CN114780817A - 恶臭污染物溯源方法、装置、计算机设备和存储介质 - Google Patents
恶臭污染物溯源方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114780817A CN114780817A CN202210324592.7A CN202210324592A CN114780817A CN 114780817 A CN114780817 A CN 114780817A CN 202210324592 A CN202210324592 A CN 202210324592A CN 114780817 A CN114780817 A CN 114780817A
- Authority
- CN
- China
- Prior art keywords
- data
- pollutant
- malodorous
- weight coefficient
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 389
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 388
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 78
- 238000012544 monitoring process Methods 0.000 claims description 134
- 239000000356 contaminant Substances 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 description 107
- 239000000463 material Substances 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 12
- 230000002093 peripheral effect Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 239000007789 gas Substances 0.000 description 9
- 238000009792 diffusion process Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 229920006395 saturated elastomer Polymers 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- DNJIEGIFACGWOD-UHFFFAOYSA-N ethanethiol Chemical compound CCS DNJIEGIFACGWOD-UHFFFAOYSA-N 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Library & Information Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种恶臭污染物溯源方法、装置、计算机设备和存储介质。所述方法包括：确定待溯源的恶臭污染物，获取恶臭污染物的基础性质数据，获取恶臭污染物的排放源的地理位置数据，根据地理位置数据，确定地理位置初筛权重系数，根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定气象参数权重系数，判断排放源是否处于目标区域内，并根据判断结果确定地理位置复筛权重系数，根据基础性质数据，确定恶臭污染物基础性质权重系数，根据地理位置初筛权重系数、气象参数权重系数、地理位置复筛权重系数和恶臭污染物基础性质权重系数，得到恶臭污染物的排放源的排放概率。采用本方法能提高恶臭污染物溯源的准确度。
Description
技术领域
本申请涉及污染物溯源技术领域，特别是涉及一种恶臭污染物溯源方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着我国社会经济的快速发展，人们的环保意识以及对生活环境的要求越来越高，恶臭(异味)作为一种扰民和危害人体健康的污染已成为当前我国城镇居民投诉最强烈的环境问题之一，同时也日益成为一个严重的环境和社会问题，由于其来源广泛、组分复杂，恶臭污染来源的追踪和识别成为环境管理的难点。
目前，我国主要采用人工现场排查的方法查找恶臭污染来源，其工作量巨大、耗时较长，且往往难以找到污染来源。市面上现有的恶臭污染物溯源分析模型和计算机系统均难以达到实际溯源的精度需求。
因此，需要提供一种能够提高恶臭污染物溯源准确度的方案。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高的恶臭污染物溯源准确度的恶臭污染物溯源方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种恶臭污染物溯源方法。方法包括：
获取恶臭污染物溯源需求数据；
根据恶臭污染物溯源需求数据，确定待溯源的恶臭污染物，获取待溯源的恶臭污染物的基础性质数据；
获取恶臭污染物的排放源的地理位置数据，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数；
根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数；
根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定恶臭污染物的地理位置复筛权重系数，目标区域是以恶臭污染物溯源需求数据中的大气监测站的坐标或用户选取的地点坐标为中心的区域；
根据基础性质数据，确定恶臭污染物的恶臭污染物基础性质权重系数；
基于地理位置初筛权重系数、气象参数权重系数、地理位置复筛权重系数以及恶臭污染物基础性质权重系数，得到恶臭污染物的排放源的排放概率。
在其中一个实施例中，根据恶臭污染物溯源需求数据，确定待溯源的恶臭污染物包括：
根据恶臭污染物溯源需求数据，构建恶臭污染物查询数据；
将恶臭污染物查询数据输入至预设的恶臭污染物数据库进行查询，得到可疑恶臭污染物清单、并显示可疑恶臭污染物清单；
获取选择的待溯源的恶臭污染物。
在其中一个实施例中，获取恶臭污染物的排放源的地理位置数据，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数包括：
在预设的恶臭污染物数据库检索恶臭污染物，获取恶臭污染物排放源的地理位置数据；
在预设的恶臭污染物数据库中检索地理位置数据，获取地理位置数据对应的图形范围数据；
获取历史监测周期内恶臭污染物的有效数据的占比，有效数据为气体浓度高于预设气体浓度的数据；
根据有效数据的占比和图形范围数据，确定恶臭污染物的地理位置初筛权重系数。
在其中一个实施例中，恶臭污染物溯源需求数据包括大气监测站的站点信息和监测时间范围；
根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数包括：
根据大气监测站的站点信息或用户选取的地点坐标，以及监测时间范围，获取恶臭污染物排放后的气象轨迹数据；
获取地理位置数据和气象轨迹数据的最小空间距离；
根据最小空间距离，确定气象参数权重系数。
在其中一个实施例中，气象轨迹数据包括后向轨迹数据；
根据大气监测站的站点信息或用户选取的地点坐标，以及监测时间范围，获取恶臭污染物排放后的气象轨迹数据包括：
将大气监测站的站点信息或地点坐标，以及监测时间范围输入至第三方气象数据获取平台，得到后向轨迹数据；
或
气象轨迹数据包括空气流动轨迹数据；
