CN113205123A - 一种区域船舶大气污染物排放清单计算方法 - Google Patents

一种区域船舶大气污染物排放清单计算方法 Download PDF

Info

Publication number
CN113205123A
CN113205123A CN202110441149.3A CN202110441149A CN113205123A CN 113205123 A CN113205123 A CN 113205123A CN 202110441149 A CN202110441149 A CN 202110441149A CN 113205123 A CN113205123 A CN 113205123A
Authority
CN
China
Prior art keywords
ship
ships
sample
atmospheric pollutant
pollutant 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.)
Pending
Application number
CN202110441149.3A
Other languages
English (en)
Inventor
文元桥
彭鑫
周春辉
黄亮
李靖
肖长诗
黄亚敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110441149.3A priority Critical patent/CN113205123A/zh
Publication of CN113205123A publication Critical patent/CN113205123A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种区域船舶大气污染物排放清单计算方法，包括以下步骤：S1、获取待计算区域内的所有船舶，从中抽取样本船舶；样本船舶具有完整的静态和动态数据；S2、计算样本船舶的大气污染物排放量；S3、估算区域船舶大气污染物排放总量；S4、制定区域船舶大气污染物排放清单。本发明的区域船舶大气污染物排放清单计算方法，解决了由于船舶基础数据缺失导致的船舶排放清单存在较大的不确定性的问题，减少了传统方法中由于船舶基础数据缺失而引起的误差，仅需利用较少的船舶活动数据及静态数据，计算整个区域船舶大气污染物排放量，极大程度上节约了计算的时间成本，可操作性强，易于实现。

