CN117332357B - 一种多指标融合的异常排放点位识别方法 - Google Patents
一种多指标融合的异常排放点位识别方法 Download PDFInfo
- Publication number
- CN117332357B CN117332357B CN202311599701.7A CN202311599701A CN117332357B CN 117332357 B CN117332357 B CN 117332357B CN 202311599701 A CN202311599701 A CN 202311599701A CN 117332357 B CN117332357 B CN 117332357B
- Authority
- CN
- China
- Prior art keywords
- value
- index
- indexes
- point
- preset period
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 230000003321 amplification Effects 0.000 claims abstract description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011946 reduction process 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多指标融合的异常排放点位识别方法,属于环境监测技术领域,用以解决由于现有技术的识别指标单一,导致现有技术存在难以全面识别高值点位以及准确性差的问题。本发明技术方案主要包括:获取环境监测数据,在第一预设周期内基于所述环境监测数据根据不同高值指标的预设阈值获取高值点位,所述高值指标至少包括超阈值类指标、超周边类指标和增幅类指标;获取第二预设周期内的所有高值点位数据,所述第二预设周期包含若干重复的所述第一预设周期;根据所述高值点位数据和污染源台账的匹配程度为各高值指标类别分配权重;根据每个高值点位在第二预设周期内被识别为各类高值指标的次数和对应所述权重确定所述高值点位的异常排放指数。
Description
技术领域
本发明属于环境监测技术领域,具体而言涉及一种多指标融合的异常排放点位识别方法。
背景技术
随着传感器以及物联网等技术的快速发展,大气环境监测体系在传统标准站监测体系基础上,逐渐发展为标准站与基于传感器技术的高密度站、走航监测、遥感监测、激光雷达垂直观测等相结合的多维立体监测体系,其职能也逐渐从说清环境质量拓展到说清环境问题。要利用环境监测体系说清环境问题,就是要利用监测体系找到高值点位,进而捕捉异常排放。其中基于传感器技术的高密度监测体系,由于连续24h监测、广泛布点,数据时空分辨率高,是发现局地异常排放高值点位的有力手段。
目前,基于环境监测数据的高值点位识别主要是通过简单的当前小时数据与标准值、周边平均对比,或在发现疑似排放高值位置后,配合移动监测进行现场确认。由于现有技术的识别指标单一,导致现有技术存在难以全面识别高值点位以及准确性差的问题。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种多指标融合的异常排放点位识别方法,用以解决由于现有技术的识别指标单一,导致现有技术存在难以全面识别高值点位以及准确性差的问题,包括以下步骤:
获取环境监测数据,在第一预设周期内基于所述环境监测数据根据不同高值指标的预设阈值获取高值点位,所述高值指标至少包括超阈值类指标、超周边类指标和增幅类指标;
获取第二预设周期内的所有高值点位数据,所述高值点位数据包括每个第一预设周期内的高值点位以及各高值点位被判定为的高值指标类别,所述第二预设周期包含若干重复的所述第一预设周期;
根据所述高值点位数据和污染源台账的匹配程度为各高值指标类别分配权重;
根据每个高值点位在第二预设周期内被识别为各类高值指标的次数和对应所述权重确定所述高值点位的异常排放指数;
根据每个所述高值点位的异常指数排名确定异常排放点位识别结果。
在一些实施例中,所述环境监测数据包括研究区域内铺设的PM2.5监测点位获取的小时浓度数据;
所述超阈值类指标包括超阈值小时数和峰值小时数;
所述超周边类指标包括超周边小时数、超周边浓度、时段突高和规律高值;
所述增幅类指标包括日变幅和小时变幅。
在一些实施例中,所述第一预设周期为自然日,所述第二预设周期为一个月到一年。
在一些实施例中,根据所述高值点位数据和污染源台账的匹配程度为各高值指标类别分配权重,之前,还包括:
剔除每个第一预设周期内因区域污染传输而产生的超阈值类指标对应的高值点位和日变幅高值指标对应的高值点位。
在一些实施例中,剔除每个第一预设周期内因区域污染传输而产生的超阈值类指标对应的高值点位和日变幅高值指标对应的高值点位,包括:
获取所述第一预设周期内的高值点位及高值点位对应的高值指标类型;
将研究区域划分为若干分区,通过空气质量模型计算各所述分区受周边传输作用的贡献比例,若某分区的所述贡献比例超过贡献阈值,则剔除所述分区内集中分布的超阈值小时数、峰值小时数和日变幅高值指标对应的高值点位。
在一些实施例中,根据所述高值点位数据和污染源台账的匹配程度为各高值指标类别分配权重,包括:
统计第二预设周期内各高值指标类别对应的高值点位;
确定各高值指标类别对应的高值点位中的高频高值点,包括选取某高值指标类别对应的高值点位中在第二预设周期内出现次数前百分十的高值点位作为高值指标类别对应的所述高频高值点分布;
获取污染源台账,确定各高值指标类别对应的高频高值点分布各自与污染源台账的匹配程度;
根据各高值指标类别对应的匹配程度排名为各高值指标类别分配不同等级的权重。
在一些实施例中,确定各高值指标类别对应的高频高值点分布各自与污染源台账的匹配程度,包括:
将研究区域划分为预定大小的网格;
计算所述高频高值点分布与污染源台账中的污染源所在网格的重合比例。
在一些实施例中,根据各高值指标类别对应的匹配程度排名为各高值指标类别分配不同等级的权重,包括:
根据高值指标类别对应的匹配程度排名1至8分别分配所述权重为1.1、1.2、1.3、1.4、1.5、1.6、1.7和1.8。
在一些实施例中,根据每个高值点位在第二预设周期内被识别为各类高值指标的次数和对应所述权重确定所述高值点位的异常排放指数,包括:
所述异常排放指数的计算公式表示为:
,其中P表示某高值点位的异常排放指数,/>表示第i类高值指标的权重,/>表示该高值点位被识别为第i类高值指标对应的高值点位的次数。
在一些实施例中,还包括根据所述异常排放点位识别结果进行现场核查,根据现场核查结果准确率对权重和高值指标的预设阈值参数进行调整,以提高所述准确率。
本发明实施例至少具有以下有益效果:
1、高值指标类别涵盖全部可能的高值表现。梳理存在可疑异常排放高值点位的全部数值表现特征,本发明考虑与点位绝对值、周边相对值以及自身变化情况相关的三大类高值指标,每大类指标下包含多种具体指标。
2、对各类高值指标科学赋分,综合全部指标,并结合气象要素识别可疑异常排放点位。根据历史数据分析,给各类指标按照对高值点位识别的准确性赋予权重,如对规律性高于周边规则赋予最高系数,对全部规则识别的高值点位,计算每个点位作为高值识别的分值,结合气象要素,按分值从高到低筛选一定数量的点位作为可疑异常排放点位报出。
附图说明
为了更清楚地说明本说明书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说明书实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明提供的多指标融合的异常排放点位识别方法流程示意图;
图2为本发明实施例获取的不同高值指标类别对应的高值点位示意图;
图3为本发明实施例进行剔除筛选后的高值点位分布示意图。
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一部分实施例,而不是全部的实施例。需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合、分离、互换和/或重新布置。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他实施例,都属于本发明保护的范围。
这里使用的术语是为了描述具体实施例的目的,而不意图是限制性的。如这里所使用的,除非上下文另外清楚地指出,否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外,当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时,说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组,但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是,如这里使用的,术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语,如此,它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
