CN112800114A - 无组织排放源识别方法、装置、存储介质及设备 - Google Patents
无组织排放源识别方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN112800114A CN112800114A CN202110342757.9A CN202110342757A CN112800114A CN 112800114 A CN112800114 A CN 112800114A CN 202110342757 A CN202110342757 A CN 202110342757A CN 112800114 A CN112800114 A CN 112800114A
- Authority
- CN
- China
- Prior art keywords
- unorganized
- data
- source
- emission source
- emission
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 150
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 75
- 231100000719 pollutant Toxicity 0.000 claims abstract description 75
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000012806 monitoring device Methods 0.000 claims description 53
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 238000005259 measurement Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 6
- 239000002699 waste material Substances 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000003723 Smelting Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
Abstract
本申请公开了一种无组织排放源识别方法、装置、存储介质及设备,属于污染监控技术领域。所述方法包括:获取监控区域内有组织排放源排放的污染物的分布数据;获取所述监控区域内潜在的无组织排放源;获取所述潜在的无组织排放源所在位置的第一污染物监测数据;根据所述分布数据和所述第一污染物监测数据,从所述潜在的无组织排放源中识别出真正的无组织排放源。本申请能够精确定位无组织排放源,并对无组织排放源进行排放监控。
Description
技术领域
本申请实施例涉及污染监控技术领域,特别涉及一种无组织排放源识别方法、装置、存储介质及设备。
背景技术
大型工业园区(例如钢铁厂)的污染排放历来是大气污染的重要来源,针对此类污染源的排放监测亦是环境监测的一个重要组成部分。此类污染源包括有组织排放源与无组织排放源,其中,有组织排放源是指已知并可以定位源头的污染排放源(例如某车间某烟囱的排放源),无组织排放源是指不能准确定位源头、难于监测的污染排放源(例如工厂内车辆道路扬尘、车间散逸的污染)。
在监控有组织排放源时,监控人员可以根据厂区内生产工艺流程、厂区布局的信息预先定位有组织排放源,再在有组织排放源的点位处安装监测设备,通过监测设备对有组织排放源进行排放监控。在监控无组织排放源时,由于无法定位无组织排放源的点位,所以,监控人员可以在厂区边界处以一定密度安装监测设备,通过监测设备监控厂区对外界的污染浓度。
虽然可以监控厂区对外界的污染浓度,但是,监控人员仍然无法识别出无组织污染源,从而无法精确定位无组织排放源并进行排放监控。
发明内容
本申请实施例提供了一种无组织排放源识别方法、装置、存储介质及设备,用于解决无法识别出无组织排放源,从而无法精确定位无组织排放源并进行排放监控的问题。所述技术方案如下:
一方面,提供了一种无组织排放源识别方法,所述方法包括:
获取监控区域内有组织排放源排放的污染物的分布数据;
获取所述监控区域内潜在的无组织排放源;
获取所述潜在的无组织排放源所在位置的第一污染物监测数据;
根据所述分布数据和所述第一污染物监测数据,从所述潜在的无组织排放源中识别出真正的无组织排放源。
在一种可能的实现方式中,所述根据所述分布数据和所述第一污染物监测数据,从所述潜在的无组织排放源中识别出真正的无组织排放源,包括:
将每个位置的第一污染物监测数据分别减去背景点位的第二污染物监测数据,得到监测数据差;
比较同一位置的监测数据差和分布数据;
