CN113536577A - 一种基于空间代表性的pm2.5观测站点优化布局方法 - Google Patents
一种基于空间代表性的pm2.5观测站点优化布局方法 Download PDFInfo
- Publication number
- CN113536577A CN113536577A CN202110823707.2A CN202110823707A CN113536577A CN 113536577 A CN113536577 A CN 113536577A CN 202110823707 A CN202110823707 A CN 202110823707A CN 113536577 A CN113536577 A CN 113536577A
- Authority
- CN
- China
- Prior art keywords
- observation
- spatial
- grid
- site
- representativeness
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于空间代表性的PM2.5观测站点优化布局方法,包含以下步骤:S0,计算每个网格点内PM2.5观测站点的空间代表性;S1,对网格集合内所有网格点对应的PM2.5观测站点的空间代表性降序排列,并将排名第一的网格点放在目标集合并且从网格集合中删除;S2,对目标集合中所有网格点对应的PM2.5观测站点的空间代表性取并集,将网格集合内所有网格点对应的PM2.5观测站点的空间代表性去掉并集部分;S3,对网格集合内所有网格点更新后的PM2.5观测站点的空间代表性重复步骤S1和S2,直至目标集合中的所有网格点对应的PM2.5观测站点的空间代表性覆盖的人口比例达到预设的人口覆盖阈值。本发明优化布局方法获得的PM2.5观测站点空间代表性所覆盖的人口比例可以达到较高水平。
Description
技术领域
本发明属于空气质量监测技术领域,更具体地,涉及一种基于空间代表性的PM2.5观测站点优化布局方法。
背景技术
地面PM2.5浓度是空气污染监测的重要内容,PM2.5空气质量评价一般是基于地面观测站点数据。现有的PM2.5观测站点分布主要集中在城市地区,站点布设通常考虑的是站点之间的距离,以及站点所在位置的污染排放类型,并没有考虑站点覆盖范围的人口比例;而现有的PM2.5观测站点数量有限,且单个观测站点空间上只能代表有限地区,这就导致现有的PM2.5观测站点空间覆盖的总人口比例可能较小,进而导致PM2.5空气质量评价可能出现较大的误差。
针对该不足,本发明从站点空间覆盖的人口比例角度出发,提出一种新的PM2.5观测站点布局方法。鉴于此,本发明开发一种PM2.5观测站点优化布局方法,进而使观测站点的覆盖范围满足一定的人口比例,在开发本方法时,具有以下几个技术难点:
(1)如果定量评估PM2.5观测站点的空间覆盖范围,即计算观测站点的空间代表性;
(2)如何利用空间代表性指标,对PM2.5观测站点的分布进行优化,进而使人口覆盖范围比例达到一定的阈值。
发明内容
为了解决上述问题,本发明提供一种基于空间代表性的PM2.5观测站点优化布局方法。
为了实现以上目的,本发明采用的一种技术方案如下:
一种基于空间代表性的PM2.5观测站点优化布局方法,包含以下步骤:
步骤S0,对目标区域进行网格化划分形成网格集合,并计算每个网格点内PM2.5观测站点的空间代表性;
步骤S1,对网格集合内所有网格点对应的PM2.5观测站点的空间代表性进行降序排列,并将排名第一的PM2.5观测站点的空间代表性对应的网格点放在目标集合并且从网格集合中删除;
步骤S2,对目标集合中所有网格点对应的PM2.5观测站点的空间代表性取并集,将网格集合内所有网格点对应的PM2.5观测站点的空间代表性去掉所述并集部分;
步骤S3,对网格集合内所有网格点更新后的PM2.5观测站点的空间代表性重复步骤S1和S2,直至目标集合中的所有网格点对应的PM2.5观测站点的空间代表性覆盖的人口比例达到预设的人口覆盖阈值。
进一步地,所述步骤S0中的PM2.5观测站点的空间代表性计算过程如下:
步骤S00,获取PM2.5观测站点i对应窗口内每点位(x,y)的PM2.5浓度,其中,(x,y)为该点位的地理位置信息;
步骤S01,计算每个点位(x,y)和PM2.5观测站点i相似度概率Fi(x,y);
步骤S02,当相似度概率Fi(x,y)大于预设的概率阈值时,则认为该点位(x,y)在PM2.5观测站点i空间代表范围内。
进一步地,步骤S01中相似度概率Fi(x,y)的计算公式如下:
公式(1)中,Nt表示观测次数,PM2.5(Xi,Yi,tk)表示PM2.5观测站点i在tk时刻的PM2.5浓度,PM2.5(x,y,tk)表示点位(x,y)在tk时刻的PM2.5浓度,Flag表示在tk时刻的PM2.5浓度在PM2.5观测站点i和点位(x,y)是否相似。
进一步地,步骤S00中窗口大小为100公里*100公里,此时PM2.5观测站点位于窗口的中心位置;所述预设的概率阈值为0.9。
进一步地,预设的人口覆盖阈值为0.9。
本发明的上述技术方案相比现有技术具有以下优点:
本发明提供的一种基于空间代表性的PM2.5观测站点优化布局方法,用对目标区域网格内对应的PM2.5观测站点的空间代表性降序排列、取空间代表性并集的方式获取各PM2.5观测站点的覆盖范围,最后利用预设的人口覆盖比例阈值最终获得各PM2.5观测站点的空间布局,本发明的PM2.5观测站点优化布局方法获得的PM2.5观测站点空间代表性所覆盖的人口比例可以达到较高水平。
附图说明
图1为本发明一实施例中一种基于空间代表性的PM2.5观测站点优化布局方法的流程图;
图2为本发明一实施例中一种基于空间代表性的PM2.5观测站点优化布局方法的具体实例流程图;
图3为本发明一具体实施例中采用本发明站点优化布局方法和现有站点优化布局方法对应的PM2.5观测站点分布局及人口覆盖比例对比图。
具体实施例
下面将结合本发明实施例的附图,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,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
如图1及图2所示,一种基于空间代表性的PM2.5观测站点优化布局方法,包含以下步骤:
步骤S0,对目标区域进行网格化划分形成网格集合,并计算每个网格点内PM2.5观测站点的空间代表性;
一般来说对目标区域按照1公里*1公里的网格进行网格划分,通过假定在每个网格内均放置一个PM2.5观测站点,计算每个网格点内PM2.5观测站点的空间代表性,计算空间代表性的精细化PM2.5网格数据来自公开数据集ChinaHighPM2.5,数据网址为 https://zenodo.org/record/4959828#.YM09nMisEZs,数据为日平均,空间分辨率为1公里×1 公里,本发明采用的数据时间跨度为2016-2020年,关注南通市地区。
步骤S1,对网格集合内所有网格点对应的PM2.5观测站点的空间代表性进行降序排列,并将排名第一的PM2.5观测站点的空间代表性对应的网格点放在目标集合并且从网格集合中删除;
排名第一的PM2.5观测站点的空间代表性对应的网格点放置在目标集合,同时网格集合中会去除掉上述排名第一的PM2.5观测站点的空间代表性对应的网格点,因此一轮计算中目标集合中的网格点数量会增加一个,同时网格集合的网格点数量会减少一个,步骤S2中的目标集合和网格集合均是更新后的目标集合和网格集合;
步骤S2,对目标集合中所有网格点对应的PM2.5观测站点的空间代表性取并集,将网格集合内所有网格点对应的PM2.5观测站点的空间代表性去掉所述并集部分;
每个网格点对应的PM2.5观测站点的空间代表性在步骤S1中是最大的,随着目标集合中所有网格点对应的PM2.5观测站点的空间代表性确定后,新确定的PM2.5观测站点就不需要覆盖上述范围了,因此需要将网格集合内所有网格点对应的PM2.5观测站点的空间代表性去除并集部分,保证网格集合内所有网格点更新后的PM2.5观测站点的空间代表性和上述并集没有交集。
步骤S3,对网格集合内所有网格点更新后的PM2.5观测站点的空间代表性重复步骤S1和S2,直至目标集合中的所有网格点对应的PM2.5观测站点的空间代表性覆盖的人口比例达到预设的人口覆盖阈值。一般来说,预设的人口覆盖阈值为0.9。
在完成所有迭代后,目标集合中的所有网格点对应的PM2.5观测站点的分布作为最终的优化布局,这里需要将空间代表性和覆盖的人口比例进行对应,可以采用精细化人口网格数据。数据采用全球人口格点数据集(第四版本),数据空间分辨率为1公里×1公里,数据采用2020年,提取南通市人口格点数据。数据网址为:https:// sedac.ciesin.columbia.edu/data/collection/gpw-v4。
用对目标区域网格内对应的PM2.5观测站点的空间代表性降序排列、取空间代表性并集的方式获取各PM2.5观测站点的覆盖范围,最后利用预设的人口覆盖比例阈值最终获得各PM2.5观测站点的空间布局,本发明的PM2.5观测站点优化布局方法获得的PM2.5观测站点空间代表性所覆盖的人口比例可以达到较高水平。
进一步地,所述步骤S0中的PM2.5观测站点的空间代表性计算过程如下:
步骤S00,获取PM2.5观测站点i对应窗口内每点位(x,y)的PM2.5浓度,其中,(x,y)为该点位的地理位置信息;
步骤S01,计算每个点位(x,y)和PM2.5观测站点i相似度概率Fi(x,y);
步骤S01中相似度概率Fi(x,y)的计算公式如下:
公式(1)中,Nt表示观测次数,PM2.5(Xi,Yi,tk)表示PM2.5观测站点i在tk时刻的PM2.5浓度,PM2.5(x,y,tk)表示点位(x,y)在tk时刻的PM2.5浓度,Flag表示在tk时刻的PM2.5浓度在PM2.5观测站点i和点位(x,y)是否相似。
这里的窗口大小为100公里*100公里,此时PM2.5观测站点位于窗口的中心位置;所述预设的概率阈值为0.9。
步骤S02,当相似度概率Fi(x,y)大于预设的概率阈值时,则认为该点位(x,y)在PM2.5观测站点i空间代表范围内。
如图3所示,依据南通市现有9个PM2.5观测站点的位置信息,具体如表1所示,利用精细化PM2.5网格数据,计算PM2.5观测站点对应的空间代表性,并结合精细化人口网格数据得到图3中的现有PM2.5观测站点分布及其覆盖范围,从图中可知现有的人口覆盖比例为35%;
表1南通市PM2.5观测站点信息
省份 | 城市 | 城市编码 | 站点 | 站点编码 | 经度 | 维度 |
江苏省 | 南通市 | 320600 | 南郊 | 1168A | 120.913 | 31.96 |
江苏省 | 南通市 | 320600 | 虹桥 | 1169A | 120.86 | 32.0005 |
江苏省 | 南通市 | 320600 | 城中 | 1170A | 120.87 | 32.02 |
江苏省 | 南通市 | 320600 | 星湖花园 | 1171A | 120.94 | 31.93 |
江苏省 | 南通市 | 320600 | 紫琅学院 | 1172A | 120.81 | 32.0417 |
江苏省 | 南通市 | 320600 | 通州监测站 | 3291A | 121.067 | 32.062 |
江苏省 | 南通市 | 320600 | 环境教育馆 | 3432A | 120.9348 | 31.9883 |
江苏省 | 南通市 | 320684 | 海门市监测站 | 2008A | 121.173 | 31.896 |
江苏省 | 南通市 | 320684 | 社会福利院 | 2009A | 121.1518 | 31.89708 |
如图3中的优化后PM2.5观测站点分布及其覆盖范围所示,采用本发明的PM2.5观测站点优化布局方法后,此时预设的概率阈值为0.9,预设的人口覆盖阈值为0.9,优化后的PM2.5观测站点也共计9个,站点数据量与现有观测站点数量一致,但是空间代表性范围增加明显,优化后的人口覆盖比例达到91%,相比现有的观测站点,优化后的人口覆盖比例增加了160%,优化后站点的具体位置见表2。
表2现有观测站点和优化后观测站点位置信息
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细但并不能因此而理解为对本申请专利范围的限制。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于空间代表性的PM2.5观测站点优化布局方法,其特征在于,包含以下步骤:
步骤S0,对目标区域进行网格化划分形成网格集合,并计算每个网格点内PM2.5观测站点的空间代表性;
步骤S1,对网格集合内所有网格点对应的PM2.5观测站点的空间代表性进行降序排列,并将排名第一的PM2.5观测站点的空间代表性对应的网格点放在目标集合并且从网格集合中删除;
步骤S2,对目标集合中所有网格点对应的PM2.5观测站点的空间代表性取并集,将网格集合内所有网格点对应的PM2.5观测站点的空间代表性去掉所述并集部分;
步骤S3,对网格集合内所有网格点更新后的PM2.5观测站点的空间代表性重复步骤S1和S2,直至目标集合中的所有网格点对应的PM2.5观测站点的空间代表性覆盖的人口比例达到预设的人口覆盖阈值。
2.根据权利要求1所述的一种基于空间代表性的PM2.5观测站点优化布局方法,其特征在于,所述步骤S0中的PM2.5观测站点的空间代表性计算过程如下:
步骤S00,获取PM2.5观测站点i对应窗口内每点位(x,y)的PM2.5浓度,其中,(x,y)为该点位的地理位置信息;
步骤S01,计算每个点位(x,y)和PM2.5观测站点i相似度概率Fi(x,y);
步骤S02,当相似度概率Fi(x,y)大于预设的概率阈值时,则认为该点位(x,y)在PM2.5观测站点i空间代表范围内。
4.据权利要求3述的一种基于空间代表性的PM2.5观测站点优化布局方法,其特征在于,步骤S00中窗口大小为100公里*100公里,此时PM2.5观测站点位于窗口的中心位置;所述预设的概率阈值为0.9。
5.据权利要求1-4中任一项所述的一种基于空间代表性的PM2.5观测站点优化布局方法,其特征在于,预设的人口覆盖阈值为0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110823707.2A CN113536577B (zh) | 2021-07-21 | 2021-07-21 | 一种基于空间代表性的pm2.5观测站点优化布局方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110823707.2A CN113536577B (zh) | 2021-07-21 | 2021-07-21 | 一种基于空间代表性的pm2.5观测站点优化布局方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536577A true CN113536577A (zh) | 2021-10-22 |
CN113536577B CN113536577B (zh) | 2023-08-22 |
Family
ID=78100750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110823707.2A Active CN113536577B (zh) | 2021-07-21 | 2021-07-21 | 一种基于空间代表性的pm2.5观测站点优化布局方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536577B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670134A (zh) * | 2023-12-12 | 2024-03-08 | 南通大学 | 一种空气污染物观测站点布局评价方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5831876A (en) * | 1994-08-04 | 1998-11-03 | City Of Scottsdale, An Arizona Municipal Coporation | Method for monitoring regional air quality |
US7313143B1 (en) * | 2003-09-26 | 2007-12-25 | Itt Manufacturing Enterprises, Inc. | Method for diversity site group operations in air/ground communications |
CN109583516A (zh) * | 2018-12-24 | 2019-04-05 | 天津珞雍空间信息研究院有限公司 | 一种基于地基和卫星观测的时空连续pm2.5反演方法 |
CN110222911A (zh) * | 2019-06-20 | 2019-09-10 | 中国水利水电科学研究院 | 一种卫星遥感与地面数据协同的雨量站网优化布局方法 |
CN110766191A (zh) * | 2019-08-27 | 2020-02-07 | 东华理工大学 | 一种基于时空克里金插值的新增pm2.5固定监测站点选址方法 |
WO2020043027A1 (zh) * | 2018-08-25 | 2020-03-05 | 司书春 | 一种大气污染预测中对区域边界优化的方法 |
CN111723525A (zh) * | 2020-06-23 | 2020-09-29 | 南通大学 | 一种基于多源数据和神经网络模型的pm2.5反演方法 |
CN112492275A (zh) * | 2020-11-25 | 2021-03-12 | 广州杰赛科技股份有限公司 | 一种区域监测点的布局方法、装置及存储介质 |
CN113011029A (zh) * | 2021-03-23 | 2021-06-22 | 南京信息工程大学 | 一种高铁沿线测风站点布局优化方法 |
-
2021
- 2021-07-21 CN CN202110823707.2A patent/CN113536577B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5831876A (en) * | 1994-08-04 | 1998-11-03 | City Of Scottsdale, An Arizona Municipal Coporation | Method for monitoring regional air quality |
US7313143B1 (en) * | 2003-09-26 | 2007-12-25 | Itt Manufacturing Enterprises, Inc. | Method for diversity site group operations in air/ground communications |
WO2020043027A1 (zh) * | 2018-08-25 | 2020-03-05 | 司书春 | 一种大气污染预测中对区域边界优化的方法 |
CN109583516A (zh) * | 2018-12-24 | 2019-04-05 | 天津珞雍空间信息研究院有限公司 | 一种基于地基和卫星观测的时空连续pm2.5反演方法 |
CN110222911A (zh) * | 2019-06-20 | 2019-09-10 | 中国水利水电科学研究院 | 一种卫星遥感与地面数据协同的雨量站网优化布局方法 |
CN110766191A (zh) * | 2019-08-27 | 2020-02-07 | 东华理工大学 | 一种基于时空克里金插值的新增pm2.5固定监测站点选址方法 |
CN111723525A (zh) * | 2020-06-23 | 2020-09-29 | 南通大学 | 一种基于多源数据和神经网络模型的pm2.5反演方法 |
CN112492275A (zh) * | 2020-11-25 | 2021-03-12 | 广州杰赛科技股份有限公司 | 一种区域监测点的布局方法、装置及存储介质 |
CN113011029A (zh) * | 2021-03-23 | 2021-06-22 | 南京信息工程大学 | 一种高铁沿线测风站点布局优化方法 |
Non-Patent Citations (3)
Title |
---|
NIRAV L. LEKINWALA: "A framework for setting up a country-wide network of regional surface PM2.5 sampling sites utilising a satellite-derived proxy – The COALESCE project, India", ATMOSPHERIC ENVIRONMENT, vol. 234, pages 1 - 15 * |
曾勇,曾聪聪: "多污染因子归一化与环境监测优化布点", 贵州环保科技, no. 01, pages 33 - 38 * |
蔡旭晖;邹青青;郭梦婷;王坚;梅竹;黄倩倩;张世秋;朱彤;: "大气环境监测结果空间代表性的一个分析实例", 环境科学学报, no. 06, pages 164 - 171 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670134A (zh) * | 2023-12-12 | 2024-03-08 | 南通大学 | 一种空气污染物观测站点布局评价方法 |
CN117670134B (zh) * | 2023-12-12 | 2024-05-28 | 南通大学 | 一种空气污染物观测站点布局评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113536577B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nouri et al. | Predicting urban land use changes using a CA–Markov model | |
CN108875002B (zh) | 一种基于遥感与gis的荒漠生态系统红色名录评估方法 | |
CN115983522B (zh) | 一种乡村生境质量评估及预测方法 | |
Li et al. | Characteristics and sources of atmospheric pollutants in typical inland cities in arid regions of central Asia: A case study of Urumqi city | |
CN113536577A (zh) | 一种基于空间代表性的pm2.5观测站点优化布局方法 | |
Bazai et al. | Assessment of urban sprawl and land use change dynamics through GIS and remote sensing in Quetta, Balochistan, Pakistan | |
Ramachandra et al. | Land use land cover dynamics in a rapidly urbanising landscape | |
CN116109191A (zh) | 基于卫星观测和gis的城市部门碳排放估算方法及系统 | |
Huu et al. | Modeling land-use changes using logistic regression in Western Highlands of Vietnam: A case study of Lam Dong province | |
Bindajam et al. | Assessing landscape fragmentation due to urbanization in English Bazar Municipality, Malda, India, using landscape metrics | |
CN113780880B (zh) | 一种基于空间代表性的pm2.5观测站点布局评价方法 | |
CN111178631B (zh) | 一种水浮莲入侵分布区预测方法及系统 | |
CN116757366A (zh) | 高污染排放污染源选址的方法、装置、介质及电子设备 | |
CN115239027B (zh) | 空气质量格点化集合预报的方法及装置 | |
CN109583095B (zh) | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 | |
CN115905435A (zh) | 一种基于时空聚合中间态的信令数据分析方法及装置 | |
CN113742929A (zh) | 一种针对格点气象实况的数据质量评价方法 | |
CN112926029A (zh) | 一种用于农村生活污水治理的聚居区识别划分方法 | |
CN116739191B (zh) | 热点网格识别方法、装置、存储介质及电子设备 | |
Abdullah et al. | Neural network fitting using levenberg-marquardt training algorithm for PM10 concentration forecasting in Kuala Terengganu | |
CN116596100B (zh) | 一种基于土地利用变化模拟的碳汇监测预警方法 | |
Karim et al. | Projected changes in surface air temperature over Pakistan under bias-constrained CMIP6 models | |
CN116429648B (zh) | 改进的时空LightGBM的地表PM10估算方法 | |
CN115049168B (zh) | 一种雾污预警方法及系统 | |
CN118013769B (zh) | 一种基于WRF-Chem的大气污染物浓度预测方法 |
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 |