基于排放源的空气质量监控方法和装置与流程

1.本公开的实施例一般涉及环境监测技术领域，并且更具体地，涉及一种基于排放源的空气质量监控方法和装置。


背景技术：

2.近年来，空气污染问题严峻，引起了广泛的关注。合理的空气质量预报能够帮助有关部门制定相应决策，以限制人为排放，同时引导公众规避污染峰值期。目前区域空气质量数值模式已经成为短时临近和中期预报的主要手段。
3.数值预报的不确定性主要来源于大气初始状态的不确定性和预报模式的不确定性，大气运动的非线性特征决定了无论来自于初始场还是来自模式本身极小的误差在模式积分过程中将被放大，导致数值预报在一定时间后失去可预报性。集合预报能够能体现模式初始条件和输入参数的不确定性在模式积分中的传播，从而可以了解由这些不确定性导致的预报不确定性，提供预报的可靠性和可预报性信息，此外，集合预报可以提供不同事件发生的概率，预报不再过分依赖某一个初始条件和参数值，预报信息更加丰富和全面。
4.目前的集合预报方法主要是将不同模式、不同区域、不同时效的预报均看作不同的模式，由于各单模式在给定站点的预报性能存差异，为了区别对待不同的模式预报结果，基于单模式在历史一段时间内的表现，评估模式对未来预报值的可信度或权重，得出集合模式的预报结果。
5.针对上述现有技术，目前主流的集合模式算法能够集合不同单模式的优缺点，但难以考虑气象条件如温度、湿度、风速、风向、降水和气压等要素对污染物浓度的影响，以及污染物之间的相互作用对污染物浓度的影响，使得对污染物浓度的监控难以做到全面和准确。


技术实现要素：

6.根据本公开的实施例，提供了一种能够根据气象条件对污染物浓度的影响，以及污染物之间的相互作用对污染物浓度进行监控，从而实现全面准确的监控污染物浓度。
7.在本公开的第一方面，提供了一种基于排放源的空气质量监控方法，包括：
8.获取目标用户端发送的当前排放源信息；
9.对所述当前排放源信息进行解析，确定排放源排放的污染物的类型、排放时间、排放位置和排放量；
10.将对应的污染物信息输入预先训练的单污染物监控模型，生成对应的一级监控结果，所述一级监控结果包括单污染物在不同时刻在不同区域的浓度分布状况；
11.将多个所述的一级监控结果和外部条件信息输入预先训练的混合污染物监控模型，生成二级监控结果，所述二级监控结果包括多种污染物在不同时刻在不同区域的浓度分布状况；
12.响应于所述二级监控结果中存在污染物浓度超过预设阈值的区域，向所述目标用
户端发送报警信息。
13.在一些实施例中，所述对所述当前排放源信息进行解析，确定污染物的类型、排放时间和排放位置，包括：
14.对所述当前排放源信息进行解析，确定所述当前排放源信息中的文件数量、文件大小和文件内容，读取对应的文件，确定污染物的类型、排放时间、排放位置和排放量。
15.在一些实施例中，在确定污染物的类型、排放时间、排放位置和排放量之后，所述方法还包括：
16.获取所述当前排放源信息对应的配置信息，根据所述配置信息确定表征污染物的类型、排放时间、排放位置和排放量的数据的数据格式是否符合预设格式；
17.响应于表征污染物的类型、排放时间、排放位置和排放量的数据的数据格式不符合预设格式，向所述目标用户端发送报警信息。
18.在一些实施例中，所述确定表征污染物的类型、排放时间、排放位置和排放量的数据的数据格式是否符合预设格式，包括：
19.将表征污染物的类型、排放时间、排放位置和排放量的数据与配置信息中排放源的类型、排放时间、排放位置和排放量的数据进行对比，确定表征污染物的类型、排放时间、排放位置和排放量的数据的数据格式是否符合预设格式。
20.在一些实施例中，所述单污染物监控模型通过以下方式获得：
21.以预设数量的排放源信息为训练样本集，对所述训练样本集中的训练样本进行标注，标注出所述训练样本的对应的在不同时刻在不同区域污染物的分布状况；
22.将所述训练样本集中的训练样本输入到预先建立的神经网络模型，对所述训练样本集中的训练样本进行学习，输出训练样本对应的在不同时刻在不同区域污染物的分布状况，当输出的训练样本对应的在不同时刻在不同区域污染物的分布状况与标注的训练样本对应的在不同时刻在不同区域污染物的分布状况的差异度大于预设阈值时，对神经网络模型的卷积层的参数进行修正；
23.重复上述过程，直到输出的训练样本中对应的在不同时刻在不同区域污染物的分布状况与标注的训练样本对应的在不同时刻在不同区域污染物的分布状况的差异度小于预设阈值。
24.在一些实施例中，所述混合污染物监控模型通过以下方式获得：
25.以预设数量的带有外部条件信息的混合分布信息为训练样本集，对所述训练样本集中的训练样本进行标注，标注出所述训练样本的对应的在不同时刻在不同区域的污染物的混合分布状况；
26.将所述训练样本集中的训练样本输入到预先建立的神经网络模型，对所述训练样本集中的训练样本进行学习，输出训练样本对应的在不同时刻在不同区域的污染物的混合分布状况，当输出的训练样本对应的在不同时刻在不同区域的污染物的混合分布状况与标注的训练样本对应的在不同时刻在不同区域污染物的混合分布状况的差异度大于预设阈值时，对神经网络模型的卷积层的参数进行修正；
