CN108280131A - 一种气象影响下的大气污染转变关系定量估计方法 - Google Patents
一种气象影响下的大气污染转变关系定量估计方法 Download PDFInfo
- Publication number
- CN108280131A CN108280131A CN201711406550.3A CN201711406550A CN108280131A CN 108280131 A CN108280131 A CN 108280131A CN 201711406550 A CN201711406550 A CN 201711406550A CN 108280131 A CN108280131 A CN 108280131A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- atmosphere pollution
- pollution
- factor
- data
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Abstract
本发明提供一种气象影响下的大气污染转变关系定量估计方法,该方法基于大气污染和气象条件的历史数据,通过层次化挖掘多种关键气象因素对大气污染的影响,实现不同水平大气污染转变发生可能性估计。首先建立大气污染和气象数据的基础样本库,在此基础上,确定影响大气污染的关键气象因素,进而依据关键气象因子相似判别,多层次挖掘相似样本集,最后,基于相似样本集实现对估计日不同污染变化程度的估计。通过此方法能够获得不同污染变化发生可能性概率的精细化定量结果。
Description
技术领域
本发明涉及环境大数据挖掘技术领域,具体为一种气象影响下的大气污染转变关系定量估计方法。
背景技术
大气污染主要受气象、污染源排放等因素影响,在污染源较为稳定的时期内,气象条件是影响大气污染发生变化的主要影响因素。表征气象条件的因素众多,其对大气污染变化的影响复杂多变,使得大气污染变化受气象的影响难以准确估计,给面向高污染过程的大气污染预测估计带来了挑战。目前常用的估计方法主要有基于污染扩散过程模拟的数值方法和数据驱动方法两大类。随着大气污染监测网络发展带来更多的研究数据,数据驱动方法的力量逐渐超于数值方法,主要有线性回归、非线性回归等回归拟合方法,以及神经网络、小波分析、支持向量机、贝叶斯网络等挖掘方法。其中回归拟合方法中对于气象影响关系的表征比较宏观,往往是求取气象因素与大气污染之间的相关系数,单一因子影响贡献程度等宏观结果。对多因子综合影响作用表征不准确。而智能数据驱动方法,其计算过程一般是将多种气象因子影响关系模糊化,往往难以精细解析多种气象因素综合影响大气污染的复杂关系,也使得最终估计结果不确定性较大且难以溯源。另外,目前的方法能够实现的是对未来污染状态的估计,并未实现对大气污染转变关系发生可能性估计。因此,为提高污染预测能力,需要一种能够清楚挖掘气象条件对大气污染的影响作用,实现大气污染转变关系定量估计的方法。
发明内容
本发明的目的是克服上述现有技术的缺点,提供一种气象影响下的大气污染转变关系定量估计方法,该方法基于大气污染和气象因素的历史数据,通过层次化挖掘多种关键气象因素对大气污染的影响,实现对不同水平大气污染转变发生可能性估计。
本发明是通过以下技术方案来实现的:气象影响下的大气污染转变关系定量估计方法,具体步骤如下:
1S.获取历史污染频发期的大气污染数据和气象数据,建立基础样本库。
2S.确定影响大气污染变化的关键气象因素;所述的关键气象因素为分析所有气象因子对大气污染变化的影响作用,并分别计算气象因子与大气污染变化的相关性,选择影响作用强或相关性显著的因子作为关键气象因子。
3S.基于关键气象因素,层次化挖掘相似样本集。
4S.基于相似样本集,计算污染转变发生可能性概率矩阵。
作为上述方案改进,所述的1S的具体步骤如下:
1.1S.获取大气污染频发期的基础历史数据,确定研究区域的大气污染频发期,收集过去3年以上频发期污染监测数据,以及基本气象因子监测数据,建立大气污染频发期的基础历史数据集;大气污染通常指PM2.5等颗粒物污染、臭氧污染、氮氧化物污染、一氧化碳污染;基本的气象因子包括风向、风速、气温、相对湿度、降水量、大气压、天气形势。
1.2S.建立大气污染因子和气象因子的参数状态化处理规则,对于大气污染因子,采集得到的初始监测数据通常为质量浓度数据,单位为μg/m3,对于每一个气象因子,依据相应等级划分国家标准定义各参数状态化处理规则;
如果某一气象因子无相关等级划分的国家标准,则该气象因子监测数据直接可代表参数状态化结果;如果某一气象因子存在相关等级划分的国家标准,则将气象因子等级划分标准定义为状态化处理规则。
1.3S.依据标准化处理规则,建立大气污染转变事件样本集;基于基础历史数据集,依据大气污染因子和气象因子的状态化处理规则,将大气污染因子监测数据和所有气象因子的监测数据进行标准状态化处理;以连续两日大气污染状态转变匹配后一日日期的各气象因子数据作为单位事件,建立大气污染转变事件集。
作为上述方案的改进,所述的3S的层次化挖掘相似样本集为以大气污染转变事件集作为初始事件集,通过不同关键气象因子的逐层相似性判别,获取与估计日气象条件相似的相似样本集;具体流程为:
3.1S.初始转变事件集进入第一层,根据第一层关键气象因子相似性判别,进行第一层相似事件提取,得到一级相似事件集。
3.2S.一级相似事件集进入第二层,根据第二层关键气象因子的相似性判别,进行第二层相似事件提取,得到二级相似事件集。
3.3S.顺序执行,直至完成所有关键气象因子的相似性判别,得到最终的相似事件集;其中各关键气象因子的相似性判别采用以下公式:
提取的相似事件为满足以下条件的样本;
△yi=|yi估计-yi样本|≤yiset (1)
公式中,yi估计为第i层因子在估计日的值,yi样本为第i层因子在样本中的值,△yi为第i层因子在估计日与样本数据的差值,yiset为设定的事件相似度判别阀值,其大小根据研究区域情况而定。
作为上述方案的改进,所述的4S的基于相似样本集,计算污染转变发生可能性概率矩阵P,矩阵P的含义为:在估计日这一气象条件下,不同情况的大气污染转变的发生可能性;其具体形式如以下公式:
公式(2)中,n为PM2.5污染状态的数目,由大气污染因子标准化处理规则中状态化数目决定;pij指连续两日大气污染从i状态向j状态转变的概率;
矩阵中各概率元素估计方法为以下公式:
公式(3)中,Mi为最终相似样本集中从i状态下发生的转变总数,mij为最终相似样本集中从i状态转向j状态的大气污染转变发生的个数;如果最终相似事件集中得到的Mi为0,则提取上一级相似事件集结果进行从i状态下发生的大气污染转变概率估计。
本发明具有以下有益效果:本发明方法提出在技术方案之初首先建立对大气污染和气象因子的参数状态化处理规则,有利于建立的基础样本库更为标准化;其次,建立多种关键气象因子综合影响下的相似样本事件挖掘流程,精细地解析多种气象因子对大气污染变化影响的复杂效果,实现多种气象因子影响下PM2.5污染不同变化程度的定量估计。
附图说明
图1是本发明的定量估计方法的流程图。
图2是本发明的多层次提取相似样本集并计算转变概率矩阵的流程图。
具体实施方式
实施例1
气象影响下的大气污染转变关系定量估计方法,具体步骤如下:
1S.获取历史污染频发期的大气污染数据和气象数据,建立基础样本库;其过程为:
1.1S.获取大气污染频发期的基础历史数据,确定研究区域的大气污染频发期,收集过去3年以上频发期污染监测数据,以及基本气象因子监测数据,建立大气污染频发期的基础历史数据集;大气污染通常指PM2.5等颗粒物污染、臭氧污染、氮氧化物污染、一氧化碳污染;基本的气象因子包括风向、风速、气温、相对湿度、降水量、大气压、天气形势。
1.2S.建立大气污染因子和气象因子的参数状态化处理规则,对于大气污染因子,采集得到的初始监测数据通常为质量浓度数据,单位为μg/m3,对于每一个气象因子,依据相应等级划分国家标准定义各参数状态化处理规则;如果某一气象因子无相关等级划分的国家标准,则该气象因子监测数据直接可代表参数状态化结果;如果某一气象因子存在相关等级划分的国家标准,则将气象因子等级划分标准定义为状态化处理规则。
1.3S.依据标准化处理规则,建立大气污染转变事件样本集;基于基础历史数据集,依据大气污染因子和气象因子的状态化处理规则,将大气污染因子监测数据和所有气象因子的监测数据进行标准状态化处理;以连续两日大气污染状态转变匹配后一日日期的各气象因子数据作为单位事件,建立大气污染转变事件集。
2S.确定影响大气污染变化的关键气象因素;所述的关键气象因素为分析所有气象因子对大气污染变化的影响作用,并分别计算气象因子与大气污染变化的相关性,选择影响作用强或相关性显著的因子作为关键气象因子。
3S.基于关键气象因素,层次化挖掘相似样本集;以大气污染转变事件集作为初始事件集,通过不同关键气象因子的逐层相似性判别,获取与估计日气象条件相似的相似样本集;具体流程为:
3.1S.初始转变事件集进入第一层,根据第一层关键气象因子相似性判别,进行第一层相似事件提取,得到一级相似事件集。
3.2S.一级相似事件集进入第二层,根据第二层关键气象因子的相似性判别,进行第二层相似事件提取,得到二级相似事件集。
3.3S.顺序执行,直至完成所有关键气象因子的相似性判别,得到最终的相似事件集;其中各关键气象因子的相似性判别采用以下公式:
提取的相似事件为满足以下条件的样本;
△yi=|yi估计-yi样本|≤yiset (1)
公式中,yi估计为第i层因子在估计日的值,yi样本为第i层因子在样本中的值,△yi为第i层因子在估计日与样本数据的差值,yiset为设定的事件相似度判别阀值,其大小根据研究区域情况而定。
4S.基于相似样本集,计算污染转变发生可能性概率矩阵P,矩阵P的含义为:在估计日这一气象条件下,不同情况的大气污染转变的发生可能性;其具体形式如以下公式:
公式(2)中,n为PM2.5污染状态的数目,由大气污染因子标准化处理规则中状态化数目决定;pij指连续两日大气污染从i状态向j状态转变的概率;
矩阵中各概率元素估计方法为以下公式:
公式(3)中,Mi为最终相似样本集中从i状态下发生的转变总数,mij为最终相似样本集中从i状态转向j状态的大气污染转变发生的个数;如果最终相似事件集中得到的Mi为0,则提取上一级相似事件集结果进行从i状态下发生的大气污染转变概率估计。
实施例2
2017年1月10日气象条件下的北京PM2.5污染的转变关系估计。
北京PM2.5高污染的高发时期为秋冬季节。参考北京PM2.5受气象条件影响的大量研究结果,得到影响北京PM2.5的气象条件主要有地面气象条件和宏观天气形势两大类,因此,确定与北京PM2.5污染相关的气象因子为气温、大气压、相对湿度、风速、风向、降水量以及表征宏观天气形势的环流类型因子等七大因子。收集2013至2016年秋冬季节(9月、10月、11月、12月、1月、2 月)的北京PM2.5日均浓度数据,以及相匹配日期的七大气象因子数据,建立基础样本库。
建立PM2.5污染因子和气象因子的参数状态化处理规则:
对于PM2.5污染,确定状态化处理规则如下表1所示,PM2.5浓度监测日均数据根据这一对应规则均可转化为六大等级水平。
对于气温、大气压、相对湿度、风速、风向等五大因子,无状态化处理规则,各因子数据采用标准日均值数据。气温单位为摄氏度,大气压为百帕斯卡,相对湿度单位为%,风速单位为m/s,风向单位采用八风向位制。
依据中国降水等级划分标准,定义日降水量的状态处理规则如下表2所示。
参考环流类型分型研究结果,定义环流类型的状态划分标准如下表3所示。环流类型可由区域气压场数据计算得到。
表1 PM2.5污染的日状态化处理规则
表2 日降水量的状态化处理规则
降水量 | 0 | 0~9.9mm | 10~24.9mm | 25mm以上 |
等级状态 | 0 | 1 | 3 | 4 |
表3 宏观天气形势的环流类型
宏观天气形势 | 北向主导型 | 东向主导型 | 南向主导型 | 西向主导型 |
环流类型 | 1 | 2 | 3 | 4 |
依据步骤上述建立的PM2.5污染和气象因子的参数状态化处理规则,将基础历史数据集中各因子统一进行标准状态化处理,得到标准化数据集。在此标准化数据集基础上,以连续两日PM2.5污染状态转变事件作为基本数据单位,以后一日日期为数据关联项,匹配相应标准化气象因子状态数据,建立PM2.5污染转变事件集,数据集具体格式如下表4所示。
表4 单位PM2.5污染转变事件集的数据样例
确定影响北京PM2.5污染的关键气象因素;
对以上七大基础气象因子进行与PM2.5污染的相关关系分析,分析结果见表5,可知,风速、相对湿度、环流形势与PM2.5污染的相关性最为显著,应确定为关键气象因子。另外,虽然降水量的相关关系并不显著,但是众所周知,降水水平较大时对PM2.5污染冲刷作用显著,其作用并未与风速、相对湿度重叠,因此降水也被确定为关键气象因子。因此,最终确定的关键气象因子为降水、风速、相对湿度、环流形势四大因子。
表5 七大基础气象因子与PM2.5污染的相关关系
基于关键气象因素,多层次挖掘相似样本集;
2017年1月10日的气象条件为:
前一日PM2.5污染状态 | 降水 | 风速 | 相对湿度 | 环流形势 |
1 | 0 | 2.9 | 28 | 1 |
PM2.5污染转变事件集作为挖掘模型的初始转变事件集,层次化挖掘相似样本集流程如图2所示。层次数目由四个关键气象因子个数确定为4,各层顺序可任意指定,本案例确定为第一层为降水,第二层为风速,第三层为相对湿度,第四层为还流类型。根据北京PM2.5污染情况分析,确定四大关键气象因子的相似性判别阀值分别为:降水:0;风速:1.5;相对湿度:10;环流形势:0。
如图2所示,多层次挖掘相似样本集的具体流程为:
(1)初始转变事件集进入第一层,根据降水的相似性判别,得到一级相似事件集。
(2)一级相似事件集进入第二层,根据风速的相似性判别,进行第二层相似事件提取,得到二级相似事件集。
(3)二级相似事件集进入第三层,根据相对湿度的相似性判别,进行第三层相似事件提取,得到三级相似事件集。
(4)三级相似事件集进入第四层,根据天气形势的相似性判别,进行第四层相似事件提取,得到四级相似事件集,即为最终的相似事件集。
基于最终的相似事件集可计算相应的可能性概率矩阵P。
由于PM2.5污染状态被定义为六个水平,因此矩阵P为6*6矩阵。转变发生的可能性概率矩阵P为如下形式:
各层次气象因子判别以及P矩阵的计算分别依据说明书中所示方法进行。
根据已知的2017年1月10日估计日气象条件,获得给定气象条件下PM2.5 污染转变的可能性概率矩阵P。计算得到的结果为:
以上概率矩阵P结果含义为:
在2017年1月10日这一气象条件下,PM2.5污染状态分别从1级到6级转向1级到6级(36种状态转变)发生的可能性概率。
上列详细说明是针对本发明可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本案的专利范围中。
Claims (4)
1.气象影响下的大气污染转变关系定量估计方法,其特征在于,具体步骤如下:
1S.获取历史污染频发期的大气污染数据和气象数据,建立基础样本库;
2S.确定影响大气污染变化的关键气象因素;所述的关键气象因素为分析所有气象因子对大气污染变化的影响作用,并分别计算气象因子与大气污染变化的相关性,选择影响作用强或相关性显著的因子作为关键气象因子;
3S.基于关键气象因素,层次化挖掘相似样本集;
4S.基于相似样本集,计算污染转变发生可能性概率矩阵。
2.根据权利要求1所述的气象影响下的大气污染转变关系定量估计方法,其特征在于,所述的1S的具体步骤如下:
1.1S.获取大气污染频发期的基础历史数据,确定研究区域的大气污染频发期,收集过去3年以上频发期污染监测数据,以及基本气象因子监测数据,建立大气污染频发期的基础历史数据集;大气污染通常指PM2.5等颗粒物污染、臭氧污染、氮氧化物污染、一氧化碳污染;基本的气象因子包括风向、风速、气温、相对湿度、降水量、大气压、天气形势;
1.2S.建立大气污染因子和气象因子的参数状态化处理规则,对于大气污染因子,采集得到的初始监测数据通常为质量浓度数据,单位为μg/m3,对于每一个气象因子,依据相应等级划分国家标准定义各参数状态化处理规则;如果某一气象因子无相关等级划分的国家标准,则该气象因子监测数据直接可代表参数状态化结果;如果某一气象因子存在相关等级划分的国家标准,则将气象因子等级划分标准定义为状态化处理规则;
1.3S.依据标准化处理规则,建立大气污染转变事件样本集;基于基础历史数据集,依据大气污染因子和气象因子的状态化处理规则,将大气污染因子监测数据和所有气象因子的监测数据进行标准状态化处理;以连续两日大气污染状态转变匹配后一日日期的各气象因子数据作为单位事件,建立大气污染转变事件集。
3.根据权利要求2所述的气象影响下的大气污染转变关系定量估计方法,其特征在于,所述的3S的层次化挖掘相似样本集为以大气污染转变事件集作为初始事件集,通过不同关键气象因子的逐层相似性判别,获取与估计日气象条件相似的相似样本集;具体流程为:
3.1S.初始转变事件集进入第一层,根据第一层关键气象因子相似性判别,进行第一层相似事件提取,得到一级相似事件集;
3.2S.一级相似事件集进入第二层,根据第二层关键气象因子的相似性判别,进行第二层相似事件提取,得到二级相似事件集;
3.3S.顺序执行,直至完成所有关键气象因子的相似性判别,得到最终的相似事件集;其中各关键气象因子的相似性判别采用以下公式:
提取的相似事件为满足以下条件的样本:
△yi=|yi估计-yi样本|≤yiset (1)
公式中,yi估计为第i层因子在估计日的值,yi样本为第i层因子在样本中的值,△yi为第i层因子在估计日与样本数据的差值,yiset为设定的事件相似度判别阀值,其大小根据研究区域情况而定。
4.根据权利要求3所述的气象影响下的大气污染转变关系定量估计方法,其特征在于,所述的4S的基于相似样本集,计算污染转变发生可能性概率矩阵P,矩阵P的含义为:在估计日这一气象条件下,不同情况的大气污染转变的发生可能性;其具体形式如以下公式:
公式(2)中,n为PM2.5污染状态的数目,由大气污染因子标准化处理规则中状态化数目决定;pij指连续两日大气污染从i状态向j状态转变的概率;矩阵中各概率元素估计方法为以下公式;
公式(3)中,Mi为最终相似样本集中从i状态下发生的转变总数,mij为最终相似样本集中从i状态转向j状态的大气污染转变发生的个数;如果最终相似事件集中得到的Mi为0,则提取上一级相似事件集结果进行从i状态下发生的大气污染转变概率估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711406550.3A CN108280131A (zh) | 2017-12-22 | 2017-12-22 | 一种气象影响下的大气污染转变关系定量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711406550.3A CN108280131A (zh) | 2017-12-22 | 2017-12-22 | 一种气象影响下的大气污染转变关系定量估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108280131A true CN108280131A (zh) | 2018-07-13 |
Family
ID=62802114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711406550.3A Pending CN108280131A (zh) | 2017-12-22 | 2017-12-22 | 一种气象影响下的大气污染转变关系定量估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280131A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807567A (zh) * | 2019-09-11 | 2020-02-18 | 南开大学 | 一种基于周期分析和滤波技术的污染减排效果评估方法 |
CN114518611A (zh) * | 2021-12-24 | 2022-05-20 | 山东省青岛生态环境监测中心(中国环境监测总站黄海近岸海域环境监测分站) | 一种基于相似案例判别分析的臭氧预报方法 |
CN116228500A (zh) * | 2023-05-08 | 2023-06-06 | 云门(深圳)技术有限公司 | 气象软件的数据处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1418507A2 (en) * | 2002-10-31 | 2004-05-12 | Eastman Kodak Company | Method and system for multiple cue integration |
CN102799772A (zh) * | 2012-07-03 | 2012-11-28 | 中山大学 | 面向空气质量预报的样本优化方法 |
CN105320843A (zh) * | 2015-10-30 | 2016-02-10 | 中山大学 | 一种大气污染物浓度影响要素定量分析的方法 |
CN105913411A (zh) * | 2016-05-10 | 2016-08-31 | 云南大学 | 一种基于因子定权模型的湖泊水质评价预测系统及方法 |
US9818136B1 (en) * | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
CN107436277A (zh) * | 2017-07-12 | 2017-12-05 | 广东旭诚科技有限公司 | 基于相似距离判别的单指标数据质量控制方法 |
-
2017
- 2017-12-22 CN CN201711406550.3A patent/CN108280131A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1418507A2 (en) * | 2002-10-31 | 2004-05-12 | Eastman Kodak Company | Method and system for multiple cue integration |
US9818136B1 (en) * | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
CN102799772A (zh) * | 2012-07-03 | 2012-11-28 | 中山大学 | 面向空气质量预报的样本优化方法 |
CN105320843A (zh) * | 2015-10-30 | 2016-02-10 | 中山大学 | 一种大气污染物浓度影响要素定量分析的方法 |
CN105913411A (zh) * | 2016-05-10 | 2016-08-31 | 云南大学 | 一种基于因子定权模型的湖泊水质评价预测系统及方法 |
CN107436277A (zh) * | 2017-07-12 | 2017-12-05 | 广东旭诚科技有限公司 | 基于相似距离判别的单指标数据质量控制方法 |
Non-Patent Citations (2)
Title |
---|
陈赛华等: "一种快速定量估计大气污染物来源的方法", 《环境科学学报》 * |
黄磊等: "青岛市大气污染时间序列分析预报方法研究", 《青岛海洋大学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807567A (zh) * | 2019-09-11 | 2020-02-18 | 南开大学 | 一种基于周期分析和滤波技术的污染减排效果评估方法 |
CN114518611A (zh) * | 2021-12-24 | 2022-05-20 | 山东省青岛生态环境监测中心(中国环境监测总站黄海近岸海域环境监测分站) | 一种基于相似案例判别分析的臭氧预报方法 |
CN116228500A (zh) * | 2023-05-08 | 2023-06-06 | 云门(深圳)技术有限公司 | 气象软件的数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107066425B (zh) | 一种变化环境下超定量洪水非一致性分析方法 | |
CN106355166A (zh) | 一种基于监控视频与遥感图像的灰霾扩散路径绘制与来源确定方法 | |
CN108280131A (zh) | 一种气象影响下的大气污染转变关系定量估计方法 | |
CN107798425A (zh) | 一种基于大数据的时空混淆暴露度评估系统及方法 | |
CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
CN103345566B (zh) | 基于地质内涵的化探异常识别与评价方法 | |
CN106651004B (zh) | 一种基于降雨洪灾时空数据库的洪灾预测方法 | |
CN110261272B (zh) | 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法 | |
CN101832769A (zh) | 一种基于近景摄影估算矿区植被覆盖度的方法和系统 | |
CN110119556B (zh) | 一种区域水源涵养功能的时空演变分析方法 | |
CN101908214B (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
CN111678969A (zh) | 利用土壤剖面表层重金属累积比例解析重金属污染来源的方法 | |
CN111666909A (zh) | 基于面向对象和深度学习的疑似污染场地空间识别方法 | |
CN114943917A (zh) | 一种视觉识别污水厂好氧池曝气量的算法 | |
CN114997534A (zh) | 基于视觉特征的相似降雨预报方法和设备 | |
Sun et al. | Classification of circulation patterns during the formation and dissipation of continuous pollution weather over the Sichuan Basin, China | |
CN111860531A (zh) | 一种基于图像处理的扬尘污染识别方法 | |
Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
CN105467100A (zh) | 基于遥感与gis的县域土壤侵蚀时空动态监测方法 | |
CN107608938B (zh) | 基于增强回归树算法的面向二值分类的因子筛选方法 | |
Yang et al. | A data mining approach for heavy rainfall forecasting based on satellite image sequence analysis | |
CN103268329B (zh) | 等离子显示屏制造过程数据挖掘系统 | |
CN115497006B (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
CN112907113B (zh) | 一种考虑空间相关性的植被变化成因识别方法 | |
CN115630337A (zh) | 基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统 |
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: 20180713 |
|
RJ01 | Rejection of invention patent application after publication |