CN106651036A

CN106651036A - 空气质量预报系统

Info

Publication number: CN106651036A
Application number: CN201611216042.4A
Authority: CN
Inventors: 任斌
Original assignee: Dongguan University of Technology
Current assignee: Dongguan University of Technology
Priority date: 2016-12-26
Filing date: 2016-12-26
Publication date: 2017-05-10

Abstract

本申请提供一种空气质量预报系统，包括：环境质量检测传感器，配置在污染源处，用于采集空气监测数据，并将所采集的空气监测数据传输至云计算数据处理平台；云计算数据处理平台，用于：接收所述空气监测数据；采用基于资源分配神经网络和光滑支持向量回归机的空气质量预测模型，对被监测区域的空气质量进行预测，获得各监测站点的空气质量预测数据，并将空气质量预测数据推送给关联的智能终端；根据污染源的空气监测数据和各监测站点的空气质量预测数据，利用高斯点源扩散模型计算污染源的监测数据与监测站点的空气质量预测数据之间的相关性，并进行可视化展示。

Description

空气质量预报系统

技术领域

本申请涉及环境质量监测技术领域，尤其涉及空气质量预报系统。

背景技术

随着工业化的不断发展，环境污染也日趋严重，空气中的细颗粒物（PM2.5）浓度越来越高，全国多个城市雾霾频发，公众对于空气质量的关注度不断提升，而目前许多城市的环境空气监测中心站点较少，加之信息化水平不够发达，难以满足公众详细了解空气质量状况的需求。大量增加空气监测站点部署、广泛开展空气质量监测的重要性日益突出，而一套传统的空气质量监测仪器的价格非常昂贵，建设更多的环境监测站点需要巨大的资金投入，成本太高。

空气质量预测领域中常用的有统计预报方法，根据常年监测数据，建立统计预报模型，模型简单，业务运行方便，但缺乏坚实的物理基础；另有一基于大气物理学和物质输运模型的数值预报模型，虽然物理基础坚实，预报结果全面，但模式所需要的边界、初始条件不易给出，预报结果精度不很高。

发明内容

为克服相关技术中存在的问题，本申请提供了一种空气质量预报系统。

根据本申请实施例的第一方面，提供一种空气质量预报系统，包括：

环境质量检测传感器，配置在污染源处，用于采集空气监测数据，并将所采集的空气监测数据传输至云计算数据处理平台；

云计算数据处理平台，用于：

接收所述空气监测数据；

采用基于资源分配神经网络和光滑支持向量回归机的空气质量预测模型，对被监测区域的空气质量进行预测，获得各监测站点的空气质量预测数据，并将空气质量预测数据推送给关联的智能终端；

根据污染源的空气监测数据和各监测站点的空气质量预测数据，利用高斯点源扩散模型计算污染源的空气监测数据与监测站点的空气质量预测数据之间的相关性，并进行可视化展示。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请提出一个基于资源分配网络的神经网络和光滑向量回归机预测模型，利用RAN神经网络的距离准则和误差准则，进行隐层节点的动态生成和参数调节，生成能满足误差要求的最小神经网络结构，避免了网络中隐含节点个数和初始网络参数难以选取的缺点；采用光滑的支持向量回归机取代传统的支持向量回归机，可以实现高效高性能的质量建模与控制，比传统算法更精确、效率更高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请根据一示例性实施例示出的一种空气质量预报系统的结构框图。

图2是本申请根据一示例性实施例示出的一种资源分配网络的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

如图1所示，是本申请根据一示例性实施例示出的一种空气质量预报系统的结构框图，包括环境质量检测传感器、云计算数据处理平台和智能终端。

其中，环境质量检测传感器，配置在污染源处，用于采集空气监测数据，并将所采集的空气监测数据传输至云计算数据处理平台。

云计算数据处理平台，用于：

接收所述空气监测数据。

采用基于资源分配神经网络和光滑支持向量回归机的空气质量预测模型，对被监测区域的空气质量进行预测，获得各监测站点的空气质量预测数据，并将空气质量预测数据推送给关联的智能终端。

