CN110751345A - 一种基于距离特征的目标地点的pm2.5的值的预测方法 - Google Patents
一种基于距离特征的目标地点的pm2.5的值的预测方法 Download PDFInfo
- Publication number
- CN110751345A CN110751345A CN201911047176.1A CN201911047176A CN110751345A CN 110751345 A CN110751345 A CN 110751345A CN 201911047176 A CN201911047176 A CN 201911047176A CN 110751345 A CN110751345 A CN 110751345A
- Authority
- CN
- China
- Prior art keywords
- target monitoring
- monitoring station
- area
- distance
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 125
- 238000012417 linear regression Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 5
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 241000272814 Anser sp. Species 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 2
- 231100001243 air pollutant Toxicity 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100182247 Caenorhabditis elegans lat-1 gene Proteins 0.000 description 1
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 description 1
- 101150061388 LON1 gene Proteins 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 101150004293 lon2 gene Proteins 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
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"
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Dispersion Chemistry (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Game Theory and Decision Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于距离特征的目标地点的PM2.5的值的预测方法,包括S1:在设定的区域范围内确定目标监测站点,获取该目标监测站点在过去一段时间的各个时间节点内所采集的PM2.5的值,同时获取该区域内各个非目标监测站点分别在过去相同一段时间内各个时间节点所采集的PM2.5的值,获取该区域内各个非目标监测站点的当前时刻所采集的PM2.5的值[a1,a2,...,ai],i=1,2,...,b,b为该区域内所有非目标监测站点的个数;S2:获取目标监测站点与该区域内各个非目标监测站点之间的距离[d1,d2,...,di];S3:构造距离特征X=[1,x1,x2,...,xi]其中,xi=wiai,其中,wi为系数,S4:将距离特征X=[1,x1,x2,...,xi]作为线性回归模型的输入特征,通过线性回归模型对当前时刻的PM2.5的值进行预测。
Description
技术领域
本发明涉及PM2.5预测技术领域,特别涉及一种基于距离特征的目标地点的PM2.5的值的预测方法。
背景技术
随着全球经济快速发展,人们对于环境保护也越来越重视,尤其是对空气污染物PM2.5的关注,PM2.5是一种直径小于等于2.5微米的颗粒物。它能较长时间悬浮于空气中,其在空气中含量浓度越高,就代表空气污染越严重。虽然PM2.5只是地球大气成分中含量很少的组分,但它对空气质量和能见度等有重要的影响。与较粗的大气颗粒物相比,PM2.5粒径小,面积大,活性强,易附带有毒、有害物质(例如,重金属、微生物等),且在大气中的停留时间长、输送距离远,因而对人体健康和大气环境质量的影响更大。
大量研究表明了室外空气污染物对人类身体健康的影响极大,对呼吸系统、心血管系统、免疫系统、血液系统等方面的疾病都有一定的影响性,目前国内外已经有许多研究者致力于PM2.5的研究。
中国国土辽阔,每个城市的监测站点数量有限,每个城市内会在各个区内建1到2个监测站点实时监测该区域的PM2.5浓度,粗略的代表该区域的整体PM2.5浓度分布情况。当某一个区域面积范围较大时,使用一个监测站点数据代表整个区域的情况,偏差较大,易误导人们。
