CN113728220B - 一种大气污染监测传感器校准和协同工作的方法 - Google Patents
一种大气污染监测传感器校准和协同工作的方法 Download PDFInfo
- Publication number
- CN113728220B CN113728220B CN201980089835.XA CN201980089835A CN113728220B CN 113728220 B CN113728220 B CN 113728220B CN 201980089835 A CN201980089835 A CN 201980089835A CN 113728220 B CN113728220 B CN 113728220B
- Authority
- CN
- China
- Prior art keywords
- data
- station
- calibration
- monitoring
- calibrated
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004364 calculation method Methods 0.000 claims description 59
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000007717 exclusion Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 13
- 239000002245 particle Substances 0.000 description 9
- 239000003344 environmental pollutant Substances 0.000 description 8
- 231100000719 pollutant Toxicity 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000012806 monitoring device Methods 0.000 description 7
- 239000013618 particulate matter Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000012067 mathematical method Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000012855 volatile organic compound Substances 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- IXHBTMCLRNMKHZ-LBPRGKRZSA-N levobunolol Chemical compound O=C1CCCC2=C1C=CC=C2OC[C@@H](O)CNC(C)(C)C IXHBTMCLRNMKHZ-LBPRGKRZSA-N 0.000 description 2
- 238000000790 scattering method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了大气污染监测传感器协同校准和工作的方法，环境传感器间采用多数据相互校准比对的方式，实现数据偏差互补，相互校验，提高传感器的可靠性、一致性、精度以及寿命。对于对监测站点的监测数据，同时引入可信度权重因子，对其可信度进行评价，评价之后再进行校准。
Description
技术领域
本发明涉及一种大气污染监测传感器校准和协同工作的方法，属于环境监测领域。
背景技术
环境监测中大气污染物监测指标为大气中的二氧化硫、氮氧化物、臭氧、一氧化碳、PM1(空气动力学粒径小于1微米的粒子)、PM2.5(空气动力学粒径小于2.5微米的粒子)、PM10(空气动力学粒径小于10微米的粒子)、PM100(空气动力学粒径小于100微米的粒子)和VOCs(挥发性有机物)或TVOC(总挥发性有机物)。大气环境监测系统可以对监测的数据进行收集和处理，并及时准确地反映区域环境空气质量状况及变化规律。
现在的大气环境监测设备主要有固定式监测站和移动式监测设备。目前的固定式监测站主要分为大型固定监测站点和小型站点。移动式监测设备主要有专用大气环境监测车、无人机以及手持设备等。上述小型监测站点、手持设备都用到了空气质量传感器来测量大气中的污染物。小型传感器具有低成本、小型化和在线监测的特点，可以大规模使用。空气质量传感器本身会由于各种原因造成测得值与真实值不一致而存在误差。与大型精密仪器或者手工监测方式相比，空气质量传感器还有精确度更低、稳定性差、误差大、需要经常校准的特点。
激光散射法的大气污染颗粒物传感器，因为低成本和便携性，有着宽广的市场前景。然而采用散射法的便携式分析装置就会存在测量一致性差、噪声大、测量精度低等缺点，核心器件容易受到各种环境因素影响，而波动容易引起误判。
当传感器数据突然大幅变化时，能够智能判断出变化原因是传感器故障还是突发污染，将会极大提高数据可靠性，对于保证环保监测数据质量具有重要价值。当设备发生故障时，如果能够通过自动修复，也可以大幅提高数据的在线率，对于治霾工作所需的连续监测具有重要价值。同时又可以节省设备维护保养方面的人力物力，减少社会浪费。
发明内容
在先申请
PCT/IB2019/051243
PCT/IB2019/051244
术语解释
α数据集：基准站的(国控站、市控站、单独设置的校准站)的监测数据；α1表示基准站在T＝1时刻的数据或者数据组；A1表示一个国控站在T＝1时刻的数据。
β数据集：固定式监测站的监测数据，β1表示固定大气网格化微站在T＝1时刻的数据或监测
数据组；B1表示固定大气网格化微站在T＝1时刻的数据。
γ数据集：移动式监测站的监测数据，γ1表示固定大气网格化微站在T＝1时刻的数据或监测数据组；Y1表示固定大气网格化微站在T＝1时刻的数据。
固定监测站：具备大气环境监测能力的站点，可以是国控站、校准站、网格化微站。
移动监测站：搭载大气环境监测设备，并具备移动能力的监测站点。可以是搭载了微型监测设备的社会车辆，也可以是专业的大气环境监测车辆。
对比系数：表示变量之间线性相关程度的量，一般用字母η表示。
校准系数：校准系数在本发明中指在用于校准、修正传感器的数据集偏差的修正系数。
光散射法测量颗粒物易受环境因素影响测量精度，如湿度等因素。目前也出现了多种提高传感器精度的方式。
目前的监测站校准方式主要采用定期人工维护，工作人员到现场对设备进行清理维护，并携带标准设备和标气，对传感器进行现场的手工校准。或者简单对监测设备进行系数修正。这些校准方式不同程度的存在依然不精确、校准复杂和成本高的问题
针对上述不足，本发明提供了大气污染监测传感器校准和协同工作的方法，环境传感器间采用多数据相互校准比对的方式，实现数据偏差互补，相互校验，提高传感器的可靠性、一致性、精度以及寿命。对监测站点的监测数据，同时引入可信度权重因子，对其可信度进行评价，评价之后再进行校准。可信度权重因子与基准站点和被校准站或者地理位置中心距离、基准站点地理位置、其他站点对基准站点的评价情况、基准站点稳定性和其他影响因素影响。使得城市污染监测数据更可靠，并且也使得监测站点的校准更加准确。
