CN112924619A - 一种提取环境空气污染特征方法、系统、终端及存储介质 - Google Patents
一种提取环境空气污染特征方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN112924619A CN112924619A CN202110053985.4A CN202110053985A CN112924619A CN 112924619 A CN112924619 A CN 112924619A CN 202110053985 A CN202110053985 A CN 202110053985A CN 112924619 A CN112924619 A CN 112924619A
- Authority
- CN
- China
- Prior art keywords
- sequence
- time
- ambient air
- pollution
- value
- 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
- 230000007613 environmental effect Effects 0.000 title claims abstract description 50
- 238000003915 air pollution Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 71
- 239000012080 ambient air Substances 0.000 claims abstract description 60
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 18
- 231100000719 pollutant Toxicity 0.000 claims abstract description 18
- 239000003570 air Substances 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011109 contamination Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation 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
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
-
- 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, e.g. intermittent, or the display, e.g. digital
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a threshold to release an alarm or displaying means
- G01N33/0065—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a threshold to release an alarm or displaying means using more than one threshold
-
- G01N33/0068—
-
- 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
Abstract
本发明涉及提取环境空气污染特征方法，包括以下步骤：采集待分析环境空气监测站以及分布在其周围的不同方位上的至少三个环境空气监测站的一设定污染物指标，并取均值；计算待分析环境空气监测站在多个时间节点获取的该污染物指标与均值的差值，形成残差序列；对残差序列进行一定时间长度的滑动均值计算，获取残差序列滑动平均后的序列均值；计算一定时间长度内的序列均值的时间均值，根据时间均值计算其上限mσ值和下限mσ值；本方法通过对比待分析环境空气监测站与周边环境空气监测站之间的差异，提取出待分析环境空气监测站的个性特征，进一步的分析个性特征的时间规律，达到精准指导决策者针对周边环境空气污染进行治理的目的。
Description
技术领域
本发明涉及空气污染特征提取技术领域，更具体地说，涉及一种提取环境空气污染特征方法、系统、终端及存储介质。
背景技术
环境空气质量是关乎人民健康的重要条件，一个区域的环境空气质量通常以环境空气监测站的数据为基准，环境空气监测站可以包括国控站、省控站等标准监测站，以及基于传感器技术的微型监测站。
空气污染往往包含两部分的污染来源，一部分是大区域本底的污染，即环境空气监测站所在的大区域范围内，受该区域地貌、气候、扩散条件、主要工业活动等因素影响而形成的共性污染特征；这个大区域范围内往往包含了多个环境空气监测站，这些环境空气监测站共同观测大区域本底值的共性污染特征。另一部分来自于某个环境空气监测站周边较小范围内的污染，可认为是直接作用于该监测站，而对大区域内其他监测站没有影响或者影响很小；这部分小时空尺度的污染属于环境空气监测站所在局部位置的个性特征。
环境空气污染的治理也分为两个方面，大区域的污染治理需要各个行政区域的共同努力去完成，治理过程较为漫长；而环境空气监测站周边小范围内的污染治理更加便捷，对于目标站点环境空气质量的改善更加直观，当然也有利于大区域环境空气质量的改善；因此，环境空气污染的治理应着眼于环境空气监测站周边污染的治理，即目标监测站周边小区域范围内污染个性特征的治理。
因此环境空气监测站个性污染特征的提取变得尤为重要，这是指导环境空气治理的基础，目前的污染特征提取方法仅针对自身站点进行污染特征提取，不能区别出大区域的共性污染和本站点的个性污染，不能区别出监测站周边污染的特性，也就不能有效的指导决策者进行治理决策，需要一种针对环境空气监测站点周边小区域个性污染特征的计算方法，以指导对监测站周边环境污染的治理。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种提取环境空气污染特征方法，还提供了一种提取环境空气污染特征系统、一种提取环境空气污染特征终端及存储介质。
本发明解决其技术问题所采用的技术方案是：
构造一种提取环境空气污染特征方法，其中，包括以下步骤：
第一步：在一设定时间范围内按设定的多个时间节点采集待分析环境空气监测站以及分布在其周围的不同方位上的至少三个环境空气监测站的一设定污染物指标，并取均值；
第二步：计算待分析环境空气监测站在多个时间节点获取的该污染物指标与均值的差值，形成残差序列；
第三步：对残差序列进行一定时间长度的滑动均值计算，获取残差序列滑动平均后的序列均值；
第四步：计算一定时间长度内的序列均值的时间均值，根据时间均值计算其上限mσ值和下限mσ值。
第五步：根据序列均值、时间均值、上限mσ值和下限mσ值制作折线图。
本发明所述的提取环境空气污染特征方法，其中，还包括方法：将残差序列按照一设定时间长度分成多列数据。
本发明所述的提取环境空气污染特征方法，其中，所述第一步中进行均值
计算的计算公式为：
其中，待分析环境空气监测站编号为O，环境空气监测站的数量为n，Ci(t) 为环境空气监测站i的污染物指标在t时刻的值。
本发明所述的提取环境空气污染特征方法，其中，所述第二步中进行差值计算的公式为：
其中，C0(t)为待分析环境空气监测站的t时刻的污染物指标。
本发明所述的提取环境空气污染特征方法，其中，所述第三步中序列均值计算公式为：
其中，K为设定的时间长度，i为时间点，t为时刻。
本发明所述的提取环境空气污染特征方法，其中，所述第四步中时间均值 a1的计算公式为：
上限mσ值a2和下限mσ值a3的计算公式分别为：
其中，t0代表某整点时刻，N为整数，i为时间点。
本发明所述的提取环境空气污染特征方法，其中，还包括方法：基于残差序列M(t)，在频域上针对不同时间尺度的污染活动进行分析，并且评估不同时间尺度污染活动对本地区的污染贡献占比：
频域序列FM(f)为M(t)的离散傅里叶变换，可用快速傅里叶变换实现；N为残差序列M(t)的长度；当N＝2p时，频域序列FM(f)包含的离散频点
当N＝2p+1时,频域序列FM(f)包含的离散频点
M(t)的采样间隔为ΔT，频域序列FM(f)的分辨率
若频点f1,f2属于频域序列FM(f)包含的离散频点，且f1<f2,令[T2，T1] 为[f1,f2]范围内所含分量的对应周期尺度，其中T1＝1/f1,T2＝1/f2；由此可以定义频率范围[f1,f2]对应的[T2，T1]周期尺度下，污染活动占本区域污染水平的贡献比特征R：
本发明所述的提取环境空气污染特征方法，其中，还包括方法：基于频率范围[f1,f2]，对频域序列FM(f)只保留[f1,f2]对应频点，将其他频点置零，得到与频域序列FM(f)等长度的频域序列FMP(f)，对FMP(f)进行傅里叶逆变换后得到与残差序列M(t)等长的MP(t)，MP(t)为频率范围[f1,f2]对应的[T2， T1]周期尺度下，污染活动所贡献残差序列，可以用于指示[T2，T1]周期尺度的污染活动对本区域的主要贡献时段。
一种提取环境空气污染特征系统，根据上述的提取环境空气污染特征方法，其中，包括采集单元、处理单元和输出单元；
所述采集单元，用于在一设定时间范围内按设定的多个时间节点采集待分析环境空气监测站以及分布在其周围的不同方位上的至少三个环境空气监测站的一设定污染物指标；
所述处理单元，用于进行均值、差值、序列均值、时间均值、上限mσ值和下限mσ值的计算处理；
所述输出单元，用于所述处理单元的处理结果进行输出。
一种提取环境空气污染特征终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述方法的步骤。
本发明的有益效果在于：本方法通过对比待分析环境空气监测站与周边环境空气监测站之间的差异，提取出待分析环境空气监测站的个性特征，进一步的分析个性特征的时间规律，从而达到精准指导决策者针对周边环境空气污染进行治理的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图及实施例对本发明作进一步说明，下面描述中的附图仅仅是本发明的部分实施例，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附图：
图1是本发明较佳实施例的提取环境空气污染特征方法流程图；
图2是本发明较佳实施例的提取环境空气污染特征方法序列均值示意图；
图3是本发明较佳实施例的提取环境空气污染特征方法折线图；
图4是本发明较佳实施例的提取环境空气污染特征方法残差序列数据示意图；
图5是本发明较佳实施例的提取环境空气污染特征系统原理框图；
图6是本发明实例的本地活动周期污染事件对残差的贡献分析图。
具体实施方式
为了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技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的部分实施例，而不是全部实施例。基于本发明的实施例，本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明较佳实施例的提取环境空气污染特征方法，如图1所示，同时参阅图2-4，包括以下步骤：
S01：在一设定时间范围内按设定的多个时间节点采集待分析环境空气监测站以及分布在其周围的不同方位上的至少三个环境空气监测站的一设定污染物指标，并取均值；
S02：计算待分析环境空气监测站在多个时间节点获取的该污染物指标与均值的差值，形成残差序列；
S03：对残差序列进行一定时间长度的滑动均值计算，获取残差序列滑动平均后的序列均值；
S04：计算一定时间长度内的序列均值的时间均值，根据时间均值计算其上限mσ值和下限mσ值；
S05：根据序列均值、时间均值、上限mσ值和下限mσ值制作折线图；
本方法通过对比待分析环境空气监测站与周边环境空气监测站之间的差异，提取出待分析环境空气监测站的个性特征，进一步的分析个性特征的时间规律，从而达到精准指导决策者针对周边环境空气污染进行治理的目的；
需要说明的是，污染物指标可以是PM2.5、PM10、NO2、SO2、CO、O3等，也可以是根据需要进行专门指定的指标，该种变换均属于本申请保护范畴；
较佳的，进行数据的采集时，进行一个月以上的时间的采集，数据尺度以小时为单位；当然，也可以有其他时间阶段的替换方式，该种变换均属于本申请保护范畴；
如图3所示，图中三条横线依次为a2、a1、a3，当xi高于a2和低于a3的部分我们认为有显著的特征，由此可以确定待分析环境空气监测站具有显著特征的时间段。
优选的，还包括方法：将残差序列按照一设定时间长度分成多列数据，如图4所示，我们可以将残差序列M(t)按照数据的24小时时间标签分别提取出 0时的数据、1时的数据、2时的数据、……直至23时的数据，也就是将残差序列M(t)按照24小时分成24列数据。分别统计每列数据的均值，就可以筛选出均值较高的时间段。24小时时间分布规律提取中输入的残差序列M(t)值可以是全部的残差序列M(t)值，也可以是上以节中提取出来具有显著特征的数据。
优选的，第一步中进行均值计算的计算公式为：
其中，待分析环境空气监测站编号为O，环境空气监测站的数量为n，Ci(t) 为环境空气监测站i的污染物指标在t时刻的值；
优选的，第二步中进行差值计算的公式为：
其中，C0(t)为待分析环境空气监测站的t时刻的污染物指标；
计算后的差值存在较多的波动，数据较为凌乱，难以提取出长时段的污染特征，因此我们对差值进行K小时的滑动均值计算，获取序列M(t)的滑动平均后的序列均值X(t),例如可以有：
其中，K为设定的时间长度，i为时间点，t为时刻；
接下来计算时间范围[t0,t0+N]内滑动均值序列X(t)的3个特征值(t0 代表某整点时刻，N为整数)，分别是：序列X(t)的时间均值a1、序列X(t) 的mσ值a2、序列X(t)的mσ值a3。计算公式如下
优选的，第四步中时间均值a1的计算公式为：
上限mσ值a2和下限mσ值a3的计算公式分别为：
其中，t0代表某整点时刻，N为整数，i为时间点；
实验表明，如图2所示，序列X(t)呈现一定程度上的类正态分布，故可基于标准差作为序列分析的特征依据，判定序列的常规波动范围异常值。例如通常m可取2或者3；
通过上述算法，我们就可以提取出待分析环境监测站点0具有显著特征的数据时段，同时可以分析出该监测站点在每天的那些时间段污染较为突出，方便决策者更加精准的进行治理周边的污染源。
优选的，还包括方法：基于残差序列M(t)，在频域上针对不同时间尺度的污染活动进行分析，并且评估不同时间尺度污染活动对本地区的污染贡献占比：
频域序列FM(f)为M(t)的离散傅里叶变换，可用快速傅里叶变换实现； N为残差序列M(t)的长度；当N＝2p时，频域序列FM(f)包含的离散频点
当N＝2p+1时,频域序列FM(f)包含的离散频点
M(t)的采样间隔为ΔT，频域序列FM(f)的分辨率
若频点f1,f2属于频域序列FM(f)包含的离散频点，且f1<f2,令[T2，T1] 为[f1,f2]范围内所含分量的对应周期尺度，其中T1＝1/f1,T2＝1/f2；由此可以定义频率范围[f1,f2]对应的[T2，T1]周期尺度下，污染活动占本区域污染水平的贡献比特征R：
此外，还可以基于频率范围[f1,f2]，对频域序列FM(f)只保留[f1,f2]对应频点，将其他频点置零，得到与频域序列FM(f)等长度的频域序列FMP(f)，对FMP(f)进行傅里叶逆变换后得到与残差序列M(t)等长的MP(t)，MP(t)为频率范围[f1,f2]对应的[T2，T1]周期尺度下，污染活动所贡献残差序列，可以用于指示[T2，T1]周期尺度的污染活动对本区域的主要贡献时段；
污染贡献比特征的意义在于，指出影响本地区污染高于周边区域的主要污染活动处于什么样的时间尺度，以便治理工作的研判和开展；
【实例】
某地监测站点超过200天的PM2.5残差序列。计算不同频率分量下的污染贡献比特征R，以及对应分量贡献的残差时序；
时间尺度与贡献比例列表如图6所示；
根据分量贡献，本地残差主要贡献来自于区域稳定本底值以及2天以内的短时尺度污染活动。如果短期内无法改变区域内的本底特性，应重点关注短时污染活动；
一种提取环境空气污染特征系统，根据上述的提取环境空气污染特征方法，如图5所示，包括采集单元1、处理单元2和输出单元3；
采集单元1，用于在一设定时间范围内按设定的多个时间节点采集待分析环境空气监测站以及分布在其周围的不同方位上的至少三个环境空气监测站的一设定污染物指标；
处理单元2，用于进行均值、差值、序列均值、时间均值、上限mσ值和下限mσ值的计算处理；
输出单元3，用于处理单元的处理结果进行输出；
本申请通过对比待分析环境空气监测站与周边环境空气监测站之间的差异，提取出待分析环境空气监测站的个性特征，进一步的分析个性特征的时间规律，从而达到精准指导决策者针对周边环境空气污染进行治理的目的。
一种提取环境空气污染特征终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其中，处理器执行计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其中，计算机程序被处理器执行时实现如上述方法的步骤。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种提取环境空气污染特征方法，其特征在于，包括以下步骤：
第一步：在一设定时间范围内按设定的多个时间节点采集待分析环境空气监测站以及分布在其周围的不同方位上的至少三个环境空气监测站的一设定污染物指标，并取均值；
第二步：计算待分析环境空气监测站在多个时间节点获取的该污染物指标与均值的差值，形成残差序列；
第三步：对残差序列进行一定时间长度的滑动均值计算，获取残差序列滑动平均后的序列均值；
第四步：计算一定时间长度内的序列均值的时间均值，根据时间均值计算其上限mσ值和下限mσ值；
第五步：根据序列均值、时间均值、上限mσ值和下限mσ值制作折线图。
2.根据权利要求1所述的提取环境空气污染特征方法，其特征在于，所述第一步中进行均值
计算的计算公式为：
其中，待分析环境空气监测站编号为O，环境空气监测站的数量为n，Ci(t)为环境空气监测站i的污染物指标在t时刻的值。
3.根据权利要求2所述的提取环境空气污染特征方法，其特征在于，所述第二步中进行差值计算的公式为：
其中，C0(t)为待分析环境空气监测站的t时刻的污染物指标。
4.根据权利要求3所述的提取环境空气污染特征方法，其特征在于，所述第三步中序列均值计算公式为：
其中，K为设定的时间长度，i为时间点，t为时刻。
5.根据权利要求4所述的提取环境空气污染特征方法，其特征在于，所述第四步中时间均值a1的计算公式为：
上限mσ值a2和下限mσ值a3的计算公式分别为：
其中，t0代表某整点时刻，N为整数，i为时间点。
6.根据权利要求3-5任一所述的提取环境空气污染特征方法，其特征在于，还包括方法：基于残差序列M(t)，在频域上针对不同时间尺度的污染活动进行分析，并且评估不同时间尺度污染活动对本地区的污染贡献占比：
频域序列FM(f)为M(t)的离散傅里叶变换，可用快速傅里叶变换实现；N为残差序列M(t)的长度；当N＝2p时，频域序列FM(f)包含的离散频点
k＝1,2,…p+1；当N＝2p+1时,频域序列FM(f)包含的离散频点
k＝1,2,…p+1，M(t)的采样间隔为ΔT，频域序列FM(f)的分辨率
若频点f1,f2属于频域序列FM(f)包含的离散频点，且f1<f2,令[T2，T1]为[f1,f2]范围内所含分量的对应周期尺度，其中T1＝1/f1,T2＝1/f2；由此可以定义频率范围[f1,f2]对应的[T2，T1]周期尺度下，污染活动占本区域污染水平的贡献比特征R：
7.根据权利要求6所述的提取环境空气污染特征方法，其特征在于，还包括方法：基于频率范围[f1,f2]，对频域序列FM(f)只保留[f1,f2]对应频点，将其他频点置零，得到与频域序列FM(f)等长度的频域序列FMP(f)，对FMP(f)进行傅里叶逆变换后得到与残差序列M(t)等长的MP(t)，MP(t)为频率范围[f1,f2]对应的[T2，T1]周期尺度下，污染活动所贡献残差序列，可以用于指示[T2，T1]周期尺度的污染活动对本区域的主要贡献时段。
8.一种提取环境空气污染特征系统，根据权利要求1-7任一所述的提取环境空气污染特征方法，其特征在于，包括采集单元、处理单元和输出单元；
所述采集单元，用于在一设定时间范围内按设定的多个时间节点采集待分析环境空气监测站以及分布在其周围的不同方位上的至少三个环境空气监测站的一设定污染物指标；
所述处理单元，用于进行均值、差值、序列均值、时间均值、上限mσ值和下限mσ值的计算处理；
所述输出单元，用于所述处理单元的处理结果进行输出。
9.一种提取环境空气污染特征终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110053985.4A CN112924619B (zh) | 2021-01-15 | 2021-01-15 | 一种提取环境空气污染特征方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110053985.4A CN112924619B (zh) | 2021-01-15 | 2021-01-15 | 一种提取环境空气污染特征方法、系统、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112924619A true CN112924619A (zh) | 2021-06-08 |
| CN112924619B CN112924619B (zh) | 2022-06-03 |
Family
ID=76163692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110053985.4A Active CN112924619B (zh) | 2021-01-15 | 2021-01-15 | 一种提取环境空气污染特征方法、系统、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112924619B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787573A (zh) * | 2024-02-27 | 2024-03-29 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种盐碱地治理预警方法、设备及介质 |
| CN117829381A (zh) * | 2024-03-05 | 2024-04-05 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集系统 |
| CN117829381B (zh) * | 2024-03-05 | 2024-05-14 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004038343A1 (en) * | 2002-10-25 | 2004-05-06 | Waste Water Control Aps | Determining a flow in a wastewater system |
| US20120041575A1 (en) * | 2009-02-17 | 2012-02-16 | Hitachi, Ltd. | Anomaly Detection Method and Anomaly Detection System |
| JP2015228189A (ja) * | 2014-06-02 | 2015-12-17 | 日本放送協会 | イベント検出装置およびプログラム |
| US20180156766A1 (en) * | 2016-12-06 | 2018-06-07 | Ning Zeng | Networked Environmental Monitoring System and Method |
| US20180313799A1 (en) * | 2017-04-27 | 2018-11-01 | International Business Machines Corporation | Data quality control using a correlated sensor group |
| JP2020079718A (ja) * | 2018-11-12 | 2020-05-28 | 東ソー株式会社 | 金属部材−樹脂部材複合体の接合不良検出方法 |
-
2021
- 2021-01-15 CN CN202110053985.4A patent/CN112924619B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004038343A1 (en) * | 2002-10-25 | 2004-05-06 | Waste Water Control Aps | Determining a flow in a wastewater system |
| US20120041575A1 (en) * | 2009-02-17 | 2012-02-16 | Hitachi, Ltd. | Anomaly Detection Method and Anomaly Detection System |
| JP2015228189A (ja) * | 2014-06-02 | 2015-12-17 | 日本放送協会 | イベント検出装置およびプログラム |
| US20180156766A1 (en) * | 2016-12-06 | 2018-06-07 | Ning Zeng | Networked Environmental Monitoring System and Method |
| US20180313799A1 (en) * | 2017-04-27 | 2018-11-01 | International Business Machines Corporation | Data quality control using a correlated sensor group |
| JP2020079718A (ja) * | 2018-11-12 | 2020-05-28 | 東ソー株式会社 | 金属部材−樹脂部材複合体の接合不良検出方法 |
Non-Patent Citations (7)
| Title |
|---|
| 于振波等: "J市2016年PM_(2.5)浓度不降反升原因探析", 《环境保护科学》 * |
| 张意等: "天津市机动车污染物排放清单及控制对策研究", 《南开大学学报(自然科学版)》 * |
| 张艳等: "长江三角洲区域输送对上海市空气质量影响的特征分析", 《中国环境科学》 * |
| 张赵英: "时空数据的离群点识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 王娟等: "高密市环境空气污染物浓度变化特征", 《中国环境管理干部学院学报》 * |
| 程念亮等: "2014年10月北京市4次典型空气重污染过程成因分析", 《环境科学研究》 * |
| 赵留元等: "基于SPAMS的兰州市2018年冬季沙尘天气过程细颗粒物污染特征及来源研究", 《环境科学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787573A (zh) * | 2024-02-27 | 2024-03-29 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种盐碱地治理预警方法、设备及介质 |
| CN117829381A (zh) * | 2024-03-05 | 2024-04-05 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集系统 |
| CN117829381B (zh) * | 2024-03-05 | 2024-05-14 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112924619B (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Quantifying the agreement between observed and simulated extratropical modes of interannual variability | |
| Solidoro et al. | Seasonal and spatial variability of water quality parameters in the lagoon of Venice | |
| Birgand et al. | Uncertainties in assessing annual nitrate loads and concentration indicators: Part 1. Impact of sampling frequency and load estimation algorithms | |
| CN110378520A (zh) | 一种pm2.5浓度预测和预警方法 | |
| Maino et al. | Climate change in Sub-Saharan Africa fragile states: evidence from panel estimations | |
| CN111191193A (zh) | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 | |
| CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
| Torrielli et al. | Long-term simulation of the mean wind speed | |
| CN112924619B (zh) | 一种提取环境空气污染特征方法、系统、终端及存储介质 | |
| CN115453064B (zh) | 一种细颗粒物空气污染成因分析方法及系统 | |
| CN111367959A (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
| CN111882245A (zh) | 一种基于生态系统服务视角的生态修复空间识别方法 | |
| Seftigen et al. | Prospects for dendroanatomy in paleoclimatology–a case study on Picea engelmannii from the Canadian Rockies | |
| CN114120137B (zh) | 一种基于时序植被遥感影像的湿地要素时空演变监测方法 | |
| CN113592308A (zh) | 一种基于常态模型的监测数据告警阈值提取方法 | |
| CN113435068A (zh) | 一种基于对数变分同化的放射性核素同化预报方法 | |
| CN112615372A (zh) | 一种基于变异系数的含电压干扰装置台区检测方法 | |
| Zhang et al. | Does Education Still Pay Off in Rural China: Revisit the Impact of Education on Off‐farm Employment and Wages | |
| CN113610436B (zh) | 一种承灾体动态脆弱性评估方法及系统 | |
| CN116108198A (zh) | 基于大数据ai构建知识图谱的水质诊断方法及存储介质 | |
| Odero | Analysing the causal relationship between agricultural value addition and economic growth in Namibia | |
| Skourkeas et al. | Improved statistical downscaling models based on canonical correlation analysis, for generating temperature scenarios over Greece | |
| Bógalo et al. | Circulant Singular Spectrum Analysis to Monitor the State of the Economy in Real Time. Mathematics 2021, 9, 1169 | |
| CN113538388B (zh) | 一种基于modis ndvi时序数据的耕地损失评估方法 | |
| Rich | Another look at the rationality of the Livingston price expectations data |
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 |