发明内容
本发明的目的是克服上述现有技术中存在的问题,提供一种基于距离特征的目标地点的PM2.5的值的预测方法,根据现有的监测站点数据,以及目标地点与监测站点之间的距离,预测出目标地点的PM2.5浓度的值,不必用某个监测站点的监测的值代表整个区域的整体情况,可以具体的定位到某一个点,显示出该点的PM2.5预测的值。
为此,本发明提供了一种基于距离特征的目标地点的PM2.5的值的预测方法,包括如下步骤:
S1:在设定的区域范围内确定目标监测站点,获取该目标监测站点在过去一段时间的各个时间节点内所采集的PM2.5的值,同时获取该区域内各个非目标监测站点分别在过去相同一段时间内各个时间节点所采集的PM2.5的值,获取该区域内各个非目标监测站点的当前时刻所采集的PM2.5的值[a1,a2,...,ai],其中ai为第i个非目标监测站点所采集的PM2.5的值,i=1,2,...,b,b为该区域内所有非目标监测站点的个数;
S2:获取目标监测站点与该区域内各个非目标监测站点之间的距离[d1,d2,...,di],其中di为该区域内第i个非目标监测站点与目标监测站点之间的距离;
S3:构造距离特征
X=[1,x1,x2,...,xi]
其中,xi=wiai,
其中,wi为系数,
S4:将距离特征X=[1,x1,x2,...,xi]作为线性回归模型的输入特征,通过线性回归模型对当前时刻的PM2.5的值进行预测。
进一步,在步骤S4中,包括如下步骤:
S4-1:建立线性回归模型
给定训练集T={(X1,y1),(X2,y2),....(Xn,yn)},n=1,2,...,c,其中,Xn表示输入特征,即第n个时间点的距离特征,yn表示目标监测站点在所述过去一段时间中第n个时间点所采集的PM2.5的值,线性回归模型的函数表达式如下:
yn=hθ(Xn)=θ0+θ1Xn+θ2Xn+...+θkXn,k=1,2,...,n (1)
等价于
yn=hθ(x)=ΘTZ (2)
式(1)中,yn表示目标监测站点在第n个时间点所采集的PM2.5的值;
式(2)中,Z=[1,X1,X2,...,Xn]T,
Θ=[θ0,θ1,...,θk]T是k+1维未知回归系数向量;
S4-2:使用线性回归模型的函数进行预测
给定输入特征Xc+1,将Xc+1代入到式(2)中,得到
yc+1=ΘTXc+1 (3)
式(3)中,yc+1是目标监测站点在第c+1个时间点所采集的PM2.5的值,Xc+1是第c+1个时间点的距离特征。
进一步,在步骤S2中,通过GPS获取该区域内目标监测站点与各个非目标监测站点的经纬度坐标,再根据该区域内目标监测站点与各个非目标监测站点的经纬度坐标计算该区域内目标监测站点与各个非目标监测站点之间的距离。
进一步,在步骤S2中,通过在地图上标记该区域内目标监测站点与各个非目标监测站点,并在地图上测量该区域内目标监测站点与各个非目标监测站点之间在地图上的距离,最后根据地图的比例和该区域内目标监测站点与各个非目标监测站点之间在地图上的距离计算得到该区域内目标监测站点与各个非目标监测站点之间的实际距离。
本发明提供的一种基于距离特征的目标地点的PM2.5的值的预测方法,具有如下有益效果:
1、根据现有的监测站点数据,以及目标地点与监测站点之间的距离,预测出目标地点的PM2.5浓度的值,不必用某个监测站点的监测的值代表整个区域的整体情况,可以具体的定位到某一个点,显示出该点的PM2.5预测的值。
附图说明
图1为本发明提供的一种基于距离特征的目标地点的PM2.5的值的预测方法的整体流程示意图;
图2为本发明提供的一种基于距离特征的目标地点的PM2.5的值的预测方法的在步骤S4中的整体流程示意图。
具体实施方式
下面结合附图,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
在本申请文件中,未经明确的部件型号以及结构,均为本领域技术人员所公知的现有技术,本领域技术人员均可根据实际情况的需要进行设定,在本申请文件的实施例中不做具体的限定。
具体的,如图1所示,一种基于距离特征的目标地点的PM2.5的值的预测方法,包括如下步骤:
S1:在设定的区域范围内确定目标监测站点,获取该目标监测站点在过去一段时间的各个时间节点内所采集的PM2.5的值,同时获取该区域内各个非目标监测站点分别在过去相同一段时间内各个时间节点所采集的PM2.5的值,获取该区域内各个非目标监测站点的当前时刻所采集的PM2.5的值[a1,a2,...,ai],其中ai为第i个非目标监测站点所采集的PM2.5的值,i=1,2,...,b,b为该区域内所有非目标监测站点的个数;
上述的时间节点,是一段时间内的时刻,例如,一年为一段时间,则时间节点可以为每个月的1号,也可以为每个月的15号,这样在一年内就有12个时间节点。例如,一个月为一段时间,则时间节点可以为该月的每一天,这样时间节点的个数就等于该月的天数,也可以为该月的每一个单数日期,这样这样时间节点的个数就等于该月的天数的一半。
上述的设定的区域范围可以为一个城市,以西安市市区为例,西安市包括莲湖区、新城区、碑林区、未央区、雁塔区以及灞桥区,选定目标监测站点为莲湖区的监测站点,则新城区、碑林区、未央区、雁塔区以及灞桥区的监测站点为莲湖区的监测站点的非目标监测站点。
在该区域中,总共b+1个监测站点,其中一个是目标监测站点,其余b个为非目标监测站点。
