CN115168749A - 大气污染源溯源方法、装置、电子设备及存储介质 - Google Patents

大气污染源溯源方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115168749A
CN115168749A CN202210817947.6A CN202210817947A CN115168749A CN 115168749 A CN115168749 A CN 115168749A CN 202210817947 A CN202210817947 A CN 202210817947A CN 115168749 A CN115168749 A CN 115168749A
Authority
CN
China
Prior art keywords
pollution source
pollution
source
grid
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210817947.6A
Other languages
English (en)
Inventor
刘保献
郝吉明
王书肖
王莉华
孙峰
安欣欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Ecological Environment Monitoring Center
Tsinghua University
Original Assignee
Beijing Ecological Environment Monitoring Center
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Ecological Environment Monitoring Center, Tsinghua University filed Critical Beijing Ecological Environment Monitoring Center
Priority to CN202210817947.6A priority Critical patent/CN115168749A/zh
Publication of CN115168749A publication Critical patent/CN115168749A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F16/906—Clustering; Classification
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种大气污染源溯源方法，应用于环境监测技术领域，包括：将监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数，筛选出在待分析时间段内待分析区域对应网格下记录到的i类该污染源数据和该污染源浓度数据，以该待分析区域对应网格的i类该污染源数据为自变量，该待分析区域对应网格的该污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类该污染源的规模，根据i类该污染源的规模，绘制分类污染源图谱。本申清还公开了一种大气污染源溯源装置、电子设备及存储介质，实现信息协同下的污染精准溯源。

Description

大气污染源溯源方法、装置、电子设备及存储介质
技术领域
本申请涉及环境监测领域，尤其涉及一种大气污染源溯源方法、装置、电子设备及存储介质。
背景技术
随着现代工业化经济社会的发展，大气污染问题日趋严重，污染物的大量排放对大气环境造成了不同程度的污染，生态环境遭受到了严重破环。科学合理的监测空气质量，对大气污染物进行溯源是人类亟待解决的问题。目前对于大气污染物溯源大多采用人工排查的方式，这种方式费时费力且准确性差。
发明内容
本申请的主要目的在于提供一种大气污染源溯源方法、装置、电子设备及存储介质，利用环境监测信息及反馈信息等综合生成污染源图谱，实现信息协同下的污染精准溯源。
为实现上述目的，本申请实施例第一方面提供一种大气污染源溯源方法，包括：
将监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数；
筛选出在待分析时间段内待分析区域对应网格下记录到的i类所述污染源数据和所述污染源浓度数据；
以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类所述污染源的规模；
根据i类所述污染源的规模，绘制分类污染源图谱。
在本公开一实施例中，i类所述污染源包括裸地扬尘源污染源、生活面源污染源、交通源污染源和工业源污染源。
在本公开一实施例中，所述以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到各类所述污染源的规模包括：
将所述待分析区域对应网格的i类所述污染源数据组成矩阵X，所述待分析区域对应网格的污染源浓度数据组成矩阵Y；
以所述矩阵X为自变量，所述矩阵Y为因变量，通过全要素机器学习模型拟合污染源浓度预测模型f(X)，使得由所述污染源浓度预测模型f(X)求得的污染源浓度数据的预测值
Figure BDA0003741443570000021
与实际值Y的差值的绝对值的平均值MAE最小；
利用所述污染源浓度预测模型f(X)，得到第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000022
基于第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000023
得到第m类污染源的规模；
其中，
Figure BDA0003741443570000024
其中，所述矩阵X中的第xji个元素表示第j个网格上第i类污染源数据，所述矩阵Y中的第yj个元素表示第j个网格上的污染源浓度数据，第
Figure BDA0003741443570000025
个元素表示第j个网格上的第m类污染源的污染源浓度数据缺省值，0＜m＜i，m、i和j均为正整数。
在本公开一实施例中，所述基于第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000031
