CN113761098A - 大气污染热点网格的获取方法、装置、设备及存储介质 - Google Patents
大气污染热点网格的获取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113761098A CN113761098A CN202111052454.XA CN202111052454A CN113761098A CN 113761098 A CN113761098 A CN 113761098A CN 202111052454 A CN202111052454 A CN 202111052454A CN 113761098 A CN113761098 A CN 113761098A
- Authority
- CN
- China
- Prior art keywords
- value
- grids
- pollutant
- grid
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 66
- 231100000719 pollutant Toxicity 0.000 claims abstract description 66
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 18
- 239000000356 contaminant Substances 0.000 claims abstract description 14
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 238000003915 air pollution Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001308 synthesis method Methods 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 12
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 238000013441 quality evaluation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种大气污染热点网格的获取方法、装置、设备及存储介质。该获取方法包括：针对目标区域划分出一个或多个网格，所有所述网格完全覆盖所述目标区域；获取所述目标区域的各污染物因子的年均值合成遥感产品；所述各污染物因子是预先选定的；从所有所述污染物因子中选取大气环境质量的评价因子；根据各所述评价因子的年均值合成遥感产品，计算每个所述网格的ORAQI值；根据所述每个所述网格的ORAQI值，从所有所述网格中筛选出大气污染热点网格。本申请的大气污染热点网格的获取方法能够精确地获得大气污染热点网格，准确度高，能够很好地满足实际应用的需要。
Description
技术领域
本申请涉及大气污染治理技术领域，具体涉及一种大气污染热点网格的获取方法、装置、设备及存储介质。
背景技术
为解决环境质量问题，首先需要掌握各目标区域的环境现状，针对空气污染严重区域进行严格管控和治理。为提高重点区域环境监管效能，需要在第一时间发现问题、解决问题，开展大气污染热点区域的监管工作。如何准确获取大气污染热点区域是本技术领域亟待解决的技术问题。
发明内容
本申请的目的是提供一种大气污染热点网格的获取方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本申请实施例的一个方面，提供一种大气污染热点网格的获取方法，包括：
针对目标区域划分出一个或多个网格，所有所述网格完全覆盖所述目标区域；
获取所述目标区域的各污染物因子的年均值合成遥感产品；所述各污染物因子是预先选定的；
从所有所述污染物因子中选取大气环境质量的评价因子；
根据各所述评价因子的年均值合成遥感产品，计算每个所述网格的ORAQI值；
根据所述每个所述网格的ORAQI值，从所有所述网格中筛选出大气污染热点网格。
在本申请的一些实施例中，所述获取所述目标区域的各污染物因子的年均值合成遥感产品，包括：
通过均值合成法，分别获取所述目标区域的各污染物因子一年中每个月的月均值遥感产品；
对所述每个月的月均值遥感产品进行均值合成，得到所述各污染物因子的年均值合成遥感产品。
在本申请的一些实施例中，所述从所有所述污染物因子中选取大气环境质量的评价因子，包括：
针对各所述污染物因子，分别计算对应的重污染区域和非重污染区域的J-M距离指数；
从各所述污染物因子所对应的J-M距离指数中选择超过预设阈值的J-M距离指数，以所述超过预设阈值的J-M距离指数所对应的所述污染物因子作为所述大气环境质量的评价因子。
在本申请的一些实施例中，所述根据各所述评价因子的年均值合成遥感产品，计算每个网格的ORAQI值，包括：
基于各所述评价因子的年均值合成遥感产品，计算大气环境的背景值与标准值；
计算ORAQI值计算公式中的第一常系数和第二常系数；
