CN110018095A - 一种基于gnss对流层延迟短时预测pm2.5浓度变化的方法 - Google Patents
一种基于gnss对流层延迟短时预测pm2.5浓度变化的方法 Download PDFInfo
- Publication number
- CN110018095A CN110018095A CN201910426432.1A CN201910426432A CN110018095A CN 110018095 A CN110018095 A CN 110018095A CN 201910426432 A CN201910426432 A CN 201910426432A CN 110018095 A CN110018095 A CN 110018095A
- Authority
- CN
- China
- Prior art keywords
- gnss
- data
- mass concentration
- ztd
- station
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 208000028257 Joubert syndrome with oculorenal defect Diseases 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 239000005436 troposphere Substances 0.000 claims abstract description 11
- 238000000611 regression analysis Methods 0.000 claims abstract description 7
- 230000035772 mutation Effects 0.000 claims abstract description 6
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000009826 distribution Methods 0.000 abstract description 8
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000001925 catabolic effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening effect 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于GNSS对流层延短时预测PM2.5质量浓度变化的方法，首先利用GNSS双差模式处理接收机接收GNSS卫星信号，并解算CORS站数据，得到观测区域内地基GNSS的各个站点的天顶对流层延迟ZTD；然后运用小波分析技术对天顶对流层延迟ZTD进行多尺度、信号重构及突变分析，运用小波分析技术对IGS站观测到的气象数据和环保数据进行重构；最后以重构之后的PM2.5质量浓度变化为因变量，以重构之后的ZTD、相对湿度、平均风速和NO2浓度为自变量，利用多元回归分析技术，建立PM2.5质量浓度的多元回归模型，利用该模型预测PM2.5的浓度变化。本发明能够解决目前气象站空间分布不均且数量有限，难以实现雾霾的实时监测及预报的问题，为雾霾天气的预报提供重要的参考。
Description
技术领域
本发明涉及雾霾监测技术领域，具体涉及一种基于GNSS对流层延迟短时预测PM2.5浓度变化的方法。
背景技术
“雾霾”一般认为它是漂浮在大气中的PM2.5等微粒、粉尘、气溶胶粒子，雾霾距离地面的高度通常为3km以下，在一定的空气湿度、温度条件下且大气条件相对稳定状态下产生，是特定气象条件与人类活动相互作用的结果。雾霾的污染状况主要通过相应的指数AQI表示，AQI综合考虑了SO2、NO2、PM2.5、PM10、CO、O3这6项污染物的状况，其值越大，表明空气污染程度越重。其中可吸入物PM2.5是影响人类健康的“元凶”，近年来工业污染物在大气中的排放导致雾霾天气的频繁发生，影响了人类的健康。但各地区污染源不同，造成各地区的雾霾天气不同。
虽然中国每年空气质量在改善，根据目前中国的环境保护部颁发的《环境空气质量标准》(GB3095-2012)，一是增加了臭氧(O3)和细颗粒物(PM2.5)两项污染物控制标准；二是加严了可吸入颗粒物(PM10)、二氧化氮(NO2)等污染物的限值要求。新标准规定：细颗粒物PM2.5日平均值小于35μg/m3，改为PM2.5日平均小于75μg/m3。根据该标准，目前中国部分城市的空气质量仍影响人们的健康。
雾霾的监测和预报已成为气象学中的一个重要问题，虽然气象站可以得到较为准确的雾霾数据，但目前气象站空间分布不均且数量有限，难以实现雾霾的实时监测及预报，采用合理的手段监测雾霾天气已势在紧迫。随着全球卫星导航系统(Global NavigationSatellite System,GNSS)的快速发展，弥补了传统水汽探测技术在时空分辨率上的不足，可为气象与灾害监测等相关部分提供大范围、实时、高精度水汽的分布信息，基于地基GNSS系统反演的对流层延迟正在积极应用于雾霾的监测与预报。