本发明实施例旨在提供一种多指标融合的异常排放点位识别方法,用以解决由于现有技术的识别指标单一,导致现有技术存在难以全面识别高值点位以及准确性差的问题,如图1所示,包括以下步骤:
获取环境监测数据,在第一预设周期内基于所述环境监测数据根据不同高值指标的预设阈值获取高值点位,所述高值指标至少包括超阈值类指标、超周边类指标和增幅类指标;
获取第二预设周期内的所有高值点位数据,所述高值点位数据包括每个第一预设周期内的高值点位以及各高值点位被判定为的高值指标类别,所述第二预设周期包含若干重复的所述第一预设周期;
根据所述高值点位数据和污染源台账的匹配程度为各高值指标类别分配权重;
根据每个高值点位在第二预设周期内被识别为各类高值指标的次数和对应所述权重确定所述高值点位的异常排放指数;
根据每个所述高值点位的异常指数排名确定异常排放点位识别结果。
应当理解的是,本发明实施例的环境监测数据包括研究区域内铺设的PM2.5监测点位获取的小时浓度数据,如图2所示,以某市为例,环境监测数据来源于铺设在行政区中的若干监测点位阵列,阵列的间距可以为1到10千米,可以根据实际情况进行铺设,本发明构思对此不做限定。本发明实施例的目的是通过监测点位阵列的数据分析出行政区中真正的异常排放点位,以便于进行重点监管等其他操作。通过上述实施例,本发明可以实现对高值点位的全面初筛,有效提高可疑异常排放点位的识别准确性。
在一些实施例中,为了考虑到高值指标的方方面面,以三大类高值指标进行高值点位的识别,分别是:超阈值类指标、超周边类指标和增幅类指标。
其中所述超阈值类指标包括超阈值小时数和峰值小时数。超阈值小时数可按照环境质量标准或研究区域的污染特征,设定阈值,(比如空气质量的空气污染指数,即PM2.5的平均标准值的中度污染限值,150-200),计算周期内各点位超阈值小时数。全部点位超过限定阈值的点位作为超阈值类指标对应的高值点位。
超阈值小时数的数据获取结果可以包括:高值点位、超阈值小时数、超阈值小时数倒排名。
峰值小时数是统计第一预设周期内全部点位小时值的前1%,计算周期内各点位进入峰值范围的小时数,对各点位在周期内的峰值小时数由高至低排名。取一定数量的点位作为峰值类指标对应的高值点位。
峰值小时数的数据获取结果可以包括:高值点位、峰值小时数、点位峰值、峰值小时数排名。
所述超周边类指标包括超周边小时数、超周边浓度、时段突高和规律高值。
其中周边定义为:拟定点位周边距离最近的数个(如5个)同类型(类型是根据点位所处的位置特点人为划分的,例如交通点、评价点等类型)点位均值作为超周边浓度基准,即评价点与评价点对比,交通点与交通点对比等。根据点位经纬度,计算与其它点位距离,确定每个点位周边距离最近的5个同类型点位清单。
超周边小时数的具体计算内容可以包括:1)点位周边距离最近的5个同类型点位小时均值;2)计算周期内各点位超周边浓度的小时数;3)计算周期内超周边小时数由高至低倒排名。可以取一定数量排名靠前的点位作为超周边小时数类指标对应的高值点位。
超周边小时数的数据获取结果可以包括:高值点位、超周边小时数、超周边小时数倒排名。
超周边浓度的计算内容可以包括:1)点位周边距离最近的5个同类型点位小时均值;2)计算周期内各点位小时浓度与周边小时浓度的逐小时差值;3)计算周期内各点位小时浓度与周边小时浓度的平均差值;4)计算周期内超周边平均浓度由高至低倒排名。可以取一定数量排名靠前的点位作为超周边浓度类指标对应的高值点位。
超周边浓度的数据获取结果可以包括:高值点位、超周边浓度、超周边浓度倒排名。
时段突高定义为与周边浓度差值大于阈值(如PM2.5为5微克/立方米)或日均超周边浓度的1.5或1.2倍以上,且持续时长不少于2h。计算内容可以包括:1)识别各点位突高时段;2)计算各点位突高时段内,高于周边的平均浓度;3)突高时段内高于周边的平均浓度由高至低倒排名。可以取一定数量排名靠前的点位作为时段突高类别指标对应的高值点位。
时段突高的数据获取结果可以包括:高值点位、突高时段、突高时段内差值与日均超周边浓度的倍数、倒排名。
规律高值定义为近一周内在同一时段(起始与截止时间偏差不大于2h)出现突高不少于2次。计算内容是近一周内,同一时段出现突高的次数,对近一周内同一时段突高次数由高至低倒排名。可以取一定数量排名靠前的点位作为规律高值类指标对应的高值点位。
规律高值的数据获取结果可以包括:高值点位、突高次数、突高次数倒排名。
