CN114357058A - 一种臭氧污染溯源方法 - Google Patents

一种臭氧污染溯源方法 Download PDF

Info

Publication number
CN114357058A
CN114357058A CN202111670682.3A CN202111670682A CN114357058A CN 114357058 A CN114357058 A CN 114357058A CN 202111670682 A CN202111670682 A CN 202111670682A CN 114357058 A CN114357058 A CN 114357058A
Authority
CN
China
Prior art keywords
value
ozone
area
main control
target area
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
Application number
CN202111670682.3A
Other languages
English (en)
Inventor
周君立
黄拓
刘德华
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.)
Lihero Technology Hunan Co ltd
Original Assignee
Lihero Technology Hunan Co ltd
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 Lihero Technology Hunan Co ltd filed Critical Lihero Technology Hunan Co ltd
Priority to CN202111670682.3A priority Critical patent/CN114357058A/zh
Publication of CN114357058A publication Critical patent/CN114357058A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/26—Visual data mining; Browsing structured data
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Oxygen, Ozone, And Oxides In General (AREA)

Abstract

本发明公开了一种臭氧污染溯源方法，可以实现臭氧污染的实时自动化监控，不仅能够降低人工采样的劳动强度，而且能够提高臭氧污染溯源的效率，并且兼具数据实际监测和数值理论分析的多项优点，有效提升了臭氧污染溯源的科学性和高效性，更大大提高了臭氧污染溯源的可操作性，以简便科学的方法达到最快的溯源效果，高效、快速地筛选出臭氧污染高值的成因，可以很好地适用于区域或城市自动空气站点臭氧高值的成因分析，适用于工程应用。

Description

一种臭氧污染溯源方法
技术领域
本发明涉及空气污染溯源技术领域，特别地，涉及一种臭氧污染溯源方法。
背景技术
O3具有氧化性，因而具有腐蚀性，吸入过量的O3则会给人体带来伤害。O3对人体健康的危害主要体现在以下几方面：(1)强烈刺激呼吸道，造成咽喉肿痛、胸闷咳嗽、引发支气管炎和肺气肿；(2)造成神经中毒，头晕头痛、视力下降、记忆力衰退；(3)对人体皮肤中的维生素E起到破坏作用，致使人的皮肤起皱、出现黑斑；(4)破坏人体免疫机能，诱发淋巴细胞染色体病变，加速衰老，致使胎儿畸形。因此，O3污染问题日益受到大家的广泛关注，国内外针对O3污染的溯源研究不断深入。
目前，现有的O3污染溯源方法主要包括：后推气团轨迹分析法、激光雷达探测法、数值模式模拟法、移动式常规走航监测法等。其中，后推气团轨迹分析法是将一段时间内的后推气流轨迹按照一定方法进行分类归纳，聚类分析可以用于分析目标地点的气团的来向构成以及占比，主要分为四个步骤：气象数据准备；按所需时间段批量计算后推气流轨迹；对后退气流轨迹数据进行聚类；将聚类结果与污染物浓度数据结合分析。后推气团轨迹分析法对区域传输分析的作用较佳，但由于O3前体物较活跃，在大气活动中易消耗，因此该方法无法对O3及其前体物的本地生成和转化进行分析，分析过程中缺乏存在一定的科学性，存在一定的分析误差。
激光雷达探测法主要是通过激光发射源产生高重频的脉冲激光，高重频的脉冲激光经激光晶体变频，产生紫外臭氧吸收波长的激光，通过光束耦合作用将高重频的脉冲激光先分成两路激光束分别进行扩束后再合束同光轴同光束质量的激光发射到目标大气中，发射到目标大气中的激光受臭氧分子吸收和大气散射作用，产生散射光回波信号，通过信号转换，可将经过滤器过滤的散射光回波信号分波段进行测量，得到大气回波信号，用于系统控制并进行反演计算得到O3浓度的高值区域。该方法的具有搭建装置结构简单和调试方便等优点，同时高重频适合快速溯源，适合臭氧监测领域需要快速溯源的要求，同时适合大规模的应用。但是激光能量较高，运行过程中存在一定的安全隐患，此外，溯源结果缺乏机理性分析，仅精确到相应区域，对小范围区域的具体污染源来源的分析并不到位，且受气象等因素的影响，存在一定的分析误差。