根据大气监测站的站点信息或用户选取的地点坐标，以及监测时间范围，获取恶臭污染物排放后的气象轨迹数据包括：
根据大气监测站的站点信息或地点坐标，获取监测时间范围内，大气监测站的预设范围内的气象数据或地点坐标预设范围内的气象数据，气象数据包括风向数据和风速数据；
根据风速数据和风向数据，确定监测时间范围内的空气流动距离；
根据空气流动距离和地点坐标，得到空气流动轨迹数据。
在其中一个实施例中，根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定地理位置复筛权重系数之前，还包括：
基于监测时间范围内的风向数据和空气流动距离，使用三角函数，确定以大气监测站的坐标或用户选取地点坐标为中心的目标区域；
根据排放源的地理位置数据判断排放源是否处于目标区域内，根据判断结果确定地理位置复筛权重系数包括：
若排放源未处于目标区域内，则获取排放源与目标区域的中线的垂直距离，根据垂直距离，确定地理位置复筛权重系数；
若排放源处于目标区域内，则获取待溯源恶臭污染物的历史监测数据，根据所述历史监测数据，确定地理位置复筛权重系数。
在其中一个实施例中，根据基础性质数据，确定恶臭污染物基础性质权重系数包括：
根据基础性质数据，确定待溯源恶臭污染物的基础性质指数；
根据基础性质指数，确定恶臭污染物基础性质权重系数。
第二方面，本申请还提供了一种恶臭污染物溯源装置。所述装置包括：
数据获取模块，用于获取恶臭污染物溯源需求数据；
恶臭污染物确定模块，用于根据恶臭污染物溯源需求数据，确定待溯源的恶臭污染物，获取待溯源的恶臭污染物的基础性质数据；
地理位置权重初筛模块，用于获取恶臭污染物的排放源的地理位置数据，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数；
气象参数权重确定模块，用于根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数；
地理位置复筛权重系数确定模块，用于根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定恶臭污染物的地理位置复筛权重系数，目标区域是以恶臭污染物溯源需求数据中的大气监测站的坐标或用户选取的地点坐标为中心的区域；
恶臭污染物基础性质权重系数确定模块，用于根据基础性质数据，确定恶臭污染物的恶臭污染物基础性质权重系数；
污染源排放概率模块，用于基于地理位置初筛权重系数、气象参数权重系数、地理位置复筛权重系数以及恶臭污染物基础性质权重系数，得到恶臭污染物的排放源的排放概率。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取恶臭污染物溯源需求数据；
根据恶臭污染物溯源需求数据，确定待溯源的恶臭污染物，获取待溯源的恶臭污染物的基础性质数据；
获取恶臭污染物的排放源的地理位置数据，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数；
根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数；
根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定恶臭污染物的地理位置复筛权重系数，目标区域是以恶臭污染物溯源需求数据中的大气监测站的坐标或用户选取的地点坐标为中心的区域；
根据基础性质数据，确定恶臭污染物的恶臭污染物基础性质权重系数；
基于地理位置初筛权重系数、气象参数权重系数、地理位置复筛权重系数以及恶臭污染物基础性质权重系数，得到恶臭污染物的排放源的排放概率。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取恶臭污染物溯源需求数据；
根据恶臭污染物溯源需求数据，确定待溯源的恶臭污染物，获取待溯源的恶臭污染物的基础性质数据；
获取恶臭污染物的排放源的地理位置数据，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数；
根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数；
根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定恶臭污染物的地理位置复筛权重系数，目标区域是以恶臭污染物溯源需求数据中的大气监测站的坐标或用户选取的地点坐标为中心的区域；
根据基础性质数据，确定恶臭污染物的恶臭污染物基础性质权重系数；
基于地理位置初筛权重系数、气象参数权重系数、地理位置复筛权重系数以及恶臭污染物基础性质权重系数，得到恶臭污染物的排放源的排放概率。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取恶臭污染物溯源需求数据；
根据恶臭污染物溯源需求数据，确定待溯源的恶臭污染物，获取待溯源的恶臭污染物的基础性质数据；
获取恶臭污染物的排放源的地理位置数据，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数；
根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数；
根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定恶臭污染物的地理位置复筛权重系数，目标区域是以恶臭污染物溯源需求数据中的大气监测站的坐标或用户选取的地点坐标为中心的区域；
根据基础性质数据，确定恶臭污染物的恶臭污染物基础性质权重系数；
基于地理位置初筛权重系数、气象参数权重系数、地理位置复筛权重系数以及恶臭污染物基础性质权重系数，得到恶臭污染物的排放源的排放概率。
上述恶臭污染物溯源方法、装置、计算机设备、存储介质和计算机程序产品，首先，初步筛选待溯源恶臭污染物的排放源的地理位置数据，然后，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数，再根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数，根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定恶臭污染物的地理位置复筛权重系数，再根据基础性质数据，确定恶臭污染物的恶臭污染物基础性质权重系数，最后，根据地理位置初筛权重系数、气象参数权重系数、地理位置复筛权重系数以及恶臭污染物基础性质权重系数，得到恶臭污染物的排放源的排放概率。上述方案，建立了一套恶臭污染物溯源的方法，且通过概率计算的方式得到恶臭污染物的排放源的排放概率，恶臭污染物的排放源的排放概率可用于辅助工作人员迅速且准确地确定可疑污染源，提高了恶臭污染物溯源的准确度。
附图说明
图1为一个实施例中恶臭污染物溯源方法的流程示意图；
图2为另一个实施例中恶臭污染物溯源方法的详细流程示意图；
图3为一个实施例中构建工业企业恶臭污染物数据库的流程示意图；
图4为另一个实施例中可疑恶臭污染物清单的示意图；
图5为一个实施例中确定气象参数权重系数步骤的流程示意图；
图6为一个实施例中目标区域的示意图；
图7为一个实施例中恶臭污染物溯源装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
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，以下结合附图及实施例，并以对工业企业周边的恶臭污染物溯源为例，对本申请进行进一步详细说明。应当理解，此方法除了可用于工业企业周边的恶臭污染物溯源，还可以用于居民生活区以及其他发生恶臭污染的区域的恶臭污染物溯源，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种恶臭污染物溯源方法，本实施例以该方法应用于终端(终端构建有恶臭污染物溯源分析模型或恶臭污染物溯源分析系统)进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤202，获取恶臭污染物溯源需求数据。
恶臭污染物溯源需求数据即指溯源恶臭污染物的需求数据，包括恶臭污染物的物质名称、气味特征、用户选取的疑似污染源的地图点的经纬度参数、用户拟查询的监测时间范围(如近一小时)，以及工业企业周边范围的连续自动监测站点的站点信息，如站点坐标和站点名称等。
步骤204，根据恶臭污染物溯源需求数据，确定待溯源的恶臭污染物，获取待溯源的恶臭污染物的基础性质数据。
根据恶臭污染物溯源需求数据，可确定待溯源的恶臭污染物。待溯源的恶臭污染物指用户选定的待溯源的恶臭污染物，其可以是单个恶臭污染物，也可以是多个恶臭污染物。恶臭是指一切刺激嗅觉器官引起人们不愉快及损坏生活环境的气体物质。常见的恶臭污染物有氨、三甲胺和硫化氢等。溯源的恶臭污染物的基础性质数据包括物质名、化学式、相对分子质量(单位无量纲)、使用量或产生量(单位吨/年)、最大存在量(单位吨)、饱和蒸汽压(单位kPa)、臭气强度系数(斜率系数)和物质x的气味特征对应周边敏感点恶臭影响人工调研-气味特征出现次数(单位次)等。
步骤206，获取恶臭污染物的排放源的地理位置数据，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数。
恶臭污染物的排放源的地理位置数据可以是将恶臭污染物的名称输入至地图查询平台或者预先构建的包含恶臭污染物及其地理位置信息的数据集中进行查询，然后，得到恶臭污染物的排放源的地理位置数据，再根据地理位置数据，赋予该恶臭污染物相应的地理位置初筛权重系数。
步骤208，根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数。
恶臭污染物溯源需求数据中包含有用户选取的地图点的经纬度参数和监测时间范围以及大气监测站的站点信息，可以是根据实际情况，选取恶臭污染物溯源需求数据的部分数据，输入至气象数据获取平台，获取该监测时间范围内的气象数据，再根据气象数据和地理位置数据，确定气象参数权重系数。
步骤210，根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定恶臭污染物的地理位置复筛权重系数，目标区域是以恶臭污染物溯源需求数据中的大气监测站的坐标或用户选取的地点坐标为中心的区域。
由于恶臭污染物的数量可能众多，且其排放源的地理位置数据也是多个，地理位置数据本身也可能存在误差，因此，需要对恶臭污染物的地理位置进行复筛，以确保溯源的准确性更高。本实施例中，可以是以恶臭污染物溯源需求数据中的大气监测站的坐标或用户选取的地点坐标为中心，设定一片目标区域，然后，根据恶臭污染物的地理位置数据，判断排放源是否在目标区域内，根据判断结果确定相应的恶臭污染物的地理位置复筛权重系数。
步骤212，根据基础性质数据，确定恶臭污染物的恶臭污染物基础性质权重系数。
本实施例中，可以是根据恶臭污染物的相对分子质量(单位无量纲)、使用量或产生量(单位吨/年)、最大存在量(单位吨)、饱和蒸汽压(单位kPa)、臭气强度系数(斜率系数)和物质x的气味特征对应周边敏感点恶臭影响人工调研-气味特征出现次数(单位次)，确定恶臭污染物的恶臭污染物基础性质权重系数。
步骤214，基于地理位置初筛权重系数、气象参数权重系数、地理位置复筛权重系数以及恶臭污染物基础性质权重系数，得到恶臭污染物的排放源的排放概率。
本实施例中，恶臭污染物的排放源的排放概率的计算，分为两种情况：第一种情况，用户选定的待溯源的恶臭污染物只存在单个物质，则各污染源的权重系数如表1所示。则恶臭污染物的排放源的排放概率指数Uy和排放概率Vy计算方法：
U1＝(F+J1.1+K1.1)T1
U3＝(F+J1.3+L1.3)T3
第二种情况，若用户选定的恶臭污染物存在x个物质(即污染源)，各个污染源的权重系数如表2所示。则恶臭污染物的排放源的排放概率指数Uy和排放源的排放概率Vy(以下简称排放概率)计算方法：
U1＝(G+J1.1+K1.1)T1
U2＝(H+J1.2+K1.2)T1
U4＝(H+J3.3+L3.3)T3
可以理解的是，排放概率越高，则表征排放源排放恶臭污染物的可能性越高。通过排放概率，工作人员可快速且精确实现地对恶臭污染物的溯源。
进一步的，在另一个实施例中，在得到恶臭污染物的排放源的排放概率Vy之后，可以将排放源的排放概率Vy进行排序，按照概率数值从大到小或者从小到大排序，并展示物质名称、位置名称和概率数值。再对Vy进行分级，并进行可视化展示，包括地图标点和清单文字的可视化，具体如表3所示。工作人员可根据表3，准确定位疑似污染源，进一步开展恶臭污染物溯源工作，以准确确定恶臭污染物的排放源。
上述恶臭污染物溯源方法中，首先，初步筛选待溯源恶臭污染物的排放源的地理位置数据，然后，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数，再根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数，根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定恶臭污染物的地理位置复筛权重系数，再根据基础性质数据，确定恶臭污染物的恶臭污染物基础性质权重系数，最后，根据地理位置初筛权重系数、气象参数权重系数、地理位置复筛权重系数以及恶臭污染物基础性质权重系数，得到恶臭污染物的排放源的排放概率。
上述方案，建立了一套恶臭污染物溯源的方法，且通过概率计算的方式得到恶臭污染物的排放源的排放概率，恶臭污染物的排放源的排放概率可用于辅助工作人员迅速且准确地确定可疑污染源，提高了恶臭污染物溯源的准确度。
表1单一恶臭污染物的污染源的权重系数
如图2所示，在其中一个实施例中，根据恶臭污染物溯源需求数据，确定待溯源的恶臭污染物包括：步骤224，根据恶臭污染物溯源需求数据，构建恶臭污染物查询数据，将恶臭污染物查询数据输入至预设的恶臭污染物数据库进行查询，得到可疑恶臭污染物清单、并显示可疑恶臭污染物清单，获取选择的待溯源的恶臭污染物。
表2多种恶臭污染物的污染源的权重系数
表3恶臭污染物的排放源的排放概率等级描述
恶臭污染物查询数据即指用于查询得到疑似恶臭污染物的数据。恶臭污染物数据库包括工业企业现有化学物质名录、企业平面分布图和溯源地图。其中，工业企业现有化学物质名录多个子数据库，如通用化学物质数据库、周边敏感点恶臭影响人工调研数据库以及工业企业周边范围的连续自动监测站点信息等。具体的，恶臭污染物数据库的构建过程可以是：
(1)构建通用化学物质数据库。通过查询相关数据库，获取物质性质参数，包括物质名称、CAS、分子式、相对分子质量、饱和蒸汽压、嗅阈值、气味特征、臭气强度斜率系数、臭气强度截距系数等参数，得到通用化学物质数据库。
(2)构建工业企业现有化学物质名录。过对某工业企业环评、风评、应急预案、生产信息、清洁生产报告等涉及化学物质使用过程进行分析，形成《工业企业现有化学物质名录》，与工业企业恶臭污染物数据库合并后，所有信息包括企业全称、企业简称(因为实际应用时均使用企业简称，非常重要的信息)、物质名称、CAS、相对分子质量、饱和蒸汽压、嗅阈值、气味特、所属工艺、涉及车间和装置区、储存位置、最大存在量、使用量或产生量等信息。根据分析资料中的涉及车间和装置区和储存位置制作企业平面分布图，包括园区边界、工业企业厂界、车间或装置区边界、车间或装置区楼层边界、车间或装置区内主设备边界、储存位置边界、周边范围的连续自动监测站点定位、周边敏感点边界。
