CN105740643B - 一种基于城市区域网格自适应的pm2.5浓度推测方法 - Google Patents
一种基于城市区域网格自适应的pm2.5浓度推测方法 Download PDFInfo
- Publication number
- CN105740643B CN105740643B CN201610146147.0A CN201610146147A CN105740643B CN 105740643 B CN105740643 B CN 105740643B CN 201610146147 A CN201610146147 A CN 201610146147A CN 105740643 B CN105740643 B CN 105740643B
- Authority
- CN
- China
- Prior art keywords
- grid
- concentration
- resolution
- urban area
- feature
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012417 linear regression Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004513 sizing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 3
- 101100100125 Mus musculus Traip gene Proteins 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biochemistry (AREA)
- Dispersion Chemistry (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于城市区域网格自适应的PM2.5浓度推测方法。本发明首先将城市区域网格化,利用出租车采集原始PM2.5浓度数据,再制定标准,将网格分辨率标准化,利用提取到的网格特征离线训练网格分辨率细化等级和网格特征间的对应关系,实时推测城市浓度时,首先利用提取到的实时网格特征和训练模型,计算出网格所要调整的分辨率,重新划分网格,最后利用线性回归模型推测出每个网格的PM2.5浓度数据,得到城市区域PM2.5浓度数据分布图。本发明方法系统可扩展性强,精确度高,计算量小,为居民出行活动提供参考,并帮助管理部门寻找污染源,改善城市环境质量。
Description
技术领域
本发明涉及传感器网络技术、计算机应用技术和数据挖掘技术,是一种基于城市区域网格自适应的PM2.5浓度推测方法。
背景技术
PM2.5被认为是对公众健康和环境造成最大影响的污染物,特别是像北京这样的发展中国家大城市更是深受PM2.5的危害。由于复杂的城市结构和多样的城市功能区,传统的监测站监测PM2.5的方法根本无法告诉城市居民实时准确的PM2.5浓度。
近年来,许多学者试图提供更加细粒度的城市污染物浓度分布,他们将PM2.5采集装置安装在公交车或者出租车顶,让交通工具实时自主的采集城市PM2.5数据,结合机器学习,数据挖掘等技术推测出交通工具未覆盖区域的PM2.5浓度,最后给出城市区域细粒度,固定分辨率的PM2.5浓度分布图。这种方法能提供精确的城市PM2.5浓度分布,但是其将城市区域划分成 100m*100m或者200m*200m的过小的固定分辨率网格增加了算法计算量,降低了系统扩展性,不利于推广到大范围PM2.5浓度监测。
总的来说,城市区域网格自适应调整下推测城市PM2.5浓度十分重要,过大的网格导致无法接受的推测误差,而过小的网格导致过多的计算量。
发明内容
本发明针对现有城市网格划分不足和传统监测PM2.5浓度的缺点,结合传感器网络,数据挖掘等技术,提出了一种基于城市区域网格自适应的 PM2.5浓度推测方法。
本发明主要由以下几个步骤构成:1、城市区域网格化,并采集城市 PM2.5原始数据2、网格分辨率标准化3、网格特征提取4、离线训练5、重新划分网格6、在线推测。
本发明方法的具体步骤是:
步骤(1)、城市区域网格化,并采集城市PM2.5原始数据。具体是将城市区域划分成500m*500m大小的初始分辨率网格,车顶安装PM2.5采集设备的出租车随机行驶于城市道路,采集城市区域PM2.5浓度数据。
步骤(2)、网格分辨率标准化。本发明方法定义了4种不同分辨率的网格,分别为1000m*1000m,500m*500m,250m*250m,125m*125m,并定义了4种相应的网格分辨率细化等级,分别为-1,0,1,2。根据PM2.5国家标准和PM2.5浓度变化对人体健康的影响,本发明方法制定了网格分辨率细化等级计算方法如下式所示:
MDV=(|xij-xi-1j|+|xij-xi+1j|+|xij-xij-1|+|xij-xij-1|)/4
其中xij表示城市区域网格中第i行,第j列的网格PM2.5浓度,MDV 表示中心网格PM2.5浓度和其四周网格PM2.5浓度的平均差值,L表示网格分辨率细化等级。以下对该公式做进一步说明:
等级-1:当一个网格和其周围网格的PM2.5浓度都小于75ug/m3(空气质量等级为“良”)时,合并这4个相邻的网格为1000m*1000m分辨率网格。
