CN114819411A - 一种基于走航监测车的大气污染物排放溯源方法和装置 - Google Patents
一种基于走航监测车的大气污染物排放溯源方法和装置 Download PDFInfo
- Publication number
- CN114819411A CN114819411A CN202210714946.9A CN202210714946A CN114819411A CN 114819411 A CN114819411 A CN 114819411A CN 202210714946 A CN202210714946 A CN 202210714946A CN 114819411 A CN114819411 A CN 114819411A
- Authority
- CN
- China
- Prior art keywords
- target
- atmospheric pollutant
- determining
- data
- initial
- 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
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 164
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 164
- 238000012544 monitoring process Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010586 diagram Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims description 57
- 238000009826 distribution Methods 0.000 claims description 40
- 238000005070 sampling Methods 0.000 claims description 40
- 238000009792 diffusion process Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000002922 simulated annealing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Biochemistry (AREA)
- Combustion & Propulsion (AREA)
- Accounting & Taxation (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Navigation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Medicinal Chemistry (AREA)
Abstract
本发明提供了一种基于走航监测车的大气污染物排放溯源方法和装置，涉及污染物溯源的技术领域，包括：获取待监测区域的目标数据；基于路网数据，确定走航监测车的初始移动路径，使走航监测车基于初始移动路径，采集初始大气污染物监测值；基于范围矢量图和气象数据，构建风向风速矢量格网场，基于风向风速矢量格网场和初始大气污染物监测值，确定出目标区域的范围矢量数据；基于目标区域的范围矢量数据，确定走航监测车的目标移动路径，使走航监测车基于目标移动路径，采集目标大气污染物监测值；基于目标大气污染物监测值和污染物企业排放清单，确定大气污染物排放源头，解决了现有的大气污染物排放溯源方法的溯源精度和溯源效率较差的技术问题。
Description
技术领域
本发明涉及污染物溯源的技术领域，尤其是涉及一种基于走航监测车的大气污染物排放溯源方法和装置。
背景技术
在大气环境治理的业务中，大气污染物溯源一直是一个难题。目前大多采用遥感监测、地面站点监测，并通过研发相关扩散模型，对大气污染物排放进行监测和溯源。但是两种方式都不能对污染物排放进行有效监测。同时对于偷排者，存在非法关闭排放监测设备或其他作弊手段。从而导致大气污染物排放监测监管盲点，不能对大气污染物排放进行有效的管控。
走航监测是一种地基遥感监测技术方法，具备机动灵活、快速响应、边走边测、定点扫描等特点，逐步称为一种新的监测手段。但是现有的走航监测手段存在效率低、延误监测时机和监测精度较低等技术问题。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种基于走航监测车的大气污染物排放溯源方法和装置，以缓解了现有的大气污染物排放溯源方法的溯源精度和溯源效率较差的技术问题。
第一方面，本发明实施例提供了一种基于走航监测车的大气污染物排放溯源方法，包括：获取待监测区域的目标数据，其中，所述目标数据包括：所述待监测区域的范围矢量图，污染物企业排放清单，气象数据和所述待监测区域的路网数据；基于所述路网数据，确定出走航监测车的初始移动路径，以使所述走航监测车基于所述初始移动路径和第一预设采样间隔，采集初始大气污染物监测值；基于所述范围矢量图和所述气象数据，构建风向风速矢量格网场，基于所述风向风速矢量格网场和所述初始大气污染物监测值，确定出所述待监测区域的大气污染物浓度空间分布结果集，并基于所述大气污染物浓度空间分布结果集确定出目标区域的范围矢量数据，其中，所述目标区域为所述大气污染物浓度空间分布结果集中大于第一预设阈值的结果对应的区域；基于所述目标区域的范围矢量数据，确定出所述走航监测车的目标移动路径，以使所述走航监测车基于所述目标移动路径和第二预设采样间隔，采集目标大气污染物监测值，其中，所述第一预设采样间隔大于所述第二预设采样间隔；基于所述目标大气污染物监测值和所述污染物企业排放清单，确定出大气污染物排放源头。
