CN112990111B - 臭氧生成高值区的识别方法、装置、存储介质及设备 - Google Patents
臭氧生成高值区的识别方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN112990111B CN112990111B CN202110421736.6A CN202110421736A CN112990111B CN 112990111 B CN112990111 B CN 112990111B CN 202110421736 A CN202110421736 A CN 202110421736A CN 112990111 B CN112990111 B CN 112990111B
- Authority
- CN
- China
- Prior art keywords
- grid
- remote sensing
- satellite remote
- data
- preset
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1795—Atmospheric mapping of gases
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种臭氧生成高值区的识别方法、装置、存储介质及设备,属于污染监控技术领域。方法包括:获取监控区域内的卫星遥感数据、归一化植被指数数据和企业相关数据;根据预设的评分模型、卫星遥感数据、归一化植被指数数据和企业相关数据,计算得出监控区域内的至少部分网格区域的评分;根据评分,将符合预设条件的网格区域识别为臭氧生成高值区。本申请利用卫星遥感数据和归一化植被指数数据能实现在大范围尺度内快速地锁定潜在的臭氧生成高值区,再结合企业相关数据等多源数据综合判断,可精准识别臭氧生成高值区,从而为臭氧污染防治提供科学帮扶,也能够帮助相关部门有针对性地进行执法检查和安排生产活动,保障经济和环境协同发展。
Description
技术领域
本申请实施例涉及污染监控技术领域,特别涉及一种臭氧生成高值区的识别方法、装置、存储介质及设备。
背景技术
我国正面临臭氧(O3)污染日益凸显的压力,特别是在夏季,臭氧已成为导致部分城市空气质量超标的首要因子。臭氧的生成受到前体物的共同影响,其与挥发性有机物(VOCs)和氮氧化物(NOx)呈非线性分布关系。通常用挥发性有机物与氮氧化物的比值来表征臭氧生成的化学敏感性,当比值较高时认为臭氧的生成受氮氧化物控制,当比值较低时认为臭氧的生成受挥发性有机物的自由基控制。在夏季大气污染防治中,准确识别臭氧生成可能性大的区域和生成受挥发性有机物控制的区域是臭氧污染控制的关键,相关单位可以此为依据有针对性的进行执法检查和安排生产活动,进而保障经济和环境协同发展。
甲醛(HCHO)的生存周期短且带有过氧基,可以作为挥发性有机物的指示剂,二氧化氮(NO2)可以作为氮氧化物的指示剂,所以,甲醛柱浓度与二氧化氮柱浓度的比值(HCHO/NO2)可作为臭氧生成高值区的指示剂。2004年,Martin将HCHO/ NO2用于卫星遥感数据中,用以判断地面臭氧生成高值区。结果表明,当HCHO/ NO2小于1时为挥发性有机物控制区,臭氧的生成主要受挥发性有机物浓度制约;当比值大于2时为氮氧化物控制区,臭氧的生成主要受氮氧化物浓度制约;当比值介于1-2之间时,为挥发性有机物-氮氧化物的协同控制区,臭氧生成受挥发性有机物浓度和氮氧化物浓度制约。
相关技术中,利用卫星数据中的挥发性有机物和氮氧化物来判断臭氧生成高值区,但是,卫星数据的空间分辨率较低,并且植被也会释放大量的挥发性有机物气体,因此,单纯依靠卫星数据无法完全准确识别出臭氧生成高值区。
发明内容
本申请实施例提供了一种臭氧生成高值区的识别方法、装置、存储介质及设备,用于解决单纯依靠卫星数据无法完全准确识别出臭氧生成高值区的问题。所述技术方案如下:
一方面,提供了一种臭氧生成高值区的识别方法,所述方法包括:
获取监控区域内的卫星遥感数据、归一化植被指数数据和企业相关数据;
根据预设的评分模型、所述卫星遥感数据、所述归一化植被指数数据和所述企业相关数据,计算得出所述监控区域内的至少部分网格区域的评分;
根据所述评分,将符合预设条件的网格区域识别为臭氧生成高值区。
在一种可能的实现方式中,所述根据预设的评分模型、所述卫星遥感数据、所述归一化植被指数数据和所述企业相关数据,计算得出所述监控区域内的至少部分网格区域的评分,包括:
将所述监控区域划分成预定大小的多个网格区域;
根据所述归一化植被指数数据剔除全植被覆盖的网格区域;
调用所述预设的评分模型计算剩余的网格区域对应的卫星遥感数据和企业相关数据,得到剩余的网格区域的评分。
在一种可能的实现方式中,所述调用所述评分模型计算剩余的网格区域对应的卫星遥感数据和企业相关数据,得到剩余的网格区域的评分,包括:
调用所述预设的评分模型采集剩余的网格区域对应的卫星遥感数据和企业相关数据;所述卫星遥感数据包括甲醛柱浓度、甲醛柱浓度和二氧化氮柱浓度的比值;所述企业相关数据包括企业用电数据、涉挥发性有机物企业数、二污普企业数和企业历史问题数中的至少一种;
调用所述预设的评分模型计算所述剩余的网格区域的总评分。
在一种可能的实现方式中,在所述调用所述预设的评分模型计算剩余的网格区域对应的卫星遥感数据和企业相关数据,得到剩余的网格区域的评分之前,所述方法还包括:
根据所述网格区域对应的卫星遥感数据,对所述网格区域进行筛选;
根据所述网格区域对应的企业相关数据,对所述网格区域进行筛选。
在一种可能的实现方式中,所述根据所述网格区域对应的卫星遥感数据,对所述网格区域进行筛选,包括:
根据所述卫星遥感数据的甲醛柱浓度与二氧化氮柱浓度的比值,筛选出比值小于第一预设数值的网格区域;
根据所述卫星遥感数据的甲醛柱浓度数据,筛选出符合预设浓度的n个网格区域,n≥1。
在一种可能的实现方式中,所述根据所述网格区域对应的企业相关数据,对所述网格区域进行筛选,包括:
若所述企业相关数据包括涉挥发性有机物企业数,则筛选出涉挥发性有机物企业数大于第二预设数值的网格区域。
在一种可能的实现方式中,所述根据所述评分,将符合预设条件的网格区域识别为臭氧生成高值区,包括:
从所述网格区域中选择评分符合预设分值的m个网格区域,m≥1;
将选出的所述m个网格区域识别为所述臭氧生成高值区。
一方面,提供了一种臭氧生成高值区的识别装置,所述装置包括:
获取模块,用于获取监控区域内的卫星遥感数据、归一化植被指数数据和企业相关数据;
计算模块,用于根据预设的评分模型、所述卫星遥感数据、所述归一化植被指数数据和所述企业相关数据,计算得出所述监控区域内的至少部分网格区域的评分;
识别模块,用于根据所述评分,将符合预设条件的网格区域识别为臭氧生成高值区。
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臭氧生成高值区的识别方法。
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臭氧生成高值区的识别方法。
本申请实施例提供的技术方案的有益效果至少包括:
利用卫星遥感数据和归一化植被指数数据能实现在大范围尺度内快速地锁定潜在的臭氧生成高值区,再结合企业相关数据等多源数据综合判断,可精准识别臭氧生成高值区,从而为臭氧污染防治提供科学帮扶,也能够帮助相关部门有针对性地进行执法检查和安排生产活动,避免人海战术,进而保障经济和环境协同发展。
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臭氧生成高值区的识别方法的方法流程图;
图2是本申请一个实施例提供的臭氧生成高值区的识别方法的方法流程图;
图3是本申请一个实施例提供的臭氧生成高值区的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臭氧生成高值区的识别方法的方法流程图,该臭氧生成高值区的识别方法可以应用于计算机设备中。该臭氧生成高值区的识别方法,可以包括:
步骤101,获取监控区域内的卫星遥感数据、归一化植被指数数据和企业相关数据。
卫星遥感数据是Sentinel-5P卫星上搭载的对流层监测仪(TROPOMI)监测的大气污染相关数据,在本实施例中使用的数据为二氧化氮柱浓度数据、甲醛柱浓度数据,数据空间分辨率为0.035°×0.07°,且Sentinel-5P卫星在中国过境时间为下午1点。
归一化植被指数数据也可以称为NDVI(Normalized Difference VegetationIndex)数据,用于表征地面植被覆盖度。本实施例中的归一化植被指数数据来源于NASA官网,数据分辨率为1000米。
企业相关数据是指企业的污染相关数据,包括但不限于当地的污染源清单、企业用电数据、历史问题数。其中,当地的污染源清单用于筛选出涉挥发性有机物企业,可以包括二污普清单、重污染应急清单等。企业用电数据是当地工业企业的工商用电数据。历史问题数是历史执法检查时发现的企业问题的数量。
需要说明的是,计算机设备可以周期性执行本实施例的臭氧生成高值区的识别方法,从而可以周期性识别出臭氧生成高值区。那么,计算机设备可以周期性获取到卫星遥感数据、归一化植被指数数据和企业相关数据,本实施例不对具体的周期作限定。在一个示例中,以周期为一周为例,则卫星遥感数据可以是一周的卫星遥感数据的平均值,企业用电数据可以是一周的用电总量,历史问题数可以是一周的历史问题总数。
步骤102,根据预设的评分模型、卫星遥感数据、归一化植被指数数据和企业相关数据,计算得出监控区域内的至少部分网格区域的评分。
本实施例中,计算机设备可以将监控区域划分成多个网格区域,根据预设的评分模型、卫星遥感数据、归一化植被指数数据和企业相关数据,针对至少部分网格区域中的每个网格区域生成一个评分,具体生成方法详见下文中的描述,此处不作赘述。其中,预设的评分模型可以是预先训练得到的,本实施例不限定预设的评分模型的类型和训练方式。
在一个示例中,预设的评分模型可以是RFM模型。
步骤103,根据评分将符合预设条件的网格区域识别为臭氧生成高值区。
计算机设备可以对步骤102中计算得出的各个评分进行分析,从分析结果选择符合预设条件的网格区域作为臭氧生成高值区,具体分析方法详见下文中的描述,此处不作赘述。