(3)构建人工辨味定源和排放源检测数据库。通过借助检测仪器人工排查，获取臭气强度达到2级及以上的位置、排放类型和物质信息，这些信息包括检测时间、所属企业(对应企业简称)、物质名称、CAS、所属工艺、涉及车间和装置区、储存位置、楼层、高度、主设备名称、排放类型、检测浓度(单位ppm)、记录说明、臭气强度(单位无量纲)、气味特征、现场照片编号(对应污染源编号)等信息，这些信息经过合并处理后，补充至《工业企业现有化学物质名录》。
(4)工业企业周边范围的连续自动监测站点信息。通过数据集成，获取连续自动监测站点的物质监测的实时数据和基础信息，包括物质名称、CAS、实时监测浓度(ppm)、采样时间、站点经纬度等信息。
(5)将上述步骤(1)、(2)、(3)和(4)中构建的数据库和工业企业平面分布图合并为恶臭污染物数据库，具体的，恶臭污染物数据库的构建过程可参见图3。
具体实施时，工作人员选取恶臭污染物溯源需求数据中的部分数据，然后，构建恶臭污染物查询数据，将恶臭污染物查询数据输入至恶臭污染物数据库中，便得到可疑恶臭污染物清单。然后，显示该可疑恶臭污染物清单(参见图4)，工作人员选定一行或多行可疑恶臭污染物，将工作人员选定的可疑恶臭污染物确定为待溯源的恶臭污染物。具体的，输入的恶臭污染物查询数据又可以分为3种情况，情况1-1：，输入的恶臭污染物查询数据包括气味特征、监测时间范围(默认近1小时)和地图点选获取的经纬度参数。则通过检索工业企业恶臭污染物数据库，获取该气味特征对应的物质信息，同时也会检索近t分钟(可自行设置参数)内该工业企业周边范围的连续自动监测站点(设站点有y个)中某大气环境监测设备分析结果，获取物质和浓度信息。因为单个气味特征可能会对应多个物质(设为x个)，因此检索结果将会形成可疑恶臭污染物清单，包括物质名称、CAS号、嗅阈值a(ppm)、站点名称、t分钟内的平均浓度b(ppm)、用户在地图点选获取的经纬度与该站点的直线距离c(m)，设d＝b/(a×c)，最终清单排序依据d值从大到小排序，由用户选定某一行或多行进行下一步操作。特殊情况：若查询后无站点有匹配的气味特征相关的物质信息，则可疑污染物清单只显示物质名称、CAS和嗅阈值a(ppm)。若查询后无任何匹配的气味特征，则提示暂无此气味特征匹配的物质，终止流程。
情况1-2：输入的恶臭污染物查询数据包括物质名称、监测时间范围(默认近1小时)和地图点选获取的经纬度参数。通过检索工业企业恶臭污染物数据库，获取该物质的信息，同时也会检索近t分钟(可自行设置参数)内该工业企业周边范围的连续自动监测站点(设站点有y个)中某大气环境监测设备分析结果，获取该物质浓度信息。检索结果将会形成可疑恶臭污染物清单，包括物质名称、CAS号、嗅阈值a(ppm)、站点名称、t分钟内的平均浓度b(ppm)、用户在地图点选获取的经纬度与该站点的直线距离c(m)，设d＝b/(a×c)，最终清单排序依据d值从大到小排序，由用户选定某一行或多行进行下一步操作。特殊情况：若查询后无站点有匹配的物质信息，则可疑污染物清单只显示物质名称、CAS和嗅阈值a(ppm)。若查询后无任何物质信息，则提示暂无此物质信息，终止流程。
情况1-3：输入的恶臭污染物查询数据包括该工业企业周边范围的连续自动监测站点的名称和监测时间范围(默认近1小时)。获取该站点中某大气环境监测设备分析某物质的结果和该站点的经纬度参数，同时也会检索近t分钟(可自行设置参数)内该站点中某大气环境监测设备分析结果，获取物质名称和t分钟内的平均浓度b(ppm)。物质名称通过检索工业企业恶臭污染物数据库，获取该物质的嗅阈值a(ppm)；设臭气浓度e＝b/a，最终清单排序依据e值从大到小排序，由用户选定某一行或多行进行下一步操作。特殊情况：若查询后该站点无任何物质信息和监测数据(如停运、断电、断网等情况)，则提示站点异常，终止流程。
本实施例中，通过构建恶臭污染物数据库，可以在工作人员输入相应的查询数据后，得到可视化的可疑恶臭污染物清单，进而便于待溯源的恶臭污染物的确定。
如图5所示，在其中一个实施例中，获取恶臭污染物的排放源的地理位置数据，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数包括：
步骤226，在预设的恶臭污染物数据库检索恶臭污染物，获取恶臭污染物排放源的地理位置数据；
步骤246，在预设的恶臭污染物数据库检索地理位置数据，获取地理位置数据对应的图形范围数据；
步骤266，获取历史监测周期内恶臭污染物的有效数据的占比，有效数据为气体浓度高于预设气体浓度的数据；
步骤286，根据有效数据的占比和图形范围数据，确定恶臭污染物的地理位置初筛权重系数。
承接上述实施例，在情况1-1、情况1-2、情况1-3的基础上工作人员选定相应的待溯源的恶臭污染物后，确定恶臭污染物的地理位置数据可分为2种情况：
情况2-1：用户选定某一行后或选定多行后只存在单个物质，将单个物质名称作为输入参数进行地理位置范围初筛操作。通过检索工业企业现有化学物质名录后获取物质1地理位置信息数据，通过再检索企业平面分布图获取物质1地理位置信息的图形范围数据，然后，获取历史监测周期内该单个物质的气体浓度数据，统计高于或低于检测线(设定的某个气体浓度)的数据，得到有效数据的占比和无效数据的占比，其中，高于检测线的数据为有效数据，低于检测线的数据为无效数据，然后，根据有效数据的占比，为该物质的图形范围数据赋予相应的地理位置初筛权重系数F。可以是有效数据的占比越大，地理位置初筛权重系数F越大。
情况2-2：工作人员选定多行后存在x个物质，将x个物质名称作为输入参数进行地理位置范围初筛操作。通过检索工业企业现有化学物质名录后，获取物质1、物质2…物质x的地理位置信息数据，通过再检索企业平面分布图，获取物质1、物质2、物质x的地理位置信息的图形范围数据；同样的，获取各物质的有效数据的占比，根据各物质的有效数据的占比，为各物质的图形范围数据赋予地理位置初筛权重系数。具体的，可以是将图形范围数据分类：不同物质、相同地理位置信息的图形范围数据，赋予地理位置初筛权重系数G；不同物质、不相同地理位置信息的图形范围数据赋予地理位置初筛权重系数H。本实施例中，根据待溯源的恶臭污染物的有效数据的占比和图形范围数据，可以进一步提高地理位置初筛权重系数的准确性。
如图2所示，在其中一个实施例中，恶臭污染物溯源需求数据包括大气监测站的站点信息和用户输入的监测时间范围；
根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数包括：
步骤228，根据大气监测站的站点信息，以及用户选取的地点坐标和监测时间范围，获取恶臭污染物排放后的气象轨迹数据，获取地理位置数据和气象轨迹数据的最小空间距离，根据最小空间距离，确定气象参数权重系数。
具体实施时，可以是根据大气监测站的站点信息，以及用户选取的地点坐标和监测时间范围，获取恶臭污染物排放后的气象轨迹数据，气象轨迹数据可以是监测的监测时间范围内恶臭污染物排放后的空气流动轨迹数据，然后，对不同物质、不同地理位置分别进行计算，计算地理位置数据和气象轨迹数据的空间距离，对所有计算的空间最近距离数据即最小空间距离进行对比，距离越小，则气象参数权重越大，具体的，对不同物质、不相同地理位置，赋予气象参数权重系数。本实施例中，根据地理位置数据和气象轨迹数据的最小空间距离，能够较为准确地确定气象参数权重系数。
在其中一个实施例中，气象轨迹数据包括后向轨迹数据；根据大气监测站的站点信息或用户选取的地点坐标，以及监测时间范围，获取恶臭污染物排放后的气象轨迹数据包括：将大气监测站的站点信息或地点坐标，以及监测时间范围输入至第三方气象数据获取平台，得到后向轨迹数据；