得到第m类污染源的规模包括：
利用第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000032
和第m类污染源的值xm，得到第m类污染源的权重αm；
统计所述待分析区域内每个网格中各类所述污染源，得到每个网格中各类污染源的规模矩阵Q；
其中，
Figure BDA0003741443570000033
所述矩阵Q中的第qji个元素表示第j个网格上第i类污染源的污染源规模。
在本公开一实施例中，所述根据i类所述污染源的规模，绘制分类污染源图谱包括：
根据所述第m类污染源的权重αm和第n个网格上第m类污染源的污染源规模qnm，得到第n个网格第m类污染源强度打分Snm，Snm＝αm·qnm，0＜n＜j；
基于所述第n个网格第m类污染源强度，得到第n个网格的综合污染源强度打分Sn，
Figure BDA0003741443570000034
将第n个网格的综合污染源强度打分Sn归一化到0～1区间绘制综合污染源图谱和/或将第n个网格第m类污染源强度Snm归一化到0～1区间绘制分项污染源图谱。
在本公开一实施例中，所述利用第m类污染源污染源浓度数据缺省值
Figure BDA0003741443570000035
和第m类污染源的值xm，得到第m类污染源的权重αm包括：
Figure BDA0003741443570000036
其中，
Figure BDA0003741443570000037
表示第n个网格上的第m类污染源的污染源浓度数据缺省值，
Figure BDA0003741443570000038
表示第n个网格上的污染源浓度数据缺省值，xnm表示第n个网格上的第m类污染源的值。
本申请实施例第二方面提供一种大气污染源溯源装置，包括：
网格化模块，用于将监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数。
筛选模块，用于筛选出在待分析时间段内待分析区域对应网格下记录到的i类所述污染源数据和所述污染源浓度数据。
预测模块，用于以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类所述污染源的规模。
绘制模块，用于根据i类所述污染源的规模，绘制分类污染源图谱。
在本公开一实施例中，i类所述污染源包括裸地扬尘源污染源、生活面源污染源、交通源污染源和工业源污染源。
在本公开一实施例中，所述预测模块具体用于：
将所述待分析区域对应网格的i类所述污染源数据组成矩阵X，所述待分析区域对应网格的污染源浓度数据组成矩阵Y；
以所述矩阵X为自变量，所述矩阵Y为因变量，通过全要素机器学习模型拟合污染源浓度预测模型f(X)，使得由所述污染源浓度预测模型f(X)求得的污染源浓度数据的预测值
Figure BDA0003741443570000041
与实际值Y的差值的绝对值的平均值MAE最小；
利用所述污染源浓度预测模型f(X)，得到第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000042
基于第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000043
得到第m类污染源的规模；
其中，
Figure BDA0003741443570000044
其中，所述矩阵X中的第xji个元素表示第j个网格上第i类污染源数据，所述矩阵Y中的第yj个元素表示第j个网格上的污染源浓度数据，第
Figure BDA0003741443570000045
个元素表示第j个网格上的第m类污染源的污染源浓度数据缺省值，0＜m＜i，m、i和j均为正整数。
在本公开一实施例中，所述基于第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000051
得到第m类污染源的规模包括：
利用第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000052
和第m类污染源的值xm，得到第m类污染源的权重αm；
统计所述待分析区域内每个网格中各类所述污染源，得到每个网格中各类污染源的规模矩阵Q；
其中，
Figure BDA0003741443570000053
所述矩阵Q中的第qji个元素表示第j个网格上第i类污染源的污染源规模。
在本公开一实施例中，所述述绘制模块具体用于：
根据所述第m类污染源的权重αm和第n个网格上第m类污染源的污染源规模qnm，得到第n个网格第m类污染源强度打分Snm，Snm＝αm·qnm，0＜n＜j；
基于所述第n个网格第m类污染源强度，得到第n个网格的综合污染源强度打分Sn，
Figure BDA0003741443570000054
将第n个网格的综合污染源强度打分Sn归一化到0～1区间绘制综合污染源图谱和/或将第n个网格第m类污染源强度Snm归一化到0～1区间绘制分项污染源图谱。
在本公开一实施例中，所述利用第m类污染源污染源浓度数据缺省值
Figure BDA0003741443570000055
和第m类污染源的值xm，得到第m类污染源的权重αm包括：
Figure BDA0003741443570000056
其中，
Figure BDA0003741443570000057
表示第n个网格上的第m类污染源的污染源浓度数据缺省值，
Figure BDA0003741443570000058
表示第n个网格上的污染源浓度数据缺省值，xnm表示第n个网格上的第m类污染源的值。
本申请实施例第三方面提供了一种电子设备，包括：
存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现本申请实施例第一方面提供的大气污染源溯源方法。
本申请实施例第四方面提供了一种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本申请实施例第一方面提供的大气污染源溯源方法。