基于所述背景值、所述标准值、所述第一常系数和所述第二常系数，根据ORAQI值计算公式，计算每个所述网格的ORAQI值。
在本申请的一些实施例中，所述根据所述每个所述网格的ORAQI值，从所有所述网格中筛选出大气污染热点网格，包括：
根据每个所述网格的ORAQI值，从所有所述网格中筛选出ORAQI值大于预设阈值的网格，作为初判热点网格；
结合所述目标区域的土地利用类型分类数据，从所述初判热点网格中剔除落在预设下垫面类型的网格，将剩余的所述初判热点网格作为大气污染热点网格。
根据本申请实施例的另一个方面，提供一种大气污染热点网格的获取装置，包括：
划分模块，用于针对目标区域划分出一个或多个网格，所有所述网格完全覆盖所述目标区域；
获取模块，用于获取所述目标区域的各污染物因子的年均值合成遥感产品；所述各污染物因子是预先选定的；
选取模块，用于从所有所述污染物因子中选取大气环境质量的评价因子；
计算模块，用于根据各所述评价因子的年均值合成遥感产品，计算每个所述网格的ORAQI值；
筛选模块，用于根据所述每个所述网格的ORAQI值，从所有所述网格中筛选出大气污染热点网格。
在本申请的一些实施例中，所述获取模块，包括：
第一获取单元，用于通过均值合成法，分别获取所述目标区域的各污染物因子一年中每个月的月均值遥感产品；
第二获取单元，用于对所述每个月的月均值遥感产品进行均值合成，得到所述各污染物因子的年均值合成遥感产品。
在本申请的一些实施例中，所述选取模块，包括：
计算单元，用于针对各所述污染物因子，分别计算对应的重污染区域和非重污染区域的J-M距离指数；
选择单元，用于从各所述污染物因子所对应的J-M距离指数中选择超过预设阈值的J-M距离指数，以所述超过预设阈值的J-M距离指数所对应的所述污染物因子作为所述大气环境质量的评价因子。
根据本申请实施例的另一个方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述的大气污染热点网格的获取方法。
根据本申请实施例的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述的大气污染热点网格的获取方法。
本申请实施例的其中一个方面提供的技术方案可以包括以下有益效果：
本申请实施例提供的大气污染热点网格的获取方法，划分出完全覆盖目标区域的网格，获取各污染物因子的年均值合成遥感产品，从各污染物因子中选取大气环境质量的评价因子，根据各评价因子的年均值合成遥感产品计算每个网格的ORAQI值，根据ORAQI值从所有网格中筛选出大气污染热点网格，能够精确地获得大气污染热点网格，准确度高，能够很好地满足实际应用的需要。
本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请中记载的一些实施例，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示出了本申请的一个实施例的大气污染热点网格的获取方法流程图；
图2示出了本申请的一个实施例中的针对目标区域的网格划分示意图；
图3示出了图1所示实施例中步骤S20的一个实施方式的流程图；
图4示出了本申请的一个实施例中的均值合成法的原理示意图；
图5示出了图1所示实施例中步骤S30的一个实施方式的流程图；
图6示出了图1所示实施例中步骤S40的一个实施方式的流程图；
图7示出了图1所示实施例中步骤S50的一个实施方式的流程图；
图8示出了本申请的一个实施例的大气污染热点网格的获取装置结构框图；
图9示出了图8所示实施例中获取模块的一个实施方式的结构框图；
图10示出了图8所示实施例中选取模块的一个实施方式的结构框图；
图11示出了图8所示实施例中计算模块的一个实施方式的结构框图；
图12示出了图8所示实施例中筛选模块的一个实施方式的结构框图；
图13示出了本申请的一个实施例的电子设备的结构框图；
图14示出了本申请的一个实施例的计算机可读存储介质的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本申请做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
对于大气污染目标区域中的热点区域的确定，可以通过将大气污染目标区域划分为一个或多个网格，然后确定热点区域所在的网格。通过针对大气污染划分网格然后再确定热点网格的方式，操作方便，效率高，且确定热点网格的准确度高。
如图1所示，本申请的一个实施例提供了一种大气污染热点网格的获取方法，包括以下步骤：
S10、针对目标区域划分出一个或多个网格，所有网格完全覆盖该目标区域。
针对目标区域，将目标区域划分成N个预设尺寸(例如3km×3km)的、覆盖整个目标区域范围的网格，并对每个网格进行编号。如图2所示，目标区域完全被所有网格所组成的“网”所覆盖。预设尺寸可以根据实际需要进行设定，例如可以设定为3km×3km、2km×2km或5km×5km等尺寸。
S20、获取目标区域的各污染物因子的年均值合成遥感产品；各污染物因子是预先选定的。
