CN110489836A - 一种预驱动中长期空气质量预报系统和方法 - Google Patents
一种预驱动中长期空气质量预报系统和方法 Download PDFInfo
- Publication number
- CN110489836A CN110489836A CN201910724081.2A CN201910724081A CN110489836A CN 110489836 A CN110489836 A CN 110489836A CN 201910724081 A CN201910724081 A CN 201910724081A CN 110489836 A CN110489836 A CN 110489836A
- Authority
- CN
- China
- Prior art keywords
- data
- term
- air quality
- forecast
- prediction
- 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.)
- Granted
Links
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Physics & Mathematics (AREA)
- Ecology (AREA)
- Combustion & Propulsion (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Medicinal Chemistry (AREA)
- Environmental Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种预驱动中长期空气质量预报系统和方法，涉及空气质量预报领域。包括：气象数据下载模块、数值模型驱动模块和后处理模块；所述气象数据下载模块用于下载起报时间前10天的再分析资料和起报时间的CFS预报场资料；所述数值模型驱动模块用于读取用户提供的排放清单，并利用所述再分析资料和所述排放清单得到起报时间前10天的气象场回顾模拟结果和空气质量回顾模拟结果。本方案解决了如何基于CFS中长期气象预报数据开展预驱动中长期空气质量预报，并提高预报精度的技术问题，适用于空气质量预报。
Description
技术领域
本发明涉及空气质量预报领域，特别涉及一种预驱动中长期空气质量预报系统和方法。
背景技术
目前，随着人民群众对空气质量的关注程度日益提高，国家对空气质量预报提出了新的要求，需要空气质量预报的时长能够覆盖到10天乃至更长，而长时间的空气质量预报难以采用传统的统计预报方法开展，基于GFS的传统数值预报方法体系则难以预报月尺度甚至季节尺度的空气质量。
目前CFS(NCEP Coupled Forecast System model)产品广泛用于国内外1-3月中长期气象条件预报，并基于气象条件预报开展了水文、生态等多方面的应用，也包括污染形势分析等大气环境相关的工作，但少见其在空气质量数值预报领域的应用。
数值模拟(含预报)技术通常需要进行SPIN-UP，即初始化模拟，由于模式驱动数据的空间分辨率通常与模拟网格不一致，通过初始模拟可以让模式输入数据在空间尺度上更为接近模拟网格分辨率，达到稳定状态。通常情况气象模式需要通过6-24小时的初始模拟；对于空气质量模式而言，由于空气质量模式的初试场通常为均一分布的统计浓度，实际排放则具备更为明确的空间分布属性，污染物排入大气后达到稳定的混合状态需要的时间更长，初始化模拟需要的时间更多，因此通常需要7-15天的初始化模拟时间以期获得更为合理的空气质量模拟结果。
在基于GFS产品的短期空气质量预报中，由于NCEP FNL资料是GFS系统整合全球观测数据后的再分析产品，可以使用FNL资料对历史气象条件进行模拟，并通过Restart Run方式提供初始场以改善预报效果，但在基于CFS产品的中长期空气质量预报中，由于CFS系统与GFS系统由不同模式产出，垂直层次等属性存在差异，无法使用Restart Run的方法为模式提供已完成SPIN-UIP的高时效性初始场数据，从而无法使用FNL预驱动CFS中长期数值预报。
在进行数值预报的时候，由于预报场数据的质量通常不如结合了实测数据订正后的再分析资料，且预报场数据的准确性随着预报时间的增加逐渐降低，故对于数值预报而言初始化模拟更为重要，可一定程度上提高早期空气质量数值预报的准确性。对于基于CFS产品的中长期数值预报而言，因其预报时长通常在一个月到三个月之间，早期预报效果相较后期效果更佳，若使用CFS的早期产品进行初始化模拟，由于空气质量模拟所需的初始化模拟时间较长，污染物浓度并未混合到稳定状态，从而导致该阶段的空气质量预报效果不佳，浪费了CFS产品气象条件预报效果相对较好的阶段。
发明内容
本发明所要解决的技术问题是如何基于再分析数据进行预驱动从而提高CFS中长期预报精度。
本发明解决上述技术问题的技术方案如下：一种预驱动中长期空气质量预报系统，包括：气象数据下载模块、数值模型驱动模块和后处理模块；