目前我国连续观测测站(Continuously Operating Reference Stations,CORS)、“陆态网”、“地基GNSS气象监测网”为地基GNSS反演天顶对流层延迟(Zenith TroposphericDelay,ZTD)的时空分布提供了重要支撑。当雾霾发生时，空气中的颗粒物增多将导致空气中水汽含量及湿度的变化，进而导致GNSS对流层延迟的变化，这使得利用流层延迟辅助监测、预测雾霾天气的变化成为可能，目前GNSS天顶对流层延迟在雾霾监测、预报方面还处于初级阶段。研究人员仅在宏观上指出了天顶对流延迟ZTD与雾霾存在着较强的相关性，主要利用传统的方法分析ZTD与雾霾的关系。由于ZTD与雾霾(主要有害物PM2.5)之间存在着时频空间分布特征，但两者的原始序列波动比较大，存在噪声干扰，传统的方法无法探测二者演变过程的多尺度特性。小波分析具有多分辨率特性，能够满足二者在时频域上相关性及其变化规律的分析，为雾霾天气预报提供重要的参考。
发明内容
本发明的目的在于提供一种基于GNSS对流层延迟短时预测PM2.5浓度变化的方法，能够解决目前气象站空间分布不均且数量有限，难以实现雾霾的实时监测及预报的问题。
为实现上述目的，本发明采用如下技术方案：
一种基于GNSS对流层延短时预测PM2.5质量浓度变化的方法，依次包括以下步骤：
步骤1、利用地基GNSS双差模式处理接收机接收GNSS卫星信号；
步骤2、利用步骤1中的地基GNSS的观测数据，解算CORS站数据，得到观测区域内地基GNSS的各个站点的天顶对流层延迟ZTD，同时获取CORS站附近的气象数据和环保数据；
步骤3、运用内符合精度和平均偏差检验步骤2得到的天顶对流层延迟ZTD的精度，若该精度满足要求，则进入步骤4，若不满足要求，则返回步骤2重新计算；
步骤4、运用小波分析技术对步骤2得到的天顶对流层延迟ZTD进行多尺度、信号重构及突变分析；
步骤5、运用小波分析技术对步骤2中CORS站的气象数据和环保数据进行重构；
步骤6、以重构之后的PM2.5质量浓度变化为因变量，以重构之后的ZTD、相对湿度、平均风速和NO2浓度为自变量，利用多元回归分析技术，建立PM2.5质量浓度的多元回归模型，利用该模型预测PM2.5的浓度变化。
优选的，所述步骤2中，利用地基GNSS的观测数据，结合远距离的IGS站的观测数据，运用GAMIT软件，采用双差模式解算CORS站数据，得到观测区域内地基GNSS的各个站点的天顶对流层延迟ZTD。
优选的，所述IGS站观测数据包括历史天顶对流层延迟ZTD、相应观测区域内的气象数据及环保数据，CORS站的气象数据和环保数据来源于各个省、各个市等区域的CORS站数据。
优选的，所述远距离的IGS站与检测站相距大于500km。
优选的，所述步骤2中，利用地基GNSS的观测数据，结合对应时间的精密星历，采用PPP模式获取天顶对流层延迟ZTD。
优选的，所述步骤4及步骤5中，利用db5小波对ZTD、CORS站的气象数据和环保数据进行序列分析，并在第4层低频系数进行信号重构。
优选的，所述步骤5中CORS站的的气象数据为观测区域内每小时相对湿度、平均风速和NO2浓度，环保数据为观测区域内PM2.5每小时的数据。
优选的，所述步骤6中建立的多元回归模型如下：
将NO2浓度记为X1、相对湿度为X2、平均风速为X3、ZTD数据为X4、PM2.5质量浓度为Y，利用多元回归分析技术，建立PM2.5质量浓度的多元回归模型如下：
Y＝a0+a1X1+a2X2+a3X3+a4X4+ε (1)
其中，参数a0、a1、a2、a3、a4为待估计回归系数，ε为随机误差(大致服从均值为0的正态分布)，以上参数根据实际使用需求设定。
本发明利用雾霾期间GNSS的主要误差源天顶对流层延迟ZTD与雾霾之间的关系，采用标准正交小波db5分析方法，利用第四层低频系数分别重构PM2.5序列、ZTD序列及与PM2.5浓度影响密切的相对湿度、平均风速和NO2序列，利用重构后的PM2.5、ZTD、相对湿度、平均风速和NO2序列建立多元回归模型，预测PM2.5质量浓度的变化，小波分析能够剔除高频噪声和细微扰动，提高预测的精度，本发明能够解决目前气象站空间分布不均且数量有限，难以实现雾霾的实时监测及预报的问题，为雾霾天气的预报提供重要的参考。
附图说明
图1为本发明所述实施例一的流程图；
图2为本发明所述实施例二的流程图。
具体实施方式
以下结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例，都属于本发明的保护范围。
实施例一
如图1所示，本发明公开了一种基于GNSS对流层延迟短时预测PM2.5浓度变化的方法，依次包括以下步骤：
步骤1、利用地基GNSS双差模式处理接收机接收GNSS卫星信号。
步骤2、利用步骤1中的地基GNSS的观测数据，结合远距离的IGS站观测数据，运用GAMIT软件，采用双差模式解算CORS站数据，得到观测区域内地基GNSS的各个站点的天顶对流层延迟ZTD，同时获取CORS站附近的气象数据和环保数据。
其中，IGS站观测数据包括历史天顶对流层延迟ZTD、相应观测区域内的气象数据及环保数据，IGS站与检测站相距大于500km，CORS站附近的气象数据和环保数据来源于各个省、各个市等区域的气象局和环保局；利用双差模式解算CORS站数据的过程为现有技术，不再赘述。
采用双差模式进行数据处理时，可以消除不同测站及不同卫星间的公共误差，该公共误差包括接收机钟差及卫星钟差等，同时卫星轨道误差、对流层延迟误差也得到了很大程度的削弱，故无需精密钟差信息，其结果也可以达到很高的精度，尤其当测站间距离较短时，测站间的对流层延迟也存在强相关性，此时只能解算得到测站之间的相对对流层延迟，因此需要引入若干个长距离参考站来削弱测站之间的相关性，通常采用远距离IGS站观测数据，以达到估计绝对对流层延迟的目的。
