智能监测空气网格化

合集下载

ZWINAQMS06微型环境空气质量监测站产品说明书

用户须知非常感谢您选择天津智易时代科技发展有限公司的微型环境空气监测仪。

在使用ZWIN-AQMS06微型环境空气质量监测仪之前，请仔细阅读本手册，本手册涵盖仪器使用的各项重要信息及数据，用户必须严格遵守其规定，方可保证仪器的正常运行。

本手册为受过专门培训或具有仪器操作控制相关知识（例如自动化技术）的技术人员提供了正确使用参考。

本手册同时适用于本公司其它型号微型环境空气监测仪器，由于各种原因，该手册不能对每一产品型号都进行细节性的描述，若用户需要进一步了解相关信息。

或解决本手册涉及尚浅的问题，请与天津智易时代科技发展有限公司售后服务部联系，并要求帮助解决。

word欢迎下载（注：不同设备的配置內容以订购合同为准，本手册仅提供参考）word欢迎下载目录1.产品概述 (2)2.气体监测单元 (5)3.颗粒物监测单元 (7)4.气象监测单元 (8)5.噪声监测单元 (11)6.设备内部结构示意图 (12)设备安装示意 (12)7.设备操作说明 (15)8.设备维护 (17)word欢迎下载9.故障处理 (17)word欢迎下载1.产品概述1.1产品简介ZWIN-AQMS06微型环境空气质量监测站是我公司推出的一款用于提供室外空气污染物实时、准确检测经济型产品。

这款产品的名称为ZWIN-AQMS06，其成本比基于分析仪构建的传统型参考站低3~5倍。

与市面上便宜的备选产品相比，ZWIN-AQMS06可以给网格化平台提供强大的数据基础，而且能根据现场进行校，确保其具有最佳的可追溯性。

word欢迎下载用户可根据自身需求对ZWIN-AQMS6所测量的参数自定义。

可选项包括：标准污染物臭氧（O3）、二氧化氮（NO2）、氮氧化物（NOx）、一氧化碳（CO）、二氧化硫（SO2）、颗粒物（PM10、PM2.5）；其它一些特别关注的污染物：挥发性有机化合物（VOC）、硫化氢（H2S）、二氧化碳（CO2）；以及噪声、温度、湿度、风速、风向、气压等气象参数。

标准六参数空气站微型环境空气质量监控系统

标准六参数空气站微型环境空气质量监控系统简单介绍：标准六参数空气站微型环境空气质量监控系统BYQL-AQMS微型空气站是我公司生产的新型空气质量在线多参数监测系统，在提供PM10、PM2.5、SO2、NO2、CO、O3等6项参数数据的基础上，可扩展对VOCs、氯气、硫化氢、氨气等多种特征污染物进行监测，建立大气环境数据监测与分析系统，可以提高对大气污染监测数据的处理和管理能力，为环境规划和环境评价提供决策依据。

标准六参数空气站微型环境空气质量监控系统企业化工业园区，城市环境监测，市政环境监测，移动环境监测，交通污染环境监测居民区/学校/医院空气质量环境监测，公园/森林环境监测。

详情介绍：标准六参数空气站微型环境空气质量监控系统产品概述BYQL-AQMS微型空气站可实现区域空气质量的在线自动监测，能全天候、连续、自动地监测环境空气中的SO2、NO2、O3、CO、PM2.5、PM10和TVOC的污染浓度指数，利用物联网技术迅速、准确的收集、处理监测数据，能及时、准确地反映区域环境空气质量状况及变化规律，主要污染源分析，源头追溯，为环保部门的环境决策、环境管理、污染防治提供详实的数据资料和科学依据。

Word文档 1标准六参数空气站微型环境空气质量监控系统产品特点（1）具有云端自动在线校准功能，自动修正传感器漂移及环境干扰，无需现场人工校准；（2）采用百叶堆设计，适用于各种气象条件，保证空气流通无死角，内外无温差；（3）可以同时监测气体参数和可吸入颗粒物，并在数据平台上显示出监测值；（4）无工具拆卸，方便点位迁移与设备维护；（5）采用进口高灵敏度的传感器，响应时间快，分辨率高，线性好，检测下线可达ppb级；（6）气体7项指标任选、还有气体象五参数、噪音等参数可灵活订制；（7）品质好，价格低，适合网格化，批量化推广；（8）应用单片机技术和网络通讯技术相结合，采用数据存储功能，不仅可提供方便的数据查询；（9）方式：还可以通过USB接口将数据转存至计算机，利用配套的上位机软件自动计算日平均值、月均值、污染指数、生成各种图形数据标，并进行打印；（10）采用机内锂电池供电与外接太阳能供电，解决布线接电等问题；（11）性能稳定、精度高、操作方便、易于维护具有断电保护功能；标准六参数空气站微型环境空气质量监控系统工作原理Word文档 2（1）采用32位高速处理核心芯片；（2）集成GPRS通信技术，实时监测大气环境数据，实时传输数据，实时监控设备运行状态；（3）实现多参数自动监测，防干扰技术设计；（4）精度高，性能可靠，适用于户外和工业环境；（5）实现各类参数采集，自动上传网络平台，自动发布数据；（6）体积小，模块化设计，网格化灵活布局；（7）集成温度补偿技术，长久自动校准技术；（8）采用全球定位系统，实时跟踪设备；Word文档 3。