在其中一个实施例中，气象轨迹数据包括空气流动轨迹数据；根据大气监测站的站点信息或用户选取的地点坐标，以及监测时间范围，获取恶臭污染物排放后的气象轨迹数据包括：根据大气监测站的站点信息或地点坐标，获取监测时间范围内，大气监测站的预设范围内的气象数据或地点坐标预设范围内的气象数据，气象数据包括风向数据和风速数据，根据风速数据和风向数据，确定监测时间范围内的空气流动距离，根据空气流动距离和地点坐标，得到空气流动轨迹数据。
在实际应用中，气象轨迹数据包括后向轨迹数据或空气流动轨迹数据。具体的，气象参数权重系数的确定包括两种情况，情况3-1：恶臭污染物溯源分析系统未接入地面气象数据，或无有效气象数据：获取大气监测站的站点名称(对应会得到经纬度参数)或用户输入的经纬度参数、输入的监测时间范围，通过自动化程序，NOAA HYSPLIT系统输入对应参数(经纬度、监测时间范围、地面10m等数据)，爬取计算后的NOAA HYSPLIT系统中后向轨迹计算结果，得到GIS的txt文件，从txt文件中提取后向轨迹数据。后向轨迹数据包含经纬度参数和高程数据。
情况3-2：系统有接入地面气象数据，并可获取有效气象数据：获取大气监测站的站点名称(对应会得到经纬度参数)或用户输入的经纬度参数、输入的监测时间范围，获取离站点或经纬度参数最近的、监测时间范围的气象数据，含风向数据(单位°)、风速数据(单位m/s)和气象站点高程(单位m)，使用矢量平均法(GB/T 35237)计算该监测时间范围的平均风向，风速数据进行累加，计算监测时间范围内的水平方向空气流动距离k(单位m)。假设风速数据频率为1s/笔，计算从扩散起点开始，计算每一笔风速数据的水平方向空气流动经纬度参数，根据用户输入的经纬度参数和空气流动距离k，计算扩散起点经纬度参数，获得监测时间范围内水平方向的空气流动轨迹数据，包含经纬度参数、气象站点高程(单位m)。
然后，获取后向轨迹数据或空气流动轨迹数据后，通过工作人员选取的物质结果，分别计算物质1、物质2…物质x的地理位置数据与空气流动轨迹数据或后向轨迹数据的空间直线距离I(m)，不同物质、不同地理位置分别进行计算，对所有计算的空间最近距离数据进行对比，距离越小占权重越大，不同物质、不相同地理，确定气象参数权重系数J。本实施例中，考虑了是否接入气象数据的情况，在确定气象参数权重系数的情况，更为全面且选择性更高。
在其中一个实施例中，根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定地理位置复筛权重系数之前，还包括：
基于监测时间范围内的风向数据和空气流动距离，使用三角函数，确定以大气监测站的坐标或用户选取地点坐标为中心的目标区域；
根据排放源的地理位置数据判断排放源是否处于目标区域内，根据判断结果确定地理位置复筛权重系数包括：若排放源未处于目标区域内，则获取排放源与目标区域的中线的垂直距离，根据垂直距离，确定地理位置复筛权重系数；若排放源处于目标区域内，则获取待溯源恶臭污染物的历史监测数据，根据历史监测数据，确定地理位置复筛权重系数。
在实际应用中，目标区域的确定可以是根据监测时间范围的平均风向，水平方向空气流动距离k，使用三角函数计算以扩散终点(大气监测站位置或用户选取的地图点经纬度参数所在地位置)为中心，逆时针旋转22.5°和顺时针旋转22.5°后的两条直线位置信息，再计算旋转后两条直线所形成的扇形区域位置信息，参见图6，其中，扩散起点是根据高程数据和经纬度参数得到。接着，获取物质1、物质2…物质x的地理位置信息数据，经过对比后，可得出物质1、物质2…物质x的排放源的地理位置信息是否在扇形区域内，如果不在扇形区域内，则物质x的地理位置复筛权重系数为Lx.x，具体的，计算排放源到扇形区域的中线的垂直距离，根据垂直距离，确定地理位置复筛权重系数，垂直距离越大，权重越小，反之，则越大。如果在扇形区域内，则通过检索人工辨味定源和排放源检测数据库，得到物质x的相关监测数据，若物质x的监测数据曾经未出现过异常，则赋予地理位置复筛权重系数Kx.x，若未出现过异常，则地理位置复筛权重系数为0；若曾经出现过异常(检测浓度>100ppm均属于异常数据则获取物质x的排放类型A、检测浓度Z(ppm)、臭气强度q数据，并分别计算物质x的地理位置复筛权重系数，计算方法如下：
需要注意的是，排放类型为无组织时，A＝0.6，为有组织时，A＝0.4；臭气强度q为2～5的整数。本实施例中，通过分情况对恶臭污染物的地理位置数据进行复筛，能够进一步确保排放源的地理位置数据的准确性，便于工作人员定位恶臭污染物的排放源。
表4污染源的监测数据列表
| 污染源编号 | 物质 | 地理位置 | 排放类型A | 检测浓度Z | 臭气强度q |
| y-00001 | 物质1 | 位置1 | 无组织 | Z<sub>1.1</sub> | QA<sub>1.1</sub> |
| y-00002 | 物质1 | 位置2 | 无组织 | Z<sub>1.2</sub> | QA<sub>1.2</sub> |
| y-00003 | 物质2 | 位置1 | 有组织 | Z<sub>2.1</sub> | QA<sub>2.1</sub> |
| y-00004 | 物质3 | 位置3 | 有组织 | Z<sub>3.3</sub> | QA<sub>3.3</sub> |
| y-xxxxx | 物质x | 位置x | 无组织/有组织 | Z<sub>x.x</sub> | QA<sub>x.x</sub> |
在其中一个实施例中，根据基础性质数据，确定恶臭污染物基础性质权重系数包括：步骤222，根据基础性质数据，确定待溯源恶臭污染物的基础性质指数，根据基础性质指数，确定恶臭污染物基础性质权重系数。
具体实施时，可以是获取恶臭污染物数据库中的相对分子质量M(单位无量纲)、使用量或产生量N(单位吨/年)、最大存在量O(单位吨)、饱和蒸汽压P(单位kPa)、臭气强度系数Q(斜率系数)、物质x的气味特征对应周边敏感点恶臭影响人工调研-气味特征出现次数R(单位次)，通过以下计算公式分别计算恶臭污染物基础性质指数Sx和恶臭污染物基础性质权重系数Tx。
本实施例中，通过上述基础性质数据，能够更为准确地确定恶臭污染物基础性质权重系数。
为了清楚地说明本申请提供的恶臭污染物溯源方法，下面结合一个具体实施例进行说明，具体的，以确定工业企业的恶臭污染物的排放源为例，并假设恶臭污染物溯源需求数据包括气味特征、用户选取的疑似污染源的地图点的经纬度参数、用户拟查询的监测时间范围(如近一小时)，待溯源的恶臭污染物为多个物质，系统接入有效气象数据，预构建有工业企业恶臭污染物数据库，实施例包括如下内容：
步骤1：确定待溯源的恶臭污染物。输入气味特征、监测时间范围(默认近1小时)和地图点选获取的经纬度参数至预构建的恶臭污染物数据库，通过检索工业企业恶臭污染物数据库，获取该气味特征对应的物质信息，同时也会检索近t分钟(可自行设置参数)内该工业企业周边范围的连续自动监测站点(设站点有y个)中某大气环境监测设备分析结果，获取物质和浓度信息。因为单个气味特征可能会对应多个物质(设为x个)，因此检索结果将会形成可疑恶臭污染物清单，包括物质名称、CAS号、嗅阈值a(ppm)、站点名称、t分钟内的平均浓度b(ppm)、用户在地图点选获取的经纬度与该站点的直线距离c(m)，设d＝b/(a×c)，最终清单排序依据d值从大到小排序，工作人员从清单中选定多行，得到多个待溯源的恶臭污染物。
步骤2：确定恶臭污染物的地理位置初筛权重系数。工作人员选定多行后存在x个物质，将x个物质名称作为输入参数进行地理位置范围初筛操作。通过检索工业企业现有化学物质名录后，获取物质1、物质2…物质x的地理位置信息数据，通过再检索企业平面分布图，获取物质1、物质2、物质x的地理位置信息的图形范围数据；同样的，获取各物质的有效数据的占比，根据各物质的有效数据的占比，为各物质的图形范围数据赋予地理位置初筛权重系数。具体的，可以是将图形范围数据分类：不同物质、相同地理位置信息的图形范围数据，赋予地理位置初筛权重系数G；不同物质、不相同地理位置信息的图形范围数据赋予地理位置初筛权重系数H。
步骤3：确定气象参数权重系数。系统有接入地面气象数据，并可获取有效气象数据：获取大气监测站的站点名称(对应会得到经纬度参数)或用户输入的经纬度参数、输入的监测时间范围，获取离站点或经纬度参数最近的、监测时间范围的气象数据，含风向数据(单位°)、风速数据(单位m/s)和气象站点高程(单位m)，使用矢量平均法(GB/T 35237)计算该监测时间范围的平均风向，风速数据进行累加，计算监测时间范围内的水平方向空气流动距离k(单位m)。假设风速数据频率为1s/笔，计算从扩散起点开始，计算每一笔风速数据的水平方向空气流动经纬度参数，根据用户输入的经纬度参数和空气流动距离k，计算扩散起点经纬度参数，获得监测时间范围内水平方向的空气流动轨迹数据，包含经纬度参数、气象站点高程(单位m)。然后，获取后向轨迹数据或空气流动轨迹数据后，通过工作人员选取的物质结果，分别计算物质1、物质2…物质x的地理位置数据与空气流动轨迹数据或后向轨迹数据的空间直线距离I(m)，不同物质、不同地理位置分别进行计算，对所有计算的空间最近距离数据进行对比，距离越小占权重越大，不同物质、不相同地理，确定气象参数权重系数J。
步骤4：确定地理位置复筛权重系数。首先，根据监测时间范围的平均风向，水平方向空气流动距离k，使用三角函数计算以扩散终点为中心，逆时针旋转22.5°和顺时针旋转22.5°后的两条直线位置信息，再计算旋转后两条直线所形成的扇形区域位置信息。接着，获取物质1、物质2…物质x的地理位置信息数据，经过对比后，可得出物质1、物质2…物质x的地理位置信息是否在扇形区域内，如果不在扇形区域内，则物质x地理位置x的权重系数为Lx.x；如果在扇形区域内，则通过检索人工辨味定源和排放源检测数据库，得到物质x的相关监测数据，若物质x的监测数据曾经未出现过异常，则赋予地理位置复筛权重系数Kx.x，若未出现过异常，则地理位置复筛权重系数为0；若曾经出现过异常(检测浓度>100ppm均属于异常数据则获取物质x的排放类型A、检测浓度Z、臭气强度q数据，并分别计算物质x的地理位置复筛权重系数，计算方法如下：
步骤5：确定恶臭污染物基础性质权重系数。根据各物质的物质名称，获取恶臭污染物数据库中的相对分子质量M(单位无量纲)、使用量或产生量N(单位吨/年)、最大存在量O(单位吨)、饱和蒸汽压P(单位kPa)、臭气强度系数Q(斜率系数)、物质x的气味特征对应周边敏感点恶臭影响人工调研-气味特征出现次数R(单位次)，通过以下计算公式分别计算恶臭污染物基础性质指数Sx和恶臭污染物基础性质权重系数Tx。
步骤6：计算恶臭污染物污染源排放概率。x个物质的权重系数如表2所示。则恶臭污染物污染源排放概率指数Uy和排放概率Vy计算方法：
U1＝(G+J1.1+K1.1)T1
U2＝(H+J1.2+K1.2)T1
U4＝(H+J3.3+L3.3)T3
在得到恶臭污染物的排放源的排放概率Vy之后，可以将排放源的排放概率Vy进行排序，按照概率数值从大到小或者从小到大排序，并展示物质名称、位置名称和概率数值。再对Vy进行分级，并进行可视化展示，以便工作人员进行恶臭污染物溯源。
应该理解的是，虽然如上所述的各实施例所涉及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，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的恶臭污染物溯源方法的恶臭污染物溯源装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个恶臭污染物溯源装置实施例中的具体限定可以参见上文中对于恶臭污染物溯源方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种恶臭污染物溯源装置，包括：数据获取模块510、待溯源恶臭污染物确定模块520、地理位置权重初筛模块530、气象参数权重确定模块540、地理位置复筛权重系数确定模块550、恶臭污染物基础性质权重系数确定模块560和污染源排放概率模块570，其中：
数据获取模块510，用于获取恶臭污染物溯源需求数据、待溯源的恶臭污染物和待溯源的恶臭污染物的基础性质数据。
待溯源恶臭污染物确定模块520，用于根据恶臭污染物溯源需求数据，确定待溯源的恶臭污染物，获取待溯源的恶臭污染物的基础性质数据；
地理位置权重初筛模块530，用于获取恶臭污染物的排放源的地理位置数据，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数。
气象参数权重确定模块540，用于根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数。
地理位置复筛权重系数确定模块550，用于根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定恶臭污染物的地理位置复筛权重系数，目标区域是以恶臭污染物溯源需求数据中的大气监测站的坐标或用户选取的地点坐标为中心的区域。
恶臭污染物基础性质权重系数确定模块560，用于根据基础性质数据，确定恶臭污染物的恶臭污染物基础性质权重系数。
污染源排放概率模块570，用于基于地理位置初筛权重系数、气象参数权重系数、地理位置复筛权重系数以及恶臭污染物基础性质权重系数，得到恶臭污染物的排放源的排放概率。
上述恶臭污染物溯源装置首先，初步筛选待溯源恶臭污染物的排放源的地理位置数据，然后，根据地理位置数据，确定恶臭污染物的地理位置初筛权重系数，再根据排放源的地理位置数据和恶臭污染物溯源需求数据，确定恶臭污染物排放后的气象参数权重系数，根据排放源的地理位置数据判断排放源是否处于目标区域内，并根据判断结果确定恶臭污染物的地理位置复筛权重系数，再根据基础性质数据，确定恶臭污染物的恶臭污染物基础性质权重系数，最后，根据地理位置初筛权重系数、气象参数权重系数、地理位置复筛权重系数以及恶臭污染物基础性质权重系数，得到恶臭污染物的排放源的排放概率。上述装置，通过概率计算的方式得到恶臭污染物的排放源的排放概率，通过恶臭污染物的排放源的排放概率，能够提高判断恶臭污染物排放源的准确度。
在其中一个实施例中，待溯源恶臭污染物确定模块520还用于根据恶臭污染物溯源需求数据，构建恶臭污染物查询数据，将恶臭污染物查询数据输入至预设的恶臭污染物数据库进行查询，得到可疑恶臭污染物清单、并显示可疑恶臭污染物清单，获取用户选择的待溯源的恶臭污染物。
在其中一个实施例中，地理位置权重初筛模块530还用于在预设的恶臭污染物数据库检索恶臭污染物，获取恶臭污染物排放源的地理位置数据和地理位置数据对应的图形范围数据，获取历史监测周期内恶臭污染物的有效数据的占比，有效数据为气体浓度高于预设气体浓度的数据，根据有效数据的占比和图形范围数据，确定恶臭污染物的地理位置初筛权重系数。
在其中一个实施例中，气象参数权重确定模块540还用于根据大气监测站的站点信息或用户选取的地点坐标，以及监测时间范围，获取恶臭污染物排放后的气象轨迹数据，获取地理位置数据和气象轨迹数据的最小空间距离，根据最小空间距离，确定气象参数权重系数。
在其中一个实施例中，气象参数权重确定模块540还用于将大气监测站的站点信息或地点坐标，以及监测时间范围输入至第三方气象数据获取平台，得到后向轨迹数据；或者，根据大气监测站的站点信息或地点坐标，获取监测时间范围内，大气监测站的预设范围内的气象数据或地点坐标预设范围内的气象数据，气象数据包括风向数据和风速数据，根据风速数据和风向数据，确定监测时间范围内的空气流动距离，根据空气流动距离和地点坐标，得到空气流动轨迹数据。
在其中一个实施例中，地理位置复筛权重系数确定模块550还用于基于监测时间范围内的风向数据和空气流动距离，使用三角函数，确定以大气监测站的坐标或用户选取地点坐标为中心的目标区域；若排放源未处于目标区域内，则获取排放源与目标区域的中线的垂直距离，根据垂直距离，确定地理位置复筛权重系数，若排放源处于目标区域内，则获取待溯源恶臭污染物的历史监测数据，根据所述历史监测数据，确定地理位置复筛权重系数。
上述恶臭污染物溯源装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种恶臭污染物溯源方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在其中一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述恶臭污染物溯源方法中的步骤。
在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述恶臭污染物溯源方法中的步骤。
在其中一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述恶臭污染物溯源方法中的步骤。
需要说明的是，本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，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，还可以做出当干变形和改进，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)
1.一种恶臭污染物溯源方法，其特征在于，所述方法包括：
获取恶臭污染物溯源需求数据；
根据所述恶臭污染物溯源需求数据，确定待溯源的恶臭污染物，获取所述待溯源的恶臭污染物的基础性质数据；
获取所述恶臭污染物的排放源的地理位置数据，根据所述地理位置数据，确定所述恶臭污染物的地理位置初筛权重系数；
根据所述排放源的地理位置数据和所述恶臭污染物溯源需求数据，确定所述恶臭污染物排放后的气象参数权重系数；
根据所述排放源的地理位置数据判断所述排放源是否处于目标区域内，并根据判断结果确定所述恶臭污染物的地理位置复筛权重系数，所述目标区域是以所述恶臭污染物溯源需求数据中的大气监测站的坐标、或用户选取的地点坐标为中心的区域；
根据所述基础性质数据，确定所述恶臭污染物的恶臭污染物基础性质权重系数；
基于所述地理位置初筛权重系数、所述气象参数权重系数、所述地理位置复筛权重系数以及所述恶臭污染物基础性质权重系数，得到所述恶臭污染物的排放源的排放概率。
2.根据权利要求1所述的恶臭污染物溯源方法，其特征在于，获取所述待溯源的恶臭污染物包括：
根据所述恶臭污染物溯源需求数据，构建恶臭污染物查询数据；
将所述恶臭污染物查询数据输入至预设的恶臭污染物数据库进行查询，得到可疑恶臭污染物清单、并显示所述可疑恶臭污染物清单；
获取选择的待溯源的恶臭污染物。
3.根据权利要求1所述的恶臭污染物溯源方法，其特征在于，所述获取所述恶臭污染物的排放源的地理位置数据，根据所述地理位置数据，确定所述恶臭污染物的地理位置初筛权重系数包括：
在预设的恶臭污染物数据库检索所述恶臭污染物，获取所述恶臭污染物的排放源的地理位置数据；
在所述预设的恶臭污染物数据库中检索所述地理位置数据，获取所述地理位置数据对应的图形范围数据；
获取历史监测周期内所述恶臭污染物的有效数据的占比，所述有效数据为气体浓度高于预设气体浓度的数据；
根据所述有效数据的占比和所述图形范围数据，确定所述恶臭污染物的地理位置初筛权重系数。
4.根据权利要求1所述的恶臭污染物溯源方法，其特征在于，所述恶臭污染物溯源需求数据包括大气监测站的站点信息和监测时间范围；
所述根据所述排放源的地理位置数据和所述恶臭污染物溯源需求数据，确定所述恶臭污染物排放后的气象参数权重系数包括：
根据所述大气监测站的站点信息或选取的地点坐标，以及所述恶臭污染物基础性质数据库，获取所述恶臭污染物排放后的气象轨迹数据；
获取所述地理位置数据和所述气象轨迹数据的最小空间距离；
根据所述最小空间距离，确定所述气象参数权重系数。
5.根据权利要求4所述的恶臭污染物溯源方法，其特征在于，所述气象轨迹数据包括后向轨迹数据；
所述根据所述大气监测站的站点信息或所述用户选取的地点坐标，以及所述监测时间范围，获取所述恶臭污染物排放后的气象轨迹数据包括：
将所述大气监测站的站点信息或所述地点坐标，以及所述监测时间范围输入至第三方气象数据获取平台，得到所述后向轨迹数据；
或
所述气象轨迹数据包括空气流动轨迹数据；
所述根据所述大气监测站的站点信息或所述用户选取的地点坐标，以及所述监测时间范围，获取所述恶臭污染物排放后的气象轨迹数据包括：
根据所述大气监测站的站点信息或所述地点坐标，获取所述监测时间范围内，所述大气监测站的预设范围内的气象数据或所述地点坐标预设范围内的气象数据，所述气象数据包括风向数据和风速数据；
根据所述风速数据和所述风向数据，确定所述监测时间范围内的空气流动距离；
根据所述空气流动距离和所述地点坐标，得到所述空气流动轨迹数据。
6.根据权利要求5所述的恶臭污染物溯源方法，其特征在于，所述根据所述排放源的地理位置数据判断所述排放源是否处于目标区域内，并根据判断结果确定地理位置复筛权重系数之前，还包括：
基于所述监测时间范围内的所述风向数据和所述空气流动距离，使用三角函数，确定以大气监测站的坐标或用户选取地点坐标为中心的目标区域；
所述根据所述排放源的地理位置数据判断所述排放源是否处于目标区域内，根据判断结果确定地理位置复筛权重系数包括：
若所述排放源未处于所述目标区域内，则获取所述排放源与所述目标区域的中线的垂直距离，根据所述垂直距离，确定地理位置复筛权重系数；
若排放源处于目标区域内，则获取所述待溯源恶臭污染物的历史监测数据，根据所述历史监测数据，确定地理位置复筛权重系数。
7.根据权利要求1至6任意一项所述的恶臭污染物溯源方法，其特征在于，根据所述基础性质数据，确定恶臭污染物基础性质权重系数包括：
根据所述基础性质数据，确定所述待溯源恶臭污染物的基础性质指数；
根据所述基础性质指数，确定所述恶臭污染物基础性质权重系数。
8.一种恶臭污染物溯源装置，其特征在于，所述装置包括：
数据获取模块，用于获取恶臭污染物溯源需求数据；
恶臭污染物确定模块，用于根据所述恶臭污染物溯源需求数据，确定待溯源的恶臭污染物，获取所述待溯源的恶臭污染物的基础性质数据；
地理位置权重初筛模块，用于获取所述恶臭污染物的排放源的地理位置数据，根据所述地理位置数据，确定所述恶臭污染物的地理位置初筛权重系数；
气象参数权重确定模块，用于根据所述排放源的地理位置数据和所述恶臭污染物溯源需求数据，确定所述恶臭污染物排放后的气象参数权重系数；
地理位置复筛权重系数确定模块，用于根据所述排放源的地理位置数据判断所述排放源是否处于目标区域内，并根据判断结果确定所述恶臭污染物的地理位置复筛权重系数，所述目标区域是以所述恶臭污染物溯源需求数据中的大气监测站的坐标或用户选取的地点坐标为中心的区域；
恶臭污染物基础性质权重系数确定模块，用于根据所述基础性质数据，确定所述恶臭污染物的恶臭污染物基础性质权重系数；
污染源排放概率模块，用于基于所述地理位置初筛权重系数、所述气象参数权重系数、所述地理位置复筛权重系数以及所述恶臭污染物基础性质权重系数，得到所述恶臭污染物的排放源的排放概率。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210324592.7A CN114780817A (zh) | 2022-03-30 | 2022-03-30 | 恶臭污染物溯源方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210324592.7A CN114780817A (zh) | 2022-03-30 | 2022-03-30 | 恶臭污染物溯源方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114780817A true CN114780817A (zh) | 2022-07-22 |
Family
ID=82427657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210324592.7A Pending CN114780817A (zh) | 2022-03-30 | 2022-03-30 | 恶臭污染物溯源方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114780817A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115114352A (zh) * | 2022-08-25 | 2022-09-27 | 深圳市华云中盛科技股份有限公司 | 一种用于典型污染物快速分析管理系统 |
-
2022
- 2022-03-30 CN CN202210324592.7A patent/CN114780817A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115114352A (zh) * | 2022-08-25 | 2022-09-27 | 深圳市华云中盛科技股份有限公司 | 一种用于典型污染物快速分析管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hantson et al. | Global fire size distribution is driven by human impact and climate | |
| Li et al. | On discovering co-location patterns in datasets: a case study of pollutants and child cancers | |
| Das et al. | Assessment of urban sprawl using landscape metrics and Shannon’s entropy model approach in town level of Barrackpore sub-divisional region, India | |
| Althuwaynee et al. | Air pollution hazard assessment using decision tree algorithms and bivariate probability cluster polar function: evaluating inter-correlation clusters of PM10 and other air pollutants | |
| Hart et al. | Spatial modeling of PM10 and NO2 in the continental United States, 1985–2000 | |
| Pope et al. | A multi-objective assessment of an air quality monitoring network using environmental, economic, and social indicators and GIS-based models | |
| Fowler et al. | Who are the people in my neighborhood?: The “contextual fallacy” of measuring individual context with census geographies | |
| Chakraborty | Cancer risk from exposure to hazardous air pollutants: spatial and social inequities in Tampa Bay, Florida | |
| Liu et al. | A review of surface ozone source apportionment in China | |
| CN113030416A (zh) | 一种水源地污染源溯源方法、装置及电子设备 | |
| Shpuza | Allometry in the syntax of street networks: Evolution of Adriatic and Ionian coastal cities 1800–2010 | |
| CN101593210A (zh) | 一种提高空间分辨率和更新速度的人口统计方法及系统 | |
| Liu et al. | A century of the evolution of the urban area in Shenyang, China | |
| Suarez-Rubio et al. | Quantitative analysis of urbanization gradients: a comparative case study of two European cities | |
| CN115346431B (zh) | 碳排放地图的生成方法、装置、设备及存储介质 | |
| CN114780817A (zh) | 恶臭污染物溯源方法、装置、计算机设备和存储介质 | |
| Chen et al. | The influence of neighborhood-level urban morphology on PM2. 5 variation based on random forest regression | |
| CN112468961A (zh) | 水体污染检测数据处理方法、系统、终端及介质 | |
| Burian et al. | Disaggregator–a tool for the aggregation and disaggregation of spatial data | |
| Dai et al. | A GIS-based approach to spatial allocation of area source solvent emissions | |
| Sims et al. | Measuring urban sprawl and compactness: Case study Orlando, USA | |
| Lutmerding et al. | Summary of raptor encounter records at the Bird Banding Lab | |
| Pfeffer et al. | Visualising postcode data for urban analysis and planning: the Amsterdam City Monitor | |
| Lu et al. | High-resolution mapping of regional VOCs using the enhanced space-time extreme gradient boosting machine (XGBoost) in Shanghai | |
| Bui | Breathing smarter: A critical look at representations of air quality sensing data across platforms and publics |
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 |