进一步地，基于所述路网数据，确定出走航监测车的初始移动路径，包括：第一构建步骤，对所述路网数据中的各条道路，以各条道路的任意一个端点为起点，并按照所述第一预设采样间隔对各条道路进行分割，得到所述路网数据的第一分割点点集，其中，所述分割点点集用于表征各个分割点的坐标信息和各个分割点所属的道路；第二构建步骤，基于所述路网数据最外围的道路对应的分割点，构建第二分割点点集；确定步骤，基于所述第一分割点点集和所述第二分割点点集，确定出所述初始移动路径。
进一步地，基于所述第一分割点点集和所述第二分割点点集，确定出所述初始移动路径，包括：计算步骤，计算所述第一分割点点集中目标道路对应的分割点与所述第二分割点点集之间的距离，其中，所述目标道路为所述路网数据中任意一条道路；第一执行步骤，若所述距离小于预设距离，则在所述第一分割点点集中删除所述目标道路对应的点集；第二执行步骤，若所述距离大于或等于预设距离，则将所述目标道路对应的所有分割点从所述第一分割点点集移动至所述第二分割点点集；重复执行所述计算步骤、第一执行步骤和所述第二执行步骤，直至所述第一分割点点集为空集，基于所述第一分割点点集为空集时得到的第二分割点点集所属道路构建无向图，并基于所述无向图生成中间移动路径；利用模拟退火算法对所述中间移动路径进行优化，得到所述初始移动路径。
进一步地，基于所述大气污染物浓度空间分布结果集确定出目标区域的范围矢量数据，包括 ：计算所述风向风速矢量格网场中任意相邻的两个网格之间的扩散距离；基于所述扩散距离，计算所述风向风速矢量格网场中任意两个网格之间的最短路径距离；基于所述最短路径距离、所述大气污染物监测值和反距离加权插值模型，确定出所述待监测区域的大气污染物浓度空间分布结果集；基于所述大气污染物浓度空间分布结果集和所述待监测区域的范围矢量图，确定出所述目标区域的范围矢量数据。
进一步地，基于所述目标区域的范围矢量数据，确定出所述走航监测车的目标移动路径，包括：将所述目标区域的范围矢量数据对应的路网数据确定为所述路网数据，并执行所述第一构建步骤、第二构建步骤和所述确定步骤，得到所述目标移动路径。
进一步地，在获取待监测区域的目标数据之前，所述方法包括：基于遥感影像数据，确定出初始监测区域，其中，所述初始监测区域为所述遥感影像数据对应区域中污染物浓度大于第二预设阈值的区域；将所述初始监测区域外扩预设距离，得到所述待监测区域。
进一步地，在确定出走航监测车的初始移动路径之后，所述方法还包括：利用Dijkstra算法计算出所述走航监测车的当前位置与所述初始移动路径的起点之间的最短路径，并控制所述走航监测车按照所述最短路径行驶至所述初始移动路径的起点。
第二方面，本发明实施例还提供了一种基于走航监测车的大气污染物排放溯源装置，包括：获取单元，第一确定单元，构建单元，第二确定单元和溯源单元，其中，所述获取单元，用于获取待监测区域的目标数据，其中，所述目标数据包括：所述待监测区域的范围矢量图，污染物企业排放清单，气象数据和所述待监测区域的路网数据；所述第一确定单元，用于基于所述路网数据，确定出走航监测车的初始移动路径，以使所述走航监测车基于所述初始移动路径和第一预设采样间隔，采集初始大气污染物监测值；所述构建单元，用于基于所述范围矢量图和所述气象数据，构建风向风速矢量格网场，基于所述风向风速矢量格网场和所述初始大气污染物监测值，确定出所述待监测区域的大气污染物浓度空间分布结果集，并基于所述大气污染物浓度空间分布结果集确定出目标区域的范围矢量数据，其中，所述目标区域为所述大气污染物浓度空间分布结果集中大于第一预设阈值的结果对应的区域；所述第二确定单元，用于基于所述目标区域的范围矢量数据，确定出所述走航监测车的目标移动路径，以使所述走航监测车基于所述目标移动路径和第二预设采样间隔，采集目标大气污染物监测值，其中，所述第一预设采样间隔大于所述第二预设采样间隔；所述溯源单元，用于基于所述目标大气污染物监测值和所述污染物企业排放清单，确定出大气污染物排放源头。
第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
在本发明实施例中，通过获取待监测区域的目标数据，其中，所述目标数据包括：所述待监测区域的范围矢量图，污染物企业排放清单，气象数据和所述待监测区域的路网数据；基于所述路网数据，确定出走航监测车的初始移动路径，以使所述走航监测车基于所述初始移动路径和第一预设采样间隔，采集初始大气污染物监测值；基于所述范围矢量图和所述气象数据，构建风向风速矢量格网场，基于所述风向风速矢量格网场和所述初始大气污染物监测值，确定出所述待监测区域的大气污染物浓度空间分布结果集，并基于所述大气污染物浓度空间分布结果集确定出目标区域的范围矢量数据，其中，所述目标区域为所述大气污染物浓度空间分布结果集中大于第一预设阈值的结果对应的区域；基于所述目标区域的范围矢量数据，确定出所述走航监测车的目标移动路径，以使所述走航监测车基于所述目标移动路径和第二预设采样间隔，采集目标大气污染物监测值，其中，所述第一预设采样间隔大于所述第二预设采样间隔；基于所述目标大气污染物监测值和所述污染物企业排放清单，确定出大气污染物排放源头，本发明通过结合风场对大气污染物污染物浓度的影响和走航监测车的智能路径规划，达到了对大气污染物排放进行精确高效溯源的目的，进而解决了现有的大气污染物排放溯源方法的溯源精度和溯源效率较差的技术问题，从而实现了提高大气污染物排放溯源的溯源精度和溯源效率的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于走航监测车的大气污染物排放溯源方法的流程图；