根据污染源的空气监测数据和各监测站点的空气质量预测数据，利用高斯点源扩散模型计算污染源的监测数据与监测站点的空气质量预测数据之间的相关性，并进行可视化展示。

本申请实施例提出并设计了基于物联网和云计算的城市空气质量预报和危害预警系统。云平台能够满足实时访问空气质量的预报和危害预警数据。具有实时推送性、预报预警性、准确性等特点，通过发送给智能终端，可以使用户通过智能手机等终端方便地浏览和访问数据及形象的数据变化图。

本实施例提出一个基于资源分配网络的神经网络和光滑向量回归机预测模型，利用RAN 神经网络的距离准则和误差准则，进行隐层节点的动态生成和参数调节，生成能满足误差要求的最小神经网络结构，避免了网络中隐含节点个数和初始网络参数难以选取的缺点；采用光滑的支持向量回归机取代传统的支持向量回归机，可以实现高效高性能的质量建模与控制，比传统算法更精确、效率更高。

本实施例基于高斯点源扩散模式，建立城市空气污染源排放监测数据与城市空气质量监测数据的相关性矩阵，可实现在给定气象条件下的城市区域内任意选定污染源排放监测数据对各环境质量监测站点的污染物浓度值贡献率，并对两者的相关性可进行可视化分析。

本申请实施例采用人工神经网络进行城市或区域的空气质量预测，可以不必使用显式的方程来确定模型而是依据输入的数据创建模型。借助神经网络的非线性问题处埋能力和容噪能力，根据不同的实际情况，构建特定情况下的人工神经网络预测模型，在实验和训练的基础上，改进网络结构，弥补传统算法的不足之处，提高网络的泛化能力。可以为环境管理工作提供一些新的思路方法，同时也可以为充分利用环境信息管理系统中的海量数据提供决策依据，寻找一种切实可行的方法。

城市空气质量监测和预报数据是一种具有时间和空间特性的数据，能够在一定程度上反映出空气质量变化的规律。由于建立数量众多的环境空气质量监测点位需要投入的费用成本很高，对大范围区域的空气污染物浓度值进行完全准确的监测目前尚不可行，因此，利用插值理论和方法对区域内各监测点位的监测数据和预报数据的插值来获得全区域内的空气污染物浓度的分布状况就变得可行，通过插值得到的区域内各空间点位的空气质量(污染物浓度值)数据也可以作为评估该区域内大气环境质量的一个重要依据。

空气污染扩散的研究己经与气象学、大气化学等学科密切结合形成了一门新的学科:空气污染气象学。从上世纪50 年代开始，空气污染气象学逐渐形成体系，出现了箱模型，高斯模型、拉格朗日模型、欧拉模型、稠密气体模型等五类模型。最早高斯模型能够预测局部小尺度的扩散，随后以高斯模型为基础研究得到了针对其他地形和天气条件的修正模型，虽然到目前为止高斯模型仍然是大部分实用模型的基础，但是因为它是基于污染浓度符合高斯分布的假设，模拟的精度和适用的条件都难以应付大尺度复杂气象条件下空气质量的预报。随着计算机的发展，对大气污染扩散模型的研究发展主要以数值求解来进行。大气污染扩散可以用一套基于流体力学的数学方程来描述，由于计算机能力的提高，可以直接采用各种数值求解的方法来计算，求解的核心问题是大气湍流扩散作用。数值求解模型精度高，能够适应各种复杂的气象条件，但是计算量巨大，目前主要在高性能计算机上运行，需要相当长的计算时间。

本申请利用对高架连续点源高斯扩散模式进行模拟，计算在不同的气象条件下，区域内环境空气质量监测点处污染物浓度值，分析空气污染源与空气质量监测点之间的相关性，并对这种相关性进行可视化展示，直观的表征区域内不同污染源对不同空气质量监测点的相互影响，具有很好的效果。

