CN102507586A - 碳排放遥感监测方法 - Google Patents
碳排放遥感监测方法 Download PDFInfo
- Publication number
- CN102507586A CN102507586A CN2011103579830A CN201110357983A CN102507586A CN 102507586 A CN102507586 A CN 102507586A CN 2011103579830 A CN2011103579830 A CN 2011103579830A CN 201110357983 A CN201110357983 A CN 201110357983A CN 102507586 A CN102507586 A CN 102507586A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- study area
- monitoring method
- sensing monitoring
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明属于遥感技术应用领域。本发明提供一种碳排放遥感监测方法,该方法包括以下步骤:对研究区的土地覆盖进行分类,反演研究区的地表温度,模拟研究区的碳排放空间分布,对模拟出的研究区碳排放的值和空间位置进行修正。实施本发明的碳排放遥感监测方法,具有以下有益效果:对城市层面碳排放进行研究,探索城市层面碳排放规律,制定相应碳减排目标。
Description
技术领域
本发明涉及遥感技术应用领域,更具体的说,涉及碳排放遥感监测方法。
背景技术
全球气候变暖问题作为人类迄今面临的最重大环境问题,作为二十一世纪人类面临的最复杂挑战之一,其同时作为世界能源前景的关键,已经成为影响世界经济、政治的一个重要因素。
人类活动导致的以碳元素为主的温室气体的排放是全球变暖的主要原因。当前人为碳排放相关问题成为各国主要的研究对象。随着世界能源与环境问题越来越严峻,我国在快速发展经济的同时,必须致力于确保经济发展、能源消耗与环境保护的协调发展。土地利用变化与碳排放研究因此成为我国第一批国家级公益性研究项目。
英国斯特恩报告中指出,城市碳排放占人类活动总碳排放的78%。建立在化石燃料基础上的城市生产和城市消费是造成全球温室气体浓度增加、导致气候变暖的主要环节,我国的碳排放也主要集中在人口、工业、交通、建筑相对集中的城市。近年来,我国工业化水平迅速提高,城市化速度明显加快,城市形态扩张显著,也促使城市碳排放效应日趋加剧。目前,国内研究多基于国家或东西部区域层面上碳排放评价及政策讨论,没有对城市层面碳排放研究。对城市的碳排放水平进行精确模拟,探索城市层面碳排放规律,从而制定相应碳减排目标,将是未来城市发展低碳经济、制定低碳发展规划的基本要点。
发明内容
本发明要解决的技术问题在于,针对现有技术存在的缺陷,提供一种碳排放遥感监测方法,以模拟城市的碳排放空间分布并对模拟出的研究区碳排放的值和空间位置进行修正。
解决上述技术问题的技术方案为:提供一种碳排放遥感监测方法,包括以下步骤:对研究区的土地覆盖进行分类,反演研究区的地表温度,模拟研究区的碳排放空间分布,对模拟出的研究区碳排放的值和空间位置进行修正。
优选地,在对研究区的土地覆盖进行分类的步骤中,首先采集TM6多光谱波段数据band1、band2、band3、band4、band5、band7和DEM数据,并计算反映纹理特征的各特征因子,将计算得到的各特征因子与TM6多光谱波段数据和DEM数据作为特征层;然后利用研究区的TM假彩色合成图像和地图选择研究区样本点;最后基于样本点数据在各个特征层上的统计数据,对研究区进行土地覆盖分类。
优选地,基于样本点数据在各个特征层上的统计数据,对研究区进行土地覆盖分类时,采用分类回归树CART算法进行。
优选地,在反演监测区域的地表温度的步骤中,采用单窗算法。
优选地,在模拟城市的碳排放空间分布的步骤中,采用基于遥感数据的热量空间分布分析方法来模拟城市的碳排放空间分布。
优选地,采用支持向量机SVM算法,建立研究区样本点的碳排放数据和城市地表温度反演结果的回归模型。
优选地,采用Libsvm软件,建立研究区样本点的碳排放数据和城市地表温度反演结果的回归模型。
优选地,在对模拟出的研究区碳排放的值和空间位置进行修正的步骤中,以GIS为基础平台,采用改进的高斯模式碳排放扩散修正模型来对模拟出的研究区碳排放的值和空间位置进行修正,碳排放扩散修正模型的公式为: ,Q(x, y, z)为碳排放气体在初始排放处(x, y, z)的浓度值;C(x′, y′, z)为碳排放气体在(x′, y′, z)处的待修正浓度值;μ为在观测点测量高度处的平均风速(m/s);H为气象参数与碳排放测量高度(二者保持一致)(m);σy、σz分别为y、z方向的扩散参数。
实施本发明的碳排放遥感监测方法,具有以下有益效果:对城市层面碳排放进行研究,探索城市层面碳排放规律,制定相应碳减排目标。
具体实施方式
本发明提供一种碳排放遥感监测方法,该方法包括以下步骤:对研究区的土地覆盖进行分类,反演研究区的地表温度,模拟研究区的碳排放空间分布,对模拟出的研究区碳排放的值和空间位置进行修正。
对研究区的土地覆盖进行分类的方法。采集Landsat5 TM数据中的6个TM多光谱波段数据band1、band2、band3、band4、band5、band7和DEM数据。对TM的6个多光谱波段进行主成分变换,基于灰度共生矩阵方法,计算得到反映纹理特征的均值、方差、均匀度、对比度、非相似度、熵、角二阶矩、相关度,作为特征因子。将前述特征因子连同TM多光谱波段、DEM数据一起,作为研究区土地覆盖类型提取的特征层。利用研究区的TM假彩色合成图像和地图进行地面实地考察,同时选择高分辨率遥感图像作为参考,然后选择研究区对应的样本点,以获得真实的研究区地物实况数据。在本实施例中,采用google earth中的遥感图像作为参考。再结合实地调查、土地利用资料、图片等,得到典型地物类型的目视解译标志。接着选择感兴趣区域,本实施例中,通过手动选择和2-D Scatter二维散点图,借助ENVI软件选择感兴趣区域(ROIs)。随后计算感兴趣区可分离性,来评估训练样本数据集合。基于样点数据在各个特征层上的统计数据,采用分类回归树CART算法构建的决策树进行分类。
反演研究区的地表温度的方法。基于遥感反演方法进行。Landsat5 TM数据是区域环境研究中最重要的遥感数据之一,其第6波段具有较高的空间分辨率120m,很适合用于进行城市区域尺度的热环境研究。由于TM只有一个热红外通道,本发明采用适合于TM6数据演算地表温度的单窗算法反演研究区的地表温度。
单窗算法是只借助于卫星传感器上的一个热红外通道获得的辐射能,根据辐射传输方程即可推导出地表温度。它的优点在于仅需要3个参数,即地表比辐射率、大气透过率和大气平均作用温度。首先挑选至少一个典型地物,然后分别计算TM热红外波段范围内的水体、植被、裸地、人造地物等典型地物比辐射率值。在本实施例中,典型地物从ASTER波谱数据库中挑选。随后基于研究区土地覆盖分类结果,获取每个分类类别的比辐射率值。本实施例中,利用NDVI来获取每个分类类别的比辐射率值。同时,获取像元尺度上的大气水汽含量,模拟TM6波段大气透过率变化与大气水汽含量变化之间的关系,估算成像时间研究区上空大气透过率。在本实施例中,利用同时相的MOD07大气廓线产品获得象元尺度上的大气水汽含量,运用LOWTRAN7程序模拟TM6波段大气透过率变化与大气水汽含量变化之间的关系。本实施例选取MOD07产品中5-19各层(50HPa-950HPa)平均大气温度、湿度数据,并从维萨拉湿度查算表得出各层相应水汽含量。根据大气水汽含量和大气温度数据计算大气平均作用温度的公式,估算研究区该时相大气平均作用温度。,式中,Ts为地表温度;a6和b6为回归系数;T6为TM6的亮度温度;Ta为大气平均作用温度;(为大气透过率,为地表比辐射率);。
模拟研究区的碳排放空间分布的方法。目前碳排放数据主要来自于碳排放监测网络的观测,因受限于观测成本,观测站点较少而不能满足使用需要。遥感作为一种监测大气参数和组成变化的有效手段,可显著提高碳排放数据的时空分辨率。因为以碳元素为主的温室气体的排放是城市热岛效应产生的主要原因,城市碳排放空间分布特征与地表热量空间分布特征密切相关,因此采用热红外遥感方法来模拟区域碳排放空间分布是一种行之有效的方法。本发明采用基于遥感数据的热量空间分布分析方法来模拟城市的碳排放分布。本实施例采用支持向量机SVM算法,建立了研究区样本点观测的碳排放数据,即CO2、CH4、N2O观测浓度数据之和,和城市地表温度反演结果的回归模型。SVM算法由统计学习理论发展而来,它成功地解决了高维问题和局部极值问题。SVM算法将实际问题通过非线性变换转换到高维的特征空间,在高维空间中构造线性函数来实现原空间中非线性判别函数,特殊性质能保证学习机有较好的推广能力,同时它巧妙地解决了维数问题,使得其算法的复杂度与样本的维数无关。另外,SVM算法最终转化为一个二次型的最优化问题,得到的是全局最优解,解决了神经网络无法避免的局部极值问题。
在本发明的另一个实施例中,采用Libsvm软件建立研究区样本点观测的碳排放数据和城市地表温度反演结果的回归模型。Libsvm是一个结构较为简单、易于使用、快速有效的支持向量分类和回归的软件包,可以解决分类问题(包括C-SVM、nu-SVM)、回归问题(包括e-SVM、nu-SVM)以及分布估计(one-class-SVM)等问题,提供了线性、多项式、RBF和S形函数四种常用的核函数供选择,可以有效地解决多类问题、交叉验证选择参数、对不平衡样本加权、多类问题的概率估计等。在本实施例中,在运行Libsvm程序时选用RBF核函数。RBF核函数有较好的性能。因为,首先RBF核函数将样本非线性地映射到高维空间中,与线性核函数相比,它能够处理类标识和属性的非线性关系;其次,参数数量能够影响模型选择的复杂性,多项式核函数与RBF核函数相比有更多的参数;最后,RBF核函数存在更少的数字化困难。
