CN112684118B - 一种大气臭氧污染的便捷预警方法 - Google Patents
一种大气臭氧污染的便捷预警方法 Download PDFInfo
- Publication number
- CN112684118B CN112684118B CN202011622716.7A CN202011622716A CN112684118B CN 112684118 B CN112684118 B CN 112684118B CN 202011622716 A CN202011622716 A CN 202011622716A CN 112684118 B CN112684118 B CN 112684118B
- Authority
- CN
- China
- Prior art keywords
- value
- early warning
- interval
- inflection
- concentration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- Oxygen, Ozone, And Oxides In General (AREA)
Abstract
本发明公开了一种大气臭氧污染的便捷预警方法,所述方法包括:(1)通过分析大气臭氧生成的外部条件,得到影响大气臭氧生成的物理参量,包括气温、太阳总辐射辐照度、云量、颗粒物浓度以及氮氧化物浓度;(2)按照大气臭氧生成情况对物理参量进行拐点值确定,并进行区间划分后赋值;(3)获取待预警地区在一段时间内关于大气臭氧生成的物理参量的历史数据,利用构建得到的Logistic回归模型,得到每一项物理参量的权值;(4)根据区间赋值结果以及物理参量的权值,计算臭氧浓度影响因素结果值,并确定预警区间和相应的预警等级。本发明所述方法不仅便于实施,还提高了预警的提前量,对大气臭氧污染防治工作具有一定的指导意义。
Description
技术领域
本发明属于大气环境监测和大气污染治理领域,尤其涉及一种大气臭氧污染的便捷预警方法。
背景技术
随着结构性减排措施的不断深入,环保技术的大面积推广,以及清洁能源的逐渐普及,颗粒物浓度实现了逐年下降。然而,臭氧污染却“不降反升”,成为下阶段大气污染防治工作亟待解决的难题。大气臭氧污染成因复杂,给现实治理工作带来很大困难。
目前,大气臭氧污染的预警方式主要是直接监测,即通过对大气中臭氧浓度的实时监测得到反馈结果数据;如果臭氧浓度较高,则发出警告。这种实时监测预警的方法达到的效果显然微乎其微,这是因为当外部条件一旦具备时,臭氧生成的速度非常快,导致治理措施无法及时采取,极大地影响了治理效率。还有一种方法是空气质量数值模式也可以提供部分大气臭氧污染的预警功能,但计算过程复杂,对计算机性能的依赖较大,成本较高。因此,提供一种便捷的预警方法是当前大气臭氧污染治理工作中一个亟待解决的问题。
发明内容
发明目的:针对以上问题,本发明提出一种大气臭氧污染的便捷预警方法。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种大气臭氧污染的便捷预警方法,方法具体如下:
(1)通过分析大气臭氧生成的外部条件,得到影响大气臭氧污染的敏感物理参量;所述物理参量包括气温、太阳总辐射辐照度、云量、颗粒物浓度以及氮氧化物浓度;
(2)根据大气臭氧生成条件确定步骤(1)每一项所述物理参量的拐点值,并利用拐点值进行区间划分后对每一个区间进行赋值;
(3)获取待预警地区在一段时间内的所述物理参量的历史数据,利用Logistic回归模型,得到每一项物理参量的权值;
(4)根据步骤(2)的区间赋值以及步骤(3)所述物理参量的权值,计算臭氧浓度影响因素结果值,并确定预警区间和相应的预警等级。
进一步地,步骤(2)根据按照大气臭氧生成条件确定物理参量的拐点值,具体方法如下:
对每一项物理参量与大气臭氧生成的相关关系进行研究,均得到如下线性变化特征:在一定区间范围内,每一项物理参量均与大气臭氧生成呈现线性相关;但不同区间的线性相关性具有差异;因而将不同区间的临界点值设置为拐点值;
