[go: up one dir, main page]

CN111340279A - 一种城市道路表面腐蚀性化学污染物累积含量的预测方法 - Google Patents

一种城市道路表面腐蚀性化学污染物累积含量的预测方法 Download PDF

Info

Publication number
CN111340279A
CN111340279A CN202010103029.8A CN202010103029A CN111340279A CN 111340279 A CN111340279 A CN 111340279A CN 202010103029 A CN202010103029 A CN 202010103029A CN 111340279 A CN111340279 A CN 111340279A
Authority
CN
China
Prior art keywords
data
corrosive
pollutants
predicting
area
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.)
Pending
Application number
CN202010103029.8A
Other languages
English (en)
Inventor
张鹏
王加余
刘雪峰
任凯旭
王鑫
张瑾
王秀旭
王立新
云洋
刘伟
孙建亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sinotruk Data Co ltd
China Automotive Technology and Research Center Co Ltd
Original Assignee
Sinotruk Data Co ltd
China Automotive Technology and Research Center Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sinotruk Data Co ltd, China Automotive Technology and Research Center Co Ltd filed Critical Sinotruk Data Co ltd
Priority to CN202010103029.8A priority Critical patent/CN111340279A/zh
Publication of CN111340279A publication Critical patent/CN111340279A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及道路表面污染物预测方法，更具体的说是一种城市道路表面腐蚀性化学污染物累积含量的预测方法，包括采集数据，采集研究区域内用于构建预测模型的多维数据；构建预测模型，设置输入数据为研究区域的多维数据，输出数据为路面腐蚀性污染物累积含量；评价和反馈调试，根据所述道路表面腐蚀性化学污染物在各研究区域的累积含量，对构建的预测模型进行可靠性评价和反馈调试；进行预测，根据可靠性评价和反馈调试后的所述预测模型，对整个城市范围内道路表面腐蚀性化学污染物的累积含量进行预测可以通过着重于腐蚀性污染物对汽车产品的腐蚀过程分析，并基于环境大气数据，对城市道路表面腐蚀性化学污染物累积含量进行预测。

