CN116776645B - 基于小波分析的环境空气监测站布点方法及系统 - Google Patents
基于小波分析的环境空气监测站布点方法及系统 Download PDFInfo
- Publication number
- CN116776645B CN116776645B CN202311048008.0A CN202311048008A CN116776645B CN 116776645 B CN116776645 B CN 116776645B CN 202311048008 A CN202311048008 A CN 202311048008A CN 116776645 B CN116776645 B CN 116776645B
- Authority
- CN
- China
- Prior art keywords
- decomposition
- data
- environmental
- monitoring
- point
- 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 154
- 230000007613 environmental effect Effects 0.000 title claims abstract description 94
- 238000004458 analytical method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 137
- 238000012216 screening Methods 0.000 claims abstract description 54
- 238000009826 distribution Methods 0.000 claims abstract description 48
- 230000000737 periodic effect Effects 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 14
- 230000007774 longterm Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000009514 concussion Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 239000003570 air Substances 0.000 claims 4
- 239000012080 ambient air Substances 0.000 claims 4
- 238000013461 design Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000002301 combined effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007430 reference method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000002699 waste material 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了基于小波分析的环境空气监测站布点方法及系统，应用于环境监测站布点设计技术领域，方法包括：获取多个环境监测传感器监测的环境数据作为参考数据；对参考数据进行分解，形成多级分解方案及分解特征；选取分解方案作为选定分级；在多个待选点位中选取初筛点位；根据目标监测区域的环境情况选取监测站最佳选址点位。本发明基于小波分析的环境空气监测站布点方法及系统，通过上述技术方案，利用小波分析方法优化城市环境空气质量监测站布点设计，优化了城市环境监测点位选点，最大限度的降低了选点布点成本、节约了资源，并且方法科学有利于布点的自动规划。
Description
技术领域
本发明涉及环境监测站布点设计技术，具体涉及基于小波分析的环境空气监测站布点方法及系统。
背景技术
随着我国经济迅速发展，城市规划及工业园增多对生态环境造成影响，空气污染问题日益严重，对人体健康和绿色可持续发展带来了较大负面影响。通过自动监测点数据，可以真实反映出城市环境与空气污染的情况。因此，注重监测城市环境空气质量，对城市环境与经济的协调发展具有重要意义。当前在自动监测优化布点设计时，一般按照以下步骤，第一，明确监测目标，合理规划监测范围和内容；第二，参考城市历史数据，明确监测点数量和类型，划分不同监测点范围；第三，优化设计监测方案，有效管理监测点。优化布点位置能够有效提升空气质量监测水平，从而得到更精准的信息，更好的实现空气质量监测，以达到环境治理的目的。布点优化的方法较多应用数理统计法、功能区网格法、综合法、模型法等，为确保监测点位的最优化，应当全面分析区域气象、地理环境等条件，确保布点合理、均匀分布。在选择监测点位时，必须确保其具备代表性，可以真实反映区域空气质量和环境质量。
但是传统的优化布点方法存在随机性较大，无法有效处理非正态和非线性的数据。城市环境空气质量受到多种因素综合影响，而且不同城市主要产业、地理位置、气候特点、交通结构等不同，也会造成城市空气质量影响因素的差异性。目前对城市环境空气质量的监测主要是安装在城市中的监测站，这样的空气质量监测站精度高、造价高、运维成本高，所以找到一种科学、低成本的城市布点设计方案，不光可以解决资源过度浪费的问题，还能能够对城市的监测站布点设计做出科学指导。当前，我国诸多的城市环境空气质量研究主要集中于大气颗粒物和臭氧方面，相关研究包括了对这些污染物的化学组成研究和物理特征等。然而，对于科学低成本设计城市监测站还没有相关研究，对城市环境空气质量进行科学合理的监测，是促进可持续发展、保持城市环境协调发展的重要工作，对环境保护具有十分重要的意义。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供基于小波分析的环境空气监测站布点方法及系统。
第一方面，本申请实施例提供了基于小波分析的环境空气监测站布点方法，包括：
在目标监测区域的多个待选点位布设环境监测传感器，并获取多个所述环境监测传感器监测的环境数据作为参考数据；
对所述参考数据通过小波分析进行分解，形成多级分解方案及对应不同分解方案的分解特征；所述分解特征包括分解方案的数据周期特征和波形特征；
根据所述分解特征选取周期特征的显著性超过预设值的分解方案作为选定分级；
根据所述选定分级的分解特征在多个待选点位中选取最匹配所述目标监测区域的监测需求的多个点位作为初筛点位；
根据目标监测区域的环境情况从所述初筛点位中选取监测站最佳选址点位。
本申请实施例实施时，需要在目标监测区域的待选点位布设相应的环境监测传感器；而对于待选点位的选择，需要满足一定的预设条件，如：全部的待选点位均在目标监测区域内，且边界层垂直扩散条件一致，由流通水平决定的水平扩散好，由附近的管理水平决定的周边局地污染次数较少。同时，对于待选点位的数量选择也需要考虑到城市范围、城市污染状况、工业分布、城市交通规划等因素。待选点位的数量与当地经济发展、空气质量监督要求等因素有关。在确定待选点位数量时，必须按照当地污染物的空间分布特点进行分析。采用定量法确定待选点位数量，定量法是通过理论建模、建立标准化理论条件所实现，此种分析方法不会受到气候和环境影响，能够作为理论参考方法。
在本申请实施例中，环境数据在环境监测传感器采样后，还需要进行相应的预处理形成参考数据，其中环境数据可以是需要进行环境空气监测的任何数据，如PM2.5等，本申请实施例对此不多做限定。参考数据是对应不同待选点位的多个时间序列数据，通过小波分析可以将其进行一级一级的分解，每次分解的结果一般会包括一个低频信号和一个高频信号。低频信号和高频信号的波形特征即为该级分解方案的波形特征，低频信号和高频信号的数据周期特征即为该级分解方案的数据周期特征。
在本申请实施例中，利用小波分析对数据进行分解测试，确定分解层数并定义背景浓度和近场贡献代表层，其中背景浓度会在分解特征中表现出显著的周期特征，即低频信号或高频信号的数据周期特征表现出较强的显著性，此时将对应的分级层数对应的分解方案作为进行后续分析筛选的选定分级。在数据周期特征的显著性评价时，可以采用人工进行筛选，也可以采用智能模型进行筛选。具体的，当采用智能模型进行筛选时，将低频信号或高频信号输入预设的智能模型；智能模型以预设时间长度的分窗为基准对输入的信号进行分窗采样；当多个连续的分窗在历史分窗中存在相似的连续分窗，则判定该信号的数据周期特征的显著性高于预设值；将该信号对应的分解方案作为选定分级。应当理解的是通过智能模型进行选定分级选取的时候，可以从最低层级开始输入智能模型，如果输入信号未被智能模型判定为选定分级，则进行下一层级的分解并将分解出的信号再次通过智能模型判定，直至找出选定分级。
在本申请实施例中，最匹配目标监测区域的监测需求的待选点位可以根据实际监测需要进行特征限定，例如，如果分析时对分解特征中的近场贡献进行积分时，积分均值为正的点位可以选做对近场气象因子和排放因子综合作用会加重污染的监测需求的初筛点位；同样的，积分均值为负的点位可以选做对近场气象因子和排放因子综合作用会减少污染的监测需求的初筛点位。在获取了初筛点位时，为了更准确的选取最终的监测点位，还需要根据实际的环境情况进行进一步的筛选，如对风向、污染源等信息进行分析进而进一步的选取监测点位。本申请通过上述技术方案，利用小波分析方法优化城市环境空气质量监测站布点设计，优化了城市环境监测点位选点，最大限度的降低了选点布点成本、节约了资源，并且方法科学有利于布点的自动规划。
在一种可能的实现方式中，获取多个所述环境监测传感器监测的环境数据作为参考数据包括：
获取多个所述环境监测传感器监测的环境数据，并对所述环境数据进行异常值和缺检值的剔除或补全；
基于对数据震荡的观察对处理后的所述环境数据进行数据组平均形成所述参考数据。
在一种可能的实现方式中，对所述参考数据通过小波分析进行分解，形成多级分解方案及对应不同分解方案的分解特征包括：