若存在大于所述分布数据的监测数据差,则将所述监测数据差对应的潜在的无组织排放源确定为异常排放源;
根据所述异常排放源对应的监测数据差识别所述真正的无组织排放源。
在一种可能的实现方式中,所述根据所述异常排放源对应的监测数据差识别所述真正的无组织排放源,包括:
获取气象模式数据和所述异常排放源所在位置的第一气象测量数据;
利用前向轨迹模型对所述监测数据差、所述气象模式数据和所述第一气象测量数据进行计算,得到污染来源路径;
若存在与所述污染来源路径相重合的异常排放源,则对所述异常排放源进行标记;
对标记的异常排放源进行实地验证,在验证通过后将所述异常排放源确定为所述真正的无组织排放源。
在一种可能的实现方式中,所述获取所述监控区域内潜在的无组织排放源,包括:
获取卫星遥感数据,所述卫星遥感数据包括卫星遥感影像和卫星遥感地表温度;
从所述卫星遥感影像中识别特定类型的建筑对象,所述特定类型为无组织排放源所属的类型;
根据所述卫星遥感地表温度从所述建筑对象中筛选废弃的建筑对象;
将除所述废弃的建筑对象之外的建筑对象确定为所述潜在的无组织排放源。
在一种可能的实现方式中,所述获取监控区域内有组织排放源排放的污染物的分布数据,包括:
获取气象模式数据、所述有组织排放源所在位置的第三污染物监测数据和第二气象测量数据、所述有组织排放源的源强数据;
利用后向轨迹模型对所述气象模式数据、所述第三污染物监测数据减去背景点位的第二污染物监测数据得到的差值、所述第二气象测量数据和所述源强数据进行计算,得到所述分布数据。
在一种可能的实现方式中,所述方法还包括:
从非监控区域内选择背景点位,从所述监控区域内选择m个有组织排放源和n个潜在的无组织排放源,所述m和n为正整数;
确定在所述背景点位、所述m个有组织排放源和所述n个潜在的无组织排放源所在位置分别安装固定监测设备;
确定在所述监控区域内安装的可移动监测设备的移动路径,所述可移动监测设备用于根据所述移动路径周期性移动至剩余有组织排放源和剩余潜在的无组织排放源所在位置。
在一种可能的实现方式中,所述从所述监控区域内选择m个有组织排放源和n个潜在的无组织排放源,包括:
根据所述固定监测设备的剩余数量和预设分配比例,确定为所述有组织排放源分配的固定监测设备的第一数量m和为所述潜在的无组织排放源分配的固定监测设备的第二数量n;
根据各个有组织排放源的位置和污染物排放量,从所述有组织排放源中选择m个有组织排放源;
根据各个潜在的无组织排放源的位置、面积和重要性,从所述潜在的无组织排放源中选择n个潜在的无组织排放源。
一方面,提供了一种无组织排放源识别装置,所述装置包括:
获取模块,用于获取监控区域内有组织排放源排放的污染物的分布数据;
所述获取模块,还用于获取所述监控区域内潜在的无组织排放源;
所述获取模块,还用于获取所述潜在的无组织排放源所在位置的第一污染物监测数据;
识别模块,用于根据所述分布数据和所述第一污染物监测数据,从所述潜在的无组织排放源中识别出真正的无组织排放源。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如上所述的无组织排放源识别方法。
一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行以实现如上所述的无组织排放源识别方法。
本申请实施例提供的技术方案的有益效果至少包括:
通过获取监控区域内有组织排放源排放的污染物的分布数据,再获取潜在的无组织排放源所在位置的第一污染物监测数据,这样,就可以根据分布数据和第一污染物监测数据,从潜在的无组织排放源中识别出真正的无组织排放源,从而能够精确定位无组织排放源,并对无组织排放源进行排放监控。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的无组织排放源识别方法的方法流程图;
图2是本申请一个实施例提供的监控区域内的监测设备的分布图;
图3是本申请另一实施例提供的无组织排放源识别方法的方法流程图;
图4是本申请一个实施例提供的无组织排放源识别装置的结构框图;
图5是本申请另一实施例提供的无组织排放源识别装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1,其示出了本申请一个实施例提供的无组织排放源识别方法的方法流程图,该无组织排放源识别方法可以应用于计算机设备中。该无组织排放源识别方法,可以包括:
步骤101,获取监控区域内有组织排放源排放的污染物的分布数据。
其中,监控区域可以是需要监控污染物的排放的厂区,例如钢铁厂等等,本实施例不作限定。
本实施例中,计算机设备可以先识别监控区域内的有组织排放源,再对这些有组织排放源排放的污染物生成分布数据。其中,有组织排放源可以是发电站、储藏罐、烟囱、车间厂房等。
有组织排放源的识别方法至少包括以下三种,下面分别对这三种识别方法进行说明。