具体为步骤(1)得到的物理参量对臭氧生成的影响不是简单的线性关系;经过对大量历史数据的分析发现,五个物理参量具有小区间线性变化特征,即物理参量在某个区间变化时,对臭氧生成的影响接近线性;同时,不同区间之间的线性相关性又有明显的不同。
其中,每一项物理参量的拐点值如下:
气温,单位摄氏度,拐点值1为8.6;拐点值2为26.8;拐点值3为33.5;拐点值4为36.7;
总辐射辐照度,单位W/㎡,拐点值1为100;拐点值2为400;拐点值3为600;拐点值4为1000;
云量,单位百分比,拐点值1为10%;拐点值2为25%;拐点值3为65%;拐点值4 为80%;
颗粒物浓度,单位微克/立方米,拐点值1为49;拐点值2为99;拐点值3为199;拐点值4为299;
氮氧化物浓度,单位微克/立方米,拐点值1为31;拐点值2为46;拐点值3为52;拐点值4为65。
上述物理参量的拐点值的设置是经过大量数据得到的,由此使用不同的历史数据和方法分析,结果会略有不同;但从应用角度考虑,物理参量对大气臭氧生成的影响并不会随时间地点不同而显著变化,因此本发明设置的拐点值对最终得到的大气臭氧污染的预警结果的影响微乎其微。
进一步地,步骤(2)所述利用拐点值进行区间划分后对每一个区间进行赋值的方法如下:
利用拐点值对其所对应的物理参量进行区间划分并赋值,其中区间划分和赋值标准为:低于拐点值1的区间赋值为20;介于拐点值1和拐点值2的区间赋值为25;介于拐点值2和拐点值3的区间赋值为50;介于拐点3值和拐点4值的区间赋值为75;高于拐点值4的区间赋值为90。
进一步地,步骤(3)的方法如下:
(3.1)获取待预警地区在一定时间内关于大气臭氧生成的所述物理参量的历史数据;
(3.2)构建Logistic回归模型为:
ln(O3it)=β0+β1ln(Tit)+β2ln(SRit)+β3ln(Cit)+β4ln(PMit)+β5ln(NOxit)+uit
式中,O3it、Tit、SRit、Cit、PMit、NOxit分别表示待预警地区在时刻t的大气臭氧浓度、气温、总辐射辐照度、云量、颗粒物浓度和氮氧化物浓度;下标it表示不同时间地点;i表示地区;t表示时刻;β0表示常物理参量;u表示随机误差项;β1表示气温的权值;β2表示总辐射辐照度的权值;β3表示云量的权值;β4表示颗粒物浓度的权值;β5表示氮氧化物浓度的权值;
(3.3)将步骤(3.1)所述历史数据作为自变量输入至Logistic回归模型中,通过不断迭代输入,最终得到最佳拟合结果下的每一项物理参量的权值β1、β2、β3、β4和β5。
进一步地,步骤(4)的方法具体如下:
(4.2)分别将步骤(4.1)中的每一种排列结果代入下列公式中进行计算,得到臭氧浓度影响因素结果值;其中计算公式:
F'=β1×T'+β2×SR'+β3×C'+β4×PM'+β5×NOx'
式中,F'表示臭氧浓度影响因素结果值;T'、SR'、C'、PM'、NOx'分别表示气温、总辐射辐照度、云量、颗粒物浓度和氮氧化物浓度的区间赋值;
(4.3)根据所述臭氧浓度影响因素结果值F'确定预警区间以及相应的预警等级,具体方法如下:
(4.31)将步骤(4.2)所述臭氧浓度影响因素结果值F'进行升序排列后编号,所述编号为1-N;
(4.32)将编号为所对应的臭氧浓度影响因素结果值设置为第一阈值,编号为所对应的臭氧浓度影响因素结果值设置为第二阈值,编号为所对应的臭氧浓度影响因素结果值设置为第三阈值,编号为所对应的臭氧浓度影响因素结果值设置为第四阈值;其中,为向上取整符号;
(4.33)通过所述阈值得到预警区间及相应的预警结果,具体如下:
将低于第一阈值的区间设置为不预警级别;
将介于第一阈值和第二阈值的区间设置为绿色预警级别;
将介于第二阈值和第三阈值的区间设置为黄色预警级别;
将介于第三阈值和第四阈值的区间设置为橙色预警级别;
将高于第四阈值的区间预警区间设置为红色预警级别。
进一步地,通过待预警地区关于大气臭氧生成的物理参量的实时数据或预测数据,可以得到其关于大气臭氧污染的预警结果,具体方法如下:
获取待预警地区关于大气臭氧生成的物理参量的实时数据或预测数据,并通过臭氧浓度影响因素计算公式,得到臭氧浓度影响因素结果值;根据步骤(4.33)确定该臭氧浓度影响因素结果值Fit所属的预警区间,进而得到预警结果;
其中,臭氧浓度影响因素计算公式为:
