CN108072597A - 基于支持向量机和树叶磁学的大气颗粒物浓度监测方法 - Google Patents
基于支持向量机和树叶磁学的大气颗粒物浓度监测方法 Download PDFInfo
- Publication number
- CN108072597A CN108072597A CN201711210523.9A CN201711210523A CN108072597A CN 108072597 A CN108072597 A CN 108072597A CN 201711210523 A CN201711210523 A CN 201711210523A CN 108072597 A CN108072597 A CN 108072597A
- Authority
- CN
- China
- Prior art keywords
- leaf
- sample
- model
- support vector
- magnetic
- 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
Links
- 230000005291 magnetic effect Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 31
- 239000002245 particle Substances 0.000 title claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 230000005389 magnetism Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 21
- 239000008277 atmospheric particulate matter Substances 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 8
- 241000196324 Embryophyta Species 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 5
- 239000004698 Polyethylene Substances 0.000 claims description 5
- -1 polyethylene Polymers 0.000 claims description 5
- 229920000573 polyethylene Polymers 0.000 claims description 5
- 229920006395 saturated elastomer Polymers 0.000 claims description 5
- 238000005303 weighing Methods 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 4
- 238000007789 sealing Methods 0.000 claims description 4
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims description 3
- 235000011613 Pinus brutia Nutrition 0.000 claims description 3
- 241000018646 Pinus brutia Species 0.000 claims description 3
- 239000000919 ceramic Substances 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 239000003755 preservative agent Substances 0.000 claims description 3
- 230000002335 preservative effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 239000013618 particulate matter Substances 0.000 abstract description 71
- 230000007613 environmental effect Effects 0.000 abstract description 12
- 238000009826 distribution Methods 0.000 abstract description 6
- 239000013598 vector Substances 0.000 abstract description 5
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 230000002123 temporal effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 239000003570 air Substances 0.000 description 12
- 235000019083 Osmanthus fragrans Nutrition 0.000 description 11
- 244000242564 Osmanthus fragrans Species 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 239000003344 environmental pollutant Substances 0.000 description 9
- 231100000719 pollutant Toxicity 0.000 description 9
- 241000830535 Ligustrum lucidum Species 0.000 description 8
- 241000218645 Cedrus Species 0.000 description 6
- 238000013499 data model Methods 0.000 description 6
- 229910052500 inorganic mineral Inorganic materials 0.000 description 6
- 239000011707 mineral Substances 0.000 description 6
- 241000894007 species Species 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000005347 demagnetization Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005294 ferromagnetic effect Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005381 magnetic domain Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000723346 Cinnamomum camphora Species 0.000 description 1
- 241000755937 Corinna Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 235000019082 Osmanthus Nutrition 0.000 description 1
- 241000333181 Osmanthus Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005293 ferrimagnetic effect Effects 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G01N2015/0042—Investigating dispersion of solids
- G01N2015/0046—Investigating dispersion of solids in gas, e.g. smoke
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Geometry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及对大气颗粒物PM2.5和PM10浓度监测方法的技术领域,具体是涉及一种基于支持向量机和树叶磁学的大气颗粒物浓度监测方法,所述方法的具体步骤如下:(1)树叶样品采集、(2)树叶磁学参数测试、(3)大气颗粒物浓度与树叶磁学参数的相关性分析、(4)支持向量机模型构建、(5)模型误差评估;本发明方法简便,采用大气颗粒物天然载体——树叶的磁学特征及支持向量机工具构建PM2.5和PM10浓度模拟模型,为环境磁学应用于城市大气颗粒物污染时空分布的模拟提供了一个新的实践方向,也为城市大气颗粒物重点污染区域识别及风险管理提供了重要参考。
Description
技术领域
本发明涉及对大气颗粒物PM2.5和PM10浓度监测方法的技术领域,具体是涉及基于支持向量机和树叶磁学的大气颗粒物浓度监测方法。
背景技术
大气颗粒物又叫大气气溶胶,是指分散于空气中的固态或液颗粒状物质,为大气的不定组分之一,也是空气污染的一种重要形式。随着城市化、工业化进程的加快以及机动车保有量的增加,我国大气颗粒物污染问题日益严重。近年的环境公报和在线监测数据表明,一直以来,大气颗粒物是影响我国众多城市空气质量的首要污染物。目前大气颗粒物浓度监测方法已基本实现自动、在线、连续监测,很多城市也设置了环境空气质量监测站点。但由于环境空气质量监测站造价昂贵,无法移动,一座城市的监测站点数量有限,不能对较高空间分辨率的大气颗粒物浓度进行监测。
自然界和人类活动所产生的次生物质往往表现出不同的磁性特征,环境磁学研究的基础是通过系统的磁性测量,揭示物质中磁性矿物的类型、含量和晶粒组合特征,从中提取环境信息。环境磁学测试具有简便、快捷、经济、无破坏性等特点,已被广泛地应用于沉积学、地质学、气候学、环境科学、土壤学和海洋科学等领域。20世纪80年代中期,环境磁学方法开始应用于大气污染研究。城市中树叶容易采集、分布广泛、比表面积大、生长周期长,可通过蜡质层以扩散方式直接吸收大气粉尘及悬浮颗粒物,且叶片易吸附粒径<10μm的颗粒物。此外,空气监测站通常监测的是实时颗粒物浓度,而树叶表面所沉积的颗粒物往往反映了短期内大气颗粒物污染的平均状况,利用植物叶片作为载体可以很好地反演短时间内的环境空气质量状况。近年来,国内外已有利用树叶的磁性特征来表征大气颗粒物污染的研究,但目前还鲜有利用树叶磁学参数构建非线性数学模型来模拟城市大气颗粒物浓度的报道。
大气污染物浓度的统计预报是以统计学方法为基础,不依赖于污染物的物理、化学反应过程,它通过分析污染物的变化规律,找出影响其浓度变化的典型因子,然后建立这些典型因子与污染物浓度实测值之间的定量或半定量关系,最后根据这些关系作浓度预报。与数值预报模式相比,统计预报方法不需建立复杂的数理模型及复杂的地理和气象数据,比较简便、经济、易于实现。传统的预报方法包括回归分析、分类预报、时间序列和灰色系统等,但这些方法在处理非线性的环境问题上具有较大局限性,其准确率也往往并不令人满意,把它们用于处理具有非线性特征的大气污染的预测上有其明显的不足。支持向量机(SVM)是由Vapnik开发的新一代基于统计学习理论的机器学习机器,能解决小样本、非线性、高维数和局部极小点等实际问题。支持向量机遵循结构风险最小化原则,预测能力和推广能力优秀,已被广泛用来对常见大气污染物如SO2、NOx、CO、O3、PM10和PM2.5等进行模拟和预测,并获得了较理想的效果。但目前国内外还没有将树叶磁学和支持向量机方法结合起来对城市大气污染物进行模拟的报道。
发明内容
针对现有大气颗粒物监测站点分布稀疏、数目有限的问题,本发明的目的是提供一种结合支持向量机和常绿树叶磁学测试来模拟大气中PM2.5和PM10浓度的方法,本方法可通过在目标区域内采集树叶样品并测试其磁学参数,利用所构建的模型模拟大气中PM2.5和PM10浓度的空间分布。
为了实现上述目的,本发明的技术方案是:
基于支持向量机和树叶磁学的大气颗粒物浓度监测方法,包括以下步骤:
(1)树叶样品采集:在待测城市目标区域内多个监测站点分别选择1-3个常见的典型植物作为采集对象,分别间隔一定时间对其进行采样,采样为期一年,雨雪或台风等极端天气下采样暂停,样品采集后放入自封袋,冷藏保存,备用;
(2)树叶磁学参数测试:将采集到的各个树叶样品分别进行预处理后,分别称取2g样品置于用于磁学参数测试的圆柱状聚乙烯样品盒中,压实;分别测量得到各个样品的体积磁化率(κ)、质量磁化率(χ)、非磁滞剩磁(ARM)、等温剩磁(IRM1T)及样品的饱和等温剩磁(SIRM);
(3)大气颗粒物浓度与树叶磁学参数的相关性分析:使用SPSS 23.0软件将PM2.5和PM10同步监测的4天移动平均浓度值与树叶磁学参数进行皮尔逊相关性分析,得到PM2.5和PM10浓度与各个树叶样品的三个磁学参数χ、ARM和SIRM的相关性及相关性系数,根据各个样品的磁学参数与颗粒物浓度的相关性进行高低排序,分别进行下面的建模研究;
(4)支持向量机模型构建:
一般大气颗粒物浓度数据可方便地通过城市空气质量发布网站获取,或通过科研院所、环保部门的空气质量监测站来收集。与树叶采样同步进行空气质量监测站PM2.5和PM10浓度数据的收集,监测站点与树叶采集地距离尽量小于1km,以保证监测的颗粒物浓度可用于反映监测站附近树叶样品中所吸附的颗粒物水平。分析树叶磁学参数与颗粒物浓度的相关性。以树叶的磁学参数χ、χARM和SIRM以及气象数据作为输入因子,分别以大气颗粒物PM2.5和PM10浓度作为输出因子,随机选择选择80%的数据作为训练样本,剩下的20%数据作为验证样本,采用SVM构建大气颗粒物浓度的磁学模拟模型。
支持向量机是Corinna Cortes和Vapnik等于1995年首次提出的一种新兴机器学习方法,其算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解,它的优点是不存在局部极小值问题,可自动设计模型复杂度,不存在维数灾难问题,泛化能力强。随着研究的深入,支持向量机不再仅局限于二类分类问题,也可以非常成功地处理回归问题、模式识别和概率密度函数估计等问题,并可推广于预测和综合评价等领域。这些功能的本质都是寻找一个最大间隔超平面,并通过引入核函数解决了将低维向量空间映射到高维向量空间带来的维数危机问题。支持向量机用于回归统计的原理如下:
假设训练样本为(xi,yi),(i=1,…,l),建立以下线性回归方程:
其中,为非线性映射函数,ω为法向量,b为偏置量。
对以上问题求解,训练目标表示为:
满足以下约束条件:
其中,ε为不敏感损失函数(≥0),允许的最大误差,它的取值大小影响支持向量的数目;C(≥0)是惩罚系数,它控制对超出误差的样本的惩罚程度;ξi,为松弛变量,指示样本超出允许误差的程度,分别对应计算值小于实际值,以及计算值大于实际值的两种情况。
为求解以上最优化问题(式(2)),引入拉格朗日乘子法,得其对偶优化问题为:
满足以下约束条件:
其中,αi和是拉格朗日乘子。
使用Libsvm作为建模工具,选取支持向量机中常用的径向核函数即RBF核函数epsilon-SVR模型,以PM2.5和PM10浓度作为输出层,以“树叶磁学参数”作为输入参数,通过交叉试验的方法选取模型最佳核函数g值及惩罚因子c值,分别建立PM2.5和PM10浓度的磁学模拟模型;
对式(6)求解,对应的预测输入样本为xi,则得到的预测值为:
由于核函数对算法的影响较大,因此选择一个最好的核函数对模拟结果很重要。常用的核函数有线性函数、多项式函数、径向基函数和S形函数。本发明采用径向基核函数(RBF)作为核函数,其表达式为:
其中,δ2是核函数的方差。
(5)模型误差评估:使用相关性系数(Correlation coefficient,R)、平均绝对误差(Mean absolute error,MAE)、均方根误差(Root mean squared error,RMSE)、一致性指数(Index of agreement,IA)评价模型模拟精度,计算公式如下:
其中,Yi是样品i的观测值,是样品i的模拟值,n是数据个数;R用于评价观测值和模拟值间的相互关系,其值越大,说明观测值和预测值的相关性越好;MAE和RMSE用于评价预测值误差的实际情况,它们的值越小,说明误差越小,模型精度越高;IA用于评价模型预测能力,其值越大,说明模型的预测能力越好。
进一步地,在上述方案中,所述树叶样品采集具体方法为:首先,调查研究区域内常见且便于采样的常青灌木或乔木种类及其分布情况,在待测城市目标区域内选择至少3个常见的典型植物作为采集对象,选择树龄和高度相似、生长状况良好的树,选择成熟、健康无病害、无虫斑的树叶,参考标准为新生的树枝上最成熟的叶片,每隔4-7天对同一棵树沿着四个方向采集4-8片树叶或12-16簇松针,采样高度在1.5-2m;采样时佩戴一次性手套,避免其他物品直接接触树叶样品。
进一步地,在上述方案中,所述树叶样品预处理的方法为:将采集到的树叶样品置于50-60℃的条件下低温烘干,至含水量低于1%,用陶瓷剪刀剪碎。
进一步地,在上述方案中,所述树叶磁学参数测试的具体测试过程为:称取2g粉碎后的样品用保鲜膜包裹置于用于磁学参数测试的圆柱状聚乙烯样品盒中,压实;利用KY-3S卡帕桥磁化率仪测量样品的体积磁化率(κ),经密度对κ进行校正而得到样品的质量磁化率(χ),使用Molspin交变退磁仪进行退磁后,利用JR-6A旋转磁力仪测量样品的非磁滞剩磁(ARM),使用ASC Scientific Model IM-10-30对样品加1000mT的磁场进行脉冲磁化后,利用JR-6A旋转磁力仪测量样品的等温剩磁(IRM1T),作为样品的饱和等温剩磁(SIRM)。
进一步地,在上述方案中,所述样品筛选过程中,使用SPSS 23.0软件将PM2.5和PM10同步监测的4天移动平均浓度值与气象数据进行皮尔逊相关性分析,得到PM10和PM2.5与风速、温度和湿度及大气压之间的相关性,将“气象数据+树叶磁学参数”作为输入因子,来模拟该区域内PM2.5和PM10短期内的平均浓度水平。
本发明的有益效果是:本发明提供了一种构建大气颗粒物浓度快速模拟的全新的简便方法,采用大气颗粒物天然载体——树叶的磁学特征及支持向量机工具构建PM2.5和PM10浓度模拟模型,为环境磁学应用于城市大气颗粒物污染时空分布的模拟提供了一个新的实践方向,也为城市大气颗粒物重点污染区域识别及风险管理提供了重要参考。
附图说明
图1是本发明程序流程框架;
图2是具体实例的采样点及采样树种;
图3是桂花、雪松和女贞叶片表面吸附颗粒物的电镜图;
图4是树叶磁学模型对PM2.5和PM10浓度模拟值与监测值的比较。
具体实施方式
下面结合具体实施方式对本发明作进一步详细的说明,以更好地体现本发明的优点。
(1)研究区域概述
南京是江苏省省会,长三角地区第二大城市,我国重要的综合性工业生产基地及交通枢纽,气候条件属亚热带季风气候,地处长江下游的宁镇丘陵山区。南京大学仙林校区位于南京郊区新城科教区,因距离江北及城北工业区较近,其空气质量受到一定影响。结合实际监测条件,树叶样品采样点布设在南京大学仙林校区内(如附图2所示),仙林校区设有环境空气质量自动监测站点,可方便获取得大气颗粒物浓度(如:PM2.5和PM10)及气象数据(如:风速、温度、相对湿度和大气压)等。
(2)树叶样品采集
经实际调查,选择桂花、雪松及女贞这三种常见的常青树种作为研究对象(如附图2所示),三个树种的采样位置与空气质量监测站点的距离在1km以内。每隔4天采集树叶一次,雨雪或台风等极端天气下暂停采样,采样为期一年。每个树种选择树龄、高度相似以及生长状况良好的5棵树,每次于每棵树的不同方向采集4-8片树叶,雪松每棵树采集12簇松针,采样高度在1.5-2m,选择成熟、健康无病害、无虫斑、新生的树枝上最成熟的叶片进行采集。采样时佩戴一次性手套,避免其他物品直接接触树叶样品,样品采集后放入自封袋带回实验室放入冰箱冷藏室保存,以备处理。每类树种共采集到84组树叶样品。经电镜观察(如附图3所示),可发现桂花、雪松和女贞叶片表面吸附了大量大气颗粒物,结合能谱分析,这些颗粒物主要包括圆形的燃煤飞灰、矿物颗粒、含铁量较高的磁性小球及不规则形状的有机物等。
(3)磁学测试
将采集到的树叶样品放入烘箱50-60℃烘干,再用陶瓷剪刀剪碎,称取约2g样品用保鲜膜包裹置于用于磁学参数测试的圆柱状聚乙烯样品盒中,压实待测。利用KY-3S卡帕桥磁化率仪测量样品的体积磁化率(κ),经密度对κ进行校正而得到样品的质量磁化率(χ)。使用Molspin交变退磁仪进行退磁后,利用JR-6A旋转磁力仪测量样品的非磁滞剩磁(ARM)。使用ASC Scientific Model IM-10-30对样品加1000mT的磁场进行脉冲磁化后,利用JR-6A旋转磁力仪测量样品的等温剩磁(IRM1T),作为样品的饱和等温剩磁(SIRM)。样品的磁学参数测试在南京大学地球科学与海洋学院的古地磁实验室完成。
(4)大气颗粒物浓度与树叶磁学参数的相关性分析
使用SPSS 23.0软件将PM2.5和PM10同步监测的4天移动平均浓度值与树叶磁学参数、气象数据进行皮尔逊相关性分析。结果显示,PM10和PM2.5与风速、温度和湿度之间显著负相关,与大气压显著正相关。风速对大气污染物有一定稀释作用,风速越高,越易降低大气颗粒物浓度;一般来说,温度越高,大气压越低,空气对流运动越明显,大气颗粒物扩散速率越快,其浓度也同时有所下降;空气湿度对大气颗粒物最显著的影响是降水对其的冲刷作用。
对于磁学参数,χ大小主要取决于样品亚铁磁性矿物的含量;SIRM与矿物磁性和铁磁性物质含量有关,也可指示磁畴特征,同时也易受反亚铁磁性矿物干扰,不受顺磁性矿物影响;ARM反应了铁磁晶粒的磁畴信息,与单畴晶粒的含量呈正相关。PM2.5和PM10浓度与三种树叶的三个磁学参数χ、ARM和SIRM之间均存在显著正相关(p<0.05),相关性系数r:桂花:0.382-0.641,雪松:0.227-0.593,女贞:0.231-0.596。其中颗粒物浓度与χ和SIRM的相关性高于ARM。相比于PM10,PM2.5与三种磁学参数的相关性稍高。总体上,相比于雪松和樟树,桂花树叶的磁学参数与颗粒物浓度的相关性更高。
(5)大气颗粒物磁学模型构建及评估
将PM2.5和PM10浓度作为输出因子,“四类气象数据(风速、温度、湿度和大气压)+三类树叶磁学参数(χ、ARM和SIRM)”作为输入因子,以支持向量机为数学工具构建模型;另外,为提高模型的可应用性,考虑到采样点如不能获取气象数据的情况,再直接将“树叶磁学参数”作为输入因子构建模型。随机选取80%作为训练数据,剩下20%作为验证数据。在MATLAB环境下使用Libsvm,选取径向核函数(RBF核函数)epsilon-SVR模型,通过交叉试验的方法选取预测模型的最佳核函数g值及惩罚因子c值,建立大气颗粒物浓度模拟模型。
如上所述,本案例为PM2.5和PM10浓度的模拟选择了三种在南京市广泛分布的常青树树叶作为载体,测试其磁学参数,收集监测站颗粒物浓度及气象数据,构建了12个支持向量机模型。各个模型的基本特征以及R、MAE、RMSE和IA值分别如表1和2所示。模型对PM2.5和PM10浓度模拟值与监测值的比较如附图4所示。对于12个模型,训练组和验证组的R值均>0.7,IA值均>0.7,误差也均在可接受范围内,说明本案例利用树叶磁学参数对大气颗粒物浓度的模拟获得了较为理想的效果。对于同一种颗粒物和同一类输入因子,三种树叶对颗粒物的模拟效果没有明显差异。而在模型验证阶段,将“树叶磁学参数+气象数据”作为输入因子的模型,对PM2.5浓度模拟的R值均>0.8,说明这些模型(模型1、3、5)对PM2.5具有较好的模拟效果,这可能与PM2.5浓度受气象条件的影响较大有关;而同样在验证阶段,将“树叶磁学参数”作为输入因子的模型对PM10浓度的模拟R>0.8,说明这些模型(模型8、10、12)对PM10具有较好的模拟效果。综上所述,本案例说明在模拟不同粒径颗粒物浓度时,可考虑采用不同的输入因子模型,以便获得更好的模拟效果。
模型应用时,采用网格布点法在南京市划定5km×5km的网格,每个网格中选择2个共50个居民小区作为树叶采样点。采样前一周及当天均晴朗无雨,在每个小区较为开阔的地带选择树龄、高度相似及生长状况良好的桂花树3棵,于每棵树的不同方向采摘3-4片共计10片左右成熟、健康、无虫斑的树叶,放入自封袋带回实验室。将树叶烘干并测试其磁学参数χ、ARM和SIRM。将三个磁学参数作为输入因子分别代入上述模型2和8中,进而模拟出50个点位PM2.5和PM10的浓度。结果显示,距南钢集团、金陵石化或扬子石化等地较近或距交通密集区较近的小区,树叶磁学参数值及模拟输出的大气颗粒物浓度均较高,而相对来说,附近交通密度较低又无明显工业源影响的小区所模拟出的大气颗粒物浓度较低。
表1.本实施例所构建的12个支持向量机模型特征
模型 | 树种 | 输出目标 | 输入因子 |
模型1 | 桂花 | PM2.5 | 树叶磁学参数+气象数据 |
模型2 | 桂花 | PM2.5 | 树叶磁学参数 |
模型3 | 雪松 | PM2.5 | 树叶磁学参数+气象数据 |
模型4 | 雪松 | PM2.5 | 树叶磁学参数 |
模型5 | 女贞 | PM2.5 | 树叶磁学参数+气象数据 |
模型6 | 女贞 | PM2.5 | 树叶磁学参数 |
模型7 | 桂花 | PM10 | 树叶磁学参数+气象数据 |
模型8 | 桂花 | PM10 | 树叶磁学参数 |
模型9 | 雪松 | PM10 | 树叶磁学参数+气象数据 |
模型10 | 雪松 | PM10 | 树叶磁学参数 |
模型11 | 女贞 | PM10 | 树叶磁学参数+气象数据 |
模型12 | 女贞 | PM10 | 树叶磁学参数 |
表2.12个模型训练组和验证组的相关性系数(R)、平均绝对误差(MAE)、均方根误差(RMSE)和一致性指数(IA)
以上所述,仅是本发明的实施案例而已,并非是对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡事未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.基于支持向量机和树叶磁学的大气颗粒物浓度监测方法,其特征在于,包括以下步骤:
(1)树叶样品采集:在待测城市目标区域内多个监测站点分别选择1-3个常见的典型植物作为采集对象,分别间隔一定时间对其进行采样,采样为期一年,样品采集后放入自封袋,冷藏保存,备用;
(2)树叶磁学参数测试:将采集到的各个树叶样品分别进行预处理后,分别称取2g样品置于用于磁学参数测试的圆柱状聚乙烯样品盒中,压实;分别测量得到各个样品的体积磁化率(κ)、质量磁化率(χ)、非磁滞剩磁(ARM)、等温剩磁(IRM1T)及样品的饱和等温剩磁(SIRM);
(3)大气颗粒物浓度与树叶磁学参数的相关性分析:使用SPSS 23.0软件将PM2.5和PM10同步监测的4天移动平均浓度值与树叶磁学参数进行皮尔逊相关性分析,得到PM2.5和PM10浓度与各个树叶样品的三个磁学参数χ、ARM和SIRM的相关性及相关性系数,根据各个样品的磁学参数与颗粒物浓度的相关性进行高低排序,分别进行下面的建模研究;
(4)支持向量机模型构建:使用Libsvm作为建模工具,选取支持向量机中常用的径向核函数即RBF核函数epsilon-SVR模型,以PM2.5和PM10浓度作为输出层,以“树叶磁学参数”作为输入参数,通过交叉试验的方法选取模型最佳核函数g值及惩罚因子c值,分别建立PM2.5和PM10浓度的磁学模拟模型;
模型如下:
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,xi为预测输入样本,y(x)为预测值,b为偏置量;
αi和是拉格朗日乘子,满足以下条件:
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mi>C</mi>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,K为核函数,其表达式为:
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<mi>y</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&delta;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,δ2是核函数的方差;
(5)模型误差评估:使用相关性系数(Correlation coefficient,R)、平均绝对误差(Mean absolute error,MAE)、均方根误差(Root mean squared error,RMSE)、一致性指数(Index of agreement,IA)评价模型模拟精度,计算公式如下:
<mrow>
<mi>R</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>M</mi>
<mi>A</mi>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>|</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mi>r</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>I</mi>
<mi>A</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Yi是样品i的观测值,是样品i的模拟值,n是数据个数;R用于评价观测值和模拟值间的相互关系,MAE和RMSE用于评价预测值误差的实际情况,IA用于评价模型预测能力。
2.根据权利要求1所述的基于支持向量机和树叶磁学的大气颗粒物浓度监测方法,其特征在于,所述树叶样品采集具体方法为:选择采集对象后,每隔4-7天对同一棵树沿着四个方向采集4-8片树叶或12-16簇松针,采样高度在1.5-2m。
3.根据权利要求1所述的的基于支持向量机和树叶磁学的大气颗粒物浓度监测方法,其特征在于,所述树叶样品预处理的方法为:将采集到的树叶样品置于50-60℃的条件下低温烘干,至含水量低于1%,用陶瓷剪刀剪碎。
4.根据权利要求1所述的基于支持向量机和树叶磁学的大气颗粒物浓度监测方法,其特征在于,所述树叶样品采集具体方法为:选择采集对象后,每隔4-7天对同一棵树沿着四个方向采集4-8片树叶,采样高度在1.5-2m。
5.根据权利要求1所述的的基于支持向量机和树叶磁学的大气颗粒物浓度监测方法,其特征在于,所述树叶磁学参数测试的具体测试过程为:称取2g粉碎后的样品用保鲜膜包裹置于用于磁学参数测试的圆柱状聚乙烯样品盒中,压实;利用KY-3S卡帕桥磁化率仪测量样品的体积磁化率(κ),经密度对κ进行校正而得到样品的质量磁化率(χ),使用Molspin交变退磁仪进行退磁后,利用JR-6A旋转磁力仪测量样品的非磁滞剩磁(ARM),使用ASCScientific ModelIM-10-30对样品加1000mT的磁场进行脉冲磁化后,利用JR-6A旋转磁力仪测量样品的等温剩磁(IRM1T),作为样品的饱和等温剩磁(SIRM)。
6.根据权利要求1所述的基于支持向量机和树叶磁学的大气颗粒物浓度监测方法,其特征在于,所述样品筛选过程中,使用SPSS 23.0软件将PM2.5和PM10同步监测的4天移动平均浓度值与气象数据进行皮尔逊相关性分析,得到PM10和PM2.5与风速、温度和湿度及大气压之间的相关性,将“气象数据+树叶磁学参数”作为输入因子,来模拟该区域内PM2.5和PM10短期内的平均浓度水平。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711210523.9A CN108072597A (zh) | 2017-11-28 | 2017-11-28 | 基于支持向量机和树叶磁学的大气颗粒物浓度监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711210523.9A CN108072597A (zh) | 2017-11-28 | 2017-11-28 | 基于支持向量机和树叶磁学的大气颗粒物浓度监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108072597A true CN108072597A (zh) | 2018-05-25 |
Family
ID=62157292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711210523.9A Pending CN108072597A (zh) | 2017-11-28 | 2017-11-28 | 基于支持向量机和树叶磁学的大气颗粒物浓度监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108072597A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334452A (zh) * | 2019-07-09 | 2019-10-15 | 中南大学 | 一种智慧农业大气污染浓度分层次预警方法 |
CN113654959A (zh) * | 2021-07-29 | 2021-11-16 | 中国科学院合肥物质科学研究院 | 一种烟云浓度时空分布快速反演方法及系统 |
CN114137060A (zh) * | 2021-11-29 | 2022-03-04 | 安徽工业大学 | 一种铸余渣氧化性检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928322A (zh) * | 2012-11-02 | 2013-02-13 | 杭州富铭环境科技有限公司 | 一种在线监测大气污染物的方法及系统 |
WO2014153142A1 (en) * | 2013-03-14 | 2014-09-25 | Colorado Seminary, Which Owns And Operates The University Of Denver | Mems aerosol impactor |
CN106092834A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院大气物理研究所 | 大气细颗粒物在线源解析系统及方法 |
CN206388203U (zh) * | 2016-08-25 | 2017-08-08 | 河北国呈电子科技有限公司 | 一种环境监测系统 |
CN107121650A (zh) * | 2017-05-04 | 2017-09-01 | 南京大学 | 基于支持向量机技术的大气颗粒物重金属磁学评估方法 |
-
2017
- 2017-11-28 CN CN201711210523.9A patent/CN108072597A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928322A (zh) * | 2012-11-02 | 2013-02-13 | 杭州富铭环境科技有限公司 | 一种在线监测大气污染物的方法及系统 |
WO2014153142A1 (en) * | 2013-03-14 | 2014-09-25 | Colorado Seminary, Which Owns And Operates The University Of Denver | Mems aerosol impactor |
CN106092834A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院大气物理研究所 | 大气细颗粒物在线源解析系统及方法 |
CN206388203U (zh) * | 2016-08-25 | 2017-08-08 | 河北国呈电子科技有限公司 | 一种环境监测系统 |
CN107121650A (zh) * | 2017-05-04 | 2017-09-01 | 南京大学 | 基于支持向量机技术的大气颗粒物重金属磁学评估方法 |
Non-Patent Citations (2)
Title |
---|
冷湘梓 等: "基于非线性数学方法的PM2.5中重金属浓度模拟", 《中国环境科学》 * |
王呈 等: "南京市树叶附尘对大气重金属污染的磁学响应", 《中国环境科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334452A (zh) * | 2019-07-09 | 2019-10-15 | 中南大学 | 一种智慧农业大气污染浓度分层次预警方法 |
CN113654959A (zh) * | 2021-07-29 | 2021-11-16 | 中国科学院合肥物质科学研究院 | 一种烟云浓度时空分布快速反演方法及系统 |
CN113654959B (zh) * | 2021-07-29 | 2023-11-17 | 中国科学院合肥物质科学研究院 | 一种烟云浓度时空分布快速反演方法及系统 |
CN114137060A (zh) * | 2021-11-29 | 2022-03-04 | 安徽工业大学 | 一种铸余渣氧化性检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | The abundance and characteristics of atmospheric microplastic deposition in the northwestern South China Sea in the fall | |
Fang et al. | Spatial-temporal characteristics of PM 2.5 in China: A city-level perspective analysis | |
Huang et al. | Numerical simulation and process analysis of typhoon‐related ozone episodes in Hong Kong | |
Prentice | Records of vegetation in time and space: the principles of pollen analysis | |
Ding et al. | Transport characteristics and origins of carbon monoxide and ozone in Hong Kong, South China | |
Hidy et al. | Spatial and temporal distributions of airborne sulfate in parts of the United States | |
CN107300550A (zh) | 一种基于bp神经网络模型预测大气重金属浓度的方法 | |
Schnell et al. | Use of North American and European air quality networks to evaluate global chemistry–climate modeling of surface ozone | |
CN109213839A (zh) | 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 | |
Anisimov et al. | Quantifying local-scale dust emission from the Arabian Red Sea coastal plain | |
Tositti et al. | Short-term climatology of PM10 at a high altitude background station in southern Europe | |
Qu et al. | Impacts of land cover change on the near‐surface temperature in the North China Plain | |
CN108072597A (zh) | 基于支持向量机和树叶磁学的大气颗粒物浓度监测方法 | |
CN112180472A (zh) | 一种基于深度学习的大气能见度集成预报方法 | |
Lin et al. | Impact of different transport mechanisms of Asian dust and anthropogenic pollutants to Taiwan | |
CN110658307A (zh) | 评估污染源对环境空气质量影响的方法 | |
CN108169316A (zh) | 基于支持向量机和树叶磁学的大气重金属污染评估方法 | |
CN114186491A (zh) | 基于改进lur模型的细颗粒物浓度时空特征分布方法 | |
Ebrahimi-Khusfi et al. | Predicting the ground-level pollutants concentrations and identifying the influencing factors using machine learning, wavelet transformation, and remote sensing techniques | |
Lheureux et al. | Bi-decadal variability in physico-biogeochemical characteristics of temperate coastal ecosystems: from large-scale to local drivers | |
CN107121650A (zh) | 基于支持向量机技术的大气颗粒物重金属磁学评估方法 | |
Zhao et al. | Application of data mining to the analysis of meteorological data for air quality prediction: A case study in Shenyang | |
Downey et al. | Lower tropospheric transport over the Southern Ocean | |
Zhang et al. | Impact of long-range desert dust transport on coastal East Asia: analysis of urban dust concentration and wet deposition with model simulation | |
Wang et al. | Analysis of aqi change characteristics and correlation with PM2. 5 And PM10 in beijing-tianjin-hebei region |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180525 |