CN113554052A - 一种城市空气质量评估诊断系统 - Google Patents
一种城市空气质量评估诊断系统 Download PDFInfo
- Publication number
- CN113554052A CN113554052A CN202110505844.1A CN202110505844A CN113554052A CN 113554052 A CN113554052 A CN 113554052A CN 202110505844 A CN202110505844 A CN 202110505844A CN 113554052 A CN113554052 A CN 113554052A
- Authority
- CN
- China
- Prior art keywords
- air quality
- analysis
- urban
- diagnosis
- standard
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000001303 quality assessment method Methods 0.000 title claims description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 83
- 238000012544 monitoring process Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000013441 quality evaluation Methods 0.000 claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000003915 air pollution Methods 0.000 claims abstract description 22
- 238000004141 dimensional analysis Methods 0.000 claims abstract description 14
- 239000003344 environmental pollutant Substances 0.000 claims description 64
- 231100000719 pollutant Toxicity 0.000 claims description 64
- 239000000809 air pollutant Substances 0.000 claims description 20
- 231100001243 air pollutant Toxicity 0.000 claims description 20
- 238000010438 heat treatment Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000033228 biological regulation Effects 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 25
- 238000003912 environmental pollution Methods 0.000 abstract description 6
- 230000009471 action Effects 0.000 abstract description 4
- 239000003570 air Substances 0.000 description 167
- 238000007726 management method Methods 0.000 description 23
- 239000013618 particulate matter Substances 0.000 description 22
- 230000000694 effects Effects 0.000 description 12
- 238000011160 research Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000721047 Danaus plexippus Species 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011362 coarse particle Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003256 environmental substance Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012482 interaction analysis Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036963 noncompetitive effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0037—NOx
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0039—O3
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0042—SO2 or SO3
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
Abstract
本发明公开了一种城市空气质量评估诊断系统,包括空气质量评估诊断模式模块、技术方法模块,其中,空气质量评估诊断模式模块主要从城市空气质量的达标状况、超标诊断、管理绩效三个方面展开地区的空气质量评估与诊断,和对数据进行有效性分析;技术方法模块是采用空气质量评估“三维分析模式”、空气质量分析指标体系、空气污染的空间异质性分析和空气质量超标诊断分析方法。本发明通过提出空气质量达标评价一般模式和主要评价技术指标,全面、细化空气质量评估内容,通过剔除气象条件对空气质量的干扰,能够真实反映出空气质量管理行动的绩效水平,提高空气质量监测数据的使用效率,促进和提升政府环保人员的大气环境污染治理能力现代化。
Description
技术领域
本发明涉及环保管理、空气质量评估和大气污染治理决策支撑技术领域,具体来说,涉及一种城市空气质量评估诊断系统。
背景技术
空气质量作为一种环境公共物品,其非排他性、非竞争性决定了是政府必须提供的基本性公共服务。空气质量评估是发现空气质量超标问题和大气污染源排放管理的主要依据。
为推进精准、科学、依法、系统治污,协同推进减污降碳,不断改善空气……,深入开展污染防治行动,加强城市大气质量达标管理,推进细颗粒物(PM2.5) 和臭氧(O3)协同控制,……持续改善京津冀及周边地区、汾渭平原、长三角地区空气质量,因地制宜推动北方地区清洁取暖、工业窑炉治理、非电行业超低排放改造,加快挥发性有机物排放综合整治,氮氧化物和挥发性有机物排放总量分别下降10%以上。未来五年,重点区域空气污染治理仍将是实现生态文明制度目标要求和全面推进环境治理体系和治理能力现代化建设的重要落脚点。针对京津冀及周边地区、汾渭平原多次出现的重污染天气过程,有关专家就重污染成因和变化趋势等问题进行了解读,特别是在疫情期间,社会活动处于较低水平,各类污染源排放量和排放强度下降,但仍然发生重污染天气,一方面是频繁出现长时间静稳、强逆温、高湿的不利气象条件,另一方面是高污染、高能耗的资源型行业存在不可中断的生产工序,以及集中供热等固定污染源需要连续运转。可见,要做到持续改善大气环境质量,需要进一步开展更加精准、精细化的空气质量评估、诊断,实现污染源排放的有效管理。
城市空气质量评估是利用空气质量监测数据进行分析处理的过程,评估的目标是全面、完整地告诉干系人城市空气环境质量,包括不同地区、不同时段的空气环境质量水平,揭示出城市空气环境质量存在的问题。评估结果应当能够最大化地反映空气环境质量监测的成果,为决策者和公众提供完整准确的分析报告。城市空气质量评估过程包括监测数据处理分析和报告。监测数据处理分析涉及污染物、时间、空间三个维度,污染物状况应依据国家环境空气质量标准规定的指标和浓度限值对获得的监测数据进行处理分析;时间主要指时间的尺度,包括年、季、月、周、日、小时(或连续几个小时)等;空间是指监测数据代表的空间范围,一般指监测点及其代表的区域范围。报告应尽量满足不同类用户需求,包括政府机构、研究机构、公众等。服务对象的关注或理解程度影响数据处理的精确或概括水平。因此,城市空气质量评估需要设计一套完整的、全面的、科学的,以及更具管理意义的评估模式、评估指标和信息报告范式,从而规范数据处理过程、指标计算、信息报告,不仅能提高数据使用效率,还能保证城市空气质量评估结果的科学性、可比性和管理性。我国目前并未见有专门的城市空气质量评估模式,仅《环境空气质量监测规范(试行)》中涉及数据处理的方法,对数据处理的认识简单,数据处理方法缺少系统性设计,难以指导监测数据的分析和利用。国内针对城市空气质量评估的研究较少。(论城市空气环境质量评估模式的完善[J].环境污染与防治,宋国君,宋书灵,2008,30(2):87~90)对城市空气质量评估的完善提出了重要的努力方向,但未作进一步的分析;(城市空气质量连续监测数据处理方法研究[J].环境污染与防治,宋国君,钱文涛,2012(12):84~91)对城市空气质量连续监测数据处理进行了深入研究,但该研究仍未涉及关于信息报告;(耗散结构理论在城市空气质量评估中的应用[J].中国新技术新产品,范建敏.2012, 21(11):5-6)提出通过建立评估指标体系对空气质量进行评估,但这与《环境质量标准》的要求不相符;(论城市空气质量评估模式的改进[J].辽宁城乡环境科技,孙莉,2007,4(2):11-13)中指出用污染物年均值代表整体空气环境质量不合理,建议用污染物季节标准替代年均值标准;(城市空气质量管理满意度评估方法及案例研究[J].环境污染与防治,宋国君,郭美瑜,尹贵斌,2011,9(9):81~86)等提出了城市空气质量管理满意度的测算方法;(设计合理的城市空气质量评估模式[J].环境经济,宋国君,何伟,陈德良. 2013,000(011):15~20.)中认为现行城市空气质量评估存在没有按照《环境空气质量标准》进行评估、空气质量“日”评估不足、评估未成为空气质量管理的主要依据、未对监测数据的代表性进行评估等问题;理想的城市空气质量评估应遵循“质量状况”→“变化趋势”→“因果关系”的“三维分析模式”,按照空气质量标准进行评估,给出完整、全面、科学以及更具管理意义的评估报告;并定期核查监测点的代表性。
综上所述:上述研究主要存在以下方面的缺陷:
(1)以往的空气质量评估信息挖掘能力较低。空气质量评估是一个较为全面关于空气质量状况的描述和测评,也是一个关于空气质量监测指标数据的深尺度、多方面的信息挖掘和分析的过程,识别的问题越多、越深,空气质量管理的决策支撑能力越强。以往的空气质量仅限于对于给定的空气质量监测数据与环境空气质量标准的简单比较判别,缺乏对海量监测数据的深入挖掘与分析。
(2)现有空气质量评估缺乏污染成因诊断。空气质量监测数据主要包括6项常规空气污染物,不同污染物、不同监测点位、不同时间段的数据之间的耦合交互分析,能够反应出区域性、属地性的空气污染成因,例如,一般情况下,PM2.5浓度升高将会伴随SO2、NO2 浓度的下降,原因在于部分SO2、NO2在一定程度上实现了PM2.5浓度的转化,成为PM2.5浓度升高的二次来源;同时,PM2.5/PM10的比值结果能够反映出的地区细颗粒物治理的精细化程度和污染来源,PM2.5/PM10比值高,则说明颗粒物污染主要为PM0~2.5的颗粒度污染物;而PM2.5/PM10比值低,说明污染物主要来源为粗颗粒物。
本发明提出的一种城市空气质量评估诊断系统将能够克服上述问题缺陷,为进一步促进大气污染治理的的精细化提供技术方法和支持。
发明内容
针对相关技术中的上述技术问题,本发明提出一种城市空气质量评估诊断系统,能够克服现有技术方法的上述不足。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种城市空气质量评估诊断系统,包括空气质量评估诊断模式模块、技术方法模块,其中,
空气质量评估诊断模式模块主要从城市空气质量的达标状况、超标诊断、管理绩效三个方面展开地区的空气质量评估与诊断,和对数据进行有效性分析;
技术方法模块是采用空气质量评估“三维分析模式”、空气质量分析指标体系、空气污染的空间异质性分析和空气质量超标诊断分析方法。
进一步地,所述城市空气质量的达标状况是依据生态环境部的《环境空气质量标准》和环境空气质量指数(AQI)技术规定来进行分析空气污染物的在年、日、小时尺度的达标状况,和分析污染物的时空分布特征及浓度变化,识别空气污染防治在时间、空间和内容上的重点和优先序。
进一步地,所述空气质量超标诊断是基于空气质量数据的一个深度分析,提出源排放管理的主要对象和诊断评估技术方法和评估报告。
进一步地,所述空气质量管理绩效首先是依据法定评估依据,对空气质量状况做出数据评估;其次,引入气象条件,对气象条件进行类型划分,确定不同气象条件组合类型下的空气质量超标状况和程度。
进一步地,所述对数据进行有效性分析是依据生态环境部《环境空气质量标准》和《环境空气质量评价技术规范(试行)》中的关于6种污染物数据有效性的标准,评估城市国控监测站点的有效小时数达标率(小时尺度)、有效日数(日尺度)、有效月数(年尺度)以及监测点数有效率状况。
进一步地,所述空气质量评估“三维分析模式”是基于监测点小时尺度的监测数据,采用“质量状况”→“变化趋势”→“因果关系”的三维分析模式,对城市所有国控、市控监测点位数据展开分析。
进一步地,所述空气质量评估“三维分析模式”坚持多时空尺度分析原则和最小尺度分析原则,多时空尺度分析原则是建立数据分析的时空矩阵,如分析结果=F(污染物,指标,空间尺度,时间尺度),污染物=(PM10,PM2.5,SO2,NO2,O3),指标=(超标率(小时、日)、浓度均值(小时、日)、AQI与空气质量等级、综合污染指数、累计小时均值),空间尺度=(全市范围,各个监测点),时间尺度=(小时、日(8小时)、周、月、季、期(采暖期或非采暖期)、年);最小尺度分析是连续检测数据处理最为重要的一个方面,包括时间小尺度分析识别污染相对严重的时段,分析浓度变化趋势,空间小尺度分析识别重点污染区域。
进一步地,所述空气质量分析指标体系,空气质量分析指标包括浓度均值、浓度极值、浓度标准差、达标率、空气质量级别天数和受体暴露程度。
进一步地,所述空气污染的空间异质性分析,提出运用相关系数、离散系数、浓度差的90%排名百分位值的统计分析方法,综合确定常规空气污染物空间分布特征。
进一步地,所述空气质量超标诊断分析方法,是基于气象组合分类,识别相同气象条件下的案例城市日空气质量达标状况对比分析;对照已获得的城市污染源连续排放数据分析结果,从日空气污染物浓度变化趋势规律出发,诊断出引发案例城市空气污染物超标的主要源和排放量。
本发明的有益效果:通过提出空气质量达标评价一般模式和主要评价技术指标,对城市群区域空气质量进行评估,为城市空气质量评估提供了较为详细的技术方法,通过提出基于关键性空气污染物(PM2.5、PM10)的比值分析、差值分析和相关性分析方法,和提出区域空气污染溯源诊断技术方法,进一步全面、细化空气质量评估内容,判别不同时段不同污染物之间的浓度比值关系,侧面反映出源排放控制的效果,可以初步确定不同时段的导致颗粒物污染的排放源贡献程度和源排放结构,通过SVM模型构建了城市气象条件类型划分技术方法,构建了空气质量管理绩效评估模式和技术方法,剔除气象条件对空气质量的干扰,能够真实反映出空气质量管理行动的绩效水平,提高空气质量监测数据的使用效率,促进和提升政府环保人员的大气环境污染治理能力现代化。
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,下面将对实施例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发明的一些实施例,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是根据本发明实施例所述的城市空气质量评估诊断系统的空气质量评估诊断模式技术路线示意图。
图2是根据本发明实施例所述的城市空气质量评估诊断系统的空气质量“三维分析模式”示意图。
图3是根据本发明实施例所述的城市空气质量评估诊断系统的空气质量超标诊断流程示意图。
具体实施方式
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所获得的所有其他实施例,都属于本发明保护的范围,为了方便理解本发明的上述技术方案,以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
基于空气质量数据深度分析,提出源排放管理的主要对象和诊断评估技术方法,如对造成重污染天气发生的本地源与外来传输、固定源、面源贡献等的研判结果和技术思路。
根据本发明实施例所述的城市空气质量评估诊断系统,包括空气质量评估诊断模式模块、技术方法模块,其中,
如图1所示,所述空气质量评估诊断模式模块主要是从城市空气质量达标状况、超标诊断、管理绩效等三个方面展开城市的空气质量全面、详细评估与诊断。
以评估咸阳市为例,进行空气质量数据有效性分析是依据生态环境部《环境空气质量标准》(GB3095-2012)、《环境空气质量评价技术规范(试行)》(HJ663-2013)中,关于6种污染物数据有效性的标准,评估咸阳市国控监测站点的有效小时数达标率(小时尺度)、有效日数(日尺度)、有效月数(年尺度)以及监测点数有效率状况,从而初衡量咸阳市空气质量监测数据的质量。
进行空气质量达标状况评估是依据生态环境部《环境空气质量标准》(GB3095-2012)、环境空气质量指数(AQI)技术规定 (试行)(HJ633-2012),分析6类空气污染物的在年、日、小时尺度的达标状况;从时间和空间的角度分析污染物的时空分布特征及浓度变化,识别空气污染防治在时间、空间和内容上的重点和优先序。
进行空气质量超标诊断评估是基于空气质量数据深度分析,提出源排放管理的主要对象和诊断评估技术方法和评估报告,为城市监测点位(国控点位、省控点位、市控点位)的常规空气污染物超标原因提出定量和定性分析结果。
进行空气质量管理绩效评估是在剔除气象条件因素影响的基础上,揭示空气质量管理的实际效果。首先,依据法定评估依据,对空气质量状况做出数据评估;其次,引入气象条件,对气象条件进行类型划分,确定不同气象条件组合类型下的空气质量超标状况和程度;在考虑相同气象条件的2018年、2019年、2020年相邻年份之间的空气质量达标状况差异,准确、科学揭示咸阳市空气质量管理的真实绩效。
所述技术方法模块采用的是空气质量评估“三维分析模式”、空气质量分析指标体系、空气污染的空间异质性分析和空气质量超标诊断分析方法。
如图2所示,所述空气质量评估“三维分析模式”是基于监测点小时尺度的监测数据,采用“质量状况”→“变化趋势”→“因果关系”的三维分析模式,对城市所有国控、市控监测点位空气质量监测数据展开分析,尤其是对其冬季采暖期空气重污染状况展开重点分析。其中,“质量状况”环节主要是指依据国家标准,判别当前污染物的年均值、日均值、小时值等是否达标,同时考虑受体影响程度,将暴露人口作为重要评价指标之一,体现“保护人体健康”的政策目标;“变化趋势”环节主要对空气污染规律进行分析,不仅从时间和空间的角度分析污染物的时空分布特征及浓度变化趋势,而且建立浓度分布规律检验方法,以解决异常值、缺失数据等问题;“因果关系”环节主要是对空气污染原因的识别。综合“质量状态”和“变化趋势”的分析结果,运用浓度均值、达标率、浓度标准差等指标进行源分析,识别污染源及污染原因。
同时还坚持多时空尺度分析和最小尺度分析的原则,如表1 所示,所述多时空尺度分析原则是建立数据分析的时空矩阵,保证数据得到充分利用。所述最小尺度分析是连续监测数据处理最为重要的一个方面。时间小尺度分析可以识别污染相对严重时段,分析浓度变化趋势;空间小尺度分析可以识别重点污染区域,揭示污染程度的空间差异。最小尺度分析可为城市空气质量管理提供重要的决策支持。
多时空尺度分析原则,应按照如下表1的分析维式展开。分析结果=F(污染物,指标,空间尺度,时间尺度),表1中,污染物=(PM10,PM2.5,SO2,NO2,O3等);指标=(超标率(小时、日)、浓度均值(小时、日)、AQI与空气质量等级、综合污染指数、累计小时均值等);空间尺度=(全市范围,各个监测点);时间尺度=(小时、日(8小时)、周、月、季、期(采暖期或非采暖期)、年)。注:“√”表示数据值。
表1空气质量监测数据分析框架
所述空气质量分析指标体系,其中空气质量分析指标包括浓度均值、浓度极值、浓度标准差、达标率、空气质量级别天数和受体暴露程度等;但在数据处理之前,为防止监测过程中可能存在的人为或仪器故障等主客观原因所造成数据缺失或异常现象,必须先核查监测数据质量。通常情况下,监测数据只要满足国家标准中数据有效性的规定即可,无效数据不列入统计范围。
其中浓度均值表示任一时间尺度下某污染物监测浓度的算术平均值,如果在该时间尺度下,样本数据呈正态或对数正态分布,该值可以在一定程度上反映该污染物的污染程度;浓度极值表示某一时间尺度下某污染物监测浓度的最大值和最小值,该指标通常会影响浓度均值的大小;浓度标准差则反应某一时间尺度下某污染物监测浓度的离散程度,根据极值和标准差或离散系数的大小可以判断监测数据的合理性。
其中,空气质量达标率的计算需要严格按照环境空气质量标准进行,改变传统的算术平均后再与标准限制相比较的做法。美国空气质量达标判据主要是采用监测值超标个数这一指标,但由于我国目前城市空气污染相对较为严重,超标个数指标(例如每年不超过1次等) 过于严格,所以现阶段适合采用达标率指标表征空气质量。按照国家标准,达标率可分为日均值达标率和小时均值达标率。通过计算不同时间尺度的达标率,可以判断不同区域和不同时间范围
的空气质量状况,识别主要污染区域和污染时间。以年日均值达标率为例,单个监测点日均值达标率计算公式如下:
式中,ri为监测点污染物1年日均值达标率,ne为全年该监测点污染物i的日均值达标个数,为全年该监测点污染物i有效日均值总数。
在计算涵盖多个监测点的全市超标率时,由于各个监测点的代表性不同,所以达标个数的统计应包含所有监测点的超标个数。全市日均值超标率计算公式如下:
式中,Ri为污染物i全市日均值达标率;ne,j为监测点j污染物 i的达标数据总数;nj为监测点j污染物i的有效监测数据总数。
其中,空气质量级别天数通常是指某个区域达到某一空气质量级别的天数之和。根据我国空气质量标准对污染物浓度限值的规定以及对空气质量级别的划分,城市单日空气质量达第n级标准表示当日该市所有监测点不同污染物浓度日均值均达到该级浓度限值,任一监测点任一污染物浓度日均值超过该级限值,则该日视为超标,不应统计到全年或某一时段该级空气质量天数中。因为监测点位的选择对于表征空气质量和空气污染程度起着决定性作用,不同监测点所获取的数据具有其独特的代表性和不可替代性。所以在描述大空间尺度(如城市范围)的空气质量状况时,区域内所有监测点位都应得到体现。空气质量级别天数计算公式应如下:
式中,M为全市达n级标准天数,是Pj的日数累计;Pj表示单日全市所有监测点各种污染物浓度日均值均达到第n级浓度限值。
