CN115238245B - 污染物监测方法、装置、存储介质及电子设备 - Google Patents
污染物监测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115238245B CN115238245B CN202211159488.3A CN202211159488A CN115238245B CN 115238245 B CN115238245 B CN 115238245B CN 202211159488 A CN202211159488 A CN 202211159488A CN 115238245 B CN115238245 B CN 115238245B
- Authority
- CN
- China
- Prior art keywords
- target
- spatial resolution
- concentration
- grid
- pollutant
- 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.)
- Active
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 165
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 164
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000000356 contaminant Substances 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000011109 contamination Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- -1 etc. Chemical compound 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000001134 F-test Methods 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 238000011497 Univariate linear regression Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—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
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种污染物监测方法、装置、存储介质及电子设备，该污染物监测方法通过获取待测区域内目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据；获取指定空间分辨率下每个网格对应区域的目标污染物的指定浓度；根据指定空间分辨率下每个网格对应区域的指定浓度确定在目标空间分辨率下每个网格对应区域中该目标污染物的目标预测浓度；根据每个网格对应的该目标预测浓度和目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据通过预设污染物监测模型确定该目标空间分辨率下每个网格对应区域内该目标污染物的目标浓度，不仅能够得到更为准确地污染物浓度，也能够有效提升高空间分辨率下污染物浓度的监测效率。
Description
技术领域
本公开涉及环境污染物的检测技术领域，具体地，涉及一种污染物监测方法、装置、存储介质及电子设备。
背景技术
随着城市化、工业化进程的不断推进，长时间、大范围的大气污染事件出现越来越频繁，大气中污染物浓度已经成为人们关注的重点问题。目前的污染物监测方法大多是基于低空间分辨率的监测，而针对高空间分辨率下污染物浓度的监测通常存在监测效率低，准确性不高等问题。
发明内容
本公开的目的是提供一种污染物监测方法、装置、存储介质及电子设备。
为了实现上述目的，本公开第一方面提供了一种污染物监测方法，所述方法包括：
获取待测区域内目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据，所述目标土地利用类型占比数据包括多种目标土地利用类型的占比；
获取指定空间分辨率下每个网格对应区域的目标污染物的指定浓度，所述指定空间分辨率低于所述目标空间分辨率；
根据所述指定空间分辨率下每个网格对应区域的所述指定浓度确定在所述目标空间分辨率下每个网格对应区域中所述目标污染物的目标预测浓度；
将每个网格对应的所述目标预测浓度和所述目标土地利用类型占比数据输入预设污染物监测模型，以获取所述预设污染物监测模型输出的所述目标空间分辨率下每个网格对应区域内所述目标污染物的目标浓度。
可选地，所述预设污染物监测模型通过以下方法预先得到：
获取所述待测区域在第一空间分辨率下每个网格对应区域内目标污染物的第一浓度，并获取在第二空间分辨率下每个网格对应区域内所述目标污染物的第二浓度，以及在第三空间分辨率下每个网格对应区域的土地利用类型数据，其中，所述第一空间分辨率低于所述第二空间分辨率，所述第二空间分辨率低于所述第三空间分辨率；
根据所述第一空间分辨率下每个网格对应区域中所述目标污染物的第一浓度预测在所述第二空间分辨率下每个网格对应区域中所述目标污染物的待定预测浓度；
根据所述土地利用类型数据确定在第二空间分辨率下每个网格对应区域的指定土地利用类型占比数据；
根据所述第二空间分辨率下每个网格对应区域的所述指定土地利用类型占比数据和所述待定预测浓度拟合得到所述预设污染物监测模型，其中，所述预设污染物监测模型用于表征指定差值与所述多种目标土地利用类型的占比之间的函数关系，所述指定差值为所述目标污染物在所述第二空间分辨率下每个网格对应区域的第二浓度与所述待定预测浓度之间的差值。
可选地，所述指定土地利用类型占比数据包括多种土地利用类型的占比，所述根据所述第二空间分辨率下每个网格对应区域的所述指定土地利用类型占比数据和所述待定预测浓度拟合得到所述预设污染物监测模型，包括：
根据所述多种土地利用类型的占比构建逐步回归模型；