从上述本申请实施例可知，本申请提供的大气污染源溯源方法、装置、电子设备及存储介质，监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数，筛选出在待分析时间段内待分析区域对应网格下记录到的i类该污染源数据和该污染源浓度数据，以该待分析区域对应网格的i类该污染源数据为自变量，该待分析区域对应网格的该污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类该污染源的规模，根据i类该污染源的规模，绘制分类污染源图谱，利用环境监测信息及反馈信息等，综合生成污染源图谱，实现信息协同下的污染精准溯源。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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为本申请一实施例提供的大气污染源溯源方法的流程示意图；
图2为本申请一实施例提供的大气污染源溯源装置的结构示意图；
图3示出了一种电子设备的硬件结构示意图。
具体实施方式
为使得本申请的申请目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参阅图1，图1为本申请一实施例提供的大气污染源溯源方法的流程示意图，该方法可应用于电子设备中，电子设备包括：手机、平板电脑、手提电脑、智能手表、智能眼镜等可在移动中进行数据处理的电子设备以及台式计算机、一体机、智能电视机等非可在移动中进行数据处理的电子设备，该方法主要包括以下步骤：
S101、将监测区域进行网格化，每个网格记载对应区域的i类污染源和污染源浓度数据。
在本公开中，通过建设高密度的大气污染物监测站获取逐小时的精细化的大气污染物监测浓度和气象要素数据，通过WRF等气象模型等结合方法，获得网格化的污染物浓度数据(PM2.5浓度数据等)和气象数据(包括风向、风速等)。本公开不对网格划分进行具体限定，可以根据监测区域的大小进行网格划分，可以是200米×200米，或，500米×500米的网格划分。
通过获得的较高频次更新的污染源相关数据，及灯光、人口、用电、污普、环统、减排清单等相关数据，可以将所得污染源数据分为裸地扬尘源、生活面源、交通源和工业源四类，同样将目标区域划分成亦500m×500m网格为例，建立网格污染物浓度、网格内污染源相关数据的关联。
S102、筛选出在待分析时间段内待分析区域对应网格下记录到的i类该污染源数据和该污染源浓度数据。
通过气象数据筛选出要分析时间段和分析区域内静稳气象条件下的网格化污染源数据和对应的网格化污染物浓度数据总计j条数据，网格化污染源数据组成矩阵X，对应的污染物浓度数据组成矩阵Y，i表示第i类污染源。
Figure BDA0003741443570000081
其中，矩阵X中的第xji个元素表示第j个网格上第i类污染源数据，该矩阵Y中的第yj个元素表示第j个网格上的污染源浓度数据，0＜m＜i，m、i和j均为正整数。
S103、以该待分析区域对应网格的i类该污染源数据为自变量，该待分析区域对应网格的该污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类该污染源的规模。
在本公开一实施例中，S103包括：将该待分析区域对应网格的i类该污染源数据组成矩阵X，该待分析区域对应网格的污染源浓度数据组成矩阵Y，以该矩阵X为自变量，该矩阵Y为因变量，通过全要素机器学习模型拟合污染源浓度预测模型f(X)，使得由该污染源浓度预测模型f(X)求得的污染源浓度数据的预测值
Figure BDA0003741443570000082
与实际值Y的差值的绝对值的平均值MAE最小，利用该污染源浓度预测模型f(X)，得到第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000083
基于第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000084
得到第m类污染源的规模。
其中，
Figure BDA0003741443570000085
该矩阵X中的第xji个元素表示第j个网格上第i类污染源数据，该矩阵Y中的第yj个元素表示第j个网格上的污染源浓度数据，第
Figure BDA0003741443570000086
个元素表示第j个网格上的第m类污染源的污染源浓度数据缺省值，0＜m＜i，m、i和j均为正整数。
可选的，将第m类污染源的值xm归为0，得X(-m)，输入X(-m)，由拟合污染源浓度预测模型f(X)求出污染源浓度数据缺省值
Figure BDA0003741443570000087
在本公开一实施例中，上述基于第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000091
得到第m类污染源的规模包括：利用第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000092
和第m类污染源的值xm，得到第m类污染源的权重αm，统计该待分析区域内每个网格中各类该污染源，得到每个网格中各类污染源的规模矩阵Q，该矩阵Q中的第qji个元素表示第j个网格上第i类污染源的污染源规模。
Figure BDA0003741443570000093
其中，
Figure BDA0003741443570000094
表示第n个网格上的第m类污染源的污染源浓度数据缺省值，
Figure BDA0003741443570000095
表示第n个网格上的污染源浓度数据缺省值，xnm表示第n个网格上的第m类污染源的值。
Figure BDA0003741443570000096
其中，该矩阵Q中的第qji个元素表示第j个网格上第i类污染源的污染源规模。
S104、根据i类该污染源的规模，绘制分类污染源图谱。
根据该第m类污染源的权重αm和第n个网格上第m类污染源的污染源规模qnm，得到第n个网格第m类污染源强度打分Snm，Snm＝αm·qnm，0＜n＜j；基于该第n个网格第m类污染源强度，得到第n个网格的综合污染源强度打分Sx，
Figure BDA0003741443570000097
将第n个网格的综合污染源强度打分Sn归一化到0～1区间绘制综合污染源图谱和/或将第n个网格第m类污染源强度Snm归一化到0～1区间绘制分项污染源图谱。
请参阅图2，图2是本申请一实施例提供的大气污染源溯源装置的结构示意图，该装置可内置于电子设备中，该装置主要包括：
网格化模块210，用于将监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数。