所述气象数据下载模块用于下载起报时间前10天的再分析资料和起报时间的CFS预报场资料；
所述数值模型驱动模块用于读取用户提供的排放清单，并利用所述再分析资料和所述排放清单得到起报时间前10天的气象场回顾模拟结果和空气质量回顾模拟结果；
所述数值模型驱动模块还包括：气象初始数据提取子模块和污染物浓度初始数据提取子模块；所述气象初始数据提取子模块根据所述气象场回顾模拟结果得到预报开始第一时间的气象初始数据；所述污染物浓度数据提取子模块根据所述空气质量回顾模拟结果得到预报开始第一时间的污染物浓度初始数据，所述数值模型驱动模块用于使用所述气象初始数据和所述污染物浓度初始数据；替换原始wrfinput数据中基于插值的粗分辨率气象场初值和ICON数据中基于统计的平均污染物浓度初值，从而利用回顾模拟结果改善CFS预报前期预报效果，实现预驱动；
所述CFS预报场资料包括CFS地面预报场数据和CFS高空预报场数据；
所述数值模型驱动模块还用于根据所述CFS预报场数据及所述排放清单得到中长期气象条件预报结果及中长期空气质量预报结果；
所述后处理模块用于根据所述中长期气象条件预报结果及所述空气质量预报结果提取点位预报产品，并生成预报报告。
本发明的有益效果是：本方案从回顾性模拟结果中直接获取模式初始化需要的变量，经处理后写入预报数据的初始场中，利用回顾模拟结果对预报进行初始化，实现预驱动。相比现有技术中采用的Restart Run热启动方式，本方案所需要的数据不需要具有相同的数据结构，而是采用数值模型驱动模块这个中间程序处理模拟结果，获取初始变量用于预报的初始化工作，故该方法对前后两次模拟的驱动数据无要求，具备较高的灵活性，也解决了CFS系统无法使用FNL等成熟再分析资料初始化CFS中长期数值预报的技术问题，从而达到了提高中长期空气质量预报精度的技术效果；结合再分析资料得到的回顾模拟结果对未来空气质量变化趋势相比使用默认初始值对未来空气质量变化趋势的预报更有参考意义。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述再分析资料包括FNL再分析资料、ERA-Interim或ERA5资料。
进一步，所述后处理模块包括产品绘图子模块和点位预报数据提取子模块；
所述产品绘图子模块用于根据所述中长期气象条件预报结果及所述中长期空气质量预报结果绘制风速、风向、温度、相对湿度、降水、太阳辐射、NO2、SO2、PM10、PM2.5、O3、CO、OX的空间分布图件；
所述点位预报数据提取子模块用于根据空气质量监测站点经纬度信息从所述中长期气象条件预报结果中提取点位对应的气象要素时间序列预报数据，还用于根据空气质量监测站点经纬度和所述中长期空气质量预报结果提取点位对应的空气质量时间序列预报数据，并根据所述气象要素时间序列预报数据、所述空气质量时间序列预报数据和我国AQI计算规范计算点位AQI数据；
所述后处理模块还用于结合所述空间分布图件、气象要素时间序列预报数据、空气质量时间序列预报数据及AQI数据生成预报报表。
本发明解决上述技术问题的另一技术方案如下：
一种预驱动中长期空气质量预报方法，包括以下步骤：
S1：下载起报时间前10天的再分析资料和起报时间的CFS预报场资料；
S2：读取用户排放清单，利用再分析资料和所述排放清单得到起报时间前10天的气象场回顾模拟结果和空气质量回顾模拟结果；
S3：根据所述气象场回顾模拟结果得到预报开始第一时间的气象初始数据，根据所述空气质量回顾模拟结果得到预报开始第一时间的污染物浓度初始数据；
S4：利用所述预报开始第一时间的气象初始数据替换CFS数据生成的wrfinput中的初始气象数据，并利用所述预报开始第一时间的污染物浓度初始数据替换CMAQ模型ICON中的初始污染物浓度数据，并分别完成中长期气象数值预报和空气质量数值预报；
S5：根据所述中长期气象条件预报结果及中长期空气质量预报结果得到气象要素及污染物的空间分布图件，及点位气象要素时间序列预报数据和空气质量时间序列预报数据；
S6：根据所述空间分布图件、点位气象要素时间序列预报数据和空气质量时间序列预报数据生成预报报告。
进一步，步骤S2具体为：步骤S2中，所述再分析资料包括FNL再分析资料、ERA-Interim或ERA5资料。
进一步，步骤S5具体为，根据所述中长期气象条件预报结果及所述中长期空气质量预报结果绘制风速、风向、温度、相对湿度、降水、太阳辐射、NO2、SO2、PM10、PM2.5、O3、CO、OX的空间分布图件；根据空气质量监测站点经纬度信息从所述中长期气象条件预报结果中提取点位对应的气象要素时间序列预报数据，还根据空气质量监测站点经纬度和所述中长期空气质量预报结果提取点位对应的空气质量时间序列预报数据，并根据所述气象要素时间序列预报数据、所述空气质量时间序列预报数据和我国AQI计算规范计算点位AQI数据。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明预驱动中长期空气质量预报系统的实施例的系统结构示意图；
图2为本发明预驱动中长期空气质量预报方法的实施例的方法流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例基本如附图1所示：
