CN113191626A - 一种异常区域的识别方法及装置 - Google Patents
一种异常区域的识别方法及装置 Download PDFInfo
- Publication number
- CN113191626A CN113191626A CN202110468434.4A CN202110468434A CN113191626A CN 113191626 A CN113191626 A CN 113191626A CN 202110468434 A CN202110468434 A CN 202110468434A CN 113191626 A CN113191626 A CN 113191626A
- Authority
- CN
- China
- Prior art keywords
- target point
- air quality
- area
- temperature
- blocks
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005856 abnormality Effects 0.000 claims abstract description 53
- 238000003915 air pollution Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 description 29
- 238000005265 energy consumption Methods 0.000 description 25
- 239000003344 environmental pollutant Substances 0.000 description 17
- 231100000719 pollutant Toxicity 0.000 description 17
- 238000010606 normalization Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种异常区域的识别方法及装置,包括:获取特定区域内多个目标点的地图数据,目标点的地图数据包括:第一区域和与第一区域相邻的多个第二区域,所述第一区域划分为多个区块;获取地表温度数据;根据每个目标点的地图数据和地表温度数据,统计每个目标点的温度异常次数;获取空气质量数据,空气质量数据中包含多个区块的空气质量数据;根据目标点的地图数据和空气质量数据,统计目标点所在多个区块中每个区块的空气质量指数为特定值的天数;根据目标点的温度异常次数和目标点所在多个区块中每个区块的空气质量指数为特定值的天数,计算目标点的异常指数;若异常指数超过预设阈值,则确定目标点的第一区域为异常区域。
Description
技术领域
本发明涉及数据识别领域,尤其涉及一种异常区域的识别方法及装置。
背景技术
目前,对发热企业开工生产状况监管手段有限,主要以人工亲临企业现场才能判断是否开工,费时费力,遥感技术作为一种大范围、长时间序列频繁监测的数据技术手段,在监管发热企业开工生产方面有很大潜力,而现有利用遥感地表温度数据监测可疑开工区域的方法,难以实现对更加精细尺度的工厂企业的定量判断和精准识别,难以更准确得追溯热异常的热源,因此无法更加精准地定位识别有重大可疑程度的开工生产的发热企业,因此本领域急需一种能够精准地定位识别有重大可疑程度的开工生产的发热企业的方法。
发明内容
本发明提供一种异常区域的识别方法及装置,以至少解决现有技术中存在的以上技术问题。
本发明一方面提供一种异常区域的识别方法,包括:
获取特定区域内多个目标点的地图数据,所述目标点的地图数据包括:第一区域和与第一区域相邻的多个第二区域,所述第一区域划分为多个区块;
获取地表温度数据;
根据每个目标点的地图数据和地表温度数据,统计每个目标点的温度异常次数;
获取空气质量数据,所述空气质量数据中包含所述多个区块的空气质量数据;
根据所述目标点的地图数据和空气质量数据,统计所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数;
根据所述目标点的温度异常次数和所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数,计算所述目标点的异常指数;
若所述异常指数超过预设阈值,则确定所述目标点的第一区域为异常区域。
其中,所述统计每个目标点的温度异常次数后,该方法还包括:
若预设时段内的所述目标点的温度异常次数大于0,则统计所述目标点的第一区域与多个第二区域的平均温度差。
其中,所述统计所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数后,该方法还包括:
根据所述目标点所在多个区块中每个区块的空气质量指数,统计所述预设时段内所述目标点在所述第一区域的空气质量数据;
统计在所述预设时段内的第一区域的空气质量指数为所述特定值的所有目标点的空气质量指数。
其中,所述统计每个目标点的温度异常次数,包括:
根据地表温度数据,计算所述目标点的第一区域和每个第二区域在多个时段的温度;
判断每个时段中所述目标点的第一区域的温度是否超过任意一个第二区域的温度加上预设温度的值,若是,则标记该时段;
将被标记的时段的数量作为所述目标点的温度异常次数。
其中,所述根据所述目标点的地图数据和空气质量数据,统计所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数,包括:
根据所述目标点的地图数据和空气质量数据,计算所述目标点所在多个区块中每个区块内的空气质量指数;
统计所述目标点所在多个区块中每个区块内的空气质量指数为特定值的天数。
其中,所述根据所述目标点的温度异常次数和所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数,计算所述目标点的异常指数,包括:
根据以下公式计算所述目标点的温度异常次数归一化值和空气污染天数归一化值:
所述Si为所述目标点的温度异常次数归一化值,所述D1为所述目标点的温度异常次数,所述D1max为所有目标点的温度异常次数中最高的次数,所述D1min为所有目标点的温度异常次数中最低的次数,所述Sj为所述目标点的空气污染天数归一化值,所述D2为所述目标点所在多个区块的空气质量指数为特定值的天数的总和,所述D2max为所述目标点所在多个区块的空气质量指数为特定值的天数中最高的天数,所述D2min为所述目标点所在多个区块内空气质量指数为特定值的天数中最低的天数。
其中,所述统计所述目标点的第一区域与多个第二区域的平均温度差和在所述预设时段内的第一区域的空气质量指数为所述特定值的所有目标点的空气质量指数后,该方法还包括:
根据以下公式计算所述目标点的温度差归一化值和空气污染归一化值:
所述St为所述目标点的温度差归一化值,所述D3为所述目标点的第一区域与多个第二区域的平均温度差,所述D3min为所有目标点中的第一区域与多个第二区域最低的平均温度差,所述D3max为所有目标点中的第一区域与多个第二区域最高的平均温度差,所述Sp为所述目标点的空气污染归一化值,所述D4为所述目标点的空气质量指数,所述D3min为所有目标点中最低的空气质量指数,所述D3max为所有目标点中最高的空气质量指数。
其中,所述计算所述目标点的温度异常次数归一化值、空气污染天数归一化值、温度差归一化值和空气污染归一化值后,该方法还包括:
根据以下公式计算所述目标点的异常指数:
所述S为所述目标点的异常指数。
本发明另一方面提供一种异常区域的识别装置,包括:
采集模块,用于获取特定区域内多个目标点的地图数据,所述目标点的地图数据包括:第一区域和与第一区域相邻的多个第二区域,所述第一区域划分为多个区块;
所述采集模块,还用于获取地表温度数据;
计算模块,用于根据每个目标点的地图数据和地表温度数据,统计每个目标点的温度异常次数;
所述采集模块,还用于获取空气质量数据,所述空气质量数据中包含多个区块的空气质量数据;
所述计算模块,还用于根据所述目标点的地图数据和空气质量数据,统计所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数;
所述计算模块,还用于根据所述目标点的温度异常次数和所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数,计算所述目标点的异常指数;
处理模块,用于若所述异常指数超过预设阈值,则确定所述目标点的第一区域为异常区域。
其中,所述计算模块,还用于若预设时段内的所述目标点的温度异常次数大于0,则统计所述目标点的第一区域与多个第二区域的平均温度差。
在本发明上述的方案中,通过获取目标点的第一区域和与第一区域相邻的多个第二区域,使得区域信息更加精准,根据地表温度数据和空气质量数据统计目标点的温度异常次数和目标点所在多个区块中每个区块的空气质量指数为特定值的天数,最后根据目标点的温度异常次数、目标点所在多个区块中每个区块的空气质量指数为特定值的天数、在预设时段内的所有温度异常次数大于0的目标点的第一区域与多个第二区域的平均温度差和在预设时段内的所有空气质量指数为特定值的目标点的空气质量指数,计算所述目标点的异常指数计算该目标点的异常指数,异常指数能够更加准确的识别该目标点是否是异常区域,提高了监管的效率和精度。
附图说明
图1示出了本发明一实施例提供的异常区域的识别方法流程示意图;
图2示出了本发明一实施例提供的污染物项目浓度限值表;
图3示出了本发明一实施例提供的异常区域的识别装置结构示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,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,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动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。
为了提高识别异常区域的效率和精度,如图1所示,本发明一实施例提供了一种异常区域的识别方法,包括:
步骤101,获取特定区域内多个目标点的地图数据,所述目标点的地图数据包括:第一区域和与第一区域相邻的多个第二区域,所述第一区域划分为多个区块;