数值模式模拟法是指选用不同尺度的模式对区域O3污染物开展模拟分析，常用模式包括CMAQ、WRF和CAMx等，数值模式模拟是分析大气污染物时空分布和成分贡献的重要工具，利用模拟结果可以分析大气污染的来源、成因、污染程度、持续时间、主要成分、相对贡献等问题。当前，针对不同理论、用途和设计理念，国内外已经研发出了多种空气质量模式，并被广泛应用于空气质量预报预警系统、大气污染防治、环境影响评价等工作中。开展模式模拟的原始数据包括：地理气象、空气质量、产业布局等多种数据集合，数值模拟基于程序算法，能模拟较复杂过程，较抽象，可快速得出结果，模拟成本低廉，该方法可以对各个区域、各个站点进行多重分析，对实验进行补充。但是数值模拟法的直观性较弱，该方法在模拟分析过程中，往往要对边界条件和参数属性进行简化，都是基于某个理论框架或者某些假设，都不是真正的现实数据，不能代替实验的作用，模拟结果存在一定的置信度。
而移动式常规车载走航监测法主要是依靠常规走航监测车，在不需要接入市电的情况下，可在行驶过程中连续监测，也可停靠路边或污染地带进行定点监测。通过移动监测法，既满足环境常规巡查又能快速应急处理，扩大了监测区域，为O3高值站点周边区域的O3分布进行划分，提高其时空分辨率，真正做到环境监测“全方位、无死角”，是环境管理中科学、高效的手段。但是，该方式多为事后监测，缺乏固定式监测网络的连续性和整体性，对短时间局部区域的高值溯源能发挥有效作用，但就大区域或整个城市的高值溯源而言，仍需搭配其他手段。
因此，现有的臭氧溯源方法缺乏O3前体物(VOCs和NOx)长期性监测的机理性分析，无法对高值过程中多类前体物进行细化溯源，这就造成了区域O3污染成因不明晰、环保执法无方向、O3污染持续加剧的问题。
发明内容
本发明提供了一种臭氧污染溯源方法，以解决现有的臭氧溯源方法无法对臭氧前提物进行细化溯源分析的技术问题。
根据本发明的一个方面，提供一种臭氧污染溯源方法，包括以下内容：
确定目标区域，收集目标区域的环境背景资料并建立目标区域的大气环境污染源背景清单库；
布设目标区域的大气监测网络以实时获得臭氧及其前体物的监测数据；
在出现臭氧污染后，基于大气监测网络中的各个监测站点的监测数据进行高值污染物插值分析，以确定臭氧及其前体物的综合高值区域；
对综合高值区域的特征监测组分活性占比进行分析，将分析结果与目标区域的大气环境污染源背景清单库进行比对以确定污染源。
进一步地，所述基于大气监测网络中的各个监测站点的监测数据进行高值污染物插值分析，以确定臭氧及其前体物的综合高值区域的过程包括以下内容：
运用插值法对目标区域的臭氧浓度进行可视化渲染，以确定臭氧相对高值区域；
采用臭氧敏感性分析法对目标区域进行插值渲染分析，以确定臭氧相对高值区域的主控前体物；
运用插值法对目标区域的主控前体物的数值进行可视化渲染，以确定主控前体物相对高值区域；
获得臭氧相对高值区域和主控前体物相对高值区域的交集，该交集即为臭氧及其前体物的综合高值区域。
进一步地，所述运用插值法对目标区域的臭氧浓度进行可视化渲染，以确定臭氧相对高值区域的过程包括以下内容：
制作所有监测站点在臭氧浓度高值时段的臭氧浓度均值表；
将所述臭氧浓度均值表的表格数据导入GIS软件中目标区域的地图文件，对不同的臭氧浓度定义不同颜色；
基于目标区域的地图文件尺寸，按照横纵坐标像素进行切分，选择合适的坐标像素和栅格密度以填充图像变换时像素之间的空隙；
基于GIS测距并结合臭氧浓度的填充色差分析填充结果，基于分析结果得到臭氧浓度相对高值区域。
进一步地，所述采用臭氧敏感性分析法对目标区域进行插值渲染分析，以确定臭氧相对高值区域的主要前体物成分的过程包括以下内容：
对所有监测站点的VOCs浓度和NOx浓度的监测数据进行统计，汇总得到各个监测站点的VOCs/NOx均值表；
将所述VOCs/NOx均值表的表格数据导入GIS软件中目标区域的地图文件，对不同的VOCs/NOx数值定义不同颜色；
基于目标区域的地图文件尺寸，按照横纵坐标像素进行切分，选择合适的坐标像素和栅格密度以填充图像变换时像素之间的空隙；
基于GIS测距并结合VOCs/NOx数值的填充色差分析填充结果，根据分析结果将目标区域划分为VOCs主控区和NOX主控区，并确定臭氧浓度相对高值区域属于VOCs主控区或者NOX主控区。
进一步地，所述运用插值法对目标区域的主控前体物的数值进行可视化渲染，以确定主控前体物相对高值区域的过程包括以下内容：
制作臭氧浓度高值前夕所有监测站点的主控前体物均值表；
将所述主控前体物均值表的表格数据导入GIS软件中目标区域的地图文件，对不同的主控前体物均值定义不同颜色；
基于目标区域的地图文件尺寸，按照横纵坐标像素进行切分，选择合适的坐标像素和栅格密度以填充图像变换时像素之间的空隙；
基于GIS测距并结合主控前体物数值的填充色差分析填充结果，基于分析结果得到主控前体物相对高值区域。
进一步地，在获得臭氧及其前体物的综合高值区域之后还包括以下内容：
采用风玫瑰图分析法对主控前体物相对高值区域对应的监测站点进行主控污染物高值方位来源分析，以确定高值方位。
进一步地，所述采用风玫瑰图分析法对主控前体物相对高值区域对应的监测站点进行主控污染物高值方位来源分析，确定高值来源方位的过程包括以下内容：
制作主控前体物相对高值区域对应的监测站点在臭氧浓度高值前夕的主控前体物浓度时序表；
将所述主控前体物浓度时序表的表格数据导入目标区域的地图文件，通过预设程序包制作风玫瑰图；
在风玫瑰图中以正北角度为0°，并判断主控前体物的高值方位。
进一步地，所述对综合高值区域的特征监测组分活性占比进行分析，将分析结果与目标区域的大气环境污染源背景清单库进行比对以确定污染源的过程包括以下内容：