本实施例中预驱动中长期空气质量预报方法，包括：气象数据下载模块1、数值模型驱动模块2和后处理模块3；
气象数据下载模块1用于下载起报时间前10天的再分析资料4和起报时间的CFS预报场资料5，所述数值模型驱动模块2用于读取用户提供的排放清单13，并利用所述再分析资料和所述排放清单13得到起报时间前10天的气象场回顾模拟结果和空气质量回顾模拟结果；
本实施例中的排放清单13可以包括预报城市及周边地区VOCs、NOx、CO、SO2、PM10、PM2.5、NH3等大气污染物排放数据，具备时间、空间和化学物种属性，用于描述不同时间不同位置的大气污染排放情况，可为城市相关科研机构编制，或按区域截取自全国排放清单，本实施例中的气象数据下载子模块用于下载起报时间前10天的再分析资料4和起报时间的CFS预报场资料5；
本实施例中的数值模型驱动模块2包括气象模拟子模块和CMAQ空气质量模拟子模块，其中气象模拟子模块用于得到气象场回顾模拟结果6，CMAQ空气质量模拟子模块用于得到空气质量回顾模拟结果；数值模型驱动模块2还包括：气象初始数据提取子模块和污染物浓度初始数据提取子模块；气象初始数据提取子模块根据气象场回顾模拟结果6得到预报开始第一时间的气象初始数据7；污染物浓度数据提取子模块根据空气质量回顾模拟结果得到预报开始第一时间的污染物浓度初始数据8，数值模型驱动模块用于使用气象初始数据7和污染物浓度初始数据8替换原始wrfinput数据中基于插值的粗分辨率气象场初值和ICON数据中基于统计的平均污染物浓度初值，从而利用回顾模拟结果6改善CFS预报前期预报效果，实现预驱动；
CFS预报场资料5包括CFS地面预报场数据和CFS高空预报场数据；
所述数值模型驱动模块2还用于根据所述CFS预报场资料5及所述排放清单13得到中长期气象条件预报结果12及中长期空气质量预报结果11；
所述后处理模块3用于根据所述中长期气象条件预报结果12及所述空气质量预报结果提取点位预报产品，并生成预报报告10，本实施例中的点位预报产品为空气质量监测站点的中长期气象预报及空气质量预报，包括数据和图标等内容；中长期气象条件预报结果12是指未来1-3个月的气象条件数值预报，中长期空气质量预报结果11是指未来1-3个月的空气质量数值预报，本实施例中的点位预报产品包括气象预报子模块，气象预报子模块用于获取中长期气象预报。
本发明的有益效果是：本方案从回顾性模拟结果中直接获取模拟变量，并提取模拟结果中模式初始化需要的变量，经处理后写入CFS预报的初始场中，利用回顾模拟结果对预报进行初始化，实现预驱动。相比现有技术中采用的Restart Run热启动方式，本方案所需要的数据不需要具有相同的数据结构，而是采用数值模型驱动模块2这个中间程序处理模拟结果，获取初始变量用于预报的初始化工作，故该方法对前后两次模拟的数据结构无要求，具备较高的灵活性，也解决了CFS系统无法使用FNL等成熟再分析资料初始化CFS中长期数值预报的技术问题，从而达到了提高中长期空气质量预报精度的技术效果；结合再分析资料4得到的回顾模拟结果6对未来空气质量变化趋势的预报相比使用默认初始值对未来空气质量变化趋势更有参考意义。
在上述技术方案的基础上，本发明还可以做如下改进。
可选的，在一些其它实施例中，再分析资料4包括FNL再分析资料、ERA-Interim或ERA5资料。
可选的，在一些其它实施例中，后处理模块3包括产品绘图子模块和点位预报数据9提取子模块；
产品绘图子模块用于根据中长期气象条件预报结果12及中长期空气质量预报结果11绘制风速、风向、温度、相对湿度、降水、太阳辐射、NO2、SO2、PM10、PM2.5、O3、CO、OX的空间分布图件；
点位预报数据9提取子模块用于根据空气质量监测站点经纬度信息从中长期气象条件预报结果12中提取点位对应的气象要素时间序列预报数据，还用于根据空气质量监测站点经纬度和中长期空气质量预报结果11提取点位对应的空气质量时间序列预报数据，并根据气象要素时间序列预报数据、空气质量时间序列预报数据和我国AQI计算规范计算点位AQI数据；
后处理模块3还用于结合空间分布图件、气象要素时间序列预报数据、空气质量时间序列预报数据及AQI数据生成预报报表。
本发明解决上述技术问题的另一技术方案如下：
如附图2所示，一种预驱动中长期空气质量预报方法，包括以下步骤：
S1：下载起报时间前10天的再分析资料4和起报时间的CFS预报场资料5；
S2：读取用户排放清单13，利用再分析资料4和排放清单13得到起报时间前10天的气象场回顾模拟结果6和空气质量回顾模拟结果；
S3：根据气象场回顾模拟结果6得到预报开始第一时间的气象初始数据7，根据空气质量回顾模拟结果得到预报开始第一时间的污染物浓度初始数据8；
S4：利用预报开始第一时间的气象初始数据7替换CFS数据生成的wrfinput中的初始气象数据，并利用预报开始第一时间的污染物浓度初始数据8替换CMAQ模型ICON中的初始污染物浓度数据，并分别完成中长期气象数值预报和空气质量数值预报；
S5：根据中长期气象条件预报结果12及中长期空气质量预报结果11得到气象要素及污染物的空间分布图件，及点位气象要素时间序列预报数据和空气质量时间序列预报数据；
S6：根据空间分布图件、点位气象要素时间序列预报数据和空气质量时间序列预报数据生成预报报告10。
可选的，在一些其它实施例中，步骤S2具体为：步骤S2中，再分析资料4包括FNL再分析资料、ERA-Interim或ERA5资料。
可选的，在一些其它实施例中，步骤S5具体为，根据中长期气象条件预报结果12及中长期空气质量预报结果11绘制风速、风向、温度、相对湿度、降水、太阳辐射、NO2、SO2、PM10、PM2.5、O3、CO、OX的空间分布图件；根据空气质量监测站点经纬度信息从中长期气象条件预报结果12中提取点位对应的气象要素时间序列预报数据，还根据空气质量监测站点经纬度和中长期空气质量预报结果11提取点位对应的空气质量时间序列预报数据，并根据气象要素时间序列预报数据、空气质量时间序列预报数据和我国AQI计算规范计算点位AQI数据。
需要说明的是，上述各实施例是与上述各方法实施例对应的产品实施例，对于本实施例中各结构装置及可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种预驱动中长期空气质量预报系统，其特征在于，包括：气象数据下载模块、数值模型驱动模块和后处理模块；
所述气象数据下载模块用于下载起报时间前10天的再分析资料和起报时间的CFS预报场资料；
所述数值模型驱动模块用于读取用户提供的排放清单，并利用所述再分析资料和所述排放清单得到起报时间前10天的气象场回顾模拟结果和空气质量回顾模拟结果；
所述数值模型驱动模块还包括：气象初始数据提取子模块和污染物浓度初始数据提取子模块；所述气象初始数据提取子模块根据所述气象场回顾模拟结果得到预报开始第一时间的气象初始数据；所述污染物浓度数据提取子模块根据所述空气质量回顾模拟结果得到预报开始第一时间的污染物浓度初始数据，所述数值模型驱动模块使用所述气象初始数据和所述污染物浓度初始数据替换原始wrfinput数据中基于插值的粗分辨率气象场初值和基于统计的平均污染物浓度初值，从而利用回顾模拟结果改善CFS预报前期空气质量预报效果；
所述CFS预报场资料包括CFS地面预报场数据和CFS高空预报场数据；
所述数值模型驱动模块还用于根据所述CFS预报场数据及所述排放清单得到中长期气象条件预报结果及中长期空气质量预报结果；
所述后处理模块用于根据所述中长期气象条件预报结果及所述中长期空气质量预报结果提取点位预报产品，并生成预报报告。
2.根据权利要求1所述的预驱动中长期空气质量预报系统，其特征在于：所述再分析资料包括FNL再分析资料、ERA-Interim或ERA5资料。
3.根据权利要求4所述的预驱动中长期空气质量预报系统，其特征在于：所述后处理模块包括产品绘图子模块和点位预报数据提取子模块：
所述产品绘图子模块用于根据所述中长期气象条件预报结果及所述中长期空气质量预报结果绘制风速、风向、温度、相对湿度、降水、太阳辐射、NO2、SO2、PM10、PM2.5、O3、CO、OX的空间分布图件；
所述点位预报数据提取子模块用于根据空气质量监测站点经纬度信息从所述中长期气象条件预报结果中提取点位对应的气象要素时间序列预报数据，还用于根据空气质量监测站点经纬度和所述中长期空气质量预报结果提取点位对应的空气质量时间序列预报数据，并根据所述气象要素时间序列预报数据、所述空气质量时间序列预报数据和我国AQI计算规范计算点位AQI数据；
所述后处理模块还用于结合所述空间分布图件、气象要素时间序列预报数据、空气质量时间序列预报数据及AQI数据生成预报报表。
4.根据权利要求1所述的预驱动中长期空气质量预报方法，其特征在于，包括以下步骤：
S1：下载起报时间前10天的再分析资料和起报时间的CFS预报场资料；
S2：读取用户排放清单，利用再分析资料和所述排放清单得到起报时间前10天的气象场回顾模拟结果和空气质量回顾模拟结果；
S3：根据所述气象场回顾模拟结果得到预报开始第一时间的气象初始数据，根据所述空气质量回顾模拟结果得到预报开始第一时间的污染物浓度初始数据；
S4：利用所述预报开始第一时间的气象初始数据替换CFS数据生成的wrfinput中的初始气象数据，并利用所述预报开始第一时间的污染物浓度初始数据替换CMAQ模型ICON中的初始污染物浓度数据，并分别完成中长期气象数值预报和空气质量数值预报；
S5：根据所述中长期气象条件预报结果及中长期空气质量预报结果得到气象要素及污染物的空间分布图件，及点位气象要素时间序列预报数据和空气质量时间序列预报数据；
S6：根据所述空间分布图件、点位气象要素时间序列预报数据和空气质量时间序列预报数据生成预报报告。
5.根据权利要求4所述的预驱动中长期空气质量预报方法，其特征在于：步骤S2中，所述再分析资料包括FNL再分析资料、ERA-Interim或ERA5资料。