以α数据集为依据，校准β数据集和γ数据集
本发明提出的第一种校准方式为以α数据集为依据，校准β数据集和γ数据集。在β数据集和γ数据集达成均匀度要求的情况下，通过分析α数据集的数据，确定基准α数据集。分析α数据集的方法有直接平均值法、去掉最高值和最低值后平均法、卡尔曼滤波、贝叶斯估计、D-S证据推理、人工神经网络等方法。
确定基准α数据集后，通过将β数据集与基准α数据集作比较，得出β数据集的校准系数，用于校准β数据集。同理，通过γ数据集与基准α数据集作比较，得出γ数据集的校准系数，用于校准γ数据集。比较的方式可以采用线性校准的方式，也可以采用非线性校准以及其他校准方式。
校准过程中，一般计算多个校准系数，取系数相差小于一定值的校准系数为有效校准系数，将这些有效校准系数的平均值作为最终的校准系数，对校准对象进行校准。
校准系数还可以需要考虑空间分布。对β数据集的校准系数可以根据β站点距离α站点的距离做权重排序，距离越近权重越大；对β站点距离c站点一定距离以内的情况下，取加权平均值为校准目标准确值。对γ站点取经过α站点一定距离内的数据为有效的数据参与校准计算。
γ数据集的校准系数还可以根据数据不同数据区间而确定，即在不同数据区间设定多个校准系数。在不同区间的校准系数选择上仍然可以使用直接平均值法、去掉最高值和最低值后平均法等方法。
以γ数据集为依据，校准β数据集
以已校准过的γ数据集为依据，校准β数据集。γ数据集通过校准后认定为其为有效基准值。
当γ移动站经过设定距离内的β固定站时，该β站点的数据集与通过的γ站点的数据集进行对进行校准系数的计算，校准方法可以选择线性校准或者非线性校准，设定距离可以是500m、1km、2km、5km。
将β数据集和γ数据集以准确度排名后，由准确度高的设备向准确度低的设备校准
本发明提出的第三种校准方式为将β数据集和γ数据集以准确度排名后，由准确度高的设备向准确度低的设备校准。
β数据集和γ数据集排名示意表
β数据集和γ数据集通过和α数据集进行对比，得到准确度指标，对比的方式可以是相关系数、比例均值等方式。得到准确度指标后，将准确度由高到低进行排名，对排名靠后的数据集进行校准，校准方式采用第一种方法。校准后重新计算准确度进行排名。
对于β固定站，选取其一定范围内的α国控站进行准确度计算。在一定范围内存在多个国控站的情况下，准确度可以是多个国控站的均值，也可以根据距离作为权重进行加权平均进行计算；在一定范围内没有国控站的情况下，以整个城市的α数据集的均值进行准确度计算。对γ移动站，当γ移动站移动至α国控站一定范围后的数据进行准确度计算。排名后，排名较高的数据集与排名较低的数据集进行比对，计算校准系数，利用排名较高的数据集校准排名较低的数据集。
监测站协同工作的方法
当固定监测站的监测数据异常时，可以与移动监测站进行通信，控制移动站的传感器的工作状态，提高监测频率和数据回传频率。数据异常的判定可以是对比系数超出设定范围，即判定该站点数据异常。
对监测站点的监测数据，引入可信度权重因子，对其可信度进行评价，评价之后再进行校准。可信度权重因子与基准站点和被校准站或者地理位置中心距离、基准站点地理位置、其他站点对基准站点的评价情况、基准站点稳定性和其他影响因素影响。
对监测站点的监测数据，引入可信度权重因子，对其可信度进行评价。可信度权重因子与基准站点和被校准站或者地理位置中心距离、基准站点地理位置、其他站点对基准站点的评价情况、基准站点稳定性和其他影响因素影响。可信度权重因子与距离因子、地理位置因子、其他站点评价因子、稳定性因子正相关。
Fc∝fd，Fc∝fl，Fc∝fe，Fc∝fs
可信度权重因子计算方法：
Fc＝f(fd，fl，fe，fs)
一种可信度权重因子计算公式为：
Fc＝fd×fl×fe×fs
可信度权重因子：Fc(factor credibility)
距离因子：fd(factor distance)
地理位置因子：fl(factor location)
其他站点评价因子：fe(factor evaluated)
稳定性因子：fs(factor stability)
计算出基准站的可信度之后，可以利用可信度对基准站的数据进行调整后用于对其他监测站的校准计算；或者将基准站的可信度进行排名或设置范围，排名后排除可信度较低的基准站数据或者排除低于一定可信度的基准站，然后利用筛选过后的基准站数据，对其他监测站进行校准计算。
距离因子
一个监测站点所监测到的数据的可信度随被监测区域距离该监测站点的距离增大而有效性降低，对于高精度站点的监测数据同样如此。在对一定区域的大气质量进行评价时，考虑该空间范围内多个站点的数据融合结果。本发明提出一种描述监测站点有效区域的评估，方法内包含若干权重因子用来表示在城市中某一区域进行真实监测时该数据站点所收集数据的空间影响权重，进而描述该站点数据影响范围或数据有效范围。
在校准过程中还可以考虑基准站与被校准站之间的距离因素，引入距离因子。其中距离因子fd用于考量被监测点与该监测站之间的距离因素所产生的对监测数据可靠性的影响。距离因子可以由某一区域内监测站点所获取数据占据该区域的权重由该区域几何中心点到各个监测点的距离的反比归一化得到；距离因子另一种体现方式是，某一特定位置的污染数据由相近的数个监测站点的监测数据组成，这些监测数据对特定位置的污染数据可以有不同的权重，该权重由该特定位置到各个监测点的距离的反比归一化得到，该权重就是距离因子。
在fd计算中，d表示该区域几何中心点到该区域内各个站点之间的距离或该特定位置到各个监测点的距离，该距离的设定值用A表示。在设定距离A以内，距离因子为1；超过设定距离A后，距离越远则该监测站点数据所占据的权重越小，距离越近则该监测站点数据所占据的权重越大。
距离因子计算公式为：
d表示该区域几何中心点到该区域内各个站点之间的距离或该特定位置到各个监测点的距离。
参数κ是距离权重参数，一般情况下κ＝A。
地理位置因子
在实际监测过程中，监测站点周边可能会存在污染源因素并会对监测结果产生影响，所以需要对这样的站点赋予其地理位置影响评价因子。因子与污染源的距离以及污染物排放等因素有关。所以在fl计算的过程中会涉及到评估该监测站点周围污染源污染程度的因子fle，评估该监测站点与周边污染源距离的因子fld(详见地理位置污染程度因子与地理位置污染距离因子关系表，关系表内的设定值还可以根据实际污染情况调整)，评估该监测站点周边污染源其他影响因素的因子flo(详见污染源其他影响因素表)。
地理位置因子计算方法：
fl＝g(fle，fld，flo)
一种地理位置因子计算公式：
fl＝fle×fld×flo
地理位置污染程度因子：fle(factor location emission)
地理位置污染距离因子：fld(factor location distance)
地理位置其他因素因子：flo(factor location other)
在不考虑其他因素因子情况下，地理位置污染程度因子与地理位置污染距离因子关系表如下：
地理位置因素中还需要考虑的其他因素因子：
楼宇遮挡：基准站周边一定范围内有大型楼宇建筑遮挡的，因素因子越小。
周边环境存在森林公园等可影响颗粒污染物扩散的场所：基准站周边一定范围内有森林、公园等可能影响污染物扩散的场所，可以降低污染物浓度的设施等情况，影响因素应当适当减小。
长期影响风向：基准站位于长期固定风向地区，可能导致固定站不能代表测定地区空气质量，因素因子应当适当减小。
周边污染源排放污染物不为监测站监测的主要污染物：监测站周边有污染源，但是污染源排放物质不是监测站首要监测的污染物。
其他站点评价因子
在长期的监测过程中国控站所监测得到数据也会受设备老化等因素影响而导致产生的可靠性发生变化，因此需要利用附近其他站点(国控站、固定微站、车辆)的数据对这一点的国控站进行评价，评价其准确性，并赋予权重。
对单个国控站来说，无法确定某一时刻该站点产生数据的可靠性，只可以排除极端异常情况，当该站点与周围其他同等级别站点数据变化趋势产生较大差异时，一个原因可能是附近有污染源，另一个原因可能是该站点监测设备出现异常。此时，需要用该站点附近的密集布设的其他设备来验证该站点数据属于前一种情况还是后一种情况。如果其附近的其他设备如固定微站或移动监测站与该站点有相近的数据变化趋势，则该站点数据是可信的，相反则该站点数据可信度下降。因此，需要设置其他站点评价因子fe来针对这一影响因素对监测站数据赋予权重。
其他站点评价因子计算公式：
具体方法为：取监测站点周边一定距离范围内的，可以是10公里范围内的若干监测站点数据，对其进行平均。并将平均值与该监测站点监测值M进行如下运算得到比值ε，则ε的大小即可表示附近的其他设备如固定微站或移动监测站与该站点所得到数据是否有相近的数据变化趋势，从而根据ε以及上述fe(ε)关系式可得到该站点针对此影响因素的权重。
公式中代表该监测站点周边10公里范围内的若干监测站点数据的平均值。
公式中M代表该监测站点监测值。
稳定性因子
当前国控站点运行有两种主要的极端情况，一是站点数据出现明显异常，如PM10的数据小于PM2.5的数据，此时该站点PM10数据会被人工核查筛除；二是设备由于断电或刚上电无数据上传；除上述两种情况外还会有网络异常等其他原因导致数据异常。上述极端情况出现时，无论是运维原因还是设备故障都会体现出该设备在该段时间内可靠性在下降，可以设定一个可靠性因子，一段时间内的出现异常的累计次数来表示，比如每个月统计一次，初始值为1，每出现一次异常可靠性因子下降0.1。在进行校准时，可根据国控站的可靠性权重决定该国控站是否参与校准。
稳定性因子计算公式：
n为站点一定时间内数据出现异常的情况次数，异常情况及判定如下。一段时间可以是1个月、1周、1天等其他时间周期。
| 异常情况 | 判定 |
| 停电导致无数据输出 | 无输出超过1小时 |
| 维护原因导致的无数据输出 | 无输出超过1小时 |
| 网络故障导致数据异常 | 无输出超过30分钟， |
| 数据异常：PM2.5数据大于PM10数据 | 数据异常时间超过1小时 |
判断可信度权重因子方法
利用引入的可信度权重因子，对其站点或者数据的可信度进行评价，评价方式可以为对可信度权重因子直接排名的方式，还可以通过阈值限定的方式。
直接排名的方式为将可信度权重因子进行从大到小进行排列，可信度权重因子越接近1，排名越靠前，站点或者数据越可信。选取排名前10％、20％或者排名前一定比例的可信度权重因子，或者排除排名后10％、20％或者排名后一定比例的可信度权重因子，选取出的或者筛选后剩下的可信度权重因子所对应的站点或者数据可以用于校准计算。
阈值限定的方式为设定一定阈值(阈值可以是0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9等)，选取超过这一阈值的可信度权重因子，或者排除低于这一阈值的可信度权重因子，选取出的或者筛选后剩下的可信度权重因子所对应的站点或者数据可以用于校准计算。
校准计算方式
对比系数计算公式：
或/>
基准站修正计算公式：
yc＝Fc×y
应用归一化法基准站修正计算公式修正基准站数据，归一化计算公式：
校准公式：
yc为经过修正后或筛选后的基准数据
y为基准数据，基准数据可以是未经处理的数据，也可以是修正后或筛选后的基准数据(yc)
x为被校准数据
x′为校准后数据
η为对比系数
ηc为修正后对比系数
c为校准系数，c可以是η、ηc或者经过其他数学运算的对比系数。
在仅有一个达到标准的基准站的情况下，基准数据的修正计算方式如下：
yc＝y-Fc×(x-y)
稳定系数λ的获得方法：
A)稳定系数λ为设定区间内的基准站数据数量占总基准站数据数量的比值。若λ大于设定百分比(设定百分比可以是80％、90％等其他百分比)，则认为该基准站数据集稳定，λ越高代表数据集越稳定。
设定区间为设定T时间范围内的给予基准数据的范围，设定区间的数学表示为(Y-u×Y，Y+u×Y)，Y可以由T时间范围内基准站数据的平均值、中位数、众数等统计方法得来，u为区间系数。
B)稳定系数还可以与设定区间为设定T时间范围内的基准数据的方差有关如果设定T时间范围内的基准数据方差＞方差设定值B，则不落入设定区间如果设定T时间范围内的基准数据方差＜方差设定值B，则落入设定区间
C)稳定系数还可以与设定区间为设定T时间范围内的基准数据的标准差有关如果设定T时间范围内的基准数据方差＞标准差设定E，则不落入设定区间如果设定T时间范围内的基准数据方差＜标准差设定E，则落入设定区间
对于移动监测来说，用来作为校准及准时，需要其具备足够的可信度。
当移动监测站采用冗余多传感器设计时，移动监测站的可信度会得到大幅提高。
以单个基准站的区域数据为基准对移动监测站进行多次校准的步骤为：
1)判断可信度权重因子，应用判断可信度权重因子方法，使用被选取的可信度权重因子所对应的基准站的监测数据作为校准依据，或者使用筛选后剩下的可信度权重因子所对应的基准站的监测数据作为校准依据。
2)选取符合标准的基准站作为基准，一台移动监测设备可能会多次经过同一个基准站。这一台设备每经过一次这个基准站，则进行一次对比，得到该次对比的η值。
3)在记录到设定数量的η值后(设定数量可以是10个，50个，100个等)，将记录得到的所有η值进行统计计算，如平均、正态分布取值、逼近、PID等数学方法。最终得到统计计算后的平均值
4)利用最终得到的平均值和校准计算方式中的公式再对该台移动监测设备进行校准。
以多个基准站的区域数据为基准对移动监测站进行多次校准的步骤为：
1)判断可信度权重因子，应用判断可信度权重因子方法，使用被选取的可信度权重因子所对应的基准站的监测数据作为校准依据，或者使用筛选后剩下的可信度权重因子所对应的基准站的监测数据作为校准依据。
2)在实际监测与校准过程中，一台移动监测设备可能会多次经过由多个基准站覆盖的区域。这一台设备每经过这一区域，则与该区域内经过时刻的平均基准数据进行一次对比，得到对应η值。区域的基准值可以采用归一化计算方法得出。
3)在记录设定数量的η值后，将记录得到的所有η值进行统计计算，如平均、正态分布取值、逼近、PID等数学方法。最终得到统计计算后的平均值
