CN113688493B - 一种基于污染过程分型的大气污染潜在源区识别方法 - Google Patents

一种基于污染过程分型的大气污染潜在源区识别方法 Download PDF

Info

Publication number
CN113688493B
CN113688493B CN202110540876.5A CN202110540876A CN113688493B CN 113688493 B CN113688493 B CN 113688493B CN 202110540876 A CN202110540876 A CN 202110540876A CN 113688493 B CN113688493 B CN 113688493B
Authority
CN
China
Prior art keywords
pollution
track
data
potential source
grading
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
Application number
CN202110540876.5A
Other languages
English (en)
Other versions
CN113688493A (zh
Inventor
杨红刚
曹阳
王媛媛
尹术文
刘志翔
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 CN202110540876.5A priority Critical patent/CN113688493B/zh
Publication of CN113688493A publication Critical patent/CN113688493A/zh
Application granted granted Critical
Publication of CN113688493B publication Critical patent/CN113688493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Fuzzy Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于污染过程分型的大气污染潜在源区识别方法，包括以下步骤：(1)获取目标点位的污染物浓度历史监测数据；(2)按污染过程对数据进行分型处理：(3)获取与浓度数据匹配的气象数据；(4)将获取的气象数据输入HYSPLIT模型，通过轨迹计算，模拟得到经过目标点位的气团运动轨迹；(5)将污染物浓度数据输入HYSPLIT模型，建立覆盖所有轨迹模拟结果的二维网格，运用多种的轨迹统计方法分别得到潜在源区识别结果；(6)利用统计分级方法将各种计算结果分别划分成N个等级并赋值，得到网格(i，j)的重要性分指数Li，j，k及综合重要性指数Mi，j。本发明提供了一种潜在源区重要性综合评价方法，提高了潜在源区识别的准确性。

Description

一种基于污染过程分型的大气污染潜在源区识别方法
技术领域
本发明涉及环境监测技术领域，更具体的涉及一种基于污染过程分型的大气污染潜在源区识别方法。
背景技术
近年来，大气污染物排放总量强度增大，物种复杂多变，表现为PM2.5、O3和NO2为代表的复合污染问题日益严峻。由于污染物自身的空间溢出效应，大气复合污染不仅受本地排放源活动水平的影响，还受到来自周边潜在源区的气团传输影响。因此，准确识别潜在源区对于区域间开展大气复合污染联防联控工作具有重要意义。
目前，识别大气污染潜在源区的通常采用的方法是基于拉格朗日混合单粒子轨道模型（Hybrid Single-Particle Lagrangian Integrated Trajectory, HYSPLIT）模型，采用各类的轨迹统计方法对污染物浓度观测数据和气象数据进行分析后得到。然而，上述方法并没有对原始数据进行污染过程分型处理，因此容易将污染期与非污染期数据混淆，从而影响识别结果的准确性。同时，采用的轨迹统计方法也各有利弊，如PSCF（potentialsource contribution function）方法可以反映不同网格污染贡献率，但是因为需要预设污染阈值，因而不能计算所有轨迹；CWT（concentration weighted field）方法可以定量计算所有轨迹，但在识别长距离潜在源区时敏感性较差；RTWC（residence time weightedconcentration）方法通过迭代计算提高了识别的针对性，但是误差稍大；QTBA（quantitativetransport bias analysis）方法可以评估轨迹的不确定性，但是常常存在虚假源。上述方法当前仍缺少一种整合方式，常常无法满足潜在源区识别的准确性要求。
发明内容
针对上述技术问题，本发明提供一种基于污染过程分型的大气污染潜在源区识别方法，以满足以下目的：（1）降低原始数据中非污染期数据干扰；（2）实现一种轨迹统计整合分析方法，提高识别准确度，为区域大气污染防治提供科学参考。
为了实现上述目的，本发明采用了如下技术方案：
本发明提供了一种基于污染过程分型的大气污染潜在源区识别方法，包括以下步骤：
步骤S1：获取目标点位的污染物浓度历史监测数据，并按照时间序列得到各项污染物浓度变化情况；
步骤S2：按污染过程对数据进行分型处理，按指数评价法获取各个污染物项目的空气质量分指数（IAQI），基于IAQI对污染过程进行判定是否发生污染过程，并得到不同的污染过程分型，筛选出不同污染过程对应的污染物浓度时间序列数据：
步骤S3：获取与步骤S2得到的浓度数据匹配的气象数据，其中，气象数据的时间范围至少应包含后续气团轨迹模拟的预设时间范围；
步骤S4：将步骤S3获取的气象数据输入HYSPLIT模型，通过轨迹计算，模拟得到经过目标点位的气团运动轨迹；
步骤S5：将步骤S2得到的污染物浓度数据输入HYSPLIT模型，同时建立覆盖所有轨迹模拟结果的二维网格，运用两种及以上的轨迹统计方法分别得到潜在源区识别结果；
步骤S6：利用统计分级方法将步骤S5得到的各种计算结果分别划分成相同的N个等级并赋值，得到网格（i，j）的重要性分指数L i，j，k，叠加多种方法的重要性评价结果得到一个综合重要性指数M i，j，即可得到潜在源区综合重要性分布结果。
进一步，所述步骤S1中污染物为SO2、NO2、O3、CO、PM10及PM2.5中的任意一项或多项；浓度数据的时间精度不大于1小时。
进一步，所述步骤S2中，判定是否发生污染过程的方法为：当某种污染物的IAQI日均值连续2日（48小时）及以上大于100（污染质量类别为轻度污染及以上）时，即判定该污染物发生污染过程。
进一步，所述步骤S2中，IAQI计算公式如下：
式中，IAQIp为污染物项目P的空气质量分指数；C p为污染物项目P的质量浓度值；BPHi为与C p相近的污染物浓度限值的高位值；BPLo为与C p相近的污染物浓度限值的低位值；IAQIHi为与BPHi对应的空气质量分指数；IAQLo为与BPLo对应的空气质量分指数。
进一步，所述步骤S3中气象数据的来源是全球资料同化系统（GDAS）数据集，其空间分辨率为1°×1°。
进一步，所述步骤S4中，轨迹模拟前需要输入模拟时间、目标点坐标以及模拟高度等信息，轨迹模拟的时间间隔需要不小于污染物浓度数据的时间精度。
进一步，所述步骤S5中，建立的二维网格分辨率不大于1°×1°。
进一步，所述步骤S5中，所述可运用的轨迹统计方法包括PSCF、CWT、RTWC和QTBA方法；PSCF方法需要预设污染浓度阈值。RTWC方法是一种迭代计算方法，PSCF、CWT和QTBA三种方法均为非迭代计算方法；
PSCF方法的计算公式为：
式中，n i，j为通过网格（i，j）所有轨迹端点数，m i，j为通过网格（i，j）的污染轨迹端点数，W i，j为网格（i，j）的经验权函数，n ave为网格平均轨迹端点数；
CWT方法的计算公式为：
式中，M为轨迹总数，C m是轨迹m在目标点观测到的浓度值，t i，j，m是轨迹m经过网格（i，j）的时间，W i，j为网格（i，j）的经验权函数；
RTWC方法的计算公式为：
式中，M为轨迹总数，N m为轨迹m被网格分割的总段数，C n，m是轨迹m第n段的浓度值，ti，j，n，m是轨迹m第n段经过网格（i，j）的时间。该方法通过反复迭代计算上式获得更新的浓度场，直到达到设定的收敛条件即可得到网格RTWC分布；
QTBA方法的计算公式为：
式中，M为轨迹总数，x、y是轨迹m经过网格（i，j）的端点经纬度，x R 、y R是目标点的经纬度，T是轨迹m从端点到目标点的总时间，为在积分时间T内潜在传输系数的分布函数，C m是轨迹m在目标点观测到的浓度值，a是大气扩散速度，v是t时刻轨迹中心点所在位置距离目标点的距离的平方。
进一步，所述步骤S6中，可运用的统计分级方法包括自然间断点分级、几何间隔分级、分位数分级、标准差分级、等间距分级等方法；
自然间断点分级法：是基于数据中固有的自然分组，对分类间隔加以识别，可对相似值进行最恰当的分组，并可使各个类之间的差异最大化的方法。该方法将所有元素分为N个子集，分别计算每个子集的总偏差平方和（SDAM），并对各个子集的SDAM进行求和得到SDAM1，同理分类结果也可以划分为N类的其他情况，依次计算出SDCM2……，选择其中最小的一个值SDAMmin，SDAMmin对应的分类子集即为自然间断点分级法的输出结果。
其中，SDAM计算公式为：
式中，n为数组中元素个数，X i为第i个元素的值，为组内元素的均值。
分位数分级法：是将一个随机变量的概率分布范围分为几个等份的数值点的方法，按照各级区间值域占总值域的百分比相等进行分级。
几何间隔分级法：按照数值几何间距进行分级，使每个级别的元素数的平方和最小。
标准差分级法：是以均值为中心，以标准差的倍数为级差，分别向大于和小于均值的两个方向进行分级的方法。
等间距分级法：是按各元素数值等值间隔进行分级的方法。
进一步，所述步骤S6中，L i，j，k和M i，j的计算公式如下：
式中，L i，j，k为第k种轨迹统计方法对网格（i，j）的重要性分指数，X k为利用第k种轨迹统计方法计算的网格（i，j）污染值，N为统计分级方法将计算结果划分的子集数，X k,1……X k,N-1为计算结果分级点对应的值，M i，j为结合K种轨迹统计方法叠加得到的网格（i，j）的综合重要性指数，可以直观地反映结合K种轨迹统计方法对网格（i，j）的潜在源区重要性综合评价的结果，弥补了单一方法评价时存在的缺陷，提高识别准确度。
本发明创造的有益效果：
（1）本发明根据不同污染过程对原始污染物浓度数据进行了分型处理，有针对性地简化了数据处理量，同时也降低了非污染数据的干扰；
（2）本发明通过引入重要性评价指数，连接起多种轨迹统计方法，实现了一种潜在源区重要性综合评价方法，提高了潜在源区识别的准确性，能够为区域大气污染防治提供科学参考。
附图说明
图1为本发明的大气污染物浓度数据分型及潜在源区识别方法流程图；
图2为武汉市冬季大气污染物浓度数据分型结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
实施例
本发明提供的一种基于污染过程分型的大气污染潜在源区识别方法，如图1所示，本发明包括以下步骤：
步骤S1：获取目标点污染物浓度监测数据。
具体的，以武汉市为例，通过地面环境空气质量监测站点（30.56°N，114.25°E）获取到武汉市2018年12月~2019年2月污染物浓度信息，并按照时间顺序进行排列。
主要监测指标为：SO2、NO2、O3、CO、PM10及PM2.5共6项。
浓度数据的时间精度为1小时，在线监测系统每日逐时检测平均值，并自动生成每日平均值。
步骤S2：对污染物数据进行分型处理。
具体的，需要先计算SO2、NO2、O3、CO、PM10及PM2.5共6个项目的IAQI日均值，再基于IAQI对污染过程进行判定：当某种污染物的IAQI日均值连续2日（48小时）及以上大于100（污染质量类别为轻度污染及以上）时，即判定该污染物发生污染过程。
计算结果显示，目标点2018年12月~2019年2月期间仅出现了PM2.5污染过程，未出现其他5个项目的污染过程。
将所有污染过程（即PM2.5污染过程1~8）对应的浓度时间序列数据抽出，如此便有针对性地简化了后续潜在源区识别过程的数据处理量，同时也降低了非污染数据的干扰。
步骤S3：匹配气象数据。
具体的，通过美国国家海洋和大气管理局（NOAA）公开的GDAS数据集获取到与PM2.5污染过程1~8匹配的气象数据，空间分辨率为1°×1°。
其中，由于后续气团轨迹模拟时间设置为后向48h，因此使用的气象数据的时间范围包含了PM2.5污染过程1~8发生前48h。
步骤S4：模拟气团运动轨迹。
具体的，将步骤S3获取的GDAS气象数据输入HYSPLIT模型，使用轨迹计算功能，模拟得到经过目标点位的气团运动轨迹。
其中，输入的目标点坐标为（30.56°N，114.25°E），模拟时间范围设置为PM2.5污染过程1~8发生前48h，轨迹模拟的时间间隔设置为1h，与所用的污染物浓度数据的时间精度相同，模拟高度设置为500 m，这一高度的气流能够较为明显反映大气输送特征。
步骤S5：运用多方法对轨迹统计分析。
具体的，将步骤S2得到的PM2.5污染过程1~8对应的浓度时间序列数据输入HYSPLIT模型，同时建立一个覆盖所有轨迹模拟结果的二维网格，网格经度范围为92.00°E~125°E，纬度范围为21.00°N~48.00°N，分辨率为1°×1°。本实施例中运用了PSCF和CWT两种方法计算了子网格（i，j）的潜在源区值。
运用PSCF方法计算时预设的污染轨迹浓度阈值为75 μg/m3，网格平均轨迹端点数n ave=7。使用PSCF法后得到的结果反映了不同网格内的污染端点比例，PSCF值越大，表明污染轨迹占比越高，对目标点影响也越大。PSCF方法计算结果显示武汉市冬季PM2.5污染过程期间，PSCF高值区主要分布在湖北省东部和中部，以及江西省北部、山东省西南部和鲁苏豫皖四省交界地区，说明这些地区的气团传输对武汉市PM2.5污染贡献较大，是武汉市PM2.5污染的主要潜在源区。
然而，因为PSCF方法是一个条件概率函数，设置了污染阈值，所以计算时忽略了小于阈值的轨迹，得到的潜在源区范围较小。
CWT方法采用浓度加权计算并反映不同路径上的污染程度，由于加入了浓度权重考量，CWT方法得到的潜在源区范围明显较PSCF方法更大，同时它对高值区划分得更细，其中，影响程度最大的为山东省西南部和鲁苏豫皖四省交界地区，其CWT值在120 μg/m3以上，其次是湖北省中部和东部、江西省北部以及河南省南部等地区，其CWT值在80~120 μg/m3。
然而，CWT方法对于东部长距离潜在源区的识别结果却存在明显缺失，对传输过程中气团裹挟沿途下垫面沙尘的污染信息没能有效识别。同时，它对于来自西部的海上颗粒物回流及海盐长距离传输的识别结果也存在明显缺失。
步骤S6：叠加潜在源区重要性分指数，得到综合重要性分布。
具体的，本实例运用自然间断点分级方法对步骤S5得到的PSCF和CWT计算结果划分成9个等级并赋值，得到子网格（i，j）的重要性分指数L i，j，1和L i，j，2，叠加两种方法的重要性评价结果得到一个综合重要性指数M i，j，即可得到潜在源区综合重要性分布结果。
综合重要性指数评价结果反映了武汉市冬季PM2.5潜在源区综合重要性分布情况，由于本发明引入了重要性评价指数，建立了PSCF和CWT两种轨迹统计方法之间的联系，得到的结果兼顾了潜在源区识别的全面性和准确性，既有效识别了浓度低值区和东西部长距离传输过程区，也对潜在源区重要性进行了细致的划分。武汉市PM2.5潜在源区主要分布在湖北省东部和中部，包括黄冈、黄石、咸宁、荆门等城市，以及江西省北部、山东省西南部和鲁苏豫皖四省交界等地区，该结果能够为武汉市冬季大气污染防治提供科学参考。
以上所述，仅为本发明较佳的具体实施方式，但本发明保护的范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内所做的任何修改，等同替换和改进等，均应包含在发明的保护范围之内。

Claims (9)

1.一种基于污染过程分型的大气污染潜在源区识别方法，其特征在于，包括以下步骤：
步骤S1：获取目标点位的污染物浓度历史监测数据，并按照时间序列得到各项污染物浓度变化情况；
步骤S2：按污染过程对数据进行分型处理，按指数评价法获取各个污染物项目的空气质量分指数IAQI，基于IAQI对污染过程进行判定是否发生污染过程，并得到不同的污染过程分型，筛选出不同污染过程对应的污染物浓度时间序列数据：
步骤S3：获取与步骤S2得到的浓度数据匹配的气象数据；
步骤S4：将步骤S3获取的气象数据输入HYSPLIT模型，通过轨迹计算，模拟得到经过目标点位的气团运动轨迹；
步骤S5：将步骤S2得到的污染物浓度数据输入HYSPLIT模型，同时建立覆盖所有轨迹模拟结果的二维网格，运用两种及以上的轨迹统计方法分别得到潜在源区识别结果；
步骤S6：利用统计分级方法将步骤S5得到的各种计算结果分别划分成N个等级并赋值，得到网格（i，j）的重要性分指数L i，j，k，叠加多种方法的重要性评价结果得到一个综合重要性指数M i，j，即可得到潜在源区综合重要性分布结果。
2.根据权利要求1所述的方法，其特征在于：所述步骤S1中污染物为SO2、NO2、O3、CO、PM10及PM2.5中的任意一项或多项；浓度数据的时间精度不大于1小时。
3.根据权利要求1所述的方法，其特征在于：所述步骤S2中，判定是否发生污染过程的方法为：当某种污染物的IAQI日均值连续2日及以上大于100时，即判定该污染物发生污染过程。
4.根据权利要求1所述的方法，其特征在于：所述步骤S3中气象数据的来源是全球资料同化系统GDAS数据集，其空间分辨率为1°×1°。
5.根据权利要求1所述的方法，其特征在于：所述步骤S4中，轨迹模拟前需要输入模拟时间、目标点坐标以及模拟高度信息，轨迹模拟的时间间隔需要不小于污染物浓度数据的时间精度。
6.根据权利要求1所述的方法，其特征在于：所述步骤S5中，建立的二维网格分辨率不大于1°×1°。
7.根据权利要求1所述的方法，其特征在于：所述步骤S5中，所述可运用的轨迹统计方法包括PSCF、CWT、RTWC和QTBA方法。
8.根据权利要求1所述的方法，其特征在于：所述步骤S6中统计分级方法包括自然间断点分级、相等间隔分级、分位数分级、几何间隔分级和标准差分级方法。
9.根据权利要求1所述的方法，其特征在于，L i，j，k和M i，j的计算公式如下：
式中，L i，j，k为第k种轨迹统计方法对网格（i，j）的重要性分指数，X k为利用第k种轨迹统计方法计算的网格（i，j）污染值，N为统计分级方法将计算结果划分的子集数，X k,1……X k,N-1为计算结果分级点对应的值，M i，j为结合K种轨迹统计方法叠加得到的网格（i，j）的综合重要性指数。
CN202110540876.5A 2021-05-18 2021-05-18 一种基于污染过程分型的大气污染潜在源区识别方法 Active CN113688493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110540876.5A CN113688493B (zh) 2021-05-18 2021-05-18 一种基于污染过程分型的大气污染潜在源区识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110540876.5A CN113688493B (zh) 2021-05-18 2021-05-18 一种基于污染过程分型的大气污染潜在源区识别方法

Publications (2)

Publication Number Publication Date
CN113688493A CN113688493A (zh) 2021-11-23
CN113688493B true CN113688493B (zh) 2023-09-22

Family

ID=78575393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110540876.5A Active CN113688493B (zh) 2021-05-18 2021-05-18 一种基于污染过程分型的大气污染潜在源区识别方法

Country Status (1)

Country Link
CN (1) CN113688493B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114154828A (zh) * 2021-11-25 2022-03-08 泛测（北京）环境科技有限公司 大气污染区域传输分析方法和系统
CN114241157A (zh) * 2021-12-16 2022-03-25 中科三清科技有限公司 一种空气质量可视化显示方法、装置和设备
CN118115180B (zh) * 2024-04-30 2024-07-26 北京中科三清环境技术有限公司 识别高贡献浓度的热点网格的方法与装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150056676A (ko) * 2013-11-14 2015-05-27 광주과학기술원 국가 간 입자상 대기 오염물질의 수송 여부 판단방법
CN106339775A (zh) * 2016-08-23 2017-01-18 北京市环境保护监测中心 基于天气分型和气象要素聚类的空气重污染案例判别方法
CN108320805A (zh) * 2018-03-14 2018-07-24 中南大学 一种公众空气污染暴露风险测量指数计算方法
CN111458456A (zh) * 2020-03-04 2020-07-28 生态环境部南京环境科学研究所 一种基于cwt的大气一次污染物外来源定量分析方法
CN112182064A (zh) * 2020-09-25 2021-01-05 中科三清科技有限公司 一种污染物来源分析方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150056676A (ko) * 2013-11-14 2015-05-27 광주과학기술원 국가 간 입자상 대기 오염물질의 수송 여부 판단방법
CN106339775A (zh) * 2016-08-23 2017-01-18 北京市环境保护监测中心 基于天气分型和气象要素聚类的空气重污染案例判别方法
CN108320805A (zh) * 2018-03-14 2018-07-24 中南大学 一种公众空气污染暴露风险测量指数计算方法
CN111458456A (zh) * 2020-03-04 2020-07-28 生态环境部南京环境科学研究所 一种基于cwt的大气一次污染物外来源定量分析方法
CN112182064A (zh) * 2020-09-25 2021-01-05 中科三清科技有限公司 一种污染物来源分析方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
天津团泊洼地区SO_2和NO_2传输轨迹及来源识别;么相姝;王磊;生态与农村环境学报;第32卷(第3期);451-457 *

Also Published As

Publication number Publication date
CN113688493A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN113688493B (zh) 一种基于污染过程分型的大气污染潜在源区识别方法
Zhao et al. Analyses of regional pollution and transportation of PM2. 5 and ozone in the city clusters of Sichuan Basin, China
CN109522603B (zh) 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
Wang et al. The contribution from distant dust sources to the atmospheric particulate matter loadings at XiAn, China during spring
CN108227041B (zh) 基于站点实测数据和模式结果的水平能见度预报方法
CN110261272B (zh) 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法
CN108062454A (zh) 污染物时空分布不确定性特征分析方法、系统及存储介质
Biard et al. Automated detection of weather fronts using a deep learning neural network
CN112669190B (zh) 污染源异常排放行为的检测方法、装置及计算机设备
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
CN110596008B (zh) 基于地块的中国洪积平原农业区土壤养分数字制图方法
CN109858686A (zh) 一种基于EnKF的地面排放清单反演优化方法
CN115420854B (zh) 一种基于正后向模型结合的大气污染物溯源方法
CN109784769B (zh) 一种农业面源污染风险识别方法
CN115203189A (zh) 融合多源数据提升大气传输量化能力的方法及可视化系统
CN113740221B (zh) 基于细颗粒物与臭氧的空气污染源区确定方法
CN114578457B (zh) 一种基于进化集成学习的大气污染物浓度时空预测方法
CN115438848A (zh) 基于深度混合图神经网络的pm2.5浓度长期预测方法
Zachary Application of PSCF and CWT to identify potential sources of aerosol optical depth in ICIPE Mbita
CN113420984A (zh) 空气污染源区的确定方法
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
CN116223395A (zh) 近地表痕量气体浓度反演模型及反演方法
He et al. A flexible framework to assess patterns and drivers of beta diversity across spatial scales
CN111476434B (zh) 一种基于gis的土壤重金属分形维数空间变异分析方法
Jun et al. Effects of transboundary PM2. 5 transported from China on the regional PM2. 5 concentrations in South Korea: A spatial panel-data analysis

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