CN116205541A - 评估本地污染源对环境空气质量影响的方法及装置 - Google Patents
评估本地污染源对环境空气质量影响的方法及装置 Download PDFInfo
- Publication number
- CN116205541A CN116205541A CN202310466078.1A CN202310466078A CN116205541A CN 116205541 A CN116205541 A CN 116205541A CN 202310466078 A CN202310466078 A CN 202310466078A CN 116205541 A CN116205541 A CN 116205541A
- Authority
- CN
- China
- Prior art keywords
- concentration data
- data
- weather
- pollution
- influence
- 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 43
- 230000007613 environmental effect Effects 0.000 title description 9
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 125
- 231100000719 pollutant Toxicity 0.000 claims abstract description 125
- 230000008859 change Effects 0.000 claims abstract description 67
- 230000005540 biological transmission Effects 0.000 claims abstract description 63
- 239000012080 ambient air Substances 0.000 claims abstract description 55
- 239000003570 air Substances 0.000 claims abstract description 33
- 238000004088 simulation Methods 0.000 claims description 68
- 238000003915 air pollution Methods 0.000 claims description 36
- 239000000356 contaminant Substances 0.000 claims description 36
- 230000000694 effects Effects 0.000 claims description 35
- 230000001360 synchronised effect Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011109 contamination Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- 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
- G01N33/0068—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 using a computer specifically programmed
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Biochemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Food Science & Technology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种评估本地污染源对环境空气质量影响的方法及装置，涉及大气监测技术领域，其中，该方法包括：获取待监测区域内污染物浓度数据的同比变化率；获取气象因子对所述污染物浓度数据影响的第一影响参数；获取区域传输因素对所述污染物浓度数据影响的第二影响参数；基于所述同比变化率、所述第一影响参数和所述第二影响参数，获取所述待监测区域内本地污染源产生的污染物浓度数据。该方案可以实时、准确地评估本地污染源排放对空气质量的影响。
Description
技术领域
本发明涉及大气监测技术领域，特别涉及一种评估本地污染源对环境空气质量影响的方法及装置。
背景技术
大气污染水平主要由污染源排放和气象条件共同作用，污染源排放又由区域传输及本地排放协同组成。现有本地污染源排放变化对空气质量影响的评估技术，主要基于核算的源清单变化、基于企业的在线监测变化和基于观测的空气质量站点数据变化等数据实现。
对于源清单变化而言，核算耗时较长且往往存在较大的误差及不确定性；对于企业在线监测而言，不能涵盖本地全体企业排放情况且难以描述无组织排放等其它排放情形，也存在数据不准确的问题，因此，导致现有本地污染源排放变化对空气质量影响的评估方法存在延时、准确度低的问题。
发明内容
有鉴于此，本发明实施例提供了一种评估本地污染源对环境空气质量影响的方法，以解决现有技术中评估本地污染源排放对环境空气质量的影响时存在延时、准确度低的技术问题。该方法包括：
获取待监测区域内污染物浓度数据的同比变化率；
获取气象因子对所述污染物浓度数据影响的第一影响参数；
获取区域传输因素对所述污染物浓度数据影响的第二影响参数；
基于所述同比变化率、所述第一影响参数和所述第二影响参数，获取所述待监测区域内本地污染源产生的污染物浓度数据。
本发明实施例还提供了一种评估本地污染源对环境空气质量影响的装置，以解决现有技术中评估本地污染源排放对环境空气质量的影响时存在延时、准确度低的技术问题。该装置包括：
空气质量获取模块，用于获取待监测区域内污染物浓度数据的同比变化率；
气象影响因子确定模块，用于获取气象因子对所述污染物浓度数据影响的第一影响参数；
区域传输影响因子确定模块，用于获取区域传输因素对所述污染物浓度数据影响的第二影响参数；