综上所述,本申请实施例提供的臭氧生成高值区的识别方法,利用卫星遥感数据和归一化植被指数数据能实现在大范围尺度内快速地锁定潜在的臭氧生成高值区,再结合企业相关数据等多源数据综合判断,可精准识别臭氧生成高值区,从而为臭氧污染防治提供科学帮扶,也能够帮助相关部门有针对性地进行执法检查和安排生产活动,避免人海战术,进而保障经济和环境协同发展。
请参考图2,其示出了本申请一个实施例提供的臭氧生成高值区的识别方法的方法流程图,该臭氧生成高值区的识别方法可以应用于计算机设备中。该臭氧生成高值区的识别方法,可以包括:
步骤201,获取监控区域内的卫星遥感数据、归一化植被指数数据和企业相关数据。
其中,卫星遥感数据、归一化植被指数数据和企业相关数据的定义详见步骤101中的描述,此处不作赘述。
步骤202,将监控区域划分成预定大小的多个网格区域。
计算机设备可以预先设置划分尺寸,再按照该划分尺寸对监控区域进行划分,得到大小相等的多个网格区域。在一个示例中,划分尺寸可以是3km×3km,则监控区域内可以包括多个3km×3km大小的网格区域。
需要说明的是,若将监控区域划分成多个网格区域,则计算机设备还需要将卫星遥感数据、归一化植被指数数据和企业相关数据转化为与网格区域对应的网格数据。即,计算机设备最终得到的是网格区域内的卫星遥感数据、归一化植被指数数据和各个企业的企业相关数据。
本实施例中,计算机设备执行步骤203-205步骤来筛选网格区域时,不限定各个步骤之间的先后执行顺序。图2中以计算机设备依次执行步骤203-205来筛选网格区域为例进行说明。
步骤203,根据归一化植被指数数据剔除全植被覆盖的网格区域。
由于植被会释放有机物,因此,计算机设备需要根据归一化植被指数数据剔除全植被覆盖区域的网格区域。在实现时,计算机设备可以设置一个阈值,将归一化植被指数数据与该阈值进行比较,若归一化植被指数数据大于或等于该阈值,则确定网格区域内被全植被覆盖,需要删除该网格区域;若归一化植被指数数据小于该阈值,则确定网格区域内未被全植被覆盖,保留该网格区域。其中,阈值可以是经验值,也可以是根据公式计算得到的,本实施例不作限定。
在一个示例中,计算机设备设置的阈值可以是0.7,则计算机设备剔除NDVI≥0.7的网格区域,保留NDVI<0.7的网格区域。
步骤204,根据网格区域对应的卫星遥感数据,对网格区域进行筛选。
具体的,根据网格区域对应的卫星遥感数据,对网格区域进行筛选,包括:根据卫星遥感数据的甲醛柱浓度与二氧化氮柱浓度的比值(HCHO/NO2),筛选出比值小于第一预设数值的网格区域;根据卫星遥感数据的甲醛柱浓度,筛选出符合预设浓度的n个网格区域,n≥1。
当根据卫星遥感数据的甲醛柱浓度与二氧化氮柱浓度的比值(HCHO/NO2)筛选时,计算机设备需设置第一预设数值,并将每个网格区域的比值与第一预设数值进行比较,若比值大于第一预设数值,则说明网格区域是氮氧化物控制区,剔除该比值对应的网格区域;若比值小于或等于第一预设数值,则说明网格区域是挥发性有机物控制区和挥发性有机物-氮氧化物控制区,保留该比值对应的网格区域。其中,第一预设数值可以是经验值,也可以是根据公式计算得到的,本实施例不作限定。
在一个示例中,计算机设备设置的第一预设数值可以是2,则计算机设备剔除比值>2的网格区域,保留比值≤2的网格区域。
当根据卫星遥感数据的甲醛柱浓度筛选时,一种实现方式是,计算机设备可以按照浓度从大到小的顺序,对各个甲醛柱浓度进行排序,从中选择排序在前的n个甲醛柱浓度,保留这n个甲醛柱浓度对应的n个网格区域,剔除其他的网格区域。其中,n可以是固定值,也可以是将网格区域的数量乘以一定比例得到的数值,本实施例不作限定。在一个示例中,计算机设备可以筛选出甲醛柱浓度较高的前30%个网格区域。另一种实现方式是,计算机设备可以预先设置浓度阈值,从中选择大于浓度阈值的甲醛柱浓度,假设选出n个甲醛柱浓度,则保留这n个甲醛柱浓度对应的n个网格区域,剔除其他的网格区域。
步骤205,根据网格区域对应的企业相关数据,对网格区域进行筛选。
具体的,根据网格区域对应的企业相关数据,对网格区域进行筛选,可以包括:若企业相关数据包括涉挥发性有机物企业数,则筛选出涉挥发性有机物企业数大于第二预设数值的网格区域。
由于夏季重点关注的是企业的涉挥发性有机物的排放情况,因此,计算机设备需要筛选出涉挥发性有机物的企业较为集中的区域。计算机设备可以设置第二预设数值,并将每个网格区域的涉挥发性有机物企业数与第二预设数值进行比较,若涉挥发性有机物企业数大于或等于第二预设数值,则说明网格区域是涉挥发性有机物的企业较为集中的区域,保留该涉挥发性有机物企业数对应的网格区域;若涉挥发性有机物企业数小于第二预设数值,则说明网格区域是涉挥发性有机物的企业不集中的区域,剔除该涉挥发性有机物企业数对应的网格区域。其中,第二预设数值可以是经验值,也可以是根据公式计算得到的,本实施例不作限定。
在一个示例中,计算机设备设置的第二预设数值可以是5,则计算机设备保留涉挥发性有机物企业数≥5的网格区域,剔除涉挥发性有机物企业数<5的网格区域。
步骤206,调用预设的评分模型采集剩余的网格区域对应的卫星遥感数据和企业相关数据;卫星遥感数据包括甲醛柱浓度、甲醛柱浓度与二氧化氮柱浓度的比值;企业相关数据包括企业用电数据、涉挥发性有机物企业数、二污普企业数和企业历史问题数中的至少一种。
其中,预设的评分模型可以是RFM模型。
步骤207,调用预设的评分模型计算剩余的网格区域的评分。
本实施例中,计算机设备可以计算网格区域对应的各个数据项评分的加权和,得到网格区域的评分。其中,每个数据项评分都对应于一个权重,该权重可以是经验值,也可以是根据公式计算得到的,本实施例不作限定。
在一个示例中,甲醛柱浓度的权重为0.3,甲醛柱浓度与二氧化氮柱浓度的比值(HCHO/NO2)的权重为0.3,涉挥发性有机物企业数的权重为0.3,用电数据的权重为0.2,二污普企业数和历史问题数的权重均为0.1。
预设的评分模型将一个网络区域对应的每个数据项分数和对应的权重相乘,并将得到的各个乘积相加,即可得到一个网络区域的评分。
步骤208,根据评分,将符合预设条件的网格区域识别为臭氧生成高值区。
具体的,预设条件至少包括预设分值,还可以包括其他条件,本实施例不作限定。以预设条件是预设分值为例,则根据评分,将符合预设条件的网格区域识别为臭氧生成高值区,可以包括:从网格区域中选择评分符合预设分值的m个网格区域,m≥1;将选出的m个网格区域识别为臭氧生成高值区。
一种实现方式是,计算机设备可以按照评分从大到小的顺序,对各个评分进行排序,从中选择排序在前的m个评分,将这m个评分对应的m个网格区域识别为臭氧生成高值区。其中,m可以是固定值,也可以是将网格区域的数量乘以一定比例得到的数值,本实施例不作限定。在一个示例中,计算机设备可以将评分较高的前15个网格区域识别为臭氧生成高值区。另一种实现方式是,计算机设备可以预先设置分值阈值,从中选择大于分值阈值的评分,假设选出m个评分,则将这m个评分对应的m个网格区域识别为臭氧生成高值区。
综上所述,本申请实施例提供的臭氧生成高值区的识别方法,利用卫星遥感数据和归一化植被指数数据能实现在大范围尺度内快速地锁定潜在的臭氧生成高值区,再结合企业相关数据等多源数据综合判断,可精准识别臭氧生成高值区,从而为臭氧污染防治提供科学帮扶,也能够帮助相关部门有针对性地进行执法检查和安排生产活动,避免人海战术,进而保障经济和环境协同发展。
请参考图3,其示出了本申请一个实施例提供的臭氧生成高值区的识别装置的结构框图,该臭氧生成高值区的识别装置可以应用于计算机设备中。该臭氧生成高值区的识别装置,可以包括:
获取模块310,用于获取监控区域内的卫星遥感数据、归一化植被指数数据和企业相关数据;
计算模块320,用于根据预设的评分模型、卫星遥感数据、归一化植被指数数据和企业相关数据,计算得出监控区域内的至少部分网格区域的评分;
识别模块330,用于根据评分,将符合预设条件的网格区域识别为臭氧生成高值区。
在一个可选的实施例中,计算模块320,还用于:
将监控区域划分成预定大小的多个网格区域;
根据归一化植被指数数据剔除全植被覆盖的网格区域;
调用评分模型计算剩余的网格区域对应的卫星遥感数据和企业相关数据,得到剩余的网格区域的评分。
在一个可选的实施例中,计算模块320,还用于:
调用预设的评分模型采集剩余的网格区域对应的卫星遥感数据和企业相关数据;卫星遥感数据包括甲醛柱浓度、甲醛柱浓度与二氧化氮柱浓度比值;企业相关数据包括企业用电数据、涉挥发性有机物企业数、二污普企业数和企业历史问题数中的至少一种;
调用评分模型计算剩余的网格区域的评分。
在一个可选的实施例中,计算模块320,还用于:
根据网格区域对应的卫星遥感数据,对网格区域进行筛选;
根据网格区域对应的企业相关数据,对网格区域进行筛选。
在一个可选的实施例中,计算模块320,还用于:
根据卫星遥感数据的甲醛柱浓度与二氧化氮柱浓度的比值,筛选出比值小于第一预设数值的网格区域;
根据卫星遥感数据的甲醛柱浓度数据,筛选出符合预设浓度的n个网格区域,n≥1。
在一个可选的实施例中,计算模块320,还用于:
若企业相关数据包括涉挥发性有机物企业数,则筛选出涉挥发性有机物企业数大于第二预设数值的网格区域。
在一个可选的实施例中,识别模块330,还用于:
从网格区域中选择评分符合预设分值的m个网格区域,m≥1;
将选出的m个网格区域识别为臭氧生成高值区。
综上所述,本申请实施例提供的臭氧生成高值区的识别装置,利用卫星遥感数据和归一化植被指数数据能实现在大范围尺度内快速地锁定潜在的臭氧生成高值区,再结合企业相关数据等多源数据综合判断,可精准识别臭氧生成高值区,从而为臭氧污染防治提供科学帮扶,也能够帮助相关部门有针对性地进行执法检查和安排生产活动,避免人海战术,进而保障经济和环境协同发展。
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臭氧生成高值区的识别方法。
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臭氧生成高值区的识别方法。
需要说明的是:上述实施例提供的臭氧生成高值区的识别装置在进行臭氧生成高值区的识别时,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,即将臭氧生成高值区的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,上述实施例提供的臭氧生成高值区的识别装置与臭氧生成高值区的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 (6)
1.一种臭氧生成高值区的识别方法,其特征在于,所述方法包括:
获取监控区域内的卫星遥感数据、归一化植被指数数据和企业相关数据;
根据预设的评分模型、所述卫星遥感数据、所述归一化植被指数数据和所述企业相关数据,计算得出所述监控区域内的至少部分网格区域的评分;
根据所述评分,将符合预设条件的网格区域识别为臭氧生成高值区;
所述根据预设的评分模型、所述卫星遥感数据、所述归一化植被指数数据和所述企业相关数据,计算得出所述监控区域内的至少部分网格区域的评分,包括:
将所述监控区域划分成预定大小的多个网格区域;
根据所述归一化植被指数数据剔除全植被覆盖的网格区域;
调用所述预设的评分模型计算剩余的网格区域对应的卫星遥感数据和企业相关数据,得到剩余的网格区域的评分;
在调用所述预设的评分模型计算剩余的网格区域对应的卫星遥感数据和企业相关数据,得到剩余的网格区域的评分之前,所述方法还包括:
根据所述网格区域对应的卫星遥感数据,对所述网格区域进行筛选;
根据所述网格区域对应的企业相关数据,对所述网格区域进行筛选;
所述根据所述网格区域对应的卫星遥感数据,对所述网格区域进行筛选,包括:
根据所述卫星遥感数据的甲醛柱浓度与二氧化氮柱浓度的比值,筛选出比值小于第一预设数值的网格区域;
根据所述卫星遥感数据的甲醛柱浓度数据,筛选出符合预设浓度的n个网格区域,n≥1;
所述根据所述网格区域对应的企业相关数据,对所述网格区域进行筛选,包括:
若所述企业相关数据包括涉挥发性有机物企业数,则筛选出涉挥发性有机物企业数大于第二预设数值的网格区域。
2.根据权利要求1所述的方法,其特征在于,所述调用所述预设的评分模型计算剩余的网格区域对应的卫星遥感数据和企业相关数据,得到剩余的网格区域的评分,包括:
调用所述预设的评分模型采集剩余的网格区域对应的卫星遥感数据和企业相关数据;所述卫星遥感数据包括甲醛柱浓度、甲醛柱浓度与二氧化氮柱浓度的比值;所述企业相关数据包括企业用电数据、涉挥发性有机物企业数、二污普企业数和企业历史问题数中的至少一种;
调用所述预设的评分模型计算所述剩余的网格区域的评分。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述评分,将符合预设条件的网格区域识别为臭氧生成高值区,包括:
从所述网格区域中选择评分符合预设分值的m个网格区域,m≥1;
将选出的所述m个网格区域识别为所述臭氧生成高值区。
4.一种臭氧生成高值区的识别装置,其特征在于,所述装置包括:
获取模块,用于获取监控区域内的卫星遥感数据、归一化植被指数数据和企业相关数据;
计算模块,用于根据预设的评分模型、所述卫星遥感数据、所述归一化植被指数数据和所述企业相关数据,计算得出所述监控区域内的至少部分网格区域的评分;
识别模块,用于根据所述评分,将符合预设条件的网格区域识别为臭氧生成高值区;
所述根据预设的评分模型、所述卫星遥感数据、所述归一化植被指数数据和所述企业相关数据,计算得出所述监控区域内的至少部分网格区域的评分,包括:
将所述监控区域划分成预定大小的多个网格区域;
根据所述归一化植被指数数据剔除全植被覆盖的网格区域;
调用所述预设的评分模型计算剩余的网格区域对应的卫星遥感数据和企业相关数据,得到剩余的网格区域的评分;
在调用所述预设的评分模型计算剩余的网格区域对应的卫星遥感数据和企业相关数据,得到剩余的网格区域的评分之前,还包括:
根据所述网格区域对应的卫星遥感数据,对所述网格区域进行筛选;
根据所述网格区域对应的企业相关数据,对所述网格区域进行筛选;
所述根据所述网格区域对应的卫星遥感数据,对所述网格区域进行筛选,包括:
根据所述卫星遥感数据的甲醛柱浓度与二氧化氮柱浓度的比值,筛选出比值小于第一预设数值的网格区域;
根据所述卫星遥感数据的甲醛柱浓度数据,筛选出符合预设浓度的n个网格区域,n≥1;
所述根据所述网格区域对应的企业相关数据,对所述网格区域进行筛选,包括:
若所述企业相关数据包括涉挥发性有机物企业数,则筛选出涉挥发性有机物企业数大于第二预设数值的网格区域。
5.一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3任一所述的臭氧生成高值区的识别方法。
6.一种计算机设备,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3任一所述的臭氧生成高值区的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421736.6A CN112990111B (zh) | 2021-04-20 | 2021-04-20 | 臭氧生成高值区的识别方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421736.6A CN112990111B (zh) | 2021-04-20 | 2021-04-20 | 臭氧生成高值区的识别方法、装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990111A CN112990111A (zh) | 2021-06-18 |
CN112990111B true CN112990111B (zh) | 2021-08-31 |
Family
ID=76341222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110421736.6A Active CN112990111B (zh) | 2021-04-20 | 2021-04-20 | 臭氧生成高值区的识别方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990111B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114218976B (zh) * | 2021-09-27 | 2024-03-08 | 中国环境科学研究院 | 臭氧前体物高值区精细化排放源追溯定位方法和系统 |
CN116611971A (zh) * | 2022-02-09 | 2023-08-18 | 南京浦蓝大气环境研究院有限公司 | 一种区县尺度生物质燃烧源归一化贡献潜势定量系统 |
CN115271547B (zh) * | 2022-09-22 | 2022-12-09 | 中科三清科技有限公司 | 臭氧污染的源解析方法、装置和电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005029338A1 (de) * | 2005-06-24 | 2007-02-08 | Emitec Gesellschaft Für Emissionstechnologie Mbh | Verfahren zum Betrieb einer Partikelfalle sowie Vorrichtung zur Durchführung des Verfahrens |
CN102156089A (zh) * | 2011-01-18 | 2011-08-17 | 中国石油天然气股份有限公司 | 一种埋地管道内腐蚀评价方法 |
CN106315856A (zh) * | 2016-09-07 | 2017-01-11 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊蓝藻水华和水生植被的modis卫星同步监测方法 |
CN106339974A (zh) * | 2016-10-21 | 2017-01-18 | 常州市环境监测中心 | 一种市区大气污染物排放清单的建立方法 |
CN109101955A (zh) * | 2018-09-12 | 2018-12-28 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的工业热异常区域识别方法 |
CN109522603A (zh) * | 2018-10-18 | 2019-03-26 | 南京大学 | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 |
CN110849421A (zh) * | 2019-11-26 | 2020-02-28 | 浙江省环境科技有限公司 | 一种区域性工业气态污染物监控方法及系统 |
CN110954482A (zh) * | 2019-12-02 | 2020-04-03 | 生态环境部卫星环境应用中心 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
CN111879893A (zh) * | 2020-06-30 | 2020-11-03 | 海湾环境科技(北京)股份有限公司 | 一种污染物监测装置、监测方法和管控方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7829444B2 (en) * | 2004-11-10 | 2010-11-09 | Canon Kabushiki Kaisha | Field effect transistor manufacturing method |
WO2014102568A1 (en) * | 2012-12-27 | 2014-07-03 | Arria Data2Text Limited | Method and apparatus for motion detection |
CN109030588B (zh) * | 2018-05-28 | 2021-02-19 | 新疆大学 | 一种臭氧气敏传感器阵列的制备方法 |
CN109213839A (zh) * | 2018-09-12 | 2019-01-15 | 北京英视睿达科技有限公司 | 基于网格化特征深度学习的热点网格污染物数据获取方法 |
CN109543935A (zh) * | 2018-10-09 | 2019-03-29 | 北京英视睿达科技有限公司 | 基于热点网格的环境数据处理方法 |
CN109800971B (zh) * | 2018-12-30 | 2020-11-27 | 南京大学 | 一种评估区域上臭氧对植被生产力影响的模型系统及方法 |
CN112085241B (zh) * | 2019-06-12 | 2024-03-22 | 江苏汇环环保科技有限公司 | 一种基于机器学习的环境大数据分析和决策平台 |
CN110567510B (zh) * | 2019-07-23 | 2023-09-19 | 北京英视睿达科技股份有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
CN110942049B (zh) * | 2019-12-17 | 2020-10-16 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感的臭氧污染源识别方法和系统 |
ES1247734Y (es) * | 2020-04-24 | 2020-09-02 | Martinez Rafael Mas | Sistema de control y desinfecion para personas |
CN111680422B (zh) * | 2020-06-08 | 2021-04-09 | 中科三清科技有限公司 | 臭氧来源分析方法及装置 |
CN112418609B (zh) * | 2020-10-30 | 2024-06-18 | 暨南大学 | 一种基于面-网格-点的大气二次污染精准溯源方法 |
CN112581107B (zh) * | 2021-02-25 | 2021-06-04 | 北京英视睿达科技有限公司 | 污染排放控制方法、装置及可存储介质 |
-
2021
- 2021-04-20 CN CN202110421736.6A patent/CN112990111B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005029338A1 (de) * | 2005-06-24 | 2007-02-08 | Emitec Gesellschaft Für Emissionstechnologie Mbh | Verfahren zum Betrieb einer Partikelfalle sowie Vorrichtung zur Durchführung des Verfahrens |
CN102156089A (zh) * | 2011-01-18 | 2011-08-17 | 中国石油天然气股份有限公司 | 一种埋地管道内腐蚀评价方法 |
CN106315856A (zh) * | 2016-09-07 | 2017-01-11 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊蓝藻水华和水生植被的modis卫星同步监测方法 |
CN106339974A (zh) * | 2016-10-21 | 2017-01-18 | 常州市环境监测中心 | 一种市区大气污染物排放清单的建立方法 |
CN109101955A (zh) * | 2018-09-12 | 2018-12-28 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的工业热异常区域识别方法 |
CN109522603A (zh) * | 2018-10-18 | 2019-03-26 | 南京大学 | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 |
CN110849421A (zh) * | 2019-11-26 | 2020-02-28 | 浙江省环境科技有限公司 | 一种区域性工业气态污染物监控方法及系统 |
CN110954482A (zh) * | 2019-12-02 | 2020-04-03 | 生态环境部卫星环境应用中心 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
CN111879893A (zh) * | 2020-06-30 | 2020-11-03 | 海湾环境科技(北京)股份有限公司 | 一种污染物监测装置、监测方法和管控方法 |
Non-Patent Citations (2)
Title |
---|
"Numerical simulation of relations hip between climatic factors and ground ozone concentration over Kanto area using the MM5/CMAQ Model";Ooka R等;《Monthly Journal of the institute of industrial Science University of Tokyo》;20081231;第60卷(第3期);第251-260页 * |
"北京夏季近地面臭氧及其来源的数值模拟研究";赵芸程等;《环境科学学报》;20190215;第39卷(第7期);第2315-2328页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112990111A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990111B (zh) | 臭氧生成高值区的识别方法、装置、存储介质及设备 | |
Liu et al. | Can urbanization, renewable energy, and economic growth make environment more eco-friendly in Northeast Asia? | |
Garmabaki et al. | A reliability decision framework for multiple repairable units | |
CN104850963A (zh) | 一种流域突发水污染事件预警及应急处置方法和系统 | |
CN110276410A (zh) | 确定不良原因的方法、装置、电子设备及存储介质 | |
Ceci et al. | Inclusivity of information and communication technology in ecological governance for sustainable resources management in G10 countries | |
Turhan et al. | Data mining source code for locating software bugs: A case study in telecommunication industry | |
CN111967721A (zh) | 一种综合能源系统绿色化水平评价方法及系统 | |
CN113554290B (zh) | 一种考虑机群复杂任务的高可信度保障性仿真方法 | |
Romvall et al. | Green performance map–An industrial tool for enhancing environmental improvements within a production system | |
Gaudoin et al. | A simple goodness-of-fit test for the power-law process, based on the Duane plot | |
Peng et al. | Improving mineral resource management by accurate financial management: studying through artificial intelligence tools | |
Raihan | Economic growth and carbon emission nexus: the function of tourism in Brazil | |
CN104133941A (zh) | 一种基于ftf的复杂产品质量损失网络分析方法 | |
Kurek et al. | The impact of geothermal resources on the competitiveness of municipalities: evidence from Poland | |
Horsthofer-Rauch et al. | Digitalized value stream mapping: review and outlook | |
CN105955814A (zh) | 一种基于事件优先级调度的复杂事件检测方法 | |
Rahardyan et al. | The influence of economic and demographic factors to waste generation in capital city of Java and Sumatera | |
CN109725121B (zh) | 一种生成采样任务的方法和系统 | |
Kiemel et al. | Current state and best practices on the way to zero emission in the manufacturing industry: An empirical survey in the Germany-Austria-Switzerland region | |
Datola et al. | Enhancing urban resilience capacities: an analytic network process-based application | |
CN115879595A (zh) | 一种城区大气污染网格化平台的构建方法 | |
CN114331175A (zh) | 一种城市安全绩效数据集中统计评估方法及系统 | |
CN113408049A (zh) | 一种基于ais数据的船舶水污染预测方法 | |
TWI550531B (zh) | 企業資源規劃績效評估系統及方法 |
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 |
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. |
|
CP01 | Change in the name or title of a patent holder |