根据第二空间分辨率下每个网格对应区域的所述指定土地利用类型占比数据和每个网格对应的所述待定预测浓度依次确定每种土地利用类型的占比对所述目标污染物的所述指定差值的贡献指数，所述贡献指数用于表征所述土地利用类型的占比对所述指定差值的贡献显著程度；
根据所述贡献指数对所述逐步回归模型迭代更新，以得到所述预设污染物监测模型。
可选地，所述根据所述贡献指数对所述逐步回归模型迭代更新，以得到所述预设污染物监测模型，包括：
按照以下更新策略更新所述逐步回归模型，直至在确定所述多种土地利用类型的占比中贡献显著的土地利用类型的占比均为所述逐步回归模型的自变量，并且所述逐步回归模型中不包括贡献不显著的土地利用类型的占比的情况下，将当前的所述逐步回归模型作为所述预设污染物监测模型；
所述更新策略包括：
在确定当前土地利用类型的占比的所述贡献指数大于或者等于预设阈值情况下，确定所述当前土地利用类型的占比贡献显著，将所述当前土地利用类型的占比作为自变量引入所述逐步回归模型，以得到更新后的逐步回归模型；
在确定当前土地利用类型占比的所述贡献指数小于预设阈值情况下，确定所述当前土地利用类型的占比贡献不显著，将所述当前土地利用类型的占比对应的自变量从所述逐步回归模型中剔除，以得到更新后的逐步回归模型；
在得到更新后的逐步回归模型之后，获取每个土地利用类型的占比对应的更新后的贡献指数。
可选地，所述根据所述第一空间分辨率下每个网格对应区域内所述目标污染物的第一浓度预测在所述第二空间分辨率下每个网格对应区域内所述目标污染物的待定预测浓度，包括：
对所述第一空间分辨率下每个网格对应区域内所述目标污染物的第一浓度进行插值处理，以得到所述第二空间分辨率下每个网格对应区域的所述待定预测浓度。
可选地，所述目标空间分辨率低于所述第三空间分辨率，所述获取待测区域内目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据，包括：
根据所述土地利用类型数据确定在目标空间分辨率下每个网格对应区域中每种目标土地利用类型的占比，以得到所示目标土地利用类型占比数据。
可选地，所述根据所述指定空间分辨率下每个网格对应区域的所述指定浓度确定在所述目标空间分辨率下每个网格对应区域中目标污染物的目标预测浓度，包括：
对所述指定空间分辨率下每个网格对应区域的目标污染物的指定浓度进行插值处理，以得到在所述目标空间分辨率下每个网格对应区域中所述目标污染物的所述目标预测浓度。
在本公开的第二方面提供了一种污染物监测装置，所述装置包括：
第一获取模块，被配置为获取待测区域内目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据，所述目标土地利用类型占比数据包括多种目标土地利用类型的占比；
第二获取模块，被配置为获取指定空间分辨率下每个网格对应区域的目标污染物的指定浓度，所述指定空间分辨率低于所述目标空间分辨率；
第一确定模块，被配置为根据所述指定空间分辨率下每个网格对应区域的所述指定浓度确定在所述目标空间分辨率下每个网格对应区域中所述目标污染物的目标预测浓度；
第二确定模块，被配置为将每个网格对应的所述目标预测浓度和所述目标土地利用类型占比数据输入预设污染物监测模型，以获取所述预设污染物监测模型输出的所述目标空间分辨率下每个网格对应区域内所述目标污染物的目标浓度。
可选地，所述装置还包括模型生成模块，被配置为：
获取所述待测区域在第一空间分辨率下每个网格对应区域内目标污染物的第一浓度，并获取在第二空间分辨率下每个网格对应区域内所述目标污染物的第二浓度，以及在第三空间分辨率下每个网格对应区域的土地利用类型数据，其中，所述第一空间分辨率低于所述第二空间分辨率，所述第二空间分辨率低于所述第三空间分辨率；
根据所述第一空间分辨率下每个网格对应区域中所述目标污染物的第一浓度预测在所述第二空间分辨率下每个网格对应区域中所述目标污染物的待定预测浓度；
根据所述土地利用类型数据确定在第二空间分辨率下每个网格对应区域的指定土地利用类型占比数据；
根据所述第二空间分辨率下每个网格对应区域的所述指定土地利用类型占比数据和所述待定预测浓度拟合得到所述预设污染物监测模型，其中，所述预设污染物监测模型用于表征指定差值与所述多种目标土地利用类型的占比之间的函数关系，所述指定差值为所述目标污染物在所述第二空间分辨率下每个网格对应区域的第二浓度与所述待定预测浓度之间的差值。
可选地，所述指定土地利用类型占比数据包括多种土地利用类型的占比，所述模型生成模块，被配置为：
根据所述多种土地利用类型的占比构建逐步回归模型；
根据第二空间分辨率下每个网格对应区域的所述指定土地利用类型占比数据和每个网格对应的所述待定预测浓度依次确定每种土地利用类型的占比对所述目标污染物的所述指定差值的贡献指数，所述贡献指数用于表征所述土地利用类型的占比对所述指定差值的贡献显著程度；
根据所述贡献指数对所述逐步回归模型迭代更新，以得到所述预设污染物监测模型。
可选地，所述模型生成模块，被配置为：
按照以下更新策略更新所述逐步回归模型，直至在确定所述多种土地利用类型的占比中贡献显著的土地利用类型的占比均为所述逐步回归模型的自变量，并且所述逐步回归模型中不包括贡献不显著的土地利用类型的占比的情况下，将当前的所述逐步回归模型作为所述预设污染物监测模型；
所述更新策略包括：
在确定当前土地利用类型的占比的所述贡献指数大于或者等于预设阈值情况下，确定所述当前土地利用类型的占比贡献显著，将所述当前土地利用类型的占比作为自变量引入所述逐步回归模型，以得到更新后的逐步回归模型；
在确定当前土地利用类型占比的所述贡献指数小于预设阈值情况下，确定所述当前土地利用类型的占比贡献不显著，将所述当前土地利用类型的占比对应的自变量从所述逐步回归模型中剔除，以得到更新后的逐步回归模型；
在得到更新后的逐步回归模型之后，获取每个土地利用类型的占比对应的更新后的贡献指数。
可选地，所述模型生成模块，被配置为：
对所述第一空间分辨率下每个网格对应区域内所述目标污染物的第一浓度进行插值处理，以得到所述第二空间分辨率下每个网格对应区域的所述待定预测浓度。
可选地，所述目标空间分辨率低于所述第三空间分辨率，所述第一获取模块，被配置为：
根据所述土地利用类型数据确定在目标空间分辨率下每个网格对应区域中每种目标土地利用类型的占比，以得到所示目标土地利用类型占比数据。
可选地，所述第二获取模块，被配置为：