S2:获取目标监测站点与该区域内各个非目标监测站点之间的距离[d1,d2,...,di],其中di为该区域内第i个非目标监测站点与目标监测站点之间的距离;
对于距离获取的方法,可以提供两种方法:
方法一:
通过GPS获取该区域内目标监测站点与各个非目标监测站点的经纬度坐标,再根据该区域内目标监测站点与各个非目标监测站点的经纬度坐标计算该区域内目标监测站点与各个非目标监测站点之间的距离。
对于目标监测站点与各个非目标监测站点之间的距离,记录目标监测站点的经度lat1,纬度lon1,其中一个非目标监测站点的经度为lat2,纬度为lon2,则目标监测站点与该非目标监测站点之间的距离(km),根据Haversine公式得到:
其中,s为目标监测站点与该非目标监测站点之间的距离,a=lat1-lat2,b=lon1-lon2,6378.137为地球的半径,单位为km。
方法二:
通过在地图上标记该区域内目标监测站点与各个非目标监测站点,并在地图上测量该区域内目标监测站点与各个非目标监测站点之间在地图上的距离,最后根据地图的比例和该区域内目标监测站点与各个非目标监测站点之间在地图上的距离计算得到该区域内目标监测站点与各个非目标监测站点之间的实际距离。
S3:构造距离特征
X=[1,x1,x2,...,xi]
其中,xi=wiai,
其中,wi为系数,
S4:将距离特征X=[1,x1,x2,...,xi]作为线性回归模型的输入特征,通过线性回归模型对当前时刻的PM2.5的值进行预测。
进一步,如图2所示,在步骤S4中,包括如下步骤:
第一:建立线性回归模型
给定训练集
T={(X1,y1),(X2,y2),....(Xn,yn)},n=1,2,...,c
其中,Xn表示输入特征,即第n个时间点的距离特征,yn表示目标监测站点在所述过去一段时间中第n个时间点所采集的PM2.5的值,线性回归模型的函数表达式如下:
yn=hθ(Xn)=θ0+θ1Xn+θ2Xn+...+θkXn,k=1,2,...,n (1)
等价于
yn=hθ(x)=ΘTZ (2)
式(1)中,yn表示目标监测站点在第n个时间点所采集的PM2.5的值;
式(2)中,Z=[1,X1,X2,...,Xn]T,
Θ=[θ0,θ1,...,θk]T是k+1维未知回归系数向量;
在上述的训练中,c为时间节点的个数。
通过上述的训练,得到训练好的线性回归模型的函数的回归系数向量。
第二:使用线性回归模型的函数进行预测
给定输入特征Xc+1,将Xc+1代入到式(2)中,得到
yc+1=ΘTXc+1 (3)
式(3)中,yc+1是目标监测站点在第c+1个时间点所采集的PM2.5的值,Xc+1是第c+1个时间点的距离特征。
综上所述,本发明公开了一种基于距离特征的目标地点的PM2.5的值的预测方法,包括S1:在设定的区域范围内确定目标监测站点,获取该目标监测站点在过去一段时间的各个时间节点内所采集的PM2.5的值,同时获取该区域内各个非目标监测站点分别在过去相同一段时间内各个时间节点所采集的PM2.5的值,获取该区域内各个非目标监测站点的当前时刻所采集的PM2.5的值[a1,a2,...,ai],其中ai为第i个非目标监测站点所采集的PM2.5的值,i=1,2,...,b,b为该区域内所有非目标监测站点的个数;S2:获取目标监测站点与该区域内各个非目标监测站点之间的距离[d1,d2,...,di],其中di为该区域内第i个非目标监测站点与目标监测站点之间的距离;S3:构造距离特征X=[1,x1,x2,...,xi]其中,xi=wiai,其中,wi为系数,S4:将距离特征X=[1,x1,x2,...,xi]作为线性回归模型的输入特征,通过线性回归模型对当前时刻的PM2.5的值进行预测。本发明根据现有的监测站点数据,以及目标地点与监测站点之间的距离,预测出目标地点的PM2.5浓度的值,不必用某个监测站点的监测的值代表整个区域的整体情况,可以具体的定位到某一个点,显示出该点的PM2.5预测的值。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (4)
1.一种基于距离特征的目标地点的PM2.5的值的预测方法,其特征在于,包括如下步骤:
S1:在设定的区域范围内确定目标监测站点,获取该目标监测站点在过去一段时间的各个时间节点内所采集的PM2.5的值,同时获取该区域内各个非目标监测站点分别在过去相同一段时间内各个时间节点所采集的PM2.5的值,获取该区域内各个非目标监测站点的当前时刻所采集的PM2.5的值[a1,a2,...,ai],其中ai为第i个非目标监测站点所采集的PM2.5的值,i=1,2,...,b,b为该区域内所有非目标监测站点的个数;
S2:获取目标监测站点与该区域内各个非目标监测站点之间的距离[d1,d2,...,di],其中di为该区域内第i个非目标监测站点与目标监测站点之间的距离;
S3:构造距离特征
X=[1,x1,x2,...,xi]
其中,xi=wiai,
其中,wi为系数,
S4:将距离特征X=[1,x1,x2,...,xi]作为线性回归模型的输入特征,通过线性回归模型对当前时刻的PM2.5的值进行预测。
2.如权利要求1所述的一种基于距离特征的目标地点的PM2.5的值的预测方法,其特征在于,在步骤S4中,包括如下步骤:
S4-1:建立线性回归模型