筛选模块220，用于筛选出在待分析时间段内待分析区域对应网格下记录到的i类该污染源数据和该污染源浓度数据。
预测模块230，用于以该待分析区域对应网格的i类该污染源数据为自变量，该待分析区域对应网格的该污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类该污染源的规模。
绘制模块240，用于根据i类该污染源的规模，绘制分类污染源图谱。
在本公开一实施例中，i类该污染源包括裸地扬尘源污染源、生活面源污染源、交通源污染源和工业源污染源。
在本公开一实施例中，该预测模块230具体用于：
将该待分析区域对应网格的i类该污染源数据组成矩阵X，该待分析区域对应网格的污染源浓度数据组成矩阵Y；
以该矩阵X为自变量，该矩阵Y为因变量，通过全要素机器学习模型拟合污染源浓度预测模型f(X)，使得由该污染源浓度预测模型f(X)求得的污染源浓度数据的预测值
Figure BDA0003741443570000101
与实际值Y的差值的绝对值的平均值MAE最小；
利用该污染源浓度预测模型f(X)，得到第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000102
基于第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000103
得到第m类污染源的规模；
其中，
Figure BDA0003741443570000104
其中，该矩阵X中的第xji个元素表示第j个网格上第i类污染源数据，该矩阵Y中的第yj个元素表示第j个网格上的污染源浓度数据，第
Figure BDA0003741443570000105
个元素表示第j个网格上的第m类污染源的污染源浓度数据缺省值，0＜m＜i，m、i和j均为正整数。
在本公开一实施例中，该基于第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000106
得到第m类污染源的规模包括：
利用第m类污染源的污染源浓度数据缺省值
Figure BDA0003741443570000111
和第m类污染源的值xm，得到第m类污染源的权重αm；
统计该待分析区域内每个网格中各类该污染源，得到每个网格中各类污染源的规模矩阵Q；
其中，
Figure BDA0003741443570000112
该矩阵Q中的第qji个元素表示第j个网格上第i类污染源的污染源规模。
在本公开一实施例中，该绘制模块240具体用于：
根据该第m类污染源的权重αm和第n个网格上第m类污染源的污染源规模qnm，得到第n个网格第m类污染源强度打分Snm，Snm＝αm·qnm，0＜n＜j；
基于该第n个网格第m类污染源强度，得到第n个网格的综合污染源强度打分Sn，
Figure BDA0003741443570000113
将第n个网格的综合污染源强度打分Sn归一化到0～1区间绘制综合污染源图谱和/或将第n个网格第m类污染源强度Snm归一化到0～1区间绘制分项污染源图谱。
在本公开一实施例中，该利用第m类污染源污染源浓度数据缺省值
Figure BDA0003741443570000114
和第m类污染源的值xm，得到第m类污染源的权重αm包括：
Figure BDA0003741443570000115
其中，
Figure BDA0003741443570000116
表示第n个网格上的第m类污染源的污染源浓度数据缺省值，
Figure BDA0003741443570000117
表示第n个网格上的污染源浓度数据缺省值，xnm表示第n个网格上的第m类污染源的值。
请参见图3，图3示出了一种电子设备的硬件结构图。
本实施例中所描述的电子设备，包括：
存储器41、处理器42及存储在存储器41上并可在处理器上运行的计算机程序，处理器执行该程序时实现前述图1所示实施例中描述的大气污染源溯源方法。
进一步地，该电子设备还包括：
至少一个输入设备43；至少一个输出设备44。
上述存储器41、处理器42输入设备43和输出设备44通过总线45连接。
其中，输入设备43具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备44具体可为显示屏。
存储器41可以是高速随机存取记忆体(RAM，Random Access Memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器41用于存储一组可执行程序代码，处理器42与存储器41耦合。
进一步地，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的电子设备中，该计算机可读存储介质可以是前述图3所示实施例中的电子设备。该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述图1所示实施例中描述的大气污染源溯源方法。进一步地，该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本公开各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本发明所提供的一种大气污染源溯源方法、装置、电子设备及可读存储介质的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种大气污染源溯源方法，其特征在于，包括：
将监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数；
筛选出在待分析时间段内待分析区域对应网格下记录到的i类所述污染源数据和所述污染源浓度数据；
以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类所述污染源的规模；
根据i类所述污染源的规模，绘制分类污染源图谱。
2.根据权利要求1所述的大气污染源溯源方法，其特征在于，i类所述污染源包括裸地扬尘源污染源、生活面源污染源、交通源污染源和工业源污染源。
3.根据权利要求1所述的大气污染源溯源方法，其特征在于，所述以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到各类所述污染源的规模包括：
