CN115269675A - 工业园区大气污染时空解析方法 - Google Patents
工业园区大气污染时空解析方法 Download PDFInfo
- Publication number
- CN115269675A CN115269675A CN202210678805.6A CN202210678805A CN115269675A CN 115269675 A CN115269675 A CN 115269675A CN 202210678805 A CN202210678805 A CN 202210678805A CN 115269675 A CN115269675 A CN 115269675A
- Authority
- CN
- China
- Prior art keywords
- emission
- layer
- time
- bilstm
- industrial park
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 38
- 231100000719 pollutant Toxicity 0.000 claims abstract description 38
- 230000009467 reduction Effects 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000002474 experimental method Methods 0.000 claims abstract description 11
- 230000035945 sensitivity Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000007621 cluster analysis Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 24
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 18
- 239000000779 smoke Substances 0.000 description 7
- 239000000428 dust Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种工业园区大气污染时空解析方法，包括：S1.预处理气象历史数据、大气污染物浓度历史数据和排放历史数据，包括异常值处理和缺失值填补；S2.构建CNN‑BILSTM模拟模型；S3.设计敏感性实验方案；针对代表性的污染时段,基于CNN‑BILSTM模型,对N种主要大气污染物分别设置s种减排比例,设计NS组对比实验,通过未来1hPM2.5浓度残差作为评价指标衡量减排效果,进而探索工业园区主要大气污染排放物与空气质量之间的影响关系；S4.分析大气污染物时空贡献度，利用Ward聚类对敏感性实验结果在时间和排放量两个维度上进行聚类分析，得到不同时间下工业园区污染物排放和外部排放对工业园区空气质量的贡献度。
Description
技术领域
本发明涉及大气治理技术领域。特别是涉及一种工业园区大气 污染时空解析方法。
背景技术
大气污染物排放和PM2.5浓度之间呈现显著的非线性变化。目前, 重点区域、城市开展大气污染时空解析工作多利用空气质量模型,空 气质量模型考虑了二次生成的颗粒物,而且可以反映污染物经过传输、 沉降、物理化学作用后的浓度分布特征,对不同排放特征的来源进行 更可靠的解析.但空气质量模型法适用条件复杂、数据种类和数量多, 硬件要求高.近年来统计学模型如机器学习和深度学习应用广泛,相 比空气质量模型,统计模型更容易且高效.但是传统机器学习、深度学 习模型绝大多数只采用空气质量监测数据和气象条件数据进行训练, 缺少污染排放数据从而不能鉴别空气污染形成因素,无法有效管控。
发明内容
为了解决现有大气污染时空解析方法中存在的上述缺陷，本发 明提出了一种大气污染时空解析方法。
本发明利用卷积神经网络和双向长短期记忆网络模拟工业园区 气象、排放源强和污染物浓度之间的变化规律,针对具有代表性的污 染时段,设定区域内不同大气污染排放量,通过敏感性分析研究大气污 染物在不同时刻不同排放情景下的污染削峰效果，获得其污染时空 特征，以削减大气重污染峰值、减缓重污染的发生和发展。
本发明通过以下技术方案实现：
一种工业园区大气污染时空解析方法，包括如下步骤：
1.预处理数据。数据包括气象历史数据、大气污染物浓度历史 数据和排放历史数据，预处理包括异常值处理和缺失值填补；异常 值处理采用3σ法则去除离群值，缺失值填补采用随林森林的链式 方程式多重插补(MiceForest，Multiple Imputation by ChainedEquations for Random Forest)，通过一系列迭代的预测模型来插补数 据集中的缺失数据。在每次迭代中，将使用数据集中的其他变量来 估算数据集中的每个指定的变量，这些迭代持续运行，直到满足收 敛为止。
2.构建CNN-BILSTM模拟模型。模拟模型由卷积神经网络 (CNN)和双向长短期记忆神经网络(BILSTM)组成，CNN包括卷积 层、池化层和全连接层；BILSTM包括前向LSTM层和后向LSTM 层。模型输入为气象数据、排放和大气污染物时序数据，输出为未 来1h平均PM2.5浓度。卷积层接收输入矩阵
t＝{t1,t2,t3,…,tn}，代表时间步数量，p＝{p1,p2,p3,…,ps}，代 表每一条时间序列的特征数量，通过卷积运算和池化提取其空间特 征，LSTM层用于捕获时间序列上的长期依赖，考虑到LSTM只能 利用过去的信息进行预测，采用BILSTM对过去和未来的信息同时处理以提高预测精度。CNN提取后的特征集输入到前向LSTM层和 后向LSTM层中，得到当前时刻其前向层和后向层的隐藏状态
和 
然后隐藏状态拼接得到神经元输出值Ot，再经过全连接层后得 到预测值。当前时刻其前向层和后向层的隐藏状态
和
的计算方式为：
式中，f(·)为前向信息提取函数；b(·)为后向信息提取函数； Wf是前向LSTM层的权重矩阵；bf是前向LSTM层的偏置；Wb是 后向LSTM层的权重矩阵；bb是后向LSTM层的偏置；
当前时刻神经元输出值的计算公式为：
式中，
为前向LSTM层的隐藏状态，
为反向LSTM层的 隐藏状态，Wy是BILSTM预测输出的权重矩阵；by是BILSTM预测 输出的偏置；
3.设计敏感性实验方案。针对代表性的污染时段(PM2.5超过中 国3级污染浓度限值的时刻),基于CNN-BILSTM模型,对N种主要大 气污染物分别设置s种减排比例,设计NS组对比实验,通过未来 1hPM2.5浓度残差作为评价指标衡量减排效果,进而探索工业园区主要大气污染排放物与空气质量之间的影响关系。
4.分析大气污染物时空贡献度，利用Ward聚类对敏感性实验 结果在时间和排放量两个维度上进行聚类分析，得到不同时间下工 业园区污染物排放和外部排放对工业园区空气质量的贡献度。
本发明利用深度学习模型拟合工业园区内的气象、排放和污染 物浓度关系和设置不同减排指数来模拟不同时段污染物不同排放量 对工业园区空气质量的影响，实现大气污染时空解析。
本发明的优点是：利用基于空气污染监测站点的历史数据构建 深度学习模型，通过设置敏感性实验,模拟工业园区气象、排放源强 和污染物浓度之间的变化规律及复合型污染特点，结合Ward聚类分 析在时间和排放量两个维度上工业园区污染物排放和外部排放对工 业园区空气质量的贡献度，实现大气污染时空解析，方法简单，通 用性好。
附图说明
图1是CNN-BILSTM框架图。
图2(a)～图2(f)是不同模型预测值与真实值拟合对比图其 中，图2(a)是SVR模型，图2(b)是CNN模型，图2(c)是 LSTM模型，图2(d)是BILSTM模型，图2(e)是训练数据中不含污染源排放数据的CNN-BILSTM模型，图2(f)是CNN- BILSTM模型。
图3(a)是二氧化硫在不同减排指数下各时段减排效果对比图。
图3(b)是氮氧化物在不同减排指数下各时段减排效果对比图。
图3(c)是烟尘在不同减排指数下各时段减排效果对比图。
具体实施方式
下面结合附图对本发明进行进一步描述。
大气污染物浓度数据为2020年12月1日-2020年12月31日濮 阳市工业园区空气自动监测站点逐小时监测数据,包括PM2.5、 PM10、CO、SO2及O3质量浓度。其中气象数据来源于濮阳市地面 气象站,主要包括气温、相对湿度、气压、降水、风速风向及露点温 度等。排放数据来源于河南省重点污染源自动监控系统,主要排放物 包括二氧化硫、氮氧化物及烟尘等。
一种工业园区大气污染物协同减排评估方法，包括以下步骤：
1.预处理数据。数据包括气象历史数据、大气污染物浓度历史 数据和排放历史数据，预处理包括异常值处理和缺失值填补；异常 值处理主要利用3σ法则去除离群值，缺失值填补采用随机森林的链 式方程式多重插补，拟合PM2.5浓度和气象因素及其他污染物之间的 关系模型从而进行缺失值填补；气象数据如气温、相对湿度、气 压、降水、风速风向及露点温度等。排放数据如二氧化硫、氮氧化 物及烟尘等大气排放物，大气污染物浓度数据如PM2.5、PM10、 CO、SO2及O3等质量浓度；
2.构建CNN-BILSTM模拟模型。预测模型由CNN和BILSTM 神经网络组成，CNN包括卷积层、池化层和全连接层；BILSTM包 括前向LSTM层和后向LSTM层。模型输入为ASI、排放和大气污 染物时序数据，输出为未来24h平均PM2。5浓度。卷积层通过反向 传播学习到合理的权值,池化层减少空间信息参数,提高运算效率,防 止过拟合。分别在BILSTM层和全连接层的末尾加上Dropout层随 机丢弃节点,防止过拟合。
如图1所示，数据建模包括对原始数据划分时间步和归一化处 理，数据归一化采用min-max标准化方法。预测建模包括CNN卷 积层将时序数据映射为n*s矩阵，其中，n代表时序数据样例数，s 代表数据维度，经过滤波器处理后进入池化层，提取局部特征，减 少冗余信息,将提取后的多组特征向量输入BILSTM层、Dropout层 和全连接层中，得到输出结果。此外,为了增强CNN-BILSTM网络 模型的泛化性和鲁棒性,选择Adam作为优化算法。
不同模型的拟合效果和评价指标如图2所示,图2(a)～(f)分别代 表SVR模型、CNN模型、LSTM模型、BILSTM模型、训练数据中 不含污染源排放数据的CNN-BILSTM模型、CNN-BiLSTM模型,从 可决系数来看,训练数据包含污染源排放数据的CNN-BiLSTM模 型拟合效果最好,评价指标最优.其R2值为0.93,预测值与真实值的相 关性极高,相比不包含污染源排放数据的传统模型,精度提高4％.证明 融合污染源排放数据后CNN-BILSTM模型有更高的预测精度,表明 CNN-BILSTM模型利用工业园区气象、排放量和空气质量数据成功 模拟了PM2.5浓度的变化趋势，因此基于该模型的分析结果具有可靠 性。
3.设计敏感性实验方案。针对代表性的污染时段(PM2.5超过中 国3级污染浓度限值的时刻),基于CNN-BILSTM模型,对N种主要大 气污染物分别设置s种减排比例,设计NS组对比实验,通过未来 1hPM2.5浓度残差作为评价指标衡量减排效果,进而探索工业园区主要大气污染排放物之间的相互影响关系。
4.分析大气污染物时空贡献度，利用Ward聚类对敏感性实验 结果在时间和排放量两个维度上进行聚类分析，得到不同时间下工 业园区污染物排放和外部排放对工业园区空气质量的贡献度。
如图3所示,图3a到图3c分别代表二氧化硫、氮氧化物和烟尘 在不同时刻不同减排指数下未来1hPM2.5浓度预测值与真实值残差对 比,利用Ward聚类在时间和减排指数两个维度上对结果进行聚类分 析.结果表明,在减排指数维度上,二氧化硫最优减排指数为10,其次为 4和7；氮氧化物最优减排指数为6,其次为3；烟尘最优减排指数为 1和10.在时间维度上,二氧化硫和氮氧化物在6-7时和17-18时的减 排效果最好,其次是15-17时；烟尘在15-16时减排效果最好,其次为 6-7和17-18时.这表明大气污染物排放量削减会降低工业园区PM2.5浓度,不同大气污染物在空气中的响应程度与排放量呈非线性关 系,PM2.5浓度在6-7时和15-18时减排下降幅度最大,这是由于逆温现 象一般出现在夜间和早晨,冬季傍晚因为地面温度急剧降低,近地面的 下层大气温度降低,上层空气降温相对较慢,这种下冷上热的逆温层导 致空气无法上下对流,污染物不易扩散；随着太阳升高,地面温度逐渐上升,静稳层结被打破,污染物开始扩散；因此早晨和傍晚大气自净能 力最强,此时减排效果显著.
空间上工业园区内二氧化硫、氮氧化物和烟尘在减排指数为 10、10、6时PM2.5浓度下降幅度最大,对PM2.5浓度的平均最大贡献 度为22％、20％、23％,可见外来排放占35％左右；时间上由于逆温 效应，在6-7时和15-18时减排污染削峰效果最优，PM2.5下降比例 分别为24％和23％。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列 举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式， 本发明的保护范围也及于本领域技术人员根据本发明构思所能够想 到的等同技术手段。
Claims (2)
1.一种工业园区大气污染时空解析方法，包括如下步骤：
S1.预处理数据；数据包括气象历史数据、大气污染物浓度历史数据和排放历史数据，预处理包括异常值处理和缺失值填补；异常值处理采用3σ法则去除离群值，缺失值填补采用随林森林的链式方程式多重插补(MiceForest，Multiple Imputation by ChainedEquations for Random Forest)，通过一系列迭代的预测模型来插补数据集中的缺失数据；在每次迭代中，将使用数据集中的其他变量来估算数据集中的每个指定的变量，这些迭代持续运行，直到满足收敛为止；
S2.构建CNN-BILSTM模拟模型；模拟模型由卷积神经网络(CNN)和双向长短期记忆神经网络(BILSTM)组成，CNN包括卷积层、池化层和全连接层；BILSTM包括前向LSTM层和后向LSTM层；模型输入为气象数据、排放和大气污染物时序数据，输出为未来1h平均PM2.5浓度；卷积层接收输入矩阵
t＝{t1,t2,t3,…,tn}，代表时间步数量，p＝{p1,p2,p3,…,ps}，代表每一条时间序列的特征数量，通过卷积运算和池化提取其空间特征，LSTM层用于捕获时间序列上的长期依赖，考虑到LSTM只能利用过去的信息进行预测，采用BILSTM对过去和未来的信息同时处理以提高预测精度；CNN提取后的特征集输入到前向LSTM层和后向LSTM层中，得到当前时刻其前向层和后向层的隐藏状态
和
然后隐藏状态拼接得到神经元输出值Ot，再经过全连接层后得到预测值；当前时刻其前向层和后向层的隐藏状态
和
的计算方式为：
式中，f(·)为前向信息提取函数；b(·)为后向信息提取函数；Wf是前向LSTM层的权重矩阵；bf是前向LSTM层的偏置；Wb是后向LSTM层的权重矩阵；bb是后向LSTM层的偏置；
当前时刻神经元输出值的计算公式为：
式中，
为前向LSTM层的隐藏状态，
为反向LSTM层的隐藏状态，Wy是BiLSTM预测输出的权重矩阵；by是BiLSTM预测输出的偏置；
S3.设计敏感性实验方案；针对代表性的污染时段,基于CNN-BILSTM模型,对N种主要大气污染物分别设置s种减排比例,设计NS组对比实验,通过未来1hPM2.5浓度残差作为评价指标衡量减排效果,进而探索工业园区主要大气污染排放物与空气质量之间的影响关系；
S4.分析大气污染物时空贡献度，利用Ward聚类对敏感性实验结果在时间和排放量两个维度上进行聚类分析，得到不同时间下工业园区污染物排放和外部排放对工业园区空气质量的贡献度。
2.如权利要求1所述的一种工业园区大气污染时空解析方法，其特征在于：步骤S3所述的代表性的污染时段是PM2.5超过中国3级污染浓度限值的时刻。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210678805.6A CN115269675A (zh) | 2022-06-15 | 2022-06-15 | 工业园区大气污染时空解析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210678805.6A CN115269675A (zh) | 2022-06-15 | 2022-06-15 | 工业园区大气污染时空解析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115269675A true CN115269675A (zh) | 2022-11-01 |
Family
ID=83762414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210678805.6A Withdrawn CN115269675A (zh) | 2022-06-15 | 2022-06-15 | 工业园区大气污染时空解析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115269675A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115796034A (zh) * | 2022-12-01 | 2023-03-14 | 信阳师范学院 | 一种基于机器学习和数值模式的道路扬尘贡献评估系统和方法 |
| CN116046999A (zh) * | 2023-02-17 | 2023-05-02 | 安徽中科蓝壹信息科技有限公司 | 基于观测数据的臭氧敏感性自动分析系统 |
| KR102549313B1 (ko) * | 2023-02-17 | 2023-06-30 | 대한민국(환경부 국립환경과학원장) | 오염물질 배출수준 산정 시스템 및 방법 |
| CN116738232A (zh) * | 2023-06-16 | 2023-09-12 | 中国科学院空天信息创新研究院 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
| CN116881671A (zh) * | 2023-09-04 | 2023-10-13 | 山东智明环保工程有限公司 | 基于神经网络的大气污染溯源方法及系统 |
| CN117591907A (zh) * | 2024-01-18 | 2024-02-23 | 四川国蓝中天环境科技集团有限公司 | 基于密集型空气质量微站监测的污染发生及传播感知方法 |
| CN116738232B (zh) * | 2023-06-16 | 2024-05-31 | 中国科学院空天信息创新研究院 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
-
2022
- 2022-06-15 CN CN202210678805.6A patent/CN115269675A/zh not_active Withdrawn
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115796034A (zh) * | 2022-12-01 | 2023-03-14 | 信阳师范学院 | 一种基于机器学习和数值模式的道路扬尘贡献评估系统和方法 |
| CN115796034B (zh) * | 2022-12-01 | 2024-01-30 | 信阳师范学院 | 基于机器学习和数值模式的道路扬尘贡献评估系统和方法 |
| CN116046999A (zh) * | 2023-02-17 | 2023-05-02 | 安徽中科蓝壹信息科技有限公司 | 基于观测数据的臭氧敏感性自动分析系统 |
| KR102549313B1 (ko) * | 2023-02-17 | 2023-06-30 | 대한민국(환경부 국립환경과학원장) | 오염물질 배출수준 산정 시스템 및 방법 |
| CN116046999B (zh) * | 2023-02-17 | 2023-08-18 | 安徽中科蓝壹信息科技有限公司 | 基于观测数据的臭氧敏感性自动分析系统 |
| CN116738232A (zh) * | 2023-06-16 | 2023-09-12 | 中国科学院空天信息创新研究院 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
| CN116738232B (zh) * | 2023-06-16 | 2024-05-31 | 中国科学院空天信息创新研究院 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
| CN116881671A (zh) * | 2023-09-04 | 2023-10-13 | 山东智明环保工程有限公司 | 基于神经网络的大气污染溯源方法及系统 |
| CN116881671B (zh) * | 2023-09-04 | 2023-11-17 | 山东智明环保工程有限公司 | 基于神经网络的大气污染溯源方法及系统 |
| CN117591907A (zh) * | 2024-01-18 | 2024-02-23 | 四川国蓝中天环境科技集团有限公司 | 基于密集型空气质量微站监测的污染发生及传播感知方法 |
| CN117591907B (zh) * | 2024-01-18 | 2024-03-26 | 四川国蓝中天环境科技集团有限公司 | 基于密集型空气质量微站监测的污染发生及传播感知方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115269675A (zh) | 工业园区大气污染时空解析方法 | |
| CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
| CN110531030B (zh) | 一种基于物联网大数据大气污染物分析的方法及装置 | |
| Yang et al. | PM2. 5 concentrations forecasting in Beijing through deep learning with different inputs, model structures and forecast time | |
| CN111144286A (zh) | 一种融合emd和lstm的城市pm2.5浓度预测方法 | |
| CN112085163A (zh) | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 | |
| CN112529240B (zh) | 一种大气环境数据的预测方法、系统、装置及存储介质 | |
| CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
| CN110766222B (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
| CN114626512A (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
| CN113240170A (zh) | 一种基于季节性循环神经网络的空气质量预测方法 | |
| CN111369057A (zh) | 一种基于深度学习的空气质量预测优化方法及系统 | |
| CN111489015A (zh) | 基于多种模型对比和优化的大气o3浓度预测方法 | |
| CN110738367B (zh) | 一种基于深度残差网络的交通尾气排放量预测方法 | |
| CN112287294A (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
| CN115438848A (zh) | 基于深度混合图神经网络的pm2.5浓度长期预测方法 | |
| Yan et al. | Encoder-decoder model for forecast of PM2. 5 concentration per hour | |
| CN116187210B (zh) | 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 | |
| CN114036736A (zh) | 一种基于局部格兰杰因果分析的因果网络学习方法 | |
| CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN113987912A (zh) | 一种基于地理信息的污染物在线监测系统 | |
| CN115015486B (zh) | 一种基于回归树模型的碳排放量测算方法 | |
| CN114997506B (zh) | 一种基于链路预测的大气污染传播路径预测方法 | |
| CN110852493A (zh) | 基于多种模型对比的大气pm2.5浓度预测方法 | |
| CN115146537A (zh) | 基于耗电量的大气污染物排放量估算模型构建方法及系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221101 |
|
| WW01 | Invention patent application withdrawn after publication |