CN117554574A - 基于物联网的微型空气质量自动监测仪 - Google Patents
基于物联网的微型空气质量自动监测仪 Download PDFInfo
- Publication number
- CN117554574A CN117554574A CN202311593072.7A CN202311593072A CN117554574A CN 117554574 A CN117554574 A CN 117554574A CN 202311593072 A CN202311593072 A CN 202311593072A CN 117554574 A CN117554574 A CN 117554574A
- Authority
- CN
- China
- Prior art keywords
- concentration
- time sequence
- air quality
- image
- concentration time
- 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
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims abstract description 140
- 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 abstract description 70
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 70
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims abstract description 70
- 229910002091 carbon monoxide Inorganic materials 0.000 claims abstract description 70
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims abstract description 70
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000006855 networking Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 79
- 239000011159 matrix material Substances 0.000 claims description 61
- 238000010586 diagram Methods 0.000 claims description 34
- 238000010248 power generation Methods 0.000 claims description 19
- 238000009423 ventilation Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 239000013618 particulate matter Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 15
- 238000000034 method Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 5
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000004056 waste incineration Methods 0.000 description 1
Classifications
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/2869—Terminals specially adapted for communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种基于物联网的微型空气质量自动监测仪,其综合利用被监控区域的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值,并结合深度学习算法来智能化分析上述时序数据,以此来自动化地判断空气质量的等级。这样,可以保证基于物联网的微型空气质量自动监测仪的实时工作,精准获取空气的情况,以提供实时性地空气质量数据,从而有助于确定污染来源以及预报区域环境空气质量的等级。
Description
技术领域
本申请涉及智能化空气质量监测技术领域,尤其涉及一种基于物联网的微型空气质量自动监测仪。
背景技术
空气质量的好坏反映了空气污染程度,它是依据空气中污染物浓度的高低来判断的。空气污染是一个复杂的现象,在特定时间和地点空气污染物浓度受到许多因素影响。来自固定和流动污染源的人为污染物排放大小是影响空气质量的最主要因素之一,其中包括车辆、船舶、飞机的尾气、工业污染、居民生活和取暖、垃圾焚烧等。城市的发展密度、地形地貌和气象等也是影响空气质量的重要因素。多年来在地方经济迅速发展的同时,各地区不断出现不同程度的水、气、噪声等环境污染事件,严重影响了人们的生活质量,阻碍了当地经济的持续发展。
