CN112364940A - 基于多源数据的大气污染物源解析方法、存储介质及设备 - Google Patents
基于多源数据的大气污染物源解析方法、存储介质及设备 Download PDFInfo
- Publication number
- CN112364940A CN112364940A CN202011413827.7A CN202011413827A CN112364940A CN 112364940 A CN112364940 A CN 112364940A CN 202011413827 A CN202011413827 A CN 202011413827A CN 112364940 A CN112364940 A CN 112364940A
- Authority
- CN
- China
- Prior art keywords
- source
- pollution
- aerosol
- target area
- atmospheric 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
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 39
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 39
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 239000000126 substance Substances 0.000 claims abstract description 58
- 239000000443 aerosol Substances 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 5
- 229910052729 chemical element Inorganic materials 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004255 ion exchange chromatography Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- -1 Cl- Chemical class 0.000 description 1
- 150000001449 anionic compounds Chemical class 0.000 description 1
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910001412 inorganic anion Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
-
- 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
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明提供基于多源数据的大气污染物源解析方法、存储介质及设备，涉及多源数据收集技术领域，包括获取目标区域内污染源信息和气溶胶中的所有化学组分浓度；针对所有化学组分建立受体模型，获取气溶胶中各化学组分对应各污染源的贡献值；根据各化学组分的浓度和各污染源的贡献值，获取目标区域各污染源的贡献率作为先验概率；应用数类统计法对目标区域内历史样本进行计算，得到各类污染源在特定条件下的条件概率；应用朴素贝叶斯算法根据先验概率和条件概率得到大气污染物源解析结果。本发明引入多源数据来评估各类源发生的最大概率，引入朴素贝叶斯算法，根据各类源发生的最大概率对受体模型结果进行校正，得到更精确的大气污染物源解析结果。
Description
技术领域
本发明属于多源数据的收集技术领域，涉及基于多源数据的大气污染物源解析方法、存储介质及设备。
背景技术
大气是人类生存的根本，是地球上各种污染物的汇集区，很多的污染物都需要经过大气的转化。我们通常所说的雾霾天气，就是大气污染的产物，使人们深受其害。控制和消除大气污染是预防大气污染的根本措施，了解大气污染物的来源是切实有效地控制大气污染、保障环境安全和可持续发展的重要前提。
大气污染物源解析技术是对大气中的颗粒物来源进行定性或定量研究的技术，是大气环境防治工作中的重要技术手段。它可以减少颗粒物来源复杂、控制难度大等带来的问题，提高大气环境质量防治工作的科学性、合理性和针对性能。
目前，关于大气污染物的源解析研究，已经建立了多种模型，应用较为广泛的是受体模型，受体模型(CMB)是根据质量平衡原理建立的模型，需要的受体数据量小，且污染源信息的物理意义明确，人们容易接受，但是使用该模型进行源解析时，要求被监测地区要经常监测原样品和受体样品，且要求排放的原物质成分线性独立，即各类源所排放的颗粒物的化学组成相对稳定，化学组分之间无明显作用。但是，以区域污染源为例，区域污染物来源分为自然源和人为源，其中人为源排放量居多，污染物增多的情况下，大气污染物也变得复杂无比，所以难以满足受体模型对化学组成相对稳定的要求，使用受体模型进行大气污染源解析得到的结果会产生误差。