步骤3、运用内符合精度(±1.3mm)和平均偏差(7mm)检验步骤2得到的天顶对流层延迟ZTD的精度，若该精度满足要求，则进入步骤4，若不满足要求，则返回步骤2，重新计算地基GNSS的各个站点的天顶对流层延迟ZTD。
其中，对天顶对流层延迟数据ZTD的精度进行检验的过程为现有技术，不再赘述。
步骤4、运用小波分析技术对步骤2得到的天顶对流层延迟ZTD进行多尺度、信号重构及突变分析；
原始序列的天顶对流层延迟ZTD与雾霾的主要成分PM2.5原始序列波动比较大，存在噪声干扰，无法探测二者演变过程的多尺度特性。小波分析具有多分辨率特性，能够满足二者在时频域上相关性及其变化规律的分析。
重构是用分解得到的多分辨率下的小波系数，将多尺度小波合成原信号，中间有去噪的过程，这样做相当于滤波，选择合适的成分重构就可以滤去其它成分，突变分析是提取小波分解后的某层高频系数，并通过对该高频系数的奇异性检验来确定ZTD的突变发生点。选择小波后，经过综合考虑算法的效果，db5小波是进行ZTD、PM2.5序列分析的最佳选择，小波低频信号在第4层低频系数分别重构ZTD和PM2.5序列。
步骤5、运用小波分析技术对步骤2中CORS站的气象数据和环保数据进行重构；
CORS站气象数据为观测区域内每小时相对湿度、平均风速和NO2浓度，环保数据为观测区域内PM2.5每小时的数据，省级的、市级的CORS站，其气象数据和环保数据来自气象局和环保局。
对气象数据和环保数据进行重构的过程与步骤4相同，为现有技术，不再赘述。
步骤6、以重构之后的PM2.5质量浓度变化为因变量，以重构之后的ZTD、相对湿度、平均风速和NO2浓度为自变量，利用多元回归分析技术，建立PM2.5质量浓度的多元回归模型，利用该模型预测PM2.5的浓度变化。
将NO2浓度记为X1、相对湿度为X2、平均风速为X3、ZTD数据为X4、PM2.5质量浓度为Y，利用多元回归分析技术，建立PM2.5质量浓度的多元回归模型如下：
Y＝a0+a1X1+a2X2+a3X3+a4X4+ε (1)
其中，参数a0、a1、a2、a3、a4为待估计回归系数，ε为随机误差(大致服从均值为0的正态分布)，以上参数根据实际使用需求设定。
实施例二
如图2所示，本实施例与实施例一大致相同，区别在于，步骤2中，利用地基GNSS的观测数据，结合对应时间的精密星历，采用PPP模式获取天顶对流层延迟ZTD。
选择PPP模式的优点：观测站与观测站之间互不相关，数据处理结果可以直接得到各个观测站上空的绝对对流层延迟量，但是其缺点：为了尽量消除其它误差的影响，满足高精度数据处理的需求，需要事先同时提供各颗卫星高精度的精密星历与精密钟差信息，增加了实时数据处理的难度。
从回归模型的检验结果和PM2.5质量浓度预测曲线证明，利用该方法的监测精度优于传统的方法，尤其天数越短，ZTD与PM2.5呈强相关系性时，预测结果越好。该方法用于北京、长春雾霾天气预测(任选3-5天)，也取得了较好的结果。
本发明利用小波分析的多分辨率特性对ZTD序列和PM2.5序列进行时域上的相关性和变化规律进行分析，为雾霾天气的预报提供重要的参考，小波分析能够剔除高频噪声和细微扰动，提高预测的精度。
Claims (8)
1.一种基于GNSS对流层延短时预测PM2.5质量浓度变化的方法，其特征在于，依次包括以下步骤：
步骤1、利用地基GNSS双差模式处理接收机接收GNSS卫星信号；
步骤2、利用步骤1中的地基GNSS的观测数据，解算CORS站数据，得到观测区域内地基GNSS的各个站点的天顶对流层延迟ZTD，同时获取CORS站附近的气象数据和环保数据；
步骤3、运用内符合精度和平均偏差检验步骤2得到的天顶对流层延迟ZTD的精度，若该精度满足要求，则进入步骤4，若不满足要求，则返回步骤2重新计算；
步骤4、运用小波分析技术对步骤2得到的天顶对流层延迟ZTD进行多尺度、信号重构及突变分析；
步骤5、运用小波分析技术对步骤2中CORS站的气象数据和环保数据进行重构；
步骤6、以重构之后的PM2.5质量浓度变化为因变量，以重构之后的ZTD、相对湿度、平均风速和NO2浓度为自变量，利用多元回归分析技术，建立PM2.5质量浓度的多元回归模型，利用该模型预测PM2.5的浓度变化。
2.如权利要求1所述的一种基于GNSS对流层延短时预测PM2.5质量浓度变化的方法，其特征在于：所述步骤2中，利用地基GNSS的观测数据，结合远距离的IGS站的观测数据，运用GAMIT软件，采用双差模式解算CORS站数据，得到观测区域内地基GNSS的各个站点的天顶对流层延迟ZTD。
3.如权利要求2所述的一种基于GNSS对流层延短时预测PM2.5质量浓度变化的方法，其特征在于：所述IGS站观测数据包括历史天顶对流层延迟ZTD、相应观测区域内的气象数据及环保数据，CORS站的气象数据和环保数据数据来源于各个省、各个市等区域的气象局和环保局。
4.如权利要求2所述的一种基于GNSS对流层延短时预测PM2.5质量浓度变化的方法，其特征在于：所述远距离的IGS站与检测站相距大于500km。
5.如权利要求1所述的一种基于GNSS对流层延短时预测PM2.5质量浓度变化的方法，其特征在于：所述步骤2中，利用地基GNSS的观测数据，结合对应时间的精密星历，采用PPP模式获取天顶对流层延迟ZTD。
6.如权利要求2至5任一项所述的一种基于GNSS对流层延短时预测PM2.5质量浓度变化的方法，其特征在于：所述步骤4及步骤5中，利用db5小波对ZTD、CORS站的气象数据和环保数据进行序列分析，并在第4层低频系数进行信号重构。
7.如权利要求1所述的一种基于GNSS对流层延短时预测PM2.5质量浓度变化的方法，其特征在于：所述步骤5中CORS站的的气象数据为观测区域内每小时相对湿度、平均风速和NO2浓度，环保数据为观测区域内PM2.5每小时的数据。
8.如权利要求1所述的一种基于GNSS对流层延短时预测PM2.5质量浓度变化的方法，其特征在于，所述步骤6中建立的多元回归模型如下：
将NO2浓度记为X1、相对湿度为X2、平均风速为X3、ZTD数据为X4、PM2.5质量浓度为Y，利用多元回归分析技术，建立PM2.5质量浓度的多元回归模型如下：
Y＝a0+a1X1+a2X2+a3X3+a4X4+ε (1)
其中，参数a0、a1、a2、a3、a4为待估计回归系数，ε为随机误差，以上参数根据实际使用需求设定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910426432.1A CN110018095A (zh) | 2019-05-21 | 2019-05-21 | 一种基于gnss对流层延迟短时预测pm2.5浓度变化的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910426432.1A CN110018095A (zh) | 2019-05-21 | 2019-05-21 | 一种基于gnss对流层延迟短时预测pm2.5浓度变化的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110018095A true CN110018095A (zh) | 2019-07-16 |
Family
ID=67194216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910426432.1A Pending CN110018095A (zh) | 2019-05-21 | 2019-05-21 | 一种基于gnss对流层延迟短时预测pm2.5浓度变化的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110018095A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110515996A (zh) * | 2019-08-22 | 2019-11-29 | 河南理工大学 | 一种多信道对流层延迟解算数据整合可视化处理方法 |
| CN112730172A (zh) * | 2020-12-07 | 2021-04-30 | 联创汽车电子有限公司 | 大气悬浮物浓度检测方法和检测系统 |
| CN117055087A (zh) * | 2023-10-10 | 2023-11-14 | 中国电建集团西北勘测设计研究院有限公司 | 一种雾霾影响区域的gnss实时定位解算方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107192645A (zh) * | 2016-03-14 | 2017-09-22 | 曹芃 | 一种多旋翼无人机大气污染探测系统及方法 |
-
2019
- 2019-05-21 CN CN201910426432.1A patent/CN110018095A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107192645A (zh) * | 2016-03-14 | 2017-09-22 | 曹芃 | 一种多旋翼无人机大气污染探测系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘杰 等，: ""基于气象因素的PM2.5质量浓度预测模型"", 《山东大学学报（工学版）》 * |
| 杨宇飞 等: ""非差/双差模式GNSS精密定轨处理策略对比及精度分析"", 《测绘科学技术学报》 * |
| 王勇 等: ""一种对流层延迟的ZTD与PM2.5浓度相关性研究"", 《测绘科学》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110515996A (zh) * | 2019-08-22 | 2019-11-29 | 河南理工大学 | 一种多信道对流层延迟解算数据整合可视化处理方法 |
| CN110515996B (zh) * | 2019-08-22 | 2023-05-23 | 河南理工大学 | 一种多信道对流层延迟解算数据整合可视化处理方法 |
| CN112730172A (zh) * | 2020-12-07 | 2021-04-30 | 联创汽车电子有限公司 | 大气悬浮物浓度检测方法和检测系统 |
| CN117055087A (zh) * | 2023-10-10 | 2023-11-14 | 中国电建集团西北勘测设计研究院有限公司 | 一种雾霾影响区域的gnss实时定位解算方法 |
| CN117055087B (zh) * | 2023-10-10 | 2024-01-30 | 中国电建集团西北勘测设计研究院有限公司 | 一种雾霾影响区域的gnss实时定位解算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Locarnini et al. | World ocean atlas 2018, volume 1: Temperature | |
| CN110018095A (zh) | 一种基于gnss对流层延迟短时预测pm2.5浓度变化的方法 | |
| D'amato et al. | On the characteristics of the rainfall events in the Sahel with a view to the analysis of climatic variability | |
| Jones et al. | Estimating sampling errors in large-scale temperature averages | |
| Lucas et al. | An observational analysis of Southern Hemisphere tropical expansion | |
| CN109034252B (zh) | 空气质量站点监测数据异常的自动化识别方法 | |
| Klos et al. | Statistical significance of trends in Zenith Wet Delay from re-processed GPS solutions | |
| Wang et al. | MAX-DOAS retrieval of aerosol extinction properties in Madrid, Spain | |
| Mahowald et al. | Deducing CCl3F emissions using an inverse method and chemical transport models with assimilated winds | |
| CN111401602A (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
| Reid et al. | Assessments of the reliability of NCEP circulation data and relationships with surface climate by direct comparisons with station based data | |
| Liu | Mapping high resolution national daily NO2 exposure across mainland China using an ensemble algorithm | |
| Bartholy et al. | European cyclone track analysis based on ECMWF ERA‐40 data sets | |
| Zheng et al. | Spatial distribution of PM2. 5‐related premature mortality in China | |
| Li et al. | From air quality sensors to sensor networks: Things we need to learn | |
| Ding et al. | Space-based NO x emission estimates over remote regions improved in DECSO | |
| CN115494086A (zh) | 一种顾及异常干涉相位的gnss-ir土壤湿度监测方法 | |
| Dunn et al. | Comparing extremes indices in recent observational and reanalysis products | |
| Guo et al. | Comparison of atmospheric CO2, CH4, and CO at two stations in the Tibetan Plateau of China | |
| Hegerl et al. | Effect of observational sampling error on the detection of anthropogenic climate change | |
| Bhend et al. | Evaluation of simulated recent climate change in Australia | |
| Schmied et al. | Evaluation of radiation components in a global freshwater model with station-based observations | |
| Yao et al. | Human migration-induced impacts on noise in GNSS position time series | |
| Galán-Madruga et al. | A methodological framework for estimating ambient PM2. 5 particulate matter concentrations in the UK | |
| Nakata et al. | Regional characteristics of air pollution in Japan |
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 |