CN117686669B - 一种无组织排放源网格化监测方法、装置、设备和介质 - Google Patents
一种无组织排放源网格化监测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117686669B CN117686669B CN202410148297.XA CN202410148297A CN117686669B CN 117686669 B CN117686669 B CN 117686669B CN 202410148297 A CN202410148297 A CN 202410148297A CN 117686669 B CN117686669 B CN 117686669B
- Authority
- CN
- China
- Prior art keywords
- value
- concentration
- pollutant
- grids
- grid
- 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 43
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 94
- 231100000719 pollutant Toxicity 0.000 claims abstract description 83
- 238000009792 diffusion process Methods 0.000 claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 239000000356 contaminant Substances 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method 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
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01N33/0062—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种无组织排放源网格化监测方法、装置、设备和介质，属于污染监测技术领域，解决了现有技术中成本大、容易遗漏的技术问题。无组织排放源网格化监测方法包括：获取目标区域内有组织排放源的信息；获取所述目标区域对应的网格，包括已知网格和未知网格；将所述有组织排放源的信息输入到大气扩散模型，得到有组织排放源的污染物浓度模拟值；获取所述已知网格的污染物浓度真实值；根据所述污染物浓度真实值，得到所述未知网格的污染物浓度估算值；根据所述污染物浓度真实值、所述污染物浓度估算值和所述污染物浓度模拟值，得到无组织排放源的污染物浓度预测值，并确定位置。本发明实现了无组织排放源排放浓度和位置的网格化监测。
Description
技术领域
本发明属于污染监测技术领域，具体而言涉及一种无组织排放源网格化监测方法、装置、设备和介质。
背景技术
网格化监测技术是一种通过将目标监测区域划分为网格单元，并在每个单元内进行系统监测的方法；这种技术被应用于环境监测、气象监测、大气污染监测、水质监测等领域；网格化监测技术可以提供相对较高的空间分辨率，使得对监测区域内局部区域进行精细化监测，通过对监测数据的分析和可视化，支持科学决策、规划和资源管理；然而，在网格单元中除了位置相对稳定的有组织排放源外，还可能存在无组织排放源；
现有的无组织排放源监测技术中，对无组织排放源的位置和排放的污染物浓度的监测，通常依赖人工统计、定时巡检等方法确定，存在成本大、效率低、容易遗漏等问题。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种无组织排放源网格化监测方法，用以解决现有的无组织排放源监测方法成本大、效率低、容易遗漏的技术问题。
本发明的目的是这样实现的：
一方面，提供一种无组织排放源网格化监测方法，包括：
获取目标区域内有组织排放源的信息；
获取所述目标区域对应的网格，所述网格包括已知网格和未知网格，所述已知网格中设有监测设备；
将所述有组织排放源的信息输入到大气扩散模型进行扩散模拟，得到所有所述网格中的有组织排放源的污染物浓度模拟值；
获取所述已知网格的污染物浓度真实值；
根据所述污染物浓度真实值，进行插值计算，得到所述未知网格的污染物浓度估算值/>；
根据所述污染物浓度真实值、所述污染物浓度估算值/>和所述污染物浓度模拟值/>，得到所有所述网格中的无组织排放源的污染物浓度预测值/>；
根据所述污染物浓度预测值对应的所述网格，确定所述无组织排放源的位置。
进一步地，所述污染物浓度预测值由所述污染物浓度真实值/>和所述污染物浓度估算值/>分别减去所述污染物浓度模拟值/>得到；若所述污染物浓度预测值/>大于0，则将所述污染物浓度预测值/>设为合理预测值/>；否则将所述污染物浓度预测值设为可疑预测值/>。
进一步地，若所述可疑预测值对应的所述网格为所述已知网格，则将所述可疑预测值/>设为第一可疑值/>；否则，将所述可疑预测值/>设为第二可疑值/>。
进一步地，根据所述第一可疑值调整所述大气扩散模型的参数，并进行下一轮模拟。
进一步地，根据所述第二可疑值调整所述插值计算中的权重，并进行下一轮计算。