Fit=β1Tit'+β2SRit'+β3Cit'+β4PMit'+β5NOxit'
式中,Fit表示待预警地区在时刻t的臭氧浓度影响因素结果值;下标it表示不同时间地点;i表示地区;t表示时刻;Tit、SRit、Cit、PMit、NOxit分别表示待预警地区在时刻t的气温、总辐射辐照度、云量、颗粒物浓度和氮氧化物浓度;
Tit'、SRit'、Cit'、PMit'、NOxit'分别指的是待预警地区的物理参量的实时数据或预测数据Tit、SRit、Cit、PMit、NOxit根据步骤(2)确定的区间所对应的区间赋值。
有益效果:与现有技术相比,本发明技术方案具有以下有益技术效果:
本发明所确定的影响大气臭氧污染的五项物理参量为常规物理参量,采集技术较为普遍,难度较小,成本较低;同时将五项物理参量作为影响大气臭氧污染的外部条件,利用其拐点值分别分级,然后再赋值、赋权计算,结果过程简单,结果可靠,不需要依赖计算机性能;另外,本发明具有很好的应用前景,可以进行嵌入式开发,生产相关的硬件设备;本发明方法既可以输入历史数据、也可以输入实时数据和预报数据,从而满足不同场景的需要。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种大气臭氧污染的便捷预警方法,方法具体如下:
(1)通过分析大气臭氧生成的外部条件,得到影响大气臭氧污染的敏感物理参量;所述物理参量包括气温、太阳总辐射辐照度、云量、颗粒物浓度以及氮氧化物浓度;
(2)根据大气臭氧生成条件确定步骤(1)每一项所述物理参量的拐点值,并利用拐点值进行区间划分后对每一个区间进行赋值;
(3)获取待预警地区在一段时间内的所述物理参量的历史数据,利用Logistic回归模型,得到每一项物理参量的权值;
(4)根据步骤(2)的区间赋值以及步骤(3)所述物理参量的权值,计算臭氧浓度影响因素结果值,并确定预警区间和相应的预警等级。
本实施例中,步骤(2)按照大气臭氧生成情况确定得到的物理参量的拐点值如表1所示:
物理物理参量(单位) | 拐点值1 | 拐点值2 | 拐点值3 | 拐点值4 |
气温(摄氏度) | 8.6 | 26.8 | 33.5 | 36.7 |
总辐射辐照度(W/㎡) | 100 | 400 | 600 | 1000 |
云量(百分比) | 10% | 25% | 65% | 80% |
颗粒物浓度(微克/立方米) | 49 | 99 | 199 | 299 |
氮氧化物(微克/立方米) | 31 | 46 | 52 | 65 |
表1根据大气臭氧生成情况确定得到的物理参量的拐点值本实施例中,根据步骤(2)所述拐点值进行区间划分,如表2所示:
表2物理参量的区间划分结果表
本实施例中,步骤(2)中每一项物理参量的不同区间均按照如下结果进行赋值,如表3所示:
物理物理参量(单位) | 1级 | 2级 | 3级 | 4级 | 5级 |
气温(摄氏度) | 20 | 35 | 50 | 75 | 90 |
总辐射辐照度(W/㎡) | 20 | 35 | 50 | 75 | 90 |
云量(总云量占比) | 20 | 35 | 50 | 75 | 90 |
颗粒物浓度(微克/立方米) | 20 | 35 | 50 | 75 | 90 |
氮氧化物(微克/立方米) | 20 | 35 | 50 | 75 | 90 |
表3物理参量的区间赋值结果表
进一步地,步骤(3)的方法如下:
(3.1)获取待预警地区在一定时间内关于大气臭氧生成的所述物理参量的历史数据;
(3.2)构建Logistic回归模型为:
ln(O3it)=β0+β1ln(Tit)+β2ln(SRit)+β3ln(Cit)+β4ln(PMit)+β5ln(NOxit)+uit
式中,O3it、Tit、SRit、Cit、PMit、NOxit分别表示待预警地区在时刻t的大气臭氧浓度、气温、总辐射辐照度、云量、颗粒物浓度和氮氧化物浓度;下标it表示不同时间地点;i表示地区;t表示时刻;β0表示常物理参量;u表示随机误差项;β1表示气温的权值;β2表示总辐射辐照度的权值;β3表示云量的权值;β4表示颗粒物浓度的权值;β5表示氮氧化物浓度的权值;
