CN114818391A - 一种基于多溯源模型的污染源浓度智能分析方法 - Google Patents
一种基于多溯源模型的污染源浓度智能分析方法 Download PDFInfo
- Publication number
- CN114818391A CN114818391A CN202210737463.0A CN202210737463A CN114818391A CN 114818391 A CN114818391 A CN 114818391A CN 202210737463 A CN202210737463 A CN 202210737463A CN 114818391 A CN114818391 A CN 114818391A
- Authority
- CN
- China
- Prior art keywords
- concentration
- pollution source
- simulation
- acquiring
- tracing model
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 146
- 238000009792 diffusion process Methods 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 239000003344 environmental pollutant Substances 0.000 claims description 13
- 231100000719 pollutant Toxicity 0.000 claims description 13
- 230000001788 irregular Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000012300 Sequence Analysis Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002265 prevention Effects 0.000 claims description 7
- 239000013589 supplement Substances 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000011109 contamination Methods 0.000 description 8
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 5
- 230000035772 mutation Effects 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多溯源模型的污染源浓度智能分析方法,包括:在线监测预设区域中各站点的气象观测数据、污染源浓度数据,确定需要对预设区域进行溯源的混合层高度;将气象观测数据、污染源浓度数据以及混合层高度,输入到预设多溯源模型中进行正向扩散模拟;将气象观测数据,输入到预设多溯源模型中进行反向扩散模拟;基于正向扩散模拟结果,获取得到各站点所对应的污染源在不同高度的不同网格的当下贡献浓度,以及根据反向扩散模拟,获取得到各站点所对应的污染源在不同高度的不同,确定各站点对同一高度的同一网格的浓度贡献百分比,并进行浓度贡献排名输出。通过多溯源模型进行正向以及反向模拟,来保证得到的不同污染源浓度的准确性。
Description
技术领域
本发明涉及污染分析技术领域,特别涉及一种基于多溯源模型的污染源浓度智能分析方法。
背景技术
目前,针对污染源监测的过程中,一般是基于恒定源强的排放源数据进行污染扩散模拟,来得到污染源浓度,但是,在实际排放中,污染源源强并非恒定不变,通常会随时间出现有规律或者无规律的变化,导致在分析污染源浓度的过程中,出现污染源浓度分析不准确的情况。
因此,本发明提出一种基于多溯源模型的污染源浓度智能分析方法。
发明内容
本发明提供一种基于多溯源模型的污染源浓度智能分析方法,用以通过获取气象、污染源数据,来基于多溯源模型进行正向模拟,同时,基于气象数据,来基于多溯源模型进行反向模拟,得到贡献浓度,来保证得到的不同污染源浓度的准确性。
本发明提供一种基于多溯源模型的污染源浓度智能分析方法,包括:
步骤1:在线监测预设区域中各站点的气象观测数据、污染源浓度数据,同时,确定需要对所述预设区域进行溯源的混合层高度;
步骤2:将所述气象观测数据、污染源浓度数据以及混合层高度,输入到预设多溯源模型中进行正向扩散模拟;
步骤3:将所述气象观测数据,输入到预设多溯源模型中进行反向扩散模拟;
步骤4:基于正向扩散模拟结果,获取得到各站点所对应的污染源在不同高度的不同网格的当下贡献浓度,以及根据反向扩散模拟,获取得到各站点所对应的污染源在不同高度的不同网格的预设贡献浓度;
步骤5:确定各站点对同一高度的同一网格的浓度贡献百分比,并进行浓度贡献排名输出。
优选的,将所述气象观测数据,输入到预设多溯源模型中进行反向扩散模拟,包括:
基于所述预设多溯源模型,对在线监测所获取的预设区域中各站点的气象观测数据进行反向扩散模拟,获取得到预先设定的各污染源的扩散路径;
基于所述扩散路径,获取得到各站点所对应的同个污染源在不同高度的不同网格的预设贡献浓度。
优选的,确定各站点对同一高度的同一网格的浓度贡献百分比,包括:
优选的,在线监测预设区域中各站点的气象观测数据、污染源浓度数据之前,包括:
定位所述预设区域中存在的第一站点以及获取所述预设区域的区域结构分布图;
按照定位的所有第一站点,构建站点分布图,并与所述区域结构分布图进行图像重叠处理,判断所述第一站点与所述区域结构分布图中的第二站点是否完全重叠;
若是,将所述站点分布图保留;
若不是,从所述区域结构分布图中获取所有第二站点,并从所述第二站点中筛选出所述第一站点对应的缺失站点,并对所述缺失站点进行定位补充;
基于定位补充结果,对所述站点分布图进行修正,并保留;
捕捉保留的分布图中每个第三站点的当下位置;
从历史日志数据库中,获取所述当下位置在不同时刻的历史气象日志以及历史污染物日志,同时,从地形监测数据库中,获取所述当下位置在不同时刻的周围地势分布以及周围建筑分布;
建立同时间戳下的历史气象日志以及历史污染物日志的日志特征曲线,并从所述日志特征曲线中筛选特征区域,并根据所述特征区域,确定对应区域时段的特征变化量;
获取所述区域时段中每个时刻下的周围地势分布以及周围建筑分布,并建立地势分布变化曲线以及建筑分布变化曲线;
基于所述地势分布变化曲线以及建筑分布变化曲线,确定对应区域时段的分布变化量;
建立所述区域时段的特征变化量与分布变化量的依赖关系,且基于所述分布变化量,确定对应第三站点的特征变化量的影响系数;
同步管理每个第三站点接收的历史请求频次以及输出的历史反馈频次,并基于所述历史反馈频次与历史请求频次的频次比值,确定通信故障状态,并基于所述通信故障状态,向对应的故障站点分配通信节点,获取对应故障站点的第一历史记录;
基于所述依赖关系、影响系数以及第一历史记录,规划得到待比较记录,同时,获取所述第三站点的第二历史记录,并确定所述第二历史记录与所述待比较记录的匹配程度;
按照所述匹配程度,向对应的第三站点设置参考优先级标签;
按照参考优先级标签,依次在线监测并获取预设区域中各站点的气象观测数据、污染源浓度数据。
优选的,将所述气象观测数据、污染源浓度数据以及混合层高度,输入到预设多溯源模型中进行正向扩散模拟的过程中,还包括:
基于预设区域中的每个站点,获取当下时间点的气象观测数据以及污染源观测数据;
基于所述预设区域中的站点总个数,确定模拟次数;
基于所述模拟次数以及所述污染源观测数据的多溯源数目,确定每次模拟过程中的模拟复杂程度;
基于所述模拟复杂程度,向对应的每个模拟站点分配对应溯源调整系数。
优选的,在执行步骤2之前,包括:优化初始多溯源模型,得到预设多溯源模型,包括:
获取所述预设区域的区域属性以及所述预设区域中每个站点的站点属性、每个站点所处位置的位置属性以及每个站点对应的监测网格的网格属性;