发明内容
针对上述问题，本发明提供了基于多源数据的大气污染物源解析方法、存储介质及设备，在CMB解析方法的基础上，引入朴素贝斯算法，融入多源数据来某类元发生的最大概率，通过多模态数据融合处理来校正CMB源解析方法的模型误差。
为实现上述目的，本发明提供了基于多源数据的大气污染物源解析方法，包括：
获取目标区域内污染源信息和气溶胶中的所有化学组分浓度，所述污染源信息包括污染源种类和各类污染源对应的气溶胶中的化学组分的含量；
针对所有所述化学组分建立受体模型，获取所述气溶胶中各化学组分对应各污染源的贡献值；
根据各所述化学组分的浓度和各所述污染源的贡献值，获取目标区域各污染源的贡献率作为先验概率；
应用数类统计法对目标区域内历史样本进行计算，得到各类污染源在特定条件下的条件概率；
应用朴素贝叶斯算法，根据所述先验概率和条件概率得到大气污染物源解析结果。
作为本发明的进一步改进，所述污染源信息包括污染源种类和各类污染源对应的气溶胶中的化学组分；所述获取目标区域内污染源信息和气溶胶中的所有化学组分，其中具体包括：
获取目标区域内排放源信息，包括排放源个数和各排放源排放物质的化学元素组成；
根据所述排放源信息确定污染源种类；
确定每类所述污染源对应的气溶胶中的化学组分；
根据所有所述污染源确定目标区域内气溶胶中的化学组分。
作为本发明的进一步改进，通过蒸汽喷射气溶胶采样器测量气溶胶中各化学组分及各组分的浓度，以及测量气溶胶中对应各类污染源的化学组分含量。
作为本发明的进一步改进，所述受体模型的公式为：
式中，Ci代表气溶胶中化学组分i的浓度测量值，单位为ug/m3；Fij为第j类污染源中化学组分i的含量测量值，单位为g/g；Sj为第j类污染源的贡献的浓度计算值，单位为ug/m3；I为化学组分个数，J为污染源类的个数；
式中，C代表气溶胶中化学组分的总质量浓度；δj为第j类污染源的贡献率。
作为本发明的进一步改进，所述应用数类统计法对目标区域内历史样本进行计算，得到各类污染源在特定条件下的条件概率，包括：
收集历史样本数据，包括目标区域内每日污染源的信息、气象参数、地理信息以及土地利用信息数据；
根据所述收集到的历史样本数据按照所述污染源的种类进行统计分类，得到各类污染源在特定条件下的条件概率。
作为本发明的进一步改进，所述历史样本数据的收集方法，包括：
查询目标区域内各检测点日志，获取每日污染源信息、气象参数和地理信息；
基于卫星遥感获取土地利用信息数据。
作为本发明的进一步改进，所述应用朴素贝叶斯算法，根据所述先验概率和条件概率得出大气污染物源解析结果，包括：
将先验概率和条件概率带入朴素贝叶斯算法；
计算得到后验概率，即为大气污染源源解析结果。
作为本发明的进一步改进，还包括步骤：
根据所述大气污染物源解析结果对大气污染来源进行定量化评价。
本发明还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的大气污染物解析方法。
本发明进一步提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序能在处理器上运行，用以运行受体模型，实现如上所述的大气污染物源解析方法。
与现有技术相比，本发明的有益效果为：
本发明在CMB解析方法的基础上，引入朴素贝斯算法，并且在朴素贝斯算法计算中融入多源数据来计算某类元发生的最大概率，通过多模态数据融合处理来校正CMB源解析方法的模型误差，得到更加精确的大气污染源解析结果。
本发明基于气象数据、地理信息数据以及土地利用信息数据获取目标区域内的每日特征数据，利用受体模型(CMB)明确目标区域内的污染源成分谱和气溶胶中化学组分谱，并根据CMB模型得到的源贡献率作为先验概率带入朴素贝叶斯算法中计算，通过数学统计的方法求得出某环境下出现每类源的概率作为条件概率，并同先验概率一同放入朴素贝叶斯算法中，求得最终的后验概率，被称为每类源在特定环境下出现的最大概率，提高源解析方法的准确性，并为大气污染防治开拓新的思路。
附图说明
图1为本发明一种实施例公开的基于多源数据的大气污染物源解析方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述：
如图1所示，本发明提供的基于多源数据的大气污染物源解析方法，包括：
S1、获取目标区域内污染源信息和气溶胶中的所有化学组分浓度；
其中，污染源信息包括污染源种类和各类污染源对应的气溶胶中的化学组分的含量；获取步骤包括：
获取目标区域内排放源信息，包括排放源个数和各排放源排放物质的化学成分组成；
根据排放源信息确定污染源种类，污染源种类包括燃煤、扬尘、机动车尾气、生物质燃烧以及二次生成的大气污染物；
确定每类污染源对应的气溶胶中的化学组分；
测量气溶胶中对应各类污染源的化学组分的含量。
S2、针对所有所述化学组分建立受体模型，获取所述气溶胶中各化学组分对应各污染源的贡献值；
其中，
通过蒸汽喷射气溶胶采样器(SJAC)测量气溶胶中化学组分的浓度；SJAC仪器是一个可以对大气气溶胶组分进行连续在线监测的仪器，可通过离子色谱(IC)检测Cl-、NO2-、Br-、NO3-、SO42-等无机阴离子，用电导检测器来检测NH4+等，最终确定所有化学组分的浓度。
针对所有化学组分建立受体模型，根据各化学组分的浓度和污染源信息计算得到各污染源的贡献值；