4)利用最终得到的平均值和校准计算方式中的公式再对该台移动监测设备进行校准。
以单个基准站的区域数据为基准对其他固定站点进行校准的步骤为。
1)判断可信度权重因子，应用判断可信度权重因子方法，使用被选取的可信度权重因子所对应的基准站的监测数据作为校准依据，或者使用筛选后剩下的可信度权重因子所对应的基准站的监测数据作为校准依据。
2)以符合标准的基准站作为基准，每间隔一段时间，以基准站数据为基准和待校准固定站进行一次对比，得到对应η值。
3)在记录数量的η值后，将记录得到的所有η值进行统计计算，如平均、正态分布取值、逼近、PID等数学方法。最终得到统计计算后的平均值
4)利用最终得到的平均值和校准计算方式中的公式再对待校准固定站进行校准。
以多个基准站的区域数据为基准对其他固定站点进行校准的步骤为。
1)判断可信度权重因子，应用判断可信度权重因子方法，使用被选取的可信度权重因子所对应的基准站的监测数据作为校准依据，或者使用筛选后剩下的可信度权重因子所对应的基准站的监测数据作为校准依据。
2)在实际监测与校准过程中，一台移动监测设备可能会多次经过由多个基准站覆盖的区域。这一台设备每经过这一区域，则与该区域内经过时刻的平均基准数据进行一次对比，得到对应η值。区域的基准值可以采用归一化计算方法得出。
3)在记录一定数量的η值后，将记录得到的所有η值进行统计计算，如平均、正态分布取值、逼近、PID等数学方法。最终得到一个统计计算后的平均值使用最终得到的平均值/>再对该台移动监测设备进行校准
4)利用最终得到的平均值和校准计算方式中的公式再对待校准固定站进行校准。
校准执行条件
用于校准的数据的时间范围需要进行限定。移动监测设备执行校准操作的过程是周期性的(例如每月一次)，在校准周期之间，设备应得到设定数量有效的η值用于的计算(设定数量可以是是10次、100次等，也可以是每小时一次、每5小时一次等)。除此之外，在一个校准周期内所获取η值应尽量均匀。例如每月执行校准操作一次的话，则每天至少需要得到一个/>值；同时每次η值应当在均匀分散的时间内取得，如获得了12组对比数据，这12组对比数据是每隔两小时获得1组对比数据，而不是在1个小时内集中获得的12组对比数据。
特殊极端情况排除
特殊情况下的一些数据需要排除，如极端天气事件(暴雨、暴风雪等)、高湿高温等。如果监测过程受天气等条件的影响，在监测时数据出现了极端值，则在这些时间段内暂停数据比对校准，因为在这些时间段内η值会与大多数时间段得到的η值有所差别，进而引起校准准确度下降的问题。
| 特殊极端情况 | 条件 |
| 湿度 | 湿度＞90％ |
| 湿度 | 湿度＜90％ |
| 温度 | 温度＞40℃ |
| 温度 | 温度＜40℃ |
| 极端天气 | 沙尘暴、暴雨、暴风雪等 |
| PM2.5极端值 | PM2.5＞500 |
| PM2.5极端值 | PM2.5＜20 |
多传感器监测设备校准
当被校准站是包含两个或者两个以上监测单元的一组设备时，可以使用基准站分别校准每一个监测单元。也可以使用基准站首先校准其中的一个监测单元，再由其中被校准后的单元校准其他单元。
附图简要说明
图1为校准系统的组成示意图；
图2为以α数据集为依据，校准β数据集和γ数据集示意图；
图3为以α数据集为依据，校准β数据集示意图；
图4为校准区域范围示意图；
图中：10为基准站，20为固定监测站，30为移动监测站，40为数据中心，50为用户，101为1号基准站、102为2号基准站、103为3号基准站、201为1号固定式被校准站、202为2号固定式被校准站、203为3号固定式被校准站、301为1号移动式被校准站、302为2号移动式被校准站、501为基准站校准范围。
具体实施方式
实施例一
如图2所示，在区域内存在1、2、3、4号固定国控基准站，一个固定式被校准站。取T1、T2、T3、T4四个时刻的四个国控基准站以及固定式微站的监测值，统计各固定国控基准站的监测数据平均值如下表，根据表中数据计算被校准微站与国控基准站的平均值的比值η分别为1.2、1.1、1.1、1.04，所以计算得到η的平均值在本实施例的比较中使用的是算术平均值计算三个国控基准站监测数据的平均值，还可以使用归一化法进行计算。同理，可以以α数据集为依据，校准γ数据集得到η平均值/>
实施例二
如图3所示，已知图中固定的1号被校准站、2号被校准站、3号被校准站的监测数据分别为β1＝120、β2＝115、β3＝110，基准站的数据为α＝110，1、2、3号固定式微站距离国控基准站的距离分别为5km、6km、7km，根据以上数据按照准确度对被校准站进行排序，并使用最准确微站数据逐一向下校准得到校准系数，将上述数据统计至下表中：
应用校准公式后，经校准的B2为经校准的B1为/>
上述对比系数ηα-β3的计算中，分母(基准数据)是A，分子(被校准数据)是B3，其他对比系数计算以此类推。
上述校准系数cβ3-β2的计算中，分母(基准数据)是B2，分子(被校准数据)是B3，其他对校准系数计算以此类推。
实施例三
如图3所示，已知图中固定的1号被校准站、2号被校准站、3号被校准站的监测数据分别为β1＝120、β2＝115、β3＝110，基准站的数据为α＝110，1、2、3号固定式微站距离国控基准站的距离分别为5km、6km、7km。校准时还可以需要考虑空间分布。对β数据集的校准系数可以根据β站点距离α站点的距离做排序，距离越近距离因子越大，应用距离因子计算公式，取A＝5；根据距离因子对被校准站进行排序，并使用排名第一的被校准站校准排名靠后的被校准站。
应用校准公式后，经校准的B2为经校准的B1为/>
实施例四
已知图中固定的1号被校准站、2号被校准站、3号被校准站、4号被校准站的监测数据分别为β1＝120、β2＝115、β3＝110、β4＝150，基准站的数据为α＝110，根据以上数据按照准确度对微站进行排序，并使用最准确微站数据逐一向下校准得到校准系数，将上述数据统计至示意表2中。规定对比系数在0.95-1.05范围内的准确度较高，不进行校准；对比系数在1.05-12之间，进行校准；对比系数大于12以不进行校准，设备可能发生较严重故障，向控制系统报警提示该监测设备需要人工维护。
校准范围的确定以相关系数确定，相关系数大于0.9的设备不进行校准，对于相关系数小于0.9的设备，则以达到基准数据集为目标进行校准，原则上以准确度排名第一的设备为校准基准，若准确度排名第一的设备为β固定站，则从该β固定站周围的站点开始进行校准，直至全部完成，若准确度排名第一的设备为γ移动站，则以其周围经过的站点为优先校准对象进行校准，直至全部完成。
校准范围的确定以比例均值系数确定，比例系数在0.9～1.1的设备不进行校准，比例系数在其他范围的设备，则以达到基准数据集为目标进行校准，原则上以准确度排名第一的设备为校准基准，若准确度排名第一的设备为β固定站，则从该β固定站周围的站点开始进行校准，直至全部完成，若准确度排名第一的设备为γ移动站，则以其周围经过的站点为优先校准对象进行校准，直至全部完成。
实施例五
如图2所示，在区域内存在1、2、3、4号基准站，两个被校准站β1、γ1。取T1、T2、T3、T4四个时刻的四个国控基准站以及固定式微站的监测值，统计各固定国控基准站的监测数据平均值如下表，根据表中数据计算被校准微站与国控基准站的平均值的比值η分别为1.2、1.1、1.1、1.04。校准系数还可以根据数据不同数据区间而确定，即在不同数据区间设定多个校准系数。在不同区间的校准系数选择上仍然可以使用直接平均值法、去掉最高值和最低值后平均法等方法。在本实施例中规定对比系数在1-1.2区间内，校准系数取对比系数在1-1.2之间对比系数的平均值；对比系数在1.2以上的，去掉对比系数最大值后取均值。
实施例六
已知某一时刻，有1、2、3、4、5号固定式国控基准站的监测数据分别为α1＝120、α2＝115、α3＝110、α4＝150，α5＝120，计算区域平均值，则区域平均值取各站点数据与平均值相差±10％以内的数据的平均值作为基准值用于校准。/>
实施例七
规定当移动式监测设备进入到基准站周围5km的范围内开启校准程序，如图4所示，1号车辆处在1、2、3号监测站周围5km范围内的区域，2号车辆没有处在1、2、3号监测站周围5km范围内的区域，则1号移动式监测设备启动校准过程，2号移动式检测设备不启动校准过程。
Claims (11)
1.一种大气污染监测传感器校准和协同工作的方法，所述方法涉及来自于α监测站的α数据集、来自于β监测站的β数据集和来自于γ监测站的γ数据集；；其步骤为：
1)首先获取α数据集、β数据集、γ数据集中至少两种；
2)选定作为校准依据的基准数据集，以及被校准数据集；
3)应用可信度权重因子Fc对选定的基准数据集的数据进行评价和筛选；
4)使用基准站修正计算公式对筛选后的基准站数据集进行校准得到修正后的基准数据集和修正后的基准数据yc；
5)从基准数据集得到基准数据y，从被校准数据集得到被校准数据x；
6)依据对比系数计算公式得到对比系数η或修正后对比系数ηc；
7)计算校准系数c；被校准监测站采用校准系数c进行校准；
所述基准数据集中的数据满足稳定系数λ的要求，所述稳定系数λ为设定区间内的基准站数据数量占总基准站数据数量的比值，所述可信度权重因子与距离因子fd、地理位置因子fl、其他站点评价fe、稳定性因子fs正相关；
所述基准数据应用归一化法进行修正，归一化计算公式为：
其中yc为经过修正后的基准数据；y′为未经修正的基准站数据；n为达到标准的基准站个数；
所述的对比系数的计算公式为：
或/>
其中，x为被校准数据，y为基准数据，η为对比系数；；
所述可信度权重因子Fc的计算方法为：
Fc＝f(fd,fl,fe,fs)
所述的稳定系数λ的取值范围为至少80％；所述的稳定系数λ的计算公式为：
所述稳定系数λ计算公式中的基准站数据的数量选取方法包括：
1)如果设定T时间范围内的基准数据方差<方差设定值B，则落入设定区间；
2)如果设定T时间范围内的基准数据标准差<方差设定值C，则落入设定区间。
2.一种大气污染监测传感器校准和协同工作的方法，所述方法涉及来自于α监测站的α数据集、来自于β监测站的β数据集和来自于γ监测站的γ数据集；；
其步骤为：
1)首先获取α数据集、β数据集、γ数据集中至少两种；
2)选定作为校准依据的基准数据集，以及被校准数据集；
3)计算基准数据集的可信度权重因子Fc；
4)使用基准站修正计算公式对筛选后的基准站数据校准得到修正后的基准数据yc；
5)从基准数据集得到基准数据y，从被校准数据集得到被校准数据x；
6)依据对比系数计算公式得到对比系数η或修正后对比系数ηc；
7)计算校准系数c；被校准监测站采用校准系数c进行校准；
所述基准数据集中的数据满足稳定系数λ的要求，所述稳定系数λ为设定区间内的基准站数据数量占总基准站数据数量的比值，所述可信度权重因子与距离因子fd、地理位置因子fl、其他站点评价fe、稳定性因子fs正相关；
所述基准数据应用归一化法进行修正，归一化计算公式为：
其中yc为经过修正后的基准数据；y′为未经修正的基准站数据；n为达到标准的基准站个数；
所述的对比系数的计算公式为：
或/>
其中，x为被校准数据，y为基准数据，η为对比系数；；
所述可信度权重因子Fc的计算方法为：
Fc＝f(fd,fl,fe,fs)
所述的稳定系数λ的取值范围为至少80％；所述的稳定系数λ的计算公式为：
所述稳定系数λ计算公式中的基准站数据的数量选取方法包括：
1)如果设定T时间范围内的基准数据方差<方差设定值B，则落入设定区间；
2)如果设定T时间范围内的基准数据标准差<方差设定值C，则落入设定区间。
3.如权利要求1或2所述的方法，其特征在于，所述基准数据集是α数据集的子集、β数据集的子集或者γ数据集的子集；被校准数据集是β数据集的子集或者γ数据集的子集。
4.如权利要求1或2所述的方法，其特征在于，所述基准数据集是一个α数据集的子集；所述被校准数据集是一个β数据集的子集或者一个γ数据集的子集；在计算校准系数c时，以距离因子fd做修正。
5.如权利要求1或2所述的方法，其特征在于，所述步骤2)中，，所述被校准数据集来自于β监测站；所述作为校准依据的基准数据集来自于被校准监测站附近的多个移动监测站的γ数据集；选取与被校准监测站的数据集同一时段的基准数据子集，合并为基准数据集。
6.如权利要求1或2所述的方法，其特征在于，所述步骤2)中，，所述被校准数据集来自于γ监测站；所述作为校准依据的基准数据集来自于被校准监测站附近的多个移动监测站的γ数据集；选取与被校准监测站的数据集同一时段的基准数据子集，，合并为基准数据集。
7.如权利要求1或2所述的方法，其特征在于，所述步骤2)中，，先选取距离相近的一组β监测站和移动监测站；然后对各个β监测站和移动监测站按可信度排序；选取可信度最低的监测站作为被校准监测站；选取一段时间满足稳定系数要求的数据子集作为被校准数据集；选取与被校准设备的数据集同一时段的若干个可信度高的监测站的基准数据子集，合并为基准数据集。
8.如权利要求4所述的方法，其特征在于，所述距离因子fd的计算方法为：
其中，参数d为区域几何中心点到区域内各个站点之间的距离或特定位置到各个监测点的距离；参数κ是距离权重参数，一般情况下κ＝A。
9.如权利要求1所述的方法，其特征在于，当n＝1时，归一化计算公式为：
yc＝y-fd×(x-y)。
10.如权利要求1所述的方法，其特征在于，所述步骤3)的筛选方法包括：
1)可信度权重因子进行从大到小进行排列，选取排名前一定比例的可信度权重因子，所述一定比例是10％、20％、30％、40％、50％、60％、70％、80％、90％之一，选取出的可信度权重因子所对应的站点或者数据用于校准计算；
2)排除排名在后一定比例的可信度权重因子，所述一定比例是10％、20％、30％、40％、50％、60％、70％、80％、90％之一，排除后剩下的可信度权重因子所对应的站点或者数据用于校准计算。
11.如权利要求1所述的方法，其特征在于，所述步骤3)的筛选方法包括：
1)选取超过一定阈值的可信度权重因子，所述一定阈值是0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9之一，选取出的可信度权重因子所对应的站点或者数据用于校准计算；
2)排除低于一定阈值的可信度权重因子，所述一定阈值是0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9之一，排除后剩下的可信度权重因子所对应的站点或者数据用于校准计算。
Applications Claiming Priority (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810965453 | 2018-08-25 | ||
| CN201810976246 | 2018-08-25 | ||
| IBPCT/IB2019/051243 | 2019-02-15 | ||
| IBPCT/IB2019/051244 | 2019-02-15 | ||
| PCT/IB2019/051244 WO2020021344A1 (zh) | 2018-07-25 | 2019-02-15 | 环境传感器协同校准方法 |
| PCT/IB2019/051243 WO2020021343A1 (zh) | 2018-07-25 | 2019-02-15 | 一种环境监测站数据可信度评价方法 |
| PCT/CN2019/102420 WO2020043031A1 (zh) | 2018-08-25 | 2019-08-25 | 一种大气污染监测传感器校准和协同工作的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113728220A CN113728220A (zh) | 2021-11-30 |
| CN113728220B true CN113728220B (zh) | 2023-12-22 |
Family
ID=69643894
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980089835.XA Active CN113728220B (zh) | 2018-08-25 | 2019-08-25 | 一种大气污染监测传感器校准和协同工作的方法 |
| CN201980089854.2A Active CN113330283B (zh) | 2018-08-25 | 2019-08-25 | 大气污染检测设备数据可信度评价及校准方法 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980089854.2A Active CN113330283B (zh) | 2018-08-25 | 2019-08-25 | 大气污染检测设备数据可信度评价及校准方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (2) | CN113728220B (zh) |
| WO (2) | WO2020043031A1 (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111595743A (zh) * | 2020-05-26 | 2020-08-28 | 陈国蓬 | 一种建筑工程环境监测系统及其监测方法 |
| CN111626624B (zh) * | 2020-05-29 | 2023-07-28 | 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 |
| CN111950936B (zh) * | 2020-08-31 | 2023-08-18 | 平安国际智慧城市科技股份有限公司 | 空气质量监测方法、装置、设备及介质 |
| CN112129893B (zh) * | 2020-09-23 | 2022-09-13 | 烟台创为新能源科技股份有限公司 | 一种电池热失控监测系统的co传感器在线校准方法 |
| CN112200387A (zh) * | 2020-11-06 | 2021-01-08 | 中冶赛迪重庆环境咨询有限公司 | 一种污染物排放稳定性的评估方法 |
| CN112557598B (zh) * | 2020-12-03 | 2022-12-02 | 周进 | 一种基于物联网的城市空气质量监控管理方法 |
| CN113536395B (zh) * | 2021-07-16 | 2023-07-21 | 四川新网银行股份有限公司 | 一种银行可信数据校验方法 |
| CN113777223B (zh) * | 2021-08-12 | 2024-04-30 | 北京金水永利科技有限公司 | 一种大气污染物溯源方法及系统 |
| CN113780880B (zh) * | 2021-09-26 | 2023-07-04 | 南通大学 | 一种基于空间代表性的pm2.5观测站点布局评价方法 |
| CN113945684A (zh) * | 2021-10-14 | 2022-01-18 | 中国计量科学研究院 | 一种基于大数据的微型空气站自校准方法 |
| CN115327674B (zh) * | 2021-11-26 | 2023-04-14 | 中国水利水电科学研究院 | 一种大规模降雨监测雷达校验方法 |
| CN114839317A (zh) * | 2021-12-27 | 2022-08-02 | 北京雪迪龙科技股份有限公司 | 大气网格化综合预警方法及其系统 |
| CN115453440B (zh) * | 2022-09-26 | 2023-05-12 | 浙江华采科技有限公司 | 一种电流互感器的数字校准智能管理方法及系统 |
| CN115574933B (zh) * | 2022-11-21 | 2023-03-14 | 北京英视睿达科技股份有限公司 | 一种环境噪声监测设备的自动校准方法 |
| CN115792137B (zh) * | 2023-01-17 | 2023-06-06 | 河北先河环保科技股份有限公司 | 大气污染溯源方法及装置、终端 |
| CN115861011B (zh) * | 2023-02-15 | 2023-05-05 | 山东优嘉环境科技有限公司 | 一种基于多源数据融合的智慧城市优化管理方法和系统 |
| CN116222806B (zh) * | 2023-02-28 | 2023-09-26 | 临沂市检验检测中心 | 一种环境的远程监测校准系统和方法 |
| CN116501108B (zh) * | 2023-06-26 | 2023-09-01 | 玖影软件(沈阳)有限公司 | 一种智慧档案柜的温度控制方法 |
| CN116773756B (zh) * | 2023-08-24 | 2023-10-20 | 甘肃赛迈科能源科技有限公司 | 一种大气环境中有害气体含量的监测预警方法及系统 |
| CN117647273B (zh) * | 2024-01-30 | 2024-03-29 | 东营航空产业技术研究院 | 一种提高传感器测量精度的方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5296910A (en) * | 1992-10-05 | 1994-03-22 | University Of Akransas | Method and apparatus for particle analysis |
