CN104573155A - 一种高效近地表pm2.5浓度估算方法及估算系统 - Google Patents
一种高效近地表pm2.5浓度估算方法及估算系统 Download PDFInfo
- Publication number
- CN104573155A CN104573155A CN201310503382.5A CN201310503382A CN104573155A CN 104573155 A CN104573155 A CN 104573155A CN 201310503382 A CN201310503382 A CN 201310503382A CN 104573155 A CN104573155 A CN 104573155A
- Authority
- CN
- China
- Prior art keywords
- concentration
- estimation
- data
- near surface
- sensing
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高效近地表PM2.5浓度估算方法及系统,该方法包括建立模型的步骤和模型估算的步骤,该建立模型的步骤进一步包括:一数据压缩子步骤,用于提取遥感数据主要的光谱信号结构特征;一数据匹配子步骤,用于根据PM2.5地面监测数据的空间坐标提取相应的遥感信息;一模型构建子步骤,用于根据匹配出的数据集构建估算模型。该模型估算的步骤进一步包括:一估算请求子步骤,用于对估算输入数据的预处理;一估算子步骤,用于根据该估算请求进行估算,并输出估算结果。本发明根据MODIS观测数据,基于人工神经网络模型估算近地表PM2.5浓度,可满足遥感业务化监测需求,并支持气象因子的引入,快捷高效地实现对近地表PM2.5浓度的大范围动态监测。
Description
技术领域
本发明涉及地球科学计算领域,特别是涉及一种高效近地表PM2.5浓度估算方法及估算系统。
背景技术
细颗粒物(PM2.5)是指空气动力学当量粒径小于等于2.5μm的大气颗粒物。PM2.5产生的主要来源是日常发电、工业生产、汽车尾气排放等过程中经过燃烧而排放的残留物以及建筑扬尘,大多含有重金属等有毒物质,此外大气中其它污染物(如:SO2、NOx等)的相互作用形成的二次污染物也是细颗粒物的重要来源。PM2.5已经逐渐成为我国大多数城市的首要大气污染物并受到舆论的广泛关注,加强对PM2.5污染的研究是我国面临的一项紧迫任务,具有重要的科学意义和应用价值。
PM2.5地基观测可以获得第一时间内的实测资料,积累大量的环境背景数据,但也存在其局限性,主要表现为:①PM2.5浓度监测需要特定的观测仪器才能实现;②由于观测仪器、设施昂贵,只能在有限的站点进行,而有限站点观测不能保证研究所需的时间频率和空间覆盖率。而且,由于监测站点有限且大多分布在城市区域的自动监测点位,无法提供全面及时的空气质量统计资料。
传统的PM2.5浓度遥感监测方法都是基于气溶胶光学厚度(AOD)进行的,受AOD数据精度的限制较大,无法避免AOD反演过程中的误差传播问题。此外,如何准确表达AOD与近地表PM2.5浓度之间的关系也是传统遥感监测方法面临的一个瓶颈。
故而,在这种背景下,一种新的、能够对PM2.5浓度进行大范围动态监测的遥感监测方法,为科研和产业中亟待解决的问题。
发明内容
本发明所要解决的技术问题在于提供一种近地表PM2.5浓度遥感监测方法、装置及其系统,用于解决PM2.5浓度地基观测不足、传统遥感监测方法受限于AOD数据精度的问题。
本发明进一步解决了,在引入气象因子条件下提高近地表PM2.5遥感监测精度的问题。
为达到上述目的,本发明提供的近地表PM2.5浓度遥感估算方法,包括建立近地表PM2.5浓度遥感估算模型的步骤和近地表PM2.5浓度遥感估算的步骤,其特征在于,
该建立近地表PM2.5浓度遥感估算模型的步骤进一步包括:
一数据压缩子步骤,用于提取遥感数据主要的光谱信号结构特征;
一数据匹配子步骤,用于根据PM2.5地面监测站点的空间坐标提取相应的遥感信息以及地面监测数据;
一估算模型构建子步骤,用于根据匹配出的遥感信息和PM2.5地面监测数据构建近地表PM2.5浓度遥感估算模型。
该近地表PM2.5浓度遥感估算的步骤进一步包括:
一估算请求子步骤,用于对估算输入数据的预处理;
一估算子步骤,用于根据该估算请求进行估算,并输出估算结果。
上述近地表PM2.5浓度遥感估算方法,其特征在于,所述数据压缩子步骤进一步包括:
步骤S101,构建PM2.5地面监测站点空间数据集;
步骤S102,利用奇异值分解SVD(Singular Value Decomposition)方法提取遥感数据主要的光谱信号结构特征。
上述近地表PM2.5浓度遥感估算方法,其特征在于,所述数据匹配子步骤进一步包括遥感观测信息的提取,PM2.5浓度地面监测数据的提取、生成时间序列的遥感观测信息与PM2.5浓度地面监测数据的匹配数据集三个环节。
上述近地表PM2.5浓度遥感估算方法,其特征在于,所述估算模型构建子步骤中,根据得到的匹配数据集,利用多层前馈神经网络构建近地表PM2.5浓度遥感估算模型。
上述近地表PM2.5浓度遥感估算方法,其特征在于,所述近地表PM2.5浓度遥感估算步骤中还进一步包括:一估算精度优化子步骤,用于引入适当的气象因子,提高近地表PM2.5浓度估算精度。
进一步的,本发明还提供了一种实现上述方法的系统,其特征在于,包括:
一模型构建子系统,用于根据匹配的时间序列的遥感信息、PM2.5浓度监测数据构建近地表PM2.5浓度估算模型;
一近地表PM2.5浓度估算子系统,用于根据模型构建子系统实现的近地表PM2.5浓度估算模型,基于输入数据估算近地表PM2.5浓度;
一估算结果可视化子系统,用于返回近地表PM2.5浓度估算结果及其可视化。
上述系统,其特征在于,还包括:在构建估算模型时可引入适当的气象因子,以提高模型的估算精度。
上述系统,其特征在于,
所述模型构建子系统进一步包括:
一数据压缩单元,用于对MODIS观测通道主要光谱信号结构特征的提取;
一数据匹配单元,用于构建时间序列的相匹配的遥感信息与近地面PM2.5浓度地面观测数据的数据集;
一模型构建单元,根据匹配数据集,利用多层前馈神经网络建立近地表PM2.5浓度遥感估算模型;
所述近地表PM2.5浓度估算子系统进一步包括:
一估算请求处理单元,用于处理估算请求,提取输入数据各观测通道的主要光谱信号结构特征;
一估算单元,用于根据该估算请求进行估算,并输出估算结果;
所述估算结果可视化子系统进一步包括:
一结果处理单元,用于进行近地表PM2.5浓度估算结果的修饰处理;
一结果可视化单元,用于近地表PM2.5浓度估算结果的可视化。
与现有技术相比,本发明的有益技术效果在于:
(1)通过数据压缩的方法,能够有效提取出MODIS各观测通道的主要光谱信号结构特征,避免PM2.5浓度估算受AOD数据精度限制的问题;
(2)利用LM-BP算法优化的人工神经网络模型,使得该方法能够有效的表达MODIS观测信号与近地表PM2.5浓度之间的非线性统计关系。
附图说明
图1为本发明的一种近地表PM2.5浓度遥感估算方法建立估算模型的实施例流程图;
图2为本发明的一种近地表PM2.5浓度遥感估算方法估算过程的实施例流程图;
图3为本发明的一种近地表PM2.5浓度遥感估算系统的结构框图;
图4为本发明的一种近地表PM2.5浓度遥感估算系统的模型构建流程图。
具体实施方式
下面结合附图和实施例对本发明作详细的说明,以进一步了解本发明之目的、方案及功效。
本发明提供的高效近地表PM2.5浓度遥感估算方法包括模型构建和结果估算两个相对独立的过程。
估算模型构建过程的基本思想是:利用奇异值分解SVD(Singular ValueDecomposition)方法对MODIS卫星过境时刻各通道的亮温值进行分解,提取主要的光谱信号结构特征;根据PM2.5地面监测站点的空间坐标匹配相应的遥感信息与PM2.5浓度地面监测数据,得到时间序列的匹配数据集,进而基于多层前馈神经网络建立近地表PM2.5浓度遥感估算模型。
图1示出了本发明近地表PM2.5浓度遥感估算方法中估算模型构建过程的具体实施流程。参考图1,本发明近地表PM2.5浓度遥感估算方法中,建立估算模型的过程进一步包括以下步骤:
步骤S101,构建PM2.5地面监测站点空间数据集。
PM2.5地面监测站点空间坐标数据集中存储的是PM2.5地面监测站点空间坐标及监测值,为步骤S103的数据匹配提供数据基础。
步骤S102,利用奇异值分解SVD(Singular Value Decomposition)方法提取遥感数据主要的光谱信号结构特征。
奇异值分解SVD(Singular Value Decomposition)是线性代数中一种重要的矩阵分解,是矩阵分析中正规矩阵酉对角化的推广,常用于解最小平方误差法和数据压缩,步骤S102利用奇异值分解SVD方法对遥感观测信息进行分解,提取其主要的光谱信号结构特征。
步骤S103,构建模型时间序列训练用匹配数据集。
根据步骤S101的PM2.5地面监测站点空间数据匹配步骤S102的遥感信息,得到时间序列的匹配数据集,以之作为构建近地表PM2.5浓度遥感估算模型的训练数据集。
步骤S104,根据匹配数据集构建近地表PM2.5浓度遥感估算模型。
近地表PM2.5浓度遥感估算模型是基于多元前馈人工神经网络构建的,一个神经网络通常由3层神经元组成:输入层、隐藏层和输出层,每层都可以包含多个节点或神经元,隐藏层通过调整训练过程中的权重减小误差。神经元之间通过输出信号和权重相联系,输出信号和权重通过一个简单的非线性变化或激活函数来调整。
将步骤S103的匹配数据集随机分配到三个子集:训练数据集(40%)、测试数据集(20%)和验证数据集(40%),训练的过程是将输入数据反复输入神经网络,在数据每次通过时计算输出数据,并与目标数据相比得到一个误差,再将这个误差反馈给网络,通过网络的迭代训练调整权重值直至得到最小方差的最优权重,此时训练完成,所得网络即可根据新的输入数据进行估算或者预报。采用L-M算法可使对误差修正在两种算法(牛顿法和最陡下降法)间平滑调和,可以用较短的时间完成网络迭代求参的过程。
图2示出了本发明近地表PM2.5浓度遥感估算方法估算过程的具体实施例流程。参考图2,本发明估算方法中近地表PM2.5浓度遥感估算过程具体包括以下步骤:
步骤S201,根据用户估算需求生成估算请求。