(3.3)将步骤(3.1)所述历史数据作为自变量输入至Logistic回归模型中,通过不断迭代输入,最终得到最佳拟合结果下的每一项物理参量的权值β1、β2、β3、β4和β5。
本实施例中,通过步骤(3)得到某地区关于大气臭氧生成的物理参量权值如表4所示:
表4某地区关于大气臭氧生成的物理参量权值表
进一步地,步骤(4)的方法具体如下:
(4.1)对步骤(2)每一项物理参数的不同区间赋值进行排列组合,即分别从每一项物理参数中选择一个区间赋值,并按照一定顺序进行排列,共得到5×C5 1种排列结果;
(4.2)分别将步骤(4.1)中的每一种排列结果代入下列公式中进行计算,得到臭氧浓度影响因素结果值;其中计算公式:
F'=β1×T'+β2×SR'+β3×C'+β4×PM'+β5×NOx'
式中,F'表示臭氧浓度影响因素结果值;T'、SR'、C'、PM'、NOx'分别表示气温、总辐射辐照度、云量、颗粒物浓度和氮氧化物浓度的区间赋值;
(4.3)根据所述臭氧浓度影响因素结果值F'确定预警区间以及相应的预警等级,方法具体如下:
(4.31)将步骤(4.2)所述臭氧浓度影响因素结果值F'进行升序排列后编号,所述编号为1-N;
(4.32)将编号为所对应的臭氧浓度影响因素结果值设置为第一阈值,编号为所对应的臭氧浓度影响因素结果值设置为第二阈值,编号为所对应的臭氧浓度影响因素结果值设置为第三阈值,编号为所对应的臭氧浓度影响因素结果值设置为第四阈值;其中,为向上取整符号;
(4.33)通过所述阈值得到预警区间及相应的预警结果,具体如下:
将低于第一阈值的区间设置为不预警级别;
将介于第一阈值和第二阈值的区间设置为绿色预警级别;
将介于第二阈值和第三阈值的区间设置为黄色预警级别;
将介于第三阈值和第四阈值的区间设置为橙色预警级别;
将高于第四阈值的区间预警区间设置为红色预警级别。
本实施例中,根据步骤(4)得到某地区关于大气臭氧污染的预警等级以及相应的预警区间具体如表5所示:
F值区间 | 预警等级 |
小于30.75 | 不预警 |
30.75-45.37 | 绿色预警 |
45.37-56.95 | 黄色预警 |
56.95-71.55 | 橙色预警 |
大于71.55 | 红色预警 |
表5某地区关于大气臭氧污染的预警区间以及相应的预警等级
进一步地,通过待预警地区关于大气臭氧生成的物理参量的实时数据或预测数据,可以得到其关于大气臭氧污染的预警结果,具体方法如下:
获取待预警地区关于大气臭氧生成的物理参量的实时数据或预测数据,并通过臭氧浓度影响因素计算公式,得到臭氧浓度影响因素结果值;根据步骤(4.33)确定该臭氧浓度影响因素结果值Fit所属的预警区间,进而得到预警结果;
其中,臭氧浓度影响因素计算公式为:
Fit=β1Tit'+β2SRit'+β3Cit'+β4PMit'+β5NOxit'
式中,Fit表示待预警地区在时刻t的臭氧浓度影响因素结果值;下标it表示不同时间地点;i表示地区;t表示时刻;Tit、SRit、Cit、PMit、NOxit分别表示待预警地区在时刻t的气温、总辐射辐照度、云量、颗粒物浓度和氮氧化物浓度; Tit'、SRit'、Cit'、PMit'、NOxit'分别指的是待预警地区的物理参量的实时数据或预测数据Tit、SRit、Cit、PMit、NOxit根据步骤(2)确定的区间所对应的区间赋值。
本实施例中,利用本发明方法根据某地区某年某日某时的物理参量的实测值可以得到预警结果,如表6所示:
表6某地区某年某日某时实测数据预警。
Claims (6)
1.一种大气臭氧污染的便捷预警方法,其特征在于,方法具体如下:
(1)通过分析大气臭氧生成的外部条件,得到影响大气臭氧污染的敏感物理参量;所述物理参量包括气温、太阳总辐射辐照度、云量、颗粒物浓度以及氮氧化物浓度;
(2)根据大气臭氧生成条件确定步骤(1)每一项所述物理参量的拐点值,并利用拐点值进行区间划分后对每一个区间进行赋值;
其中,所述拐点值确定方法具体为:对每一项物理参量与大气臭氧生成的相关关系进行研究,得到如下线性变化特征:在一定区间范围内,每一项物理参量均与大气臭氧生成呈现线性相关,不同区间的线性相关性具有差异;将不同区间的临界点值设置为拐点值;
(3)获取待预警地区在一段时间内的所述物理参量的历史数据,利用Logistic回归模型,得到每一项物理参量的权值;
(4)根据步骤(2)的区间赋值以及步骤(3)所述物理参量的权值,计算臭氧浓度影响因素结果值,并确定预警区间和相应的预警等级;
(4.1)对步骤(2)每一项物理参数的不同区间赋值进行排列组合,即分别从每一项物理参数中选择一个区间的赋值,并按照一定顺序进行排列,共得到N=5×C51种排列结果;
(4.2)分别将步骤(4.1)中的每一种排列结果代入下列公式中计算,得到臭氧浓度影响因素结果值;其中计算公式:
F'=β1×T'+β2×SR'+β3×C'+β4×PM'+β5×NOx'
式中,F'表示臭氧浓度影响因素结果值;T'、SR'、C'、PM'、NOx'分别表示气温、总辐射辐照度、云量、颗粒物浓度和氮氧化物浓度的不同区间赋值;
(4.3)根据所述臭氧浓度影响因素结果值F'确定预警区间以及相应的预警等级。
2.根据权利要求1所述的一种大气臭氧污染的便捷预警方法,其特征在于,步骤(2)确定的每一项物理参量的拐点值如下:
气温,单位摄氏度,拐点值1为8.6;拐点值2为26.8;拐点值3为33.5;拐点值4为36.7;
总辐射辐照度,单位W/㎡,拐点值1为100;拐点值2为400;拐点值3为600;拐点值4为1000;
云量,单位百分比,拐点值1为10%;拐点值2为25%;拐点值3为65%;拐点值4为80%;
颗粒物浓度,单位微克/立方米,拐点值1为49;拐点值2为99;拐点值3为199;拐点值4为299;
氮氧化物浓度,单位微克/立方米,拐点值1为31;拐点值2为46;拐点值3为52;拐点值4为65。
3.根据权利要求2所述的一种大气臭氧污染的便捷预警方法,其特征在于,步骤(2)所述利用拐点值进行区间划分后对每一个区间进行赋值的方法如下:
利用拐点值对其所对应的物理参量进行区间划分并赋值,其中区间划分和赋值标准为:低于拐点值1的区间赋值为20;介于拐点值1和拐点值2的区间赋值为25;介于拐点值2和拐点值3的区间赋值为50;介于拐点3值和拐点4值的区间赋值为75;高于拐点值4的区间赋值为90。
4.根据权利要求1或3所述的一种大气臭氧污染的便捷预警方法,其特征在于,步骤(3)的方法如下:
(3.1)获取待预警地区在一定时间内关于大气臭氧生成的所述物理参量的历史数据;
(3.2)构建Logistic回归模型为:
ln(O3it)=β0+β1ln(Tit)+β2ln(SRit)+β3ln(Cit)+β4ln(PMit)+β5ln(NOxit)+uit
式中,O3it、Tit、SRit、Cit、PMit、NOxit分别表示待预警地区在时刻t的大气臭氧浓度、气温、总辐射辐照度、云量、颗粒物浓度和氮氧化物浓度;下标it表示不同时间地点;i表示地区;t表示时刻;β0表示常物理参量;u表示随机误差项;β1表示气温的权值;β2表示总辐射辐照度的权值;β3表示云量的权值;β4表示颗粒物浓度的权值;β5表示氮氧化物浓度的权值;
(3.3)将步骤(3.1)所述历史数据作为自变量输入至Logistic回归模型中,通过不断迭代输入,最终得到最佳拟合结果下的每一项物理参量的权值β1、β2、β3、β4和β5。
5.根据权利要求4所述的一种大气臭氧污染的便捷预警方法,其特征在于,步骤(4.3)所述根据臭氧浓度影响因素结果值F',确定预警区间以及相应的预警等级,具体方法如下:
(4.31)将步骤(4.2)所述臭氧浓度影响因素结果值F'进行升序排列后编号,所述编号为1-N;
(4.32)将编号为所对应的臭氧浓度影响因素结果值设置为第一阈值,编号为所对应的臭氧浓度影响因素结果值设置为第二阈值,编号为所对应的臭氧浓度影响因素结果值设置为第三阈值,编号为所对应的臭氧浓度影响因素结果值设置为第四阈值;其中,为向上取整符号;
(4.33)通过阈值得到预警区间及相应的预警结果,具体如下:
将低于第一阈值的区间设置为不预警级别;
将介于第一阈值和第二阈值的区间设置为绿色预警级别;
将介于第二阈值和第三阈值的区间设置为黄色预警级别;
将介于第三阈值和第四阈值的区间设置为橙色预警级别;
将高于第四阈值的区间预警区间设置为红色预警级别。
6.根据权利要求5所述的一种大气臭氧污染的便捷预警方法,其特征在于,通过待预警地区关于大气臭氧生成的物理参量的实时数据或预测数据,可以得到其关于大气臭氧污染的预警结果,具体方法如下:
获取待预警地区关于大气臭氧生成的物理参量的实时数据或预测数据,并通过臭氧浓度影响因素计算公式,得到臭氧浓度影响因素结果值;根据步骤(4.33)确定该臭氧浓度影响因素结果值Fit所属的预警区间,进而得到预警结果;
其中,臭氧浓度影响因素计算公式为:
Fit=β1Tit'+β2SRit'+β3Cit'+β4PMit'+β5NOxit'
式中,Fit表示待预警地区在时刻t的臭氧浓度影响因素结果值;下标it表示不同时间地点;i表示地区;t表示时刻;Tit、SRit、Cit、PMit、NOxit分别表示待预警地区在时刻t的气温、总辐射辐照度、云量、颗粒物浓度和氮氧化物浓度;
Tit'、SRit'、Cit'、PMit'、NOxit'分别指的是Tit、SRit、Cit、PMit、NOxit根据步骤(2)确定的区间所对应的区间赋值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622716.7A CN112684118B (zh) | 2020-12-31 | 2020-12-31 | 一种大气臭氧污染的便捷预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622716.7A CN112684118B (zh) | 2020-12-31 | 2020-12-31 | 一种大气臭氧污染的便捷预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112684118A CN112684118A (zh) | 2021-04-20 |
CN112684118B true CN112684118B (zh) | 2022-12-20 |
Family
ID=75453949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011622716.7A Active CN112684118B (zh) | 2020-12-31 | 2020-12-31 | 一种大气臭氧污染的便捷预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112684118B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113514606B (zh) * | 2021-04-25 | 2022-04-22 | 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 |
CN113376324B (zh) * | 2021-06-09 | 2022-06-28 | 安徽大学 | 一种空间大气臭氧短临预警系统 |
CN113553551B (zh) * | 2021-07-28 | 2024-02-02 | 生态环境部华南环境科学研究所 | 一种耦合景观格局的臭氧浓度预测系统 |
CN113901714B (zh) * | 2021-10-09 | 2022-08-23 | 中国人民解放军国防科技大学 | 基于人工智能的臭氧层预报算法 |
CN115389718B (zh) * | 2022-10-31 | 2023-01-17 | 山东公用环保集团检测运营有限公司 | 一种基于人工智能的环境检测预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
CN107656034A (zh) * | 2017-10-11 | 2018-02-02 | 中国农业科学院农业环境与可持续发展研究所 | 农田面源污染对地表径流中总磷排放量影响的预测方法 |
CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
-
2020
- 2020-12-31 CN CN202011622716.7A patent/CN112684118B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
CN107656034A (zh) * | 2017-10-11 | 2018-02-02 | 中国农业科学院农业环境与可持续发展研究所 | 农田面源污染对地表径流中总磷排放量影响的预测方法 |
CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
Non-Patent Citations (2)
Title |
---|
南京地区近地面臭氧浓度与气象条件关系研究;王磊 等;《环境科学学报》;20180430;第1285-1296页 * |
我国PM2.5与臭氧污染协同控制策略研究;李红 等;《环境科学研究》;20191031;第1763-1778页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112684118A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112684118B (zh) | 一种大气臭氧污染的便捷预警方法 | |
CN108648127B (zh) | 一种城市空气污染热点区域锁定方法 | |
CN106779223A (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
CN103853106A (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
CN104616079A (zh) | 基于气温变化的电网日用电量预测方法 | |
CN110533248A (zh) | 融合机器学习和lstm的大气污染物浓度预测方法 | |
CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
CN116720985B (zh) | 一种建筑碳排放监测方法及系统 | |
CN112241800B (zh) | 一种焦炉VOCs污染物排放量的计算方法 | |
CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
CN117077353A (zh) | 基于多变量bp神经网络的碳排放测算建模、方法及装置 | |
CN115618718A (zh) | 一种基于表面监测和遗传算法优化的垃圾填埋场甲烷排放估算方法 | |
CN115758655A (zh) | 一种基于nsga-ⅱ算法的核动力厂气载流出物排放量优化方法 | |
CN112949938B (zh) | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 | |
CN114417918A (zh) | 一种风电场信号特征提取及去噪优化数据的方法 | |
CN112926761A (zh) | 一种风电场功率预测方法 | |
CN111027816A (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
CN112633565A (zh) | 一种光伏功率集合区间预测方法 | |
CN112182483A (zh) | 一种基于空气质量指数的太阳辐射预测方法和装置 | |
CN106451438A (zh) | 一种考虑智能用电行为的负荷区间预测方法 | |
Wang et al. | Deep learning-based gas-phase chemical kinetics kernel emulator: Application in a global air quality simulation case | |
CN113552289B (zh) | 一种基于高斯模式的大气污染溯源方法 | |
CN114491907B (zh) | 基于真空边界的最优有理多项式与超细群结合的共振算法 | |
CN109586333B (zh) | 一种风电功率波动特性的评价方法 | |
CN117494063B (zh) | 新型电力系统下企业碳排放监测方法 |
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 |