CN106339775B - 基于天气分型和气象要素聚类的空气重污染案例判别方法 - Google Patents
基于天气分型和气象要素聚类的空气重污染案例判别方法 Download PDFInfo
- Publication number
- CN106339775B CN106339775B CN201610709554.8A CN201610709554A CN106339775B CN 106339775 B CN106339775 B CN 106339775B CN 201610709554 A CN201610709554 A CN 201610709554A CN 106339775 B CN106339775 B CN 106339775B
- Authority
- CN
- China
- Prior art keywords
- weather
- parting
- air
- predicted
- typing
- 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
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
一种基于天气分型和气象要素聚类的空气重污染案例判别方法,包括:利用气象要素历史数据及监测的PM2.5小时数据,从影响大气污染扩散的气象学角度,对影响PM2.5浓度分布的主要天气系统、气象要素进行分型研究,同时结合后向轨迹模式,创新性建立了天气分型及污染物来源分析算法;同时在数值模式模拟预报WRF结果的基础上,与历史上相同季节污染天气的典型天气形势查找相似案例,为空气质量预报服务。本发明将天气分型法与数值计算模拟法相结合,既提高了预报结果的精确度,又可合理避免数值计算结果中出现的异常情况;建立了自动分型相似性预报方法,提高空气质量预报的业务化;可以分析重污染的成因及来源,极大提高了算法的适用性。
Description
技术领域
本发明涉及大气环境监测领域,更具体地涉及一种基于天气分型和气象要素聚类的空气重污染案例判别方法。
背景技术
空气污染物传输、扩散方式受天气驱动,天气类型与大气污染有密切的联系,不同地区开展天气分型的相关研究具有很重要的指示意义。天气分型是通过对历史天气图的分析,研究总结出各种天气所对应的天气系统形势分布特征,在预报空气质量时作为参考。全面了解北京市污染天气分型情况,可以为空气质量预报提供可靠的依据。传统的天气分型主要针对不利于污染物扩散的天气形势,且针对污染过程,不能自动进行计算,还需要手工判断。如何开发一套基于大数据建立的天气分型自动计算方法,是目前天气分型研究的难点。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于天气分型和气象要素聚类的空气重污染案例判别方法,以解决上述技术问题中的至少之一。
为了实现上述目的,本发明提供了一种基于天气分型和气象要素聚类的空气重污染案例判别方法,包括以下步骤:
步骤1:收集待预测区域的历年PM2.5与气象要素的观测数据,将历年PM2.5观测数据按时间序列一一排列,并与气象要素的观测数据对应,得到一组PM2.5实测浓度变化的序列;
步骤2:采用收集的待预测区域的历年气象要素的观测数据对上述待预测区域的气压场进行WRF模拟,对WRF模拟的所述待预测区域内长时间序列的地面气压场进行分析,得到不同的天气分型,进而将不同天气分型所对应的时间序列抽出;
步骤3:将步骤2与步骤1中的时间序列对应的天气分型及PM2.5实测浓度变化的序列进行统计分析,得到不同天气分型下PM2.5浓度的分布特征;
步骤4:将步骤2中得到的WRF模拟的不同天气分型对应的时间序列输入到hysplit模型中,进行48h后向轨迹聚类分析,得到待预测区域的PM2.5浓度分布与不同天气分型对应的气团轨迹聚类,即得到了不同天气分型下PM2.5的来源;基于步骤3和步骤4建立不同天气分型对应的PM2.5浓度分布及来源的案例库;
步骤5:采用WRF预报的气象数据,对所述待预测区域在未来预测时间时的天气状况进行WRF模拟,得到预测的天气分型,将所述天气分型与案例库进行相似性匹配,即得到所述待预测区域在未来预测时间时的PM2.5浓度分布及来源。
基于上述技术方案可知,本发明的方法具有如下有益效果:(1)不同的天气形势,反映了各种气象因子对空气质量的综合影响,在一定的污染源下,可能对应不同的大气污染等级,所以对不同污染等级对应的大气环流进行分型,对空气质量预报、总量控制等具有重要意义;本方法形成了基于图像自动识别的天气分型方法,并建立了基于天气分型的空气污染过程的案例库,该案例库包括基本的天气类型、PM2.5浓度分布及污染气团的来源三个属性;(2)将天气分型法与数值计算模拟法相结合制作天气预报,既提高了预报结果的精确度,又可合理地避免了数值计算结果中出现的异常情况;过去天气分型的过程都是人工完成的,其中会难以避免地出现各种人为造成的误差,影响天气分型法的效果;本发明建立了自动分型相似性预报方法,提高空气质量预报的业务化。且本发明与后向轨迹模式结合,可以分析重污染的成因及来源,极大提高了算法的适用性。
附图说明
图1为本发明的地面天气分型和污染气团追踪分析的计算方法的流程图;
图2为北京市2013~15年PM2.5与九种天气分型关系的柱状图;
图3为北京市2013~15年PM2.5与不同气团轨迹对应的浓度图;
图4为北京市2013~15年PM2.5与不同天气分型对应的气团轨迹聚类的原理示意图;
图5为北京市2013~15年PM2.5与不同天气分型对应的气团轨迹聚类的实际结果示意图;
图6为北京市2013~15年九种不同天气类型对应的PM2.5来源。
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。
本发明公开了一种基于天气分型和气象要素聚类的空气重污染案例判别方法,利用气象要素历史数据及监测的PM2.5小时数据,从影响大气污染扩散的气象学角度,对影响PM2.5浓度分布的主要天气系统、气象要素进行分型研究,同时结合后向轨迹模式,创新性建立了天气分型及污染物来源分析算法;同时在数值模式模拟预报WRF结果的基础上,与历史上相同季节污染天气的典型天气形势查找相似案例,为空气质量预报服务。
更具体地,本发明的基于天气分型和气象要素聚类的空气重污染案例判别方法,包括以下步骤:
步骤1:收集待预测区域的历年PM2.5与气象要素的观测数据,将历年PM2.5观测数据按时间序列一一排列,并与气象要素的观测数据对应,得到一组PM2.5实测浓度变化的序列;
步骤2:采用收集的待预测区域的历年气象要素的观测数据对上述待预测区域的气压场进行WRF模拟,对WRF模拟的待预测区域内长时间序列的地面气压场进行分析,得到不同的天气分型,进而将不同天气分型所对应的时间序列抽出;
步骤3:将步骤2与步骤1中的时间序列对应的天气分型及PM2.5实测浓度变化的序列进行统计分析,得到不同天气分型下PM2.5浓度的分布特征;
步骤4:将步骤2中得到的WRF模拟的不同天气分型对应的时间序列输入到hysplit模型中,进行48h后向轨迹聚类分析,得到待预测区域的PM2.5浓度分布与不同天气分型对应的气团轨迹聚类,即得到了不同天气分型下PM2.5的来源;基于步骤3和步骤4建立不同天气分型对应的PM2.5浓度分布及来源的案例库;
步骤5:采用WRF预报的气象数据,对待预测区域在未来预测时间时的天气状况进行WRF模拟,得到预测的天气分型,将天气分型与案例库进行相似性匹配,即得到待预测区域在未来预测时间时的PM2.5浓度分布及来源。
其中,步骤2对WRF模拟的待预测区域内长时间序列的地面气压场进行分析的步骤中,是根据图像色素高低值变化来进行自动计算的,具体地,是在WRF模拟的气象图中根据图像色素高低值变化生成若干等值线,根据等值线值大小的比较来决定等值线内侧是高值区还是低值区,取内侧所有点的最大/最小值,把该点定义为该高/低值区的中心点。
其中,步骤2中的天气分型包括:高压、高压前部、高压后部、高压底部、弱高压、闭合低压、低压底后部、倒槽、均压场等。
其中,步骤4中48h后向轨迹聚类分析采用基于Ward法的谱系聚类分析法。
其中,步骤5中所述的相似性匹配是基于图像识别技术实现的。
下面,以北京市的天气观测数据为例,侧重于对有利于和不利于北京市大气污染扩散的天气形势进行分类研究,其中利用2013~15年WRF模拟的3km北京市气象要素及监测的PM2.5小时数据,重点从影响大气污染扩散的气象学角度,对影响PM2.5浓度分布的主要天气系统、气象要素进行了分型研究,同时结合后向轨迹模式,创新性的建立了天气分型及污染物来源分析算法;同时在数值模式模拟预报WRF结果的基础上,与历史上相同季节污染天气的典型天气形势查找相似案例,可为空气质量预报服务。
本发明利用2013~15年WRF模拟的3km北京市气象要素及监测的PM2.5小时数据,重点从影响大气污染扩散的气象学角度,对影响PM2.5浓度分布的主要天气系统、气象要素进行了分型研究,同时结合后向轨迹模式,创新性的建立了天气分型及污染物来源分析算法。
PM2.5数据为北京市环境保护监测中心监测获得的2013年~15年全市12个点位逐日、逐时浓度平均资料;气象资料为WRF模拟的3km北京市气象要素,与污染资料相对应。天气图则为韩国实测天气图,后向轨迹模拟为HYSPLIT(http://ready.arl.noaa.gov/HYSPLIT_traj.php)。
传统的天气分型主要针对不利于污染物扩散的天气形势,且针对污染过程,传统的北京大气重污染可分为静稳积累型、沙尘型、复合型以及特殊型4个类型,本发明则侧重于有利于和不利于北京市大气污染扩散的天气形势进行分类研究。
本发明将WRF模拟的3km北京市各个网格的气压值进行分类,基于长时间序列、多网格区域内气压场分布(图3)。气象场分布图反应了各种分类的气象场分布,通过该图可以观察不同类别之间气象场的区别,了解区分度。依据气压场的分布特征(图像色素高低值分布)自动识别天气类型。