第一种识别方法,用户可以在卫星遥感影像中人工标注有组织排放源,计算机设备获取人工标注后产生的标注信息,根据这些标注信息识别有组织排放源。
第二种识别方法,用户可以在卫星遥感影像中标注部分有组织排放源,计算机设备获取人工标注后产生的标注信息,将这些标注信息和卫星遥感影像输入机器学习算法中,通过机器学习算法从卫星遥感影像中识别有组织排放源。
第三种识别方法,计算机设备可以获取有组织排放源所属的建筑类型,通过机器学习算法在卫星遥感影像中识别属于该建筑类型的建筑对象,将该建筑对象识别为有组织排放源。
在得到有组织排放源之后,计算机设备还可以获取每个有组织排放源的位置信息,本实施例中以有组织排放源的中心点和形状轮廓来表示其位置信息。可选的,当有组织排放源为烟囱等高架源时,计算机设备还可以获取该有组织排放源的高度信息。
在得到有组织排放源之后,计算机设备还可以为每个有组织排放源分配源标识。例如,计算机设备共识别出N个有组织排放源,则可以分配PSO_1至PSO_N的源标识。其中,PSO表示PollutionSouceOrganized。
计算机设备还可以获取监控区域的污染源清单数据、互联网企业信息数据和人工实地考察数据,根据这些数据获取有组织排放源的排放数据,生成包括源标识、位置信息、高度信息和排放数据的污染源档案。或者,计算机设备还可以将识别的建筑类型与工艺流程-排放污染物类型进行关联,以建立污染源档案。
请参考表一,表一中示出了两个有组织排放源的污染源档案。
表一
源标识 | 污染源类型 | 是否为高架源 | 中心点 | 形状轮廓 | 归属企业 | 工艺类型 | 排放方式 | 排放高度 | 主要排放污染物 | VOC小时排放量 | PM10小时排放量 | SO2小时排放量 | NO2小时排放量 |
PSO_1 | 面源 | 否 | 114.13.40.641 | (114.123.40) | xx冶钢 | 污泥球车间 | 车间扩散 | 4m | PM10 | 100 | |||
PSO_2 | 点源 | 否 | 114.122.40.6430 | (114.123.40) | xx冶钢 | 冶铁车间 | 排烟口 | 10m | SO2\VOC | 150 | 200 |
本实施例中,部分有组织排放源所在位置安装有固定监测设备,部分有组织排放源所在位置未安装固定监测设备。对于安装有固定监测设备的有组织排放源,计算机设备获取其对应的固定监测设备测得的第三污染物监测数据;对于未安装固定监测设备的有组织排放源,计算机设备从污染源档案中获取其排放数据;最后,计算机设备根据获取到全部或部分的第三污染源监测数据和排放数据生成分布数据,具体生成方法详见下文中的描述,此处不作赘述。
步骤102,获取监控区域内潜在的无组织排放源。
潜在的无组织排放源可以是开放式的原料堆集区域、道路、车间等,本实施例不作限定。其中,潜在的无组织排放源的获取方法详见下文中的描述,此处不作赘述。
在得到潜在的无组织排放源之后,计算机设备可以为每个潜在的无组织排放源分配源标识。例如,计算机设备共识别出M个潜在的无组织排放源,则可以分配PSNO_1至PSNO_M的源标识。其中,PSNO表示PollutionSouceNonOrganized。
步骤103,获取潜在的无组织排放源所在位置的第一污染物监测数据。
其中,第一污染物监测数据是通过监测设备测量得到的。
步骤104,根据分布数据和第一污染物监测数据,从潜在的无组织排放源中识别出真正的无组织排放源。
综上所述,本申请实施例提供的无组织排放源识别方法,通过获取监控区域内有组织排放源排放的污染物的分布数据,再获取潜在的无组织排放源所在位置的第一污染物监测数据,这样,就可以根据分布数据和第一污染物监测数据,从潜在的无组织排放源中识别出真正的无组织排放源,从而能够精确定位无组织排放源,并对无组织排放源进行排放监控。
可选的,在获取到有组织排放源和潜在的无组织排放源的位置信息之后,监控人员可以根据这些位置信息在监控区域内安装监测设备,以通过监测设备来监测污染物的排放。在第一种实现方式中,监控人员可以在每个有组织排放源和每个潜在的无组织排放源所在位置分别安装一个固定监测设备,这样,每个固定监测设备都可以监测其对应的一个排放源所排放的污染物。然而这种实现方式需要较高的成本,为了降低成本,在第二种实现方式中,监控人员可以在部分有组织排放源和部分潜在的无组织排放源所在位置分别安装一个固定监测设备,再在监控区域内安装多个可移动监测设备,这样,每个固定监测设备都可以监测其对应的一个排放源所排放的污染物,每个可移动监测设备都可以通过移动来监测多个排放源所排放的污染物,即多个排放源共用同一个可移动监测设备。
若采用第二种实现方式来安装监测设备,则计算机设备需要从非监控区域内选择背景点位,从监控区域内选择m个有组织排放源和n个潜在的无组织排放源,m和n为正整数;确定在背景点位、m个有组织排放源和n个潜在的无组织排放源所在位置分别安装固定监测设备;确定在监控区域内安装的可移动监测设备的移动路径,可移动监测设备用于根据移动路径周期性移动至剩余有组织排放源和剩余潜在的无组织排放源所在位置。其中,背景点位位于监控区域附近的非监控区域内的无排放源位置,例如厂区临近的非工业区。
具体的,从监控区域内选择m个有组织排放源和n个潜在的无组织排放源,可以包括以下几个步骤:
1、根据固定监测设备的剩余数量和预设分配比例,确定为有组织排放源分配的固定监测设备的第一数量m和为潜在的无组织排放源分配的固定监测设备的第二数量n。
计算机设备需要将固定监测设备的总数减去背景点位处安装的固定监测设备的数量,得到剩余数量。
预设分配比例可以是计算机设备中预先设置的。比如,预设分配比例为1:1,则第一数量m和第二数量n相等。
2、根据各个有组织排放源的位置和污染物排放量,从有组织排放源中选择m个有组织排放源。
计算机设备可以按照以下原则选择m个有组织排放源:1)优先选择污染物排放量多的有组织排放源;2)优先选择相互之间距离大于距离阈值的有组织排放源,即优先选择远离1)中已选的有组织排放源的其他有组织排放源;最终选择m个有组织排放源。
需要说明的是,若存在缺失排放数据,或者,手工监测值常接近或超出排放限值的有组织排放源,则需要对该有组织排放源加装移动监测设备。
3、根据各个潜在的无组织排放源的位置、面积和重要性,从潜在的无组织排放源中选择n个潜在的无组织排放源。
计算机设备可以按照以下原则选择n个潜在的无组织排放源:1)潜在的无组织排放源与已选的有组织排放源之间的距离大于距离阈值,即优先选择远离2中已选的有组织排放源的潜在的无组织排放源;2)潜在的无组织排放源的面积大于预定面积阈值,即优先选择面积大的潜在的无组织排放源;3)实地考察时标记的重要的潜在的无组织排放源,即优先选择人工实地考察时认为需要重点观测的潜在的无组织排放源。
在确定了背景点位、m个有组织排放源和n个潜在的无组织排放源之后,计算机设备可以指示监控人员在这些位置分别安装一个固定监测设备。
另外,监控人员还需要在监控区域内安装可移动监测设备,这里所说的可移动监测设备可以是便携式监测设备,也可以是移动监测设备。对于便携式监测设备,监控人员可以按照计算机设备生成的移动路径,定期将便携式监测设备转移到其他排放源所在的位置进行监测;对于移动监测设备,计算机设备可以控制移动监测设备按照移动路径进行移动,以转移到其他排放源所在的位置进行监测。
请参考图2所示的监控区域内的监测设备的分布图,其中,五边形表示监控区域,五角星表示有组织排放源,四角星表示潜在的无组织排放源,实心圆表示固定监测设备,空心圆表示可移动监测设备。
请参考图3,其示出了本申请一个实施例提供的无组织排放源识别方法的方法流程图,该无组织排放源识别方法可以应用于计算机设备中。该无组织排放源识别方法,可以包括:
步骤301,获取气象模式数据、有组织排放源所在位置的第三污染物监测数据和第二气象测量数据、有组织排放源的源强数据。
气象模式数据可以是WRF(Weather Research and Forecasting Model)模式的数据。
第三污染物监测数据和第二气象测量数据是通过监测设备测得的数据,该监测设备可以是固定监测设备或可移动监测设备。其中,第二气象测量数据可以包括风向、风速、温度、湿度等。
源强数据可以是从污染源档案中获得的数据,也可以是监测设备测得的数据。
步骤302,利用后向轨迹模型对气象模式数据、第三污染物监测数据减去背景点位的第二污染物监测数据得到的差值、第二气象测量数据和源强数据进行计算,得到分布数据。
其中,后向轨迹模型可以是CALPUFF或同类模型,本实施例不作限定。
计算机设备可以先将第三污染物监测数据减去背景点位的第二污染物监测数据以得到差值,再将气象模式数据、差值、第二气象测量数据和源强数据输入后向轨迹模型中,将后向轨迹模型输出的计算结果确定为三维的分布数据。
步骤303,获取监控区域内潜在的无组织排放源。
具体的,获取监控区域内潜在的无组织排放源,可以包括以下几个步骤:
1、获取卫星遥感数据,该卫星遥感数据包括卫星遥感影像和卫星遥感地表温度。
2、从卫星遥感影像中识别特定类型的建筑对象,特定类型为无组织排放源所属的类型。
建筑对象的识别方法至少包括以下三种,下面分别对这三种识别方法进行说明。
第一种识别方法,用户可以在卫星遥感影像中人工标注特定类型的建筑对象,计算机设备获取人工标注后产生的标注信息,根据这些标注信息识别特定类型的建筑对象。
第二种识别方法,用户可以在卫星遥感影像中标注部分特定类型的建筑对象,计算机设备获取人工标注后产生的标注信息,将这些标注信息和卫星遥感影像输入机器学习算法中,通过机器学习算法从卫星遥感影像中识别特定类型的建筑对象。
第三种识别方法,计算机设备可以获取建筑对象所属的建筑类型,通过机器学习算法在卫星遥感影像中识别属于该建筑类型的建筑对象。
3、根据卫星遥感地表温度从建筑对象中筛选废弃的建筑对象。
由于污染物通常是生产时产生的,而生产会产生热量,所以,潜在的无组织排放源应该是具有一定温度的建筑对象。这样,计算机设备可以根据卫星遥感地表温度剔除废弃的建筑对象。
4、将除废弃的建筑对象之外的建筑对象确定为潜在的无组织排放源。
计算机设备将未被剔除的建筑对象确定为潜在的无组织排放源。
可选的,在确定了潜在的无组织排放源之后,监控人员还可以对这些潜在的无组织排放源进行实地验证,在验证通过后确定潜在的无组织排放源。
步骤304,获取潜在的无组织排放源所在位置的第一污染物监测数据。
计算机设备可以从固定监测设备或可移动监测设备获取第一污染物监测数据。
步骤305,将每个位置的第一污染物监测数据分别减去背景点位的第二污染物监测数据,得到监测数据差。
步骤306,比较同一位置的监测数据差和分布数据。
步骤307,若存在大于分布数据的监测数据差,则将监测数据差对应的潜在的无组织排放源确定为异常排放源。
步骤308,根据异常排放源对应的监测数据差识别真正的无组织排放源。
其中,计算机设备可以汇总步骤307中得到的所有异常排放源,并根据其中的全部或部分异常排放源对应的监测数据差识别真正的无组织排放源。若需要根据部分异常排放源对应的监测数据差识别真正的无组织排放源,计算机设备还需要在执行步骤308之前,根据预定规则从所有异常排放源中选择部分异常排放源,本实施例不对该预定规则作限定。
具体的,根据异常排放源对应的监测数据差识别真正的无组织排放源,可以包括以下几个步骤:
1、获取气象模式数据和异常排放源所在位置的第一气象测量数据。
气象模式数据可以是WRF模式的数据。
第二气象测量数据是通过监测设备测得的数据,该监测设备可以是固定监测设备或可移动监测设备。
2、利用前向轨迹模型对监测数据差、气象模式数据和第一气象测量数据进行计算,得到污染来源路径。
其中,前向轨迹模型可以是HYSPLIT或同类模型,本实施例不作限定。
计算机设备可以将监测数据差、气象模式数据和第一气象测量数据输入前向轨迹模型中,将前向轨迹模型输出的计算结果确定为污染来源路径。
3、若存在与污染来源路径相重合的异常排放源,则对异常排放源进行标记。
如果某一个异常排放源与污染来源路径相重合,则说明该异常排放源可能是无组织排放源,计算机设备可以对其进行标记。
4、对标记的异常排放源进行实地验证,在验证通过后将异常排放源确定为真正的无组织排放源。
综上所述,本申请实施例提供的无组织排放源识别方法,通过获取监控区域内有组织排放源排放的污染物的分布数据,再获取潜在的无组织排放源所在位置的第一污染物监测数据,这样,就可以根据分布数据和第一污染物监测数据,从潜在的无组织排放源中识别出真正的无组织排放源,从而能够精确定位无组织排放源,并对无组织排放源进行排放监控。
请参考图4,其示出了本申请一个实施例提供的无组织排放源识别装置的结构框图,该无组织排放源识别装置可以应用于计算机设备中。该无组织排放源识别装置,可以包括:
获取模块410,用于获取监控区域内有组织排放源排放的污染物的分布数据;
获取模块410,还用于获取监控区域内潜在的无组织排放源;
获取模块410,还用于获取潜在的无组织排放源所在位置的第一污染物监测数据;
识别模块420,用于根据分布数据和第一污染物监测数据,从潜在的无组织排放源中识别出真正的无组织排放源。
在一个可选的实施例中,识别模块420,还用于:
将每个位置的第一污染物监测数据分别减去背景点位的第二污染物监测数据,得到监测数据差;
比较同一位置的监测数据差和分布数据;
若存在大于分布数据的监测数据差,则将监测数据差对应的潜在的无组织排放源确定为异常排放源;
根据异常排放源对应的监测数据差识别真正的无组织排放源。
在一个可选的实施例中,识别模块420,还用于:
获取气象模式数据和异常排放源所在位置的第一气象测量数据;
利用前向轨迹模型对监测数据差、气象模式数据和第一气象测量数据进行计算,得到污染来源路径;
若存在与污染来源路径相重合的异常排放源,则对异常排放源进行标记;
对标记的异常排放源进行实地验证,在验证通过后将异常排放源确定为真正的无组织排放源。
在一个可选的实施例中,获取模块410,还用于:
获取卫星遥感数据,卫星遥感数据包括卫星遥感影像和卫星遥感地表温度;
从卫星遥感影像中识别特定类型的建筑对象,特定类型为无组织排放源所属的类型;
根据卫星遥感地表温度从建筑对象中筛选废弃的建筑对象;
将除废弃的建筑对象之外的建筑对象确定为潜在的无组织排放源。
在一个可选的实施例中,获取模块410,还用于:
获取气象模式数据、有组织排放源所在位置的第三污染物监测数据和第二气象测量数据、有组织排放源的源强数据;
利用后向轨迹模型对气象模式数据、第三污染物监测数据减去背景点位的第二污染物监测数据得到的差值、第二气象测量数据和源强数据进行计算,得到分布数据。
请参考图5,在一个可选的实施例中,该装置还包括:
选择模块430,用于从非监控区域内选择背景点位,从监控区域内选择m个有组织排放源和n个潜在的无组织排放源,m和n为正整数;
确定模块440,用于确定在背景点位、m个有组织排放源和n个潜在的无组织排放源所在位置分别安装固定监测设备;
确定模块440,还用于确定在监控区域内安装的可移动监测设备的移动路径,可移动监测设备用于根据移动路径周期性移动至剩余有组织排放源和剩余潜在的无组织排放源所在位置。
在一个可选的实施例中,选择模块430,还用于:
根据固定监测设备的剩余数量和预设分配比例,确定为有组织排放源分配的固定监测设备的第一数量m和为潜在的无组织排放源分配的固定监测设备的第二数量n;
根据各个有组织排放源的位置和污染物排放量,从有组织排放源中选择m个有组织排放源;
根据各个潜在的无组织排放源的位置、面积和重要性,从潜在的无组织排放源中选择n个潜在的无组织排放源。
综上所述,本申请实施例提供的无组织排放源识别装置,通过获取监控区域内有组织排放源排放的污染物的分布数据,再获取潜在的无组织排放源所在位置的第一污染物监测数据,这样,就可以根据分布数据和第一污染物监测数据,从潜在的无组织排放源中识别出真正的无组织排放源,从而能够精确定位无组织排放源,并对无组织排放源进行排放监控。
本申请一个实施例提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如上所述的无组织排放源识别方法。
本申请一个实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行以实现如上所述的无组织排放源识别方法。
需要说明的是:上述实施例提供的无组织排放源识别装置在进行无组织排放源识别时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将无组织排放源识别装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的无组织排放源识别装置与无组织排放源识别方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述并不用以限制本申请实施例,凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请实施例的保护范围之内。
Claims (10)
1.一种无组织排放源识别方法,其特征在于,所述方法包括:
获取监控区域内有组织排放源排放的污染物的分布数据;
获取所述监控区域内潜在的无组织排放源;
获取所述潜在的无组织排放源所在位置的第一污染物监测数据;
根据所述分布数据和所述第一污染物监测数据,从所述潜在的无组织排放源中识别出真正的无组织排放源。
2.根据权利要求1所述的方法,其特征在于,所述根据所述分布数据和所述第一污染物监测数据,从所述潜在的无组织排放源中识别出真正的无组织排放源,包括:
将每个位置的第一污染物监测数据分别减去背景点位的第二污染物监测数据,得到监测数据差;
比较同一位置的监测数据差和分布数据;
若存在大于所述分布数据的监测数据差,则将所述监测数据差对应的潜在的无组织排放源确定为异常排放源;
根据所述异常排放源对应的监测数据差识别所述真正的无组织排放源。
3.根据权利要求2所述的方法,其特征在于,所述根据所述异常排放源对应的监测数据差识别所述真正的无组织排放源,包括:
获取气象模式数据和所述异常排放源所在位置的第一气象测量数据;
利用前向轨迹模型对所述监测数据差、所述气象模式数据和所述第一气象测量数据进行计算,得到污染来源路径;
若存在与所述污染来源路径相重合的异常排放源,则对所述异常排放源进行标记;
对标记的异常排放源进行实地验证,在验证通过后将所述异常排放源确定为所述真正的无组织排放源。
4.根据权利要求1所述的方法,其特征在于,所述获取所述监控区域内潜在的无组织排放源,包括:
获取卫星遥感数据,所述卫星遥感数据包括卫星遥感影像和卫星遥感地表温度;
从所述卫星遥感影像中识别特定类型的建筑对象,所述特定类型为无组织排放源所属的类型;
根据所述卫星遥感地表温度从所述建筑对象中筛选废弃的建筑对象;
将除所述废弃的建筑对象之外的建筑对象确定为所述潜在的无组织排放源。
5.根据权利要求1所述的方法,其特征在于,所述获取监控区域内有组织排放源排放的污染物的分布数据,包括:
获取气象模式数据、所述有组织排放源所在位置的第三污染物监测数据和第二气象测量数据、所述有组织排放源的源强数据;
利用后向轨迹模型对所述气象模式数据、所述第三污染物监测数据减去背景点位的第二污染物监测数据得到的差值、所述第二气象测量数据和所述源强数据进行计算,得到所述分布数据。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述方法还包括:
从非监控区域内选择背景点位,从所述监控区域内选择m个有组织排放源和n个潜在的无组织排放源,所述m和n为正整数;
确定在所述背景点位、所述m个有组织排放源和所述n个潜在的无组织排放源所在位置分别安装固定监测设备;
确定在所述监控区域内安装的可移动监测设备的移动路径,所述可移动监测设备用于根据所述移动路径周期性移动至剩余有组织排放源和剩余潜在的无组织排放源所在位置。
7.根据权利要求6所述的方法,其特征在于,所述从所述监控区域内选择m个有组织排放源和n个潜在的无组织排放源,包括:
根据所述固定监测设备的剩余数量和预设分配比例,确定为所述有组织排放源分配的固定监测设备的第一数量m和为所述潜在的无组织排放源分配的固定监测设备的第二数量n;
根据各个有组织排放源的位置和污染物排放量,从所述有组织排放源中选择m个有组织排放源;
根据各个潜在的无组织排放源的位置、面积和重要性,从所述潜在的无组织排放源中选择n个潜在的无组织排放源。
8.一种无组织排放源识别装置,其特征在于,所述装置包括:
获取模块,用于获取监控区域内有组织排放源排放的污染物的分布数据;
所述获取模块,还用于获取所述监控区域内潜在的无组织排放源;
所述获取模块,还用于获取所述潜在的无组织排放源所在位置的第一污染物监测数据;
识别模块,用于根据所述分布数据和所述第一污染物监测数据,从所述潜在的无组织排放源中识别出真正的无组织排放源。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至7任一所述的无组织排放源识别方法。
10.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行以实现如权利要求1至7任一所述的无组织排放源识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110342757.9A CN112800114B (zh) | 2021-03-30 | 2021-03-30 | 无组织排放源识别方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110342757.9A CN112800114B (zh) | 2021-03-30 | 2021-03-30 | 无组织排放源识别方法、装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800114A true CN112800114A (zh) | 2021-05-14 |
CN112800114B CN112800114B (zh) | 2021-07-27 |
Family
ID=75816023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110342757.9A Active CN112800114B (zh) | 2021-03-30 | 2021-03-30 | 无组织排放源识别方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800114B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796034A (zh) * | 2022-12-01 | 2023-03-14 | 信阳师范学院 | 一种基于机器学习和数值模式的道路扬尘贡献评估系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6415979B1 (en) * | 1999-03-08 | 2002-07-09 | Snc-Lavalin Environment Inc. | Method and apparatus for identifying and recording values associated with plant equipment inspection used in managing fugitive emissions |
CN105404955A (zh) * | 2015-10-27 | 2016-03-16 | 中日友好环境保护中心 | 一种确定化工园区环境健康风险防护距离的方法 |
CN107871210A (zh) * | 2017-11-03 | 2018-04-03 | 南开大学 | 一种大气环境容量核算方法 |
-
2021
- 2021-03-30 CN CN202110342757.9A patent/CN112800114B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6415979B1 (en) * | 1999-03-08 | 2002-07-09 | Snc-Lavalin Environment Inc. | Method and apparatus for identifying and recording values associated with plant equipment inspection used in managing fugitive emissions |