图2为本发明实施例提供的一种基于走航监测车的大气污染物排放溯源装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
根据本发明实施例，提供了一种基于走航监测车的大气污染物排放溯源方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于走航监测车的大气污染物排放溯源方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102， 获取待监测区域的目标数据，其中，所述目标数据包括：所述待监测区域的范围矢量图，污染物企业排放清单，气象数据和所述待监测区域的路网数据；
需要说明的是，污染物企业排放清单包括排放点位置、排放污染物类型等，气象信息包括气温、风向、风速等。
步骤S104，基于所述路网数据，确定出走航监测车的初始移动路径，以使所述走航监测车基于所述初始移动路径和第一预设采样间隔，采集初始大气污染物监测值；
步骤S106，基于所述范围矢量图和所述气象数据，构建风向风速矢量格网场，基于所述风向风速矢量格网场和所述初始大气污染物监测值，确定出所述待监测区域的大气污染物浓度空间分布结果集，并基于所述大气污染物浓度空间分布结果集确定出目标区域的范围矢量数据，其中，所述目标区域为所述大气污染物浓度空间分布结果集中大于第一预设阈值的结果对应的区域；
步骤S108，基于所述目标区域的范围矢量数据，确定出所述走航监测车的目标移动路径，以使所述走航监测车基于所述目标移动路径和第二预设采样间隔，采集目标大气污染物监测值，其中，所述第一预设采样间隔大于所述第二预设采样间隔；
步骤S110，基于所述目标大气污染物监测值和所述污染物企业排放清单，确定出大气污染物排放源头。
在本发明实施例中，通过获取待监测区域的目标数据，其中，所述目标数据包括：所述待监测区域的范围矢量图，污染物企业排放清单，气象数据和所述待监测区域的路网数据；基于所述路网数据，确定出走航监测车的初始移动路径，以使所述走航监测车基于所述初始移动路径和第一预设采样间隔，采集初始大气污染物监测值；基于所述范围矢量图和所述气象数据，构建风向风速矢量格网场，基于所述风向风速矢量格网场和所述初始大气污染物监测值，确定出所述待监测区域的大气污染物浓度空间分布结果集，并基于所述大气污染物浓度空间分布结果集确定出目标区域的范围矢量数据，其中，所述目标区域为所述大气污染物浓度空间分布结果集中大于第一预设阈值的结果对应的区域；基于所述目标区域的范围矢量数据，确定出所述走航监测车的目标移动路径，以使所述走航监测车基于所述目标移动路径和第二预设采样间隔，采集目标大气污染物监测值，其中，所述第一预设采样间隔大于所述第二预设采样间隔；基于所述目标大气污染物监测值和所述污染物企业排放清单，确定出大气污染物排放源头，本发明通过结合风场对大气污染物污染物浓度的影响和走航监测车的智能路径规划，达到了对大气污染物排放进行精确高效溯源的目的，进而解决了现有的大气污染物排放溯源方法的溯源精度和溯源效率较差的技术问题，从而实现了提高大气污染物排放溯源的溯源精度和溯源效率的技术效果。
在本发明实施例中，步骤S104包括如下步骤：
步骤S11，第一构建步骤，对所述路网数据中的各条道路，以各条道路的任意一个端点为起点，并按照所述第一预设采样间隔对各条道路进行分割，得到所述路网数据的第一分割点点集，其中，所述分割点点集用于表征各个分割点的坐标信息和各个分割点所属的道路；
步骤S12，第二构建步骤，基于所述路网数据最外围的道路对应的分割点，构建第二分割点点集；
步骤S13，确定步骤，基于所述第一分割点点集和所述第二分割点点集，确定出所述初始移动路径。
具体的，步骤S13包括如下步骤：
计算步骤，计算所述第一分割点点集中目标道路对应的分割点与所述第二分割点点集之间的距离，其中，所述目标道路为所述路网数据中任意一条道路；
第一执行步骤，若所述距离小于预设距离，则在所述第一分割点点集中删除所述目标道路对应的点集；
第二执行步骤，若所述距离大于或等于预设距离，则将所述目标道路对应的所有分割点从所述第一分割点点集移动至所述第二分割点点集；
重复执行所述计算步骤、第一执行步骤和所述第二执行步骤，直至所述第一分割点点集为空集，基于所述第一分割点点集为空集时得到的第二分割点点集所属道路构建无向图，并基于所述无向图生成中间移动路径；
利用模拟退火算法对所述中间移动路径进行优化，得到所述初始移动路径。
在本发明实施例中，首先，对路网数据中的每条道路，从任一端点出发，每隔10米（即，第一预设间隔）取一个点，得到第一分割点点集M，
，其中x、y为坐标，
为该点所属道路。
然后，根据路网数据最外围的道路对应的分割点，构建第二分割点点集N。
从第一分割点点集M中任意取一条道路
，计算该道路上的分割点与第二分割点点集N中的分割点点集距离，如果所有距离小于2Km（预设距离）则从第一分割点点集M中删除该道路对应的所有分割点，否则将该道路对应的所有分割点从M移动到N集合。
依次执行该操作，直到第一分割点点集M集合为空集，此时第二分割点点集N所对应的道路即为需要覆盖道路。
将监测路网N抽象为无向图
，其中V代表图的节点集合，E代表弧集合，引入辅助集合D作为弧E上的权重值，若不存在，则设置D为∞。
将图的所有弧标号，用y
1,2，...，n} 表示，假定走航车按照序号顺序经过每个弧，当序号相邻的弧不连通时，使用Dijkstra算法求出当前弧连接下一个序号的弧的两端节点的空驶路线使其连通，从而构成走航车初始行驶路线。
采用模拟退火算法（simulated annealing,SA)对路径进行优化，其中邻域操作采用两元素优化法，即随机的从弧集合中选取两个弧并互换位置。
具体优化流程包括：
S1，监测区域覆盖路径结合作为初始解
，行驶路线中重复路线为非监测时间路线，其长度作为代价函数
,优化目标是length函数值最小;
S2，设置初始值
，初始温度 
, 最大邻域操作次数 
，温度冷却系数 
，当前迭代次数 
0, 邻域操作次数 
;
S3，若 
, 则转S7 , 否则进行下一步;
S4，对 
执行两元素优化法邻域搜索操作，即随机的从弧集合
中选取两个弧并互换位置, 得到新解 
;
S5，如果 
，则 
, 转S3，否则转下一步;
S6，将以概率 
判断是否接受较差解 
, 在 
之间随机生成常数 
, 如 果 
，则接受较差解, 
,
，转S3；否则
转S3，；
S7，
;
S8，终止判断，如果 
, 则算法终止, 输出最优解 
；否则, 转S3。
在得到初始移动路径之后，控制走航监测车基于所述初始移动路径和第一预设采样间隔，采集初始大气污染物监测值，其中，初始大气污染物监测值构成的集合为
。
在本发明实施例中，步骤S106包括如下步骤：
步骤S21，计算所述风向风速矢量格网场中任意相邻的两个网格之间的扩散距离；
步骤S22，基于所述扩散距离，计算所述风向风速矢量格网场中任意两个网格之间的最短路径距离；
步骤S23，基于所述最短路径距离、所述大气污染物监测值和反距离加权插值模型，确定出所述待监测区域的大气污染物浓度空间分布结果集；
步骤S24，基于所述大气污染物浓度空间分布结果集和所述待监测区域的范围矢量图，确定出所述目标区域的范围矢量数据。
在本发明实施例中，为了充分顾及风向和风速因素对于空间插值结果的影响，首先利用已知气象监测站点处的风向和风速数据建立覆盖待监测区域的风场。
建立风场与空间场结合的局部各向异性场。即将待监测范围按照适当经纬线粒度进行格网划分，通过空间插值、矢量栅格转换、空间匹配等方式获取各个格网下的风向、风速信息，制作待监测范围全覆盖的风向风速矢量格网场。
然后，结合格网的风向风速信息，抽象风场作用于大气污染物浓度的机理特性，构建相邻空间格网间的扩散距离公式。任意相邻网格单元间的扩散距离计算公式如下：
其中，
，
表示在风速因素下污染物扩散影响的量化，
表示以单位风速为长度，并以在格网单元 A 处的风向为向量方向形成的矢量，在向量 AB 方向上的分量，体现风速在格网单元 A 和 B 方向上的分量；F函数表示格网 A 或 B 的风向与 AB 方向的夹角，表示风向因子对相邻格网 AB 产生的扩散影响。
和
分别表示在格网单元 A 和 B 处的风速大小，
用于反映风向对扩散距离的影响，若格网 A处的风向和AB 方向一致，则
> 0，则指数值为-1，权重减小，扩散距离减小，对污染物扩散的影响较大；反之若 A 处风向与 AB方向相反时，权重
增大，扩散距离增加，对污染物扩散的影响较小。
表示单元格 AB 间的空间距离，通过相邻关系进行计算，如果是边连接的相邻关系，则
，如果是点连接的对角关系，则
。
接着，考虑风场的加权影响下，不同方位、不同方向空间格网间的格网跨越步长不再均质，在局部各向异性场需要遍历多条路径，以便寻找格网跨越难度总和最小的连续格网组合，产生最优局部各向异性空间距离，方能作为两点间的最终空间距离。
对于任何两个格网点
其风场距离
可以表示为：
计算图最优路径的算法有多种，其中Dijkstra 为面向单源最优路径的求解方式。
考虑风场的反距离加权插值模型利用风场距离
来代替传统反距离加权插值法中点
之间的欧式距离
，并设定一个搜索半径
，待插值点搜索半径内的所有已知点将参与插值计算。考虑风场的反距离加权插值模型公式如下：
其中
表示未知点
属性的估计值，
表示已知点
属性的监测值，
为已知点
到待插值点
之间的风场距离，
为搜索半径，n为待插值点搜索半径内已知点的个数。
通过逐格点计算，获得待监测区域的大气污染物浓度空间分布结果集Z
。
最后，根据待监测区域的大气污染物浓度空间分布结果集Z，通过阈值法筛选污染物高值区，获得污染物高值区范围矢量数据（即，目标区域的范围矢量数据）。
在本发明实施例中，步骤S108包括如下步骤：
步骤S31，将所述目标区域的范围矢量数据对应的路网数据确定为所述路网数据，并执行所述第一构建步骤、第二构建步骤和所述确定步骤，得到所述目标移动路径。
在本发明实施例中，在获取到目标区域的范围矢量数据之后，将目标区域的范围矢量数据对应的路网数据确定为路网数据，并执行所述第一构建步骤、第二构建步骤和所述确定步骤，对走航监测车的移动路径进行重新规划，得到目标移动路径。
在本发明实施例中，在获取待监测区域的目标数据之前，所述方法包括如下步骤：
基于遥感影像数据，确定出初始监测区域，其中，所述初始监测区域为所述遥感影像数据对应区域中污染物浓度大于第二预设阈值的区域；
将所述初始监测区域外扩预设距离，得到所述待监测区域。
在本发明实施例中，首先，获取遥感影像数据，通过对遥感影像数据，反演获得大气污染分布，获得组合污染热点网格或单项污染源热点网格，热点网格为特定污染物浓度较大的区域（即，初始监测区域）。