从百度地图提供的接口获取某个工业园区内所有能耗型发热企业的主要信息、次要信息和高分辨率遥感影像,主要信息包括:名称、地址、电话和经纬度,次要信息包括:能耗型发热企业周围的道路、居民区、自然区域,将能耗型发热企业的主要信息作为关键词从Google(谷歌)地图、天地图或者奥维地图等第三方地图网站上获取关于能耗型发热企业的更多信息,对从百度地图上获取的能耗型发热企业的信息进行补全,然后根据能耗型发热企业的主要信息、次要信息和高分辨率遥感影像计算能耗型发热企业的区域作为第一区域,计算能耗型发热企业周围的多个自然区域作为多个第二区域,自然区域包括田地、森林、草地等无人工改造的区域。
步骤102,获取地表温度数据;
从美国地质调查局USGS、美国国家航空航天局地球数据共享平台EARTHDATA等第三方网站上获取地表温度数据。
步骤103,根据每个目标点的地图数据和地表温度数据,统计每个目标点的温度异常次数和在预设时段内的所有温度异常次数大于0的目标点的第一区域与多个第二区域的平均温度差。
在一可实施方式中,根据地表温度数据,计算所述目标点的第一区域和每个第二区域在多个时段的温度;
判断每个时段中所述目标点的第一区域的温度是否超过任意一个第二区域的温度加上预设温度的值,若是,则标记该时段;
将被标记的时段的数量作为所述目标点的温度异常次数。
将地表温度数据从时间序列上经过滤波平滑处理,就可以提取出地表温度数据上所有区域的地表温度的时间序列变化曲线,再使用Python(一种计算机编程语言)或ENVI+IDL软件(一种遥感图像处理软件)根据能耗型发热企业的第一区域和多个第二区域从时间序列的地表温度数据中提取能耗型发热企业的第一区域和多个第二区域的多个温度,对比同一时段中能耗型发热企业的第一区域和多个第二区域的温度,如果能耗型发热企业的第一区域的温度超过该能耗型发热企业的任意一个第二区域的温度加上预设温度的值,则认为该能耗型发热企业的第一区域在该时段内为温度异常区域,记录该时段,将被标记的时段的数量作为该能耗型发热企业的温度异常次数,在本实施例中,预设温度被设置为6度,该预设温度可根据实际效果随时调整。
在一可实施方式中,所述统计每个目标点的温度异常次数后,若预设时段内的所述目标点的温度异常次数大于0,则统计所述目标点的第一区域与多个第二区域的平均温度差。
统计在预设时段内的所有温度异常次数大于0的目标点的第一区域与多个第二区域的平均温度差,在本实施例中,该预设时段被设置为最近的3天内,该预设时段可根据实际效果随时调整。
步骤104,获取空气质量数据,所述空气质量数据中包含多个区块的空气质量数据。
从空气质量监控站点(包括国控监测站点、省控监测站点、市县控制监测站点等)等开放的数据平台获取空气质量数据,空气质量数据中的数据被分成多个区块,每个区块都包含对应的空气质量数据。
步骤105,根据所述目标点的地图数据和空气质量数据,统计所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数。
在一可实施方式中,根据所述目标点的地图数据和空气质量数据,计算所述目标点所在多个区块中每个区块内的空气质量指数;
统计所述目标点所在多个区块中每个区块内的空气质量指数为特定值的天数。
根据空气质量数据中每个区块内的空气质量数据计算得到每个区块内的时间序列上的空气质量指数AQI(Air Quality Index,缩写AQI),计算过程如下:
首先根据如图2所示的污染物项目浓度限值表对照各项污染物的分级浓度限值,以每个区块内多天的细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、臭氧(O3)、一氧化碳(CO)等各项污染物的实测浓度值(其中PM2.5、PM10为24小时平均浓度)分别计算得出每个区块内各污染物的多天的空气质量分指数IAQI(Individual AirQuality Index,缩写IAQI),具体根据以下公式:
所述IAQI为对应污染物的空气质量分指数,所述BPHi为对应污染物的实测浓度值在污染物项目浓度限值表中的高位值,所述BPLo为对应污染物的实测浓度值在污染物项目浓度限值表中的低位值,所述IAQIHi为对应污染物的实测浓度值在污染物项目浓度限值表中的高位值对应的IAQI值,所述IAQILo为对应污染物的实测浓度值在污染物项目浓度限值表中的低位值对应的IAQI值,所述CP为对应污染物的实测浓度值;
在计算出该能耗型发热企业所在的多个区块中的每个区块内所有污染物的多天的空气质量分指数IAQI后,选取每个区块内每天的所有污染物的空气质量分指数IAQI中最大的一个作为该区块在该天的空气质量指数AQI,如果该区块在该天的空气质量指数AQI为100以上,则认为该区块在该天为轻度污染区块,如果空气质量指数AQI为150以上,则认为该区块在该天为中度污染区块,如果空气质量指数AQI为200以上,则认为该区块在该天为重度污染区块,如果空气质量指数AQI为300以上,则认为该区块在该天为严重污染区块,在本实施例中,统计每个区块内空气质量指数为150以上时区块被认为是中度污染区块以上的天数。
在一可实施方式中,所述统计所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数后,根据所述目标点所在多个区块中每个区块的空气质量指数,统计所述预设时段内所述目标点在所述第一区域的空气质量数据;