将所述参考数据的时间序列数据进行逐级分解形成多级分解方案；
将每级分解出的低频信号和高频信号作为该级分解方案的分解特征。
在一种可能的实现方式中，根据所述分解特征选取周期特征的显著性超过预设值的分解方案作为选定分级包括：
获取所述分解特征中具有长期趋势的低频信号作为第一背景信号；
分析所述第一背景信号获取所述第一背景信号的周期特征；
将周期特征的显著性超过预设值的第一背景信号对应的所述分解方案作为所述选定分级。
在一种可能的实现方式中，根据所述选定分级的分解特征在多个待选点位中选取最匹配所述目标监测区域的监测需求的多个点位作为初筛点位包括：
从所述待选点位的所述选定分级的分解特征中获取第二背景信号和原始信号；所述第二背景信号为所述分解特征中具有长期趋势的低频信号；所述原始信号为所述分解特征对应的所述参考数据的时间序列数据；
计算所述原始信号和所述第二背景信号的差值作为近场贡献数据；
对所述近场贡献数据进行积分计算获取正值区面积和负值区面积；
根据所述正值区面积和所述负值区面积计算所述近场贡献数据的积分均值结果；
获取目标监测区域的环境情况，并根据所述环境情况获取所述目标监测区域内近场贡献数据规律；所述环境情况包括近场气象因子和排放因子；
选出与所述近场贡献数据规律差异最小的多个所述积分均值结果对应的所述待选点位作为所述初筛点位。
在一种可能的实现方式中，根据目标监测区域的环境情况从所述初筛点位中选取监测站最佳选址点位包括：
获取目标监测区域的环境情况形成对应所述初筛点位的散点图；所述散点图包括表征污染指数的污染指数散点图和表征风速的风速散点图；
根据所述污染指数散点图分析气象因子和排放因子对污染指数的影响，并根据该影响选出符合需求的布点区域作为第一布点区域；
根据所述风速散点图分析风速影响，并根据该影响选出符合需求的布点区域作为第二布点区域；
根据所述第一布点区域和所述第二布点区域从所述初筛点位中选取监测站最佳选址点位。
第二方面，本申请实施例提供了基于小波分析的环境空气监测站布点系统，包括：
获取单元，被配置为获取多个环境监测传感器监测的环境数据作为参考数据；所述环境监测传感器布设于目标监测区域的多个待选点位；
分解单元，被配置为对所述参考数据通过小波分析进行分解，形成多级分解方案及对应不同分解方案的分解特征；所述分解特征包括分解方案的数据周期特征和波形特征；
选定单元，被配置为根据所述分解特征选取周期特征的显著性超过预设值的分解方案作为选定分级；
初筛单元，被配置为根据所述选定分级的分解特征在多个待选点位中选取最匹配所述目标监测区域的监测需求的多个点位作为初筛点位；
终筛单元，被配置为根据目标监测区域的环境情况从所述初筛点位中选取监测站最佳选址点位。
在一种可能的实现方式中，所述获取单元还被配置为：
获取多个所述环境监测传感器监测的环境数据，并对所述环境数据进行异常值和缺检值的剔除或补全；
基于对数据震荡的观察对处理后的所述环境数据进行数据组平均形成所述参考数据。
在一种可能的实现方式中，所述分解单元还被配置为：
将所述参考数据的时间序列数据进行逐级分解形成多级分解方案；
将每级分解出的低频信号和高频信号作为该级分解方案的分解特征。
在一种可能的实现方式中，所述选定单元还被配置为：
获取所述分解特征中具有长期趋势的低频信号作为第一背景信号；
分析所述第一背景信号获取所述第一背景信号的周期特征；
将周期特征的显著性超过预设值的第一背景信号对应的所述分解方案作为所述选定分级。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明基于小波分析的环境空气监测站布点方法及系统，通过上述技术方案，利用小波分析方法优化城市环境空气质量监测站布点设计，优化了城市环境监测点位选点，最大限度的降低了选点布点成本、节约了资源，并且方法科学有利于布点的自动规划。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本申请实施例方法流程示意图；
图2为本申请实施例近场贡献数据示意图；
图3为本申请实施例近场贡献数据积分示意图；
图4为本申请实施例近场贡献数据积分均值示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域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它实施例，都属于本申请保护的范围。
请结合参阅图1，为本发明实施例所提供的基于小波分析的环境空气监测站布点方法的流程示意图，进一步地，所述基于小波分析的环境空气监测站布点方法具体可以包括以下步骤S1-步骤S5所描述的内容。
S1：在目标监测区域的多个待选点位布设环境监测传感器，并获取多个所述环境监测传感器监测的环境数据作为参考数据；
S2：对所述参考数据通过小波分析进行分解，形成多级分解方案及对应不同分解方案的分解特征；所述分解特征包括分解方案的数据周期特征和波形特征；
S3：根据所述分解特征选取周期特征的显著性超过预设值的分解方案作为选定分级；
S4：根据所述选定分级的分解特征在多个待选点位中选取最匹配所述目标监测区域的监测需求的多个点位作为初筛点位；
S5：根据目标监测区域的环境情况从所述初筛点位中选取监测站最佳选址点位。
本申请实施例实施时，需要在目标监测区域的待选点位布设相应的环境监测传感器；而对于待选点位的选择，需要满足一定的预设条件，如：全部的待选点位均在目标监测区域内，且边界层垂直扩散条件一致，由流通水平决定的水平扩散好，由附近的管理水平决定的周边局地污染次数较少。同时，对于待选点位的数量选择也需要考虑到城市范围、城市污染状况、工业分布、城市交通规划等因素。待选点位的数量与当地经济发展、空气质量监督要求等因素有关。在确定待选点位数量时，必须按照当地污染物的空间分布特点进行分析。采用定量法确定待选点位数量，定量法是通过理论建模、建立标准化理论条件所实现，此种分析方法不会受到气候和环境影响，能够作为理论参考方法。
在本申请实施例中，环境数据在环境监测传感器采样后，还需要进行相应的预处理形成参考数据，其中环境数据可以是需要进行环境空气监测的任何数据，如PM2.5等，本申请实施例对此不多做限定。参考数据是对应不同待选点位的多个时间序列数据，通过小波分析可以将其进行一级一级的分解，每次分解的结果一般会包括一个低频信号和一个高频信号。低频信号和高频信号的波形特征即为该级分解方案的波形特征，低频信号和高频信号的数据周期特征即为该级分解方案的数据周期特征。
在本申请实施例中，利用小波分析对数据进行分解测试，确定分解层数并定义背景浓度和近场贡献代表层，其中背景浓度会在分解特征中表现出显著的周期特征，即低频信号或高频信号的数据周期特征表现出较强的显著性，此时将对应的分级层数对应的分解方案作为进行后续分析筛选的选定分级。在数据周期特征的显著性评价时，可以采用人工进行筛选，也可以采用智能模型进行筛选。具体的，当采用智能模型进行筛选时，将低频信号或高频信号输入预设的智能模型；智能模型以预设时间长度的分窗为基准对输入的信号进行分窗采样；当多个连续的分窗在历史分窗中存在相似的连续分窗，则判定该信号的数据周期特征的显著性高于预设值；将该信号对应的分解方案作为选定分级。应当理解的是通过智能模型进行选定分级选取的时候，可以从最低层级开始输入智能模型，如果输入信号未被智能模型判定为选定分级，则进行下一层级的分解并将分解出的信号再次通过智能模型判定，直至找出选定分级。
在本申请实施例中，最匹配目标监测区域的监测需求的待选点位可以根据实际监测需要进行特征限定，例如，如果分析时对分解特征中的近场贡献进行积分时，积分均值为正的点位可以选做对近场气象因子和排放因子综合作用会加重污染的监测需求的初筛点位；同样的，积分均值为负的点位可以选做对近场气象因子和排放因子综合作用会减少污染的监测需求的初筛点位。在获取了初筛点位时，为了更准确的选取最终的监测点位，还需要根据实际的环境情况进行进一步的筛选，如对风向、污染源等信息进行分析进而进一步的选取监测点位。本申请通过上述技术方案，利用小波分析方法优化城市环境空气质量监测站布点设计，优化了城市环境监测点位选点，最大限度的降低了选点布点成本、节约了资源，并且方法科学有利于布点的自动规划。
在一种可能的实现方式中，获取多个所述环境监测传感器监测的环境数据作为参考数据包括：
获取多个所述环境监测传感器监测的环境数据，并对所述环境数据进行异常值和缺检值的剔除或补全；
基于对数据震荡的观察对处理后的所述环境数据进行数据组平均形成所述参考数据。
在一种可能的实现方式中，对所述参考数据通过小波分析进行分解，形成多级分解方案及对应不同分解方案的分解特征包括：
将所述参考数据的时间序列数据进行逐级分解形成多级分解方案；
将每级分解出的低频信号和高频信号作为该级分解方案的分解特征。
在一种可能的实现方式中，根据所述分解特征选取周期特征的显著性超过预设值的分解方案作为选定分级包括：
获取所述分解特征中具有长期趋势的低频信号作为第一背景信号；
分析所述第一背景信号获取所述第一背景信号的周期特征；
将周期特征的显著性超过预设值的第一背景信号对应的所述分解方案作为所述选定分级。
在一种可能的实现方式中，根据所述选定分级的分解特征在多个待选点位中选取最匹配所述目标监测区域的监测需求的多个点位作为初筛点位包括：
从所述待选点位的所述选定分级的分解特征中获取第二背景信号和原始信号；所述第二背景信号为所述分解特征中具有长期趋势的低频信号；所述原始信号为所述分解特征对应的所述参考数据的时间序列数据；
计算所述原始信号和所述第二背景信号的差值作为近场贡献数据；
对所述近场贡献数据进行积分计算获取正值区面积和负值区面积；
根据所述正值区面积和所述负值区面积计算所述近场贡献数据的积分均值结果；
获取目标监测区域的环境情况，并根据所述环境情况获取所述目标监测区域内近场贡献数据规律；所述环境情况包括近场气象因子和排放因子；
选出与所述近场贡献数据规律差异最小的多个所述积分均值结果对应的所述待选点位作为所述初筛点位。
本申请实施例实施时，使用小波分析，可以将时间序列数据X，分解为一个低频信号A与一个高频信号D；对低频信号A和低频信号D进行测试，并寻找出合适的分解方案。应当理解的是，在本申请实施例里所提及的第一背景信号和第二背景信号可以采用相同的背景信号，其表述不同仅仅体现在不同的应用场景中。
示例的，在进行测试的过程中，当分解至8层时，低频信号A8的长期趋势出现4天左右的周期性特征；此时将低频信号A8作为背景信号，一般来说，对于一个区域内的各个待选点位来说，背景信号会非常相似，所以此时计算时间序列数据X与低频信号A8的差值X-A8作为近场气象和排放所带来的影响。请参阅图2，示出了一个待选点位的近场贡献数据和原始数据比较的情况，图中的横坐标轴为时间，单位为小时，纵坐标为监测到的PM2.5浓度，单位为μg/m3。
示例的，请参阅图3，示出了对近场贡献数据进行积分计算获取正值区面积和负值区面积的场景，其中横坐标为待选点位的编号，纵坐标为积分值。根据图3中所展示的正值区面积和负值区面积可以计算出图4中所展示的近场贡献积分均值，图4中横坐标为待选点位的编号，纵坐标为积分均值，可以看出除去第5个站点因数据有较大缺失呈现出负值，其它站点均为正值，表明近场气象因子与排放因子综合作用的结果是加重污染形式，所以如果期望获取加重污染形式为监测需求的初筛点位，则可以剔除第5个站点形成初筛点位。
在一种可能的实现方式中，根据目标监测区域的环境情况从所述初筛点位中选取监测站最佳选址点位包括：
获取目标监测区域的环境情况形成对应所述初筛点位的散点图；所述散点图包括表征污染指数的污染指数散点图和表征风速的风速散点图；
根据所述污染指数散点图分析气象因子和排放因子对污染指数的影响，并根据该影响选出符合需求的布点区域作为第一布点区域；
根据所述风速散点图分析风速影响，并根据该影响选出符合需求的布点区域作为第二布点区域；
根据所述第一布点区域和所述第二布点区域从所述初筛点位中选取监测站最佳选址点位。
本申请实施例实施时，在获取了初筛点位后，可以根据目标监测区域的风速和排污情况进行进一步的点位筛选，应当理解的是，现有技术中存在相关的选点方案，可以作为本申请实施例的平替方案。示例的，构建PM2.5空间散点分布图和平均风速散点分布图，在图中通过箭头表示风向，且图中的横坐标轴为经度，纵坐标轴为纬度，点位颜色通过图中右侧的色带标明数值，其中在PM2.5空间散点分布图中，色带表征PM2.5浓度，单位为μg/m3，在平均风速散点分布图中，色带表征风速，单位为m/s。可以看出，在东南区域，气象因子与排放因子对PM2.5污染的影响很大，同时西北——东南走向的风速较大，利于污染物的扩散。东南区域也呈现出较大风速，因此造成该地区污染的主导因子是排放量过大。所以基于上述因素，最终推荐在研究区域的西北——东南走向的对角线范围内作为监测站点最佳选址进而确定最佳选址点位。
基于相同的发明构思，本申请实施例还提供了基于小波分析的环境空气监测站布点系统，包括：
获取单元，被配置为获取多个环境监测传感器监测的环境数据作为参考数据；所述环境监测传感器布设于目标监测区域的多个待选点位；
分解单元，被配置为对所述参考数据通过小波分析进行分解，形成多级分解方案及对应不同分解方案的分解特征；所述分解特征包括分解方案的数据周期特征和波形特征；
选定单元，被配置为根据所述分解特征选取周期特征的显著性超过预设值的分解方案作为选定分级；
初筛单元，被配置为根据所述选定分级的分解特征在多个待选点位中选取最匹配所述目标监测区域的监测需求的多个点位作为初筛点位；
终筛单元，被配置为根据目标监测区域的环境情况从所述初筛点位中选取监测站最佳选址点位。
在一种可能的实现方式中，所述获取单元还被配置为：
获取多个所述环境监测传感器监测的环境数据，并对所述环境数据进行异常值和缺检值的剔除或补全；
基于对数据震荡的观察对处理后的所述环境数据进行数据组平均形成所述参考数据。
在一种可能的实现方式中，所述分解单元还被配置为：
将所述参考数据的时间序列数据进行逐级分解形成多级分解方案；
将每级分解出的低频信号和高频信号作为该级分解方案的分解特征。
在一种可能的实现方式中，所述选定单元还被配置为：
获取所述分解特征中具有长期趋势的低频信号作为第一背景信号；
分析所述第一背景信号获取所述第一背景信号的周期特征；
将周期特征的显著性超过预设值的第一背景信号对应的所述分解方案作为所述选定分级。
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述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，作为单元显然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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
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，也可以是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。
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网格设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.基于小波分析的环境空气监测站布点方法，其特征在于，包括：
在目标监测区域的多个待选点位布设环境监测传感器，并获取多个所述环境监测传感器监测的环境数据作为参考数据；
对所述参考数据通过小波分析进行分解，形成多级分解方案及对应不同分解方案的分解特征；所述分解特征包括分解方案的数据周期特征和波形特征；
根据所述分解特征选取周期特征的显著性超过预设值的分解方案作为选定分级；
根据所述选定分级的分解特征在多个待选点位中选取最匹配所述目标监测区域的监测需求的多个点位作为初筛点位；
根据目标监测区域的环境情况从所述初筛点位中选取监测站最佳选址点位；
根据所述选定分级的分解特征在多个待选点位中选取最匹配所述目标监测区域的监测需求的多个点位作为初筛点位包括：
从所述待选点位的所述选定分级的分解特征中获取第二背景信号和原始信号；所述第二背景信号为所述分解特征中具有长期趋势的低频信号；所述原始信号为所述分解特征对应的所述参考数据的时间序列数据；
计算所述原始信号和所述第二背景信号的差值作为近场贡献数据；
对所述近场贡献数据进行积分计算获取正值区面积和负值区面积；
根据所述正值区面积和所述负值区面积计算所述近场贡献数据的积分均值结果；
获取目标监测区域的环境情况，并根据所述环境情况获取所述目标监测区域内近场贡献数据规律；所述环境情况包括近场气象因子和排放因子；
选出与所述近场贡献数据规律差异最小的多个所述积分均值结果对应的所述待选点位作为所述初筛点位。
2.根据权利要求1所述的基于小波分析的环境空气监测站布点方法，其特征在于，获取多个所述环境监测传感器监测的环境数据作为参考数据包括：
获取多个所述环境监测传感器监测的环境数据，并对所述环境数据进行异常值和缺检值的剔除或补全；
基于对数据震荡的观察对处理后的所述环境数据进行数据组平均形成所述参考数据。
3.根据权利要求1所述的基于小波分析的环境空气监测站布点方法，其特征在于，对所述参考数据通过小波分析进行分解，形成多级分解方案及对应不同分解方案的分解特征包括：
将所述参考数据的时间序列数据进行逐级分解形成多级分解方案；
将每级分解出的低频信号和高频信号作为该级分解方案的分解特征。
4.根据权利要求1所述的基于小波分析的环境空气监测站布点方法，其特征在于，根据所述分解特征选取周期特征的显著性超过预设值的分解方案作为选定分级包括：
获取所述分解特征中具有长期趋势的低频信号作为第一背景信号；
分析所述第一背景信号获取所述第一背景信号的周期特征；
将周期特征的显著性超过预设值的第一背景信号对应的所述分解方案作为所述选定分级。
5.根据权利要求1所述的基于小波分析的环境空气监测站布点方法，其特征在于，根据目标监测区域的环境情况从所述初筛点位中选取监测站最佳选址点位包括：
获取目标监测区域的环境情况形成对应所述初筛点位的散点图；所述散点图包括表征污染指数的污染指数散点图和表征风速的风速散点图；
根据所述污染指数散点图分析气象因子和排放因子对污染指数的影响，并根据该影响选出符合需求的布点区域作为第一布点区域；
根据所述风速散点图分析风速影响，并根据该影响选出符合需求的布点区域作为第二布点区域；
根据所述第一布点区域和所述第二布点区域从所述初筛点位中选取监测站最佳选址点位。
6.使用权利要求1~5任意一项所述方法的基于小波分析的环境空气监测站布点系统，其特征在于，包括：
获取单元，被配置为获取多个环境监测传感器监测的环境数据作为参考数据；所述环境监测传感器布设于目标监测区域的多个待选点位；
分解单元，被配置为对所述参考数据通过小波分析进行分解，形成多级分解方案及对应不同分解方案的分解特征；所述分解特征包括分解方案的数据周期特征和波形特征；
选定单元，被配置为根据所述分解特征选取周期特征的显著性超过预设值的分解方案作为选定分级；
初筛单元，被配置为根据所述选定分级的分解特征在多个待选点位中选取最匹配所述目标监测区域的监测需求的多个点位作为初筛点位；
终筛单元，被配置为根据目标监测区域的环境情况从所述初筛点位中选取监测站最佳选址点位。
7.根据权利要求6所述的基于小波分析的环境空气监测站布点系统，其特征在于，所述获取单元还被配置为：
获取多个所述环境监测传感器监测的环境数据，并对所述环境数据进行异常值和缺检值的剔除或补全；
基于对数据震荡的观察对处理后的所述环境数据进行数据组平均形成所述参考数据。
8.根据权利要求6所述的基于小波分析的环境空气监测站布点系统，其特征在于，所述分解单元还被配置为：
将所述参考数据的时间序列数据进行逐级分解形成多级分解方案；
将每级分解出的低频信号和高频信号作为该级分解方案的分解特征。
9.根据权利要求6所述的基于小波分析的环境空气监测站布点系统，其特征在于，所述选定单元还被配置为：
获取所述分解特征中具有长期趋势的低频信号作为第一背景信号；
分析所述第一背景信号获取所述第一背景信号的周期特征；
将周期特征的显著性超过预设值的第一背景信号对应的所述分解方案作为所述选定分级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311048008.0A CN116776645B (zh) | 2023-08-21 | 2023-08-21 | 基于小波分析的环境空气监测站布点方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311048008.0A CN116776645B (zh) | 2023-08-21 | 2023-08-21 | 基于小波分析的环境空气监测站布点方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116776645A CN116776645A (zh) | 2023-09-19 |
| CN116776645B true CN116776645B (zh) | 2023-10-27 |
Family
ID=87991624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311048008.0A Active CN116776645B (zh) | 2023-08-21 | 2023-08-21 | 基于小波分析的环境空气监测站布点方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116776645B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6560542B1 (en) * | 2000-01-24 | 2003-05-06 | The Cielo Institute | Algorithmic design of peptides for binding and/or modulation of the functions of receptors and/or other proteins |
| CN104459763A (zh) * | 2014-12-05 | 2015-03-25 | 招商局重庆交通科研设计院有限公司 | 紧支集小波探测地下空洞位置的方法及系统 |
| CN111104639A (zh) * | 2019-12-24 | 2020-05-05 | 福州大学 | 一种点面融合的时序pm2.5空间分布估算方法 |
| CN115358904A (zh) * | 2022-10-20 | 2022-11-18 | 四川国蓝中天环境科技集团有限公司 | 一种动静结合的城市区域空气质量监测站选址方法 |
| CN115407038A (zh) * | 2022-10-11 | 2022-11-29 | 重庆大学 | 一种基于水质预警点选址的城市供水管网水质监测方法 |
| CN116307291A (zh) * | 2023-05-22 | 2023-06-23 | 国网信息通信产业集团有限公司 | 一种基于小波分解的分布式光伏发电预测方法及预测终端 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050078873A1 (en) * | 2003-01-31 | 2005-04-14 | Cetin Ahmet Enis | Movement detection and estimation in wavelet compressed video |
| US20170155905A1 (en) * | 2015-11-30 | 2017-06-01 | Intel Corporation | Efficient intra video/image coding using wavelets and variable size transform coding |
| CA3191655A1 (en) * | 2020-09-10 | 2022-03-17 | Anna Ailene Scott | Air quality monitoring system and method |
-
2023
- 2023-08-21 CN CN202311048008.0A patent/CN116776645B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6560542B1 (en) * | 2000-01-24 | 2003-05-06 | The Cielo Institute | Algorithmic design of peptides for binding and/or modulation of the functions of receptors and/or other proteins |
| CN104459763A (zh) * | 2014-12-05 | 2015-03-25 | 招商局重庆交通科研设计院有限公司 | 紧支集小波探测地下空洞位置的方法及系统 |
| CN111104639A (zh) * | 2019-12-24 | 2020-05-05 | 福州大学 | 一种点面融合的时序pm2.5空间分布估算方法 |
| CN115407038A (zh) * | 2022-10-11 | 2022-11-29 | 重庆大学 | 一种基于水质预警点选址的城市供水管网水质监测方法 |
| CN115358904A (zh) * | 2022-10-20 | 2022-11-18 | 四川国蓝中天环境科技集团有限公司 | 一种动静结合的城市区域空气质量监测站选址方法 |
| CN116307291A (zh) * | 2023-05-22 | 2023-06-23 | 国网信息通信产业集团有限公司 | 一种基于小波分解的分布式光伏发电预测方法及预测终端 |
Non-Patent Citations (2)
| Title |
|---|
| 张成影 ; 廖婷婷等.基于空间密集传感器解析城市本地排放和区域传输贡献方法初探.环境科学学报.2021,3683-3695. * |
| 面向城市消防站选址规划的时空动态火灾风险建模分析;宋超;中国博士学位论文全文数据库 工程科技Ⅱ辑;C038-58 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116776645A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116186566A (zh) | 基于深度学习的扩散预测方法及系统 | |
| CN116629619B (zh) | 一种土壤新污染物赋存状况预测方法及系统 | |
| CN110261272B (zh) | 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法 | |
| CN112581107B (zh) | 污染排放控制方法、装置及可存储介质 | |
| CN111612064B (zh) | Pm2.5污染气团溯源方法、装置、电子设备及存储介质 | |
| CN114218976B (zh) | 臭氧前体物高值区精细化排放源追溯定位方法和系统 | |
| 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 | |
| CN112633779B (zh) | 一种对环境监测数据可信度进行评估的方法 | |
| CN111476504A (zh) | 一种基于修复效率的精细化场地调查方法 | |
| CN115718169A (zh) | 大气污染高值区域的定位方法、装置、设备及存储介质 | |
| CN115730852A (zh) | 一种化工企业土壤污染管控方法及系统 | |
| CN117809439A (zh) | 一种基于多种环境因素中河流流量异常预警系统 | |
| Althuwaynee et al. | Spatial identification and temporal prediction of air pollution sources using conditional bivariate probability function and time series signature | |
| CN116776645B (zh) | 基于小波分析的环境空气监测站布点方法及系统 | |
| CN116228501B (zh) | 排污超标区域行业确定方法、装置、存储介质及电子设备 | |
| Danius et al. | Regional material flow analysis and data uncertainties: can the results be trusted | |
| CN111680888B (zh) | 基于rfid数据确定路网容量的方法 | |
| CN116930423A (zh) | 一种空气质量模型模拟效果的自动验证评估方法及系统 | |
| CN111861568A (zh) | 互联网广告监控系统及其方法 | |
| CN113901043B (zh) | 污染源智能监管和数据融合分析方法和系统 | |
| CN112505247B (zh) | 空气质量分析方法、装置、设备及存储介质 | |
| Pais et al. | Global scale coupling of pyromes and fire regimes | |
| 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 | |
| Zhang et al. | [Retracted] Human Health Risk Prediction Method of Regional Atmospheric Environmental Pollution Sources Based on PMF and PCA Analysis under Artificial Intelligence Cloud Model | |
| CN111340095A (zh) | 基于深度学习的环境监测数据质量控制方法 |
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 |