传统的空气质量检测的方法是采用人工监测方式,先对配置试剂,再到现场采样及大气采样器水质进行取样,然后再送至检测机构进行检测,再经过实验室分析的传统操作方法,无法实现及时对空气质量的检测和判断,而且检测方法单一,容易受恶劣天气的影响,耗费大量的人力物力,成本过高,实验室分析得到的空气质量信息与空气取样处的实时空气质量信息可能会存在一定误差,造成空气质量信息监测不准确,不具有实时性。
因此,期待一种优化的空气质量自动监测方案。
发明内容
本申请实施例提供一种基于物联网的微型空气质量自动监测仪,其综合利用被监控区域的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值,并结合深度学习算法来智能化分析上述时序数据,以此来自动化地判断空气质量的等级。这样,可以保证基于物联网的微型空气质量自动监测仪的实时工作,精准获取空气的情况,以提供实时性地空气质量数据。
本申请实施例还提供了一种基于物联网的微型空气质量自动监测仪,其包括:信息采集箱、发电装置、物联网卡、信息采集传感器组和空气质量分析模块;其中,所述信息采集箱两侧设有通风口,两侧通风口形成通风通道,所述信息采集传感器组的采集端放入所述通风通道中;所述信息采集传感器组与所述空气质量分析模块可通信的连接;所述空气质量分析模块通过所述物联网卡与云端平台无线通讯连接;所述发电装置设有太阳能发电板和储电器,所述太阳能发电板集成于微型空气质量自动监测仪中,所述储电器设于所述信息采集箱内。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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。在附图中:
图1为本发明实施例中提供的一种基于物联网的微型空气质量自动监测仪的结构示意图。
图2为本发明实施例中提供的一种基于物联网的微型空气质量自动监测仪中所述空气质量分析模块的框图。
图3为本发明实施例中提供的一种基于物联网的微型空气质量自动监测方法的流程图。
图4为本发明实施例中提供的一种基于物联网的微型空气质量自动监测方法的系统架构的示意图。
图5为本发明实施例中提供的一种基于物联网的微型空气质量自动监测仪的应用场景图。
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明白,下面结合附图对本申请实施例做进一步详细说明。在此,本申请的示意性实施例及其说明用于解释本申请,但并不作为对本申请的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在本申请的一个实施例中,图1为本发明实施例中提供的一种基于物联网的微型空气质量自动监测仪的结构示意图。如图1所示,根据本申请实施例的基于物联网的微型空气质量自动监测仪100,包括:信息采集箱1、发电装置2、物联网卡3、信息采集传感器组4和空气质量分析模块5;其中,所述信息采集箱1两侧设有通风口,两侧通风口形成通风通道,所述信息采集传感器组4的采集端放入所述通风通道中;所述信息采集传感器组4与所述空气质量分析模块5可通信的连接;所述空气质量分析模块5通过所述物联网卡3与云端平台无线通讯连接;所述发电装置2设有太阳能发电板和储电器,所述太阳能发电板集成于微型空气质量自动监测仪中,所述储电器设于所述信息采集箱1内。
在本申请的一个实施例中,提供一种可分布式物联网的城市空气质量定点监测仪,包括在城市道路上划分出若干个监控区域,所述监控区域内设有若干空气质量监测仪,所述空气质量监测仪通过锁定件固定在城市道路的路灯杆上,相邻接近两空气质量监测仪之间距离优选为100m,其中:所述空气质量监控仪包括信息采集电气箱、发电装置、物联网卡、信息采集传感器组和定位芯片;
所述采集电气箱通过锁定件固定在路灯杆上,所述信息采集电气箱两侧设有通风口,两侧通风口形成通风通道,所述信息采集传感器组的采集端放入通风通道中,所述两侧通风口外侧顶端设有向外延伸遮雨档板,减少雨天或恶劣天气对采集电气箱内部的干扰。
所述信息采集传感器组通过物联网卡与云端平台无线通讯连接;所述信息采集传感器组通过采集端获取空气质量数据,通过物联网卡发送空气质量数据、采集时间和定位信息到云端平台,
所述信息采集传感器组包括有:
可吸入颗粒物PM2.5传感器,用于获取可吸入颗粒物PM2.5数值;
可吸入颗粒物PM10传感器,用于获取可吸入颗粒物PM10数值;
二氧化硫传感器,用于获取空气中二氧化硫含量数值;
二氧化氮传感器,用于获取空气中二氧化氮含量数值;
一氧化碳传感器,用于获取空气中一氧化碳含量数值;
臭氧传感器,用于获取空气中臭氧含量数值。
所述发电装置设有太阳能发电板和储电器,所述太阳能发电板设于路灯杆的顶端,所述储电器设于信息采集电气箱内,并与各部件电气连接。
进一步地,所述发电装置包括风能发电机和储电器,所述风能发电机设有风轮和整流器,所述风轮设于路灯杆的顶端,所述整流器设于采集电气箱内,并与储电器连接,所述储电器还设有市电切换模块,通过市电切换模块接入市电线路。
所述空气质量监控仪还包括有后台服务器,所述后台服务器与云端平台连接,所述后台服务器内设有城市空气记录地图模型,所述城市空气记录地图模型对应信息采集传感器组所在位置设有记录单元,其中,所述信息采集传感器组所在位置由北斗定位芯片获取。
所述记录单元根据云端平台获取的空气质量数据,以对应的所在位置定位信息,记录采集时间和空气质量数据。所述城市空气记录地图模型还包括有判断模块,所述判断模块设有相应判断阈值范围,其中所述判断阈值范围包括有可吸入颗粒物PM2.5阈值范围、可吸入颗粒物PM10阈值范围、二氧化硫含量阈值范围、二氧化氮含量阈值范围、一氧化碳含量阈值范围和臭氧含量阈值范围。
所述判断模块根据相应空气质量数据以判断阈值范围进行判断,超出判断阈值的空气质量数据以不同的标识在城市空气地图模型中标记,方便管理者直观获知相应空气质量监控仪所在位置的空气质量情况,同时可以根据标记进行展示出城市空气受污染区域,该受污染区域中可以对比统计超出判断阈值最高的相应记录单元,该记录单元所在位置确定为污染源位置,及时通知监控区域相关负责人进行处理。
所述空气质量监测仪还设有故障检测报警模块,所述故障检测报警模块通过物联网卡与云端平台连接。所述故障检测报警模块通过物联网卡发送故障信号到云端平台,所述后台服务器根据故障信号或无法连接和无法获取空气质量数据的信息导入城市空气地图模型中,并以警告标识进行展示,管理者通过城市空气地图模型展示的警告标识获取相应空气质量监控仪所在位置,及时维修。
其中,所述信息采集传感器组包括:可吸入颗粒物PM2.5传感器、可吸入颗粒物PM10传感器、二氧化硫传感器、二氧化氮传感器、一氧化碳传感器和臭氧传感器。
特别地,为实现所述空气质量分析模块的功能,本申请的技术构思是综合利用被监控区域的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值,并结合深度学习算法来智能化分析上述时序数据,以此来自动化地判断空气质量的等级。
在本申请的一个实施例中,图2为本发明实施例中提供的一种基于物联网的微型空气质量自动监测仪中所述空气质量分析模块的框图,如图2所示,所述空气质量分析模块5,包括:数据获取单元110,用于获取由所述信息采集传感器组采集的被监控区域在预定时间段内的多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值;数据预处理单元120,用于将所述多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值进行数据预处理以得到PM2.5浓度时序图像、PM10浓度时序图像、二氧化硫浓度时序图像、二氧化氮浓度时序图像、一氧化碳浓度时序图像和臭氧浓度时序图像;图像特征提取单元130,用于对所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像进行图像特征提取以得到区域空气质量参数时序特征图;以及,空气质量的等级确定单元140,用于基于所述区域空气质量参数时序特征图,确定所述被监控区域的空气质量的等级。
基于此,在本申请的技术方案中,首先,获取由信息采集传感器组采集的被监控区域在预定时间段内的多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值。
在本申请的一个实施例中,所述数据预处理单元,包括:向量排列子单元,用于将所述多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值按照时间维度排列为PM2.5浓度输入向量、PM10浓度输入向量、二氧化硫浓度输入向量、二氧化氮浓度输入向量、一氧化碳浓度输入向量和臭氧浓度输入向量;以及,向量-图像转化子单元,用于将所述PM2.5浓度输入向量、所述PM10浓度输入向量、所述二氧化硫浓度输入向量、所述二氧化氮浓度输入向量、所述一氧化碳浓度输入向量和所述臭氧浓度输入向量分别通过基于向量-图像转化模块以得到所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像。
其中,所述向量-图像转化子单元,包括:局部向量切分二级子单元,用于将所述PM2.5浓度输入向量、所述PM10浓度输入向量、所述二氧化硫浓度输入向量、所述二氧化氮浓度输入向量、所述一氧化碳浓度输入向量和所述臭氧浓度输入向量分别进行向量切分以得到PM2.5浓度子输入向量的序列、PM10浓度子输入向量的序列、二氧化硫浓度子输入向量的序列、二氧化氮浓度子输入向量的序列、一氧化碳浓度子输入向量的序列和臭氧浓度子输入向量的序列;矩阵化二级子单元,用于将所述PM2.5浓度子输入向量的序列、所述PM10浓度子输入向量的序列、所述二氧化硫浓度子输入向量的序列、所述二氧化氮浓度子输入向量的序列、所述一氧化碳浓度子输入向量的序列和所述臭氧浓度子输入向量的序列分别排列为PM2.5浓度时序输入矩阵、PM10浓度时序输入矩阵、二氧化硫浓度时序输入矩阵、二氧化氮浓度时序输入矩阵、一氧化碳浓度时序输入矩阵和臭氧浓度时序输入矩阵;以及,归一化二级子单元,用于对所述PM2.5浓度时序输入矩阵、所述PM10浓度时序输入矩阵、所述二氧化硫浓度时序输入矩阵、所述二氧化氮浓度时序输入矩阵、所述一氧化碳浓度时序输入矩阵和所述臭氧浓度时序输入矩阵分别进行归一化处理以得到所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像;其中,所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像中各个位置的值的范围为0-255。
然后,将所述多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值进行数据预处理以得到PM2.5浓度时序图像、PM10浓度时序图像、二氧化硫浓度时序图像、二氧化氮浓度时序图像、一氧化碳浓度时序图像和臭氧浓度时序图像。
在本申请的一个具体示例中,将所述多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值进行数据预处理的编码过程,包括:先将所述多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值按照时间维度排列为PM2.5浓度输入向量、PM10浓度输入向量、二氧化硫浓度输入向量、二氧化氮浓度输入向量、一氧化碳浓度输入向量和臭氧浓度输入向量;随后,将所述PM2.5浓度输入向量、所述PM10浓度输入向量、所述二氧化硫浓度输入向量、所述二氧化氮浓度输入向量、所述一氧化碳浓度输入向量和所述臭氧浓度输入向量分别通过基于向量-图像转化模块以得到PM2.5浓度时序图像、PM10浓度时序图像、二氧化硫浓度时序图像、二氧化氮浓度时序图像、一氧化碳浓度时序图像和臭氧浓度时序图像。这里,通过将以离散序列形式存在的空气质量参数值转化为图像,可以利用图像数据来表示参数值的变化趋势,并从中捕捉局部空间邻域相关性。
在本申请的一个实施例中,所述图像特征提取单元,包括:关联特征提取子单元,用于将所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像通过基于卷积神经网络模型的区域空气质量参数间关联特征提取器以得到所述区域空气质量参数时序特征图。
其中,所述关联特征提取子单元,用于:将所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像通过基于卷积神经网络模型的区域空气质量参数间关联特征提取器以得到PM2.5浓度时序特征矩阵、PM10浓度时序特征矩阵、二氧化硫浓度时序特征矩阵、二氧化氮浓度时序特征矩阵、一氧化碳浓度时序特征矩阵和臭氧浓度时序特征矩阵;以及,将所述PM2.5浓度时序特征矩阵、所述PM10浓度时序特征矩阵、所述二氧化硫浓度时序特征矩阵、所述二氧化氮浓度时序特征矩阵、所述一氧化碳浓度时序特征矩阵和所述臭氧浓度时序特征矩阵沿通道聚合为所述区域空气质量参数时序特征图。
接着,对所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像进行图像特征提取以得到区域空气质量参数时序特征图。也就是,分别捕捉PM2.5浓度、PM10浓度、二氧化硫浓度、二氧化氮浓度、一氧化碳浓度和臭氧浓度的时序特征分布,并将各个参数的时序特征进行综合表征,以得到所述区域空气质量参数时序特征图。
在本申请的一个具体示例中,对所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像进行图像特征提取以得到区域空气质量参数时序特征图的实现方式是将所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像通过基于卷积神经网络模型的区域空气质量参数间关联特征提取器以得到区域空气质量参数时序特征图。
更具体地,将所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像通过基于卷积神经网络模型的区域空气质量参数间关联特征提取器以得到区域空气质量参数时序特征图的编码过程,包括:先将所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像通过基于卷积神经网络模型的区域空气质量参数间关联特征提取器以得到PM2.5浓度时序特征矩阵、PM10浓度时序特征矩阵、二氧化硫浓度时序特征矩阵、二氧化氮浓度时序特征矩阵、一氧化碳浓度时序特征矩阵和臭氧浓度时序特征矩阵;再将所述PM2.5浓度时序特征矩阵、所述PM10浓度时序特征矩阵、所述二氧化硫浓度时序特征矩阵、所述二氧化氮浓度时序特征矩阵、所述一氧化碳浓度时序特征矩阵和所述臭氧浓度时序特征矩阵沿通道聚合为所述区域空气质量参数时序特征图。
在本申请的一个实施例中,所述空气质量的等级确定单元,包括:通道注意力子单元,用于将所述区域空气质量参数时序特征图通过基于通道注意力模块的区域空气质量参数间关联特征感知器以得到区域空气质量参数间时序关联特征图;逐位置特征值优化单元,用于对所述区域空气质量参数间时序关联特征图进行逐位置特征值优化以得到优化区域空气质量参数间时序关联特征图;以及,分类子单元,用于将所述优化区域空气质量参数间时序关联特征图通过分类器以得到分类结果,所述分类结果用于表示所述被监控区域的空气质量的等级标签。
进一步地,将所述区域空气质量参数时序特征图通过基于通道注意力模块的区域空气质量参数间关联特征感知器以得到区域空气质量参数间时序关联特征图。也就是,考虑到所述区域空气质量参数时序特征图表征不同参数的时序特征分布,而各个参数时序特征分布对于区域空气质量的贡献度是不同的,应该对不同的特征通道进行适当增强或者抑制。这里,通过通道注意力模块来对特征图的每个通道乘以通道对应的权重,以实现自适应的增强重要特征并抑制重要性弱的特征。