27.重复上述过程，直到输出的训练样本中对应的在不同时刻在不同区域污染物的混合分布状况与标注的训练样本对应的在不同时刻在不同区域污染物的混合分布状况的差异度小于预设阈值。
28.在一些实施例中，还包括：
29.构建三维空间坐标系，将所述二级监控结果包括的多种污染物在不同时刻在不同区域的分布状况映射到所述三维空间坐标系中，以多种污染物的综合指数在水平方向和竖直方向将所述三维空间坐标系划分为多个不规则立体图的叠加。
30.在本公开的第二方面，提供了一种基于排放源的空气质量监控装置，包括：
31.排放源信息获取模块，用于获取目标用户端发送的当前排放源信息；
32.放源信息解析模块，用于对所述当前排放源信息进行解析，确定污染物的类型、排放时间、排放位置和排放量；
33.单污染物监控模块，用于将对应的污染物输入预先训练的单污染物监控模型，生成对应的一级监控结果，所述一级监控结果包括单污染物在不同时刻在不同区域的分布状况；
34.混合污染物监控模块，用于将多个所述的一级监控结果输入预先训练的混合污染物监控模型，生成二级监控结果，所述二级监控结果包括多种污染物在不同时刻在不同区域的分布状况；
35.报警模块，用于响应于所述二级监控结果中存在污染物浓度超过预设阈值的区域，向所述目标用户端发送报警信息。
36.在本公开的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
37.在本公开的第四方面，提供了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以上所述的方法。
38.通过本公开的基于排放源的空气质量监控方法，能够根据气象条件对污染物浓度的影响，以及污染物之间的相互作用对污染物浓度进行监控，从而实现全面准确的监控污染物浓度。
39.应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
40.结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
41.图1示出了本公开实施例一的基于排放源的空气质量监控方法的流程图；
42.图2示出了本公开实施例二的基于排放源的空气质量监控方法的流程图；
43.图3示出了本公开实施例三的基于排放源的空气质量监控装置的结构示意图；
44.图4示出了本公开实施例四的基于排放源的空气质量监控设备的结构示意图。
具体实施方式
45.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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全部其他实施例，都属于本公开保护的范围。
46.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
47.本公开实施例的基于排放源的空气质量监控方法，能够根据单一污染物的排放时间和排放位置以及排放量确定对应的污染物随着时间的分布状态的变化，进而根据污染物之间的相互作用以及污染物在外部条件(例如气候或者地形因素)的作用下的分布状态的变化，从而实现全面准确的监控污染物浓度。具体地，如图1所示，为本公开实施例一的基于排放源的空气质量监控方法的流程图。从图1中可以看出，本实施例的基于排放源的空气质量监控方法，可以包括以下步骤：
48.s101：获取目标用户端发送的当前排放源信息。
49.本公开实施例的方法可以应用于污染物排放监管平台，当被监管方需要排放污染物时，可以通过目标用户端(即被监管方的用户端)将需要排放的污染物的信息(即排放源信息)发送至监管平台，排放源信息中包括一种或多种污染物的信息。
50.s102：对所述当前排放源信息进行解析，确定排放源排放的污染物的类型、排放时间、排放位置和排放量。
51.监管平台在接收到目标用户端发送的排放源信息后，可以对所述当前排放源信息进行解析，例如，可以利用python的第三方库调用datatime、subprocess、os和sys对所述当前排放源信息进行解析，确定所述当前排放源信息中的文件数量、文件大小和文件内容，进而确定污染物的类型、排放时间、排放位置和排放量。其中，污染物的类型例如可以是二氧化硫、二氧化氮、pm2.5、pm10、臭氧等，排放时间例如可以是各类型的污染物的排放起始时间点和排放终止时间点，或者也可以是排放起始时间点和排放时长，排放位置例如可以是排放污染物的经纬度，而排放量可以是对应污染物的计量单位的数量，例如体积、重量等。
52.s103：将对应的污染物信息输入预先训练的单污染物监控模型，生成对应的一级监控结果，所述一级监控结果包括单污染物在不同时刻在不同区域的浓度分布状况。
53.在本实施例中，当确定排放源排放的污染物的类型、排放时间、排放位置和排放量后，可以利用预先训练的单污染物监控模型对当前排放源信息中的单一污染物的扩散情况进行预测，确定排放源排放的单一污染物随着时间的在不同区域的浓度变化，例如排放源排放的pm2.5随时间扩散后在不同区域的不同浓度。当排放源排放的污染物包括多种类型时，可以利用单污染物监控模型根据排放源信息中对应污染物的信息对对应的污染物的扩散状况进行预测。
54.本实施例的单污染物监控模型为神经网络模型，该模型通过以下方式训练得到：
55.以预设数量的排放源信息为训练样本集，对所述训练样本集中的训练样本进行标注，标注出所述训练样本的对应的在不同时刻在不同区域污染物的分布状况。其中，标注的是排放源信息中单一污染物在不同时刻在不同区域的分布状况。
56.将所述训练样本集中的训练样本输入到预先建立的神经网络模型，对所述训练样本集中的训练样本进行学习，输出训练样本对应的在不同时刻在不同区域污染物的分布状况，当输出的训练样本对应的在不同时刻在不同区域污染物的分布状况与标注的训练样本对应的在不同时刻在不同区域污染物的分布状况的差异度大于预设阈值时，对神经网络模
型的卷积层的参数进行修正；
57.重复上述过程，直到输出的训练样本中对应的在不同时刻在不同区域污染物的分布状况与标注的训练样本对应的在不同时刻在不同区域污染物的分布状况的差异度小于预设阈值，从而完成对单污染物监控模型的训练。
58.s104：将多个所述的一级监控结果和外部条件信息输入预先训练的混合污染物监控模型，生成二级监控结果，所述二级监控结果包括多种污染物在不同时刻在不同区域的浓度分布状况。
59.在本实施例中，当生成排放源信息中各单一污染物对应在不同时刻在不同区域的分布状况后，可以将各单一污染物对应在不同时刻在不同区域的分布状况以及对应区域的外部条件信息输入到预先训练的混合污染物监控模型，利用混合污染物监控模型得到多种污染物在外部条件的影响以及污染物之间相互作用的情况下，在不同时刻在不同区域的浓度分布状况。
60.本实施例中的外部条件信息可以包括温度、风向、风速、湿度以及天气阴晴状况等，这些外部条件会对污染物的扩散产生影响，同时，污染物之间也会相互影响，例如二氧化氮和臭氧由于会产生化学反应而降低各自的浓度，风向和风速会影响污染物的扩散速度等。本实施例中的二级监控结果包括多种污染物在不同时刻在不同区域的浓度分布状况，例如同一水平区域内不同竖直高度范围内的不同污染物的分布状况。
61.本实施中的混合污染物监控模型可以通过以下方式训练得到：
62.以预设数量的带有外部条件信息的混合分布信息为训练样本集，对所述训练样本集中的训练样本进行标注，标注出所述训练样本的对应的在不同时刻在不同区域的污染物的混合分布状况。
63.将所述训练样本集中的训练样本输入到预先建立的神经网络模型，对所述训练样本集中的训练样本进行学习，输出训练样本对应的在不同时刻在不同区域的污染物的混合分布状况，当输出的训练样本对应的在不同时刻在不同区域的污染物的混合分布状况与标注的训练样本对应的在不同时刻在不同区域污染物的混合分布状况的差异度大于预设阈值时，对神经网络模型的卷积层的参数进行修正。
64.重复上述过程，直到输出的训练样本中对应的在不同时刻在不同区域污染物的混合分布状况与标注的训练样本对应的在不同时刻在不同区域污染物的混合分布状况的差异度小于预设阈值。
65.s105：响应于所述二级监控结果中存在污染物浓度超过预设阈值的区域，向所述目标用户端发送报警信息。
66.在本实施例中，当所述二级监控结果中存在污染物浓度超过预设阈值的区域，则向目标用户端发送报警信息。
67.本公开实施例的基于排放源的空气质量监控方法，能够根据气象条件对污染物浓度的影响，以及污染物之间的相互作用对污染物浓度进行监控，从而实现全面准确的监控污染物浓度。
68.如图2所示，为本公开实施例二的基于排放源的空气质量监控方法的流程图。本实施的基于排放源的空气质量监控方法，可以包括以下步骤：
69.s201：获取目标用户端发送的当前排放源信息。
70.s202：对所述当前排放源信息进行解析，确定排放源排放的污染物的类型、排放时间、排放位置和排放量。
71.s203：确定表征污染物的类型、排放时间、排放位置和排放量的数据的数据格式是否符合预设格式。
72.在本实施例中，在对当前排放源信息进行解析，确定排放源排放的污染物的类型、排放时间、排放位置和排放量后，可以获取所述当前排放源信息对应的配置信息，根据所述配置信息确定表征污染物的类型、排放时间、排放位置和排放量的数据的数据格式是否符合预设格式，具体地，可以将表征污染物的类型、排放时间、排放位置和排放量的数据与配置信息中排放源的类型、排放时间、排放位置和排放量的数据进行对比，确定表征污染物的类型、排放时间、排放位置和排放量的数据的数据格式是否符合预设格式。
73.s204：响应于表征污染物的类型、排放时间、排放位置和排放量的数据的数据格式不符合预设格式，向所述目标用户端发送报警信息。
74.s205：将对应的污染物信息输入预先训练的单污染物监控模型，生成对应的一级监控结果，所述一级监控结果包括单污染物在不同时刻在不同区域的浓度分布状况。
75.s206:将多个所述的一级监控结果和外部条件信息输入预先训练的混合污染物监控模型，生成二级监控结果，所述二级监控结果包括多种污染物在不同时刻在不同区域的浓度分布状况。
76.s207:构建三维空间坐标系，将所述二级监控结果包括的多种污染物在不同时刻在不同区域的分布状况映射到所述三维空间坐标系中，以多种污染物的综合指数在水平方向和竖直方向将所述三维空间坐标系划分为多个不规则立体图的叠加。
77.在本实施例中，为了直观的显示所述二级监控结果，可以在生成二级结果之前或者之后，构建三维空间坐标系，并将所述二级监控结果包括的多种污染物在不同时刻在不同区域的分布状况映射到所述三维空间坐标系中，以多种污染物的综合指数在水平方向和竖直方向将所述三维空间坐标系划分为多个不规则立体图的叠加，即通过三维空间坐标系表现出二级监控结果中多种污染物在不同时刻的分布区域。
78.s208：响应于所述二级监控结果中存在污染物浓度超过预设阈值的区域，向所述目标用户端发送报警信息。
79.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应所述知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应所述知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
80.以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
81.如图3所示，为本公开实施例三的基于排放源的空气质量监控装置的结构示意图，本实施例的基于排放源的空气质量监控装置，包括：
82.排放源信息获取模块301，用于获取目标用户端发送的当前排放源信息。
83.排放源信息解析模块302，用于对所述当前排放源信息进行解析，确定污染物的类型、排放时间、排放位置和排放量。
84.单污染物监控模块303，用于将对应的污染物输入预先训练的单污染物监控模型，生成对应的一级监控结果，所述一级监控结果包括单污染物在不同时刻在不同区域的分布状况。
85.混合污染物监控模块304，用于将多个所述的一级监控结果输入预先训练的混合污染物监控模型，生成二级监控结果，所述二级监控结果包括多种污染物在不同时刻在不同区域的分布状况。
86.报警模块305，用于响应于所述二级监控结果中存在污染物浓度超过预设阈值的区域，向所述目标用户端发送报警信息。
87.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
88.图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。如图所示，设备400包括处理单元(cpu)401，其可以根据存储在只读存储器(rom)402中的计算机程序指令或者从存储单元408加载到随机访问存储器(ram)403中的计算机程序指令，来执行各种适当的动作和处理。在ram 403中，还可以存储设备400操作所需的各种程序和数据。cpu 401、rom 402以及ram 403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
89.设备400中的多个部件连接至i/o接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
90.处理单元401执行上文所描述的各个方法和处理，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由rom 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到ram 403并由cpu 401执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，cpu 401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法。
91.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)等等。
92.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
93.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计
算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
94.此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
95.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。