CN116522166B - 一种基于大数据的空气污染监测系统 - Google Patents
一种基于大数据的空气污染监测系统 Download PDFInfo
- Publication number
- CN116522166B CN116522166B CN202310770376.XA CN202310770376A CN116522166B CN 116522166 B CN116522166 B CN 116522166B CN 202310770376 A CN202310770376 A CN 202310770376A CN 116522166 B CN116522166 B CN 116522166B
- Authority
- CN
- China
- Prior art keywords
- pollution
- climate
- data
- concentration
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 72
- 238000003915 air pollution Methods 0.000 title claims abstract description 24
- 238000000746 purification Methods 0.000 claims abstract description 57
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 25
- 231100000719 pollutant Toxicity 0.000 claims abstract description 25
- 238000009792 diffusion process Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000036541 health Effects 0.000 claims abstract description 10
- 230000003993 interaction Effects 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 6
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 3
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000005202 decontamination Methods 0.000 claims description 2
- 230000003588 decontaminative effect Effects 0.000 claims description 2
- 239000000779 smoke Substances 0.000 claims description 2
- 230000009469 supplementation Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 239000012855 volatile organic compound Substances 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 claims 1
- 239000000428 dust Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 7
- 239000013618 particulate matter Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G01N33/0068—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 using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种基于大数据的空气污染监测系统,涉及空气污染监测技术领域,解决了现有技术无法对空气质量进行预测,导致空气质量较差时难以及时缓解,影响人们身体健康的技术问题;本发明关联污染净化序列与气候标签生成气候匹配模型;在进行空气质量预测时,根据气候预测数据匹配获取污染净化序列,结合排放预测数据计算获取污染预测数据;本发明能够识别出气候环境对空气中污染物浓度的影响,提高空气质量预测精度;本发明在获取污染排放浓度和污染监测浓度以及根据排放预测数据预测污染预测数据时,均考虑了污染要素在对应气候条件下的扩散系数,即在扩散系数的基础上匹配数据,能够提高数据匹配度,进而提高空气质量预测精度。
Description
技术领域
本发明属于空气污染监测领域,涉及基于大数据的空气污染监测预警技术,具体是一种基于大数据的空气污染监测系统。
背景技术
空气污染监测是指测定大气中污染物的种类及其浓度,观察其时空分布和变化规律的过程。空气污染监测的目的在于识别大气中的污染物质,掌握其分布与扩散规律,监视大气污染源的排放和控制情况。
目前的空气污染监测方法主要是利用自动化空气环境监测设备进行在线监测,该方法不仅设备结构复杂、价格昂贵和运营成本高,而且实现的在线监测仅能够实现当前时刻的空气污染监测,一旦空气质量较差在短时间内无法对空气污染物进行有效处理,会对人们健康产生一定的影响。
本发明提供了一种基于大数据的空气污染监测系统,以解决上述问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一;为此,本发明提出了一种基于大数据的空气污染监测系统,用于解决现有技术仅能够实现对当前时刻的空气污染监测,无法对空气质量进行预测,导致空气质量较差时难以及时缓解,影响人们身体健康的技术问题。
为实现上述目的,本发明的第一方面提供了一种基于大数据的空气污染监测系统,包括中枢控制模块,以及与之相连接的数据交互模块和污染预警模块;中枢数据模块通过数据交互模块获取监测区域的历史污染数据和对应的气候标签;比较历史污染数据中的污染排放浓度和污染监测浓度,获取各污染要素的净化系数;将各净化系数拼接整合生成污染净化序列,关联污染净化序列与气候标签;以及通过数据交互模块获取监测区域的排放预测数据和气候预测数据;根据气候预测数据匹配获取污染净化序列,结合排放预测数据计算获取污染预测数据;污染预警模块根据污染预测数据确定空气质量等级;当空气质量等级小于设定的等级阈值时,根据空气质量等级进行健康预警,以及根据污染预测数据匹配各污染要素的污染调控方案。
目前的空气质量检测多以在线检测为主,也就是通过设置在各处的在线检测设备获取空气检测数据,分析空气检测数据来确定空气质量是否符合要求。现有技术对在线检测设备的要求较高,在运营成本上投入较大;而且在线检测也仅仅能够得到当前时刻的空气质量,一旦当前空气质量不合格则需要采取相应措施来提高空气质量,但也无法在短时间内保证空气质量能够满足要求,仍然会对人们健康产生不可逆转的影响。
本发明中的中枢控制模块分别与数据交互模块和污染预警模块通信和/或电气连接;污染预警模块分别与数据库和智能终端通信和/或电气连接;数据交互模块分别与数据库和数据平台通信和/或电气连接。本发明的中枢控制模块主要负责数据处理,也就是对空气质量进行预测;数据交互模块通过数据平台或者数据库为中枢控制模块提供数据支撑;污染预警模块则在预测的空气污染等级不达标时进行预警,并匹配污染调控方案。本发明中的数据库主要存储有监测区域的历史污染数据以及相对应的气候数据;数据平台用于预测气候数据和各污染要素的排放浓度,如第三方气象平台可提供预测气候数据。
本发明中的气候标签根据大气气压、湿度或者降雨量确定,如在天气晴朗时则通过大气气压来确定气候标签,在阴天时通过湿度来确定气候标签,在下雨天时则通过降雨量确定气候标签。可将气候标签设置为[(),(),()],三个()中只有一个有有效值,如第一个()存在有效值,则代表晴天,第二个()存在有效值,则代表阴天,第三个()存在有效值,则代表下雨天。有效值即可理解为气候标签,气候标签与大气气压、湿度或者降雨量的大小有关系。
优选的,所述比较历史污染数据中的污染排放浓度和污染监测浓度,包括:将污染要素标记为i;将污染要素i的污染排放浓度和污染监测浓度分别标记为WPi和WJi;通过公式JXi=(WJi-QWJi)/(WPi-QWPi)获取污染要素i对应的净化系数JXi。
本发明通过各污染要素的污染排放浓度和污染监测浓度来计算净化系数,净化系数实际表达是污染要素在某气候条件下排放浓度与监测浓度之间的关系,有利于后续某气候条件下预测的排放数据对空气质量的影响。
本发明中的烟尘、总悬浮颗粒物、可吸入颗粒物、细颗粒物、二氧化氮、二氧化硫、一氧化碳、臭氧或者挥发性有机化合物等能够预测其排放量的污染物。本发明QWJi为前一时刻的污染排放浓度,QWPi为前一时刻污染排放浓度对应的污染监测浓度,污染排放浓度和污染监测浓度的对应关系根据扩散系数确定;污染要素在排放之后,并不会立即对空气质量产生影响,而是在不同气候条件下经过一定时间的扩散之后才会影响空气质量,因此需要根据扩散系数来确定污染排放浓度与污染监测浓度的对应关系。
优选的,所述关联污染净化序列与气候标签,包括:将若干气候标签与对应的污染净化序列进行关联,获取若干气候关联组;判断若干气候关联组的气候覆盖范围是否全面;是,则生成气候匹配模型;否,则进行数据补充,生成气候匹配模型。
本发明中根据同一组污染排放数据和污染监测数据可以得到各污染要素对应的净化系数,这些净化系数拼接起来生成污染净化序列。而且同一组污染排放数据和污染监测数据均对应一个气候标签,也就是说每个气候标签均对应一个污染净化序列。将气候标签与对应的污染净化序列整合成一个气候关联组。
本发明在获取若干气候关联组之后,校验若干气候关联组对应气候类型覆盖是否全面,若不全面则可进行插值处理得到更多的气候关联组,可保证后续生成的气候匹配模型具有足够宽的适用范围。
优选的,所述生成气候匹配模型,包括:提取若干气候关联组中的气候标签,整合标准输入组;提取气候关联组中各气候标签对应的污染净化序列,整合成标准输出组;通过标准输入组和标准输出组训练构建的人工智能模型,获取气候匹配模型。
若干气候关联组实际就是若干种气候条件下对应的污染净化序列,进一步可理解为若干种气候条件下各污染要素实际排放与监测浓度之间的转换关系。因为不同气候标签对应的污染净化序列中各净化系数并不是线性关系,所以本发明通过人工智能模型来挖掘气候标签与污染净化序列中各净化系数之间的关系,为后续预测空气质量奠定基础。
优选的,所述结合排放预测数据计算获取污染预测数据,包括:结合气候匹配模型获取气候预测数据生成对应的污染净化序列后,根据扩散系数获取对应的排放预测数据;将排放预测数据与污染净化序列结合,计算获取污染预测数据。
在获取气候匹配模型之后,可通过高精度的第三方气象平台获取气象预测数据,根据气象预测数据可以获取对应的气候标签,将气候标签输入至气候匹配模型中获取对应的污染净化序列。将污染净化序列与排放预测数据结合,可得到污染预测数据。排放预测数据是预测的各污染要素的排放浓度,结合净化系数的计算公式可以反推出各污染要素的预测监测浓度,也就是污染预测数据。这样,在高精度的气候预测数据加持下,可以预测出监测区域中各污染要素监测浓度,进而为空气质量预测奠定基础。
优选的,所述污染预警模块根据污染预测数据确定空气质量等级,包括:提取污染预测数据中各污染要素i的预测浓度YNi;根据空气质量评价要求确定各污染要素i的权重系数QXi;通过公式KZF=∑(QXi×YNi)计算获取空气质量分数KZF;根据空气质量分数KZF确定空气质量等级。
本发明在获取各污染要素的预测监测浓度之后,结合对空气质量的影响权重计算空气质量分数,进而确定空气质量等级。本发明中的空气质量分数越高,对应的空气质量等级越低;在对监测区域进行空气质量评价时,可以将监测区域划分为若干子区域来进行精细评估,还可以根据监测区域中区域类型(居住区、工业区等)进行分类评估。
优选的,所述根据污染预测数据匹配各污染要素的污染调控方案,包括:根据监测区域的污染预测数据匹配污染调控方案;对污染调控方案进行模拟,根据模拟结果优化污染调控方案。
本发明中的污染调控方案包括源头排放控制或者污染处理控制;源头排放控制是指对排放各污染要素的源头进行管控,以实现预测排放浓度的降低;污染处理控制是指对已经排放的污染要素进行处理,如人工降雨以降低空气中的污染要素浓度。对污染调控方案进行模拟,根据模拟结果来优化污染调控方案,以保证污染调控方案能够精准控制空气质量。
与现有技术相比,本发明的有益效果是:
1.本发明将各净化系数拼接整合生成污染净化序列,关联污染净化序列与气候标签生成气候匹配模型;在进行空气质量预测时,根据气候预测数据匹配获取污染净化序列,结合排放预测数据计算获取污染预测数据;本发明能够识别出气候环境对空气中污染物浓度的影响,提高空气质量预测精度。
2.本发明在获取污染排放浓度和污染监测浓度以及根据排放预测数据预测污染预测数据时,均考虑了污染要素在对应气候条件下的扩散系数,即在扩散系数的基础上匹配数据,能够提高数据匹配度,进而提高空气质量预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的系统原理示意图;
图2为本发明的方法步骤示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明第一方面实施例提供了一种基于大数据的空气污染监测系统,包括中枢控制模块,以及与之相连接的数据交互模块和污染预警模块;中枢数据模块通过数据交互模块获取监测区域的历史污染数据和对应的气候标签;比较历史污染数据中的污染排放浓度和污染监测浓度,获取各污染要素的净化系数;将各净化系数拼接整合生成污染净化序列,关联污染净化序列与气候标签;以及通过数据交互模块获取监测区域的排放预测数据和气候预测数据;根据气候预测数据匹配获取污染净化序列,结合排放预测数据计算获取污染预测数据;污染预警模块根据污染预测数据确定空气质量等级;当空气质量等级小于设定的等级阈值时,根据空气质量等级进行健康预警,以及根据污染预测数据匹配各污染要素的污染调控方案。
本实施例的第一步是中枢数据模块通过数据交互模块获取监测区域的历史污染数据和对应的气候标签;比较历史污染数据中的污染排放浓度和污染监测浓度,获取各污染要素的净化系数;将各净化系数拼接整合生成污染净化序列,关联污染净化序列与气候标签。
本实施例以可吸入颗粒物、细颗粒物、二氧化氮三种污染要素为例,分别标记为A、B和C。从监测区域的历史污染数据中获取污染排放浓度和污染监测浓度,可分别获取污染要素A、B、C的污染排放浓度和污染监测浓度,进而通过公式计算出各污染要素对应的净化系数,将净化系数整合起来生成污染净化序列[JXA,JXB,JXC]。需要说明的是,此处的污染排放浓度和污染监测浓度根据扩散系数确定对应关系,如扩散时间为5分钟,则污染排放浓度与污染监测浓度的获取时间相差五分钟。
值得注意的是,某些污染要素并不是直接排放的,而是在其基础元素排放到空气中经过某些反映转换成污染要素,可通过基础要素的排放浓度与转换效率相乘作为污染要素的污染排放浓度。