| CN102507412A (zh) * | 2011-11-07 | 2012-06-20 | 中国石油集团川庆钻探工程有限公司 | 碳酸盐岩油藏等效模型的裂缝-基质渗透率级差判别方法 |
| CN106442881A (zh) * | 2016-09-20 | 2017-02-22 | 北京市农林科学院 | 一种城市森林环境中的空气质量监测方法 |
| CN106526710A (zh) * | 2016-10-19 | 2017-03-22 | 陈文飞 | 一种雾霾预测方法及装置 |
| CN106644862A (zh) * | 2016-09-12 | 2017-05-10 | 济南诺方电子技术有限公司 | 一种传感器、基于该传感器的监测站及监测站的监测方法 |
| CN106768032A (zh) * | 2016-12-06 | 2017-05-31 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种提高大坝安全自动化监测数据可靠性的处理方法 |
| CN107063955A (zh) * | 2017-04-18 | 2017-08-18 | 击风科技（北京）有限公司 | 空气颗粒物检测仪校准方法及管理系统 |
| CN107076656A (zh) * | 2014-09-19 | 2017-08-18 | 3达特安克斯公司 | 微粒物质/数同步测量装置 |
| CN109034252A (zh) * | 2018-08-01 | 2018-12-18 | 中国科学院大气物理研究所 | 空气质量站点监测数据异常的自动化识别方法 |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8410945B2 (en) * | 2002-06-11 | 2013-04-02 | Intelligent Technologies International, Inc | Atmospheric monitoring |
| US8309024B2 (en) * | 2008-04-23 | 2012-11-13 | Enerize Corporation | Methods and systems for non-destructive determination of fluorination of carbon powders |
| ES2556978T3 (es) * | 2011-09-16 | 2016-01-21 | Siemens Schweiz Ag | Aparato de prueba para la calibración de campo de un detector de gas |
| US9040932B2 (en) * | 2011-11-16 | 2015-05-26 | Canberra Industries, Inc. | Surface contamination monitoring system and method |
| CN104280070B (zh) * | 2014-10-16 | 2017-02-01 | 北京中恒电国际信息技术有限公司 | 大数据云服务集中环境监测平台 |
| CN104410992A (zh) * | 2014-10-30 | 2015-03-11 | 重庆邮电大学 | 分布式传感网络基于信任的态势数据融合方法 |
| CN104410981B (zh) * | 2014-11-06 | 2017-12-29 | 广东工业大学 | 一种无线传感器网络中信标节点可信度评估方法 |
| CN104697568B (zh) * | 2015-02-13 | 2015-11-11 | 中国人民解放军海军工程大学 | 一种船用机电产品的混合型可靠性试验方法 |
| CN105092783B (zh) * | 2015-05-08 | 2017-07-11 | 中国科学院遥感与数字地球研究所 | 一种大气污染监测设备、方法、系统以及终端设备 |
| CN106325144A (zh) * | 2015-07-06 | 2017-01-11 | 湖州庆渔堂农业科技有限公司 | 一种水产养殖监控系统的监测数据校准方法及系统 |
| CN106525674A (zh) * | 2016-10-31 | 2017-03-22 | 天津大学 | 一种便携式大气颗粒物浓度仪器测量数据的校准方法 |
| CN107066831B (zh) * | 2017-05-19 | 2021-04-23 | 君晟合众（北京）科技有限公司 | 一种区域综合环境评价方法、装置及系统 |
| IT201700064056A1 (it) * | 2017-06-09 | 2018-12-09 | Sense Square S R L S | Mappatura delle sorgenti d’inquinamento atmosferico e tracciamento degli inquinanti mediante l’utilizzo di reti di monitoraggio della qualità dell’aria ad alta risoluzione spazio-temporale |
| CN107493317B (zh) * | 2017-06-30 | 2020-03-31 | 重庆交通大学 | 基于bds的桥梁结构相对形变监测系统与方法 |
| CN107612999A (zh) * | 2017-09-20 | 2018-01-19 | 广东先河科迪隆科技有限公司 | 大气网格化精准监控系统 |
| CN108414682A (zh) * | 2018-01-29 | 2018-08-17 | 东莞理工学院 | 一种基于无线传感器网络的空气质量监测数据快速校准方法 |
| CN108413855B (zh) * | 2018-02-24 | 2019-12-10 | 第一拖拉机股份有限公司 | 一种电子卡规的校准及评定方法 |
| CN108732316A (zh) * | 2018-07-06 | 2018-11-02 | 天津澜禹笙环保科技有限公司 | 一种基于云计算平台的恶臭智能监测系统 |
| CN109061067A (zh) * | 2018-08-24 | 2018-12-21 | 北京环丁环保大数据研究院 | 一种共享单车采集的空气质量数据校正方法和装置 |
| CN109298136B (zh) * | 2018-10-11 | 2019-10-15 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
-
2019
- 2019-08-25 CN CN201980089835.XA patent/CN113728220B/zh active Active