统计综合高值区域对应的监测站点在臭氧浓度高值前夕的主控前体物的各组分浓度均值；
基于等效丙烯法将各组分的活性统一转化为丙烯活性，计算得到各类组分的活性；
汇总统计主控前体物的活性总和，并计算排名靠前的多个组分的活性占比；
基于活性占比计算结果和目标区域的大气环境污染源背景清单库进行比对，得到诱发臭氧高值的污染源。
进一步地，当区域的VOCs/NOx的数值小于8:1时，则属于VOCs主控区，当VOCs/NOx的数值大于8:1时，则属于NOx主控区。
进一步地，所述监测数据包括117项常测VOCs组分、NOx、常规气象参数、辐射参数、边界层高度、云量。
本发明具有以下效果：
本发明的臭氧污染溯源方法，先根据需要在卫星地图上确定需要进行监测的目标区域，然后收集目标区域的环境背景资料以建立大气环境污染源背景清单库，将目标区域的所有污染源相关信息预先存储起来以便于后续溯源时进行比对分析。再布设目标区域的大气监测网络，从而可以实时获取臭氧及其前体物的监测数据，当出现臭氧高值时，基于大气监测网络采集的监测数据进行高值污染物插值分析，以确定臭氧及其前体物的综合高值区域，从而可以初步定位污染源处于该综合高值区域内。然后，通过对综合高值区域的特征监测组分活性占比进行分析，分析得到造成臭氧及其前体物高值的主要组分，再通过与预先建立的大气环境污染源背景清单库进行比对，查找出造成臭氧及其前体物高值的主要组分的实际来源，从而确定污染源。本发明的臭氧污染溯源方法，可以实现臭氧污染的实时自动监控，不仅能够降低人工采样的劳动强度，而且能够提高臭氧污染溯源的效率，并且兼具数据实际监测和数值理论分析的多项优点，有效提升了臭氧污染溯源的科学性和高效性，更大大提高了臭氧污染溯源的可操作性，以简便科学的方法达到最快的溯源效果，高效、快速地筛选出臭氧污染高值的成因，可以很好地适用于区域或城市自动空气站点臭氧高值的成因分析，适用于工程应用。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的臭氧污染溯源方法的流程示意图。
图2是图1中步骤S3的子流程示意图。
图3是图2中步骤S31的子流程示意图。
图4是图2中步骤S32的子流程示意图。
图5是图2中步骤S33的子流程示意图。
图6是图1中步骤S3的另一子流程示意图。
图7是图6中的步骤S33a的子流程示意图。
图8是图1中步骤S4的子流程示意图。
图9是本发明中利用插值法得到的P市O3浓度插值分布的示意图。
图10是本发明中利用O3敏感性分析法得到的P市VOCs/NOx插值分布的示意图。
图11是本发明中利用交集法得到的P市O3和VOCs综合高值区域的示意图。
图12是本发明中利用风玫瑰图分析法得到的P市VOCs高值组分站污染物玫瑰图分析的示意图。
图13是本发明中得到的P市VOCs高值组分站的特征监测组分活性占比的示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示，本发明的优选实施例提供一种臭氧污染溯源方法，包括以下内容：
步骤S1：确定目标区域，收集目标区域的环境背景资料并建立目标区域的大气环境污染源背景清单库；
步骤S2：布设目标区域的大气监测网络以实时获得臭氧及其前体物的监测数据；
步骤S3：在出现臭氧污染后，基于大气监测网络中的各个监测站点的监测数据进行高值污染物插值分析，以确定臭氧及其前体物的综合高值区域；
步骤S4：对综合高值区域的特征监测组分活性占比进行分析，将分析结果与目标区域的大气环境污染源背景清单库进行比对以确定污染源。
可以理解，本实施例的臭氧污染溯源方法，先根据需要在卫星地图上确定需要进行监测的目标区域，然后收集目标区域的环境背景资料以建立大气环境污染源背景清单库，将目标区域的所有污染源相关信息预先存储起来以便于后续溯源时进行比对分析。再布设目标区域的大气监测网络，从而可以实时获取臭氧及其前体物的监测数据，当出现臭氧高值时，基于大气监测网络采集的监测数据进行高值污染物插值分析，以确定臭氧及其前体物的综合高值区域，从而可以初步定位污染源处于该综合高值区域内。然后，通过对综合高值区域的特征监测组分活性占比进行分析，分析得到造成臭氧及其前体物高值的主要组分，再通过与预先建立的大气环境污染源背景清单库进行比对，查找出造成臭氧及其前体物高值的主要组分的实际来源，从而确定污染源。本发明的臭氧污染溯源方法，可以实现臭氧污染的实时自动监控，不仅能够降低人工采样的劳动强度，而且能够提高臭氧污染溯源的效率，并且兼具数据实际监测和数值理论分析的多项优点，有效提升了臭氧污染溯源的科学性和高效性，更大大提高了臭氧污染溯源的可操作性，以简便科学的方法达到最快的溯源效果，高效、快速地筛选出臭氧污染高值的成因，可以很好地适用于区域或城市自动空气站点臭氧高值的成因分析，适用于工程应用。
可以理解，在所述步骤S1中，结合实际需要在卫星地图上确定需要进行臭氧污染监控的目标区域，目标区域可以是局部地区或者城市。例如，当相关区域切实存在引发人民居住体验不适或存在环境病理等环境空气质量问题，又或是相关区域存在环境空气质量考核需求等情况，可以将该区域作为目标区域。所述目标区域的环境背景资料包括但不限于区域的地理环境、气象条件、环境空气质量概况、污染源种类及分布、产业交通布局、能耗状况、用地结构等多种资料内容，资料的时间跨度为近1～5年，最新内容截至溯源分析时的最近一年，保证数据具备一定时效性。其中，地理环境应包括且不限水文地质、海拔地势、植被地形等数据，气象条件应包括且不限温度、湿度、气压、辐射、降雨、风速、风向、边界层高、云高、云厚等参数，环境空气质量概况应包括且不限常规、组分、恶臭和温室气体等参数，污染源种类及分布应包括且不限工业源、移动源、扬尘源和燃烧源等类别，产业布局应包括且不限石油化工、装备制造、钢铁水泥、制鞋纺织、造纸焦化等行业，交通布局包括且不限乡道、县道、省道、国道、火车、飞机、轮船等，能耗状况包括且不限水、电、煤、气、石油等能源的使用。其他有关大数据应尽量包含在内，此处不一一赘述。所述大气环境污染源背景清单库主要覆盖化石燃料固定燃烧、工业过程、移动源、溶剂使用、开放扬尘、生物质燃烧和农业等排放源清单，包含挥发性有机物(烷烃、烯烃、芳香烃、醛酮类、卤代烃、酯类、醚类等多种VOCs)、二氧化硫(SO2)、氮氧化物(NOx)、一氧化碳(CO)、氨(NH3)、颗粒物(PM2.5和PM10)和臭氧(O3)等大气污染物，排放源清单是大气污染模式最重要的起始输入数据，是研究空气污染物在大气中的物理化学过程中的先决条件，它对于模拟二次污染物、了解某一地区的空气污染情况、确定合适的减排方式等都具有重要意义。另外，所述大气环境污染源背景清单库应及时补充和修改，保持1季度/次的更新频次，保证所积累的环境大数据的时效性和充足性。
可以理解，在所述步骤S2中，大气监测网络的监测站点具体按照环境空气质量监测点位布设技术规范开展，保障监测点位的代表性、可比性、整体性、前瞻性、稳定性。例如：可考虑在城市现有各国/省/市控点甚至微型站点的基础上增加所需臭氧前体物和欠缺的气象参数。作为优选的，所述大气监测网络既包括现有的常规空气站监测网，又包括新建立的臭氧前体物监测网络(即光化学组分监测网或者特征组分监测网络)，其中，国控站点监测网络和臭氧前体物监测网络的监测点位可以重复。所述监测数据应当包括但不限于臭氧浓度、117项常测VOCs组分、NOx、常规气象参数、辐射参数、边界层高度、云量等数据和气象参数，其中，常规气象参数包括温度、湿度、气压、降雨、风速、风向。
可以理解，如图2所示，所述步骤S3中的基于大气监测网络中的各个监测站点的监测数据进行高值污染物插值分析，以确定臭氧及其前体物的综合高值区域的过程具体包括以下内容：
步骤S31：运用插值法对目标区域的臭氧浓度进行可视化渲染，以确定臭氧相对高值区域；
步骤S32：采用臭氧敏感性分析法对目标区域进行插值渲染分析，以确定臭氧相对高值区域的主控前体物；
步骤S33：运用插值法对目标区域的主控前体物的数值进行可视化渲染，以确定主控前体物相对高值区域；
步骤S34：获得臭氧相对高值区域和主控前体物相对高值区域的交集，该交集即为臭氧及其前体物的综合高值区域。
可以理解，通过插值法可对臭氧及其前体物的高值分布进行渲染测距，快速明确臭氧高值和主控前体物高值覆盖的区域范围，缩小溯源地域，提升臭氧管控区域的针对性，通过臭氧敏感性分析法可以对臭氧相对高值区域的主控前体物进行判定，明确首要污染因素，有效缩小溯源范围，并通过交集法对臭氧及主控前体物的高值区域进行交集比对，快速明确臭氧高值和主控前体物高值的区域范围，缩小溯源地域，明确“反应物”的来源区域，从而可以有效提升溯源效率和溯源准确率。
可以理解，如图3所示，所述步骤S31具体包括以下内容：
步骤S311：制作所有监测站点在臭氧浓度高值时段的臭氧浓度均值表；
步骤S312：将所述臭氧浓度均值表的表格数据导入GIS软件中目标区域的地图文件，对不同的臭氧浓度定义不同颜色；
步骤S313：基于目标区域的地图文件尺寸，按照横纵坐标像素进行切分，选择合适的坐标像素和栅格密度以填充图像变换时像素之间的空隙；
步骤S314：基于GIS测距并结合臭氧浓度的填充色差分析填充结果，基于分析结果得到臭氧浓度相对高值区域。
可以理解，插值法是离散函式(数值/颜色)逼近的重要方法，利用它可通过函式在有限个点处的取色状况，估算出函式在其他点处的近似颜色，插值法在环境空气监测的数据分析方面，可通过具体数值的颜色定义，进而填充图像变换时像素之间的空隙，从而实现数据的可视化应用。本发明通过数值插值法对目标区域的臭氧浓度插值分布进行全面分析，从而保证对全域范围内参数监测实况的充分了解，可以快速、准确地确定臭氧浓度相对高值区域。
可以理解，如图4所示，所述步骤S32具体包括以下内容：
步骤S321：对所有监测站点的VOCs浓度和NOx浓度的监测数据进行统计，汇总得到各个监测站点的VOCs/NOx均值表；
步骤S322：将所述VOCs/NOx均值表的表格数据导入GIS软件中目标区域的地图文件，对不同的VOCs/NOx数值定义不同颜色；
步骤S323：基于目标区域的地图文件尺寸，按照横纵坐标像素进行切分，选择合适的坐标像素和栅格密度以填充图像变换时像素之间的空隙；
步骤S324：基于GIS测距并结合VOCs/NOx数值的填充色差分析填充结果，根据分析结果将目标区域划分为VOCs主控区和NOX主控区，并确定臭氧浓度相对高值区域属于VOCs主控区或者NOX主控区。
可以理解，通过对所有监测站点的臭氧前体物的监测数据进行统计分析，并结合数值插值法对目标区域的VOCs/NOx的数值插值分布进行全面分析，从而保证对全域范围内参数监测实况的充分了解，可以快速、准确地确定臭氧浓度相对高值区域的主控前体物。其中，当区域的VOCs/NOx的数值小于8:1时，则属于VOCs主控区，当VOCs/NOx的数值大于8:1时，则属于NOx主控区。通过臭氧敏感性分析法可以对臭氧生成与转化的主控物质进行判断，有效明确臭氧的主要来源。