等级1:当一个网格的PM2.5浓度大于115ug/m3(空气质量等级为“中度污染”),并且该网格的PM2.5浓度与四周网格的PM2.5浓度平均差值在 5ug/m3和10ug/m3之间时,将该网格划分成4个相同的,分辨率为 250m*250m的网格。
等级2:当一个网格的PM2.5浓度大于115ug/m3(空气质量等级为“中度污染”),并且该网格的PM2.5浓度与四周网格的PM2.5浓度平均差值大于10ug/m3时,将该网格划分成16个相同的,分辨率为125m*125m的网格。
等级0:其他网格保持其初始500m*500m分辨率。
步骤(3)、网格特征提取。PM2.5浓度受温度,湿度,风力,交通状况等特征因素影响,据此本发明方法定义了6种网格特征:
温度特征(Ft):该特征表示初始分辨率下各个网格区域的气温大小。
湿度特征(Fh):该特征表示初始分辨率下各个网格区域的湿度大小。
天气特征(Fw):该特征表示初始分辨率下各个网格区域的天气情况,它分为晴,阴,小雨,大雨,雪。
风力特征(Fw_p):该特征表示初始分辨率下各个网格区域的风力大小。
交通状况特征(Ftr):该特征表示初始分辨率下各个网格区域的交通状况,它分为畅通,缓行,拥挤,严重拥挤。
位置特征(Fl):该特征表示初始分辨率下各个网格区域的地理位置。
步骤(4)、离线训练。本发明方法利用人工神经网络(Artificial NeutralNetwork,ANN)模型训练网格分辨率细化等级与网格特征之间的对应关系,得到网格分辨率细化模型。
步骤(5)、重新划分网格。依据步骤(4)训练获得的网格分辨率细化模型和步骤(3)实时提取的网格特征,推测各个初始分辨率的网格需要细化的等级,自适应调整网格大小,重新划分整个城市区域的网格。
步骤(6)、在线推测。根据步骤(1)实时采集的PM2.5浓度原始数据,利用线性回归模型(Linear Regression,LR)在自适应分辨率网格下推测无原始数据网格的PM2.5浓度。具体为:首先计算得到回归系数a,b,如下式所示;
其中X为区域内所有网格的温度,湿度,风力,天气,交通状况,位置特征集,X为n×6矩阵,XT为矩阵X的转置矩阵,XT为6×n,为所有网格的特征平均值矩阵,为1×6矩阵,y为所有网格的PM2.5浓度值,y为n×1 矩阵,为所有网格的PM2.5浓度平均值,n为城市区域网格个数,得到系数b为6×1矩阵,系数a为常数。
然后建立城市任意网格PM2.5浓度值与网格特征之间的线性回归模型;
Y=xb+a
其中Y为任意网格的PM2.5浓度值,x为对应网格的网格特征集;
最后,利用此回归模型实时推测城市区域PM2.5浓度分布。
本发明的有益效果是:
(1)、本发明方法系统可扩展性强,可以通过调整初始分辨率被运用到大范围的城市空气质量监测;
(2)、本发明方法自适应调整网格大小,确保了推测精度前提下,大大降低了计算复杂度;
(3)、本发明方法细粒度城市区域PM2.5浓度推测方法可以告知城市居民实时确切的空气质量情况,为居民出行活动提供参考,并帮助管理部门寻找污染源,改善城市环境质量。
附图说明
图1示出本发明方法的流程图;
图2示出城市区域PM2.5原始数据采集场景图;
图3示出本发明方法离线训练图;
图4示出本发明方法重新划分网格过程图;
图5示出网格自适应分辨率下,城市区域PM2.5网格浓度推测结果图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示,一种基于城市区域网格自适应的PM2.5浓度推测方法具体步骤是:
步骤(1)、城市区域网格化,并采集城市PM2.5原始数据。如图2所示,将城市区域划分成500m*500m大小的初始分辨率网格,车顶安装PM2.5采集设备的出租车随机行驶于城市道路,采集城市区域PM2.5浓度数据,并将实时采集的数据通过通用分组无线业务(GeneralPacket Radio Service, GPRS)传输至服务器,图中标圆圈网格代表车辆覆盖的网格,即有PM2.5原始数据的网格。
步骤(2)、网格分辨率标准化。本发明方法定义了4种不同分辨率的网格,分别为1000m*1000m,500m*500m,250m*250m,125m*125m,并定义了4种相应的网格分辨率细化等级,分别为-1,0,1,2。根据PM2.5国家标准和PM2.5浓度变化对人体健康的影响,本发明方法制定了网格分辨率细化等级计算方法如下式所示:
MDV=(|xij-xi-1j|+|xij-xi+1j|+|xij-xij-1|+|xij-xij-1|)/4
其中xij表示城市区域网格中第i行,第j列的网格PM2.5浓度,MDV 表示中心网格PM2.5浓度和其四周网格PM2.5浓度的平均差值,L表示网格分辨率细化等级。以下对该公式做进一步说明:
等级-1:当一个网格和其周围网格的PM2.5浓度都小于75ug/m3(空气质量等级为“良”)时,合并这4个相邻的网格为1000m*1000m分辨率网格。
等级1:当一个网格的PM2.5浓度大于115ug/m3(空气质量等级为“中度污染”),并且该网格的PM2.5浓度与四周网格的PM2.5浓度平均差值在 5ug/m3和10ug/m3之间时,将该网格划分成4个相同的,分辨率为 250m*250m的网格。
等级2:当一个网格的PM2.5浓度大于115ug/m3(空气质量等级为“中度污染”),并且该网格的PM2.5浓度与四周网格的PM2.5浓度平均差值大于10ug/m3时,将该网格划分成16个相同的,分辨率为125m*125m的网格。
等级0:其他网格保持其初始500m*500m分辨率。
步骤(3)、网格特征提取。PM2.5浓度受温度,湿度,风力,交通状况等特征因素影响,据此本发明方法定义了6种网格特征:
温度特征(Ft):该特征表示初始分辨率下各个网格区域的气温大小。
湿度特征(Fh):该特征表示初始分辨率下各个网格区域的湿度大小。
天气特征(Fw):该特征表示初始分辨率下各个网格区域的天气情况,它分为晴,阴,小雨,大雨,雪。
风力特征(Fw_p):该特征表示初始分辨率下各个网格区域的风力大小。
交通状况特征(Ftr):该特征表示初始分辨率下各个网格区域的交通状况,它分为畅通,缓行,拥挤,严重拥挤。
位置特征(Fl):该特征表示初始分辨率下各个网格区域的地理位置。
步骤(4)、离线训练。本发明方法利用人工神经网络(Artificial NeutralNetwork,ANN)模型训练网格分辨率细化等级与网格特征之间的对应关系,得到网格分辨率细化模型。如图3所示,本发明方法人工神经网络包括三层:输入层,隐藏层,输出层,其中输入层有8个节点,输出层有1 个节点,和Lk分别表示网格k的温度特征,湿度特征,天气特征,风力特征,交通状况特征,位置特征和网格分辨率细化等级。
步骤(5)、重新划分网格。依据步骤(4)训练获得的网格分辨率细化模型和步骤(3)实时提取的网格特征,推测各个初始分辨率的网格需要细化的等级,自适应调整网格大小,重新划分整个城市区域的网格。如图4 所示,将初始分辨率城市区域的每个网格特征提取出来输入步骤(4)获得的离线训练模型,输出每个网格相应的细化等级,依据其细化等级,自适应调整网格大小,得到自适应分辨率城市区域网格。
步骤(6)、在线推测。根据步骤(1)实时采集的PM2.5浓度原始数据,利用线性回归模型(Linear Regression,LR)在自适应分辨率网格下推测无原始数据网格的PM2.5浓度。具体为:首先计算得到回归系数a,b,如下式所示;
其中X为区域内所有网格的温度,湿度,风力,天气,交通状况,位置特征集,X为n×6矩阵,XT为矩阵X的转置矩阵,XT为6×n,为所有网格的特征平均值矩阵,为1×6矩阵,y为所有网格的PM2.5浓度值,y为n×1 矩阵,为所有网格的PM2.5浓度平均值,n为城市区域网格个数,得到系数b为6×1矩阵,系数a为常数。
然后建立城市任意网格PM2.5浓度值与网格特征之间的线性回归模型。
Y=xb+a
其中Y为任意网格的PM2.5浓度值,x为对应网格的网格特征集。
最后,利用此回归模型实时推测城市区域PM2.5浓度分布,城市区域 PM2.5浓度分布如图5所示。
Claims (1)
1.一种基于城市区域网格自适应的PM2.5浓度推测方法,其特征在于该方法的具体步骤是:
步骤(1)、城市区域网格化,并采集城市PM2.5原始数据;
具体是将城市区域划分成500m*500m大小的初始分辨率网格,车顶安装PM2.5采集设备的出租车随机行驶于城市道路,采集城市区域PM2.5浓度数据;
步骤(2)、网格分辨率标准化;
定义四种不同分辨率的网格,分别为1000m*1000m,500m*500m,250m*250m,125m*125m,并定义四种相应的网格分辨率细化等级,分别为-1,0,1,2;制定网格分辨率细化等级计算,如下式所示:
MDV=(|xij-xi-1j|+|xij-xi+1j|+|xij-xij-1|+|xij-xij-1|)/4
其中xij表示城市区域网格中第i行,第j列的网格PM2.5浓度,MDV表示中心网格PM2.5浓度和其四周网格PM2.5浓度的平均差值,L表示网格分辨率细化等级,其中:
等级-1:当一个网格和其周围网格的PM2.5浓度都小于75ug/m3时,合并这四个相邻的网格为1000m*1000m分辨率网格;
等级1:当一个网格的PM2.5浓度大于115ug/m3,并且该网格的PM2.5浓度与四周网格的PM2.5浓度平均差值在5ug/m3和10ug/m3之间时,将该网格划分成四个相同的,分辨率为250m*250m的网格;
等级2:当一个网格的PM2.5浓度大于115ug/m3,并且该网格的PM2.5浓度与四周网格的PM2.5浓度平均差值大于10ug/m3时,将该网格划分成十六个相同的,分辨率为125m*125m的网格;
等级0:其他网格保持其初始500m*500m分辨率;
步骤(3)、网格特征提取;
定义六种网格特征:
温度特征Ft:该特征表示初始分辨率下各个网格区域的气温大小;
湿度特征Fh:该特征表示初始分辨率下各个网格区域的湿度大小;
天气特征Fw:该特征表示初始分辨率下各个网格区域的天气情况,它分为晴,阴,小雨,大雨,雪;
风力特征Fw_p:该特征表示初始分辨率下各个网格区域的风力大小;
交通状况特征Ftr:该特征表示初始分辨率下各个网格区域的交通状况,它分为畅通,缓行,拥挤,严重拥挤;
位置特征Fl:该特征表示初始分辨率下各个网格区域的地理位置;
步骤(4)、离线训练;
利用人工神经网络模型训练网格分辨率细化等级与网格特征之间的对应关系,得到网格分辨率细化模型;
步骤(5)、重新划分网格;
依据步骤(4)训练获得的网格分辨率细化模型和步骤(3)实时提取的网格特征,推测各个初始分辨率的网格需要细化的等级,自适应调整网格大小,重新划分整个城市区域的网格;
步骤(6)、在线推测;
根据步骤(1)实时采集的PM2.5浓度原始数据,利用线性回归模型,在自适应分辨率网格下推测无原始数据网格的PM2.5浓度;具体为:首先计算得到回归系数a,b,如下式所示;
其中X为区域内所有网格的温度,湿度,风力,天气,交通状况,位置特征集,X为n×6矩阵,XT为矩阵X的转置矩阵,XT为6×n,为所有网格的特征平均值矩阵,为1×6矩阵,y为所有网格的PM2.5浓度值,y为n×1矩阵,为所有网格的PM2.5浓度平均值,n为城市区域网格个数,得到系数b为6×1矩阵,系数a为常数;
然后建立城市任意网格PM2.5浓度值与网格特征之间的线性回归模型;
Y=xb+a
其中Y为任意网格的PM2.5浓度值,x为对应网格的网格特征集;
最后,利用此回归模型实时推测城市区域PM2.5浓度分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610146147.0A CN105740643B (zh) | 2016-03-15 | 2016-03-15 | 一种基于城市区域网格自适应的pm2.5浓度推测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610146147.0A CN105740643B (zh) | 2016-03-15 | 2016-03-15 | 一种基于城市区域网格自适应的pm2.5浓度推测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740643A CN105740643A (zh) | 2016-07-06 |
CN105740643B true CN105740643B (zh) | 2018-08-07 |
Family
ID=56251704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610146147.0A Active CN105740643B (zh) | 2016-03-15 | 2016-03-15 | 一种基于城市区域网格自适应的pm2.5浓度推测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740643B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107219157A (zh) * | 2017-07-29 | 2017-09-29 | 山东诺方电子科技有限公司 | 一种利用社会车辆进行大气颗粒物监测系统 |
CN108364087A (zh) * | 2018-01-11 | 2018-08-03 | 安徽优思天成智能科技有限公司 | 一种城市机动车尾气浓度的时空预测方法 |
CN109284706B (zh) * | 2018-09-12 | 2023-12-01 | 国际商业机器(中国)投资有限公司 | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 |
CN109213839A (zh) * | 2018-09-12 | 2019-01-15 | 北京英视睿达科技有限公司 | 基于网格化特征深度学习的热点网格污染物数据获取方法 |
CN109213840B (zh) * | 2018-09-12 | 2023-05-30 | 北京英视睿达科技股份有限公司 | 基于多维特征深度学习的热点网格识别方法 |
CN109543990A (zh) * | 2018-11-19 | 2019-03-29 | 北京英视睿达科技有限公司 | 基于污染源确定大气污染热点网格的方法及装置 |
CN109856021B (zh) * | 2018-12-24 | 2021-10-12 | 天津珞雍空间信息研究院有限公司 | 一种pm2.5反演方法及监测区域分割方法 |
CN110796284B (zh) * | 2019-09-20 | 2022-05-17 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
CN111125206B (zh) * | 2019-12-26 | 2020-11-17 | 中科三清科技有限公司 | 空气污染物数据的处理方法和装置 |
CN111222202B (zh) * | 2020-01-19 | 2023-08-01 | 智慧航海(青岛)科技有限公司 | 一种基于虚拟试验平台的船体网格自动划分方法 |
CN112565346A (zh) * | 2020-11-16 | 2021-03-26 | 智邮开源通信研究院(北京)有限公司 | 车联网数据采集方法、装置、电子设备及可读存储介质 |
CN117106849B (zh) * | 2023-10-24 | 2024-02-02 | 山东省科霖检测有限公司 | 一种城市空气微生物生态分布监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915551A (zh) * | 2015-05-23 | 2015-09-16 | 杭州电子科技大学 | 一种基于车载式数据采集技术的pm2.5浓度估算方法 |
CN105243444A (zh) * | 2015-10-09 | 2016-01-13 | 杭州尚青科技有限公司 | 一种基于在线多核回归的城市监测站点空气质量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100100328A1 (en) * | 2008-06-17 | 2010-04-22 | Moore John S | System and Method for Generating a Cloud Type and Coverage Prediction Database |
-
2016
- 2016-03-15 CN CN201610146147.0A patent/CN105740643B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915551A (zh) * | 2015-05-23 | 2015-09-16 | 杭州电子科技大学 | 一种基于车载式数据采集技术的pm2.5浓度估算方法 |
CN105243444A (zh) * | 2015-10-09 | 2016-01-13 | 杭州尚青科技有限公司 | 一种基于在线多核回归的城市监测站点空气质量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105740643A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740643B (zh) | 一种基于城市区域网格自适应的pm2.5浓度推测方法 | |
CN110298115B (zh) | 一种基于简化地形气动参数的风场动力降尺度方法 | |
CN109697323A (zh) | 一种融合卫星遥感和移动通信基站信号的降雨观测方法 | |
CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 | |
CN106816008A (zh) | 一种道路拥堵预警及拥堵形成时间预测方法 | |
CN100559395C (zh) | 飞机人工增雨业务技术系统 | |
CN112016696B (zh) | 融合卫星与地基观测的pm1浓度反演方法及系统 | |
CN105095670B (zh) | 基于连续雨凇的输电线路覆冰厚度增长率分布图绘制方法 | |
CN108510008B (zh) | 一种基于浮动车轨迹点空间关系和分布的路网提取方法 | |
CN112926468B (zh) | 一种潮滩高程自动提取方法 | |
CN112215416B (zh) | 智能规划巡检航线系统及方法 | |
EP3106901B1 (de) | Umweltmessungen mittels geographisch verteilter, mobiler sensoren | |
Liu et al. | Detection of wind corridors based on “Climatopes”: a study in central Ji’nan | |
CN115393712A (zh) | 基于动态混合池化策略的sar图像道路提取方法及系统 | |
CN103914737A (zh) | 一种输变电线路全线路现地气象信息计算方法 | |
DE102017210157A1 (de) | Vorrichtung und Verfahren zum mobilen Erfassen von Wetterinformationen | |
Zhang et al. | The CA model based on data assimilation | |
CN110298114B (zh) | 一种风场动力降尺度方法及存储介质 | |
CN113536569A (zh) | 基于风速段的wrf近地面风场模拟及结果评估方法及系统 | |
CN112214690B (zh) | 一种天气信息的获取方法、装置、存储介质及电子设备 | |
Lin et al. | Analysis of spatial-temporal differentiation and influence factors of construction land expansion of the urban agglomeration in central Yunnan | |
CN110728841B (zh) | 一种基于车路协同的交通流量采集方法、装置及系统 | |
CN103226662B (zh) | 一种河网密度空间化方法 | |
Bui et al. | Evaluating the effects of watershed subdivision on hydrological simulation by Swat model in an arctic watershed | |
Cai et al. | Analysis of Forecast and Early Warning of Flood in Medium and Small Rivers |
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 |