CN116484166A - 一种基于大气污染浓度变化率的突出值站点识别方法 - Google Patents
一种基于大气污染浓度变化率的突出值站点识别方法 Download PDFInfo
- Publication number
- CN116484166A CN116484166A CN202310506028.1A CN202310506028A CN116484166A CN 116484166 A CN116484166 A CN 116484166A CN 202310506028 A CN202310506028 A CN 202310506028A CN 116484166 A CN116484166 A CN 116484166A
- Authority
- CN
- China
- Prior art keywords
- change rate
- time
- moment
- concentration
- salient
- 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
- 230000008859 change Effects 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 29
- 231100000719 pollutant Toxicity 0.000 claims abstract description 26
- 238000011160 research Methods 0.000 claims abstract description 26
- 238000003491 array Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 13
- 239000000356 contaminant Substances 0.000 claims description 12
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 8
- 230000002093 peripheral effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大气污染浓度变化率的突出值站点识别方法,属于大气污染防治技术领域;包括:基于各站点长时间序列历史浓度数据,计算逐时刻的站点浓度平均值;基于逐时刻平均值,依据各污染物浓度标准,划分逐时刻污染等级;逐站点计算研究时刻相较上一时刻的浓度变化率;将逐时刻的浓度变化率与划分的逐时刻污染等级相匹配,得到不同污染等级的时刻变化率数组,分别绘制概率分布图;依据概率分布图,分别确定变化率上限值,作为不同污染等级的突出值识别标准,即:标准变化率限值;基于标准限值,实时动态识别突出值站点与时刻。本发明基于浓度变化率实时动态识别需要重点管控的站点和管控时刻,可为面向监测站点的污染精细化管控提供技术支撑。
Description
技术领域
本发明涉及大气污染防治技术领域,具体涉及一种基于大气污染浓度变化率的突出值站点识别方法。
背景技术
大气污染对人类健康、社会经济发展有重要负面影响,大气污染治理具有重要意义。随着我国经济快速发展和工业化、城镇化进程不断加速,城市污染问题凸显,面向城市监测站点的污染精细化管控日渐成为重要的污染防治手段。而要实现站点精细化管控,就必须明确需要重点管控的站点和突出值产生的时刻,识别站点的特异性,进而实现快速精准管控。因此,需要建立一套实时动态识别突出值站点和对应突出值时刻的方法。
小尺度站点级别的气象条件在大范围内差别不大,而不同监测站点周边的污染源数量和种类却大不相同,对监测站点污染物浓度贡献也不同;因此,站点监测浓度的差异与人为排放(周边源)密切相关,对站点突出值的识别就需要综合考虑站点周边源影响的差异性。此外,在面向管理需求时,实时、动态、准确的识别突出值站点以及突出值时刻是当前站点精细化管控急需解决的难题。
目前常用的突出值识别方法主要以某一浓度阈值(如:国家二级标准等)或站点浓度平均值为标准,超过阈值或平均值即识别为突出值站点和对应的突出值时段,将站点浓度作为判别标准,周边源数量多的站点浓度通常较高,稳定排放源(如:机动车源早晚高峰)会在固定时刻浓度贡献较高,得到的突出值站点和时刻并未识别出站点的特异性,并且识别的突出值数量众多,人力物力消耗巨大,无法实现高效管控。
发明内容
针对现有技术中存在的不足之处,本发明提供一种基于大气污染浓度变化率的突出值站点识别方法,其综合考虑站点周边源排放的差异性,对突出值站点和对应的突出值时段进行实时动态识别,进而为采取有针对性的管控措施提供技术支撑,这对有效改善空气质量意义重大。
本发明公开了一种基于大气污染浓度变化率的突出值站点识别方法,包括:
步骤1、基于各站点各污染物的长时间序列历史浓度数据,计算研究时段的逐时刻站点浓度平均值;
步骤2、基于逐时刻站点浓度平均值,依据各污染物浓度标准,划分逐时刻污染等级;
步骤3、逐站点计算当前时刻相较上一时刻的浓度变化率,将得到的逐时刻浓度变化率与划分的逐时刻污染等级相匹配,得到不同污染等级的时刻变化率数组,并对不同污染等级的时刻变化率数组进行概率拟合,绘制不同污染等级的变化率概率分布图;
步骤4、依据不同污染等级的变化率概率分布图,分别确定其浓度变化率上限值,即标准变化率限值;
步骤5、基于不同污染等级的标准变化率限值,实时动态识别突出值站点与对应的突出值时刻;
步骤6、依照不同地区不同污染物的时间分布特征对研究时刻进行时段划分,再基于得到的历史突出值站点及其出现突出值的时刻,对突出值站点和划分时段的突出值进行统计分析,得到重点管控站点以及重点管控时段。
作为本发明的进一步改进,在所述步骤1中,不同污染物研究时段内每t时刻的站点浓度平均值的计算公式为:
式中,
为t时刻的站点浓度平均值;
为i站点t时刻的污染物浓度;
t为时刻,其时间尺度包括分钟、小时、日和月中的一种;
I为站点个数。
作为本发明的进一步改进,所述步骤2,具体包括:
基于逐时刻站点浓度平均值,依照污染物相关浓度标准(具体标准依据实际情况而定),将污染物的污染等级划分为多个等级,并得到逐时刻污染等级,统称为l t 。
作为本发明的进一步改进,所述步骤3,具体包括:
步骤31、计算各站点污染物每t时刻相较于t-1时刻的浓度变化率:
式中,
为i站点t时刻的污染物浓度变化率;
t为时刻,其时间尺度包括分钟、小时、日和月中的一种;
、/>分别为t时刻、t-1时刻的污染物浓度;
步骤32、将逐时刻的浓度变化率与划分的逐时刻污染等级l t 相匹配,得到不同污染等级对应的M组时刻变化率数组;
步骤33、基于不同污染等级对应的M组时刻变化率数组,分别进行概率拟合,计算得到不同污染等级对应的M组时刻变化率数组未重复值的概率f后,分别绘制不同污染等级的变化率直方图。
作为本发明的进一步改进,在步骤33中,拟合方法为:
分别计算M组数据去除重复值后的概率:
式中,
f为l等级数组未重复值的概率;
为l等级数组的未重复值;
为l等级数组中未重复值的频数;
为l等级数组的浓度变化率总样本数;
l为污染等级。
作为本发明的进一步改进,所述步骤4具体包括:
基于不同污染等级的变化率概率分布图,计算不同污染等级的平均值μ和标准偏差σ,得到站点不同污染等级的浓度变化率上限值Q l ,将Q l 作为不同污染等级的突出值识别标准,即标准变化率限值;
式中,
Q l 为l等级的标准变化率限值;
为l等级的平均值和标准差;
系数1,2,3的选择依据实际需求而定。
作为本发明的进一步改进,所述步骤5,具体包括:
步骤51、确定站点研究时刻的污染等级,计算站点研究时刻的变化率,与对应污染等级的标准变化率限值进行对比;
步骤52、超出标准变化率限值,则判定为突出值站点,并识别突出值站点与对应的突出值时刻。
作为本发明的进一步改进,所述步骤6,具体包括:
步骤61、依照不同地区不同污染物的时间分布特征对研究时刻进行时段划分,划分为时段1、时段2、……等多个时段;
步骤62、基于得到的研究时段的历史突出值站点以及其对应突出值的时刻,对突出值站点和划分的各时段内的突出值进行概率统计,出现突出值频率最高的站点为重点管控站点,出现突出值频率最高的时段为重点管控时段。
与现有技术相比,本发明的有益效果为:
本发明通过对站点不同污染等级的污染物浓度变化率进行概率拟合确定标准变化率限值,综合考虑不同站点、不同污染物、不同污染等级周边源排放的差异性导致的浓度变化率差异以及管理需求的时效性,实时动态识别突出值站点和突出值时段并统计历史数据得到突出值出现的高频站点和高频时段,得到的突出值相对有效,研究成果可为管理部门提供重要的参考依据,为站点的靶向性管控提供科学支撑,对精细化管控效率的提升有着重要作用。
附图说明
图1为本发明公开的基于大气污染浓度变化率的突出值站点识别方法的流程图;
图2 临沂市国控站点分布图;
图3 站点不同污染等级概率分布图;
图4 站点1的PM2.5突出值识别结果;
图5 站点2的PM2.5突出值识别结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述:
如图1所示,本发明提供一种基于大气污染浓度变化率的突出值站点识别方法,包括:
步骤1、基于各站点各污染物的长时间序列历史浓度数据,计算研究时段的逐时刻站点浓度平均值;其中,
不同污染物研究时段内每t时刻的站点浓度平均值的计算公式为:
式中,
为t时刻的站点浓度平均值;
为i站点t时刻的污染物浓度;
t为时刻,其时间尺度包括分钟、小时、日和月中的一种;
I为站点个数。
步骤2、基于逐时刻站点浓度平均值,依据污染物相关浓度标准(具体标准依据实际情况而定),划分逐时刻污染等级;
具体包括:
基于逐时刻站点浓度平均值,依据各污染物浓度标准,将污染物的污染等级划分为多个等级,如划分为等级A、等级B、等级C、等级D、等级E、等级F等;并得到逐时刻污染等级,统称为l t ;不同污染物等级标准不同。
步骤3、逐站点计算当前时刻相较上一时刻的浓度变化率,将得到的逐时刻浓度变化率与划分的逐时刻污染等级相匹配,得到不同污染等级的时刻变化率数组,并对不同污染等级的时刻变化率数组进行概率拟合,绘制不同污染等级的变化率概率分布图;
具体包括:
步骤31、基于获取的站点时间序列历史空气质量数据,计算各站点污染物每t时刻相较于t-1时刻的浓度变化率:
式中,
为i站点t时刻的污染物浓度变化率;
t为时刻,其时间尺度包括分钟、小时、日和月中的一种;
、/>分别为t时刻、t-1时刻的污染物浓度;
步骤32、将逐时刻的浓度变化率与划分的逐时刻污染等级l t 相匹配,得到不同污染等级对应的M组时刻变化率数组(M的取值取决于划分的等级数);
步骤33、基于不同污染等级对应的M组时刻变化率数组,分别进行概率拟合,计算得到不同污染等级对应的M组时刻变化率数组未重复值的概率f后,分别绘制不同污染等级的变化率直方图,其结果呈现正态分布;其中,拟合方法为:
分别计算M组数据去除重复值后的概率:
式中,
f为l等级数组未重复值的概率;
为l等级数组的未重复值;
为l等级数组中未重复值的频数;
为l等级数组的浓度变化率总样本数;
l为污染等级。
步骤4、依据不同污染等级的变化率概率分布图,分别确定其浓度变化率上限值,即标准变化率限值;
具体包括:
基于不同污染等级的变化率概率分布图,计算不同污染等级的平均值μ和标准偏差σ,得到站点不同污染等级的浓度变化率上限值Q l ,将Q l 作为不同污染等级的突出值识别标准,即标准变化率限值;
式中,
Q l 为l等级的标准变化率限值;
为l等级的平均值和标准差;
系数1,2,3的选择依据实际需求而定。
步骤5、基于不同污染等级的标准变化率限值,实时动态识别突出值站点与对应的突出值时刻;
具体包括:
步骤51、确定站点研究时刻的污染等级,计算站点研究时刻的变化率,与对应污染等级的标准变化率限值进行对比;
步骤52、超出标准变化率限值,则判定为突出值站点,并识别突出值站点与对应的突出值时刻。
步骤6、依照不同地区不同污染物的时间分布特征对研究时刻进行时段划分,再基于得到的历史突出值站点及其出现突出值的时刻,对突出值站点和划分时段的突出值进行统计分析,得到重点管控站点以及重点管控时段;
具体包括:
步骤61、依照不同地区不同污染物的时间分布特征对研究时刻进行时段划分,划分为时段1、时段2、……等多个时段;
步骤62、基于得到的研究时段的历史突出值站点以及其对应突出值的时刻,对突出值站点和划分的各时段内的突出值进行概率统计,出现突出值频率最高的站点为重点管控站点,出现突出值频率最高的时段为重点管控时段。
实施例
基于本发明的突出值站点识别方法,以山东省临沂市国控站点为研究对象,以PM2.5为研究污染物,具体包括:
S1、基于临沂市七个国控站点(站点1-站点7)PM2.5的2022年小时浓度数据,计算2022年逐小时的七个站点浓度平均值;图2为七个国控站点的相对位置以及S5中案例站点的位置。
S2、基于2022年逐小时站点PM2.5浓度平均值,依照各污染物浓度标准(等级A:0<<35、等级B:35</><75,等级C:75</><115,等级D:115</><150,等级E:150</><250,单位:μg/m3),对2022年PM2.5浓度均值进行逐小时污染等级划分,得到逐小时的污染等级/>。
S3、基于已获得的各站点2022年PM2.5小时分辨率空气质量数据,逐站点计算国控站点1-7的t小时相较于t-1小时的浓度变化率(),保留一位小数,将逐小时的浓度变化率(/>)与划分的逐小时污染等级(/>)相匹配,得到不同污染等级对应的5组小时变化率数组,(本案例划分的等级数为5,M取5)。基于不同污染等级的小时变化率数组,进行概率拟合,计算不同污染等级对应的5组数据去除重复值后的概率f,并绘制不同污染等级的浓度变化率概率分布图,图3为不同污染等级的浓度变化率正态分布图。
S4、依据不同污染等级的变化率正态分布图,计算不同污染等级数组的平均值μ和标准偏差σ,计算得到μ+σ,以μ+σ作为不同污染等级的变化率上限值Q(本案例基于实际需求系数选择1),得到不同污染等级的突出值识别标准,即:标准变化率限值,如表1所示。
表1 站点不同污染等级的变化率上限值表
S5、以2022年1月2日-8日小时分辨率PM2.5浓度数据为例,计算该时段逐小时国控站点的浓度平均值,依据步骤二中的划分标准对PM2.5浓度平均值进行逐小时的等级划分,并以站点1和站点2为例,计算两站点该时段内每个小时相较上一小时的浓度变化率,将逐小时的浓度变化率与对应污染等级的标准变化率限值进行对比,得到该研究时段的2日18-20时、3日6时和11时、5日2-4时等时刻,站点1的变化率超过上限值,2日19时、3日3时和19时、4日22时等时刻,站点2的变化率超过上限值。因此,站点1在2日18-20时、3日6时和11时、5日2-4时等时刻出现突出值,站点2在2日19时、3日3时和19时、4日22时等时刻出现突出值,分别判断为突出值站点和对应的突出值时刻。图4和图5分别为站点1和站点2的PM2.5突出值识别结果。
S6、依照不同地区不同污染物的时间分布特征对研究时段进行划分,本案例依照临沂市PM2.5浓度的小时分布特征对研究时段进行划分,划分为:凌晨-早上(1时-8时)、中午(9-16时)、下午-夜间(17时-00时)三个时段,再基于得到的该时段的突出值站点及其出现突出值的时刻,对该研究时段内站点1和站点2出现突出值的频数以及出现突出值的时刻分布进行统计分析,得到该时段内站点1出现突出值的频数为23(占比14%),且站点1在下午-夜间(17时-00时)时段出现突出值的频次最高,为9次(占比41%);站点2出现突出值的频数为12,占比为7%,也在下午-夜间(17时-00时)时段出现突出值的频次最高,为8次(占比73%)。最终判断该时段内,需重点管控的站点为站点1,重点管控的时段为下午-夜间(17时-00时)。站点1和站点2的突出值频次统计表如表2所示,突出值时段统计表如表3所示。
表2 突出值频次统计表
表3 突出值时段频次统计表
本发明的优点为:
本发明通过站点变化率的分布,确定了标准变化率限值,识别突出值站点和时段,实现了考虑监测站点周边源排放差异导致本底情况差异的前提下,实时动态的识别突出值站点和对应的突出值时刻并基于历史识别数据统计分析重点管控站点与时刻,大大弥补了现有判断方法中的不足;本发明可为站点的靶向性管控提供科学支撑,对精细化管控效率的提升有着重要作用。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于大气污染浓度变化率的突出值站点识别方法,其特征在于,包括:
步骤1、基于各站点各污染物的长时间序列历史浓度数据,计算研究时段的逐时刻站点浓度平均值;
步骤2、基于逐时刻站点浓度平均值,依据各污染物浓度标准,划分逐时刻污染等级;
步骤3、逐站点计算当前时刻相较上一时刻的浓度变化率,将得到的逐时刻浓度变化率与划分的逐时刻污染等级相匹配,得到不同污染等级的时刻变化率数组,并对不同污染等级的时刻变化率数组进行概率拟合,绘制不同污染等级的变化率概率分布图;
步骤4、依据不同污染等级的变化率概率分布图,分别确定其浓度变化率上限值,即标准变化率限值;
步骤5、基于不同污染等级的标准变化率限值,实时动态识别突出值站点与对应的突出值时刻;
步骤6、依照不同地区不同污染物的时间分布特征对研究时刻进行时段划分,再基于得到的历史突出值站点及其出现突出值的时刻,对突出值站点和划分时段的突出值进行统计分析,得到重点管控站点以及重点管控时段。
2.如权利要求1所述的基于大气污染浓度变化率的突出值站点识别方法,其特征在于,在所述步骤1中,不同污染物研究时段内每t时刻的站点浓度平均值的计算公式为:
式中,
为t时刻的站点浓度平均值;
为i站点t时刻的污染物浓度;
t为时刻,其时间尺度包括分钟、小时、日和月中的一种;
I为站点个数。
3.如权利要求1所述的基于大气污染浓度变化率的突出值站点识别方法,其特征在于,所述步骤2,具体包括:
基于逐时刻站点浓度平均值,依据各污染物浓度标准,将污染物的污染等级划分为多个等级,并得到逐时刻污染等级,统称为l t 。
4.如权利要求1所述的基于大气污染浓度变化率的突出值站点识别方法,其特征在于,所述步骤3,具体包括:
步骤31、计算各站点污染物每t时刻相较于t-1时刻的浓度变化率:
式中,
为i站点t时刻的污染物浓度变化率;
t为时刻,其时间尺度包括分钟、小时、日和月中的一种;
、/>分别为t时刻、t-1时刻的污染物浓度;
步骤32、将逐时刻的浓度变化率与划分的逐时刻污染等级l t 相匹配,得到不同污染等级对应的M组时刻变化率数组;
步骤33、基于不同污染等级对应的M组时刻变化率数组,分别进行概率拟合,计算得到不同污染等级对应的M组时刻变化率数组未重复值的概率f后,分别绘制不同污染等级的变化率直方图。
5.如权利要求4所述的基于大气污染浓度变化率的突出值站点识别方法,其特征在于,在步骤33中,拟合方法为:
分别计算M组数据去除重复值后的概率:
式中,
f为l等级数组未重复值的概率;
为l等级数组的未重复值;
为l等级数组中未重复值的频数;
为l等级数组的浓度变化率总样本数;
l为污染等级。
6.如权利要求1所述的基于大气污染浓度变化率的突出值站点识别方法,其特征在于,所述步骤4具体包括:
基于不同污染等级的变化率概率分布图,计算不同污染等级的平均值μ和标准偏差σ,得到站点不同污染等级的浓度变化率上限值Q l ,将Q l 作为不同污染等级的突出值识别标准,即标准变化率限值;
式中,
Q l 为l等级的标准变化率限值;
为l等级的平均值和标准差;
系数1,2,3的选择依据实际需求而定。
7.如权利要求1所述的基于大气污染浓度变化率的突出值站点识别方法,其特征在于,所述步骤5,具体包括:
步骤51、确定站点研究时刻的污染等级,计算站点研究时刻的变化率,与对应污染等级的标准变化率限值进行对比;
步骤52、超出标准变化率限值,则判定为突出值站点,并识别突出值站点与对应的突出值时刻。
8.如权利要求1所述的基于大气污染浓度变化率的突出值站点识别方法,其特征在于,所述步骤6,具体包括:
步骤61、依照不同地区不同污染物的时间分布特征对研究时刻进行时段划分,划分为多个时段;
步骤62、基于得到的研究时段的历史突出值站点以及其对应突出值的时刻,对突出值站点和划分的各时段内的突出值进行概率统计,出现突出值频率最高的站点为重点管控站点,出现突出值频率最高的时段为重点管控时段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310506028.1A CN116484166B (zh) | 2023-05-08 | 2023-05-08 | 一种基于大气污染浓度变化率的突出值站点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310506028.1A CN116484166B (zh) | 2023-05-08 | 2023-05-08 | 一种基于大气污染浓度变化率的突出值站点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484166A true CN116484166A (zh) | 2023-07-25 |
CN116484166B CN116484166B (zh) | 2023-11-03 |
Family
ID=87219408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310506028.1A Active CN116484166B (zh) | 2023-05-08 | 2023-05-08 | 一种基于大气污染浓度变化率的突出值站点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484166B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976083A (zh) * | 2024-03-29 | 2024-05-03 | 北京工业大学 | 一种道路积尘负荷重点管控时段的筛选识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200124580A1 (en) * | 2016-12-13 | 2020-04-23 | Gigabase Environmental Consulting (Shanghai) Co., Ltd. | Method for comprehensive evaluation of indoor environmental quality |
CN115902114A (zh) * | 2022-12-07 | 2023-04-04 | 北京工业大学 | 基于半定量法的小尺度大气污染溯源方法 |
-
2023
- 2023-05-08 CN CN202310506028.1A patent/CN116484166B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200124580A1 (en) * | 2016-12-13 | 2020-04-23 | Gigabase Environmental Consulting (Shanghai) Co., Ltd. | Method for comprehensive evaluation of indoor environmental quality |
CN115902114A (zh) * | 2022-12-07 | 2023-04-04 | 北京工业大学 | 基于半定量法的小尺度大气污染溯源方法 |
Non-Patent Citations (2)
Title |
---|
YOU-CHIUN WANG ET AL.: "Efficient Data Gathering and Estimation for Metropolitan Air Quality Monitoring by Using Vehicular Sensor Networks", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》, vol. 66, no. 08 * |
高庆先 等: "2014年北京奥体中心空气质量演变特征", 《环境科学研究》, vol. 29, no. 04, pages 1 - 2 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976083A (zh) * | 2024-03-29 | 2024-05-03 | 北京工业大学 | 一种道路积尘负荷重点管控时段的筛选识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116484166B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021174751A1 (zh) | 基于大数据的污染源定位方法、装置、设备及存储介质 | |
CN116484166B (zh) | 一种基于大气污染浓度变化率的突出值站点识别方法 | |
CN112434962B (zh) | 基于电力负荷数据的企业用户状态评估方法和系统 | |
CN106022538B (zh) | 基于k均值聚类改进广义天气的光伏发电预测方法 | |
WO2023201552A1 (en) | County-wide photovoltaic prediction method based on cluster division and data enhancement | |
CN111191966B (zh) | 一种基于时空特性的配电网电压不合格时段识别方法 | |
CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
CN112738729B (zh) | 一种用手机信令数据判别探亲返乡游客的方法及系统 | |
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 | |
CN113688940A (zh) | 一种基于公开数据的疑似污染工业企业识别方法 | |
CN112505247B (zh) | 空气质量分析方法、装置、设备及存储介质 | |
CN112419124B (zh) | 一种低效工业用地的快速识别方法、装置及其存储介质 | |
CN114093133A (zh) | 一种区域地质灾害气象预报预警方法 | |
CN106503447B (zh) | 一种非点源污染排放清单快速处理方法 | |
CN114519124A (zh) | 一种大气环境污染联防联控治理方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN112634113A (zh) | 一种基于动态滑窗的污染废气关联分析方法 | |
CN112101969A (zh) | 一种基于时序滑动窗口离散系数的环保数据造假检测方法 | |
CN115935040A (zh) | 一种大气污染协同控制区域、时间识别方法 | |
CN115907246A (zh) | 一种基于电力数据的数据中心碳惠模型构建方法 | |
CN111144629A (zh) | 一种水力发电站来水量预测方法及系统 | |
CN115902114A (zh) | 基于半定量法的小尺度大气污染溯源方法 | |
CN115936526A (zh) | 一种基于电力大数据的碳排放数据测算方法 | |
CN114386204A (zh) | 基于灰色模型的电网夏季空调负荷峰值精细化预测方法及系统 | |
CN112561230B (zh) | 基于电气特征的环保设备状态监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |