CN109238508B - 一种获取地表温度和co2浓度相关度的方法 - Google Patents
一种获取地表温度和co2浓度相关度的方法 Download PDFInfo
- Publication number
- CN109238508B CN109238508B CN201810943274.2A CN201810943274A CN109238508B CN 109238508 B CN109238508 B CN 109238508B CN 201810943274 A CN201810943274 A CN 201810943274A CN 109238508 B CN109238508 B CN 109238508B
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- data
- concentration
- correlation
- value
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 45
- 229910052799 carbon Inorganic materials 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000005431 greenhouse gas Substances 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供一种获取地表温度和CO2浓度相关度的方法,将检测区域内每一测点检测到的实际地表温度数据和CO2浓度数据作为分析基础,利用奇异值分解法对预定周期内的所述地表温度数据和CO2浓度数据进行解析,得到每一周期内地表温度数据与CO2浓度数据的相关系数,进而可得到预设时间内所述检测区域中地表温度和CO2浓度相关度。采用本发明提供的以上方案能够定量地反映检测区域内地表温度与CO2浓度之间复杂的对应关系,并且通过奇异值分解方法解析地表温度数据和CO2浓度数据,需要较少的专家经验,最终得到有实际参考价值的结果。
Description
技术领域
本发明涉及气候变暖与碳排放领域,具体涉及一种获取地表温度和CO2浓度相关度的方法。
背景技术
IPCC(Intergovernmental Panel on Climate Change,政府间气候变化专门委员会)报告指出,自从19世纪工业时代以来,全球气温持续上升,1850-1900年的平均地表温度比2003-2012年的平均地表温度降低0.78℃。温度变化对气候、生物多样性、农业以及人类健康都有巨大的影响。自20世纪中叶以来,大部分已观测到的全球平均地表温度的升高很可能是由于人为温室气体浓度增加所导致的。温室气体通过增加辐射强迫造成全球地表温度的上升,而CO2又是温室气体中对辐射强迫贡献最多的因素。故,若能定量地反映出地表温度与CO2浓度之间复杂的对应关系,可辅助预测CO2的排放量以根据预测结果对CO2排放量进行控制,对缓解全球地表温度升高有指导意义。
而现有技术中并未公开有针对测绘地表温度与CO2浓度之间相关性进行分析的方案。
发明内容
本发明旨在提供一种获取地表温度和CO2浓度相关度的方法,为CO2与地表温度之间关系提供理论支持。
为解决上述技术问题,本发明实施例提供一种获取地表温度和CO2浓度相关度的方法,包括如下步骤:
获取检测区域中每一测点检测到的预设时间内的地表温度数据和CO2浓度数据,每一所述地表温度数据、所述CO2浓度数据均与检测时间点相关联;
将所述预设时间划分为多个周期,获取每一周期内的地表温度数据处理值和CO2浓度数据处理值;
采用奇异值分解法对每一周期内的所述地表温度数据处理值和CO2浓度数据处理值进行解析,得到每一周期内地表温度数据与CO2浓度数据的相关系数;
根据每一周期内地表温度数据与CO2浓度数据的相关系数,得到在预设时间内所述检测区域中地表温度和CO2浓度相关度。
可选地,上述的获取地表温度和CO2浓度相关度的方法中,将所述预设时间划分为多个周期,获取每一周期内的地表温度数据处理值和CO2浓度数据处理值的步骤中,还包括:
剔除所述地表温度数据和所述CO2浓度数据中的异常值,所述异常值是指数据超出预设范围或者在某一检测时间段内无法匹配到地表温度/CO2浓度。
可选地,上述的获取地表温度和CO2浓度相关度的方法中,采用奇异值分解法对每一周期内的所述地表温度数据处理值和CO2浓度数据处理值进行解析,得到每一周期内地表温度数据与CO2浓度数据的相关系数的步骤中包括:
根据地表温度数据处理值得到地表温度数据矩阵,根据CO2浓度数据处理值得到CO2浓度数据矩阵;
解析得到链接所述地表温度数据矩阵和所述CO2浓度数据矩阵的协方差阵;
采用奇异值分解法分解所述协方差阵,得到所述协方差阵的奇异值向量,所述奇异值向量中的每一个奇异值表示一个地表温度数据与对应CO2浓度数据的相关系数。
可选地,上述的获取地表温度和CO2浓度相关度的方法中,采用奇异值分解法对每一周期内的所述地表温度数据处理值和CO2浓度数据处理值进行解析,得到每一周期内地表温度数据与CO2浓度数据的相关系数的步骤中还包括:
根据地表温度数据处理值大小和CO2浓度数据处理值大小将所述协方差阵中的每对数据按照高温低碳模态、低温低碳模态、低温高碳模态和高温高碳模态进行模态划分;
获取每种模态中每对数据的相关系数以及每一相关系数的方差贡献百分率;
提取方差贡献率大于或等于设定标准值的数据对应的相关系数作为地表温度数据与CO2浓度数据的相关系数。
可选地,上述的获取地表温度和CO2浓度相关度的方法中,提取方差贡献率大于或等于设定标准值的数据对应的相关系数作为地表温度数据与CO2浓度数据的相关系数的步骤中:
所述设定标准值为0.001。
可选地,上述的获取地表温度和CO2浓度相关度的方法中,所述预设时间为一年以上,所述周期为一个月。
可选地,上述的获取地表温度和CO2浓度相关度的方法中,所述划分步骤中包括:
获取所述检测区域中每一测点的地表温度数据的月平均值作为地表温度数据处理值;
获取所述检测区域中每一测点的CO2浓度数据的月平均值作为CO2浓度数据处理值。
可选地,上述的获取地表温度和CO2浓度相关度的方法中,根据每一周期内地表温度数据与CO2浓度数据的相关系数,得到在预设时间内所述检测区域中地表温度和CO2浓度相关度的步骤中包括:
绘制地表温度数据和CO2浓度数据的相关系数与周期的关系曲线表征地表温度和CO2浓度相关度。
本发明还提供一种计算机可读存储介质,存储介质中存储有程序指令,计算机读取所述程序指令时能够执行上述任一项所述的获取地表温度和CO2浓度相关度的方法。
本发明还提供一种电子设备,包括至少一个处理器及至少一个存储器,至少一个所述存储器中存储有程序指令,至少一个所述处理器读取所述程序指令时能够执行以上任一项所述的获取地表温度和CO2浓度相关度的方法。
与现有技术相比,本发明实施例提供的上述技术方案至少具有以下
有益效果:
本发明提供的获取地表温度和CO2浓度相关度的方法,将检测区域内每一测点检测到的实际地表温度数据和CO2浓度数据作为分析基础,按照预定的周期将其分为不同组别,利用奇异值分解法对每一周期内的所述地表温度数据和CO2浓度数据进行解析,得到每一周期内地表温度数据与CO2浓度数据的相关系数,进而可得到预设时间内所述检测区域中地表温度和CO2浓度相关度。采用以上方案能够定量地反映出地表温度与CO2浓度之间复杂的对应关系,并且通过奇异值分解方法对地表温度数据和CO2浓度数据解析,具有更准确、更简便的优势。
附图说明
图1为本发明一个实施例所述获取地表温度和CO2浓度相关度的方法的流程图;
图2为本发明一个实施例中获取到的地表温度数据和CO2浓度数据的数据表格;
图3为本发明一个实施例根据图2所示数据得到的典型省份地表温度与CO2浓度敏感度曲线示意图。
具体实施方式
下面结合具体的实施例及附图对本发明的上述方案进行详细说明。需要注意的是,本文中的术语“第一”、“第二”、“第三”等,用于在类似要素之间进行区别,并且不一定是描述特定的次序或者按时间的顺序。另外,本文中对于不同步骤设置的步骤号,是便于描述清楚而设置的,其不应该理解为对步骤先后顺序的必要限定,对不同步骤之间的顺序交换只要不影响方案实施,都应看做对本发明实施例的简单变形无需付出创造性劳动即可实现。要理解,这样使用的这些术语在适当的环境下是可互换的,使得在此描述的主题的实施例如是能够以与那些说明的次序不同的次序或者以在此描述的另外的次序来进行操作。
实施例1
本实施例提供一种获取地表温度和CO2浓度相关度的方法,如图1所示,包括如下步骤:
S10:获取检测区域中每一测点检测到的预设时间内的地表温度数据和CO2浓度数据,每一所述地表温度数据、所述CO2浓度数据均与检测时间点相关联。本步骤中,所述检测区域可以为一个国家、一座城市、按照规定划分得到的一定面积的区域,或者是根据碳排放的企业分布情况进行划分后得到的区域。所述测点可以为随机分布的地理位置点,在测点设置检测设备,也可以采用现有的检测设备所在的位置作为检测点。所述预设时间的长短可以决定分析的样本数据量的多少,显然样本数据越多最终得到的结果越准确,但是数据处理量越大,对处理数据的设备的要求越高。具体地,可以根据实际需求进行选择,例如可以选择近五年、近十年等作为预设时间。环境检测部门具有对检测设备的设置和管理权限,其也能够获得每一检测设备检测到的数据,因此当检测地表温度和CO2浓度的设备获得检测值后,能够直接将检测结果发送至环境检测部门,环境检测部门可以将检测值与检测时间点关联存储,其目的是能够准确获知每一检测值具体对应于什么时间段。本步骤中可以直接向环境检测部门申请检测结果值即可。最终获得的数据可以采用表格的形式进行存储。
S20:将所述预设时间划分为多个周期,获取每一周期内的地表温度数据处理值和CO2浓度数据处理值。所述周期根据预设时间和实际需求来选择,例如当选择预设时间为一年以上时,所述周期可以选择为一个月;当选择预设时间为一年以内时,可以选择所述周期为10天。本步骤中,要求对于两组数据来说,周期保持一致,且划分节点相同,即需要得到同时期内同一区域的两组数据。举例说明,如果以中国作为检测区域,以中国的各个省份作为测点,预设时间为一年,周期为一个月,则得到的结果如图2中的表格所示(由于西藏地区的检测值中异常值较多,因此在表格中未体现)。表格中已经将每个省份的地表温度和地表温度数据和所述CO2浓度数据按月份分组,并进行离差标准化处理。
S30:采用奇异值分解法对每一周期内的所述地表温度数据处理值和CO2浓度数据处理值进行解析,得到每一周期内地表温度数据与CO2浓度数据的相关系数。具体可包括如下步骤:
S31:根据地表温度数据处理值得到地表温度数据矩阵,根据CO2浓度数据处理值得到CO2浓度数据矩阵,所述地表温度数据矩阵为:
相应地,所述CO2浓度数据矩阵为:
其中,p表示检测点的个数,N表示每一检测点得到的数据的样本数量,t表示时间,xjn(t)表示第j个检测点在时间t时得到的第n个地表温度检测数据,yjn(t)表示第j个检测点在时间t时得到的第n个CO2浓度检测数据。当检测时间段选择为一个月时,可以采用逐月获取地表温度数据的平均值作为地表温度数据处理值;逐月获取CO2浓度数据的平均值作为CO2浓度数据处理值。定义区域逐年逐月的地表温度X(t)为左气象场,同期内区域逐年逐的月CO2浓度Y(t)为右气象场,之后进入步骤S302;
S32:解析得到链接所述地表温度数据矩阵和所述CO2浓度数据矩阵的协方差阵,即获得左右气象之间的交叉协方差阵,将二者之间的关系进行空间匹配,二者之间的协方差阵设定为:其中,E[...]表示数学期望,协方差阵用于厘定地表温度和CO2浓度数据之间的相关性大小。
S33:采用奇异值分解法分解所述协方差阵,得到所述协方差阵的奇异值向量,所述奇异值向量中的每一个奇异值表示一个地表温度数据与对应CO2浓度数据的相关系数。其中对协方差阵进行奇异值分解,可得到:
上式中,M=min(p1,p2),Lk是协方差阵的左奇异向量,它们均为正交空间函数(L′L=I,R′R=I,I是单位矩阵)。λk是协方差阵的奇异值向量,并设λ1≥λ2≥λ3≥...≥λM≥0,其中的每一个奇异值λ1、λ2……λM用来表示一个地表温度数据与一个CO2浓度数据的相关系数。
S40:根据每一周期内地表温度数据与CO2浓度数据的相关系数λ1、λ2……λM,得到在预设时间内所述检测区域中地表温度和CO2浓度相关度。如图3所示为采用曲线的方式来表示上述相关度的结果。其中,选择了部分具有代表性的省份做成了曲线,其中横坐标表示月份,纵坐标表示地表温度数据与CO2浓度数据的相关系数。参考该图所示的曲线,只要确定了省份和月份,即可确定地表温度和CO2浓度之间的关系。这为国家在不同地域、不同情境下制定有效的CO2排放政策提供了依据,还可以根据不同国家的地表温度数据与CO2浓度数据的相关系数差异,调控各国CO2的排放浓度配额的分配。通过本实施例的上述方案,为定量衡量区域的地表温度与CO2浓度提供了简便的方法。由于奇异值分解法的特性,可以适当降低对数据量的需求,同时简化了操作步骤。
显然,采用本实施例的上述方案,通过奇异值分解法对于样本数据的分布情况没有任何要求,即使检测点检测到的地表温度和CO2浓度是不具有特殊分布规律的随机变量也能够对其进行分析得到二者之间准确的相关系数,该分析方法能够适应空间数据的复杂性,需要较少的人为干预,实用性强,可靠性高,进而可为预测CO2的排放量提供理论依据和支持。
实施例2
本实施例提供的获取地表温度和CO2浓度相关度的方法,为了能够得到准确的结果,避免偶然数据对检测结果带来误差,在步骤S10中,得到检测区域中多个检测点检测到的预设时间内的地表温度数据和CO2浓度数据后,将所述地表温度数据和所述CO2浓度数据中的异常值剔除(如图2中剔除了西藏地区的数据)最终保留满足时间连续,区域范围大致一致的数据,所述异常值是指数据超出预设范围或者在某一检测时间段内无法成功匹配的情况。例如,当遇到极端天气、监测设备异常等特殊情况时,可能会检测到异常值,这类数据一般不具有参考意义,其检测结果可能会超出一般情况下检测值许多倍,或者只是一般情况下检测值的几十分之一,本实施例中的方案,在得到数据之后可对这类数据进行剔除。另外,由于本发明实施例目的是要得到地表温度和CO2浓度的相关度,因此需要同一个检测点在同一时间内的地表温度以及对应的CO2浓度,所以如果在某一时间段内不能够同时得到这两组数据,那么也将该时间段内的数据剔除掉。
另外,分别对剔除异常值后的地表温度数据和CO2浓度数据进行离差标准化处理。通过标准化处理,可去除地表温度数据和CO2浓度数据的单位限制,将其转化为无量纲的纯数值,便于二者的数据处理。
进一步地,如图2所示,在上述步骤S32中,还包括:
S321:根据地表温度数据处理值大小和CO2浓度数据处理值大小将所述协方差阵中的每对数据按照高温低碳模态、低温低碳模态、低温高碳模态和高温高碳模态进行模态划分。例如,可以为地表温度设定一个标准值,为CO2浓度设定一个标准值,当地表温度超过其标准值时定义为高温否则定义为低温;当CO2浓度超过其标准值时定义为高碳,否则定义为低碳。由此可以将每一个检测时间段内的地表温度和CO2浓度组成的数据对按照设定标准划分模态,从而得到该数据对对应的模态。
S322:获取每种模态中每对数据的相关系数以及每一相关系数的方差贡献百分率。定义SCKk为第k个协方差奇异值占总方差奇异值的百分率:
前k个奇异值累积平方协方差贡献百分率为:
S323:提取方差贡献率大于或等于设定标准值的数据对应的相关系数,剔除方差贡献率小于设定标准值的数据对应的相关系数。所述设定标准为0.001或者其他设定值。由于奇异值是按降序摆列的,因此第1模态对交叉协方差阵的贡献最大,其第2,第3依次递减,故可挑选前几个平方协方差贡献百分率较大的模态,从而既降低了变量的维数,又找到了反映气象场大尺度相互作用的主要耦合信号。本实施例上述方案的基于统计学方式识别地表温度和CO2浓度之间的关系,而非从机理上的识别,因此对样本数据的要求小、得到结果的准确度高。
本实施例中定义各模态左、右场展开系数间的时间相关系数r(Ak,Bk)为模态相关系数。
确定方差贡献率最大的模态对应的相关系数为该月份的特征敏感系数。
采用本发明上述实施例中的方案,最终得到的在预设时间内所述检测区域中地表温度和CO2浓度相关度,例如逐年逐月的地表温度和CO2浓度相关度数据表、曲线等。优选采用相关度曲线进行表示,具有更直观的优点,曲线的横坐标为时间,纵坐标为二者的相关系数,也可根据多个区域的检测结果,绘制成分区域多复合曲线。
本发明以上实施例为定量衡量地表温度与CO2浓度之间的相关度提供了简便的方法。由于奇异值分解法的特性,可以适当降低对数据量的需求,同时简化了操作步骤。通过变形,也可以用本发明中的方法测定不同地域地表温度与CO2浓度敏感曲线,不同温度情况下,地表温度对CO2浓度的敏感曲线等等。这为国家在不同地域、不同情境下制定有效的CO2排放政策提供了依据。可以根据敏感度的差异,调控各国CO2的排放浓度配额的分配。
实施例3
本实施例提供一种计算机可读存储介质,存储介质中存储有程序指令,计算机读取所述程序指令时能够执行实施例1和实施例2中任一方案中所述的获取地表温度和CO2浓度相关度的方法。
实施例4
本实施例提供一种电子设备,包括至少一个处理器及至少一个存储器,至少一个所述存储器中存储有程序指令,至少一个所述处理器读取所述程序指令时能够执行实施例1和实施例2中任一方案中所述的获取地表温度和CO2浓度相关度的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种获取地表温度和CO2浓度相关度的方法,其特征在于,包括如下步骤:
获取检测区域中每一测点检测到的预设时间内的地表温度数据和CO2浓度数据,每一所述地表温度数据、所述CO2浓度数据均与检测时间点相关联;所述测点为随机分布的位置点,所述测点设置检测设备;或,采用现有检测设备所在的位置作为所述测点;