对模拟出的研究区碳排放的值和空间位置进行修正的方法。大气中物质扩散是空气稳定度、风速、表面粗糙度等气象条件的函数。大气扩散模型,主要描写大气对物质的输送、扩散和稀释作用。物质在大气中所经历的过程,诸如抬升,干、湿沉积和化学转化过程等,则常以某种形式的过程参数,确定参数的方法或计算公式。另一方面,下垫面的状况也会影响污染物在大气中的变化和分布。通常小尺度扩散问题要求较高的空间分辨率,需要采用具有高分辨率效能的高斯模式。碳排放扩散模拟所需的基础数据包括碳排放量、各气象站点观测的风速、风向等。这些数据有一个共同特点,就是离散的空间位置信息和专业属性信息。在本实施例中,以GIS为基础平台,在对研究区碳排放空间分布特征以及气象特征进行综合分析研究的基础上,改进了目前比较流行的高斯模式大气扩散模型,利用GIS强大的拓扑分析和空间分析功能,勾勒出碳排放物的动态扩散过程,对模拟出的研究区碳排放的值和空间位置进行了修正。
研究采用的改进高斯模式碳排放扩散修正模型为:
式中,Q(x, y, z)为碳排放气体在初始排放处(x, y, z)的浓度值;C(x′, y′, z)为碳排放气体在(x′, y′, z)处的待修正浓度值;μ为在观测点测量高度处的平均风速(m/s);H为气象参数与碳排放测量高度(二者保持一致)(m);σy、σz分别为y、z方向的扩散参数。
在模型中扩散参数是十分重要的,它是大气稳定度和气体迁移距离的函数。大气稳定度根据帕斯奎尔提出的方法分为极不稳定、不稳定、弱不稳定、中性、弱稳定、稳定六类,分别用A、B、C、D、E、F来代表。具体确定大气稳定度的过程为首先由云量与太阳高度角得出太阳辐射等级数,再由太阳辐射等级数与地面风速确定稳定度等级。随后从扩散参数幂函教表达式数据表中查算经验函数和(X为气体迁移距离)中需要的回归系数和回归指数,再由扩散参数σy、σz幂函数的表达式算出其数值。
本发明是通过实施例进行描述的,本领域技术人员知悉,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。
Claims (8)
1.一种碳排放遥感监测方法,其特征在于,包括以下步骤:对研究区的土地覆盖进行分类,反演研究区的地表温度,模拟研究区的碳排放空间分布,对模拟出的研究区碳排放的值和空间位置进行修正。
2.根据权利要求1所述的碳排放遥感监测方法,其特征在于,在对研究区的土地覆盖进行分类的步骤中,首先采集TM6多光谱波段数据band1、band2、band3、band4、band5、band7和DEM数据,并计算反映纹理特征的各特征因子,将计算得到的各特征因子与TM6多光谱波段数据和DEM数据作为特征层;然后利用研究区的TM假彩色合成图像和地图选择研究区样本点;最后基于样本点数据在各个特征层上的统计数据,对研究区进行土地覆盖分类。
3.根据权利要求2所述的碳排放遥感监测方法,其特征在于,基于样本点数据在各个特征层上的统计数据,对研究区进行土地覆盖分类时,采用分类回归树CART算法进行。
4.根据权利要求1所述的碳排放遥感监测方法,其特征在于,在反演监测区域的地表温度的步骤中,采用单窗算法。
5.根据权利要求1所述的碳排放遥感监测方法,其特征在于,在模拟城市的碳排放空间分布的步骤中,采用基于遥感数据的热量空间分布分析方法来模拟城市的碳排放空间分布。
6.根据权利要求5所述的碳排放遥感监测方法,其特征在于,采用支持向量机SVM算法,建立研究区样本点的碳排放数据和城市地表温度反演结果的回归模型。
7.根据权利要求6所述的碳排放遥感监测方法,其特征在于,采用Libsvm软件,建立研究区样本点的碳排放数据和城市地表温度反演结果的回归模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103579830A CN102507586B (zh) | 2011-11-14 | 2011-11-14 | 碳排放遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103579830A CN102507586B (zh) | 2011-11-14 | 2011-11-14 | 碳排放遥感监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102507586A true CN102507586A (zh) | 2012-06-20 |
CN102507586B CN102507586B (zh) | 2013-05-22 |
Family
ID=46219693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011103579830A Expired - Fee Related CN102507586B (zh) | 2011-11-14 | 2011-11-14 | 碳排放遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102507586B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156622A (zh) * | 2014-08-27 | 2014-11-19 | 北京市环境保护监测中心 | 一种城市交通颗粒物排放量的估算方法 |
CN109426772A (zh) * | 2017-08-24 | 2019-03-05 | 中国科学院城市环境研究所 | 一种城市人为热排放时空变化的遥感检测方法 |
CN109740968A (zh) * | 2019-01-25 | 2019-05-10 | 中国科学院上海高等研究院 | 二氧化碳排放空间格网化方法、系统、介质和装置 |
CN110705010A (zh) * | 2019-08-21 | 2020-01-17 | 南京大学 | 基于遥感的次日夜间地表热岛模拟方法 |
CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
CN111178169A (zh) * | 2019-12-12 | 2020-05-19 | 广州地理研究所 | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 |
CN113361309A (zh) * | 2020-03-18 | 2021-09-07 | 山东交通学院 | 基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法 |
CN114324747A (zh) * | 2021-12-01 | 2022-04-12 | 安捷中科(北京)数据科技有限公司 | 广域碳排放实时监测方法及系统 |
CN114720397A (zh) * | 2022-05-11 | 2022-07-08 | 北京劢亚科技有限公司 | 一种卫星和地面结合测量碳值的系统和方法 |
CN115983735A (zh) * | 2023-01-10 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种园区多级碳排放控制系统及方法 |
CN116933045A (zh) * | 2023-09-15 | 2023-10-24 | 山东益来环保科技有限公司 | 基于温室气体的碳排放监测系统 |
CN117911880A (zh) * | 2024-03-20 | 2024-04-19 | 浙江大学 | 基于遥感影像的城市碳排放时空分布模拟方法及系统 |
CN117911880B (zh) * | 2024-03-20 | 2024-05-31 | 浙江大学 | 基于遥感影像的城市碳排放时空分布模拟方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295022A (zh) * | 2008-06-25 | 2008-10-29 | 中国农业科学院农业资源与农业区划研究所 | 从遥感数据aster反演地表温度和发射率的方法 |
US20100040260A1 (en) * | 2007-12-20 | 2010-02-18 | Image Tree Corp. | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest |
-
2011
- 2011-11-14 CN CN2011103579830A patent/CN102507586B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100040260A1 (en) * | 2007-12-20 | 2010-02-18 | Image Tree Corp. | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest |
CN101295022A (zh) * | 2008-06-25 | 2008-10-29 | 中国农业科学院农业资源与农业区划研究所 | 从遥感数据aster反演地表温度和发射率的方法 |
Non-Patent Citations (3)
Title |
---|
A.S.ISAEV ET AL: "USING REMOTE SENSING TO ASSESS RUSSIAN FOREST FIRE CARBON EMISSIONS", 《CLIMATIC CHANGE》 * |
宫文 等: "遥感监测技术在土地利用监管中的作用分析", 《中国国土资源经济》 * |
戴铁 等: "利用红外辐射光谱反演大气CO2浓度的理论研究", 《气象与环境科学》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156622A (zh) * | 2014-08-27 | 2014-11-19 | 北京市环境保护监测中心 | 一种城市交通颗粒物排放量的估算方法 |
CN109426772A (zh) * | 2017-08-24 | 2019-03-05 | 中国科学院城市环境研究所 | 一种城市人为热排放时空变化的遥感检测方法 |
CN109740968A (zh) * | 2019-01-25 | 2019-05-10 | 中国科学院上海高等研究院 | 二氧化碳排放空间格网化方法、系统、介质和装置 |
CN109740968B (zh) * | 2019-01-25 | 2023-05-16 | 中国科学院上海高等研究院 | 二氧化碳排放空间格网化方法、系统、介质和装置 |
CN110705010A (zh) * | 2019-08-21 | 2020-01-17 | 南京大学 | 基于遥感的次日夜间地表热岛模拟方法 |
CN110705010B (zh) * | 2019-08-21 | 2023-04-25 | 南京大学 | 基于遥感的次日夜间地表热岛模拟方法 |
CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
CN111178169A (zh) * | 2019-12-12 | 2020-05-19 | 广州地理研究所 | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 |
CN111178169B (zh) * | 2019-12-12 | 2023-03-10 | 广州地理研究所 | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 |
CN113361309A (zh) * | 2020-03-18 | 2021-09-07 | 山东交通学院 | 基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法 |
CN113361309B (zh) * | 2020-03-18 | 2022-05-13 | 山东交通学院 | 基于中高分辨率遥感影像的城区多雾霾污染参数监测方法 |
CN114324747B (zh) * | 2021-12-01 | 2024-04-19 | 安捷中科(北京)数据科技有限公司 | 广域碳排放实时监测方法及系统 |
CN114324747A (zh) * | 2021-12-01 | 2022-04-12 | 安捷中科(北京)数据科技有限公司 | 广域碳排放实时监测方法及系统 |
CN114720397B (zh) * | 2022-05-11 | 2022-10-18 | 北京劢亚科技有限公司 | 一种卫星和地面结合测量碳值的系统和方法 |
CN114720397A (zh) * | 2022-05-11 | 2022-07-08 | 北京劢亚科技有限公司 | 一种卫星和地面结合测量碳值的系统和方法 |
CN115983735A (zh) * | 2023-01-10 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种园区多级碳排放控制系统及方法 |
CN116933045A (zh) * | 2023-09-15 | 2023-10-24 | 山东益来环保科技有限公司 | 基于温室气体的碳排放监测系统 |
CN116933045B (zh) * | 2023-09-15 | 2023-12-05 | 山东益来环保科技有限公司 | 基于温室气体的碳排放监测系统 |
CN117911880A (zh) * | 2024-03-20 | 2024-04-19 | 浙江大学 | 基于遥感影像的城市碳排放时空分布模拟方法及系统 |
CN117911880B (zh) * | 2024-03-20 | 2024-05-31 | 浙江大学 | 基于遥感影像的城市碳排放时空分布模拟方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102507586B (zh) | 2013-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102507586B (zh) | 碳排放遥感监测方法 | |
Zhang et al. | An urban heat island study in Nanchang City, China based on land surface temperature and social-ecological variables | |
Chen et al. | Exploring the spatial differentiation of urbanization on two sides of the Hu Huanyong Line--based on nighttime light data and cellular automata | |
Xiao et al. | Spatio-temporal simulation of energy consumption in China's provinces based on satellite night-time light data | |
Min et al. | Spatial distribution and driving force analysis of urban heat island effect based on raster data: A case study of the Nanjing metropolitan area, China | |
Sun et al. | Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images | |
Chen et al. | Roles of horizontal and vertical tree canopy structure in mitigating daytime and nighttime urban heat island effects | |
CN103942420B (zh) | 一种建筑物尺度的太阳直射辐射能快速估算方法 | |
Dash et al. | Projected seasonal mean summer monsoon over India and adjoining regions for the twenty-first century | |
Li et al. | Exploring the relationship between the 2D/3D architectural morphology and urban land surface temperature based on a boosted regression tree: A case study of Beijing, China | |
Wang et al. | Spatial distribution and influencing factors on urban land surface temperature of twelve megacities in China from 2000 to 2017 | |
Wang et al. | Spatiotemporal characteristics of heat waves over China in regional climate simulations within the CORDEX-EA project | |
CN104765903A (zh) | 一种融合多源遥感和气候环境信息的综合性城市气候环境评估方法 | |
Xu et al. | Estimation of potential ecological carrying capacity in China | |
CN114005048A (zh) | 基于多时相数据的土地覆盖变化与热环境影响研究方法 | |
Pan et al. | Spatiotemporal dynamics of electricity consumption in China | |
Fu et al. | An innovative decision making method for air quality monitoring based on big data-assisted artificial intelligence technique | |
Fang et al. | Performance evaluation on multi-scenario urban ventilation corridors based on least cost path | |
CN105930633A (zh) | 一种城市热岛效应的预测方法 | |
Yu et al. | A transfer method to estimate hub-height wind speed from 10 meters wind speed based on machine learning | |
Gao et al. | Predictability of US regional extreme precipitation occurrence based on large-scale meteorological patterns (LSMPs) | |
Li et al. | Assessing urban micro-climates with vertical and horizontal building morphological cutting deep transfer learning neural networks | |
Lan et al. | The future of China's urban heat island effects: A machine learning based scenario analysis on climatic-socioeconomic policies | |
Yu et al. | PM2. 5 extended-range forecast based on MJO and S2S using LightGBM | |
Shi et al. | An improved framework for assessing the impact of different urban development strategies on land cover and ecological quality changes-A case study from Nanjing Jiangbei New Area, China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130522 Termination date: 20151114 |
|
EXPY | Termination of patent right or utility model |