污染源影响因子确定模块，用于基于所述同比变化率、所述第一影响参数和所述第二影响参数，获取所述待监测区域内本地污染源产生的污染物浓度数据。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的评估本地污染源对环境空气质量影响的方法，以解决现有技术中评估本地污染源排放对环境空气质量的影响时存在延时、准确度低的技术问题。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的评估本地污染源对环境空气质量影响的方法的计算机程序，以解决现有技术中评估本地污染源排放对环境空气质量的影响时存在延时、准确度低的技术问题。
与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：通过获取待监测区域内污染物浓度数据的同比变化率，进而获取气象因子对所述污染物浓度数据影响的第一影响参数；并获取区域传输因素对所述污染物浓度数据影响的第二影响参数，最后，基于所述同比变化率、所述第一影响参数和所述第二影响参数，获取所述待监测区域内本地污染源产生的污染物浓度数据。实现了通过获取气象因子对所述污染物浓度数据影响的第一影响参数和区域传输因素对所述污染物浓度数据影响的第二影响参数，来间接的获取本地污染源产生的污染物浓度数据，进而评估本地污染源对环境空气质量影响，避免了采用源清单变化、基于企业的在线监测变化等数据来直接计算本地污染源排放变化，直接评估本地污染源排放变化对环境空气质量的影响，从而避免了由于源清单变化的核算导致的延时问题，有利于提高评估本地污染源对环境空气质量影响的实时、时效性；同时，避免了企业的在线监测带来的数据不全面、不准确的问题，进而有利于提高评估本地污染源对环境空气质量影响的准确性、可靠性；此外，在评估本地污染源对环境空气质量的量化影响的同时，还评估了气象条件变化、区域传输变化对环境空气质量的量化影响，使得可以为了解不同因素对环境空气质量的量化影响提供数据，还可以明确、量化地为分析影响环境空气质量的主导作用提供数据，从而可以为相关部门准确评估各级部门大气污染防治工作实际效果提供数据，为各级政府精准制定污染防治计划提供数据支持，进一步提升大气污染的科学治理水平。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例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它的附图。
图1是本发明实施例提供的一种评估本地污染源对环境空气质量影响的方法的流程图；
图2是本发明实施例提供的一种实施上述评估本地污染源对环境空气质量影响的方法的流程图；
图3是本发明实施例提供的一种计算机设备的结构框图；
图4是本发明实施例提供的一种评估本地污染源对环境空气质量影响的装置的结构框图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，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。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本发明实施例中，提供了一种评估本地污染源对环境空气质量影响的方法，如图1所示，该方法包括：
步骤S101：获取待监测区域内污染物浓度数据的同比变化率；
步骤S102：获取气象因子对所述污染物浓度数据影响的第一影响参数；
步骤S103：获取区域传输因素对所述污染物浓度数据影响的第二影响参数；
步骤S104：基于所述同比变化率、所述第一影响参数和所述第二影响参数，获取所述待监测区域内本地污染源产生的污染物浓度数据。
由图1所示的流程可知，在本发明实施例中，实现了通过获取气象因子对所述污染物浓度数据影响的第一影响参数和区域传输因素对所述污染物浓度数据影响的第二影响参数，来间接的获取本地污染源产生的污染物浓度数据，进而评估本地污染源对环境空气质量影响，避免了采用源清单变化、基于企业的在线监测变化等数据来直接计算本地污染源排放变化，直接评估本地污染源排放变化对环境空气质量的影响，从而避免了由于源清单变化的核算导致的延时问题，有利于提高评估本地污染源对环境空气质量影响的实时、时效性；同时，避免了企业的在线监测带来的数据不全面、不准确的问题，进而有利于提高评估本地污染源对环境空气质量影响的准确性、可靠性；此外，在评估本地污染源对环境空气质量的量化影响的同时，还评估了气象条件变化、区域传输变化对环境空气质量的量化影响，使得可以为了解不同因素对环境空气质量的量化影响提供数据，还可以明确、量化地为分析影响环境空气质量的主导作用提供数据，从而可以为相关部门准确评估各级部门大气污染防治工作实际效果提供数据，为各级政府精准制定污染防治计划提供数据支持，进一步提升大气污染的科学治理水平。
具体实施时，上述本地污染源是指位于待监测区域内的污染源，可以是任意形式的污染源，例如，可以是排放污染物的企业、矿区等。
具体实施时，为了准确的计算每种污染物的浓度数据的变化情况，在本实施例中，可以根据待监测区域内各个污染物的当前浓度数据（例如，可以是当前测量浓度）和历史同期浓度数据（例如，可以是历史同期测量浓度），来获取各个污染物浓度数据的同比变化率。例如，可以通过以下公式计算每种污染物浓度数据的同比变化率：
Rs=(Cnow-Chis)/ Chis
其中，Rs为每种污染物的浓度数据的同比变化率；Cnow为每种污染物的当前浓度数据；Chis为每种污染物的历史同期浓度数据。
具体实施时，上述每种污染物的当前浓度数据和历史同期浓度数据都可以从待监测区域的环境空气质量数据中获取。
具体实施时，上述环境空气质量数据可以是通过空气质量监测标准站采集得到的数据，也为空气质量监测标准站数据，时间分辨率可以为1小时，该环境空气质量数据可以包括颗粒状、气体等状态的污染物浓度数据，例如，可以包括PM2.5、PM10、SO2、NO2、CO、O3等污染物的浓度参数。
具体实施时，为了可以准确地评估出气象因子对污染物的浓度数据影响的第一影响参数，在本实施例中，提出了结合多源数据通过以下方式来评估气象因子对污染物的浓度数据影响的第一影响参数：
根据所述待监测区域的历史同期GDAS数据、历史同期气象数据和历史同期浓度数据（即污染物的历史同期浓度数据）建立大气污染模型；
基于当前气象数据，通过所述大气污染模型获取当前气象下的模拟浓度数据（即当前气象下的污染物的模拟浓度数据）；
基于历史同期气象数据，通过所述大气污染模型获取历史同期气象下的模拟浓度数据（历史同期气象下的污染物的模拟浓度数据）；
根据所述当前气象下的模拟浓度数据和所述历史同期气象下的模拟浓度数据，获取气象因子对所述污染物浓度数据影响的第一影响参数。
具体实施时，GDAS（全球资料同化系统）数据是将来自各种观测系统和仪器的数据（地面资料、探空气球资料、风廓线资料、飞机报资料、浮标资料、雷达资料、卫星资料）内插到一个三维网格中，包括近地面到距地面80km高度处的127层数据，空间分辨率为
，时间分辨率为1小时，每层均包含温度、湿度、风向、风速、气压等参数，同时包含太阳辐射、降水量数据。
具体实施时，上述气象数据可以是通过标准站采集获取的待监测区域的气象数据，也称为标准气象数据，该标准气象数据可以包括不同高度的标准气象数据，例如，地面气象数据、850hpa气象数据、500hpa气象数据。
具体实施时，为了使得大气污染模型的稳定性更好，泛化能力更强，在本实施例中，通过以下步骤建立大气污染模型：
对所述历史同期GDAS数据进行重采样至
分辨率；例如，可以采用双线性内插法将历史同期GDAS数据重采样至/>
分辨率；
将重采样后的所述历史同期GDAS数据和所述历史同期气象数据进行融合校正，得到历史同期GDAS融合数据；
基于标准站的位置，获取所述待监测区域的历史标准气象数据；例如，获取待监测区域的包括地面气象数据、850hpa气象数据、500hpa气象数据等不同高度的标准气象数据，地面气象数据可以包括温度、湿度、风向、风速、气压、太阳辐射、降水量等气象因素，850hpa气象数据可以包括温度、湿度、风向、风速、气压等气象因素，500hpa气象数据可以包括温度、湿度、风向、风速、气压等气象因素；
基于所述历史标准气象数据和所述历史同期GDAS融合数据，建立历史标准气象基础数据集；例如，可以建立一段时长内的历史标准气象数据和历史同期GDAS融合数据的历史标准气象基础数据集；
对所述历史标准气象基础数据集中的数值型参数进行数据标准化处理；例如，可以对地面气象数据、850hpa气象数据、500hpa气象数据进行标准化处理，因为在建模时，对数据进行标准化处理后，可以使得得到的模型稳定性更好，泛化能力更强；
对所述历史标准气象基础数据集中的天气形势、风向、降水量和时间周期进行离散化处理；例如，将天气形势、风向、降水量和时间周期等处理为离散的字符串，可以采用独热编码算法将天气形势、风向、降水量和时间周期等处理为字符串，以实现每个数据对应的字符串的唯一性，此外，如直接将数据值、文字等信息输入模型进行训练，可能出现数据识别错误等问题，而将字符串输入模型中训练大气污染模型，字符串的使用可以避免数据识别错误等因素，进而有利于提高训练浓度模拟模型的准确度、精度；时间信息转换为字符串后如下表1所示，天气形势的类型转换为字符串后如下表2所示，降水量转换为字符串后如下表3所示，风向转换为字符串后如下表4所示；
基于处理后的所述历史标准气象基础数据集，通过XGBoost算法，获取影响污染物浓度数据的气象因子；例如，可以通过sperman相关系数和XGBoost算法，从标准气象基础数据集中分别筛选出影响每种污染物浓度数据的气象因子；例如，筛选出对每种污染物浓度数据影响较大的气象因子数据，可以筛选出相应重要性排名前十的气象因子数据，如①地面最大温度；②白天地面平均温度；③白天地面平均湿度；④地面最小湿度；⑤850hpa最大温度；⑥地面最小风速；⑦850hpa天气形势；⑧地面天气形势；⑨地面夜间平均气压；⑩地面白天风向等；
基于所述影响污染物浓度数据的气象因子，建立所述大气污染模型。
表1
表2
表3
表4
具体实施时，上述大气污染模型可以通过训练机器学习组件来实现建模，机器学习组件可以是任意的神经网络，例如，可以是LSTM（长短时记忆网络）。
具体实施时，可以单独通过大气污染模型来确定当前气象下的污染物的模拟浓度数据和历史同期气象下污染物的模拟浓度数据，还可以通过将大气污染模型与其他模型相结合，来计算当前气象下的污染物的模拟浓度数据和历史同期气象下污染物的模拟浓度数据，以便提高模拟浓度数据的准确度，例如，
以所述历史同期GDAS数据、所述历史同期气象数据及所述历史同期浓度数据为样本，分别训练多个机器学习组件，得到多个所述大气污染模型，其中，多个机器学习组件为类型不同的机器学习组件（例如，多个机器学习组件可以分别为不同网络结构的神经网络、算法模型等）；
将所述当前气象数据分别输入多个所述大气污染模型中，获取多个当前气象下的初始模拟浓度数据；
将多个所述当前气象下的初始模拟浓度数据分别输入元学习器，得到多个当前气象下的中间模拟浓度数据；
计算所述当前浓度数据分别与多个所述当前气象下的中间模拟浓度数据之间的误差，得到多个第一误差；
根据多个所述第一误差计算每个所述大气污染模型的第一信息系数（基于误差计算每个所述大气污染模型的信息系数的方法可以采用现有方案实现）；
将每个所述大气污染模型的第一信息系数与每个所述大气污染模型输出的当前气象下的初始模拟浓度数据相乘，得到每个所述大气污染模型的第一乘积，累加各个所述大气污染模型的第一乘积，得到的累加和为当前气象下的模拟浓度数据。
例如，获取历史同期气象下污染物的模拟浓度数据的过程包括：
将所述历史同期气象数据分别输入多个所述大气污染模型中，获取多个历史同期气象下的初始模拟浓度数据；
将多个所述历史同期气象下的初始模拟浓度数据分别输入所述元学习器，得到多个历史同期气象下的中间模拟浓度数据；
计算所述历史同期浓度数据分别与多个所述历史同期气象下的中间模拟浓度数据之间的误差，得到多个第二误差；
根据多个所述第二误差计算每个所述大气污染模型的第二信息系数；
将每个所述大气污染模型的第二信息系数与每个所述大气污染模型输出的历史同期气象下的初始模拟浓度数据相乘，得到每个所述大气污染模型的第二乘积，累加各个所述大气污染模型的第二乘积，得到的累加和为历史同期气象下的模拟浓度数据。
具体的，可以通过以下公式基于每个大气污染模型的信息系数和对应的初始模拟浓度数据来计算污染物的模拟浓度数据：
其中，Cw为污染物的模拟浓度数据，
为大气污染模型的信息系数，Wi为第/>
个大气污染模型输出的初始模拟浓度数据，n是大气污染模型的总数量。当需要计算当前气象下的模拟浓度数据时，将各个大气污染模型输出的当前气象下的初始模拟浓度数据代入Wi即可，将第一信息系数代入/>
即可；同理，当需要计算历史同期气象下的模拟浓度数据时，将各个大气污染模型输出的历史同期气象下的初始模拟浓度数据代入Wi即可，将第二信息系数代入/>
即可。
具体实施时，获取当前气象下的模拟浓度数据和历史同期气象下的模拟浓度数据后，可以通过以下公式计算每种污染物的浓度数据的同比变化率，该同比变化率即气象因子对所述污染物浓度数据影响的第一影响参数：
Rwea=(Cwnow-Cwhis)/ Cwhis
其中，Rwea为气象因子对所述污染物浓度数据影响的第一影响参数，第一影响参数为正值时，代表当前气象条件相对于历史同期气象条件不利于每种污染物的浓度数据的下降，第一影响参数为负值时，代表当前气象条件相对于历史同期气象条件有利于每种污染物的浓度数据的下降；Cwnow为当前气象条件下每种污染物的模拟浓度数据；Cwhis为历史同期气象条件下每种污染物的模拟浓度数据。
具体实施时，为了可以准确地评估区域传输因素对每种污染物的浓度数据影响的第二影响参数，在本实施例中，提出了通过以下方式来评估污染物的区域传输变化对所述污染物的浓度数据影响的第二影响参数：
根据所述待监测区域的当前浓度数据（即污染物的当前浓度数据，例如，污染物的当前测量浓度数据），通过分析模型获取当前区域传输模拟浓度数据（即污染物的当前区域传输模拟浓度数据）；
根据所述待监测区域的历史同期浓度数据（即污染物的历史同期测量浓度数据），通过所述分析模型获取获取历史同期区域传输模拟浓度数据；
根据所述当前区域传输模拟浓度数据和所述历史同期区域传输模拟浓度数据，获取区域传输因素对所述污染物浓度数据影响的第二影响参数。
具体实施时，在获取当前区域传输模拟浓度数据和历史同期区域传输模拟浓度数据的过程中，可以通过训练模型来获取每种污染物的区域传输模拟浓度数据，也可以通过计算方法来获取每种污染物的区域传输模拟浓度数据。
例如，所述分析模型可以通过以下公式来计算每种污染物的区域传输模拟浓度数据。
其中，Ct为污染物的区域传输模拟浓度数据；Cmean为污染物的浓度数据均值；Cstddev为污染物的浓度数据的标准偏差；Cexplainedvarianceratio为污染物的第一主成分的方差贡献率，Cspss为污染物的第一主成分得分系数矩阵；所述第一主成分的方差贡献率和第一主成分得分系数矩阵是通过将污染物的浓度数据输入分析模型（例如，主成分分析模型）得到的，所述第一主成分的方差贡献率为所述待监测区域内本地污染源之间污染物的区域传输浓度数据的方差；Cspss为第一主成分得分系数矩阵主成分得分系数=主成分载荷向量除以主成分特征值的算术平方根。具体的，当计算污染物的当前区域传输模拟浓度数据时，Cmean为污染物的当前浓度数据均值；Cstddev为污染物的当前浓度数据的标准偏差；Cexplainedvarianceratio为将污染物的当前浓度数据输入分析模型得到的第一主成分的方差贡献率；同理，当计算污染物的历史同期区域传输模拟浓度数据时，Cmean为污染物的历史同期浓度数据均值；Cstddev为污染物的历史同期浓度数据的标准偏差；Cexplainedvarianceratio为将污染物的历史同期浓度数据输入分析模型得到的第一主成分的方差贡献率。
具体实施时，获取到污染物的当前区域传输模拟浓度数据和历史同期区域传输模拟浓度数据后，通过以下公式计算污染物浓度数据的同比变化率，该同比变化率为区域传输因素对所述污染物浓度数据影响的第二影响参数：
Rtrans=(Ctnow-Cthis)/ Cthis
其中，Rtrans为区域传输因素对所述污染物浓度数据影响的第二影响参数，第二影响参数为正值时，代表污染物的当前区域传输相对于历史同期区域传输不利于污染物浓度数据的下降，第二影响参数为负值时，代表污染物的当前区域传输相对于历史同期区域传输有利于污染物浓度数据的下降；Ctnow为污染物的当前区域传输模拟浓度数据；Cthis为污染物的历史同期区域传输模拟浓度数据。
具体实施时，得到气象因子对所述污染物浓度数据影响的第一影响参数和区域传输因素对所述污染物浓度数据影响的第二影响参数后，即可确定出待监测区域内本地污染源产生的污染物浓度数据，例如，将所述同比变化率减去所述第一影响参数和所述第二影响参数，得到的差值即为所述待监测区域内本地污染源产生的污染物浓度数据。例如，可以通过以下公式基于所述同比变化率、所述第一影响参数和所述第二影响参数，获取所述待监测区域内本地污染源产生的污染物浓度数据：
Rreal= Rs-Rwea-Rtrans
其中，Rreal为待监测区域的本地污染源产生的污染物浓度数据，该浓度数据表示本地污染源对污染物浓度数据的影响，该浓度数据为正值时，代表本地污染源排放的当前强度较历史同期增强，该浓度数据为负值时，代表本地污染源排放的当前强度较历史同期降低。
具体实施时，上述污染物以O3为例，以下结合图2 来详细描述实施上述评估本地污染源对环境空气质量影响的方法的过程，如图2所示，该过程包括以下步骤：
步骤1.上述待监测区域以某市区域为例，计算某市2022年第3季度O3测量浓度较去年同期测量浓度的同比变化率。
Rs=(Cnow-Chis)/ Chis=（199-168）/168=18.5%。
步骤2.计算某市2022年第3季度气象条件变化对O3浓度的第一影响参数。
（1）机器学习模型建立：
数据准备。采用双线性内插法将GDAS数据重采样至
分辨率，同时与某市地面气象站数据进行融合校正，得到历史同期GDAS融合数据。依据某市空气质量监测标准站所在位置提取地面温度、湿度、风向、风速、气压、太阳辐射、降水量，850hpa温度、湿度、风向、风速、气压，500hpa温度、湿度、风向、风速、气压等历史标准气象数据，建立近5年空气质量数据及历史标准气象数据的历史标准气象基础数据集。
对历史标准气象基础数据集进行数据处理。对数值型数据进行标准化处理（数值型数据包括地面温度、湿度、风速、气压、太阳辐射、变温、变压，850hpa温度、湿度、风速、气压、变温、变压，500hpa温度、湿度、风速、气压、变温、变压等）；对时间周期抽取季节、节假日、白天夜间等时间周期特征，进而采用独热编码算法将时间周期的值转换为字符串，如上表1所示；对地面、850hpa和500hpa等不同高度对应的天气形势分类（或类型）处理，并采用独热编码算法将各个天气形势转换为字符串，如上表2所示；对降水量进行离散处理，采用独热编码算法将降水量的数值转换为字符串，如上表3所示；对地面、850hpa和500hpa等不同高度的风向等进行离散处理，并采用独热编码算法将各个风向类型转换为字符串，如上表4所示。
特征工程。利用sperman相关系数和XGBoost算法，从处理后的历史标准气象基础数据集中找出对O3浓度影响较大的气象因子，筛选出相应重要性排名前十的气象因子如下：
①地面最大温度；
②白天地面平均温度；
③白天地面平均湿度；
④地面最小湿度；
⑤850hpa最大温度；
⑥地面最小风速；
⑦850hpa天气形势；
⑧地面天气形势；
⑨地面夜间平均气压；
⑩地面白天风向。
模型训练评估调优。以影响O3浓度数据的气象因子的字符串为样本，训练LSTM（长短时记忆网络）得到所述大气污染模型，通过网格搜索寻找最佳LSTM（长短时记忆网络）模型参数，得到最优的模型效果。模型效果由决定系数R2和均方根误差RMSE评价，最终的最佳LSTM模型，R2为0.89，RMSE为0.34。
（2）分别将当前气象数据及历史同期（去年同期）气象数据输入大气污染模型中，分别得到当前气象条件下O3的模拟浓度数据和历史同期气象条件下O3的模拟浓度数据，进而得到气象条件变化对空气质量的第一影响参数：
Rwea=（179-156）/156=14.8%
步骤3. 计算某市2022年第3季度区域传输变化对O3浓度的第二影响参数。分别将O3的当前测量浓度数据与历史同期测量浓度数据分别输入主成分分析模型，分别得到当前和历史同期的第一主成分的方差贡献率；获得当前区域传输模拟浓度数据和历史同期区域传输模拟浓度数据后，进而计算得到区域传输变化对O3浓度的第二影响参数：
Rtrans=(98-94)/94=4.2%
步骤4.计算某市2022年第3季度本地污染源排放变化对O3浓度的影响值。从O3测量浓度较去年同期测量浓度的同比变化率中扣除气象条件变化对O3浓度的第一影响参数和区域传输变化对O3浓度的第二影响参数后，得到本地污染源排放变化对O3浓度的定量影响：
Rreal= 18.5%-14.8%-4.2%=-0.5%
综上，某市2022年第三季度O3浓度较去年同期变差幅度较大的主要原因为气象条件变差幅度较大及区域传输影响略有增加，本地污染源排放较历史同期实际略有降低。
在本实施例中，提供了一种计算机设备，如图3所示，包括存储器301、处理器302及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的评估本地污染源对环境空气质量影响的方法。
具体的，该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的评估本地污染源对环境空气质量影响的方法的计算机程序。
具体的，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。计算机可读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，计算机可读存储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。
基于同一发明构思，本发明实施例中还提供了一种评估本地污染源对环境空气质量影响的装置，如下面的实施例所述。由于评估本地污染源对环境空气质量影响的装置解决问题的原理与评估本地污染源对环境空气质量影响的方法相似，因此评估本地污染源对环境空气质量影响的装置的实施可以参见评估本地污染源对环境空气质量影响的方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例的评估本地污染源对环境空气质量影响的装置的一种结构框图，如图4所示，该装置包括：
空气质量获取模块401，用于获取待监测区域内污染物浓度数据的同比变化率；
气象影响因子确定模块402，用于获取气象因子对所述污染物浓度数据影响的第一影响参数；
区域传输影响因子确定模块403，用于获取区域传输因素对所述污染物浓度数据影响的第二影响参数；
污染源影响因子确定模块404，用于基于所述同比变化率、所述第一影响参数和所述第二影响参数，获取所述待监测区域内本地污染源产生的污染物浓度数据。
在一个实施例中，空气质量获取模块，用于根据待监测区域内各个污染物的当前浓度数据和历史同期浓度数据，获取各个污染物浓度数据的同比变化率。
在一个实施例中，气象影响因子确定模块，用于根据所述待监测区域的历史同期GDAS数据、历史同期气象数据和历史同期浓度数据建立大气污染模型；基于当前气象数据，通过所述大气污染模型获取当前气象下的模拟浓度数据；基于历史同期气象数据，通过所述大气污染模型获取历史同期气象下的模拟浓度数据；根据所述当前气象下的模拟浓度数据和所述历史同期气象下的模拟浓度数据，获取气象因子对所述污染物浓度数据影响的第一影响参数。
在一个实施例中，气象影响因子确定模块，用于对所述历史同期GDAS数据进行重采样至
分辨率；将重采样后的所述历史同期GDAS数据和所述历史同期气象数据进行融合校正，得到历史同期GDAS融合数据；基于标准站的位置，获取所述待监测区域的历史标准气象数据；基于所述历史标准气象数据和所述历史同期GDAS融合数据，建立历史标准气象基础数据集；对所述历史标准气象基础数据集中的数值型参数进行数据标准化处理；对所述历史标准气象基础数据集中的天气形势、风向、降水量和时间周期进行离散化处理；基于处理后的所述历史标准气象基础数据集，通过XGBoost算法，获取影响污染物浓度数据的气象因子；基于所述影响污染物浓度数据的气象因子，建立所述大气污染模型。
在一个实施例中，气象影响因子确定模块，用于以所述历史同期GDAS数据、所述历史同期气象数据及所述历史同期浓度数据为样本，分别训练多个机器学习组件，得到多个所述大气污染模型，其中，多个机器学习组件为类型不同的机器学习组件；将所述当前气象数据分别输入多个所述大气污染模型中，获取多个当前气象下的初始模拟浓度数据；将多个当前气象下的初始模拟浓度数据分别输入元学习器，得到多个当前气象下的中间模拟浓度数据；计算当前浓度数据分别与多个所述当前气象下的中间模拟浓度数据之间的误差，得到多个第一误差；根据多个第一误差计算每个所述大气污染模型的第一信息系数；将每个所述大气污染模型的第一信息系数与每个所述大气污染模型输出的当前气象下的初始模拟浓度数据相乘，得到每个所述大气污染模型的第一乘积，累加各个所述大气污染模型的第一乘积，得到的累加和为当前气象下的模拟浓度数据。
在一个实施例中，气象影响因子确定模块，还用于将所述历史同期气象数据分别输入多个所述大气污染模型中，获取多个历史同期气象下的初始模拟浓度数据；将多个历史同期气象下的初始模拟浓度数据分别输入所述元学习器，得到多个历史同期气象下的中间模拟浓度数据；计算所述历史同期浓度数据分别与多个所述历史同期气象下的中间模拟浓度数据之间的误差，得到多个第二误差；根据多个第二误差计算每个所述大气污染模型的第二信息系数；将每个所述大气污染模型的第二信息系数与每个所述大气污染模型输出的历史同期气象下的初始模拟浓度数据相乘，得到每个所述大气污染模型的第二乘积，累加各个所述大气污染模型的第二乘积，得到的累加和为历史同期气象下的模拟浓度数据。
在一个实施例中，区域传输影响因子确定模块，用于基于所述待监测区域的当前浓度数据，通过分析模型获取当前区域传输模拟浓度数据；根据所述待监测区域的历史同期浓度数据，通过所述分析模型获取历史同期区域传输模拟浓度数据；根据所述当前区域传输模拟浓度数据和所述历史同期区域传输模拟浓度数据，获取区域传输因素对所述污染物浓度数据影响的第二影响参数。
在一个实施例中，区域传输影响因子确定模块，用于所述分析模型通过以下公式计算每种污染物的区域传输浓度模拟值：
其中，Ct为区域传输模拟浓度数据；Cmean为浓度数据均值；Cstddev为浓度数据的标准偏差；Cexplainedvarianceratio为第一主成分的方差贡献率，Cspss为第一主成分得分系数矩阵，所述第一主成分的方差贡献率和所述第一主成分得分系数矩阵是通过将浓度数据输入分析模型得到的，所述第一主成分的方差贡献率为所述待监测区域内本地污染源之间污染物的区域传输浓度数据的方差。
在一个实施例中，污染源影响因子确定模块，还用于将所述同比变化率减去所述第一影响参数和所述第二影响参数，得到的差值为所述待监测区域内本地污染源产生的污染物浓度数据。
本发明实施例实现了如下技术效果：实现了通过获取气象因子对所述污染物浓度数据影响的第一影响参数和区域传输因素对所述污染物浓度数据影响的第二影响参数，来间接的获取本地污染源产生的污染物浓度数据，进而评估本地污染源对环境空气质量影响，避免了采用源清单变化、基于企业的在线监测变化等数据来直接计算本地污染源排放变化，直接评估本地污染源排放变化对环境空气质量的影响，从而避免了由于源清单变化的核算导致的延时问题，有利于提高评估本地污染源对环境空气质量影响的实时、时效性；同时，避免了企业的在线监测带来的数据不全面、不准确的问题，进而有利于提高评估本地污染源对环境空气质量影响的准确性、可靠性；此外，在评估本地污染源对环境空气质量的量化影响的同时，还评估了气象条件变化、区域传输变化对环境空气质量的量化影响，使得可以为了解不同因素对环境空气质量的量化影响提供数据，还可以明确、量化地为分析影响环境空气质量的主导作用提供数据，从而可以为相关部门准确评估各级部门大气污染防治工作实际效果提供数据，为各级政府精准制定污染防治计划提供数据支持，进一步提升大气污染的科学治理水平。
显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种评估本地污染源对环境空气质量影响的方法，其特征在于，包括：
获取待监测区域内污染物浓度数据的同比变化率；
获取气象因子对所述污染物浓度数据影响的第一影响参数；
获取区域传输因素对所述污染物浓度数据影响的第二影响参数；
基于所述同比变化率、所述第一影响参数和所述第二影响参数，获取所述待监测区域内本地污染源产生的污染物浓度数据。
2.如权利要求1所述的评估本地污染源对环境空气质量影响的方法，其特征在于，所述获取待监测区域内污染物浓度数据的同比变化率，包括：
根据待监测区域内污染物的当前浓度数据和历史同期浓度数据，获取污染物浓度数据的同比变化率。
3.如权利要求1所述的评估本地污染源对环境空气质量影响的方法，其特征在于，所述获取气象因子对所述污染物浓度数据影响的第一影响参数，包括：
根据所述待监测区域的历史同期GDAS数据、历史同期气象数据和历史同期浓度数据建立大气污染模型；
基于当前气象数据，通过所述大气污染模型获取当前气象下的模拟浓度数据；
基于历史同期气象数据，通过所述大气污染模型获取历史同期气象下的模拟浓度数据；
根据所述当前气象下的模拟浓度数据和所述历史同期气象下的模拟浓度数据，获取所述第一影响参数。
4.如权利要求3所述的评估本地污染源对环境空气质量影响的方法，其特征在于，所述根据所述待监测区域的历史同期GDAS数据、历史同期气象数据和历史同期浓度数据建立大气污染模型，包括：
对所述历史同期GDAS数据进行重采样至
分辨率；
将重采样后的所述历史同期GDAS数据和所述历史同期气象数据进行融合校正，得到历史同期GDAS融合数据；
基于标准站的位置，获取所述待监测区域的历史标准气象数据；
基于所述历史标准气象数据和所述历史同期GDAS融合数据，建立历史标准气象基础数据集；
对所述历史标准气象基础数据集中的数值型参数进行数据标准化处理；
对所述历史标准气象基础数据集中的天气形势、风向、降水量和时间周期进行数据离散化处理；
基于处理后的所述历史标准气象基础数据集，通过XGBoost算法，获取影响污染物浓度数据的气象因子；
基于所述气象因子，建立所述大气污染模型。
5.如权利要求3所述的评估本地污染源对环境空气质量影响的方法，其特征在于，所述基于当前气象数据，通过所述大气污染模型获取当前气象下的模拟浓度数据，包括：
以所述历史同期GDAS数据、所述历史同期气象数据及所述历史同期浓度数据为样本，分别训练多个机器学习组件，得到多个所述大气污染模型，其中，多个机器学习组件为类型不同的机器学习组件；
将所述当前气象数据分别输入多个所述大气污染模型中，获取多个当前气象下的初始模拟浓度数据；
将多个所述当前气象下的初始模拟浓度数据分别输入元学习器，得到多个当前气象下的中间模拟浓度数据；
计算当前浓度数据分别与多个所述当前气象下的中间模拟浓度数据之间的误差，得到多个第一误差；
根据多个所述第一误差计算每个所述大气污染模型的第一信息系数；
将每个所述大气污染模型的第一信息系数与每个所述大气污染模型输出的当前气象下的初始模拟浓度数据相乘，得到每个所述大气污染模型的第一乘积，累加各个所述大气污染模型的第一乘积，得到的累加和为所述当前气象下的模拟浓度数据。
6.如权利要求5所述的评估本地污染源对环境空气质量影响的方法，其特征在于，所述基于历史同期气象数据，通过所述大气污染模型获取历史同期气象下的模拟浓度数据，包括：
将所述历史同期气象数据分别输入多个所述大气污染模型中，获取多个历史同期气象下的初始模拟浓度数据；
将多个所述历史同期气象下的初始模拟浓度数据分别输入所述元学习器，得到多个历史同期气象下的中间模拟浓度数据；
计算所述历史同期浓度数据分别与多个所述历史同期气象下的中间模拟浓度数据之间的误差，得到多个第二误差；
根据多个所述第二误差计算每个所述大气污染模型的第二信息系数；
将每个所述大气污染模型的第二信息系数与每个所述大气污染模型输出的历史同期气象下的初始模拟浓度数据相乘，得到每个所述大气污染模型的第二乘积，累加各个所述大气污染模型的第二乘积，得到的累加和为所述历史同期气象下的模拟浓度数据。
7.如权利要求1至6中任一项所述的评估本地污染源对环境空气质量影响的方法，其特征在于，所述获取区域传输因素对所述污染物浓度数据影响的第二影响参数，包括：
基于所述待监测区域的当前浓度数据，通过分析模型获取当前区域传输模拟浓度数据；
根据所述待监测区域的历史同期浓度数据，通过所述分析模型获取历史同期区域传输模拟浓度数据；
根据所述当前区域传输模拟浓度数据和所述历史同期区域传输模拟浓度数据，获取所述第二影响参数。
8.如权利要求7所述的评估本地污染源对环境空气质量影响的方法，其特征在于，所述分析模型通过以下公式计算区域传输模拟浓度数据：
其中，Ct为区域传输模拟浓度数据；Cmean为浓度数据均值；Cstddev为浓度数据的标准偏差；Cexplainedvarianceratio为第一主成分的方差贡献率；Cspss为第一主成分得分系数矩阵；所述第一主成分的方差贡献率和所述第一主成分得分系数矩阵是通过将浓度数据输入分析模型得到的，所述第一主成分的方差贡献率为所述待监测区域内本地污染源之间污染物的区域传输浓度数据的方差。
9.如权利要求1至6中任一项所述的评估本地污染源对环境空气质量影响的方法，其特征在于，所述基于所述同比变化率、所述第一影响参数和所述第二影响参数，获取所述待监测区域内本地污染源产生的污染物浓度数据，包括：
将所述同比变化率减去所述第一影响参数和所述第二影响参数，得到的差值为所述待监测区域内本地污染源产生的污染物浓度数据。
10.一种评估本地污染源对环境空气质量影响的装置，其特征在于，包括：
空气质量获取模块，用于获取待监测区域内污染物浓度数据的同比变化率；
气象影响因子确定模块，用于获取气象因子对所述污染物浓度数据影响的第一影响参数；
区域传输影响因子确定模块，用于获取区域传输因素对所述污染物浓度数据影响的第二影响参数；
污染源影响因子确定模块，用于基于所述同比变化率、所述第一影响参数和所述第二影响参数，获取所述待监测区域内本地污染源产生的污染物浓度数据。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的评估本地污染源对环境空气质量影响的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至9中任一项所述的评估本地污染源对环境空气质量影响的方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310466078.1A CN116205541B (zh) | 2023-04-27 | 2023-04-27 | 评估本地污染源对环境空气质量影响的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310466078.1A CN116205541B (zh) | 2023-04-27 | 2023-04-27 | 评估本地污染源对环境空气质量影响的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116205541A true CN116205541A (zh) | 2023-06-02 |
| CN116205541B CN116205541B (zh) | 2023-09-19 |
Family
ID=86513169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310466078.1A Active CN116205541B (zh) | 2023-04-27 | 2023-04-27 | 评估本地污染源对环境空气质量影响的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116205541B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776073A (zh) * | 2023-08-14 | 2023-09-19 | 中科三清科技有限公司 | 一种污染物浓度的评估方法和装置 |
| CN117612645A (zh) * | 2024-01-23 | 2024-02-27 | 中科三清科技有限公司 | 污染气象条件预测方法、装置、存储介质与电子设备 |
| CN117745106A (zh) * | 2024-02-04 | 2024-03-22 | 西昌学院 | 一种大气污染协调控制区域的识别方法、系统和存储介质 |
| CN118469409A (zh) * | 2024-07-12 | 2024-08-09 | 三捷环境工程咨询(杭州)有限公司 | 基于多尺度模型的机动车排放对空气质量影响的评估方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090098127A (ko) * | 2008-03-13 | 2009-09-17 | (주)바이오텔 | 대기 오염물질 모니터링 시스템 및 그 방법 |
| CN111538957A (zh) * | 2020-04-21 | 2020-08-14 | 中科三清科技有限公司 | 大气污染物来源贡献度的获取方法、装置、设备及介质 |
| CN114091361A (zh) * | 2022-01-24 | 2022-02-25 | 中汽数据(天津)有限公司 | 基于气象事件的transformer模型构建方法 |
| CN114819696A (zh) * | 2022-05-12 | 2022-07-29 | 中科三清科技有限公司 | 确定污染物浓度影响因素的方法、装置及电子设备 |
| CN115358332A (zh) * | 2022-08-25 | 2022-11-18 | 浙江工业大学 | 面向多源数据的大气污染溯源方法 |
| CN115963041A (zh) * | 2022-12-26 | 2023-04-14 | 北京石油化工学院 | 一种大气环境中细颗粒物浓度与碳排放量之间关系的评价方法 |
-
2023
- 2023-04-27 CN CN202310466078.1A patent/CN116205541B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090098127A (ko) * | 2008-03-13 | 2009-09-17 | (주)바이오텔 | 대기 오염물질 모니터링 시스템 및 그 방법 |
| CN111538957A (zh) * | 2020-04-21 | 2020-08-14 | 中科三清科技有限公司 | 大气污染物来源贡献度的获取方法、装置、设备及介质 |
| CN114091361A (zh) * | 2022-01-24 | 2022-02-25 | 中汽数据(天津)有限公司 | 基于气象事件的transformer模型构建方法 |
| CN114819696A (zh) * | 2022-05-12 | 2022-07-29 | 中科三清科技有限公司 | 确定污染物浓度影响因素的方法、装置及电子设备 |
| CN115358332A (zh) * | 2022-08-25 | 2022-11-18 | 浙江工业大学 | 面向多源数据的大气污染溯源方法 |
| CN115963041A (zh) * | 2022-12-26 | 2023-04-14 | 北京石油化工学院 | 一种大气环境中细颗粒物浓度与碳排放量之间关系的评价方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776073A (zh) * | 2023-08-14 | 2023-09-19 | 中科三清科技有限公司 | 一种污染物浓度的评估方法和装置 |
| CN116776073B (zh) * | 2023-08-14 | 2023-11-21 | 中科三清科技有限公司 | 一种污染物浓度的评估方法和装置 |
| CN117612645A (zh) * | 2024-01-23 | 2024-02-27 | 中科三清科技有限公司 | 污染气象条件预测方法、装置、存储介质与电子设备 |
| CN117612645B (zh) * | 2024-01-23 | 2024-04-09 | 中科三清科技有限公司 | 污染气象条件预测方法、装置、存储介质与电子设备 |
| CN117745106A (zh) * | 2024-02-04 | 2024-03-22 | 西昌学院 | 一种大气污染协调控制区域的识别方法、系统和存储介质 |
| CN117745106B (zh) * | 2024-02-04 | 2024-05-17 | 西昌学院 | 一种大气污染协调控制区域的识别方法、系统和存储介质 |
| CN118469409A (zh) * | 2024-07-12 | 2024-08-09 | 三捷环境工程咨询(杭州)有限公司 | 基于多尺度模型的机动车排放对空气质量影响的评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116205541B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116205541B (zh) | 评估本地污染源对环境空气质量影响的方法及装置 | |
| Krueger et al. | Inconsistencies between long-term trends in storminess derived from the 20CR reanalysis and observations | |
| CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
| CN109543906B (zh) | 一种大气能见度预测的方法及设备 | |
| Timmreck et al. | The interactive stratospheric aerosol model intercomparison project (ISA-MIP): motivation and experimental design | |
| CN112884079A (zh) | 一种基于Stacking集成模型的近地面二氧化氮浓度估算方法 | |
| Woodworth et al. | Variations in the difference between mean sea level measured either side of Cape Hatteras and their relation to the North Atlantic Oscillation | |
| CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
| Legeais et al. | Copernicus sea level space observations: a basis for assessing mitigation and developing adaptation strategies to sea level rise | |
| Lian et al. | Sensitivity to the sources of uncertainties in the modeling of atmospheric CO 2 concentration within and in the vicinity of Paris | |
| Alerskans et al. | A transformer neural network for predicting near‐surface temperature | |
| Tankov et al. | Climate data for physical risk assessment in finance | |
| CN116609859A (zh) | 一种气象灾害高分辨率区域模式预报系统及方法 | |
| CN115018022B (zh) | 网格化环境监测数据的质量控制方法、装置、设备及介质 | |
| CN114898823B (zh) | 一种高时空分辨率遥感近地面no2浓度预估方法和系统 | |
| CN116663787B (zh) | 一种风光资源评估方法、装置、电子设备和存储介质 | |
| KR102002593B1 (ko) | 특정공간에서의 유해기체 확산 해석 방법 및 장치 | |
| CN117219183A (zh) | 多云雨地区的高覆盖度近地面no2浓度估算方法及系统 | |
| Torre‐Tojal et al. | Estimation of forest biomass from light detection and ranging data by using machine learning | |
| CN116484468A (zh) | 一种水库大坝的风险评估方法、装置、设备及存储介质 | |
| Schütz et al. | Improving classification‐based nowcasting of radiation fog with machine learning based on filtered and preprocessed temporal data | |
| Malakan et al. | Comparison of AERMOD Performance using Observed and Prognostic Meteorological Data. | |
| CN118536321B (zh) | 基于星载激光雷达的边界层pm2.5垂直分布反演方法 | |
| Shi et al. | A Grey Model for Short-Term Prediction of the Ionospheric TEC | |
| CN116596131A (zh) | 一种降雨灾害预警方法及相关设备 |
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 |