给定训练集T={(X1,y1),(X2,y2),....(Xn,yn)},n=1,2,...,c,其中,Xn表示输入特征,即第n个时间点的距离特征,yn表示目标监测站点在所述过去一段时间中第n个时间点所采集的PM2.5的值,线性回归模型的函数表达式如下:
yn=hθ(Xn)=θ0+θ1Xn+θ2Xn+...+θkXn,k=1,2,...,n (1)
等价于
yn=hθ(x)=ΘTZ (2)
式(1)中,yn表示目标监测站点在第n个时间点所采集的PM2.5的值;
式(2)中,Z=[1,X1,X2,...,Xn]T,
Θ=[θ0,θ1,...,θk]T是k+1维未知回归系数向量;
S4-2:使用线性回归模型的函数进行预测
给定输入特征Xc+1,将Xc+1代入到式(2)中,得到
yc+1=ΘTXc+1 (3)
式(3)中,yc+1是目标监测站点在第c+1个时间点所采集的PM2.5的值,Xc+1是第c+1个时间点的距离特征。
3.如权利要求1所述的一种基于距离特征的目标地点的PM2.5的值的预测方法,其特征在于,在步骤S2中,通过GPS获取该区域内目标监测站点与各个非目标监测站点的经纬度坐标,再根据该区域内目标监测站点与各个非目标监测站点的经纬度坐标计算该区域内目标监测站点与各个非目标监测站点之间的距离。
4.如权利要求1所述的一种基于距离特征的目标地点的PM2.5的值的预测方法,其特征在于,在步骤S2中,通过在地图上标记该区域内目标监测站点与各个非目标监测站点,并在地图上测量该区域内目标监测站点与各个非目标监测站点之间在地图上的距离,最后根据地图的比例和该区域内目标监测站点与各个非目标监测站点之间在地图上的距离计算得到该区域内目标监测站点与各个非目标监测站点之间的实际距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911047176.1A CN110751345A (zh) | 2019-10-30 | 2019-10-30 | 一种基于距离特征的目标地点的pm2.5的值的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911047176.1A CN110751345A (zh) | 2019-10-30 | 2019-10-30 | 一种基于距离特征的目标地点的pm2.5的值的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751345A true CN110751345A (zh) | 2020-02-04 |
Family
ID=69281291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911047176.1A Pending CN110751345A (zh) | 2019-10-30 | 2019-10-30 | 一种基于距离特征的目标地点的pm2.5的值的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751345A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289414A (zh) * | 2020-03-12 | 2020-06-16 | 徐州工业职业技术学院 | Pm2.5污染监测与预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210681A (zh) * | 2019-06-11 | 2019-09-06 | 西安电子科技大学 | 一种基于距离的监测站点pm2.5值的预测方法 |
CN115220615A (zh) * | 2022-07-29 | 2022-10-21 | 深圳华创电科技术有限公司 | 一种基于地理信息系统的态势交互系统 |
-
2019
- 2019-10-30 CN CN201911047176.1A patent/CN110751345A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210681A (zh) * | 2019-06-11 | 2019-09-06 | 西安电子科技大学 | 一种基于距离的监测站点pm2.5值的预测方法 |
CN115220615A (zh) * | 2022-07-29 | 2022-10-21 | 深圳华创电科技术有限公司 | 一种基于地理信息系统的态势交互系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289414A (zh) * | 2020-03-12 | 2020-06-16 | 徐州工业职业技术学院 | Pm2.5污染监测与预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Spatial distribution characteristics of PM2. 5 and PM10 in Xi’an City predicted by land use regression models | |
Su et al. | An innovative land use regression model incorporating meteorology for exposure analysis | |