对所述指定空间分辨率下每个网格对应区域的目标污染物的指定浓度进行插值处理，以得到在所述目标空间分辨率下每个网格对应区域中所述目标污染物的所述目标预测浓度。
在本公开的第三方面提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上第一方面所述方法的步骤。
在本公开的第四方面提供了一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现以上第一方面所述方法的步骤。
上述技术方案，通过获取待测区域内目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据；获取指定空间分辨率下每个网格对应区域的目标污染物的指定浓度，所述指定空间分辨率低于所述目标空间分辨率；根据所述指定空间分辨率下每个网格对应区域的所述指定浓度确定在所述目标空间分辨率下每个网格对应区域中所述目标污染物的目标预测浓度；根据每个网格对应的所述目标预测浓度和目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据通过预设污染物监测模型确定所述目标空间分辨率下每个网格对应区域内所述目标污染物的目标浓度，从而不仅能够得到更为准确地污染物浓度，也能够有效提升高空间分辨率下污染物浓度的监测效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是本公开一示例性实施例示出的一种污染物监测方法的流程图；
图2是根据图1所示实施例示出的一种预设污染物监测模型的获取方法的流程图；
图3是本公开一示例性实施例示出的一种土地利用类型空间分布示意图；
图4是根据图2所示实施例示出的一种预设污染物监测模型的获取方法的流程图；
图5是本公开以示例性实施例示出的一种污染物监测装置的框图；
图6是根据一示例性实施例示出的一种电子设备的框图；
图7是根据一示例性实施例示出的另一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
在详细介绍本公开的具体实施方式之前，首先对本公开的应用场景进行以下说明，本公开可以应用于对大气中污染物浓度的监测过程，该污染物可以是任一常规污染物，该常规污染物可以是二氧化硫，一氧化氮、二氧化氮等氮氧化物，一氧化碳，悬浮颗粒物TSP（Total Suspended Particulate，总悬浮微粒）（粉尘、烟雾、PM10、PM2.5）等。相关技术中，常用的污染物浓度监测方法通常包括：动力降尺度方法和统计降尺度方法，该动力降尺度方法是采用多层嵌套的方式，粗分辨率模拟区域为其嵌套的子区域提供边界条件，运行模式输出更高分辨率的数据，动力降尺度具有物理意义明确等优点，但计算量大，模拟和配置不便。统计降尺度方法的基本原理在于采用统计经验的方法建立大尺度气象变量与区域气象变量之间的线性或非线性联系。与动力降尺度方法相比，统计降尺度缺点在于模型缺少物理机理，受训练模型的观测资料影响较大，且一般难以获得区域中空间上连续的结果，但具有计算量小，模型相对易于构造，方法众多，形式灵活多变等优点，因此能够弥补动力降尺度的一些不足。目前行之有效的统计降尺度方法主要有：LUR（Land Use Regression，土地利用回归）模型、GWR（Geographically Weighted Regression，地理加权回归）模型和MLR（Mixed Logistic Regression，混合逻辑回归）模型，其中，LUR模型是在GIS（GeographicInformation System，地理信息系统）框架内获取土地利用、人口密度等因变量，不适用于大尺度数据的获取，计算效率较低；GWR模型将空间位置作为因变量引入，但土地利用类型和低分辨率的污染物浓度数据中已经隐性的包含了空间位置影响，重复考虑较为鸡肋，也会影响计算效率；MLR模型不具备自变量筛选机制，无法避免因无统计学意义的自变量对回归方程的影响，因此也会存在效率低，准确性不高的问题。
为了解决以上技术问题，本公开提供了一种污染物监测方法、装置、存储介质及电子设备，该污染物监测方法通过获取待测区域内目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据；获取指定空间分辨率下每个网格对应区域的目标污染物的指定浓度，该指定空间分辨率低于该目标空间分辨率；根据该指定空间分辨率下每个网格对应区域的该指定浓度确定在该目标空间分辨率下每个网格对应区域中该目标污染物的目标预测浓度；根据每个网格对应的该目标预测浓度和目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据通过预设污染物监测模型确定该目标空间分辨率下每个网格对应区域内该目标污染物的目标浓度，不仅能够得到更为准确地污染物浓度，也能够有效提升高空间分辨率下污染物浓度的监测效率。
下面结合具体实施例对本公开的技术方案进行详细阐述。
图1是本公开一示例性实施例示出的一种污染物监测方法的流程图；如图1所示，污染物监测方法可以包括以下步骤：
步骤101，获取待测区域内目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据。
其中，空间分辨率是指遥感影像上能够识别的两个相邻地物的最小距离，该目标土地利用类型占比数据包括多种目标土地利用类型的占比；例如，包括森林的占比，草地的占比，耕地的占比，建设用地的占比等。
本步骤中，可以根据在第三空间分辨率下每个网格对应区域的土地利用类型数据确定在目标空间分辨率下每个网格对应区域中每种目标土地利用类型的占比，以得到所示目标土地利用类型占比数据。其中，该目标空间分辨率低于该第三空间分辨率，即该第三空间分辨率为C km，该目标空间分辨率为D km，D≥C。
示例地，若该第三空间分辨率为500m，该目标空间分辨率为1 km，则该待测区域在目标空间分辨率下每个网格对应区域为在第三空间分辨率下4（2*2）个网格对应的区域，可以通过统计第三空间分辨率下每个网格对应区域的土地利用类型确定该目标空间分辨率下每个网格对应区域的目标土地利用类型的占比。
步骤102，获取指定空间分辨率下每个网格对应区域的目标污染物的指定浓度。
其中，该指定空间分辨率低于该目标空间分辨率。
需要说明的是，每个网格对应区域的尺寸越大（即空间分辨率是指遥感影像上能够识别的两个相邻地物的最小距离越大），空间分辨率越低，例如，该目标空间分辨率为D千米，在该目标空间分辨率下每个网格对应区域的尺寸为D×D km，该指定空间分辨率为B千米（B＞D），在该指定空间分辨率下每个网格对应区域的尺寸为B×B km。
步骤103，根据该指定空间分辨率下每个网格对应区域的该指定浓度确定在该目标空间分辨率下每个网格对应区域中该目标污染物的目标预测浓度。
本步骤中，可以对该指定空间分辨率下每个网格对应区域的目标污染物的指定浓度进行插值处理，以得到在该目标空间分辨率下每个网格对应区域中该目标污染物的该目标预测浓度。
需要说明的是，在已知该指定空间分辨率下每个网格对应区域的目标污染物的指定浓度的情况下，相当于已知待测区域内多个稀疏的点（一个网格抽象为一个点，该点可以是网格中心点）对应的浓度，在已知多个稀疏的点对应的浓度的情况下，通过插值算法确定相邻的两个点之间区域的浓度，以得到该目标空间分辨率下每个网格对应区域中该目标污染物的该目标预测浓度。该插值算法在现有技术中应用较多，本公开具体的插值过程可以参考现有技术中的相关描述，本公开在此不再赘述。
步骤104，将每个网格对应的该目标预测浓度和该目标土地利用类型占比数据输入预设污染物监测模型，以获取该预设污染物监测模型输出的该目标空间分辨率下每个网格对应区域内该目标污染物的目标浓度。
其中，该预设污染物监测模型用于表征目标差值与该多种目标土地利用类型的占比之间的函数关系，该目标差值为该目标污染物在该目标空间分辨率下每个网格对应区域的目标浓度与该目标预测浓度之间的差值。
示例地，该预设污染物监测模型可以表示为：
其中，
表征该目标空间分辨下一个网格对应区域中该目标污染物的目标浓度，该
为该目标预测浓度，
为目标空间分辨率下该网格对应区域的目标土地利用类型占比数据，该
为第i种土地利用类型的占比对应的权重系数，k表征一共有k种土地利用类型的占比与该目标污染物的浓度显著相关，
为截距（常数）。将该网格对应的该目标预测浓度
和该目标土地利用类型占比数据（
）输入该预设污染物监测模型，即可得到该
。
以上技术方案，根据每个网格对应的该目标预测浓度和目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据通过预设污染物监测模型确定该目标空间分辨率下每个网格对应区域内该目标污染物的目标浓度，不仅能够得到更为准确地污染物浓度，也能够有效提升高空间分辨率下污染物浓度的监测效率。
图2是根据图1所示实施例示出的一种预设污染物监测模型的获取方法的流程图，如图2所示，该预设污染物监测模型通过以下方法预先得到：
S1，获取该待测区域在第一空间分辨率下每个网格对应区域内目标污染物的第一浓度，并获取在第二空间分辨率下每个网格对应区域内该目标污染物的第二浓度，以及在第三空间分辨率下每个网格对应区域的土地利用类型数据。
其中，该第一空间分辨率低于该第二空间分辨率，该第二空间分辨率低于该第三空间分辨率。
示例地，该第一空间分辨率为A km（即遥感影像上能够识别的两个相邻地物的最小距离为A km，在该第一空间分辨率下每个网格对应区域的尺寸为A×A km），该第二空间分辨率为B km（即遥感影像上能够识别的两个相邻地物的最小距离为B km），该第三空间分辨率为C km，其中，A > B＞C。
S2，根据该第一空间分辨率下每个网格对应区域中该目标污染物的第一浓度预测在该第二空间分辨率下每个网格对应区域中该目标污染物的待定预测浓度。
本步骤中，可以对该第一空间分辨率下每个网格对应区域内该目标污染物的第一浓度进行插值处理，以得到该第二空间分辨率下每个网格对应区域的该待定预测浓度。
需要说明的是，在已知该待测区域内第一空间分辨率下的每个网格对应的第一浓度的，相当于已知待测区域内多个稀疏的点对应的浓度，在已知多个稀疏的点对应的浓度的情况下，通过插值算法确定相邻的两个点之间区域的浓度，以得到该第二空间分辨率下每个网格对应区域中该目标污染物的该待定预测浓度。该插值算法在现有技术中应用较多，本公开具体的插值过程可以参考现有技术中的相关描述，本公开在此不再赘述。
S3，根据该土地利用类型数据确定在第二空间分辨率下每个网格对应区域的指定土地利用类型占比数据。
其中，该土地利用类型数据为每个网格对应区域的土地利用类型，该土地利用类型可以包括森林、草地、耕地、建设用地等，该指定土地利用类型占比数据包括多种土地利用类型的占比。
示例地，图3是本公开一示例性实施例示出的一种土地利用类型空间分布示意图，若该待测区域在第三空间分辨率下每个网格对应区域的土地利用类型数据如图3所示，该第三空间分辨率为500m，该第二空间分辨率为2 km，则该待测区域在第二空间分辨率下每个网格对应区域为在第三空间分辨率下16（4*4）个网格对应的区域，因此可以根据第三空间分辨率下每个网格对应区域的土地利用类型确定第二空间分辨率下每个网格对应区域的指定土地利用类型占比数据，例如可以得到某个网格中包括建设用地25%，水体12.5%，森林62.5%，农田0%。
S4，根据该第二空间分辨率下每个网格对应区域的该指定土地利用类型占比数据和该待定预测浓度拟合得到该预设污染物监测模型。
其中，该预设污染物监测模型用于表征指定差值与该多种目标土地利用类型的占比之间的函数关系，该指定差值为该目标污染物在该第二空间分辨率下每个网格对应区域的第二浓度与该待定预测浓度之间的差值。
示例地，该待定预测浓度为
，该第二浓度为
，该指定差值与该多种目标土地利用类型的占比之间的函数关系可以是：
其中，
为第二空间分辨率下该网格对应区域的目标土地利用类型占比数据，该
为第i种土地利用类型的占比对应的权重系数，k表征一共有k种土地利用类型的占比与该目标污染物的浓度显著相关，
为截距（常数），n为土地利用类型数据中包含的土地利用类型的总数。
本步骤，可以通过图4所示步骤实现，图4是根据图2所示实施例示出的一种预设污染物监测模型的获取方法的流程图，如图4所示，图2中S4所示的根据该第二空间分辨率下每个网格对应区域的该指定土地利用类型占比数据和该待定预测浓度拟合得到该预设污染物监测模型，可以包括：
S41，根据该多种土地利用类型的占比构建逐步回归模型。
本步骤中，可以尝试以每种土地利用类型的占比为该逐步回归模型的自变量，以指定差值（即该目标污染物在该第二空间分辨率下每个网格对应区域的第二浓度与该待定预测浓度之间的差值）为因变量Y，构建每个自变量与因变量 Y 对应的一元回归模型。