其中,空气质量级别人口天数是在空气质量级别天数的基础上,考虑受体影响,将各监测点代表人口数计入权重,第n级空气质量级别人口天数D’n的计算如下:
式中:D’n为T时段第n级城市空气质量人口天数;Dn,j为T时段监测点j第n级空气质量天数;Pj为T时段监测点j代表人口数量; P为T时段城市总人口。
所述空气污染的空间异质性分析是借鉴(伯顿等.1996)、(威尔逊和苏.1997)、(乔治克里斯塔科斯,马克李.Serre 2000)、(朱洪杰等.2015)等人提出的简单分析方法和复杂模型的基础上,提出运用相关系数、离散系数、浓度差的90%排名百分位值等统计分析方法,综合确定常规空气污染物空间分布特征,为跨区域空气污染传输基本特征给出初步判断。
根据国家标准,浓度均值表示任一时间尺度下某污染物监测浓度的算术平均值,如果在该时间尺度下,样本数据呈正态或对数正态分布,该值可以在一定程度上反映该污染物的污染程度;浓度极值表示某一时间尺度下某污染物监测浓度的最大值和最小值,该指标通常会影响浓度均值的大小;浓度标准差则反应某一时间尺度下某污染物监测浓度的离散程度,根据极值和标准差或离散系数的大小可以判断监测数据的合理性。通过浓度的统计学描述不仅可以检验某一时段内的浓度数据质量,还可以初步了解城市空气质量状况。若以年为单位分析城市或某一监测点空气污染物浓度的统计指标,还能判断该区域空气质量的变化趋势,并通过比较不同城市或同一城市不同监测点的统计指标差异,检验并评估管理措施的实际效果,为空气保护规划提供基础。
污染物浓度相关性系数采用皮尔逊相关性系数方法,描述出不同监测点同一污染物浓度在相同时段的皮尔逊相关性系数计算,如果相关系系数Rij的显著性水平P值小于0.05,Rij为正值,且大于0.500 以上,则证明两个监测点的同一污染物的正相关性较为显著,污染源排放的影响较为一致,可以研判为近似于同源污染;如果相关系系数 Rij的显著性水平P值小于0.05,Rij为负值,且大于绝对值在0.500 以上,则证明两个监测点的同一污染物的负相关性较为显著,污染源排放的影响不一致,可以研判为近似于非同源污染,以此可以初步发现区域性污染和属地性污染的贡献程度。
两种污染物浓度比值的作用最主要体现在针对于不同污染物形成的环境化学机理,判别不同时段不同污染物之间的浓度比值关系,侧面反映出源排放控制的效果。例如,对于年、采暖期、非采暖期、季节、节假日等时段的细颗粒物(PM2.5)、颗粒物(PM10)以及粗颗粒物(PM2.5~10)之间的比值分析,可以确定不同时段的导致颗粒物污染的排放源贡献程度和源排放结构。
如图3所示,所述空气质量超标诊断分析方法基于气象组合分类,以剔除气象因素影响为目的,识别相同气象条件下的案例城市日空气质量达标状况对比分析;对照已获得的城市污染源(固定源、面源和移动源)连续排放数据分析结果,从日空气污染物浓度变化趋势规律出发,诊断出引发案例城市空气污染物超标的主要源和排放量。
气象分类是为了绩效评估的需要。气象条件是影响污染物浓度的重要因素,通过气象分类,可以将影响污染物浓度的客观因素进行控制。同一气象类别,代表的是气象条件类似的天。同一气象类别下,对污染物浓度进行横向比较,可以反映减排的效果。
气象分类的方法,大致可分为决策树分类方法和机器学习分类方法两类。其中决策树分类方法,首先按照对污染物浓度影响最大的气象因素进行分类,之后,逐步引入对污染物浓度影响次之的气象因素,从而进行气象分分类。但是由于决策树分类方法存在一定的局限,一是有时无法将气象条件完全分开,二是有时会出现类别过多的情况,导致气象类别间的比较难以有效进行。本研究将采用基于SVM或神经网络机器学习进行气象类型组合分类。
机器学习方法,是建立的是污染物浓度与气象因素的量化关系。通过采用SVM或神经网络算法,我们利用历史数据对样本进行训练,从而建立了污染物浓度与气象因素的量化关系模型。之后,我们将任何一天的气象因素代入这一模型,模型给出的污染物浓度输出,代表的是该气象条件下的污染物浓度可能值。该值较高的,代表当天的气象条件组合不利于扩散;该值较低的,代表当天的气象条件组合利于扩散。之后,我们基于模拟值的分布制定一个标准,实现气象的分类。
具体实施即为利用SVM回归,气象因素为自变量,污染物浓度为因变量,建立预测模型,该预测模型反映了气象因素对污染物浓度的影响。将历史气象数据作为自变量代入模型,即可得到历史空气质量预测值,通过观察预测值的分布图,利用预测值分段的方法,即可划分不同的气象类别。气象的SVM分类方法过程:
1)首先,对2017-2019年城市空气质量监测日均值数据按照各类污染物浓度划分为若干级别(用均值±标准差的形式确定分类界限)。之后,利用SVM分类器,建立用于判别气象分类的模型:
2)纳入气象分类模型的数据包括气象实测数据和6类空气污染物浓度实测数据。模型的解释变量包括最低气温、最高气温、平均气压、平均湿度、平均风速、是否降雨、是否采暖、风向等八个变量。被解释变量为基于各类空气污染物浓度的分类结果。
3)引入虚拟变量,利用零一分类变量对是否采暖期、是否降雨两个变量进行分类。根据空气污染物浓度的类别将气象类别进行标识。风向分为四个主导风向,采用虚拟变量进行标识。除了解释变量中的两个分类变量以及被解释变量中的一个分类变量外,其余解释变量均进行标准化处理。
4)将标准化处理后的数据随机划分为训练集合测试集,应用 matlab软件建立svm气象分类模型。模型建立后每年更新,不断扩充样本数量以提高分类准确性。
5)气象条件直接影响污染物扩散和二次污染物的形成过程,因此重污染的成因诊断首先需要对气象因素进行分析。具体地,包括气象类型分析、气象类型均值比较和同类气象浓度百分位比较。
