CN115689125B - 一种基于多源数据的涉气污染源布局方法 - Google Patents

一种基于多源数据的涉气污染源布局方法 Download PDF

Info

Publication number
CN115689125B
CN115689125B CN202211679406.8A CN202211679406A CN115689125B CN 115689125 B CN115689125 B CN 115689125B CN 202211679406 A CN202211679406 A CN 202211679406A CN 115689125 B CN115689125 B CN 115689125B
Authority
CN
China
Prior art keywords
value
difference
analysis
gas
data set
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
Application number
CN202211679406.8A
Other languages
English (en)
Other versions
CN115689125A (zh
Inventor
伯鑫
杨迎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN202211679406.8A priority Critical patent/CN115689125B/zh
Publication of CN115689125A publication Critical patent/CN115689125A/zh
Application granted granted Critical
Publication of CN115689125B publication Critical patent/CN115689125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于多源数据的涉气污染源布局方法，包括：获取卫星遥感数据集对应范围、大气自净能力数据集对应范围以及排放清单数据集对应范围，确定涉气建模的地理范围；确定最粗分辨率，并结合污染规模，将地理范围划分为若干网格单元；计算每个网格单元的大气自净能力指数、大气污染物浓度以及每种污染源的污染量；对三个数据集进行全局空间自相关分析以及显著性检验；按照预设标准对同个网格单元的大气自净能力指数、大气污染物浓度以及污染量进行分析，且结合同个网格单元的分析结果以及检验结果，对同个网格单元进行分类，进行布局评估，通过来建立污染源优化布局，方便对污染物排放进行定量评估，获取最优的污染源布局方案。

Description

一种基于多源数据的涉气污染源布局方法
技术领域
本发明涉及环境技术领域，特别涉及一种基于多源数据的涉气污染源布局方法。
背景技术
现有的大气环境构建涉气排放源布局评价体系中，考虑污染物排放量的方法已经有很多，也形成了相对完善的评价方法，但是一般只是针对卫星烟感检测到的空气质量数据为基础来进行评价分析，会导致对空气污染的评价分析并不是很准确。
区域的环境空气质量（卫星遥感空气质量数据）与大气污染源排放量（排放清单）、气象条件（大气自净能力数据）紧密相关。一般来说，一个区域的大气自净能力强（例如风速大）、污染源排放量小，当地空气质量表现较好；反之，空气质量表现较差。
因此，本发明提出一种基于多源数据的涉气污染源布局方法。
发明内容
本发明提供一种基于多源数据的涉气污染源布局方法，用以通过基于大气污染物排放清单数据、大气自净能力数据以及卫星遥感空气质量数据进行分析，来建立污染源优化布局，方便对污染物排放进行定量评估，获取最优的污染源布局方案。
本发明提供一种基于多源数据的涉气污染源布局方法，包括：
步骤1：获取卫星遥感数据集对应的第一区域范围、大气自净能力数据集对应的第二区域范围以及排放清单数据集对应的第三区域范围，并确定涉气建模的地理范围；
步骤2：从卫星遥感数据集、大气自净能力数据集以及排放清单数据集中确定最粗分辨率，并结合污染规模，将所述地理范围划分为若干网格单元；
步骤3：基于大气自净能力数据集计算每个网格单元的大气自净能力指数、基于卫生遥感数据集推演每个网格单元的大气污染物浓度以及基于污染物排放清单确定每个网格单元中每种污染源的污染量；
步骤4：对卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行全局空间自相关分析以及显著性检验；
步骤5：按照预设标准对同个网格单元的大气自净能力指数、大气污染物浓度以及污染量进行分析，且结合同个网格单元的分析结果以及检验结果，对所述同个网格单元进行分类；
步骤6：根据所述地理范围中每个网格单元的分类结果，实现对涉气污染源的评价。
优选的，对卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行全局空间自相关分析以及显著性检验，包括：
对卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行全局空间自相关分析，当全局空间自相关分析结果呈现全局自相关时，将所述卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行两两局部相关性分析，得到概率值、标准差值以及莫兰指数；
对所述概率值、标准差值以及莫兰指数进行显著性检验。
优选的，对所述同个网格单元进行分类，包括：
对所述同个网格进行第一预设条件的判断，若满足第一预设条件，则视所述同个网格为良好网格；
若满足第二预设条件，则将所述同个网格视为不合适网格；
否则，视所述同个网格为一般网格。
优选的，根据所述地理范围中每个网格单元的分类结果，实现对涉气污染源的评价之后，包括：
确定所述地理范围内每个网格单元的分类结果，并按照所述分类结果进行第一绘制，得到第一输出图；
获取所述第一输出图中不同颜色之间的边界线，并基于所述边界线得到基础线条层；
确定每个独立边界线条中每个边界点的涉及颜色个数；
对所涉及颜色个数为两个的边界点进行第一扩展；
对所涉及颜色个数为三个的边界点进行第二扩展；
按照第一扩展结果以及第二扩展结果，实现对相应独立边界线的调整，得到新的基础线条层，并转换为第二输出图进行输出显示。
优选的，对所涉及颜色个数为两个的边界点进行第一扩展，包括：
确定所涉及颜色个数为两个的第一涉及单元以及第二涉及单元；
根据所述第一涉及单元的地理走向、建筑走向以及前一时刻的风走向，建立基于对应边界点的第一线；
根据第二涉及单元的地理走向、建筑走向以及前一时刻的风走向，建立基于对应边界点的第二线；
基于所述第一线、第二线上的涉气指标参数，获取所述第一线、第二线的实际涉气集合，同时，基于相应边界点的点地理位置以及所述点地理位置的地形走势，获取参考涉气集合；
Figure 943951DEST_PATH_IMAGE001
Figure 844780DEST_PATH_IMAGE002
其中，S1表示基于第一线与第二线的实际涉气集合；
Figure 93358DEST_PATH_IMAGE003
表示第一线中第i1个涉气 指标的指标值；
Figure 691830DEST_PATH_IMAGE004
表示第二线中第
Figure 975044DEST_PATH_IMAGE005
个涉气指标的指标值；
Figure 515615DEST_PATH_IMAGE006
表示参考涉气指标集合S0中 第
Figure 48228DEST_PATH_IMAGE005
个涉气指标的参考值；
Figure 715970DEST_PATH_IMAGE007
表示涉气指标的总个数；
根据所述实际涉气集合以及参考涉气集合，确定涉气连贯性
Figure 588111DEST_PATH_IMAGE008
；
Figure 50316DEST_PATH_IMAGE009
其中，
Figure 70225DEST_PATH_IMAGE010
表示第
Figure 525346DEST_PATH_IMAGE005
个涉气指标的指标权重；
Figure 517572DEST_PATH_IMAGE011
为常数，且小于0.5；
Figure 150679DEST_PATH_IMAGE012
表示 所有涉气比值中的最大比值；
Figure 657884DEST_PATH_IMAGE013
表示从所有涉气比值中获取的与最大指标权重
Figure 401849DEST_PATH_IMAGE014
所匹配的最大比值；exp表示指数函数的符号；
当所述涉气连贯性大于或等于参考连贯性时，保持相应的边界点不变；
当涉气连贯性小于参考连贯性时，获取第一线的第一涉气值s01以及从所述第二线的第二涉气值s02，并对涉气值大的线进行第一锁定;
根据
Figure 497850DEST_PATH_IMAGE015
，从点位置调节数据库中，匹配得到点调节长度，并基于第一锁定的线 按照所述点调节长度进行点偏移，并将偏移后的点保持不变；
其中，
Figure 301858DEST_PATH_IMAGE016
表示基于所述参考涉气集合的参考涉气值，其中，
Figure 499621DEST_PATH_IMAGE017
。
优选的，对所涉及颜色个数为三个的边界点进行第二扩展，包括：
确定所涉及颜色个数为三个的第三涉及单元、第四涉及单元以及第五涉及单元；
获取第三涉及单元的第三历史环境信息、第四涉及单元的第四历史环境信息以及第五涉及单元的第五历史环境信息；
基于所述第三历史环境信息分析所述第三涉及单元中的第三污染源以及针对每个污染源的第三自清洁轨迹，并构建所述第三涉及单元的第三轨迹图；
基于所述第四历史环境信息分析所述第四涉及单元中的第四污染源以及针对每个污染源的第四自清洁轨迹，并构建所述第四涉及单元的第四轨迹图；
基于所述第五历史环境信息分析所述第五涉及单元中的第五污染源以及针对每个污染源的第五自清洁轨迹，并构建所述第五涉及单元的第五轨迹图；
根据污染源-轨迹分析模型，分别对第三轨迹图、第四轨迹图以及第五轨迹图进行轨迹分析，确定每种污染源的流动走向，进而分别得到每个轨迹图的源走向标识；
根据每个轨迹图中源走向标识的初点、拐点以及终点分别建立与所涉及单元个数为三个的边界点的连线，构建得到同个涉及单元中同个污染源的连接矢量图；
按照预设长度大小，并以所涉及单元个数为三个的边界点为中心对所述连接矢量图进行截取，进而得到针对同个涉及单元的截取矢量图集合；
将获取的三个截取矢量图集合分别进行矢量分析，得到分析数组；
当所述分析数组中的三个值都趋于一致时，保持所涉及单元个数为三个的边界点的位置不变；
否则，获取所述分析数据中的第一值与第二值的第一差以及第一值与第三值的第二差、第二值与第三值的第三差以及第二值与第一值的第四差、第三值与第一值的第五差以及第三值与第二值第六差；
根据所述第一差、第二差、第三差、第四差、第五差以及第六差，确定所涉及单元个数为三个的边界点的移动走向，并保留。
优选的，根据所述第一差、第二差、第三差、第四差、第五差以及第六差，确定所涉及单元个数为三个的边界点的移动走向，包括：
根据所述第一差
Figure 844014DEST_PATH_IMAGE018
、第二差
Figure 810833DEST_PATH_IMAGE019
，构建第一数组；
根据所述第三差
Figure 35010DEST_PATH_IMAGE020
、第四差
Figure 454490DEST_PATH_IMAGE021
，构建第二数组；
根据所述第五差
Figure 602575DEST_PATH_IMAGE022
、第六差
Figure 423900DEST_PATH_IMAGE023
，构建第三数组；
分别所述第一数组、第二数组以及第三数组的箭头矢量，并进行矢量融合，得到最后矢量，将所述最后矢量的箭头指向作为移动走向；
根据如下公式计算移动因子
Figure 835290DEST_PATH_IMAGE024
；
Figure 725755DEST_PATH_IMAGE025
其中，
Figure 615213DEST_PATH_IMAGE026
表示第一值、第二值以及第三值中的最大值；
Figure 353362DEST_PATH_IMAGE027
表示第一值、第二值 以及第三值中的最小值；
Figure 935653DEST_PATH_IMAGE028
表示第一值、第二值以及第三值中的平均值；
从因子-距离转换数据库中，匹配得到与移动因子一致的移动距离；
从所述移动走向上按照所述移动距离进行移动。
优选的，将获取的三个截取矢量图集合分别进行矢量分析，得到分析数组，包括：
对同个涉及单元的每个污染源的截取矢量图进行矢量箭头的内分析以及矢量箭头的外分析，其中，所述内分析与箭头进入数量有关，所述外分析与箭头外出数量有关；
根据内分析结果与外分析结果，得到对应污染源的分析因子；
基于同个涉及单元的所有分析因子，从因子-时刻-值映射表匹配得到相关的映射值，进而得到所述同个涉及单元的值；
根据获取的每个截取矢量图集合的值，构建得到分析数组。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中排放源强度与卫星遥感浓度的对比图；
图2为本发明实施例中一种基于多源数据的涉气污染源布局方法的流程图；
图3为本发明实施例中CO的分类地图；
图4为本发明实施例中NOX的分类地图；
图5为本发明实施例中的第一输出图；
图6为对应涉及单元的自清洁轨迹图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
区域的环境空气质量（卫星遥感空气质量数据）与大气污染源排放量（排放清单）、气象条件（大气自净能力数据）紧密相关。一般来说，一个区域的大气自净能力强（例如风速大）、污染源排放量小，当地空气质量表现较好；反之，空气质量表现较差。
因此，开展基于多源数据（卫星遥感空气质量数据、排放清单数据、大气自净能力数据）的涉气污染源布局研究，可以优化大气污染源布局，可以降低工厂、工业园区、生活区、交通源等大气污染影响 (CO、氮氧化物、颗粒物等)，为城市经济的发展保驾护航，为规划提供科学依据。
以陕西省为例，如图1所示，陕西省NOX的排放源强度与卫星遥感的NOX柱浓度趋势一致，可以一定反映出陕西省排放源强度与环境空气质量具有较强的相关性。
本发明提供一种基于多源数据的涉气污染源布局方法，如图2所示，包括：
步骤1：获取卫星遥感数据集对应的第一区域范围、大气自净能力数据集对应的第二区域范围以及排放清单数据集对应的第三区域范围，并确定涉气建模的地理范围；
步骤2：从卫星遥感数据集、大气自净能力数据集以及排放清单数据集中确定最粗分辨率，并结合污染规模，将所述地理范围划分为若干网格单元；
步骤3：基于大气自净能力数据集计算每个网格单元的大气自净能力指数、基于卫生遥感数据集推演每个网格单元的大气污染物浓度以及基于污染物排放清单确定每个网格单元中每种污染源的污染量；
步骤4：对卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行全局空间自相关分析以及显著性检验；
步骤5：按照预设标准对同个网格单元的大气自净能力指数、大气污染物浓度以及污染量进行分析，且结合同个网格单元的分析结果以及检验结果，对所述同个网格单元进行分类；
步骤6：根据所述地理范围中每个网格单元的分类结果，实现对涉气污染源的评价。
该实施例中，地理范围的建立具体如下：
研究区域可以是省、市、区县等维度，根据数据集的范围（卫星遥感数据、大气自净能力数据、排放清单数据），确定建模的地理范围。
该实施例中，网格分辨率应根据数据集（卫星遥感空气质量数据、大气自净能力数据、排放清单数据）最粗的分辨率确定，如本案例中卫星遥感空气质量数据1km×1km、大气自净能力数据3km×3km、排放清单数据3km×3km, 因此本案例的分辨率确定为3km×3km。
该实施例中，大气自净能力数据的计算基于区域的通风量，降水强度以及单位面积等。
大气自净能力指数越大，说明大气自净能力越强；
大气自净能力指数越小，说明大气自净能力越差。
大气自净能力指数A计算公式如下：
Figure 64146DEST_PATH_IMAGE029
其中V为通风量，单位为平方米每秒（m2/s）;R为降水强度，单位为毫米每天（mm/d）;S为单位面积，取100km²。
该实施例中，遥感卫星数据集综合考虑了丰富地基观测、卫星遥感产品、大气再分析和模式排放清单等，推演出的大气污染物浓度。
该实施例中，污染物排放清单是研究区域及时间内，各种类别污染源排放到大气中的污染物的量。
该实施例中，对于网格分类，主要是依据每个指标的大小实现的划分，方便对网格进行分类。
该实施例中，按照分类结果用地理信息系统展示出来，包括：适合布局选址的区域（大气环境容量好）、不适合布局选址的区域（大气环境容量差）以及布局选址的中间区域（大气环境容量一般），对陕西省行政区域内的所有区域进行涉气污染源布局评估，具体如图3和图4所示。
上述技术方案的有益效果是：通过基于大气污染物排放清单数据、大气自净能力数据以及卫星遥感空气质量数据进行分析，来建立污染源优化布局，方便对污染物排放进行定量评估，获取最优的污染源布局方案。
本发明提供一种基于多源数据的涉气污染源布局方法，对卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行全局空间自相关分析以及显著性检验，包括：
对卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行全局空间自相关分析，当全局空间自相关分析结果呈现全局自相关时，将所述卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行两两局部相关性分析，得到概率值、标准差值以及莫兰指数；
对所述概率值、标准差值以及莫兰指数进行显著性检验。
该实施例中，本案例以陕西省行政区域为例对大气污染源的布局的方法进行应用，为了验证其结果的合理性，分别做了多种污染物的比较分析。选取3kmx3km的陕西网格，对不同污染物进行数据处理分析。
针对单变量全局空间自相关分析：
例如，将卫星遥感空气质量数据、大气自净能力数据、污染物排放清单数据进行单变量全局空间自相关分析。将得到的莫兰指数转化为正态检验统计量Z参照正态分布表进行显著性检验。检验公式为
Figure 6563DEST_PATH_IMAGE030
式中：VAR(I) 为全局莫兰指数的方差；E(I) 为全局莫兰指数的期望值。
如表所示：
表1 单变量正态统计的P值和Z值
Figure 536902DEST_PATH_IMAGE032
根据显著性检验评分表进行检验
表2 显著性检验评分表
Figure 86832DEST_PATH_IMAGE033
NOx和CO的卫星遥感数据，污染物排放清单数据，大气自净能力数据均在 P＜0.001 水平下显著，Z得分均大于1. 96，莫兰指数均为正。这说明单变量莫兰指数分析均通过显著性检验，具有统计学意义，为后续双变量莫兰指数分析提供了理论基础。
针对双变量全局空间相关性分析：
将三套数据集（遥感卫星数据，大气自净能力数据，污染物排放清单数据）两两进行双变量空间相关性分析，如表3所示，根据显著性检验评分表进行检验，可以看出NOX与CO的双变量莫兰指数分析置信度均为99%，均通过了显著性检验。
表3 双变量正态检验统计的P值和Z值
Figure 968200DEST_PATH_IMAGE035
上述技术方案的有益效果是：通过进行全局分析、局部分析，便于对同个网格单元中的环境情况进行合理相关分析，为后续进行建立污染源布局提供基础。
本发明提供一种基于多源数据的涉气污染源布局方法，对所述同个网格单元进行分类，包括：
对所述同个网格进行第一预设条件的判断，若满足第一预设条件，则视所述同个网格为良好网格；
若满足第二预设条件，则将所述同个网格视为不合适网格；
否则，视所述同个网格为一般网格。
该实施例中，将通过检验的数据（大气自净能力数据、卫星遥感空气质量数据、排放清单数据）按照表4划分的标准进行分类，将涉气污染源布局评价分为适合、适中、不适合。（适合布局是指同时满足大气自净能力数据大、污染物排放清单数据小、遥感数据小的区域，如表5所示；不适合布局是指同时满足大气自净能力数据小、污染物排放清单数据大、遥感数据大的区域，如表6所示）。
表4 划分标准
Figure 199461DEST_PATH_IMAGE037
0-33%的含义：数据集按照降序进行排列，取前33%的数据。
表5 NOx的部分适合布局结果
Figure 99153DEST_PATH_IMAGE038
表6 NOx的部分不适合布局结果
Figure 554405DEST_PATH_IMAGE039
上述技术方案的有益效果是：通过对不同的数据集进行标准分类，来确定不同网格的评价结果，进而来实现对整个区域的评价，便于污染源布局的建立。
本发明提供一种基于多源数据的涉气污染源布局方法，根据所述地理范围中每个网格单元的分类结果，实现对涉气污染源的评价之后，包括：
确定所述地理范围内每个网格单元的分类结果，并按照所述分类结果进行第一绘制，得到第一输出图；
获取所述第一输出图中不同颜色之间的边界线，并基于所述边界线得到基础线条层；
确定每个独立边界线条中每个边界点的涉及颜色个数；
对所涉及颜色个数为两个的边界点进行第一扩展；
对所涉及颜色个数为三个的边界点进行第二扩展；
按照第一扩展结果以及第二扩展结果，实现对相应独立边界线的调整，得到新的基础线条层，并转换为第二输出图进行输出显示。
该实施例中，如图5所示，在地理范围中存在网格单元1、2、3、4、5，其中，网格单元1、2为一类结果，网格单元3为一类结果，网格单元4、5为一类结果，因此，进行第一绘制之后，会得到第一输出图，且对第一输出图的边界线进行提取之后，就会得到基础线条层（只包括线条在内），其中,c1、c2以及c3可以视为独立边界线。
该实施例中，c1涉及到的颜色个数为两种，且c1的首点涉及到的颜色个数为三种。
该实施例中，通过对每个边界点进行微微调整，可以有效的实现对颜色边界的修正，因为，在实际污染源布局过程中，虽然以一定的网格单元进行了划分，但是，网格单元之间的边界线上也是需要布局鉴定的，使之可以将相邻单元之间的布局更加合理。
上述技术方案的有益效果是：通过根据分类结果进行绘制，便于得到第一输出图，且通过确定基础线条层并对每个点所涉及到的颜色个数进行扩展分析，实现对点的调整，保证布局的更加合理。
本发明提供一种基于多源数据的涉气污染源布局方法，对所涉及颜色个数为两个的边界点进行第一扩展，包括：
确定所涉及颜色个数为两个的第一涉及单元以及第二涉及单元；
根据所述第一涉及单元的地理走向、建筑走向以及前一时刻的风走向，建立基于对应边界点的第一线；
根据第二涉及单元的地理走向、建筑走向以及前一时刻的风走向，建立基于对应边界点的第二线；
基于所述第一线、第二线上的涉气指标参数，获取所述第一线、第二线的实际涉气集合，同时，基于相应边界点的点地理位置以及所述点地理位置的地形走势，获取参考涉气集合；
Figure 657490DEST_PATH_IMAGE040
Figure 692442DEST_PATH_IMAGE041
其中，S1表示基于第一线与第二线的实际涉气集合；
Figure 462952DEST_PATH_IMAGE042
表示第一线中第
Figure 89106DEST_PATH_IMAGE043
个涉气 指标的指标值；
Figure 194334DEST_PATH_IMAGE044
表示第二线中第
Figure 32977DEST_PATH_IMAGE043
个涉气指标的指标值；
Figure 126835DEST_PATH_IMAGE045
表示参考涉气指标集合S0中 第
Figure 392731DEST_PATH_IMAGE043
个涉气指标的参考值；
Figure 267146DEST_PATH_IMAGE046
表示涉气指标的总个数；
根据所述实际涉气集合以及参考涉气集合，确定涉气连贯性
Figure 158748DEST_PATH_IMAGE047
；
Figure 372691DEST_PATH_IMAGE048
其中，
Figure 809489DEST_PATH_IMAGE049
表示第
Figure 171200DEST_PATH_IMAGE043
个涉气指标的指标权重；
Figure 351646DEST_PATH_IMAGE050
为常数，且小于0.5；
Figure 770880DEST_PATH_IMAGE051
表 示所有涉气比值中的最大比值；
Figure 378579DEST_PATH_IMAGE052
表示从所有涉气比值中获取的与最大指标权重
Figure 165269DEST_PATH_IMAGE053
所匹配的最大比值；exp表示指数函数的符号；
当所述涉气连贯性大于或等于参考连贯性时，保持相应的边界点不变；
当涉气连贯性小于参考连贯性时，获取第一线的第一涉气值s01以及从所述第二线的第二涉气值s02，并对涉气值大的线进行第一锁定;
根据
Figure 883827DEST_PATH_IMAGE054
，从点位置调节数据库中，匹配得到点调节长度，并基于第一锁定的线 按照所述点调节长度进行点偏移，并将偏移后的点保持不变；
其中，
Figure 134679DEST_PATH_IMAGE055
表示基于所述参考涉气集合的参考涉气值，其中，
Figure 162547DEST_PATH_IMAGE056
。
该实施例中，不同涉气指标的权重都是预先设置好的。
该实施例中，参考连贯性是预先设置好的，与涉气连贯性起到一个比较作用。
该实施例中，如图5所示，以c1线条中间的某一点为例，其涉及的颜色个数为两个，其中的第一涉及单元为同个颜色对应的单元1，第二涉及单元为同个颜色对应的单元3，又以c2线条中间的某一点为例子，其中的第一涉及单元为同个颜色对应的单元2，第二涉及单元为同个颜色对应的4和5所组成的单元；
该实施例中，地理走向是基于获取该涉及单元的地理走势地图来分析得到的地理走向，比如，山脉、平原的地形地势等。
建筑走向是基于该涉及单元的建筑构造图来分析得到的，建筑的高低、高层建筑的分布以及底层建筑的分布等。
前一时刻的风走向指的是气象局所监测到的环境风的风流动方向，因为，地形地势以及建筑高低会对风流动风向进行改变，所以，建立基于对应边界点的第一线，该第一线是基于该边界点所处的位置、该位置的地形、该边界点所对应第一涉及单元地理走向、建筑走向、风走向，输入到线规划模型中，来得到的第一线，且第二线的获取原理与第一线类似，此处不再赘述。
该实施例中，线规划模型是基于不同的点位置、点位置所属单元的地理地势、高低建筑分布、风流动相关参数以及基于该点的扩展线为样本训练得到的，因此，可以获取不同的边界点基于不同涉及单元的线，且该线的设计更多的是与风在对应涉及单元的流动线有关。
该实施例中，涉气指标参数指的是该线上所涉及到的不同污染物的浓度等有关，也就是随着风的流程，该线上不同点的污染物浓度是不一样的。
该实施例中，指标值指的是基于基于该线上同个指标所对应的所有参数的一个结 果，
Figure 436534DEST_PATH_IMAGE057
，其中，
Figure 958782DEST_PATH_IMAGE058
表示对应线上前2/3的点个数；
Figure 64141DEST_PATH_IMAGE059
2表示对应线 上后1/3的点个数；
Figure 13643DEST_PATH_IMAGE060
表示对应线上前2/3的点中的第j1个点的同指标参数值；
Figure 758614DEST_PATH_IMAGE061
表示对应 线上后1/3的点中的第j2个点的同指标参数值，其中，同指标参数值进行进行标准系数转换 之后得到的，方便计算过程的统一，其中，同指标参数值是基于指标值-转化标准表进行转 换映射得到的值，其中，
Figure 84553DEST_PATH_IMAGE062
的计算过程与
Figure 44419DEST_PATH_IMAGE063
的计算过程类似，此处不再赘述。
该实施例中，
Figure 164821DEST_PATH_IMAGE064
是直接获取得该点的对应第
Figure 413400DEST_PATH_IMAGE065
个指标的参数值，且
Figure 526718DEST_PATH_IMAGE066
以及
Figure 341091DEST_PATH_IMAGE064
对应的计算标准都是一样的，且取值范围都在0-1之间。
该实施例中，当对应的线不存在时，比如，第一线不存在时，
Figure 897974DEST_PATH_IMAGE067
为0，或者第二线不 存在时，
Figure 368270DEST_PATH_IMAGE068
为0。
该实施例中，
Figure 832749DEST_PATH_IMAGE069
表示确定的第
Figure 704890DEST_PATH_IMAGE070
个涉气指标的连贯比值，且
Figure 681942DEST_PATH_IMAGE071
大于0；
Figure 639534DEST_PATH_IMAGE072
表示确定的第
Figure 845387DEST_PATH_IMAGE073
个涉气指标的涉气比值。
该实施例中，位置调节数据库是包括不同的比值结果、该比值结果中s01、s02以及
Figure 634352DEST_PATH_IMAGE016
，且与之对应的点调节长度在内的，因此，可以匹配得到需要调节的结果，如果s01大于 s02，则，基于s01对应的第一线从边界点按照点调节长度进行调节。
该实施例中，如果s01等于s02，则，保持原先的边界点不变。
上述技术方案的有益效果是：通过对涉及到的颜色个数为两个点进行第一线与第二线的扩展，并根据第一线与第二线上的涉气指标参数来构建实际涉气集合，并于参考舍涉气集合进行比较，来计算涉气连贯性，通过连贯性的比较，来确定调节的方向以及调节的长度，方便对边界点进行精准调节，保证布局的精准性。
本发明提供一种基于多源数据的涉气污染源布局方法，对所涉及颜色个数为三个的边界点进行第二扩展，包括：
确定所涉及颜色个数为三个的第三涉及单元、第四涉及单元以及第五涉及单元；
获取第三涉及单元的第三历史环境信息、第四涉及单元的第四历史环境信息以及第五涉及单元的第五历史环境信息；
基于所述第三历史环境信息分析所述第三涉及单元中的第三污染源以及针对每个污染源的第三自清洁轨迹，并构建所述第三涉及单元的第三轨迹图；
基于所述第四历史环境信息分析所述第四涉及单元中的第四污染源以及针对每个污染源的第四自清洁轨迹，并构建所述第四涉及单元的第四轨迹图；
基于所述第五历史环境信息分析所述第五涉及单元中的第五污染源以及针对每个污染源的第五自清洁轨迹，并构建所述第五涉及单元的第五轨迹图；
根据污染源-轨迹分析模型，分别对第三轨迹图、第四轨迹图以及第五轨迹图进行轨迹分析，确定每种污染源的流动走向，进而分别得到每个轨迹图的源走向标识；
根据每个轨迹图中源走向标识的初点、拐点以及终点分别建立与所涉及单元个数为三个的边界点的连线，构建得到同个涉及单元中同个污染源的连接矢量图；
按照预设长度大小，并以所涉及单元个数为三个的边界点为中心对所述连接矢量图进行截取，进而得到针对同个涉及单元的截取矢量图集合；
将获取的三个截取矢量图集合分别进行矢量分析，得到分析数组；
当所述分析数组中的三个值都趋于一致时，保持所涉及单元个数为三个的边界点的位置不变；
否则，获取所述分析数据中的第一值与第二值的第一差以及第一值与第三值的第二差、第二值与第三值的第三差以及第二值与第一值的第四差、第三值与第一值的第五差以及第三值与第二值第六差；
根据所述第一差、第二差、第三差、第四差、第五差以及第六差，确定所涉及单元个数为三个的边界点的移动走向，并保留。
该实施例中，如图5所示，针对d1边界点的第三涉及单元为单元2，第四涉及单元为网格单元3，第五涉及单元为网格单元4和5。
该实施例中，每个涉及单元的历史环境信息都是包括与大气自净数据相关。
该实施例中，污染源与CO、NOx等有关。
该实施例中，自清洁轨迹指的针对不同污染源随风进行移动的轨迹。
该实施例中，由于每个涉及单元不只是包含一种污染源，所以，分别构建每种污染源的自清洁轨迹，可以有效得到每个涉及单元的轨迹图。
该实施例中，如图6所示，d01表示污染源1的自清洁轨迹，d02表示污染源3的自清洁轨迹，d03表示污染源3的自清洁轨迹等。
该实施例中，污染源-轨迹分析模型是预先训练好的，是基于不同污染源所组合的自清洁轨迹以及与组合匹配的矢量走向为样本训练得到的，历史环境信息是获取的不同历史时刻点的环境信息，是包括若干个历史时刻点在内的，且风向在不同时刻是不一样的，因此，可以获取得到同个污染源的若干源走向标识。
该实施例中，源走向标识可以是带有箭头的线条，该线条可以是直线，也可以是曲线等，进而来确定该线条的初点、拐点以及终点，且初点到边界点的连线、拐点到边界点的连线、终点到边界点的连线，就可以得到针对同个污染源在不同时刻的连接情况，进而可以构建得到针对同个污染源的连接矢量图，且历史时刻点一般是包括3个时刻点在内。
该实施例中，连接矢量图指的是不同时刻针对同个污染源带有箭头的图。
该实施例中，预设长度大小是预先设置好的，比如是10m。
该实施例中，矢量图集合是包括对应单元所涉及的不同污染源对应截取后的连接矢量在内的。
该实施例中，因为每个截取矢量图集合中每个截取矢量图都代表同个污染源，且不同时刻的污染情况，用不同的颜色标注，因此，可以分析得到该集合的值。
该实施例中，比如，当分析数组中的第一值为7，第二值为7以及第三值为7时，也就是单个值都趋于一致时，判定边界点的位置保持不变。
该实施例中，比如，当第一值为7，第二值为5，第三值为2时，对应的第一差为2，第二差为-5，第三差为3，第四差为-2，第五差为-3，第六差为-5。
该实施例中，移动走向指的是需要将边界点进行移动的方向。
上述技术方案的有益效果是：通过按照每个涉及单元的历史环境信息所分析的污染源以及自清洁轨迹，来构建轨迹图，且通过模型对轨迹图的轨迹分析，有效得到每个轨迹图的源走向标识，进而来构建连接矢量图，保证对污染源的合理分析，且通过进行截取以及矢量分析，便于得到同个单元的图集合，为后续确定移动走向提供分析基础，且通过对分析数组中的每两个值进行差比较，进一步精准确定出移动走向，保证边界点的精准调节。
本发明提供一种基于多源数据的涉气污染源布局方法，根据所述第一差、第二差、第三差、第四差、第五差以及第六差，确定所涉及单元个数为三个的边界点的移动走向，包括：
根据所述第一差
Figure 267458DEST_PATH_IMAGE074
、第二差
Figure 961614DEST_PATH_IMAGE075
，构建第一数组；
根据所述第三差
Figure 767896DEST_PATH_IMAGE076
、第四差
Figure 880208DEST_PATH_IMAGE077
，构建第二数组；
根据所述第五差
Figure 684216DEST_PATH_IMAGE078
、第六差
Figure 616400DEST_PATH_IMAGE079
，构建第三数组；
分别所述第一数组、第二数组以及第三数组的箭头矢量，并进行矢量融合，得到最后矢量，将所述最后矢量的箭头指向作为移动走向；
根据如下公式计算移动因子
Figure 413324DEST_PATH_IMAGE080
；
Figure 176880DEST_PATH_IMAGE081
其中，
Figure 151790DEST_PATH_IMAGE082
表示第一值、第二值以及第三值中的最大值；
Figure 571270DEST_PATH_IMAGE083
表示第一值、第二值 以及第三值中的最小值；
Figure 922616DEST_PATH_IMAGE084
表示第一值、第二值以及第三值中的平均值；
从因子-距离转换数据库中，匹配得到与移动因子一致的移动距离；
从所述移动走向上按照所述移动距离进行移动。
该实施例中，第一数组[2，-5]，第二数组[3，-2]，第三数组[-3，-5]。
该实施例中，箭头矢量是由坐标（0，0）到对应数组所对应点的连线，并建立得到对应的矢量线。
该实施例中，最后矢量指的是将（0，0）到（2，-5）、（0，0）到（3，-2）、（0，0）到（-3，-5）所组成的矢量线进行矢量相加运算之后得到的最后一个矢量线，将最后一个矢量线的方向作为移动方向。
该实施例中，因子-距离转换数据库是包括不同的移动因子以及与移动因子匹配的移动距离在内的，因此，可以直接有效地的调取到移动距离。
上述技术方案的有益效果是：通过根据三个数组的箭头矢量，来得到最后矢量，进而确定出移动走向，且通过基于不同的值来计算得到移动因子，并从数据库中得到与移动因子匹配的移动距离，实现对边界点的调整。
本发明提供一种基于多源数据的涉气污染源布局方法，将获取的三个截取矢量图集合分别进行矢量分析，得到分析数组，包括：
对同个涉及单元的每个污染源的截取矢量图进行矢量箭头的内分析以及矢量箭头的外分析，其中，所述内分析与箭头进入数量有关，所述外分析与箭头外出数量有关；
根据内分析结果与外分析结果，得到对应污染源的分析因子；
基于同个涉及单元的所有分析因子，从因子-时刻-值映射表匹配得到相关的映射值，进而得到所述同个涉及单元的值；
根据获取的每个截取矢量图集合的值，构建得到分析数组。
该实施例中，内分析指的是对应涉及单元中同个污染源在对应不同时刻的截取矢量图中所指向坐标（0，0）的次数以及指向（0，0）的密度，外分析指的是对应涉及单元中同个污染源在对应不同时刻的截取矢量图中从坐标（0，0）向外指出的次数以及向外指出的密度；
该实施例中，根据次数以及密度，可以有效的确定出该污染源的分析因子，比如，分析因子：时刻-所指向坐标（0，0）的次数-密度、时刻-向外指出的次数-向外指出的密度。
该实施例中，同个涉及单元的所有分析因子以及该分析因子所对应的历史时刻，可以从因子-时刻-值映射表匹配得到最后的值，将所有的值进行累加和，得到分析数组中的值。
该实施例中，因子-时刻-值映射表是包括不同的分析因子、分析因子对应的历史环境时刻以及与因子、时刻所匹配的映射值在内的，可为正、零、负等。
上述技术方案的有益效果是：通过对每个截取矢量图进行内分析以及外分析，可以得到针对分析因子，并从映射表可以得到对应的值，为构建分析数据提供基础，且进一步方便后续对边界点的调节。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于多源数据的涉气污染源布局方法，其特征在于，包括：
步骤1：获取卫星遥感数据集对应的第一区域范围、大气自净能力数据集对应的第二区域范围以及排放清单数据集对应的第三区域范围，并确定涉气建模的地理范围；
步骤2：从卫星遥感数据集、大气自净能力数据集以及排放清单数据集中确定最粗分辨率，并结合污染规模，将所述地理范围划分为若干网格单元；
步骤3：基于大气自净能力数据集计算每个网格单元的大气自净能力指数、基于卫星遥感数据集推演每个网格单元的大气污染物浓度以及基于污染物排放清单确定每个网格单元中每种污染源的污染量；
步骤4：对卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行全局空间自相关分析以及显著性检验；
步骤5：按照预设标准对同个网格单元的大气自净能力指数、大气污染物浓度以及污染量进行分析，且结合同个网格单元的分析结果以及检验结果，对所述同个网格单元进行分类；
步骤6：根据所述地理范围中每个网格单元的分类结果，实现对涉气污染源的评价；
其中，根据所述地理范围中每个网格单元的分类结果，实现对涉气污染源的评价之后，包括：
确定所述地理范围内每个网格单元的分类结果，并按照所述分类结果进行第一绘制，得到第一输出图；
获取所述第一输出图中不同颜色之间的边界线，并基于所述边界线得到基础线条层；
确定每个独立边界线条中每个边界点的涉及颜色个数；
对所涉及颜色个数为两个的边界点进行第一扩展；
对所涉及颜色个数为三个的边界点进行第二扩展；
按照第一扩展结果以及第二扩展结果，实现对相应独立边界线的调整，得到新的基础线条层，并转换为第二输出图进行输出显示。
2.如权利要求1所述的基于多源数据的涉气污染源布局方法，其特征在于，对卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行全局空间自相关分析以及显著性检验，包括：
对卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行全局空间自相关分析，当全局空间自相关分析结果呈现全局自相关时，将所述卫星遥感数据集、大气自净能力数据集以及排放清单数据集进行两两局部相关性分析，得到概率值、标准差值以及莫兰指数；
对所述概率值、标准差值以及莫兰指数进行显著性检验。
3.如权利要求1所述的基于多源数据的涉气污染源布局方法，其特征在于，对所述同个网格单元进行分类，包括：
对所述同个网格进行第一预设条件的判断，若满足第一预设条件，则视所述同个网格为良好网格；
若满足第二预设条件，则将所述同个网格视为不合适网格；
否则，视所述同个网格为一般网格。
4.如权利要求1所述的基于多源数据的涉气污染源布局方法，其特征在于，对所涉及颜色个数为两个的边界点进行第一扩展，包括：
确定所涉及颜色个数为两个的第一涉及单元以及第二涉及单元；
根据所述第一涉及单元的地理走向、建筑走向以及前一时刻的风走向，建立基于对应边界点的第一线；
根据第二涉及单元的地理走向、建筑走向以及前一时刻的风走向，建立基于对应边界点的第二线；
基于所述第一线、第二线上的涉气指标参数，获取所述第一线、第二线的实际涉气集合，同时，基于相应边界点的点地理位置以及所述点地理位置的地形走势，获取参考涉气集合；
Figure QLYQS_1
；
Figure QLYQS_2
；
其中，S1表示基于第一线与第二线的实际涉气集合；
Figure QLYQS_3
表示第一线中第i1个涉气指标的指标值；
Figure QLYQS_4
表示第二线中第
Figure QLYQS_5
个涉气指标的指标值；
Figure QLYQS_6
表示参考涉气指标集合S0中第
Figure QLYQS_7
个涉气指标的参考值；
Figure QLYQS_8
表示涉气指标的总个数；
根据所述实际涉气集合以及参考涉气集合，确定涉气连贯性
Figure QLYQS_9
；
Figure QLYQS_10
；
其中，
Figure QLYQS_11
表示第
Figure QLYQS_12
个涉气指标的指标权重；
Figure QLYQS_13
为常数，且小于0.5；
Figure QLYQS_14
表示所有涉气比值中的最大比值；
Figure QLYQS_15
表示从所有涉气比值中获取的与最大指标权重
Figure QLYQS_16
所匹配的最大比值；exp表示指数函数的符号；
当所述涉气连贯性大于或等于参考连贯性时，保持相应的边界点不变；
当涉气连贯性小于参考连贯性时，获取第一线的第一涉气值s01以及从所述第二线的第二涉气值s02，并对涉气值大的线进行第一锁定;
根据
Figure QLYQS_17
，从点位置调节数据库中，匹配得到点调节长度，并基于第一锁定的线按照所述点调节长度进行点偏移，并将偏移后的点保持不变；
其中，
Figure QLYQS_18
表示基于所述参考涉气集合的参考涉气值，其中，
Figure QLYQS_19
。
5.如权利要求1所述的基于多源数据的涉气污染源布局方法，其特征在于，
涉及颜色个数为三个的边界点进行第二扩展，包括：
确定所涉及颜色个数为三个的第三涉及单元、第四涉及单元以及第五涉及单元；
获取第三涉及单元的第三历史环境信息、第四涉及单元的第四历史环境信息以及第五涉及单元的第五历史环境信息；
基于所述第三历史环境信息分析所述第三涉及单元中的第三污染源以及针对每个污染源的第三自清洁轨迹，并构建所述第三涉及单元的第三轨迹图；
基于所述第四历史环境信息分析所述第四涉及单元中的第四污染源以及针对每个污染源的第四自清洁轨迹，并构建所述第四涉及单元的第四轨迹图；
基于所述第五历史环境信息分析所述第五涉及单元中的第五污染源以及针对每个污染源的第五自清洁轨迹，并构建所述第五涉及单元的第五轨迹图；
根据污染源-轨迹分析模型，分别对第三轨迹图、第四轨迹图以及第五轨迹图进行轨迹分析，确定每种污染源的流动走向，进而分别得到每个轨迹图的源走向标识；
根据每个轨迹图中源走向标识的初点、拐点以及终点分别建立与所涉及单元个数为三个的边界点的连线，构建得到同个涉及单元中同个污染源的连接矢量图；
按照预设长度大小，并以所涉及单元个数为三个的边界点为中心对所述连接矢量图进行截取，进而得到针对同个涉及单元的截取矢量图集合；
将获取的三个截取矢量图集合分别进行矢量分析，得到分析数组；
当所述分析数组中的三个值都趋于一致时，保持所涉及单元个数为三个的边界点的位置不变；
否则，获取所述分析数组中的第一值与第二值的第一差以及第一值与第三值的第二差、第二值与第三值的第三差以及第二值与第一值的第四差、第三值与第一值的第五差以及第三值与第二值第六差；
根据所述第一差、第二差、第三差、第四差、第五差以及第六差，确定所涉及单元个数为三个的边界点的移动走向，并保留。
6.如权利要求5所述的基于多源数据的涉气污染源布局方法，其特征在于，
根据所述第一差、第二差、第三差、第四差、第五差以及第六差，确定所涉及单元个数为三个的边界点的移动走向，包括：
根据所述第一差
Figure QLYQS_20
、第二差
Figure QLYQS_21
，构建第一数组；
根据所述第三差
Figure QLYQS_22
、第四差
Figure QLYQS_23
，构建第二数组；
根据所述第五差
Figure QLYQS_24
、第六差
Figure QLYQS_25
，构建第三数组；
分别所述第一数组、第二数组以及第三数组的箭头矢量，并进行矢量融合，得到最后矢量，将所述最后矢量的箭头指向作为移动走向；
根据如下公式计算移动因子
Figure QLYQS_26
；
Figure QLYQS_27
；
其中，
Figure QLYQS_28
表示第一值、第二值以及第三值中的最大值；
Figure QLYQS_29
表示第一值、第二值以及第三值中的最小值；
Figure QLYQS_30
表示第一值、第二值以及第三值中的平均值；
从因子-距离转换数据库中，匹配得到与移动因子一致的移动距离；
从所述移动走向上按照所述移动距离进行移动。
7.如权利要求5所述的基于多源数据的涉气污染源布局方法，其特征在于，将获取的三个截取矢量图集合分别进行矢量分析，得到分析数组，包括：
对同个涉及单元的每个污染源的截取矢量图进行矢量箭头的内分析以及矢量箭头的外分析，其中，所述内分析与箭头进入数量有关，所述外分析与箭头外出数量有关；
根据内分析结果与外分析结果，得到对应污染源的分析因子；
基于同个涉及单元的所有分析因子，从因子-时刻-值映射表匹配得到相关的映射值，进而得到所述同个涉及单元的值；
根据获取的每个截取矢量图集合的值，构建得到分析数组。
CN202211679406.8A 2022-12-27 2022-12-27 一种基于多源数据的涉气污染源布局方法 Active CN115689125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211679406.8A CN115689125B (zh) 2022-12-27 2022-12-27 一种基于多源数据的涉气污染源布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211679406.8A CN115689125B (zh) 2022-12-27 2022-12-27 一种基于多源数据的涉气污染源布局方法

Publications (2)

Publication Number Publication Date
CN115689125A CN115689125A (zh) 2023-02-03
CN115689125B true CN115689125B (zh) 2023-03-17

Family

ID=85056834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211679406.8A Active CN115689125B (zh) 2022-12-27 2022-12-27 一种基于多源数据的涉气污染源布局方法

Country Status (1)

Country Link
CN (1) CN115689125B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757366B (zh) * 2023-08-14 2023-11-10 中科三清科技有限公司 高污染排放污染源选址的方法、装置、介质及电子设备
CN117391910B (zh) * 2023-12-07 2024-03-12 中国民航大学 一种机场空气质量动态表征方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046783A (zh) * 2019-12-09 2020-04-21 山西能源学院 一种改进分水岭算法的斜坡地质灾害边界提取方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563562A (zh) * 2017-09-08 2018-01-09 新奥泛能网络科技股份有限公司 网格化城市大气污染物排放的评估方法及装置
CN111523717B (zh) * 2020-04-15 2023-05-16 北京工业大学 一种大气污染物排放清单的反演估算方法
CN115081846A (zh) * 2022-06-13 2022-09-20 杨晶 空气质量气象条件贡献率定量评估技术
CN114818391B (zh) * 2022-06-28 2022-10-21 北京化工大学 一种基于多溯源模型的污染源浓度分析方法
CN115293567A (zh) * 2022-08-03 2022-11-04 四川省生态环境科学研究院 一种大气污染动态管控系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046783A (zh) * 2019-12-09 2020-04-21 山西能源学院 一种改进分水岭算法的斜坡地质灾害边界提取方法

Also Published As

Publication number Publication date
CN115689125A (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN115689125B (zh) 一种基于多源数据的涉气污染源布局方法
CN108227041B (zh) 基于站点实测数据和模式结果的水平能见度预报方法
CN110990905A (zh) 一种历史城市保护发展协同控制方案辅助设计系统
CN110346517B (zh) 一种智慧城市工业大气污染可视化预警方法及其系统
WO2022198963A1 (zh) 基于大数据的商业空间品质评价方法、系统、设备及介质
CN111696369B (zh) 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法
CN113436045A (zh) 大气污染多尺度融合溯源方法、装置和可读存储介质
CN113624921B (zh) 多模式综合污染溯源方法
CN113112068A (zh) 一种村镇公共设施选址布局的方法及其系统
Capizzi et al. Cascade feed forward neural network-based model for air pollutants evaluation of single monitoring stations in urban areas
CN107688818A (zh) 一种基于卫星遥感影像特征分析的路径智能选择方法及系统
CN114757807A (zh) 多模式融合的大气污染物实际排放量在线核算方法
CN110346518A (zh) 一种交通排放污染可视化预警方法及其系统
CN111937016A (zh) 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统
CN114912707A (zh) 一种基于多模态融合的空气质量预测系统及预测方法
CN110909951A (zh) 一种历史名城新城区规划辅助设计系统
CN111915465A (zh) 一种针对大气面源排放清单的分配方法和系统
CN115718983B (zh) 一种基于城市尺度和风向通道的污染热点区域识别方法
CN116796904A (zh) 一种轨道交通新线客流预测方法、系统、电子设备及介质
CN115545565A (zh) 基于大气环境质量的园区排污总量管控方法和系统
CN115062682A (zh) 目标功能区标识方法、装置、存储介质及设备
CN114822709A (zh) 大气污染多粒度精准成因分析方法及装置
CN111400877B (zh) 一种基于gis数据的智能城市仿真系统和方法
Zhao et al. Urban spatial structure analysis: quantitative identification of urban social functions using building footprints
CN115902114B (zh) 基于半定量法的小尺度大气污染溯源方法

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