进一步地，所述获取目标区域内有组织排放源的信息，包括：通过人工标注或机器学习算法标注的方式，从所述目标区域内的卫星遥感影像获取所述有组织排放源的位置信息和高度信息。
进一步地，所述确定所述无组织排放源的位置，包括：在所述污染物浓度预测值对应的所述网格中绘制浓度热力图；提高所述网格的分辨率，根据所述浓度热力图，确定所述无组织排放源的位置。
本发明第二方面实施例提供一种无组织排放源网格化监测装置，包括：
第一获取模块，用于获取目标区域内有组织排放源的信息；
第二获取模块，用于获取所述目标区域对应的网格，所述网格包括已知网格和未知网格，所述已知网格中设有监测设备；
扩散模拟模块，用于将所述有组织排放源的信息输入到大气扩散模型进行扩散模拟，得到所有所述网格中的有组织排放源的污染物浓度模拟值；
第三获取模块，用于获取所述已知网格的污染物浓度真实值；
插值模块，用于根据所述污染物浓度真实值，进行插值计算，得到所述未知网格的污染物浓度估算值/>；
预测模块，用于根据所述污染物浓度真实值、所述污染物浓度估算值/>和所述污染物浓度模拟值/>，得到所有所述网格中的无组织排放源的污染物浓度预测值/>；
位置确定模块，用于根据所述污染物浓度预测值对应的所述网格，确定所述无组织排放源的位置。
本发明第三方面实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现任一实施例所述的无组织排放源网格化监测方法。
本发明第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一实施例所述的无组织排放源网格化监测方法。
与现有技术相比，本发明至少可实现如下有益效果之一：
根据有组织排放源的信息通过大气扩散模型得到所有网格的污染物浓度模拟值，再根据已知网格的污染物浓度真实值通过插值计算得到未知网格的污染物浓度估算值，从而计算得到无组织排放源的污染物浓度预测值，然后根据预测值以及对应的网格确定无组织排放源的位置，实现了无组织排放源排放浓度和位置的网格化监测，成本低、监测效率高、不存在遗漏。
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为本发明实施例1提供的无组织排放源网格化监测方法的流程图；
图2为本发明实施例2提供的无组织排放源网格化监测装置示意图；
图3为本发明实施例3提供的电子设备架构示意图。
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。
实施例1
本发明的一个具体实施例，如图1所示，公开了一种无组织排放源网格化监测方法，包括：
获取目标区域内有组织排放源的信息；
获取所述目标区域对应的网格，所述网格包括已知网格和未知网格，所述已知网格中设有监测设备；
将所述有组织排放源的信息输入到大气扩散模型进行扩散模拟，得到所有所述网格中的有组织排放源的污染物浓度模拟值；
获取所述已知网格的污染物浓度真实值；
根据所述污染物浓度真实值，进行插值计算，得到所述未知网格的污染物浓度估算值/>；
根据所述污染物浓度真实值、所述污染物浓度估算值/>和所述污染物浓度模拟值/>，得到所有所述网格中的无组织排放源的污染物浓度预测值/>；
根据所述污染物浓度预测值对应的所述网格，确定所述无组织排放源的位置。
实施时，先获取目标区域内有组织排放源的信息，例如污染类型、经纬度、建筑类型、排放类型和排放高度等；将所述目标区域网格化，得到若干网格单元，其中设有污染物监测设备的网格设为已知网格，其他设为未知网格；将所述有组织排放源的信息输入到大气扩散模型中进行扩散模拟，以得到所有网格中有组织排放源的污染物浓度值的模拟值；再通过所述监测设备获取所述已知网格中包括所述有组织排放源和所述无组织排放源的污染物浓度值的真实值；再根据所述已知网格的所述真实值对所述未知网格进行插值计算，得到所述未知网格的包括所述有组织排放源和所述无组织排放源的污染物浓度值的估算值；然后分别用所述已知网格的所述真实值和所述未知网格的所述估算值与所述模拟值作差，得到所有网格中无组织排放源的预测值；最后根据所述预测值确定所述无组织排放源的位置。
与现有技术相比，本实施例提供的无组织排放源网格化监测方法，根据有组织排放源的信息通过大气扩散模型得到所有网格的污染物浓度模拟值，再根据已知网格的污染物浓度真实值通过插值计算得到未知网格的污染物浓度估算值，从而计算得到无组织排放源的污染物浓度预测值，然后根据预测值以及对应的网格确定无组织排放源的位置，实现了无组织排放源排放浓度和位置的网格化监测，成本低、监测效率高、不存在遗漏。
示例性的，使用HYSPLIT模型的后向轨迹模式进行扩散模拟，首先设置模型的参数（起始时间、经纬度、起始高度、运行时间等），然后将所述有组织排放源的信息保存为该模型支持的文件格式，再将文件输入到模型中开始模拟，得到预报网格浓度，同时取对应时间上一年的周六日静稳天气的对应网格浓度均值/>，将/>与/>作和得到所述污染物浓度模拟值/>。
可选的，可以使用线性插值、克里金插值、牛顿插值等插值方法，根据所述污染物浓度真实值，进行插值计算，得到所述未知网格的污染物浓度估算值/>。
优选的，使用反距离权重法计算所述未知网格的污染物浓度估算值，表示如下：
其中，表示已知网格与未知网格之间的距离，/>表示权重，/>表示已知网格的数量。
本实施例中，所述污染物浓度预测值由所述污染物浓度真实值/>和所述污染物浓度估算值/>分别减去所述污染物浓度模拟值/>得到；若所述污染物浓度预测值/>大于0，则将所述污染物浓度预测值/>设为合理预测值/>；否则将所述污染物浓度预测值设为可疑预测值/>。
具体而言，若所述污染物浓度预测值大于0时，表明当前所述网格中存在无组织排放源，则所述污染物浓度预测值/>是合理的；若所述污染物浓度预测值/>小于0时，表明当前所述网格中所述污染物浓度预测值/>或所述污染物浓度估算值/>存在异常，因此将所述污染物浓度预测值/>设为可疑预测值/>。
本实施例中，若所述可疑预测值对应的所述网格为所述已知网格，则将所述可疑预测值/>设为第一可疑值/>；否则，将所述可疑预测值/>设为第二可疑值/>。
具体而言，为了进一步判断存在异常的是所述污染物浓度预测值或所述污染物浓度估算值/>，通过检测所述可疑预测值/>对应的所述网格，若为所述已知网格，表明异常是在扩散模拟的过程中引起的，则将所述可疑预测值/>设为第一可疑值/>；若为所述未知网格，表明异常是在插值计算的过程中引起的，则将所述可疑预测值设为第二可疑值/>。
本实施例中，得知出现异常的原因后，需要对大气扩散模型或插值过程进行调整；根据所述第一可疑值调整所述大气扩散模型的参数，并进行下一轮模拟；根据所述第二可疑值/>调整所述插值计算中的权重，并进行下一轮计算；通过实时调整模型和更新权重，使得无组织排放源的预测浓度更加准确。
具体而言，大气扩散模型的调整策略如下所示：
（I）设置一个调整系数；
（II）将所述大气扩散模型的参数中的起始高度乘以调整系数，作为新的起始高度；
（III）进行下一轮模拟，循环至所述污染物浓度预测值大于0。
插值计算过程的调整策略如下所示：
（I）设置一个调整系数；
（II）将所述权重乘以调整系数/>，作为新的权重；
（III）使用新权重更新插值计算过程，循环至所述污染物浓度预测值大于0。
本实施例中，所述获取目标区域内有组织排放源的信息，包括：通过人工标注或机器学习算法标注的方式，从所述目标区域内的卫星遥感影像获取所述有组织排放源的位置信息和高度信息。
具体而言，通过工厂或企业污染源清单数据、卫星遥感影像、互联网企业信息数据、卫星遥感地表温度以及人工实地考察等获得数据后，通过人工标注或机器学习算法标注方法对数据进行处理，以得到有组织排放源的位置和高度等信息，并进行编号保存为大气扩散模型对应格式的文件。
本实施例中，所述确定所述无组织排放源的位置，包括：在所述污染物浓度预测值对应的所述网格中绘制浓度热力图；根据所述浓度热力图，提高所述网格的分辨率，确定所述无组织排放源的位置。
具体而言，当通过实时调整大气扩散模型的参数和更新插值计算的权重使得所有的所述污染物浓度预测值均为所述合理预测值/>时，根据所述合理预测值/>在对应的网格中绘制浓度热力图；然后逐个提高存在无组织排放源的网格的分辨率，结合该网格中浓度热力图的无组织排放源的浓度分布，确定所述无组织排放源的位置。
实施例2
本实施例提供一种无组织排放源网格化监测装置，如图2所示，包括：
第一获取模块，用于获取目标区域内有组织排放源的信息；
第二获取模块，用于获取所述目标区域对应的网格，所述网格包括已知网格和未知网格，所述已知网格中设有监测设备；
扩散模拟模块，用于将所述有组织排放源的信息输入到大气扩散模型进行扩散模拟，得到所有所述网格中的有组织排放源的污染物浓度模拟值；
第三获取模块，用于获取所述已知网格的污染物浓度真实值；
插值模块，用于根据所述污染物浓度真实值，进行插值计算，得到所述未知网格的污染物浓度估算值/>；
预测模块，用于根据所述污染物浓度真实值、所述污染物浓度估算值/>和所述污染物浓度模拟值/>，得到所有所述网格中的无组织排放源的污染物浓度预测值/>；
位置确定模块，用于根据所述污染物浓度预测值对应的所述网格，确定所述无组织排放源的位置。
实施例3
本实施例提供一种电子设备，如图3所述，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如上任一实施例所述的无组织排放源网格化监测方法。
实施例4
实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时，实现如上任一实施例所述的层无组织排放源网格化监测方法。
计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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 (4)
1.一种无组织排放源网格化监测方法，其特征在于，包括：
获取目标区域内有组织排放源的信息，包括：通过人工标注或机器学习算法标注的方式，从所述目标区域内的卫星遥感影像获取所述有组织排放源的位置信息和高度信息；
获取所述目标区域对应的网格，所述网格包括已知网格和未知网格，所述已知网格中设有监测设备；
将所述有组织排放源的信息输入到大气扩散模型进行扩散模拟，得到所有所述网格中的有组织排放源的污染物浓度模拟值；获取所述已知网格的污染物浓度真实值/>；根据所述污染物浓度真实值/>，进行插值计算，得到所述未知网格的污染物浓度估算值/>；根据所述污染物浓度真实值/>、所述污染物浓度估算值/>和所述污染物浓度模拟值/>，得到所有所述网格中的无组织排放源的污染物浓度预测值/>；所述污染物浓度预测值/>由所述污染物浓度真实值/>和所述污染物浓度估算值/>分别减去所述污染物浓度模拟值/>得到；若所述污染物浓度预测值/>大于0，则将所述污染物浓度预测值/>设为合理预测值/>；否则将所述污染物浓度预测值/>设为可疑预测值/>；若所述可疑预测值/>对应的所述网格为所述已知网格，则将所述可疑预测值/>设为第一可疑值/>；否则，将所述可疑预测值/>设为第二可疑值/>；根据所述第一可疑值/>调整所述大气扩散模型的参数，并进行下一轮模拟；根据所述第二可疑值/>调整所述插值计算中的权重，并进行下一轮计算；大气扩散模型的调整策略如下所示：（I）设置一个调整系数/>；
（II）将所述大气扩散模型的参数中的起始高度乘以调整系数，作为新的起始高度；
（III）进行下一轮模拟，循环至所述污染物浓度预测值大于0；插值计算过程的调整策略如下所示：（I）设置一个调整系数/>；
（II）将所述权重乘以调整系数/>，作为新的权重；
（III）使用新权重更新插值计算过程，循环至所述污染物浓度预测值大于0；根据所述污染物浓度预测值/>对应的所述网格，确定所述无组织排放源的位置，包括：在所述污染物浓度预测值/>对应的所述网格中绘制浓度热力图；提高所述网格的分辨率，根据所述浓度热力图，确定所述无组织排放源的位置。
2.一种无组织排放源网格化监测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标区域内有组织排放源的信息，包括：通过人工标注或机器学习算法标注的方式，从所述目标区域内的卫星遥感影像获取所述有组织排放源的位置信息和高度信息；
第二获取模块，用于获取所述目标区域对应的网格，所述网格包括已知网格和未知网格，所述已知网格中设有监测设备；
扩散模拟模块，用于将所述有组织排放源的信息输入到大气扩散模型进行扩散模拟，得到所有所述网格中的有组织排放源的污染物浓度模拟值；
第三获取模块，用于获取所述已知网格的污染物浓度真实值；
插值模块，用于根据所述污染物浓度真实值，进行插值计算，得到所述未知网格的污染物浓度估算值/>；预测模块，用于根据所述污染物浓度真实值/>、所述污染物浓度估算值/>和所述污染物浓度模拟值/>，得到所有所述网格中的无组织排放源的污染物浓度预测值/>；所述污染物浓度预测值/>由所述污染物浓度真实值/>和所述污染物浓度估算值/>分别减去所述污染物浓度模拟值/>得到；若所述污染物浓度预测值/>大于0，则将所述污染物浓度预测值/>设为合理预测值/>；否则将所述污染物浓度预测值/>设为可疑预测值/>；若所述可疑预测值/>对应的所述网格为所述已知网格，则将所述可疑预测值设为第一可疑值/>；否则，将所述可疑预测值/>设为第二可疑值/>；根据所述第一可疑值/>调整所述大气扩散模型的参数，并进行下一轮模拟；根据所述第二可疑值/>调整所述插值计算中的权重，并进行下一轮计算；大气扩散模型的调整策略如下所示：
（I）设置一个调整系数；
（II）将所述大气扩散模型的参数中的起始高度乘以调整系数，作为新的起始高度；
（III）进行下一轮模拟，循环至所述污染物浓度预测值大于0；插值计算过程的调整策略如下所示：
（I）设置一个调整系数；
（II）将所述权重乘以调整系数/>，作为新的权重；
（III）使用新权重更新插值计算过程，循环至所述污染物浓度预测值大于0；位置确定模块，用于根据所述污染物浓度预测值/>对应的所述网格，确定所述无组织排放源的位置，包括：在所述污染物浓度预测值/>对应的所述网格中绘制浓度热力图；提高所述网格的分辨率，根据所述浓度热力图，确定所述无组织排放源的位置。
3.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1所述的无组织排放源网格化监测方法。
4.一种存储介质，其特征在于，其上存储有计算机程序，所述程序被处理器执行时，实现权利要求1所述的无组织排放源网格化监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410148297.XA CN117686669B (zh) | 2024-02-02 | 2024-02-02 | 一种无组织排放源网格化监测方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410148297.XA CN117686669B (zh) | 2024-02-02 | 2024-02-02 | 一种无组织排放源网格化监测方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117686669A CN117686669A (zh) | 2024-03-12 |
| CN117686669B true CN117686669B (zh) | 2024-04-23 |
Family
ID=90132406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410148297.XA Active CN117686669B (zh) | 2024-02-02 | 2024-02-02 | 一种无组织排放源网格化监测方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117686669B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005172442A (ja) * | 2003-12-08 | 2005-06-30 | Mitsubishi Heavy Ind Ltd | 大気汚染物質の濃度予測方法、装置、並びにプログラム及び大気汚染物質の濃度予測情報提供装置 |
| CN110673229A (zh) * | 2019-10-23 | 2020-01-10 | 新亚优华科技有限公司 | 一种基于热点网格技术的大气污染物扩散轨迹追踪方法 |
| CN114077798A (zh) * | 2022-01-19 | 2022-02-22 | 北京英视睿达科技股份有限公司 | 估算小尺度区域大气污染物网格浓度的方法 |
| CN114691789A (zh) * | 2021-12-10 | 2022-07-01 | 清华大学 | 大气污染源图谱构建方法、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 |
| CN115017679A (zh) * | 2022-05-07 | 2022-09-06 | 深圳中兴智坪科技有限公司 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
| CN115600919A (zh) * | 2022-09-19 | 2023-01-13 | 江苏蓝创智能科技股份有限公司（Cn） | 用于对实时无组织排放定位与园区排放总量计算的方法 |
| CN115790705A (zh) * | 2022-11-03 | 2023-03-14 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 基于走航监测的产业集群VOCs污染溯源分析方法 |
| CN116028010A (zh) * | 2022-12-26 | 2023-04-28 | 中国人民解放军陆军防化学院 | 一种放射性核素危害性排序方法 |
| CN117473771A (zh) * | 2023-11-13 | 2024-01-30 | 自然资源部第一海洋研究所 | 一种核污染物大气通道扩散预报系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107764765B (zh) * | 2017-10-16 | 2021-02-12 | 江苏中美环境监测股份有限公司 | 用于大气污染的监测系统及用于大气污染的监测方法 |
| CA3191655A1 (en) * | 2020-09-10 | 2022-03-17 | Anna Ailene Scott | Air quality monitoring system and method |
-
2024
- 2024-02-02 CN CN202410148297.XA patent/CN117686669B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005172442A (ja) * | 2003-12-08 | 2005-06-30 | Mitsubishi Heavy Ind Ltd | 大気汚染物質の濃度予測方法、装置、並びにプログラム及び大気汚染物質の濃度予測情報提供装置 |
| CN110673229A (zh) * | 2019-10-23 | 2020-01-10 | 新亚优华科技有限公司 | 一种基于热点网格技术的大气污染物扩散轨迹追踪方法 |
| CN114691789A (zh) * | 2021-12-10 | 2022-07-01 | 清华大学 | 大气污染源图谱构建方法、装置、存储介质及电子设备 |
| CN114077798A (zh) * | 2022-01-19 | 2022-02-22 | 北京英视睿达科技股份有限公司 | 估算小尺度区域大气污染物网格浓度的方法 |
| CN115017679A (zh) * | 2022-05-07 | 2022-09-06 | 深圳中兴智坪科技有限公司 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
| 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 |
| CN115600919A (zh) * | 2022-09-19 | 2023-01-13 | 江苏蓝创智能科技股份有限公司（Cn） | 用于对实时无组织排放定位与园区排放总量计算的方法 |
| CN115790705A (zh) * | 2022-11-03 | 2023-03-14 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 基于走航监测的产业集群VOCs污染溯源分析方法 |
| CN116028010A (zh) * | 2022-12-26 | 2023-04-28 | 中国人民解放军陆军防化学院 | 一种放射性核素危害性排序方法 |
| CN117473771A (zh) * | 2023-11-13 | 2024-01-30 | 自然资源部第一海洋研究所 | 一种核污染物大气通道扩散预报系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| AERMOD预测中网格划分与地形数据的优化配置研究;付正旭;仝纪龙;潘峰;关勖;;环境科学与技术;20180508(第05期);全文 * |
| 基于ADMS-Urban的大气污染浓度贡献率分析;李卓;陈荣昌;毛显强;;环境工程;20100930(第S1期);全文 * |
| 大气网格化监测运行维护管理现状与展望;王莉华;安欣欣;景宽;姜南;金萌;刘保献;中国环境监测;20211231(第002期);全文 * |
| 应用GIS模拟城市大气污染物浓度分布;马安青;胡泓;安兴琴;高峰;王其详;;城市环境与城市生态;20070420(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117686669A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yin et al. | Does the hook structure constrain future flood intensification under anthropogenic climate warming? | |
| CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
| CN111428917B (zh) | 一种重金属稳定污染源的土壤污染预测方法及系统 | |
| CN106485360A (zh) | 基于全局夜光遥感的局部社会经济指标预测方法及系统 | |
| CN113777224B (zh) | 一种网格化空气质量评估数据的生成方法及系统 | |
| Lopez et al. | Effect of direction on wind speed estimation in complex terrain using neural networks | |
| CN111461423B (zh) | 一种高精度网格化空气质量推断方法、系统、终端设备及存储介质 | |
| CN112712219B (zh) | 大气污染物浓度的预估方法、系统、电子设备及介质 | |
| CN113704693B (zh) | 一种高精度的有效波高数据估计方法 | |
| CN111652126B (zh) | 一种基于卫星云图的反演辐射方法 | |
| CN105868443B (zh) | 一种微地形微气象要素场的构建方法 | |
| Yamada et al. | Using a massive high‐resolution ensemble climate data set to examine dynamic and thermodynamic aspects of heavy precipitation change | |
| Alerskans et al. | A transformer neural network for predicting near‐surface temperature | |
| CN113221463A (zh) | 一种海洋风能密度格网数据空间降尺度方法和装置 | |
| Sgoff et al. | Assimilation of crowd‐sourced surface observations over Germany in a regional weather prediction system | |
| CN110879923B (zh) | 阴天条件下长波下行辐射估算方法、存储介质及电子设备 | |
| CN112990609B (zh) | 基于时空带宽自适应地理加权回归的空气质量预测方法 | |
| CN111505738A (zh) | 数值天气预报中气象因素的预测方法及设备 | |
| CN117686669B (zh) | 一种无组织排放源网格化监测方法、装置、设备和介质 | |
| Fu et al. | A machine learning-based approach for fusing measurements from standard sites, low-cost sensors, and satellite retrievals: Application to NO2 pollution hotspot identification | |
| CN118132641A (zh) | 基于大气污染数据空间网格划分方法、系统、设备及介质 | |
| US11754750B1 (en) | Method and system for short to long-term flood forecasting | |
| Li et al. | Effects of spatio-temporal landscape patterns on land surface temperature: a case study of Xi’an city, China | |
| Madaus et al. | Hyper-local, efficient extreme heat projection and analysis using machine learning to augment a hybrid dynamical-statistical downscaling technique | |
| CN112198280A (zh) | 一种气体污染源监测方法、系统、设备及存储介质 |
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 |