关于网格化服务管理工作特色亮点【十五篇】

关于网格化服务管理工作特色亮点【十五篇】1. 网格化服务管理工作在传统的基层管理模式中具有突破性的特色。

通过将服务对象划分为不同的网格，实现对人口、资源、环境等要素的精细化管理，提高服务效率和质量。

2. 网格化服务管理工作注重基层治理的全面性和综合性。

通过建立网格化的工作体系，各部门、各层级之间能够更好地协调合作，形成一盘棋的管理格局。

3. 网格化服务管理工作强调精细化的管理。

通过对每个网格的人口、户籍、流动人口等信息的全面分析和了解，能够有针对性地制定对应的服务计划和政策，提高服务的有效性和针对性。

4. 网格化服务管理工作注重信息化的支撑。

通过建立信息化管理平台，实现对每个网格内的居民信息、社区资源的实时监控和管理，能够更好地支持工作的开展。

5. 网格化服务管理工作具有强大的科技支持。

利用人工智能、大数据等技术手段，能够对服务对象进行精准化分析和预测，为决策者提供决策依据，提高管理工作的科学性和准确性。

6. 网格化服务管理工作具有突出的社会效益。

通过精细化的管理和服务，能够更好地解决居民生活中的困难和问题，提高居民满意度和幸福感。

7. 网格化服务管理工作注重多元化的参与。

通过广泛征求居民的意见和建议，实现居民参与管理的目标，提高居民的自治意识和参与意识。

8. 网格化服务管理工作强调案件办理的及时性和便利性。

通过建立在线工单系统和服务热线，能够及时接收居民的诉求和问题，并迅速派出工作人员进行处理。

9. 网格化服务管理工作注重创新的思维和方式。

通过引入新的管理理念和方法，实现管理工作的全面提升。

10. 网格化服务管理工作注重团队的建设和合作。

通过建立跨部门、跨层级的工作团队，能够更好地解决问题和提供服务。

11. 网格化服务管理工作提倡精细化的服务。

通过细致入微的工作计划和服务方案，能够更好地满足居民的个性化需求。

12. 网格化服务管理工作强调垂直管理与横向联动的结合。

通过建立上下级之间的工作协调机制，能够更好地实现多部门、多层级之间的沟通和合作。

VOC在线监测解决方案

VOC在线监测解决方案一．项目背景：日趋严重的VOCs污染，不仅影响环境空气质量，也会对人体健康造成直接的伤害。

圣凯安基于我国VOCs监测的环保法规要求，依托多年来的系统设计能力和项目管理能力，构建了满足国内环保要求的VOC在线监测系统整体解决方案。

方案可提高各区域污染源准确定位能力，同时快速直观的分析出污染源周边的相关信息，通过整合各类地理信息资源和环境保护业务资源，建立统一的环境信息资源数据库，将空间数据与动态监测数据、动态监管数据、政策法规数据等业务数据进行无缝衔接。

为管理者提供直观、高效、便捷的管理手段，提高环保业务管理能力，综合管理与分析的决策能力。

同时根据业务应用的不同，对数据进行横向的层次划分，通过应用人员层次的不同，对数据进行纵向的层次划分，明晰信息的脉络，方便数据的管理。

二．产品介绍原理介绍：气体预处理检测系统采用进口电化学及光学传感器对污染源进行检测，当污染源气体经过真空杯抽气采样经过预处理系统后传送到传感器通气口，传感器会立马与气体发生反应，产生微量的电信号传送到设备上面，经过算法处理后换算成气体浓度值。

设备构成：取样单元：由电加热取样探头、电加热取样管线和反吹系统等组成；预处理单元：由精细过滤器、蠕动泵、采样泵、储水罐和流量计等组成；分析单元：采用PID光离子气体检测报警仪，精度高、可靠性好、维修成本低；传输单元：将当地环保局端口地址位置写进DTU模块程序，然后用GPRS的传输方式进行传输。

、该系统可实时统计各区域、各监测点的设备数据，实现对VOCs 排放区域整体监控，污染物扩散趋势推算，排放源解析等功能，同时结合物联网、智能采集系统、地理信息系统、动态图表系统等先进技术，整合、共享、开发、建立全面化、精细化、信息化、智能化的区域在线监测平台，实现对控制污染源无组织排放，减少大气污染等综合管理，为制定节能减排方案提供可靠的数据信息和科学的辅助管理决策。

系统主要由数据采集与感知层、通信网络传输层、智慧层、云平台应用层四层构成，如下图所示：1. 数据采集层采集烟气参数数据、汇总所有的气体浓度信息和工作状态信息同时生成报表、存储数据、记录历史数据，实现对系统监控组网、网络通信协议、网络接口服务、网络平台管理、监控数据远程实时采集等软件的集成。

基于GCN-LSTM的空气质量预测

基于GCN-LSTM 的空气质量预测①祁柏林2, 郭昆鹏1,2, 杨　彬3, 杜毅明3, 刘　闽3, 王继娜41(中国科学院大学, 北京 100049)2(中国科学院沈阳计算技术研究所, 沈阳 110168)3(辽宁省沈阳生态环境监测中心, 沈阳 110000)4(辽宁省先进装备制造业基地建设工程中心, 沈阳 110001)通讯作者: 郭昆鹏摘　要: 随着我国环境监测技术的不断发展, 环境空气质量的网格化监测体系越来越受到相关工作人员的青睐, 为应对空气污染的网格化监测体系中的小型、微型监测站的空气质量预测问题, 本文提出了一种基于GCN 和LSTM 的空气质量预测模型. 首先利用GCN 网络提取网格化监测体系中的小微型监测站之间的空间特征, 然后再使用LSTM 提取时间特征, 最后使用线性回归层来综合时空特征并产生空气质量的预测结果. 为了验证本文提出的预测模型的性能, 我们使用了沈阳市浑南区的14个小微型监测站的空气质量监测数据进行实验. 实验结果显示, 基于GCN-LSTM 的空气质量预测模型在空间关联较强的网格化监测中的小微型监测站上的预测结果的精度要优于单一的LSTM 预测模型.关键词: 网格化监测; GCN; LSTM; 空气质量预测; 微型监测站引用格式: 祁柏林,郭昆鹏,杨彬,杜毅明,刘闽,王继娜.基于GCN-LSTM 的空气质量预测.计算机系统应用,2021,30(3):208–213. /1003-3254/7815.htmlAir Quality Prediction Based on GCN-LSTMQI Bo-Lin 2, GUO Kun-Peng 1,2, YANG Bin 3, DU Yi-Ming 3, LIU Min 3, WANG Ji-Na 41(University of Chinese Academy of Sciences, Beijing 100049, China)2(Shenyang Institute of Computing Technology, Chinese Academy of Sciences, Shenyang 110168, China)3(Shenyang Ecological Environment Monitoring Center, Liaoning Province, Shenyang 110000, China)4(Liaoning Advanced Equipment Manufacturing Base Construction Engineering Center, Shenyang 110001, China)Abstract : With the development of environmental monitoring technology in China, the grid monitoring system of ambient air quality has received more attention from environmental workers. In order to solve the air quality prediction of small and miniature monitoring stations in the grid monitoring system of air pollution, we propose an air quality prediction model based on GCN and LSTM. First, GCN is applied to extract the spatial features between the small and miniature monitoring stations in the grid monitoring system. Then, LSTM is employed to extract the relevant temporal features. Finally, the linear regression layer is used to integrate the spatial and temporal features and get the prediction results of air quality. Furthermore, experiments are carried out on the air quality monitoring data from 14 small and miniature monitoring stations in Hunnan District, Shenyang, verifying the prediction effect of the proposed model. The experimental results show that the air quality prediction model based on GCN-LSTM is more accurate than the LSTM prediction model in terms of the prediction results on the small and miniature monitoring stations in the grid monitoring with strong spatial association.Key words : grid monitoring; GCN; LSTM; air quality prediction; micro monitoring station计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: Computer Systems & Applications,2021,30(3):208−213 [doi: 10.15888/ki.csa.007815] ©中国科学院软件研究所版权所有.Tel: +86-10-62661041① 基金项目: 辽宁省“兴辽英才计划”(XLYC1808004)Foundation item: Talent Program of Revitalizing Liaoning, Liaoning Province (XLYC1808004)收稿时间: 2020-07-17; 修改时间: 2020-08-13; 采用时间: 2020-08-17; csa 在线出版时间: 2021-03-032081 引言近年来随着科学技术的不断发展, 各种传感器, 电子元器件的体积进一步减小, 精度进一步提高, 而这些传感器和电子技术的快速发展又进一步推动环境监测从区域化粗粒度监测向更细粒度的区域网格化监测发展. 同时网格化监测手段与大数据技术的有机结合, 又使得环境监测部门可以获得更多尺度、更加详细的空气污染信息, 通过分析这些空气污染数据不但可以迅速的发现污染源头, 快速治理, 还可以对网格化监测区域内未来的空气污染状况进行预测, 因此挖掘空气污染数据的潜在信息对于推动我国生态文明建设, 改善空气质量污染状况, 提升人民生活的幸福度具有一定的意义.长期以来, 空气质量的预测一直是国内外空气污染监测与治理相关领域的研究热点之一. 按照研究手段分类, 空气质量预测可以分为统计预测、数值预测和以机器学习为代表的人工智能算法预测这3种方案[1], 其中统计预测是指通过分析空气中污染物的变化规律来进行预测, 常用的模型有灰度模型和回归模型.但是单一的灰度模型或者回归模型又各自存在一些缺陷, 有的学者提出了将基于残差修正的灰度模型[2]应用到空气质量预测的工作上面, 有效的提高了灰度模型的预测精度. 也有学者将多元线性回归模型应用到空气质量分析中, 都取得了一定的成果[3].有关于空气质量的数值预测是指以大气运动规律为基础, 综合空气中污染物之间可能发生的物理和化学变化, 利用数学的方法建立起污染物在空气中扩散模型来预测未来一段时间内污染物浓度的变化, 其中主流的模型有CQMA, NAQPMS, CAMs等. 虽然数值预报在空气质量预测方面有着不可取代的作用, 但是由于数值预报本身的不确定性, 所以可能会导致单一的数值预报模式的预测精准度存在问题, 所以来自浙江理工大学的谢磊提出了一种综合多种数值预报模式的空气质量的预测方法, 在一定程度上提高了空气质量的数值预测的精度[4].近年来随着人工智能学科的快速发展, 已经有越来越多的人将有关于机器学习, 神经网络等方面的相关知识应用到空气中污染物预测和空气质量预测方面.有学者将支持向量机的方法与空气质量的预测相结合,提出了基于改进萤火虫寻优支持向量机的预测模型(IFA-SVM), 该模型改进了以往使用的萤火虫算法-支持向量机(FA-SVM)在训练模型时收敛速度慢和参数震荡等问题[5]. 