CN115541825B - 一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法 - Google Patents
一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法 Download PDFInfo
- Publication number
- CN115541825B CN115541825B CN202211224134.2A CN202211224134A CN115541825B CN 115541825 B CN115541825 B CN 115541825B CN 202211224134 A CN202211224134 A CN 202211224134A CN 115541825 B CN115541825 B CN 115541825B
- Authority
- CN
- China
- Prior art keywords
- ozone
- data
- contribution
- unit
- concentration
- 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
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 29
- 230000007774 longterm Effects 0.000 claims description 12
- 239000003344 environmental pollutant Substances 0.000 claims description 8
- 231100000719 pollutant Toxicity 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000003915 air pollution Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Classifications
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0039—O3
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Medicinal Chemistry (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Biology (AREA)
- Food Science & Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Oxygen, Ozone, And Oxides In General (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法，涉及大气污染控制领域，包括基础数据监测模块、通信模块和数据处理模块，基础数据监测模块含有密集网布设单元、维护与检修单元和数据监测单元，数据处理模块含有数据预处理单元、算法处理单元和结果输出单元；密集网布设单元所布设的各个观测点位上分别设有气象传感器和臭氧浓度传感器用以分别采集气象和臭氧浓度信息，并通过通信模块传输至数据处理模块，在数据处理模块中的基础数据经预处理后进行算法运算，量化人为排放对臭氧背景浓度贡献。本发明操作简单，准确性强，误差小，为臭氧污染排放评估、臭氧污染治理等工作提供重要数据支持和科学支撑。
Description
技术领域
本发明属于大气污染控制领域，具体涉及一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法。
背景技术
近年来我国经济高速发展、城市化进程加快，伴随的大气污染已成为社会热点问题。近年来，我国近地面臭氧浓度呈升高的趋势，城市及区域臭氧污染问题日益突出。在很多城市臭氧已成为次于PM2.5的主要污染物。高浓度的臭氧对民众的身体健康和生态系统产生重大影响。我国与臭氧相关的过早死病例达十万计，臭氧造成的农作物经济损失达数亿元。为了应对日益严重的大气污染问题，我国采取了一系列严格措施，如“大气十条”“大气污染防治攻坚战”等削减人为污染排放、控制大气污染。经过努力，我国空气质量有了明显改善，主要空气污染物特别是PM2.5呈明显降低的趋势。然而，很多城市夏季O3却不降反升。
特定地点的臭氧浓度可以视作区域臭氧背景浓度和本地光化学生成的臭氧浓度之和，量化本地生成O3与区域背景O3的相对量，对了解当地O3污染产生的主要来源和制定O3污染防治对策大有裨益。现有的估算臭氧区域背景浓度时，通常以空气质量模型(如WRF-CHEM、WRF-CMAQ、NAQPMS等)为手段，模拟污染源附近接收点的污染物浓度，可以通过模拟得到直接排入大气的一次污染物和由于复杂的化学反应形成的二次污染物，再通过关闭目标区域的臭氧前体物排放，最终通过模拟获得臭氧区域背景浓度，但是此种方法受限于臭氧前体物排放源精度和模式反应机制的不确定性，误差相对较大，此外，空气质量模型的运行较为繁琐，不仅需要高性能的运算平台，同时对操作者要求也比较高。