综上所述，开展基于云计算的智能检测系统研究、基于人工神经网络环境空气质量预测模型的研究、海量环境空气质量监测数据的可视化分析、城市空气污染源排放数据与城市空气质量监测数据之间相关性的研究，对于正确描述和表征一个城市或指定区域内的环境空气质量状况、污染源的扩散状况、污染源与环境监测点之间的数据相关性方面就具有重要的理论与实践意义。这不仅在论证人类活动如何影响环境空气质量这个理论问题上有着重要意义，而且对城市环境管理、污染控制、环境规划、城市建设、交通规划及公共卫生事业均有重要的实际应用价值。

本申请在污染源处和各监测站点配置环境质量检测传感器，可以监测大气中的主要污染因子，如PM2.5，NO₂，SO₂，NH₃以及硫化氢气体等污染物浓度值。传感器可以通过GPRS进行无线数据传输，在有公网IP 的服务器上进行数据接收和初步的处理，最后传输至云计算数据处理平台。

在实际应用中，可以利用无线传感器节点实时采集空气质量监测数据，用无线发射装置把实时数据用无线传送的方式发射到主机上。针对城市空气质量的复杂环境，可以配置数据采集单元负责将被监控参数的物理量信息通过AD 转换，转换为数字量，并在合适的时候发送到接入点（例如中转服务器）。接入点通过发送同步时钟信息和制作发送时间表控制各个数据采集单元的接入，避免出现数据接收的冲突导致接收失败。通过实时监测监控，获取了大量环境空气质量和重点空气污染源排放的基础数据和实时动态监测数据，同时接入点在接收信息的同时不断地将接收到的信息进行简单的处理，并送到云平台中心的数据库中，由云平台上进行显示。

接下来对云计算数据处理平台的具体功能进行描述。

1）基于人工神经网络和光滑支持向量回归机预测模型的构建

构建一以污染源处的空气监测数据为输入，区域内的各监测站点的空气质量预测数据为输出的人工神经网络和光滑支持向量回归机预测模型。空气质量预测模型中，通过资源分配网络以及多项式光滑支持向量回归机模型训练得到。

该模型为基于资源分配网络(RAN Resource Allocation Network)的神经网络和多项式光滑支持向量回归机（PSSVR Polynomial Smooth Support Vector Regression）预测模型，利用RAN 神经网络的距离准则和误差准则，进行隐层节点的动态生成和参数调节，生成能满足误差要求的最小神经网络结构，避免了网络中隐含节点个数和初始网络参数难以选取的缺点，利用多项式光滑支持向量机的多项式函数减少训练和预测的复杂度，改善预测的准确度，这个模型，比经典的BP 神经网络有更快的网络的训练速度和更高的预测精度。

资源分配网络(Resource Allocating Network，RAN)是基于径向基函数(RadicalBasis Function，RBF)的单隐层前向神经网络，资源分配网络的网络结构包括输入层、隐含层和输出层。其思想是采用径向基函数作为隐含层神经元节点的“基”，构成隐含层；将输入层矢量直接映射(不需要权值连接)到隐层；隐含层到输出层的为线性映射。RAN 神经网络可实现在线训练，通过判断新颖性条件来动态增加隐节点，确定或调节径向基函数的数据中心，扩展常数，输出权值等网络参数，生成能满足误差要求的最小神经网络结构，具有全局逼近特性和较好的泛化能力，有效避免BP 神经网络网络结构(隐节点个数)和初始网络参数难以选取、训练易陷入局部最小等缺点，其网络结构如图2所示。

图2中，i ₁至i _n为输入数据，隐含层C ₁至C _m为神经元节点，r ₁ （I）至r _m（I）为局部映射输出，w ₁至w _m为连接权值，为输出内部阈值，y为输出数据。

所述隐含层中的神经元节点的激励函数采用径向基函数，采用高斯函数，对于第J个神经元节点，其局部映射输出通过下式表示：

。

所述空气质量预测模型的输入数据为所述空气监测数据，所述空气质量预测模型的输出数据为空气质量预测数据，所述空气质量预测模型的输出数据通过下式计算得到：

2）资源分配网络的学习算法

RAN 神经网络在训练开始时并无隐层节点，其是在训练过程通过神经元节点分配策略和参数调节策略来动态生成隐层结合和调节网络结构的相关参数；所述神经元节点分配策略通过检查训练样本对集，判断是否满足新颖性条件来动态分配一个神经元节点，参数调节策略通过调节网络参数而提高网络精度。

训练样本对集为，其中为训练样本对集中第i 个输入样本，为对应的输出样本，N为训练样本对数目。RAN 算法遍历样本对集中的每一个样本对，当满足新颖性条件时，即为网络增加一个隐节点；否则进行网络参数调节。

对当前输入样本，求或与当前隐层中已有的隐节点数据中心的距离。

对于检查到的第i 个样本对，新颖性条件为:

(1)距离准则:当前样本输入距离最近的数据中心C 超过一个值。

其中，称为距离分辨率(简称距离)，t 为训练时间。

(2)误差准则：当前样本输出与神经网络的输出y 的偏差大于某一定值：

情形1:当新颖性条件(1)和(2)同时满足，则为隐层增加1 个隐节点。记新增加的隐节点编号为k，则该隐节点数据中心为。

情形2:当条件(l)和(2)有任何一个不满足时，网络不增加新的隐节点，而是通过widrow Hoff LMS 算法调节网络参数，减小网络预测输出y 与输出样本的误差。误差计算公式为：

对隐层中各隐节点与输出节点的连接权值进行如下调节：

对输出节点偏移量z 的进行如下调节：

根据梯度下降法，对数据中心进行如下调节：

。

3）光滑支持向量回归机算法

支持向量机(Support Vector Machine，SVM)是一种基于结构风险最小化准则的学习方法，推广能力明显优于一些传统学习方法, 且能得到全局唯一最优解, 在解决小样本、非线性及高维模式识别问题中有特有的优势. 已经在数字识别、人脸检测、以及数据挖掘等领域成功地应用。

采用多项式光滑支持向量回归机模型（Palynomial Smooth Support VectorRegression，PSSVR）模型做为目标函数，无约束最优化回归问题模型为：

。

其中，

关于x 具有n 阶光滑性。

当n≥2时, 具有二阶及以上光滑性，因此Newton-Armijo算法可以求解此无约束回归模型。

Newton-Armijo算法是按照Newton下降方向和Armijo一维搜索进行迭代优化。此方法的最大优点是收敛的速度比较快，而且由于算法中使用了Armijo不精确一维搜索，也就不会像经典的Newton 算法那样出现使目标函数值增大的迭代。目标函数只要是二阶及二阶以上光滑就可以使用此算法进行计算，而公式(4.67)中的这类光滑函数中除了n=1 时是一阶多项式光滑函数，其他的都能满足条件可使用Newton-Armijo 算法进行计算。采用newton-armijo算法进行迭代优化，迭代优化过程包括如下步骤：

步骤1：初始化:i=0，给定算法的初始点及精度要求>0；

步骤2：根据公式计算值，如果则返回作为结果，否则继续计算；

步骤3：计算Hessian矩阵，由求出Newton下降方向的值;

步骤4：利用Armijo一维搜索计算步长。如果，取为近似解并停止，否则继续，其中满足：

，并且，这里的;

步骤5：令，转步骤2继续执行。

4）污染源的空气监测数据与监测站点的空气质量预测数据之间的相关性及可视化

城市空气污染状况主要取决于污染物的排放情况和大气的扩散能力。在污染源相对稳定的情况下，污染物在大气中的扩散、迁移、流动和转化，与当时的气象条件密切相关，风向、风速、逆温层结、降水等气象因子对污染物的扩散起到重要作用。如当有降水出现，或有风的时候，往往有利于空气中污染物的扩散；反之当有雾或风很小时，往往容易出现空气污染加重。

本实施例通过空气污染源的污染物排放监测数据、城市空气质量监测数据和天气情况数据，利用高斯点源扩散模型计算和研究不同的空气污染源对城市中不同空间位置的空气质量监测站点的污染物浓度进行计算，研究污染源对空气质量监测点的贡献率，实现城市环境空气质量与污染源废气排放量之间相关性的可视化。

污染源处的空气监测数据和各监测站点的空气质量预测数据的相关性，是指在在指定时间内、指定区域内、气象数据条件下，区域内的污染源的数量为n、监测站点的个数为m，在n 个污染源中的第i 个污染源的排放数据与m 个监测站点中的第j个监测点的污染物浓度值之间的对应关系，形成一个n 对m 的数量关系。

各监测站点的空气质量预测数据（也即是污染物浓度值）是多种多个不同类型的污染源点共同作用的结果，通过计算得到的各监测点位的污染物浓度数据与对应监测点的真实监测数据可能具有一定的误差，这是因为各监测站点监测得到的数据是由多种不同类型的污染源在该监测站点处的浓度值之和，是由多种不同类型的污染源共同作用的结果。

高斯点源扩散的理论依据泰勒应用统计方法研究大气湍流扩散问题，以以大气湍流是平稳而均匀的假设条件下，取污染源为原点，x轴为平均风向；假定首先从原点处释放出一个粒子，经过时间T 之后，粒子离开原点的x 方向距离是x=/T，而粒子在y方向的位移则是随时间而变化，正负、大小随机变化。

高斯点源扩散模型的模型参数包括大气稳定度、烟流抬升高度和贡献率：

大气稳定度

大气稳定度是指大气某一高度的气团在垂直方向上稳定的程度，主要通过风速、云量大小与太阳辐射状况等常规的气象观察资料来确定大气稳定度等级。在确定扩散参数之前，首先要确定当前的大气情况，为此我们将大气大致分为A-F 共6 个稳定度等级。依次为不稳定、中等不稳定、弱不稳定、中性、弱稳定、中等稳定状态，根据日射、风速和夜间天空云量状况半定量地给出稳定度扩散级别。

烟流抬升高度

高斯扩散模式中需要的参数烟流抬升高度，指的是有效源高H，它包括排放源,例如烟囱的自然高度和烟流抬升高度。

贡献率

贡献率，可以确定各空气质量监测站点主要跟哪些污染源相关，以及它们的相关性大小，为污染源的排放量管理控制提供依据。该参数表示从某一污染源处排出的污染物扩散到监测站点时的浓度值占所有污染源点到该监测站点污染物浓度值的百分比，为了准确的描述他们之间的关系，本实施例把监测站点的污染物浓度值定义为使用那些纳入到监控体系中的污染源在监测站点处的浓度值之和。

本申请实施例中，将污染源处的空气监测数据和各监测站点的空气质量预测数据的相关性，并进行可视化展示，包括：

将空气监测数据和预设的气象数据作为原始数据。

根据所述原始数据，使用所述高斯点源扩散模型计算污染源扩散到监测站点处的空气质量预测数据，并且写入到数据库中。

根据用户的选择，将需要的数据根据XSI 格式写入到XML 文档中。

根据所述XML 文档，使用星形结构布局显示相关性。

以监测站点为例，查询污染源对监测站点的相关性，由于对各个监测站点来说，污染源的数量是不一定的，为了能够充分利用界面空间，使界面更加美观，对污染源点的个数进行了判断，然后根据判断结果给出不同的展示效果。

首先，假设已知污染源点的个数为80个，以此数据为基础，给出的算法不仅适用于污染源点小于等于80的情况，而且还适用于跟某监测站点有关的污染源点的数量小于等于80的情况，该数据可以满足大多数情况下的需要。

