【技术实现步骤摘要】
本专利技术属于测量数据处理，基于园区大气浓度监测系统的空间去趋势概率密度进行大气污染物溯源，用于园区污染治理管控的污染溯源。
技术介绍
1、工业园区空间范围内的强排放源对周边区域环境空气质量和人居健康产生重要影响，许多相关大气污染治理管控工作都要以污染源溯源为前提。
2、现有通用的大气污染物溯源方法主要包括：
3、污染源解析模型：利用污染物浓度分布和变化趋势，结合地理信息系统(gis)数据，推断处污染源的位置和可能的来源。这种方法依赖于对监测数据的熟读分析和模式识别。
4、同位素示踪技术：利用稳定同位素或放射性同位素的分布特征，追踪污染物在大气中的运移和来源，从而确定污染源的位置和性质。
5、气象和数学模型溯源：通过气象观测和台站等监测手段，结合气象模型对污染物在规定区域内的传输、转化和积累进行模拟，为溯源研究提供物理模型基础。利用统计方法对大气污染物的时空分布进行建模和分析，通过相关性分析和回归分析等方法，识别可能的污染源位置和特征。
6、产物方法溯源：通过对气溶胶颗粒和nox等大气污染物的物化特征和形成过程进行分析来确定污染源的类型和污染物的浓度，同时采用各种技术手段对污染物的物质特征和同位素等基本参数进行检测和分析，但污染物在大气中的各类反应均较为复杂。可见，现有溯源方法均存在一定的局限性。
7、专利技术人在cn116258101a中提出一种基于气体浓度监测数据快速计算排放源强的方法，通过重新定位风场测站点的位置数据，获取风场数据进行风场同化，获取浓度
技术实现思路
1、专利技术目的：为了更加准确地识别和定位大气污染物强排放源的位置，本专利技术基于园区浓度监测长时间序列资料，通过对该数据进行标准去趋势化处理叠加概率密度分布的思路，计算得出在工业园区范围内以企业为单位的空间尺度上的强排放源区域的位置概率分布。
2、技术方案：为解决上述技术问题，本专利技术提供的基于园区大气浓度监测系统的微尺度溯源算法，包括以下步骤：
3、步骤一：对监测数据进行时间维度的标准化统计，筛选出异常区域数据，计算方法如下：
4、
5、其中，为在第j个时刻，第i个空间格点处经过标准化统计分析后的监测数据。c是未经上述处理的生数据矩阵(其秩数为空间维度加1，在本案例中一般为3)，det c是对c矩阵进行向量行列式运算的结果，其意义在于求得c矩阵的模长，用来作为整个算式的归一化判据；k为进行时间维数据标准化的变量脚标，其范围为1到m，m是进行时间维数据标准化的窗口宽度，其值大于1且小于数据时间序列总长度的1/2；δjk是对于第j时刻以及第k个数据标准化时间窗口内的质控阈值函数，与监测点位的坐标、各点位监控数据生成的时间粒度以及区域背景值等有关，具体的阈值设定可根据任务需求进行调整，此处略；ck，j是生数据在第j个时刻处的值以k窗口进行时间维同化时得到的订正函数，类似地，ck，i是生数据在第i个空间格点处的值以k窗口进行空间维同化时得到的订正函数，cij是第j个时刻，第i个空间格点处的生数据值。
6、步骤二：获得任一背景风向风速较为稳定的时段内的区域近地面浓度的站点空间分布数据，将浓度空间分布的时间维标准差作为置信判据α，以归一化后的浓度分布作为强排放源所在位置的概率密度空间分布样本，将极值区域判别为概率较高的排放源位置强相关区域。该时段内风向频率的概率密度如下式：
7、
8、其中是经过步骤一质控之后的数据的局域变频平均值；δ是抽样样本在所在时空局域的标准差，其空间范围大小和时间尺度需要根据园区的空间范围、企业密度和排放时间节律来设定，一般来说，其空间范围不要大于两个强排放源之间的距离的一半，其时间尺度尽量小于周边排源的周期性节律的1/4周期；n为样本容量大小，α用于表达置信水平；z*是以z-score方式定义的标准分数，当我们确定我们的置信水平时，可以通过查表的方式获得z-score值；
9、步骤三：对不同气象背景下的数据样本进行去趋势化处理，去除由于区域主导风向的分布谱而引发的概率密度偏歧；由于对某一特定区域，气候统计上认为其全年不同风向的频率(称为风频)存在方向分布。因此需要对本地气象数据中不同风向的上述z*值除以该风向的频率，以保证在求得概率密度分布谱时，尽量不受到风频的影响。
10、步骤四：对去趋势化后的概率密度分布样本进行概率求和，得到多气象情景下的总体排放强度的概率密度分布空间函数；
11、步骤五：将概率密度空间分布图投影映射到企业地图上，结合企业运作和工艺实际情况，定位排放源的位置。
12、具体的，步骤一筛选数据时采用异常区域数据订正算法。
13、具体的，步骤三中，从园区长时间序列浓度监测数据中挑选出不同主导风向情景时段，对各时段的浓度数据样本进行归一化。
14、具体的，步骤四中，以浓度为权重函数，得到针对多气象情景的总体的工业园区近地面大气污染物排放强度的概率密度分布空间函数
15、
16、f(i)为风向频率分布函数；n为风向类别总数；et(x,y)和ei(x,y)为最终场和各风向场格点的高排放区概率。
17、具体的，步骤五中的数据输出是高排放区域概率分布地图。
18、专利技术原理：通过在园区长时间序列浓度检测数据中挑选出不同主导风向情景下的数据时段，对不同气象情景下的数据样本进行归一化，也即去除由于区域主导风向的分布谱而引发的概率密度偏歧，后续内容称这一过程为去趋势化。然后对去趋势化之后的所有概率密度分布样本进行概率求和，以浓度为权重函数，得到针对多气象情景的总体的工业园区近地面大气污染物排放强度的概率密度分布空间函数。最终根据该函数的空间分布识别和定位环境中的强排放源存在的区域区间，并结合区间内企业运作或者工艺实际情况最终定位到排放源的位置。
19、有益效果：本专利技术所通过对大气污染物浓度数据进行多维度分析和处理，利用概率密度分布求和等方法，能够更加准确的识别和定位强排放源的位置，从而减少了干扰提高溯源的准确性。对不同气象情景下的污染物数据进行归一化处理，去除由于区域主导风向的分布谱而引发的概率密度偏歧，可以更加全面的评估排放源的影响范围，提高了溯源结果的可信度。
20、通过标准化处理和概率分析的组合，可以构建工业园区内部强排放源的分布概率图。这一方法在强排放源的定位和分析方面具有很大的潜力，为环境保护提供了一种新的、有效的工具。
本文档来自技高网...【技术保护点】
1.一种基于园区大气浓度监测系统的微尺度溯源算法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于园区大气浓度监测系统的微尺度溯源算法，其特征在于：所述步骤一采用异常区域数据订正的数据质控方法：
3.根据权利要求1所述的大气浓度监测系统中的浓度实时观测数据，在所述步骤二中，同时获得任一背景风向风速较为稳定的时段内的区域近地面浓度的站点空间分布数据，将浓度空间分布的时间维标准差作为置信判据α，以归一化后的浓度分布作为强排放源所在位置的概率密度空间分布样本，将极值区域判别为概率较高的排放源位置强相关区域。
4.根据权利要求1所述的基于园区大气浓度监测系统的微尺度溯源算法，其特征在于：所述步骤三中，采用以下公式计算风向频率的概率密度：
5.根据权利要求1所述的基于园区大气浓度监测系统的微尺度溯源算法，其特征在于：所述步骤三中，从园区长时间序列浓度监测数据中挑选出不同主导风向情景时段，对各时段的浓度数据样本进行归一化。
6.根据权利要求1所述的基于园区大气浓度监测系统的微尺度溯源算法，其特征在于：所述步骤四中，以浓度为权重
7.根据权利要求1所述的基于园区大气浓度监测系统的微尺度溯源算法，其特征在于：所述步骤五中的数据输出是高排放区域概率分布地图。
...【技术特征摘要】
1.一种基于园区大气浓度监测系统的微尺度溯源算法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于园区大气浓度监测系统的微尺度溯源算法，其特征在于：所述步骤一采用异常区域数据订正的数据质控方法：
3.根据权利要求1所述的大气浓度监测系统中的浓度实时观测数据，在所述步骤二中，同时获得任一背景风向风速较为稳定的时段内的区域近地面浓度的站点空间分布数据，将浓度空间分布的时间维标准差作为置信判据α，以归一化后的浓度分布作为强排放源所在位置的概率密度空间分布样本，将极值区域判别为概率较高的排放源位置强相关区域。
4.根据权利要求1所述的基于园区大气浓度监测系统的微尺度溯源算...
【专利技术属性】
技术研发人员：李海妮，李雄伟，涂墨新，米君睿，刘振鑫，蒋慕贤，郭赟，
申请(专利权)人：无锡零碳环境管理有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。