CN116307279A - 基于大数据分析的城市大气环境管理方法及系统 - Google Patents
基于大数据分析的城市大气环境管理方法及系统 Download PDFInfo
- Publication number
- CN116307279A CN116307279A CN202310560899.1A CN202310560899A CN116307279A CN 116307279 A CN116307279 A CN 116307279A CN 202310560899 A CN202310560899 A CN 202310560899A CN 116307279 A CN116307279 A CN 116307279A
- Authority
- CN
- China
- Prior art keywords
- information
- pollution
- characteristic
- atmospheric
- monitoring
- 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
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000007726 management method Methods 0.000 title claims description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 179
- 230000000694 effects Effects 0.000 claims abstract description 48
- 238000003912 environmental pollution Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 21
- 239000003344 environmental pollutant Substances 0.000 claims description 130
- 231100000719 pollutant Toxicity 0.000 claims description 130
- 238000009826 distribution Methods 0.000 claims description 104
- 238000000746 purification Methods 0.000 claims description 70
- 238000004519 manufacturing process Methods 0.000 claims description 33
- 238000010219 correlation analysis Methods 0.000 claims description 31
- 239000000428 dust Substances 0.000 claims description 30
- 238000003915 air pollution Methods 0.000 claims description 29
- 239000003245 coal Substances 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000001556 precipitation Methods 0.000 claims description 14
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims 1
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于大数据分析的城市大气环境管理方法及系统，包括：获取第一区域的第一人为活动信息和第一气象监测信息；对第一人为活动信息分析，获取第一大气污染源特征信息；调取第二区域的第二人为活动信息和第二气象监测信息，第二区域为第一区域的相邻区域；对第二人为活动信息分析，获取第二大气污染源特征信息；根据第一大气污染源特征信息、第二大气污染源特征信息、第一气象监测信息和第二气象监测信息进行第一区域大气污染预测，生成大气环境污染特征进行定向监测管理。解决了现有技术中存在管理效率较低的技术问题。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于大数据分析的城市大气环境管理方法及系统。
背景技术
随着科技的不断发展，随之伴生的环境污染问题日益突显，大气环境是重要的环境管理方向之一。传统的大气环境管理方式通常包括预防和监测两个维度，通过对产生大气污染物的活动进行限制或后处理，再结合环境的实时监测，及时针对异常大气环境进行管理。
现有技术的大气环境管理方式都是针对于各个污染源进行分散独立的管理缺乏宏观的管控，对于大气环境的实时监测缺乏区域的针对性。
发明内容
本申请提供了一种基于大数据分析的城市大气环境管理方法及系统，用于针对解决现有技术中由于针对于各个污染源进行分散独立的管理缺乏宏观的管控，对于大气环境的实时监测缺乏区域的针对性，导致存在管理效率较低的技术问题。
鉴于上述问题，本申请提供了一种基于大数据分析的城市大气环境管理方法及系统。
本申请的第一个方面，提供了一种基于大数据分析的城市大气环境管理方法，其中，包括：获取第一区域基础信息，其中，所述第一区域基础信息包括第一人为活动信息和第一气象监测信息；对所述第一人为活动信息进行关联性分析，获取第一大气污染源特征信息；基于大数据，调取第二区域基础信息，其中，所述第二区域基础信息包括第二人为活动信息和第二气象监测信息，第二区域为第一区域的相邻区域；对所述第二人为活动信息进行关联性分析，获取第二大气污染源特征信息；根据所述第一大气污染源特征信息、所述第二大气污染源特征信息、所述第一气象监测信息和所述第二气象监测信息进行第一区域大气污染预测，生成大气环境污染特征，其中，所述大气环境污染特征包括污染区域定位信息和大气环境特征参数；根据所述污染区域定位信息和所述大气环境特征参数进行定向监测管理。
本申请的第二个方面，提供了一种基于大数据分析的城市大气环境管理系统，其中，包括：第一基础信息采集单元，用于获取第一区域基础信息，其中，所述第一区域基础信息包括第一人为活动信息和第一气象监测信息；第一关联性分析单元，用于对所述第一人为活动信息进行关联性分析，获取第一大气污染源特征信息；第二基础信息采集单元，用于基于大数据，调取第二区域基础信息，其中，所述第二区域基础信息包括第二人为活动信息和第二气象监测信息，第二区域为第一区域的相邻区域；第二关联性分析单元，用于对所述第二人为活动信息进行关联性分析，获取第二大气污染源特征信息；污染特征获取单元，用于根据所述第一大气污染源特征信息、所述第二大气污染源特征信息、所述第一气象监测信息和所述第二气象监测信息进行第一区域大气污染预测，生成大气环境污染特征，其中，所述大气环境污染特征包括污染区域定位信息和大气环境特征参数；任务执行单元，用于根据所述污染区域定位信息和所述大气环境特征参数进行定向监测管理。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例通过采集第一区域和第二区域的基础信息，根据各自区域的人为活动进行关联性分析，得到第一大气污染源特征信息和第二大气污染源特征信息；再结合第一大气污染源特征信息和第二大气污染源特征信息，以及的第一区域和第二区域的基础信息中的气象监测数据，对大气污染的污染区域定位信息和大气环境特征参数进行预测，利用对区域宏观大气污染源特征的分析，为大气环境实时监测提供了针对性的区域，提高了大气异常的检出效率，达到了提升大气环境管理效率的技术效果。
附图说明
图1为本申请提供的一种基于大数据分析的城市大气环境管理方法流程示意图；
图2为本申请提供的一种基于大数据分析的城市大气环境管理方法中关联性分析的流程示意图；
图3为本申请提供的一种基于大数据分析的城市大气环境管理系统的结构示意图。
附图标记说明：第一基础信息采集单元11，第一关联性分析单元12，第二基础信息采集单元13，第二关联性分析单元14，污染特征获取单元15，任务执行单元16。
具体实施方式
本申请通过提供了一种基于大数据分析的城市大气环境管理方法及系统，用于针对解决现有技术中由于针对于各个污染源进行分散独立的管理缺乏宏观的管控，对于大气环境的实时监测缺乏区域的针对性，导致存在管理效率较低的技术问题。
实施例一：如图1所示，本申请提供了一种基于大数据分析的城市大气环境管理方法，其中，包括步骤：
S100：获取第一区域基础信息，其中，所述第一区域基础信息包括第一人为活动信息和第一气象监测信息；
在一个优选实施例中，第一区域基础信息指的是设定区域范围的与大气污染相关的基础信息，包含的信息维度可由大气环境研究专家自定义设定，即可周期性更新第一区域的基础信息。第一区域为自定义划定的区域，示例性地如：某个城市、某个省城或某个山脉等。
进一步的，第一区域基础信息至少包括第一人为活动信息和第一气象监测信息，第一人为活动信息指的是第一区域中在过去设定时长内发生的与大气污染相关的活动信息，默认的包括：工业、燃煤、扬尘和机动车等维度的活动信息，用户可根据区域实际状态对默认活动类型进行增加、删除、修改等操作。本申请实施例用于预测未来预设时间的第一区域大气污染状态，第一气象监测信息指的是预测未来预设时间的气象预测数据，至少包括：湿度监测信息、温度监测信息、风速监测信息、气压监测信息和降水监测信息。用户可根据实际情况对湿度监测信息、温度监测信息、风速监测信息、气压监测信息和降水监测信息进行增加，删除或修改等操作。第一区域基础信息为基于大数据采集的涉及第一区域全方位的监测数据，为大气污染宏观分析提供数据基础。
S200：对所述第一人为活动信息进行关联性分析，获取第一大气污染源特征信息；
进一步的，如图2所示，对所述第一人为活动信息进行关联性分析，获取第一大气污染源特征信息，步骤S200包括：
S210：获取污染源类型，其中，所述污染源类型包括工业、燃煤、扬尘和机动车；
S220：基于大数据，调取所述第一区域的工业特征参数、燃煤特征参数、扬尘特征参数和机动车特征参数；
S230：遍历所述工业特征参数、所述燃煤特征参数、所述扬尘特征参数和所述机动车特征参数进行关联性分析，获取所述第一大气污染源特征信息。
进一步的，遍历所述工业特征参数、所述燃煤特征参数、所述扬尘特征参数和所述机动车特征参数进行关联性分析，获取所述第一大气污染源特征信息，步骤S230包括：
S2311：所述工业特征参数包括工业厂家列表和生产特征信息，其中，所述生产特征信息和所述工业厂家列表一一对应，且所述生产特征信息包括生产规模信息、生产产品信息和污染物净化级别信息；
S2312：根据所述生产产品信息基于大数据采集第一污染物监测记录数据，其中，所述第一污染物监测记录数据包括污染物类型和污染物触发频率，所述污染物触发频率为污染物的检出次数；
S2313：筛选所述污染物触发频率大于或等于预设触发频率的所述污染物类型结合所述生产规模信息和所述污染物净化级别信息，确定工业污染物排放特征信息，其中，所述工业污染物排放特征信息包括工业污染物排放类型、工业污染物排放量和工业污染物排放位置；
S2314：将所述工业污染物排放特征信息添加进所述第一大气污染源特征信息。
进一步的，遍历所述工业特征参数、所述燃煤特征参数、所述扬尘特征参数和所述机动车特征参数进行关联性分析，获取所述第一大气污染源特征信息，步骤S230包括：
S2321：所述燃煤特征参数包括燃煤量特征信息、燃煤排放物净化工艺信息和燃煤区域定位信息；
S2322：根据所述燃煤量特征信息确定燃煤污染物初始排放量信息；
S2323：根据所述燃煤排放物净化工艺信息采集净化记录数据，其中，所述净化记录数据包括净化比例记录数据；
S2324：按照预设净化偏差对所述净化比例记录数据进行层级聚类分析，获取净化比例聚类结果，其中，所述净化比例聚类结果具有聚类频率参数；
S2325：获取所述聚类频率参数大于或等于聚类频率阈值时的所述净化比例记录数据计算均值，生成净化比例特征信息，对所述燃煤污染物初始排放量信息进行标定，生成工业污染物排放特征信息，其中，所述工业污染物排放特征信息包括燃煤污染物排放类型、燃煤污染物排放量和燃煤污染物排放位置；
S2326：将所述燃煤污染物排放特征信息添加进所述第一大气污染源特征信息。
进一步的，遍历所述工业特征参数、所述燃煤特征参数、所述扬尘特征参数和所述机动车特征参数进行关联性分析，获取所述第一大气污染源特征信息，步骤S230包括：
S2331：所述扬尘特征参数包括扬尘粒径监测数据、扬尘密度监测数据和扬尘位置监测数据；
S2332：所述机动车特征参数包括第一区域的第一时区的机动车监测数据，所述机动车监测数据包括机动车类型信息和机动车数量信息；
S2334：根据所述机动车类型信息和所述机动车数量信息，确定机动车污染物排放特征信息，其中，所述机动车污染物排放特征信息包括机动车污染物排放类型和机动车污染物排放量；
S2335：将所述扬尘特征参数和所述机动车污染物排放特征信息添加进所述第一大气污染源特征信息。
在一个优选实施例中，对所述第一人为活动信息进行关联性分析得到第一大气污染源特征信息，第一大气污染源特征信息表征在无气象因素干扰下，以及无相邻区域干扰下的，仅在人为活动干扰下的大气污染信息，至少包括污染物分布信息和污染物类型信息等参数。
以下给出关联性分析的优选实施方式：
从第一区域基础信息中确定污染源类型，其中，所述污染源类型包括工业、燃煤、扬尘和机动车；基于大数据，调取所述第一区域的工业特征参数、燃煤特征参数、扬尘特征参数和机动车特征参数，其中，工业特征参数、燃煤特征参数、扬尘特征参数和机动车特征参数至少包括活动位置、活动规模、活动类型和净化级别等特征数据；遍历所述工业特征参数、所述燃煤特征参数、所述扬尘特征参数和所述机动车特征参数进行关联性分析，获取所述第一大气污染源特征信息。
步骤一：工业特征参数的关联性分析：
所述工业特征参数包括工业厂家列表和生产特征信息，其中，所述生产特征信息和所述工业厂家列表一一对应，且所述生产特征信息包括生产规模信息、生产产品信息和污染物净化级别信息。其中，污染物净化级别信息表征生产厂对其产生的污染物的减排比例信息，为厂家自上传数据；生产产品信息表征生产活动类型，与污染物类型直接相关；生产规模信息表征产品生产量，与污染物排放量直接相关；根据所述生产产品信息基于大数据采集相同产品企业的大气污染物历史监测的第一污染物监测记录数据，其中，所述第一污染物监测记录数据包括污染物类型和污染物触发频率，所述污染物触发频率为污染物的检出次数；筛选所述污染物触发频率大于或等于用户自定义设定的预设触发频率的所述污染物类型结合所述生产规模信息和所述污染物净化级别信息，根据生产规模信息确定未净化排放量，再根据污染物净化级别信息进行减排比例处理，得到工业污染物排放量，将厂家所在区域坐标设为工业污染物排放位置，将污染物类型记为工业污染物排放类，存储为工业污染物排放特征信息，将所述工业污染物排放特征信息添加进所述第一大气污染源特征信息。
步骤二：燃煤特征参数的关联性分析如下：所述燃煤特征参数包括燃煤量特征信息、燃煤排放物净化工艺信息和燃煤区域定位信息。由于燃煤的对应的污染物类型已确定，因此仅需要确定表征燃煤数量的燃煤量特征信息，可用体积、重量等单位表征；燃煤排放物净化工艺信息表征对燃煤排放物的减排控制参数；燃煤区域定位信息表征燃煤位置的定位信息。
由于燃煤排放物净化工艺信息不如企业的净化排放工艺稳定，因此需要对净化工艺信息进行采样分析，确定燃煤排放物净化工艺信息的净化比例数据，如下：
根据所述燃煤量特征信息确定燃煤污染物初始排放量信息；根据所述燃煤排放物净化工艺信息采集净化记录数据，其中，所述净化记录数据包括净化比例记录数据；按照预设净化偏差对所述净化比例记录数据进行层级聚类分析，获取净化比例聚类结果，其中，所述净化比例聚类结果具有聚类频率参数，层次聚类分析指的是根据预设净化偏差对任意两个净化比例记录数据比对，若偏差小于或等于预设净化偏差，则视为一类，并取二者均值作为聚类后的特征值，若偏差大于预设净化偏差，则视为二类。对聚类后的各类的特征值继续根据预设净化偏差进行聚类分析，直到任意两个类之间的特征值偏差都大于预设净化偏差时停止，将每个类内聚集的记录数量作为聚类频率参数。获取所述聚类频率参数大于或等于聚类频率阈值时的类的所述净化比例记录数据计算均值，生成净化比例特征信息，对所述燃煤污染物初始排放量信息进行标定，生成工业污染物排放特征信息，其中，所述工业污染物排放特征信息包括燃煤污染物排放类型、燃煤污染物排放量和燃煤污染物排放位置；将所述燃煤污染物排放特征信息添加进所述第一大气污染源特征信息。
步骤三：扬尘特征参数关联性分析流程如下：
所述扬尘特征参数包括扬尘粒径监测数据、扬尘密度监测数据和扬尘位置监测数据；由于扬尘本身为污染物直接将监测数据设为环境污染特征信息。
步骤四：机动车特征参数关联性分析流程如下：
所述机动车特征参数包括第一区域的第一时区的机动车监测数据，所述机动车监测数据包括机动车类型信息和机动车数量信息；根据所述机动车类型信息和所述机动车数量信息，确定机动车污染物排放特征信息，其中，所述机动车污染物排放特征信息包括机动车污染物排放类型和机动车污染物排放量；将所述扬尘特征参数和所述机动车污染物排放特征信息添加进所述第一大气污染源特征信息，第一时区为自定义参数。
通过采集第一区域全方位的大气污染特征，为宏观的大气环境污染提供了分析基础。
S300：基于大数据，调取第二区域基础信息，其中，所述第二区域基础信息包括第二人为活动信息和第二气象监测信息，第二区域为第一区域的相邻区域；
S400：对所述第二人为活动信息进行关联性分析，获取第二大气污染源特征信息；
在一个优选实施例中，从与第一区域的相邻的第二区域的大气环境管理模块调取第二区域基础信息，并根据第二区域的第二人为活动信息进行关联性分析，获取第二大气污染源特征信息。为后步相邻区域的大气环境影响分析提供参考数据。关联性分析过程与第一区域的关联性分析步骤完全相同。
S500：根据所述第一大气污染源特征信息、所述第二大气污染源特征信息、所述第一气象监测信息和所述第二气象监测信息进行第一区域大气污染预测，生成大气环境污染特征，其中，所述大气环境污染特征包括污染区域定位信息和大气环境特征参数；
进一步的，根据所述第一大气污染源特征信息、所述第二大气污染源特征信息、所述第一气象监测信息和所述第二气象监测信息进行第一区域大气污染预测，生成大气环境污染特征，其中，所述大气环境污染特征包括污染区域定位信息和大气环境特征参数，步骤S500包括：
S510：根据所述第一气象监测信息对所述第一大气污染源特征信息进行分布优化，生成大气污染第一分布信息；
S520：根据所述第二气象监测信息对所述第二大气污染源特征信息进行分布优化，生成大气污染第二分布信息；
进一步的，根据所述第一气象监测信息对所述第一大气污染源特征信息进行分布优化，生成大气污染第一分布信息，步骤S520包括：
S521：所述第一气象监测信息包括湿度监测信息、温度监测信息、风速监测信息、气压监测信息和降水监测信息；
S522：基于所述第一大气污染源特征信息，构建污染源特征数字孪生模型；
S523：基于所述湿度监测信息、所述温度监测信息、所述湿度监测信息、所述风速监测信息、所述气压监测信息和所述降水监测信息对所述污染源特征数字孪生模型进行M次模拟分布，生成M个污染分布预测结果，M≥50；
S524：按照预设污染分布偏差对所述M个污染分布预测结果进行层次聚类分析，获取Y个污染分布聚类结果，所述Y个污染分布聚类结果具有Y个污染分布聚类频率；
S525：以所述湿度监测信息、所述温度监测信息、所述湿度监测信息、所述风速监测信息、所述气压监测信息、所述降水监测信息和所述第一大气污染源特征信息为约束信息，基于大数据采集属于所述Y个污染分布聚类结果的Y个历史触发频率；
S526：构建优化适应度函数；
其中，
表征第i个污染分布聚类结果的适应度，/>
表征第i个污染分布聚类结果的第i个污染分布聚类频率，/>
表征第i个污染分布聚类结果的第i个历史触发频率，/>
表征聚类频率的偏重权重，/>
表征触发频率的偏重权重，/>
和/>
表征调节系数，大于0，用于将/>
和/>
调整至0-1之间；
S527：根据所述优化适应度函数从所述Y个污染分布聚类结果筛选适应度最大值的分布预测结果，设为所述大气污染第一分布信息。
S530：获取所述大气污染第一分布信息和所述大气污染第二分布信息在所述第一区域的分布信息，生成所述大气环境污染特征，其中，所述大气环境污染特征包括所述污染区域定位信息和所述大气环境特征参数。
在一个优选实施例中，根据所述第一大气污染源特征信息可以确定在无气象干扰，无相邻干扰的前提下的第一区域的大气污染特征；根据第二大气污染源特征信息可以确定无气象干扰，无相邻干扰的前提下的第二区域的大气污染特征；根据第一气象监测信息和所述第二气象监测信息可以分别确定第一大气污染源特征信息的分布状态，第二大气污染源特征信息的分布状态。以得到大气环境污染特征。
优选的实施流程如下：
根据所述第一气象监测信息对所述第一大气污染源特征信息进行分布优化，将优化结果记为大气污染第一分布信息；
根据所述第二气象监测信息对所述第二大气污染源特征信息进行分布优化，将优化结果记为大气污染第二分布信息；
分布优化过程以第一气象监测信息对所述第一大气污染源特征信息进行分布优化举例说明：
所述第一气象监测信息包括湿度监测信息、温度监测信息、风速监测信息、气压监测信息和降水监测信息；基于第一大气污染源特征信息，构建污染源特征数字孪生模型，数字孪生模型为根据需要场景构建的数字化仿真模型，根据第一大气污染源特征信息的排放物类型、排放区域，排放量等信息，结合第一区域的建筑、地貌数据，构建污染源特征数字孪生模型；再基于所述湿度监测信息、所述温度监测信息、所述湿度监测信息、所述风速监测信息、所述气压监测信息和所述降水监测信息对所述污染源特征数字孪生模型进行M次模拟分布，生成表征污染物分布状态的M个污染分布预测结果，M≥50；按照预设污染分布偏差对所述M个污染分布预测结果进行层次聚类分析，获取Y个污染分布聚类结果，所述Y个污染分布聚类结果具有Y个污染分布聚类频率，污染分布聚类频率指的是任意一个类内聚集的污染分布预测结果数量，Y和M都大于或等于1，为整数；以所述湿度监测信息、所述温度监测信息、所述湿度监测信息、所述风速监测信息、所述气压监测信息、所述降水监测信息和所述第一大气污染源特征信息为约束信息，基于大数据采集属于所述Y个污染分布聚类结果的Y个历史触发频率，历史触发频率指的是Y个污染分布聚类结果在相同的气象数据以及污染特征状态下的历史出现频率；构建优化适应度函数；
其中，/>
表征第i个污染分布聚类结果的适应度，/>
表征第i个污染分布聚类结果的第i个污染分布聚类频率，/>
表征第i个污染分布聚类结果的第i个历史触发频率，/>
表征聚类频率的偏重权重，/>
表征触发频率的偏重权重，/>
和/>
表征调节系数，大于0，用于将/>
和/>
调整至0-1之间；根据所述优化适应度函数从所述Y个污染分布聚类结果筛选适应度最大值的分布预测结果，设为所述大气污染第一分布信息。获取所述大气污染第一分布信息和所述大气污染第二分布信息在所述第一区域的分布信息，生成所述大气环境污染特征，其中，所述大气环境污染特征包括所述污染区域定位信息和所述大气环境特征参数，其中，根据所述第二气象监测信息对所述第二大气污染源特征信息进行分布优化确定大气污染第二分布信息的过程，与根据所述第一气象监测信息对所述第一大气污染源特征信息进行分布优化的过程完全相同，仅在于数据具体值的变化，于此不多加赘述。
S600：根据所述污染区域定位信息和所述大气环境特征参数进行定向监测管理。
在一个优选实施例中，根据污染区域定位信息确定需要重点监测的区域，根据大气环境特征参数确定需要监测的污染物类型，也可以针对所述污染区域定位信息和所述大气环境特征参，做预先性的管控。提高了大气环境监测的预先性，提高了异常大气环境的检出效率。
综上所述，本申请实施例至少具有如下技术效果：
本申请实施例通过采集第一区域和第二区域的基础信息，根据各自区域的人为活动进行关联性分析，得到第一大气污染源特征信息和第二大气污染源特征信息；再结合第一大气污染源特征信息和第二大气污染源特征信息，以及的第一区域和第二区域的基础信息中的气象监测数据，对大气污染的污染区域定位信息和大气环境特征参数进行预测，利用对区域宏观大气污染源特征的分析，为大气环境实时监测提供了针对性的区域，提高了大气异常的检出效率，达到了提升大气环境管理效率的技术效果。
实施例二：基于与前述实施例中一种基于大数据分析的城市大气环境管理方法相同的发明构思，如图3所示，本申请提供了一种基于大数据分析的城市大气环境管理系统，其中，包括：
第一基础信息采集单元11，用于获取第一区域基础信息，其中，所述第一区域基础信息包括第一人为活动信息和第一气象监测信息；
第一关联性分析单元12，用于对所述第一人为活动信息进行关联性分析，获取第一大气污染源特征信息；
第二基础信息采集单元13，用于基于大数据，调取第二区域基础信息，其中，所述第二区域基础信息包括第二人为活动信息和第二气象监测信息，第二区域为第一区域的相邻区域；
第二关联性分析单元14，用于对所述第二人为活动信息进行关联性分析，获取第二大气污染源特征信息；
污染特征获取单元15，用于根据所述第一大气污染源特征信息、所述第二大气污染源特征信息、所述第一气象监测信息和所述第二气象监测信息进行第一区域大气污染预测，生成大气环境污染特征，其中，所述大气环境污染特征包括污染区域定位信息和大气环境特征参数；
任务执行单元16，用于根据所述污染区域定位信息和所述大气环境特征参数进行定向监测管理。
进一步的，所述第一关联性分析单元12执行步骤包括：
获取污染源类型，其中，所述污染源类型包括工业、燃煤、扬尘和机动车；
基于大数据，调取所述第一区域的工业特征参数、燃煤特征参数、扬尘特征参数和机动车特征参数；
遍历所述工业特征参数、所述燃煤特征参数、所述扬尘特征参数和所述机动车特征参数进行关联性分析，获取所述第一大气污染源特征信息。
进一步的，所述第一关联性分析单元12执行步骤包括：
所述工业特征参数包括工业厂家列表和生产特征信息，其中，所述生产特征信息和所述工业厂家列表一一对应，且所述生产特征信息包括生产规模信息、生产产品信息和污染物净化级别信息；
根据所述生产产品信息基于大数据采集第一污染物监测记录数据，其中，所述第一污染物监测记录数据包括污染物类型和污染物触发频率，所述污染物触发频率为污染物的检出次数；
筛选所述污染物触发频率大于或等于预设触发频率的所述污染物类型结合所述生产规模信息和所述污染物净化级别信息，确定工业污染物排放特征信息，其中，所述工业污染物排放特征信息包括工业污染物排放类型、工业污染物排放量和工业污染物排放位置；
将所述工业污染物排放特征信息添加进所述第一大气污染源特征信息。
进一步的，所述第一关联性分析单元12执行步骤包括：
所述燃煤特征参数包括燃煤量特征信息、燃煤排放物净化工艺信息和燃煤区域定位信息；
根据所述燃煤量特征信息确定燃煤污染物初始排放量信息；
根据所述燃煤排放物净化工艺信息采集净化记录数据，其中，所述净化记录数据包括净化比例记录数据；
按照预设净化偏差对所述净化比例记录数据进行层级聚类分析，获取净化比例聚类结果，其中，所述净化比例聚类结果具有聚类频率参数；
获取所述聚类频率参数大于或等于聚类频率阈值时的所述净化比例记录数据计算均值，生成净化比例特征信息，对所述燃煤污染物初始排放量信息进行标定，生成工业污染物排放特征信息，其中，所述工业污染物排放特征信息包括燃煤污染物排放类型、燃煤污染物排放量和燃煤污染物排放位置；
将所述燃煤污染物排放特征信息添加进所述第一大气污染源特征信息。
进一步的，所述第一关联性分析单元12执行步骤包括：
所述扬尘特征参数包括扬尘粒径监测数据、扬尘密度监测数据和扬尘位置监测数据；
所述机动车特征参数包括第一区域的第一时区的机动车监测数据，所述机动车监测数据包括机动车类型信息和机动车数量信息；
根据所述机动车类型信息和所述机动车数量信息，确定机动车污染物排放特征信息，其中，所述机动车污染物排放特征信息包括机动车污染物排放类型和机动车污染物排放量；
将所述扬尘特征参数和所述机动车污染物排放特征信息添加进所述第一大气污染源特征信息。
进一步的，所述污染特征获取单元15执行步骤包括：
根据所述第一气象监测信息对所述第一大气污染源特征信息进行分布优化，生成大气污染第一分布信息；
根据所述第二气象监测信息对所述第二大气污染源特征信息进行分布优化，生成大气污染第二分布信息；
获取所述大气污染第一分布信息和所述大气污染第二分布信息在所述第一区域的分布信息，生成所述大气环境污染特征，其中，所述大气环境污染特征包括所述污染区域定位信息和所述大气环境特征参数。
进一步的，所述污染特征获取单元15执行步骤包括：
所述第一气象监测信息包括湿度监测信息、温度监测信息、风速监测信息、气压监测信息和降水监测信息；
基于所述第一大气污染源特征信息，构建污染源特征数字孪生模型；
基于所述湿度监测信息、所述温度监测信息、所述湿度监测信息、所述风速监测信息、所述气压监测信息和所述降水监测信息对所述污染源特征数字孪生模型进行M次模拟分布，生成M个污染分布预测结果，M≥50；
按照预设污染分布偏差对所述M个污染分布预测结果进行层次聚类分析，获取Y个污染分布聚类结果，所述Y个污染分布聚类结果具有Y个污染分布聚类频率；
以所述湿度监测信息、所述温度监测信息、所述湿度监测信息、所述风速监测信息、所述气压监测信息、所述降水监测信息和所述第一大气污染源特征信息为约束信息，基于大数据采集属于所述Y个污染分布聚类结果的Y个历史触发频率；
构建优化适应度函数；
其中，/>
表征第i个污染分布聚类结果的适应度，/>
表征第i个污染分布聚类结果的第i个污染分布聚类频率，/>
表征第i个污染分布聚类结果的第i个历史触发频率，/>
表征聚类频率的偏重权重，/>
表征触发频率的偏重权重，/>
和/>
表征调节系数，大于0，用于将/>
和/>
调整至0-1之间；
根据所述优化适应度函数从所述Y个污染分布聚类结果筛选适应度最大值的分布预测结果，设为所述大气污染第一分布信息。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于大数据分析的城市大气环境管理方法，其特征在于，包括：
获取第一区域基础信息，其中，所述第一区域基础信息包括第一人为活动信息和第一气象监测信息；
对所述第一人为活动信息进行关联性分析，获取第一大气污染源特征信息；
基于大数据，调取第二区域基础信息，其中，所述第二区域基础信息包括第二人为活动信息和第二气象监测信息，第二区域为第一区域的相邻区域；
对所述第二人为活动信息进行关联性分析，获取第二大气污染源特征信息；
根据所述第一大气污染源特征信息、所述第二大气污染源特征信息、所述第一气象监测信息和所述第二气象监测信息进行第一区域大气污染预测，生成大气环境污染特征，其中，所述大气环境污染特征包括污染区域定位信息和大气环境特征参数；
根据所述污染区域定位信息和所述大气环境特征参数进行定向监测管理。
2.如权利要求1所述的方法，其特征在于，对所述第一人为活动信息进行关联性分析，获取第一大气污染源特征信息，包括：
获取污染源类型，其中，所述污染源类型包括工业、燃煤、扬尘和机动车；
基于大数据，调取所述第一区域的工业特征参数、燃煤特征参数、扬尘特征参数和机动车特征参数；
遍历所述工业特征参数、所述燃煤特征参数、所述扬尘特征参数和所述机动车特征参数进行关联性分析，获取所述第一大气污染源特征信息。
3.如权利要求2所述的方法，其特征在于，遍历所述工业特征参数、所述燃煤特征参数、所述扬尘特征参数和所述机动车特征参数进行关联性分析，获取所述第一大气污染源特征信息，包括：
所述工业特征参数包括工业厂家列表和生产特征信息，其中，所述生产特征信息和所述工业厂家列表一一对应，且所述生产特征信息包括生产规模信息、生产产品信息和污染物净化级别信息；
根据所述生产产品信息基于大数据采集第一污染物监测记录数据，其中，所述第一污染物监测记录数据包括污染物类型和污染物触发频率，所述污染物触发频率为污染物的检出次数；
筛选所述污染物触发频率大于或等于预设触发频率的所述污染物类型结合所述生产规模信息和所述污染物净化级别信息，确定工业污染物排放特征信息，其中，所述工业污染物排放特征信息包括工业污染物排放类型、工业污染物排放量和工业污染物排放位置；
将所述工业污染物排放特征信息添加进所述第一大气污染源特征信息。
4.如权利要求3所述的方法，其特征在于，遍历所述工业特征参数、所述燃煤特征参数、所述扬尘特征参数和所述机动车特征参数进行关联性分析，获取所述第一大气污染源特征信息，包括：
所述燃煤特征参数包括燃煤量特征信息、燃煤排放物净化工艺信息和燃煤区域定位信息；
根据所述燃煤量特征信息确定燃煤污染物初始排放量信息；
根据所述燃煤排放物净化工艺信息采集净化记录数据，其中，所述净化记录数据包括净化比例记录数据；
按照预设净化偏差对所述净化比例记录数据进行层级聚类分析，获取净化比例聚类结果，其中，所述净化比例聚类结果具有聚类频率参数；
获取所述聚类频率参数大于或等于聚类频率阈值时的所述净化比例记录数据计算均值，生成净化比例特征信息，对所述燃煤污染物初始排放量信息进行标定，生成工业污染物排放特征信息，其中，所述工业污染物排放特征信息包括燃煤污染物排放类型、燃煤污染物排放量和燃煤污染物排放位置；
将所述燃煤污染物排放特征信息添加进所述第一大气污染源特征信息。
5.如权利要求4所述的方法，其特征在于，遍历所述工业特征参数、所述燃煤特征参数、所述扬尘特征参数和所述机动车特征参数进行关联性分析，获取所述第一大气污染源特征信息，包括：
所述扬尘特征参数包括扬尘粒径监测数据、扬尘密度监测数据和扬尘位置监测数据；
所述机动车特征参数包括第一区域的第一时区的机动车监测数据，所述机动车监测数据包括机动车类型信息和机动车数量信息；
根据所述机动车类型信息和所述机动车数量信息，确定机动车污染物排放特征信息，其中，所述机动车污染物排放特征信息包括机动车污染物排放类型和机动车污染物排放量；
将所述扬尘特征参数和所述机动车污染物排放特征信息添加进所述第一大气污染源特征信息。
6.如权利要求5所述的方法，其特征在于，根据所述第一大气污染源特征信息、所述第二大气污染源特征信息、所述第一气象监测信息和所述第二气象监测信息进行第一区域大气污染预测，生成大气环境污染特征，其中，所述大气环境污染特征包括污染区域定位信息和大气环境特征参数，包括：
根据所述第一气象监测信息对所述第一大气污染源特征信息进行分布优化，生成大气污染第一分布信息；
根据所述第二气象监测信息对所述第二大气污染源特征信息进行分布优化，生成大气污染第二分布信息；
获取所述大气污染第一分布信息和所述大气污染第二分布信息在所述第一区域的分布信息，生成所述大气环境污染特征，其中，所述大气环境污染特征包括所述污染区域定位信息和所述大气环境特征参数。
7.如权利要求6所述的方法，其特征在于，根据所述第一气象监测信息对所述第一大气污染源特征信息进行分布优化，生成大气污染第一分布信息，包括：所述第一气象监测信息包括湿度监测信息、温度监测信息、风速监测信息、气压监测信息和降水监测信息；
基于所述第一大气污染源特征信息，构建污染源特征数字孪生模型；基于所述湿度监测信息、所述温度监测信息、所述湿度监测信息、所述风速监测信息、所述气压监测信息和所述降水监测信息对所述污染源特征数字孪生模型进行M次模拟分布，生成M个污染分布预测结果，M≥50；
按照预设污染分布偏差对所述M个污染分布预测结果进行层次聚类分析，获取Y个污染分布聚类结果，所述Y个污染分布聚类结果具有Y个污染分布聚类频率；
以所述湿度监测信息、所述温度监测信息、所述湿度监测信息、所述风速监测信息、所述气压监测信息、所述降水监测信息和所述第一大气污染源特征信息为约束信息，基于大数据采集属于所述Y个污染分布聚类结果的Y个历史触发频率；
构建优化适应度函数；
其中，/>
表征第i个污染分布聚类结果的适应度，/>
表征第i个污染分布聚类结果的第i个污染分布聚类频率，/>
表征第i个污染分布聚类结果的第i个历史触发频率，/>
表征聚类频率的偏重权重，/>
表征触发频率的偏重权重，/>
和/>
表征调节系数，大于0，用于将/>
和
调整至0-1之间；
根据所述优化适应度函数从所述Y个污染分布聚类结果筛选适应度最大值的分布预测结果，设为所述大气污染第一分布信息。
8.一种基于大数据分析的城市大气环境管理系统，其特征在于，包括：
第一基础信息采集单元，用于获取第一区域基础信息，其中，所述第一区域基础信息包括第一人为活动信息和第一气象监测信息；
第一关联性分析单元，用于对所述第一人为活动信息进行关联性分析，获取第一大气污染源特征信息；
第二基础信息采集单元，用于基于大数据，调取第二区域基础信息，其中，所述第二区域基础信息包括第二人为活动信息和第二气象监测信息，第二区域为第一区域的相邻区域；
第二关联性分析单元，用于对所述第二人为活动信息进行关联性分析，获取第二大气污染源特征信息；
污染特征获取单元，用于根据所述第一大气污染源特征信息、所述第二大气污染源特征信息、所述第一气象监测信息和所述第二气象监测信息进行第一区域大气污染预测，生成大气环境污染特征，其中，所述大气环境污染特征包括污染区域定位信息和大气环境特征参数；
任务执行单元，用于根据所述污染区域定位信息和所述大气环境特征参数进行定向监测管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310560899.1A CN116307279B (zh) | 2023-05-18 | 2023-05-18 | 基于大数据分析的城市大气环境管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310560899.1A CN116307279B (zh) | 2023-05-18 | 2023-05-18 | 基于大数据分析的城市大气环境管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116307279A true CN116307279A (zh) | 2023-06-23 |
| CN116307279B CN116307279B (zh) | 2023-08-11 |
Family
ID=86794554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310560899.1A Active CN116307279B (zh) | 2023-05-18 | 2023-05-18 | 基于大数据分析的城市大气环境管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307279B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118213003A (zh) * | 2024-05-21 | 2024-06-18 | 江苏旭龙环境科技有限公司 | 基于三氧化硫监测的预警管理方法及系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2294245C1 (ru) * | 2005-07-11 | 2007-02-27 | Государственное образовательное учреждение высшего профессионального образования "Самарский государственный архитектурно-строительный университет" (СГАСУ) | Способ защиты окружающей среды от загрязнения бытовыми и промышленными отходами |
| KR20090098127A (ko) * | 2008-03-13 | 2009-09-17 | (주)바이오텔 | 대기 오염물질 모니터링 시스템 및 그 방법 |
| KR20110046942A (ko) * | 2009-10-29 | 2011-05-06 | 한국전자통신연구원 | 대기 환경 모니터링을 위한 착용 플랫폼 및 이를 이용한 대기 오염 관리 시스템 |
| KR20110065762A (ko) * | 2009-12-10 | 2011-06-16 | 재단법인 경기테크노파크 | 오염관리 시스템 및 그 방법 |
| KR20140058727A (ko) * | 2012-11-05 | 2014-05-15 | 안산시 | 환경 모니터링 시스템 |
| KR101668753B1 (ko) * | 2015-06-29 | 2016-11-09 | 한국건설기술연구원 | 대기 오염 관리 시스템 |
| CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力系统环境调度方法 |
| CN106841436A (zh) * | 2017-01-18 | 2017-06-13 | 上海市环境监测中心 | 一种工业区大气VOCs自动监测预警溯源系统及其方法 |
| CN107917987A (zh) * | 2017-11-09 | 2018-04-17 | 北京伟瑞迪科技有限公司 | 一种面向城市空气污染物溯源分析方法 |
| CN112557598A (zh) * | 2020-12-03 | 2021-03-26 | 周进 | 一种基于物联网的城市空气质量监控管理方法 |
| CN112749478A (zh) * | 2020-12-11 | 2021-05-04 | 江苏汇环环保科技有限公司 | 一种基于高斯扩散模型大气污染溯源扩散分析系统及方法 |
| CN113092329A (zh) * | 2021-04-06 | 2021-07-09 | 西安建筑科技大学 | 一种大气污染防治控制方法 |
| CN114693003A (zh) * | 2022-05-23 | 2022-07-01 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市空气质量预测方法和系统 |
| CN115018348A (zh) * | 2022-06-20 | 2022-09-06 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
| CN115358332A (zh) * | 2022-08-25 | 2022-11-18 | 浙江工业大学 | 面向多源数据的大气污染溯源方法 |
| CN115759345A (zh) * | 2022-10-21 | 2023-03-07 | 深圳市生态环境智能管控中心 | 智慧环保平台大气环境管理系统的质量预测模块及方法 |
-
2023
- 2023-05-18 CN CN202310560899.1A patent/CN116307279B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2294245C1 (ru) * | 2005-07-11 | 2007-02-27 | Государственное образовательное учреждение высшего профессионального образования "Самарский государственный архитектурно-строительный университет" (СГАСУ) | Способ защиты окружающей среды от загрязнения бытовыми и промышленными отходами |
| KR20090098127A (ko) * | 2008-03-13 | 2009-09-17 | (주)바이오텔 | 대기 오염물질 모니터링 시스템 및 그 방법 |
| KR20110046942A (ko) * | 2009-10-29 | 2011-05-06 | 한국전자통신연구원 | 대기 환경 모니터링을 위한 착용 플랫폼 및 이를 이용한 대기 오염 관리 시스템 |
| KR20110065762A (ko) * | 2009-12-10 | 2011-06-16 | 재단법인 경기테크노파크 | 오염관리 시스템 및 그 방법 |
| KR20140058727A (ko) * | 2012-11-05 | 2014-05-15 | 안산시 | 환경 모니터링 시스템 |
| KR101668753B1 (ko) * | 2015-06-29 | 2016-11-09 | 한국건설기술연구원 | 대기 오염 관리 시스템 |
| CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力系统环境调度方法 |
| CN106841436A (zh) * | 2017-01-18 | 2017-06-13 | 上海市环境监测中心 | 一种工业区大气VOCs自动监测预警溯源系统及其方法 |
| CN107917987A (zh) * | 2017-11-09 | 2018-04-17 | 北京伟瑞迪科技有限公司 | 一种面向城市空气污染物溯源分析方法 |
| CN112557598A (zh) * | 2020-12-03 | 2021-03-26 | 周进 | 一种基于物联网的城市空气质量监控管理方法 |
| CN112749478A (zh) * | 2020-12-11 | 2021-05-04 | 江苏汇环环保科技有限公司 | 一种基于高斯扩散模型大气污染溯源扩散分析系统及方法 |
| CN113092329A (zh) * | 2021-04-06 | 2021-07-09 | 西安建筑科技大学 | 一种大气污染防治控制方法 |
| CN114693003A (zh) * | 2022-05-23 | 2022-07-01 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市空气质量预测方法和系统 |
| CN116029411A (zh) * | 2022-05-23 | 2023-04-28 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市区域管理方法和系统 |
| CN115018348A (zh) * | 2022-06-20 | 2022-09-06 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
| CN115358332A (zh) * | 2022-08-25 | 2022-11-18 | 浙江工业大学 | 面向多源数据的大气污染溯源方法 |
| CN115759345A (zh) * | 2022-10-21 | 2023-03-07 | 深圳市生态环境智能管控中心 | 智慧环保平台大气环境管理系统的质量预测模块及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118213003A (zh) * | 2024-05-21 | 2024-06-18 | 江苏旭龙环境科技有限公司 | 基于三氧化硫监测的预警管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116307279B (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363347B (zh) | 基于决策树索引的神经网络预测空气质量的方法 | |
| CN116307279B (zh) | 基于大数据分析的城市大气环境管理方法及系统 | |
| CN109116444B (zh) | 基于PCA-kNN的空气质量模式PM2.5预报方法 | |
| GB2580217A (en) | Method of determining false negative rate of mobile monitoring and requisite number of mobile monitoring vehicles | |
| CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
| CN112557598A (zh) | 一种基于物联网的城市空气质量监控管理方法 | |
| CN107884511A (zh) | 用于预测室内空气质量的设备和方法 | |
| CN114858976A (zh) | 一种工业园区大气质量智能分析方法及系统 | |
| CN104318315A (zh) | 一种城市道路交通污染物排放监控预警系统及方法 | |
| Miskell et al. | Forecasting short-term peak concentrations from a network of air quality instruments measuring PM2. 5 using boosted gradient machine models | |
| CN113222442A (zh) | 实时交通大气污染排放清单计算方法以及决策辅助方法 | |
| Monache et al. | A Kalman-filter bias correction method applied to deterministic, ensemble averaged and probabilistic forecasts of surface ozone | |
| CN113642223A (zh) | 空气质量预报方法、装置、设备和计算机可读存储介质 | |
| CN111413484A (zh) | 一种土壤铬含量与土地利用类型空间相关性的分析方法 | |
| CN118365005B (zh) | 一种基于大数据的减污降碳耦合指数分析方法及系统 | |
| Vicente et al. | Evaluation of different machine learning approaches for predicting high concentration episodes of ground-level ozone: A case study in Catalonia, Spain | |
| CN113688506A (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
| CN112505247A (zh) | 空气质量分析方法、装置、设备及存储介质 | |
| CN110991930A (zh) | 计算公路路段尘负荷等级的方法 | |
| Lu | Comparisons of statistical characteristic of air pollutants in Taiwan by frequency distribution | |
| CN117787670B (zh) | 一种基于建筑工程的bim数据管理方法及系统 | |
| CN114219690B (zh) | 基于大数据的企业无组织排放行为模型的构建方法 | |
| CN118246936B (zh) | 园区的空气质量管控方法、装置、存储介质与电子设备 | |
| CN115079308B (zh) | 一种空气质量集合预报系统及其方法 | |
| CN118465877B (zh) | 区分本地和外来污染源对臭氧的贡献浓度的方法与装置 |
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 |