然后，使用圆形图形表示污染源点和监测站点，使用排序算法对各污染源点和监测站点进行排列，使用分层思想分别显示不同个数的污染源。

由上述实施例可知，通过在污染区域大规模部署环境质量检测传感器，通过后台云计算（数据立方）和空气质量检测预警平台，分析处理大规模的空气质量监测数据，可以做到及时的预警，最大程度降低对环境的危害。通过海量历史数据智能分析，能够检测到的污染过程和追溯污染源头，再结合视频摄像头摄录到的污染视频录像，更方便环保部门管理和整顿，做到执法有据。利用这些特征因子采集器结合最新云计算检测系统，既能够解决资金投入问题，又能满足一定的测量精度，和现有的空气环境自动监测系统形成互补，满足环保部门对环境监控的需求，并为环保行政执法提供信息化支持。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims

1.一种空气质量预报系统，其特征在于，包括：

云计算数据处理平台，用于：

接收所述空气监测数据；

2.根据权利要求1所述的方法，其特征在于，所述空气质量预测模型中，通过资源分配网络以及多项式光滑支持向量回归机模型训练得到；

其中，所述资源分配网络的网络结构包括输入层、隐含层和输出层；采用径向基函数作为隐含层神经元节点的基，构成隐含层；将输入层矢量直接映射到隐含层；隐层到输出层的映射为线性映射；

采用多项式光滑支持向量回归机模型作为目标函数，无约束最优化回归问题模型为：

。

3.根据权利要求2所述的方法，其特征在于，所述隐含层中的神经元节点的激励函数采用径向基函数，采用高斯函数，对于第J个神经元节点，其局部映射输出通过下式表示：

。

4.根据权利要求2所述的方法，其特征在于，所述空气质量预测模型的输入数据为所述空气监测数据，所述空气质量预测模型的输出数据为空气质量预测数据，所述空气质量预测模型的输出数据通过下式计算得到：

。

5.根据权利要求3所述的方法，其特征在于，所述资源分配网络在训练过程中通过神经元节点分配策略和参数调节策略来动态生成隐层结合和调节网络结构的相关参数；所述神经元节点分配策略通过检查训练样本对集，判断是否满足新颖性条件来动态分配一个神经元节点，参数调节策略通过调节网络参数而提高网络精度。

6.根据权利要求2所述的方法，其特征在于，所述多项式光滑支持向量回归机模型具有n 阶光滑性，当n≥2时具有2阶以上光滑性，采用newton-armijo算法进行迭代优化，迭代优化过程包括如下步骤：

步骤1：初始化:i=0，给定算法的初始点及精度要求>0；

步骤3：计算Hessian矩阵，由求出Newton下降方向的值;

，并且，这里的;

步骤5：令，转步骤2继续执行。

7.根据权利要求1所述的方法，其特征在于，所述利用高斯点源扩散模型计算污染源的空气监测数据与监测站点的空气质量预测数据之间的相关性，包括：

在指定时间内、指定区域内、气象数据条件下，区域内的污染源的数量为n、监测站点的个数为m，在n 个污染源中的第i 个污染源的排放数据与m 个监测站点中的第j个监测点的污染物浓度值之间的对应关系，形成一个n 对m 的数量关系；

其中，高斯点源扩散模型中，以大气湍流是平稳而均匀的假设条件下，取污染源为原点，x轴为平均风向；假定首先从原点处释放出一个粒子，经过时间T 之后，粒子离开原点的x 方向距离是x=/T，而粒子在y方向的位移则是随时间而变化，正负、大小随机变化；模型参数包括大气稳定度、烟流抬升高度和贡献率。

8.根据权利要求1所述的方法，其特征在于，所述根据污染源的空气监测数据和各监测站点的空气质量预测数据，利用高斯点源扩散模型计算污染源的监测数据与监测站点的空气质量预测数据之间的相关性，并进行可视化展示，包括：

将空气监测数据和预设的气象数据作为原始数据;

根据所述原始数据，使用所述高斯点源扩散模型计算污染源扩散到监测站点处的空气质量预测数据，并且写入到数据库中;

根据用户的选择，将需要的数据根据XSI 格式写入到XML 文档中；

根据所述XML 文档，使用星形结构布局显示相关性。