发明内容
针对现有存在的以空气质量模型来估算臭氧区域背景浓度操作困难，对运算平台要求较高且误差大的缺陷和问题，本发明提供一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法，从而解决现有技术中存在的前述问题。
本发明解决其技术问题所采用的方案是：一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统，包括基础数据监测模块、通信模块和数据处理模块，所述基础数据监测模块包括密集网布设单元、维护与检修单元和数据监测单元，所述密集网布设单元用于在待评估区域布设合适的密集网观测点位，且在各密集网观测点位中配置有定位仪、气象监测传感器和臭氧监测传感器，分别用于获取待评估区域中各密集网观测点位的位置信息、气象参数信息和臭氧浓度信息；密集网布设单元分别与所述维护与检修单元和数据监测单元连接，维护与检修单元用于反应密集网的工作状态，完成对密集网的日常检修维护，数据监测单元用于对获取到的气象参数信息和臭氧浓度信息进行收集并通过通信模块发送至数据处理模块；所述数据处理模块包括数据预处理单元、算法处理单元和结果输出单元，所述数据预处理单元用以接收从基础数据监测模块中传输过来的气象参数信息和臭氧浓度信息并进行清洗处理，所述算法处理单元与数据预处理单元连接，用于接收数据预处理单元处理后的基础数据，并对原始臭氧时间序列中人为排放和气象条件的贡献进行剥离，基于算法处理单元中的程序算法估算人为排放对臭氧背景浓度的贡献，最后通过结果输出单元将运算结果输出。
作为本发明的一种优选技术方案，所述臭氧监测传感器上连接有传感器校准接口，用于在开始工作前对臭氧传感器进行校准。
作为本发明的一种优选技术方案，所述定位仪基于北斗卫星系统来获取待评估区域中各密集网观测点位的位置信息。
作为本发明的一种优选技术方案，所述通信模块基于无线网络进行数据传输。
作为本发明的一种优选技术方案，所述算法处理单元先要剥离原始臭氧时间序列中人为排放和气象条件的贡献，依赖如下公式：
公式2：A(t)＝a0+∑aiSi(t)+εW(t)
公式3：B(t)＝b0+∑bjBj(t)+εB(t)
公式4：：ε(t)＝A(t)+B(t)
公式5：εLT(t)＝KZm＝365,p＝3[ε(t)]
式中：Yi为经过一次滤波后的时间序列，m为滑动窗口长度(m＝2k+1)，i为滤波时的采样点，k为对Xi进行滤波时其两端的滑动窗口长度，X为原始序列，εW(t)和εB(t)分别为短期分量和基线分量回归残差，Si(t)为短期分量回归的第i个气象因子，Bj(t)为基线分量回归的第j个气象因子，a0、ai、b0、bj为回归系数，ε(t)为总残差。
作为本发明的一种优选技术方案，所述算法处理单元通过程序算法估算人为排放对臭氧背景浓度的贡献，依赖如下公式：
公式6：ρL(O3)＝ρmax(MDA8-O3)-ρmin(MDA8-O3)
公式7：ρR(O3)＝ρmin(MDA8-O3)
式中：MDA8-O3表示臭氧日最大8小时滑动平均值，ρL(O3)是本地生成O3浓度，ρR(O3)表示区域背景O3浓度，ρmax(MDA8-O3)表示各站点中ρ(MDA8-O3)的最大值，ρmax(MDA8-O3)表示各站点中ρ(MDA8-O3)的最小值，w表示背景贡献。
本发明还公开了一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的方法，应用上述基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统，包括以下步骤：
步骤一：待评估区域确定后，根据待评估区域的地形地势、土地利用、功能区分布等情况布设合适的密集网观测点位；
步骤二：在密集网观测点位布设臭氧和气象监测传感器，同时对臭氧监测传感器进行校准以及检测密集网的工作状态，若系统正常即开始工作；
步骤三：密集网开始工作并分别获取气象数据和臭氧浓度数据；
步骤四：通信模块将采集的气象数据和臭氧浓度数据传输至数据预处理单元；
步骤五：数据预处理单元对接收到的气象和臭氧监测数据进行一致性检查、并对一些无效值、缺失值和离群值进行清洗处理；
步骤六：算法处理单元接收到数据预处理单元清洗后的数据，并基于算法处理单元中的程序算法，剥离原始臭氧时间序列中人为排放和气象条件的贡献；
步骤七：以步骤六中剥离后的数据为基础，通过程序算法估算人为排放对臭氧背景浓度的贡献。
作为本发明的一种优选技术方案，上述步骤六和步骤七中所述的算法处理单元中所采用的程序算法包括以下步骤：
1)使用KZ滤波法将密集网观测的臭氧浓度时间序列(日最大8小时平均)和气象时间序列分解为长期分量、季节分量和短期分量。KZ是经p次迭代与m点滑动平均的低通滤波器，其计算如公式1，
公式1：
式中，Yi为经过一次滤波后的时间序列，m为滑动窗口长度(m＝2k+1)，i为滤波时的采样点，k为对Xi进行滤波时其两端的滑动窗口长度，X为原始序列，原始时间序列X滤波后的结果作为下次的滤波输入再次进行计算，以此迭代计算p次，最终得到滤波结果KZm，p(X)。不同尺度过程的滤波可由参数m与p控制。
短期分量的计算方法为：X(t)-KZ(15，5)[X(t)]，季节分量的计算方式为：KZ(15，5)[X(t)]-KZ(365，3)[X(t)]，长期分量的计算方式为：KZ(365，3)[X(t)]。长期分量和季节分量之和为基线分量。
2)分别以臭氧的短期分量和基线分量为因变量，以气象要素为自变量，建立多元线性回归模型，回归模型如公式2和公式3，
公式2：A(t)＝a0+∑aiSi(t)+εW(t)
公式3：B(t)＝b0+∑bjBj(t)+εB(t)
式中：εW(t)和εB(t)分别为短期分量和基线分量回归残差，Si(t)为短期分量回归的第i个气象因子，Bj(t)为基线分量回归的第j个气象因子，a0、ai、b0、bj为回归系数。
3)臭氧时间序列回归的总残差ε(t)是A(t)和B(t)之和，即，
公式4：ε(t)＝[W(t)-(a0+aiSi(t))]+[B(t)-(b0+∑bjBj(t))]
利用KZm＝365，p＝3对总残差ε(t)进行再次滤波，滤波结果εLT(t)表示仅由污染源排放改变引起的污染物长期变化趋势，进而定量人为排放和气象条件对大气污染物浓度贡献。
4)估算人为排放对臭氧背景浓度贡献，计算如公式5，
式中：ρmax(O3)表示各站点中臭氧浓度的最大值，ρmax(O3)表示各站点中臭氧浓度的最小值，w表示背景贡献。
与现有技术相比，本发明的有益效果是：本发明提供的基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法，能够直接通过密集网观测数据基于程序算法来估算人为排放对臭氧背景浓度的贡献，对于不同的评估区域可以合理的布置适合该待评估区域的密集网观测点位，可移动性及变通性强，能够在任意区域布设；通过在各观测点位设置气象和臭氧监测传感器能够自动即时的获取不同位置的参数信息，整个系统可自动运行，无需人工看管，省时省力，还能够通过维护与检修单元及时查看系统漏洞并进行补缺，保证系统能够正常运行，确保对数据采集的准确性；在算法处理单元能够通过简单便捷的程序算法来准确量化人为排放对臭氧背景浓度的贡献，计算相对准确，误差小，运算效率高，时效性强。
附图说明
图1为本发明实施例一基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统图；
图2为本发明实施例二基于密集网观测的人为排放对臭氧背景浓度贡献评估的方法流程图；
图3为本发明实施例三基于密集网观测的人为排放对臭氧背景浓度贡献评估的算法流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
实施例一：
根据图1和图2所示，包括基础数据监测模块、通信模块、和数据处理模块，基础数据监测模块包括密集网布设单元、维护与检修单元和数据监测单元，密集网布设单元结合待评估区域的地形地势、土地利用、功能区分等情况，在待评估区域内合理的布设密集网观测点位，且在各观测点位中配置有定位仪、气象监测传感器和臭氧监测传感器，定位仪能够基于北斗卫星系统来获取待评估区域中各密集网观测点位的位置信息，通过气象监测传感器来获取观测点位的风速、风向、温度、相对湿度、日照时间和降雨量等气象参数信息，通过臭氧监测传感器来获取臭氧浓度数据，并且在臭氧监测传感器上设有传感器校准接口，从而在臭氧传感器开始工作之前对其先进行校准，保证监测数据的准确性，本实施例中所用臭氧监测传感器可使用电池或者太阳能供电，能够在-55℃～65℃的温度下正常工作，且测量误差小于1％；密集网布设单元分别与维护与检修单元和数据监测单元连接，其中维护与检修单元能够反应密集网的工作状态，对密集网完成日常的维护，如检查各传感器、定位仪是否损坏、测量不准确、不通电等情况，并对故障原因进行分析及反馈，保证密集网工作状态的稳定性及监测数据的准确性，而数据监测单元则用于在密集网布设单元中所获取到的气象参数信息和臭氧浓度信息进行汇总收集并通过通信模块传输至数据处理模块，本实施例中通信模块采用无线网络进行数据传输。
数据处理模块包括数据预处理单元、算法处理单元和结果输出单元，其中数据预处理单元接收到从基础数据监测模块中传输的气象参数信息和臭氧浓度信息之后，对这些数据进行一致性检查及处理无效值、缺失值和离群值，并将清洗后的有效值传输至算法处理单元，算法处理单元与数据预处理单元连接，用于接收数据预处理单元处理后的有效的基础数据，并通过一些程序算法，将原始臭氧时间序列中的人为排放和气象条件的贡献剥离出来，此处原始臭氧时间序列指的是臭氧传感器监测的大气中实际的臭氧浓度，其臭氧浓度变化就相当于人为排放和气象条件变化生成的臭氧浓度之和，而将人为排放和气象条件的贡献分开之后，就能够基于程序算法来估算人为排放对臭氧背景浓度的贡献，最后通过结果输出单元将运算结果输出，得到的即为人为排放对臭氧背景浓度的贡献。本发明上述的系统，能够直接用密集网观测数据估算人为排放对臭氧背景浓度的贡献，能够自动即时的获取不同位置的参数信息，整个系统可自动运行，无需人工看管，操作简单，省时省力，误差小，准确性高，实效性高。
即，首先通过以下公式剥离原始臭氧时间序列中人为排放和气象条件的贡献：
公式1：
公式2：A(t)＝a0+∑aiSi(t)+εW(t)
公式3：B(t)＝b0+∑bjBj(t)+εB(t)
公式4：：ε(t)＝A(t)+B(t)
公式5：εLT(t)＝KZm＝365，p＝3[ε(t)]
式中：Yi为经过一次滤波后的时间序列，m为滑动窗口长度(m＝2k+1)，i为滤波时的采样点，k为对Xi进行滤波时其两端的滑动窗口长度，X为原始序列，εW(t)和εB(t)分别为短期分量和基线分量回归残差，Si(t)为短期分量回归的第i个气象因子，Bj(t)为基线分量回归的第j个气象因子，a0、ai、b0、bj为回归系数，ε(t)为总残差；
其次，将人为排放和气象条件贡献剥离之后，再以剥离了气象条件对原始臭氧时间序列影响后的数据为基础数据，基于以下公式来估算人为排放对臭氧背景浓度贡献：
公式6：ρL(O3)＝ρmax(MDA8-O3)-ρmin(MDA8-O3)
公式7：ρR(O3)＝ρmin(MDA8-O3)
公式8：
式中：MDA8-O3表示臭氧日最大8小时滑动平均值，ρL(O3)是本地生成O3浓度，ρR(O3)表示区域背景O3浓度，ρmax(MDA8-O3)表示各站点中ρ(MDA8-O3)的最大值，ρmax(MDA8-O3)表示各站点中ρ(MDA8-O3)的最小值，w表示背景贡献。
实施例二：
本实施例提供了一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的方法，应用上述实施例一中所述的基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统，包括以下步骤：
步骤一：待评估区域确定后，根据待评估区域的地形地势、土地利用、功能区分布等情况布设合适的密集网观测点位；
步骤二：在密集网观测点位布设臭氧和气象监测传感器，同时对臭氧监测传感器进行校准以及检测密集网的工作状态，若系统正常即开始工作；
步骤三：密集网开始工作并分别获取气象数据和臭氧浓度数据；
步骤四：通信模块将采集的气象数据和臭氧浓度数据传输至数据预处理单元；
步骤五：数据预处理单元对接收到的气象和臭氧监测数据进行一致性检查、并对一些无效值、缺失值和离群值进行清洗处理；
步骤六：算法处理单元接收到数据预处理单元清洗后的数据，并基于算法处理单元中的程序算法，剥离原始臭氧时间序列中人为排放和气象条件的贡献；
步骤七：以步骤六中剥离后的数据为基础，通过程序算法估算人为排放对臭氧背景浓度的贡献。
其中，上述步骤六和步骤七中所述的算法处理单元中所采用的程序算法包括以下步骤：
1)使用KZ滤波法将密集网观测的臭氧浓度时间序列(日最大8小时平均)和气象时间序列分解为长期分量、季节分量和短期分量。KZ是经p次迭代与m点滑动平均的低通滤波器，其计算如公式1，
公式1：
式中，Yi为经过一次滤波后的时间序列，m为滑动窗口长度(m＝2k+1)，i为滤波时的采样点，k为对Xi进行滤波时其两端的滑动窗口长度，X为原始序列，原始时间序列X滤波后的结果作为下次的滤波输入再次进行计算，以此迭代计算p次，最终得到滤波结果KZm，p(X)。不同尺度过程的滤波可由参数m与p控制。
短期分量的计算方法为：X(t)-KZ(15，5)[X(t)]，季节分量的计算方式为：KZ(15，5)[X(t)]-KZ(365，3)[X(t)]，长期分量的计算方式为：KZ(365，3)[X(t)]。长期分量和季节分量之和为基线分量。
2)分别以臭氧的短期分量和基线分量为因变量，以气象要素为自变量，建立多元线性回归模型，回归模型如公式2和公式3，
公式2：A(t)＝a0+∑aiSi(t)+εW(t)
公式3：B(t)＝b0+∑bjBj(t)+εB(t)
式中：εW(t)和εB(t)分别为短期分量和基线分量回归残差，Si(t)为短期分量回归的第i个气象因子，Bj(t)为基线分量回归的第j个气象因子，a0、ai、b0、bj为回归系数。
3)臭氧时间序列回归的总残差ε(t)是A(t)和B(t)之和，即，
公式4：ε(t)＝[W(t)-(a0+aiSi(t))]+[B(t)-(b0+∑bjBj(t))]
利用KZm＝365，p＝3对总残差ε(t)进行再次滤波，滤波结果εLT(t)表示仅由污染源排放改变引起的污染物长期变化趋势，进而定量人为排放和气象条件对大气污染物浓度贡献。
4)估算人为排放对臭氧背景浓度贡献，计算如公式5，
式中：ρmax(O3)表示各站点中臭氧浓度的最大值，ρmax(O3)表示各站点中臭氧浓度的最小值，w表示背景贡献。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (6)