有国外学者将ANN应用到空气质量预测方面并取得了较高质量的预测效果[6], 也有学者将BP神经网络应用到空气中污染物浓度的预测工作方面, 并且使用K近邻算法(KNN)来优化传统BP神经网络方法不能体现历史时间窗内的数据对当前预测影响的问题[7]. 还有学者将能够高效的提取连续时间特征的长短期记忆神经网络(Long Short-Term Memory, LSTM)应用到空气中污染物的浓度预测方面. 来自西安电子科技大学的张晗提出了一种基于LSTM的空气污染物预测模型, 可以有效的提取有关空气污染物浓度的历史数据之间的时间特征从而获得一个准确率较高的预测数据[8]. 还有学者将经济因素的影响添加到空气质量的预测中, 并取得一定的成果[9].当前对于空气中污染物浓度预测的相关研究大多是以可以产生大量, 多元监测数据的大中型监测站为研究对象, 而以网格化监测中小微型监测站作为研究对象的研究较少. 同时, 由大中型监测站所产生的空气质量数据与网格化监测中小, 微型监测站所产生的空气质量数据在数据种类, 特征维度方面都有一定的区别, 比如说部分网格化监测中的小微型监测站所产生的监测数据并不包括当前时刻的温度, 湿度, 风向,气压等信息, 而且网格化监测中的小微型监测站所产生的监测数据之间除了具备天然的时间关联, 还由于小微型监测站之间的影响关系而具备空间关联. 所以在预测网格化监测中小微型监测站的空气中污染物浓度相关问题上使用以往常用的线性回归算法或者LSTM算法都会使预测结果由于温湿度等信息的缺失和空间特征的忽略而产生一定的误差.因此为了有效的提取网格化监测中小微型监测站之间的空间关联特征和空气污染物数据之间天然的时间关联特征, 本文将能够有效且快速的提取非欧结构中的空间特征的图卷积神经网络(Graph Convolutional Network, GCN)与可以有效提取时序数据之间的时间特征的长短期记忆神经网络(LSTM)相结合, 提出了一种可以应用于网格化监测中空气质量预测的GCN-LSTM模型. 然后本文结合了沈阳市浑南区的14个小微型监测站的PM2.5数据对本文提出的方法进行验证.2 基于GCN-LSTM的空气质量预测模型空气质量网格化监测中的各个小微型监测站的空间分布属于非欧式结构, 也就是说网格化监测中的每2021 年第 30 卷第 3 期计算机系统应用209个小微型监测站周围的邻接监测站的个数和监测站之间距离是不确定的, 所以对网格化监测所产生的监测数据使用传统的卷积神经网络(Convolutional Neural Networks, CNN)并不能有效的提取数据之间的空间信息. 因此需要使用GCN 来提取数据之间的空间特征,并且使用LSTM 来处理数据之间的时间特征, 最后再使用线性回归层来综合时空特征来产生比较准确, 有效的预测信息.2.1 图卷积神经网络概述图卷积神经网络(GCN)是一种以图数据为研究对象的卷积神经网络, 由Bruna 等在2013年首次提出[10].图卷积神经网络的出现为一些非欧的图数据的处理提供了新的思路, 比如GCN 可以应用到社交网络分析,推荐系统, 交通流量预测等[11].G =(V ,E ,A )GCN 的本质目的就是利用图卷积来提取非欧结构的图数据的空间特征, 根据文献[12]中提出的理论,对于图, 输入信号X 和输出信号Y , 图卷积神经网络采取的处理方式f 定义为:V ={v i }N i =1A ∈R N ×N A i j v i v j 其中, V 表示图中的节点个数, 而E 表示的边的集合, A 是图的邻接矩阵, , 矩阵A 中的元素表示图G 中节点和之间的连接关系. 图卷积的前向传播公式为:˜A=A +I ˜D ˜D ii =∑j˜Ai j H l ∈R N ×D H 0=X σ(·)W l 式中, , I 是大小为N×N 的单位矩阵; 为对角矩阵, ; 表示第l 层的输出值, 其中; 表示激活函数; 表示第l 层的参数值.2.2 长短期记忆神经网络概述LSTM 网络是循环神经网络(Recurrent Neural Network, RNN)的一种变种[13], 是由Hochreiter 和Schmidhuber 为解决RNN 中的长期依赖问题在1997年首次提出. 由图1 RNN 的示意图及其展开图可以看出,虽然每个RNN 单元都会将自身提取的信息传递给下一个单元, 但是当传递链的长度增加到一定程度的时候会出现信息丢失, 也就是上文提到的长期依赖的问题, 这也就促使了LSTM 的出现与流行.图1 RNN 示意图及展开通过图2 LSTM 的细胞结构示意图可以看出, LSTM 采用了3种门控机制来解决传统RNN 中的长期依赖问题.图2 LSTM 细胞结构图C t LSTM 的3种门控单元分别为: 遗忘门f , 输入门i 和输出门o . 其中遗忘门用来控制当前细胞状态要丢弃哪些信息, 遗忘门的状态更新公式为:x t C t 输入门控制了当前网络的输入会有多少保留到单元状态中, 输入门的状态更新规则为:输出门控制了当前细胞状态能输出多少信息. 输出门的状态更新规则为:σ˜Ct W f ,W i ,W o ,W c bf ,b i ,b o ,b c 式中, 表示Sigmoid 函数, 会根据输入产生[0,1]之间的向量; 表示的是候选细胞信息; 表示的是LSTM 细胞状态更新过程中的权重系数矩阵;表示状态更新过程中的偏置矩阵.2.3 GCN-LSTM 模型[X t −s ,···,X t −1]X t 网格化监测中的小微型监测站的空气质量预测问题可以描述为: 通过小微型监测站时长为s 的历史时刻数据和各个监测站之间的空间关系A 来预测下一个时刻t 的空气质量, 即:X t 式中, 表示t 时刻网格化监测体系中各个小微型监测站的空气中污染物的预测浓度; A 表示不同小微型站之间的空间影响关系即邻接矩阵; F 为处理方式, 在本计算机系统应用2021 年第 30 卷第 3 期210文中F表示GCN-LSTM模型.GCN-LSTM模型由图卷积神经网络和长短期记忆单元两部分组成, 如图3所示. 本次研究将长度为s 的历史时间序列数据输入模型, 利用双层GCN结构解析网格化监测中小微型监测站的拓扑结构, 提取空间特征; 然后将具备空间特征的时间序列数据输入LSTM 中学习时间特征, 最后通过一个线性回归层得到预测数据, GCN-LSTM模型具体的训练流程如图4所示.图3 GCN-LSTM模型总览图4 基于GCN-LSTM的PM2.5预测流程首先将收集到的原始数据进行数据预处理和数据集划分, 然后将训练集和验证集组成的训练数据输入到如图3结构所示的GCN-LSTM模型中对模型进行训练; 最后将测试数据输入到训练完成的模型中观察模型的预测精度是否达到预期, 如果没有达到预期则调整模型GCN和LSTM中的隐层节点数然后再次训练直到得出达到预期精度的模型.3 实验结果与分析3.1 数据说明与预处理本文使用的数据样本集为沈阳市浑南区14个小微型监测站的2020年1月到5月之间的PM2.5浓度值, 数据采样的时间间隔是1小时, 每天可以获取336个样本数据.部分原始数据如图5所示, 在图5中横轴代表的是PM2.5原始数据的组数, 纵轴代表的是PM2.5原始数据的浓度值. 从图上可以看出部分原始数据存在缺失和失真的情况. 因此在使用此数据集进行模型训练和验证之前需要对原始数据进行数据预处理, 补充缺失数据和清洗掉异常数据.05001000组15002000图5 南屏东路PM2.5原始数据本文对于数据集中的缺失数据和异常数据采取的是如式(10)所示一元线性插值的方式进行数据补充和清洗, 同时采用式(11)对原始数据进行归一化使原始数据都映射到[0,1]之间.x a+i x ax a+jj i i 式中, 为插值产生的补充数据, 为距离缺失数据最近的之前时刻的数据, 为距离缺失数据最近的之后时刻的缺失数据, 表示缺失数据的个数, 表示第个需要补充的缺失数据.x i x ix max x min式中, 为原始PM2.5数据; 为归一化后的PM2.5数据;为原始数据中的最大值; 为原始数据中的最小值.2021 年第 30 卷第 3 期计算机系统应用2113.2 实验环境实验所用的硬件配置为: Intel(R) Core(TM)i5-5200U ******** GHz, 8 GB 内存; 实验所用的软件环境为: Windows10 (64位)操作系统, Python3.7,PyTorch1.5.0.3.3 评价指标本次研究的目的是预测网格化监测中的小微型监测站的空气质量和空气中污染物浓度的变化趋势, 所以为了能够更好的衡量预测的效果, 本文采用了2个评价指标: 绝对平均误差(Mean Absolute Error, MAE ),均方根误差(Root Mean Squared Error, RMSE ), 来分析预测结果和真实测量值之间的偏差. 一般来说当预测值与真实值之间的偏差越小MAE 和RMSE 的值也就越小, 也就是说MAE 和RMSE 的值越小, 模型的预测效果越好.y iy i 式中, 为真实的PM 2.5浓度的测量值; 为PM 2.5浓度的预测值.3.4 预测结果分析本次研究将数据集以7:1:2的比例划分训练集, 验证集和测试集, 并且使用长短期记忆神经网络作为对比模型, 模型的训练过程如算法1所示.算法1. 模型搭建与训练s A ∈R N ×N C ∈R N ×M 输入: 时间序列长度, 小微型监测站所构成的图的邻接矩阵,PM 2.5的浓度表示, 模型选择标志flag输出: 训练好的模型1. 对邻接矩阵A 添加自连接, 并对自连接后的邻接矩阵进行对称归一化处理.2. 对PM 2.5的浓度数据C 进行归一化并且构建数据集D.m <M3. for doX m ←[x 1m ,x 2m ,···x N m]4. m ←m +15. 6. end[X t −s ···X t ]∈C 7. for do D ←{X =[X t −s ···X t −1],Y =X t }8. t ←t +19. 10. end11. 按照7:1:2划分数据集D 得到训练集train, 验证集valid 和测试集test 12. if flag == LSTM do13. 使用PyTorch 搭建一个隐层节点数分别为80, 108和36的3层LSTM 网络.14. else if flag == GCN-LSTM do15. 搭建如图3所示的GCN-LSTM 模型.16. end if 17. repeat18. 从train 中随机选取batch 为64的数据输入模型进行训练.19. 以MSE 作为loss, 使用Adam 算法以1e–4为学习率更新权重.20. until 满足停止条件.21. 返回训练完成的模型.实验中分别采用LSTM 和GCN-LSTM 两种模型使用14个小微型监测站过去12个小时的PM 2.5数据来预测未来1小时的PM 2.5浓度, 预测结果对比如表1所示.表1 不同模型的预测效果对比站点LSTM GCN-LSTM MAE RMSE MAE RMSE 浑南中路8.4112.538.2912.14新才街7.9110.877.0010.11仓储街9.3612.769.0212.47新秀街9.7213.898.2711.92第二热源厂7.8211.758.0311.60安姆大厦9.1313.637.9111.95前榆村10.8714.819.3412.63南屏东路12.4317.9511.5317.53南堤东路8.9113.088.4512.98银卡东路10.3116.069.6615.05全运路7.159.93 6.299.33白塔河二路8.4612.207.7111.28学城路8.5512.878.6012.81苏王线东段9.6313.948.2212.11平均值9.1913.3058.4512.42从表1中两种模型的对比可以看出, 本文所提出的GCN-LSTM 模型在大多数小微型监测站中MAE 和RMSE 这两种评价指标的数值都要比使用LSTM 模型的值要小. 而且这两种评价指标都是越小就代表模型的预测值与实际的测量值之间的偏差越小, 也就是说在网格化监测中小微型监测站的PM 2.5的预测问题上, 本文提出的模型的预测效果要优于以往研究中所使用的LSTM 模型.图6和图7分别为实验中预测效果最好的监测站点全运路监测点和预测效果最差的南屏东路监测点的部分预测结果. 图6和图7中的横轴代表第几组测试数据, 纵轴代表PM 2.5的浓度值, pre 代表有GCN-LSTM 模型产生的PM 2.5浓度的预测值, real 代表当前监测站的实际的PM 2.5的监测值. 从图上的预测曲线与实际测计算机系统应用2021 年第 30 卷第 3 期212量值的曲线的拟合程度来看, 无论是全运路监测点还是南屏东路监测点, 预测曲线的变化趋势都大致与实际的测量值的曲线的变化趋势相同. 这都说明了GCN-LSTM模型可以有效的预测网格化监测中的小微型监测站的PM2.5的变化趋势, 为我国环境监测和治理提供一定的参考.PreReal025*******组125150175200图6 全运路监测点预测结果PreReal025*******组125150175200图7 南屏东路监测点预测结果4 结论与展望针对时空关联性高的网格化监测中的小微型监测站的空气质量预测问题, 本文提出了一种基于GCN-LSTM的空气质量预测方法. 尝试通过使用GCN算法从监测站的拓扑图中提取有效的空间特征, 并采用LSTM来学习以往空气中污染物浓度数据中的时间特征, 最后采用一个线性回归层来整合特征并产生预测结果, 进而提高网格化监测中小微型监测站空气质量预测的精度. 实验结果表明本文的GCN-LSTM算法在网格化监测中的小微型监测站空气质量的预测问题上要比LSTM算法表现更优. 未来, 将对GCN-LSTM模型结构进一步优化, 研究更有效的缺失数据和异常数据的处理方法, 从而提高模型的整体预测效果和精度.参考文献李勇, 白云, 李川. 大气污染物SO2预测模型研究综述. 四川环境, 2016, 35(1): 144–148. [doi: 10.3969/j.issn.1001-3644.2016.01.027]1张炳彩. 基于残差修正GM(1,1)模型的银川市空气质量预测分析. 绿色科技, 2019, (12): 118–122. [doi: 10.3969/j.issn.1674-9944.2019.12.046]2张玉丽, 何玉, 朱家明. 基于多元线性回归模型PM2.5预测问题的研究. 安徽科技学院学报, 2016, 30(3): 92–97. [doi:10.3969/j.issn.1673-8772.2016.03.019]3谢磊. 基于集合预报的空气质量预报预警系统设计[硕士学位论文]. 杭州: 浙江理工大学, 2019.4范文婷, 王晓. 基于改进萤火虫寻优支持向量机的PM2.5预测. 计算机系统应用, 2019, 28(1): 134–139. [doi: 10.15888/ ki.csa.006718]5Agarwal S, Sharma S, Suresh R, et al. Air quality forecasting using artificial neural networks with real time dynamic error correction in highly polluted regions. Science of the Total Environment, 2020, 735: 139454. [doi: 10.1016/j.scitotenv.2020.139454]6赵文怡, 夏丽莎, 高广阔, 等. 基于加权KNN-BP神经网络的PM2.5浓度预测模型研究. 环境工程技术学报, 2019, 9(1): 14–18. [doi: 10.3969/j.issn.1674-991X.2019.01.003]7张晗. 基于LSTM神经网络空气污染监测预报系统的研究与实现[硕士学位论文]. 西安: 西安电子科技大学, 2019. 8Shi KH, Wu LF. Forecasting air quality considering the socio-economic development in Xingtai. Sustainable Cities and Society, 2020, 61: 102337. [doi: 10.1016/j.scs.2020.102337]9Bruna J, Zaremba W, Szlam A, et al. Spectral networks and locally connected networks on graphs. arXiv preprint arXiv: 1312.6203, 2013.10徐冰冰, 岑科廷, 黄俊杰, 等. 图卷积神经网络综述. 计算机学报, 2020, 43(5): 755–780. [doi: 10.11897/SP.J.1016.2020.00755]11Kipf TN, Welling M. Semi-supervised classification with graph convolutional networks. arXiv preprint arXiv: 1609.02907, 2016.12Wang SH, Zhuo QZ, Yan H, et al. A network traffic prediction method based on LSTM. ZTE Communications, 2019, 17(2): 19–25.132021 年第 30 卷第 3 期计算机系统应用213。

汪太明-环境空气质量监测政策解读-20180717

2012年2月发布，2016年1月实施规定了环境空气质量功能区划分、标准分级、污染物项目、取值时间及浓度限值，采样与分析方法及数据统计的有效性规定是开展监测工作的基础
规定了常规六参数规定大气环境管理的对象 PM1属于试点监测，VOC和组分监测为PM2.5和O3服务
一、环境空气监测网络四、（三）点位和站房
城市空气区域空气背景空气
338个地级以上城市 1436个监测站 96个区域站 15个背景站
SO2、NO2、PM10、CO、O3、PM2.5、PM1、能见度、气象五参数、酸沉降温室气体、黑碳、颗粒物成分、粒子数浓度、VOCs等
降雨量、pH、EC、SO42-、NO3-、F-、Cl-、NH4+、 Ca2+、Mg2+、Na+、K+九项离子监测项目：TSP和PM10 选测项目：能见度、风速、风向和大气压
一、环境空气监测网络三、（三）总站层面关于国家环境空气质量监测网城市站运行管理有关事项的通知
严格履行运维、审核和质控要求
运维单位负责国控站环境空气质量监测数据生产、数据审核和质量管理技术人员，将取消上岗证，列入黑名单运维单位，将依次给予相关运维单位核查整改、扣减运维经费、约谈、通报警告直至取消合同，向社会公布违法失信信息运维单位不得以任何理由或方式推销公司（或代理公司）的环境空气质量监测仪器设备，一经发现查实，总站将取消其运维资格
国际通行
从室内到室外，从地面到平流层总站是ISO TC 146的对口单位
一、环境空气监测网络一、（二）意义
是人们了解环境空气质量的途径是国家制定政策的依据
“一个中心，两个基本点” 监测数据是环境监测的生命线作为我们监测人员要紧紧抓住，质量核心

基于“天地空”一体化监测与综合管控的“智慧环保”项目

Innovation World Weekly | 87基于“天地空”一体化监测与综合管控的“智慧环保”项目报送单位：中节能天融科技有限公司创造人：刘　旭　张海东　张佳新主创人：张　栩　王国辉［摘　要］近年来，汾阳市环境空气质量问题一直困扰着汾阳市政府和当地环保局，为解决环境污染问题，提升环境质量，拜访中国节能集团，寻求环境改善方法并寻求合作，集团派遣相关公司进行回访，中节能天融科技有限公司作为节能集团唯一一家以环境监测与大数据为核心业务的公司，在深入交流后，与汾阳市政府签署了战略合作协议，就汾阳市环境质量改善问题进行深入合作。

汾阳市智慧环保项目，针对汾阳市环境特殊性进行规划，为汾阳市解决大气、水、污染源等一系列问题，项目采用政府购买服务的模式，由中节能天融科技有限公司全权负责项目的建设、运维以及后期的数据分析服务和环境监管服务等。

为深入推进习近平总书记在2019年全国两会上强调，“要打好污染防治攻坚战，探索以生态优先、绿色发展为导向的高质量发展新路子。

”要求坚持新发展理念，坚持全民共治、源头防治、标本兼治，强化区域联防联控，统筹兼顾、系统谋划、精准施策，坚决打赢蓝天保卫战，实现环境效益、经济效益和社会效益多赢。

汾阳市人民政府为响应国家号召，实施“智慧环保”项目，全面推进汾阳市环境改善，大幅减少主要大气污染物排放总量，明显减少重污染天数，改善环境空气质量，增强人民的蓝天幸福感。

二、基本原则坚持绿色发展、环境优先。

坚持节约资源和保护环境的基本国策，坚持可持续发展战略，坚持“绿水青山就是金山银山”，牢固树立保护生态环境就是保护生产力、改善生态环境就是发展生产力的理念，将生态文明建设贯穿于经济社会发展的各方面和全过程，培育引进新能源、新材料等新兴产业，加快传统产业绿色改造和高碳资源低碳发展、黑色煤炭绿色发展，坚持生态保护和经济建设并重，致力形成绿色低碳生产和生活方式，加强环境治理，建设美丽汾阳。

环境保护网格化管理实施方案

环境保护网格化管理实施方案•相关推荐环境保护网格化管理实施方案（通用5篇）为了确保事情或工作有序有效开展，常常需要提前制定一份优秀的方案，方案是解决一个问题或者一项工程，一个课题的详细过程。

那么什么样的方案才是好的呢？以下是小编整理的环境保护网格化管理实施方案（通用5篇），供大家参考借鉴，希望可以帮助到有需要的朋友。

环境保护网格化管理实施方案1一、活动背景现如今,环保意识越来越深入人心,越来越多的人关注环保、认识环保、如何使环境保护从意识形态发展到实际行动,使员工在日常生活中能够自觉的保护环境和节约能源,是我们举办这次活动的中心思想。

二、活动目的1.通过发放宣传资料,张贴宣传标语,大力普及环保知识,提高职工的环保意识,培养职工关注社会发展的责任感,热爱社会公益事业的品质。

2.学习掌握世界性及中国的环保日名称、口号、由来、时间等知识,了解保护环境随手可做的身边事。

3.在宣传教育别人的同时,不断提高自己的环保意识水平和知识水平,让我们彼此教育,负起环保责任,全面提高环境与发展意识,树立正确的环境价值观和环境道德风尚,从身边点滴做起。

三、活动时间：20xx年x月四、活动地点：待定五、活动准备1.学习掌握世界性及中国的环保日名称、口号、由来、时间等知识;2.环保知识宣传资料若干份;3.环保宣传广告牌六、活动内容：1.由总经理室、总务课共同发出通告,呼吁全厂员工保护环境、节约能源,增强员工环保意识,并做好全厂5S工作。

2.总室请购或制作环保宣传标语,发给各单位,由各单位张贴3.各单位主管召开环保宣传会议,倡导本课员工保护环境、节约能源,并做好课内5S工作。

4.各单位在自己管辖区域设置环保留言板5.组织环保宣传小组开展知识问答比赛和交流实际生活中的小窍门。

6.倡导环保型的生活和工作方式7.发放环保知识宣传资料,节约水电,自学维护生活环境,废旧电池回收,垃圾分类放置;8.请参加活动的主管和职工在环保留言板上留言,记录下自己的环保心得体会;七：活动总结呼吁全厂员工将环保工作进行到底并长期维持。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

精品文档你我共享
腹有诗书气自华
智能监测空气网格化
用于物联网农业水肥，畜牧养殖，追溯系统，大气网格化监测,环境空气颗粒物工地道
路扬尘监测系统,科学治霾；利用大数据监测，能够实现实时客户场地（农业，工地）的状
况，来更好的进行监测维护，提高产品的质量。

感知层：采集环境信息，通过低功耗传感技术和视频远程监测系统对农作物生长环境进
行数据采集及环境控制。
网络层
：把感知层获得的数据提交到应用层的应用系统和数据中心。双向通讯，同时

满足控制中心对现场设备的控制功能。
应用层：通过平台软件进行数据管理，实时讲现场信息反馈到管理人员。
该系统可同时应用于温室种植、大田种植、畜牧业养殖、水产养殖、林业等方面。
精品文档你我共享
腹有诗书气自华

农业物联网监控系统可以帮助客户单独操作，实时监测，实时远程获取温室大棚内部的
空气温湿度、土壤水分温度、二氧化碳浓度、光照强度及视频图像、通过模型分析，自动控
制温室湿帘风机、喷淋灌溉、内外遮阳、顶窗侧窗、加温补光等设备。同时，系统还可以通
过手机、计算机等信息终端向管理者发送实时监测信息、报警信息，以实现温室大棚智能化
远成管理，充分发挥物联网技术在设施农业生产中的作用，保证温室大棚内环境最适宜作物
生长，实现精细化的管理，为作物的高产、优质、高效、生态、安全创造条件，帮助客户提
高效率、降低成本、增加收益。

精品文档你我共享
腹有诗书气自华

智慧物联网云平台

定位某农场实时观察
精品文档你我共享

腹有诗书气自华

预警控制系统
：（时刻提醒农主作物生长灌溉情况）

十大平台特点：（可定制对接功能）
1、农业物联网：对全省物联网应用点进行集中展示和统一管控，实时掌握物联网的建设情
况。
2、生态循环：对全省农业环境监控点进行不间断的进行实时监控、可视化管理和集中展示，
掌握生态环境情况，实现异常预警。
3、农业产业化：整合并分析全省各特色和优势产业的分布、经营主体数量、全产业链年产
值等产业数据，反映我省农业现代化整体水平。
4、种植业管理：对我省主导产业的种植总面积、总产量、产业分布、市场行情、经营主体
等整体发展状况和植物保护情况进行全方位分析和展示。
精品文档你我共享
腹有诗书气自华

5、质量安全：将农业生产主体、农资经营主体和“三品一标”农产品|纳入监管，实现
农产品的正向监管和逆向溯源。
6、农村经营：整合全省农村基层组织、人口、收益、负债、土地流转、专业合作社数据，
直观地展示农村的过去、现状和趋势。
7、农业机械管理：整合农机相关业务和数据，为农机调度和决策管理提供科学依据。
8、畜牧业管理：整合全省畜牧生产、流通、屠宰加工和无害化处理等业务系统，实现畜
牧业的资源整合、数据共享和业务协同。
9、应急预警：采用物联网技术，实时了解灾害或疫情发生情况和影响范围，实现灾变预
警和应急处置。
10、农技推广：通过公共服务中心、科技示范基地、农技专家等数据，反映我省农技推
广体系建设情况。

出师表
精品文档你我共享
腹有诗书气自华
两汉：诸葛亮
先帝创业未半而中道崩殂，今天下三分，益州疲弊，此诚危急存亡之秋也。然侍卫之臣
不懈于内，忠志之士忘身于外者，盖追先帝之殊遇，欲报之于陛下也。诚宜开张圣听，以光
先帝遗德，恢弘志士之气，不宜妄自菲薄，引喻失义，以塞忠谏之路也。

宫中府中，俱为一体；陟罚臧否，不宜异同。若有作奸犯科及为忠善者，宜付有司论其
刑赏，以昭陛下平明之理；不宜偏私，使内外异法也。

侍中、侍郎郭攸之、费祎、董允等，此皆良实，志虑忠纯，是以先帝简拔以遗陛下：愚
以为宫中之事，事无大小，悉以咨之，然后施行，必能裨补阙漏，有所广益。

将军向宠，性行淑均，晓畅军事，试用于昔日，先帝称之曰“能”，是以众议举宠为督：
愚以为营中之事，悉以咨之，必能使行阵和睦，优劣得所。

亲贤臣，远小人，此先汉所以兴隆也；亲小人，远贤臣，此后汉所以倾颓也。先帝在时，
每与臣论此事，未尝不叹息痛恨于桓、灵也。侍中、尚书、长史、参军，此悉贞良死节之臣，
愿陛下亲之、信之，则汉室之隆，可计日而待也。

臣本布衣，躬耕于南阳，苟全性命于乱世，不求闻达于诸侯。先帝不以臣卑鄙，猥自枉
屈，三顾臣于草庐之中，咨臣以当世之事，由是感激，遂许先帝以驱驰。后值倾覆，受任于
败军之际，奉命于危难之间，尔来二十有一年矣。

先帝知臣谨慎，故临崩寄臣以大事也。受命以来，夙夜忧叹，恐托付不效，以伤先帝之
明；故五月渡泸，深入不毛。今南方已定，兵甲已足，当奖率三军，北定中原，庶竭驽钝，
攘除奸凶，兴复汉室，还于旧都。此臣所以报先帝而忠陛下之职分也。至于斟酌损益，进尽
忠言，则攸之、祎、允之任也。

愿陛下托臣以讨贼兴复之效，不效，则治臣之罪，以告先帝之灵。若无兴德之言，则责
攸之、祎、允等之慢，以彰其咎；陛下亦宜自谋，以咨诹善道，察纳雅言，深追先帝遗诏。
臣不胜受恩感激。

今当远离，临表涕零，不知所言。