可以理解，如图5所示，所述步骤S33具体包括以下内容：
步骤S331：制作臭氧浓度高值前夕所有监测站点的主控前体物均值表；
步骤S332：将所述主控前体物均值表的表格数据导入GIS软件中目标区域的地图文件，对不同的主控前体物均值定义不同颜色；
步骤S333：基于目标区域的地图文件尺寸，按照横纵坐标像素进行切分，选择合适的坐标像素和栅格密度以填充图像变换时像素之间的空隙；
步骤S334：基于GIS测距并结合主控前体物数值的填充色差分析填充结果，基于分析结果得到主控前体物相对高值区域。
可以理解，通过数值插值法对目标区域的主控前体物浓度插值分布进行全面分析，从而保证对全域范围内参数监测实况的充分了解，可以快速、准确地确定主控前体物相对高值区域。
可以理解，在所述步骤S34中，通过交集法对臭氧及主控前体物的高值区域进行交集比对，快速明确臭氧高值和主控前体物高值的区域范围，缩小溯源地域，明确“反应物”的来源区域，从而可以有效提升溯源效率和溯源准确率，为有限的环保执法力量快速明确重点高值区域。
可以理解，如图6所示，在本发明的另一实施例中，所述步骤S3在步骤S33和步骤S34之间还包括以下内容：
步骤S33a：采用风玫瑰图分析法对主控前体物相对高值区域对应的监测站点进行主控污染物高值方位来源分析，以确定高值方位。
通过风玫瑰图分析法可对臭氧及其主控前体物/气象参数的小时数据进行叠加反演，明确高值方位，可以快速辨识臭氧污染和转化的具体方向。
具体地，如图7所示，所述步骤S33a具体包括以下内容：
步骤S331a：制作主控前体物相对高值区域对应的监测站点在臭氧浓度高值前夕的主控前体物浓度时序表；
步骤S332a：将所述主控前体物浓度时序表的表格数据导入目标区域的地图文件，通过预设程序包制作风玫瑰图；
步骤S333a：在风玫瑰图中以正北角度为0°，并判断主控前体物的高值方位。
可以理解，监测站点的气象监测数据通常包含风速、风向、温度、气压、降水和湿度6个参数，其中，风向参数的定义为0°—正北、90°—正东、180°—正南、270°—正西，顺时针方向旋转为数值逐渐递增的趋势。通过Origin/R语言等软件的可视化应用，可对污染物高值和气象参数的小时数据进行反演，绘制出不同时段的叠加污染物的风玫瑰图，从而快速辨识污染物高值的来源方位，进一步缩小了溯源范围，提高了溯源分析判断的准确率。
可以理解，如图8所示，所述步骤S4具体包括以下内容：
步骤S41：统计综合高值区域对应的监测站点在臭氧浓度高值前夕的主控前体物的各组分浓度均值；
步骤S42：基于等效丙烯法将各组分的活性统一转化为丙烯活性，计算得到各类组分的活性；
步骤S43：汇总统计主控前体物的活性总和，并计算排名靠前的多个组分的活性占比；
步骤S44：基于活性占比计算结果和目标区域的大气环境污染源背景清单库进行比对，得到诱发臭氧高值的污染源。
其中，特征监测组分指的是特征污染物，而特征污染物是指不同项目排放的污染物中除常规污染物以外的特有污染物，也指具体项目实施后可能导致潜在污染或对周边环境空气保护目标产生影响的特有污染物。特征污染物能够反映某种行业所排放污染物中有代表的部分，能够显示此行业的污染程度，一般可以从量上理解成排放较多的污染物，如制药行业中COD、BOD、乙醇、丙酮等，其所指在同一行业中由于生产工艺、产品有所不同也是可以不同的，再如汽车尾气特征污染物为碳氢化合物、NOx等。本申请发明人经过研究和实践经验，总结整理得到了特征污染物行业示踪表，具体如表1所示。
表1、特征示踪组分及其示踪行业对应表
Figure BDA0003452888200000131
Figure BDA0003452888200000141
可以理解，基于特征监测组分示踪分析结果结合目标区域污染源清单库进行比对分析，可对臭氧及其主控前体物的高值方位区域的具体产业开展示踪定位，明确管控对象，快速明确诱发臭氧高值的污染源名录，实现快速、准确地污染溯源。
可选地，所述大气监测网络还可以包括臭氧激光雷达网络，臭氧激光雷达的加密布设可以实现区域臭氧高值的实时监测，通过臭氧激光雷达的水平/垂直扫描，虽然无法明确光化学组分在具体产业中的来源，但通过反演信号的转化，可对臭氧生成物浓度累积的区域进行精准定位，从而为环保执法进一步快速确定臭氧高值区域。另外，所述大气监测网络还可以包括卫星遥感溯源，高空卫星亦可对国内各大区域城市高空对流层中臭氧及其前体物(VOCs和NOx)信号进行遥感反演，结合卫星定位，区域空间切分，进一步为环保执法明晰臭氧管控区域。但是，卫星遥感溯源易受地理环境、气象因素的直接影响，遥感信号的反演效果存在一定的误差，仅适用于大尺度的联防联控。
可以理解，为了更好地说明本发明的技术构思，现给出具体实例进行进一步解释说明。
首先，基于P市环境空气质量考核需求，确定该市为溯源目标区域，收集P市及相关区域的背景资料，并基于P市的环境背景资料建立P市的大气环境污染源背景清单库，清单库内容如表2所示。
表2、P市的大气环境污染源背景清单库
Figure BDA0003452888200000151
然后对P市的大气环境污染源背景清单库进行分析，基于已有常规空气站监测网(A-B-C-D-E)，结合国家自动监测站选点规范，布设P市的特征组分监测网络(a-b-c-d-e)，即臭氧前体物监测网络。布设完成后，运用建设完成的特征组分监测网络开展在线实时监测工作，在2021年X月X日P市现O3相对高值时，开始溯源工作。
首先，针对X月X日P市的O3相对高值情况，首先运用插值法对区域O3浓度进行可视化渲染，具体过程包括：1.制作高值时段常规空气站监测网的各个站点的O3均值表(csv格式)，具体信息包含区域各常规站点名称、经纬度、O3小时均值，详见下表3；2.将表格数据导入GIS软件中目标区域的地图文件(shp/json格式)，通常定义O3＝0ug/m3为纯蓝色、O3＝160ug/m3为纯红色(其中，160ug/m3为O3小时浓度转良线)，颜色定义可结合具体高值实况进行调整；3.基于目标区域的地图文件的尺寸，按照横纵坐标橡素进行切分，坐标橡素介于0.001～0.01之间，对应栅格密度的分别为779*1189和79*120，以此填充图像变换时像素之间的空隙，从而实现O3数值的可视化展示；4.基于GIS测距并结合O3浓度的填充色差，分析最终填充结果，得到常规空气站的O3浓度排序：B＞C＞E＞D＞A，其中，B和C站点浓度较高，O3相对高值区域为B和C站点周边5公里范围，具体如图9所示。
表3、X月X日P市常规空气站点的O3浓度统计表
Figure BDA0003452888200000161
然后，结合O3敏感性分析法对P市开展插值渲染分析，具体过程如下：1.对布设的臭氧前体物监测网络站点中的VOCs和NOx(NO2+NO)小时数据进行统计，汇总出各站点的VOCs/NOx均值表(csv格式)，具体信息包含区域各组分网点名称、经纬度、VOCs/NOx小时均值，详见下表4；2.将表格数据导入GIS软件中目标区域的地图文件(shp/json格式)，通常定义VOCs/NOx＝1为纯蓝色、VOCs/NOx＝15为纯红色(VOCs/NOx＝8为O3主控区划分线，低于8为VOCs主控区、高于8为NOx主控区)，颜色定义可结合具体高值实况进行调整；3.基于目标区域的地图文件的尺寸，按照横纵坐标橡素进行切分，坐标橡素介于0.001～0.01之间，对应栅格密度的分别为779*1189和79*120，以此填充图像变换时像素之间的空隙，从而实现VOCs/NOx数值的可视化展示；4.基于GIS测距并结合VOCs/NOx数值的填充色差，分析最终填充结果，得到臭氧前体物监测网点的VOCs/NOx数值排序：d＞c＞a＞e＞b，其中，北部a-b-e站点覆盖区和东南部岛屿区域为VOCs主控区，具体如图10所示。
表4、X月X日P市的臭氧前体物组分网点的VOCs/NOx均值表
Figure BDA0003452888200000171
因此，判断b站点周边5公里范围VOCs/NOx＜8：1，得出O3相对高值区域(B和C站点周边5公里范围)属VOCs主控区。
然后，继续运用插值法对区域VOCs浓度进行可视化渲染，具体过程包括：1.制作O3高值前夕(前日晚间21时至当日早间6时)各个组分站点的VOCs均值表(csv格式)，具体信息包含区域O3前体物监测网络站点名称、经纬度、VOCs小时均值，详见下表5；2.将表格数据导入GIS软件中目标区域的地图文件(shp/json格式)，通常定义VOCs最低均值为纯蓝色、VOCs最高均值为纯红色，颜色定义可结合具体高值实况进行调整；3.基于目标区域的地图文件的尺寸，按照横纵坐标橡素进行切分，坐标橡素介于0.001～0.01之间，对应栅格密度的分别为779*1189和79*120，以此填充图像变换时像素之间的空隙，从而实现VOCs数值的可视化展示。4.基于GIS测距并结合VOCs数值的填充色差，分析最终填充结果，得到O3前体物监测网点的VOCs数值排序：b＞c＞e＞d＞a，b站点浓度较高，VOCs相对高值区域为b站点周边4.8公里范围，具体如下图11左下角图片所示。
表5、X月X日P市O3高值前夕各组分网点的VOCs均值表
Figure BDA0003452888200000172
Figure BDA0003452888200000181
然后，定义O3高值区为集合X、VOCs高值区为集合Y，运用交集法对二者高值分布展开比对，得出交集X∩Y，如下图11所示，B、C国控点和b组分站点区域存在高值交集，且B和C站点(国控点)区域受VOCs主控。结合污染源分布状况得出：O3和VOCs综合高值区域(b站周边4.8公里范围)覆盖污染源包括：0、3、9、11、13、14、49、77、182、183、189、192、197、204、208、213、219、241、264。
再运用风玫瑰图分析法对b站(VOCs高值组分站点)开展主控污染物(VOCs)高值方位来源分析，具体过程包括：1.制作O3高值前夕b组分站点(高值区域)的VOCs小时浓度时序表(csv格式)，具体信息包含逐小时时间(yyyy/m/d h:mm格式)、VOCs小时数据、风速(ws)、风向(wd)，表格样式见下表6；2.将表格数据导入R语言/Origin软件中目标区域的地图文件(shp/json格式)，通过polarPlot程序包制得风玫瑰图，如图12所示；3.以正北角度为0°，判断VOCs高值方位，分析最终高值方位为正东(45°～135°)，覆盖的污染源缩小至：0、182、183、189、192、197、204、208、213、219、241、246。
表6、X月X日P市的O3和VOCs高值交集区组分站的VOCs均值表
date VOCs ws wd
2021/X/X-1 21:00 24.8 5.83 43
2021/X/X-1 22:00 34.3 7.66 92
2021/X/X-1 23:00 33.1 7.81 89
2021/X/X 0:00 32.5 5.38 76
......... ......... ......... .........
2021/X/X 5:00 29.98 6.31 121
2021/X/X 6:00 31.87 4.23 133
然后，分析P市的O3和VOCs高值交集区组分站(b站)的特征监测组分活性占比概况，具体过程包括：1.利用计算机平台统计O3高值前夕高值组分站(b站)的各VOCs组分浓度均值(前日晚间21时至当日早间6时)；2.基于等效丙烯法，利用计算机平台将各组分活性统一转化为丙烯活性计算，各类VOCs组分活性见下表7；3.汇总统计VOCs活性总和，计算TOP10组分和其他组分活性占比，如图13所示：苯系物和醛类VOCs活性(臭氧生成潜势OFP)占比达73％，再结合P市污染源清单库(表2)比对，最终得出诱发O3高值的污染源：0(塑料橡胶行业)、213、219(医药制造行业)、241、246(工业溶剂涂料行业)。
表7、144种VOCs等效丙烯活性表
Figure BDA0003452888200000191
Figure BDA0003452888200000201
Figure BDA0003452888200000211
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种臭氧污染溯源方法，其特征在于，包括以下内容：
确定目标区域，收集目标区域的环境背景资料并建立目标区域的大气环境污染源背景清单库；
布设目标区域的大气监测网络以实时获得臭氧及其前体物的监测数据；
在出现臭氧污染后，基于大气监测网络中的各个监测站点的监测数据进行高值污染物插值分析，以确定臭氧及其前体物的综合高值区域；
对综合高值区域的特征监测组分活性占比进行分析，将分析结果与目标区域的大气环境污染源背景清单库进行比对以确定污染源。
2.如权利要求1所述的臭氧污染溯源方法，其特征在于，所述基于大气监测网络中的各个监测站点的监测数据进行高值污染物插值分析，以确定臭氧及其前体物的综合高值区域的过程包括以下内容：
运用插值法对目标区域的臭氧浓度进行可视化渲染，以确定臭氧相对高值区域；
采用臭氧敏感性分析法对目标区域进行插值渲染分析，以确定臭氧相对高值区域的主控前体物；
运用插值法对目标区域的主控前体物的数值进行可视化渲染，以确定主控前体物相对高值区域；
获得臭氧相对高值区域和主控前体物相对高值区域的交集，该交集即为臭氧及其前体物的综合高值区域。
3.如权利要求2所述的臭氧污染溯源方法，其特征在于，所述运用插值法对目标区域的臭氧浓度进行可视化渲染，以确定臭氧相对高值区域的过程包括以下内容：
制作所有监测站点在臭氧浓度高值时段的臭氧浓度均值表；
将所述臭氧浓度均值表的表格数据导入GIS软件中目标区域的地图文件，对不同的臭氧浓度定义不同颜色；
基于目标区域的地图文件尺寸，按照横纵坐标像素进行切分，选择合适的坐标像素和栅格密度以填充图像变换时像素之间的空隙；
基于GIS测距并结合臭氧浓度的填充色差分析填充结果，基于分析结果得到臭氧浓度相对高值区域。
4.如权利要求2所述的臭氧污染溯源方法，其特征在于，所述采用臭氧敏感性分析法对目标区域进行插值渲染分析，以确定臭氧相对高值区域的主要前体物成分的过程包括以下内容：
对所有监测站点的VOCs浓度和NOx浓度的监测数据进行统计，汇总得到各个监测站点的VOCs/NOx均值表；
将所述VOCs/NOx均值表的表格数据导入GIS软件中目标区域的地图文件，对不同的VOCs/NOx数值定义不同颜色；
基于目标区域的地图文件尺寸，按照横纵坐标像素进行切分，选择合适的坐标像素和栅格密度以填充图像变换时像素之间的空隙；
基于GIS测距并结合VOCs/NOx数值的填充色差分析填充结果，根据分析结果将目标区域划分为VOCs主控区和NOX主控区，并确定臭氧浓度相对高值区域属于VOCs主控区或者NOX主控区。
5.如权利要求2所述的臭氧污染溯源方法，其特征在于，所述运用插值法对目标区域的主控前体物的数值进行可视化渲染，以确定主控前体物相对高值区域的过程包括以下内容：
制作臭氧浓度高值前夕所有监测站点的主控前体物均值表；
将所述主控前体物均值表的表格数据导入GIS软件中目标区域的地图文件，对不同的主控前体物均值定义不同颜色；
基于目标区域的地图文件尺寸，按照横纵坐标像素进行切分，选择合适的坐标像素和栅格密度以填充图像变换时像素之间的空隙；
基于GIS测距并结合主控前体物数值的填充色差分析填充结果，基于分析结果得到主控前体物相对高值区域。
6.如权利要求2所述的臭氧污染溯源方法，其特征在于，在获得臭氧及其前体物的综合高值区域之后还包括以下内容：
采用风玫瑰图分析法对主控前体物相对高值区域对应的监测站点进行主控污染物高值方位来源分析，以确定高值方位。
7.如权利要求6所述的臭氧污染溯源方法，其特征在于，所述采用风玫瑰图分析法对主控前体物相对高值区域对应的监测站点进行主控污染物高值方位来源分析，确定高值来源方位的过程包括以下内容：
制作主控前体物相对高值区域对应的监测站点在臭氧浓度高值前夕的主控前体物浓度时序表；
将所述主控前体物浓度时序表的表格数据导入目标区域的地图文件，通过预设程序包制作风玫瑰图；
在风玫瑰图中以正北角度为0°，并判断主控前体物的高值方位。
8.如权利要求1所述的臭氧污染溯源方法，其特征在于，所述对综合高值区域的特征监测组分活性占比进行分析，将分析结果与目标区域的大气环境污染源背景清单库进行比对以确定污染源的过程包括以下内容：
统计综合高值区域对应的监测站点在臭氧浓度高值前夕的主控前体物的各组分浓度均值；
基于等效丙烯法将各组分的活性统一转化为丙烯活性，计算得到各类组分的活性；
汇总统计主控前体物的活性总和，并计算排名靠前的多个组分的活性占比；
基于活性占比计算结果和目标区域的大气环境污染源背景清单库进行比对，得到诱发臭氧高值的污染源。
9.如权利要求4所述的臭氧污染溯源方法，其特征在于，当区域的VOCs/NOx的数值小于8:1时，则属于VOCs主控区，当VOCs/NOx的数值大于8:1时，则属于NOx主控区。
10.如权利要求1所述的臭氧污染溯源方法，其特征在于，所述监测数据包括117项常测VOCs组分、NOx、常规气象参数、辐射参数、边界层高度、云量。
CN202111670682.3A 2021-12-31 2021-12-31 一种臭氧污染溯源方法 Pending CN114357058A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111670682.3A CN114357058A (zh) 2021-12-31 2021-12-31 一种臭氧污染溯源方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111670682.3A CN114357058A (zh) 2021-12-31 2021-12-31 一种臭氧污染溯源方法

Publications (1)

Publication Number Publication Date
CN114357058A true CN114357058A (zh) 2022-04-15

Family

ID=81105297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111670682.3A Pending CN114357058A (zh) 2021-12-31 2021-12-31 一种臭氧污染溯源方法

Country Status (1)

Country Link
CN (1) CN114357058A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114910610A (zh) * 2022-05-16 2022-08-16 华南理工大学 一种基于挥发性有机物损耗测量的臭氧生成潜势评估方法
CN115629159A (zh) * 2022-10-17 2023-01-20 中国科学院大气物理研究所 一种基于多源数据的臭氧及前体物溯源方法及装置
CN116629650A (zh) * 2022-11-24 2023-08-22 北京工业大学 一种针对站点O3污染防控的企业VOCs排放优化管控分级方法
CN117147778A (zh) * 2023-10-31 2023-12-01 航天宏图信息技术股份有限公司 大气污染物的溯源监测方法、装置、电子设备及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114910610A (zh) * 2022-05-16 2022-08-16 华南理工大学 一种基于挥发性有机物损耗测量的臭氧生成潜势评估方法
CN115629159A (zh) * 2022-10-17 2023-01-20 中国科学院大气物理研究所 一种基于多源数据的臭氧及前体物溯源方法及装置
CN115629159B (zh) * 2022-10-17 2024-02-20 中国科学院大气物理研究所 一种基于多源数据的臭氧及前体物溯源方法及装置
CN116629650A (zh) * 2022-11-24 2023-08-22 北京工业大学 一种针对站点O3污染防控的企业VOCs排放优化管控分级方法
CN117147778A (zh) * 2023-10-31 2023-12-01 航天宏图信息技术股份有限公司 大气污染物的溯源监测方法、装置、电子设备及存储介质
CN117147778B (zh) * 2023-10-31 2024-01-05 航天宏图信息技术股份有限公司 大气污染物的溯源监测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN114357058A (zh) 一种臭氧污染溯源方法
Liu et al. The effect of natural and anthropogenic factors on PM2. 5: Empirical evidence from Chinese cities with different income levels
Shi et al. Investigating the influence of urban land use and landscape pattern on PM2. 5 spatial variation using mobile monitoring and WUDAPT
Han et al. Spatial distribution characteristics of PM2. 5 and PM10 in Xi’an City predicted by land use regression models
CN112418609A (zh) 一种基于面-网格-点的大气二次污染精准溯源方法
Gao et al. Assessing neighborhood air pollution exposure and its relationship with the urban form
Liu et al. Characterizing spatiotemporal patterns of air pollution in China: A multiscale landscape approach
Schlögl et al. Methodological considerations with data uncertainty in road safety analysis
CN108280789B (zh) 一种精细时空尺度二氧化碳排放要素间影响的空间分析方法
CN106557869B (zh) 一种基于poi点的大气污染物排放清单空间分配方法及装置
CN111696369A (zh) 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法
Gao et al. Assessing neighborhood variations in ozone and PM2. 5 concentrations using decision tree method
CN115453069A (zh) 一种面向城市臭氧超标污染遥感溯源方法
CN111103405A (zh) 空气质量预报预警系统
CN115545565A (zh) 基于大气环境质量的园区排污总量管控方法和系统
CN112541255A (zh) 一种大气污染排放来源自动识别系统及识别方法
CN117871790B (zh) 基于多种数据融合的路边监测站数据分析和交通溯源方法
Zhang et al. Pollution inequality 50 years after the Clean Air Act: the need for hyperlocal data and action
Zong et al. Size spectra and source apportionment of fine particulates in tropical urban environment during southwest monsoon season
CN113127530A (zh) 一种基于铁路网的大气三维结构动态探测信息群同化系统
Naseer et al. Machine learning for area-wide monitoring of surface level concentration of no 2 using remote sensing data
CN115239027B (zh) 空气质量格点化集合预报的方法及装置
CN110687547A (zh) 一种基于遥感雷达的有毒有害气体环境风险预警监测方法
Masri et al. Development of spatiotemporal models to predict ambient ozone and NOx concentrations in Tianjin, China
Kohl et al. Numerical simulation and evaluation of global ultrafine particle concentrations at the Earth's surface

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