然后，将初始监测区域外扩预设距离，得到所述待监测区域。
在本发明实施例中，在确定出走航监测车的初始移动路径之后，所述方法还包括如下步骤：
利用Dijkstra算法计算出所述走航监测车的当前位置与所述初始移动路径的起点之间的最短路径，并控制所述走航监测车按照所述最短路径行驶至所述初始移动路径的起点。
在本发明实施例中，通过考虑风向和风速因素的影响，从考虑风场作用机理视角出发，突破传统各向同性的空间场效应限制，引入风场作用表达，建立考虑风场影响的空间距离计算理论，提出一种顾及风向和风速因素的空气污染物浓度空间插值方法。克服了现有的空间插值方法并没有充分考虑风向和风速因素对插值结果产生的影响的问题。风场信息包括风向和风速信息，可通过矢量的方式表示，风向表示矢量旋转角度，风速表示矢量方向上的强度。从空气传播影响程度分析，自工厂排出的污染物随风传播，相比于逆风的地区，污染源将在顺风的地区吹地更远，从而影响顺风方向更远地区的空气质量；同理，相比于风速较小的地区，风速较大的地区下污染源的影响距离更远。
本案基于近实时移动监测数据和气象数据，能够动态加密监测路径和点位，通过污染物扩散模型能够快速计算污染物分布，具有很强的时效性。解决了遥感数据时效性差，地面监测数据少且分布不均的问题。
通过由粗到细的走航路径优化，逐步趋近目标的方式走航监测，能够节省时间和费用，克服凭经验设定走航路线导致的效率低、延误监测时机的问题。
实施例二：
本发明实施例还提供了一种基于走航监测车的大气污染物排放溯源装置，该基于走航监测车的大气污染物排放溯源装置用于执行本发明实施例上述内容所提供的基于走航监测车的大气污染物排放溯源方法，以下是本发明实施例提供的装置的具体介绍。
如图2所示，图2为上述基于走航监测车的大气污染物排放溯源装置的示意图，该基于走航监测车的大气污染物排放溯源装置包括：获取单元10，第一确定单元20，构建单元30，第二确定单元40和溯源单元50。
所述获取单元10，用于获取待监测区域的目标数据，其中，所述目标数据包括：所述待监测区域的范围矢量图，污染物企业排放清单，气象数据和所述待监测区域的路网数据；
所述第一确定单元20，用于基于所述路网数据，确定出走航监测车的初始移动路径，以使所述走航监测车基于所述初始移动路径和第一预设采样间隔，采集初始大气污染物监测值；
所述构建单元30，用于基于所述范围矢量图和所述气象数据，构建风向风速矢量格网场，基于所述风向风速矢量格网场和所述初始大气污染物监测值，确定出所述待监测区域的大气污染物浓度空间分布结果集，并基于所述大气污染物浓度空间分布结果集确定出目标区域的范围矢量数据，其中，所述目标区域为所述大气污染物浓度空间分布结果集中大于第一预设阈值的结果对应的区域；
所述第二确定单元40，用于基于所述目标区域的范围矢量数据，确定出所述走航监测车的目标移动路径，以使所述走航监测车基于所述目标移动路径和第二预设采样间隔，采集目标大气污染物监测值，其中，所述第一预设采样间隔大于所述第二预设采样间隔；
所述溯源单元50，用于基于所述目标大气污染物监测值和所述污染物企业排放清单，确定出大气污染物排放源头。
在本发明实施例中，通过获取待监测区域的目标数据，其中，所述目标数据包括：所述待监测区域的范围矢量图，污染物企业排放清单，气象数据和所述待监测区域的路网数据；基于所述路网数据，确定出走航监测车的初始移动路径，以使所述走航监测车基于所述初始移动路径和第一预设采样间隔，采集初始大气污染物监测值；基于所述范围矢量图和所述气象数据，构建风向风速矢量格网场，基于所述风向风速矢量格网场和所述初始大气污染物监测值，确定出所述待监测区域的大气污染物浓度空间分布结果集，并基于所述大气污染物浓度空间分布结果集确定出目标区域的范围矢量数据，其中，所述目标区域为所述大气污染物浓度空间分布结果集中大于第一预设阈值的结果对应的区域；基于所述目标区域的范围矢量数据，确定出所述走航监测车的目标移动路径，以使所述走航监测车基于所述目标移动路径和第二预设采样间隔，采集目标大气污染物监测值，其中，所述第一预设采样间隔大于所述第二预设采样间隔；基于所述目标大气污染物监测值和所述污染物企业排放清单，确定出大气污染物排放源头，本发明通过结合风场对大气污染物污染物浓度的影响和走航监测车的智能路径规划，达到了对大气污染物排放进行精确高效溯源的目的，进而解决了现有的大气污染物排放溯源方法的溯源精度和溯源效率较差的技术问题，从而实现了提高大气污染物排放溯源的溯源精度和溯源效率的技术效果。
实施例三：
本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3，本发明实施例还提供一种电子设备100，包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口63（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于走航监测车的大气污染物排放溯源方法，其特征在于，包括：
获取待监测区域的目标数据，其中，所述目标数据包括：所述待监测区域的范围矢量图，污染物企业排放清单，气象数据和所述待监测区域的路网数据；
基于所述路网数据，确定出走航监测车的初始移动路径，以使所述走航监测车基于所述初始移动路径和第一预设采样间隔，采集初始大气污染物监测值；
基于所述范围矢量图和所述气象数据，构建风向风速矢量格网场，基于所述风向风速矢量格网场和所述初始大气污染物监测值，确定出所述待监测区域的大气污染物浓度空间分布结果集，并基于所述大气污染物浓度空间分布结果集确定出目标区域的范围矢量数据，其中，所述目标区域为所述大气污染物浓度空间分布结果集中大于第一预设阈值的结果对应的区域；