获取所述初始多溯源模型,并按照所述区域属性、站点属性、位置属性以及网格属性,对所述初始多溯源模型进行第一优化,得到第一多溯源模型,并得到第一文件;
按照文件规范验证机制,对所述第一文件进行规范验证,得到第二文件,并从所述第二文件中,获取多维度空气质量检测指标;
构建每个维度指标的质量检测向量,基于每个维度指标的指标属性以及与所述指标属性匹配的归一化因子,对所有质量检测向量进行归一化处理,得到归一化向量;
基于每个质量检测向量,构建质量检测矩阵,并获取所述质量检测矩阵的特征向量;
对所述特征向量以及归一化向量进行补全处理,并对补全处理后的特征向量以及归一化向量进行权加处理;
从文件数据库中,调取与权加处理结果一致的第三文件;
基于所述第三文件对所述第一多溯源模型进行第二优化,得到第二多溯源模型,且所述第二多溯源模型即为所述预设多溯源模型。
优选的,将所述气象观测数据、污染源浓度数据以及混合层高度,输入到预设多溯源模型中进行正向扩散模拟,包括:
预先建立正向扩散模拟过程中气象观测数据与污染源浓度数据的有规律映射关系以及无规律映射关系;
当将所述气象观测数据输入到预设多溯源模型时,对第一输入接口进行检测,得到第一检测结果;
当将所述污染源浓度数据输入到预设多溯源模型时,对第二输入接口进行检测,得到第二检测结果;
当将所述混合层高度输入到预设多溯源模型时,对第三接口进行检测,得到第三检测结果;
基于第一检测结果、第二检测结果以及第三检测结果,获取所述预设多溯源模型的正向模拟路径;
确定所述正向模拟路径中的模拟节点,并获取每个模拟节点的当下配置,并分析对应模拟节点是否为主节点;
统计所述正向模拟路径中存在主节点的第一数目,当所述第一数目大于预设数目时,判定按照所述正向模拟路径执行正向模拟操作;
否则,调取与所述有规律映射关系相关的第一执行策略以及与所述无规律映射关系相关的第二执行策略;
确定所述第一执行策略所对应的第一主执行节点,同时,确定所述第二执行策略所对应的第二主执行节点;
确定所述第一主执行节点以及所述第二主执行节点是否都为所述正向模拟路径中的主节点;
若是,按照所述正向模拟路径执行正向模拟操作;
若不是,对所述第二主执行节点中不是主节点的处理节点,按照所述处理节点的节点执行属性进行对应的预策略执行处理,得到处理后的模拟路径,并按照所述处理后的模拟路径执行正向模拟操作。
优选的,基于正向扩散模拟结果,获取得到各站点所对应的污染源在不同高度的不同网格的当下贡献浓度,包括:
基于正向扩散模拟结果,构建预设区域中每个站点所监测以及模拟的不同污染源在不同高度的不同网格的浓度列表,并作为初始浓度;
划定每个站点的目标监测范围,并对所述目标监测范围进行范围划分,得到若干子范围,并向每个子范围分配不同污染源对应的初始浓度;
获取同个站点的当下气象观测数据、上一时刻气象观测数据以及预测的下一时刻的气象观测数据;
基于所述当下气象观测数据,获取每个子范围所处位置的当下气象标签;
同时,基于上一时刻气象观测数据,获取每一子范围所处位置的上一时刻气象标签,基于预测的下一时刻的气象观测数据,获取对应子范围所处位置的下一时刻气象标签;
获取同个子范围对应的上一时刻气象标签、当下气象标签以及下一时刻气象标签,并将每个气象标签都转换为标签序列;
将同个子范围的单个标签序列按照时间顺序进行上一时刻气象标签与当下气象标签的第一比较,筛选第一变化序列,同时,进行当下气象标签与下一时刻气象标签的第二比较,筛选第二变化序列,还进行上一时刻气象标签与下一时刻气象标签的第三比较,筛选第三变化序列;
筛选所述第一变化序列中的第一突变序列以及第三变化序列中的第二突变序列,并确定所述第一突变序列与第二突变序列的第一变化程度;
当所述第一变化程度小于预设变化程度,将对应子范围中不同污染源所分配的初始浓度作为贡献浓度;
否则,基于序列分析模型,对所述第一变化序、第一变化序列所处序列位置与第二变化序列、第二变化序列所处序列位置进行第一分析,同时,基于序列分析模型,对所述第二变化序列、第二变化序列所处序列位置与第三变化序列、第三变化序列所处序列位置进行第二分析;
基于第一分析结果、第二分析结果以及溯源调节系数,获取对应子范围内每种污染源的浓度调节范围,并对对应污染源的初始浓度进行调节,得到对应的当下贡献浓度。
优选的,对应污染源的初始浓度进行调节,得到对应的当下贡献浓度,包括:
获取同个子范围中每种污染源的浓度调节范围的第一边界浓度以及第二边界浓度;
按照所述初始浓度与第一边界浓度的第一差值、第二边界浓度与初始浓度的第二差值,确定对应污染源的浓度调节偏向;
其中,G0表示初始浓度;G1表示第一边界浓度;G2表示第二边界浓度,其中,G1<G0<G2;Y1表示浓度调节偏向值,当Y1等于1时,表示浓度调节向小偏向;Y1等于0时,表示浓度调节向大偏向;
基于第一差值、第二差值、浓度调节偏向,确定设置值,并基于第一差值、第二差值以及设置值,从双差值-设置值列表中匹配得到参考标签,附加在对应子范围的污染源上;
其中,Y2表示设置参考标签的设置值;δ表示对设置值的调节因子,且当Y1取值为0时,对应的取值为-1,当Y1取值为1时,对应的取值为0;
按照所述参考标签,从标签-参考调节列表中,获取参考调节浓度,对对应污染源的初始浓度进行调节,得到对应的当下贡献浓度。
优选的,进行浓度贡献排名输出之后,还包括:
获取对同个子网格进行监测的所有站点所对应所有第一污染源,并分别获取每个第一污染源的浓度监测集;
对所述浓度监测集进行归一化处理,得到对应第一污染源的参考浓度;
按照所述参考浓度与对应环保浓度的比较结果,确定主要影响污染源;
按照所述主要影响污染源,从防控数据库中,获取对应的防控措施,并输出提醒。
本发明的其它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,或者通过实施本发明而了解。本发明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。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种多溯源模型的智能构建方法的流程图;
图2为本发明实施例中贡献浓度分布图;
图3为1时刻网格4各站点对应浓度百分比一览图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供一种基于多溯源模型的污染源浓度智能分析方法,如图1所示,包括:
步骤1:在线监测预设区域中各站点的气象观测数据、污染源浓度数据,同时,确定需要对所述预设区域进行溯源的混合层高度;
步骤2:将所述气象观测数据、污染源浓度数据以及混合层高度,输入到预设多溯源模型中进行正向扩散模拟;
步骤3:将所述气象观测数据,输入到预设多溯源模型中进行反向扩散模拟;
步骤4:基于正向扩散模拟结果,获取得到各站点所对应的污染源在不同高度的不同网格的当下贡献浓度,以及根据反向扩散模拟,获取得到各站点所对应的污染源在不同高度的不同网格的预设贡献浓度;
步骤5:确定各站点对同一高度的同一网格的浓度贡献百分比,并进行浓度贡献排名输出。
该实施例中,正向模拟指的是考虑气象观测数据以及污染源浓度数据扩散的情况,即视为正向模拟,且正向模拟的主要对象为气象观测数据以及污染源浓度数据。
反向扩散模拟指的是,以气象观测数据作为变量数据基础,以污染源浓度数据作为常量数据基础,来研究不同污染物的扩散情形。
该实施例中,在线监测是属于实时监测,主要是为了保证可以有效的研究不同时间、不同尺度、不同污染物在不同高度层的扩散情况。
该实施例中,气象观测数据是包括不同时间点的风力、风向、温度、云量、湿度、降雨等数据在内,污染源浓度数据是包括不同时间点的硫化氢、氨气、颗粒物等浓度数据在内。
该实施例中,站点指的是空气质量站点,主要是监测某个位置点的气象数据与污染源浓度数据。
该实施例中,网格指的是通过经度和纬度确定的,在确定混合层高度的时候,是基于中华人民共和国国家标准《GB/T 34299-2017 大气自净能力等级》中的根据大气稳定度等级计算混合层高度的计算公式,来计算得到对应预设区域的混合层高度的。
本项目所用方法为中华人民共和国国家标准《GB/T 34299-2017 大气自净能力等级》,
