CN115718169A - 大气污染高值区域的定位方法、装置、设备及存储介质 - Google Patents
大气污染高值区域的定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115718169A CN115718169A CN202211431238.0A CN202211431238A CN115718169A CN 115718169 A CN115718169 A CN 115718169A CN 202211431238 A CN202211431238 A CN 202211431238A CN 115718169 A CN115718169 A CN 115718169A
- Authority
- CN
- China
- Prior art keywords
- grid
- air quality
- target
- quality data
- target sub
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 162
- 238000012163 sequencing technique Methods 0.000 claims abstract description 35
- 238000012806 monitoring device Methods 0.000 claims description 95
- 239000003344 environmental pollutant Substances 0.000 claims description 56
- 231100000719 pollutant Toxicity 0.000 claims description 50
- 230000012010 growth Effects 0.000 claims description 33
- 230000007613 environmental effect Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000011109 contamination Methods 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 7
- 230000003698 anagen phase Effects 0.000 claims 2
- 239000000356 contaminant Substances 0.000 description 7
- 238000003915 air pollution Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供大气污染高值区域的定位方法、装置、设备及存储介质，该方法包括：基于目标点位的历史监测数据，确定目标点位的潜在污染区；对潜在污染区进行网格划分，得到多个子网格；当目标点位在t时刻处于污染增长阶段，目标子网格在t时刻之前的预设时间段内也处于污染增长阶段，且在t时刻目标子网格与目标点位的空气质量数据的差值均大于预设阈值时，则确定该目标子网格处于高值潜在区；其中，空气质量数据是通过地面类监测设备、移动类监测设备或高空类监测设备中的至少两类设备监测得到的；对高值潜在区内的所有目标子网格的空气质量数据进行排序，确定影响目标点位的高值区域。本发明可以快速地确定影响目标点位的高值区域。
Description
技术领域
本发明涉及环境监测技术领域，尤其涉及一种大气污染高值区域的定位方法、装置、设备及存储介质。
背景技术
随着大气污染防治措施的不断深入，空气质量已经有了明显的改善。空气质量的好坏反映了空气污染程度，它是依据空气中污染物浓度的高低来判断的。空气污染是一个复杂的现象，在特定时间和地点空气污染物浓度受到许多因素影响。来自固定污染源和流动污染源的人为污染物的排放是影响空气质量的最主要因素之一，城市的发展密度、地形地貌和气象等也是影响空气质量的重要因素。
空气污染依然是影响空气质量的主要因素之一，而目前需要较长的时间才能确定污染高值区域，无法在污染期间及时定位污染的高值区域，成为目前亟需解决的技术问题。
发明内容
本发明实施例提供了一种大气污染高值区域的定位方法、装置、设备及存储介质，以解决目前高值区域的定位需要较长时间的问题。
第一方面，本发明实施例提供了一种大气污染高值区域的定位方法，其特征在于，包括：
基于目标点位的历史监测数据，确定目标点位的潜在污染区；
对潜在污染区进行网格划分，得到多个子网格；
当目标点位在t时刻处于污染增长阶段，目标子网格在t时刻之前的预设时间段内也处于污染增长阶段，且在t时刻目标子网格与目标点位的空气质量数据的差值均大于预设阈值时，则确定该目标子网格处于高值潜在区；其中，空气质量数据是通过地面类监测设备、移动类监测设备或高空类监测设备中的至少两类设备监测得到的，每类监测设备监测到的空气质量数据为同类数据，不同类监测设备监测到的空气质量数据为不同类数据；
对高值潜在区内的所有目标子网格的空气质量数据进行排序，确定影响目标点位的高值区域。
在一种可能的实现方式中，对高值潜在区内的所有目标子网格的空气质量数据进行排序，确定影响目标点位的高值区域，包括：
对高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号；
对每个目标子网格在每类监测设备下的编号进行求和，确定每个目标子网格对目标点位的影响值；
将影响值最大的目标子网格确定为影响目标点位的高值区域。
在一种可能的实现方式中，对每个目标子网格在每类监测设备下的编号进行求和，确定每个目标子网格对目标点位的影响值，包括：
将每个目标子网格在每类监测设备下的编号，输入至预先构建的评价模型中，得到每个目标子网格对目标点位的影响值；
其中，评价模型Pj为：
Pj＝RDj*0.35+RYj0.35+RGj*0.3；
其中，j为目标子网格的编号，RDj为通过地面类监测设备确定的目标子网格的编号，RYj为通过移动类监测设备确定的目标子网格的编号，RGj为通过高空类监测设备确定的目标子网格的编号。
在一种可能的实现方式中，对高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号，包括：
当高值潜在区内的目标子网格内设有多个相同类型的监测设备，则基于同类型的每个监测设备监测得到的空气质量数据进行排序处理，确定目标子网格在该类空气质量数据下的编号；
对高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号。
在一种可能的实现方式中，当高值潜在区内的目标子网格内设有多个相同类型的监测设备，则基于同类型的每个监测设备监测得到的空气质量数据进行排序处理，确定目标子网格在该类空气质量数据下的编号，包括：
基于目标子网格内的同类型的每个监测设备监测得到的空气质量数据、以及预设排序模型，确定目标子网格在该类空气质量数据下的编号；
其中，预设排序模型R为：
其中，n为同一目标子网格内的同类型的监测设备的总数量，Xi为该子网格内同类型的监测设备i监测的空气质量数据在同类空气质量数据中的排名，Xmax为该子网格内的同类型的监测设备监测的最大空气质量数据的排名，Xmin为该子网格内的同类型的监测设备监测的最小空气质量数据的排名。
在一种可能的实现方式中，基于目标点位的历史监测数据，确定目标点位的潜在污染区，包括：
获取目标点位的历史监测数据，其中，历史监测数据包括目标点位的环境监测数据和气象监测数据，环境监测数据包括按照时间序列排列的各类污染物的浓度值，气象监测数据包括按照时间序列排列的气象数据；
基于目标点位的环境监测数据，提取处于污染增长阶段以及污染高值点的环境监测数据；
基于处于污染增长阶段以及污染高值点的环境监测数据，以及处于污染增长阶段以及污染高值点的气象监测数据，确定目标点位的污染物分布图；
基于目标点位的污染物分布图，确定目标点位的潜在污染区。
在一种可能的实现方式中，当目标点位在t时刻处于污染增长阶段，目标子网格在t时刻之前的预设时间段内也处于污染增长阶段，且在t时刻目标子网格与目标点位的空气质量数据的差值均大于预设阈值时，则确定该目标子网格处于高值潜在区，包括：
基于目标点位的污染物小时浓度数据，当目标点位在t时刻的空气质量数据与t-1时刻的空气质量数据之比大于100％，且在t+1时刻的空气质量数据与t时刻的空气质量数据之比大于100％时，则确定目标点位在t时刻处于污染增长阶段；
基于目标子网格的污染物小时浓度数据，当目标子网格在t-△t时刻的空气质量数据与t-△t-1时刻的空气质量数据之比大于100％，且在t-△t+1时刻的空气质量数据与t-△t时刻的空气质量数据之比大于100％时，则确定目标子网格在t-△t时刻处于污染增长阶段；
当目标点位在t时刻的空气质量数据与目标子网格在t时刻的空气质量数据的差值，与目标子网格在t时刻的空气质量数据比值大于预设阈值时，则确定该目标子网格处于高值潜在区。
第二方面，本发明实施例提供了一种大气污染高值区域的定位装置，包括：确定潜在区模块，用于基于目标点位的历史监测数据，确定目标点位的潜在污染区；
划分网格模块，用于对潜在污染区进行网格划分，得到多个子网格；
确定高值潜在区模块，用于当目标点位在t时刻处于污染增长阶段，目标子网格在t时刻之前的预设时间段内也处于污染增长阶段，且在t时刻目标子网格与目标点位的空气质量数据的差值均大于预设阈值时，则确定该目标子网格处于高值潜在区；其中，空气质量数据是通过地面类监测设备、移动类监测设备或高空类监测设备中的至少两类设备监测得到的，每类监测设备监测到的空气质量数据为同类数据，不同类监测设备监测到的空气质量数据为不同类数据；
确定高值模块，用于对高值潜在区内的所有目标子网格的空气质量数据进行排序，确定影响目标点位的高值区域。
在一种可能的实现方式中，确定高值模块，用于对高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号；
对每个目标子网格在每类监测设备下的编号进行求和，确定每个目标子网格对目标点位的影响值；
将影响值最大的目标子网格确定为影响目标点位的高值区域。
在一种可能的实现方式中，确定高值模块，用于将每个目标子网格在每类监测设备下的编号，输入至预先构建的评价模型中，得到每个目标子网格对目标点位的影响值；
其中，评价模型Pj为：
Pj＝RDj*0.35+RYj0.35+RGj*0.3；
其中，j为目标子网格的编号，RDj为通过地面类监测设备确定的目标子网格的编号，RYj为通过移动类监测设备确定的目标子网格的编号，RGj为通过高空类监测设备确定的目标子网格的编号。
在一种可能的实现方式中，确定高值模块，用于当高值潜在区内的目标子网格内设有多个相同类型的监测设备，则基于同类型的每个监测设备监测得到的空气质量数据进行排序处理，确定目标子网格在该类空气质量数据下的编号；
对高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号。
在一种可能的实现方式中，确定高值模块，用于基于目标子网格内的同类型的每个监测设备监测得到的空气质量数据、以及预设排序模型，确定目标子网格在该类空气质量数据下的编号；
其中，预设排序模型R为：
其中，n为同一目标子网格内的同类型的监测设备的总数量，Xi为该子网格内同类型的监测设备i监测的空气质量数据在同类空气质量数据中的排名，Xmax为该子网格内的同类型的监测设备监测的最大空气质量数据的排名，Xmin为该子网格内的同类型的监测设备监测的最小空气质量数据的排名。
在一种可能的实现方式中，确定潜在区模块，用于获取目标点位的历史监测数据，其中，历史监测数据包括目标点位的环境监测数据和气象监测数据，环境监测数据包括按照时间序列排列的各类污染物的浓度值，气象监测数据包括按照时间序列排列的气象数据；
基于目标点位的环境监测数据，提取处于污染增长阶段以及污染高值点的环境监测数据；
基于处于污染增长阶段以及污染高值点的环境监测数据，以及处于污染增长阶段以及污染高值点的气象监测数据，确定目标点位的污染物分布图；
基于目标点位的污染物分布图，确定目标点位的潜在污染区。
在一种可能的实现方式中，确定高值潜在区模块，用于基于目标点位的污染物小时浓度数据，当目标点位在t时刻的空气质量数据与t-1时刻的空气质量数据之比大于100％，且在t+1时刻的空气质量数据与t时刻的空气质量数据之比大于100％时，则确定目标点位在t时刻处于污染增长阶段；
基于目标子网格的污染物小时浓度数据，当目标子网格在t-△t时刻的空气质量数据与t-△t-1时刻的空气质量数据之比大于100％，且在t-△t+1时刻的空气质量数据与t-△t时刻的空气质量数据之比大于100％时，则确定目标子网格在t-△t时刻处于污染增长阶段；
当目标点位在t时刻的空气质量数据与目标子网格在t时刻的空气质量数据的差值，与目标子网格在t时刻的空气质量数据比值大于预设阈值时，则确定该目标子网格处于高值潜在区。
第三方面，本发明实施例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可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第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例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实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种大气污染高值区域的定位方法、装置、设备及存储介质，首先，基于目标点位的历史监测数据，确定目标点位的潜在污染区，然后，对潜在污染区进行网格划分，得到多个子网格；接着，当目标点位在t时刻处于污染增长阶段，目标子网格在t时刻之前的预设时间段内也处于污染增长阶段，且在t时刻目标子网格与目标点位的空气质量数据的差值均大于预设阈值时，则确定该目标子网格处于高值潜在区。最后，对高值潜在区内的所有目标子网格的空气质量数据进行排序，确定影响目标点位的高值区域。从而通过对目标点位的历史监测数据的分析，确定目标点位的潜在污染区后，即可通过在污染过程中在潜在污染区的子网格内布设的多种类的监测设备，通过对多种类的监测设备的监测数据的分析，从而可以快速地确定影响目标点位的高值区域。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的大气污染高值区域的定位方法的实现流程图；
图2是本发明实施例提供的大气污染高值区域的定位装置的结构示意图；
图3是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
正如背景技术中所描述的，随着对大气污染防治的不断深入，及时定位污染的高值区域，对于环境监测是非常重要的。而现有的高值区域的定位方法需要较长的时间才能定位，无法满足快速定位的需求。
为了解决现有技术问题，本发明实施例提供了一种大气污染高值区域的定位方法、装置、设备及存储介质。下面首先对本发明实施例所提供的大气污染高值区域的定位方法进行介绍。
参见图1，其示出了本发明实施例提供的大气污染高值区域的定位方法的实现流程图，详述如下：
步骤S110、基于目标点位的历史监测数据，确定目标点位的潜在污染区。
目标点位可以为污染物浓度高于其他监测站点的一个监测站点，或者是经常出现峰值的监测站点。
在一些实施例中，为了确定目标点位的潜在污染区，可以首先获取目标点位的历史监测数据，然后基于对历史监测数据分分析，最终确定目标点位的潜在污染区。示例性的，步骤S110可以包括：
步骤S1110、获取目标点位的历史监测数据。
在此实施例中，历史监测数据包括目标点位的环境监测数据和气象监测数据，环境监测数据包括按照时间序列排列的某类污染物的浓度值，气象监测数据包括按照时间序列排列的气象数据。
在进行定位之前，可以首先确定影响目标点位的污染物种类，可以选取任一种类的污染物进行监控。然后针对该类污染物提取相应的历史监测数据。
污染物可以选取SO2、NO2、CO、O3、PM10、PM2.5等任一类污染物。在选定需要监测的污染物后，即可调取该类污染物的环境监测数据。
气象监测数据中可以包括风速、风向、温度或湿度等按照时间序列排列的气象数据。
步骤S1120、基于目标点位的环境监测数据，提取处于污染增长阶段以及污染高值点的环境监测数据。
根据污染物小时浓度变化趋势，将整个污染分为增长阶段、下降阶段和持平阶段。
其中，增长阶段是指当t时刻的污染物浓度与t-1时刻的污染物浓度的变化率大于100％时，且持续时间超过2小时，则说明污染物浓度逐渐上升，该污染物此时处于增长阶段。当t时刻的污染物浓度与t-1时刻的污染物浓度的变化率小于95％时，则说明污染物浓度逐渐下降，处于下降阶段。当t时刻的污染物浓度与t-1时刻的污染物浓度的变化率在100％±5％时，则说明污染物浓度处于持平阶段。
具体的，计算公式为：
其中，Ct为污染物在t时刻的小时/分钟浓度，单位：微克/立方米或毫克/立方米，Ct+1为污染物在t+1时刻的小时/分钟浓度。
当目标点位的污染物浓度按照时间序列经历了增长、持平以及下降阶段，则说明经历了一次污染过程。
通过对目标点位的环境监测数据进行分析，提取处于污染增长阶段以及污染高值点的环境监测数据。
步骤S1130、基于处于污染增长阶段以及污染高值点的环境监测数据，以及处于污染增长阶段以及污染高值点的气象监测数据，确定目标点位的污染物分布图。
由于环境监测数据与气象监测数据之间具有相关性，因此，通过处于污染增长阶段以及污染高值点的环境监测数据及气象监测数据，便可以推测污染物的大致污染来向，即可绘制目标点位的污染物分布图。
步骤S1140、基于目标点位的污染物分布图，确定目标点位的潜在污染区。
通过得到的目标点位的污染物分布图，即可确定污染物主要来自目标点位的哪个方向，从而确定目标点位的潜在污染区。
通过步骤S1110-步骤S1140，通过对历史污染数据的研究，在污染来临之前，即可首先确定目标点位的潜在污染区，从而为后续的定位过程提供了较小的筛查范围，可以更加快捷、准确地进行定位。
特别是在重污染天气中，由于重污染期间，区间空气质量整体差别不大，从而可以在污染前就首先确定潜在污染区。
例如，在得到目标点位的污染物分布图后，通过对污染物分布图进行分析，可以将以目标点位为中心的5公里范围内设置为潜在污染区。
步骤S120、对潜在污染区进行网格划分，得到多个子网格。
在确定潜在污染区后，为了便于确定高值区域，需要将潜在污染区进行网格划分，分为多个子网格，便于对每个子网格的监测数据进行分析。
例如，将潜在污染区细分为0.5*0.5公里的网格，每个网格设置网格编号。
步骤S130、当目标点位在t时刻处于污染增长阶段，目标子网格在t时刻之前的预设时间段内也处于污染增长阶段，且在t时刻目标子网格与目标点位的空气质量数据的差值均大于预设阈值时，则确定该目标子网格处于高值潜在区。
在对潜在污染区进行网格划分后，需要在每个子网格内布设各类监测设备。如地面类监测设备、移动类监测设备或高空类监测设备中的至少两类设备，每类监测设备监测到的空气质量数据为同类数据，不同类监测设备监测到的空气质量数据为不同类数据。
每个子网格内可以布设多个同类型的监测设备，如可以设置几个不同的地面类监测设备，或多个不同的移动类监测设备，或多个不同的高空类监测设备，此处不做限定，用户根据实际使用情况自行设定。
例如，地面类监测设备主要为固定在地面的监测设备，主要有微型站，每个子网格内至少布设一个固定监测设备。微型站是指部署在城市区域、企业厂界处，对各种常规参数及VOCs等参数都会进行重点监测。
移动类监测设备主要是指走航监测设备，在进行移动监测时，监测范围覆盖潜在污染区的每个子网格。如走航车。
高空类监测设备是指无人机、雷达、卫星数据等，可以监测的范围覆盖整个潜在污染区。
此处需要说明的是，在前面已经提到本发明是针对某种类型的污染物进行的监测，因此在每个子网格内布设的所有监测设备都是可以对某种类型的污染物的浓度进行监测。
空气质量数据可以为某种类型污染物的浓度值。
在此实施例中，在大气污染过程中，基于目标点位的污染物小时浓度数据，当目标点位在t时刻的空气质量数据与t-1时刻的空气质量数据之比大于100％，且在t+1时刻的空气质量数据与t时刻的空气质量数据之比大于100％时，则确定目标点位在t时刻处于污染增长阶段。
基于目标子网格的污染物小时浓度数据，当目标子网格在t-△t时刻的空气质量数据与t-△t-1时刻的空气质量数据之比大于100％，且在t-△t+1时刻的空气质量数据与t-△t时刻的空气质量数据之比大于100％时，则确定目标子网格在t-△t时刻也处于污染增长阶段。
当目标点位在t时刻的空气质量数据与目标子网格在t时刻的空气质量数据的差值，与目标子网格在t时刻的空气质量数据比值大于预设阈值时，则确定该目标子网格处于高值潜在区。
预设阈值在此处不做限定，用户根据实际使用场景可自行设定。
例如，可设置预设阈值为15％。
步骤S140、对高值潜在区内的所有目标子网格的空气质量数据进行排序，确定影响目标点位的高值区域。
在确定高值潜在区后，即可将t时刻的各类监测设备监测到的空气质量数据分配到高值潜在区内的所有目标子网格，主要根据经纬度信息进行分配。
如可以利用arcgis分析软件将高值潜在区划分成0.5km×0.5km网格或者更小的网格。获取到的数据是带有经纬度信息的空气质量数据。将带有经纬度信息的地面数据、移动数据和高空数据分别加载到arcgis软件中，通过软件里的空间分析工具将数据匹配到相应的网格里。
如果空气质量数据较小，可以将高值潜在区内的所有数据均同时扩大N倍，此处N的值不做限定。
在此实施例中，为了便于对高值潜在区内的所有目标子网格的空气质量数据进行排序，需要首先对所有目标子网格内的由同种类型的监测设备监测到的同类空气质量数据进行排序，然后基于所有类型空气质量数据的排序结果，确定影响目标点位的高值区域。示例性的，步骤S140可以包括：
步骤S1410、对高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号。
当每个目标子网格内仅布设有一个地面类监测设备、移动类监测设备或高空类监测设备时，则该目标子网格内共有3类空气质量数据。
针对某一类型的空气质量数据，对高值潜在区内的所有目标子网格的该类型的空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号。
例如，在高值潜在区内总共有8个目标子网格，对这8个目标子网格内的地面类监测设备监测的空气质量数据进行排序，并根据排序结果对这8个目标子网格进行编号。如可以将最大的数据编号为8，最小的编号为1。具体如何编号此处不做限定。然后对这8个目标子网格内的移动类、以及高空类监测设备监测的空气质量数据也分别进行排序，从而这8个目标子网格对应这3类监控设备分别有3个编号。
在一些实施例中，如果某个目标子网格内设置有多个相同类型的监测设置，如设置有2种地面类监测设备，那么这么目标子网格内就会对应有2个地面类的空气质量数据，则需要对这两个地面类的空气质量数据进行处理后，才能与其他目标子网格内的地面类的空气质量数据进行排序。
可以首先，基于同类型的每个监测设备监测得到的空气质量数据进行排序处理，确定目标子网格在该类空气质量数据下的编号。具体的排序处理过程为：
首先，对该目标子网格内的同类型的监控设备的每种设备的空气质量数据分别进行排序，并根据排序的结果进行编号。
例如，目标子网格内有4个地面类监测设备A、B、C和D，首先对设备A、B、C和D监测到的空气质量数据进行排序，将检测到浓度最高的设备编号为4，最低的设备编号为1，其余按照顺序依次排序。
然后，将这几个地面类监测设备A、B、C和D的编号，分别对应输入到预设排序模型中，确定目标子网格在该类空气质量数据下的编号。
具体的，预设排序模型R为：
其中，n为同一目标子网格内的同类型的监测设备的总数量，Xi为该子网格内同类型的监测设备i监测的空气质量数据在同类空气质量数据中的排名，Xmax为该子网格内的同类型的监测设备监测的最大空气质量数据的排名，Xmin为该子网格内的同类型的监测设备监测的最小空气质量数据的排名。
地面类监测设备A、B、C和D中，n为4，Xmin为1，Xmax为4，Xi为地面类监测设备A、B、C和D的相应编号。
步骤S1420、对每个目标子网格在每类监测设备下的编号进行求和，确定每个目标子网格对目标点位的影响值。
在得到每个目标子网格在每类监测设备下的编号后，将每个目标子网格的编号输入至预先构建的评价模型中，得到每个目标子网格对目标点位的影响值。
其中，评价模型Pj为：
Pj＝RDj*0.35+RYj0.35+RGj*0.3；
其中，j为目标子网格的编号，RDj为通过地面类监测设备确定的目标子网格的编号，RYj为通过移动类监测设备确定的目标子网格的编号，RGj为通过高空类监测设备确定的目标子网格的编号。
通过首先对所有目标子网格内的由同种类型的监测设备监测到的同类空气质量数据进行排序，然后基于所有类型空气质量数据的排序结果，确定影响目标点位的高值区域，从而通过在目标子网格内设置多个类型的监测设备对某种污染物进行监测，可以更加全面、准确地确定污染物的来源。
本发明提供的定位方法，首先，基于目标点位的历史监测数据，确定目标点位的潜在污染区，然后，对潜在污染区进行网格划分，得到多个子网格；接着，当目标点位在t时刻处于污染增长阶段，目标子网格在t时刻之前的预设时间段内也处于污染增长阶段，且在t时刻目标子网格与目标点位的空气质量数据的差值均大于预设阈值时，则确定该目标子网格处于高值潜在区。最后，对高值潜在区内的所有目标子网格的空气质量数据进行排序，确定影响目标点位的高值区域。从而通过对目标点位的历史监测数据的分析，确定目标点位的潜在污染区后，即可通过在污染过程中在潜在污染区的子网格内布设的多种类的监测设备，通过对多种类的监测设备的监测数据的分析，从而可以快速地确定影响目标点位的高值区域。
在确定目标点位的潜在污染区后，即将潜在污染区划分为多个子网格，并在每个子网格内布设三维立体监控系统，即地面类的监测设备、移动类的监测设备和高空类的监测设备。利用潜在污染区对空气质量的影响，从而分析影响目标点位的高值区域。
以下以一个具体的实施例对本发明提供的大气污染高值区域的定位方法进行详细的说明：
首先，将石家庄的某个监测站点设为目标点位，获取该目标点位的SO2的历史监测数据，包括目标点位的SO2浓度值和气象监测数据。此处需要说明的是也可以选取目标点位的NO2、CO、O3、PM10、PM2.5等其他污染物，用户根据需求选取监测的污染物。
然后，根据目标点位的SO2浓度值，提取处于污染增长阶段以及污染高值点的SO2浓度值。根据污染增长阶段以及污染高值点的SO2浓度值，以及与污染增长阶段以及污染高值点相应的气象监测数据，确定目标点位的污染物分布图。基于污染物分布图，即可确定目标点位的潜在污染区。如可以将以目标点位为中心的5公里范围内设置为潜在污染区。
接着，对潜在污染区进行网格划分，如将潜在污染区细分为0.5*0.5公里的子网格，每个子网格设置网格编号。并在每个子网格内设置三类监测设备，即地面类监测设备、移动类监测设备和高空类监测设备。其中每个子网内内至少有一个地面类监测设备，移动类监测设备和高空类监测设备可以对潜在污染区内的所有子网格进行监测，从而建立三维立体监控系统。
次之，通过对各类监测设备监测得到的污染物小时浓度数据进行分析，当目标点位在t时刻的SO2浓度值与t-1时刻的SO2浓度值之比大于100％，且在t+1时刻的SO2浓度值与t时刻的SO2浓度值之比大于100％时，则确定目标点位在t时刻处于污染增长阶段。并且，当目标子网格在t-△t时刻的SO2浓度值与t-△t-1时刻的SO2浓度值之比大于100％，且在t-△t+1时刻的SO2浓度值与t-△t时刻的SO2浓度值之比大于100％时，则确定目标子网格在t-△t时刻处于污染增长阶段。当目标点位在t时刻的SO2浓度值与目标子网格在t时刻的SO2浓度值的差值，与目标子网格在t时刻的SO2浓度值比值大于预设阈值时，则确定该目标子网格处于高值潜在区。此处的预设阈值可以设置为15％，此处不做限定。
之后，获取高值潜在区内的所有目标子网格在t时刻的SO2浓度值，由于每个目标子网格中分别布设地面类、移动类和高空类监测设备，因此每个目标子网格在t时刻均会有3类SO2浓度值，地面类的SO2浓度值、移动类的SO2浓度值和高空类的SO2浓度值。
当某个目标子网格内设置有多个同类型的监测设备时，则需要首先对该目标子网格内的多个同类型的监测设备监测的数据进行处理，最终得到一个该类型的监测设备的监测数据。如目标子网格内有4个地面类监测设备A、B、C和D，首先对设备A、B、C和D监测到的空气质量数据进行排序，将检测到浓度最高的设备编号为4，最低的设备编号为1，其余按照顺序依次排序。将这几个地面类监测设备A、B、C和D的编号，分别对应输入到预设排序模型中
n为4，Xmin为1，Xmax为4，Xi为地面类监测设备A、B、C和D的相应编号。最后得到的R的值即为该目标子网格的地面类的SO2浓度值。
对高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号。在得到每个目标子网格在每类监测设备下的编号后，将每个目标子网格的编号输入至预先构建的评价模型中，即可得到每个目标子网格对目标点位的影响值。
其中，评价模型Pj为：
Pj＝RDj*0.35+RYj0.35+RGj*0.3；
其中，j为目标子网格的编号，RDj为通过地面类监测设备确定的目标子网格的编号，RYj为通过移动类监测设备确定的目标子网格的编号，RGj为通过高空类监测设备确定的目标子网格的编号。
最后，根据每个目标子网格对目标点位的影响值的大小，将影响值最大的目标子网格确定为影响目标点位的高值区域。
从而，通过在污染前，首先确定目标点位的潜在污染区，然后，当发生污染时，在潜在污染区的子网格内布设三维立体监控系统，对潜在污染区进行全面的监控。接着，根据污染增长阶段的某个时刻的各个子网格的污染物浓度值即可进一步确定高值潜在区，从而进一步缩小数据处理的范围。最后，根据高值潜在区内的各个目标子网格的污染物浓度值的排序，从而最终可以快速且准确地确定影响目标点位的高值区域。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的大气污染高值区域的定位方法，相应地，本发明还提供了应用于该大气污染高值区域的定位方法的大气污染高值区域的定位装置的具体实现方式。请参见以下实施例。
如图2所示，提供了一种大气污染高值区域的定位装置200，该装置包括：
确定潜在区模块210，用于基于目标点位的历史监测数据，确定目标点位的潜在污染区；
划分网格模块220，用于对潜在污染区进行网格划分，得到多个子网格；
确定高值潜在区模块230，用于当目标点位在t时刻处于污染增长阶段，目标子网格在t时刻之前的预设时间段内也处于污染增长阶段，且在t时刻目标子网格与目标点位的空气质量数据的差值均大于预设阈值时，则确定该目标子网格处于高值潜在区；其中，空气质量数据是通过地面类监测设备、移动类监测设备或高空类监测设备中的至少两类设备监测得到的，每类监测设备监测到的空气质量数据为同类数据，不同类监测设备监测到的空气质量数据为不同类数据；
确定高值模块240，用于对高值潜在区内的所有目标子网格的空气质量数据进行排序，确定影响目标点位的高值区域。
在一种可能的实现方式中，确定高值模块240，用于对高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号；
对每个目标子网格在每类监测设备下的编号进行求和，确定每个目标子网格对目标点位的影响值；
将影响值最大的目标子网格确定为影响目标点位的高值区域。
在一种可能的实现方式中，确定高值模块240，用于将每个目标子网格在每类监测设备下的编号，输入至预先构建的评价模型中，得到每个目标子网格对目标点位的影响值；
其中，评价模型Pj为：
Pj＝RDj*0.35+RYj0.35+RGj*0.3；
其中，j为目标子网格的编号，RDj为通过地面类监测设备确定的目标子网格的编号，RYj为通过移动类监测设备确定的目标子网格的编号，RGj为通过高空类监测设备确定的目标子网格的编号。
在一种可能的实现方式中，确定高值模块240，用于当高值潜在区内的目标子网格内设有多个相同类型的监测设备，则基于同类型的每个监测设备监测得到的空气质量数据进行排序处理，确定目标子网格在该类空气质量数据下的编号；
对高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号。
在一种可能的实现方式中，确定高值模块240，用于基于目标子网格内的同类型的每个监测设备监测得到的空气质量数据、以及预设排序模型，确定目标子网格在该类空气质量数据下的编号；
其中，预设排序模型R为：
其中，n为同一目标子网格内的同类型的监测设备的总数量，Xi为该子网格内同类型的监测设备i监测的空气质量数据在同类空气质量数据中的排名，Xmax为该子网格内的同类型的监测设备监测的最大空气质量数据的排名，Xmin为该子网格内的同类型的监测设备监测的最小空气质量数据的排名。
在一种可能的实现方式中，确定潜在区模块210，用于获取目标点位的历史监测数据，其中，历史监测数据包括目标点位的环境监测数据和气象监测数据，环境监测数据包括按照时间序列排列的各类污染物的浓度值，气象监测数据包括按照时间序列排列的气象数据；
基于目标点位的环境监测数据，提取处于污染增长阶段以及污染高值点的环境监测数据；
基于处于污染增长阶段以及污染高值点的环境监测数据，以及处于污染增长阶段以及污染高值点的气象监测数据，确定目标点位的污染物分布图；
基于目标点位的污染物分布图，确定目标点位的潜在污染区。
在一种可能的实现方式中，确定高值潜在区模块230，用于基于目标点位的污染物小时浓度数据，当目标点位在t时刻的空气质量数据与t-1时刻的空气质量数据之比大于100％，且在t+1时刻的空气质量数据与t时刻的空气质量数据之比大于100％时，则确定目标点位在t时刻处于污染增长阶段；
基于目标子网格的污染物小时浓度数据，当目标子网格在t-△t时刻的空气质量数据与t-△t-1时刻的空气质量数据之比大于100％，且在t-△t+1时刻的空气质量数据与t-△t时刻的空气质量数据之比大于100％时，则确定目标子网格在t-△t时刻处于污染增长阶段；
当目标点位在t时刻的空气质量数据与目标子网格在t时刻的空气质量数据的差值，与目标子网格在t时刻的空气质量数据比值大于预设阈值时，则确定该目标子网格处于高值潜在区。
图3是本发明实施例提供的电子设备的示意图。如图3所示，该实施例的电子设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个大气污染高值区域的定位方法实施例中的步骤，例如图3所示的步骤110至步骤140。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块的功能，例如图2所示模块210至240的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述电子设备3中的执行过程。例如，所述计算机程序32可以被分割成图2所示的模块210至240。
所述电子设备3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30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)、现场可编程门阵列(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。
所述存储器31可以是所述电子设备3的内部存储单元，例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备，例如所述电子设备3上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/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，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个大气污染高值区域的定位方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种大气污染高值区域的定位方法，其特征在于，包括：
基于目标点位的历史监测数据，确定所述目标点位的潜在污染区；
对所述潜在污染区进行网格划分，得到多个子网格；
当所述目标点位在t时刻处于污染增长阶段，目标子网格在t时刻之前的预设时间段内也处于污染增长阶段，且在t时刻所述目标子网格与所述目标点位的空气质量数据的差值均大于预设阈值时，则确定该目标子网格处于高值潜在区；其中，所述空气质量数据是通过地面类监测设备、移动类监测设备或高空类监测设备中的至少两类设备监测得到的，每类监测设备监测到的空气质量数据为同类数据，不同类监测设备监测到的空气质量数据为不同类数据；其中，所述目标子网格为任意一个子网格；
对所述高值潜在区内的所有目标子网格的空气质量数据进行排序，确定影响所述目标点位的高值区域。
2.如权利要求1所述的定位方法，其特征在于，所述对所述高值潜在区内的所有目标子网格的空气质量数据进行排序，确定影响所述目标点位的高值区域，包括：
对所述高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号；
对每个目标子网格在每类监测设备下的编号进行求和，确定每个目标子网格对所述目标点位的影响值；
将影响值最大的目标子网格确定为影响所述目标点位的高值区域。
3.如权利要求2所述的定位方法，其特征在于，所述对每个目标子网格在每类监测设备下的编号进行求和，确定每个目标子网格对所述目标点位的影响值，包括：
将每个目标子网格在每类监测设备下的编号，输入至预先构建的评价模型中，得到每个目标子网格对所述目标点位的影响值；
其中，所述评价模型Pj为：
Pj＝RDj*0.35+RYj0.35+RGj*0.3；
其中，j为目标子网格的编号，RDj为通过地面类监测设备确定的目标子网格的编号，RYj为通过移动类监测设备确定的目标子网格的编号，RGj为通过高空类监测设备确定的目标子网格的编号。
4.如权利要求2或3所述的定位方法，其特征在于，所述对所述高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号，包括：
当所述高值潜在区内的目标子网格内设有多个相同类型的监测设备，则基于同类型的每个监测设备监测得到的空气质量数据进行排序处理，确定所述目标子网格在该类空气质量数据下的编号；
对所述高值潜在区内的所有目标子网格的同类空气质量数据进行排序，并根据排序结果对每个目标子网格进行编号。
5.如权利要求4所述的定位方法，其特征在于，所述当所述高值潜在区内的目标子网格内设有多个相同类型的监测设备，则基于同类型的每个监测设备监测得到的空气质量数据进行排序处理，确定所述目标子网格在该类空气质量数据下的编号，包括：
基于所述目标子网格内的同类型的每个监测设备监测得到的空气质量数据、以及预设排序模型，确定所述目标子网格在该类空气质量数据下的编号；
其中，预设排序模型R为：
其中，n为同一目标子网格内的同类型的监测设备的总数量，Xi为该子网格内同类型的监测设备i监测的空气质量数据在同类空气质量数据中的排名，Xmax为该子网格内的同类型的监测设备监测的最大空气质量数据的排名，Xmin为该子网格内的同类型的监测设备监测的最小空气质量数据的排名。
6.如权利要求1所述的定位方法，其特征在于，所述基于目标点位的历史监测数据，确定所述目标点位的潜在污染区，包括：
获取所述目标点位的历史监测数据，其中，所述历史监测数据包括目标点位的环境监测数据和气象监测数据，所述环境监测数据包括按照时间序列排列的某类污染物的浓度值，所述气象监测数据包括按照时间序列排列的气象数据；
基于所述目标点位的环境监测数据，提取处于污染增长阶段以及污染高值点的环境监测数据；
基于所述处于污染增长阶段以及污染高值点的环境监测数据，以及所述处于污染增长阶段以及污染高值点的气象监测数据，确定所述目标点位的污染物分布图；
基于所述目标点位的污染物分布图，确定所述目标点位的潜在污染区。
7.如权利要求1所述的定位方法，其特征在于，所述当所述目标点位在t时刻处于污染增长阶段，目标子网格在t时刻之前的预设时间段内也处于污染增长阶段，且在t时刻所述目标子网格与所述目标点位的空气质量数据的差值均大于预设阈值时，则确定该目标子网格处于高值潜在区，包括：
基于所述目标点位的污染物小时浓度数据，当所述目标点位在t时刻的空气质量数据与t-1时刻的空气质量数据之比大于100％，且在t+1时刻的空气质量数据与t时刻的空气质量数据之比大于100％时，则确定所述目标点位在t时刻处于污染增长阶段；
基于所述目标子网格的污染物小时浓度数据，当所述目标子网格在t-△t时刻的空气质量数据与t-△t-1时刻的空气质量数据之比大于100％，且在t-△t+1时刻的空气质量数据与t-△t时刻的空气质量数据之比大于100％时，则确定所述目标子网格在t-△t时刻处于污染增长阶段；
当所述目标点位在t时刻的空气质量数据与所述目标子网格在t时刻的空气质量数据的差值，与所述目标子网格在t时刻的空气质量数据比值大于预设阈值时，则确定该目标子网格处于高值潜在区。
8.一种大气污染高值区域的定位装置，其特征在于，包括：
确定潜在区模块，用于基于目标点位的历史监测数据，确定所述目标点位的潜在污染区；
划分网格模块，用于对所述潜在污染区进行网格划分，得到多个子网格；
确定高值潜在区模块，用于当所述目标点位在t时刻处于污染增长阶段，目标子网格在t时刻之前的预设时间段内也处于污染增长阶段，且在t时刻所述目标子网格与所述目标点位的空气质量数据的差值均大于预设阈值时，则确定该目标子网格处于高值潜在区；其中，所述空气质量数据是通过地面类监测设备、移动类监测设备或高空类监测设备中的至少两类设备监测得到的，每类监测设备监测到的空气质量数据为同类数据，不同类监测设备监测到的空气质量数据为不同类数据；
确定高值模块，用于对所述高值潜在区内的所有目标子网格的空气质量数据进行排序，确定影响所述目标点位的高值区域。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至7任一项所述的方法。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211431238.0A CN115718169A (zh) | 2022-11-14 | 2022-11-14 | 大气污染高值区域的定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211431238.0A CN115718169A (zh) | 2022-11-14 | 2022-11-14 | 大气污染高值区域的定位方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115718169A true CN115718169A (zh) | 2023-02-28 |
Family
ID=85255262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211431238.0A Pending CN115718169A (zh) | 2022-11-14 | 2022-11-14 | 大气污染高值区域的定位方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115718169A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
| CN117332357A (zh) * | 2023-11-28 | 2024-01-02 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
| CN117577227A (zh) * | 2024-01-16 | 2024-02-20 | 北京市生态环境监测中心 | 一种pm2.5点位高值识别方法、系统、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180245935A1 (en) * | 2017-02-28 | 2018-08-30 | International Business Machines Corporation | Monitoring air pollution |
| CN108805368A (zh) * | 2018-09-06 | 2018-11-13 | 天津珞雍空间信息研究院有限公司 | 一种基于空天地一体化的大气环境智能化管理系统 |
| CN109977185A (zh) * | 2019-03-19 | 2019-07-05 | 深圳博沃智慧科技有限公司 | 基于网格的大气污染监管方法和系统 |
| CN110533323A (zh) * | 2019-08-29 | 2019-12-03 | 北京百度网讯科技有限公司 | 基于交通拥堵的污染分析方法、装置、设备和存储介质 |
| CN112213444A (zh) * | 2020-08-28 | 2021-01-12 | 浙江工业大学 | 大气污染微监测网络时间切片分析的溯源方法 |
-
2022
- 2022-11-14 CN CN202211431238.0A patent/CN115718169A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180245935A1 (en) * | 2017-02-28 | 2018-08-30 | International Business Machines Corporation | Monitoring air pollution |
| CN108805368A (zh) * | 2018-09-06 | 2018-11-13 | 天津珞雍空间信息研究院有限公司 | 一种基于空天地一体化的大气环境智能化管理系统 |
| CN109977185A (zh) * | 2019-03-19 | 2019-07-05 | 深圳博沃智慧科技有限公司 | 基于网格的大气污染监管方法和系统 |
| CN110533323A (zh) * | 2019-08-29 | 2019-12-03 | 北京百度网讯科技有限公司 | 基于交通拥堵的污染分析方法、装置、设备和存储介质 |
| CN112213444A (zh) * | 2020-08-28 | 2021-01-12 | 浙江工业大学 | 大气污染微监测网络时间切片分析的溯源方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
| CN117129638B (zh) * | 2023-10-26 | 2024-01-12 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
| CN117332357A (zh) * | 2023-11-28 | 2024-01-02 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
| CN117332357B (zh) * | 2023-11-28 | 2024-03-12 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
| CN117577227A (zh) * | 2024-01-16 | 2024-02-20 | 北京市生态环境监测中心 | 一种pm2.5点位高值识别方法、系统、设备及介质 |
| CN117577227B (zh) * | 2024-01-16 | 2024-04-16 | 北京市生态环境监测中心 | 一种pm2.5点位高值识别方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115718169A (zh) | 大气污染高值区域的定位方法、装置、设备及存储介质 | |
| CN108399469B (zh) | 一种基于深度学习和数值天气预报的天气现象预报方法 | |
| US8832593B2 (en) | Systems and methods for efficient spatial feature analysis | |
| US8855427B2 (en) | Systems and methods for efficiently and accurately detecting changes in spatial feature data | |
| 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 | |
| CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
| CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
| CN114611941A (zh) | 一种考虑空间危险性的滑坡灾害评价方法及系统 | |
| CN116739191B (zh) | 热点网格识别方法、装置、存储介质及电子设备 | |
| CN112861732B (zh) | 一种生态环境脆弱区土地监测方法、系统及装置 | |
| CN108414690A (zh) | 一种参数确定方法及其相关设备 | |
| CN114882306B (zh) | 地形图比例尺鉴别方法、装置、存储介质及电子设备 | |
| US8755606B2 (en) | Systems and methods for efficient feature extraction accuracy using imperfect extractors | |
| CN113688506A (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
| CN108090031A (zh) | 二氧化碳浓度反演优化方法及系统 | |
| CN116008481B (zh) | 基于大范围地面监测站点的空气污染物监测方法、装置 | |
| CN116228501A (zh) | 排污超标区域行业确定方法、装置、存储介质及电子设备 | |
| CN113140109B (zh) | 一种路测数据处理方法、装置、计算机设备及存储介质 | |
| CN110413662B (zh) | 一种多通道式经济数据输入系统、采集系统与方法 | |
| Serre et al. | Soft data space/time mapping of coarse particulate matter annual arithmetic average over the US | |
| CN111159172B (zh) | 一种数据处理方法、装置及电子设备 | |
| CN110132966B (zh) | 一种土壤污染源空间位置风险评价方法及系统 | |
| Palm et al. | Robust Rayleigh regression method for SAR image processing in presence of outliers | |
| CN114154680A (zh) | 一种城市地面塌陷预测方法、装置及电子设备 | |
| CN114154828A (zh) | 大气污染区域传输分析方法和系统 |
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 |