CN105117610A - 一种基于时空特征的实时估算细颗粒物浓度的方法 - Google Patents
一种基于时空特征的实时估算细颗粒物浓度的方法 Download PDFInfo
- Publication number
- CN105117610A CN105117610A CN201510611193.9A CN201510611193A CN105117610A CN 105117610 A CN105117610 A CN 105117610A CN 201510611193 A CN201510611193 A CN 201510611193A CN 105117610 A CN105117610 A CN 105117610A
- Authority
- CN
- China
- Prior art keywords
- value
- time
- fine particle
- formula
- particle concentration
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空特征的实时估算细颗粒物浓度的方法,其特征在于:包含3个步骤,分别为数据获取与预处理步骤、拟合时空变异曲线步骤,估算细颗粒物浓度步骤;数据获取与预处理,具体包括,获取以当前小时为起点向前72小时空气监测站点的细颗粒物浓度,获取当前小时气象监测站点的湿度、风速和大气压强数值;将气象监测站点构建泰森多边形,为每个空气监测站点赋予湿度、风速以及大气压强值;对细颗粒物浓度以及气象数据进行标准化处理。该发明通过构建空间变异函数和时间变异函数,同时考虑到时空两大维度的相关性,在此基础上引入湿度、风速和大气压强三大气象因子,可以更准确地估算细颗粒物污染浓度值。
Description
技术领域
本发明涉及实时地细颗粒物浓度估算,更具体地涉及基于时空特征的实时细颗粒物浓度估算方法。
背景技术
近年来由于雾霾天气不断增多,人们对空气质量健康越来越关注。细颗粒物(PM2.5)浓度是评估空气质量的重要指标之一。同时细颗粒物具有粒径小,活性强,可吸入性,易附带有毒有害物质的特征,因而对人体健康的影响更大。如何快速实时获取细颗粒物浓度成了人们日常生活的迫切需要。虽然政府部门在城市内设置了空气质量监测站点,但是由于土地成本,仪器成本,人力成本的各方面因素的综合考虑,无法在城市内部布设过多的空气质量监测站点。因此在远离监测站点的区域,获取实时的可靠的空气污染物浓度变得十分困难。
细颗粒污染物浓度是一种时空现象,但是传统的基于空间特征的估计细颗粒物浓度的方法只考虑到污染物在空间上的相关性,比如反距离法和普通克里金法。反距离法仅仅只以相互之间距离的倒数值为已知浓度站点对未知浓度站点的权重系数从而估算未知浓度站点的浓度值。普通克里金法只考虑到细颗粒物浓度在空间的分布特征,在此基础上求算已知站点对未知站点影响的权重值,最终估算未知点细颗粒物浓度值。本发明在考虑空间分布的基础上同时考虑到细颗粒物浓度在时间维度的变异特征,并在时空变异的基础上引入与细颗粒物浓度相关的三大气象因子:湿度、风速和大气压强,进而估算未知站点处的细颗粒物浓度。
发明内容
本该发明弥补了传统空间估算方法的不足,在考虑时空相关性的基础上,同时加入风速、湿度和大气压强三个气象因子加权计算细颗粒物浓度,在监测站点无法覆盖的区域可以提供实时可靠的污染物浓度值,为人们出行提供空气质量参考信息。
为实现上述目的,本发明提供一种基于时空特征的实时估算细颗粒物浓度的方法,其特征在于:包含3个步骤,分别为数据获取与预处理步骤、拟合时空变异曲线步骤,估算细颗粒物浓度步骤;
(1)所述数据获取与预处理步骤包括:
获取以当前小时为起点向前72小时n个空气质量监测站点的细颗粒物浓度,以及各个站点的地理位置信息,共72*n组数据;
获取当前小时m个气象监测站点的湿度、风速和大气压强值,以及气象站点地理位置信息;
将m个气象监测站点构建泰森多边形,将每个空气质量监测站点与气象监测站点构成的泰森多边形一一匹配,为每个空气监测站点赋予湿度、风速以及大气压强值;用x,y值表示空气质量监测站点的空间位置,M1、M2和M3分别表示该空气质量监测站点的湿度、风速和大气压强值;
由于细颗粒物浓度、湿度、风速和大气压强值具有不同的量纲,为消除数据不同量纲的影响性,使数据具有可比性,使用极差法对数据进行标准化处理,极差法公式如下:
式中x*为标准化的新数值,xmax为样本数据最大值,xmin为样本数据最小值。
(2)所述拟合时空变异曲线步骤包括:
对当前小时n个空气监测站点细颗粒物浓度进行空间变异函数拟合,以空气监测站点间空间距离为自变量,具体为:
●计算各个空气质量监测站点间的距离值以及变异函数值,计算公式分别如下:
式中(xi,yi)为监测站点i的空间位置,(xj,yj)为监测站点j的空间位置;
式中Z(i)和Z(j)分别为站点i和站点j细颗粒物浓度值;
●以距离h为横坐标,空间变异函数γs(hs)值为纵坐标,绘制空间变异函数散点图;
●对上述空间变异函数散点图进行球状模型拟合,拟合公式如下:
式中C0,a,C均为常量
对72小时n个空气监测站点细颗粒物浓度进行时间变异函数拟合,以时间间隔为自变量,具体为:
●由于72小时细颗粒物浓度是一组具有周期的时间序列值,可分解为以下公式:Z(t)=μ(t)+s(t)+ε(t)————公式(5)
其中,μ(t)为趋势项,s(t)为周期项,ε(t)为随机误差项;
●对72小时细颗粒物浓度数据进行时序分解操作,去除周期项s(t);
●以ht为时间间隔计算时间变异函数,计算公式如下:
其中,Z(ti)和Z(tj)分别为ti和tj时间点细颗粒物浓度;
●以时间间隔为横坐标,时间变异函数值为纵坐标,绘制时间变异函数散点图;
●对上述时间变异函数散点图以球状模型进行拟合。
将空间变异函数和时间变异函数统一并计算时空变异函数值,具体为:
●根据以下公式计算时空变异函数值,统一空间变异函数值和时间变异函数值:
γs,t(hs,ht)=(k2+k1Ct(0))γs(hs)+(k3+k1Cs(0)γt(ht)-k1γs(hs)γt(ht)————公式(7)
其中,k1,k2和k3都为常量,Cs(0)为自变量为0的空间协方差函数值,Ct(0)为自变量为0的时间协方差函数值。
(3)估算细颗粒物浓度
计算用户所在位置与n个空气质量监测站点的距离值,计算公式同公式(2),用h0n表示用户和n号监测站距离值;
分别计算空气质量监测站点间的距离值,计算公式同公式(2),用h1n表示1号监测站和n号监测的距离,以此类推;
以空间距离为空间变异函数自变量计算空间变异函数,取1小时为时间变异函数自变量计算时间变异函数值,并以此为基础计算时空变异函数值;具体为:根据时空变异函数值以及湿度、风速和大气压强值计算每个监测站点对用户所在位置影响的权重值,计算公式如下:
————公式(8)
其中是时空变异函数,Mn1,Mn2和Mn3分别为湿度,风速和大气压强,λn为空气质量监测站点对用户所在位置的影响的权重值;
分别计算各个监测站点的加权值并进行求和,得到用户所在位置的细颗粒物污染浓度值,具体为:
式中,Z(s0,t0)为用户当前位置的细颗粒物浓度。
本发明提供的技术方案的有益效果是:与只考虑空间相关性的传统估算方式不同,该发明通过构建空间变异函数和时间变异函数,同时考虑到时空两大维度的相关性,在此基础上引入湿度、风速和大气压强三大气象因子,可以更准确地估算细颗粒物污染浓度值。
附图说明
图1为本发明的流程图;
图2为本发明空间变异函数散点图;
图3为本发明时间变异函数散点图;
图4为本发明估算结果图;
具体实施方式
下面将结合本发明实施例中的附图1-4,对本发明实施例中的技术方案进行清楚、完整地描述。
请参阅图1-4,本发明提供一种基于时空特征的实时估算细颗粒物浓度的方法,其特征在于:包含3个步骤,分别为数据获取与预处理步骤、拟合时空变异曲线步骤,估算细颗粒物浓度步骤;
(1)所述数据获取与预处理步骤包括:
获取以当前小时为起点向前72小时n个空气质量监测站点的细颗粒物浓度,以及各个站点的地理位置信息,共72*n组数据;
获取当前小时m个气象监测站点的湿度、风速和大气压强值,以及气象站点地理位置信息;
将m个气象监测站点构建泰森多边形,将每个空气质量监测站点与气象监测站点构成的泰森多边形一一匹配,为每个空气监测站点赋予湿度、风速以及大气压强值;用x,y值表示空气质量监测站点的空间位置,M1、M2和M3分别表示该空气质量监测站点的湿度、风速和大气压强值;
由于细颗粒物浓度、湿度、风速和大气压强值具有不同的量纲,为消除数据不同量纲的影响性,使数据具有可比性,使用极差法对数据进行标准化处理,极差法公式如下:
式中x*为标准化的新数值,xmax为样本数据最大值,xmin为样本数据最小值。
(2)所述拟合时空变异曲线步骤包括:
对当前小时n个空气监测站点细颗粒物浓度进行空间变异函数拟合,以空气监测站点间空间距离为自变量,具体为:
●计算各个空气质量监测站点间的距离值以及变异函数值,计算公式分别如下:
式中(xi,yi)为监测站点i的空间位置,(xj,yj)为监测站点j的空间位置;
式中Z(i)和Z(j)分别为站点i和站点j细颗粒物浓度值;
●以距离h为横坐标,空间变异函数γs(hs)值为纵坐标,绘制空间变异函数散点图;
●对上述空间变异函数散点图进行球状模型拟合,拟合公式如下:
式中C0,a,C均为常量
对72小时n个空气监测站点细颗粒物浓度进行时间变异函数拟合,以时间间隔为自变量,具体为:
●由于72小时细颗粒物浓度是一组具有周期的时间序列值,可分解为以下公式:Z(t)=μ(t)+s(t)+ε(t)————公式(5)
其中,μ(t)为趋势项,s(t)为周期项,ε(t)为随机误差项;
●对72小时细颗粒物浓度数据进行时序分解操作,去除周期项s(t);
●以ht为时间间隔计算时间变异函数,计算公式如下:
其中,Z(ti)和Z(tj)分别为ti和tj时间点细颗粒物浓度;
●以时间间隔为横坐标,时间变异函数值为纵坐标,绘制时间变异函数散点图;
●对上述时间变异函数散点图以球状模型进行拟合。
将空间变异函数和时间变异函数统一并计算时空变异函数值,具体为:
●根据以下公式计算时空变异函数值,统一空间变异函数值和时间变异函数值:
γs,t(hs,ht)=(k2+k1Ct(0))γs(hs)+(k3+k1Cs(0))γt(ht)-k1γs(hs)γt(ht)————式(7)
其中,k1,k2和k3都为常量,Cs(0)为自变量为0的空间协方差函数值,Ct(0)为自变量为0的时间协方差函数值。
(3)估算细颗粒物浓度
计算用户所在位置与n个空气质量监测站点的距离值,计算公式同公式(2),用h0n表示用户和n号监测站距离值;
分别计算空气质量监测站点间的距离值,计算公式同公式(2),用h1n表示1号监测站和n号监测的距离,以此类推;
以空间距离为空间变异函数自变量计算空间变异函数,取1小时为时间变异函数自变量计算时间变异函数值,并以此为基础计算时空变异函数值;具体为:根据时空变异函数值以及湿度、风速和大气压强值计算每个监测站点对用户所在位置影响的权重值,计算公式如下:
————公式(8)
其中是时空变异函数,Mn1,Mn2和Mn3分别为湿度,风速和大气压强,λn为空气质量监测站点对用户所在位置的影响的权重值;
分别计算各个监测站点的加权值并进行求和,得到用户所在位置的细颗粒物污染浓度值,具体为:
式中,Z(s0,t0)为用户当前位置的细颗粒物浓度。
Claims (6)
1.一种基于时空特征的实时估算细颗粒物浓度的方法,其特征在于:包含3个步骤,分别为数据获取与预处理步骤、拟合时空变异曲线步骤,估算细颗粒物浓度步骤;
(1)所述数据获取与预处理步骤包括:
1)获取以当前小时为起点向前72小时n个空气质量监测站点的细颗粒物浓度,以及各个站点的地理位置信息,共72*n组数据;
2)获取当前小时m个气象监测站点的湿度、风速和大气压强值,以及气象站点地理位置信息;
3)将m个气象监测站点构建泰森多边形;
4)由于细颗粒物浓度、湿度、风速和大气压强值具有不同的量纲,为消除数据不同量纲的影响性,使数据具有可比性,使用极差法对数据进行标准化处理,极差法公式如下:
----公式(1)
式中x*为标准化的新数值,xmax为样本数据最大值,xmin为样本数据最小值。
(2)所述拟合时空变异曲线步骤包括:
1)对当前小时n个空气监测站点细颗粒物浓度进行空间变异函数拟合,以空气监测站点间空间距离为自变量,具体为:
●计算各个空气质量监测站点间的距离值以及变异函数值,计算公式分别如下:
----公式(2)
式中(xi,yi)为监测站点i的空间位置,(xj,yj)为监测站点j的空间位置;
----公式(3)
式中Z(i)和Z(j)分别为站点i和站点j细颗粒物浓度值;
●以距离h为横坐标,空间变异函数γs(hs)值为纵坐标,绘制空间变异函数散点图;
●对上述空间变异函数散点图进行球状模型拟合;
2)对72小时n个空气监测站点细颗粒物浓度进行时间变异函数拟合,以时间间隔为自变量,具体为:
●由于72小时细颗粒物浓度是一组具有周期的时间序列值,可分解为以下公式:Z(t)=μ(t)+s(t)+ε(t)
其中,μ(t)为趋势项,s(t)为周期项,ε(t)为随机误差项;
●对72小时细颗粒物浓度数据进行时序分解操作,去除周期项s(t);
以ht为时间间隔计算时间变异函数;
●以时间间隔为横坐标,时间变异函数值为纵坐标,绘制时间变异函数散点图;
●对上述时间变异函数散点图以球状模型进行拟合;
3)将空间变异函数和时间变异函数统一并计算时空变异函数值,具体为:
●计算时空变异函数值,统一空间变异函数值和时间变异函数值;
(3)估算细颗粒物浓度
1)计算用户所在位置与n个空气质量监测站点的距离值,计算公式同公式(2),用h0n表示用户和n号监测站距离值;
2)分别计算空气质量监测站点间的距离值,计算公式同公式(2),用h1n表示1号监测站和n号监测的距离,以此类推;
3)以空间距离为空间变异函数自变量计算空间变异函数,取1小时为时间变异函数自变量计算时间变异函数值,并以此为基础计算时空变异函数值;
4)分别计算各个监测站点的加权值并进行求和,得到用户所在位置的细颗粒物污染浓度值,具体为:
Z(s0,t0)=∑Z(si,tj)λn
式中,Z(s0,t0)为用户当前位置的细颗粒物浓度。
2.根据权利要求1所述的一种基于时空特征的实时估算细颗粒物浓度的方法,其特征在于:构建泰森多边形的具体步骤为:将每个空气质量监测站点与气象监测站点构成的泰森多边形一一匹配,为每个空气监测站点赋予湿度、风速以及大气压强值;用x,y值表示空气质量监测站点的空间位置,M1、M2和M3分别表示该空气质量监测站点的湿度、风速和大气压强值。
3.根据权利要求1所述的一种基于时空特征的实时估算细颗粒物浓度的方法,其特征在于:以空间距离为空间变异函数自变量计算空间变异函数,取1小时为时间变异函数自变量计算时间变异函数值的具体步骤为:根据时空变异函数值以及湿度、风速和大气压强值计算每个监测站点对用户所在位置影响的权重值,计算公式如下:
其中是时空变异函数,Mn1,Mn2和Mn3分别为湿度,风速和大气压强,λn为空气质量监测站点对用户所在位置的影响的权重值。
4.根据权利要求1所述的一种基于时空特征的实时估算细颗粒物浓度的方法,其特征在于:对空间变异函数散点图进行球状模型拟合的拟合公式如下:
式中C0,a,C均为常量。
5.根据权利要求1所述的一种基于时空特征的实时估算细颗粒物浓度的方法,其特征在于:以ht为时间间隔计算时间变异函数的计算公式如下:
其中,Z(ti)和Z(tj)分别为ti和tj时间点细颗粒物浓度。
6.根据权利要求1所述的一种基于时空特征的实时估算细颗粒物浓度的方法,其特征在于:时空变异函数值的计算公式为,
γs,t(hs,ht)=(k2+k1Ct(0))γs(hs)+(k3+k1Cs(0))γt(ht)-k1γs(hs)γt(ht)
其中,k1,k2和k3都为常量,Cs(0)为自变量为0的空间协方差函数值,Ct(0)为自变量为0的时间协方差函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510611193.9A CN105117610B (zh) | 2015-09-21 | 2015-09-21 | 一种基于时空特征的实时估算细颗粒物浓度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510611193.9A CN105117610B (zh) | 2015-09-21 | 2015-09-21 | 一种基于时空特征的实时估算细颗粒物浓度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105117610A true CN105117610A (zh) | 2015-12-02 |
CN105117610B CN105117610B (zh) | 2017-11-03 |
Family
ID=54665598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510611193.9A Expired - Fee Related CN105117610B (zh) | 2015-09-21 | 2015-09-21 | 一种基于时空特征的实时估算细颗粒物浓度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105117610B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404624A (zh) * | 2016-08-30 | 2017-02-15 | 深圳益杉创新科技有限公司 | 基于压力检测的空气颗粒物浓度检测方法及装置 |
CN106920198A (zh) * | 2015-12-24 | 2017-07-04 | 日本电气株式会社 | 用于污染物溯源的设备和方法 |
CN107576814A (zh) * | 2017-09-15 | 2018-01-12 | 深圳市卡普瑞环境科技有限公司 | 一种基于风速区间的数据校正方法以及终端 |
CN107798425A (zh) * | 2017-10-16 | 2018-03-13 | 中国科学院地理科学与资源研究所 | 一种基于大数据的时空混淆暴露度评估系统及方法 |
CN108120661A (zh) * | 2017-12-19 | 2018-06-05 | 北京理工大学 | 一种城市空气中颗粒物含量时空分布测定方法 |
CN109754182A (zh) * | 2018-12-29 | 2019-05-14 | 上海立昌环境工程股份有限公司 | 一种污染场地土壤修复量的计算方法及系统 |
CN110457760A (zh) * | 2019-07-17 | 2019-11-15 | 浙江大学 | 一种基于空气污染传播模式的空气污染治理方法 |
CN111125937A (zh) * | 2020-01-13 | 2020-05-08 | 暨南大学 | 基于时空加权回归模型近地面大气细颗粒物浓度估算方法 |
CN111665325A (zh) * | 2020-06-09 | 2020-09-15 | 中科三清科技有限公司 | 确定大气污染物时间来源的方法和装置 |
CN111738600A (zh) * | 2020-06-23 | 2020-10-02 | 南通大学 | 一种基于高精度pm2.5反演结果的城市道路空气质量评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234877A (zh) * | 2013-04-10 | 2013-08-07 | 中国科学院合肥物质科学研究院 | 一种大气颗粒物粒径谱时空分布激光雷达数据反演方法 |
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 |
-
2015
- 2015-09-21 CN CN201510611193.9A patent/CN105117610B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234877A (zh) * | 2013-04-10 | 2013-08-07 | 中国科学院合肥物质科学研究院 | 一种大气颗粒物粒径谱时空分布激光雷达数据反演方法 |
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 |
---|
ARTHUR T.DEGAETANO,ET AL.: "Temporal,spatial and meteorological variations in hourly PM2.5 concentration extremes in New York city", 《ATMOSPHERIC ENVIRONMENT》 * |
DONG XUELING,ET AL.: "Spatial-Temporal Variation of extractable organic matter in atmospheric PM_(10) and PM_(2.5) in Beijing", 《ENVIRONMENT SCIENCE》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920198A (zh) * | 2015-12-24 | 2017-07-04 | 日本电气株式会社 | 用于污染物溯源的设备和方法 |
CN106404624A (zh) * | 2016-08-30 | 2017-02-15 | 深圳益杉创新科技有限公司 | 基于压力检测的空气颗粒物浓度检测方法及装置 |
CN107576814A (zh) * | 2017-09-15 | 2018-01-12 | 深圳市卡普瑞环境科技有限公司 | 一种基于风速区间的数据校正方法以及终端 |
CN107798425A (zh) * | 2017-10-16 | 2018-03-13 | 中国科学院地理科学与资源研究所 | 一种基于大数据的时空混淆暴露度评估系统及方法 |
CN108120661A (zh) * | 2017-12-19 | 2018-06-05 | 北京理工大学 | 一种城市空气中颗粒物含量时空分布测定方法 |
CN109754182B (zh) * | 2018-12-29 | 2020-09-11 | 上海立昌环境工程股份有限公司 | 一种污染场地土壤修复量的计算方法及系统 |
CN109754182A (zh) * | 2018-12-29 | 2019-05-14 | 上海立昌环境工程股份有限公司 | 一种污染场地土壤修复量的计算方法及系统 |
CN110457760A (zh) * | 2019-07-17 | 2019-11-15 | 浙江大学 | 一种基于空气污染传播模式的空气污染治理方法 |
CN110457760B (zh) * | 2019-07-17 | 2021-02-02 | 浙江大学 | 一种基于空气污染传播模式的空气污染治理方法 |
CN111125937A (zh) * | 2020-01-13 | 2020-05-08 | 暨南大学 | 基于时空加权回归模型近地面大气细颗粒物浓度估算方法 |
CN111125937B (zh) * | 2020-01-13 | 2023-05-02 | 暨南大学 | 基于时空加权回归模型近地面大气细颗粒物浓度估算方法 |
CN111665325A (zh) * | 2020-06-09 | 2020-09-15 | 中科三清科技有限公司 | 确定大气污染物时间来源的方法和装置 |
CN111665325B (zh) * | 2020-06-09 | 2021-06-01 | 中科三清科技有限公司 | 确定大气污染物时间来源的方法和装置 |
CN111738600A (zh) * | 2020-06-23 | 2020-10-02 | 南通大学 | 一种基于高精度pm2.5反演结果的城市道路空气质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105117610B (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117610A (zh) | 一种基于时空特征的实时估算细颗粒物浓度的方法 | |
US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
Banks et al. | Performance evaluation of the boundary-layer height from lidar and the Weather Research and Forecasting model at an urban coastal site in the north-east Iberian Peninsula | |
Kyselý et al. | Estimating extremes in climate change simulations using the peaks-over-threshold method with a non-stationary threshold | |
Szpiro et al. | Predicting intra‐urban variation in air pollution concentrations with complex spatio‐temporal dependencies | |
Contreras et al. | Wind-sensitive interpolation of urban air pollution forecasts | |
Li et al. | Spatial interpolation of fine particulate matter concentrations using the shortest wind-field path distance | |
CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
Mondal et al. | On the detection of human influence in extreme precipitation over India | |
Zhang et al. | Probabilistic assessment of high concentrations of particulate matter (PM10) in Beijing, China | |
Uddin et al. | Performance assessment of spatial interpolation methods for the estimation of atmospheric carbon dioxide in the wider geographic extent | |
Zhou et al. | Ensemble transform Kalman filter (ETKF) for large-scale wildland fire spread simulation using FARSITE tool and state estimation method | |
Liu et al. | A statistical modeling approach for air quality data based on physical dispersion processes and its application to ozone modeling | |
Franzke et al. | Systematic attribution of observed Southern Hemisphere circulation trends to external forcing and internal variability | |
Pan et al. | Spatial variability of daytime CO2 concentration with landscape structure across urbanization gradients, Shanghai, China | |
Wu et al. | A novel hybrid model for hourly PM2. 5 prediction considering air pollution factors, meteorological parameters and GNSS-ZTD | |
Szintai et al. | Simulation of pollutant transport in complex terrain with a numerical weather prediction–particle dispersion model combination | |
Vervatis et al. | Data assimilative twin-experiment in a high-resolution Bay of Biscay configuration: 4DEnOI based on stochastic modeling of the wind forcing | |
Ma et al. | Guiding the data learning process with physical model in air pollution inference | |
Anisimov | Predicting patterns of near-surface air temperature using empirical data | |
Wang et al. | The parameters estimation for a PM2. 5 transport model with the Adjoint method | |
Bansal et al. | Examining temporally varying nonlinear effects of urban form on urban heat island using explainable machine learning: A case of Seoul | |
Park et al. | Optimal RCM and spatial interpolation methods for estimating future precipitation in the Republic of Korea | |
Li et al. | Statistical analysis of wind load probabilistic models considering wind direction and calculation of reference wind pressure values in Liaoning Province, China | |
Yang et al. | Graph Convolutional Network-Based Model for Megacity Real Estate Valuation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
DD01 | Delivery of document by public notice |
Addressee: Huang Bo Document name: Notification of Patent Invention Entering into Substantive Examination Stage Addressee: Huang Bo Document name: Notification of Publication of the Application for Invention |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171103 Termination date: 20180921 |
|
CF01 | Termination of patent right due to non-payment of annual fee |