基于所述目标区域的范围矢量数据，确定出所述走航监测车的目标移动路径，以使所述走航监测车基于所述目标移动路径和第二预设采样间隔，采集目标大气污染物监测值，其中，所述第一预设采样间隔大于所述第二预设采样间隔；
基于所述目标大气污染物监测值和所述污染物企业排放清单，确定出大气污染物排放源头。
2.根据权利要求1所述的方法，其特征在于， 基于所述路网数据，确定出走航监测车的初始移动路径，包括：
第一构建步骤，对所述路网数据中的各条道路，以各条道路的任意一个端点为起点，并按照所述第一预设采样间隔对各条道路进行分割，得到所述路网数据的第一分割点点集，其中，所述分割点点集用于表征各个分割点的坐标信息和各个分割点所属的道路；
第二构建步骤，基于所述路网数据最外围的道路对应的分割点，构建第二分割点点集；
确定步骤，基于所述第一分割点点集和所述第二分割点点集，确定出所述初始移动路径。
3.根据权利要求2所述的方法，其特征在于，基于所述第一分割点点集和所述第二分割点点集，确定出所述初始移动路径，包括：
计算步骤，计算所述第一分割点点集中目标道路对应的分割点与所述第二分割点点集之间的距离，其中，所述目标道路为所述路网数据中任意一条道路；
第一执行步骤，若所述距离小于预设距离，则在所述第一分割点点集中删除所述目标道路对应的点集；
第二执行步骤，若所述距离大于或等于预设距离，则将所述目标道路对应的所有分割点从所述第一分割点点集移动至所述第二分割点点集；
重复执行所述计算步骤、第一执行步骤和所述第二执行步骤，直至所述第一分割点点集为空集，基于所述第一分割点点集为空集时得到的第二分割点点集所属道路构建无向图，并基于所述无向图生成中间移动路径；
利用模拟退火算法对所述中间移动路径进行优化，得到所述初始移动路径。
4.根据权利要求1所述的方法，其特征在于，基于所述大气污染物浓度空间分布结果集确定出目标区域的范围矢量数据，包括 ：
计算所述风向风速矢量格网场中任意相邻的两个网格之间的扩散距离；
基于所述扩散距离，计算所述风向风速矢量格网场中任意两个网格之间的最短路径距离；
基于所述最短路径距离、所述大气污染物监测值和反距离加权插值模型，确定出所述待监测区域的大气污染物浓度空间分布结果集；
基于所述大气污染物浓度空间分布结果集和所述待监测区域的范围矢量图，确定出所述目标区域的范围矢量数据。
5.根据权利要求2所述的方法，其特征在于， 基于所述目标区域的范围矢量数据，确定出所述走航监测车的目标移动路径，包括：
将所述目标区域的范围矢量数据对应的路网数据确定为所述路网数据，并执行所述第一构建步骤、第二构建步骤和所述确定步骤，得到所述目标移动路径。
6.根据权利要求1所述的方法，其特征在于，在获取待监测区域的目标数据之前，所述方法包括：
基于遥感影像数据，确定出初始监测区域，其中，所述初始监测区域为所述遥感影像数据对应区域中污染物浓度大于第二预设阈值的区域；
将所述初始监测区域外扩预设距离，得到所述待监测区域。
7.根据权利要求1所述的方法，其特征在于，在确定出走航监测车的初始移动路径之后，所述方法还包括：
利用Dijkstra算法计算出所述走航监测车的当前位置与所述初始移动路径的起点之间的最短路径，并控制所述走航监测车按照所述最短路径行驶至所述初始移动路径的起点。
8.一种基于走航监测车的大气污染物排放溯源装置，其特征在于，包括：获取单元，第一确定单元，构建单元，第二确定单元和溯源单元，其中，
所述获取单元，用于获取待监测区域的目标数据，其中，所述目标数据包括：所述待监测区域的范围矢量图，污染物企业排放清单，气象数据和所述待监测区域的路网数据；
所述第一确定单元，用于基于所述路网数据，确定出走航监测车的初始移动路径，以使所述走航监测车基于所述初始移动路径和第一预设采样间隔，采集初始大气污染物监测值；
所述构建单元，用于基于所述范围矢量图和所述气象数据，构建风向风速矢量格网场，基于所述风向风速矢量格网场和所述初始大气污染物监测值，确定出所述待监测区域的大气污染物浓度空间分布结果集，并基于所述大气污染物浓度空间分布结果集确定出目标区域的范围矢量数据，其中，所述目标区域为所述大气污染物浓度空间分布结果集中大于第一预设阈值的结果对应的区域；
所述第二确定单元，用于基于所述目标区域的范围矢量数据，确定出所述走航监测车的目标移动路径，以使所述走航监测车基于所述目标移动路径和第二预设采样间隔，采集目标大气污染物监测值，其中，所述第一预设采样间隔大于所述第二预设采样间隔；
所述溯源单元，用于基于所述目标大气污染物监测值和所述污染物企业排放清单，确定出大气污染物排放源头。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至7任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210714946.9A CN114819411B (zh) | 2022-06-23 | 2022-06-23 | 一种基于走航监测车的大气污染物排放溯源方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210714946.9A CN114819411B (zh) | 2022-06-23 | 2022-06-23 | 一种基于走航监测车的大气污染物排放溯源方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114819411A true CN114819411A (zh) | 2022-07-29 |
| CN114819411B CN114819411B (zh) | 2022-09-13 |
Family
ID=82521272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210714946.9A Active CN114819411B (zh) | 2022-06-23 | 2022-06-23 | 一种基于走航监测车的大气污染物排放溯源方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114819411B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114878750A (zh) * | 2022-05-13 | 2022-08-09 | 苏州清泉环保科技有限公司 | 一种集大气污染监测及溯源为一体的智能化控制系统和方法 |
| CN115239540A (zh) * | 2022-08-01 | 2022-10-25 | 深圳市源清环境技术服务有限公司 | 环境智能监控系统、方法、计算机设备及存储介质 |
| CN115493657A (zh) * | 2022-11-15 | 2022-12-20 | 航天宏图信息技术股份有限公司 | 一种基于无人机的大气污染溯源方法和装置 |
| CN116048129A (zh) * | 2023-03-29 | 2023-05-02 | 航天宏图信息技术股份有限公司 | 污染物排放的监测方法、装置、电子设备和存储介质 |
| 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3217400A1 (en) * | 2016-03-10 | 2017-09-13 | Philips Lighting Holding B.V. | Pollution estimation system |
| CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
| CN112034108A (zh) * | 2020-09-16 | 2020-12-04 | 上海市环境科学研究院 | 区域污染情况的分析装置、方法及计算机可读存储介质 |
| CN112686531A (zh) * | 2020-12-29 | 2021-04-20 | 生态环境部卫星环境应用中心 | 一种结合卫星遥感与车载观测的大气污染企业识别方法 |
| CN113360850A (zh) * | 2021-06-17 | 2021-09-07 | 东莞市环境监测中心站 | 一种大气污染物线源溯源分析方法 |
| WO2021208393A1 (zh) * | 2020-04-15 | 2021-10-21 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
| CN114371260A (zh) * | 2022-01-17 | 2022-04-19 | 上海蓝科石化环保科技股份有限公司 | 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法 |
| CN114441714A (zh) * | 2022-01-28 | 2022-05-06 | 生态环境部卫星环境应用中心 | 基于车载测量系统的电厂碳排放强度监测方法及系统 |
-
2022
- 2022-06-23 CN CN202210714946.9A patent/CN114819411B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3217400A1 (en) * | 2016-03-10 | 2017-09-13 | Philips Lighting Holding B.V. | Pollution estimation system |
| CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
| WO2021208393A1 (zh) * | 2020-04-15 | 2021-10-21 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
| CN112034108A (zh) * | 2020-09-16 | 2020-12-04 | 上海市环境科学研究院 | 区域污染情况的分析装置、方法及计算机可读存储介质 |
| CN112686531A (zh) * | 2020-12-29 | 2021-04-20 | 生态环境部卫星环境应用中心 | 一种结合卫星遥感与车载观测的大气污染企业识别方法 |
| CN113360850A (zh) * | 2021-06-17 | 2021-09-07 | 东莞市环境监测中心站 | 一种大气污染物线源溯源分析方法 |
| CN114371260A (zh) * | 2022-01-17 | 2022-04-19 | 上海蓝科石化环保科技股份有限公司 | 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法 |
| CN114441714A (zh) * | 2022-01-28 | 2022-05-06 | 生态环境部卫星环境应用中心 | 基于车载测量系统的电厂碳排放强度监测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘桂青 韩姣 郝丽虹: "大气污染物溯源技术方法探究", 《2020中国环境科学学会科学技术年会论文集（第一卷）》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114878750A (zh) * | 2022-05-13 | 2022-08-09 | 苏州清泉环保科技有限公司 | 一种集大气污染监测及溯源为一体的智能化控制系统和方法 |
| CN115239540A (zh) * | 2022-08-01 | 2022-10-25 | 深圳市源清环境技术服务有限公司 | 环境智能监控系统、方法、计算机设备及存储介质 |
| CN115493657A (zh) * | 2022-11-15 | 2022-12-20 | 航天宏图信息技术股份有限公司 | 一种基于无人机的大气污染溯源方法和装置 |
| CN115493657B (zh) * | 2022-11-15 | 2023-03-10 | 航天宏图信息技术股份有限公司 | 一种基于无人机的大气污染溯源方法和装置 |
| CN116048129A (zh) * | 2023-03-29 | 2023-05-02 | 航天宏图信息技术股份有限公司 | 污染物排放的监测方法、装置、电子设备和存储介质 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114819411B (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114819411B (zh) | 一种基于走航监测车的大气污染物排放溯源方法和装置 | |
| CN112561191B (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
| Wang et al. | Street centrality and land use intensity in Baton Rouge, Louisiana | |
| CN108571978A (zh) | 基于拓扑和权重的超标排放车辆最短路径跟踪匹配方法 | |
| CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
| WO2020107712A1 (zh) | 基于用户数据实现天线方位角纠偏的方法 | |
| CN111815117B (zh) | 一种基于Grasshopper平台城市易涝程度模拟评价方法 | |
| CN112052619A (zh) | 空气污染粒子信息的优化方法、装置及电子设备 | |
| CN116386336A (zh) | 基于卡口车牌数据的路网交通流量鲁棒计算方法及系统 | |
| Baclet et al. | Near-real-time dynamic noise mapping and exposure assessment using calibrated microscopic traffic simulations | |
| WO2021259372A1 (zh) | 无线信号传播预测方法及装置 | |
| CN117034660B (zh) | 一种街区尺度空气质量预报方法 | |
| CN115493657B (zh) | 一种基于无人机的大气污染溯源方法和装置 | |
| CN116662935A (zh) | 基于空气质量监测网络的大气污染物空间分布预测方法 | |
| Yu et al. | High-frequency trajectory map matching algorithm based on road network topology | |
| CN102201119B (zh) | 一种基于控制点无偏变换的图像配准方法及系统 | |
| CN113344759B (zh) | 一种移动源污染排放的分析方法 | |
| CN113111860B (zh) | 道路移动源排放计算方法、装置、设备及介质 | |
| CN115294770A (zh) | 一种雨天交通拥堵指数的预测方法和装置 | |
| CN111862660B (zh) | 基于效用补偿机制的实时路径规划方法及相关设备 | |
| CN110602635B (zh) | 一种室内地图匹配增强定位方法、设备及存储设备 | |
| CN114881472A (zh) | 机动车排放对空气质量影响的分析方法、装置及设备 | |
| Hoang et al. | Processing and visualizing traffic pollution data in Hanoi City from a wireless sensor network | |
| Boubrima et al. | Poster: Toward a better monitoring of air pollution using mobile wireless sensor networks | |
| CN116108672B (zh) | 一种基于地理信息系统的户外声传播预测模型构建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |