CN116381160A - 基于监测数据的大气污染综合溯源方法及终端 - Google Patents
基于监测数据的大气污染综合溯源方法及终端 Download PDFInfo
- Publication number
- CN116381160A CN116381160A CN202310510994.0A CN202310510994A CN116381160A CN 116381160 A CN116381160 A CN 116381160A CN 202310510994 A CN202310510994 A CN 202310510994A CN 116381160 A CN116381160 A CN 116381160A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- source
- preset
- pollution source
- emission
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 410
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000012163 sequencing technique Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims description 26
- 238000005728 strengthening Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001154 acute effect Effects 0.000 claims description 2
- 238000004043 dyeing Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000003915 air pollution Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000003570 air Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000012855 volatile organic compound Substances 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
- 239000012080 ambient air Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000011109 contamination 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
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping 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
- 239000013618 particulate matter Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Medicinal Chemistry (AREA)
- Primary Health Care (AREA)
- Food Science & Technology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Combustion & Propulsion (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Operations Research (AREA)
- Immunology (AREA)
- Algebra (AREA)
Abstract
本发明提供了一种基于监测数据的大气污染综合溯源方法及终端，包括：根据监测参数对应的正常值区间，确定异常监测参数和异常监测点位；对异常监测参数进行识别，得到识别源类型；根据识别源类型，确定每种类型监测源的置信度；根据异常监测点位的气象数据，确定至少一个疑似区域和每个疑似区域的区域系数；根据污染源所属的监测源类型确定污染源的置信度；根据污染源的排放强度数据和污染源的地理位置信息，确定污染源的排放系数；根据污染源所属疑似区域的区域系数、污染源的置信度和污染源的排放系数，确定污染源的综合贡献度；对所有污染源的综合贡献度按由大到小的顺序排序，得到污染源贡献清单列表。本发明能够提高大气污染溯源精度。
Description
技术领域
本发明涉及环境监测技术领域，尤其涉及一种基于监测数据的大气污染综合溯源方法及终端。
背景技术
近年来随着大气污染防治工作的开展，环境空气质量显著改善，重污染过程明显减少，原来居于次要位置的污染源异常排放问题对空气质量的影响逐渐凸显，上升为了主要问题，开始成为当前环境管理中关注的重点，而只有及时溯源到异常污染源并解决问题，才能进一步改善环境空气质量。另一方面，针对污染源的监测近年来也取得了长足发展，无论是监测参数、监控对象、监测手段还是监测时效上都取得明显突破，基本实现了对各类污染源的全面监控。
目前针对污染问题溯源主要采用人工分析监测数据和现场排查相结合的方式，溯源过程需要大量的和时间。对各类环境监测数据和污染源监测数据的应用还处于较为初级的阶段，且受限于人的技术水平、经验积累和工作效率，导致了无法及时发现污染问题并快速、准确追溯到污染源。
因此，如何基于各类环境监测数据及时发现突发污染问题，并快速、精准地识别和追溯异常污染源，成为了当前环境管理中需要解决的难题。
发明内容
有鉴于此，本发明提供了一种基于监测数据的大气污染综合溯源方法及终端，能够解决现有技术对污染溯源准确性差的问题。
第一方面，本发明实施例提供了一种基于监测数据的大气污染综合溯源方法，该方法应用于目标区域，所述目标区域中包括多个监测点位，每个监测点位的监测参数包括多种类型，对于任一监测点位，该方法包括：
对于每种类型的监测参数，根据该监测参数对应的正常值区间，确定该监测参数是否为异常监测参数，若该监测点位存在异常监测参数，则标记该监测点位为异常监测点位；
对所述异常监测参数进行识别，得到该监测点位对应的识别源类型；
根据所述识别源类型，通过预设置的置信度关系表，确定每种类型监测源的置信度，对于任一识别源类型，所述置信度关系表中包括该识别源类型所对应的每种类型监测源的置信度；
根据所述异常监测点位的气象数据，确定至少一个疑似区域，以及每个疑似区域的区域系数；
对于所述至少一个疑似区域内的任一污染源，根据该污染源所属的监测源类型确定该污染源的置信度；
根据该污染源的排放强度数据和该污染源的地理位置信息，确定该污染源的排放系数；
根据该污染源所属疑似区域的区域系数、该污染源的置信度和该污染源的排放系数，确定该污染源的综合贡献度；
对所述至少一个疑似区域内所有污染源的综合贡献度按由大到小的顺序排序，得到污染源贡献清单列表。
第二方面，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。
本发明实施例与现有技术相比存在的有益效果是：
本发明通过现有的环境监测数据进行污染溯源，基于识别源得到污染源所属监测源的置信度，根据气象数据确定疑似区域和区域系数，根据该污染源的排放强度数据和该污染源的地理位置信息，确定该污染源的排放系数，根据该污染源所属疑似区域的区域系数、该污染源的置信度和该污染源的排放系数，确定该污染源的综合贡献度。通过对贡献度进行排序，得到污染源贡献清单列表，更加符合污染溯源的实际情况，且监测数据实时更新，不存在信息滞后，进一步提升了污染溯源的精准性。
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一种基于监测数据的大气污染综合溯源方法的实现流程图；
图2是本发明实施例提供的一种疑似区域示意图；
图3是本发明实施例提供的另一种疑似区域示意图；
图4是本发明实施例提供的一种基于监测数据的大气污染综合溯源装置的结构示意图；
图5是本发明实施例提供的终端的示意图。
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。
现有的污染溯源方法还有后项轨迹法和扩散模型法等，但这些方法或者仅参考气象数据，虽然可以指出疑似区域，但仍面临大量排查工作，效率低；或者需基于污染排放清单数据，而清单数据为静态数据，时效性差，导致溯源结果与实际偏差较大，因此均不适用于针对突发问题的实时溯源。导致污染溯源的准确性差。
基于这一问题，本发明实施例提供了一种基于监测数据的大气污染综合溯源方法，参见图1，其示出了本发明实施例提供的一种基于监测数据的大气污染综合溯源方法的实现流程图，详述如下：
在步骤101中、对于每种类型的监测参数，根据该监测参数对应的正常值区间，确定该监测参数是否为异常监测参数，若该监测点位存在异常监测参数，则标记该监测点位为异常监测点位。
本发明实施例所提供的方法应用于目标区域，目标区域中包括多个监测点位，每个监测点位的监测参数包括多种类型，本发明实施例所提供的方法分别应用于每个监测点位。
在本发明实施例中，目标区域可以为一个城市，也可以为一个城市及其周边地区，还可以为其他类型的区域，本发明实施对此不作限定。
在本发明实施例中，监测点位包括但不限于城市中布设的所有国家级、省级、市级和乡镇级空气质量监测点位。获取到的数据包括每个监测点位的地理位置信息，如经纬度、高度信息等；每个监测点位的监测时间，具体到小时，如逐时监测数据。每个监测点位监测的多种类型的监测参数包括但不限于PM10、PM2.5、SO2、NO2、CO、O3和VOCs。
在一种可选的实现方式中，对于每种类型的监测参数，该监测参数对应的正常值区间可以是根据经验值预设置的，也可以是根据历史数据统计分析得到的，本发明实施例对此不作限定。
在一种可选的实现方式中，本发明实施通过总结该监测点位在近一段时间内的数据规律，得到正常值区间。
可选的，对于任一类型的监测参数，根据该监测点位在第一预设时间段内对该监测参数的监测数据，确定该监测参数对应的正常值区间，其中，第一预设时间段为位于当前时刻之前的一个时间段，正常值区间包括第一正常值区间、第二正常值区间和第三正常值区间，第一正常值区间用于表示正常状态下监测参数在当前监测时刻与上一监测时刻的变化率，第二正常值区间用于表示正常状态下该监测点位与对照组内其他监测点位对该监测参数的监测值的相对偏差，对照组内其他监测点位为与该监测点位直线距离小于等于第一预设距离的所有其他监测点位，第三正常值区间用于表示正常状态下该监测参数的监测浓度在所有监测参数中的占比。
在确定第一正常值区间、第二正常值区间和点正常值区间后，若该监测参数同时符合第一判别条件和第二判别条件，或者，该监测参数符合第三判别条件，则确定该监测参数为异常监测参数，其中，第一判别条件为监测参数在当前监测时刻与上一监测时刻的变化率超出第一正常值范围，第二判别条件为监测点位与对照组内其他监测点位对该监测参数的监测值的相对偏差超出第二正常值范围，第三判别条件为该监测参数的监测浓度在所有监测参数中的占比超出第三正常值范围。
可选的，采用定期循环的方式更新第一预设时间段，其中，定期可以是每天，也可以是每个星期，第一预设时间段可以为过去的几周至过去的3个月，本发明实施例对定期和第一预设时间段的时长的具体值不作限定。举例来说，第一预设时间段的时间长度为一个月，则通过每个月的数据定期循环更新第一正常值区间、第二正常值区间和第三正常值区间。
在一个具体的实例中，第一预设时间段为过去30天，每天24个监测时间点。对于一个监测参数，第一判别条件为本小时该监测参数的值与上一个小时相比的变化率超出第一正常值范围；第二判别条件为本监测点位对该监测参数的监测值与周边其他监测点位对该监测参数的监测值的相对偏差超多第二正常值范围，第三判别条件为该监测参数在本小时的监测浓度在所有监测参数中的占比超过第三正常值范围。
在一种可选的实现方式中，第一正常值区间的确定方法为：
对该监测点位在第一预设时间段内n1个监测时刻对该监测参数的监测值，通过第一预设公式计算每相邻两个时刻监测值的变化率，得到n1-1个变化率的值，对n1-1个变化率的值由小到大进行排序，得到第一排序结果，获取位于第一排序结果中前第一预设百分比的数值，确定第一阈值，将小于等于第一阈值的数值区间作为第一正常值区间，其中，第一预设公式为
其中，RC1用于表示该监测参数在相邻两个时刻监测值的变化率，Ct用于表示该监测参数在t时刻的监测值，Ct-1用于表示该监测参数在t-1时刻的监测值。
结合上述具体实例，对于任一类型的监测参数，获取该监测点位在过去30天对该监测参数的720个监测值，通过第一预设公式得到719个RC1的值，对这719个RC1的值按照由小到大的顺序进行排序，得到第一排序结果，第一预设百分比为90％，根据第一排序结果中前90％的数值，得到第一阈值，将小于等于第一阈值的数值区间作为第一正常值区间。
在一种可选的实现方式中，第二正常值区间的确定方法为：
对该监测点位和照组内其他监测点位在第一预设时间段内n2个监测时刻对该监测参数的监测值，通过第二预设公式依次计算n2个监测时刻中每个监测时刻该监测点位与对照组内其他监测点位对该监测参数的监测值的相对偏差，对得到的n2个相对偏差的值由小到大进行排序，得到第二排序结果，获取位于第二排序结果中前第二预设百分比的数值，确定第二阈值，将小于等于第二阈值的数值区间作为第二正常值区间，其中，第二预设公式为
其中，RC2用于表示同一监测时刻下该监测点位与对照组内其他监测点位对该监测参数的监测值的相对偏差，Ci用于表示该监测点位在该监测时刻对该监测参数的监测值，Cj用于表示对照组中其他的监测点位在该监测时刻对该监测参数的监测值，m用于表示对照组中其他监测点位的个数，
用于表示对照组中所有其他监测点位在该监测时刻对该监测参数的监测值的和值求平均。
结合上述具体的实例，取监测点位周边3km至5km范围的其他监测点位组成对照组，也即第一预设距离取3km至5km，获取该监测点位在过去30天对该监测参数的720个监测时刻的监测值，以及对照组中每个监测点位在过去30天对该监测参数的对应的720个监测时刻的监测值，通过上述第二预设公式得到720个RC2的值，对这720个RC2的值由小到大进行排序，得到第二排序结果，取第二预设百分比为90％，根据第二排序结果中前90％的数值，得到第二阈值，将小于等于第二阈值的数值区间作为第二正常值区间。
第三正常值区间的确定方法包括：
对该监测点位在第一预设时间段内n3个监测时刻对该监测参数的监测值，通过第三预设公式计算n3个监测时刻中每个监测时刻该监测参数的监测浓度在所有监测参数中的占比，得到n3个占比值，对n3个占比值由小到大进行排序，得到第三排序结果，获取位于第三排序结果中前第三预设百分比的数值，确定第三阈值，将小于等于第三阈值的数值区间作为第三正常值区间，其中，第三预设公式为
其中，RC3(x)用于表示监测参数x在一个监测时刻的占比值，Cx用于表示监测参数x在监测时刻的监测浓度值，Cxt用于表示监测参数x的预设标准浓度值，t用于表示该监测点位中监测参数类型的总数，Cp用于表示监测参数p在监测时刻的监测浓度值，Cpt用于表示监测参数p的预设标准浓度值，其中，监测参数包括t种类型，监测参数x为t种类型的监测参数中的一种，监测参数p为t种监测参数中的任一种。
结合上述具体实例，获取该监测点位在过去30天对每种类型监测参数的720个监测值，以监测参数为PM10、PM2.5、SO2、NO2、CO、O3和VOCs为例，示例性的，表1示出了上述各项监测参数对应的标准准浓度值。
表1
| 参数 | PM10 | PM2.5 | SO2 | NO2 | CO | O3 | VOCs |
| 标准值SV | 70μg/m3 | 35μg/m3 | 60μg/m3 | 40μg/m3 | 4mg/m3 | 160μg/m3 | 500ppb |
则第三预设公式的具体展开为：
根据上述第三预设公式，得到720个RC3的值并由小到大进行排序，得到第三排序结果，取第三预设百分比为50％，根据第二排序结果中前50％的数值，得到第三阈值，将小于等于第三阈值的数值区间作为第三正常值区间。
在确定第一正常值区间、第二正常值区间和点正常值区间后，若该监测参数同时符合第一判别条件和第二判别条件，或者，该监测参数符合第三判别条件，则确定该监测参数为异常监测参数。
也就是说，只要符合第三判别条件，该监测参数就是异常监测参数，或者，只要同时满足第一判别条件和第二判别条件，该监测参数就是异常监测参数。
在步骤102中、对异常监测参数进行识别，得到该监测点位对应的识别源类型。
可选的，可通过经验判断识别源类型，也可通过专家判断识别源类型。本发明实施例不对识别源类型的确定方法进行限定。
在本发明实施例中，可选的，可通过专利申请号为CN202010846058.3，专利名称为《一种基于机器学习的污染源类型自动识别方法》中所提供的技术方法，判断该监测点位的识别源类型，该方法采用机器学习算法，结合环境监测数据，识别污染问题的发生并判断污染类型。
还可以通过现有的其他算法识别该监测点位对应的至少一个识别源类型。本发明实施例对此不做限制。
在步骤103中、根据识别源类型，通过预设置的置信度关系表，确定每种类型监测源的置信度，对于任一识别源类型，置信度关系表中包括该识别源类型所对应的每种类型监测源的置信度。
在一种可选的实现方式中，监测源类型包含工业企业、锅炉、餐饮、施工工地、道路、居民区、火点、机动车尾气等。
在本发明实施例中，识别结果中的识别源类型包括扬尘源、移动源、燃煤源、餐饮油烟源、工业源。示例性的，表2为结合应用经验得到的识别源与监测源的置信度关系表。
表2
举例来说，识别源类型为扬尘源，则根据表2可知监测源为工业企业的置信度为0.4。
在步骤104中、根据异常监测点位的气象数据，确定至少一个疑似区域，以及每个疑似区域的区域系数。
在本发明实施例中，气象数据包括但不限于城市逐时气象数据或气象监测点位逐时气象数据，气象数据具体包括但不限于风向、风速、温度和湿度。
在一些可选的实现方式中，根据监测点位被标记为异常监测点位之前一段时间的风速数据和风向数据，划定传播区域，作为疑似区域。
在本发明实施例中，可选的，异常监测点位的气象数据包括目标时刻之前第二预设时间段的风速数据和风向数据，目标时刻为该异常监测点位出现异常监测参数的时刻。
下面以一个具体的实例进行说明，目标时刻为t时刻，第二预设时间段对应的时长为Δt，t时刻为第二预设时长的结束时刻，统计异常监测数据出现时间t之前Δt时间内的风速风向情况，计算异常污染源所在的疑似区域，并得到区域系数s，结合具体的情况，对疑似区域的确定以及疑似区域的区域系数的确定进行说明：
第一种情况，若第二预设时间段的风速持续小于等于第一预设风速值，则至少一个疑似区域只包括一个疑似区域，且该疑似区域的区域系数为预设标准系数，其中，该疑似区域是以异常监测点位为圆心，以第一传播半径为半径大小的圆形区域，第一传播半径为预设半径值。
例如，第一预设风速值为0.2m/s，第一传播半径为预设置1km到3km的值，的当Δt时间内风速v持续小于等于0.2m/s时，疑似区域S为以该异常监测点位为中心，传播半径1km到3km的圆形区域。
第二种情况，若第二预设时间段内只有一种风向时，则根据该第二预设时间段内的风速数据和第二预设时间段的时长确定第二传播半径，则至少一个疑似区域只包括一个疑似区域，且该疑似区域的区域系数为预设标准系数，其中，该疑似区域是以异常监测点位为中心，以第二传播半径为半径大小的扇形区域，扇形区域所对应的角度为预设角度，预设角度为锐角，异常监测点位在第二预设时间段内的风向与预设角度的中心线的方向重合。
例如，当风向只有一种为F时(正北0°，正东90°，正南180°，正西270°)，疑似区域S为以该异常监测点位为中心，F±22.5°夹角内，传播距离为第二传播半径r的扇形区域。
在一种可选的实现方式中，则根据该第二预设时间段内的风速数据和第二预设时间段的时长确定第二传播半径包括：
根据第四预设公式计算第二传播半径，第四预设公式为
其中，r用于表示第二传播半径，n用于表示第二预设时间段内共包含n种不同大小的风速，vi用于表示第i种风速的大小，Δti用于表示第i种风速的持续时间。
当疑似区域只有一个时，该疑似区域对应的区域系数为预设标准系数，例如，预设标准系数为1。
在一种可选的实现方式中，根据风速和风向的统计，还包括如下情况：
第三种情况：若第二预设时间段内有多种风向，则获取距离目标时刻最近的q1种风向，依次确定q1种风向中每种风向的持续时间和风速，q1种风向中每种风向对应一个子时间区间，得到q1个子时间区间，若q1个子时间区间中每个子时间区间内的风速都持续小于等于第二预设风速值，获取q1个子时间区间内风速值大于第一预设风速的q2个目标子时间区间，对于任一个目标子时间区间，根据目标子时间区间内的风速数据和该目标子时间区间的时间长度，确定该目标子时间区间对应的传播半径，其中，第二预设风速值大于第一预设风速值，q1为大于等于2的正整数，1≤q2≤q1；
按照距离目标时刻由近到远的顺序，对q2个目标子时间区间进行排序，得到第四排序结果，按照第四排序结果依次获取每个目标子时间区间对应的疑似区域，得到q2个疑似区域，其中，对于任一个目标子时间区间，若目标子时间区间在第四排序结果中不是位于第一位，则基于位于该目标子时间区间之前的目标子时间区间的疑似区域确定该目标子时间区间对应的疑似区域，至少一个疑似区域为q2个疑似区域，其中，第四排序结果中包括每个目标子时间区间对应的开始时刻和结束时刻；
按照第四排序结果，第四排序结果中的第一个目标子时间区间对应的疑似区域的区域系数为预设标准系数，第四排序结果中相邻两个目标子时间区间，前一个目标子时间区间所对应的疑似区域的区域系数大于后一个目标子时间区间对应的疑似区域的区域系数。
举例来说，取q1＝3，当第二预设时间段内有不少于3种风向时，取距离目标时刻最近的3种风向，按照距离目标时刻由近及远的顺序，三种风向对应的三个子时间区间分别为Δt1，Δt2和Δt3，如，由近及远分别存在北风(F1＝0。)、东北风(F2＝45。)、东风(F3＝90。)三种风向，持续时间分别Δt1，Δt2和Δt3，对应风速分别为v1，v2和v3。其中，v1，v2和v3用于表示一个风速区间。
基于上述第三种情况，又可以分为不同的情形。
第三种情况中的第一种情形，Δt1，Δt2和Δt3三个子时间区间内，每个子时间区间中风速都大于第一预设风速值，且小于等于第二预设风速值，例如，第二预设风速值取5m/s。
则目标子时间区间就是上述Δt1，Δt2和Δt3三个子时间区间，分别对Δt1，Δt2和Δt3三个子时间区间对应的疑似区域以及每个疑似区域的区域系数进行确定，得到疑似区域示意图，示例性的，如图2所示。确定过程如下：
Δt1时间内，疑似区域S1为以监测点位为中心，F1±22.5。夹角内，传播距离r1的扇形区域。
Δt2时间内，疑似区域S2为以S1中两个顶角R1、R1’分别为起点，F2±22.5。夹角内，传输距离r2的最大区域。
Δt3时间内，疑似区域S3为以S2中两个顶角R2、R2’分别为起点，F3±22.5。夹角内，传输距离r3的最大区域。
其中r1、r2、r3按第四预设公式计算。
总的疑似区域S为S1、S2与S3之和。
第三种情况的第二种情形，Δt1，Δt2和Δt3三个子时间区间内，每个子时间区间中风速都小于等于第二预设风速值，例如，第二预设风速值取5m/s，则每个子时间区间中风速都小于等于5m/s，但存在一个子时间区间，其风速小于等于0.2m/s，则该子时间区间不参与疑似区域的计算过程。例如，示例性的，Δt2中v2持续小于0.2m/s，则Δt2对应的子时间区间不参与计算，得到的疑似区域如图3所示。
在一种可选的实现方式中，若q1个子时间区间对应的时段中存在风速大于第二预设风速值的时段，将q1个子时间区间对应的时段中风速大于第二预设风速值的起始时刻标记为起始时刻，则该方法还包括：在第四排序结果中，去除位于起始时刻之前的数据，得到新的第四排序结果；基于新的第四排序结果，确定至少一个疑似区域，以及每个疑似区域的区域系数。
对应第三种情况的第三种情形，Δt1，Δt2和Δt3三个子时间区间内存在风速大于5m/s的情形，则将风速大于5m/s时间t’及之前的数据不与考虑，只分析，仅以t-t’的时间，按照上述步骤计算疑似区域。
其中，第四排序结果中相邻两个目标子时间区间，前一个目标子时间区间所对应的疑似区域的区域系数大于后一个目标子时间区间对应的疑似区域的区域系数。例如，得到的疑似区域包括如图2所示的S1、S2与S3三个疑似区域，S1的区域系数为预设标准系数，例如为1，S2的区域系数小于1，例如为0.5，S3的区域系数小于0.5，例如为0.25。
基于本发明构思进行疑似区域的区域系数确定过程，都在本发明实施例的保护范围之内，本发明实施例不对区域系数的具体值进行限定。
在步骤105中、对于至少一个疑似区域内的任一污染源，根据该污染源所属的监测源类型确定该污染源的置信度。
在本发明实施例中，至少一个疑似区域指的是通过步骤104得到的总的疑似区域。
根据疑似区域的标定范围，根据污染源的地理位置信息，得到疑似区域内的所有污染源。
在本发明实施例中，污染源监测数据包括有组织监测数据和无组织监测数据，其中有组织监测包含工业企业、锅炉、餐饮等，无组织监测数据包含工业企业、施工工地、道路、居民区等监测数据和火点视频监控数据、机动车尾气遥测数据等。
进一步的，对有组织监测数据包含监测对象的源类型、名称、地理位置、污染物参数类型，以及逐时浓度和逐时排放量等。对无组织监测数据包含监测对象的源类型、名称、地理位置、污染物参数类型，以及监测浓度数据等。
进一步的，监测源类型包含工业企业、锅炉、餐饮、施工工地、道路、居民区、火点、机动车尾气等，地理位置指经度、纬度、高度信息，污染物参数类型包括但不限于颗粒物、PM10、PM2.5、SO2、NOx、NO2、CO、O3和VOCs。
举例来说，步骤102得到的识别源类型为燃煤源，对于疑似区域内的一个污染源，该污染源为一个餐馆，该餐馆对应的监测源类型为餐饮，通过表2，得到识别源类型为燃煤源时监测源为餐饮对应的置信度的值为R＝0.4，则此时，该污染源的置信度为0.4。
在步骤106中、根据该污染源的排放强度数据和该污染源的地理位置信息，确定该污染源的排放系数。
在一些可选的实现方式中，排放强度越大，排放系数越大，距离异常监测点位越近，排放系数越大。在一些可选的实现方式中，污染源的排放强度数据、污染源的地理位置信息对污染源的排放系数进行赋值，也可以通过经验值设置列表，建立排放系数、与异常监测点位的距离以及排放强度的唯一映射关系列表，通过列表进行排放系数的确定。
在一种可选的实现方式中，本发明实施例还提供了一种排放系数的确定方法，包括：
确定用于表征该污染源排放强度的至少一种类型的基础数据。
对于每种类型的基础数据，依次计算该类型基础数据归一化后的排放强度值、该污染源对该类型基础数据的类强度权重和排放变化权重，其中，类强度权重用于表示预设基准时间内目标区域内该污染源所属监测源的排放体量平均值与同一识别源的每种类型的监测源的排放体量平均值的和值的比值，，排放变化权重用于表示该类型基础数据的排放强度在目标时刻与前一时刻的变化量，其中，所述目标区域内同一种类型的监测源的类强度权重相同。
举例来说，识别源为扬尘源，结合上表2，扬尘源所对应的置信度不为0的监测源包括工业企业、施工工地、道路、居民区和火点。依次计算目标区域内每种监测源的排放量的平均值，得到目标区域内所有工业企业排放量的平均值为A，所有施工工地排放量的平均值为B，所有道路的排放量平均值为C，所有居民区的排放量平均值为D，所有火点的排放量平均值为E。计算所有类型监测源的排放量和值得到A+B+C+D+E，则对于目标区域内的一个污染源，若该污染源对应的监测源标签为工业企业，则该污染源的类强度权重等于A/(A+B+C+D+E)。
根据该污染源的地理位置信息获取该污染源的强化权重，若该污染源与标定监测点位的直线距离小于等于第二预设距离，则该污染源的强化权重为第一强化权重，否则该污染源的强化权重为第二强化权重，其中，标定监测点位为存在标定监测参数的监测点位，标定监测参数符合第一判别条件、第二判别条件和第三判别条件中至少一项判别条件，第一强化权重大于第二强化权重。
根据至少一种类型的基础数据中每种类型的基础数据的归一化后的排放强度值、类强度权重和排放变化权重，以及该污染源的强化权重，计算该污染源的排放系数。
第一步，确定用于表征该污染源排放强度的至少一种类型的基础数据：不同污染源的排放强度q采用的基础数据不同。
施工工地、道路、居民区、机动车尾气等设有无组织排放监测点位的污染源，采用实时监测浓度数据表征排放强度。
工业企业、餐饮、锅炉等可能同时设有有组织排放监测和无组织排放监测点位两种监控方式，其中有组织排放采用实际排放量或实时监测浓度表征其排放强度，无组织排放采用实时监测浓度数据表征排放强度。
火点采用视频监控数据表征其排放强度。
第二步，对于每种类型的基础数据，依次计算该类型基础数据归一化后的排放强度值、该污染源对该类型基础数据的类强度权重和排放变化权重。
其中，第二步的第一小步，污染源排放强度归一化处理
把各类污染源监测数据映射到0～1范围之内，使其无量纲化，建立可比性。归一化计算公式如下：
其中，qi为污染源i排放强度，qmin为区域内该类污染源排放强度最小值，qmax该类污染源排放强度最大值，qi′为污染源i归一化处理后的排放强度。
当污染源采用单一数据表征排放强度时，对数据归一化即可；当污染源采用两种或多种数据表征排放强度时，对不同类型数据分别进行归一化处理。
第二步的第二小步，得到污染源对该类型基础数据的类强度权重
以类强度权重QW表征不同污染源类型之间排放体量的差异。
根据基准时间辖区各类污染源平均单个源排放量相对比值，计为类强度权重QW。
第二步的第三小步，计算该污染源对该类型基础数据的排放变化权重
以排放变化权重CW表征污染源排放的变化情况。当排放量或监测浓度降低或持平时，CW取1；当排放量或监测浓度升高时，
其中，qt为污染源在t时刻的排放强度，qt-1为污染源在t-1时刻的排放强度。
对某一污染源其排放变化权重取各项污染物排放变化权重的最大值。
第三步，根据该污染源的地理位置信息获取该污染源的强化权重
例如，将出现满足第一判别条件、第二判别条件和第三判别条件中任一条件的监测参数的监测点位作为标定监测点位，第二预设距离为1km至2km的一个距离值，标定监测点位周边第二预设距离范围内的污染源的强化权重为第一强化权重，否则为第二强化权重，示例性的，第一强化权重为2，第二强化权重为1。
在一种可选的实现方式中，对于只用一种类型的基础数据表征排放强度的污染源，则根据至少一种类型的基础数据中每种类型的基础数据的归一化后的排放强度值、类强度权重和排放变化权重，以及该污染源的强化权重，计算该污染源的排放系数包括：
根据第五预设公式计算该污染源的排放系数，第五预设公式为
ei＝qi′*QWi*CWi*SWi
其中，ei用于表示污染源i的排放系数，污染源i为只用一种类型的基础数据表征排放强度的污染源；qi′用于表示染源i中该类型基础数据的归一化后的排放强度值，QWi用于表示染源i中该类型基础数据的类强度权重，CWi用于表示染源i中该类型基础数据的排放变化权重，SWi用于表示染源i的强化权重；
对于采用两种类型的基础数据表征排放强度的污染源，则根据至少一种类型的基础数据中每种类型的基础数据的归一化后的排放强度值、类强度权重和排放变化权重，以及该污染源的强化权重，计算该污染源的排放系数包括：
根据第六预设公式计算该污染源的排放系数，第六预设公式为
ej＝(q′m*QWm*DWm+q′n*QWn*CWn)*SWj
其中，两种类型的基础数据分别为有组织排放监测数据和无组织排放监测数据，ej用于表示污染源j的排放系数，污染源i为用两种类型的基础数据表征排放强度的污染源；q′m用于表示染源j中有组织排放监测数据的归一化后的排放强度值，QWm用于表示染源j中有组织排放监测数据的类强度权重，CWm用于表示染源j中有组织排放监测数据的排放变化权重；q′n用于表示染源j中无组织排放监测数据的归一化后的排放强度值，QWn用于表示染源j中无组织排放监测数据的类强度权重，CWn用于表示染源j中无组织排放监测数据的排放变化权重，SWj用于表示染源j的强化权重。
在步骤107中、根据该污染源所属疑似区域的区域系数、该污染源的置信度和该污染源的排放系数，确定该污染源的综合贡献度。
在本发明实施例中，综合考虑污染源所属监测源类型的置信度、污染源所在疑似区域的区域系数和污染源的排放系数确定每个污染源的综合贡献度z。例如，某空气质量监测点位某监测参数升高了，通过步骤104判断出疑似区域S；则对于S内七种监测源类型，根据步骤103判断结果识别出的识别源类型分别得到各类监测源的置信度R，识别源类不止一种时，则对应监测源类型的置信度相加；各污染源根据分属S内不同区域间，获得各自区域系数s；根据其排放强度情况和所属地理位置情况得到排放系数e；综合贡献度z计算方式为：
z＝R*s*e
在步骤108中、对至少一个疑似区域内所有污染源的综合贡献度按由大到小的顺序排序，得到污染源贡献清单列表。
根据计算公式算得疑似区域内所有污染源的综合贡献度，跟据贡献度大小形成污染源贡献清单列表。
污染源贡献清单列表结果随时间和监测数据的变化也自动更新，可实时发现异常污染问题的主要贡献源，支持快速消除异常排放问题，改善环境空气质量。
本发明通过现有的环境监测数据进行污染溯源，基于识别源得到污染源所属监测源的置信度，根据气象数据确定疑似区域和区域系数，根据该污染源的排放强度数据和该污染源的地理位置信息，确定该污染源的排放系数，根据该污染源所属疑似区域的区域系数、该污染源的置信度和该污染源的排放系数，确定该污染源的综合贡献度。通过对贡献度进行排序，得到污染源贡献清单列表，更加符合污染溯源的实际情况，且监测数据实时更新，不存在信息滞后，进一步提升了污染溯源的精准性。
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。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图4示出了本发明实施例提供的基于监测数据的大气污染综合溯源装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图4所示，基于监测数据的大气污染综合溯源装置4包括：第一确定模块41、识别模块42、第二确定模块43、第三确定模块44、第四确定模块45、第五确定模块46、第六确定模块47和贡献清单获取模块48；
第一确定模块41，用于对于每种类型的监测参数，根据该监测参数对应的正常值区间，确定该监测参数是否为异常监测参数，若该监测点位存在异常监测参数，则标记该监测点位为异常监测点位；
识别模块42，用于对异常监测参数进行识别，得到该监测点位对应的识别源类型；
第二确定模块43，用于根据识别源类型，通过预设置的置信度关系表，确定每种类型监测源的置信度，对于任一识别源类型，置信度关系表中包括该识别源类型所对应的每种类型监测源的置信度；
第三确定模块44，用于根据异常监测点位的气象数据，确定至少一个疑似区域，以及每个疑似区域的区域系数；
第四确定模块45，用于对于至少一个疑似区域内的任一污染源，根据该污染源所属的监测源类型确定该污染源的置信度；
第五确定模块46，用于根据该污染源的排放强度数据和该污染源的地理位置信息，确定该污染源的排放系数；
第六确定模块47，用于根据该污染源所属疑似区域的区域系数、该污染源的置信度和该污染源的排放系数，确定该污染源的综合贡献度；
贡献清单获取模块48，用于对至少一个疑似区域内所有污染源的综合贡献度按由大到小的顺序排序，得到污染源贡献清单列表。
本发明通过现有的环境监测数据进行污染溯源，基于识别源得到污染源所属监测源的置信度，根据气象数据确定疑似区域和区域系数，根据该污染源的排放强度数据和该污染源的地理位置信息，确定该污染源的排放系数，根据该污染源所属疑似区域的区域系数、该污染源的置信度和该污染源的排放系数，确定该污染源的综合贡献度。通过对贡献度进行排序，得到污染源贡献清单列表，更加符合污染溯源的实际情况，且监测数据实时更新，不存在信息滞后，进一步提升了污染溯源的精准性。
本实施例提供的基于监测数据的大气污染综合溯源装置，可用于执行上述基于监测数据的大气污染综合溯源方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
图5是本发明一实施例提供的终端的示意图。如图5所示，该实施例的终端5包括：处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52。处理器50执行计算机程序52时实现上述各个基于监测数据的大气污染综合溯源方法实施例中的步骤，例如图1所示的步骤101至步骤108。或者，处理器50执行计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块41至48的功能。
示例性的，计算机程序52可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器51中，并由处理器50执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序52在终端5中的执行过程。
终端5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端5的示例，并不构成对终端5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，例如终端还可以包括输入输出设备、网络接入设备、总线等。
处理器50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。
存储器51可以是终端5的内部存储单元，例如终端5的硬盘或内存。存储器51也可以是终端5的外部存储设备，例如终端5上配备的插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器51还可以既包括终端5的内部存储单元也包括外部存储设备。存储器51用于存储计算机程序以及终端所需的其他程序和数据。存储器51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/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，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。
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。
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，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，可实现上述各个基于监测数据的大气污染综合溯源方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上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)
1.一种基于监测数据的大气污染综合溯源方法，其特征在于，该方法应用于目标区域，所述目标区域中包括多个监测点位，每个监测点位的监测参数包括多种类型，对于任一监测点位，该方法包括：
对于每种类型的监测参数，根据该监测参数对应的正常值区间，确定该监测参数是否为异常监测参数，若该监测点位存在异常监测参数，则标记该监测点位为异常监测点位；
对所述异常监测参数进行识别，得到该监测点位对应的识别源类型；
根据所述识别源类型，通过预设置的置信度关系表，确定每种类型监测源的置信度，对于任一识别源类型，所述置信度关系表中包括该识别源类型所对应的每种类型监测源的置信度；
根据所述异常监测点位的气象数据，确定至少一个疑似区域，以及每个疑似区域的区域系数；
对于所述至少一个疑似区域内的任一污染源，根据该污染源所属的监测源类型确定该污染源的置信度；
根据该污染源的排放强度数据和该污染源的地理位置信息，确定该污染源的排放系数；
根据该污染源所属疑似区域的区域系数、该污染源的置信度和该污染源的排放系数，确定该污染源的综合贡献度；
对所述至少一个疑似区域内所有污染源的综合贡献度按由大到小的顺序排序，得到污染源贡献清单列表。
2.根据权利要求1所述的方法，其特征在于，所述对于每种类型的监测参数，根据该监测参数对应的正常值区间，确定该监测参数是否为异常监测参数之前，该方法还包括：
对于任一类型的监测参数，根据该监测点位在第一预设时间段内对该监测参数的监测数据，确定该监测参数对应的正常值区间，其中，所述第一预设时间段为位于当前时刻之前的一个时间段，所述正常值区间包括第一正常值区间、第二正常值区间和第三正常值区间，所述第一正常值区间用于表示正常状态下所述监测参数在当前监测时刻与上一监测时刻的变化率，所述第二正常值区间用于表示正常状态下该监测点位与对照组内其他监测点位对该监测参数的监测值的相对偏差，所述对照组内其他监测点位为与该监测点位直线距离小于等于第一预设距离的所有其他监测点位，所述第三正常值区间用于表示正常状态下该监测参数的监测浓度在所有监测参数中的占比；
所述对于每种类型的监测参数，根据该监测参数对应的正常值区间，确定该监测参数是否为异常监测参数包括：
若该监测参数同时符合第一判别条件和第二判别条件，或者，该监测参数符合第三判别条件，则确定该监测参数为异常监测参数，其中，所述第一判别条件为所述监测参数在当前监测时刻与上一监测时刻的变化率超出所述第一正常值范围，所述第二判别条件为所述监测点位与对照组内其他监测点位对该监测参数的监测值的相对偏差超出第二正常值范围，所述第三判别条件为该监测参数的监测浓度在所有监测参数中的占比超出所述第三正常值范围。
3.根据权利要求2所述的方法，其特征在于，所述第一正常值区间的确定方法为：
对该监测点位在所述第一预设时间段内n1个监测时刻对该监测参数的监测值，通过第一预设公式计算每相邻两个时刻监测值的变化率，得到n1-1个变化率的值，对所述n1-1个变化率的值由小到大进行排序，得到第一排序结果，获取位于所述第一排序结果中前第一预设百分比的数值，确定第一阈值，将小于等于所述第一阈值的数值区间作为所述第一正常值区间，其中，所述第一预设公式为
其中，RC1用于表示该监测参数在相邻两个时刻监测值的变化率，Ct用于表示该监测参数在t时刻的监测值，Ct-1用于表示该监测参数在t-1时刻的监测值；
所述第二正常值区间的确定方法为：
对该监测点位和所述照组内其他监测点位在所述第一预设时间段内n2个监测时刻对该监测参数的监测值，通过第二预设公式依次计算所述n2个监测时刻中每个监测时刻该监测点位与所述对照组内其他监测点位对该监测参数的监测值的相对偏差，对得到的n2个相对偏差的值由小到大进行排序，得到第二排序结果，获取位于所述第二排序结果中前第二预设百分比的数值，确定第二阈值，将小于等于所述第二阈值的数值区间作为所述第二正常值区间，其中，所述第二预设公式为
其中，RC2用于表示同一监测时刻下该监测点位与所述对照组内其他监测点位对该监测参数的监测值的相对偏差，Ci用于表示该监测点位在该监测时刻对该监测参数的监测值，Cj用于表示所述对照组中其他的监测点位在该监测时刻对该监测参数的监测值，m用于表示所述对照组中其他监测点位的个数，
用于表示所述对照组中所有其他监测点位在该监测时刻对该监测参数的监测值的和值求平均；
所述第三正常值区间的确定方法包括：
对该监测点位在所述第一预设时间段内n3个监测时刻对该监测参数的监测值，通过第三预设公式计算所述n3个监测时刻中每个监测时刻该监测参数的监测浓度在所有监测参数中的占比，得到n3个占比值，对所述n3个占比值由小到大进行排序，得到第三排序结果，获取位于所述第三排序结果中前第三预设百分比的数值，确定第三阈值，将小于等于所述第三阈值的数值区间作为所述第三正常值区间，其中，所述第三预设公式为
其中，RC3(x)用于表示监测参数x在一个监测时刻的占比值，Cx用于表示监测参数x在监测时刻的监测浓度值，Cxt用于表示监测参数x的预设标准浓度值，t用于表示该监测点位中监测参数类型的总数，Cp用于表示监测参数p在监测时刻的监测浓度值，Cpt用于表示监测参数p的预设标准浓度值。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述异常监测点位的气象数据包括目标时刻之前第二预设时间段的风速数据和风向数据，所述目标时刻为该异常监测点位出现所述异常监测参数的时刻，所述根据所述异常监测点位的气象数据，确定至少一个疑似区域，以及每个疑似区域的区域系数包括：
若所述第二预设时间段的风速持续小于等于第一预设风速值，则所述至少一个疑似区域只包括一个疑似区域，且该疑似区域的区域系数为预设标准系数，其中，该疑似区域是以所述异常监测点位为圆心，以第一传播半径为半径大小的圆形区域，所述第一传播半径为预设半径值；
若所述第二预设时间段内只有一种风向时，则根据该所述第二预设时间段内的风速数据和所述第二预设时间段的时长确定第二传播半径，则所述至少一个疑似区域只包括一个疑似区域，且该疑似区域的区域系数为预设标准系数，其中，该疑似区域是以所述异常监测点位为中心，以所述第二传播半径为半径大小的扇形区域，所述扇形区域所对应的角度为预设角度，所述预设角度为锐角，所述异常监测点位在所述第二预设时间段内的风向与所述预设角度的中心线的方向重合。
5.根据权利要求4所述的方法，其特征在于，该方法还包括：
若所述第二预设时间段内有多种风向，则获取距离所述目标时刻最近的q1种风向，依次确定所述q1种风向中每种风向的持续时间和风速，所述q1种风向中每种风向对应一个子时间区间，得到q1个子时间区间，若所述q1个子时间区间中每个子时间区间内的风速都持续小于等于第二预设风速值，获取q1个子时间区间内风速值大于所述第一预设风速的q2个目标子时间区间，对于任一个目标子时间区间，根据所述目标子时间区间内的风速数据和该目标子时间区间的时间长度，确定该目标子时间区间对应的传播半径，其中，所述第二预设风速值大于所述第一预设风速值，q1为大于等于2的正整数，1≤q2≤q1；
按照距离所述目标时刻由近到远的顺序，对所述q2个目标子时间区间进行排序，得到第四排序结果，按照所述第四排序结果依次获取每个目标子时间区间对应的疑似区域，得到q2个疑似区域，其中，对于任一个目标子时间区间，若目标子时间区间在所述第四排序结果中不是位于第一位，则基于位于该目标子时间区间之前的目标子时间区间的疑似区域确定该目标子时间区间对应的疑似区域，所述至少一个疑似区域为所述q2个疑似区域，其中，所述第四排序结果中包括每个目标子时间区间对应的开始时刻和结束时刻；
按照所述第四排序结果，所述第四排序结果中的第一个目标子时间区间对应的疑似区域的区域系数为所述预设标准系数，所述第四排序结果中相邻两个目标子时间区间，前一个目标子时间区间所对应的疑似区域的区域系数大于后一个目标子时间区间对应的疑似区域的区域系数。
6.根据权利要求5所述的方法，其特征在于，若所述q1个子时间区间对应的时段中存在风速大于所述第二预设风速值的时段，将所述q1个子时间区间对应的时段中风速大于所述第二预设风速值的起始时刻标记为起始时刻，则该方法还包括：
在所述第四排序结果中，去除位于所述起始时刻之前的数据，得到新的第四排序结果；
基于所述新的第四排序结果，确定至少一个疑似区域，以及每个疑似区域的区域系数。
7.根据权利要求4所述的方法，其特征在于，所述则根据该所述第二预设时间段内的风速数据和所述第二预设时间段的时长确定第二传播半径包括：
根据第四预设公式计算所述第二传播半径，所述第四预设公式为
其中，r用于表示所述第二传播半径，n用于表示所述第二预设时间段内共包含n种不同大小的风速，vi用于表示第i种风速的大小，Δti用于表示第i种风速的持续时间。
8.根据权利要求2或3所述的方法，其特征在于，所述根据该污染源的排放强度数据和该污染源的地理位置信息，确定该污染源的排放系数包括：
确定用于表征该污染源排放强度的至少一种类型的基础数据；
对于每种类型的基础数据，依次计算该类型基础数据归一化后的排放强度值、该污染源对该类型基础数据的类强度权重和排放变化权重，其中，所述类强度权重用于表示预设基准时间内所述目标区域内该污染源所属监测源的排放体量平均值与同一识别源的每种类型的监测源的排放体量平均值的和值的比值，所述排放变化权重用于表示该类型基础数据的排放强度在所述目标时刻与前一时刻的变化量；
根据该污染源的地理位置信息获取该污染源的强化权重，若该污染源与标定监测点位的直线距离小于等于第二预设距离，则该污染源的强化权重为第一强化权重，否则该污染源的强化权重为第二强化权重，其中，所述标定监测点位为存在标定监测参数的监测点位，所述标定监测参数符合所述第一判别条件、所述第二判别条件和所述第三判别条件中至少一项判别条件，所述第一强化权重大于所述第二强化权重；
根据至少一种类型的基础数据中每种类型的基础数据的归一化后的排放强度值、类强度权重和排放变化权重，以及该污染源的强化权重，计算该污染源的排放系数。
9.根据权利要求8所述的方法，其特征在于，对于只用一种类型的基础数据表征排放强度的污染源，则所述根据至少一种类型的基础数据中每种类型的基础数据的归一化后的排放强度值、类强度权重和排放变化权重，以及该污染源的强化权重，计算该污染源的排放系数包括：
根据第五预设公式计算该污染源的排放系数，所述第五预设公式为
ei＝q′i*QWi*CWi*SWi
其中，ei用于表示污染源i的排放系数，污染源i为只用一种类型的基础数据表征排放强度的污染源；q′i用于表示染源i中该类型基础数据的归一化后的排放强度值，QWi用于表示染源i中该类型基础数据的类强度权重，CWi用于表示染源i中该类型基础数据的排放变化权重，SWi用于表示染源i的强化权重；
对于采用两种类型的基础数据表征排放强度的污染源，则所述根据至少一种类型的基础数据中每种类型的基础数据的归一化后的排放强度值、类强度权重和排放变化权重，以及该污染源的强化权重，计算该污染源的排放系数包括：
根据第六预设公式计算该污染源的排放系数，所述第六预设公式为
ej＝(q′m*QWm*CWm+q′n*QWn*CWn)*SWj
其中，两种类型的基础数据分别为有组织排放监测数据和无组织排放监测数据，ej用于表示污染源j的排放系数，污染源i为用两种类型的基础数据表征排放强度的污染源；q′m用于表示染源j中有组织排放监测数据的归一化后的排放强度值，QWm用于表示染源j中有组织排放监测数据的类强度权重，CWm用于表示染源j中有组织排放监测数据的排放变化权重；q′n用于表示染源j中无组织排放监测数据的归一化后的排放强度值，QWn用于表示染源j中无组织排放监测数据的类强度权重，CWn用于表示染源j中无组织排放监测数据的排放变化权重，SWj用于表示染源j的强化权重。
10.一种终端，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，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310510994.0A CN116381160A (zh) | 2023-05-08 | 2023-05-08 | 基于监测数据的大气污染综合溯源方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310510994.0A CN116381160A (zh) | 2023-05-08 | 2023-05-08 | 基于监测数据的大气污染综合溯源方法及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116381160A true CN116381160A (zh) | 2023-07-04 |
Family
ID=86980857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310510994.0A Pending CN116381160A (zh) | 2023-05-08 | 2023-05-08 | 基于监测数据的大气污染综合溯源方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116381160A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408520A (zh) * | 2023-12-11 | 2024-01-16 | 深圳卓音智能科技有限公司 | 一种数据服务智能识别方法及系统 |
| CN117517609A (zh) * | 2023-11-20 | 2024-02-06 | 苏州农业职业技术学院 | 一种农业面源污染监测系统 |
| CN117787817A (zh) * | 2024-02-28 | 2024-03-29 | 西安航科创星电子科技有限公司 | 一种基于导电铜浆的陶瓷片感电容器生产及溯源方法 |
-
2023
- 2023-05-08 CN CN202310510994.0A patent/CN116381160A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117517609A (zh) * | 2023-11-20 | 2024-02-06 | 苏州农业职业技术学院 | 一种农业面源污染监测系统 |
| CN117408520A (zh) * | 2023-12-11 | 2024-01-16 | 深圳卓音智能科技有限公司 | 一种数据服务智能识别方法及系统 |
| CN117408520B (zh) * | 2023-12-11 | 2024-03-29 | 深圳卓音智能科技有限公司 | 一种数据服务智能识别方法及系统 |
| CN117787817A (zh) * | 2024-02-28 | 2024-03-29 | 西安航科创星电子科技有限公司 | 一种基于导电铜浆的陶瓷片感电容器生产及溯源方法 |
| CN117787817B (zh) * | 2024-02-28 | 2024-05-07 | 西安航科创星电子科技有限公司 | 一种基于导电铜浆的陶瓷片感电容器生产及溯源方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116381160A (zh) | 基于监测数据的大气污染综合溯源方法及终端 | |
| CN112749478A (zh) | 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 | |
| CN108446807B (zh) | 基于重污染天气预警的大气污染物排放总量控制方法 | |
| Borge et al. | Application of a short term air quality action plan in Madrid (Spain) under a high-pollution episode-Part I: Diagnostic and analysis from observations | |
| CN116626233A (zh) | 基于多源数据融合的大气污染溯源方法、终端及存储介质 | |
| CN110602438B (zh) | 一种基于路网的视频监控布局优化方法及装置 | |
| US20110208414A1 (en) | Method and determining system for automatically determining emission locations, and method and traffic control system based thereon for immission-dependent traffic control | |
| CN110426493B (zh) | 空气质量监测数据校准方法、装置、设备和存储介质 | |
| CN113360850B (zh) | 一种大气污染物线源溯源分析方法 | |
| CN113125635B (zh) | 一种大气污染预警方法、装置及可读存储介质 | |
| US11874261B2 (en) | Method and internet of things (IoT) system for managing dust pollution in smart city | |
| CN112579718B (zh) | 一种城市用地功能的识别方法、装置及终端设备 | |
| CN113030416A (zh) | 一种水源地污染源溯源方法、装置及电子设备 | |
| CN112685659B (zh) | 目标地点确定方法、装置、电子设备及计算机存储介质 | |
| CN115561408B (zh) | 空气污染预警方法、装置、电子设备及存储介质 | |
| CN114329245A (zh) | 一种空气污染的溯源方法、装置、服务器及存储介质 | |
| Vicente et al. | Influence of different complexity levels of road traffic models on air quality modelling at street scale | |
| CN115033809A (zh) | 一种城市颗粒物时空管控方法 | |
| CN117092297A (zh) | 一种工业园区大气污染物的溯源方法、系统、设备及介质 | |
| CN113960252A (zh) | 用于引航道船舶尾气监测的方法、系统及数据处理设备 | |
| CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
| CN113077089B (zh) | 一种多因素对空气质量影响的评价方法和装置 | |
| CN113793028A (zh) | 污染源关联信息的确定方法、装置及终端设备 | |
| CN115792137B (zh) | 大气污染溯源方法及装置、终端 | |
| CN116952855A (zh) | 一种区域大气污染溯源方法、装置、设备和介质 |
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 |