其中，受体模型是一类需要污染源信息的受体模型，将明确的污染源信息导入模型，该模型可以拟合出较为准确的结果，适用于颗粒物源解析，因此本发明选用受体模型(CMB)对每类源的贡献值进行描述；
该模型基于三点假设，假设各类污染源所排放的污染物的组成相对稳定且有明显差别，各污染源所排放的物质间没有相互作用，在传输过程中可以被忽略，依据质量守恒定律建立的方程式如下：
式中，Ci代表气溶胶中化学组分i的浓度测量值，单位为ug/m3；Fij为第j类污染源中化学组分i的含量测量值，单位为g/g；Sj为第j类污染源的贡献的浓度计算值，单位为ug/m3；I为化学组分个数，J为污染源类的个数；
当化学元素个数大于等于污染源个数时，通过迭代求得各个污染源的精确贡献量。
S3、根据各化学组分的浓度和各污染源的贡献值，获取目标区域各污染源的贡献率作为先验概率，公式如下：
式中，C代表气溶胶中化学组分的总质量浓度；δj为第j类污染源的贡献率。
S4、应用数类统计法对目标区域内历史样本进行计算，得到各类污染源在特定条件下的条件概率；
其中，因为CMB模型是基于三点假设，这种假设在复杂的大气环境中难以满足，因此需要在CMB解析方法的基础上，引入多源数据，通过多模态数据融合处理来校正CMB源解析方法的模型误差，具体包括：
收集历史样本数据，包括目标区域内每日污染源的信息、气象参数(包括温度、湿度、风速和风向)、地理信息(包括海拔)以及土地利用信息数据；
根据收集到的历史样本数据按照污染源的种类进行统计分类，得到各类污染源在特定条件下的条件概率；
以气象参数中温度为例，则条件概率计算过程如下：
假设收集到的第j类源有m份，根据温度T再次进行分类,温度T可以被分为T1,T2,T3...,根据统计结果，用n代表不同温度T下的第j类源对应的样本数量，记为n1,n2,n3....。则在T1条件下出现第j类源的概率计算公式为：
该公式可以计算在不同温度下出现第j类源的概率，将任何影响气溶胶中化学元素浓度的参数加入计算，从而算出不同特征下出现每类源的概率，即为条件概率；
进一步的，
基于卫星遥感获取土地利用信息数据。
S5、应用朴素贝叶斯算法，根据先验概率和条件概率得出大气污染物源解析结果。
其中，
将先验概率和条件概率带入朴素贝叶斯算法，计算各类污染源发生的最大概率，即后验概率，包括：
定义每个特征下出现第j类源的概率P(Sj|a1,a2,.........,an)，进而确定每类源出现的最大概率；
该式中的P(a1,a2,.........,an)属于固定值，在某一天的气象参数以及地理信息参数均为同一值，属于必然事件，因此概率为1，此处不需要考虑；
P(Sj)的概率为受体模型(CMD)计算得到的先验概率；
因此，公式仅需要考虑P(a1,a2,.........,an|Sj)的概率值，假设气象参数、地理信息参数以及土地利用信息参数是相互独立的，该概率的计算可以由条件概率导出，为：
P(a1,a2,.........,an|Sj)＝P(a1|Sj)P(a2|Sj)×......P(an|Sj)
因此，将得到的P(a1,a2,.........,an|Sj)带入朴素贝叶斯算法公式，即可得到后验概率P(Sj|a1,a2,.........,an)，后验概率即为大气污染物源解析结果。
S6、根据大气污染物源解析结果对大气污染来源进行定量化评价。
本发明还提供了一种计算机可读存储介质，其特征在于：存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上的大气污染物解析方法。
本发明进一步提供了一种电子设备，其特征在于：包括存储器和处理器，存储器上存储有计算机程序，计算机程序能在处理器上运行，用以运行受体模型，实现如上的大气污染物源解析方法。
本发明的优点：
本发明在CMB解析方法的基础上，引入朴素贝斯算法，并且在朴素贝斯算法计算中融入多源数据来计算某类元发生的最大概率，通过多模态数据融合处理来校正CMB源解析方法的模型误差，得到更加精确的大气污染源解析结果。
本发明基于气象数据、地理信息数据以及土地利用信息数据获取目标区域内的每日特征数据，利用受体模型(CMB)明确目标区域内的污染源成分谱和气溶胶中化学组分谱，并根据CMB模型得到的源贡献率作为先验概率带入朴素贝叶斯算法中计算，通过数学统计的方法求得出某环境下出现每类源的概率作为条件概率，并同先验概率一同放入朴素贝叶斯算法中，求得最终的后验概率，被称为每类源在特定环境下出现的最大概率，提高源解析方法的准确性，并为大气污染防治开拓新的思路。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多源数据的大气污染物解析方法，其特征在于，包括：
获取目标区域内污染源信息和气溶胶中的所有化学组分浓度，所述污染源信息包括污染源种类和各类污染源对应的气溶胶中的化学组分的含量；
针对所有所述化学组分建立受体模型，获取所述气溶胶中各化学组分对应各污染源的贡献值；
根据各所述化学组分的浓度和各所述污染源的贡献值，获取目标区域各污染源的贡献率作为先验概率；
应用数类统计法对目标区域内历史样本进行计算，得到各类污染源在特定条件下的条件概率；
应用朴素贝叶斯算法，根据所述先验概率和条件概率得到大气污染物源解析结果。
2.根据权利要求1所述的大气污染物解析方法，其特征在于：所述获取目标区域内污染源信息和气溶胶中的所有化学组分，包括：
获取目标区域内排放源信息，包括排放源个数和各排放源排放物质的化学元素组成；
根据所述排放源信息确定污染源种类；
确定每类所述污染源对应的气溶胶中的化学组分；
根据所有所述污染源确定目标区域内气溶胶中的化学组分。
3.根据权利要求1所述的大气污染物解析方法，其特征在于：通过蒸汽喷射气溶胶采样器测量气溶胶中各化学组分及各组分的浓度，以及测量气溶胶中对应各类污染源的化学组分含量。
4.根据权利要求3所述的大气污染物解析方法，其特征在于：所述受体模型的公式为：
式中，Ci代表气溶胶中化学组分i的浓度测量值，单位为ug/m3；Fij为第j类污染源中化学组分i的含量测量值，单位为g/g；Sj为第j类污染源的贡献的浓度计算值，单位为ug/m3；I为化学组分个数，J为污染源类的个数；
式中，C代表气溶胶中化学组分总质量浓度；δj为第j类污染源的贡献率。
5.根据权利要求1所述的大气污染物解析方法，其特征在于：所述应用数类统计法对目标区域内历史样本进行计算，得到各类污染源在特定条件下的条件概率，包括：
收集历史样本数据，包括目标区域内每日污染源的信息、气象参数、地理信息以及土地利用信息数据；
根据所述收集到的历史样本数据按照所述污染源的种类进行统计分类，得到各类污染源在特定条件下的条件概率。
6.根据权利要求5所述的大气污染物解析方法，其特征在于：所述历史样本数据的收集方法，包括：
查询目标区域内各检测点日志，获取每日污染源信息、气象参数和地理信息；
基于卫星遥感获取土地利用信息数据。
7.根据权利要求1所述的大气污染物解析方法，其特征在于：所述应用朴素贝叶斯算法，根据所述先验概率和条件概率得出大气污染物源解析结果，包括：
将先验概率和条件概率带入朴素贝叶斯算法；
计算得到后验概率，即为大气污染源源解析结果。
8.根据权利要求1所述的大气污染物解析方法，其特征在于，还包括步骤：根据所述大气污染物源解析结果对大气污染来源进行定量化评价。
9.一种计算机可读存储介质，其特征在于：所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～8任一项所述的大气污染物解析方法。
10.一种电子设备，其特征在于：包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序能在处理器上运行，用以运行受体模型，实现如权利要求1～8任一项所述的大气污染物源解析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011413827.7A CN112364940A (zh) | 2020-12-03 | 2020-12-03 | 基于多源数据的大气污染物源解析方法、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011413827.7A CN112364940A (zh) | 2020-12-03 | 2020-12-03 | 基于多源数据的大气污染物源解析方法、存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112364940A true CN112364940A (zh) | 2021-02-12 |
Family
ID=74535995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011413827.7A Pending CN112364940A (zh) | 2020-12-03 | 2020-12-03 | 基于多源数据的大气污染物源解析方法、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112364940A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669190A (zh) * | 2021-03-17 | 2021-04-16 | 北京英视睿达科技有限公司 | 污染源异常排放行为的检测方法、装置及计算机设备 |
| CN113720972A (zh) * | 2021-09-02 | 2021-11-30 | 中科三清科技有限公司 | 大气污染物的源解析方法及装置 |
| CN117272070A (zh) * | 2023-11-21 | 2023-12-22 | 北京大学 | 一种同时利用有机和无机污染物的定量源解析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674789A (zh) * | 2013-12-26 | 2014-03-26 | 中国环境科学研究院 | 一种基于单颗粒质谱的大气颗粒物实时源解析方法 |
| CN107144307A (zh) * | 2017-06-27 | 2017-09-08 | 国网江苏省电力公司电力科学研究院 | 一种移动式大气气溶胶离子成分实时监测系统 |
| CN108108336A (zh) * | 2016-11-24 | 2018-06-01 | 上海栖芯信息科技有限公司 | 一种面向工业园区的大气污染物溯源方法 |
| CN108680473A (zh) * | 2018-05-09 | 2018-10-19 | 南开大学 | 一种应用单颗粒气溶胶质谱仪进行颗粒物源解析的方法 |
| CN110046382A (zh) * | 2019-03-06 | 2019-07-23 | 环境保护部环境工程评估中心 | 大气污染的源解析方法、装置、电子设备及存储介质 |
| CN111368401A (zh) * | 2020-02-20 | 2020-07-03 | 南开大学 | 污染源的溯源方法、装置和存储介质 |
| CN111798928A (zh) * | 2020-06-30 | 2020-10-20 | 中科三清科技有限公司 | 大气颗粒物污染源解析方法和装置 |
-
2020
- 2020-12-03 CN CN202011413827.7A patent/CN112364940A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674789A (zh) * | 2013-12-26 | 2014-03-26 | 中国环境科学研究院 | 一种基于单颗粒质谱的大气颗粒物实时源解析方法 |
| CN108108336A (zh) * | 2016-11-24 | 2018-06-01 | 上海栖芯信息科技有限公司 | 一种面向工业园区的大气污染物溯源方法 |
| CN107144307A (zh) * | 2017-06-27 | 2017-09-08 | 国网江苏省电力公司电力科学研究院 | 一种移动式大气气溶胶离子成分实时监测系统 |
| CN108680473A (zh) * | 2018-05-09 | 2018-10-19 | 南开大学 | 一种应用单颗粒气溶胶质谱仪进行颗粒物源解析的方法 |
| CN110046382A (zh) * | 2019-03-06 | 2019-07-23 | 环境保护部环境工程评估中心 | 大气污染的源解析方法、装置、电子设备及存储介质 |
| CN111368401A (zh) * | 2020-02-20 | 2020-07-03 | 南开大学 | 污染源的溯源方法、装置和存储介质 |
| CN111798928A (zh) * | 2020-06-30 | 2020-10-20 | 中科三清科技有限公司 | 大气颗粒物污染源解析方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| 《空气和废气监测分析方法指南》编委会: "《空气和废气监测分析方法指南 下》", 31 July 2014 * |
| 刘建鑫 等: "大气污染物源解析技术模型及应用", 《环境保护与循环经济》 * |
| 徐从裕等: "基于贝叶斯估计的气体污染源方位辨识", 《电子测量与仪器学报》 * |
| 闫龙川 等: "《数据科学与工程技术丛书 Python文本分析 第2版》", 31 October 2020, 北京：机械工业出版社 * |
| 齐爱朋: "基于多源大数据融合分析的恶臭溯源信息化管理平台建设", 《信息记录材料》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669190A (zh) * | 2021-03-17 | 2021-04-16 | 北京英视睿达科技有限公司 | 污染源异常排放行为的检测方法、装置及计算机设备 |
| CN113720972A (zh) * | 2021-09-02 | 2021-11-30 | 中科三清科技有限公司 | 大气污染物的源解析方法及装置 |
| CN117272070A (zh) * | 2023-11-21 | 2023-12-22 | 北京大学 | 一种同时利用有机和无机污染物的定量源解析方法 |
| CN117272070B (zh) * | 2023-11-21 | 2024-02-02 | 北京大学 | 一种同时利用有机和无机污染物的定量源解析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chatzidiakou et al. | Characterising low-cost sensors in highly portable platforms to quantify personal exposure in diverse environments | |
| Su et al. | Relationships between the planetary boundary layer height and surface pollutants derived from lidar observations over China: regional pattern and influencing factors | |
| Bigi et al. | Performance of NO, NO 2 low cost sensors and three calibration approaches within a real world application | |
| Vakkari et al. | Major secondary aerosol formation in southern African open biomass burning plumes | |
| CN112364940A (zh) | 基于多源数据的大气污染物源解析方法、存储介质及设备 | |
| Lund et al. | Short Black Carbon lifetime inferred from a global set of aircraft observations | |
| Ma et al. | Observational constraint on cloud susceptibility weakened by aerosol retrieval limitations | |
| Jin et al. | Machine learning for observation bias correction with application to dust storm data assimilation | |
| Erisman et al. | Monitoring and modelling of biosphere/atmosphere exchange of gases and aerosols in Europe | |
| CN111798928B (zh) | 大气颗粒物污染源解析方法和装置 | |
| CN107607450A (zh) | 一种大气质量监测方法及相关设备 | |
| Fuchs et al. | Building a cloud in the southeast Atlantic: understanding low-cloud controls based on satellite observations with machine learning | |
| Kumar et al. | Prediction and examination of seasonal variation of ozone with meteorological parameter through artificial neural network at NEERI, Nagpur, India | |
| Denjean et al. | Unexpected biomass burning aerosol absorption enhancement explained by black carbon mixing state | |
| Blanchard | Methods for attributing ambient air pollutants to emission sources | |
| CN116879297A (zh) | 土壤水分协同反演的方法、装置、设备和介质 | |
| Su et al. | New particle formation event detection with Mask R-CNN | |
| Ahrends et al. | Comparison of methods for the estimation of total inorganic nitrogen deposition to forests in Germany | |
| Braghiere et al. | Characterization of the radiative impact of aerosols on CO 2 and energy fluxes in the Amazon deforestation arch using artificial neural networks | |
| Verma et al. | A machine learning approach and methodology for solar radiation assessment using multispectral satellite images | |
| Sihag et al. | Estimation of ground-level O3 using soft computing techniques: case study of Amritsar, Punjab State, India | |
| Wang et al. | Hyperlocal environmental data with a mobile platform in urban environments | |
| CN116258101B (zh) | 一种基于气体浓度监测数据快速计算排放源强的方法 | |
| Sulo et al. | Measurement report: Increasing trend of atmospheric ion concentrations in the boreal forest | |
| Ali et al. | Enhancement of OMI aerosol optical depth data assimilation using artificial neural network |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210212 |