Leys et al. | PM10 concentrations and mass transport during “Red Dawn”–Sydney 23 September 2009 | |
Lefebvre et al. | Evaluation of the RIO-IFDM-street canyon model chain | |
KR101668753B1 (ko) | 대기 오염 관리 시스템 | |
Shisong et al. | Comparison of remotely sensed PM2. 5 concentrations between developed and developing countries: Results from the US, Europe, China, and India | |
Zhou et al. | Effects of potential recirculation on air quality in coastal cities in the Yangtze River Delta | |
Zou et al. | Spatially differentiated and source-specific population exposure to ambient urban air pollution | |
Pattinson et al. | Potential pollution exposure reductions from small-distance bicycle lane separations | |
Skene et al. | Modeling effects of traffic and landscape characteristics on ambient nitrogen dioxide levels in Connecticut | |
CN111563331B (zh) | 一种基于移动监测的区域大气污染分布预测方法 | |
CN110095394A (zh) | 一种大气颗粒物污染快速溯源方法 | |
CN110658307A (zh) | 评估污染源对环境空气质量影响的方法 | |
Deng et al. | Unraveling the association between the built environment and air pollution from a geospatial perspective | |
CN105138715B (zh) | 一种微生物气溶胶大气扩散危害评估方法 | |
CN113125635A (zh) | 一种大气污染预警方法、装置及可读存储介质 | |
CN114186491A (zh) | 基于改进lur模型的细颗粒物浓度时空特征分布方法 | |
CN110751345A (zh) | 一种基于距离特征的目标地点的pm2.5的值的预测方法 | |
Zhang et al. | Distribution patterns and influencing factors of population exposure risk to particulate matters based on cell phone signaling data | |
Thornburg et al. | Spatial and temporal variability of outdoor coarse particulate matter mass concentrations measured with a new coarse particle sampler during the Detroit Exposure and Aerosol Research Study | |
Zapletal | Atmospheric deposition of nitrogen compounds in the Czech Republic | |
Wang | Mobile solutions to air quality monitoring | |
Fadavi et al. | Evaluation of AERMOD for distribution modeling of particulate matters (Case study: Ardestan Cement Factory) | |
Gu et al. | Underestimated ammonia vehicular emissions in metropolitan city revealed by on-road mobile measurement | |
Sakashita et al. | A case study of radon-222 transport from continental North-East Asia to the Japanese islands in winter by numerical analysis |
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: 20200204 |