CN105956691A - 预测区域不同方位、观测点pm2.5背景浓度计算方法 - Google Patents

预测区域不同方位、观测点pm2.5背景浓度计算方法 Download PDF

Info

Publication number
CN105956691A
CN105956691A CN201610262180.XA CN201610262180A CN105956691A CN 105956691 A CN105956691 A CN 105956691A CN 201610262180 A CN201610262180 A CN 201610262180A CN 105956691 A CN105956691 A CN 105956691A
Authority
CN
China
Prior art keywords
background concn
data
background
concn
computational methods
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
Application number
CN201610262180.XA
Other languages
English (en)
Inventor
李云婷
程念亮
张大伟
孙瑞雯
董欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Municipal Environmental Monitoring Center
Original Assignee
Beijing Municipal Environmental Monitoring Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Municipal Environmental Monitoring Center filed Critical Beijing Municipal Environmental Monitoring Center
Priority to CN201610262180.XA priority Critical patent/CN105956691A/zh
Publication of CN105956691A publication Critical patent/CN105956691A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种预测区域不同方位PM2.5背景浓度的计算方法，包括：在预测区域的不同方位选取多个气象观测站点及相邻的PM2.5观测点；对气象观测数据及PM2.5值观测数据进行处理，剔除极值数据；采用裁剪平均的计算方法排除高、低监测极值；用20％裁剪平均求得数理统计法的背景浓度；基于情景分析法得到数值模拟的背景浓度；依据数理统计法的背景浓度与数值模拟的背景浓度，得到不同方位PM2.5背景浓度的空间分布。以及一种预测区域不同观测点PM2.5背景浓度的计算方法。本方法综合采用数理统计、物理识别、数值模拟方法，能较准确地得出模拟背景值浓度，能大幅降低背景浓度分析的不确定性，为管理部门提供多角度决策支持信息。

Description

预测区域不同方位、观测点PM2.5背景浓度计算方法
技术领域
本发明涉及大气环境PM2.5浓度分布技术领域，更具体地涉及一种预测区域不同方位、观测点PM2.5背景浓度的计算方法。
背景技术
以往的研究关于某一地区环境空气中污染物背景值的确立一般依靠设立的环境背景站获得相应的监测数据，然而随着国家城市化进程的发展，连绵成片的城市群排放的污染物在一定气象条件下被远距离输送，必然导致背景区域污染物浓度的抬升。
这些研究PM2.5背景值方法多为数理统计、物理识别的方法，如何合理的剔除本地污染源贡献，同时对区域浓度水平给予客观评价，反映出相对的背景浓度水平，是关键点同时也是难点所在。
发明内容
有鉴于此，本发明的目的在于提供一种预测区域不同方位PM2.5背景浓度的计算方法。
为了达到上述目的，作为本发明的一个方面，本发明提供了一种预测区域不同观测点PM2.5背景浓度的计算方法，包括以下步骤：
步骤1，在预测区域选取多个气象观测站点及相邻的PM2.5观测点；
步骤2，对所述气象观测数据及对应的PM2.5值观测数据进行处理，剔除极值数据；
步骤3，采用裁剪平均的计算方法排除高、低监测极值，所述裁剪平均是样本数据排序后去掉最低和最高两个等比例部分之后剩下的样本平均；
步骤4，用20％裁剪平均代表统计学的结果，并对其20％裁剪平均范围内样本依据风向时次加权平均，加权后的PM2.5值代表依据数理统计方法得出的背景浓度；
步骤5，基于情景分析法模拟预测区域不同网格的背景浓度，分别得到所述预测区域内及周边的所有污染源均不关闭和均关闭两种情况下的PM2.5污染分布；根据预测结果计算所述预测区域的所有不同网格内均关闭与均不关闭两种情况下PM2.5污染分布模拟结果的比值，即不同网格的周边源的贡献率；利用得到的贡献率乘以不同观测点位的实测值，得到依据数值模拟的点位的背景浓度；
步骤6，将所述依据数理统计方法得出的背景浓度与所述对应模拟网格的背景浓度进行加权平均，得到任意所述气象观测站点或PM2.5观测点的最终PM2.5背景浓度。
作为本发明的另一个方面，本发明还提供了一种预测区域不同方位PM2.5背景浓度的计算方法，包括以下步骤：
步骤1，在预测区域的不同方位选取多个气象观测站点及相邻的PM2.5观测点；
步骤2，对所述不同方位的气象观测数据及对应的PM2.5值观测数据进行处理，剔除极值数据；
步骤3，采用裁剪平均的计算方法排除高、低监测极值，所述裁剪平均是样本数据排序后去掉最低和最高两个等比例部分之后剩下的样本平均；
步骤4，用20％裁剪平均代表统计学的结果，并对其20％裁剪平均范围内样本依据风向时次加权平均，加权后的PM2.5值代表依据数理统计方法得出的背景浓度；
步骤5，基于情景分析法模拟预测区域不同网格的背景浓度，分别得到所述预测区域内及周边的所有污染源均不关闭和均关闭两种情况下的PM2.5污染分布；根据预测结果计算所述预测区域的所有不同网格内均关闭与均不关闭两种情况下PM2.5污染分布模拟结果的比值，即不同网格的周边源的贡献率；利用得到的贡献率乘以不同观测点位的实测值，得到依据数值模拟的点位的背景浓度；
步骤6，依据所述依据数理统计方法得出的背景浓度与所述对应模拟网格的背景浓度，得到不同方位的加权系数，将步骤5中模拟的预测区域人为源关闭后的PM2.5空间浓度分布乘以所述不同方位的加权系数，最终得到所述预测区域不同方位的PM2.5背景浓度的空间分布。
其中，步骤1中所述的不同方位包括西北、北、东北、东、东南、南、西南、西八个方位中的至少三个以上方位。
其中，步骤2中所述剔除极值数据的步骤包括：
步骤21，将风向设为4个象限，单小时风向跨越两个象限的数据予以剔除。
其中，步骤2中所述剔除极值数据的步骤进一步包括：
步骤22，在步骤21之后，结合每日08：00和20：00的探空数据资料及实况天气图做进一步的判别，保留中低空天气形势配置中尺度过程清楚、850hPa至低空风向较为一致、风向差≤60°的数据，由此得到整体风向较为统一的气象数据时间序列。
其中，步骤2中所述剔除极值数据的步骤进一步包括：
步骤23，在步骤22之后，结合遥感、实测天气图资料对特殊污染时段的数据进行进一步剔除；
其中，所述特殊污染时段包括沙尘过程、烟花爆竹燃放、秸秆燃烧、污染回流时段。
其中，步骤4中所述的20％裁剪平均步骤是通过对样本数据的20％裁剪平均范围内进行样本算术平均或依据风向时次加权平均来得到最终结果，其中优选采用依据风向时次加权平均计算。
其中，步骤5中所述情景分析法是通过空气质量数值模式CMAQ来实现的。
其中，步骤6中依据所述依据数理统计方法得出的背景浓度与所述对应模拟网格的背景浓度，得到不同方位的加权系数的步骤中，所述不同方位的加权系数根据历史数据及经验综合给出。
其中，步骤6中依据所述依据数理统计方法得出的背景浓度与所述对应模拟网格的背景浓度，得到不同方位的加权系数的步骤中，同一个方位不同模拟网格的加权系数相同。
基于上述技术方案可知，本发明的计算方法具有如下有益效果：本发明的计算方法采用观测数据及数值模拟技术相结合的方式，综合采用数理统计、物理识别、数值模拟的方法，能够相对比较准确地得出模拟背景值浓度，为管理部门提供多角度的决策支持信息；此外，采用模式情景分析方法，集成模型模拟相对值较为准确、观测点位实测浓度较为准确的各自优点，能够大幅降低背景浓度分析的不确定性并能得出一定区域内PM2.5背景浓度空间分布；当运用于北京市的预测分析时，研究结果及方法可为北京市大气污染防治及十三五规划提供决策及管理支持。
附图说明
图1是北京地区的监测站分布和分类情况图；
图2是本发明方法的完整技术路线图；
图3是北京市不同风向不同站点PM2.5背景浓度箱式分布图；
图4是北京市PM2.5背景浓度的空间分布图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
本发明中的PM2.5背景值是指未叠加待预测区域局地的人为排放污染时，大气环境中PM2.5的浓度水平；既包括待预测区域自然环境背景，又包括一定范围内长距离输送的贡献。为了结合实际情况阐述本发明的技术方案，下面以北京市2013年为情景年进行示例性地阐述和说明。
(1)数理统计
首先，在北京市西北、东北、东、东南、南、西南6个不同方位选取了密云水库、八达岭、东高村、琉璃河、永乐店、榆垡6个站点，挑选出北京市不同方位的6个气象观测站点，如图1所示。
其次，进行背景时段筛选，各风向设为4个象限，同一象限下，风向角度持续2个时次以上，单小时风向跨越两个象限将予以剔除；在依据上述标准进行风向筛选后，结合每日08：00和20：00的探空数据资料及实况天气图做进一步的判别，中低空天气形势配置中尺度过程清楚，且850hPa至低空风向较为一致，风向差≤60°，这样得到了整体风向较为统一的气象数据时间序列；再结合遥感、实测天气图等资料对特殊污染(沙尘过程、烟花爆竹、秸秆燃烧、污染回流)时段的数据也进一步剔除，最终获得全年8760个时段。
最后，采用裁剪平均的计算方法排除较高和较低的监测极值后的统计结果，裁剪平均是样本数据排序后去掉最低和最高两个等比例部分之后剩下的样本平均，去掉极端值后剩下的结果更能接近稳定的值。各站各风向20％-50％裁剪平均的结果差异全部在10μg·m-3以内，区间比较窄，说明以80％(20％裁剪平均)的样本，已经可以代表背景值的整体水平，可以通过进一步计算获得背景浓度的参考值。
最终用20％裁剪平均代表统计学的结果，并对其20％裁剪平均范围内样本算术平均和依据风向时次加权平均两种计算方法结果进行比较，加权结果略高于前者且计算方式相对更为合理，最后采用加权结果。
(2)数值模式
研究采用情景分析的方法模拟北京市PM2.5的背景浓度，步骤如下：(1)利用美国环保局推荐的CMAQ(Community Multiscale Air QualityModeling System，https：//www.cmascenter.org/)模拟一个完整年北京市及周边所有源都不关闭时的PM2.5污染分布；(2)利用CMAQ模拟一个完整年北京人为源关闭时的PM2.5污染分布，其结果代表了北京市的背景浓度或天然源与周边源贡献相对分布；(3)计算北京市所有网格第(2)步骤的模拟结果与第(1)步骤的模拟结果的比值，得出不同网格的周边源的贡献率；(4)利用第(3)步骤计算的贡献率乘以不同观测点位的实测值，得到模拟的背景浓度绝对值的点位分布。
数理统计得出的点位背景浓度与数值模拟得出的点位背景浓度进行加权平均，可以得到最终的不同点位的最终背景浓度；而将最终的不同点位的最终背景浓度除以数值模拟得出的点位背景浓度，可以得到不同方位的加权系数的初值，再结合历史数据和经验对该值进行微调即得到最终的不同方位的加权系数。对于没有监测站的方位的加权系数可以根据相邻方位加权系数及经验进行拟合得出。该系数默认同一个方位不同模拟网格的加权系数相同，且默认在一定较长时期内该值数值不变。用模拟的北京人为源关闭时的PM2.5浓度空间分布乘以不同方位的加权系数，得到最终的PM2.5背景浓度的空间分布。这也表明，即使某一网格区域没有观测点位，甚至某一方位没有观测点位也能通过该方法得到其背景浓度。
上述整个方法的技术路线图如图2所示。
根据上述方法对北京市2013年不同方位的PM2.5背景浓度值计算结果如下所示：
1.统计学结果：
6个监测站点PM2.5北风时段背景值最低，西风时段次之，南风、东风时段明显偏高，不同风向下背景浓度平均值分别在6.5～27.9、22.4～73.4、67.2～91.7、40.7～116.1μg·m-3之间，表现出北京东、南方向PM2.5背景浓度较高分布特点。
2.数值模式结果：
表1不同站点PM2.5背景浓度统计
模拟的北京市PM2.5年均背景浓度的空间分布与实测年均浓度空间分布相比，背景浓度整体低于实测浓度30～40％左右；模拟的2013年北京市PM2.5背景浓度空间分布呈现出南高北低的特征，周边区域对北京市PM2.5背景浓度空间分布影响显著。
经过多次实际使用发现，本发明的方法极大地消除了不确定性，可以获得相对较为准确的预测值。此外，通过上述说明和介绍，本领域技术人员清楚本发明的方法不仅适用于北京市2013年的背景浓度的研究分析，也适用于北京市其他年份的分析，以及除了北京市的其他任意区域的背景浓度的计算分析。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种预测区域不同观测点PM2.5背景浓度的计算方法，其特征在于，包括以下步骤：
步骤1，在预测区域选取多个气象观测站点及相邻的PM2.5观测点；
步骤2，对所述气象观测数据及对应的PM2.5值观测数据进行处理，剔除极值数据；
步骤3，采用裁剪平均的计算方法排除高、低监测极值，所述裁剪平均是样本数据排序后去掉最低和最高两个等比例部分之后剩下的样本平均；
步骤4，用20％裁剪平均代表统计学的结果，并对其20％裁剪平均范围内样本依据风向时次加权平均，加权后的PM2.5值代表依据数理统计方法得出的背景浓度；
步骤5，基于情景分析法模拟预测区域不同网格的背景浓度，分别得到所述预测区域内及周边的所有污染源均不关闭和均关闭两种情况下的PM2.5污染分布；根据预测结果计算所述预测区域的所有不同网格内均关闭与均不关闭两种情况下PM2.5污染分布模拟结果的比值，即不同网格的周边源的贡献率；利用得到的贡献率乘以不同观测点位的实测值，得到依据数值模拟的点位的背景浓度；
步骤6，将所述依据数理统计方法得出的背景浓度与所述对应模拟网格的背景浓度进行加权平均，得到任意所述气象观测站点或PM2.5观测点的最终PM2.5背景浓度。
2.一种预测区域不同方位PM2.5背景浓度的计算方法，其特征在于，包括以下步骤：
步骤1，在预测区域的不同方位选取多个气象观测站点及相邻的PM2.5观测点；
步骤2，对所述不同方位的气象观测数据及对应的PM2.5值观测数据进行处理，剔除极值数据；
步骤3，采用裁剪平均的计算方法排除高、低监测极值，所述裁剪平均是样本数据排序后去掉最低和最高两个等比例部分之后剩下的样本平均；
步骤4，用20％裁剪平均代表统计学的结果，并对其20％裁剪平均范围内样本依据风向时次加权平均，加权后的PM2.5值代表依据数理统计方法得出的背景浓度；
步骤5，基于情景分析法模拟预测区域不同网格的背景浓度，分别得到所述预测区域内及周边的所有污染源均不关闭和均关闭两种情况下的PM2.5污染分布；根据预测结果计算所述预测区域的所有不同网格内均关闭与均不关闭两种情况下PM2.5污染分布模拟结果的比值，即不同网格的周边源的贡献率；利用得到的贡献率乘以不同观测点位的实测值，得到依据数值模拟的点位的背景浓度；
步骤6，依据所述依据数理统计方法得出的背景浓度与所述对应模拟网格的背景浓度，得到不同方位的加权系数，将步骤5中模拟的预测区域人为源关闭后的PM2.5空间浓度分布乘以所述不同方位的加权系数，最终得到所述预测区域不同方位的PM2.5背景浓度的空间分布。
3.如权利要求2所述的PM2.5背景浓度的计算方法，其特征在于，步骤1中所述的不同方位包括西北、北、东北、东、东南、南、西南、西八个方位中的至少三个以上方位。
4.如权利要求1或2所述的PM2.5背景浓度的计算方法，其特征在于，步骤2中所述剔除极值数据的步骤包括：
步骤21，将风向设为4个象限，单小时风向跨越两个象限的数据予以剔除。
5.如权利要求1或2所述的PM2.5背景浓度的计算方法，其特征在于，步骤2中所述剔除极值数据的步骤进一步包括：
步骤22，在步骤21之后，结合每日08:00和20:00的探空数据资料及实况天气图做进一步的判别，保留中低空天气形势配置中尺度过程清楚、850hPa至低空风向较为一致、风向差≤60°的数据，由此得到整体风向较为统一的气象数据时间序列。
6.如权利要求1或2所述的PM2.5背景浓度的计算方法，其特征在于，步骤2中所述剔除极值数据的步骤进一步包括：
步骤23，在步骤22之后，结合遥感、实测天气图资料对特殊污染时段的数据进行进一步剔除；
其中，所述特殊污染时段包括沙尘过程、烟花爆竹燃放、秸秆燃烧、污染回流时段。
7.如权利要求1或2所述的PM2.5背景浓度的计算方法，其特征在于，步骤4中所述的20％裁剪平均步骤是通过对样本数据的20％裁剪平均范围内进行样本算术平均或依据风向时次加权平均来得到最终结果，其中优选采用依据风向时次加权平均计算。
8.如权利要求1或2所述的PM2.5背景浓度的计算方法，其特征在于，步骤5中所述情景分析法是通过空气质量数值模式CMAQ来实现的。
9.如权利要求2所述的PM2.5背景浓度的计算方法，其特征在于，步骤6中依据所述依据数理统计方法得出的背景浓度与所述对应模拟网格的背景浓度，得到不同方位的加权系数的步骤中，所述不同方位的加权系数根据历史数据及经验综合给出。
10.如权利要求9所述的PM2.5背景浓度的计算方法，其特征在于，步骤6中依据所述依据数理统计方法得出的背景浓度与所述对应模拟网格的背景浓度，得到不同方位的加权系数的步骤中，同一个方位不同模拟网格的加权系数相同。
CN201610262180.XA 2016-04-25 2016-04-25 预测区域不同方位、观测点pm2.5背景浓度计算方法 Pending CN105956691A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610262180.XA CN105956691A (zh) 2016-04-25 2016-04-25 预测区域不同方位、观测点pm2.5背景浓度计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610262180.XA CN105956691A (zh) 2016-04-25 2016-04-25 预测区域不同方位、观测点pm2.5背景浓度计算方法

Publications (1)

Publication Number Publication Date
CN105956691A true CN105956691A (zh) 2016-09-21

Family

ID=56916598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610262180.XA Pending CN105956691A (zh) 2016-04-25 2016-04-25 预测区域不同方位、观测点pm2.5背景浓度计算方法

Country Status (1)

Country Link
CN (1) CN105956691A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529746A (zh) * 2016-12-29 2017-03-22 南京恩瑞特实业有限公司 基于动力和热力因子的空气质量动态融合统计预报方法
CN107590551A (zh) * 2017-08-16 2018-01-16 南京航空航天大学 一种大气pm2.5浓度变化的预测方法
CN108398529A (zh) * 2018-03-06 2018-08-14 深圳市卡普瑞环境科技有限公司 一种信息获取方法以及信息获取装置
CN109376903A (zh) * 2018-09-10 2019-02-22 浙江工业大学 一种基于博弈神经网络的pm2.5浓度值预测方法
CN111144625A (zh) * 2019-12-10 2020-05-12 北京蛙鸣信息科技发展有限公司 基于邻近空间数据主成分要素的空气质量预测方法和系统
CN114166708A (zh) * 2021-11-25 2022-03-11 泛测（北京）环境科技有限公司 颗粒物传输贡献分析方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DONG-JUN LIU 等: "Application Study of Comprehensive Forecasting Model Based on Entropy Weighting Method on Trend of PM2.5 Concentration in Guangzhou, China", 《INTERNATIONAL JOURNAL OF ENVIRONMENTAL RESEARCH AND PUBLIC HEALTH》 *
李云婷 等: "2013年北京市不同方位PM2.5背景浓度研究", 《环境科学》 *
李令军 等: "2013~2014 年北京大气重污染特征研究", 《中国环境科学》 *
程念亮 等: "2013 年北京市细颗粒物时空分布特征研究", 《环境工程》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529746A (zh) * 2016-12-29 2017-03-22 南京恩瑞特实业有限公司 基于动力和热力因子的空气质量动态融合统计预报方法
CN107590551A (zh) * 2017-08-16 2018-01-16 南京航空航天大学 一种大气pm2.5浓度变化的预测方法
CN108398529A (zh) * 2018-03-06 2018-08-14 深圳市卡普瑞环境科技有限公司 一种信息获取方法以及信息获取装置
CN109376903A (zh) * 2018-09-10 2019-02-22 浙江工业大学 一种基于博弈神经网络的pm2.5浓度值预测方法
CN111144625A (zh) * 2019-12-10 2020-05-12 北京蛙鸣信息科技发展有限公司 基于邻近空间数据主成分要素的空气质量预测方法和系统
CN114166708A (zh) * 2021-11-25 2022-03-11 泛测（北京）环境科技有限公司 颗粒物传输贡献分析方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Beck et al. Air temperature characteristics of local climate zones in the Augsburg urban area (Bavaria, southern Germany) under varying synoptic conditions
CN105956691A (zh) 预测区域不同方位、观测点pm2.5背景浓度计算方法
CN110363327B (zh) 基于ConvLSTM和3D-CNN的短临降水预测方法
Lelovics et al. Design of an urban monitoring network based on Local Climate Zone mapping and temperature pattern modelling
Boukelia et al. General models for estimation of the monthly mean daily diffuse solar radiation (Case study: Algeria)
Adachi et al. Comparison of the impact of global climate changes and urbanization on summertime future climate in the Tokyo metropolitan area
KR20190057013A (ko) 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법
CN103426026B (zh) 一种混合神经网络预测及识别景区气象要素的方法
Punge et al. A new physically based stochastic event catalog for hail in Europe
Evans et al. Evaluating the performance of a WRF physics ensemble over South-East Australia
CN108227041A (zh) 基于站点实测数据和模式结果的水平能见度预报方法
Feeley et al. Where on Earth are the “tropics”?
CN106404620A (zh) 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统
CN111723524B (zh) 一种基于日变化约束的pm2.5卫星遥感反演方法
Daniels et al. Observed urban effects on precipitation along the Dutch West coast.
Nouri et al. Moroccan wind farm potential feasibility. Case study
Liu et al. Research and application of city ventilation assessments based on satellite data and GIS technology: a case study of the Yanqi Lake Eco‐city in Huairou District, Beijing
Snoun et al. Validation and sensitivity analysis of the WRF mesoscale model PBL schemes over Tunisia using dynamical downscaling approach
Zou et al. Impact of eddy characteristics on turbulent heat and momentum fluxes in the urban roughness sublayer
KR101313822B1 (ko) 신경망 분석 기법을 이용한 풍력 밀도 예측 방법
Bahari et al. Prediction of PM2. 5 concentrations using temperature inversion effects based on an artificial neural network
Dong et al. Simulation of United States mesoscale convective systems using GFDL’s new high-resolution general circulation model
Khesali et al. A method in near-surface estimation of air temperature (NEAT) in times following the satellite passing time using MODIS images
CN108572402A (zh) 对流天气的预测方法
Elkharrim et al. Using statistical downscaling of GCM simulations to assess climate change impacts on drought conditions in the northwest of Morocco

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160921

RJ01 Rejection of invention patent application after publication