这里,所述区域空气质量参数时序特征图的每个特征矩阵分别表达PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值在经由向量-图像转化模块获得的全局时域下的局部时域内-局部时域间局部时序关联特征,这样,通过基于通道注意力模块的区域空气质量参数间关联特征感知器后,得到的所述区域空气质量参数间时序关联特征图可以进一步强化样本通道分布维度下的局部特征的整体表达,从而使得所述区域空气质量参数间时序关联特征图除了基于跨源样本维度的特征分布差异以外,还具有了基于跨特征样本通道维度的特征分布差异。
这样,考虑到上述特征分布差异会给所述区域空气质量参数间时序关联特征图的整体特征表示带来局部特征分布稀疏化,即相对于整体高维特征流形的分布外稀疏化子流形,这会使得在将所述区域空气质量参数间时序关联特征图通过分类器进行类概率回归映射时,所述区域空气质量参数间时序关联特征图到概率空间内的预定回归概率表示的收敛性差,影响分类结果的准确性。
因此,优选地,对所述区域空气质量参数间时序关联特征图进行逐位置特征值优化,具体为:所述逐位置特征值优化单元,用于以如下公式对所述区域空气质量参数间时序关联特征图进行逐位置特征值优化以得到所述优化区域空气质量参数间时序关联特征图;其中,所述公式为:
其中,/>是所述区域空气质量参数间时序关联特征图,/>是所述区域空气质量参数间时序关联特征图/>的第/>个位置的特征值,/>是所述优化区域空气质量参数间时序关联特征图的第/>个位置的特征值。
也就是,通过基于重概率的正则化来处理高维特征空间内的稀疏分布,以激活所述区域空气质量参数间时序关联特征图在高维特征空间内的几何流形到概率空间的自然分布转移,从而通过对所述区域空气质量参数间时序关联特征图/>的高维特征流形的分布稀疏子流形进行基于重概率化的平滑正则的方式,提高具有高空间稀疏性的复杂高维特征流形在预定回归概率分布下的收敛性,从而提升所述区域空气质量参数间时序关联特征图/>通过分类器得到的分类结果的准确性。
继而,将所述优化区域空气质量参数间时序关联特征图通过分类器以得到分类结果,所述分类结果用于表示所述被监控区域的空气质量的等级标签。通过使用深度学习算法和分类器,系统可以自动学习和提取时序数据中的特征,并将其与空气质量等级进行关联,这使得空气质量等级的判断过程变得智能化和自动化,减少了人工干预的需要。由于综合利用了多个空气质量参数的时序数据,系统可以更全面地评估空气质量,不同的污染物可能对空气质量等级有不同的影响,因此综合考虑多个参数可以提供更准确的空气质量等级判断。通过考虑时序数据中的关联特征,系统可以捕捉到不同污染物之间的相互影响和演化趋势,有助于更好地理解和预测空气质量的变化,提高空气质量等级判断的准确性。基于分类结果,系统可以实时监测被监控区域的空气质量等级,并及时发出预警或提醒,有助于采取相应的措施来改善空气质量,保护人们的健康和环境。
综上,基于本申请实施例的基于物联网的微型空气质量自动监测仪100被阐明,其结合深度学习算法来智能化分析上述时序数据,以此来自动化地判断空气质量的等级。
与现有技术相比,本申请的有益效果是:
本申请通过物联网卡和空气质量检测仪的分布式布置,每个空气质量监控仪获取所在位置的空气质量数据,将空气质量数据导入城市空气地图模型,通过城市空气地图模型可以直观明了获取城市监控区域的城市空气分布情况,清晰知晓城市空气受污染区域和污染源位置,能有连续、实时、有效地对城市空气管理。
本申请采用太阳能或风能发电装置,对部件进行实时供电,利用自身发电功能减少对市电或其他能源的损耗,保证空气质量监控仪的实时工作,精准获取城市空气的情况,给管理者提供实时性地空气质量数据。
在本申请的一个实施例中,图3为本申请实施例中提供的一种基于物联网的微型空气质量自动监测方法的流程图。图4为本申请实施例中提供的一种基于物联网的微型空气质量自动监测方法的系统架构的示意图。如图3和图4所示,根据本申请实施例的基于物联网的微型空气质量自动监测方法,其包括:210,获取由所述信息采集传感器组采集的被监控区域在预定时间段内的多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值;220,将所述多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值进行数据预处理以得到PM2.5浓度时序图像、PM10浓度时序图像、二氧化硫浓度时序图像、二氧化氮浓度时序图像、一氧化碳浓度时序图像和臭氧浓度时序图像;230,对所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像进行图像特征提取以得到区域空气质量参数时序特征图;以及,240,基于所述区域空气质量参数时序特征图,确定所述被监控区域的空气质量的等级。
本领域技术人员可以理解,上述基于物联网的微型空气质量自动监测方法中的各个步骤的具体操作已经在上面参考图1至图2的基于物联网的微型空气质量自动监测仪的描述中得到了详细介绍,并因此,将省略其重复描述。
图5为本申请实施例中提供的一种基于物联网的微型空气质量自动监测仪的应用场景图。如图5所示,在该应用场景中,首先,获取由所述信息采集传感器组采集的被监控区域在预定时间段内的多个预定时间点的PM2.5浓度值(例如,如图5中所示意的C1)、PM10浓度值(例如,如图5中所示意的C2)、二氧化硫浓度值(例如,如图5中所示意的C3)、二氧化氮浓度值(例如,如图5中所示意的C4)、一氧化碳浓度值(例如,如图5中所示意的C5)和臭氧浓度值(例如,如图5中所示意的C6);然后,将获取的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值输入至部署有基于物联网的微型空气质量自动监测算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于物联网的微型空气质量自动监测算法对PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值进行处理,以确定所述被监控区域的空气质量的等级。
以上所述的具体实施例,对本申请的目的、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,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于物联网的微型空气质量自动监测仪,其特征在于,包括:信息采集箱、发电装置、物联网卡、信息采集传感器组和空气质量分析模块;
其中,所述信息采集箱两侧设有通风口,两侧通风口形成通风通道,所述信息采集传感器组的采集端放入所述通风通道中;所述信息采集传感器组与所述空气质量分析模块可通信的连接;所述空气质量分析模块通过所述物联网卡与云端平台无线通讯连接;所述发电装置设有太阳能发电板和储电器,所述太阳能发电板集成于微型空气质量自动监测仪中,所述储电器设于所述信息采集箱内。
2.根据权利要求1所述的基于物联网的微型空气质量自动监测仪,其特征在于,所述信息采集传感器组包括:可吸入颗粒物PM2.5传感器、可吸入颗粒物PM10传感器、二氧化硫传感器、二氧化氮传感器、一氧化碳传感器和臭氧传感器。
3.根据权利要求2所述的基于物联网的微型空气质量自动监测仪,其特征在于,所述空气质量分析模块,包括:
数据获取单元,用于获取由所述信息采集传感器组采集的被监控区域在预定时间段内的多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值;
数据预处理单元,用于将所述多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值进行数据预处理以得到PM2.5浓度时序图像、PM10浓度时序图像、二氧化硫浓度时序图像、二氧化氮浓度时序图像、一氧化碳浓度时序图像和臭氧浓度时序图像;
图像特征提取单元,用于对所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像进行图像特征提取以得到区域空气质量参数时序特征图;以及
空气质量的等级确定单元,用于基于所述区域空气质量参数时序特征图,确定所述被监控区域的空气质量的等级。
4.根据权利要求3所述的基于物联网的微型空气质量自动监测仪,其特征在于,所述数据预处理单元,包括:
向量排列子单元,用于将所述多个预定时间点的PM2.5浓度值、PM10浓度值、二氧化硫浓度值、二氧化氮浓度值、一氧化碳浓度值和臭氧浓度值按照时间维度排列为PM2.5浓度输入向量、PM10浓度输入向量、二氧化硫浓度输入向量、二氧化氮浓度输入向量、一氧化碳浓度输入向量和臭氧浓度输入向量;以及
向量-图像转化子单元,用于将所述PM2.5浓度输入向量、所述PM10浓度输入向量、所述二氧化硫浓度输入向量、所述二氧化氮浓度输入向量、所述一氧化碳浓度输入向量和所述臭氧浓度输入向量分别通过基于向量-图像转化模块以得到所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像。
5.根据权利要求4所述的基于物联网的微型空气质量自动监测仪,其特征在于,所述向量-图像转化子单元,包括:
局部向量切分二级子单元,用于将所述PM2.5浓度输入向量、所述PM10浓度输入向量、所述二氧化硫浓度输入向量、所述二氧化氮浓度输入向量、所述一氧化碳浓度输入向量和所述臭氧浓度输入向量分别进行向量切分以得到PM2.5浓度子输入向量的序列、PM10浓度子输入向量的序列、二氧化硫浓度子输入向量的序列、二氧化氮浓度子输入向量的序列、一氧化碳浓度子输入向量的序列和臭氧浓度子输入向量的序列;
矩阵化二级子单元,用于将所述PM2.5浓度子输入向量的序列、所述PM10浓度子输入向量的序列、所述二氧化硫浓度子输入向量的序列、所述二氧化氮浓度子输入向量的序列、所述一氧化碳浓度子输入向量的序列和所述臭氧浓度子输入向量的序列分别排列为PM2.5浓度时序输入矩阵、PM10浓度时序输入矩阵、二氧化硫浓度时序输入矩阵、二氧化氮浓度时序输入矩阵、一氧化碳浓度时序输入矩阵和臭氧浓度时序输入矩阵;以及
归一化二级子单元,用于对所述PM2.5浓度时序输入矩阵、所述PM10浓度时序输入矩阵、所述二氧化硫浓度时序输入矩阵、所述二氧化氮浓度时序输入矩阵、所述一氧化碳浓度时序输入矩阵和所述臭氧浓度时序输入矩阵分别进行归一化处理以得到所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像;其中,所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像中各个位置的值的范围为0-255。
6.根据权利要求5所述的基于物联网的微型空气质量自动监测仪,其特征在于,所述图像特征提取单元,包括:
关联特征提取子单元,用于将所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像通过基于卷积神经网络模型的区域空气质量参数间关联特征提取器以得到所述区域空气质量参数时序特征图。
7.根据权利要求6所述的基于物联网的微型空气质量自动监测仪,其特征在于,所述关联特征提取子单元,用于:
将所述PM2.5浓度时序图像、所述PM10浓度时序图像、所述二氧化硫浓度时序图像、所述二氧化氮浓度时序图像、所述一氧化碳浓度时序图像和所述臭氧浓度时序图像通过基于卷积神经网络模型的区域空气质量参数间关联特征提取器以得到PM2.5浓度时序特征矩阵、PM10浓度时序特征矩阵、二氧化硫浓度时序特征矩阵、二氧化氮浓度时序特征矩阵、一氧化碳浓度时序特征矩阵和臭氧浓度时序特征矩阵;以及
将所述PM2.5浓度时序特征矩阵、所述PM10浓度时序特征矩阵、所述二氧化硫浓度时序特征矩阵、所述二氧化氮浓度时序特征矩阵、所述一氧化碳浓度时序特征矩阵和所述臭氧浓度时序特征矩阵沿通道聚合为所述区域空气质量参数时序特征图。
8.根据权利要求7所述的基于物联网的微型空气质量自动监测仪,其特征在于,所述空气质量的等级确定单元,包括:
通道注意力子单元,用于将所述区域空气质量参数时序特征图通过基于通道注意力模块的区域空气质量参数间关联特征感知器以得到区域空气质量参数间时序关联特征图;
逐位置特征值优化单元,用于对所述区域空气质量参数间时序关联特征图进行逐位置特征值优化以得到优化区域空气质量参数间时序关联特征图;以及
分类子单元,用于将所述优化区域空气质量参数间时序关联特征图通过分类器以得到分类结果,所述分类结果用于表示所述被监控区域的空气质量的等级标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311593072.7A CN117554574B (zh) | 2023-11-27 | 2023-11-27 | 基于物联网的微型空气质量自动监测仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311593072.7A CN117554574B (zh) | 2023-11-27 | 2023-11-27 | 基于物联网的微型空气质量自动监测仪 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117554574A true CN117554574A (zh) | 2024-02-13 |
CN117554574B CN117554574B (zh) | 2024-07-19 |
Family
ID=89816504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311593072.7A Active CN117554574B (zh) | 2023-11-27 | 2023-11-27 | 基于物联网的微型空气质量自动监测仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117554574B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130174646A1 (en) * | 2012-01-09 | 2013-07-11 | David Martin | Networked air quality monitoring |
CN109061066A (zh) * | 2018-08-16 | 2018-12-21 | 天狼联盟材料科技研究(广东)有限公司 | 一种可分布式物联网的城市空气质量定点监测仪 |
US20210229520A1 (en) * | 2020-01-24 | 2021-07-29 | Ford Global Technologies, Llc | Method for determining air quality in a passenger compartment of a motor vehicle |
CN115392369A (zh) * | 2022-08-24 | 2022-11-25 | 杭州里莹网络科技有限公司 | 基于物联网的室内空气质量预测系统及其预测方法 |
CN116485015A (zh) * | 2023-04-04 | 2023-07-25 | 淮阴工学院 | 一种基于Conv-LSTM-RA网络的空气质量指数预测方法 |
CN116759053A (zh) * | 2023-06-16 | 2023-09-15 | 烟台汇通佳仁医疗科技有限公司 | 基于物联网系统的医疗体系防控方法及系统 |
CN117073768A (zh) * | 2023-10-16 | 2023-11-17 | 吉林省牛人网络科技股份有限公司 | 肉牛养殖管理系统及其方法 |
-
2023
- 2023-11-27 CN CN202311593072.7A patent/CN117554574B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130174646A1 (en) * | 2012-01-09 | 2013-07-11 | David Martin | Networked air quality monitoring |
CN109061066A (zh) * | 2018-08-16 | 2018-12-21 | 天狼联盟材料科技研究(广东)有限公司 | 一种可分布式物联网的城市空气质量定点监测仪 |
US20210229520A1 (en) * | 2020-01-24 | 2021-07-29 | Ford Global Technologies, Llc | Method for determining air quality in a passenger compartment of a motor vehicle |
CN115392369A (zh) * | 2022-08-24 | 2022-11-25 | 杭州里莹网络科技有限公司 | 基于物联网的室内空气质量预测系统及其预测方法 |
CN116485015A (zh) * | 2023-04-04 | 2023-07-25 | 淮阴工学院 | 一种基于Conv-LSTM-RA网络的空气质量指数预测方法 |
CN116759053A (zh) * | 2023-06-16 | 2023-09-15 | 烟台汇通佳仁医疗科技有限公司 | 基于物联网系统的医疗体系防控方法及系统 |
CN117073768A (zh) * | 2023-10-16 | 2023-11-17 | 吉林省牛人网络科技股份有限公司 | 肉牛养殖管理系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117554574B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Torres et al. | Detection of outliers in gas emissions from urban areas using functional data analysis | |
CN102289656A (zh) | 一种测算交通流对于城市污染影响的方法 | |
CN109190915A (zh) | 一种基于城市规划的碳排放管理系统 | |
CN114997499A (zh) | 一种半监督学习下的城市颗粒物浓度时空预测方法 | |
CN115372571A (zh) | 一种水环境智能监测系统 | |
CN114757687A (zh) | 一种基于大数据技术的大气污染物溯源系统及方法 | |
CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 | |
CN111077048A (zh) | 基于移动设备的机会式群体智能空气质量监测及评估方法 | |
CN113901043B (zh) | 污染源智能监管和数据融合分析方法和系统 | |
CN111767913A (zh) | 一种基于深度学习的动车组车辆故障动态图像检测方法 | |
CN109061066A (zh) | 一种可分布式物联网的城市空气质量定点监测仪 | |
CN117554574B (zh) | 基于物联网的微型空气质量自动监测仪 | |
CN113267601A (zh) | 一种基于机器视觉和数据分析的工业生产环境远程实时监测云平台 | |
CN117310093A (zh) | 基于物联网的大气环境监测系统 | |
CN102156099B (zh) | 一种大气污染物的检测方法及系统 | |
CN115733258A (zh) | 一种基于物联网技术的全户内智能变电站系统的控制方法 | |
CN113191170B (zh) | 公共设施二维码损毁巡检有效性预测方法及系统 | |
Chung et al. | Information extraction methodology by web scraping for smart cities | |
Kadılar et al. | Air pollution analysis for Ankara by air pollution index highly correlated with meteorological variables | |
CN112465781A (zh) | 一种基于视频的风电机组主要部件缺陷识别方法 | |
CN114021867A (zh) | 一种基于物联网和大数据的生态景观规划设计方法 | |
CN117649123B (zh) | 一种智慧园区管理系统 | |
CN111339392A (zh) | 一种基于气象要素的天空蓝指数确定方法及系统 | |
CN207096044U (zh) | 一种大气颗粒物浓度数据监管平台 | |
CN113496319B (zh) | 一种可再生能源发电系统脆弱性的评估方法 |
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 |