1.一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统，其特征在于：包括基础数据监测模块、通信模块和数据处理模块，所述基础数据监测模块包括密集网布设单元、维护与检修单元和数据监测单元，所述密集网布设单元用于在待评估区域布设合适的密集网观测点位，且在各密集网观测点位中配置有定位仪、气象监测传感器和臭氧监测传感器，分别用于获取待评估区域中各密集网观测点位的位置信息、气象参数信息和臭氧浓度信息；密集网布设单元分别与所述维护与检修单元和数据监测单元连接，维护与检修单元用于反应密集网的工作状态，完成对密集网的日常检修维护，数据监测单元用于对获取到的气象参数信息和臭氧浓度信息进行收集并通过通信模块发送至数据处理模块；所述数据处理模块包括数据预处理单元、算法处理单元和结果输出单元，所述数据预处理单元用以接收从基础数据监测模块中传输过来的气象参数信息和臭氧浓度信息并进行清洗处理，所述算法处理单元与数据预处理单元连接，用于接收数据预处理单元处理后的基础数据，并对原始臭氧时间序列中人为排放和气象条件的贡献进行剥离，基于算法处理单元中的程序算法估算人为排放对臭氧背景浓度的贡献，最后通过结果输出单元将运算结果输出；所述算法处理单元中所采用的程序算法包括以下步骤：
1)使用KZ滤波法将密集网观测的臭氧浓度时间序列和气象时间序列分解为长期分量、季节分量和短期分量；臭氧浓度时间序列为日最大8小时平均，KZ是经p次迭代与m点滑动平均的低通滤波器，其计算如公式1，
公式1：
式中，Yi为经过一次滤波后的时间序列，m为滑动窗口长度，m＝2k+1，i为滤波时的采样点，k为对Xi进行滤波时其两端的滑动窗口长度，X为原始序列，原始时间序列X滤波后的结果作为下次的滤波输入再次进行计算，以此迭代计算p次，最终得到滤波结果KZm，p(X)；不同尺度过程的滤波可由参数m与p控制；
短期分量的计算方法为：X(t)-KZ(15，5)[X(t)]，季节分量的计算方式为：KZ(15，5)[X(t)]-KZ(365，3)[X(t)]，长期分量的计算方式为：KZ(365，3)[X(t)]；长期分量和季节分量之和为基线分量；
2)分别以臭氧的短期分量和基线分量为因变量，以气象要素为自变量，建立多元线性回归模型，回归模型如公式2和公式3，
公式2：A(t)＝a0+∑aiSi(t)+εW(t)
公式3：B(t)＝b0+∑bjBj(t)+εB(t)
式中：εW(t)和εB(t)分别为短期分量和基线分量回归残差，Si(t)为短期分量回归的第i个气象因子，Bj(t)为基线分量回归的第j个气象因子，a0、ai、b0、bj为回归系数；
3)臭氧时间序列回归的总残差ε(t)是短期分量回归残差εW(t)和基线分量回归残差εB(t)之和，即，
公式4：ε(t)＝[A(t)-(a0+aiSi(t))]+[B(t)-(b0+∑bjBj(t))]
利用KZm＝365，p＝3对总残差ε(t)进行再次滤波，滤波结果εLT(t)表示仅由污染源排放改变引起的污染物长期变化趋势，进而定量人为排放和气象条件对大气污染物浓度贡献；
4)估算人为排放对臭氧背景浓度贡献，计算如公式5，
式中：ρmax(O3)表示各站点中臭氧浓度的最大值，ρmin(O3)表示各站点中臭氧浓度的最小值，w表示背景贡献。
2.根据权利要求1所述的基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统，其特征在于：所述臭氧监测传感器上连接有传感器校准接口，用于在开始工作前对臭氧传感器进行校准。
3.根据权利要求1所述的基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统，其特征在于：所述定位仪基于北斗卫星系统来获取待评估区域中各密集网观测点位的位置信息。
4.根据权利要求1所述的基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统，其特征在于：所述通信模块基于无线网络进行数据传输。
5.根据权利要求1所述的基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统，其特征在于：所述算法处理单元通过程序算法估算人为排放对臭氧背景浓度的贡献，还依赖如下公式：
公式6：ρL(O3)＝ρmax(MDA8-O3)-ρmin(MDA8-O3)
公式7：ρR(O3)＝ρmin(MDA8-O3)
公式8：
式中：MDA8-O3表示臭氧日最大8小时滑动平均值，ρL(O3)是本地生成O3浓度，ρR(O3)表示区域背景O3浓度，ρmax(MDA8-O3)表示各站点中ρ(MDA8-O3)的最大值，ρmin(MDA8-O3)表示各站点中ρ(MDA8-O3)的最小值，w表示背景贡献。
6.一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的方法，应用权利要求1-5中任意一项所述的基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统，包括下述步骤：