用户估算需求包括指定估算日期,相应日期的遥感观测数据存储位置以及估算结果输出位置。估算请求中还包括指定的估算参数配置文件。针对不同的数据源,如在引入气象数据的情况下,可能出现不同的估算参数配置文件。
步骤S202,根据估算请求进行估算。
根据步骤S201检索请求中的估算日期,相应日期的遥感观测数据存储位置以及估算参数配置文件,估算结果。
步骤S203,对估算结果进行融合处理。
对于估算日期可能出现的多景估算结果影像进行融合处理,得到用户关注区域的最终估算结果。
步骤S204,生成估算响应并返回估算结果。
估算响应对估算结果进行封装,根据步骤S201中估算请求中的估算结果输出位置进行处理。例如,输出DAT格式或TIFF格式返回给用户。
步骤S205,估算结果的可视化。
基于ArcGIS实现估算结果的可视化,将估算结果直观形象的展示给用户。
参考图3,本发明示出了一种近地表PM2.5浓度遥感估算系统(图3),系统分为模型构建子系统、估算子系统和可视化子系统。
模型构建子系统301包括:数据压缩单元3011、数据匹配单元3012和模型构建单元3013。
数据压缩单元3011是进行遥感数据主要光谱特征信号的提取,封装的是奇异值分解SVD算法,在模型构建子系统和估算子系统中都会被用到。数据压缩单元3011以静态方式存在于模型构建单元3013中,并在估算子系统302中共享同一个数据压缩单元3011,避免了频繁的构造数据压缩单元。
数据匹配单元3012涉及构造模型所需的时间序列训练数据集任务。其原理是根据PM2.5地面监测站点空间坐标进行地面监测值与相应遥感观测信息的匹配。
模型构建单元3013涉及多层前馈人工神经网络的学习、训练、优化及验证,其前提是数据匹配单元3012提供的匹配数据集。
估算模型构建流程如图4,模型构建子系统的实施流程具体包括:
步骤S401,构建PM2.5地面监测空间数据集,包括PM2.5地面监测站点的空间坐标以及PM2.5地面监测值;
步骤S402,利用奇异值分解SVD方法提取遥感观测数据的主要光谱信号特征;
步骤S403,根据PM2.5地面监测站点的空间坐标匹配PM2.5地面监测值以及遥感信息,获得匹配数据集;
步骤S404,将匹配数据集按照一定比例随机分配成三个数据集:训练数据集、测试数据集以及验证数据集;
步骤S405,利用多层前馈人工神经网络构建估算模型。
估算子系统302包括:估算请求单元3021、估算单元3022、估算任务单元3023。
估算请求单元3021涉及估算配置文件,索引配置文件可以为XML格式或TXT格式,由估算模式、输入位置、输出位置三个元素构成。其中,估算模式涉及对输入数据类型、分类的定义。
估算单元3022为估算不同数据源提供了抽象方法,支持不同类型的数据源以及气象因子的引入,估算过程中应该使用哪种数据源类型的访问实现,通过解析估算配置文件的输入数据类型、分类来确定。
估算响应单元3023是估算子系统的核心。估算响应单元3023基于数据压缩单元3011和模型构建单元3013实现。根据模型构建单元3013提供的估算模型,通过估算请求单元3022读取经过数据压缩单元3011预处理过的估算数据源内容,进行估算。估算完成后,根据估算请求单元3022定义的输出位置返回估算结果。
可视化子系统303包括:处理单元3031,可视化单元3032。
处理单元3031基于影像融合技术,实现对多景估算结果影像的融合处理。
可视化单元3032:根据处理单元3031的结果执行可视化,封装ArcGIS(ARCENGINE或ARCGIS SERVER),进行估算结果的直观展示。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种高效近地表PM2.5浓度遥感估算方法,包括建立近地表PM2.5浓度遥感估算模型的步骤和近地表PM2.5浓度遥感估算的步骤,其特征在于,
该建立近地表PM2.5浓度遥感估算模型的步骤进一步包括:
一数据压缩子步骤,用于提取遥感数据主要的光谱信号结构特征;
一数据匹配子步骤,用于根据PM2.5地面监测站点的空间坐标提取相应的遥感信息以及地面监测数据;
一估算模型构建子步骤,用于根据匹配出的遥感信息和PM2.5地面监测数据构建近地表PM2.5浓度遥感估算模型。
该近地表PM2.5浓度遥感估算的步骤进一步包括:
一估算请求子步骤,用于对估算输入数据的预处理;
一估算子步骤,用于根据该估算请求进行估算,并输出估算结果。
2.根据权利要求1所述的高效近地表PM2.5浓度遥感估算方法,其特征在于,所述数据压缩子步骤进一步包括:
步骤S101,构建PM2.5地面监测站点空间数据集;
步骤S102,利用奇异值分解SVD(Singular Value Decomposition)方法提取遥感数据主要的光谱信号结构特征。
3.根据权利要求1所述的高效近地表PM2.5浓度遥感估算方法,其特征在于,所述数据匹配子步骤进一步包括遥感观测信息的提取,PM2.5浓度地面监测数据的提取、生成时间序列的遥感观测信息与PM2.5浓度地面监测数据的匹配数据集三个环节。
4.根据权利要求1所述的高效近地表PM2.5浓度遥感估算方法,其特征在于,所述估算模型构建子步骤中,根据得到的匹配数据集,利用多层前馈神经网络构建近地表PM2.5浓度遥感估算模型。
5.根据权利要求4所述的高效近地表PM2.5浓度遥感估算方法,其特征在于,所述近地表PM2.5浓度遥感估算步骤中还进一步包括:一估算精度优化子步骤,用于引入适当的气象因子,提高近地表PM2.5浓度估算精度。
6.一种实现上述权利要求1~5中任一项所述方法的系统,其特征在于,包括:
一模型构建子系统,用于根据匹配的时间序列的遥感信息、PM2.5浓度监测数据构建近地表PM2.5浓度估算模型;
一近地表PM2.5浓度估算子系统,用于根据模型构建子系统实现的近地表PM2.5浓度估算模型,基于输入数据估算近地表PM2.5浓度;
一估算结果可视化子系统,用于返回近地表PM2.5浓度估算结果及其可视化。
7.根据权利要求6所述的系统,其特征在于,还包括:在构建估算模型时可引入适当的气象因子,以提高模型的估算精度。
8.根据权利要求6或7所述的系统,其特征在于,
所述模型构建子系统进一步包括:
一数据压缩单元,用于对MODIS观测通道主要光谱信号结构特征的提取;
一数据匹配单元,用于构建时间序列的相匹配的遥感信息与近地面PM2.5浓度地面观测数据的数据集;
一模型构建单元,根据匹配数据集,利用多层前馈神经网络建立近地表PM2.5浓度遥感估算模型;
所述近地表PM2.5浓度估算子系统进一步包括:
一估算请求处理单元,用于处理估算请求,提取输入数据各观测通道的主要光谱信号结构特征;
一估算单元,用于根据该估算请求进行估算,并输出估算结果;
所述估算结果可视化子系统进一步包括:
一结果处理单元,用于进行近地表PM2.5浓度估算结果的修饰处理;一结果可视化单元,用于近地表PM2.5浓度估算结果的可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310503382.5A CN104573155B (zh) | 2013-10-17 | 2013-10-17 | 一种近地表pm2.5浓度估算方法及估算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310503382.5A CN104573155B (zh) | 2013-10-17 | 2013-10-17 | 一种近地表pm2.5浓度估算方法及估算系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104573155A true CN104573155A (zh) | 2015-04-29 |
CN104573155B CN104573155B (zh) | 2017-12-19 |
Family
ID=53089215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310503382.5A Active CN104573155B (zh) | 2013-10-17 | 2013-10-17 | 一种近地表pm2.5浓度估算方法及估算系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573155B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678085A (zh) * | 2016-01-12 | 2016-06-15 | 环境保护部卫星环境应用中心 | 一种pm2.5浓度的估算方法及系统 |
CN106124374A (zh) * | 2016-07-22 | 2016-11-16 | 中科宇图科技股份有限公司 | 基于数据融合的大气颗粒物遥感监测方法 |
CN106407633A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 基于时空回归克里金模型估算地面pm2.5的方法及系统 |
CN106682381A (zh) * | 2015-11-10 | 2017-05-17 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向环境空气质量的动态数据模拟预报方法 |
CN108106979A (zh) * | 2017-12-21 | 2018-06-01 | 深圳先进技术研究院 | 一种基于modis和机器学习模型融合的pm2.5反演方法 |
CN110595968A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于静止轨道卫星的pm2.5浓度估算方法 |
CN110595960A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于机器学习的pm2.5浓度遥感估算方法 |
CN110989038A (zh) * | 2019-11-22 | 2020-04-10 | 北京中科锐景科技有限公司 | 一种近地面颗粒浓度估算方法及系统 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7323036B2 (en) * | 2004-08-27 | 2008-01-29 | Alstom Technology Ltd | Maximizing regulatory credits in controlling air pollution |
CN101241068A (zh) * | 2008-03-13 | 2008-08-13 | 复旦大学 | 多光路光学吸收大气测量仪 |
CN101493407A (zh) * | 2008-12-11 | 2009-07-29 | 中山大学 | 基于地气耦合的大气污染信息提取方法 |
CN103234883A (zh) * | 2013-04-30 | 2013-08-07 | 中南大学 | 一种基于道路交通流量实时估算中心城区pm2.5浓度的方法 |
-
2013
- 2013-10-17 CN CN201310503382.5A patent/CN104573155B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7323036B2 (en) * | 2004-08-27 | 2008-01-29 | Alstom Technology Ltd | Maximizing regulatory credits in controlling air pollution |
CN101241068A (zh) * | 2008-03-13 | 2008-08-13 | 复旦大学 | 多光路光学吸收大气测量仪 |
CN101493407A (zh) * | 2008-12-11 | 2009-07-29 | 中山大学 | 基于地气耦合的大气污染信息提取方法 |
CN103234883A (zh) * | 2013-04-30 | 2013-08-07 | 中南大学 | 一种基于道路交通流量实时估算中心城区pm2.5浓度的方法 |
Non-Patent Citations (2)
Title |
---|
肖继东 等: "沙尘暴EOS/MODIS卫星遥感监测指数模型", 《干旱区研究》 * |
郭建平 等: "BP网络框架下MODIS气溶胶光学厚度产品估算中国东部PM2.5", 《环境科学》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407633A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 基于时空回归克里金模型估算地面pm2.5的方法及系统 |
CN106407633B (zh) * | 2015-07-30 | 2019-08-13 | 中国科学院遥感与数字地球研究所 | 基于时空回归克里金模型估算地面pm2.5的方法及系统 |
CN106682381A (zh) * | 2015-11-10 | 2017-05-17 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向环境空气质量的动态数据模拟预报方法 |
CN105678085A (zh) * | 2016-01-12 | 2016-06-15 | 环境保护部卫星环境应用中心 | 一种pm2.5浓度的估算方法及系统 |
CN105678085B (zh) * | 2016-01-12 | 2019-01-01 | 环境保护部卫星环境应用中心 | 一种pm2.5浓度的估算方法及系统 |
CN106124374A (zh) * | 2016-07-22 | 2016-11-16 | 中科宇图科技股份有限公司 | 基于数据融合的大气颗粒物遥感监测方法 |
CN108106979A (zh) * | 2017-12-21 | 2018-06-01 | 深圳先进技术研究院 | 一种基于modis和机器学习模型融合的pm2.5反演方法 |
CN108106979B (zh) * | 2017-12-21 | 2020-05-19 | 深圳先进技术研究院 | 一种基于modis和机器学习模型融合的pm2.5反演方法 |
CN110595968A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于静止轨道卫星的pm2.5浓度估算方法 |
CN110595960A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于机器学习的pm2.5浓度遥感估算方法 |
CN110989038A (zh) * | 2019-11-22 | 2020-04-10 | 北京中科锐景科技有限公司 | 一种近地面颗粒浓度估算方法及系统 |
CN110989038B (zh) * | 2019-11-22 | 2022-03-04 | 北京中科锐景科技有限公司 | 一种近地面颗粒浓度估算方法及系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN104573155B (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573155A (zh) | 一种高效近地表pm2.5浓度估算方法及估算系统 | |
CN103674794B (zh) | 遥感监测近地表细颗粒物质量浓度pm2.5的多元回归方法 | |
CN109522603B (zh) | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 | |
Lewis et al. | Evaluation of historical diurnal temperature range trends in CMIP5 models | |
CN110457829B (zh) | 一种基于集成大气扩散模型的源项释放反演和扩散预测方法 | |
US8190585B2 (en) | Supporting multiple different applications having different data needs using a voxel database | |
CN106295905A (zh) | 一种基于拉格朗日输送模型的空气质量快速溯源预报方法 | |
CN114547229B (zh) | 一种多源大气环境数据融合方法、装置、终端及存储介质 | |
CN108182218B (zh) | 一种基于地理信息系统的视频人物识别方法、系统及电子设备 | |
CN112651126A (zh) | 一种基于bim的建筑工程施工优化系统、方法、终端及存储介质 | |
Billmire et al. | Santa Ana winds and predictors of wildfire progression in southern California | |
Zhang et al. | Bayesian analysis of climate change effects on observed and projected airborne levels of birch pollen | |
CN108802856A (zh) | 一种基于ai的源数据动态修正预报系统及其工作方法 | |
Voiculescu et al. | Role of meteorological parameters in the diurnal and seasonal variation of NO2 in a Romanian urban environment | |
CN110738354A (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
Xu et al. | Accurate suitability evaluation of large-scale roof greening based on RS and GIS methods | |
CN117351521A (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
Rizza et al. | Analysis of the etna 2015 eruption using wrf–chem model and satellite observations | |
LeGrand et al. | Application of a satellite-retrieved sheltering parameterization (v1. 0) for dust event simulation with WRF-Chem v4. 1 | |
Shamoun-Baranes et al. | Avian information systems: developing web-based bird avoidance models | |
Osman et al. | Sensitivity of volcanic ash dispersion modelling to input grain size distribution based on hydromagmatic and magmatic deposits | |
Littidej et al. | Spatial Predictive Modeling of the Burning of Sugarcane Plots in Northeast Thailand with Selection of Factor Sets Using a GWR Model and Machine Learning Based on an ANN-CA | |
Govardhan et al. | Stubble-burning activities in north-western India in 2021: Contribution to air pollution in Delhi | |
Herawati et al. | Tools for assessing the impacts of climate variability and change on wildfire regimes in forests | |
Principe et al. | Supply and demand assessment of solar PV as Off-Grid option in asia pacific region with remotely sensed data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |