CN117708617A - 基于多源大数据及污染特征时空匹配的大气污染溯源方法 - Google Patents
基于多源大数据及污染特征时空匹配的大气污染溯源方法 Download PDFInfo
- Publication number
- CN117708617A CN117708617A CN202410164246.6A CN202410164246A CN117708617A CN 117708617 A CN117708617 A CN 117708617A CN 202410164246 A CN202410164246 A CN 202410164246A CN 117708617 A CN117708617 A CN 117708617A
- Authority
- CN
- China
- Prior art keywords
- pollution
- data
- source
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 52
- 231100000719 pollutant Toxicity 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 239000002893 slag Substances 0.000 claims description 67
- 238000010586 diagram Methods 0.000 claims description 21
- 230000005611 electricity Effects 0.000 claims description 18
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 239000000428 dust Substances 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 238000003915 air pollution Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000000379 polymerizing effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims 1
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- 230000002265 prevention Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000010186 staining 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
-
- 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
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源大数据及污染特征时空匹配的大气污染溯源方法，基于移动监测数据趋势挖掘出的污染点位信息，结合城市多源大数据，对局部污染的特征进行模式匹配，小尺度智能捕捉污染事件与污染物/行业，揭示大气污染与源排放之间的复杂关系，为城市或区域大气污染精准防控提供强有力的科技支撑。本发明基于大数据技术，利用城市多源数据分析污染点位与污染源的关联度，根据特征污染物快速、精准锁定局部污染源，助力实现大气污染溯源的小尺度化、精细化、自动化和智能化，并且降低人工量，提升实效性。
Description
技术领域
本发明涉及环境治理领域，具体涉及一种基于多源大数据及污染特征时空匹配的大气污染溯源方法。
背景技术
大气污染物成分复杂，对环境和人体健康均有较大影响。开展大气环境污染物的来源解析，精准查找污染成因、追溯污染责任，是大气污染防治、环境执法与环境管理的关键手段。传统城市大气治理方式多以对传感器报警触发事件进行处置，通过人工现场排查污染源，耗费大量的人力和时间成本；源排放清单法仅考虑污染源排放而忽略了污染物在大气中的扩散、转化等过程；受体模型则依赖于较高的污染物组分监测要求，导致在发生污染事件时难以迅速识别主要污染源及源类贡献，使得污染事件应急响应相对滞后，无法满足高效、智能、科学的管控。
当前，移动监测车可通过车载的监测设备，监测锁定污染物排放异常点位和污染高值区域，为小尺度层面精细化管控提供依据。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于多源大数据及污染特征时空匹配的大气污染溯源方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于多源大数据及污染特征时空匹配的大气污染溯源方法，包括如下步骤：
S1、获取气泡污染点信息，包括污染气泡数据、网格气象数据、运渣车轨迹实时数据、工业企业清单数据，并对研究区域进行格栅化，标记格栅化后的每个网格中心及顶点坐标；
S2、获取污染源信息，包括移动监测站的局部污染热力图、运渣车面源数据、扬尘面源数据、涉气企业生产用电数据、高危污染源数据、加油站及汽修站污染源数据并进行格栅化处理；
S3、根据处理后的气泡污染点信息和污染源信息，按照相关系数建立污染点源关系。
进一步的，所述S2中针对每一种污染物，通过对移动监测站的历史数据进行聚合，绘制其局部污染热力图，具体方式为：
A1、针对每一辆移动监测设备，选取最近一周的历史移动监测数据，按照时间排序，并对轨迹进行网格匹配；
A2、对任意移动监测设备，在一小时内每经过一个网格时测得污染物数值进行平滑滤波获取峰值高点，若该移动监测设备在当前小时多次经过该网格，将每次获得的峰值进行均值化作为该移动监测设备当前在该网格的污染数值；
A3、将当前小时获得的所有移动监测设备经过该网格的污染数值平均，作为当前时段该网格的污染数值；
A4、将每一个网格在当周所有时段获得的污染物数值进行均值处理，得到该网格该一周内的污染数值，基于此污染数值的大小形成对应的污染强度，不同网格的污染强度形成当前周该污染物的局部污染热力图。
进一步的，所述S2中获取运渣车面源数据的具体方式为：
B1、通过行驶距离筛选当前时段活跃的运渣车数据，若运渣车在当前时段行驶的最大距离小于阈值，则判定该运渣车为不活跃并删除该运渣车数据，并保留所有活跃运渣车数据，并将活跃运渣车的轨迹进行网格化；
B2、统计每一个网格内运渣车的轨迹数以及去重车辆数，根据运渣车的轨迹数以及车辆数对该网格的污染程度进行打分，表示为：
式中，B为根据运渣车的轨迹数以及车辆数得到的该网格的污染排放分值；
B3、标记运渣车污染物，并根据B2计算的分值判断运渣车污染物排放量大小。
进一步的，所述S2中获取涉气企业生产用电数据的具体方式为：
C1、对用电数据进行清洗，获取每家涉气企业工作日正常开工时间段的用电数据；
C2、获取涉气企业与计算小时相同小时数的用电数据并设定用电数据阈值，根据该企业对应小时的生产基准线判断其是否开工；
C3、根据行业排放情况标记不同企业的不同污染物，根据企业用电量及企业规模对该网格对应的污染程度进行打分。
进一步的，所述S2中获取高危污染源数据的具体方式为：
D1、对观测点周边设定距离内的运渣车活跃情况进行判断，其中运渣车数量、运渣车停留或徘徊轨迹点的数量与运渣车活跃情况呈正相关；
D2、对观测点的规模大小、所属类型以及运渣车活跃情况赋予不同的权值，计算得到各观测点为的污染数值，并将对应观测点进行格栅化。
进一步的，所述D2中计算得到各观测点为的污染数值的具体方式为：
式中，为观测点规模的权重，/>为观测点所属类型的权重，/>为观测点运渣车活跃情况的权重。
进一步的，所述S3具体包括如下步骤：
S31、对每一个气泡污染点匹配排放与之监测的污染物相同的污染源信息，并根据两者经纬度的差距计算每一个气泡污染点的中心与每一个污染源之间的距离；
S32、筛选每一个污染点与气泡污染点的中心之间距离小于设定距离阈值的污染源信息并形成初步距离关联；
S33、计算每一个气泡污染点与污染源中的每一种污染物的相关性，设定相关性强度阈值，筛选出气泡污染点与污染源相关性高于阈值的点源关系对；
S34、对气泡污染点进行格栅化，并将统一网格内的气泡进行聚合，格栅化后的气泡污染点与所获取的网格气象数据进行匹配，得到污染点源关系信息；
S35、结合网格气象数据对聚合完成的污染电源数据进行数据清洗，得到最终的污染溯源数据。
进一步的，所述S33中计算每一个气泡污染点与污染源中的每一种污染物的相关性的计算方式为：
式中，I表示污染点与污染源的污染物相关性系数，s表示污染源的污染物排放数值分数，k表示模型系数，d表示每一种污染点与提取的污染源的距离。
进一步的，所述S35中结合网格气象数据对聚合完成的污染电源数据进行数据清洗的具体方式为：
匹配气泡所在的网格，若气泡所在区域有降雨，则去掉O3和pm10气泡；
以污染源为基点、气泡污染点为终点作向量，判断此向量与风向的夹角，若夹角大于90°，则表明点源关系对不成立，并删除该向量；若小于等于90°则保留该点源关系对。
本发明具有以下有益效果：
1、基于现有大气环境科学研究体系，借鉴大数据分析思路和方法，对多源数据进行快速处理和综合分析，刻画局部污染的时空与成分特征，分析各类污染来源对于监测站点或者是区域污染物浓度的贡献程度，实现小尺度环境下大气污染的精准溯源和定量分析。
2、利用城市多源数据分析污染点位与污染源的关联度，根据特征污染物快速、精准锁定局部污染源，助力实现大气污染溯源的小尺度化、精细化、自动化和智能化，并且降低人工量，提升实效性。
附图说明
图1为本发明基于多源大数据及污染特征时空匹配的大气污染溯源方法流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
一种基于多源大数据及污染特征时空匹配的大气污染溯源方法，如图1所示，包括如下步骤：
S1、获取气泡污染点信息，包括污染气泡数据、网格气象数据、运渣车轨迹实时数据、工业企业清单数据，并对研究区域进行格栅化，标记格栅化后的每个网格中心及顶点坐标；
在本实施例里：
染气泡数据：通过对移动式监测站污染监测数据（包括pm2.5, pm10, NO2,O3, CO和VOC数据），进行平滑滤波提取峰值污染点，得到不同污染物的污染点位，称之为污染气泡。作为基础数据，气泡信息包含污染物类型、点位、污染物监测数值、污染强度等；
网格气象数据。将区域气象数据进行网格化处理得到；
运渣车轨迹实时数据；交通拥堵实时数据；扬尘数据；餐饮油烟数据；
工业企业清单数据；工地、商混站、倾倒场清单数据；汽修、加油站数据；
可视化处理需要的基础数据，将研究区域栅格化为1km*1km的正方形，并给出每个网格的中心坐标以及上下左右4个顶点坐标。
S2、获取污染源信息，包括移动监测站的局部污染热力图、运渣车面源数据、扬尘面源数据、涉气企业生产用电数据、高危污染源数据、加油站及汽修站污染源数据并进行格栅化处理；
在本实施例里主要包括如下内容：
1、获取移动监测站的局部污染热力图：
针对每一种污染物，通过对移动监测站的历史数据进行聚合，绘制其污染热力图，具体方式为：
A1、针对每一辆移动监测设备，选取最近一周的历史移动监测数据，按照时间排序，并对轨迹进行网格匹配；
A2、对任意移动监测设备，在一小时内每经过一个网格时测得污染物数值进行平滑滤波获取峰值高点，若该移动监测设备在当前小时多次经过该网格，将每次获得的峰值进行均值化作为该移动监测设备当前在该网格的污染数值；
A3、将当前小时获得的所有移动监测设备经过该网格的污染数值平均，作为当前时段该网格的污染数值；
A4、将每一个网格在当周所有时段获得的污染物数值进行均值处理，得到该网格该一周内的污染数值，基于此污染数值的大小形成对应的污染强度，不同网格的污染强度形成当前周该污染物的局部污染热力图；
2、获取运渣车面源数据
将运渣车轨迹网格化，获取运渣车密集区域，主要步骤如下：
B1、通过行驶距离筛选当前时段活跃的运渣车数据，若运渣车在当前时段行驶的最大距离小于阈值，则判定该运渣车为不活跃并删除该运渣车数据，并保留所有活跃运渣车数据，并将活跃运渣车的轨迹进行网格化；
B2、统计每一个网格内运渣车的轨迹数以及去重车辆数，根据运渣车的轨迹数以及车辆数对该网格的污染程度进行打分，表示为：
式中，B为根据运渣车的轨迹数以及车辆数得到的该网格的污染排放分值；
B3、标记运渣车污染物，并根据B2计算的分值判断运渣车污染物排放量大小，本实施例里，标记运渣车的主要污染物为pm2.5，pm10，O3。
3、获取扬尘面源数据
对道路扬尘数据进行栅格化处理，量化道路扬尘污染网格，基于扬尘指数赋予网格不同的污染排放分值，标记扬尘的主要污染物为pm10。
4、获取交通拥堵污染源数据
将道路交通拥堵指数网格化，获取不同网格内道路的车辆尾气排放污染分值，交通越拥堵污染越严重。具体步骤为：
将交通拥堵指数基于经纬度信息进行栅格化处理；
依据拥堵指数为网格进行污染打分，若网格内有多个拥堵指数，以最大值表示该网格的拥堵情况；
标记交通拥堵的主要污染物为pm2.5, NO2, O3, tvoc。
5、获取涉气企业生产用电情况
C1、对用电数据进行清洗，获取每家涉气企业工作日正常开工时间段的用电数据；
C2、获取涉气企业与计算小时相同小时数的用电数据并设定用电数据阈值，根据该企业对应小时的生产基准线判断其是否开工；
C3、根据行业排放情况标记不同企业的不同污染物，根据企业用电量及企业规模对该网格对应的污染程度进行打分。
6、获取高危污染源数据
D1、对观测点周边设定距离内的运渣车活跃情况进行判断，其中运渣车数量、运渣车停留或徘徊轨迹点的数量与运渣车活跃情况呈正相关；
D2、对观测点的规模大小、所属类型以及运渣车活跃情况赋予不同的权值，计算得到各观测点为的污染数值，计算方式为：
式中，为观测点规模的权重，/>为观测点所属类型的权重，/>为观测点运渣车活跃情况的权重。
将对应观测点进行格栅化，根据点位的经纬度与网格的左下右上经纬度进行比较，如果点位经纬度大于等于左下经纬并小于等于左上经纬度，则认为点位属于此网格。
7、获取加油站、汽修站等污染源情况；
根据加油站、汽修站周边车辆的活跃情况以及点位规模，判断其污染情况，标记其主要污染物为tvoc。
通过一系列污染源数据处理，获得栅格化的污染源清单。
S3、根据处理后的气泡污染点信息和污染源信息，按照相关系数建立污染点源关系。
本实施例里，具体包括如下步骤：
S31、对每一个气泡污染点匹配排放与之监测的污染物相同的污染源信息，并根据两者经纬度的差距计算每一个气泡污染点的中心与每一个污染源之间的距离；
S32、筛选每一个污染点与气泡污染点的中心之间距离小于设定距离阈值的污染源信息并形成初步距离关联；
S33、计算每一个气泡污染点与污染源中的每一种污染物的相关性，设定相关性强度阈值，筛选出气泡污染点与污染源相关性高于阈值的点源关系对，其中，相关性计算方式为：
式中，I表示污染点与污染源的污染物相关性系数，s表示污染源的污染物排放数值分数，k表示模型系数，d表示每一种污染点与提取的污染源的距离。
S34、对气泡污染点进行格栅化，并将统一网格内的气泡进行聚合，格栅化后的气泡污染点与所获取的局部污染热力图进行匹配，得到污染点源关系信息；
S35、结合网格气象数据对聚合完成的污染电源数据进行数据清洗，得到最终的污染溯源数据，具体清晰方式为：
匹配气泡所在的网格，若气泡所在区域有降雨，则去掉O3和pm10气泡；
以污染源为基点、气泡污染点为终点作向量，判断此向量与风向的夹角，若夹角大于90°，则表明点源关系对不成立，并删除该向量；若小于等于90°则保留该点源关系对。
同时，根据实际情况，可对点源关系进行进一步处理，如夜间不应该溯源o3，可删除响应的点源数据等。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (9)
1.一种基于多源大数据及污染特征时空匹配的大气污染溯源方法，其特征在于，包括如下步骤：
S1、获取气泡污染点信息，包括污染气泡数据、网格气象数据、运渣车轨迹实时数据、工业企业清单数据，并对研究区域进行格栅化，标记格栅化后的每个网格中心及顶点坐标；
S2、获取污染源信息，包括移动监测站的局部污染热力图、运渣车面源数据、扬尘面源数据、涉气企业生产用电数据、高危污染源数据、加油站及汽修站污染源数据并进行格栅化处理；
S3、根据处理后的气泡污染点信息和污染源信息，按照相关系数建立污染点源关系。
2.根据权利要求1所述的基于多源大数据及污染特征时空匹配的大气污染溯源方法，其特征在于，所述S2中针对每一种污染物，通过对移动监测站的历史数据进行聚合，绘制其局部污染热力图，具体方式为：
A1、针对每一辆移动监测设备，选取最近一周的历史移动监测数据，按照时间排序，并对轨迹进行网格匹配；
A2、对任意移动监测设备，在一小时内每经过一个网格时测得污染物数值进行平滑滤波获取峰值高点，若该移动监测设备在当前小时多次经过该网格，将每次获得的峰值进行均值化作为该移动监测设备当前在该网格的污染数值；
A3、将当前小时获得的所有移动监测设备经过该网格的污染数值平均，作为当前时段该网格的污染数值；
A4、将每一个网格在当周所有时段获得的污染物数值进行均值处理，得到该网格该一周内的污染数值，基于此污染数值的大小形成对应的污染强度，不同网格的污染强度形成当前周该污染物的局部污染热力图。
3.根据权利要求1所述的基于多源大数据及污染特征时空匹配的大气污染溯源方法，其特征在于，所述S2中获取运渣车面源数据的具体方式为：
B1、通过行驶距离筛选当前时段活跃的运渣车数据，若运渣车在当前时段行驶的最大距离小于阈值，则判定该运渣车为不活跃并删除该运渣车数据，并保留所有活跃运渣车数据，并将活跃运渣车的轨迹进行网格化；
B2、统计每一个网格内运渣车的轨迹数以及去重车辆数，根据运渣车的轨迹数以及车辆数对该网格的污染程度进行打分，表示为：
式中，B为根据运渣车的轨迹数以及车辆数得到的该网格的污染排放分值；
B3、标记运渣车污染物，并根据B2计算的分值判断运渣车污染物排放量大小。
4.根据权利要求1所述的基于多源大数据及污染特征时空匹配的大气污染溯源方法，其特征在于，所述S2中获取涉气企业生产用电数据的具体方式为：
C1、对用电数据进行清洗，获取每家涉气企业工作日正常开工时间段的用电数据；
C2、获取涉气企业与计算小时相同小时数的用电数据并设定用电数据阈值，根据该企业对应小时的生产基准线判断其是否开工；
C3、根据行业排放情况标记不同企业的不同污染物，根据企业用电量及企业规模对该网格对应的污染程度进行打分。
5.根据权利要求1所述的基于多源大数据及污染特征时空匹配的大气污染溯源方法，其特征在于，所述S2中获取高危污染源数据的具体方式为：
D1、对观测点周边设定距离内的运渣车活跃情况进行判断，其中运渣车数量、运渣车停留或徘徊轨迹点的数量与运渣车活跃情况呈正相关；
D2、对观测点的规模大小、所属类型以及运渣车活跃情况赋予不同的权值，计算得到各观测点为的污染数值，并将对应观测点进行格栅化。
6.根据权利要求5所述的基于多源大数据及污染特征时空匹配的大气污染溯源方法，其特征在于，所述D2中计算得到各观测点为的污染数值的具体方式为：
式中，为观测点规模的权重，/>为观测点所属类型的权重，/>为观测点运渣车活跃情况的权重。
7.根据权利要求1所述的基于多源大数据及污染特征时空匹配的大气污染溯源方法，其特征在于，所述S3具体包括如下步骤：
S31、对每一个气泡污染点匹配排放与之监测的污染物相同的污染源信息，并根据两者经纬度的差距计算每一个气泡污染点的中心与每一个污染源之间的距离；
S32、筛选每一个污染点与气泡污染点的中心之间距离小于设定距离阈值的污染源信息并形成初步距离关联；
S33、计算每一个气泡污染点与污染源中的每一种污染物的相关性，设定相关性强度阈值，筛选出气泡污染点与污染源相关性高于阈值的点源关系对；
S34、对气泡污染点进行格栅化，并将统一网格内的气泡进行聚合，格栅化后的气泡污染点与所获取的局部污染热力图进行匹配，得到污染点源关系信息；
S35、结合网格气象数据对聚合完成的污染电源数据进行数据清洗，得到最终的污染溯源数据。
8.根据权利要求7所述的基于多源大数据及污染特征时空匹配的大气污染溯源方法，其特征在于，所述S33中计算每一个气泡污染点与污染源中的每一种污染物的相关性的计算方式为：
式中，I表示污染点与污染源的污染物相关性系数，s表示污染源的污染物排放数值分数，k表示模型系数，d表示每一种污染点与提取的污染源的距离。
9.根据权利要求7所述的基于多源大数据及污染特征时空匹配的大气污染溯源方法，其特征在于，所述S35中结合网格气象数据对聚合完成的污染电源数据进行数据清洗的具体方式为：
匹配气泡所在的网格，若气泡所在区域有降雨，则去掉O3和pm10气泡；
以污染源为基点、气泡污染点为终点作向量，判断此向量与风向的夹角，若夹角大于90°，则表明点源关系对不成立，并删除该向量；若小于等于90°则保留该点源关系对。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410164246.6A CN117708617B (zh) | 2024-02-05 | 2024-02-05 | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410164246.6A CN117708617B (zh) | 2024-02-05 | 2024-02-05 | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117708617A true CN117708617A (zh) | 2024-03-15 |
| CN117708617B CN117708617B (zh) | 2024-04-30 |
Family
ID=90148269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410164246.6A Active CN117708617B (zh) | 2024-02-05 | 2024-02-05 | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117708617B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875576A (zh) * | 2024-03-13 | 2024-04-12 | 四川国蓝中天环境科技集团有限公司 | 一种基于结构化案例库的城市大气污染分析方法 |
| CN117910892A (zh) * | 2024-03-19 | 2024-04-19 | 四川国蓝中天环境科技集团有限公司 | 基于多信息渠道的城市级道路扬尘分布计算方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102967689A (zh) * | 2012-11-22 | 2013-03-13 | 天津大学 | 基于相关系数的污染源辨识方法及其监测布点方法 |
| CN105608697A (zh) * | 2015-12-24 | 2016-05-25 | 电子科技大学 | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 |
| CN106548442A (zh) * | 2016-11-10 | 2017-03-29 | 湖南省环境保护科学研究院 | 一种大气污染物排放源清单精细化动态管理方法 |
| CN106841436A (zh) * | 2017-01-18 | 2017-06-13 | 上海市环境监测中心 | 一种工业区大气VOCs自动监测预警溯源系统及其方法 |
| CN107391951A (zh) * | 2017-08-03 | 2017-11-24 | 江苏卓易信息科技股份有限公司 | 一种基于环形邻域梯度排序的空气污染溯源方法 |
| CN108896714A (zh) * | 2018-06-13 | 2018-11-27 | 中国科学院城市环境研究所 | 一种基于无人机的大气污染源追踪方法及无人机系统 |
| CN114359002A (zh) * | 2022-03-21 | 2022-04-15 | 四川国蓝中天环境科技集团有限公司 | 基于移动监测趋势挖掘的大气污染小尺度溯源方法及系统 |
| CN114971031A (zh) * | 2022-05-31 | 2022-08-30 | 中科三清科技有限公司 | 大气污染排放的溯源方法、装置、电子设备及存储介质 |
| CN115130831A (zh) * | 2022-06-08 | 2022-09-30 | 北京工业大学 | 一种小尺度精细化大气污染溯源方法 |
| CN116011317A (zh) * | 2022-11-29 | 2023-04-25 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
| CN116187822A (zh) * | 2022-12-30 | 2023-05-30 | 浙江大学嘉兴研究院 | 一种基于模型预测的污染物网格化监测与评估方法 |
| CN117092297A (zh) * | 2023-08-24 | 2023-11-21 | 暨南大学 | 一种工业园区大气污染物的溯源方法、系统、设备及介质 |
-
2024
- 2024-02-05 CN CN202410164246.6A patent/CN117708617B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102967689A (zh) * | 2012-11-22 | 2013-03-13 | 天津大学 | 基于相关系数的污染源辨识方法及其监测布点方法 |
| CN105608697A (zh) * | 2015-12-24 | 2016-05-25 | 电子科技大学 | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 |
| CN106548442A (zh) * | 2016-11-10 | 2017-03-29 | 湖南省环境保护科学研究院 | 一种大气污染物排放源清单精细化动态管理方法 |
| CN106841436A (zh) * | 2017-01-18 | 2017-06-13 | 上海市环境监测中心 | 一种工业区大气VOCs自动监测预警溯源系统及其方法 |
| CN107391951A (zh) * | 2017-08-03 | 2017-11-24 | 江苏卓易信息科技股份有限公司 | 一种基于环形邻域梯度排序的空气污染溯源方法 |
| CN108896714A (zh) * | 2018-06-13 | 2018-11-27 | 中国科学院城市环境研究所 | 一种基于无人机的大气污染源追踪方法及无人机系统 |
| CN114359002A (zh) * | 2022-03-21 | 2022-04-15 | 四川国蓝中天环境科技集团有限公司 | 基于移动监测趋势挖掘的大气污染小尺度溯源方法及系统 |
| CN114971031A (zh) * | 2022-05-31 | 2022-08-30 | 中科三清科技有限公司 | 大气污染排放的溯源方法、装置、电子设备及存储介质 |
| CN115130831A (zh) * | 2022-06-08 | 2022-09-30 | 北京工业大学 | 一种小尺度精细化大气污染溯源方法 |
| CN116011317A (zh) * | 2022-11-29 | 2023-04-25 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
| CN116187822A (zh) * | 2022-12-30 | 2023-05-30 | 浙江大学嘉兴研究院 | 一种基于模型预测的污染物网格化监测与评估方法 |
| CN117092297A (zh) * | 2023-08-24 | 2023-11-21 | 暨南大学 | 一种工业园区大气污染物的溯源方法、系统、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| TEPPEI J. YASUNARI等: "Extreme air pollution events in Hokkaido, Japan, traced back to early snowmelt and large-scale wildfires over East Eurasia: Case studies", 《SCIENTIFIC REPORTS》, vol. 8, no. 1, 25 April 2018 (2018-04-25), pages 1 - 10 * |
| 周旺: "基于移动监测系统的化工园区大气污染溯源研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, 15 January 2023 (2023-01-15), pages 027 - 2915 * |
| 田序伟等: "基于时空地理信息的港口大气污染协同管控平台研发", 《中国水运》, no. 10, 15 October 2023 (2023-10-15), pages 53 - 56 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875576A (zh) * | 2024-03-13 | 2024-04-12 | 四川国蓝中天环境科技集团有限公司 | 一种基于结构化案例库的城市大气污染分析方法 |
| CN117875576B (zh) * | 2024-03-13 | 2024-05-24 | 四川国蓝中天环境科技集团有限公司 | 一种基于结构化案例库的城市大气污染分析方法 |
| CN117910892A (zh) * | 2024-03-19 | 2024-04-19 | 四川国蓝中天环境科技集团有限公司 | 基于多信息渠道的城市级道路扬尘分布计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117708617B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117708617B (zh) | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 | |
| CN107153928B (zh) | 可视化的公路养护决策系统 | |
| CN112085241B (zh) | 一种基于机器学习的环境大数据分析和决策平台 | |
| CN106651100B (zh) | 基于车联网优选车载监测点的空气质量评估系统及方法 | |
| CN108446807B (zh) | 基于重污染天气预警的大气污染物排放总量控制方法 | |
| CN115293567A (zh) | 一种大气污染动态管控系统及方法 | |
| CN116187095B (zh) | 一种道路交通扬尘环境影响评价方法及装置 | |
| CN112966941B (zh) | 一种基于交通事故大数据的事故黑点识别方法及系统 | |
| CN112581107B (zh) | 污染排放控制方法、装置及可存储介质 | |
| CN114155129A (zh) | 一种基于工业园区的大气环境溯评方法和系统 | |
| CN108492553A (zh) | 一种面向实时路网排放评估的车辆活动水平分析方法 | |
| CN117131149B (zh) | 一种基于运渣车gps轨迹的土石方点位和运输网络识别方法 | |
| CN112132450A (zh) | 一种气态污染物的定位方法 | |
| Galkin et al. | Perspective of decreasing of road traffic pollution in the cities | |
| CN117494011B (zh) | 一种基于运渣车土石方运输特征的扬尘点位类型判别方法 | |
| CN117871790B (zh) | 基于多种数据融合的路边监测站数据分析和交通溯源方法 | |
| CN111882176B (zh) | 一种大气环境承载能力的评估方法及系统 | |
| CN110991930B (zh) | 计算公路路段尘负荷等级的方法 | |
| CN114519124A (zh) | 一种大气环境污染联防联控治理方法 | |
| CN109613179B (zh) | 累积高值区的确定方法 | |
| Jiang et al. | The statistical distributions of SO 2, NO 2 and PM 10 concentrations in Xi'an, China | |
| Clarke et al. | A Lagrangian model of the evolution of the particulate size distribution of vehicular emissions | |
| Vyas et al. | Air quality analysis and modeling in urban area: A review study | |
| CN109459801B (zh) | 基于大气稳定度的大范围雾霾的预报方法及系统 | |
| Jha et al. | Temporal Analysis of Atmospheric Pollutant Concentrations with Specific Regard to NAAQS Compliance in an Industrial Cluster of New Delhi, India |
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 |