Description

一种城市道路表面腐蚀性化学污染物累积含量的预测方法
技术领域
本发明涉及道路表面污染物预测方法，更具体的说是一种城市道路表面腐蚀性化学污染物累积含量的预测方法。
背景技术
大气污染物中包含硫化物、氮化物、氯化物等，通过自然沉降过程，尤其是降雨过程中能够更快速度的沉降至道路表面，这些污染物在非雨期时累积在城市路面上，在道路表面湿度较高或者降雨时，易形成腐蚀性混合介质，侵蚀建筑物和汽车产品等含金属部件的物体，形成腐蚀安全隐患。
污染物在湿度较低工况下，呈现为道路表面灰尘，在道路日常洒水作用中，呈现为饱和污染物分散体系，非雨期的累积含量可表征该期间内道路表面腐蚀污染物的最大量。在这种情况下，了解污染物累积过程对于准确解析道路表面污染物、环境大气工况对汽车产品的腐蚀有非常重要的意义。在此背景下，深入调查城市道路腐蚀污染物累积含量的时间分布，尤其是对车辆有明显腐蚀效果的氮氧化物、硫氧化物等污染物，有助于识别城市道路环境工况下汽车腐蚀的最恶劣工况，并结合空气质量数据，构建一种深入解析道路腐蚀污染物累积含量的预测方法，从而协助汽车行业相关管理部门做出有效的防腐决策。
现阶段对道路表面污染物的技术集中于路面径流对水质污染的影响，对于典型化学污染物对汽车产品的腐蚀影响尚未开展。而由于我国汽车行驶环境具有明显的差异性，各环境因子对汽车产品的腐蚀也不同，随着我国汽车保有量的增加，汽车产品的环境腐蚀问题越来越突出，因此急需开发一种有效的城市道路腐蚀分析方法。
发明内容
本发明的目的是提供一种城市道路表面腐蚀性化学污染物累积含量的预测方法，可以通过着重于腐蚀性污染物对汽车产品的腐蚀过程分析，并基于环境大气数据，对城市道路表面腐蚀性化学污染物累积含量进行预测。
本发明的目的通过以下技术方案来实现：
一种城市道路表面腐蚀性化学污染物累积含量的预测方法，包括以下步骤：
S1：采集数据，采集研究区域内用于构建预测模型的多维数据；
S2：构建预测模型，设置输入数据为研究区域的多维数据，输出数据为路面腐蚀性污染物累积含量；
S3：评价和反馈调试，根据所述道路表面腐蚀性化学污染物在各研究区域的累积含量，对构建的预测模型进行可靠性评价和反馈调试；
S4：进行预测，根据可靠性评价和反馈调试后的所述预测模型，对整个城市范围内道路表面腐蚀性化学污染物的累积含量进行预测。
作为本技术方案的进一步优化，本发明一种城市道路表面腐蚀性化学污染物累积含量的预测方法，所述步骤S1包括如下步骤：
S11：研究区域内目标数据；
S12：研究区域内影响目标数据的源数据。
作为本技术方案的进一步优化，本发明一种城市道路表面腐蚀性化学污染物累积含量的预测方法，所述研究区域内目标数据为道路表面腐蚀性污染物含量数据，研究区域内影响目标数据的源数据为研究区域内大气污染物、化学物、空气质量数据。
作为本技术方案的进一步优化，本发明一种城市道路表面腐蚀性化学污染物累积含量的预测方法，所述步骤S11包括如下步骤：
S111：影响目标数据的介质需求，以全面覆盖研究区域或大致覆盖功能区域，并小范围内定向或非定型产生介质混合物累积，优选的，介质选择降水/雪等；
S112：将所述研究区域或功能区域进行格点划分，格点内为单一或少量单一的影响目标数据的源数据，网格范围内为单一功能区。
S113：采集时间为降水期间，优选的采样时间为积水深度自降水始监测；
S114：采集研究区域内目标数据及源数据；
S115：获取所述每个样品的固体总质量和各目标数据。
作为本技术方案的进一步优化，本发明一种城市道路表面腐蚀性化学污染物累积含量的预测方法，所述单一功能区为能产生特征腐蚀性物质的区域。