将所述预设时间划分为多个周期,获取每一周期内的地表温度数据处理值和CO2浓度数据处理值;针对所述地表温度数据处理值和CO2浓度数据,周期保持一致且划分节点相同;
采用奇异值分解法对每一周期内的所述地表温度数据处理值和CO2浓度数据处理值进行解析,得到每一周期内地表温度数据与CO2浓度数据的相关系数;
根据每一周期内地表温度数据与CO2浓度数据的相关系数,得到在预设时间内所述检测区域中地表温度和CO2浓度相关度;
采用奇异值分解法对每一周期内的所述地表温度数据处理值和CO2浓度数据处理值进行解析,得到每一周期内地表温度数据与CO2浓度数据的相关系数的步骤包括:
根据地表温度数据处理值得到地表温度数据矩阵,根据CO2浓度数据处理值得到CO2浓度数据矩阵,所述地表温度数据矩阵为:
所述CO2浓度数据矩阵为:
其中,p表示测点的个数,N表示每一测点得到的数据的样本数量,t表示时间,xjn(t)表示第j个测点在时间t时得到的第n个地表温度检测数据,yjn(t)表示第j个测点在时间t时得到的第n个CO2浓度检测数据;定义区域逐年逐月的地表温度X(t)为左气象场,同期内区域逐年逐的月CO2浓度Y(t)为右气象场;
解析得到链接所述地表温度数据矩阵和所述CO2浓度数据矩阵的协方差阵,获得左右气象之间的交叉协方差阵,将二者之间的关系进行空间匹配,二者之间的协方差阵设定为:其中,E[...]表示数学期望,协方差阵用于厘定地表温度和CO2浓度数据之间的相关性大小;
采用奇异值分解法分解所述协方差阵,得到所述协方差阵的奇异值向量,所述奇异值向量中的每一个奇异值表示一个地表温度数据与对应CO2浓度数据的相关系数;其中对协方差阵进行奇异值分解,可得到:
上式中,M=min(p1,p2),Lk是协方差阵的左奇异向量,它们均为正交空间函数;λk是协方差阵的奇异值向量,并设λ1≥λ2≥λ3≥...≥λM≥0,其中的每一个奇异值λ1、λ2……λM用来表示一个地表温度数据与一个CO2浓度数据的相关系数;
根据每一周期内地表温度数据与CO2浓度数据的相关系数,得到在预设时间内所述检测区域中地表温度和CO2浓度相关度的步骤中:根据上式中的每一个奇异值λ1、λ2……λM得到在预设时间内所述检测区域中地表温度和CO2浓度相关度;
采用奇异值分解法对每一周期内的所述地表温度数据处理值和CO2浓度数据处理值进行解析,得到每一周期内地表温度数据与CO2浓度数据的相关系数的步骤中还包括:根据地表温度数据处理值大小和CO2浓度数据处理值大小将所述协方差阵中的每对数据按照高温低碳模态、低温低碳模态、低温高碳模态和高温高碳模态进行模态划分;获取每种模态中每对数据的相关系数以及每一相关系数的方差贡献百分率;提取方差贡献率大于或等于设定标准值的数据对应的相关系数作为地表温度数据与CO2浓度数据的相关系数。
2.根据权利要求1所述的获取地表温度和CO2浓度相关度的方法,其特征在于,将所述预设时间划分为多个周期,获取每一周期内的地表温度数据处理值和CO2浓度数据处理值的步骤中,还包括:
剔除所述地表温度数据和所述CO2浓度数据中的异常值,所述异常值是指数据超出预设范围或者在某一检测时间段内无法匹配到地表温度/CO2浓度。
3.根据权利要求2所述的获取地表温度和CO2浓度相关度的方法,其特征在于,提取方差贡献率大于或等于设定标准值的数据对应的相关系数作为地表温度数据与CO2浓度数据的相关系数的步骤中:
所述设定标准值为0.001。
4.根据权利要求1-3任一项所述的获取地表温度和CO2浓度相关度的方法,其特征在于:
所述预设时间为一年以上,所述周期为一个月。
5.根据权利要求4所述的获取地表温度和CO2浓度相关度的方法,其特征在于,所述划分步骤中包括:
获取所述检测区域中每一测点的地表温度数据的月平均值作为地表温度数据处理值;
获取所述检测区域中每一测点的CO2浓度数据的月平均值作为CO2浓度数据处理值。
6.根据权利要求5所述的获取地表温度和CO2浓度相关度的方法,其特征在于,根据每一周期内地表温度数据与CO2浓度数据的相关系数,得到在预设时间内所述检测区域中地表温度和CO2浓度相关度的步骤中包括:
绘制地表温度数据和CO2浓度数据的相关系数与周期的关系曲线表征地表温度和CO2浓度相关度。
7.一种计算机可读存储介质,其特征在于,存储介质中存储有程序指令,计算机读取所述程序指令时能够执行权利要求1-6任一项所述的获取地表温度和CO2浓度相关度的方法。