统计在所述预设时段内的第一区域的空气质量指数为所述特定值的所有目标点的空气质量指数。
根据上述计算空气质量指数的方法计算所有能耗型发热企业的空气质量指数,然后统计每个能耗型发热企业在预设时段内的中度污染以上也就是空气质量指数大于150以上的空气质量指数,在本实施例中,该预设时段被设置为最近的3天内,该预设时段可根据实际效果随时调整。
步骤106,根据所述目标点的地图数据和空气质量数据,计算所述目标点所在多个区块中每个区块内的空气质量指数。
在一可实施方式中,根据以下公式计算所述目标点的温度异常次数归一化值和空气污染天数归一化值:
所述Si为所述目标点的温度异常次数归一化值,所述D1为所述目标点的温度异常次数,所述D1max为所有目标点的温度异常次数中最高的次数,所述D1min为所有目标点的温度异常次数中最低的次数,所述Sj为所述目标点的空气污染天数归一化值,所述D2为所述目标点所在多个区块的空气质量指数为特定值的天数的总和,所述D2max为所述目标点所在多个区块的空气质量指数为特定值的天数中最高的天数,所述D2min为所述目标点所在多个区块内空气质量指数为特定值的天数中最低的天数;
在一可实施方式中,根据以下公式计算所述目标点的温度差归一化值和空气污染归一化值:
所述St为所述目标点的温度差归一化值,所述D3为所述目标点的第一区域与多个第二区域的平均温度差,所述D3min为所有目标点中的第一区域与多个第二区域最低的平均温度差,所述D3max为所有目标点中的第一区域与多个第二区域最高的平均温度差,所述Sp为所述目标点的空气污染归一化值,所述D4为所述目标点的空气质量指数,所述D3min为所有目标点中最低的空气质量指数,所述D3max为所有目标点中最高的空气质量指数。
所述计算所述目标点的温度异常次数归一化值、空气污染天数归一化值、温度差归一化值和空气污染归一化值后,根据以下公式计算所述目标点的异常指数:
所述S为所述目标点的异常指数。
步骤107,若所述异常指数超过预设阈值,则确定所述目标点的第一区域为异常区域。
最终计算出的异常指数范围在0-1之间,而在本实施例中,异常指数的预设阈值被设置为0.1,异常指数超过0.1的能耗型发热企业会被认定为是在开工的企业,该预设阈值可根据实际效果随时调整。
在本发明上述的方案中,通过获取第三方地图网站上关于能耗型发热企业的信息来确定该能耗型发热企业厂区的第一区域和多个第二区域,使得区域信息更加精准,根据遥感地表温度数据和地面空气质量监测数据统计所有能耗型发热企业厂区的第一区域的温度异常次数和当前需要计算的能耗型发热企业厂区所在的多个区块中每个区块的空气质量指数为重度污染的天数,统计最近3天内所有温度异常的能耗型发热企业厂区的第一区域与多个第二区域的平均温度差和所有中度污染以上的能耗型发热企业厂区的空气质量指数,计算该能耗型发热企业厂区的异常指数,该异常指数能够更加准确的识别该能耗型发热企业厂区是否是可疑开工企业,提高了监管的效率和精度,且将最近3天内的温度差和空气质量指数的归一化值也作为计算异常指数的参数,使得最终获得的异常指数更加准确。
本发明一实施例还提供了一种异常区域的识别装置,如图3所示,该装置包括:
采集模块10,用于获取特定区域内多个目标点的地图数据,所述目标点的地图数据包括:第一区域和与第一区域相邻的多个第二区域,所述第一区域划分为多个区块;
所述采集模块10,还用于获取地表温度数据;
计算模块20,用于根据每个目标点的地图数据和地表温度数据,统计每个目标点的温度异常次数;
所述采集模块10,还用于获取空气质量数据,所述空气质量数据中包含多个区块的空气质量数据;
所述计算模块20,还用于根据所述目标点的地图数据和空气质量数据,统计所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数;
所述计算模块20,还用于根据所述目标点的温度异常次数和所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数,计算所述目标点的异常指数;
处理模块30,用于若所述异常指数超过预设阈值,则确定所述目标点的第一区域为异常区域。
其中,所述计算模块20,还用于若预设时段内的所述目标点的温度异常次数大于0,则统计所述目标点的第一区域与多个第二区域的平均温度差。
其中,所述计算模块20,还用于根据所述目标点所在多个区块中每个区块的空气质量指数,统计所述预设时段内所述目标点在所述第一区域的空气质量数据;
所述计算模块20,还用于统计在所述预设时段内的第一区域的空气质量指数为所述特定值的所有目标点的空气质量指数。
其中,所述计算模块20,还用于根据地表温度数据,计算所述目标点的第一区域和每个第二区域在多个时段的温度;
所述计算模块20,还用于判断每个时段中所述目标点的第一区域的温度是否超过任意一个第二区域的温度加上预设温度的值,若是,则标记该时段;
所述计算模块20,还用于将被标记的时段的数量作为所述目标点的温度异常次数。
其中,所述计算模块20,还用于根据所述目标点的地图数据和空气质量数据,计算所述目标点所在多个区块中每个区块内的空气质量指数;
所述计算模块20,还用于统计所述目标点所在多个区块中每个区块内的空气质量指数为特定值的天数。
其中,所述计算模块20,还用于根据以下公式计算所述目标点的温度异常次数归一化值和空气污染天数归一化值:
所述Si为所述目标点的温度异常次数归一化值,所述D1为所述目标点的温度异常次数,所述D1max为所有目标点的温度异常次数中最高的次数,所述D1min为所有目标点的温度异常次数中最低的次数,所述Sj为所述目标点的空气污染天数归一化值,所述D2为所述目标点所在多个区块的空气质量指数为特定值的天数的总和,所述D2max为所述目标点所在多个区块的空气质量指数为特定值的天数中最高的天数,所述D2min为所述目标点所在多个区块内空气质量指数为特定值的天数中最低的天数。
其中,所述计算模块20,还用于根据以下公式计算所述目标点的温度差归一化值和空气污染归一化值:
所述St为所述目标点的温度差归一化值,所述D3为所述目标点的第一区域与多个第二区域的平均温度差,所述D3min为所有目标点中的第一区域与多个第二区域最低的平均温度差,所述D3max为所有目标点中的第一区域与多个第二区域最高的平均温度差,所述Sp为所述目标点的空气污染归一化值,所述D4为所述目标点的空气质量指数,所述D3min为所有目标点中最低的空气质量指数,所述D3max为所有目标点中最高的空气质量指数。
其中,所述计算模块20,还用于根据以下公式计算所述目标点的异常指数:
所述S为所述目标点的异常指数。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种异常区域的识别方法,其特征在于,包括:
获取特定区域内多个目标点的地图数据,所述目标点的地图数据包括:第一区域和与第一区域相邻的多个第二区域,所述第一区域划分为多个区块;
获取地表温度数据;
根据每个目标点的地图数据和地表温度数据,统计每个目标点的温度异常次数;
获取空气质量数据,所述空气质量数据中包含所述多个区块的空气质量数据;
根据所述目标点的地图数据和空气质量数据,统计所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数;
根据所述目标点的温度异常次数和所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数,计算所述目标点的异常指数;
若所述异常指数超过预设阈值,则确定所述目标点的第一区域为异常区域。
2.根据权利要求1所述的异常区域的识别方法,其特征在于,所述统计每个目标点的温度异常次数后,该方法还包括:
若预设时段内的所述目标点的温度异常次数大于0,则统计所述目标点的第一区域与多个第二区域的平均温度差。
3.根据权利要求1所述的异常区域的识别方法,其特征在于,所述统计所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数后,该方法还包括:
根据所述目标点所在多个区块中每个区块的空气质量指数,统计所述预设时段内所述目标点在所述第一区域的空气质量数据;
统计在所述预设时段内的第一区域的空气质量指数为所述特定值的所有目标点的空气质量指数。
4.根据权利要求1所述的异常区域的识别方法,其特征在于,所述统计每个目标点的温度异常次数,包括:
根据地表温度数据,计算所述目标点的第一区域和每个第二区域在多个时段的温度;
判断每个时段中所述目标点的第一区域的温度是否超过任意一个第二区域的温度加上预设温度的值,若是,则标记该时段;
将被标记的时段的数量作为所述目标点的温度异常次数。
5.根据权利要求1所述的异常区域的识别方法,其特征在于,所述根据所述目标点的地图数据和空气质量数据,统计所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数,包括:
根据所述目标点的地图数据和空气质量数据,计算所述目标点所在多个区块中每个区块内的空气质量指数;
统计所述目标点所在多个区块中每个区块内的空气质量指数为特定值的天数。
6.根据权利要求1所述的异常区域的识别方法,其特征在于,所述根据所述目标点的温度异常次数和所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数,计算所述目标点的异常指数,包括:
根据以下公式计算所述目标点的温度异常次数归一化值和空气污染天数归一化值:
所述Si为所述目标点的温度异常次数归一化值,所述D1为所述目标点的温度异常次数,所述D1max为所有目标点的温度异常次数中最高的次数,所述D1min为所有目标点的温度异常次数中最低的次数,所述Sj为所述目标点的空气污染天数归一化值,所述D2为所述目标点所在多个区块的空气质量指数为特定值的天数的总和,所述D2max为所述目标点所在多个区块的空气质量指数为特定值的天数中最高的天数,所述D2min为所述目标点所在多个区块内空气质量指数为特定值的天数中最低的天数。
7.根据权利要求2和3所述的异常区域的识别方法,其特征在于,所述统计所述目标点的第一区域与多个第二区域的平均温度差和在所述预设时段内的第一区域的空气质量指数为所述特定值的所有目标点的空气质量指数后,该方法还包括:
根据以下公式计算所述目标点的温度差归一化值和空气污染归一化值:
所述St为所述目标点的温度差归一化值,所述D3为所述目标点的第一区域与多个第二区域的平均温度差,所述D3min为所有目标点中的第一区域与多个第二区域最低的平均温度差,所述D3max为所有目标点中的第一区域与多个第二区域最高的平均温度差,所述Sp为所述目标点的空气污染归一化值,所述D4为所述目标点的空气质量指数,所述D3min为所有目标点中最低的空气质量指数,所述D3max为所有目标点中最高的空气质量指数。
9.一种异常区域的识别装置,其特征在于,包括:
采集模块,用于获取特定区域内多个目标点的地图数据,所述目标点的地图数据包括:第一区域和与第一区域相邻的多个第二区域,所述第一区域划分为多个区块;
所述采集模块,还用于获取地表温度数据;
计算模块,用于根据每个目标点的地图数据和地表温度数据,统计每个目标点的温度异常次数;
所述采集模块,还用于获取空气质量数据,所述空气质量数据中包含多个区块的空气质量数据;
所述计算模块,还用于根据所述目标点的地图数据和空气质量数据,统计所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数;
所述计算模块,还用于根据所述目标点的温度异常次数和所述目标点所在多个区块中每个区块的空气质量指数为特定值的天数,计算所述目标点的异常指数;
处理模块,用于若所述异常指数超过预设阈值,则确定所述目标点的第一区域为异常区域。
10.根据权利要求9所述的异常区域的识别装置,其特征在于,
所述计算模块,还用于若预设时段内的所述目标点的温度异常次数大于0,则统计所述目标点的第一区域与多个第二区域的平均温度差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468434.4A CN113191626B (zh) | 2021-04-28 | 2021-04-28 | 一种异常区域的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468434.4A CN113191626B (zh) | 2021-04-28 | 2021-04-28 | 一种异常区域的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191626A true CN113191626A (zh) | 2021-07-30 |
CN113191626B CN113191626B (zh) | 2022-02-01 |
Family
ID=76980119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110468434.4A Active CN113191626B (zh) | 2021-04-28 | 2021-04-28 | 一种异常区域的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191626B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798470A (zh) * | 2012-08-14 | 2012-11-28 | 中国神华能源股份有限公司 | 矿区热异常范围的监测方法及装置 |
WO2013161589A1 (ja) * | 2012-04-23 | 2013-10-31 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
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 |
CN109240230A (zh) * | 2018-09-17 | 2019-01-18 | 沈阳大学 | 一种网格化分布式的工业粉尘实时监控处理系统 |
CN109506809A (zh) * | 2018-11-19 | 2019-03-22 | 北京英视睿达科技有限公司 | 基于地表温度确定大气污染热点网格的方法及装置 |
CN109657842A (zh) * | 2018-11-27 | 2019-04-19 | 平安科技(深圳)有限公司 | 空气污染物浓度的预测方法及装置、电子设备 |
CN109856321A (zh) * | 2018-11-14 | 2019-06-07 | 北京英视睿达科技有限公司 | 异常高值点位的确定方法 |
CN111487199A (zh) * | 2020-04-23 | 2020-08-04 | 中国科学院空天信息创新研究院 | 一种基于工业生产活动特征的钢铁厂遥感提取方法 |
-
2021
- 2021-04-28 CN CN202110468434.4A patent/CN113191626B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013161589A1 (ja) * | 2012-04-23 | 2013-10-31 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
CN102798470A (zh) * | 2012-08-14 | 2012-11-28 | 中国神华能源股份有限公司 | 矿区热异常范围的监测方法及装置 |
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 |
CN109240230A (zh) * | 2018-09-17 | 2019-01-18 | 沈阳大学 | 一种网格化分布式的工业粉尘实时监控处理系统 |
CN109856321A (zh) * | 2018-11-14 | 2019-06-07 | 北京英视睿达科技有限公司 | 异常高值点位的确定方法 |
CN109506809A (zh) * | 2018-11-19 | 2019-03-22 | 北京英视睿达科技有限公司 | 基于地表温度确定大气污染热点网格的方法及装置 |
CN109657842A (zh) * | 2018-11-27 | 2019-04-19 | 平安科技(深圳)有限公司 | 空气污染物浓度的预测方法及装置、电子设备 |
CN111487199A (zh) * | 2020-04-23 | 2020-08-04 | 中国科学院空天信息创新研究院 | 一种基于工业生产活动特征的钢铁厂遥感提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113191626B (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796284B (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN107301617B (zh) | 一种评估废气监测数据质量的方法及设备 | |
CN112101635A (zh) | 一种用电异常的监测方法和系统 | |
DE112018004407T5 (de) | Webdienstplattform mit smart-entitäten, zeitreihen und verschachtelter stream-generierung | |
CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN111414571A (zh) | 一种大气污染物监测方法 | |
CN115824993B (zh) | 水体化学需氧量的确定方法、装置、计算机设备及介质 | |
CN116087421A (zh) | 大气污染物监测溯源方法、装置、计算机设备和存储介质 | |
CN116499938A (zh) | 一种职业工作场所气溶胶悬浮物智能监测方法 | |
Rigueira et al. | Functional data analysis for the detection of outliers and study of the effects of the COVID-19 pandemic on air quality: a case study in Gijón, Spain | |
CN113191626B (zh) | 一种异常区域的识别方法及装置 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
Xia et al. | Improving the performance of pipeline leak detection algorithms for the mobile monitoring of methane leaks | |
CN115526330A (zh) | 有机物走航数据校准方法、装置、计算机设备和存储介质 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN117291430B (zh) | 一种基于机器视觉的安全生产检测方法及装置 | |
CN113225391B (zh) | 基于滑动窗口异常检测的大气环境监测质量监控方法及计算设备 | |
CN117827991B (zh) | 一种半结构化数据中个人标识信息识别方法与系统 | |
CN117349777B (zh) | 一种水环境在线监测数据真伪智能识别系统及方法 | |
CN116128682B (zh) | 一种基于ai技术的智慧实验室安全监测管理方法及系统 | |
CN109117978B (zh) | 一种基于偏差分析对犯罪案件时空扫描预测结果的认定方法 | |
Zhao et al. | Using Short‐Term Data to Quickly and Quantitatively Determine Formation Mechanisms of PM2. 5 and Ozone | |
CN118071563A (zh) | 一种可视化城市生态环保监管系统及其方法 | |
Musu et al. | Prediction of Air Pollution Levels in Makassar City Area | |
CN117076788A (zh) | 一种基于多维感知数据的人员落脚点位分析方法和系统 |
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 |