对于一张天气图来讲,哪一个范围是高值区,哪一个范围是低值区,用人眼马上就可以分清,机器识别就不容易了,但这又是进行图形识别的关键。作为高度场和气压场的高、低中心不仅是值的最高和最低,同时也是流场的环流中心。
本发明设计了一个网格点客观分析程序,所选分析区域东西方向为113°27′~119°50′,南北方向为36°05′~42°40′之间。分两步进行天气形势的分类,第一步通过提取模拟的每个格点的的气象场数据,假设一年共计365d,格点数1000个,就创建了365*1000矩阵,并将每个格点的气压值根据大小用平面图像展示出来,蓝色代表低值,红色代表高值。如定义高压和低压,根据一方与另一方等值线值(像素值)相比的大与小决定该等值线内侧是高与低值区,取内侧所有点的最大(或最小)值,把该点定义为该高(或低)值区的中心点。第二步,根据K平均聚类方法确定聚类数,根据图像色彩的深浅确定天气类型,即得到不同天气类型下气压场图像的分布情况。
根据大量的计算首先将影响北京的地面天气形势分析归纳为以下9种天气类型:高压、高压前部、高压后部、高压底部、弱高压、闭合低压、低压底后部、倒槽、均压场(表1)。其中高压后部、闭合低压、倒槽、均压都是不利扩散型,天气形势较稳定,出现时间有相对连续性。高压、高压前部、弱高压为有利于污染物扩散的天气形势,高压底部、低压底后部为较为有利于污染物扩散的天气形势。依据未来气压场的分布特征可(图像高低值分布)自动识别天气类型并筛选出最相似的天气类型。
表1北京市2013~15年PM2.5对应天气分型名称及编号
将9类不同天气形势对应的时间序列与观测的PM2.5浓度一一对应,得到不同天气类型对应的PM2.5浓度分布,见图2。地面天气形势为高压后部、闭合低压、倒槽、均压控制时大气水平运动较弱,空气湿度较大,本地污染物累积较快,加之周边污染物传输引起本地污染背景浓度较高,所以污染物浓度最大;地面天气形势为高压类控制时一般地面有弱的辐散,水平扩散能力较强,污染物浓度也较低;地面天气形势为高压底部、低压底后部控制时,地面水平辐合较弱,但其逆温强度不大,所以污染物浓度较低。对天气型的分析表明,天气分型方法不仅提供不同污染浓度等级的天气类型,而这些结果完全符合不同季节大气环流的变化特征,具有清晰的天气学意义。
将9类不同天气形势对应的时间序列输入到hysplit模型中,进行48h后向轨迹聚类分析,得到北京市2013~15年PM2.5不同天气分型对应的气团轨迹聚类,见图4-6。系统聚类法是聚类分析中较成熟的算法,其基本思想是聚类开始时将样本各自作为一类,并规定样本之间的距离及类与类之间的距离,并将距离最近的两类合并为一个新类,计算新类与其他类之间的距离,重复进行直到最终合并为一个大类。本发明采用基于Ward法的谱系聚类对不同的天气事件进行分类。可以看出不利于污染物扩散天气形势控制时,北京污染物主要来自石家庄-保定和衡水-廊坊等太行山山前一线;当北京市处于有利于污染物扩散的天气系统控制时,上游的清洁空气影响北京;当北京处于较为有利于污染物天气系统控制时,气团主要为偏西北气流和来自海上的湿润气流。
未来发生重污染过程时,采用WRF预报的气象数据,判断得到即将发生的天气类型,将该天气类型与案例库进行相似性匹配,即得到未来即将发生重污染过程中,PM2.5浓度分布及来源。
预报及追踪:
不同的天气形势,反映了各种气象因子对空气质量的综合影响,在一定的污染源下,可能对应不同的大气污染等级,所以对不同污染等级对应的大气环流进行分型,对空气质量预报、总量控制等具有重要意义。天气分型不失为制作各种天气预报的一种简便有效的手段。
本发明得到了天气分型与对应的PM2.5浓度分布的污染过程案例库后,未来如出现库中一种天气类型,那么就可以调取最相似、最匹配的案例进行分析,极大地节省了时间并提高了预报结果的精确度,又可合理地避免了数值计算结果中出现的异常情况。
过去天气分型的过程都是人工完成的,其中会难以避免地出现各种人为造成的误差,影响天气分型法的效果。本发明建立了自动分型相似性预报方法,提高空气质量预报的业务化。且本发明与后向轨迹模式结合,可以分析重污染的成因及来源,极大提高了算法的适用性。
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 (6)
1.一种基于天气分型和气象要素聚类的空气重污染案例判别方法,其特征在于,包括以下步骤:
步骤1:收集待预测区域的历年PM2.5与气象要素的观测数据,将历年PM2.5观测数据按时间序列一一排列,并与气象要素的观测数据对应,得到一组PM2.5实测浓度变化的序列;
步骤2:采用收集的待预测区域的历年气象要素的观测数据对上述待预测区域的气压场进行WRF模拟,对WRF模拟的所述待预测区域内长时间序列的地面气压场进行分析,得到不同的天气分型,进而将不同天气分型所对应的时间序列抽出;
步骤3:将步骤2与步骤1中的时间序列对应的天气分型及PM2.5实测浓度变化的序列进行统计分析,得到不同天气分型下PM2.5浓度的分布特征;
步骤4:将步骤2中得到的WRF模拟的不同天气分型对应的时间序列输入到hysplit模型中,进行48h后向轨迹聚类分析,得到待预测区域的PM2.5浓度分布与不同天气分型对应的气团轨迹聚类,即得到了不同天气分型下PM2.5的来源;基于步骤3和步骤4建立不同天气分型对应的PM2.5浓度分布及来源的案例库;
步骤5:采用WRF预报的气象数据,对所述待预测区域在未来预测时间时的天气状况进行WRF模拟,得到预测的天气分型,将所述天气分型与案例库进行相似性匹配,即得到所述待预测区域在未来预测时间时的PM2.5浓度分布及来源。
2.如权利要求1所述的空气重污染案例判别方法,其特征在于,步骤2对WRF模拟的待预测区域内长时间序列的地面气压场进行分析的步骤中,是根据图像色素高低值变化来进行自动计算的。
3.如权利要求2所述的空气重污染案例判别方法,其特征在于,在步骤2的根据图像色素高低值变化进行自动计算的步骤中,是在所述WRF模拟的气象图中根据图像色素高低值变化生成若干等值线,根据等值线值大小的比较来决定所述等值线内侧是高值区还是低值区,取内侧所有点的最大/最小值,把该点定义为该高/低值区的中心点。
4.如权利要求1所述的空气重污染案例判别方法,其特征在于,步骤2中所述天气分型包括:高压、高压前部、高压后部、高压底部、弱高压、闭合低压、低压底后部、倒槽、均压场。
5.如权利要求1所述的空气重污染案例判别方法,其特征在于,其中步骤4中48h后向轨迹聚类分析采用基于Ward法的谱系聚类分析法。
6.如权利要求1所述的空气重污染案例判别方法,其特征在于,其中步骤5中所述的相似性匹配是基于图像识别技术实现的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610709554.8A CN106339775B (zh) | 2016-08-23 | 2016-08-23 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610709554.8A CN106339775B (zh) | 2016-08-23 | 2016-08-23 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106339775A CN106339775A (zh) | 2017-01-18 |
CN106339775B true CN106339775B (zh) | 2019-10-11 |
Family
ID=57825046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610709554.8A Active CN106339775B (zh) | 2016-08-23 | 2016-08-23 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106339775B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516007B (zh) * | 2017-08-02 | 2020-10-23 | 京津冀环境气象预报预警中心 | 一种气团停留时长计算方法 |
CN107677777B (zh) * | 2017-10-13 | 2020-09-18 | 深圳博沃智慧科技有限公司 | 一种大气重污染过程智能分析系统 |
CN108491959B (zh) * | 2018-02-11 | 2021-11-19 | 周名扬 | 一种智能相似天气预报方法及系统、信息数据处理终端 |
CN112513896B (zh) * | 2018-08-25 | 2023-05-23 | 山东诺方电子科技有限公司 | 一种大气污染预测的方法 |
CN108760595B (zh) * | 2018-08-27 | 2021-06-04 | 陈鑫宁 | 分布式气体浊度监测点 |
CN109765337A (zh) * | 2018-12-28 | 2019-05-17 | 北京英视睿达科技有限公司 | 一种污染源识别方法及其系统 |
CN110286424A (zh) * | 2019-04-15 | 2019-09-27 | 南京大学 | 基于数值统计的客观天气分型方法 |
CN110084418B (zh) * | 2019-04-21 | 2021-07-16 | 北京工业大学 | 一种突发大气污染事故应急监测的监测点优化布设方法 |
CN110334255B (zh) * | 2019-07-08 | 2021-09-28 | 北京航天宏图信息技术股份有限公司 | 天气形势显示方法、装置、电子设备及存储介质 |
CN110427533B (zh) * | 2019-07-25 | 2023-04-18 | 东北师范大学 | 基于时序粒子跟踪的污染传播模式可视分析方法及系统 |
CN111079808B (zh) * | 2019-12-05 | 2023-06-09 | 国网湖南省电力有限公司 | 基于天气分型的阵风快速预测方法及系统 |
CN113361556B (zh) * | 2020-03-06 | 2023-12-26 | 北京市环境保护监测中心 | 污染相似案例自动识别的方法和装置 |
CN111612055B (zh) * | 2020-05-15 | 2020-12-04 | 北京中科三清环境技术有限公司 | 天气形势的分型方法、空气污染状况的预测方法及装置 |
CN111612245A (zh) * | 2020-05-18 | 2020-09-01 | 北京中科三清环境技术有限公司 | 大气污染状况预测方法、装置、电子设备及存储介质 |
CN113051273B (zh) * | 2021-03-30 | 2021-12-03 | 天津市生态环境科学研究院 | 空气质量数据处理方法、装置、电子设备及存储介质 |
CN113191096B (zh) * | 2021-04-13 | 2022-04-29 | 中南建筑设计院股份有限公司 | 基于WRF和XFlow耦合的多精细度融合污染物扩散分析方法 |
CN112990355A (zh) * | 2021-04-15 | 2021-06-18 | 中科三清科技有限公司 | 污染天气的分型方法、装置、电子设备及存储介质 |
CN113688493B (zh) * | 2021-05-18 | 2023-09-22 | 武汉理工大学 | 一种基于污染过程分型的大气污染潜在源区识别方法 |
CN113268627B (zh) * | 2021-06-08 | 2022-03-25 | 河北省科学院应用数学研究所 | 一种暴雨相似天气自动检索方法 |
CN114169179A (zh) * | 2021-12-14 | 2022-03-11 | 重庆市生态环境大数据应用中心 | 一种空气质量本底浓度分析方法 |
CN114332009B (zh) * | 2021-12-28 | 2022-11-08 | 中科三清科技有限公司 | 相似天气形势识别方法、装置、设备及存储介质 |
CN114565057B (zh) * | 2022-03-15 | 2022-10-21 | 中科三清科技有限公司 | 一种基于机器学习的均压场识别方法、装置、存储介质及终端 |
CN115903088B (zh) * | 2022-12-20 | 2023-07-25 | 中国民用航空局空中交通管理局航空气象中心 | 一种基于平流扩散模型的气象要素临近预报方法及系统 |
CN115826099B (zh) * | 2023-02-22 | 2023-06-16 | 无锡中科光电技术有限公司 | 一种天气分型分段回归空气质量统计预报方法 |
CN116739191B (zh) * | 2023-08-14 | 2023-11-07 | 中科三清科技有限公司 | 热点网格识别方法、装置、存储介质及电子设备 |
CN117871794B (zh) * | 2024-03-13 | 2024-05-24 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管系统及方法 |
CN117972593B (zh) * | 2024-03-27 | 2024-06-04 | 中科三清科技有限公司 | 一种典型重污染历史案例库分析的长期预报预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163278A (zh) * | 2013-01-31 | 2013-06-19 | 北京工业大学 | 基于数值模式与统计分析结合的大气重污染预报方法 |
CN105738974A (zh) * | 2016-02-05 | 2016-07-06 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
CN105760970A (zh) * | 2016-03-21 | 2016-07-13 | 重庆灵狐科技股份有限公司 | 空气质量指数的预测方法 |
WO2016129715A1 (ko) * | 2015-02-10 | 2016-08-18 | 주식회사 주빅스 | 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템 |
-
2016
- 2016-08-23 CN CN201610709554.8A patent/CN106339775B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163278A (zh) * | 2013-01-31 | 2013-06-19 | 北京工业大学 | 基于数值模式与统计分析结合的大气重污染预报方法 |
WO2016129715A1 (ko) * | 2015-02-10 | 2016-08-18 | 주식회사 주빅스 | 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템 |
CN105738974A (zh) * | 2016-02-05 | 2016-07-06 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
CN105760970A (zh) * | 2016-03-21 | 2016-07-13 | 重庆灵狐科技股份有限公司 | 空气质量指数的预测方法 |
Non-Patent Citations (1)
Title |
---|
北京市空气重污染天气类型分析及预报方法简介;程念亮 等;《环境科学与技术》;20150531;第38卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106339775A (zh) | 2017-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106339775B (zh) | 基于天气分型和气象要素聚类的空气重污染案例判别方法 | |
CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
Woodward | Modeling the atmospheric life cycle and radiative impact of mineral dust in the Hadley Centre climate model | |
CN110531030B (zh) | 一种基于物联网大数据大气污染物分析的方法及装置 | |
CN109344753A (zh) | 一种基于深度学习的航拍图像输电线路细小金具识别方法 | |
KR20190057013A (ko) | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 | |
CN102956023B (zh) | 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 | |
CN109871613B (zh) | 一种森林火灾判别模型获取方法及预测应用 | |
CN112180472A (zh) | 一种基于深度学习的大气能见度集成预报方法 | |
CN110727717A (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN105956691A (zh) | 预测区域不同方位、观测点pm2.5背景浓度计算方法 | |
CN114545528B (zh) | 一种基于机器学习的气象数值模式要素预报后订正方法和装置 | |
CN114186491A (zh) | 基于改进lur模型的细颗粒物浓度时空特征分布方法 | |
Czúni et al. | Estimation of urbanization using visual features of satellite images | |
Mellor et al. | Forest classification using random forests with multisource remote sensing and ancillary GIS data | |
CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及系统 | |
Jiang et al. | Analysis of changes in large-scale circulation patterns driving extreme precipitation events over the central-eastern China | |
Rajendran et al. | A simulation of land use/cover change for urbanization on Chennai Metropolitan Area, India | |
CN113506017B (zh) | 一种校园用数字园林管养系统 | |
Gelpi et al. | Study of NWP parameterizations on extreme precipitation events over Basque Country | |
Wei et al. | Application of decision tree in land use classification | |
CN114626578B (zh) | 一种利用人工智能预报冻雨的方法 | |
Liu et al. | Automatic observation experiments of cloud amounts and cloud forms based on the image recognition |
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 |