具体计算步骤如下:
1)首先计算每个网格观测时刻的太阳高度角;
(1)式中:δ :太阳倾角,单位为度(°);
θ:黄经,单位为度(°);
(2)式中:d:一年中日期序数,0,1,2,……,365。
(3)式中:h:太阳高度角,单位为度(°);
t:北京时间;
λ:当地经度,单位为度(°);
2)根据总云量/低云量以及太阳高度角,查表得到太阳辐射等级;
表1太阳辐射等级划分表
3)根据地面风速和太阳辐射等级查表得到帕斯奎尔(Pasquill)大气稳定度等级;
表2大气稳定度等级划分
4)根据大气稳定度等级计算混合层高度。首先根据地区所在省份确定地区序号,然后查表得到该地区序号在不同大气稳定度等级下的热力混合层系数a或机械混合层系数b,并根据下述公式计算混合层高度。
①在不稳定和中性气象条件下(大气稳定度为A、B、C、D级时)计算热力混合层高度L b ,计算公式如下:
其中a为热力混合层系数;u 10为10m高度上平均风速,单位为米每秒(m/s),大于6m/s时取为6m/s;f为地转参数,单位为度(°);Ω为地球自转角速度,单位为度每秒(°/s); 为地理纬度,单位为度(°)
②在稳定气象条件下(大气稳定度为E、F级时)计算机械混合层高度,计算公式如下:
其中b为机械混合层系数。
表3中国各地区a和b值
表4中国各地区序号
5)根据各空气质量站点(气象站点)混合层高度、气象数据、污染浓度数据,地表参数进行溯源。
该实施例中,预设多溯源模型是预先训练好的,且多溯源可以指的是不同的污染源,且是以不同浓度的污染源的组合以及对不同网格的贡献浓度为样本训练得到的。
该实施例中,比如预设区域中包括:网格1、网格2,且针对网格1设置有站点1、2,针对网格2设置有站点3、4,此时,就可以按照不同站点的监测数据,并基于预设多溯源模型进行正向模拟,得到相关的贡献浓度。
比如,站点1监测到的硫化氢的浓度为b1,此时,以站点1为中心向其他网格进行浓度扩散模拟,比如,站点2监测到的硫化氢的浓度为b3,此时,以站点2为中心向其他网格进行浓度扩散模拟,也就是有80个站点,则进行80次模拟(每次模拟的模拟区域相同,例如模拟区域划分为81×81网格),然后分别对每个网格的80个排放源进行排名,并计算百分比。
具体如图2所示,为对应的贡献浓度分布图,具体如图3所示,为1时刻网格4各站点对应浓度百分比一览图。
该实施例中,通过可以监测到的气象观测数据以及污染源浓度数据,来获取污染源扩散之后,在混合高度层的浓度。
该实施例中,在正向模拟的过程中,还会结合地表参数: 地表粗糙度、反照率、波文比;基础数据:投影坐标及受体网格、地形数据、化学反应参数,来进行模拟,保证确定某个高度某个网格的污染源浓度的准确性。
该实施例中,在反向模拟的过程中,用每个监测测站的气象数据作为输入数据,排放源浓度固定(设为常数),基于这个排放源进行模拟,同理,例如有80个站,则进行80次模拟(每次模拟的模拟区域相同,例如模拟区域划分为81×81网格),然后分别对每个网格的80个排放源进行排名,并计算百分比。
该实施例中,在进行扩散模拟过程中:例如2.22222E-09(g/m2/h)为ES008站1:00抓取到的NH3的初始浓度值换算得到,并且输入模拟区域为(81×81个网格)、不同高度层。
该实施例中,在确定浓度贡献百分比的过程中,可以是基于预设贡献浓度以及当下贡献浓度综合确定同个网格的浓度,最后,来获取的对应网格的浓度贡献百分比。
上述技术方案的有益效果是:通过获取气象、污染源数据,基于多溯源模型进行正向扩散模拟以及反向扩散模拟,得到贡献浓度,来保证得到的不同污染源浓度的准确性。
实施例2:
基于实施例1的基础上,将所述气象观测数据,输入到预设多溯源模型中进行反向扩散模拟,包括:
基于所述预设多溯源模型,对在线监测所获取的预设区域中各站点的气象观测数据进行反向扩散模拟,获取得到预先设定的各污染源的扩散路径;
基于所述扩散路径,获取得到各站点所对应的同个污染源在不同高度的不同网格的预设贡献浓度。
上述技术方案的有益效果是:通过反向模拟,可以为每个网格的污染源浓度提供数据基础。
实施例3:
基于实施例1的基础上,确定各站点对同一高度的同一网格的浓度贡献百分比,包括:
上述技术方案的有益效果是:便于通过上述公式,有效的计算出每个网格的贡献浓度百分比,便于排名输出。
实施例4:
基于实施例1的基础上,在线监测预设区域中各站点的气象观测数据、污染源浓度数据之前,包括:
定位所述预设区域中存在的第一站点以及获取所述预设区域的区域结构分布图;
按照定位的所有第一站点,构建站点分布图,并与所述区域结构分布图进行图像重叠处理,判断所述第一站点与所述区域结构分布图中的第二站点是否完全重叠;
若是,将所述站点分布图保留;
若不是,从所述区域结构分布图中获取所有第二站点,并从所述第二站点中筛选出所述第一站点对应的缺失站点,并对所述缺失站点进行定位补充;
基于定位补充结果,对所述站点分布图进行修正,并保留;
捕捉保留的分布图中每个第三站点的当下位置;
从历史日志数据库中,获取所述当下位置在不同时刻的历史气象日志以及历史污染物日志,同时,从地形监测数据库中,获取所述当下位置在不同时刻的周围地势分布以及周围建筑分布;
建立同时间戳下的历史气象日志以及历史污染物日志的日志特征曲线,并从所述日志特征曲线中筛选特征区域,并根据所述特征区域,确定对应区域时段的特征变化量;
获取所述区域时段中每个时刻下的周围地势分布以及周围建筑分布,并建立地势分布变化曲线以及建筑分布变化曲线;
基于所述地势分布变化曲线以及建筑分布变化曲线,确定对应区域时段的分布变化量;
建立所述区域时段的特征变化量与分布变化量的依赖关系,且基于所述分布变化量,确定对应第三站点的特征变化量的影响系数;
同步管理每个第三站点接收的历史请求频次以及输出的历史反馈频次,并基于所述历史反馈频次与历史请求频次的频次比值,确定通信故障状态,并基于所述通信故障状态,向对应的故障站点分配通信节点,获取对应故障站点的第一历史记录;
基于所述依赖关系、影响系数以及第一历史记录,规划得到待比较记录,同时,获取所述第三站点的第二历史记录,并确定所述第二历史记录与所述待比较记录的匹配程度;
按照所述匹配程度,向对应的第三站点设置参考优先级标签;
按照参考优先级标签,依次在线监测并获取预设区域中各站点的气象观测数据、污染源浓度数据。
该实施例中,定位第一站点,是为了能够更好的保证通信连接,实时获取该站点监测的数据。
该实施例中,第一站点,是可以定位通信得到的,缺失站点是不可以定位通信得到的,图像重叠处理,也就是为了确定是否存在不可以定位通信的站点,也就是缺失站点,通过定位补充,可以有效的保证通信。
该实施例中,区域结构分布图主要指的是该预设区域中所有第二站点的位置分布。
该实施例中,历史请求频次指的是需要监测污染源浓度的次数,以及历史反馈频次,指的是对历史请求的成功反馈的次数,通过确定频次比值,来确定通信故障状态,也就是,频次比值越大,对应的通信故障越严重。
该实施例中,不同严重程度的通信故障所对应的通信故障状态也不一样,因此,需要按照通信故障状态,分配对应的通信节点,也就是建立该站点与外界的连接,以此,来获取该站点的第一历史记录。
比如,基于当下时刻的站点1的历史测试时间为,历史时间1、历史时间2、当下时刻,且都是按照时间顺序排列的,此时,第一历史记录的历史监测时间点在于第二历史记录的历史监测时间点之前,且第二历史记录的历史监测时间点是历史记录中的最后一次的监测时间点。
该实施例中,匹配程度,主要是为了确定按照依赖关系、影响系数以及第一历史记录,预测得到带比较记录是否与第二历史记录匹配,主要是为了确定不同站点的监测准确度。
该实施例中,匹配程度越高,代表按照依赖关系、影响系数以及第一历史记录,规划得到待比较记录的精准度越高,也就是基于第三站点获取到的污染源数据、气象观测数据越可靠,因此,通过设置优先级标签,来优先对获取数据更为可靠的站点进行优先监测。
该实施例中,由于不同时刻下的地形以及建筑会发生变化,也就是会对气象数据造成一些影响,因此,在获取不同时刻的气象日志以及污染物日志的过程中,也需要回去该位置下的建筑以及地势等信息。
该实施例中,日志特征曲线是由气象以及污染物日志构建得到的,比如,日志特征曲线是包括:由于气象构成的一条子曲线,由污染物构成的一条子曲线,两条曲线同时间轴放置,且主要是基于气象指标:如风速、风向、云层等,以及污染物指标,比如:PM浓度、硫化氢浓度等。
该实施例中,筛选的特征区域指的是日志特征曲线中的一小段曲线,比如,风速突然增大的等特征的曲线,以及风速突然增大导致的污染源浓度剧增或者剧减等特征的曲线,且通过来获取该特征区域,来获取特征变化量,比如风速变化量、浓度变化量等。
该实施例中,分布变化量指的是建筑高度增加、建筑平移、地势变低等情况,来获取得到的分布变化量,且分布变化量是地势与建筑的综合变化量。
该实施例中,依赖关系指的是,分布变化量为0的情况下,同个气象以及浓度的条件下,对应的特征变化量为1,但是,在分布变化量为1的情况下,还是对应的同个气象以及浓度的条件下,对应的特征变化量为2,此时,两者就存在依赖关系,也就是分布变化量对特征变化量存在影响,因此,需要获取影响系数,影响越大,对应的影响系数越大。
上述技术方案的有益效果是:通过进行分布图比较以及定位补充,可以有效保证预设区域中所有站点的通信,保证获取数据的可靠性,为后续确定贡献浓度提供数据基础,通过进行分布变化量以及特征变化量的确定,来有效的确定依赖关系以及影响系数,且通过对第一历史记录进行规划,来与第二历史记录进行匹配,确定站点的监测准确性,进而设置优先级标签,保证后续有效考虑该站点的监测结果,并用作对污染源扩散的基础,提高污染源浓度分析的准确性。
实施例5:
基于实施例1的基础上,将所述气象观测数据、污染源浓度数据以及混合层高度,输入到预设多溯源模型中进行正向扩散模拟的过程中,还包括:
基于预设区域中的每个站点,获取当下时间点的气象观测数据以及污染源观测数据;
基于所述预设区域中的站点总个数,确定模拟次数;
基于所述模拟次数以及所述污染源观测数据的多溯源数目,确定每次模拟过程中的模拟复杂程度;
基于所述模拟复杂程度,向对应的每个模拟站点分配对应溯源调整系数。
该实施例中,每次都累加模拟一种污染源的数据。
上述技术方案的有益效果是:通过确定模拟次数,可以实现多次累加模拟,保证模拟的可靠性,保证后续分析的准确性。
实施例6:
基于实施例1的基础上,在执行步骤2之前,包括:优化初始多溯源模型,得到预设多溯源模型,包括:
获取所述预设区域的区域属性以及所述预设区域中每个站点的站点属性、每个站点所处位置的位置属性以及每个站点对应的监测网格的网格属性;
获取所述初始多溯源模型,并按照所述区域属性、站点属性、位置属性以及网格属性,对所述初始多溯源模型进行第一优化,得到第一多溯源模型,并得到第一文件;
按照文件规范验证机制,对所述第一文件进行规范验证,得到第二文件,并从所述第二文件中,获取多维度空气质量检测指标;
构建每个维度指标的质量检测向量,基于每个维度指标的指标属性以及与所述指标属性匹配的归一化因子,对所有质量检测向量进行归一化处理,得到归一化向量;
基于每个质量检测向量,构建质量检测矩阵,并获取所述质量检测矩阵的特征向量;
对所述特征向量以及归一化向量进行补全处理,并对补全处理后的特征向量以及归一化向量进行权加处理;
从文件数据库中,调取与权加处理结果一致的第三文件;
基于所述第三文件对所述第一多溯源模型进行第二优化,得到第二多溯源模型,且所述第二多溯源模型即为所述预设多溯源模型。
该实施例中,区域属性,比如是西藏,来获取西藏该区域中设置的站点,且站点属性,比如是主要检测的污染源种类,位置属性指的是所处于的位置地点,网格属性指的是该站点所囊括的监测网格。
该实施例中,文件规范验证机制指的是文件的行为规范标准以及文件中名词的标准描述,比如是将白话的描述转换为标准描述,就是进行的规范验证,也就是对第一文件进行规范调整,得到的第二文件。
该实施例中,初始多溯源模型本身就是包括各种检测指标在内的,因此,在获取到第一文件,对第一文件进行规范之后,得到的第二文件中仍然是包含对应的检测指标在内的,且检测指标,比如,PM浓度、硫化氢浓度等。
该实施例中,质量检测向量指的是按照某个检测指标进行检测之后,得到的向量,且指标属性指的是该指标检测的是何种污染源,且归一化因子指的是对向量进行归一化计算的系数;
归一化处理过程中,具体包括:
其中,H表示其中一个质量检测向量所对应的归一化处理结果,μ表示对应的归一化因子;m1表示对应质量检测向量中元素个数,rj表示对应质量检测向量第i个元素的值;
根据获取的所有H,来得到归一化向量,比如:{H1 H2 ... Hn}。
该实施例中,补全处理指的是需要将两者向量中的元素个数保持一致,且加权处理指的是特征向量与对应的权重相乘以及归一化向量与对应的权重相乘,得到最后的一个向量结果,也就是加权处理结果。
且上述通过获取归一化向量以及特征向量,主要是为了能够更好的从文件数据库中获取一致的第三文件,来对第一多溯源模型进行较为全方面的优化,因为,归一化向量是包括各个单独的检测指标对应的归一化值在内的,特征向量是对所有检测指标所构成矩阵的一个综合确定,以此,来保证获取的第三文件的可靠性。
该实施例中,文件数据库中,是包含各种不同的加权处理结果以及对应的优化文件在内的。
上述技术方案的有益效果是:通过获取各种属性,进行模型初始优化,其次,通过对文件进行验证,来获取检测指标,通过归一化处理以及与特征向量的权加处理,可以保证获取第三文件的准确性,最后来对模型进行二次优化,提高模型的精度,为后续确定污染源浓度等的扩散情况提供基础。
实施例7:
基于实施例1的基础上,将所述气象观测数据、污染源浓度数据以及混合层高度,输入到预设多溯源模型中进行正向扩散模拟,包括:
预先建立正向扩散模拟过程中气象观测数据与污染源浓度数据的有规律映射关系以及无规律映射关系;
当将所述气象观测数据输入到预设多溯源模型时,对第一输入接口进行检测,得到第一检测结果;
当将所述污染源浓度数据输入到预设多溯源模型时,对第二输入接口进行检测,得到第二检测结果;
当将所述混合层高度输入到预设多溯源模型时,对第三接口进行检测,得到第三检测结果;
基于第一检测结果、第二检测结果以及第三检测结果,获取所述预设多溯源模型的正向模拟路径;
确定所述正向模拟路径中的模拟节点,并获取每个模拟节点的当下配置,并分析对应模拟节点是否为主节点;
统计所述正向模拟路径中存在主节点的第一数目,当所述第一数目大于预设数目时,判定按照所述正向模拟路径执行正向模拟操作;
否则,调取与所述有规律映射关系相关的第一执行策略以及与所述无规律映射关系相关的第二执行策略;
确定所述第一执行策略所对应的第一主执行节点,同时,确定所述第二执行策略所对应的第二主执行节点;
确定所述第一主执行节点以及所述第二主执行节点是否都为所述正向模拟路径中的主节点;
若是,按照所述正向模拟路径执行正向模拟操作;
若不是,对所述第二主执行节点中不是主节点的处理节点,按照所述处理节点的节点执行属性进行对应的预策略执行处理,得到处理后的模拟路径,并按照所述处理后的模拟路径执行正向模拟操作。
该实施例中,由于有些污染源浓度随着气象变化会发生一些规律,但是也存在无规律的一些情况,因此,来获取有规律映射关系以及无规律映射关系。
该实施例中,通过对不同的接口进行检测,可以有效的获取不同接口接入不同数据的检测结果,以此,来获取模型的正向模拟路径,接收数据的接口不一样,对应的模拟路径是不一样的,比如,接口1、2、3,对应模拟路径1,接口1、3、4,对应模拟路径2。
该实施例中,模拟路径中是包括多个模拟节点的,也就是需要对数据进行模拟的单元,此时,获取节点的当下配置(都是预先设置好的),来分析是否为主节点(重要模拟的一个节点)。
该实施例中,第一执行策略、第二执行策略,指的是针对有规律、无规律映射关系,所执行的一种操作策略,以此,来确定不同策略对应的主执行节点,不论是有规律还是无规律,在执行的过程中,都是需要匹配的节点来执行对应的策略的,实现对气象数据以及浓度数据的分析。
该实施例中,处理节点指的是第二主执行节点中不是主节点的节点,且节点执行属性指的是该处理节点的可执行操作内容,预设策略执行处理,指的是按照与可执行操作内容对应的预设策略对该处理节点进行处理,来获取模拟路径。