本实施例的气候标签基于大气气压、湿度或者降雨量确定,将大气气压、湿度和降雨量分别标记为DQ、SD和JL,则气候标签可表示为[DQ,0,0],[0,SD,0],[0,0,JL]。将气候标签与对应的污染净化序列整合成气候关联组,验证气候关联组中气候标签的覆盖范围,如阴天的湿度范围为[0,0.9],则分析气候标签中对应阴天的湿度的覆盖范围是否全面,如若干气候关联组的湿度包括0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9则说明覆盖范围全面,若干气候关联组的湿度包括0.1,0.3,0.4,0.5,0.7,0.8,0.9则说明覆盖范围不全面,需要进行插值处理。
校验合格之后将若干气候关联组的气候标签提取出来,按顺序整合成标准输入组,将标准输入组中气候标签对应的污染净化序列整合成标准输出组。通过标准输入组和标准输出组可训练人工智能模型,获取气候匹配模型。
本实施例的第二步是通过数据交互模块获取监测区域的排放预测数据和气候预测数据;根据气候预测数据匹配获取污染净化序列,结合排放预测数据计算获取污染预测数据。
本实施例的数据交互模块通过数据平台获取需要进行空气质量预测时刻对应的气候预测数据,根据气候预测数据可获取气候标签。将气候标签输入至气候匹配模型中可获取对应的污染净化序列,结合排放预测数据可计算出预测时刻空气中污染要素A、B和C的浓度,实现空气质量的预测。
值得注意的是,若确定了预测未来某时刻S的空气质量,则获取该时刻S的气候预测数据以及对应的气候标签。而在获取排放预测数据时,则需要综合扩散系数来考虑,若扩散时长为5分钟,则时刻S之前5分钟预测的排放数据为需要的排放预测数据。当然,各污染要素的排放预测数据可根据各自的扩散系数单独获取。
本实施例的第三步是污染预警模块根据污染预测数据确定空气质量等级;当空气质量等级小于设定的等级阈值时,根据空气质量等级进行健康预警,以及根据污染预测数据匹配各污染要素的污染调控方案。
本实施例根据污染要素A、B、C对空气质量的影响确定对应的权重系数,结合污染要素A、B、C的预测浓度获取空气质量分数,根据空气质量分数可以确定空气质量等级。当空气质量等级较低时,进行健康预警,同时匹配污染调控方案。针对污染调控方案进行模拟,根据模拟结果判断是否能够提高空气质量,并在模拟过程中对具体数据进行优化,如人工降雨可提高空气质量,则需要有优化人工降雨量。
上述公式中的部分数据是去除量纲取其数值计算,公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式;公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理:获取监测区域的历史污染数据和对应的气候标签;比较历史污染数据中的污染排放浓度和污染监测浓度,获取各污染要素的净化系数;将各净化系数拼接整合生成污染净化序列,关联污染净化序列与气候标签。获取监测区域的排放预测数据和气候预测数据;根据气候预测数据匹配获取污染净化序列,结合排放预测数据计算获取污染预测数据。根据污染预测数据确定空气质量等级;当空气质量等级小于设定的等级阈值时,根据空气质量等级进行健康预警,以及根据污染预测数据匹配各污染要素的污染调控方案。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (6)
1.一种基于大数据的空气污染监测系统,包括中枢控制模块,以及与之相连接的数据交互模块和污染预警模块;其特征在于:
中枢数据模块通过数据交互模块获取监测区域的历史污染数据和对应的气候标签;比较历史污染数据中的污染排放浓度和污染监测浓度,获取各污染要素的净化系数;将各净化系数拼接整合生成污染净化序列,关联污染净化序列与气候标签;其中,气候标签根据大气气压、湿度或者降雨量确定;以及
通过数据交互模块获取监测区域的排放预测数据和气候预测数据;根据气候预测数据匹配获取污染净化序列,结合排放预测数据计算获取污染预测数据;其中,排放预测数据为预测的各污染要素的排放浓度;
污染预警模块根据污染预测数据确定空气质量等级;当空气质量等级小于设定的等级阈值时,根据空气质量等级进行健康预警,以及根据污染预测数据匹配各污染要素的污染调控方案;
所述比较历史污染数据中的污染排放浓度和污染监测浓度,包括:
将污染要素标记为i;其中,污染要素包括烟尘、总悬浮颗粒物、可吸入颗粒物、细颗粒物、二氧化氮、二氧化硫、一氧化碳、臭氧或者挥发性有机化合物;
将污染要素i的污染排放浓度和污染监测浓度分别标记为WPi和WJi;通过公式JXi=(WJi-QWJi)/(WPi-QWPi)获取污染要素i对应的净化系数JXi;其中,QWJi为前一时刻的污染排放浓度,QWPi为前一时刻污染排放浓度对应的污染监测浓度,污染排放浓度和污染监测浓度的对应关系根据扩散系数确定,扩散系数为扩散时间,扩散时间为染排放浓度和污染监测浓度的获取时间差;
所述结合排放预测数据计算获取污染预测数据,包括:
结合气候匹配模型获取气候预测数据生成对应的污染净化序列之后,根据扩散系数获取对应的排放预测数据;其中,扩散系数根据气候标签确定;
将根据扩散系数获取的排放预测数据与污染净化序列结合,计算获取污染预测数据;其中,污染预测数据包括各污染要素对应的预测浓度。
2.根据权利要求1所述的一种基于大数据的空气污染监测系统,其特征在于,所述关联污染净化序列与气候标签,包括:
将若干气候标签与对应的污染净化序列进行关联,获取若干气候关联组;
判断若干气候关联组的气候覆盖范围是否全面;是,则生成气候匹配模型;否,则进行数据补充,生成气候匹配模型。
3.根据权利要求2所述的一种基于大数据的空气污染监测系统,其特征在于,所述生成气候匹配模型,包括:
提取若干气候关联组中的气候标签,整合成标准输入组;提取气候关联组中各气候标签对应的污染净化序列,整合成标准输出组;
通过标准输入组和标准输出组训练构建的人工智能模型,获取气候匹配模型;其中,人工智能模型包括BP神经网络模型或者RBF神经网络模型。
4.根据权利要求1所述的一种基于大数据的空气污染监测系统,其特征在于,所述污染预警模块根据污染预测数据确定空气质量等级,包括:
提取污染预测数据中各污染要素i的预测浓度YNi;根据空气质量评价要求确定各污染要素i的权重系数QXi;
通过公式KZF=∑(QXi×YNi)计算获取空气质量分数KZF;根据空气质量分数KZF确定空气质量等级。
5.根据权利要求1所述的一种基于大数据的空气污染监测系统,其特征在于,所述根据污染预测数据匹配各污染要素的污染调控方案,包括:
根据监测区域的污染预测数据匹配污染调控方案;其中,污染调控方案包括源头排放控制或者污染处理控制;
对污染调控方案进行模拟,根据模拟结果优化污染调控方案。
6.根据权利要求1所述的一种基于大数据的空气污染监测系统,其特征在于,所述中枢控制模块分别与数据交互模块和污染预警模块通信和/或电气连接;所述污染预警模块分别与数据库和智能终端通信和/或电气连接;
所述数据交互模块分别与数据库和数据平台通信和/或电气连接;其中,数据库用于存储数据,数据平台用于预测气候数据和各污染要素的排放浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770376.XA CN116522166B (zh) | 2023-06-28 | 2023-06-28 | 一种基于大数据的空气污染监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770376.XA CN116522166B (zh) | 2023-06-28 | 2023-06-28 | 一种基于大数据的空气污染监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116522166A CN116522166A (zh) | 2023-08-01 |
CN116522166B true CN116522166B (zh) | 2023-09-15 |
Family
ID=87396189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310770376.XA Active CN116522166B (zh) | 2023-06-28 | 2023-06-28 | 一种基于大数据的空气污染监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522166B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN111445076A (zh) * | 2020-03-30 | 2020-07-24 | 福建工程学院 | 一种基于lstm的空气污染分析方法 |
CN113420071A (zh) * | 2021-06-24 | 2021-09-21 | 天津大学 | 大气污染区域联防联控应急调控方案优选方法 |
CN114819704A (zh) * | 2022-05-16 | 2022-07-29 | 山东天星北斗信息科技有限公司 | 一种移动源污染物排放溯源方法及系统 |
CN115951014A (zh) * | 2022-11-21 | 2023-04-11 | 南通大学 | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200951888A (en) * | 2008-06-13 | 2009-12-16 | Univ Nat Taiwan | System and method of detecting air pollution, route-planning method applied to said detection system, and warning method of air pollution |
WO2014194480A1 (en) * | 2013-06-05 | 2014-12-11 | Microsoft Corporation | Air quality inference using multiple data sources |
-
2023
- 2023-06-28 CN CN202310770376.XA patent/CN116522166B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN111445076A (zh) * | 2020-03-30 | 2020-07-24 | 福建工程学院 | 一种基于lstm的空气污染分析方法 |
CN113420071A (zh) * | 2021-06-24 | 2021-09-21 | 天津大学 | 大气污染区域联防联控应急调控方案优选方法 |
CN114819704A (zh) * | 2022-05-16 | 2022-07-29 | 山东天星北斗信息科技有限公司 | 一种移动源污染物排放溯源方法及系统 |
CN115951014A (zh) * | 2022-11-21 | 2023-04-11 | 南通大学 | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 |
Non-Patent Citations (3)
Title |
---|
An Optimized Artificial Neural Network Model using Genetic Algorithm for Prediction of Traffic Emission Concentrations;Akibu Mahmoud Abdullah 等;《International Journal of Advanced Computer Science and Applications》;全文 * |
太原市城区大气污染物排放特征及防治建议;王娟;《山西科技》;全文 * |
进口废旧物品中病原微生物污染状况的研究;赵丕华 等;《中国国境卫生检疫杂志》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116522166A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531030B (zh) | 一种基于物联网大数据大气污染物分析的方法及装置 | |
Dedovic et al. | Forecasting PM10 concentrations using neural networks and system for improving air quality | |
CN110531029B (zh) | 一种基于环保物联网大数据预测空气质量趋势的装置 | |
Mahanta et al. | Urban air quality prediction using regression analysis | |
CN113901714A (zh) | 基于人工智能的臭氧层预报算法 | |
CN110727717A (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
CN108802856B (zh) | 一种基于ai的源数据动态修正预报系统及其工作方法 | |
CN114858976A (zh) | 一种工业园区大气质量智能分析方法及系统 | |
CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
CN118015795B (zh) | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 | |
CN116363513A (zh) | 一种基于数据分析的热带森林灾后修复检测系统 | |
CN116522166B (zh) | 一种基于大数据的空气污染监测系统 | |
CN113192282A (zh) | 一种基于物联网技术的火灾预警系统 | |
CN117057668A (zh) | 基于深度学习模型的工业污染物排放量预测方法 | |
CN117495159A (zh) | 一种基于环保设施的碳排放智能监测分析方法 | |
CN113420443B (zh) | 一种耦合峰值均值因子的恶臭精准模拟方法 | |
Qu et al. | Short-term mathematical prediction model of air quality based on CEEMD-ELM-PSO | |
CN110322015B (zh) | 车检数据生成方法 | |
Ozdemir et al. | Prediction of tropospheric ozone concentration by employing artificial neural networks | |
CN117291319B (zh) | 一种基于机器学习的o3余量预测方法 | |
CN112763104A (zh) | 一种基于物联网的结构构件疲劳寿命管理系统及应用 | |
CN111445036A (zh) | 光伏电站清洗频率的动态调整方法及存储介质 | |
CN116757311B (zh) | 基于大数据的生态环境污染监测方法及系统 | |
CN115950797B (zh) | 污染物溯源方法和系统 | |
CN115566997B (zh) | 用于空压站的光伏组件衰减测试系统及方法 |
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 |