CN115629159A - 一种基于多源数据的臭氧及前体物溯源方法及装置 - Google Patents

一种基于多源数据的臭氧及前体物溯源方法及装置 Download PDF

Info

Publication number
CN115629159A
CN115629159A CN202211268717.5A CN202211268717A CN115629159A CN 115629159 A CN115629159 A CN 115629159A CN 202211268717 A CN202211268717 A CN 202211268717A CN 115629159 A CN115629159 A CN 115629159A
Authority
CN
China
Prior art keywords
ozone
precursor
information
source
vocs
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
Application number
CN202211268717.5A
Other languages
English (en)
Other versions
CN115629159B (zh
Inventor
薄宇
徐晨曦
孙世达
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.)
Tsinghua University
Institute of Atmospheric Physics of CAS
Original Assignee
Tsinghua University
Institute of Atmospheric Physics of CAS
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 Tsinghua University, Institute of Atmospheric Physics of CAS filed Critical Tsinghua University
Priority to CN202211268717.5A priority Critical patent/CN115629159B/zh
Publication of CN115629159A publication Critical patent/CN115629159A/zh
Application granted granted Critical
Publication of CN115629159B publication Critical patent/CN115629159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N33/0047—Organic compounds
    • 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
    • G01N33/0037—NOx
    • 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
    • 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

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请公开了一种基于多源数据的臭氧及前体物溯源方法及装置。所述基于多源数据的臭氧及前体物溯源方法包括：获取基于观测数据的臭氧生成活性VOCs组分主要排放源信息；获取待测地区臭氧生成敏感区信息；获取基于观测数据的臭氧生成前体物主要排放源占比信息；获取基于清单数据的臭氧前体物主要排放源占比信息；通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息。本申请的基于多源数据的臭氧及前体物溯源方法通过多源数据相互验证互补，提升了臭氧及前体物溯源信息的准确性。

Description

一种基于多源数据的臭氧及前体物溯源方法及装置
技术领域
本申请涉及大气污染防治技术领域，具体涉及一种基于多源数据的臭氧及前体物溯源方法以及基于多源数据的臭氧及前体物溯源装置。
背景技术
臭氧作为大气光化学烟雾的主要成分之一，是大气中氮氧化物(NOx)和挥发性有机物(VOCs)发生光化学反应生成的二次污染物。在大气光化学反应中，臭氧浓度与前体物VOCs和NOx排放呈较强的非线性关系，臭氧控制主要在于前体物控制，而前体物来源广泛，导致臭氧及其前体物来源识别极其不易，因此针对臭氧及其前体物来源研究在大气污染防治中显得尤为必要。
早期臭氧来源研究主要是利用经验动力学模拟方法间接描述环境空气中臭氧与前体物之间的关系。随着科学发展，基于观测数据的箱式模型逐渐得到研究和应用，该模型通过假设盒子内污染源排放的污染物在盒子内部瞬时混合均匀，在一些物种(NOx，VOCs，CO，臭氧等)实测逐时浓度数据的约束下，模拟大气化学过程，研究臭氧的生成机制及其对VOCs和NOx的敏感性。上述两种方法虽能模拟臭氧生成过程，但只能定性研究臭氧来源。而随着空气质量模式系统的发展，模式嵌入了臭氧来源识别模块，基于模式模拟定量臭氧来源。但空气质量模式采用的排放清单存在一定滞后性和不确定性，使得臭氧来源解析存在较高不确定性。
臭氧前体物VOCs的来源解析通常采用受体模型来判断主要大气污染源的相对贡献，其中美国国家环保署(EPA)推荐的PMF模型和化学质量平衡受体模型(CMB)应用最为广泛。CMB模型需要本地化污染源成分谱，使得其应用受到一定限制。而PMF需要大量样品信息，且源识别过程一定程度上受主观判断影响。
随着经济的迅猛发展以及工业化和城市化水平的提高，我国臭氧浓度出现了显著的上升趋势，然而现有的技术方案对臭氧及前体物的溯源，大多依赖于单一来源数据，很少结合多源数据进行相互验证分析，以更为准确地得到臭氧及前体物来源信息。因此，希望有一种技术方案来提高臭氧及前体物溯源结果的准确性。
发明内容
本发明的目的在于提供一种基于多源数据的臭氧及前体物溯源方法来克服或至少减轻现有技术的至少一个上述缺陷。
本发明的一个方面，提供一种基于多源数据的臭氧及前体物溯源方法，基于多源数据的臭氧及前体物溯源方法包括：
获取基于观测数据的臭氧生成活性VOCs组分主要排放源信息；
获取待测地区臭氧生成敏感区信息；
获取基于观测数据的臭氧生成前体物主要排放源占比信息；
获取基于清单数据的臭氧前体物主要排放源占比信息；
通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息。
可选地，所述获取基于观测数据的臭氧生成活性VOCs组分主要排放源信息包括：
基于待测地区的VOCs组分观测数据，获取臭氧生成主要活性VOCs组分；
通过臭氧生成主要活性VOCs组分匹配污染源VOCs源谱信息，得到臭氧生成活性VOCs组分主要排放源。
可选地，所述获取待测地区的臭氧生成敏感区信息包括：
获取待测地区大气环境污染物浓度以及气象观测数据；
根据所述待测地区大气环境污染物浓度以及气象观测数据设置多个前体物浓度组合情景；
将前体物浓度组合情景输入含有大气光化学反应的箱式模型，识别臭氧生成敏感区。
可选地，所述获取基于观测数据的臭氧生成前体物主要排放源占比信息包括：
通过正交矩阵因子对所述对臭氧生成敏感的前体物进行处理，从而获取臭氧生成前体物主要排放源占比信息。
可选地，所述获取基于清单数据的臭氧前体物主要排放源占比信息包括：
获取待测地区的臭氧前体物污染源排放清单数据；
根据待测地区的臭氧前体物污染源排放清单数据获取臭氧前体物主要排放源占比信息。
可选地，所述臭氧生成敏感区包括VOCs敏感区、NOx敏感区、VOCs-NOx过渡区。
可选地，所述对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息包括：
若所述臭氧生成敏感区为VOCs敏感区，则分别将基于观测数据的臭氧生成活性VOCs组分主要排放源信息、基于观测数据的VOCs主要排放源占比信息、基于清单数据的VOCs主要排放源占比信息中提取出每个结果占比排名前三、占比在20％以上的排放源进行归类合并，最终得到对臭氧生成敏感的VOCs主要贡献源信息。
可选地，所述通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息进一步包括：
若所述臭氧生成敏感区为NOx敏感区，则将基于清单数据的臭氧前体物NOx主要排放源占比信息中提取占比排名前三、占比在20％以上的排放源进行汇总，从而得到对臭氧生成敏感的NOx主要贡献源信息。
可选地，所述通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息包括：
若所述臭氧生成敏感区为VOCs-NOx过渡区，分别将基于观测数据的臭氧生成活性VOCs组分主要排放源信息、臭氧生成前体物VOCs主要排放源占比信息及基于清单数据的臭氧前体物VOCs主要排放源占比信息中提取出每个结果占比排名前三、占比在20％以上的排放源进行归类合并，最终得到臭氧生成主要VOCs贡献源信息；
将基于清单数据的臭氧前体物NOx主要排放源占比信息中提取出占比排名前三、占比在20％以上的排放源进行汇总，从而得到对臭氧生成敏感的NOx主要贡献源信息；
根据所述臭氧生成主要VOCs贡献源信息以及臭氧生成主要NOx贡献源信息综合得到臭氧生成主要前体物贡献源信息。
本申请还提供了一种基于多源数据的臭氧及前体物溯源装置，所述基于多源数据的臭氧及前体物溯源装置包括：
活性VOCs组分主要排放源获取模块，所述活性VOCs组分主要排放源获取模块用于基于观测数据获取对臭氧生成活性VOCs组分主要排放源信息；
臭氧生成敏感区获取模块，所述臭氧生成敏感区获取模块用于获取待测地区的臭氧生成敏感区信息；
基于观测数据的臭氧生成前体物主要排放源占比信息获取模块，所述基于观测数据的臭氧生成前体物主要排放源占比信息获取模块用于获取基于观测数据的臭氧生成前体物主要排放源占比信息；
臭氧前体物主要排放源占比信息获取模块，所述臭氧前体物主要排放源占比信息获取模块用于获取基于清单数据的臭氧前体物主要排放源占比信息；
臭氧生成主要贡献源信息获取模块，所述臭氧生成主要贡献源信息获取模块用于通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息。
有益效果：
本申请的基于多源数据的臭氧及前体物溯源方法，采用了箱式模型、正交矩阵因子法，结合了基于观测的臭氧生成活性VOCs组分主要排放源信息、前体物主要排放源占比信息以及基于清单数据的臭氧前体物主要排放源占比信息进行前体物分析，多源数据相互验证互补，提升了臭氧及前体物溯源信息的准确性。
附图说明
图1为本申请一实施例的基于多源数据的臭氧及前体物溯源方法的流程示意图；
图2为本申请一实施例的臭氧生成敏感性EKMA的示意图；
图3是本申请一实施例的臭氧生成主要活性VOCs组分的示意图；
图4是本申请一实施例的VOCs排放清单主要源贡献源示意图；
图5是本申请一实施例的VOCs来源解析结果示意图；
图6为本申请一实施例中的基于多源数据的臭氧及前体物溯源方法的详细流程示意图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚，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更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施例，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，都属于本申请保护的范围。下面结合附图对本申请的实施例进行详细说明。
需要说明的是，在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
图1为本申请一实施例的基于多源数据的臭氧及前体物溯源方法的流程示意图。
如图1以及图6所示的基于多源数据的臭氧及前体物溯源方法包括：
步骤1：获取基于观测数据的臭氧生成活性VOCs组分主要排放源信息；
步骤2：获取待测地区臭氧生成敏感区信息；
步骤3：获取基于观测数据的臭氧生成前体物主要排放源占比信息；
步骤4：获取基于清单数据的臭氧前体物主要排放源占比信息；
步骤5：通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息。
参见图6，本申请通过获取基于观测数据的臭氧生成活性VOCs组分主要排放源信息、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息这三类数据进行归类筛选，从而得到臭氧生成主要贡献源信息。
在本实施例中，获取基于观测数据的臭氧生成活性VOCs组分主要排放源信息包括：
基于待测地区的VOCs组分观测数据，获取臭氧生成主要活性VOCs组分；
通过臭氧生成主要活性VOCs组分匹配污染源VOCs源谱信息，得到臭氧生成活性VOCs组分主要排放源。
在本实施例中，臭氧生成主要活性VOCs组分为臭氧生成潜势由高到低排名，加和占比为全部VOCs组分臭氧生成潜势70％以上组分。
具体而言，匹配污染源VOCs源谱信息规则：将每一种臭氧生成主要活性VOCs组分分别与各类污染源VOCs源谱中组分占比由大到小匹配，臭氧生成主要活性VOCs组分应在排放源源谱中占比排名前十位，查看每一种臭氧生成活性VOCs组分主要来自哪些污染源排放，并对这些污染源进行归类整理，得到臭氧生成活性VOCs组分的主要排放源。
在本实施例中，所述获取待测地区的臭氧生成敏感区信息包括：
获取待测地区大气环境污染物浓度以及气象观测数据；在本实施例中，区域大气环境污染物浓度包括臭氧、VOCs、NOx、CO、SO2等浓度，气象参数包括温度、湿度、大气压、风向风速等观测数据。
根据所述待测地区大气环境污染物浓度以及气象观测数据设置多个前体物浓度组合情景；在本实施例中，前体物浓度组合配置原则：首先，选择基准情景对应的前体物(VOCs、NOx)浓度，即实际观测中VOCs、NOx浓度，可以为一段时间的观测平均值。然后，假设不同的VOCs、NOx浓度形成多个前体物浓度组合情景，可通过在时间维度上对每小时的NOx浓度等比例调高或调低，或者对每小时VOCs各组分的浓度等比例调高或调低，即得到多个前体物浓度组合情况。本实验并不限制组合情景数目，实际应用可根据需求来确定前体物浓度组合情景数量。如下表1的模拟矩阵，模拟矩阵中(a，b)对应基准情景中前体物(VOCs，NOx)观测浓度，不同的VOCs、NOx浓度组合情景对应模拟矩阵中的横列、纵列，通过调整横列、纵列的变量，使得(a，b)位于模拟矩阵中间位置。表中Δan、Δbn可为正值或负值，n为1,2,3,…。
表1：
a a+Δa<sub>1</sub> a+Δa<sub>2</sub> a+Δa<sub>3</sub> a+Δa…
b (a，b) (a+Δa<sub>1</sub>，b) (a+Δa<sub>2</sub>，b) (a+Δa<sub>3</sub>，b) (a+Δa…，b)
b+Δb<sub>1</sub> (a，b+Δb<sub>1</sub>) (a+Δa<sub>1</sub>，b+Δb<sub>1</sub>) (a+Δa<sub>2</sub>，b+Δb<sub>1</sub>) (a+Δa<sub>3</sub>，b+Δb<sub>1</sub>) (a+Δa…，b+Δb<sub>1</sub>)
b+Δb<sub>2</sub> (a，b+Δb<sub>2</sub>) (a+Δa<sub>1</sub>，b+Δb<sub>2</sub>) (a+Δa<sub>2</sub>，b+Δb<sub>2</sub>) (a+Δa<sub>3</sub>，b+Δb<sub>2</sub>) (a+Δa…，b+Δb<sub>2</sub>)
b+Δb<sub>3</sub> (a，b+Δb<sub>3</sub>) (a+Δa<sub>1</sub>，b+Δb<sub>3</sub>) (a+Δa<sub>2</sub>，b+Δb<sub>3</sub>) (a+Δa<sub>3</sub>，b+Δb<sub>3</sub>) (a+Δa…，b+Δb<sub>3</sub>)
b+Δb… (a，b+Δb…) (a+Δa<sub>1</sub>，b+Δ…<sub>n</sub>) (a+Δa<sub>2</sub>，b+Δb…) (a+Δa<sub>3</sub>，b+Δb…) (a+Δa…，b+Δb…)
将前体物浓度组合情景输入含有大气光化学反应的箱式模型，识别臭氧生成敏感区信息。
具体而言，含有大气光化学反应的箱式模型主要用于模拟光化学污染的发生、演变过程，普遍用于研究臭氧生成机制及敏感性研究，探讨前体物(NOx、VOCs)排放对臭氧生成的影响。箱式模型包括化学机制、物理过程、初始条件、输入和输出模块。化学机制主要用于描述大气中各种化学反应，包括大量动力学参数，目前普遍使用的有OZIPR(OzoneIsopleth Plotting program for Research purposes)、MCM(Master ChemicalMechanism)、RACM(Regional Atmospheric Chemistry Mechanism)、CBM(Carbon BondMechanism)、SAPRC(Statewide Air Pollution Research Center)等机制。物理过程用于描述太阳高度角、大气混合层高度等因素对污染物扩散、干沉降、光解等过程的影响。初始条件包括观测数据中的污染物浓度，气象参数(温度、湿度、大气压等)。输入模块包括一次污染物观测浓度、气象参数。输出模块则包括二次产物浓度、反应速率、敏感性实验结果等。
本实验为了更直观、快速地确定对臭氧生成起主导作用的前体物，根据设定的各前体物浓度组合及对应的臭氧模拟浓度最大值，绘制臭氧等浓度曲线图，即EKMA曲线图。并将基准浓度情景包括的臭氧前体物浓度和臭氧浓度标注于等浓度曲线图中，用于识别基准情景对应的臭氧生成主导前体物。将待测地区大气环境污染物浓度以及气象观测数据中的实际VOCs、NOx、臭氧浓度作为基准情景，在EKMA曲线图中标记出基准情景所在位置。通过基准情景所在位置，判断臭氧生成敏感区，可分为VOCs敏感区、NOx敏感区、VOCs-NOx过渡区。
对臭氧生成起主导作用前体物确定原则：在基准情景的基础上，若将VOCs浓度降低一定比例，而NOx浓度保持不变，模拟得到第一个臭氧浓度降低值；将VOCs浓度保持不变，NOx浓度降低一定比例，模拟得到第二个臭氧浓度降低值。若第一个臭氧浓度降低值显著大于第二个臭氧浓度降低值，则确定VOCs为臭氧生成主导作用的前体物，即为VOCs敏感区。反之则NOx为臭氧生成主导作用的前体物，NOx控制区。若第一个臭氧浓度降低值接近第二个臭氧浓度降低值，则确定为VOCs-NOx过渡区。
在本实施例中，所述获取基于观测数据的臭氧生成前体物主要排放源占比信息包括：
通过正交矩阵因子对所述对臭氧生成敏感的前体物进行处理，从而获取臭氧生成前体物主要排放源占比信息。
具体而言，正交矩阵因子分解模式利用权重计算出各化学组分的误差，通过最小二乘法来确定各类污染源的贡献率。基本公式：
Figure BDA0003894499960000101
式中：Cij为j次观测对应的污染物i物种浓度；k为因子数，Aik和Bjk分别为污染源和源的贡献率；εij为随机误差。
最小二乘线性误差估计可有效降低错误数据和丢失数据对模拟结果的影响，其不确定度U的计算公式如下：
Figure BDA0003894499960000102
其中，e为误差比例；MDL为污染物检出限；c为污染物浓度。
在本实施例中，所述获取基于清单数据的臭氧前体物主要排放源占比信息包括：
获取待测地区的臭氧前体物污染源排放清单数据；
根据待测地区的臭氧前体物污染源排放清单数据获取臭氧前体物主要排放源占比信息。
在本实施例中，所述对臭氧生成敏感的前体物包括VOCs敏感区、NOx敏感区、VOCs-NOx过渡区。
在本实施例中，所述对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息包括：
若所述臭氧生成敏感区为VOCs敏感区，则分别将基于观测数据的臭氧生成活性VOCs组分主要排放源信息、基于观测数据的VOCs主要排放源占比信息、基于清单数据的VOCs主要排放源占比信息中提取出每个结果占比排名前三、占比在20％以上的排放源进行归类合并，最终得到对臭氧生成敏感的VOCs主要贡献源信息。
在本实施例中，通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息进一步包括：
若所述臭氧生成敏感区为NOx敏感区，则将基于清单数据的臭氧前体物NOx主要排放源占比信息中提取占比排名前三、占比在20％以上的排放源进行汇总，从而得到对臭氧生成敏感的NOx主要贡献源信息。。
在本实施例中，通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息包括：
若所述臭氧生成敏感区为VOCs-NOx过渡区，分别将基于观测数据的臭氧生成活性VOCs组分主要排放源信息、臭氧生成前体物VOCs主要排放源占比信息及基于清单数据的臭氧前体物VOCs主要排放源占比信息中提取出每个结果占比排名前三、占比在20％以上的排放源进行归类合并，最终得到臭氧生成主要VOCs贡献源信息；
将基于清单数据的臭氧前体物NOx主要排放源占比信息中提取出占比排名前三、占比在20％以上的排放源进行汇总，从而得到对臭氧生成敏感的NOx主要贡献源信息；
根据所述臭氧生成主要VOCs贡献源信息以及臭氧生成主要NOx贡献源信息综合得到臭氧生成主要前体物贡献源信息。。
下面以举例的方式对本申请进行进一步详细阐述，可以理解的是，该举例并不构成对本申请的任何限制。
以某城市臭氧及前体物溯源为例。
获取某城市连续一段时间的大气环境污染物浓度(臭氧、VOCs、NOx、CO、SO2等)、气象参数(温度、湿度、大气压、风向风速等)在线观测数据，VOCs数据包括PAMS和含氧化合物TO15共107种物种浓度。污染物浓度及气象数据均为连续小时数据。
获取某城市臭氧前体物(VOCs、NOx)污染源排放清单数据。
根据污染物浓度、气象参数数据，设置多个前体物(VOCs、NOx)浓度组合情景。
首先，将目标时间段在线观测的污染物平均浓度及气象参数平均值确定为基准情景，基准情景可以反映该段时间城市VOCs、NOx的真实情况，将基准情景对应的污染物浓度、气象参数输入箱式模型，模型输出基准情景对应的臭氧浓度。
然后，调整基准情景对应的前体物(VOCs、NOx)浓度，获得多个前体物浓度组合情景。可通过在时间上对各小时的NOx浓度等比例调高或调低，或者对各小时VOCs各组分的浓度等比例调高或调低，即得到多个前体物浓度组合情况。例如某城市某月VOCs、NOx平均浓度分别为22.6ppb、13.6ppb，设置模拟矩阵中横列VOCs浓度分别为1ppb，2ppb，4ppb，6ppb，8ppb，10ppb，15ppb，20ppb，25ppb，30ppb，40ppb，60ppb，80ppb，100ppb；纵列NOx浓度分别为1ppb，2ppb，4ppb，6ppb，8ppb，10ppb，15ppb，20ppb，25ppb，30ppb，40ppb，60ppb，80ppb，100ppb。最终得到238个组合情景。通过箱式模型分别模拟238个不同前体物浓度组合情景对应的臭氧浓度，分析模型输出的臭氧浓度与输入的前体物VOCs、NOx模拟浓度之间的量化关系，确定特定时间段该城市臭氧生成敏感区。
基于某城市常规污染物、VOCs组分、气象参数等夏季某月的观测数据，光化学箱式模型模拟得到该城市臭氧生成敏感性EKMA曲线如图2所示。图中倾斜的黑色直线为脊线，即为每条曲线曲率最大点的连接线，用于区分起主导作用的前体物是VOCs或NOx。若实际观测基准浓度对应落在脊线的左侧，则起主导作用的前体物为VOCs，臭氧生成处于VOCs敏感区，即减少VOCs排放有利于降低臭氧生成。若实际观测基准浓度对应落在脊线的右侧，则起主导作用的前体物为NOx，臭氧生成处于NOx敏感区，即减少NOx排放有利于降低臭氧生成。
曲线中的黑点代表该城市当月臭氧污染日对应的VOCs、NOx、臭氧在线观测浓度，该城市臭氧污染日浓度点位主要位于脊线左侧，属于典型的VOCs敏感区。
基于VOCs组分观测数据，计算各VOCs组分臭氧生成潜势，将臭氧生成潜势由大到小排名得到排名前十活性VOCs组分，如图3所示，排名前十VOCs组分臭氧生成潜势之和占全部组分臭氧生成潜势之和的74％。OFP排名靠前物种匹配VOCs源谱信息，得到臭氧生成活性VOCs组分主要排放源为机动车尾气(丙烷、正丁烷、异戊烷等)、工业生产或工业溶剂使用(如1-丁烯、乙烯、丙烯、顺-2-丁烯、间/对二甲苯、甲苯、丙酮等)、天然源排放(异戊二烯)。
基于VOCs组分观测数据，筛选40余种VOCs特征物种输入正交矩阵因子PMF模型进行计算，VOCs主要来源贡献如图4所示。
基于该城市VOCs排放清单，得到主要排放源贡献情况如图5所示。
将得到的臭氧生成活性VOCs组分主要排放源、VOCs来源解析结果、VOCs主要排放源占比结果中提取每个结果占比排名前三及占比20％以上的排放源进行归类合并，最终得到对臭氧生成影响较大的VOCs排放源为移动源、工艺过程源、溶剂使用源、油气挥发源。即本实施例结论参见图4，该城市夏季臭氧生成主要受VOCs排放影响，控制臭氧生成的关键源类是移动源、工艺过程源、溶剂使用源、油气挥发源等污染源。
请参见下表2，通过下表2可以看出，每一步骤所得到的东西，例如，通过步骤1：基于观测数据的臭氧生成活性VOCs活性组分主要排放源信息可以得到表2中对应的结论：机动车尾气、工业生产、工业溶剂使用、天然源属于活性VOCs活性组分主要排放源信息等。
表2：
注：结论括号中数据代表各类源贡献占比。
Figure BDA0003894499960000141
Figure BDA0003894499960000151
本申请还提供了一种基于多源数据的臭氧及前体物溯源装置，所述基于多源数据的臭氧及前体物溯源装置，包括活性VOCs组分主要排放源获取模块、臭氧生成敏感区获取模块、基于观测数据的臭氧生成前体物主要排放源占比信息获取模块、基于清单数据的臭氧前体物主要排放源占比信息获取模块以及臭氧生成主要贡献源信息获取模块；其中，
所述活性VOCs组分主要排放源获取模块用于获取基于观测数据的臭氧生成活性VOCs组分主要排放源信息；
所述臭氧生成敏感区获取模块用于获取待测地区臭氧生成敏感区信息；
所述基于观测数据的臭氧生成前体物主要排放源占比信息获取模块用于获取基于观测数据的臭氧生成前体物主要排放源占比信息；
所述臭氧前体物主要排放源占比信息获取模块用于获取基于清单数据的臭氧前体物主要排放源占比信息；
臭氧生成主要贡献源信息获取模块，所述臭氧生成主要贡献源信息获取模块用于通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息。
上述对方法的描述同样也适用于对装置的描述。
本申请还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于多源数据的臭氧及前体物溯源方法。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现如上所述的基于多源数据的臭氧及前体物溯源方法。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
此外，显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实现。第一、第二等词语用来标识名称，而不标识任何特定的顺序。
附图中的流程图和框图，图1展示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地标识的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或总流程图中的方框的组合，可以用执行规定功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本实施例中所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现装置/终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机的使用所创建的数据(比如音频数据、记录器等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
在本实施例中，装置/终端设备集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。本申请虽然以较佳实施例公开如上，但其实并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此，本申请的保护范围应当以本申请权利要求所界定的范围为准。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于多源数据的臭氧及前体物溯源方法，其特征在于，所述基于多源数据的臭氧及前体物溯源方法包括：
获取基于观测数据的臭氧生成活性VOCs组分主要排放源信息；
获取待测地区臭氧生成敏感区信息；
获取基于观测数据的臭氧生成前体物主要排放源占比信息；
获取基于清单数据的臭氧前体物主要排放源占比信息；
通过对基于观测数据的臭氧生成活性VOCs组分主要排放源信息、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息。
2.如权利要求1所述的基于多源数据的臭氧及前体物溯源方法，其特征在于，所述获取基于观测数据的臭氧生成活性VOCs组分主要排放源信息包括：
基于待测地区的VOCs组分观测数据，获取臭氧生成主要活性VOCs组分；
通过臭氧生成主要活性VOCs组分匹配污染源VOCs源谱信息，得到臭氧生成活性VOCs组分主要排放源。
3.如权利要求2所述的基于多源数据的臭氧及前体物溯源方法，其特征在于，所述获取待测地区的臭氧生成敏感区信息包括：
获取待测地区大气环境污染物浓度以及气象观测数据；
根据所述待测地区大气环境污染物浓度以及气象观测数据设置多个前体物浓度组合情景；
将前体物浓度组合情景输入含有大气光化学反应的箱式模型，识别臭氧生成敏感区。
4.如权利要求3所述的基于多源数据的臭氧及前体物溯源方法，其特征在于，所述获取基于观测数据的臭氧生成前体物主要排放源占比信息包括：
通过正交矩阵因子对所述对臭氧生成敏感的前体物进行处理，从而获取臭氧生成前体物主要排放源占比信息。
5.如权利要求4所述的基于多源数据的臭氧及前体物溯源方法，其特征在于，所述获取基于清单数据的臭氧前体物主要排放源占比信息包括：
获取待测地区的臭氧前体物污染源排放清单数据；
根据待测地区的臭氧前体物污染源排放清单数据获取臭氧前体物主要排放源占比信息。
6.如权利要求5所述的基于多源数据的臭氧及前体物溯源方法，其特征在于，所述臭氧生成敏感区包括VOCs敏感区、NOx敏感区、VOCs-NOx过渡区。
7.如权利要求6所述的基于多源数据的臭氧及前体物溯源方法，其特征在于，所述对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息包括：
若所述臭氧生成敏感区为VOCs敏感区，则分别将基于观测数据的臭氧生成活性VOCs组分主要排放源信息、基于观测数据的VOCs主要排放源占比信息、基于清单数据的VOCs主要排放源占比信息中提取出每个结果占比排名前三、占比在20％以上的排放源进行归类合并，最终得到对臭氧生成敏感的VOCs主要贡献源信息。
8.如权利要求7所述的基于多源数据的臭氧及前体物溯源方法，其特征在于，所述通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息进一步包括：
若所述臭氧生成敏感区为NOx敏感区，则将基于清单数据的臭氧前体物NOx主要排放源占比信息中提取占比排名前三、占比在20％以上的排放源进行汇总，从而得到对臭氧生成敏感的NOx主要贡献源信息。
9.如权利要求8所述的基于多源数据的臭氧及前体物溯源方法，其特征在于，所述通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息包括：
若所述臭氧生成敏感区为VOCs-NOx过渡区，分别将基于观测数据的臭氧生成活性VOCs组分主要排放源信息、臭氧生成前体物VOCs主要排放源占比信息及基于清单数据的臭氧前体物VOCs主要排放源占比信息中提取出每个结果占比排名前三、占比在20％以上的排放源进行归类合并，最终得到臭氧生成主要VOCs贡献源信息；
将基于清单数据的臭氧前体物NOx主要排放源占比信息中提取出占比排名前三、占比在20％以上的排放源进行汇总，从而得到对臭氧生成敏感的NOx主要贡献源信息；
根据所述臭氧生成主要VOCs贡献源信息以及臭氧生成主要NOx贡献源信息综合得到臭氧生成主要前体物贡献源信息。
10.一种基于多源数据的臭氧及前体物溯源装置，其特征在于，所述基于多源数据的臭氧及前体物溯源装置包括：
活性VOCs组分主要排放源获取模块，所述活性VOCs组分主要排放源获取模块用于获取基于观测数据的臭氧生成活性VOCs组分主要排放源信息；
臭氧生成敏感区获取模块，所述臭氧生成敏感区获取模块用于获取待测地区臭氧生成敏感区信息；
基于观测数据的臭氧生成前体物主要排放源占比信息获取模块，所述基于观测数据的臭氧生成前体物主要排放源占比信息获取模块用于获取基于观测数据的臭氧生成前体物主要排放源占比信息；
臭氧前体物主要排放源占比信息获取模块，所述臭氧前体物主要排放源占比信息获取模块用于获取基于清单数据的臭氧前体物主要排放源占比信息；
臭氧生成主要贡献源信息获取模块，所述臭氧生成主要贡献源信息获取模块用于通过对基于观测数据的臭氧生成活性VOCs组分主要排放源、臭氧生成前体物主要排放源占比以及基于清单数据的臭氧前体物主要排放源占比信息进行归类筛选，从而得到臭氧生成主要贡献源信息。
CN202211268717.5A 2022-10-17 2022-10-17 一种基于多源数据的臭氧及前体物溯源方法及装置 Active CN115629159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211268717.5A CN115629159B (zh) 2022-10-17 2022-10-17 一种基于多源数据的臭氧及前体物溯源方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211268717.5A CN115629159B (zh) 2022-10-17 2022-10-17 一种基于多源数据的臭氧及前体物溯源方法及装置

Publications (2)

Publication Number Publication Date
CN115629159A true CN115629159A (zh) 2023-01-20
CN115629159B CN115629159B (zh) 2024-02-20

Family

ID=84904468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211268717.5A Active CN115629159B (zh) 2022-10-17 2022-10-17 一种基于多源数据的臭氧及前体物溯源方法及装置

Country Status (1)

Country Link
CN (1) CN115629159B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117423406A (zh) * 2023-12-18 2024-01-19 中科三清科技有限公司 Ekma曲线图生成方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111899817A (zh) * 2020-08-04 2020-11-06 中科三清科技有限公司 污染物源解析方法和装置
CN112214913A (zh) * 2020-11-16 2021-01-12 中科三清科技有限公司 臭氧的主导前体物识别方法、装置、电子设备及存储介质
CN112348388A (zh) * 2020-11-16 2021-02-09 中科三清科技有限公司 基于排放数据的臭氧主导前体物识别方法及装置
CN112362816A (zh) * 2020-11-16 2021-02-12 中科三清科技有限公司 一种基于观测数据的臭氧来源分析方法及装置
CN112560296A (zh) * 2021-02-25 2021-03-26 北京英视睿达科技有限公司 用于生成臭氧的控制因素的判断方法、系统及电子设备
CN214310404U (zh) * 2021-01-20 2021-09-28 刘传秋 一种臭氧前体物溯源监测装置
CN114357058A (zh) * 2021-12-31 2022-04-15 力合科技（湖南）股份有限公司 一种臭氧污染溯源方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111899817A (zh) * 2020-08-04 2020-11-06 中科三清科技有限公司 污染物源解析方法和装置
CN112214913A (zh) * 2020-11-16 2021-01-12 中科三清科技有限公司 臭氧的主导前体物识别方法、装置、电子设备及存储介质
CN112348388A (zh) * 2020-11-16 2021-02-09 中科三清科技有限公司 基于排放数据的臭氧主导前体物识别方法及装置
CN112362816A (zh) * 2020-11-16 2021-02-12 中科三清科技有限公司 一种基于观测数据的臭氧来源分析方法及装置
CN214310404U (zh) * 2021-01-20 2021-09-28 刘传秋 一种臭氧前体物溯源监测装置
CN112560296A (zh) * 2021-02-25 2021-03-26 北京英视睿达科技有限公司 用于生成臭氧的控制因素的判断方法、系统及电子设备
CN114357058A (zh) * 2021-12-31 2022-04-15 力合科技（湖南）股份有限公司 一种臭氧污染溯源方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHENXI XU ET AL.: "Sensitivity of Ozone Formation in Summer in Jinan Using Observation-Based Model", ATMOSPHERE, no. 13, pages 1 - 18 *
沈劲;汪宇;曹静;陈多宏;许凡;谢敏;嵇萍;叶斯琪;潘月云;: "粤东北地区秋季臭氧来源解析与生成敏感性研究", 环境科学与技术, no. 04, pages 106 - 112 *
耿天召 等: "基于多种源解析技术的合肥市环境空气PM2.5来源解析", 合肥工业大学学报, vol. 43, no. 6, pages 830 - 838 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN117423406A (zh) * 2023-12-18 2024-01-19 中科三清科技有限公司 Ekma曲线图生成方法、装置、电子设备及存储介质
CN117423406B (zh) * 2023-12-18 2024-02-27 中科三清科技有限公司 Ekma曲线图生成方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115629159B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN115629159B (zh) 一种基于多源数据的臭氧及前体物溯源方法及装置
Wang et al. The effect of environmental regulation on air quality: A study of new ambient air quality standards in China
Porter et al. Investigating the observed sensitivities of air-quality extremes to meteorological drivers via quantile regression
CN110489785B (zh) 一种大气污染物在线源解析方法及系统
CN111753426B (zh) 颗粒物污染的源解析方法和装置
CN111768038B (zh) 污染物监控方法、装置、终端设备及存储介质
CN112362816A (zh) 一种基于观测数据的臭氧来源分析方法及装置
CN110261272B (zh) 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法
CN113155939A (zh) 一种挥发性有机物在线来源解析方法、系统、设备及介质
CN112967764B (zh) 多技术耦合的污染物源解析方法、装置
CN114218976B (zh) 臭氧前体物高值区精细化排放源追溯定位方法和系统
Jafarian et al. Which spatial distribution model best predicts the occurrence of dominant species in semi-arid rangeland of northern Iran?
CN109064039A (zh) 一种农田土壤健康评价方法
CN115526298A (zh) 一种高鲁棒性的大气污染物浓度综合预测方法
Chen et al. Proactive quality control: Observing system simulation experiments with the Lorenz’96 model
CN115453064A (zh) 一种细颗粒物空气污染成因分析方法及系统
CN113420454B (zh) 一种基于大气污染物达标约束的环境容量获取方法及装置
Danalatos et al. Nitrate losses across 29 Iowa watersheds: Measuring long‐term trends in the context of interannual variability
Bedoui et al. A prediction distribution of atmospheric pollutants using support vector machines, discriminant analysis and mapping tools (Case study: Tunisia)
CN109613179B (zh) 累积高值区的确定方法
Jamalani et al. Monthly analysis of PM10 in ambient air of Klang Valley, Malaysia
CN114974452B (zh) 一种确定二次转化来源的管控目标的方法和装置
Capilla Multilayer perceptron and regression modelling to forecast hourly nitrogen dioxide concentrations
Kumar et al. Source Apportionment of Particulate Matter by Application of Machine Learning Clustering Algorithms
CN115238596A (zh) 数据处理方法、装置、可读存储介质与电子设备

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