CN116663334B - 一种监测站点大气污染物本地排放贡献的量化识别方法 - Google Patents
一种监测站点大气污染物本地排放贡献的量化识别方法 Download PDFInfo
- Publication number
- CN116663334B CN116663334B CN202310935719.3A CN202310935719A CN116663334B CN 116663334 B CN116663334 B CN 116663334B CN 202310935719 A CN202310935719 A CN 202310935719A CN 116663334 B CN116663334 B CN 116663334B
- Authority
- CN
- China
- Prior art keywords
- contribution
- concentration
- local
- site
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 25
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 14
- 230000006872 improvement Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
- Control Of Non-Electrical Variables (AREA)
Abstract
本发明公开了一种监测站点大气污染物本地排放贡献的量化识别方法，属于大气污染防治领域；包括：基于空气质量模型模拟得到各站点区域贡献浓度，逐时刻计算各站点区域贡献与全部站点区域贡献平均浓度的比值，即为区域贡献不均匀系数；引入区域平均和本地贡献优化变量，将区域贡献平均优化浓度与区域贡献不均匀系数相乘，得到区域贡献优化浓度表达式；以本地和区域贡献优化浓度之和与监测浓度误差最小化为目标，构建目标方程；确定本地贡献优化浓度的限制范围，联合目标方程构建优化模型；根据监测浓度与区域贡献不均匀系数，通过求解优化模型，得到站点的本地贡献优化浓度。本发明实现了站点本地贡献浓度的量化识别，为精细化污染管控提供支撑。
Description
技术领域
本发明属于大气污染防治领域，涉及一种监测站点大气污染物本地排放贡献的量化识别方法，具体涉及一种基于数值模拟、数学优化与空气质量监测数据结合的监测站点大气污染物本地排放贡献的量化识别方法。
背景技术
随着我国经济的快速发展，工业化和城市化进程的加快，能源消耗不断增加，大气环境问题日益突出。近年来，我国针对大气污染采取了能源与经济结构调整、区域联防联控等宏观管控措施，空气质量改善显著，但城市污染问题依旧突出。在新的管控阶段，面向城市监测站点的大气污染精细化管控成为我国空气质量改善的关键。而搞清楚空气监测站点的大气污染物本地排放贡献，是制定科学合理的精细化管控措施的重要前提。
目前，量化大气污染物本地和非本地排放贡献主要是利用空气质量模型模拟来实现。常用空气质量模型主要包括中尺度（区域与城市，如CMAQ等）与小尺度（如AERMOD等）两类。中尺度空气质量模型适用于较大范围（如城市、区县尺度）的排放影响估算，难以模拟站点及周边局地范围的准确模拟量化；小尺度空气质量模型一方面由于化学机制较为简单，无法准确模拟PM2.5和O3等复合污染物的生成过程；另一方面，由于受复杂下垫面影响很大，小尺度气象场难以准确模拟，导致空气质量模型模拟存在偏差。而且，上述两类空气质量模型的模拟性能均依赖于源排放的准确性，而在站点周边局地尺度范围内，排放情形复杂（如动态波动或存在异常排放等），精细化、准确的排放清单难以动态量化。以上原因使得基于空气质量模型的本地排放贡献量化存在较大不确定性。为此，亟待建立准确量化识别监测站点大气污染物本地排放贡献的技术方法。
为此，本研究基于数学优化和空气质量模型，结合监测浓度，构建了监测站点逐时刻大气污染物本地排放贡献动态量化识别技术，可为各城市制定动态的大气污染精细化管控措施提供科学支撑。
发明内容
针对现有技术中存在的站点大气污染物本地贡献难以快速动态量化识别的问题，本发明提供一种基于数值模拟、数学优化与空气质量监测数据结合的监测站点大气污染物本地排放贡献的量化识别方法。
本发明公开了一种监测站点大气污染物本地排放贡献的量化识别方法，包括：
步骤1、基于空气质量模型模拟浓度，得到目标区域内各监测站点的本地贡献浓度和区域贡献浓度，并逐时刻计算各站点区域贡献浓度与全部站点区域贡献平均浓度的比值，得到各站点的区域贡献不均匀系数；
步骤2、引入全部站点的区域贡献平均优化浓度作为变量，将区域贡献平均优化浓度与各站点的区域贡献不均匀系数相乘，得到各站点的区域贡献优化浓度的表达式；
步骤3、引入本地贡献优化浓度作为变量，以站点的本地贡献优化浓度和区域贡献优化浓度之和与空气质量监测浓度误差最小化为目标，构建目标方程；
步骤4、基于空气质量模型模拟得到的本地贡献浓度以及空气质量监测浓度，确定各站点的本地贡献优化浓度的限制范围，该限制范围联合目标方程构建优化模型；
步骤5、根据逐时刻的空气质量监测浓度与区域贡献不均匀系数，通过求解优化模型，得到各站点逐时刻的本地贡献优化浓度，作为本地排放贡献的量化识别结果。
作为本发明的进一步改进，在所述步骤1中，区域贡献不均匀系数的计算公式为：
;
式中，
为第i个站点的区域贡献不均匀系数；
为第i个站点的区域贡献浓度；
为全部站点的区域贡献平均浓度。
作为本发明的进一步改进，在所述步骤2中，各站点的区域贡献优化浓度的表达式为：
;
式中，
为全部站点的区域贡献平均优化浓度；
为第i个站点的区域贡献不均匀系数；
为第i个站点的区域贡献优化浓度。
作为本发明的进一步改进，在所述步骤3中，目标方程为：
;
式中，
为第i个站点的本地贡献优化浓度，n为站点数；
为全部站点的区域贡献平均优化浓度；
为第i个站点的区域贡献不均匀系数；
是第i个站点的空气质量监测浓度。
作为本发明的进一步改进，在所述步骤4中，各站点的本地贡献优化浓度的限制范围的确定方法为：
基于空气质量模型模拟的本地贡献浓度和区域贡献浓度，计算研究区域内本地贡献浓度占本地贡献浓度与区域贡献浓度之和的最大占比a和最小占比b，结合空气质量监测浓度来源于本地排放贡献和区域排放贡献两部分，将本地贡献优化浓度限制在最小占比乘以监测浓度和最大占比乘以监测浓度的范围内：
;
式中，
为第i个站点的本地贡献优化浓度；
是第i个站点的空气质量监测浓度。
与现有技术相比，本发明的有益效果为：
本发明计算得到的区域贡献不均匀系数可以量化各站点区域贡献的分布情况，通过构建的优化模型能够快速动态地量化识别多个站点大气污染物逐时刻的本地贡献优化浓度，为小尺度精细化溯源提供关键基础数据；本发明可快速、准确、高效的动态量化识别站点大气污染物本地排放贡献，为各城市制定动态的大气污染精细化管控措施提供科学支撑。
附图说明
图1为本发明公开的监测站点大气污染物本地排放贡献的量化识别方法的流程图；
图2a为本发明实施例记载的2021年12月01日到2021年12月10日鲁南制药厂站点SO2区域贡献不均匀系数的分布示意图；
图2b为本发明实施例记载的2021年12月01日到2021年12月10日鲁南制药厂站点PM2.5区域贡献不均匀系数的分布示意图；
图3a为本发明实施例记载的2021年12月01日到2021年12月10日鲁南制药厂站点逐时刻SO2本地排放贡献浓度示意图；
图3b为本发明实施例记载的2021年12月01日到2021年12月10日鲁南制药厂站点逐时刻PM2.5本地排放贡献浓度示意图。
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，本发明提供一种监测站点大气污染物本地排放贡献的量化识别方法，包括：
步骤1、基于空气质量模型模拟浓度，得到目标区域内各监测站点的本地贡献浓度和区域贡献浓度，逐时刻计算各站点区域贡献浓度与全部站点区域贡献平均浓度的比值，得到区域贡献不均匀系数；其中，区域贡献不均匀系数的计算公式为：
;
式中，
为第i个站点的区域贡献不均匀系数；
为第i个站点的区域贡献浓度；
为全部站点的区域贡献平均浓度。
步骤2、引入全部站点的区域贡献平均优化浓度作为变量，将区域贡献平均优化浓度与各站点的区域贡献不均匀系数相乘，得到各站点的区域贡献优化浓度的表达式；其中，
各站点的区域贡献优化浓度的表达式为：
;
式中，
为全部站点的区域贡献平均优化浓度；
为第i个站点的区域贡献不均匀系数；
为第i个站点的区域贡献优化浓度；
上式中，与/>均为变量。
步骤3、引入本地贡献优化浓度作为变量，以站点的本地贡献优化浓度和区域贡献优化浓度之和与空气质量监测浓度误差最小化为目标，构建目标方程；其中，
目标方程为：
;
式中，
为第i个站点的本地贡献优化浓度，n为站点数；
为全部站点的区域贡献平均优化浓度；
为第i个站点的区域贡献不均匀系数；
是第i个站点的空气质量监测浓度。
步骤4、基于空气质量模型模拟得到的本地贡献浓度以及空气质量监测浓度，确定各站点的本地贡献优化浓度的限制范围，该限制范围联合目标方程构建优化模型；其中，
各站点的本地贡献优化浓度的限制范围的确定方法为：
基于空气质量模型模拟的本地贡献浓度和区域贡献浓度，计算研究区域内本地贡献浓度占本地贡献浓度与区域贡献浓度之和的最大占比a和最小占比b，结合空气质量监测浓度来源于本地排放贡献和区域排放贡献两部分，将本地贡献优化浓度限制在最小占比乘以监测浓度和最大占比乘以监测浓度的范围内：
;
式中，
为第i个站点的本地贡献优化浓度；
是第i个站点的空气质量监测浓度。
步骤5、根据逐时刻的空气质量监测浓度与区域贡献不均匀系数，通过求解优化模型，得到各站点逐时刻的本地贡献优化浓度，作为本地排放贡献的量化识别结果。
实施例:
以临沂市市区空气质量国控和省控站点为研究站点，以鲁南制药厂站点为目标站点，以SO2、PM2.5为目标污染物进行实施案例；该实施例的监测站点大气污染物本地排放贡献的量化识别方法，具体包括：
S1、以临沂市7个国控和省控站点为研究站点，基于空气质量模型结果获得7个研究站点的本地贡献浓度和区域贡献浓度，并对7个研究站点的区域贡献浓度求平均获得区域贡献平均浓度，逐时刻计算各站点区域贡献浓度与全部站点区域贡献平均浓度的比值，得到区域贡献不均匀系数；其中，
区域贡献不均匀系数的计算公式为：
;
式中，
为第i个站点的区域贡献不均匀系数；
为第i个站点的区域贡献浓度；
为全部站点的区域贡献平均浓度。
计算结果如图2a、图2b所示。
S2、引入全部站点的区域贡献平均优化浓度作为变量，将区域贡献平均优化浓度与各站点的区域贡献不均匀系数相乘，得到各站点的区域贡献优化浓度的表达式；其中，
各站点的区域贡献优化浓度的表达式为：
;
式中，
为全部站点的区域贡献平均优化浓度；
为第i个站点的区域贡献不均匀系数；
为第i个站点的区域贡献优化浓度；
上式中，与/>均为变量。
S3、引入本地贡献优化浓度作为变量，以站点的本地贡献优化浓度和区域贡献优化浓度之和与空气质量监测浓度误差最小化为目标，构建目标方程；其中，
目标方程为：
;
式中，
为第i个站点的本地贡献优化浓度；
为全部站点的区域贡献平均优化浓度；
为第i个站点的区域贡献不均匀系数；
是第i个站点的空气质量监测浓度。
S4、基于空气质量模型模拟得到的本地贡献浓度以及空气质量监测浓度，确定各站点的本地贡献优化浓度的限制范围，该限制范围联合目标方程构建优化模型；其中，
各站点的本地贡献优化浓度的限制范围的确定方法为：
基于空气质量模型模拟的本地贡献浓度和区域贡献浓度，计算研究区域内本地贡献浓度占本地贡献浓度与区域贡献浓度之和的最大占比a和最小占比b，结合空气质量监测浓度来源于本地排放贡献和区域排放贡献两部分，将本地贡献优化浓度限制在最小占比乘以监测浓度和最大占比乘以监测浓度的范围内：
;
式中，
为第i个站点的本地贡献优化浓度；
是第i个站点的空气质量监测浓度。
步骤5、根据逐时刻的空气质量监测浓度与区域贡献不均匀系数，通过求解优化模型，得到各站点逐时刻的本地贡献优化浓度，作为本地排放贡献的量化识别结果；其中，以鲁南制药厂为目标站点，量化识别临沂市鲁南制药厂站点本地贡献浓度分布，图3a和图3b展示了2021年12月01日到2021年12月10日鲁南制药厂站点逐时刻SO2和PM2.5本地排放贡献浓度。
本发明的优点为：
本发明计算得到的区域贡献不均匀系数可以量化各站点区域贡献的分布情况，以本地和区域贡献之和与监测浓度误差最小化为目标，结合区域贡献的不均匀系数和空气监测数据，实现了小尺度大气污染物本地贡献浓度动态量化识别，大大弥补了现有大气污染物本地贡献浓度识别不清的问题，对改善空气质量有着重要作用；本发明可快速、准确、高效的动态量化识别站点大气污染物本地排放贡献，为各城市制定动态的大气污染精细化管控措施提供科学支撑。
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 (4)
1.一种监测站点大气污染物本地排放贡献的量化识别方法，其特征在于，包括：
步骤1、基于空气质量模型模拟浓度，得到目标区域内各监测站点的本地贡献浓度和区域贡献浓度，并逐时刻计算各站点区域贡献浓度与全部站点区域贡献平均浓度的比值，得到各站点的区域贡献不均匀系数；
步骤2、引入全部站点的区域贡献平均优化浓度作为变量，将区域贡献平均优化浓度与各站点的区域贡献不均匀系数相乘，得到各站点的区域贡献优化浓度的表达式；
步骤3、引入本地贡献优化浓度作为变量，以站点的本地贡献优化浓度和区域贡献优化浓度之和与空气质量监测浓度误差最小化为目标，构建目标方程；其中，目标方程为：
;
式中，
为第i个站点的本地贡献优化浓度，n为站点数；
为全部站点的区域贡献平均优化浓度；
为第i个站点的区域贡献不均匀系数；
是第i个站点的空气质量监测浓度；
步骤4、基于空气质量模型模拟得到的本地贡献浓度以及空气质量监测浓度，确定各站点的本地贡献优化浓度的限制范围，该限制范围联合目标方程构建优化模型；
步骤5、根据逐时刻的空气质量监测浓度与区域贡献不均匀系数，通过求解优化模型，得到各站点逐时刻的本地贡献优化浓度，作为本地排放贡献的量化识别结果。
2.如权利要求1所述的监测站点大气污染物本地排放贡献的量化识别方法，其特征在于，在所述步骤1中，区域贡献不均匀系数的计算公式为：
;
式中，
为第i个站点的区域贡献不均匀系数；
为第i个站点的区域贡献浓度；
为全部站点的区域贡献平均浓度。
3.如权利要求1所述的监测站点大气污染物本地排放贡献的量化识别方法，其特征在于，在所述步骤2中，各站点的区域贡献优化浓度的表达式为：
;
式中，
为全部站点的区域贡献平均优化浓度；
为第i个站点的区域贡献不均匀系数；
为第i个站点的区域贡献优化浓度。
4.如权利要求1所述的监测站点大气污染物本地排放贡献的量化识别方法，其特征在于，在所述步骤4中，各站点的本地贡献优化浓度的限制范围的确定方法为：
基于空气质量模型模拟的本地贡献浓度和区域贡献浓度，计算研究区域内本地贡献浓度占本地贡献浓度与区域贡献浓度之和的最大占比a和最小占比b，结合空气质量监测浓度来源于本地排放贡献和区域排放贡献两部分，将本地贡献优化浓度限制在最小占比乘以监测浓度和最大占比乘以监测浓度的范围内：
;
式中，
为第i个站点的本地贡献优化浓度；
是第i个站点的空气质量监测浓度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310935719.3A CN116663334B (zh) | 2023-07-28 | 2023-07-28 | 一种监测站点大气污染物本地排放贡献的量化识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310935719.3A CN116663334B (zh) | 2023-07-28 | 2023-07-28 | 一种监测站点大气污染物本地排放贡献的量化识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116663334A CN116663334A (zh) | 2023-08-29 |
| CN116663334B true CN116663334B (zh) | 2023-10-13 |
Family
ID=87720935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310935719.3A Active CN116663334B (zh) | 2023-07-28 | 2023-07-28 | 一种监测站点大气污染物本地排放贡献的量化识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663334B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101882874B1 (ko) * | 2017-09-05 | 2018-08-24 | 한국전력기술 주식회사 | 대기환경을 고려한 발전기 운영 계획 수립 방법 및 그 장치 |
| CN115526330A (zh) * | 2022-05-11 | 2022-12-27 | 广州禾信仪器股份有限公司 | 有机物走航数据校准方法、装置、计算机设备和存储介质 |
| CN116402408A (zh) * | 2023-06-06 | 2023-07-07 | 北京工业大学 | 一种基于站点浓度差异的本外地排放贡献估算方法 |
-
2023
- 2023-07-28 CN CN202310935719.3A patent/CN116663334B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101882874B1 (ko) * | 2017-09-05 | 2018-08-24 | 한국전력기술 주식회사 | 대기환경을 고려한 발전기 운영 계획 수립 방법 및 그 장치 |
| CN115526330A (zh) * | 2022-05-11 | 2022-12-27 | 广州禾信仪器股份有限公司 | 有机物走航数据校准方法、装置、计算机设备和存储介质 |
| CN116402408A (zh) * | 2023-06-06 | 2023-07-07 | 北京工业大学 | 一种基于站点浓度差异的本外地排放贡献估算方法 |
Non-Patent Citations (4)
| Title |
|---|
| 2016-2021年上海市青浦区空气质量变化特征分析;徐雯晖;《上海市青浦区环境监测站》;全文 * |
| 2017年上海臭氧污染气象条件分析及臭氧污染天气分型研究;余钟奇;马井会;毛卓成;曹钰;瞿元昊;许建明;;气象与环境学报(第06期);全文 * |
| 基于空气质量模型对佛山市PM_(2.5)的来源研究;赵文龙;李云鹏;余永昌;邓思欣;龚道程;古颖纲;王伯光;;中国环境科学(第05期);全文 * |
| 多模式模拟评估奥运赛事期间可吸入颗粒物减排效果;吴其重;王自发;徐文帅;黄江平;Alex Gbaguidi;;环境科学学报(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116663334A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110824110B (zh) | 一种基于拉格朗日轨迹模式和化学盒子模式的区域臭氧污染溯源系统 | |
| Yao et al. | The impact of multiple dimensions of urbanization on CO2 emissions: a spatial and threshold analysis of panel data on China's prefecture-level cities | |
| Pan et al. | Climate policy and low-carbon innovation: Evidence from low-carbon city pilots in China | |
| Wang et al. | Evaluating the energy-environment efficiency and its determinants in Guangdong using a slack-based measure with environmental undesirable outputs and panel data model | |
| Zhao et al. | Interprovincial two-stage water resource utilization efficiency under environmental constraint and spatial spillover effects in China | |
| Li et al. | Investigation of a coupling model of coordination between urbanization and the environment | |
| Gao et al. | Spatiotemporal pattern assessment of China’s industrial green productivity and its spatial drivers: Evidence from city-level data over 2000–2017 | |
| Pei et al. | Spatial-temporal dynamics of carbon emissions and carbon sinks in economically developed areas of China: a case study of Guangdong Province | |
| TW200710596A (en) | Method of selecting a grid model for correcting a process recipe for grid deformations in a lithographic apparatus and lithographic assembly using the same | |
| Liu et al. | Estimating the dynamic effects of socioeconomic development on industrial SO2 emissions in Chinese cities using a DPSIR causal framework | |
| CN108596465B (zh) | 一种城市居住建筑系统碳能测算方法 | |
| Yue et al. | The impacts of multi-dimension urbanization on energy-environmental efficiency: Empirical evidence from Guangdong Province, China | |
| Jiang et al. | Coordination between sulfur dioxide pollution control and rapid economic growth in China: Evidence from satellite observations and spatial econometric models | |
| Xu et al. | Investigating the spatially heterogeneous impacts of urbanization on city-level industrial SO2 emissions: Evidence from night-time light data in China | |
| Feng et al. | Improved prediction model for flood-season rainfall based on a nonlinear dynamics-statistic combined method | |
| Tian et al. | Calibrating dynamic building energy models using regression model and Bayesian analysis in building retrofit projects | |
| CN114897241A (zh) | 一种基于数字孪生的楼宇能效智能化监管预测方法 | |
| CN116663334B (zh) | 一种监测站点大气污染物本地排放贡献的量化识别方法 | |
| Liu et al. | Changing trends and influencing factors of energy productivity growth: A case study in the Pearl River Delta Metropolitan Region | |
| Wang et al. | Impact of human capital on the green economy: empirical evidence from 30 Chinese provinces | |
| CN114662282A (zh) | 多因素碳排放核算方法和装置 | |
| Xu | The impact of heterogeneous environmental regulations on regional spatial differences in net carbon emissions | |
| Wang et al. | Spatial correlation network and population mobility effect of regional haze pollution: empirical evidence from Pearl River Delta urban agglomeration in China | |
| Wang et al. | Monitoring urban carbon emissions from energy consumption over China with DMSP/OLS nighttime light observations | |
| CN114722605A (zh) | 一种基于降水量的差减间隔天数法土壤含水量诊断模型 |
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 |