CN105404955A (zh) * | 2015-10-27 | 2016-03-16 | 中日友好环境保护中心 | 一种确定化工园区环境健康风险防护距离的方法 |
CN107871210A (zh) * | 2017-11-03 | 2018-04-03 | 南开大学 | 一种大气环境容量核算方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796034A (zh) * | 2022-12-01 | 2023-03-14 | 信阳师范学院 | 一种基于机器学习和数值模式的道路扬尘贡献评估系统和方法 |
CN115796034B (zh) * | 2022-12-01 | 2024-01-30 | 信阳师范学院 | 基于机器学习和数值模式的道路扬尘贡献评估系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112800114B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113138865A (zh) | 环境监测方法、系统、平台以及存储介质 | |
CN111985567A (zh) | 一种基于机器学习的污染源类型自动识别方法 | |
CN115358332A (zh) | 面向多源数据的大气污染溯源方法 | |
CN111157688B (zh) | 评价污染源对空气质量监测站影响的方法和装置 | |
CN114359002A (zh) | 基于移动监测趋势挖掘的大气污染小尺度溯源方法及系统 | |
CN112800114B (zh) | 无组织排放源识别方法、装置、存储介质及设备 | |
CN109781945B (zh) | 一种基于移动装置的污染物区域间传输排查方法与系统 | |
CN115964545A (zh) | 一种基于运渣车轨迹点推断污染点位的方法 | |
CN114218976B (zh) | 臭氧前体物高值区精细化排放源追溯定位方法和系统 | |
CN112669190B (zh) | 污染源异常排放行为的检测方法、装置及计算机设备 | |
CN114329245A (zh) | 一种空气污染的溯源方法、装置、服务器及存储介质 | |
CN111476504A (zh) | 一种基于修复效率的精细化场地调查方法 | |
CN108414690A (zh) | 一种参数确定方法及其相关设备 | |
CN116307268B (zh) | 一种基于污染场地修复过程中的碳排放预测方法及系统 | |
CN116626233A (zh) | 基于多源数据融合的大气污染溯源方法、终端及存储介质 | |
CN117058549B (zh) | 一种多行业二次污染动态来源解析系统及解析方法 | |
CN117871790B (zh) | 基于多种数据融合的路边监测站数据分析和交通溯源方法 | |
CN109213840B (zh) | 基于多维特征深度学习的热点网格识别方法 | |
CN116228501B (zh) | 排污超标区域行业确定方法、装置、存储介质及电子设备 | |
KR101897769B1 (ko) | 대기 오염 모니터링 방법 및 대기 오염 모니터링 서버 | |
CN110555586B (zh) | 一种基于热点网格的生态监测方法及装置 | |
CN117312784A (zh) | 一种基于受体模型和大数据联用的污染源溯源方法 | |
CN115455814B (zh) | 基于深度学习的污染源查找及污染物分布预测方法及系统 | |
CN115290525A (zh) | 一种基于实测的大气颗粒物污染快速溯源方法 | |
CN113378380A (zh) | 一种基于数值模拟的地下水中污染物溯源方法 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100071 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Patentee after: Beijing Yingshi Ruida Technology Co.,Ltd. Address before: 100071 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Patentee before: BEIJING INSIGHTS VALUE TECHNOLOGY Co.,Ltd. |