所述增幅类指标包括日变幅和小时变幅。
其中日变幅的计算内容主要是各点位今日浓度与昨日浓度差值;日浓度差由高至低倒排名。取一定数量的点位作为日变幅类别指标对应的高值点位。
日变幅的数据获取结果可以包括:高值点位、日浓度差、日浓度差倒排名。
小时变幅的计算内容可以包括:1)全市日变幅升高时,确定各点位浓度快速上升过程时间点;日变幅下降时,确定各点位浓度快速下降过程时间点;2)分别计算快速升高与快速下降过程的小时变幅;3)小时变幅由高至低倒排名。取一定数量排名靠前的点位作为小时变幅类指标对应的高值点位。
小时变幅的数据获取结果可以包括:高值点位、小时变幅、小时变幅倒排名。
如图2所示,为一实施例中获取到的各类高值指标对应的高值点位分布。
在一些实施例中,所述第一预设周期为自然日,所述第二预设周期为一个月到一年。
在一些实施例中,为了提高异常排放点位识别准确度,排出异常污染传输对于当地排放点位识别的影响,本实施例结合气象要素识别可疑异常排放点位。根据历史数据分析,给各类规则按照对高值点位识别的准确性赋予系数。根据所述高值点位数据和污染源台账的匹配程度为各高值指标类别分配权重,之前,还包括:
剔除每个第一预设周期内因区域污染传输而产生的超阈值类指标对应的高值点位和日变幅高值指标对应的高值点位。
在一些实施例中,剔除每个第一预设周期内因区域污染传输而产生的超阈值类指标对应的高值点位和日变幅高值指标对应的高值点位,包括:
获取所述第一预设周期内的高值点位及高值点位对应的高值指标类型;
将研究区域划分为若干分区,通过空气质量模型计算各所述分区受周边传输作用的贡献比例,若某分区的所述贡献比例超过贡献阈值,例如20%,则剔除所述分区内集中分布的超阈值小时数、峰值小时数和日变幅高值指标对应的高值点位。较佳的,通过空气质量模型计算各所述分区受周边传输作用的贡献比例可以采用现有的模型和分析方法,本实施例对此不作赘述,其中控制质量模型可以采用以CMAQ、CAMx、WRF-CHEM、NAQPMS为代表的综合空气质量模型。
优选地,在一些实施例中,可以剔除贡献比例超过贡献阈值的分区中的部分高值点位,使得分区中的超阈值小时数、峰值小时数和日变幅高值指标对应的高值点位的分布间距例如不大于5KM的点位剔除掉。如图3所示,为实施例某日利用CMAQ模型,计算得知当日为污染过程初期,受区域南部东南部和西南部污染影响较大,贡献分别达到20%以上,故剔除部分南部东南部和西南部区域成片出现的超阈值、峰值小时以及日变幅高值点位。可以对图中的剩余高值点位进行综合指标分析以筛选确定最终的异常排放点位识别结果。
在一些实施例中,根据所述高值点位数据和污染源台账的匹配程度为各高值指标类别分配权重,包括:
统计第二预设周期内各高值指标类别对应的高值点位;
确定各高值指标类别对应的高值点位中的高频高值点,包括选取某高值指标类别对应的高值点位中在第二预设周期内出现次数前百分十的高值点位作为高值指标类别对应的所述高频高值点分布;
获取污染源台账,确定各高值指标类别对应的高频高值点分布各自与污染源台账的匹配程度;
根据各高值指标类别对应的匹配程度排名为各高值指标类别分配不同等级的权重。
在一些实施例中,确定各高值指标类别对应的高频高值点分布各自与污染源台账的匹配程度,包括:
将研究区域划分为预定大小的网格;
计算所述高频高值点分布与污染源台账中的污染源所在网格的重合比例。
在一些实施例中,通过上述实施例遍历各类高值指标对应的匹配程度计算后,根据各高值指标类别对应的匹配程度排名为各高值指标类别分配不同等级的权重,包括:
根据高值指标类别对应的匹配程度排名1至8分别分配所述权重为1.1、1.2、1.3、1.4、1.5、1.6、1.7和1.8。
较佳地,在一些实施例中,若某两类高值指标的匹配程度计算结果相等,则使得该类高值指标对应的高值点位数量多的为排名更靠前。
在一些实施例中,根据每个高值点位在第二预设周期内被识别为各类高值指标的次数和对应所述权重确定所述高值点位的异常排放指数,包括:
所述异常排放指数的计算公式表示为:
,其中P表示某高值点位的异常排放指数,/>表示第i类高值指标的权重,/>表示该高值点位被识别为第i类高值指标对应的高值点位的次数。
在对剔除后的高值点位依次计算异常排放指数直到遍历所有剩余的高值点位后得到高值点位的异常排放指数排名,选取异常排放指数较高的若干点位作为异常排放点位识别结果。
在一些实施例中,还包括根据所述异常排放点位识别结果进行现场核查,根据现场核查结果准确率对权重和高值指标的预设阈值参数进行调整,以提高所述准确率。从图2可以看出,可疑异常排放点位整体呈现南部与东部区域较多、各区交界处与建成区相对较多的特点。但整体高值识别数量较多,且部分山区存在高值点位,可结合实际现场核查情况调整规则,提高可疑异常排放点位识别准确性。
