;
图2示出了本申请一实施例所提供的臭氧等浓度曲线图;
图3示出了本申请一实施例所提供的臭氧浓度与前体物浓度削减的关系示意图;
图4示出了本申请一实施例所提供的一种臭氧的主导前体物识别方法的另一流程图;
图5示出了本申请一实施例所提供的一种臭氧的主导前体物识别装置的结构示意图;
图6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7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臭氧的主导前体物识别方法、装置、电子设备及存储介质。
臭氧的生成与臭氧前体物VOCs和NOx的浓度水平呈现复杂的非线性关系。因此本申请实施例中臭氧前体物主要分为挥发性有机物VOCs和氮氧化物NOx两类。其中,挥发有机物VOCs包括乙烯、丙烯、乙烷等多种臭氧前体物组分。氮氧化物NOx包括一氧化氮NO、二氧化氮NO2等多种臭氧前体物组分。
本申请实施例提供了一种臭氧的主导前体物识别方法,该方法用于识别目标区域在预设时间段内对臭氧的产生起主导作用的前体污染物是为挥发性有机物VOCs,还是为氮氧化物NOx
该方法获取目标区域在预设时间段内的气象场数据,并通过空气质量模式模拟目标区域在该预设时间段内的污染物浓度模拟数据。基于气象场数据和污染物浓度模拟数据,通过调整臭氧前体物浓度的方式,获得多个前体物浓度组合情景。通过预设箱模式分别对每个前体物浓度组合情景进行模拟计算,得到每个前体物浓度组合情景对应的臭氧浓度。分析每个前体物浓度组合情景对应的臭氧前体物的浓度及臭氧浓度,能够定量地确定出臭氧浓度与挥发性有机物VOCs的浓度及氮氧化物NOx的浓度之间的量化关系,从而能够快速地识别出对臭氧的产生起主导作用的前体污染物,便于定量计算出各臭氧前体物的最优控制比例,明确臭氧前体物的控制策略,为目标区域的臭氧管控提供数据支撑。
上述预设箱模式可以为OZIPR(Ozone Isopleth Plotting program forResearch purposes,研究用臭氧等值线绘制程序)、MCM(Master Chemical Mechanism,对流层主化学机制)、NCAR MM(NCAR Chemical Mechanism)等。
参见图1,该方法具体包括以下步骤:
步骤101:获取目标区域在预设时间段内的气象场数据和污染物浓度模拟数据,该污染物浓度模拟数据是通过预设空气质量模式模拟得到的。
目标区域为包括特定区域中某个污染物观测站点的经纬度的区域。特定区域可以为一个城市,如北京、上海或广州等。或者,特定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。预设时间段可以为过去的一段连续时间或未来的一段连续时间,如预设时间段可以为过去一周或过去一个月等,或者预设时间段可以为未来一天或一周等。
本申请实施例可以通过如下第一至第三种方式中的任一种方式来获取气象场数据,具体包括:
第一,根据上述目标区域和预设时间段,从包含目标区域的区域气象预报数据或全球气象预报数据中,获取上述目标区域在预设时间段内的气象数据,如从GFS(GlobalForecast System,全球预报系统)数据中获取目标区域在预设时间段内的气象数据。该气象数据中包括温度、湿度、风速、云量、边界层高度、气压等。
之后从获取的气象数据中提取通过预设箱模式对臭氧生成进行模拟所需的气象场数据。该气象场数据包括边界层高度、总云量、气温以及水汽数据等。其中,气温可以为距地面2米位置处的气温、水汽数据可以为相对湿度或绝对湿度等。
上述提取的边界层高度、总云量具有较大的不确定性,因此提取之后,还需要对上述预设时间段内的边界层高度及总云量进行平滑处理,具体可以根据预设时间段内的边界层高度拟合平滑曲线,该平滑曲线的横坐标为时间,纵坐标为边界层高度,对于预设时间段内每个边界层高度对应的点,在垂直于横坐标的方向上若存在与平滑曲线之间的距离大于第一预设距离的点,则从提取的气象场数据中剔除该点对应的边界层高度。
对于总云量,同样拟合总云量对应的平滑曲线,其横坐标为时间,纵坐标为云量。对于预设时间段内每个总云量对应的点,在垂直于横坐标的方向上若存在与总云量对应的平滑曲线之间的距离大于第二预设距离的点,则从提取的气象场数据中剔除该点对应的总云量。
通过上述平滑处理提高获取的气象场数据的准确性,从而提高后续预设箱模式利用该气象场数据进行臭氧生成模拟时的模拟准确性。
第二,从全球的GFS数据中选取出目标区域在上述预设时间段内的GFS数据。根据目标区域、该预设时间段以及选取出的GFS数据,运行中尺度气象数值模式,得到目标区域在该预设时间段内的气象模拟数据。该气象数据中包括温度、湿度、风速、云量、边界层高度、气压等。从该气象模拟数据中提取通过预设箱模式对臭氧生成进行模拟所需的气象场数据。其中,中尺度气象数值模式也可称为气象欧拉模型。
第三,目标区域中设置有多个气象观测站,从这些气象观测站获取目标区域在预设时间段内的气象观测数据,该气象观测数据中包括目标区域在预设时间段内的温度、湿度、风速、云量、边界层高度、气压等。然后从气象观测数据中提取通过预设箱模式对臭氧生成进行模拟所需的气象场数据。
对于气象场数据中的边界层高度及总云量,第二种方式和第三种方式中同样可以按照上述第一种方式中所述的平滑处理方式对边界层高度及总云量进行平滑处理,在此不再赘述。
对于污染物浓度模拟数据,首先获取目标区域预设时间段内的污染物网格化排放清单;根据污染物网格化排放清单,通过预设空气质量模式模拟目标区域在预设时间段内的污染物浓度;从模拟的污染物浓度中提取臭氧前体物的浓度;将臭氧前体物的浓度确定为目标区域在预设时间段内的污染物浓度模拟数据。
其中,污染物网格化排放清单中包括目标区域在预设时间段内每小时的PM2.5、PM10、SO2、NO、NO2、CO等大气组分的排放速率,其中包括导致臭氧生成的挥发性有机物VOCs和氮氧化物NOx等臭氧前体物的排放速率。预设空气质量模式可以为NAQPMS(嵌套网格空气质量预报模式)、CMAQ(Community Multiscale Air Quality,多尺度空气质量模式)、CAMx、WRF-Chem等。
从模拟的污染物浓度中提取的臭氧前体物的浓度中包括目标区域在预设时间段内的挥发性有机物VOCs的浓度和氮氧化物NOx的浓度。其中,至少包含一氧化氮NO的浓度、二氧化氮NO2的浓度以及至少一种挥发性有机物VOCs的浓度。
通过预设空气质量模式模拟得到的污染物浓度模拟数据比污染物网格化排放清单更加细致,尤其当预设时间段为未来的一段时间时,相比于直接将过去的排放数据用作预设时间段内的污染物数据,通过预设空气质量模式模拟的污染物浓度的准确性更高,从而使后续根据模拟的污染物浓度模拟数据进行起主导作用的前体污染物识别的准确性更高。
在本申请的另一些实施例中,也可以不通过预设空气质量模式来模拟目标区域在预设时间段内的污染物浓度模拟数据。而是从设置在目标区域中的多个污染物观测站获取目标区域在该预设时间段内的观测数据,该观测数据中包括该预设时间段内每小时观测到的PM2.5、PM10、SO2、NO、NO2、O3、CO等大气组分的浓度,其中包括导致臭氧生成的挥发性有机物VOCs和氮氧化物NOx等臭氧前体物的浓度。从获取的观测数据中提取通过预设箱模式对臭氧生成进行模拟所需的污染物观测数据,该污染物观测数据中包括目标区域在该预设时间段内的挥发性有机物VOCs和氮氧化物NOx等臭氧前体物的浓度。后续可以通过获得的污染物观测数据和上述获得的气象场数据来识别对臭氧生成起主导作用的前体污染物。
本申请实施例可同时支持多种不同型号的挥发性有机物VOCs组分的观测仪器,根据不同的仪器型号及其监测的VOCs组分的CAS(Chemical Abstracts Service)号进行自动适配。
通过上述方式获得污染物浓度模拟数据之后,通过如下步骤102和103的操作来识别对臭氧生成起主导作用的前体污染物。
步骤102:根据气象场数据和污染物浓度模拟数据,确定多个前体物浓度组合情景。
首先将气象场数据和污染物浓度模拟数据确定为目标区域在预设时间段内的基准浓度情景。基准浓度情景能够反映预设时间段内,目标区域中氮氧化物NOx和挥发性有机物VOCs的基本真实的变化情况。将基准浓度情景对应的气象场数据和污染物浓度模拟数据输入预设箱模式中,预设箱模式输出基准浓度情景对应的臭氧浓度。
获得基准浓度情景后,调整基准浓度情景包括的各臭氧前体物的浓度,获得多个前体物浓度组合情景。具体地,采用控制变量法,基于基准浓度情景设定多个前体物浓度组合情景。按照等比扰动的方式设定前体物浓度组合情景,即对于输入预设箱模式的氮氧化物NOx的浓度和挥发性有机物VOCs的浓度,在时间维度上采用相同的比例进行增加或削减,得到多个前体物浓度组合情景。
例如,将基准浓度情景中各个时刻下氮氧化物NOx各组分的浓度均调高20%,或者将基准浓度情景中各个时刻下挥发性有机物VOCs各组分的浓度均调高30%等。如此通过在时间维度上对各时刻下的氮氧化物NOx各组分的浓度等比例调高或调低,或者对各时刻下的挥发性有机物VOCs各组分的浓度等比例调高或调低,即可得到多个前体物浓度组合情景。
可以按照上述方式生成300、400或500等数目的前体物浓度组合情景。本申请实施例中并不限制生成的前体物浓度组合情景的数目,实际应用中可根据需求来确定前体物浓度组合情景的数目。
本步骤生成多个前体物浓度组合情景的目的是,采用不同的氮氧化物NOx和挥发性有机物VOCs浓度水平驱动预设箱模式进行化学反应计算,得到每个前体物浓度组合情景下臭氧浓度与其前体物浓度之间的关系。
步骤103:根据多个前体物浓度组合情景,识别出在预设时间段内目标区域中对臭氧的生成起主导作用的前体污染物。
具体地,通过预设箱模式分别模拟每个前体物浓度组合情景对应的臭氧浓度;根据每个前体物浓度组合情景对应的臭氧前体物的浓度和臭氧浓度,确定预设时间段内目标区域中对臭氧的生成起主导作用的前体污染物。
对于每个前体物浓度组合情景,将该前体物浓度组合情景包括的氮氧化物NOx和挥发性有机物VOCs各组分的浓度输入预设箱模式中,预设箱模式根据输入的氮氧化物NOx和挥发性有机物VOCs各组分的浓度进行化学反应计算,得到在该前体物浓度组合情景下生成的臭氧浓度。如此获得每个前体物浓度组合情景对应的臭氧浓度。根据每个前体物浓度组合情景下的氮氧化物NOx和挥发性有机物VOCs各组分的浓度及模拟的臭氧浓度,分析臭氧浓度与氮氧化物NOx的浓度之间的量化关系,以及臭氧浓度与挥发性有机物VOCs的浓度之间的量化关系。
在本申请实施例中,确定出氮氧化物NOx的浓度降低量与臭氧浓度的降低量之间的数量关系,以及挥发性有机物VOCs的浓度降低量与臭氧浓度的降低量之间的数量关系。若将氮氧化物NOx的浓度降低第一比例,而挥发性有机物VOCs的浓度保持不变,臭氧浓度的降低量为第一数值。而将挥发性有机物VOCs的浓度降低第一比例,而氮氧化物NOx的浓度保持不变,臭氧浓度的降低量为第二数值。若第一数值大于第二数值,则确定氮氧化物NOx为导致臭氧产生的起主导作用的前体污染物。若第二数值大于第一数值,则确定挥发性有机物VOCs为导致臭氧产生的起主导作用的前体污染物。
为了使用户更直观、快速地确定出对臭氧产生起主导作用的前体污染物。本申请实施例还可以绘制臭氧等浓度曲线图,该臭氧等浓度曲线图可以为EKMA曲线图。具体地,根据每个前体物浓度组合情景对应的挥发性有机物VOCs的浓度,分别计算每个前体物浓度组合情景对应的挥发性有机物VOCs的反应活性。挥发性有机物VOCs的反应活性可以通过如下公式进行计算:
VOCs反应活性(s-1)=VOCs浓度(μg*m-3)*rate((μg*m-3)-1s-1)
在上述公式中,rate为VOCs和氢氧根OH的常规反应速率。
根据每个前体物浓度组合情景对应的挥发性有机物VOCs的反应活性、氮氧化物NOx的浓度及臭氧浓度,绘制臭氧等浓度曲线图。绘制出臭氧等浓度曲线图之后,还可以根据基准浓度情景包括的挥发性有机物VOCs的浓度,通过上述公式计算基准浓度情景对应的挥发性有机物VOCs的反应活性。根据基准浓度情景对应的挥发性有机物VOCs的反应活性、氮氧化物NOx的浓度及臭氧浓度,在臭氧等浓度曲线图中标注出基准浓度情景。在臭氧等浓度曲线图中基准浓度情景对应的点越靠近原点,臭氧浓度越低。
在本申请实施例的另一些实施例中,也可以直接根据不同前体物浓度组合情景下的VOCs浓度、NOx浓度和对应的臭氧浓度最大值,绘制二维填色EKMA曲线图。如此绘制出臭氧等浓度曲线图后,还可以根据基准浓度情景包括的挥发性有机物VOCs的浓度、氮氧化物NOx的浓度及臭氧浓度,在臭氧等浓度曲线图中标注出基准浓度情景。
其中,臭氧等浓度曲线图中,对于基准浓度情景和每个前体物浓度组合情景中的任一情景,该情景对应的挥发性有机物VOCs的浓度(或反应活性)、氮氧化物NOx的浓度及臭氧浓度都是取上述预设时间段内的平均值,臭氧等浓度曲线图是依据每个情景下挥发性有机物VOCs的浓度(或反应活性)的平均值、氮氧化物NOx的浓度的平均值及臭氧浓度的平均值进行绘制的。
通过上述任一方式绘制出臭氧等浓度曲线图之后,还可以确定臭氧等浓度曲线图中每条等浓度曲线的曲率最大点;将每条等浓度曲线的曲率最大点连接起来,获得主导分割线,该主导分割线用于区分起主导作用的前体污染物和其他前体污染物。用户可以直观地通过该主导分割线区分出起主导作用的前体污染物是VOCs还是NOx。具体地,若基准浓度情景对应的点落在该主导分割线左侧,则起主导作用的前体污染物为VOCs。若基准浓度情景对应的点落在该主导分割线右侧,则起主导作用的前体污染物为NOx
作为一种示例,如图2所示的臭氧等浓度曲线图,该臭氧等浓度曲线图是根据各前体物浓度组合情景对应的挥发性有机物VOCs的反应活性、氮氧化物NOx的浓度及臭氧浓度绘制的。图中的黑点表示基准浓度情景,图中各曲线为臭氧等浓度曲线,图中倾斜的直线为主导分割线,图2中基准浓度情景的点落在该主导分割线左侧,则起主导作用的前体污染物为VOCs。
本申请实施例还可以通过预设箱模式模拟挥发性有机物VOCs和氮氧化物NOx在不同比例的浓度削减情形下臭氧浓度的变化情况,以辅助确定对臭氧产生起主导作用的前体污染物,并为臭氧治理的控制决策提供量化的数据支持。如图3所示的浓度削减示意图中,横坐标为削减百分比,纵坐标为臭氧浓度。曲线1表示仅削减挥发性有机物VOCs,氮氧化物NOx保持不变。曲线2表示挥发性有机物VOCs与氮氧化物NOx按照2:1的比例进行削减。曲线3表示挥发性有机物VOCs与氮氧化物NOx按照1:1的比例进行削减。曲线4表示挥发性有机物VOCs与氮氧化物NOx按照1:2的比例进行削减。曲线5表示仅削减氮氧化物NOx,挥发性有机物VOCs保持不变。
从图3中可以看出仅削减挥发性有机物VOCs20%,臭氧浓度即可降至50ug/m3。仅削减挥发性有机物VOCs40%,臭氧浓度即低于50ug/m3。仅削减挥发性有机物VOCs80%,臭氧浓度即接近于0ug/m3。由此可以确定目标区域在预设时间段内的起主导作用的前体污染物为挥发性有机物VOCs,在治理目标区域的臭氧污染时着重削减目标区域中挥发性有机物VOCs的排放,进而达到降低臭氧产生的目的。
为了便于理解本申请实施例提供的方案,下面结合附图进行具体说明。如图4所示,通过气象观测、气象欧拉模型或GFS气象预报三种方式获得气象条件,以及从NAQPMS、CMAQ等空气质量模式或污染物观测站获得挥发性有机物VOCs和氮氧化物NOx。将气象条件、挥发性有机物VOCs和氮氧化物NOx确定为基准污染情景。通过扰动基准污染情景中的挥发性有机物VOCs和氮氧化物NOx,获得多个模拟污染情景。通过预设箱模式对多个模拟污染情景进行模拟,最终绘制出EKMA曲线,识别出起主导作用的前体污染物。图4中预设箱模式采用了NCAR MM模式,以400组情景模拟为例进行模拟的。
在本申请实施例中,通过大气化学箱模式来模拟臭氧的生成,化学反应考虑得更为全面,且计算速度相对很快,节省了计算资源,提高了计算效率。通过分析每个前体物浓度组合情景对应的臭氧浓度,能够快速地识别出对臭氧的产生起主导作用的前体污染物,能够定量计算出各臭氧前体物的最优控制比例,便于明确抽臭氧前体物的控制策略,为目标区域的臭氧管控提供数据支撑。通过绘制臭氧等浓度曲线能够直观识别和反映臭氧与其前体物之间的关系。能够模拟出不同比例的臭氧前体物浓度削减情形下,臭氧浓度的变化情况,不仅支持历史数据的分析,也可以预测未来一段时间内的臭氧污染情况,能够为臭氧污染管控决策工作提供有力支撑。
本申请实施例提供了一种臭氧的主导前体物识别装置,该装置用于执行上述实施例所述的臭氧的主导前体物识别方法,如图5所示,该装置包括:
获取模块501,用于获取目标区域在预设时间段内的气象场数据和污染物浓度模拟数据,污染物浓度模拟数据是通过预设空气质量模式模拟得到的;
情景确定模块502,用于根据气象场数据和污染物浓度模拟数据,确定多个前体物浓度组合情景;
识别模块503,用于根据多个前体物浓度组合情景,识别出在预设时间段内目标区域中对臭氧的生成起主导作用的前体污染物。
获取模块501,用于获取目标区域的预设时间段内的污染物网格化排放清单;根据污染物网格化排放清单,通过预设空气质量模式模拟目标区域在预设时间段内的污染物浓度;从模拟的污染物浓度中提取臭氧前体物的浓度;将臭氧前体物的浓度确定为目标区域在预设时间段内的污染物浓度模拟数据。
情景确定模块502,用于将气象场数据和污染物浓度模拟数据确定为目标区域在预设时间段内的基准浓度情景;调整基准浓度情景包括的各臭氧前体物的浓度,获得多个前体物浓度组合情景。
识别模块503,用于通过预设箱模式分别模拟每个前体物浓度组合情景对应的臭氧浓度;根据每个前体物浓度组合情景对应的臭氧前体物的浓度和臭氧浓度,确定预设时间段内目标区域中对臭氧的生成起主导作用的前体污染物。
该装置还包括:绘图模块,用于根据每个前体物浓度组合情景对应的挥发性有机物的浓度,分别计算每个前体物浓度组合情景对应的挥发性有机物的反应活性;根据每个前体物浓度组合情景对应的挥发性有机物的反应活性、氮氧化物的浓度及臭氧浓度,绘制臭氧等浓度曲线图。
绘图模块,还用于根据基准浓度情景包括的挥发性有机物的浓度,计算基准浓度情景对应的挥发性有机物的反应活性;根据基准浓度情景对应的挥发性有机物的反应活性、氮氧化物的浓度及臭氧浓度,在臭氧等浓度曲线图中标注出基准浓度情景。
绘图模块,还用于确定臭氧等浓度曲线图中每条等浓度曲线的曲率最大点;将每条等浓度曲线的曲率最大点连接起来,获得主导分割线,主导分割线用于区分起主导作用的前体污染物和其他前体污染物。
本申请的上述实施例提供的臭氧的主导前体物识别装置与本申请实施例提供的臭氧的主导前体物识别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臭氧的主导前体物识别方法对应的电子设备,以执行上臭氧的主导前体物识别方法。请参考图6,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6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臭氧的主导前体物识别方法。
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臭氧的主导前体物识别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臭氧的主导前体物识别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臭氧的主导前体物识别方法对应的计算机可读存储介质,请参考图7,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臭氧的主导前体物识别方法。
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臭氧的主导前体物识别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 (10)

1.一种臭氧的主导前体物识别方法,其特征在于,所述方法包括;
获取目标区域在预设时间段内的气象场数据和污染物浓度模拟数据,所述污染物浓度模拟数据是通过预设空气质量模式模拟得到的;
根据所述气象场数据和所述污染物浓度模拟数据,确定多个前体物浓度组合情景;
根据所述多个前体物浓度组合情景,识别出在所述预设时间段内所述目标区域中对臭氧的生成起主导作用的前体污染物。
2.根据权利要求1所述的方法,其特征在于,获取目标区域在预设时间段内的污染物浓度模拟数据,包括:
获取目标区域所述预设时间段内的污染物网格化排放清单;
根据所述污染物网格化排放清单,通过所述预设空气质量模式模拟所述目标区域在预设时间段内的污染物浓度;
从模拟的污染物浓度中提取臭氧前体物的浓度;
将所述臭氧前体物的浓度确定为所述目标区域在所述预设时间段内的污染物浓度模拟数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述气象场数据和所述污染物浓度模拟数据,确定多个前体物浓度组合情景,包括:
将所述气象场数据和所述污染物浓度模拟数据确定为所述目标区域在所述预设时间段内的基准浓度情景;
调整所述基准浓度情景包括的各臭氧前体物的浓度,获得多个前体物浓度组合情景。
4.根据权利要求1所述的方法,其特征在于,所述根据所述多个前体物浓度组合情景,识别出在所述预设时间段内所述目标区域中对臭氧的生成起主导作用的前体污染物,包括:
通过预设箱模式分别模拟每个前体物浓度组合情景对应的臭氧浓度;
根据所述每个前体物浓度组合情景对应的臭氧前体物的浓度和臭氧浓度,确定所述预设时间段内所述目标区域中对臭氧的生成起主导作用的前体污染物。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据每个前体物浓度组合情景对应的挥发性有机物的浓度,分别计算每个前体物浓度组合情景对应的挥发性有机物的反应活性;
根据所述每个前体物浓度组合情景对应的挥发性有机物的反应活性、氮氧化物的浓度及臭氧浓度,绘制臭氧等浓度曲线图。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据所述基准浓度情景包括的挥发性有机物的浓度,计算所述基准浓度情景对应的挥发性有机物的反应活性;
根据所述基准浓度情景对应的挥发性有机物的反应活性、氮氧化物的浓度及臭氧浓度,在所述臭氧等浓度曲线图中标注出所述基准浓度情景。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
确定所述臭氧等浓度曲线图中每条等浓度曲线的曲率最大点;
将所述每条等浓度曲线的曲率最大点连接起来,获得主导分割线,所述主导分割线用于区分起主导作用的前体污染物和其他前体污染物。
8.一种臭氧的主导前体物识别装置,其特征在于,所述装置包括:
获取模块,用于获取目标区域在预设时间段内的气象场数据和污染物浓度模拟数据,所述污染物浓度模拟数据是通过预设空气质量模式模拟得到的;
情景确定模块,用于根据所述气象场数据和所述污染物浓度模拟数据,确定多个前体物浓度组合情景;
识别模块,用于根据所述多个前体物浓度组合情景,识别出在所述预设时间段内所述目标区域中对臭氧的生成起主导作用的前体污染物。
9.一种电子设备,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1-7任一项所述的方法。
10.一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1-7中任一项所述的方法。
CN202011279695.3A 2020-11-16 2020-11-16 臭氧的主导前体物识别方法、装置、电子设备及存储介质 Pending CN112214913A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011279695.3A CN112214913A (zh) 2020-11-16 2020-11-16 臭氧的主导前体物识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011279695.3A CN112214913A (zh) 2020-11-16 2020-11-16 臭氧的主导前体物识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112214913A true CN112214913A (zh) 2021-01-12

Family

ID=74057134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011279695.3A Pending CN112214913A (zh) 2020-11-16 2020-11-16 臭氧的主导前体物识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112214913A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560296A (zh) * 2021-02-25 2021-03-26 北京英视睿达科技有限公司 用于生成臭氧的控制因素的判断方法、系统及电子设备
CN113269453A (zh) * 2021-06-01 2021-08-17 中科三清科技有限公司 一种大气中臭氧和颗粒物的协同控制方法及装置
CN113514606A (zh) * 2021-04-25 2021-10-19 中科三清科技有限公司 利用臭氧潜势指数预报臭氧浓度的方法及装置
CN114518611A (zh) * 2021-12-24 2022-05-20 山东省青岛生态环境监测中心(中国环境监测总站黄海近岸海域环境监测分站) 一种基于相似案例判别分析的臭氧预报方法
CN115271258A (zh) * 2022-09-22 2022-11-01 中科三清科技有限公司 臭氧主控污染物的预测方法、装置及电子设备
CN115629159A (zh) * 2022-10-17 2023-01-20 中国科学院大气物理研究所 一种基于多源数据的臭氧及前体物溯源方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109085296A (zh) * 2018-08-14 2018-12-25 成都市环境保护科学研究院 判断臭氧生成敏感性与前体物控制方法、装置、存储介质、终端
CN110057983A (zh) * 2019-05-20 2019-07-26 华北电力大学 一种基于观测数据和化学机制的臭氧来源解析方法
CN111178786A (zh) * 2020-01-08 2020-05-19 中科宇图科技股份有限公司 一种保障区域空气质量的排放源位置确定方法及系统
CN111651873A (zh) * 2020-05-22 2020-09-11 上海市环境科学研究院 城市大气VOCs排放清单反演方法、系统、终端以及储存介质
CN111710374A (zh) * 2020-06-15 2020-09-25 中科三清科技有限公司 大气污染成因分析方法及装置
CN111882205A (zh) * 2020-07-24 2020-11-03 中科三清科技有限公司 空气质量达标分析方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109085296A (zh) * 2018-08-14 2018-12-25 成都市环境保护科学研究院 判断臭氧生成敏感性与前体物控制方法、装置、存储介质、终端
CN110057983A (zh) * 2019-05-20 2019-07-26 华北电力大学 一种基于观测数据和化学机制的臭氧来源解析方法
CN111178786A (zh) * 2020-01-08 2020-05-19 中科宇图科技股份有限公司 一种保障区域空气质量的排放源位置确定方法及系统
CN111651873A (zh) * 2020-05-22 2020-09-11 上海市环境科学研究院 城市大气VOCs排放清单反演方法、系统、终端以及储存介质
CN111710374A (zh) * 2020-06-15 2020-09-25 中科三清科技有限公司 大气污染成因分析方法及装置
CN111882205A (zh) * 2020-07-24 2020-11-03 中科三清科技有限公司 空气质量达标分析方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
奇奕轩: "北京北郊夏季臭氧及其前体物污染特征及影响因素研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
王占山 等: "北京城区臭氧日变化特征及与前体物的相关性分析", 《中国环境科学》 *
许云峰 等: "《大数据技术及行业应用》", 31 August 2016, 北京邮电大学出版社 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560296A (zh) * 2021-02-25 2021-03-26 北京英视睿达科技有限公司 用于生成臭氧的控制因素的判断方法、系统及电子设备
CN113514606A (zh) * 2021-04-25 2021-10-19 中科三清科技有限公司 利用臭氧潜势指数预报臭氧浓度的方法及装置
CN113269453A (zh) * 2021-06-01 2021-08-17 中科三清科技有限公司 一种大气中臭氧和颗粒物的协同控制方法及装置
CN113269453B (zh) * 2021-06-01 2023-03-10 中科三清科技有限公司 一种大气中臭氧和颗粒物的协同控制方法及装置
CN114518611A (zh) * 2021-12-24 2022-05-20 山东省青岛生态环境监测中心(中国环境监测总站黄海近岸海域环境监测分站) 一种基于相似案例判别分析的臭氧预报方法
CN115271258A (zh) * 2022-09-22 2022-11-01 中科三清科技有限公司 臭氧主控污染物的预测方法、装置及电子设备
CN115629159A (zh) * 2022-10-17 2023-01-20 中国科学院大气物理研究所 一种基于多源数据的臭氧及前体物溯源方法及装置
CN115629159B (zh) * 2022-10-17 2024-02-20 中国科学院大气物理研究所 一种基于多源数据的臭氧及前体物溯源方法及装置

Similar Documents

Publication Publication Date Title
CN112214913A (zh) 臭氧的主导前体物识别方法、装置、电子设备及存储介质
CN112348388A (zh) 基于排放数据的臭氧主导前体物识别方法及装置
CN112362816A (zh) 一种基于观测数据的臭氧来源分析方法及装置
CN112182064B (zh) 一种污染物来源分析方法、装置、电子设备及存储介质
WO2020135887A1 (zh) 污染来源预测方法、装置及电子设备
CN111882205A (zh) 空气质量达标分析方法、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
CN111079763B (zh) 训练样本生成、模型训练、字符识别方法及其装置
CN111507533B (zh) 空气污染物浓度预测方法、装置、电子设备及存储介质
CN111612064A (zh) Pm2.5污染气团溯源方法、装置、电子设备及存储介质
CN115526525A (zh) 一种臭氧污染治理方法、装置、设备及存储介质
CN111815178A (zh) 空气质量达标分析方法、装置、电子设备及存储介质
CN115629159A (zh) 一种基于多源数据的臭氧及前体物溯源方法及装置
US20130268242A1 (en) Sparse Representation for Dynamic Sensor Networks
Agarwal et al. Forecasting PM2. 5 concentrations using statistical modeling for Bengaluru and Delhi regions
Ul-Haq et al. Defining the role of renewable energy, economic growth, globalization, energy consumption, and population growth on PM2. 5 concentration: evidence from South Asian countries
CN114200078A (zh) Oh自由基浓度的测算方法和装置
JP6672943B2 (ja) 物質発生源推定方法及び物質発生源推定装置
Singh et al. Deep-BCSI: A deep learning-based framework for bias correction and spatial imputation of PM2. 5 concentrations in South Korea
Dey et al. Spatio-temporal variation and futuristic emission scenario of ambient nitrogen dioxide over an urban area of eastern India using GIS and coupled AERMOD–WRF model
Maduri et al. Air Pollution Index Prediction: A Machine Learning Approach
CN113672873B (zh) 污染物源解析方法、装置、电子设备及存储介质
JP6728648B2 (ja) 算出装置および算出プログラム
CN114691754A (zh) 一种水文水资源特征空间变异性识别系统
CN111461163B (zh) 城市内部pm2.5浓度模拟和人口暴露度评估方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210112

RJ01 Rejection of invention patent application after publication