上述技术方案的有益效果是:通过接口初步确定模拟路径,且通过对模拟路径中的模拟节点进行判断,来确定是否可以按照该正常模拟路径模拟,且在此过程中,通过数量比较、有规律与无规律对应的执行策略的节点的分析,来得到模拟路径,保证模拟路径的合理性,以最大可靠性情况,来对监测到的数据进行模拟分析,提高模拟分析的准确性,为后续确定网格浓度提供精准基础。
实施例8:
基于实施例1的基础上,基于正向扩散模拟结果,获取得到各站点所对应的污染源在不同高度的不同网格的当下贡献浓度,包括:
基于正向扩散模拟结果,构建预设区域中每个站点所监测以及模拟的不同污染源在不同高度的不同网格的浓度列表,并作为初始浓度;
划定每个站点的目标监测范围,并对所述目标监测范围进行范围划分,得到若干子范围,并向每个子范围分配不同污染源对应的初始浓度;
获取同个站点的当下气象观测数据、上一时刻气象观测数据以及预测的下一时刻的气象观测数据;
基于所述当下气象观测数据,获取每个子范围所处位置的当下气象标签;
同时,基于上一时刻气象观测数据,获取每一子范围所处位置的上一时刻气象标签,基于预测的下一时刻的气象观测数据,获取对应子范围所处位置的下一时刻气象标签;
获取同个子范围对应的上一时刻气象标签、当下气象标签以及下一时刻气象标签,并将每个气象标签都转换为标签序列;
将同个子范围的单个标签序列按照时间顺序进行上一时刻气象标签与当下气象标签的第一比较,筛选第一变化序列,同时,进行当下气象标签与下一时刻气象标签的第二比较,筛选第二变化序列,还进行上一时刻气象标签与下一时刻气象标签的第三比较,筛选第三变化序列;
筛选所述第一变化序列中的第一突变序列以及第三变化序列中的第二突变序列,并确定所述第一突变序列与第二突变序列的第一变化程度;
当所述第一变化程度小于预设变化程度,将对应子范围中不同污染源所分配的初始浓度作为贡献浓度;
否则,基于序列分析模型,对所述第一变化序、第一变化序列所处序列位置与第二变化序列、第二变化序列所处序列位置进行第一分析,同时,基于序列分析模型,对所述第二变化序列、第二变化序列所处序列位置与第三变化序列、第三变化序列所处序列位置进行第二分析;
基于第一分析结果、第二分析结果以及溯源调节系数,获取对应子范围内每种污染源的浓度调节范围,并对对应污染源的初始浓度进行调节,得到对应的当下贡献浓度。
该实施例中,正向模拟结果也就是指的不同站点所监测的污染源在不同高度层区域网格的污染浓度,且浓度列表,是包括:不同高度层、不同污染源、以及对应的浓度在内的。
该实施例中,初始监测网格是针对地面的监测网格,混合层高度是针对的污染源扩散之后的监测高度,也就是目标监测网格指的是在混合层高度确定的与地面相同的监测网格。
该实施例中,对该目标监测网格进行网格划分,是为了获取不同子网格中不同污染源的初始浓度。
该实施例中,由于气象数据是变换莫测的,因此,通过获取不同时刻的观测数据,来对同个子网格设置不同时刻下的气象标签,且气象标签主要是风速、风向、云层等有关,且不同时刻的时间间隔可以为10s,主要是为了对气象数据变化的精准捕捉,以此,来确定对浓度的影响。
该实施例中,通过将不同时刻标签的比较,来筛选变化序列,以此,来确定气象突变情况对污染源浓度的影响情况,比如:上一时刻气象标签为:110011,前两位表示风速、中间两位表示风向、后两位表示云层,第二时刻气象标签为:001135,此时,第一变化序列为001135,下一时刻气象标签为:001110,此时第二变化序列为:10,第三变化序列为0011*0 ,此时,第一突变序列为:35,第二突变序列为0,通过确定突变序列以及突变序列的位置权重,来确定变化程度,序列差异越大,对应的变化程度越大。
该实施例中,序列分析模型是预先训练好的,且以不同的序列组合、以及不同组合的分析结果(可调整浓度范围)为样本,训练得到的,以此,来确定每种污染源浓度的浓度调节范围。
该实施例中,浓度调节范围主要与序列的变化情况有关。
上述技术方案的有益效果是:通过过获取不同时刻的气象数据,并获取每个子网格在不同时刻的标签以及标签序列,进而序列比较,可以有效的确定气象对浓度的影响,以此,来调节初始浓度,保证更加符合气象所造成的浓度变化情况,更大程度上满足站点监测的准确性。
实施例9:
基于实施例7的基础上,对应污染源的初始浓度进行调节,得到对应的当下贡献浓度,包括:
获取同个子范围中每种污染源的浓度调节范围的第一边界浓度以及第二边界浓度;
按照所述初始浓度与第一边界浓度的第一差值、第二边界浓度与初始浓度的第二差值,确定对应污染源的浓度调节偏向;
其中,G0表示初始浓度;G1表示第一边界浓度;G2表示第二边界浓度,其中,G1<G0<G2;Y1表示浓度调节偏向值,当Y1等于1时,表示浓度调节向小偏向;Y1等于0时,表示浓度调节向大偏向;
基于第一差值、第二差值、浓度调节偏向,确定设置值,并基于第一差值、第二差值以及设置值,从双差值-设置值列表中匹配得到参考标签,附加在对应子范围的污染源上;
其中,Y2表示设置参考标签的设置值;δ表示对设置值的调节因子,且当Y1取值为0时,对应的取值为-1,当Y1取值为1时,对应的取值为0;
按照所述参考标签,从标签-参考调节列表中,获取参考调节浓度,对对应污染源的初始浓度进行调节,得到对应的当下贡献浓度。
上述技术方案的有益效果是:通过确定浓度调节偏向以及针对不同差值、偏向的设置值,来获取参考标签,进而,来获取参考调节浓度,并实现对初始浓度的调节,得到更为准确的贡献浓度。
实施例10:
基于实施例1的基础上,进行浓度贡献排名输出之后,还包括:
获取对同个子网格进行监测的所有站点所对应所有第一污染源,并分别获取每个第一污染源的浓度监测集;
对所述浓度监测集进行归一化处理,得到对应第一污染源的参考浓度;
按照所述参考浓度与对应环保浓度的比较结果,确定主要影响污染源;
按照所述主要影响污染源,从防控数据库中,获取对应的防控措施,并输出提醒。
上述技术方案的有益效果是:通过获取同个子网格的污染源,并进行归一化处理,可以得到参考浓度,进而通过与环保浓度的比较,可以有效确定主要影响污染源,从而获取防控措施,进行提醒。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和网格。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的网格之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于多溯源模型的污染源浓度智能分析方法,其特征在于,包括:
步骤1:在线监测预设区域中各站点的气象观测数据、污染源浓度数据,同时,确定需要对所述预设区域进行溯源的混合层高度;
步骤2:将所述气象观测数据、污染源浓度数据以及混合层高度,输入到预设多溯源模型中进行正向扩散模拟;
步骤3:将所述气象观测数据,输入到预设多溯源模型中进行反向扩散模拟;
步骤4:基于正向扩散模拟结果,获取得到各站点所对应的污染源在不同高度的不同网格的当下贡献浓度,以及根据反向扩散模拟,获取得到各站点所对应的污染源在不同高度的不同网格的预设贡献浓度;
步骤5:确定各站点对同一高度的同一网格的浓度贡献百分比,并进行浓度贡献排名输出。
2.如权利要求1所述的基于多溯源模型的污染源浓度智能分析方法,其特征在于,将所述气象观测数据,输入到预设多溯源模型中进行反向扩散模拟,包括:
基于所述预设多溯源模型,对在线监测所获取的预设区域中各站点的气象观测数据进行反向扩散模拟,获取得到预先设定的各污染源的扩散路径;
基于所述扩散路径,获取得到各站点所对应的同个污染源在不同高度的不同网格的预设贡献浓度。
4.如权利要求1所述的基于多溯源模型的污染源浓度智能分析方法,其特征在于,在线监测预设区域中各站点的气象观测数据、污染源浓度数据之前,包括:
定位所述预设区域中存在的第一站点以及获取所述预设区域的区域结构分布图;
按照定位的所有第一站点,构建站点分布图,并与所述区域结构分布图进行图像重叠处理,判断所述第一站点与所述区域结构分布图中的第二站点是否完全重叠;
若是,将所述站点分布图保留;
若不是,从所述区域结构分布图中获取所有第二站点,并从所述第二站点中筛选出所述第一站点对应的缺失站点,并对所述缺失站点进行定位补充;