Description

一种区域船舶大气污染物排放清单计算方法
技术领域
本发明属于船舶领域，具体涉及一种区域船舶大气污染物排放清单计算方法。
背景技术
船舶在航行过程中排放的大气污染物会危害沿岸居民身体健康，破坏生态环境。国家交通运输部相继发布了一系列船舶大气污染物排放控制政策，掌握船舶大气污染物排放时空分布特征是制定减排政策和评估减排效果的前提。因此，需要快速、准确的制定船舶大气污染物排放清单，科学的量化船舶大气污染物排放。
公开号为CN105590024A的专利公开了一种基于活动的港区大气污染物排放清单编制方法，它依据船舶活动数据计算船舶大气污染物排放量。但是，该专利无法计算因缺失船舶活动数据的船舶大气污染物排放量，且区域船舶数量大，计算耗时长，难以提供高精度的船舶大气污染物排放清单。
发明内容
本发明的目的在于，提供一种区域船舶大气污染物排放清单计算方法，解决了由于部分船舶基础数据缺失导致的船舶排放清单计算结果存在较大不确定性的问题，为计算高精度的区域船舶大气污染物排放清单提供了一种快速、高效的方法。
本发明所采用的技术方案如下：
一种区域船舶大气污染物排放清单计算方法，包括以下步骤：
S1、获取待计算区域内的所有船舶，从中抽取样本船舶；样本船舶具有完整的静态和动态数据；
S2、计算样本船舶的大气污染物排放量；
S3、估算区域船舶大气污染物排放总量；
S4、制定区域船舶大气污染物排放清单。
优选地，采用分层随机抽样方法抽取样本船舶。
优选地，基于船舶密度、船舶类型和主机功率进行分层。
优选地，步骤S1具体包括：
S11、设m为待计算区域船舶总数，a为总抽样率，则样本船舶计算公式如下：
SZ＝m×a
式中，SZ为样本船舶总数量；
S12、以船舶密度为第一层分类依据，将待计算区域划分成若干个子区域，第i个子区域的样本船舶数量计算公式如下：
Figure BDA0003035091890000021
式中，ni为第i个子区域的样本船舶总数量中j型船舶的数量MDi为第i个子区域的船舶数量；
S13、以船舶类型为第二层分类依据，将待计算区域内的船舶进行分类，第i个子区域中j型船舶的样本船舶数量计算公式如下：
Figure BDA0003035091890000022
式中，ni-j为第i个子区域中j型船舶的样本船舶数量，Ni-j为第i个子区域中j型船舶的船舶数量；
S14、以主机功率为第三层分类依据，将同一类型的船舶根据其主机功率划分为不同的集群，第i个子区域中j型船舶第k种功率区间的样本船舶数量计算公式如下：
Figure BDA0003035091890000023
式中，ni-j-k为第i个子区域中j型船舶第k种功率区间的样本船舶数量，Wi-j-k为第i个子区域中j型船舶第k种功率区间的船舶数量。
优选地，总抽样率a根据待计算区域的大小、船舶的分布特征、以及总的计算量综合选取。
优选地，将待计算区域划分成若干个子区域具体为：
将待计算区域划分为若干个网格，利用DBSCAN密度聚类的方法计算每个网格内的船舶密度，根据密度分布特征，将船舶密度相近的网格作为一个子区域。
优选地，船舶类型包括：普通货船、化学品船、集装箱船、油船、拖轮、其他船待计算区域。
优选地，步骤S2包括：
S21、基于样本船舶静态和动态数据，采用STEAM船舶大气污染物排放量计算模型，计算样本船舶的排放量E：
E＝Em+Ea+Eb
式中，Em、Ea、Eb分别为主机、辅机、辅锅炉的船舶大气污染物排放量；
主机船舶大气污染物排放量Em计算公式如下：
Em＝Pm×LFm×LLAM×T×EFm
式中：Pm为船舶主机装机功率，单位为千瓦；LFm为主机负荷系数；LLAM为主机负荷调整的低乘数，T为主机运行时间，EFm为主机排放因子，主机负荷系数LFm计算公式如下：
LFm＝(AS/MS)3
式中，AS代表船舶实际航速，MS为船舶的设计最大速度；
辅机排放量Ea计算公式如下：
Ea＝Pa×LFa×T×EFa
式中：Pa为辅机额定功率，LFa为辅机负荷系数，EFa为辅机排放因子；
辅助锅炉排放量Eb计算公式如下：
Eb＝Pb×LFb×T×EFb
式中：Pb为锅炉装机功率，LFb为锅炉负荷系数，EFb为锅炉排放因子。
优选地，利用样本船舶的大气污染物排放量逐层估计待计算区域的船舶大气污染物排放总量eN：