综上所述,借助于本发明的上述技术方案,通过提出了空气质量达标评价一般模式和主要评价技术指标,并对辽宁中部城市群区域空气质量状况进行了达标评估,为城市空气质量评估提供了较为详细的技术方法,整体表明,近两年,辽宁中部城市群空气质量有效性水平显著提升,满足国家对于年度空气质量日均值有效率的要求;辽宁中部城市群7个地级以上城市PM2.5、PM10和O3_8h普遍超标,且2018 年至2019年各个监测点PM2.5、PM10日均值超标状况没有改善,且存在明显恶化;所有监测点O3_8h超标状况均有所改善。辽宁中部城市群7个地级以上城市均表现出显著改善的趋势,污染天数显著减少,基本不存在空气严重污染天的发生。
本研究通过提出基于关键性空气污染物(PM2.5、PM10)的比值分析、差值分析和相关性分析方法,提出了区域空气污染溯源诊断技术方法,应用于辽宁中部城市群7个地级以上城市的空气污染诊断,整体表明,辽宁中部城市群的PM2.5、PM10和O3污染的同源性可能非常大;多数城市的PM2.5/PM10位于0.40~0.60之间,表明颗粒物污染既存在PM2.5污染物的空气固定源的直接排放,也存在粗颗粒的扬尘污染排放,基本各占50%左右。2018年至2019年,辽宁中部城市群中,仅本溪市、营口市的PM2.5~10粗颗粒物排放量逐渐下降,其他地级以上城市的PM2.5~10粗颗粒物排放量逐渐增加,因此对于不同城市所应该采用的空气污染控制方案和措施理应进行差异性对待。
利用SVM模型构建了城市气象条件类型划分技术方法,据此构建了空气质量管理绩效评估模式和技术方法,据此对辽宁中部城市群的重点城市——沈阳市的2017年、2018年、2019年的各个监测点的空气质量管理效果进行剔除气象因素干扰的6项常规空气污染物改善趋势进行深入评估,整体表明2018年比2017年,六种污染物的管控效果好,空气质量改善明显;2019年比2018年除了对PM2.5和PM10 整体的管控效果变差,空气质量出现下降外,对其他物种污染物的管控效果相对较好,空气质量继续改善,但是改善没有2018年明显。
达到进一步全面、细化空气质量评估内容;剔除气象条件对空气质量的干扰,能够真实反映出空气质量管理行动的绩效水平。判别不同时段不同污染物之间的浓度比值关系,侧面反映出源排放控制的效果,可以初步确定不同时段的导致颗粒物污染的排放源贡献程度和源排放结构;提高空气质量监测数据的使用效率,促进和提升政府环保人员的大气环境污染治理能力现代化。
以上所述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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种城市空气质量评估诊断系统,其特征在于,包括空气质量评估诊断模式模块、技术方法模块,其中,
空气质量评估诊断模式模块主要从城市空气质量的达标状况、超标诊断、管理绩效三个方面展开地区的空气质量评估与诊断,和对数据进行有效性分析;
技术方法模块是采用空气质量评估“三维分析模式”、空气质量分析指标体系、空气污染的空间异质性分析和空气质量超标诊断分析方法。
2.根据权利要求1所述的城市空气质量评估诊断系统,其特征在于,所述城市空气质量的达标状况是依据生态环境部的《环境空气质量标准》和环境空气质量指数技术规定来进行分析空气污染物的在年、日、小时尺度的达标状况,和分析污染物的时空分布特征及浓度变化,识别空气污染防治在时间、空间和内容上的重点和优先序。
3.根据权利要求1所述的城市空气质量评估诊断系统,其特征在于,所述空气质量超标诊断是基于空气质量数据的一个深度分析,提出源排放管理的主要对象和诊断评估技术方法和评估报告。
4.根据权利要求1所述的城市空气质量评估诊断系统,其特征在于,所述空气质量管理绩效首先是依据法定评估依据,对空气质量状况做出数据评估;其次,引入气象条件,对气象条件进行类型划分,确定不同气象条件组合类型下的空气质量超标状况和程度。
5.根据权利要求1所述的城市空气质量评估诊断系统,其特征在于,所述对数据进行有效性分析是依据生态环境部《环境空气质量标准》和《环境空气质量评价技术规范(试行)》中的关于6种污染物数据有效性的标准,评估城市国控监测站点的有效小时数达标率(小时尺度)、有效日数(日尺度)、有效月数(年尺度)以及监测点数有效率状况。
6.根据权利要求1所述的城市空气质量评估诊断系统,其特征在于,所述空气质量评估“三维分析模式”是基于监测点小时尺度的监测数据,采用“质量状况”→“变化趋势”→“因果关系”的三维分析模式,对城市所有国控、市控监测点位空气质量监测数据展开分析。
7. 根据权利要求1所述的城市空气质量评估诊断系统,其特征在于,所述空气质量评估“三维分析模式”坚持多时空尺度分析原则和最小尺度分析原则,多时空尺度分析原则是建立数据分析的时空矩阵,如分析结果= F(污染物,指标,空间尺度,时间尺度),污染物 =(PM10,PM2.5,SO2,NO2,O3),指标=(超标率(小时、日)、浓度均值(小时、日)、AQI与空气质量等级、综合污染指数、累计小时均值),空间尺度=(全市范围,各个监测点),时间尺度=(小时、日(8小时)、周、月、季、期(采暖期或非采暖期)、年);最小尺度分析是连续检测数据处理最为重要的一个方面,包括时间小尺度分析识别污染相对严重的时段,分析浓度变化趋势,空间小尺度分析识别重点污染区域。
8.根据权利要求1所述的城市空气质量评估诊断系统,其特征在于,所述空气质量分析指标体系,空气质量分析指标包括浓度均值、浓度极值、浓度标准差、达标率、空气质量级别天数和受体暴露程度。
9.根据权利要求1所述的城市空气质量评估诊断系统,其特征在于,所述空气污染的空间异质性分析,提出运用相关系数、离散系数、浓度差的90%排名百分位值的统计分析方法,综合确定常规空气污染物空间分布特征。