8.一种电子设备,包括至少一个处理器及至少一个存储器,至少一个所述存储器中存储有程序指令,至少一个所述处理器读取所述程序指令时能够执行权利要求1-6任一项所述的获取地表温度和CO2浓度相关度的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810943274.2A CN109238508B (zh) | 2018-08-17 | 2018-08-17 | 一种获取地表温度和co2浓度相关度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810943274.2A CN109238508B (zh) | 2018-08-17 | 2018-08-17 | 一种获取地表温度和co2浓度相关度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109238508A CN109238508A (zh) | 2019-01-18 |
CN109238508B true CN109238508B (zh) | 2021-06-18 |
Family
ID=65070893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810943274.2A Expired - Fee Related CN109238508B (zh) | 2018-08-17 | 2018-08-17 | 一种获取地表温度和co2浓度相关度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109238508B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09252661A (ja) * | 1996-03-25 | 1997-09-30 | Nepon Inc | 施設園芸用温室の複合環境情報伝達装置および方法 |
CN101451086A (zh) * | 2007-12-03 | 2009-06-10 | 英菲诺姆国际有限公司 | 包含双峰侧链分布lofi的润滑剂组合物 |
CN106840918A (zh) * | 2016-12-28 | 2017-06-13 | 南京林业大学 | 基于悬臂板扭转模态测试材料剪切模量的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060285574A1 (en) * | 2005-06-17 | 2006-12-21 | Chih-Peng Chang | Thermal digital video camcorder having environment sensing element |
CN102053164B (zh) * | 2009-10-28 | 2013-05-22 | 中国科学院大气物理研究所 | 一种微量气体自动采集和分析系统及其方法 |
US9089837B2 (en) * | 2013-09-30 | 2015-07-28 | Institute Of Nuclear Energy Research, Atomic Energy Council | Method of fabricating a high-temperature CO2 capture agent |
CN207281310U (zh) * | 2017-05-17 | 2018-04-27 | 西北农林科技大学 | 一种基于物联网的农田气象监测装置 |
CN107846469A (zh) * | 2017-11-16 | 2018-03-27 | 长沙瑞晓知识产权服务有限公司 | 一种基于物联网和云计算技术的智能温室监控系统 |
-
2018
- 2018-08-17 CN CN201810943274.2A patent/CN109238508B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09252661A (ja) * | 1996-03-25 | 1997-09-30 | Nepon Inc | 施設園芸用温室の複合環境情報伝達装置および方法 |
CN101451086A (zh) * | 2007-12-03 | 2009-06-10 | 英菲诺姆国际有限公司 | 包含双峰侧链分布lofi的润滑剂组合物 |
CN106840918A (zh) * | 2016-12-28 | 2017-06-13 | 南京林业大学 | 基于悬臂板扭转模态测试材料剪切模量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109238508A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Birks et al. | Does pollen-assemblage richness reflect floristic richness? A review of recent developments and future challenges | |
Basto et al. | An SPSS R-menu for ordinal factor analysis | |
Giorgi et al. | Does the model regional bias affect the projected regional climate change? An analysis of global model projections: a letter | |
KR101799603B1 (ko) | 플라즈마 프로세싱 시스템 내에서의 자동적인 결함 검출 및 분류와 그 방법 | |
Oteros et al. | Quality control in bio-monitoring networks, Spanish Aerobiology Network | |
CN111275307A (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
CN113378473B (zh) | 一种基于机器学习模型的地下水砷风险预测方法 | |
KR101733026B1 (ko) | 행정구역별 온실가스 분포 데이터 생성 장치 및 방법 | |
CN105787276B (zh) | 基于夜间灯光强度的港口经济综合评价估计方法及系统 | |
CN114691661B (zh) | 一种基于同化的云导风、温湿廓线预处理分析方法及系统 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN113947504B (zh) | 一种基于随机森林法的窃电分析方法及其系统 | |
US9400868B2 (en) | Method computer program and system to analyze mass spectra | |
CN110850358A (zh) | 基于逐步回归算法的电能表综合检定方法及系统 | |
CN105203327B (zh) | 一种应用于发动机气路分析的气路测量参数选择方法 | |
CN109238508B (zh) | 一种获取地表温度和co2浓度相关度的方法 | |
Liu et al. | Fault diagnosis of subway indoor air quality based on local fisher discriminant analysis | |
CN112729292A (zh) | 基于层次分析方法的多重统计参数的重力适配区选取方法 | |
CN111881974A (zh) | 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 | |
CN111079591A (zh) | 基于改进多尺度主成分分析的不良数据修复方法及系统 | |
Liu et al. | Method for land cover classification accuracy assessment considering edges | |
CN107103552B (zh) | 勘探效率系数确定方法及装置 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
Chen et al. | The analysis of multivariate recurrent events with partially missing event types | |
CN106706559A (zh) | 落叶含水率的测量方法、系统及服务器 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210618 |