S42，根据第二空间分辨率下每个网格对应区域的该指定土地利用类型占比数据和每个网格对应的该待定预测浓度依次确定每种土地利用类型的占比对该目标污染物的该指定差值的贡献指数。
其中，该贡献指数用于表征该土地利用类型的占比对该指定差值的贡献显著程度。例如，该贡献指数可以是每个自变量的方差贡献率。
S43，根据该贡献指数对该逐步回归模型迭代更新，以得到该预设污染物监测模型。
本步骤中，可以按照以下更新策略更新该逐步回归模型，直至在确定该多种土地利用类型的占比中贡献显著的土地利用类型的占比均为该逐步回归模型的自变量，并且该逐步回归模型中不包括贡献不显著的土地利用类型的占比的情况下，将当前的该逐步回归模型作为该预设污染物监测模型；
该更新策略包括：
在确定当前土地利用类型的占比的该贡献指数大于或者等于预设阈值情况下，确定该当前土地利用类型的占比贡献显著，将该当前土地利用类型的占比作为自变量引入该逐步回归模型，以得到更新后的逐步回归模型；在确定当前土地利用类型占比的该贡献指数小于预设阈值情况下，确定该当前土地利用类型的占比贡献不显著，将该当前土地利用类型的占比对应的自变量从该逐步回归模型中剔除，以得到更新后的逐步回归模型；在得到更新后的逐步回归模型之后，获取每个土地利用类型的占比对应的更新后的贡献指数。
示例地，若包含m个自变量，分别为
，
，…，
，
至
为不同的土地利用类型的占比（即
），构建一元回归模型为：
其中，
为随机误差，
为常数，计算自变量
对应回归系数的F检验统计量的值（可以是方差贡献率，即本公开中的贡献指数），记为
，…，
，取其中的最大值
，即
若该
大于或者等于相应的临界值
，则将
对应的
引入回归模型，之后建立因变量Y和自变量子集
，
，
，
，
的二元回归模型，共有m-1个自变量子集，计算每个自变量的回归系数的统计量值（记为
），并选择回归系数的统计量值中的最大者
，
根据预设的显著性水平，可以确定相应的临界值
，若该
大于或者等于相应的临界值
，则将
对应的
引入回归模型，之后建立因变量Y与自变量子集
之间的回归，依此方法重复进行，每次从未引入回归模型的自变量中选取一个，直到经检验没有变量引入为止得到该预设污染物监测模型。
以上技术方案，能够通过逐步回归算法得到该预设污染物监测模型，能够有效筛选出对该目标污染物贡献突出的土地利用类型的占比（自变量），通过预设污染物监测模型确定该目标空间分辨率下每个网格对应区域内该目标污染物的目标浓度，不仅能够得到更为准确地污染物浓度，也能够有效提升高空间分辨率下污染物浓度的监测效率。
图5是本公开以示例性实施例示出的一种污染物监测装置的框图；如图5所示，该装置可以包括：
第一获取模块501，被配置为获取待测区域内目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据，该目标土地利用类型占比数据包括多种目标土地利用类型的占比；
第二获取模块502，被配置为获取指定空间分辨率下每个网格对应区域的目标污染物的指定浓度，该指定空间分辨率低于该目标空间分辨率；
第一确定模块503，被配置为根据该指定空间分辨率下每个网格对应区域的该指定浓度确定在该目标空间分辨率下每个网格对应区域中该目标污染物的目标预测浓度；
第二确定模块504，被配置为将每个网格对应的该目标预测浓度和该目标土地利用类型占比数据输入预设污染物监测模型，以获取该预设污染物监测模型输出的该目标空间分辨率下每个网格对应区域内该目标污染物的目标浓度。
以上技术方案，根据每个网格对应的该目标预测浓度和目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据通过预设污染物监测模型确定该目标空间分辨率下每个网格对应区域内该目标污染物的目标浓度，不仅能够得到更为准确地污染物浓度，也能够有效提升高空间分辨率下污染物浓度的监测效率。
可选地，该装置还包括模型生成模块505，被配置为：
获取该待测区域在第一空间分辨率下每个网格对应区域内目标污染物的第一浓度，并获取在第二空间分辨率下每个网格对应区域内该目标污染物的第二浓度，以及在第三空间分辨率下每个网格对应区域的土地利用类型数据，其中，该第一空间分辨率低于该第二空间分辨率，该第二空间分辨率低于该第三空间分辨率；
根据该第一空间分辨率下每个网格对应区域中该目标污染物的第一浓度预测在该第二空间分辨率下每个网格对应区域中该目标污染物的待定预测浓度；
根据该土地利用类型数据确定在第二空间分辨率下每个网格对应区域的指定土地利用类型占比数据；
根据该第二空间分辨率下每个网格对应区域的该指定土地利用类型占比数据和该待定预测浓度拟合得到该预设污染物监测模型，其中，该预设污染物监测模型用于表征指定差值与该多种目标土地利用类型的占比之间的函数关系，该指定差值为该目标污染物在该第二空间分辨率下每个网格对应区域的第二浓度与该待定预测浓度之间的差值。
可选地，该指定土地利用类型占比数据包括多种土地利用类型的占比，该模型生成模块505，被配置为：
根据该多种土地利用类型的占比构建逐步回归模型；
根据第二空间分辨率下每个网格对应区域的该指定土地利用类型占比数据和每个网格对应的该待定预测浓度依次确定每种土地利用类型的占比对该目标污染物的该指定差值的贡献指数，该贡献指数用于表征该土地利用类型的占比对该指定差值的贡献显著程度；
根据该贡献指数对该逐步回归模型迭代更新，以得到该预设污染物监测模型。
可选地，该模型生成模块505，被配置为：
按照以下更新策略更新该逐步回归模型，直至在确定该多种土地利用类型的占比中贡献显著的土地利用类型的占比均为该逐步回归模型的自变量，并且该逐步回归模型中不包括贡献不显著的土地利用类型的占比的情况下，将当前的该逐步回归模型作为该预设污染物监测模型；
该更新策略包括：
在确定当前土地利用类型的占比的该贡献指数大于或者等于预设阈值情况下，确定该当前土地利用类型的占比贡献显著，将该当前土地利用类型的占比作为自变量引入该逐步回归模型，以得到更新后的逐步回归模型；
在确定当前土地利用类型占比的该贡献指数小于预设阈值情况下，确定该当前土地利用类型的占比贡献不显著，将该当前土地利用类型的占比对应的自变量从该逐步回归模型中剔除，以得到更新后的逐步回归模型；
在得到更新后的逐步回归模型之后，获取每个土地利用类型的占比对应的更新后的贡献指数。
可选地，该模型生成模块505，被配置为：
对该第一空间分辨率下每个网格对应区域内该目标污染物的第一浓度进行插值处理，以得到该第二空间分辨率下每个网格对应区域的该待定预测浓度。
可选地，该第一获取模块501，被配置为：
根据该土地利用类型数据确定在目标空间分辨率下每个网格对应区域中每种目标土地利用类型的占比，以得到所示目标土地利用类型占比数据。
可选地，该第二获取模块502，被配置为：
对该指定空间分辨率下每个网格对应区域的目标污染物的指定浓度进行插值处理，以得到在该目标空间分辨率下每个网格对应区域中该目标污染物的该目标预测浓度。
上述技术方案，能够通过逐步回归算法得到该预设污染物监测模型，能够有效筛选出对该目标污染物贡献突出的土地利用类型的占比（自变量），通过预设污染物监测模型确定该目标空间分辨率下每个网格对应区域内该目标污染物的目标浓度，不仅能够得到更为准确地污染物浓度，也能够有效提升高空间分辨率下污染物浓度的监测效率。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备的框图。如图6所示，该第一电子设备700可以包括：第一处理器701，第一存储器702。该第一电子设备700还可以包括多媒体组件703，第一输入/输出接口704，以及第一通信组件705中的一者或多者。
其中，第一处理器701用于控制该第一电子设备700的整体操作，以完成上述的污染物监测方法中的全部或部分步骤。第一存储器702用于存储各种类型的数据以支持在该第一电子设备700的操作，这些数据例如可以包括用于在该第一电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该第一存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器（Static Random Access Memory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，简称EPROM），可编程只读存储器（Programmable Read-Only Memory，简称PROM），只读存储器（Read-Only Memory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在第一存储器702或通过第一通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。输入/输出接口704为第一处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。第一通信组件705用于该第一电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信（Near Field Communication，简称NFC），2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该第一通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，第一电子设备700可以被一个或多个应用专用集成电路（Application Specific Integrated Circuit，简称ASIC）、数字信号处理器（DigitalSignal Processor，简称DSP）、数字信号处理设备（Digital Signal Processing Device，简称DSPD）、可编程逻辑器件（Programmable Logic Device，简称PLD）、现场可编程门阵列（Field Programmable Gate Array，简称FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的污染物监测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的污染物监测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的第一存储器702，上述程序指令可由第一电子设备700的第一处理器701执行以完成上述的污染物监测方法。
图7是根据一示例性实施例示出的另一种电子设备的框图。例如，第二电子设备1900可以被提供为一服务器。参照图7，第二电子设备1900包括第二处理器1922，其数量可以为一个或多个，以及第二存储器1932，用于存储可由第二处理器1922执行的计算机程序。第二存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，第二处理器1922可以被配置为执行该计算机程序，以执行上述的污染物监测方法。
另外，第二电子设备1900还可以包括电源组件1926和第二通信组件1950，该电源组件1926可以被配置为执行第二电子设备1900的电源管理，该第二通信组件1950可以被配置为实现第二电子设备1900的通信，例如，有线或无线通信。此外，该第二电子设备1900还可以包括第二输入/输出接口1958。第二电子设备1900可以操作基于存储在第二存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的污染物监测方法的步骤。例如，该非临时性计算机可读存储介质可以为上述包括程序指令的第二存储器1932，上述程序指令可由第二电子设备1900的第二处理器1922执行以完成上述的污染物监测方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的污染物监测方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (10)
1.一种污染物监测方法，其特征在于，所述方法包括：
获取待测区域内目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据，所述目标土地利用类型占比数据包括多种目标土地利用类型的占比；
获取指定空间分辨率下每个网格对应区域的目标污染物的指定浓度，所述指定空间分辨率低于所述目标空间分辨率；
根据所述指定空间分辨率下每个网格对应区域的所述指定浓度确定在所述目标空间分辨率下每个网格对应区域中所述目标污染物的目标预测浓度；