基于定位补充结果,对所述站点分布图进行修正,并保留;
捕捉保留的分布图中每个第三站点的当下位置;
从历史日志数据库中,获取所述当下位置在不同时刻的历史气象日志以及历史污染物日志,同时,从地形监测数据库中,获取所述当下位置在不同时刻的周围地势分布以及周围建筑分布;
建立同时间戳下的历史气象日志以及历史污染物日志的日志特征曲线,并从所述日志特征曲线中筛选特征区域,并根据所述特征区域,确定对应区域时段的特征变化量;
获取所述区域时段中每个时刻下的周围地势分布以及周围建筑分布,并建立地势分布变化曲线以及建筑分布变化曲线;
基于所述地势分布变化曲线以及建筑分布变化曲线,确定对应区域时段的分布变化量;
建立所述区域时段的特征变化量与分布变化量的依赖关系,且基于所述分布变化量,确定对应第三站点的特征变化量的影响系数;
同步管理每个第三站点接收的历史请求频次以及输出的历史反馈频次,并基于所述历史反馈频次与历史请求频次的频次比值,确定通信故障状态,并基于所述通信故障状态,向对应的故障站点分配通信节点,获取对应故障站点的第一历史记录;
基于所述依赖关系、影响系数以及第一历史记录,规划得到待比较记录,同时,获取所述第三站点的第二历史记录,并确定所述第二历史记录与所述待比较记录的匹配程度;
按照所述匹配程度,向对应的第三站点设置参考优先级标签;
按照参考优先级标签,依次在线监测并获取预设区域中各站点的气象观测数据、污染源浓度数据。
5.如权利要求1所述的基于多溯源模型的污染源浓度智能分析方法,其特征在于,将所述气象观测数据、污染源浓度数据以及混合层高度,输入到预设多溯源模型中进行正向扩散模拟的过程中,还包括:
基于预设区域中的每个站点,获取当下时间点的气象观测数据以及污染源观测数据;
基于所述预设区域中的站点总个数,确定模拟次数;
基于所述模拟次数以及所述污染源观测数据的多溯源数目,确定每次模拟过程中的模拟复杂程度;
基于所述模拟复杂程度,向对应的每个模拟站点分配对应溯源调整系数。
6.如权利要求1所述的基于多溯源模型的污染源浓度智能分析方法,其特征在于,在执行步骤2之前,包括:优化初始多溯源模型,得到预设多溯源模型,包括:
获取所述预设区域的区域属性以及所述预设区域中每个站点的站点属性、每个站点所处位置的位置属性以及每个站点对应的监测网格的网格属性;
获取所述初始多溯源模型,并按照所述区域属性、站点属性、位置属性以及网格属性,对所述初始多溯源模型进行第一优化,得到第一多溯源模型,并得到第一文件;
按照文件规范验证机制,对所述第一文件进行规范验证,得到第二文件,并从所述第二文件中,获取多维度空气质量检测指标;
构建每个维度指标的质量检测向量,基于每个维度指标的指标属性以及与所述指标属性匹配的归一化因子,对所有质量检测向量进行归一化处理,得到归一化向量;
基于每个质量检测向量,构建质量检测矩阵,并获取所述质量检测矩阵的特征向量;
对所述特征向量以及归一化向量进行补全处理,并对补全处理后的特征向量以及归一化向量进行权加处理;
从文件数据库中,调取与权加处理结果一致的第三文件;
基于所述第三文件对所述第一多溯源模型进行第二优化,得到第二多溯源模型,且所述第二多溯源模型即为所述预设多溯源模型。
7.如权利要求1所述的基于多溯源模型的污染源浓度智能分析方法,其特征在于,将所述气象观测数据、污染源浓度数据以及混合层高度,输入到预设多溯源模型中进行正向扩散模拟,包括:
预先建立正向扩散模拟过程中气象观测数据与污染源浓度数据的有规律映射关系以及无规律映射关系;
当将所述气象观测数据输入到预设多溯源模型时,对第一输入接口进行检测,得到第一检测结果;
当将所述污染源浓度数据输入到预设多溯源模型时,对第二输入接口进行检测,得到第二检测结果;
当将所述混合层高度输入到预设多溯源模型时,对第三接口进行检测,得到第三检测结果;
基于第一检测结果、第二检测结果以及第三检测结果,获取所述预设多溯源模型的正向模拟路径;
确定所述正向模拟路径中的模拟节点,并获取每个模拟节点的当下配置,并分析对应模拟节点是否为主节点;
统计所述正向模拟路径中存在主节点的第一数目,当所述第一数目大于预设数目时,判定按照所述正向模拟路径执行正向模拟操作;
否则,调取与所述有规律映射关系相关的第一执行策略以及与所述无规律映射关系相关的第二执行策略;
确定所述第一执行策略所对应的第一主执行节点,同时,确定所述第二执行策略所对应的第二主执行节点;
确定所述第一主执行节点以及所述第二主执行节点是否都为所述正向模拟路径中的主节点;
若是,按照所述正向模拟路径执行正向模拟操作;
若不是,对所述第二主执行节点中不是主节点的处理节点,按照所述处理节点的节点执行属性进行对应的预策略执行处理,得到处理后的模拟路径,并按照所述处理后的模拟路径执行正向模拟操作。
8.如权利要求1所述基于多溯源模型的污染源浓度智能分析方法,其特征在于,基于正向扩散模拟结果,获取得到各站点所对应的污染源在不同高度的不同网格的当下贡献浓度,包括:
基于正向扩散模拟结果,构建预设区域中每个站点所监测以及模拟的不同污染源在不同高度的不同网格的浓度列表,并作为初始浓度;
划定每个站点的目标监测范围,并对所述目标监测范围进行范围划分,得到若干子范围,并向每个子范围分配不同污染源对应的初始浓度;
获取同个站点的当下气象观测数据、上一时刻气象观测数据以及预测的下一时刻的气象观测数据;
基于所述当下气象观测数据,获取每个子范围所处位置的当下气象标签;
同时,基于上一时刻气象观测数据,获取每一子范围所处位置的上一时刻气象标签,基于预测的下一时刻的气象观测数据,获取对应子范围所处位置的下一时刻气象标签;
获取同个子范围对应的上一时刻气象标签、当下气象标签以及下一时刻气象标签,并将每个气象标签都转换为标签序列;
将同个子范围的单个标签序列按照时间顺序进行上一时刻气象标签与当下气象标签的第一比较,筛选第一变化序列,同时,进行当下气象标签与下一时刻气象标签的第二比较,筛选第二变化序列,还进行上一时刻气象标签与下一时刻气象标签的第三比较,筛选第三变化序列;
筛选所述第一变化序列中的第一突变序列以及第三变化序列中的第二突变序列,并确定所述第一突变序列与第二突变序列的第一变化程度;
当所述第一变化程度小于预设变化程度,将对应子范围中不同污染源所分配的初始浓度作为贡献浓度;
否则,基于序列分析模型,对所述第一变化序、第一变化序列所处序列位置与第二变化序列、第二变化序列所处序列位置进行第一分析,同时,基于序列分析模型,对所述第二变化序列、第二变化序列所处序列位置与第三变化序列、第三变化序列所处序列位置进行第二分析;
基于第一分析结果、第二分析结果以及溯源调节系数,获取对应子范围内每种污染源的浓度调节范围,并对对应污染源的初始浓度进行调节,得到对应的当下贡献浓度。
9.如权利要求8所述的基于多溯源模型的污染源浓度智能分析方法,其特征在于,对应污染源的初始浓度进行调节,得到对应的当下贡献浓度,包括:
获取同个子范围中每种污染源的浓度调节范围的第一边界浓度以及第二边界浓度;
按照所述初始浓度与第一边界浓度的第一差值、第二边界浓度与初始浓度的第二差值,确定对应污染源的浓度调节偏向;
其中,G0表示初始浓度;G1表示第一边界浓度;G2表示第二边界浓度,其中,G1<G0<G2;Y1表示浓度调节偏向值,当Y1等于1时,表示浓度调节向小偏向;Y1等于0时,表示浓度调节向大偏向;
基于第一差值、第二差值、浓度调节偏向,确定设置值,并基于第一差值、第二差值以及设置值,从双差值-设置值列表中匹配得到参考标签,附加在对应子范围的污染源上;
其中,Y2表示设置参考标签的设置值;δ表示对设置值的调节因子,且当Y1取值为0时,对应的取值为-1,当Y1取值为1时,对应的取值为0;
按照所述参考标签,从标签-参考调节列表中,获取参考调节浓度,对对应污染源的初始浓度进行调节,得到对应的当下贡献浓度。
10.如权利要求1所述的基于多溯源模型的污染源浓度智能分析方法,其特征在于,进行浓度贡献排名输出之后,还包括:
获取对同个子网格进行监测的所有站点所对应所有第一污染源,并分别获取每个第一污染源的浓度监测集;
对所述浓度监测集进行归一化处理,得到对应第一污染源的参考浓度;
按照所述参考浓度与对应环保浓度的比较结果,确定主要影响污染源;