6.据权利要求4所述的预驱动中长期空气质量预报方法，其特征在于：步骤S5具体为，根据所述中长期气象条件预报结果及所述中长期空气质量预报结果绘制风速、风向、温度、相对湿度、降水、太阳辐射、NO2、SO2、PM10、PM2.5、O3、CO、OX的空间分布图件；根据空气质量监测站点经纬度信息从所述中长期气象条件预报结果中提取点位对应的气象要素时间序列预报数据，还根据空气质量监测站点经纬度和所述中长期空气质量预报结果提取点位对应的空气质量时间序列预报数据，并根据所述气象要素时间序列预报数据、所述空气质量时间序列预报数据和我国AQI计算规范计算点位AQI数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910724081.2A CN110489836B (zh) | 2019-08-07 | 2019-08-07 | 一种预驱动中长期空气质量预报系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910724081.2A CN110489836B (zh) | 2019-08-07 | 2019-08-07 | 一种预驱动中长期空气质量预报系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110489836A true CN110489836A (zh) | 2019-11-22 |
| CN110489836B CN110489836B (zh) | 2023-01-24 |
Family
ID=68549605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910724081.2A Active CN110489836B (zh) | 2019-08-07 | 2019-08-07 | 一种预驱动中长期空气质量预报系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110489836B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700064A (zh) * | 2021-01-14 | 2021-04-23 | 中科三清科技有限公司 | 空气质量预报数值输出的伴随后处理方法及装置 |
| CN114138868A (zh) * | 2021-12-03 | 2022-03-04 | 中科三清科技有限公司 | 空气质量统计分布图绘制方法和装置 |
| CN115079308A (zh) * | 2022-07-04 | 2022-09-20 | 湖南省生态环境监测中心 | 一种空气质量集合预报系统及其方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160091474A1 (en) * | 2014-09-29 | 2016-03-31 | Tanguy Griffon | Method and a System for Determining at Least One Forecasted Air Quality Health Effect Caused in a Determined Geographical Area by at Least One Air Pollutant |
| CN107957598A (zh) * | 2017-12-16 | 2018-04-24 | 兰州大学 | 一种结合大尺度天气系统指数的中长期空气污染预报模型 |
| CN108366109A (zh) * | 2018-02-01 | 2018-08-03 | 王晓峰 | 一种气象数据数值预报云共享平台和数据共享方法 |
| US20180239057A1 (en) * | 2017-02-22 | 2018-08-23 | International Business Machines Corporation | Forecasting air quality |
| US20180259677A1 (en) * | 2017-03-07 | 2018-09-13 | International Business Machines Corporation | Post-processing air quality forecasts |
-
2019
- 2019-08-07 CN CN201910724081.2A patent/CN110489836B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160091474A1 (en) * | 2014-09-29 | 2016-03-31 | Tanguy Griffon | Method and a System for Determining at Least One Forecasted Air Quality Health Effect Caused in a Determined Geographical Area by at Least One Air Pollutant |
| US20180239057A1 (en) * | 2017-02-22 | 2018-08-23 | International Business Machines Corporation | Forecasting air quality |
| US20180259677A1 (en) * | 2017-03-07 | 2018-09-13 | International Business Machines Corporation | Post-processing air quality forecasts |
| CN107957598A (zh) * | 2017-12-16 | 2018-04-24 | 兰州大学 | 一种结合大尺度天气系统指数的中长期空气污染预报模型 |
| CN108366109A (zh) * | 2018-02-01 | 2018-08-03 | 王晓峰 | 一种气象数据数值预报云共享平台和数据共享方法 |
Non-Patent Citations (8)
| Title |
|---|
| KHALED BASHIR SHABAN ET AL.: "Urban Air Pollution Monitoring System With Forecasting Models", 《IEEE SENSORS JOURNAL》 * |
| 张恬月 等: "成都市空气质量预报系统的应用及预报效果评估", 《四川环境》 * |
| 梁永贤等: "深圳市环境空气质量数值预报系统介绍", 《广州化工》 * |
| 薛文博等: "国内外空气质量模型研究进展", 《环境与可持续发展》 * |
| 赵李明: "基于GIS的城市空气质量预报系统设计", 《科技广场》 * |
| 陆成伟 等: "基于CMAQ的空气质量模拟预报系统构建", 《安徽农业科学》 * |
| 陆成伟等: "基于Models-3的自修正空气质量预报系统及其效果检验", 《中国环境管理》 * |
| 马琳等: "新乡市空气质量数值预报系统及重污染过程模拟分析", 《中国粉体技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700064A (zh) * | 2021-01-14 | 2021-04-23 | 中科三清科技有限公司 | 空气质量预报数值输出的伴随后处理方法及装置 |
| CN114138868A (zh) * | 2021-12-03 | 2022-03-04 | 中科三清科技有限公司 | 空气质量统计分布图绘制方法和装置 |
| CN114138868B (zh) * | 2021-12-03 | 2022-09-30 | 中科三清科技有限公司 | 空气质量统计分布图绘制方法和装置 |
| CN115079308A (zh) * | 2022-07-04 | 2022-09-20 | 湖南省生态环境监测中心 | 一种空气质量集合预报系统及其方法 |
| CN115079308B (zh) * | 2022-07-04 | 2023-10-24 | 湖南省生态环境监测中心 | 一种空气质量集合预报系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110489836B (zh) | 2023-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110489836A (zh) | 一种预驱动中长期空气质量预报系统和方法 | |
| Knote et al. | Influence of the choice of gas-phase mechanism on predictions of key gaseous pollutants during the AQMEII phase-2 intercomparison | |
| Valin et al. | Effects of model resolution on the interpretation of satellite NO 2 observations | |
| Miyazaki et al. | Global lightning NO x production estimated by an assimilation of multiple satellite data sets | |
| Gregory et al. | Revision of convection, radiation and cloud schemes in the ECMWF Integrated Forecasting System | |
| CN110428104A (zh) | 一种污染贡献率确定方法、装置、电子设备及存储介质 | |
| Pouyaei et al. | Concentration trajectory route of air pollution with an integrated Lagrangian model (C-TRAIL model v1. 0) derived from the community Multiscale Air quality model (CMAQ model v5. 2) | |
| Lim et al. | Dynamical, statistical–dynamical, and multimodel ensemble forecasts of Australian spring season rainfall | |
| Søvde et al. | The chemical transport model Oslo CTM3 | |
| Athanasiadis et al. | The representation of atmospheric blocking and the associated low-frequency variability in two seasonal prediction systems | |
| Finney et al. | The impact of lightning on tropospheric ozone chemistry using a new global lightning parametrisation | |
| Gillani et al. | Sub-grid-scale features of anthropogenic emissions of NOx and VOC in the context of regional Eulerian models | |
| KR20150102503A (ko) | 매출 증진을 위한 날씨별 추천메뉴 제공시스템 | |
| McHenry et al. | Development and implementation of a remote-sensing and in situ data-assimilating version of CMAQ for operational PM2. 5 forecasting. Part 1: MODIS aerosol optical depth (AOD) data-assimilation design and testing | |
| Allen et al. | A three‐dimensional total odd nitrogen (NO y) simulation during SONEX using a stretched‐grid chemical transport model | |
| Andersson et al. | Collaboration on observing system simulation experiments (Joint OSSE) | |
| CN116644597A (zh) | 基于时变增益模型和pt-jpl耦合的流域水循环模拟方法 | |
| Hong et al. | Prediction of Asian dust days over Northern China using the KMA-ADAM2 model | |
| Xu et al. | Downward trend of NO2 in the urban areas of Beijing-Tianjin-Hebei region from 2014 to 2020: Comparison of satellite retrievals, ground observations, and emission inventories | |
| Tang | A case study of nesting simulation for the Southern Oxidants Study 1999 at Nashville | |
| Shi et al. | Quantifying the impacts of landscape heterogeneity and model resolution on dust emissions in the Arabian Peninsula | |
| Lang et al. | AIFS-ECMWF's data-driven forecasting system | |
| Schädler et al. | Regional Climate Simulations with COSMO-CLM: Ensembles, Very High Resolution and Paleoclimate | |
| Badawy et al. | Coupling the Canadian Terrestrial Ecosystem Model (CTEM v. 2.0) to Environment and Climate Change Canada's greenhouse gas forecast model (v. 107-glb) | |
| Arndt et al. | Quantification of lightning-induced nitrogen oxide emissions over Europe |
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 |