例如，根据实际需要，预先选定AOD(Aerosol Optical Depth，气溶胶光学厚度)、PM2.5、PM10、NO2、SO2、O3六种污染物因子；也可以根据实际需要选定其他种类的污染物因子。遥感产品即通过遥感技术获取的数字图像。遥感产品包括多个像元。每个像元对应的是目标区域的一个网格。像元即影像单元(picture element)，是组成遥感数字化图像的最小单元。在遥感数据采集例如扫描成像过程中，像元是传感器对地面景物进行扫描采样的最小单元，是构成遥感数字图像的基本单元，是遥感成像过程中的采样点。
如图3所示，在某些实施方式中，步骤S20包括：
S201、通过均值合成法，分别获取目标区域的各污染物因子一年中每个月的月均值遥感产品；
S202、对每个月的月均值遥感产品进行均值合成，得到所述各污染物因子的年均值合成遥感产品。
通过均值合成法，分别获取AOD、PM2.5、PM10、NO2、SO2、O3污染物因子一年中每个月的月均值遥感产品，以消除云雨天气造成的数据缺失影响；然后对一年12个月中每个月的月均值遥感产品进行均值合成，得到各污染物因子的年均值合成遥感产品。即对单个污染物因子而言，将每个月的日遥感产品通过均值合成法得到月均值遥感产品，逐月计算得到一年12个月中每个月的月均值遥感产品；通过均值合成法，将12个月中每个月的月均值遥感产品合成为一个年均值合成遥感产品。遥感产品均以数字图像方式呈现。
依次对各污染物因子进行处理，分别得到6个污染物因子的年均值合成遥感产品。均值合成法的原理如图4所示。
t1,t2…tn分别代表n个时次中各时次的大气污染因子的遥感产品。均值合成法，对遥感产品中每个像元而言，如图4所示，每个时次对应位置的像元值累加求和后取平均值，计算公式如下：
S30、从所有污染物因子中选取大气环境质量的评价因子。
参考图5所示，在某些实施方式中，步骤S30包括以下步骤：
S301、针对各所述污染物因子，分别计算对应的重污染区域和非重污染区域的J-M距离指数。
使用J-M(Jeffries-Matusita)距离指数选取大气环境质量的评价因子。J-M距离指数用于判断某特征对两类样本可分性的度量。J-M距离指数的计算公式如下：
J＝2(1-e-B)；
其中，
其中，B代表巴氏距离，m1代表一个类别的特征均值，σ1代表该类别的特征标准差；m2代表另一个类别的特征均值，σ2代表该类别的特征标准差。
以污染气体NO2为例：取某天NO2的遥感监测浓度产品，在监测区域内选取出两个区域：重污染天气区和非重污染天气区。计算重污染天气区的NO2浓度均值m1和标准差σ1；同理，计算非重污染天气区的浓度均值m2和标准差σ2。代入上述公式计算J，即为J-M距离指数。
S302、从各污染物因子所对应的J-M距离指数中选择超过预设阈值的J-M距离指数，以超过预设阈值的J-M距离指数所对应的污染物因子作为大气环境质量的评价因子。
针对某一特定时间，将目标区域划分重污染区和非重污染区，通过J-M距离指数判断该污染物因子对重污染和非重污染的分离度。J-M距离指数的取值范围[0,2]，其值越大，说明对应的污染物因子对重污染天气和非重污染天气的区分能力越强。
在某些实施方式中的具体操作包括：
首先在一年时间尺度上，确定2至3天发生在本区域内的重污染日期，且满足在本区域内有部分地区为重污染天气，有部分地区为非重污染天气，将本区域划分重污染和非重污染两种区域情况，并分别在重污染区域和非重污染区选择样本点范围。
以AOD为例，计算AOD重污染区域和非重污染区域两者的J-M距离指数，计算6个污染物因子的J-M距离指数。从6个J-M距离指数中选择大于1.75的值所对应的污染物因子作为大气环境质量的评价因子。
S40、根据各评价因子的年均值合成遥感产品，计算每个网格的ORAQI值。
目前常用的空气质量评价方法有AQI/API指数法、格林大气污染综合指数法、ORAQI指数法、灰色聚类分析法和模糊综合评价法等。相较于其他空气质量评价方法，ORAQI指数法具有较强的可操作性、准确性，以及根据不同评价区域计算参数的特定性。任一污染物均可应用于ORAQI。
橡树岭大气质量指数(the Oak Ridge Air Quality Index,ORAQI)的指数评价方法任务评价指标对空气质量综合评价效果的影响呈指数关系，其计算公式如下：
式中：Ci为污染物i的监测值，Si代表第i种污染物的标准值；a和b分别为常系数。ORAQI方程应用非常广泛，定量描述了每项污染物的重要性。
根据ORAQI将大气质量分为6级，依次为：优(<20)、好(20～39)、一般(40～59)、差(60～79)、坏(80～99)和危险(>100)。ORAQI值越大，大气环境质量越差。
参考图6所示，在某些实施方式中，步骤S40可以包括以下步骤：
S401、基于各评价因子的年均值合成遥感产品，计算大气环境的背景值与标准值。
利用ORAQI评价大气环境质量，首先需要确定该区域的大气环境的背景值和标准值。大气环境的背景值指未叠加城市局地污染贡献时，中尺度天气系统所携带的大气污染物浓度水平。标准值，是根据各地不同的环境条件和气候状况制定相应的污染物标准得到的。
可采用分形求和模型，以各评价因子的年均值合成遥感产品作为分形求和模型输入数据，来计算背景值和标准值。
理论上，一个地区某种评价因子的背景值和标准值，在一定时间内(可能几个月、半年或一年等)是不会变的。
由于每天都会有NO2、SO2等评价因子的遥感产品产生，因而计算每天的评价因子的背景值和标准值是不合理的；
通常的处理方法为：先得到一年中每天的评价因子的遥感产品，再对每天的遥感产品进行均值合成处理得到年均值合成遥感产品。用该“年均值合成遥感产品”计算背景值与标准值，得到的即为目标区域当年的背景值与标准值。
分形求和模型实际上是对物体累积密度分布分形特征的解析和描述，即大于某一尺度的物体的数目与物体大小尺度之间存在着幂函数关系，即具有尺度不变性。利用分形求和模型，将大气污染物浓度值分为3个区间，其中两个分界点即为大气环境质量背景值与标准值。分形求和模型计算公式如下：
式中，N(r)表示所有满足xi≥r的xi的总和，minxi≤r≤maxxi，D为分形维数，C为常数。
以NO2为例，在遥感产品中，
当r1＝0.01时，N为值≥0.01的像元的个数；
当r2＝0.02时，N为值≥0.02的像元的个数；
……
当ri＝p时，N为值≥p的像元的个数，
……
则构成了两个对应的数列{rn}和{Nn}。
使用分形求和模型，逐个计算参与大气环境质量评价的评价因子在该目标区域的背景值和标准值。
分形求和模型，以实际应用中NO2产品为例来解释：
假设：NO2遥感反演年均值tif的值域范围[0～20]mol·cm-2，以0.01的步进间隔，根据分形求和模型计算公式，n在该模型中代表NO2上限值20；
{rn}代表事先设定的区间端点，是一系列的数据，在该模型中为
{rn}＝[0.01,0.02,0.03,…,19.98,19.99,20.0]。
xi表示某个像素具体的数值，满足条件xi≥r，i用于作为标记像素的序号。
具体地，根据以上说明，仍然以NO2数据为例，
(1)设定{rn}＝[min(NO2),min(NO2)+0.01,min(NO2)+0.02,…,max(NO2)]
后根据公式计算N。N为一系列数据且个数和r所包含的数据的个数一致。
(2)取对数
同时对{rn}和{Nn}中的每个数据取log对数，得到logd(r)和logd(N)，其中d为已知常数，例如d可以取10或其他数值。此时得到两组数据，如下表所示：
表
| log<sub>d</sub>(r) | a<sub>1</sub> | a<sub>2</sub> | a<sub>2</sub> | a<sub>3</sub> | … | a<sub>n</sub> |
| log<sub>d</sub>(N) | b<sub>1</sub> | b<sub>2</sub> | b<sub>2</sub> | b<sub>3</sub> | … | b<sub>n</sub> |
(3)确定分界点。
将上述表中的两组数据，以logd(r)为x轴，以logd(N)为y轴，绘制散点图。通过观察散点图的趋势，取其中两个点将散点分割三段，每段采用最小二乘方法进行线性拟合。
分界点确定原则如下：
1)两个分界点x1和x2应满足：min(logd(r))<x1<max(logd(r))，min(logd(r))<x2<max(logd(r))；
2)两个分界点分割三个区间，每个区间最小二乘法线性拟合的直线的R2累加和达到最大，得到最优分界点。
(4)根据两个分界点计算背景值和标准值。
将上述得到的两个分界点x1和x2，根据公式x＝logd(r)，分别计算得到对应于x1和x2的r的值，即为该区域NO2浓度的背景值和标准值。
背景值Ci′＝d^x1，标准值Si＝d^x2。
S402、计算ORAQI值计算公式中的第一常系数和第二常系数。
计算第一常系数a和第二常系数b。由于常系数a、b满足以下关系
式中，Si为第i种污染物浓度的标准值；Ci′为第i种污染物浓度的背景值；
因此，通过求解上述方程组可以得到常系数a和b的值。
S403、基于背景值、标准值、第一常系数和第二常系数，根据ORAQI值计算公式，计算每个网格的ORAQI值。
在背景值、标准值、第一常系数a和第二常系数b已知的情况下，根据ORAQI计算公式，计算出每个网格的ORAQI值。
S50、根据每个网格的ORAQI值，从所有网格中筛选出大气污染热点网格。
参考图7所示，在某些实施方式中，步骤S50包括：
S501、根据每个网格的ORAQI值，从所有网格中筛选出ORAQI值大于预设阈值的网格，作为初判热点网格。
具体地，根据S403中计算得到的每个网格的ORAQI值，从中筛选出ORAQI值大于预设阈值(例如可以为60或其他值)的网格，拟作为识别的热点网格，即初判热点网格。
S502、结合目标区域的土地利用类型分类数据，从初判热点网格中剔除落在预设下垫面类型的网格，将剩余的所述初判热点网格作为大气污染热点网格。
结合该目标区域土地利用类型分类数据，从初判热点网格中剔除落在例如水域、森林、荒漠等预设下垫面类型的网格，将剩余的初判热点网格作为为大气污染热点网格。
本申请实施例提供的大气污染热点网格的获取方法，划分出完全覆盖目标区域的网格，获取各污染物因子的年均值合成遥感产品，从各污染物因子中选取大气环境质量的评价因子，根据各评价因子的年均值合成遥感产品计算每个网格的ORAQI值，根据ORAQI值从所有网格中筛选出大气污染热点网格，能够精确地获得大气污染热点网格，准确度高，对排放清单依赖程度很低，更新频次快，且污染空间分布情况直观，热点网格更新不受限，对目标区域大气环境质量做出的评价较为全面，对大气环境质量评价较为全面，大气环境质量评价标准严谨科学，能够很好地满足实际应用的需要。
参考图8所示，本申请的另一个实施例提供了一种大气污染热点网格的获取装置，包括：
划分模块10，用于针对目标区域划分出一个或多个网格，所有所述网格完全覆盖所述目标区域；
获取模块20，用于获取所述目标区域的各污染物因子的年均值合成遥感产品；所述各污染物因子是预先选定的；
选取模块30，用于从所有所述污染物因子中选取大气环境质量的评价因子；
计算模块40，用于根据各所述评价因子的年均值合成遥感产品，计算每个所述网格的ORAQI值；
筛选模块50，用于根据所述每个所述网格的ORAQI值，从所有所述网格中筛选出大气污染热点网格。
参考图9所示，在某些实施方式中，获取模块20包括：
第一获取单元201，用于通过均值合成法，分别获取所述目标区域的各污染物因子一年中每个月的月均值遥感产品；
第二获取单元202，用于对所述每个月的月均值遥感产品进行均值合成，得到所述各污染物因子的年均值合成遥感产品。
参考图10所示，在某些实施方式中，选取模块30包括：
计算单元301，用于针对各所述污染物因子，分别计算对应的重污染区域和非重污染区域的J-M距离指数；
选择单元302，用于从各所述污染物因子所对应的J-M距离指数中选择超过预设阈值的J-M距离指数，以所述超过预设阈值的J-M距离指数所对应的所述污染物因子作为所述大气环境质量的评价因子。
参考图11所示，在某些实施方式中，计算模块40包括：
第一计算单元401，用于基于各所述评价因子的年均值合成遥感产品，计算大气环境的背景值与标准值；
第二计算单元402，用于计算ORAQI值计算公式中的第一常系数和第二常系数；
第三计算单元403，用于基于所述背景值、所述标准值、所述第一常系数和所述第二常系数，根据ORAQI值计算公式，计算每个所述网格的ORAQI值。
参考图12所示，在某些实施方式中，筛选模块50包括：
第一筛选单元501，用于根据每个网格的ORAQI值，从所有网格中筛选出ORAQI值大于预设阈值的网格，作为初判热点网格；
第二筛选单元502，用于结合目标区域的土地利用类型分类数据，从初判热点网格中剔除落在预设下垫面类型的网格，将剩余的初判热点网格作为大气污染热点网格。
本申请的另一个实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述任一实施方式的大气污染热点网格的获取方法。
如图13所示，在某实施方式中，电子设备70可以包括：处理器700，存储器701，总线702和通信接口703，所述处理器700、通信接口703和存储器701通过总线702连接；所述存储器701中存储有可在所述处理器700上运行的计算机程序，所述处理器700运行所述计算机程序时执行本申请前述任一实施方式所提供的方法。
其中，存储器701可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还可以包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口703(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线702可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器701用于存储程序，所述处理器700在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述方法可以应用于处理器700中，或者由处理器700实现。
处理器700可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器700中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器700可以是通用处理器，可以包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701，处理器700读取存储器701中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述任一实施方式的大气污染热点网格的获取方法。
参考图14所示，某实施方式中的计算机可读存储介质为光盘80，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
本申请所使用的术语“第一”、“第二”、“第三”等可在本文中用于描述各种对象，但这些对象不受这些术语限制。这些术语仅用于将一个对象与其他对象区分。
术语“模块”并非意图受限于特定物理形式。取决于具体应用，模块可以实现为硬件、固件、软件和/或其组合。此外，不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示例一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例仅表达了本申请的实施方式，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。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种大气污染热点网格的获取方法，其特征在于，包括：
针对目标区域划分出一个或多个网格，所有所述网格完全覆盖所述目标区域；
获取所述目标区域的各污染物因子的年均值合成遥感产品；所述各污染物因子是预先选定的；
从所有所述污染物因子中选取大气环境质量的评价因子；
根据各所述评价因子的年均值合成遥感产品，计算每个所述网格的ORAQI值；
根据所述每个所述网格的ORAQI值，从所有所述网格中筛选出大气污染热点网格。
2.根据权利要求1所述的方法，其特征在于，所述获取所述目标区域的各污染物因子的年均值合成遥感产品，包括：
通过均值合成法，分别获取所述目标区域的各污染物因子一年中每个月的月均值遥感产品；
对所述每个月的月均值遥感产品进行均值合成，得到所述各污染物因子的年均值合成遥感产品。
3.根据权利要求1所述的方法，其特征在于，所述从所有所述污染物因子中选取大气环境质量的评价因子，包括：
针对各所述污染物因子，分别计算对应的重污染区域和非重污染区域的J-M距离指数；
从各所述污染物因子所对应的J-M距离指数中选择超过预设阈值的J-M距离指数，以所述超过预设阈值的J-M距离指数所对应的所述污染物因子作为所述大气环境质量的评价因子。
4.根据权利要求1所述的方法，其特征在于，所述根据各所述评价因子的年均值合成遥感产品，计算每个网格的ORAQI值，包括：
基于各所述评价因子的年均值合成遥感产品，计算大气环境的背景值与标准值；
计算ORAQI值计算公式中的第一常系数和第二常系数；
基于所述背景值、所述标准值、所述第一常系数和所述第二常系数，根据ORAQI值计算公式，计算每个所述网格的ORAQI值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述每个所述网格的ORAQI值，从所有所述网格中筛选出大气污染热点网格，包括：
根据每个所述网格的ORAQI值，从所有所述网格中筛选出ORAQI值大于预设阈值的网格，作为初判热点网格；
结合所述目标区域的土地利用类型分类数据，从所述初判热点网格中剔除落在预设下垫面类型的网格，将剩余的所述初判热点网格作为大气污染热点网格。
6.一种大气污染热点网格的获取装置，其特征在于，包括：
划分模块，用于针对目标区域划分出一个或多个网格，所有所述网格完全覆盖所述目标区域；
获取模块，用于获取所述目标区域的各污染物因子的年均值合成遥感产品；所述各污染物因子是预先选定的；
选取模块，用于从所有所述污染物因子中选取大气环境质量的评价因子；
计算模块，用于根据各所述评价因子的年均值合成遥感产品，计算每个所述网格的ORAQI值；
筛选模块，用于根据所述每个所述网格的ORAQI值，从所有所述网格中筛选出大气污染热点网格。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，包括：
第一获取单元，用于通过均值合成法，分别获取所述目标区域的各污染物因子一年中每个月的月均值遥感产品；
第二获取单元，用于对所述每个月的月均值遥感产品进行均值合成，得到所述各污染物因子的年均值合成遥感产品。
8.根据权利要求6所述的装置，其特征在于，所述选取模块，包括：
计算单元，用于针对各所述污染物因子，分别计算对应的重污染区域和非重污染区域的J-M距离指数；
选择单元，用于从各所述污染物因子所对应的J-M距离指数中选择超过预设阈值的J-M距离指数，以所述超过预设阈值的J-M距离指数所对应的所述污染物因子作为所述大气环境质量的评价因子。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5中任一所述的大气污染热点网格的获取方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求1-5中任一所述的大气污染热点网格的获取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052454.XA CN113761098B (zh) | 2021-09-08 | 2021-09-08 | 大气污染热点网格的获取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052454.XA CN113761098B (zh) | 2021-09-08 | 2021-09-08 | 大气污染热点网格的获取方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113761098A true CN113761098A (zh) | 2021-12-07 |
| CN113761098B CN113761098B (zh) | 2022-09-20 |
Family
ID=78794047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111052454.XA Active CN113761098B (zh) | 2021-09-08 | 2021-09-08 | 大气污染热点网格的获取方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113761098B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117851528A (zh) * | 2023-12-21 | 2024-04-09 | 北京英视睿达科技股份有限公司 | 基于大气环境数据时空网格划分方法、装置、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090080729A1 (en) * | 2007-09-21 | 2009-03-26 | Wei Zhang | Method and system for evaluating image segmentation based on visibility |
| US20140193042A1 (en) * | 2013-01-04 | 2014-07-10 | International Business Machines Corporation | Surface contamination determination system |
| CN105868533A (zh) * | 2016-03-23 | 2016-08-17 | 四川理工学院 | 基于物联网和3s技术江河流域水环境集成感知与应用方法 |
| CN109472504A (zh) * | 2018-11-19 | 2019-03-15 | 北京英视睿达科技有限公司 | 基于卫星遥感数据确定水环境热点网格的方法及装置 |
| CN110954482A (zh) * | 2019-12-02 | 2020-04-03 | 生态环境部卫星环境应用中心 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
| 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 |
| CN112559665A (zh) * | 2020-12-18 | 2021-03-26 | 中科三清科技有限公司 | 空气质量模式预报数据可视化方法及装置 |
| WO2021077847A1 (zh) * | 2019-10-23 | 2021-04-29 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
-
2021
- 2021-09-08 CN CN202111052454.XA patent/CN113761098B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090080729A1 (en) * | 2007-09-21 | 2009-03-26 | Wei Zhang | Method and system for evaluating image segmentation based on visibility |
| US20140193042A1 (en) * | 2013-01-04 | 2014-07-10 | International Business Machines Corporation | Surface contamination determination system |
| CN105868533A (zh) * | 2016-03-23 | 2016-08-17 | 四川理工学院 | 基于物联网和3s技术江河流域水环境集成感知与应用方法 |
| CN109472504A (zh) * | 2018-11-19 | 2019-03-15 | 北京英视睿达科技有限公司 | 基于卫星遥感数据确定水环境热点网格的方法及装置 |
| WO2021077847A1 (zh) * | 2019-10-23 | 2021-04-29 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
| CN110954482A (zh) * | 2019-12-02 | 2020-04-03 | 生态环境部卫星环境应用中心 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
| 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 |