作为本技术方案的进一步优化，本发明一种城市道路表面腐蚀性化学污染物累积含量的预测方法，所述步骤S12包括如下步骤：
S121：目标数据研究区域划分；
S212：研究区域数据采集影响目标数据的源。
作为本技术方案的进一步优化，本发明一种城市道路表面腐蚀性化学污染物累积含量的预测方法，所述步骤S2中通过Matlab构建所述预测模型，采用神经网络模型算法。
作为本技术方案的进一步优化，本发明一种城市道路表面腐蚀性化学污染物累积含量的预测方法，所述预测模型包括一个输入层，一个或多个隐藏层和一个输出层；所述输入层的输入参数为所述研究区域中多维数据，所述隐含层的隐藏神经元的个数为五至十个，所述输出层为研究区域的腐蚀性污染物重量。
作为本技术方案的进一步优化，本发明一种城市道路表面腐蚀性化学污染物累积含量的预测方法，所述步骤S3中，通过不同时域、不同空域的实测结果进行验证和反馈。
作为本技术方案的进一步优化，本发明一种城市道路表面腐蚀性化学污染物累积含量的预测方法，所述步骤S4中，大范围选择城市或气候范围，且预测范围内包含的功能区属性与采集数据阶段匹配，输入数据为城市其它研究区域的环境数据，输出为道路表面腐蚀性污染物含量。
本发明一种城市道路表面腐蚀性化学污染物累积含量的预测方法的有益效果为：
本发明一种城市道路表面腐蚀性化学污染物累积含量的预测方法，可以通过在降水期采集路面积水样品，分析腐蚀污染物信息，建立大气污染物与路面污染物信息关联；然后以大气环境污染物数据为基础，对其它研究区域的路面污染物浓度进行预计，进而定量分析腐蚀环境工况。
附图说明
下面结合附图和具体实施方法对本发明做进一步详细的说明。
图1是本发明的城市道路表面腐蚀性化学污染物累积含量的预测方法流程框图；
图2是本发明的数据采集流程框图；
图3是本发明的道路表面腐蚀性污染物含量流程框图；
图4是本发明的构建预测模型流程框图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
具体实施方式一：
下面结合图1-4说明本实施方式，一种城市道路表面腐蚀性化学污染物累积含量的预测方法，包括以下步骤：
S1：采集数据，采集研究区域内用于构建预测模型的多维数据；所述多维数据包括所述研究区域内的道路的腐蚀性化学污染物含量，以及道路周边空气质量数据；确定所述研究区域的样品采集区及腐蚀性化学污染物在所述样品采集区的道路表面累积含量；所述道路周边包括居住区、商业区和工业区；
S2：构建预测模型，设置输入数据为研究区域的多维数据，输出数据为路面腐蚀性污染物累积含量；
S3：评价和反馈调试，根据所述道路表面腐蚀性化学污染物在各研究区域的累积含量，对构建的预测模型进行可靠性评价和反馈调试；
S4：进行预测，根据可靠性评价和反馈调试后的所述预测模型，对整个城市范围内道路表面腐蚀性化学污染物的累积含量进行预测。
具体实施方式二：
下面结合图1-4说明本实施方式，本实施方式对实施方式一作进一步说明，所述步骤S1包括如下步骤：
S11：道路表面腐蚀性污染物含量；
S12：研究区域内空气质量数据。
具体实施方式三：
下面结合图1-4说明本实施方式，本实施方式对实施方式二作进一步说明，所述研究区域内目标数据为道路表面腐蚀性污染物含量数据，研究区域内影响目标数据的源数据为研究区域内大气污染物、化学物、空气质量数据。
具体实施方式四：
下面结合图1-4说明本实施方式，本实施方式对实施方式三作进一步说明，步骤S11包括如下步骤：
S111：影响目标数据的介质需求，以全面覆盖研究区域或大致覆盖功能区域，并小范围内定向或非定型产生介质混合物累积，优选的，介质选择降水/雪等，单场降水累积降水量不小于1.3mm，不大于2.5mm，道路表面积水面积不大于2m，不小于1m2，积水深度不小于2mm，不大于10mm；
S112：将所述研究区域或功能区域进行格点划分，格点内为单一或少量单一的影响目标数据的源数据，优选的，道路周边划分成半径为200m的方形网格，网格范围内为单一功能区；
S113：采集时间为降水期间，优选的采样时间为积水深度自降水始监测；
S114：采集研究区域内目标数据及源数据，优选的，目标数据为区域内道路表面积水试样，每个研究区域内道路表面积水区大于5个，单个积水区采集试样不少于1个，采集体积不少于5ml，采集试样总和不少于5个；优选的，源数据周期为自上一阶段介质产生至本阶段介质产生。
S115：获取所述每个样品的固体总质量和各目标数据，优选的，获取腐蚀性污染物浓度，获得所述腐蚀性化学污染物在道路表面的累积含量。
具体实施方式五：
下面结合图1-4说明本实施方式，本实施方式对实施方式作进四步说明，所述单一功能区为能产生特征腐蚀性物质的区域，如居住区、工业区、商业区等。
具体实施方式六：
下面结合图1-4说明本实施方式，本实施方式对实施方式二作进五步说明，所述步骤S12包括如下步骤：
S121：目标数据研究区域划分，将研究区域按源数据或其它影响目标数据进行划分，优选的，所在城市按照经纬度或行政区域进行划分，分别将城市划分为不少于2000个研究区域，或每个行政区不少于3个研究区域；
S212：研究区域数据采集影响目标数据的源，优选的，数据包含温度、湿度、硫化物、氮化物、CO、PM2.5、PM10、AQI等数据，数据维度优选逐小时、逐天平均值。
具体实施方式七：
下面结合图1-4说明本实施方式，本实施方式对实施方式六作进一步说明，所述步骤S2中通过Matlab构建所述预测模型，采用神经网络模型算法；Matlab全称为MatrixLaboratory，是MathWorks公司推出的用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境的商业数学软件。
具体实施方式八：
下面结合图1-4说明本实施方式，本实施方式对实施方式七作进一步说明，所述预测模型包括一个输入层，一个或多个隐藏层和一个输出层；所述输入层的输入参数为所述研究区域中多维数据，所述隐含层的隐藏神经元的个数优选五至十个，所述输出层为研究区域的腐蚀性污染物重量。
具体实施方式九：
下面结合图1-4说明本实施方式，本实施方式对实施方式八作进一步说明，所述步骤S3中，通过不同时域、不同空域的实测结果进行验证和反馈。
具体实施方式十：
下面结合图1-4说明本实施方式，本实施方式对实施方式九作进一步说明，所述步骤S4中，大范围选择城市或气候范围，且预测范围内包含的功能区属性与采集数据阶段匹配，输入数据为城市其它研究区域的环境数据，输出为道路表面腐蚀性污染物含量。
将某城市按照经纬度均分为2700个格点，采集其中30-50格点污染物数据。格点内选择道路附近的200*200㎡区域，某场降水，A格点区域内降水量为4mm。自降水起，路面呈现积水，道路两侧积水面积约2m2时，积水深度约1mm，采集积水试样并检测其组成，数据结构如下表：
A格点污染物信息数据
Figure BDA0002387503700000071
采用神经元网络模型，输入层为大气污染物数据，输出层为积水污染物信息，选择其中80％格点数据建立预测模型，选择其中20％用于调试学习，预测模型误差<10％,以此对某城市其它区域进行预测。
当然，上述说明并非对本发明的限制，本发明也不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也属于本发明的保护范围。

Claims (10)

1.一种城市道路表面腐蚀性化学污染物累积含量的预测方法，其特征在于：该方法包括以下步骤：
S1：采集数据，采集研究区域内用于构建预测模型的多维数据；
S2：构建预测模型，设置输入数据为研究区域的多维数据，输出数据为路面腐蚀性污染物累积含量；
S3：评价和反馈调试，根据所述道路表面腐蚀性化学污染物在各研究区域的累积含量，对构建的预测模型进行可靠性评价和反馈调试；
S4：进行预测，根据可靠性评价和反馈调试后的所述预测模型，对整个城市范围内道路表面腐蚀性化学污染物的累积含量进行预测。
2.根据权利要求1所述的一种城市道路表面腐蚀性化学污染物累积含量的预测方法，其特征在于：步骤S1包括如下步骤：
S11：研究区域内目标数据；
S12：研究区域内影响目标数据的源数据。
3.根据权利要求2所述的一种城市道路表面腐蚀性化学污染物累积含量的预测方法，其特征在于：所述研究区域内目标数据为道路表面腐蚀性污染物含量数据，研究区域内影响目标数据的源数据为研究区域内大气污染物、化学物、空气质量数据。
4.根据权利要求2所述的一种城市道路表面腐蚀性化学污染物累积含量的预测方法，其特征在于：步骤S11包括如下步骤：
S111：影响目标数据的介质需求，以全面覆盖研究区域或大致覆盖功能区域，并小范围内定向或非定型产生介质混合物累积；
S112：将所述研究区域或功能区域进行格点划分，格点内为单一或少量单一的影响目标数据的源数据，网格范围内为单一功能区。
S113：采集时间为降水期间，优选的采样时间为积水深度自降水始监测；
S114：采集研究区域内目标数据及源数据；
S115：获取所述每个样品的固体总质量和各目标数据。
5.根据权利要求4所述的一种城市道路表面腐蚀性化学污染物累积含量的预测方法，其特征在于：单一功能区为能产生特征腐蚀性物质的区域。
6.根据权利要求2所述的一种城市道路表面腐蚀性化学污染物累积含量的预测方法，其特征在于：步骤S12包括如下步骤：
S121：目标数据研究区域划分，将研究区域按源数据或其它影响目标数据进行划分；
S212：研究区域数据采集环境数据。
7.根据权利要求1至6任一项所述的一种城市道路表面腐蚀性化学污染物累积含量的预测方法，其特征在于：步骤S2中通过Matlab构建所述预测模型，采用神经网络模型算法。
8.根据权利要求7所述的一种城市道路表面腐蚀性化学污染物累积含量的预测方法，其特征在于：预测模型包括一个输入层，一个或多个隐藏层和一个输出层；所述输入层的输入参数为所述研究区域中多维数据，所述隐含层的隐藏神经元的个数为五至十个，所述输出层为研究区域的腐蚀性污染物重量。
9.根据权利要求1、2、3、4、5、6、8任一项所述的一种城市道路表面腐蚀性化学污染物累积含量的预测方法，其特征在于：步骤S3中，通过不同时域、不同空域的实测结果进行验证和反馈。
10.根据权利要求1、2、3、4、5、6、8任一项所述的一种城市道路表面腐蚀性化学污染物累积含量的预测方法，其特征在于：步骤S4中，大范围选择城市或气候范围，且预测范围内包含的功能区属性与采集数据阶段匹配，输入数据为城市其它研究区域的环境数据，输出为道路表面腐蚀性污染物含量。
CN202010103029.8A 2020-02-19 2020-02-19 一种城市道路表面腐蚀性化学污染物累积含量的预测方法 Pending CN111340279A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010103029.8A CN111340279A (zh) 2020-02-19 2020-02-19 一种城市道路表面腐蚀性化学污染物累积含量的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010103029.8A CN111340279A (zh) 2020-02-19 2020-02-19 一种城市道路表面腐蚀性化学污染物累积含量的预测方法

Publications (1)

Publication Number Publication Date
CN111340279A true CN111340279A (zh) 2020-06-26

Family

ID=71183514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010103029.8A Pending CN111340279A (zh) 2020-02-19 2020-02-19 一种城市道路表面腐蚀性化学污染物累积含量的预测方法

Country Status (1)

Country Link
CN (1) CN111340279A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119125521A (zh) * 2024-09-04 2024-12-13 广州航海学院 一种自适应的道路表面污染监测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5586219A (en) * 1994-09-30 1996-12-17 Yufik; Yan M. Probabilistic resource allocation system with self-adaptive capability
CN103106347A (zh) * 2013-02-27 2013-05-15 北京师范大学 一种基于土壤属性空间分布的农业面源磷污染估算方法
CN104299032A (zh) * 2014-08-25 2015-01-21 国家电网公司 一种预测变电站接地网土壤腐蚀速率的方法
CN105069486A (zh) * 2015-09-09 2015-11-18 西安石油大学 基于极限学习机的石化设备腐蚀预测方法
CN106021884A (zh) * 2016-05-12 2016-10-12 武汉理工大学 一种基于神经网络原理的潜流湿地出水浓度的预测方法
CN106779198A (zh) * 2016-12-06 2017-05-31 广州市科恩电脑有限公司 一种道路拥堵情况分析方法
CN108364090A (zh) * 2018-01-26 2018-08-03 深圳大学 一种预测城市道路表面苯系物累积负荷的方法
KR102061500B1 (ko) * 2019-10-30 2020-01-02 (주)해양정보기술 인공신경망 기반 지진해일 예측 시스템

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5586219A (en) * 1994-09-30 1996-12-17 Yufik; Yan M. Probabilistic resource allocation system with self-adaptive capability
CN103106347A (zh) * 2013-02-27 2013-05-15 北京师范大学 一种基于土壤属性空间分布的农业面源磷污染估算方法
CN104299032A (zh) * 2014-08-25 2015-01-21 国家电网公司 一种预测变电站接地网土壤腐蚀速率的方法
CN105069486A (zh) * 2015-09-09 2015-11-18 西安石油大学 基于极限学习机的石化设备腐蚀预测方法
CN106021884A (zh) * 2016-05-12 2016-10-12 武汉理工大学 一种基于神经网络原理的潜流湿地出水浓度的预测方法
CN106779198A (zh) * 2016-12-06 2017-05-31 广州市科恩电脑有限公司 一种道路拥堵情况分析方法
CN108364090A (zh) * 2018-01-26 2018-08-03 深圳大学 一种预测城市道路表面苯系物累积负荷的方法
KR102061500B1 (ko) * 2019-10-30 2020-01-02 (주)해양정보기술 인공신경망 기반 지진해일 예측 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘安等: "城市道路苯系物累积的时空分布规律解析", 《深圳大学学报(理工版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119125521A (zh) * 2024-09-04 2024-12-13 广州航海学院 一种自适应的道路表面污染监测方法及系统

Similar Documents

Publication Publication Date Title
CN110085281B (zh) 一种基于特征污染因子源解析的环境污染溯源系统及方法
Snoun et al. A comprehensive review of Gaussian atmospheric dispersion models: current usage and future perspectives
Hopke Recent developments in receptor modeling
Kleeman et al. Source contributions to the size and composition distribution of urban particulate air pollution
Lestari et al. Source apportionment of particulate matter at urban mixed site in Indonesia using PMF
Paas et al. A comparison of model performance between ENVI-met and Austal2000 for particulate matter
Solazzo et al. A novel methodology for interpreting air quality measurements from urban streets using CFD modelling
Sivacoumar et al. Line source model for vehicular pollution prediction near roadways and model evaluation through statistical analysis
CN108446715A (zh) 一种土壤重金属污染源解析方法、系统和装置
Gao et al. Prediction of vertical PM2. 5 concentrations alongside an elevated expressway by using the neural network hybrid model and generalized additive model
Oh et al. Comparison of different hybrid modeling methods to estimate intraurban NO2 concentrations
CN112434076A (zh) 土壤污染物迁移与预警模拟方法及系统
Rahman et al. Spatiotemporal analysis and forecasting of air quality in the greater Dhaka region and assessment of a novel particulate matter filtration unit
Munir et al. Vehicular emissions on main roads in Makkah, Saudi Arabia—a dispersion modelling study
CN111340279A (zh) 一种城市道路表面腐蚀性化学污染物累积含量的预测方法
Chang et al. Spatio-temporal analysis of air pollution in North China Plain
Liu et al. The coupling model of random forest and interpretable method quantifies the response relationship between PM2. 5 and influencing factors
Solihah et al. Identifying the best spatial interpolation method for estimating spatial distribution of PM2. 5 in Jakarta
Chen et al. Improving spatial prediction of health risk assessment for Hg, As, Cu, and Pb in soil based on land-use regression
CN108364090B (zh) 一种预测城市道路表面苯系物累积负荷的方法
Hu et al. Comprehensive diagnosis model of environmental impact caused by expressway vehicle emission
Naizabayeva et al. Modelling the Distribution of Atmospheric Pollutants in the Urban Environment
Borges et al. Ground-level ozone prediction using a neural network model based on meteorological variables and applied to the metropolitan area of São Paulo
Zateroglu Forecasting particulate matter concentrations by combining statistical models
Liu et al. Source apportionment of PM10 based on offline chemical speciation data at 24 European sites

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200626

RJ01 Rejection of invention patent application after publication