CN116227982B - 一种煤炭粉尘污染程度的量化方法及装置 - Google Patents

一种煤炭粉尘污染程度的量化方法及装置 Download PDF

Info

Publication number
CN116227982B
CN116227982B CN202211727069.5A CN202211727069A CN116227982B CN 116227982 B CN116227982 B CN 116227982B CN 202211727069 A CN202211727069 A CN 202211727069A CN 116227982 B CN116227982 B CN 116227982B
Authority
CN
China
Prior art keywords
quantization
index
dust
unit
matrix
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
CN202211727069.5A
Other languages
English (en)
Other versions
CN116227982A (zh
Inventor
李晶
霍江润
王科雯
闫星光
马天跃
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.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202211727069.5A priority Critical patent/CN116227982B/zh
Publication of CN116227982A publication Critical patent/CN116227982A/zh
Application granted granted Critical
Publication of CN116227982B publication Critical patent/CN116227982B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Dispersion Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种煤炭粉尘污染程度的量化方法，所述方法具体包括：获取待量化的各量化单元对应的原始数据；提取各量化单元所对应各量化指标的值，生成原始指标值矩阵；建立评语集：V＝{轻微，较轻，较重，严重}；设置各评语的分值，以及各评语对应的分级区间；构建隶属于各评语的隶属度函数；确定量化指标权重集；将原始指标值矩阵转化转换为量化指标分数矩阵；依据量化指标权重集、量化指标分数矩阵和隶属度函数确定各量化单元的煤炭粉尘污染程度。还涉及了装置，包括：数据获取单元、设置单元、第一计算单元、第二计算单元、第三计算单元。本发明的方法和装置，能够全面、准确地评估煤炭粉尘污染程度。

Description

一种煤炭粉尘污染程度的量化方法及装置
技术领域
本发明涉及环境监测技术领域，尤其是一种煤炭粉尘污染程度的量化方法及装置。
背景技术
近年，我国工业生产水平不断提高，对煤炭资源开发和利用的力度也在不断加大，露天煤矿作为我国煤炭工业的重要组成部分，具有生产规模大、资源回收率高、安全条件高等优势，然而，露天开采势必会对原有的生态环境带来严重破坏，其中，对大气环境的破坏形式之一就是煤炭粉尘污染，该污染容易引起尘肺疾病、加速机器磨损、降低生产场所能见度等问题。而不同建设时期、不同矿山条件下的煤炭粉尘污染问题差异较大，目前，煤炭粉尘污染评估的方法有如下几种。
使用采样器、测尘仪或粉尘监测站等设备对粉尘浓度进行测定。其中，主要测定对象包括总粉尘浓度、个体呼吸性粉尘浓度及粉尘中游离SiO2含量。粉尘浓度测定结果能够及时、准确地反映出相应测尘点的粉尘污染状况，但仅能测定静态、有限点位数据，难以全面、准确地评估矿山整体的煤炭粉尘污染情况。
公告号为CN110414153B的发明专利提出了一种确定露天煤矿粉尘扩散范围的方法，首先利用经验公式获取露天煤矿生产过程中各个作业环节的产尘强度，其次依据大气环境和尘源特点，确定煤炭粉尘的扩散模型和扩散参数，最后利用Matlab编制程序，模拟得到露天煤矿粉尘的扩散范围。即采用数值模拟方法，模拟研究不同前提条件下相关因素对粉尘扩散的影响强度和影响机理，以预测露天煤矿开采过程中粉尘的扩散范围。但基于数值模拟的不确定性无法评估，且由于粉尘污染存在多变性，难以建立出精确的粉尘传输扩散模型，因而模型模拟结果并不能用作煤炭粉尘污染程度的实际量化指标。
叶面降尘遥感监测方法，一方面基于实测叶面降尘量和航空航天遥感数据，建立叶面降尘量的反演与预测模型，另一方面通过构建新的指数(叶面降尘差值指数、比值指数、归一化指数，尘源光谱指数等)或分析已有植被指数对叶面降尘量的敏感程度来间接评估叶面降尘的范围和强度，但叶面降尘量反演与预测模型的建立依赖于野外实测工作的进行，费时费力，效率较低，且现有预测模型和指数大多针对自然降尘，应用到植被叶面稀疏的露天矿及其周边区域并不能准确反应煤炭粉尘污染状况。
综上所述，目前的煤炭粉尘污染评估的方法并不能全面、准确地评估矿山整体的煤炭粉尘污染程度。
发明内容
有鉴于此，本发明的主要目的在于提供一种煤炭粉尘污染程度的量化方法及装置，能够全面、准确地评估煤炭粉尘污染程度。
为达到上述目的，一方面，本申请提供了一种煤炭粉尘污染程度的量化方法，包括：获取待量化的各量化单元对应的原始数据；从获取的原始数据提取各量化单元所对应各量化指标的值，生成原始指标值矩阵；其中，所述量化指标有：煤炭粉尘污染强度算数平均值、煤炭粉尘污染强度中位数、年内持续影响范围、年内最大影响范围、静态产尘面积比、动态产尘面积比、静态万吨产尘量、动态万吨产尘量、矿山生产建设规模和所属生命周期阶段；
建立评语集：V＝{轻微，较轻，较重，严重}；
设置各评语的分值，以及各评语对应的分级区间；依照评语集中的顺序分别构建隶属于各评语的递增型梯形分布隶属度函数；
依据应用场景，采用模糊层次-熵值组合赋权法确定量化指标权重集；
采用正向标准化公式将原始指标值矩阵转化为正向标准化指标值矩阵；确定各正向标准化指标值所属的分级区间，依据分级区间、评语、评语的分值的对应关系，将正向标准化指标值矩阵转换为量化指标分数矩阵；
对任一所述量化单元，分别将该量化单元的各量化指标分数代入各隶属度函数求解，得到该量化单元各量化指标的隶属度向量，各向量组合生成该量化单元的模糊矩阵；所述量化指标权重集与该模糊矩阵相乘，得到该量化单元的隶属度向量，该隶属度向量中最大的隶属度所对应的评语即为该量化单元的煤炭粉尘污染程度。
在一个可能的实现中，对任一所述量化单元，提取所述煤炭粉尘污染强度算数平均值、中位数包括：
选择在该量化单元所含年份内拍摄的、所含地域的卫星遥感影像和/或无人机航拍影像，并预处理所选择的影像；
分别计算预处理后影像所含各像元的优化的增强型煤炭粉尘指数OECDI：
其中，RNIR、RSWIR1、RSWIR2分别为NIR波段、SWIR1波段和SWIR2波段的反射率；
对各像元的OECDI进行异常值剔除与归一化处理；应用像元二分模型，逐像元计算各像元的煤炭粉尘污染强度；
统计所有所述像元的煤炭粉尘污染强度，根据得到的统计直方图，确定平均值和中位数，即为提取到的所述煤炭粉尘污染强度算数平均值、中位数。
在另一个可能的实现中，对任一所述量化单元，提取所述年内持续影响范围、年内最大影响范围包括：
选择在该量化单元所含年份内拍摄的、所含地域的卫星遥感影像和/或无人机航拍影像，并预处理所选择的影像；
若在预处理后的影像中，一个季节包含不只一期影像，将该季节的全部影像进行影像合成处理，得到该季节的单景影像；若一个季节只一期影像，将该期影像作为该季节的单景影像；
分别计算各季节单景影像所含像元的煤炭粉尘污染强度；
将各季节单景影像表达为数据立方体的形式，X维和Y维组成影像所覆盖的地域，Z维为时间维，与四季对应为：z＝1,2,3,4；
对于所覆盖的地域相同的像元P(x,y,1)、P(x,y,2)、P(x,y,3)、P(x,y,4)，i(x,y)表示四个像元中煤炭粉尘污染强度大于预先设定的阈值的像元的数量；取i(x,y)＝4对应的各像元，全部所取的像元所覆盖的地域即为年内持续影响范围；取i(x,y)＝1～4对应的像元，全部所取的像元所覆盖的地域年内最大影响范围。
在另一个可能的实现中，对任一所述量化单元，提取所述静态产尘面积比、动态产尘面积比包括：通过以下公式计算所述静态产尘面积比、动态产尘面积比：
其中，SContinuous为该量化单元的年内持续影响范围；SMaximum为该量化单元的年内最大影响范围；Sstope为该量化单元所含年份的露采场未充分复垦区域的面积；Souter-dump为该量化单元所含年份的外排土场未充分复垦区域的面积。
在另一个可能的实现中，对任一所述量化单元，提取所述静态万吨产尘量、动态万吨产尘量包括：通过以下公式计算静态万吨产尘量、动态万吨产尘量：
其中，SContinuous为该量化单元的年内持续影响范围；SMaximum为该量化单元的年内最大影响范围；P为该量化单元所含年份的煤炭产量值，单位为万吨。
在另一个可能的实现中，所述采用模糊层次-熵值组合赋权法确定量化指标权重集包括：
步骤A1～F1采用模糊层次法获取各量化指标的权重：
A1、将所述各量化指标划分为两层量化指标集；其中，一层量化指标集：U＝{煤炭粉尘污染强度，煤炭粉尘污染范围，产尘面积比，万吨产尘量，矿山开发利用状况}；二层量化指标集：U1＝{算数平均值，中位数}，U2＝{年内持续影响范围，年内最大影响范围}，U3＝{静态产尘面积比，动态产尘面积比}，U4＝{静态万吨产尘量，动态万吨产尘量}，U5＝{矿山生产建设规模，所属生命周期阶段}；
B1、依据应用场景，采用0.1-0.9九级标度法，构造目标-一层量化指标，以及一层量化指标-二层量化指标的相应模糊互补判断矩阵F1～F6；
C1、模糊互补判断矩阵F1＝(fij)5×5做一致化处理，构造出矩阵F1相应的模糊一致判断矩阵R1＝(rij)5×5；
D1、对模糊一致判断矩阵R1进行行归一化处理，得到指标初始权向量W1：
将R1转化为互反矩阵E1：
将W1作为初始向量V1 (0)，利用下式进行迭代：
其中，
若|||V(k+1)||∞-||V(k)||∞|≤0.0001，则迭代结束，最终得到最大特征向量V(k+1)；
E1、将V(k+1)进行归一化处理，得到目标-一层量化指标的权重向量w1；
F1、分别将F2～F5代入步骤C1～E1，得到相应一层量化指标-二层量化指标的权重向量w2＝[w21,w22]T，w3＝[w31,w32]T，…，w6＝[w61,w62]T；则采用模糊层次所得各量化指标的权重为：w11w21＝w′1，w11w22＝w′2，w12 w31＝w′3，w12 w32＝w′4，w13 w41＝w′5，w13 w42＝w′6，w14w51＝w′7，w14w52＝w′8，w15 w61＝w′9，w15 w62＝w′10；
步骤A2～D2采用熵权法获取各量化指标的权重：
A2、采用负向标准化公式将所述原始指标值矩阵中定量指标的各指标值，以及定性指标的量化指标分数，分别转化为负向标准化指标值aij；将aij按照公式进行平移处理，得到负向标准化阵其中，m代表待量化的量化单元数量，n代表量化指标数量；
B2、计算所占比重，得到矩阵P＝(pij)m×n，其计算公式为：
C2、计算量化指标的信息熵值，第j个量化指标的信息熵值计算公式为：
D2、计算第j个量化指标的权重，第j个量化指标的权重计算公式为：
采用相对熵原理对模糊层次分析法所得权重和熵权法所得权重进行修正，获取耦合权重最优解w″′i，计算公式为：
确定的量化指标权重集为：[w″′1 w″′2 … w″′n]。
另一方面，本申请还提供了一种煤炭粉尘污染程度的量化装置，包括：数据获取单元、设置单元、第一计算单元、第二计算单元、第三计算单元；其中，
所述数据获取单元，用于获取待量化的各量化单元对应的原始数据；从获取的原始数据提取各量化单元所对应各量化指标的值，生成原始指标值矩阵；其中，所述量化指标有：煤炭粉尘污染强度算数平均值、煤炭粉尘污染强度中位数、年内持续影响范围、年内最大影响范围、静态产尘面积比、动态产尘面积比、静态万吨产尘量、动态万吨产尘量、矿山生产建设规模和所属生命周期阶段；
设置单元，用于建立评语集：V＝{轻微，较轻，较重，严重}；设置各评语的分值，以及各评语对应的分级区间；依照评语集中的顺序分别构建隶属于各评语的递增型梯形分布隶属度函数；
第一计算单元，用于依据应用场景，采用模糊层次-熵值组合赋权法确定量化指标权重集；
第二计算单元，用于采用正向标准化公式将原始指标值矩阵转化为正向标准化指标值矩阵；确定各正向标准化指标值所属的分级区间，依据分级区间、评语、评语的分值的对应关系，将正向标准化指标值矩阵转换为量化指标分数矩阵；
第三计算单元，用于对任一所述量化单元，分别将该量化单元的各量化指标分数代入各隶属度函数求解，得到该量化单元各量化指标的隶属度向量，各向量组合生成该量化单元的模糊矩阵；所述量化指标权重集与该模糊矩阵相乘，得到该量化单元的隶属度向量，该隶属度向量中最大的隶属度所对应的评语即为该量化单元的煤炭粉尘污染程度。
在一个可能的实现中，对任一所述量化单元，提取所述煤炭粉尘污染强度算数平均值、中位数时，所述数据获取单元具体用于：
选择在该量化单元所含年份内拍摄的、所含地域的卫星遥感影像和/或无人机航拍影像，并预处理所选择的影像；
分别计算预处理后影像所含各像元的优化的增强型煤炭粉尘指数OECDI：
其中，RNIR、RSWIR1、RSWIR2分别为NIR波段、SWIR1波段和SWIR2波段的反射率；
对各像元的OECDI进行异常值剔除与归一化处理；应用像元二分模型，逐像元计算各像元的煤炭粉尘污染强度；
统计所有所述像元的煤炭粉尘污染强度，根据得到的统计直方图，确定平均值和中位数，即为提取到的所述煤炭粉尘污染强度算数平均值、中位数。
在另一个可能的实现中，对任一所述量化单元，提取所述年内持续影响范围、年内最大影响范围时，所述数据获取单元具体用于：
选择在该量化单元所含年份内拍摄的、所含地域的卫星遥感影像和/或无人机航拍影像，并预处理所选择的影像；
若在预处理后的影像中，一个季节包含不只一期影像，将该季节的全部影像进行影像合成处理，得到该季节的单景影像；若一个季节只一期影像，将该期影像作为该季节的单景影像；
分别计算各季节单景影像所含像元的煤炭粉尘污染强度；
将各季节单景影像表达为数据立方体的形式，X维和Y维组成影像所覆盖的地域，Z维为时间维，与四季对应为：z＝1,2,3,4；
对于所覆盖的地域相同的像元P(x,y,1)、P(x,y,2)、P(x,y,3)、P(x,y,4)，i(x,y)表示四个像元中煤炭粉尘污染强度大于预先设定的阈值的像元的数量；取i(x,y)＝4对应的各像元，全部所取的像元所覆盖的地域即为年内持续影响范围；取i(x,y)＝1～4对应的像元，全部所取的像元所覆盖的地域年内最大影响范围。
在另一个可能的实现中，对任一所述量化单元，提取所述静态产尘面积比、动态产尘面积比时，所述数据获取单元具体用于：
通过以下公式计算所述静态产尘面积比、动态产尘面积比：
其中，SContinuous为该量化单元的年内持续影响范围；SMaximum为该量化单元的年内最大影响范围；Sstope为该量化单元所含年份的露采场未充分复垦区域的面积；Souter-dump为该量化单元所含年份的外排土场未充分复垦区域的面积。
在另一个可能的实现中，对任一所述量化单元，提取所述静态万吨产尘量、动态万吨产尘量时，所述数据获取单元具体用于：
通过以下公式计算静态万吨产尘量、动态万吨产尘量：
其中，SContinuous为该量化单元的年内持续影响范围；SMaximum为该量化单元的年内最大影响范围；P为该量化单元所含年份的煤炭产量值，单位为万吨。
在另一个可能的实现中，所述第一计算单元具体用于：
步骤A1～F1采用模糊层次法获取各量化指标的权重：
A1、将所述各量化指标划分为两层量化指标集；其中，一层量化指标集：U＝{煤炭粉尘污染强度，煤炭粉尘污染范围，产尘面积比，万吨产尘量，矿山开发利用状况}；二层量化指标集：U1＝{算数平均值，中位数}，U2＝{年内持续影响范围，年内最大影响范围}，U3＝{静态产尘面积比，动态产尘面积比}，U4＝{静态万吨产尘量，动态万吨产尘量}，U5＝{矿山生产建设规模，所属生命周期阶段}；
B1、依据应用场景，采用0.1-0.9九级标度法，构造目标-一层量化指标，以及一层量化指标-二层量化指标的相应模糊互补判断矩阵F1～F6；
C1、模糊互补判断矩阵F1＝(fij)5×5做一致化处理，构造出矩阵F1相应的模糊一致判断矩阵R1＝(rij)5×5；
D1、对模糊一致判断矩阵R1进行行归一化处理，得到指标初始权向量W1：
将R1转化为互反矩阵E1：
将W1作为初始向量V1 (0)，利用下式进行迭代：
其中，
若|||V(k+1)||∞-||V(k)||∞|≤0.0001，则迭代结束，最终得到最大特征向量V(k+1)；
E1、将V(k+1)进行归一化处理，得到目标-一层量化指标的权重向量w1；
F1、分别将F2～F5代入步骤C1～E1，得到相应一层量化指标-二层量化指标的权重向量w2＝[w21,w22]T，w3＝[w31,w32]T，…，w6＝[w61,w62]T；则采用模糊层次所得各量化指标的权重为：w11 w21＝w′1，w11 w22＝w′2，w12 w31＝w′3，w12 w32＝w′4，w13 w41＝w′5，w13 w42＝w′6，w14w51＝w′7，w14 w52＝w′8，w15 w61＝w′9，w15 w62＝w′10；
步骤A2～D2采用熵权法获取各量化指标的权重：
A2、采用负向标准化公式将所述原始指标值矩阵中定量指标的各指标值，以及定性指标的量化指标分数，分别转化为负向标准化指标值aij；将aij按照公式进行平移处理，得到负向标准化阵其中，m代表待量化的量化单元数量，n代表量化指标数量；
B2、计算所占比重，得到矩阵P＝(pij)m×n，其计算公式为：
C2、计算量化指标的信息熵值，第j个量化指标的信息熵值计算公式为：
D2、计算第j个量化指标的权重，第j个量化指标的权重计算公式为：
采用相对熵原理对模糊层次分析法所得权重和熵权法所得权重进行修正，获取耦合权重最优解w″′i，计算公式为：
确定的量化指标权重集为：[w″′1 w″′2 … w″′n]。
基于上述，本发明提供的一种煤炭粉尘污染程度的量化方法及装置，具有以下优点和特点：
1、能够用于绿色矿山评估、环境损害鉴定、矿山长时序监测等，为其实现的基础和依据。
2、更加清晰地界定了煤炭粉尘污染强度和范围，有助于为环境损害鉴定相关工作的针对性、规范性和科学性提供参考。
3、不仅能够实现单个矿山长时序大面域尺度条件下，煤炭粉尘污染程度的多指标综合量化评估，同时能够实现多个矿山煤炭粉尘污染程度的差异评估，确保矿山运营的可持续发展，为绿色矿山的评比和遴选提供量化数据支撑。
附图说明
图1为本发明实施例一种煤炭粉尘污染程度的量化方法的流程示意图。
具体实施方式
具体的，本发明实施例一种煤炭粉尘污染程度的量化方法的流程如图1所示，包括步骤101～106。
步骤101：获取待量化的各量化单元对应的原始数据；从获取的原始数据提取各量化单元所对应各量化指标的值，生成原始指标值矩阵。
其中，所述量化指标有：煤炭粉尘污染强度算数平均值、煤炭粉尘污染强度中位数、年内持续影响范围、年内最大影响范围、静态产尘面积比、动态产尘面积比、静态万吨产尘量、动态万吨产尘量、矿山生产建设规模和所属生命周期阶段。
步骤102：建立评语集：V＝{轻微，较轻，较重，严重}。
步骤103：设置各评语的分值，以及各评语对应的分级区间；依照评语集中的顺序分别构建隶属于各评语的递增型梯形分布隶属度函数。
步骤104：依据应用场景，采用模糊层次-熵值组合赋权法确定量化指标权重集。
步骤105：采用正向标准化公式将原始指标值矩阵转化为正向标准化指标值矩阵；确定各正向标准化指标值所属的分级区间，依据分级区间、评语、评语的分值的对应关系，将正向标准化指标值矩阵转换为量化指标分数矩阵。
步骤106：对任一所述量化单元，分别将该量化单元的各量化指标分数代入各隶属度函数求解，得到该量化单元各量化指标的隶属度向量，各向量组合生成该量化单元的模糊矩阵；所述量化指标权重集与该模糊矩阵相乘，得到该量化单元的隶属度向量，该隶属度向量中最大的隶属度所对应的评语即为该量化单元的煤炭粉尘污染程度。
这里，所述量化单元包含年份和地域，即对该地域在该年份的煤炭粉尘污染程度进行量化。
步骤103中，所述各评语的分值为：轻微1分、较轻2分、较重3分、严重4分。
对于定量量化指标煤炭粉尘污染强度算数平均值、煤炭粉尘污染强度中位数、年内持续影响范围、年内最大影响范围、静态产尘面积比、动态产尘面积比、静态万吨产尘量、动态万吨产尘量，所述评语轻微、较轻、较重、严重与分级区间[0，0.25]、(0.25，0.5]、(0.5，0.75]、(0.75，1]顺序对应。
对于定性量化指标，正向标准化指标值即为分值区间；对于定性量化指标矿山生产建设规模，正向标准化指标值—、小型、中型、大型与所述评语轻微、较轻、较重、严重顺序对应；对于定性量化指标所属生命周期阶段，正向标准化指标值衰退期、稳产期、达产期+丰产期、投产期与所述评语轻微、较轻、较重、严重顺序对应。
所述隶属度函数分别为：
隶属于轻微的隶属度函数：
隶属于较轻的隶属度函数：
隶属于较重隶属度函数：
隶属于严重的隶属度函数：
其中，bij为量化单元i的量化指标j的量化指标分数。
步骤105中，所述正向标准化公式为：
其中，x为原始指标值，xnew为正向标准化指标值，xmin为全部量化单元中相应量化指标的各原始指标值中的最小值，xmax为全部量化单元中相应量化指标的各原始指标值中的最大值。
对于定性量化指标的原始指标值，不需要进行正向标准化运算，即，将定性量化指标的原始指标值作为正向标准化指标值。
第i个量化单元的所述模糊矩阵表示为：
其中，n为量化指标的数量。
所述量化指标权重集与第i个量化单元的模糊矩阵相乘，得到第i个量化单元的隶属度向量Gi表示为：
其中，n为量化指标的数量。
在一个可能的实现中，对任一所述量化单元，提取所述煤炭粉尘污染强度算数平均值、中位数包括：
选择在该量化单元所含年份内拍摄的、所含地域的卫星遥感影像和/或无人机航拍影像，并预处理所选择的影像；
分别计算预处理后影像所含各像元的优化的增强型煤炭粉尘指数OECDI：
其中，RNIR、RSWIR1、RSWIR2分别为NIR波段、SWIR1波段和SWIR2波段的反射率；
对各像元的OECDI进行异常值剔除与归一化处理；应用像元二分模型，逐像元计算各像元的煤炭粉尘污染强度；
统计所有所述像元的煤炭粉尘污染强度，根据得到的统计直方图，确定平均值和中位数，即为提取到的所述煤炭粉尘污染强度算数平均值、中位数。
这里，所述各量化单元对应的原始数据包括：卫星遥感影像和/或无人机航拍影像。
卫星遥感影像可选择Landsat TM/ETM+/OLI、Sentinel-2MSI等；可在以下下载平台下载卫星遥感影像：Google Earth Engine平台(https://code.earthengine.google.com/)、美国地质调查局(https://www.usgs.gov/)、欧空局(https://scihub.copernicus.eu/)、地理空间数据云(http://www.gscloud.cn/)等。
所述选择影像为：依据实际需要，选择各量化单元所含年份内各季节所有可用的卫星遥感影像和/或无人机航拍影像；或者，各量化单元所含地域的风向风级指标，在各季节所有可用的卫星遥感影像和/或无人机航拍影像中，选择单期或少量的无风天气或具有季节代表性风向的不同风级天气下的影像。
所述预处理具体为：预处理卫星遥感影像和/或无人机航拍影像；其中，
预处理卫星遥感影像，包括：时间和云量筛选、辐射校正、几何校正、波段合成、云及阴影掩膜和影像裁剪等。这里，可选择预处理平台Google Earth Engine平台、ENVI软件、Sen2Cor软件或SNAP软件等，实现卫星遥感影像预处理。
预处理无人机航拍影像，包括：影像配准、辐射校正、几何校正、影像拼接和裁剪等。
这里，对增强型煤炭粉尘指数(Enhanced Coal Dust Index，ECDI)进行改进，得到优化的增强型煤炭粉尘指数(Optimized Enhanced Coal Dust Index,OECDI)，能够较好地区分煤炭粉尘与周边其他地物，且解决了ECDI在裸煤地区容易出现负异常值，以致影响煤炭粉尘污染状况评估准确性和可靠性的问题。
所述对各像元的OECDI进行异常值剔除采用拉依达3σ法则实现。
所述对各像元的OECDI进行归一化处理的计算公式为：
其中，OECDImin和OECDImax分别为各像元OECDI中的最小值和最大值。
所述煤炭粉尘污染强度的计算公式为：
其中，和分别为全粉尘覆盖和无粉尘覆盖像元的分别取累积频率为2％和98％的OECDI*值作为和
在另一个可能的实现中，采用时间加权平均总粉尘浓度来印证所述煤炭粉尘污染强度的可用性，具体为：
步骤a：测定时间加权平均总粉尘浓度；包括：布设采样点：以待测区域各露天矿采场为中心，从采场中心向外沿西、西北、北、东北、东、东南、南、西南8个方向设置辐射状的调查样线，采场内采样间隔为100m，距采场边界0～2km范围内采样间隔为200m，2～4km范围内采样间隔为400m；沿待评价单元煤炭运输道路布设采样点，采样间隔为100m～200m。
步骤b：根据《GBZ/T 192.1工业场所空气中粉尘测定第1部分：总粉尘浓度》标准，采用一个工作班连续滤膜采样称重法对各采样点的时间加权平均总粉尘浓度进行测定，各采样点分别测定3～5次，取算数平均值结果作为该采样点时间加权平均总粉尘浓度；
步骤c：基于采样点实测的时间加权平均总粉尘浓度，利用克里金插值法预测待测区域时间加权平均总粉尘浓度的空间分布图；对比分析同一时间煤炭粉尘污染强度与时间加权平均总粉尘浓度的空间分布图；若在空间分布上保持近似一致，则表明获取的煤炭粉尘污染强度指标具有可用性，可继续进行下一步的操作；若在空间分布上具有很大差异，则表明获取的煤炭粉尘污染强度不具有可用性，需要重新计算煤炭粉尘污染强度。
在另一个可能的实现中，所述时间加权平均总粉尘浓度也可以作为量化指标之一。
在另一个可能的实现中，对任一所述量化单元，提取所述年内持续影响范围、年内最大影响范围包括：
选择在该量化单元所含年份内拍摄的、所含地域的卫星遥感影像和/或无人机航拍影像，并预处理所选择的影像；
若在预处理后的影像中，一个季节包含不只一期影像，将该季节的全部影像进行影像合成处理，得到该季节的单景影像；若一个季节只一期影像，将该期影像作为该季节的单景影像；
分别计算各季节单景影像所含像元的煤炭粉尘污染强度；
将各季节单景影像表达为数据立方体的形式，X维和Y维组成影像所覆盖的地域，Z维为时间维，与四季对应为：z＝1,2,3,4；
对于所覆盖的地域相同的像元P(x,y,1)、P(x,y,2)、P(x,y,3)、P(x,y,4)，i(x,y)表示四个像元中煤炭粉尘污染强度大于预先设定的阈值的像元的数量；取i(x,y)＝4对应的各像元，全部所取的像元所覆盖的地域即为年内持续影响范围；取i(x,y)＝1～4对应的像元，全部所取的像元所覆盖的地域年内最大影响范围。
这里，所述阈值为μ+σ，μ和σ分别为各季节单景影像所含的全部像元的煤炭粉尘污染强度的算数平均值和标准差。
所述影像合成处理采用均值合成算法，可通过Google Earth Engine平台实现。
在另一个可能的实现中，对任一所述量化单元，提取所述静态产尘面积比、动态产尘面积比包括：通过以下公式计算所述静态产尘面积比、动态产尘面积比：
其中，SContinuous为该量化单元的年内持续影响范围；SMaximum为该量化单元的年内最大影响范围；Sstope为该量化单元所含年份的露采场未充分复垦区域的面积；Souter-dump为该量化单元所含年份的外排土场未充分复垦区域的面积。
在另一个可能的实现中，对任一所述量化单元，提取所述静态万吨产尘量、动态万吨产尘量包括：通过以下公式计算静态万吨产尘量、动态万吨产尘量：
其中，SContinuous为该量化单元的年内持续影响范围；SMaximum为该量化单元的年内最大影响范围；P为该量化单元所含年份的煤炭产量值，单位为万吨。
在另一个可能的实现中，所述采用模糊层次-熵值组合赋权法确定量化指标权重集包括：
步骤A1～F1采用模糊层次法获取各量化指标的权重：
A1、将所述各量化指标划分为两层量化指标集；其中，一层量化指标集：U＝{煤炭粉尘污染强度，煤炭粉尘污染范围，产尘面积比，万吨产尘量，矿山开发利用状况}；二层量化指标集：U1＝{算数平均值，中位数}，U2＝{年内持续影响范围，年内最大影响范围}，U3＝{静态产尘面积比，动态产尘面积比}，U4＝{静态万吨产尘量，动态万吨产尘量}，U5＝{矿山生产建设规模，所属生命周期阶段}；
B1、依据应用场景，采用0.1-0.9九级标度法，构造目标-一层量化指标，以及一层量化指标-二层量化指标的相应模糊互补判断矩阵F1～F6；
C1、模糊互补判断矩阵F1＝(fij)5×5做一致化处理，构造出矩阵F1相应的模糊一致判断矩阵R1＝(rij)5×5；
D1、对模糊一致判断矩阵R1进行行归一化处理，得到指标初始权向量W1：
将R1转化为互反矩阵E1：
将W1作为初始向量V1 (0)，利用下式进行迭代：
其中，
若|||V(k+1)||∞-||V(k)||∞|≤0.0001，则迭代结束，最终得到最大特征向量V(k+1)；
E1、将V(k+1)进行归一化处理，得到目标-一层量化指标的权重向量w1；
F1、分别将F2～F5代入步骤C1～E1，得到相应一层量化指标-二层量化指标的权重向量w2＝[w21,w22]T，w3＝[w31,w32]T，…，w6＝[w61,w62]T；则采用模糊层次所得各量化指标的权重为：w11 w21＝w′1，w11 w22＝w′2，w12 w31＝w′3，w12 w32＝w′4，w13 w41＝w′5，w13 w42＝w′6，w14w51＝w′7，w14 w52＝w′8，w15 w61＝w′9，w15w62＝w′10；
步骤A2～D2采用熵权法获取各量化指标的权重：
A2、采用负向标准化公式将所述原始指标值矩阵中定量指标的各指标值，以及定性指标的量化指标分数，分别转化为负向标准化指标值aij；将aij按照公式进行平移处理，得到负向标准化阵其中，m代表待量化的量化单元数量，n代表量化指标数量；
B2、计算所占比重，得到矩阵P＝(pij)m×n，其计算公式为：
C2、计算量化指标的信息熵值，第j个量化指标的信息熵值计算公式为：
D2、计算第j个量化指标的权重，第j个量化指标的权重计算公式为：
采用相对熵原理对模糊层次分析法所得权重和熵权法所得权重进行修正，获取耦合权重最优解w″′i，计算公式为：
确定的量化指标权重集为：[w″′1 w″′2 … w″′n]。
这里，0.1-0.9九级标度如下表：
表1
所述应用场景可以是绿色矿山评估、环境损害鉴定、矿山时序监测等。其中，应用场景为绿色矿山评估时，主要量化指标为矿山开发利用状况、煤炭粉尘污染强度，其次是产尘面积比、万吨产尘量和煤炭粉尘污染范围；应用场景为环境损害鉴定时，煤炭粉尘污染范围、煤炭粉尘污染强度作为首要量化指标，其余指标为次要量化指标；应用场景为矿山时序监测时，若量化单元为像元，首要考虑煤炭粉尘污染强度指标，若量化单元为任意损毁单元或其他任意地域范围，量化指标重要性从高到低依次为：煤炭粉尘污染强度、煤炭粉尘污染范围、产尘面积比、万吨产尘量、矿山开发利用状况。
主要目标比其余目标重要，构造模糊互补判断矩阵F1～F6时，参与调查的专家依据应用场景以及表1确定重要程度fij。
本发明的应用实例：
以实现绿色矿山评估为应用场景，以胜利矿区为各量化单元的地域，参与评价的年份包括2006年、2008年、2009年、2011年、2014年～2019年，分别作为各量化单元的年份。
量化指标有：煤炭粉尘污染强度算数平均值、煤炭粉尘污染强度中位数、年内持续影响范围、年内最大影响范围、静态产尘面积比、动态产尘面积比、静态万吨产尘量、动态万吨产尘量、矿山生产建设规模和所属生命周期阶段。
具体评价步骤如下：
1、数据获取。原始遥感影像数据均来源于美国地质调查局，通过GEE平台获取胜利矿区参评年份共275景Landsat TM/ETM+/OLI地表反射率影像数据。
2、预处理。通过GEE平台对原始遥感影像数据进行预处理，包括去云处理(SimpleCloudScore算法)、地形校正(基于DEM的朗伯体反射率模型的SCS+C校正法)和影像裁剪(Quality Mosaic算法)。
3、提取各量化指标，得到原始指标值矩阵，见表2。
4、计算权重。构造模糊互补判断矩阵F1～F6，见表3～表8，模糊层次法所得权重见表9。
计算熵权法所得权重。对原始指标值进行负向标准化处理，得到负向标准化指标值矩阵，见表10。熵权法所得各量化指标权重见表11。
5、计算各量化指标权重集，见表12.
6、综合评价。基于原始指标值矩阵，得到量化指标分数矩阵，见表13，煤炭粉尘污染程度评价结果见表14。
表2原始指标值矩阵
表3目标层(A)-一层(B)模糊互补判断矩阵
表4一层(B2)-二层(C)模糊互补判断矩阵
表5一层(B3)-二层(C)模糊互补判断矩阵
表6一层(B4)-二层(C)模糊互补判断矩阵
表7一层(B5)-二层(C)模糊互补判断矩阵
表8一层(B6)-二层(C)模糊互补判断矩阵
表9模糊层次法所得量化指标权重
表10负向标准化指标值矩阵
表11熵权法所得量化指标权重
表12量化指标权重集
表13量化指标分数矩阵
表14综合评价结果
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (4)

1.一种煤炭粉尘污染程度的量化方法，其特征在于，包括：
获取待量化的各量化单元对应的原始数据；从获取的原始数据提取各量化单元所对应各量化指标的值，生成原始指标值矩阵；其中，所述量化指标有：煤炭粉尘污染强度算数平均值、煤炭粉尘污染强度中位数、年内持续影响范围、年内最大影响范围、静态产尘面积比、动态产尘面积比、静态万吨产尘量、动态万吨产尘量、矿山生产建设规模和所属生命周期阶段；
建立评语集：V＝{轻微，较轻，较重，严重}；
设置各评语的分值，以及各评语对应的分级区间；依照评语集中的顺序分别构建隶属于各评语的递增型梯形分布隶属度函数；
依据应用场景，采用模糊层次-熵值组合赋权法确定量化指标权重集；
采用正向标准化公式将原始指标值矩阵转化为正向标准化指标值矩阵；确定各正向标准化指标值所属的分级区间，依据分级区间、评语、评语的分值的对应关系，将正向标准化指标值矩阵转换为量化指标分数矩阵；
对任一所述量化单元，分别将该量化单元的各量化指标分数代入各隶属度函数求解，得到该量化单元各量化指标的隶属度向量，各向量组合生成该量化单元的模糊矩阵；所述量化指标权重集与该模糊矩阵相乘，得到该量化单元的隶属度向量，该隶属度向量中最大的隶属度所对应的评语即为该量化单元的煤炭粉尘污染程度；其中，
对任一所述量化单元，提取所述煤炭粉尘污染强度算数平均值、中位数包括：
选择在该量化单元所含年份内拍摄的、所含地域的卫星遥感影像和/或无人机航拍影像，并预处理所选择的影像；
分别计算预处理后影像所含各像元的优化的增强型煤炭粉尘指数OECDI：
其中，RNIR、RSWIR1、RSWIR2分别为NIR波段、SWIR1波段和SWIR2波段的反射率；
对各像元的OECDI进行异常值剔除与归一化处理；应用像元二分模型，逐像元计算各像元的煤炭粉尘污染强度；
统计所有所述像元的煤炭粉尘污染强度，根据得到的统计直方图，确定平均值和中位数，即为提取到的所述煤炭粉尘污染强度算数平均值、中位数；
对任一所述量化单元，提取所述年内持续影响范围、年内最大影响范围包括：
选择在该量化单元所含年份内拍摄的、所含地域的卫星遥感影像和/或无人机航拍影像，并预处理所选择的影像；
若在预处理后的影像中，一个季节包含不只一期影像，将该季节的全部影像进行影像合成处理，得到该季节的单景影像；若一个季节只一期影像，将该期影像作为该季节的单景影像；
分别计算各季节单景影像所含像元的煤炭粉尘污染强度；
将各季节单景影像表达为数据立方体的形式，X维和Y维组成影像所覆盖的地域，Z维为时间维，与四季对应为：z＝1,2,3,4；
对于所覆盖的地域相同的像元P(x,y,1)、P(x,y,2)、P(x,y,3)、P(x,y,4)，i(x,y)表示四个像元中煤炭粉尘污染强度大于预先设定的阈值的像元的数量；取i(x,y)＝4对应的各像元，全部所取的像元所覆盖的地域即为年内持续影响范围；取i(x,y)＝1～4对应的像元，全部所取的像元所覆盖的地域年内最大影响范围；
对任一所述量化单元，提取所述静态产尘面积比、动态产尘面积比包括：通过以下公式计算所述静态产尘面积比、动态产尘面积比：
其中，SContinuous为该量化单元的年内持续影响范围；SMaximum为该量化单元的年内最大影响范围；Sstope为该量化单元所含年份的露采场未充分复垦区域的面积；Souter-dump为该量化单元所含年份的外排土场未充分复垦区域的面积；
对任一所述量化单元，提取所述静态万吨产尘量、动态万吨产尘量包括：通过以下公式计算静态万吨产尘量、动态万吨产尘量：
其中，SContinuous为该量化单元的年内持续影响范围；SMaximum为该量化单元的年内最大影响范围；P为该量化单元所含年份的煤炭产量值，单位为万吨。
2.根据权利要求1所述的方法，其特征在于，所述采用模糊层次-熵值组合赋权法确定量化指标权重集包括：
步骤A1～F1采用模糊层次法获取各量化指标的权重：
A1、将所述各量化指标划分为两层量化指标集；其中，一层量化指标集：U＝{煤炭粉尘污染强度，煤炭粉尘污染范围，产尘面积比，万吨产尘量，矿山开发利用状况}；二层量化指标集：U1＝{算数平均值，中位数}，U2＝{年内持续影响范围，年内最大影响范围}，U3＝{静态产尘面积比，动态产尘面积比}，U4＝{静态万吨产尘量，动态万吨产尘量}，U5＝{矿山生产建设规模，所属生命周期阶段}；
B1、依据应用场景，采用0.1-0.9九级标度法，构造目标-一层量化指标，以及一层量化指标-二层量化指标的相应模糊互补判断矩阵F1～F6；
C1、模糊互补判断矩阵F1＝(fij)5×5做一致化处理，构造出矩阵F1相应的模糊一致判断矩阵R1＝(rij)5×5；
D1、对模糊一致判断矩阵R1进行行归一化处理，得到指标初始权向量W1：
将R1转化为互反矩阵E1：
将W1作为初始向量V1 (0)，利用下式进行迭代：
其中，
若|||V(k+1)||∞-||V(k)||∞|≤0.0001，则迭代结束，最终得到最大特征向量V(k+1)；
E1、将V(k+1)进行归一化处理，得到目标-一层量化指标的权重向量w1；
F1、分别将F2～F5代入步骤C1～E1，得到相应一层量化指标-二层量化指标的权重向量w2＝[w21,w22]T，w3＝[w31,w32]T，…，w6＝[w61,w62]T；则采用模糊层次所得各量化指标的权重为：w11w21＝w′1，w11w22＝w′2，w12 w31＝w′3，w12 w32＝w′4，w13 w41＝w′5，w13 w42＝w′6，w14w51＝w′7，w14w52＝w′8，w15 w61＝w′9，w15w62＝w′10；
步骤A2～D2采用熵权法获取各量化指标的权重：
A2、采用负向标准化公式将所述原始指标值矩阵中定量指标的各指标值，以及定性指标的量化指标分数，分别转化为负向标准化指标值aij；将aij按照公式进行平移处理，得到负向标准化阵其中，m代表待量化的量化单元数量，n代表量化指标数量；
B2、计算所占比重，得到矩阵P＝(pij)m×n，其计算公式为：
C2、计算量化指标的信息熵值，第j个量化指标的信息熵值计算公式为：
D2、计算第j个量化指标的权重，第j个量化指标的权重计算公式为：
采用相对熵原理对模糊层次分析法所得权重和熵权法所得权重进行修正，获取耦合权重最优解w″′i，计算公式为：
确定的量化指标权重集为：[w″′1 w″′2 … w″′n]。
3.一种煤炭粉尘污染程度的量化装置，其特征在于，包括：数据获取单元、设置单元、第一计算单元、第二计算单元、第三计算单元；其中，
所述数据获取单元，用于获取待量化的各量化单元对应的原始数据；从获取的原始数据提取各量化单元所对应各量化指标的值，生成原始指标值矩阵；其中，所述量化指标有：煤炭粉尘污染强度算数平均值、煤炭粉尘污染强度中位数、年内持续影响范围、年内最大影响范围、静态产尘面积比、动态产尘面积比、静态万吨产尘量、动态万吨产尘量、矿山生产建设规模和所属生命周期阶段；
设置单元，用于建立评语集：V＝{轻微，较轻，较重，严重}；设置各评语的分值，以及各评语对应的分级区间；依照评语集中的顺序分别构建隶属于各评语的递增型梯形分布隶属度函数；
第一计算单元，用于依据应用场景，采用模糊层次-熵值组合赋权法确定量化指标权重集；
第二计算单元，用于采用正向标准化公式将原始指标值矩阵转化为正向标准化指标值矩阵；确定各正向标准化指标值所属的分级区间，依据分级区间、评语、评语的分值的对应关系，将正向标准化指标值矩阵转换为量化指标分数矩阵；
第三计算单元，用于对任一所述量化单元，分别将该量化单元的各量化指标分数代入各隶属度函数求解，得到该量化单元各量化指标的隶属度向量，各向量组合生成该量化单元的模糊矩阵；所述量化指标权重集与该模糊矩阵相乘，得到该量化单元的隶属度向量，该隶属度向量中最大的隶属度所对应的评语即为该量化单元的煤炭粉尘污染程度；其中，
对任一所述量化单元，提取所述煤炭粉尘污染强度算数平均值、中位数时，所述数据获取单元具体用于：
选择在该量化单元所含年份内拍摄的、所含地域的卫星遥感影像和/或无人机航拍影像，并预处理所选择的影像；
分别计算预处理后影像所含各像元的优化的增强型煤炭粉尘指数OECDI：
其中，RNIR、RSWIR1、RSWIR2分别为NIR波段、SWIR1波段和SWIR2波段的反射率；
对各像元的OECDI进行异常值剔除与归一化处理；应用像元二分模型，逐像元计算各像元的煤炭粉尘污染强度；
统计所有所述像元的煤炭粉尘污染强度，根据得到的统计直方图，确定平均值和中位数，即为提取到的所述煤炭粉尘污染强度算数平均值、中位数；
对任一所述量化单元，提取所述年内持续影响范围、年内最大影响范围时，所述数据获取单元具体用于：
选择在该量化单元所含年份内拍摄的、所含地域的卫星遥感影像和/或无人机航拍影像，并预处理所选择的影像；
若在预处理后的影像中，一个季节包含不只一期影像，将该季节的全部影像进行影像合成处理，得到该季节的单景影像；若一个季节只一期影像，将该期影像作为该季节的单景影像；
分别计算各季节单景影像所含像元的煤炭粉尘污染强度；
将各季节单景影像表达为数据立方体的形式，X维和Y维组成影像所覆盖的地域，Z维为时间维，与四季对应为：z＝1,2,3,4；
对于所覆盖的地域相同的像元P(x,y,1)、P(x,y,2)、P(x,y,3)、P(x,y,4)，i(x,y)表示四个像元中煤炭粉尘污染强度大于预先设定的阈值的像元的数量；取i(x,y)＝4对应的各像元，全部所取的像元所覆盖的地域即为年内持续影响范围；取i(x,y)＝1～4对应的像元，全部所取的像元所覆盖的地域年内最大影响范围；
对任一所述量化单元，提取所述静态产尘面积比、动态产尘面积比时，所述数据获取单元具体用于：
通过以下公式计算所述静态产尘面积比、动态产尘面积比：
其中，SContinuous为该量化单元的年内持续影响范围；SMaximum为该量化单元的年内最大影响范围；Sstope为该量化单元所含年份的露采场未充分复垦区域的面积；Souter-dump为该量化单元所含年份的外排土场未充分复垦区域的面积；
对任一所述量化单元，提取所述静态万吨产尘量、动态万吨产尘量时，所述数据获取单元具体用于：
通过以下公式计算静态万吨产尘量、动态万吨产尘量：
其中，SContinuous为该量化单元的年内持续影响范围；SMaximum为该量化单元的年内最大影响范围；P为该量化单元所含年份的煤炭产量值，单位为万吨。
4.根据权利要求3所述的装置，其特征在于，所述第一计算单元具体用于：
步骤A1～F1采用模糊层次法获取各量化指标的权重：
A1、将所述各量化指标划分为两层量化指标集；其中，一层量化指标集：U＝{煤炭粉尘污染强度，煤炭粉尘污染范围，产尘面积比，万吨产尘量，矿山开发利用状况}；二层量化指标集：U1＝{算数平均值，中位数}，U2＝{年内持续影响范围，年内最大影响范围}，U3＝{静态产尘面积比，动态产尘面积比}，U4＝{静态万吨产尘量，动态万吨产尘量}，U5＝{矿山生产建设规模，所属生命周期阶段}；
B1、依据应用场景，采用0.1-0.9九级标度法，构造目标-一层量化指标，以及一层量化指标-二层量化指标的相应模糊互补判断矩阵F1～F6；
C1、模糊互补判断矩阵F1＝(fij)5×5做一致化处理，构造出矩阵F1相应的模糊一致判断矩阵R1＝(rij)5×5；
D1、对模糊一致判断矩阵R1进行行归一化处理，得到指标初始权向量W1：
将R1转化为互反矩阵E1：
将W1作为初始向量V1 (0)，利用下式进行迭代：
其中，
若|||V(k+1)||∞-||V(k)||∞|≤0.0001，则迭代结束，最终得到最大特征向量V(k+1)；
E1、将V(k+1)进行归一化处理，得到目标-一层量化指标的权重向量w1；
F1、分别将F2～F5代入步骤C1～E1，得到相应一层量化指标-二层量化指标的权重向量w2＝[w21,w22]T，w3＝[w31,w32]T，…，w6＝[w61,w62]T；则采用模糊层次所得各量化指标的权重为：w11w21＝w′1，w11w22＝w′2，w12 w31＝w′3，w12 w32＝w′4，w13 w41＝w′5，w13 w42＝w′6，w14w51＝w′7，w14w52＝w′8，w15 w61＝w′9，w15 w62＝w′10；
步骤A2～D2采用熵权法获取各量化指标的权重：
A2、采用负向标准化公式将所述原始指标值矩阵中定量指标的各指标值，以及定性指标的量化指标分数，分别转化为负向标准化指标值aij；将aij按照公式进行平移处理，得到负向标准化阵其中，m代表待量化的量化单元数量，n代表量化指标数量；
B2、计算所占比重，得到矩阵P＝(pij)m×n，其计算公式为：
C2、计算量化指标的信息熵值，第j个量化指标的信息熵值计算公式为：
D2、计算第j个量化指标的权重，第j个量化指标的权重计算公式为：
采用相对熵原理对模糊层次分析法所得权重和熵权法所得权重进行修正，获取耦合权重最优解w″′i，计算公式为：
确定的量化指标权重集为：[w″′1 w″′2 … w″′n]。
CN202211727069.5A 2022-12-30 2022-12-30 一种煤炭粉尘污染程度的量化方法及装置 Active CN116227982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211727069.5A CN116227982B (zh) 2022-12-30 2022-12-30 一种煤炭粉尘污染程度的量化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211727069.5A CN116227982B (zh) 2022-12-30 2022-12-30 一种煤炭粉尘污染程度的量化方法及装置

Publications (2)

Publication Number Publication Date
CN116227982A CN116227982A (zh) 2023-06-06
CN116227982B true CN116227982B (zh) 2023-10-31

Family

ID=86586473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211727069.5A Active CN116227982B (zh) 2022-12-30 2022-12-30 一种煤炭粉尘污染程度的量化方法及装置

Country Status (1)

Country Link
CN (1) CN116227982B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005128691A (ja) * 2003-10-22 2005-05-19 Hitachi Eng Co Ltd 粉塵拡散シミュレーション装置及び方法
CN101575500A (zh) * 2009-06-17 2009-11-11 董建敏 一种煤炭粉尘污染控制剂的制备方法
CN106920044A (zh) * 2017-03-07 2017-07-04 北京工商大学 基于模糊综合评价模型的农药残留风险评估方法
JP2017164731A (ja) * 2016-03-11 2017-09-21 有限会社エコルネサンス・エンテック 土壌汚染物質の対策方法
CN108416686A (zh) * 2018-01-30 2018-08-17 中国矿业大学 一种基于煤炭资源开发的生态地质环境类型划分方法
WO2019128184A1 (zh) * 2017-12-26 2019-07-04 中煤科工集团重庆研究院有限公司 矿山作业人员呼吸尘累积接尘量计算方法及测试系统
CN110276116A (zh) * 2019-06-13 2019-09-24 中煤科工集团西安研究院有限公司 一种煤矿突水水源判别方法及系统
CN110826868A (zh) * 2019-10-21 2020-02-21 广东电网有限责任公司 一种多能源协调优化运行评价方法
CN111461576A (zh) * 2020-04-27 2020-07-28 宁波市食品检验检测研究院 一种食品中化学危害物安全风险模糊综合评价方法
CN111784136A (zh) * 2020-06-22 2020-10-16 煤炭科学技术研究院有限公司 一种基于层次分析和模糊数学的冲击危险性动态预警方法
CN112325956A (zh) * 2020-10-12 2021-02-05 南京中宇自动化有限公司 一种感应式高温气固两相流流量测量仪及其测量方法
CN113722662A (zh) * 2021-09-03 2021-11-30 内蒙古农业大学 一种基于anp理论的煤水协调开采度评价方法及系统
CN113919226A (zh) * 2021-10-15 2022-01-11 中国矿业大学(北京) 基于权重的采矿植被生态累积效应扰动范围识别方法
CN114004525A (zh) * 2021-11-08 2022-02-01 国网河南省电力公司经济技术研究院 基于模糊综合评价法面向用户侧的电能替代效益评价方法
CN114881490A (zh) * 2022-05-13 2022-08-09 国家电网有限公司 一种变电站绿色施工评价方法及系统
CN115471097A (zh) * 2022-09-23 2022-12-13 西安科技大学 一种数据驱动的井下局部区域安全状态评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020041955A1 (zh) * 2018-08-28 2020-03-05 大连理工大学 一种基于改进型拉开档次法的数控机床综合性能评价方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005128691A (ja) * 2003-10-22 2005-05-19 Hitachi Eng Co Ltd 粉塵拡散シミュレーション装置及び方法
CN101575500A (zh) * 2009-06-17 2009-11-11 董建敏 一种煤炭粉尘污染控制剂的制备方法
JP2017164731A (ja) * 2016-03-11 2017-09-21 有限会社エコルネサンス・エンテック 土壌汚染物質の対策方法
CN106920044A (zh) * 2017-03-07 2017-07-04 北京工商大学 基于模糊综合评价模型的农药残留风险评估方法
WO2019128184A1 (zh) * 2017-12-26 2019-07-04 中煤科工集团重庆研究院有限公司 矿山作业人员呼吸尘累积接尘量计算方法及测试系统
CN108416686A (zh) * 2018-01-30 2018-08-17 中国矿业大学 一种基于煤炭资源开发的生态地质环境类型划分方法
WO2019149147A1 (zh) * 2018-01-30 2019-08-08 中国矿业大学 一种基于煤炭资源开发的生态地质环境类型划分方法
CN110276116A (zh) * 2019-06-13 2019-09-24 中煤科工集团西安研究院有限公司 一种煤矿突水水源判别方法及系统
CN110826868A (zh) * 2019-10-21 2020-02-21 广东电网有限责任公司 一种多能源协调优化运行评价方法
CN111461576A (zh) * 2020-04-27 2020-07-28 宁波市食品检验检测研究院 一种食品中化学危害物安全风险模糊综合评价方法
CN111784136A (zh) * 2020-06-22 2020-10-16 煤炭科学技术研究院有限公司 一种基于层次分析和模糊数学的冲击危险性动态预警方法
CN112325956A (zh) * 2020-10-12 2021-02-05 南京中宇自动化有限公司 一种感应式高温气固两相流流量测量仪及其测量方法
CN113722662A (zh) * 2021-09-03 2021-11-30 内蒙古农业大学 一种基于anp理论的煤水协调开采度评价方法及系统
CN113919226A (zh) * 2021-10-15 2022-01-11 中国矿业大学(北京) 基于权重的采矿植被生态累积效应扰动范围识别方法
CN114004525A (zh) * 2021-11-08 2022-02-01 国网河南省电力公司经济技术研究院 基于模糊综合评价法面向用户侧的电能替代效益评价方法
CN114881490A (zh) * 2022-05-13 2022-08-09 国家电网有限公司 一种变电站绿色施工评价方法及系统
CN115471097A (zh) * 2022-09-23 2022-12-13 西安科技大学 一种数据驱动的井下局部区域安全状态评估方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Evaluation of Shell Powder Remediation Effect in Cadmium-Contaminated Soil: A Score Approach Based on Entropy Indexes;Zhao, HD 等;CLEAN-SOIL AIR WATER;1-10 *
Fourth-Order Adjoint Sensitivity and Uncertainty Analysis of an OECD/NEA Reactor Physics Benchmark: I. Computed Sensitivities;Fang Ruxian 等;Journal of Nuclear Engineering;第2卷(第3期);281-308 *
不同还原铁粉掺量下混凝土的电磁屏蔽和吸波特性;焦隽隽;中国科技论文;第15卷(第8期);895-899+920 *
电子废弃物拆解污染区土壤生态健康风险研究进展;苑舒琪 等;生态毒理学报;第17卷(第3期);167-179 *
草原型露天煤矿区土壤重金属污染评价及空间分布特征;李晶 等;煤炭学报;第44卷(第12期);3676-3684 *

Also Published As

Publication number Publication date
CN116227982A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
GB2620469A (en) Spatial prediction and evaluation method of soil organic matter content based on partition algorithm
CN114219847B (zh) 基于物候特征的作物种植面积确定方法、系统及存储介质
CN105528523B (zh) 一种基于遥感数据的土壤厚度反演方法
CN114241331B (zh) 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法
CN114863271B (zh) 顾及岩土差异和植物多样性的矿区生态环境遥感方法
CN114612789A (zh) 一种通过长时序卫星遥感提取常绿森林林分变化的方法
CN108764527B (zh) 一种土壤有机碳库时空动态预测最优环境变量筛选方法
CN113436153A (zh) 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法
CN114881620A (zh) 一种基于卫星遥感的国土空间监测方法与系统
CN114048944A (zh) 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法
Mihi et al. Assessing and mapping wind erosion-prone areas in Northeastern Algeria using additive linear model, fuzzy logic, multicriteria, GIS, and remote sensing
Dahy et al. Geospatial technology methods for carbon stock assessment: A comprehensive review
CN114357891A (zh) 一种土壤镉元素含量的高光谱遥感定量反演方法
CN118196642A (zh) 一种地震区滑坡的识别与易发性评价方法
CN116227982B (zh) 一种煤炭粉尘污染程度的量化方法及装置
CN117249862A (zh) 一种草原露天矿空天地一体化生态环境监测方法
Robinove Integrated terrain mapping with digital Landsat images in Queensland, Australia
CN115830464A (zh) 基于多源数据的高原山地农业大棚自动提取方法
CN115203624A (zh) 一种基于时序遥感的任意时刻地表环境综合评估方法
Göksel et al. Land Use and Land Cover Changes Using Spot 5 Pansharpen Images; A Case Study in Akdeniz District, Mersin-Turkey
Mokritskaya et al. Forecast landslide activity in the zones of technogenic geochemical anomalies of urban areas based on remote sensing data
Schmidt et al. Satellite monitoring of a large tailings storage facility
CN117826112B (zh) 一种基于sar的土壤含水量的反演方法
Nallapareddy Detection and classification of vegetation areas from red and near infrared bands of LANDSAT-8 optical satellite image
Ramli Approach maximum likelihood classification and cellular automata markov chain model for land use/land cover change prediction in Nagan Raya Country, Indonesia

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