按照所述主要影响污染源,从防控数据库中,获取对应的防控措施,并输出提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210737463.0A CN114818391B (zh) | 2022-06-28 | 2022-06-28 | 一种基于多溯源模型的污染源浓度分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210737463.0A CN114818391B (zh) | 2022-06-28 | 2022-06-28 | 一种基于多溯源模型的污染源浓度分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818391A true CN114818391A (zh) | 2022-07-29 |
CN114818391B CN114818391B (zh) | 2022-10-21 |
Family
ID=82522255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210737463.0A Active CN114818391B (zh) | 2022-06-28 | 2022-06-28 | 一种基于多溯源模型的污染源浓度分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818391B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293579A (zh) * | 2022-08-05 | 2022-11-04 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 可获得恶臭污染治理目标的反演评估方法及装置 |
CN115420854A (zh) * | 2022-08-22 | 2022-12-02 | 北京工业大学 | 一种基于正后向模型结合的大气污染物溯源方法 |
CN115424143A (zh) * | 2022-08-29 | 2022-12-02 | 南方海洋科学与工程广东省实验室(广州) | 水源污染溯源方法、装置、存储介质和计算机设备 |
CN115600919A (zh) * | 2022-09-19 | 2023-01-13 | 江苏蓝创智能科技股份有限公司(Cn) | 用于对实时无组织排放定位与园区排放总量计算的方法 |
CN115622260A (zh) * | 2022-11-11 | 2023-01-17 | 金麒麟新能源股份有限公司 | 一种多能源组合的集中监控方法及系统 |
CN115689125A (zh) * | 2022-12-27 | 2023-02-03 | 北京化工大学 | 一种基于多源数据的涉气污染源布局方法 |
CN115757576A (zh) * | 2022-11-14 | 2023-03-07 | 中科三清科技有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN116699072A (zh) * | 2023-06-08 | 2023-09-05 | 东莞市华复实业有限公司 | 基于侦测巡航的环境预警方法 |
CN117252077A (zh) * | 2023-10-11 | 2023-12-19 | 德州市疾病预防控制中心 | 一种基于扩散路径信息的大气全氟化合物溯源方法及系统 |
CN115424143B (zh) * | 2022-08-29 | 2024-05-28 | 南方海洋科学与工程广东省实验室(广州) | 水源污染溯源方法、装置、存储介质和计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649960A (zh) * | 2016-10-12 | 2017-05-10 | 环境保护部环境规划院 | 大气多污染物环境容量三维迭代计算方法 |
US20180060758A1 (en) * | 2016-08-30 | 2018-03-01 | Los Alamos National Security, Llc | Source identification by non-negative matrix factorization combined with semi-supervised clustering |
CN113284244A (zh) * | 2021-04-20 | 2021-08-20 | 四川大学 | 一种基于格点化扩散模拟的大气污染物溯源方法 |
CN113624921A (zh) * | 2021-08-04 | 2021-11-09 | 杭州谱育科技发展有限公司 | 多模式综合污染溯源方法 |
CN114002381A (zh) * | 2021-10-19 | 2022-02-01 | 北京伟瑞迪科技有限公司 | 一种大气污染溯源扩散分析方法及装置 |
CN114662344A (zh) * | 2022-05-23 | 2022-06-24 | 南昌云宜然科技有限公司 | 基于连续在线观测数据的大气污染溯源预测方法及系统 |
-
2022
- 2022-06-28 CN CN202210737463.0A patent/CN114818391B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060758A1 (en) * | 2016-08-30 | 2018-03-01 | Los Alamos National Security, Llc | Source identification by non-negative matrix factorization combined with semi-supervised clustering |
CN106649960A (zh) * | 2016-10-12 | 2017-05-10 | 环境保护部环境规划院 | 大气多污染物环境容量三维迭代计算方法 |
CN113284244A (zh) * | 2021-04-20 | 2021-08-20 | 四川大学 | 一种基于格点化扩散模拟的大气污染物溯源方法 |
CN113624921A (zh) * | 2021-08-04 | 2021-11-09 | 杭州谱育科技发展有限公司 | 多模式综合污染溯源方法 |
CN114002381A (zh) * | 2021-10-19 | 2022-02-01 | 北京伟瑞迪科技有限公司 | 一种大气污染溯源扩散分析方法及装置 |
CN114662344A (zh) * | 2022-05-23 | 2022-06-24 | 南昌云宜然科技有限公司 | 基于连续在线观测数据的大气污染溯源预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
SINGH, SK 等: "Inverse Modelling for Identification of Multiple-Point Releases from Atmospheric Concentration Measurements", 《BOUNDARY-LAYER METEOROLOGY 》 * |
李元鹏: "基于机器学习的天气预报及气体扩散溯源研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
黄顺祥等: "基于伴随方法的大气污染溯源", 《科学通报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293579A (zh) * | 2022-08-05 | 2022-11-04 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 可获得恶臭污染治理目标的反演评估方法及装置 |
CN115420854B (zh) * | 2022-08-22 | 2023-12-15 | 北京工业大学 | 一种基于正后向模型结合的大气污染物溯源方法 |
CN115420854A (zh) * | 2022-08-22 | 2022-12-02 | 北京工业大学 | 一种基于正后向模型结合的大气污染物溯源方法 |
CN115424143A (zh) * | 2022-08-29 | 2022-12-02 | 南方海洋科学与工程广东省实验室(广州) | 水源污染溯源方法、装置、存储介质和计算机设备 |
CN115424143B (zh) * | 2022-08-29 | 2024-05-28 | 南方海洋科学与工程广东省实验室(广州) | 水源污染溯源方法、装置、存储介质和计算机设备 |
CN115600919A (zh) * | 2022-09-19 | 2023-01-13 | 江苏蓝创智能科技股份有限公司(Cn) | 用于对实时无组织排放定位与园区排放总量计算的方法 |
CN115600919B (zh) * | 2022-09-19 | 2023-08-22 | 江苏蓝创智能科技股份有限公司 | 用于对实时无组织排放定位与园区排放总量计算的方法 |
CN115622260A (zh) * | 2022-11-11 | 2023-01-17 | 金麒麟新能源股份有限公司 | 一种多能源组合的集中监控方法及系统 |
CN115757576A (zh) * | 2022-11-14 | 2023-03-07 | 中科三清科技有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN115689125A (zh) * | 2022-12-27 | 2023-02-03 | 北京化工大学 | 一种基于多源数据的涉气污染源布局方法 |
CN116699072A (zh) * | 2023-06-08 | 2023-09-05 | 东莞市华复实业有限公司 | 基于侦测巡航的环境预警方法 |
CN116699072B (zh) * | 2023-06-08 | 2024-01-26 | 东莞市华复实业有限公司 | 基于侦测巡航的环境预警方法 |
CN117252077A (zh) * | 2023-10-11 | 2023-12-19 | 德州市疾病预防控制中心 | 一种基于扩散路径信息的大气全氟化合物溯源方法及系统 |
CN117252077B (zh) * | 2023-10-11 | 2024-04-30 | 德州市疾病预防控制中心 | 一种基于扩散路径信息的大气全氟化合物溯源方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114818391B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114818391B (zh) | 一种基于多溯源模型的污染源浓度分析方法 | |
CN109543906B (zh) | 一种大气能见度预测的方法及设备 | |
US7983929B2 (en) | Technique for determining and reporting reduction in emissions of greenhouse gases at a site | |
CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
Coquard et al. | Present and future surface climate in the western USA as simulated by 15 global climate models | |
US20180248370A1 (en) | Methods and systems for energy use normalization and forecasting | |
CN116205541A (zh) | 评估本地污染源对环境空气质量影响的方法及装置 | |
Tsakiris et al. | Regional drought identification and assessment. Case study in Crete | |
CN114417605A (zh) | 一种机场噪声地图绘制方法及系统 | |
CN112528417B (zh) | 一种飞行器半实物仿真的评估方法 | |
Guo et al. | Projections of daily mean surface temperature over the Beijing-Tianjin-Hebei region through a stepwise cluster downscaling method | |
Millstein et al. | A database of hourly wind speed and modeled generation for US wind plants based on three meteorological models | |
Borges et al. | Ground-level ozone prediction using a neural network model based on meteorological variables and applied to the metropolitan area of São Paulo | |
Sofiev | Validation of model results on different scales | |
WO2020105151A1 (ja) | 設備保守点検支援システム及び点検順序決定方法 | |
Smith et al. | Design of monitor networks to meet multiple criteria | |
Bell et al. | METEC controlled test protocol: continuous monitoring emission detection and quantification | |
Elliott et al. | Validation of regional wind resource predictions in the northern Great Plains | |
Chen | Quality control and verification of citizen science wind observations | |
CN116297062B (zh) | 一种面向多维时空因子的pm2.5浓度精细化时空模拟与定量分析方法 | |
Velásquez et al. | Implementation and analysis of low-cost network for air pollution in Lima and Arequipa | |
Pelliccioni et al. | PAHs urban concentrations maps using support vector machines | |
CN117454059A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
Charney et al. | An investigation of the differences between Real Time Mesoscale Analysis and observed meteorological conditions at RAWS stations in the northeast United States | |
Fisher et al. | Regional air quality models and the regulation of atmospheric emissions |
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 |