| CN112559665A (zh) * | 2020-12-18 | 2021-03-26 | 中科三清科技有限公司 | 空气质量模式预报数据可视化方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 权维俊等: "基于TM卫星影像获取北京市水体密度指数与植被覆盖指数的方法", 《南京气象学院学报》 * |
| 陈辉等: "大气环境热点网格遥感筛选方法研究", 《中国环境科学》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117851528A (zh) * | 2023-12-21 | 2024-04-09 | 北京英视睿达科技股份有限公司 | 基于大气环境数据时空网格划分方法、装置、设备及介质 |
| CN117851528B (zh) * | 2023-12-21 | 2024-07-16 | 北京英视睿达科技股份有限公司 | 基于大气环境数据时空网格划分方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113761098B (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Georganos et al. | Geographical random forests: a spatial extension of the random forest algorithm to address spatial heterogeneity in remote sensing and population modelling | |
| CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
| CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
| WO2020107712A1 (zh) | 基于用户数据实现天线方位角纠偏的方法 | |
| CN109031472A (zh) | 一种用于气象预测的数据处理方法及装置 | |
| CN113348471A (zh) | 一种大气污染预测中对区域边界优化的方法 | |
| 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 | |
| CN115713694B (zh) | 一种土地测绘信息管理方法 | |
| CN114997534B (zh) | 基于视觉特征的相似降雨预报方法和设备 | |
| CN114494894B (zh) | 海洋黑涡自动识别与关键参数反演方法、装置和电子设备 | |
| CN113761098B (zh) | 大气污染热点网格的获取方法、装置、设备及存储介质 | |
| Li et al. | Modeling and predicting city-level CO2 emissions using open access data and machine learning | |
| Huang et al. | Ecological risk assessment from the perspective of soil heavy metal accumulations in Xiamen city, China | |
| CN114118835B (zh) | 一种定量遥感反演预测结果评价方法及系统 | |
| CN110532969B (zh) | 基于多尺度图像分割的斜坡单元划分方法 | |
| Essa et al. | Drought characteristics in Mediterranean under future climate change | |
| Dungan | Toward a comprehensive view of uncertainty in remote sensing analysis | |
| CN117809183A (zh) | 一种荒漠化监测方法、系统、电子设备及介质 | |
| CN112924967A (zh) | 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用 | |
| CN115271332A (zh) | 一种旱情监测方法 | |
| CN114943493B (zh) | 一种耕地质量等别监测评价系统及方法 | |
| CN112860824B (zh) | 一种高分辨率dem地形特征提取的尺度适应性评价方法 | |
| 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 | |
| CN114821165A (zh) | 一种轨道检测图像采集分析方法 | |
| CN111523466A (zh) | 基于大数据的城市开放空间的分类方法及装置 |
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 |