较佳地,在一些实施例中,对识别的高值点位和可疑异常排放点位建立数据库,定期(如半年)综合分析气象、高值空间分布和污染过程演变等数据,评估异常排放识别合理性,同时根据现场核查结果,对高值规则与异常排放点位识别算法细节参数调优。调优内容包括规则具体参数、规则系数以及受区域污染影响的点位剔除方法等。
专业人员应该还可以进一步意识到,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。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
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)
1.一种多指标融合的异常排放点位识别方法,其特征在于,包括以下步骤:
获取环境监测数据,在第一预设周期内基于所述环境监测数据根据不同高值指标的预设阈值获取高值点位,所述高值指标至少包括超阈值类指标、超周边类指标和增幅类指标;
获取第二预设周期内的所有高值点位数据,所述高值点位数据包括每个第一预设周期内的高值点位以及各高值点位被判定为的高值指标类别,所述第二预设周期包含若干重复的所述第一预设周期;
根据所述高值点位数据和污染源台账的匹配程度为各高值指标类别分配权重;
根据每个高值点位在第二预设周期内被识别为各类高值指标的次数和对应所述权重确定所述高值点位的异常排放指数;
根据每个所述高值点位的异常指数排名确定异常排放点位识别结果;
其中根据所述高值点位数据和污染源台账的匹配程度为各高值指标类别分配权重,包括:
统计第二预设周期内各高值指标类别对应的高值点位;
确定各高值指标类别对应的高值点位中的高频高值点,包括选取某高值指标类别对应的高值点位中在第二预设周期内出现次数前百分十的高值点位作为高值指标类别对应的高频高值点分布;
获取污染源台账,确定各高值指标类别对应的高频高值点分布各自与污染源台账的匹配程度;
根据各高值指标类别对应的匹配程度排名为各高值指标类别分配不同等级的权重。
2.根据权利要求1所述的多指标融合的异常排放点位识别方法,其特征在于:所述环境监测数据包括研究区域内铺设的PM2.5监测点位获取的小时浓度数据;
所述超阈值类指标包括超阈值小时数和峰值小时数;
所述超周边类指标包括超周边小时数、超周边浓度、时段突高和规律高值;
所述增幅类指标包括日变幅和小时变幅。
3.根据权利要求1所述的多指标融合的异常排放点位识别方法,其特征在于:所述第一预设周期为自然日,所述第二预设周期为一个月到一年。
4.根据权利要求1所述的多指标融合的异常排放点位识别方法,其特征在于:根据所述高值点位数据和污染源台账的匹配程度为各高值指标类别分配权重,之前,还包括:
剔除每个第一预设周期内因区域污染传输而产生的超阈值类指标对应的高值点位和日变幅高值指标对应的高值点位。
5.根据权利要求4所述的多指标融合的异常排放点位识别方法,其特征在于:剔除每个第一预设周期内因区域污染传输而产生的超阈值类指标对应的高值点位和日变幅高值指标对应的高值点位,包括:
获取所述第一预设周期内的高值点位及高值点位对应的高值指标类型;
将研究区域划分为若干分区,通过空气质量模型计算各所述分区受周边传输作用的贡献比例,若某分区的所述贡献比例超过贡献阈值,则剔除所述分区内集中分布的超阈值小时数、峰值小时数和日变幅高值指标对应的高值点位。
6.根据权利要求1所述的多指标融合的异常排放点位识别方法,其特征在于:确定各高值指标类别对应的高频高值点分布各自与污染源台账的匹配程度,包括:
将研究区域划分为预定大小的网格;
计算所述高频高值点分布与污染源台账中的污染源所在网格的重合比例。
7.根据权利要求1所述的多指标融合的异常排放点位识别方法,其特征在于:根据各高值指标类别对应的匹配程度排名为各高值指标类别分配不同等级的权重,包括:
根据高值指标类别对应的匹配程度排名1至8分别分配所述权重为1.1、1.2、1.3、1.4、1.5、1.6、1.7和1.8。
8.根据权利要求4或7所述的多指标融合的异常排放点位识别方法,其特征在于:根据每个高值点位在第二预设周期内被识别为各类高值指标的次数和对应所述权重确定所述高值点位的异常排放指数,包括:
所述异常排放指数的计算公式表示为:,其中P表示某高值点位的异常排放指数,/>表示第i类高值指标的权重,/>表示该高值点位被识别为第i类高值指标对应的高值点位的次数。
9.根据权利要求1所述的多指标融合的异常排放点位识别方法,其特征在于:还包括根据所述异常排放点位识别结果进行现场核查,根据现场核查结果准确率对权重和高值指标的预设阈值参数进行调整,以提高所述准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599701.7A CN117332357B (zh) | 2023-11-28 | 2023-11-28 | 一种多指标融合的异常排放点位识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599701.7A CN117332357B (zh) | 2023-11-28 | 2023-11-28 | 一种多指标融合的异常排放点位识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332357A CN117332357A (zh) | 2024-01-02 |
CN117332357B true CN117332357B (zh) | 2024-03-12 |
Family
ID=89277718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311599701.7A Active CN117332357B (zh) | 2023-11-28 | 2023-11-28 | 一种多指标融合的异常排放点位识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332357B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856321A (zh) * | 2018-11-14 | 2019-06-07 | 北京英视睿达科技有限公司 | 异常高值点位的确定方法 |
CN111121862A (zh) * | 2019-09-29 | 2020-05-08 | 广西中遥空间信息技术有限公司 | 一种空天地一体化的大气环境监测系统及方法 |
CN112213444A (zh) * | 2020-08-28 | 2021-01-12 | 浙江工业大学 | 大气污染微监测网络时间切片分析的溯源方法 |
CN114564857A (zh) * | 2021-12-10 | 2022-05-31 | 清华大学 | 大气污染异常区域识别方法、装置、存储介质及电子设备 |
CN115018022A (zh) * | 2022-08-10 | 2022-09-06 | 北京市生态环境监测中心 | 网格化环境监测数据的质量控制方法、装置、设备及介质 |
CN115718169A (zh) * | 2022-11-14 | 2023-02-28 | 河北先河环保科技股份有限公司 | 大气污染高值区域的定位方法、装置、设备及存储介质 |
KR102549313B1 (ko) * | 2023-02-17 | 2023-06-30 | 대한민국(환경부 국립환경과학원장) | 오염물질 배출수준 산정 시스템 및 방법 |
-
2023
- 2023-11-28 CN CN202311599701.7A patent/CN117332357B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856321A (zh) * | 2018-11-14 | 2019-06-07 | 北京英视睿达科技有限公司 | 异常高值点位的确定方法 |
CN111121862A (zh) * | 2019-09-29 | 2020-05-08 | 广西中遥空间信息技术有限公司 | 一种空天地一体化的大气环境监测系统及方法 |
CN112213444A (zh) * | 2020-08-28 | 2021-01-12 | 浙江工业大学 | 大气污染微监测网络时间切片分析的溯源方法 |
CN114564857A (zh) * | 2021-12-10 | 2022-05-31 | 清华大学 | 大气污染异常区域识别方法、装置、存储介质及电子设备 |
CN115018022A (zh) * | 2022-08-10 | 2022-09-06 | 北京市生态环境监测中心 | 网格化环境监测数据的质量控制方法、装置、设备及介质 |
CN115718169A (zh) * | 2022-11-14 | 2023-02-28 | 河北先河环保科技股份有限公司 | 大气污染高值区域的定位方法、装置、设备及存储介质 |
KR102549313B1 (ko) * | 2023-02-17 | 2023-06-30 | 대한민국(환경부 국립환경과학원장) | 오염물질 배출수준 산정 시스템 및 방법 |
Non-Patent Citations (3)
Title |
---|
典型城市区域VOCs 走航监测技术应用及污染特征分析;牛利民等;《中国环境监测》;第38卷(第3期);全文 * |
基于传感器的大气 PM2.5 高密度网格化监测技术及应用研究;刘保献等;《中国环境监测》;第39卷(第5期);全文 * |
大气网格化监测运行维护管理现状与展望;王莉华等;《中国环境监测》;第37卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117332357A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
CN105095589B (zh) | 一种山区电网风区分布图绘制方法 | |
CN109782373B (zh) | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 | |
CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
CN112464920B (zh) | 基于极端随机树的fy-3d红外高光谱云检测方法 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
CN115237896A (zh) | 一种基于深度学习预报空气质量的数据前处理方法及系统 | |
CN116882625A (zh) | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 | |
CN117332357B (zh) | 一种多指标融合的异常排放点位识别方法 | |
CN115544706A (zh) | 一种小波和XGBoost模型集成的大气细颗粒物浓度估算方法 | |
CN113657610A (zh) | 一种基于随机森林的冰雹气候特征预测方法 | |
CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
Mandal et al. | Precipitation forecast verification of the Indian summer monsoon with intercomparison of three diverse regions | |
CN116340863A (zh) | 空气污染物预测方法、装置、电子设备及可读存储介质 | |
CN110188964A (zh) | 一种基于相关性的光伏出力预测方法 | |
CN115511192A (zh) | 一种基于闪电资料同化的降水预报方法及系统 | |
CN115203643A (zh) | 融合水文与生态要素的水源涵养功能定量诊断方法及系统 | |
CN110108609B (zh) | 一种基于卫星多通道的pm2.5浓度值分布情况获取方法及系统 | |
CN111476434A (zh) | 一种基于gis的土壤重金属分形维数空间变异分析方法 | |
Moreto et al. | Sugarcane decision-making support using Eta Model precipitation forecasts | |
CN113076635B (zh) | 一种基于微地形环境特征的雷电活动分析方法和装置 | |
Shan et al. | Machine-learning-based investigation of the variables affecting summertime lightning occurrence over the Southern Great Plains | |
CN117574329B (zh) | 基于集成学习的二氧化氮精细化空间分布方法 | |
Man et al. | Analysis on temporal and spatial characteristics of drought in North China from 1998 to 2017 |
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 |