步骤一：待评估区域确定后，根据待评估区域的地形地势、土地利用、功能区分布情况布设合适的密集网观测点位；
步骤二：在密集网观测点位布设臭氧和气象监测传感器，同时对臭氧监测传感器进行校准以及检测密集网的工作状态，若系统正常即开始工作；
步骤三：密集网开始工作并分别获取气象数据和臭氧浓度数据；
步骤四：通信模块将采集的气象数据和臭氧浓度数据传输至数据预处理单元；
步骤五：数据预处理单元对接收到的气象和臭氧监测数据进行一致性检查、并对一些无效值、缺失值和离群值进行清洗处理；
步骤六：算法处理单元接收到数据预处理单元清洗后的数据，并基于算法处理单元中的程序算法，剥离原始臭氧时间序列中人为排放和气象条件的贡献；
步骤七：以步骤六中剥离后的数据为基础，通过程序算法估算人为排放对臭氧背景浓度的贡献。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211224134.2A CN115541825B (zh) | 2022-09-30 | 2022-09-30 | 一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211224134.2A CN115541825B (zh) | 2022-09-30 | 2022-09-30 | 一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115541825A CN115541825A (zh) | 2022-12-30 |
| CN115541825B true CN115541825B (zh) | 2023-10-24 |
Family
ID=84730693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211224134.2A Active CN115541825B (zh) | 2022-09-30 | 2022-09-30 | 一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115541825B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298560A (zh) * | 2019-06-13 | 2019-10-01 | 南方科技大学 | 一种大气污染排放控制效果的评估方法、装置及存储介质 |
| CN110807567A (zh) * | 2019-09-11 | 2020-02-18 | 南开大学 | 一种基于周期分析和滤波技术的污染减排效果评估方法 |
| CN110824110A (zh) * | 2019-10-30 | 2020-02-21 | 山东大学 | 一种基于拉格朗日轨迹模式和化学盒子模式的区域臭氧污染溯源系统 |
| CN111611296A (zh) * | 2020-05-20 | 2020-09-01 | 中科三清科技有限公司 | Pm2.5污染成因分析方法、装置、电子设备及存储介质 |
| CN111983144A (zh) * | 2020-08-13 | 2020-11-24 | 南通大学 | 一种气象与排放对空气质量贡献的评估方法 |
| CN113570163A (zh) * | 2021-09-02 | 2021-10-29 | 河北科技大学 | 基于数学模型的大气臭氧浓度预测方法、系统和装置 |
| WO2022056152A1 (en) * | 2020-09-10 | 2022-03-17 | Project Canary, Pbc | Air quality monitoring system and method |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160091474A1 (en) * | 2014-09-29 | 2016-03-31 | Tanguy Griffon | Method and a System for Determining at Least One Forecasted Air Quality Health Effect Caused in a Determined Geographical Area by at Least One Air Pollutant |
-
2022
- 2022-09-30 CN CN202211224134.2A patent/CN115541825B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298560A (zh) * | 2019-06-13 | 2019-10-01 | 南方科技大学 | 一种大气污染排放控制效果的评估方法、装置及存储介质 |
| CN110807567A (zh) * | 2019-09-11 | 2020-02-18 | 南开大学 | 一种基于周期分析和滤波技术的污染减排效果评估方法 |
| CN110824110A (zh) * | 2019-10-30 | 2020-02-21 | 山东大学 | 一种基于拉格朗日轨迹模式和化学盒子模式的区域臭氧污染溯源系统 |
| CN111611296A (zh) * | 2020-05-20 | 2020-09-01 | 中科三清科技有限公司 | Pm2.5污染成因分析方法、装置、电子设备及存储介质 |
| CN111983144A (zh) * | 2020-08-13 | 2020-11-24 | 南通大学 | 一种气象与排放对空气质量贡献的评估方法 |
| WO2022056152A1 (en) * | 2020-09-10 | 2022-03-17 | Project Canary, Pbc | Air quality monitoring system and method |
| CN113570163A (zh) * | 2021-09-02 | 2021-10-29 | 河北科技大学 | 基于数学模型的大气臭氧浓度预测方法、系统和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115541825A (zh) | 2022-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Carbon emissions, energy consumption and economic growth: Evidence from the agricultural sector of China's main grain-producing areas | |
| Jiménez-Hornero et al. | Exploring the relationship between nitrogen dioxide and ground-level ozone by applying the joint multifractal analysis | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN108319772B (zh) | 一种波浪长期数据的再分析方法 | |
| CN108802856B (zh) | 一种基于ai的源数据动态修正预报系统及其工作方法 | |
| CN115356440A (zh) | 一种用于定量人为排放和气象条件对大气污染物浓度贡献的系统和方法 | |
| CN115169969B (zh) | 生态环境状况综合评价方法、装置、电子设备及存储介质 | |
| CN108717579A (zh) | 一种短期风电功率区间预测方法 | |
| CN116011317A (zh) | 一种基于多方法融合的小尺度近实时大气污染溯源方法 | |
| CN116908941A (zh) | 一种基于多元线性回归模型的城市近地面臭氧浓度的预测方法 | |
| CN111983144A (zh) | 一种气象与排放对空气质量贡献的评估方法 | |
| CN115541825B (zh) | 一种基于密集网观测的人为排放对臭氧背景浓度贡献评估的系统及方法 | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| Alparslan et al. | Analyzing air pollutant concentrations in New Delhi, India | |
| CN113408112A (zh) | 基于本征正交分解的雨量站缺失处降雨获取方法及系统 | |
| CN108304610B (zh) | 一种大气高污染过程动态追踪方法 | |
| CN108256690B (zh) | 基于形状参数置信区间的光伏发电预测方法 | |
| CN114236236A (zh) | 一种基于区间动态状态估计的谐波源定位方法 | |
| CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
| Amelia et al. | Predicting particulate matter PM2. 5 using the exponential smoothing and Seasonal ARIMA with R studio | |
| CN113628423A (zh) | 一种有害气体浓度监测报警系统 | |
| Zhou et al. | An explainable recurrent neural network for solar irradiance forecasting | |
| CN114781683B (zh) | 温室黄瓜霜霉病预测方法及装置 | |
| CN111814345A (zh) | 利用多种中尺度风速数据插补观测缺失风速数据的方法 |
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 |