10.根据权利要求1所述的城市空气质量评估诊断系统,其特征在于,所述空气质量超标诊断分析方法是基于气象组合分类,识别相同气象条件下的案例城市日空气质量达标状况对比分析;对照已获得的城市污染源连续排放数据分析结果,从日空气污染物浓度变化趋势规律出发,诊断出引发案例城市空气污染物超标的主要源和排放量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110505844.1A CN113554052A (zh) | 2021-05-10 | 2021-05-10 | 一种城市空气质量评估诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110505844.1A CN113554052A (zh) | 2021-05-10 | 2021-05-10 | 一种城市空气质量评估诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113554052A true CN113554052A (zh) | 2021-10-26 |
Family
ID=78130165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110505844.1A Pending CN113554052A (zh) | 2021-05-10 | 2021-05-10 | 一种城市空气质量评估诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554052A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018348A (zh) * | 2022-06-20 | 2022-09-06 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
CN115931659A (zh) * | 2022-10-31 | 2023-04-07 | 信阳师范学院 | 一种城市堆场扬尘对空气质量影响评估的系统和方法 |
CN117054616A (zh) * | 2023-09-20 | 2023-11-14 | 青岛熙正数字科技有限公司 | 一种基于人工智能的远程中台大气污染溯源系统 |
CN117932278A (zh) * | 2024-03-22 | 2024-04-26 | 四川省生态环境科学研究院 | 一种智慧城市环保监控系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626624A (zh) * | 2020-05-29 | 2020-09-04 | 四川省环境政策研究与规划院 | 一种空气质量改善评价方法 |
US20200393434A1 (en) * | 2019-06-13 | 2020-12-17 | Southern University Of Science And Technology | Evaluation method for impact of emission control on air quality, device and storage medium thereof |
WO2021026792A1 (zh) * | 2019-08-14 | 2021-02-18 | 柯灵爱尔(北京)环境技术中心 | 一种选择污染物治理措施的方法 |
-
2021
- 2021-05-10 CN CN202110505844.1A patent/CN113554052A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200393434A1 (en) * | 2019-06-13 | 2020-12-17 | Southern University Of Science And Technology | Evaluation method for impact of emission control on air quality, device and storage medium thereof |
WO2021026792A1 (zh) * | 2019-08-14 | 2021-02-18 | 柯灵爱尔(北京)环境技术中心 | 一种选择污染物治理措施的方法 |
CN111626624A (zh) * | 2020-05-29 | 2020-09-04 | 四川省环境政策研究与规划院 | 一种空气质量改善评价方法 |
Non-Patent Citations (7)
Title |
---|
姜妮;: "《中国城市空气质量管理绩效评估报告》正式发布 报告显示, 空气质量保护严重滞后于经济发展", 环境经济, no. 05 * |
宋国君 等: "沈阳市PM2.5 浓度ARIMA-SVM 组合预测研究", 中国环境科学, pages 1 - 4 * |
宋国君;何伟;: "研究制定城市空气质量达标规划", 环境经济, no. 11 * |
宋国君;何伟;陈德良;: "设计合理的城市空气质量评估模式", 环境经济, no. 11, pages 15 - 19 * |
宋国君;宋书灵;: "论城市空气环境质量评估模式的完善", 环境污染与防治, no. 02 * |
宋国君;钱文涛;: "城市空气质量连续监测数据处理方法研究", 环境污染与防治, no. 12, pages 1 - 3 * |
黄酉腊;刘帅;宋国君;: "危险空气污染物定量风险评估案例研究", 南京工业大学学报(社会科学版), no. 04 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018348A (zh) * | 2022-06-20 | 2022-09-06 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
CN115018348B (zh) * | 2022-06-20 | 2023-01-17 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
CN115931659A (zh) * | 2022-10-31 | 2023-04-07 | 信阳师范学院 | 一种城市堆场扬尘对空气质量影响评估的系统和方法 |
CN115931659B (zh) * | 2022-10-31 | 2023-11-03 | 信阳师范学院 | 一种城市堆场扬尘对空气质量影响评估的系统和方法 |
CN117054616A (zh) * | 2023-09-20 | 2023-11-14 | 青岛熙正数字科技有限公司 | 一种基于人工智能的远程中台大气污染溯源系统 |
CN117054616B (zh) * | 2023-09-20 | 2024-03-26 | 青岛熙正数字科技有限公司 | 一种基于人工智能的远程中台大气污染溯源系统 |
CN117932278A (zh) * | 2024-03-22 | 2024-04-26 | 四川省生态环境科学研究院 | 一种智慧城市环保监控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113554052A (zh) | 一种城市空气质量评估诊断系统 | |
CN111382951B (zh) | 一种城市空气质量改善目标的分配方法 | |
CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
CN102184490A (zh) | 城市水资源实时监控与管理系统及方法 | |
CN112651553A (zh) | 一种城市大气污染预警监管和决策分析的方法 | |
CN115688045A (zh) | 一种污染源数据融合分析方法 | |
CN111160993A (zh) | 基于用户负荷报装的用户实用及阶段释放系数的分析方法 | |
CN114021808A (zh) | 一种基于突发事件影响等级识别的电力资源配置方法 | |
Song et al. | Risk analysis and assessment of water resource carrying capacity based on weighted gray model with improved entropy weighting method in the central plains region of China | |
Mumpower et al. | Scientific information, social values, and policy formation: The application of simulation models and judgment analysis to the Denver regional air pollution problem | |
Wolff et al. | Ozone air quality over North America: Part I—A review of reported trends | |
CN109725121B (zh) | 一种生成采样任务的方法和系统 | |
Pohoata et al. | A complex analysis employing ARIMA model and statistical methods on air pollutants recorded in Ploiesti, Romania | |
CN116681330A (zh) | 一种公路隧道机电系统运行状态分类及综合评价方法 | |
CN110533213A (zh) | 基于支持向量机的输电线路缺陷风险建模及其预测方法 | |
CN112256693A (zh) | 一种预测线路故障停电和用户投诉的方法 | |
CN114049033A (zh) | 一种基于用电数据分布的排污企业监测方法 | |
CN106813645A (zh) | 一种清洁河流的断面综合评价方法 | |
Ma et al. | The representativeness of air quality monitoring sites in the urban areas of a mountainous city | |
Borges et al. | Ground-level ozone prediction using a neural network model based on meteorological variables and applied to the metropolitan area of São Paulo | |
Saeipourdizaj et al. | Clustering the Concentrations of PM 10 and O 3: Application of Spatiotemporal Model–Based Clustering | |
Asadollahfardi et al. | Air pollution study using factor analysis and univariate Box-Jenkins modeling for the northwest of Tehran | |
CN217305072U (zh) | 一种污染源自动监控非现场执法数据分析研判系统 | |
Shah et al. | A Review of Chronological Evolution of Air Quality Indexing Systems (1966 to 2021) | |
Wang et al. | Policy uncertainty reduces green investment |
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 |