将所述待分析区域对应网格的i类所述污染源数据组成矩阵X，所述待分析区域对应网格的污染源浓度数据组成矩阵Y；
以所述矩阵X为自变量，所述矩阵Y为因变量，通过全要素机器学习模型拟合污染源浓度预测模型f(X)，使得由所述污染源浓度预测模型f(X)求得的污染源浓度数据的预测值
Figure FDA0003741443560000011
与实际值Y的差值的绝对值的平均值MAE最小；
利用所述污染源浓度预测模型f(X)，得到第m类污染源的污染源浓度数据缺省值
Figure FDA0003741443560000012
基于第m类污染源的污染源浓度数据缺省值
Figure FDA0003741443560000013
得到第m类污染源的规模；
其中，
Figure FDA0003741443560000021
其中，所述矩阵X中的第xji个元素表示第j个网格上第i类污染源数据，所述矩阵Y中的第yj个元素表示第j个网格上的污染源浓度数据，第
Figure FDA0003741443560000022
个元素表示第j个网格上的第m类污染源的污染源浓度数据缺省值，0＜m＜i，m、i和j均为正整数。
4.根据权利要求3所述的大气污染源溯源方法，其特征在于，所述基于第m类污染源的污染源浓度数据缺省值
Figure FDA0003741443560000023
得到第m类污染源的规模包括：
利用第m类污染源的污染源浓度数据缺省值
Figure FDA0003741443560000024
和第m类污染源的值xm，得到第m类污染源的权重αm；
统计所述待分析区域内每个网格中各类所述污染源，得到每个网格中各类污染源的规模矩阵Q；
其中，
Figure FDA0003741443560000025
所述矩阵Q中的第qji个元素表示第j个网格上第i类污染源的污染源规模。
5.根据权利要求3所述的大气污染源溯源方法，其特征在于，所述根据j类所述污染源的规模，绘制分类污染源图谱包括：
根据所述第m类污染源的权重αm和第n个网格上第m类污染源的污染源规模qnm，得到第n个网格第m类污染源强度打分Snm，Snm＝αm·qnm，0＜n＜j；
基于所述第n个网格第m类污染源强度，得到第n个网格的综合污染源强度打分Sn，
Figure FDA0003741443560000026
将第n个网格的综合污染源强度打分Sn归一化到0～1区间绘制综合污染源图谱和/或将第n个网格第m类污染源强度Snm归一化到0～1区间绘制分项污染源图谱。
6.根据权利要求3所述的大气污染源溯源方法，其特征在于，所述利用第m类污染源污染源浓度数据缺省值
Figure FDA0003741443560000031
和第m类污染源的值xm，得到第m类污染源的权重αm包括：
Figure FDA0003741443560000032
其中，
Figure FDA0003741443560000033
表示第n个网格上的第m类污染源的污染源浓度数据缺省值，
Figure FDA0003741443560000034
表示第n个网格上的污染源浓度数据缺省值，xnm表示第n个网格上的第m类污染源的值。
7.一种大气污染源溯源装置，其特征在于，包括：
网格化模块，用于将监测区域进行网格化，每个网格记载对应区域的i类污染源数据和污染源浓度数据，i为正整数；
筛选模块，用于筛选出在待分析时间段内待分析区域对应网格下记录到的i类所述污染源数据和所述污染源浓度数据；
预测模块，用于以所述待分析区域对应网格的i类所述污染源数据为自变量，所述待分析区域对应网格的所述污染源浓度数据为因变量，利用全要素机器学习模型拟合污染源浓度预测模型，得到i类所述污染源的规模；
绘制模块，用于根据i类所述污染源的规模，绘制分类污染源图谱。
8.根据权利要求7所述的大气污染源溯源装置，其特征在于，i类所述污染源包括裸地扬尘源污染源、生活面源污染源、交通源污染源和工业源污染源。
9.一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，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6中的任一项所述的大气污染源溯源方法中的各个步骤。
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6中的任一项所述的大气污染源溯源方法中的各个步骤。
CN202210817947.6A 2022-07-12 2022-07-12 大气污染源溯源方法、装置、电子设备及存储介质 Pending CN115168749A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210817947.6A CN115168749A (zh) 2022-07-12 2022-07-12 大气污染源溯源方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210817947.6A CN115168749A (zh) 2022-07-12 2022-07-12 大气污染源溯源方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115168749A true CN115168749A (zh) 2022-10-11

Family

ID=83493816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210817947.6A Pending CN115168749A (zh) 2022-07-12 2022-07-12 大气污染源溯源方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115168749A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115936242A (zh) * 2022-12-26 2023-04-07 中科三清科技有限公司 空气质量与交通状况的溯源关系数据获取方法及装置
CN116011317A (zh) * 2022-11-29 2023-04-25 北京工业大学 一种基于多方法融合的小尺度近实时大气污染溯源方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116011317A (zh) * 2022-11-29 2023-04-25 北京工业大学 一种基于多方法融合的小尺度近实时大气污染溯源方法
CN116011317B (zh) * 2022-11-29 2023-12-08 北京工业大学 一种基于多方法融合的小尺度近实时大气污染溯源方法
CN115936242A (zh) * 2022-12-26 2023-04-07 中科三清科技有限公司 空气质量与交通状况的溯源关系数据获取方法及装置
CN115936242B (zh) * 2022-12-26 2023-11-17 中科三清科技有限公司 空气质量与交通状况的溯源关系数据获取方法及装置

Similar Documents

Publication Publication Date Title
Ong et al. Dynamically pre-trained deep recurrent neural networks using environmental monitoring data for predicting PM 2.5
CN115168749A (zh) 大气污染源溯源方法、装置、电子设备及存储介质
Mihailović et al. Novel measures based on the Kolmogorov complexity for use in complex system behavior studies and time series analysis
CN109376443A (zh) 区域大气污染环境仿真动态模拟系统
Gordon et al. Introduction to Modeling and Simulation with MATLAB® and Python
Comeau et al. Data-driven prediction strategies for low-frequency patterns of North Pacific climate variability
CN114841438B (zh) 预评估排放源对空气质量影响的方法、装置和电子设备
Kelp et al. Orders-of-magnitude speedup in atmospheric chemistry modeling through neural network-based emulation
CN110543996A (zh) 一种职位薪资评估方法、装置、服务器和存储介质
Sharma et al. Forecasting and prediction of air pollutants concentrates using machine learning techniques: the case of India
Bódai Predictability of threshold exceedances in dynamical systems
Wehner et al. The growing inadequacy of an open-ended Saffir–Simpson hurricane wind scale in a warming world
Bentley et al. Random Forest Model of Ultralow‐Frequency Magnetospheric Wave Power
Liu et al. Research on 3D Geological Modeling Method Based on Deep Neural Networks for Drilling Data
Schneider et al. Opinion: Optimizing climate models with process knowledge, resolution, and artificial intelligence
Olsson et al. A multi‐model ensemble of baseline and process‐based models improves the predictive skill of near‐term lake forecasts
Kong et al. Characteristics and Driving Mechanism of Water Resources Trend Change in Hanjiang River Basin
CN113672873B (zh) 污染物源解析方法、装置、电子设备及存储介质
Suhartono et al. Hybrid Machine Learning for Forecasting and Monitoring Air Pollution in Surabaya
Kemp-Benedict et al. Climate impacts on capital accumulation in the small Island state of Barbados
US20220358352A1 (en) Data analysis system, data analysis method, and program
Hickmon et al. Artificial Intelligence for Earth System Predictability (AI4ESP)(2021 Workshop Report)
Byers et al. Applied Geospatial Bayesian Modeling in the Big Data Era: Challenges and Solutions
Wu et al. Short-term prediction of PM2. 5 concentration by hybrid neural network based on sequence decomposition
Cai et al. Explaining the mechanism of multiscale groundwater drought events: A new perspective from interpretable deep learning model

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