- 2019-08-25 CN CN201980089854.2A patent/CN113330283B/zh active Active
- 2019-08-25 WO PCT/CN2019/102420 patent/WO2020043031A1/zh active Application Filing
- 2019-08-25 WO PCT/CN2019/102419 patent/WO2020043030A1/zh active Application Filing
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5296910A (en) * | 1992-10-05 | 1994-03-22 | University Of Akransas | Method and apparatus for particle analysis |
| CN102507412A (zh) * | 2011-11-07 | 2012-06-20 | 中国石油集团川庆钻探工程有限公司 | 碳酸盐岩油藏等效模型的裂缝-基质渗透率级差判别方法 |
| CN107076656A (zh) * | 2014-09-19 | 2017-08-18 | 3达特安克斯公司 | 微粒物质/数同步测量装置 |
| CN106644862A (zh) * | 2016-09-12 | 2017-05-10 | 济南诺方电子技术有限公司 | 一种传感器、基于该传感器的监测站及监测站的监测方法 |
| CN106442881A (zh) * | 2016-09-20 | 2017-02-22 | 北京市农林科学院 | 一种城市森林环境中的空气质量监测方法 |
| CN106526710A (zh) * | 2016-10-19 | 2017-03-22 | 陈文飞 | 一种雾霾预测方法及装置 |
| CN106768032A (zh) * | 2016-12-06 | 2017-05-31 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种提高大坝安全自动化监测数据可靠性的处理方法 |
| CN107063955A (zh) * | 2017-04-18 | 2017-08-18 | 击风科技（北京）有限公司 | 空气颗粒物检测仪校准方法及管理系统 |
| CN109034252A (zh) * | 2018-08-01 | 2018-12-18 | 中国科学院大气物理研究所 | 空气质量站点监测数据异常的自动化识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于大数据分析的大气网格化监测质控技术研究;王春迎;潘本峰;吴修祥;宋艳艳;张玲;马景金;孙凯;;中国环境监测(第06期);第1-6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113728220A (zh) | 2021-11-30 |
| WO2020043031A1 (zh) | 2020-03-05 |
| CN113330283A (zh) | 2021-08-31 |
| CN113330283B (zh) | 2023-03-21 |
| WO2020043030A1 (zh) | 2020-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113728220B (zh) | 一种大气污染监测传感器校准和协同工作的方法 | |
| CN111788578B (zh) | 一种环境监测站数据可信度评价及校准方法 | |
| Malings et al. | Fine particle mass monitoring with low-cost sensors: Corrections and long-term performance evaluation | |
| CN111051852B (zh) | 多核传感器系统及其隔离和恢复的方法 | |
| Hasenfratz et al. | Pushing the spatio-temporal resolution limit of urban air pollution maps | |
| CN108763756B (zh) | 一种气溶胶光学厚度与pm2.5反演订正方法及其系统 | |
| CN114818391B (zh) | 一种基于多溯源模型的污染源浓度分析方法 | |
| CN111796064B (zh) | 一种基于远程自动校准的tvoc检测设备数据质控方法及系统 | |
| CN113282576B (zh) | 一种气象数据质量控制方法 | |
| CN112084231A (zh) | 一种大气温室气体在线观测数据的本底筛分方法 | |
| CN114912343A (zh) | 基于lstm神经网络的空气质量二次预报模型构建方法 | |
| CN109146327B (zh) | 一种地面观测站气温要素的数据质量评估方法和系统 | |
| Margaritis et al. | Calibration of low-cost gas sensors for air quality monitoring | |
| CN112567241A (zh) | 环境传感器协同校准方法 | |
| CN117310101A (zh) | 一种大气污染物浓度监测系统 | |
| CN116930423A (zh) | 一种空气质量模型模拟效果的自动验证评估方法及系统 | |
| 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 | |
| CN113157684A (zh) | 一种水利海量数据的查错方法 | |
| Ma et al. | The representativeness of air quality monitoring sites in the urban areas of a mountainous city | |
| CN116934102B (zh) | 一种用于工业园区的环境风险管控系统 | |
| Loganathan et al. | Estimation of air quality index using multiple linear regression | |
| Suggs et al. | An empirical Bayes method for comparing air pollution data to air quality standards | |
| CN115950797B (zh) | 污染物溯源方法和系统 | |
| KR102594820B1 (ko) | 인공지능을 이용한 미세먼지 예측시스템 | |
| CN113721264B (zh) | 基于北斗定位的终端设备的中继与管理系统及方法 |
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 |