将每个网格对应的所述目标预测浓度和所述目标土地利用类型占比数据输入预设污染物监测模型，以获取所述预设污染物监测模型输出的所述目标空间分辨率下每个网格对应区域内所述目标污染物的目标浓度，其中，所述预设污染物监测模型用于表征目标差值与所述多种目标土地利用类型的占比之间的函数关系，所述目标差值为所述目标污染物在所述目标空间分辨率下每个网格对应区域的目标浓度与所述目标预测浓度之间的差值。
2.根据权利要求1所述的方法，其特征在于，所述预设污染物监测模型通过以下方法预先得到：
获取所述待测区域在第一空间分辨率下每个网格对应区域内目标污染物的第一浓度，并获取在第二空间分辨率下每个网格对应区域内所述目标污染物的第二浓度，以及在第三空间分辨率下每个网格对应区域的土地利用类型数据，其中，所述第一空间分辨率低于所述第二空间分辨率，所述第二空间分辨率低于所述第三空间分辨率；
根据所述第一空间分辨率下每个网格对应区域中所述目标污染物的第一浓度预测在所述第二空间分辨率下每个网格对应区域中所述目标污染物的待定预测浓度；
根据所述土地利用类型数据确定在第二空间分辨率下每个网格对应区域的指定土地利用类型占比数据；
根据所述第二空间分辨率下每个网格对应区域的所述指定土地利用类型占比数据和所述待定预测浓度拟合得到所述预设污染物监测模型，其中，所述预设污染物监测模型用于表征指定差值与所述多种目标土地利用类型的占比之间的函数关系，所述指定差值为所述目标污染物在所述第二空间分辨率下每个网格对应区域的第二浓度与所述待定预测浓度之间的差值。
3.根据权利要求2所述的方法，其特征在于，所述指定土地利用类型占比数据包括多种土地利用类型的占比，所述根据所述第二空间分辨率下每个网格对应区域的所述指定土地利用类型占比数据和所述待定预测浓度拟合得到所述预设污染物监测模型，包括：
根据所述多种土地利用类型的占比构建逐步回归模型；
根据第二空间分辨率下每个网格对应区域的所述指定土地利用类型占比数据和每个网格对应的所述待定预测浓度依次确定每种土地利用类型的占比对所述目标污染物的所述指定差值的贡献指数，所述贡献指数用于表征所述土地利用类型的占比对所述指定差值的贡献显著程度；
根据所述贡献指数对所述逐步回归模型迭代更新，以得到所述预设污染物监测模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述贡献指数对所述逐步回归模型迭代更新，以得到所述预设污染物监测模型，包括：
按照以下更新策略更新所述逐步回归模型，直至在确定所述多种土地利用类型的占比中贡献显著的土地利用类型的占比均为所述逐步回归模型的自变量，并且所述逐步回归模型中不包括贡献不显著的土地利用类型的占比的情况下，将当前的所述逐步回归模型作为所述预设污染物监测模型；
所述更新策略包括：
在确定当前土地利用类型的占比的所述贡献指数大于或者等于预设阈值情况下，确定所述当前土地利用类型的占比贡献显著，将所述当前土地利用类型的占比作为自变量引入所述逐步回归模型，以得到更新后的逐步回归模型；
在确定当前土地利用类型占比的所述贡献指数小于预设阈值情况下，确定所述当前土地利用类型的占比贡献不显著，将所述当前土地利用类型的占比对应的自变量从所述逐步回归模型中剔除，以得到更新后的逐步回归模型；
在得到更新后的逐步回归模型之后，获取每个土地利用类型的占比对应的更新后的贡献指数。
5.根据权利要求2所述的方法，其特征在于，所述根据所述第一空间分辨率下每个网格对应区域内所述目标污染物的第一浓度预测在所述第二空间分辨率下每个网格对应区域内所述目标污染物的待定预测浓度，包括：
对所述第一空间分辨率下每个网格对应区域内所述目标污染物的第一浓度进行插值处理，以得到所述第二空间分辨率下每个网格对应区域的所述待定预测浓度。
6.根据权利要求2所述的方法，其特征在于，所述目标空间分辨率低于所述第三空间分辨率，所述获取待测区域内目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据，包括：
根据所述土地利用类型数据确定在目标空间分辨率下每个网格对应区域中每种目标土地利用类型的占比，以得到所示目标土地利用类型占比数据。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述根据所述指定空间分辨率下每个网格对应区域的所述指定浓度确定在所述目标空间分辨率下每个网格对应区域中目标污染物的目标预测浓度，包括：
对所述指定空间分辨率下每个网格对应区域的目标污染物的指定浓度进行插值处理，以得到在所述目标空间分辨率下每个网格对应区域中所述目标污染物的所述目标预测浓度。
8.一种污染物监测装置，其特征在于，所述装置包括：
第一获取模块，被配置为获取待测区域内目标空间分辨率下每个网格对应区域的目标土地利用类型占比数据，所述目标土地利用类型占比数据包括多种目标土地利用类型的占比；
第二获取模块，被配置为获取指定空间分辨率下每个网格对应区域的目标污染物的指定浓度，所述指定空间分辨率低于所述目标空间分辨率；
第一确定模块，被配置为根据所述指定空间分辨率下每个网格对应区域的所述指定浓度确定在所述目标空间分辨率下每个网格对应区域中所述目标污染物的目标预测浓度；
第二确定模块，被配置为将每个网格对应的所述目标预测浓度和所述目标土地利用类型占比数据输入预设污染物监测模型，以获取所述预设污染物监测模型输出的所述目标空间分辨率下每个网格对应区域内所述目标污染物的目标浓度，其中，所述预设污染物监测模型用于表征目标差值与所述多种目标土地利用类型的占比之间的函数关系，所述目标差值为所述目标污染物在所述目标空间分辨率下每个网格对应区域的目标浓度与所述目标预测浓度之间的差值。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211159488.3A CN115238245B (zh) | 2022-09-22 | 2022-09-22 | 污染物监测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211159488.3A CN115238245B (zh) | 2022-09-22 | 2022-09-22 | 污染物监测方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115238245A CN115238245A (zh) | 2022-10-25 |
| CN115238245B true CN115238245B (zh) | 2023-01-31 |
Family
ID=83667311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211159488.3A Active CN115238245B (zh) | 2022-09-22 | 2022-09-22 | 污染物监测方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115238245B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116739191B (zh) * | 2023-08-14 | 2023-11-07 | 中科三清科技有限公司 | 热点网格识别方法、装置、存储介质及电子设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999927B (zh) * | 2012-11-23 | 2015-03-04 | 中国科学院亚热带农业生态研究所 | 一种土壤污染物含量空间分布的精细分区方法 |
| IT201700064056A1 (it) * | 2017-06-09 | 2018-12-09 | Sense Square S R L S | Mappatura delle sorgenti d’inquinamento atmosferico e tracciamento degli inquinanti mediante l’utilizzo di reti di monitoraggio della qualità dell’aria ad alta risoluzione spazio-temporale |
| CN113297528B (zh) * | 2021-06-10 | 2022-07-01 | 四川大学 | 一种基于多源大数据的no2高分辨率时空分布计算方法 |
| CN114936957B (zh) * | 2022-05-23 | 2024-08-09 | 福州大学 | 基于移动监测数据的城市pm25浓度分布模拟及场景解析模型 |
-
2022
- 2022-09-22 CN CN202211159488.3A patent/CN115238245B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115238245A (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abdullah et al. | Multiple linear regression (MLR) models for long term PM10 concentration forecasting during different monsoon seasons | |
| CN116227749B (zh) | 污染物排放量的确定方法、装置、存储介质及电子设备 | |
| Altintas et al. | Towards an integrated cyberinfrastructure for scalable data-driven monitoring, dynamic prediction and resilience of wildfires | |
| CN115238245B (zh) | 污染物监测方法、装置、存储介质及电子设备 | |
| CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
| CN116739191B (zh) | 热点网格识别方法、装置、存储介质及电子设备 | |
| CN115481558A (zh) | 一种基于机器学习的大气污染排放反演方法、系统和设备 | |
| CN113777236A (zh) | 基于排放源的空气质量监控方法和装置 | |
| CN115792137B (zh) | 大气污染溯源方法及装置、终端 | |
| CN115236771B (zh) | 扬尘浓度确定方法、装置、存储介质和电子设备 | |
| CN114611941A (zh) | 一种考虑空间危险性的滑坡灾害评价方法及系统 | |
| CN111505740A (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
| CN114896783A (zh) | 空气质量改善效果的评估方法和装置 | |
| CN104602297B (zh) | 基于压缩感知的无线传感器网络监测方法及系统 | |
| CN117610895B (zh) | 重点污染源管控时间的确定方法、装置、电子设备及介质 | |
| CN116087421A (zh) | 大气污染物监测溯源方法、装置、计算机设备和存储介质 | |
| CN116228501B (zh) | 排污超标区域行业确定方法、装置、存储介质及电子设备 | |
| CN118095102A (zh) | 径流预报模型的确定方法、径流预报方法及相应装置 | |
| CN111428405B (zh) | 细颗粒物浓度仿真方法、装置、存储介质及电子设备 | |
| CN114298270A (zh) | 融合领域知识的污染物浓度预测方法及其相关设备 | |
| CN117009125A (zh) | 一种故障检测方法、装置、电子设备及存储介质 | |
| KR102465915B1 (ko) | 인공지능 기반의 수질 전광판의 수질정보 표시 시스템 | |
| CN112580898B (zh) | 一种污染预测方法以及污染预测模型训练方法 | |
| CN114358121A (zh) | 基于变电站设备的监测方法、装置和终端设备 | |
| US10726090B1 (en) | Per-user accuracy measure for social network based geocoding algorithms |
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 |