第i个子区域中j型船舶第k种功率区间的船舶大气污染物排放总量Ei-j-k为：
Figure BDA0003035091890000031
式中，ei-j-k为第i个子区域中j型船舶第k种功率区间的样本船舶大气污染物排放总量，数量；
第i个子区域中j型船舶的船舶大气污染物排放量为：
Ei-j＝Ei-j-1+Ei-j-2+…+Ei-j-k
第i个子区域的船舶大气污染物排放量为：
Ei＝Ei-1+Ei-2+…+Ei-j
不考虑误差的船舶大气污染物总排放量计算公式为：
eN＝E1+E2+…+Ei
考虑误差的船舶大气污染物总排放量EN计算公式如下：
Figure BDA0003035091890000032
式中，
Figure BDA0003035091890000033
为采样误差，计算公式如下：
Figure BDA0003035091890000034
式中，t是计算平均值置信限的值，
Figure BDA0003035091890000035
为平均采样误差，计算公式如下：
Figure BDA0003035091890000041
式中，n为抽样规模，N为总体规模，s2为样本方差，计算公式如下：
Figure BDA0003035091890000042
式中，k为抽样集群；Stdk为k组的方差样本，nk为k组样本量。
优选地，步骤S4具体包括：
制定区域船舶大气污染物排放清单，计算并分析不同船舶类型、不同发动机、不同工况的船舶的不同贡献率。
本发明的有益效果为：本发明的区域船舶大气污染物排放清单计算方法，解决了由于船舶基础数据缺失导致的船舶排放清单存在较大的不确定性的问题，减少了传统方法中由于船舶基础数据缺失而引起的误差，仅需利用较少的船舶活动数据及静态数据，计算整个区域船舶大气污染物排放量，极大程度上节约了计算的时间成本，可操作性强，易于实现。
进一步地，本发明采用分层随机抽样方法抽取船舶样本，该方法适用于差异较大的被调查对象，在本发明中该对象为船舶，能仅利用部分船舶活动数据和静态数据，估算区域总体船舶的大气污染物排放量，过程简单，耗时少。
附图说明
图1是本发明的区域船舶大气污染物排放清单计算方法流程图。
图2是本发明实施例的分层随机抽样方法的船舶采样框架图。
具体实施方式
下面将结合附图对本发明作进一步的说明：
本发明提供一种区域船舶大气污染物排放清单计算方法，该方法过程简单，耗时少，能仅利用部分船舶活动数据和静态数据，估算区域总体船舶的大气污染物排放量，解决了由于部分船舶基础数据缺失导致的船舶排放清单计算结果存在较大不确定性的问题，为计算高精度的区域船舶大气污染物排放清单提供了一种快速、高效的方法。
本发明实施例的区域船舶大气污染物排放清单计算方法，如图1所示，包括如下步骤：
S1、采集船舶样本。在这一步骤中选择一定数量的船舶样本，所选样本应具有使用基于活动的计算模型计算单船大气污染物排放量所需的所有基础数据。样本量可根据待计算区域内船舶总数和总采样率来确定。
S2、计算样本船的大气污染物排放量。使用基于活动的计算模型计算样本船舶的大气污染物排放量。为了保证船舶活动数据的质量，还对原始AIS数据进行了清理和插值。
S3、估算待计算区域内船舶总大气污染物排放量。基于总体估计方法，在AIS数据完整的情况下，对计算区域所有船舶的总排放量进行估算。
S4、制定区域船舶大气污染物排放清单。计算并分析不同船型、不同发动机、不同工况的船舶的不同贡献率。
本发明采用分层随机抽样方法抽取船舶样本，该方法适用于差异较大的被调查对象，在本发明中该对象为船舶。在抽样之前利用从海事局、船级社等部门获取的船舶基础数据，将待计算区域内的船舶分别基于船舶密度、船型和主机功率进行分层处理。
(1)抽取样本船舶
在抽样之前用户根据待计算计算区域的大小，船舶的分布特征，以及自身可接受的计算量，选择合适的抽样率(一般在10％～20％之间)记为a，样本容量计算公式如下：
SZ＝m×a (1)
式中，SZ为样本船舶总数量，m为待计算区域船舶总数，a为总抽样率。
在抽样过程中，须抽取具有排放计算模型所需的完整静态和动态数据的船舶。具体采用框架如图2所示。
其中，船舶密度是第一层采样框架中的分类依据。先将待计算区域划分为若干个d*dkm的网格，利用DBSCAN密度聚类的方法计算每个网格内的船舶密度，根据密度分布特征，将船舶密度相近的网格作为一个子区域。当待计算区域为内河时，可将河流分为不同的河段，计算每个河段的船舶密度并以此作为第一层的分类依据，利用密度聚类的方法将整个河流划分为若干个子区域。
在第一个采样层中第i个段(子区域)中的样本数量计算公式如下：
Figure BDA0003035091890000051
式中，MDi为第i部分的平均船舶数量；SZ为待计算区域总抽样船数，由用户根据区域排放清单的精度要求确定。在这一层中，在较高密度的区域应选择更多的样本船。
船舶排放因子是计算船舶排放量的重要指标，它与船舶的总吨位和船型密切相关。一般来说，船型信息比总吨位更容易获取，且不同船型的特征明显，易于区分，因此船型可作为采样框架中第二层的分类依据。根据待计算区域的代表船型进行分类，一般可分为：普通货船、化学品船、集装箱船、油船、拖轮、其他船等六种类型。各航段第二层不同船型抽取的样本船舶数量计算公式如下：
Figure BDA0003035091890000061
式中，ni-j为第i段中型船j的抽样规模；j为船舶类型；Ni-j为第i段中j型船舶的总体数量。
船舶排放大气污染物量随船舶主机功率、船舶尺度、设计最大航速、船舶阻力和螺旋桨推力效率而变化。有研究表明这些因素与主机功率之间存在明显的数学关系。因此，主机功率在一定程度上反映了影响船舶排放的其他参数。在第三层中将同一类型的船舶根据其主机功率划分为不同的集群。可利用K-means平面聚类算法对同一船型的主机功率进行分类。在第三层采样过程中，每一集群中主机功率相近的船舶数量是确定样本船数量的主要依据。第三层中每个不同的功率区间的样本船舶数量计算公式如下：
Figure BDA0003035091890000062
式中，ni-j-k为第i部分船型j第k种功率区间的抽样船舶数量，Wi-j-k为第i部分船型j第k种功率区间内船舶数量。
(2)计算样本船舶大气污染物排放量
基于样本船舶AIS数据和静态数据，采用STEAM(Ship Transportation EmissionAssessment Model)船舶大气污染物排放量计算模型，计算样本船舶的排放量(单位：g)：
E＝Em+Ea+Eb (5)
式中，Em、Ea、Eb分别为主机、辅机、辅锅炉的船舶大气污染物排放量。
主机船舶大气污染物排放量(单位：g)计算公式如下：
Em＝Pm×LFm×LLAM×T×EFm (6)
式中：Pm为船舶主机装机功率，单位为千瓦；LFm为主机负荷系数，反映主机实际输出功率占装机最大功率的百分比。当主机负荷率低于20％时，主机排放强度明显增加，故采用主机负荷调整的低乘数LLAM来调整LFm，此处可采用Smith提出的LLAM值。T为主机运行时间，单位为h，EFm为主机排放因子，单位为g/kWh，Em为主机排放量，单位为g。主机的负荷系数计算公式如下：
LFm＝(AS/MS)3 (7)
其中AS代表船舶实际航速，即考虑环境影响的对水速度，以节为单位；MS为船舶的设计最大速度，以节为单位。
辅机排放量(单位：g)为：
Ea＝Pa×LFa×T×EFa (8)
式中：Pa为辅机额定功率，单位为千瓦；LFa为辅机负荷系数；EFa为辅机排放因子，单位为g/kWh。
辅助锅炉排放量(单位：g)为：
Eb＝Pb×LFb×T×EFb (9)
式中：Pb为锅炉装机功率，单位为千瓦；LFb为锅炉负荷系数；EFb为锅炉排放因子，单位为克/千瓦时。
船舶的实际航速和作业时间可以从AIS数据中提取出来。主机、辅机和辅助锅炉的最大装机功率和设计最大速度可从海事局(MSA)数据库、劳式数据库和公共网站获得。
(3)估算区域船舶大气污染物排放总量
通过前文所述的分层抽样方法共得到i*j*k组样品，利用基于活动的模型分别计算每组样品船舶的大气污染物排放量。用样本船舶的排放量估计待计算区域的船舶大气污染物排放总量，需逐层计算。
第i部分船型j第k种功率区间的船舶大气污染物排放总量为：
Figure BDA0003035091890000071
式中，ei-j-k为第i部分船型j第k种功率区间样品船舶的大气污染物排放量，Wi-j-k为第i部分船型j第k种功率区间内的船舶数量。
第i部分船型j的船舶大气污染物排放量为：
Ei-j＝Ei-j-1+＝Ei-j-2+…+Ei-j-k (11)
第i部分的船舶大气污染物排放量为：
Ei＝Ei-1+Ei-2+…+Ei-j (12)
待计算区域总船舶的大气污染物排放量为：
Figure BDA0003035091890000072
其中，不考虑误差的船舶大气污染物总排放量计算公式为：
eN＝E1+E2+…+Ei (14)
公式(13)中，
Figure BDA0003035091890000073
为采样误差，其计算公式如下：
Figure BDA0003035091890000074
式中，t是计算平均值置信限的值，cib(1987)提供了t的参考值；
Figure BDA0003035091890000075
平均采样误差，单位为吨。
Figure BDA0003035091890000076
式中，n为抽样规模；N为总体规模，且为样本方差(s2，单位：吨)，计算公式如下：
Figure BDA0003035091890000081
式中：k为抽样集群；Stdk为k组的方差样本，单位为吨；nk为k组样本量。
为保证抽样船舶的随机性，抽样统计过程需要重复50次，其平均值为相应抽样比率(样本船数与总船数之比)下船舶总大气污染物排放量的估计结果。
(4)制定区域船舶大气污染物排放清单。
依据区域船舶大气污染物排放总量计算结果，构建时间、空间和船舶属性三维度的区域船舶大气污染物排放清单。在时间维度上，按照年、季节、月份、日和小时多个时间尺度统计船舶大气污染物排放量的变化特征；在空间维度上，按照排放清单精度的需求，对研究区域进行网格化划分，统计各个网格内船舶大气污染物排放量，分析船舶排放空间分布特征；在船舶维度上，即从不同船型、不同动力设备、不同航行状态统计船舶大气污染物排放的不同贡献率。
综上所述，本发明主要解决了由于船舶基础数据缺失导致的船舶排放清单存在较大的不确定性的问题，公开了一种区域船舶排放清单的分层抽样计算方法，以减少传统方法中由于船舶基础数据缺失而引起的误差。根据待计算区域船舶密度、船型和主机功率，采用分层随机抽样方法对船舶进行抽样，使样本船具有完整的排放计算参数，利用高时空分辨率的AIS数据和基于动力法的船舶废气排放计算模型，计算样本船的废气排放量，然后根据采样关系估算区域内船舶废气的总排放量，编制区域船舶排放清单，分析船舶排放的时空排放特征。
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种区域船舶大气污染物排放清单计算方法，其特征在于，包括以下步骤：
S1、获取待计算区域内的所有船舶，从中抽取样本船舶；样本船舶具有完整的静态和动态数据；
S2、计算样本船舶的大气污染物排放量；
S3、估算区域船舶大气污染物排放总量；
S4、制定区域船舶大气污染物排放清单。
2.根据权利要求1所述的区域船舶大气污染物排放清单计算方法，其特征在于，采用分层随机抽样方法抽取样本船舶。
3.根据权利要求2所述的区域船舶大气污染物排放清单计算方法，其特征在于，基于船舶密度、船舶类型和主机功率进行分层。
4.根据权利要求1-3中任一项所述的区域船舶大气污染物排放清单计算方法，其特征在于，步骤S1具体包括：
S11、设m为待计算区域船舶总数，a为总抽样率，则样本船舶计算公式如下：
SZ＝m×a
式中，SZ为样本船舶总数量；
S12、以船舶密度为第一层分类依据，将待计算区域划分成若干个子区域，第i个子区域的样本船舶数量计算公式如下：
Figure FDA0003035091880000011
式中，ni为第i个子区域的样本船舶总数量中j型船舶的数量MDi为第i个子区域的船舶数量；
S13、以船舶类型为第二层分类依据，将待计算区域内的船舶进行分类，第i个子区域中j型船舶的样本船舶数量计算公式如下：
Figure FDA0003035091880000012
式中，ni-j为第i个子区域中j型船舶的样本船舶数量，Ni-j为第i个子区域中j型船舶的船舶数量；
S14、以主机功率为第三层分类依据，将同一类型的船舶根据其主机功率划分为不同的集群，第i个子区域中j型船舶第k种功率区间的样本船舶数量计算公式如下：
Figure FDA0003035091880000013
式中，ni-j-k为第i个子区域中j型船舶第k种功率区间的样本船舶数量，Wi-j-k为第i个子区域中j型船舶第k种功率区间的船舶数量。
5.根据权利要求4所述的区域船舶大气污染物排放清单计算方法，其特征在于，总抽样率a根据待计算区域的大小、船舶的分布特征、以及总的计算量综合选取。
6.根据权利要求4所述的区域船舶大气污染物排放清单计算方法，其特征在于，将待计算区域划分成若干个子区域具体为：
将待计算区域划分为若干个网格，利用DBSCAN密度聚类的方法计算每个网格内的船舶密度，根据密度分布特征，将船舶密度相近的网格作为一个子区域。
7.根据权利要求4所述的区域船舶大气污染物排放清单计算方法，其特征在于，船舶类型包括：普通货船、化学品船、集装箱船、油船、拖轮、其他船待计算区域。
8.根据权利要求1所述的区域船舶大气污染物排放清单计算方法，其特征在于，步骤S2包括：
S21、基于样本船舶的静态和动态数据，采用STEAM船舶大气污染物排放量计算模型，计算样本船舶的排放量E：
E＝Em+Ea+Eb
式中，Em、Ea、Eb分别为主机、辅机、辅锅炉的船舶大气污染物排放量；
主机船舶大气污染物排放量Em计算公式如下：
Em＝Pn×LFm×LLAM×T×EFm
式中：Pm为船舶主机装机功率，单位为千瓦；LFm为主机负荷系数；LLAM为主机负荷调整的低乘数，T为主机运行时间，EFm为主机排放因子，主机负荷系数LFm计算公式如下：
LFm＝(AS/MS)3
式中，AS代表船舶实际航速，MS为船舶的设计最大速度；
辅机排放量Ea计算公式如下：
Ea＝Pa×LFa×T×EFa
式中：Pa为辅机额定功率，LFa为辅机负荷系数，EFa为辅机排放因子；
辅助锅炉排放量Eb计算公式如下：
Eb＝Pb×LFb×T×EFb
式中：Pb为锅炉装机功率，LFb为锅炉负荷系数，EFb为锅炉排放因子。
9.根据权利要求4所述的区域船舶大气污染物排放清单计算方法，其特征在于，利用样本船舶的大气污染物排放量逐层估计待计算区域的船舶大气污染物排放总量eN：
第i个子区域中j型船舶第k种功率区间的船舶大气污染物排放总量Ei-j-k为：
Figure FDA0003035091880000031
式中，ei-j-k为第i个子区域中j型船舶第k种功率区间的样本船舶大气污染物排放总量，数量；
第i个子区域中j型船舶的船舶大气污染物排放量为：
Ei-j＝Ei-j-1+Ei-j-2+…+Ei-j-k
第i个子区域的船舶大气污染物排放量为：
Ei＝Ei-1+Ei-2+…+Ei-j
不考虑误差的船舶大气污染物总排放量计算公式为：
eN＝E1+E2+…+Ei
考虑误差的船舶大气污染物总排放量EN计算公式如下：
Figure FDA0003035091880000032
式中，
Figure FDA0003035091880000033
为采样误差，计算公式如下：
Figure FDA0003035091880000034
式中，t是计算平均值置信限的值，
Figure FDA0003035091880000035
为平均采样误差，计算公式如下：
Figure FDA0003035091880000036
式中，n为抽样规模，N为总体规模，s2为样本方差，计算公式如下：
Figure FDA0003035091880000037
式中，k为抽样集群；Stdk为k组的方差样本，nk为k组样本量。
10.根据权利要求1所述的区域船舶大气污染物排放清单计算方法，其特征在于，步骤S4具体包括：
制定区域船舶大气污染物排放清单，计算并分析不同船舶类型、不同发动机、不同工况的船舶的不同贡献率。
CN202110441149.3A 2021-04-23 2021-04-23 一种区域船舶大气污染物排放清单计算方法 Pending CN113205123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110441149.3A CN113205123A (zh) 2021-04-23 2021-04-23 一种区域船舶大气污染物排放清单计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110441149.3A CN113205123A (zh) 2021-04-23 2021-04-23 一种区域船舶大气污染物排放清单计算方法

Publications (1)

Publication Number Publication Date
CN113205123A true CN113205123A (zh) 2021-08-03

Family

ID=77028066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110441149.3A Pending CN113205123A (zh) 2021-04-23 2021-04-23 一种区域船舶大气污染物排放清单计算方法

Country Status (1)

Country Link
CN (1) CN113205123A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239426A (zh) * 2021-10-20 2022-03-25 武汉理工大学 基于水流资料同化的长江干线船舶排放清单生成方法
CN114998076A (zh) * 2022-08-02 2022-09-02 交通运输部规划研究院 一种内河船舶大气污染物排放量估算方法、系统、计算设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590024A (zh) * 2015-12-16 2016-05-18 河海大学 一种基于活动的港区大气污染物排放清单编制方法
CN107358048A (zh) * 2017-07-14 2017-11-17 广东省环境科学研究院 一种基于ais数据的高精度船舶污染物排放量计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590024A (zh) * 2015-12-16 2016-05-18 河海大学 一种基于活动的港区大气污染物排放清单编制方法
CN107358048A (zh) * 2017-07-14 2017-11-17 广东省环境科学研究院 一种基于ais数据的高精度船舶污染物排放量计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIN PENG ET AL.: "A sampling method for calculating regional ship emission inventories", 《TRANSPORTATION RESEARCH PART D》, pages 1 - 14 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239426A (zh) * 2021-10-20 2022-03-25 武汉理工大学 基于水流资料同化的长江干线船舶排放清单生成方法
CN114239426B (zh) * 2021-10-20 2024-04-19 武汉理工大学 基于水流资料同化的长江干线船舶排放清单生成方法
CN114998076A (zh) * 2022-08-02 2022-09-02 交通运输部规划研究院 一种内河船舶大气污染物排放量估算方法、系统、计算设备和存储介质
CN114998076B (zh) * 2022-08-02 2022-11-18 交通运输部规划研究院 一种内河船舶大气污染物排放量估算方法、系统、计算设备和存储介质

Similar Documents

Publication Publication Date Title
Sun et al. Exploring the scale effects, trade-offs and driving forces of the mismatch of ecosystem services
CN110634080B (zh) 异常用电检测方法、装置、设备及计算机可读存储介质
CN113205123A (zh) 一种区域船舶大气污染物排放清单计算方法
CN114936332A (zh) 一种风电场水域船舶交通流分析的方法、装置和存储介质
Smith et al. Noon report data uncertainty
CN108764527B (zh) 一种土壤有机碳库时空动态预测最优环境变量筛选方法
Xiao et al. Analysis of port pollutant emission characteristics in United States based on multiscale geographically weighted regression
Lin et al. Feature-based estimation of preliminary costs in shipbuilding
Ripoll-Zarraga et al. Exploring the reasons for efficiency in Spanish airports
CN112650110A (zh) 一种船舶污染物排放综合智能监控系统与监控方法
CN113743662B (zh) 一种基于机器学习的船舶关键技术参数预测方法及系统
CN110909949A (zh) 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法
CN114239426A (zh) 基于水流资料同化的长江干线船舶排放清单生成方法
CN116756572B (zh) 基于红树林生态系统分布数据集的构建方法
Safaei et al. Correcting and enriching vessel’s noon report data using statistical and data mining methods
Ionita Mid range forecasting of the German Waterways streamflow based on hydrologic, atmospheric and oceanic data
Li et al. Ship traffic flow prediction based on AIS data mining
CN114662563A (zh) 一种基于梯度提升算法的工业用电非侵入负荷分解方法
Kunkel et al. Extreme Precipitation Trends and Meteorological Causes Over the Laurentian Great Lakes
CN101908182A (zh) 一种鱼类生长适宜性同鱼类生长环境关联度分析技术
CN112685461A (zh) 一种基于预判模型的窃电用户判断方法
Li et al. Identifying urban form typologies in seoul with mixture model based clustering
Filippopoulos et al. Multi-sensor data fusion for the vessel trim analyzer and optimization platform
Joly et al. Enhancing air quality forecasts by geomatic downscaling: an application to daily PM 10 concentrations in France
Suo et al. Evaluation of Port Prosperity Based on High Spatial Resolution Satellite Remote Sensing Images

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