CN110929225B - 基于地理加权回归模型的近地面二氧化硫浓度估算方法 - Google Patents

基于地理加权回归模型的近地面二氧化硫浓度估算方法 Download PDF

Info

Publication number
CN110929225B
CN110929225B CN201911164855.7A CN201911164855A CN110929225B CN 110929225 B CN110929225 B CN 110929225B CN 201911164855 A CN201911164855 A CN 201911164855A CN 110929225 B CN110929225 B CN 110929225B
Authority
CN
China
Prior art keywords
concentration
data
xso
model
column
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.)
Active
Application number
CN201911164855.7A
Other languages
English (en)
Other versions
CN110929225A (zh
Inventor
霍霞
叶凯
徐锡金
戴情园
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan University
Original Assignee
Jinan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan University filed Critical Jinan University
Priority to CN201911164855.7A priority Critical patent/CN110929225B/zh
Publication of CN110929225A publication Critical patent/CN110929225A/zh
Application granted granted Critical
Publication of CN110929225B publication Critical patent/CN110929225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种基于地理加权回归模型的近地面二氧化硫浓度估算方法，包括：S1，获取地面监测站SO2月浓度数据；S2，通过OMI传感器获得的大气对流层SO2柱浓度数据，并将所述大气对流层SO2柱浓度消除量纲；S3，获取气象站位置信息和气象监测数据；S4，基于中国月尺度数据进行建模，并将所述地面监测站SO2月浓度数据、对应月份消除量纲后的SO2柱浓度数据和对应月份的气象监测进行匹配，构建单月的XSO2‑SO2模型；本发明可以比较精准地指示SO2浓度的时空变化特征，弥补地面监测站点少，分布不均匀的缺陷，该数据对SO2暴露健康评估和SO2对陆地生态系统影响评估提供科学依据。

Description

基于地理加权回归模型的近地面二氧化硫浓度估算方法
技术领域
本发明涉及遥感数据应用技术领域，特别是涉及一种基于地理加权回归模型(GWR模型)的近地面二氧化硫浓度估算方法。
背景技术
传统对于SO2的观测手段主要是通过地面光谱仪观测、飞机航测、大气定点采样来进行，但是这些传统的观测手段在时间和空间范围上都或多或少地受到限制：例如基于地面监测站点定点采样、获得的数据，仅能反映该站点以及周边小范围区域内的空气污染程度，而且通常进行定点的地面大气痕量气体的观测还需要辅助化学分析仪器，分析程序复杂、仪器费用昂贵，而且只能得到近地面垂直很小高度内的大气成分信息，特别是在垂直梯度观测的空间分析站点尤其有限，无法得到从近地面到大气层顶部整个的大气柱总量。
发明内容
针对现有技术存在的分析程序复杂、仪器费用昂贵，而且只能得到近地面垂直很小高度内的大气成分信息的问题，本发明提供一种基于地理加权回归模型的近地面二氧化硫浓度估算方法。
本申请的具体方案如下：
一种基于地理加权回归模型的近地面二氧化硫浓度估算方法，其特征在于，包括：
S1，获取地面监测站SO2月浓度数据；
S2，通过OMI传感器获得的大气对流层SO2柱浓度数据，并将所述大气对流层SO2柱浓度消除量纲；
S3，获取气象站位置信息和气象监测数据；
S4，基于中国月尺度数据进行建模，并将所述地面监测站SO2月浓度数据、对应月份消除量纲后的SO2柱浓度数据和对应月份的气象监测进行匹配，构建单月的XSO2-SO2模型；
S5，对所述XSO2-SO2模型进行拟合，并衡量所述XSO2-SO2模型拟合优良性；
S6，利用所述XSO2-SO2模型对近地SO2浓度时空分布进行模拟，回归映射估算出近地面二氧化硫浓度。
优选地，步骤S2包括：通过OMI传感器获得的大气对流层SO2柱浓度数据，采用IDL语言进行几何校正，利用ENVI5.3无缝拼接工具“seamless Mosaic”对对流层SO2柱浓度数据进行无缝拼接，利用z-score 标准化法对对流层SO2柱浓度数据进行标准化；并将每日标准化后的对流层SO2柱浓度数据加和平均得到对流层月浓度柱数据。
优选地，利用z-score标准化法对对流层SO2柱浓度数据进行标准化的公式为：
z-score＝(x-μ)/σ
其中，μ为所有对流层SO2柱浓度数据的算术平均值；σ为所有对流层SO2柱浓度数据的标准差；z-score为标准化后变量值；x为实际变量值。
优选地，所述气象监测数据包括：大气压P、降水量R、相对湿度U、风速W、气温T、日照时长S中的至少一种。
优选地，所述XSO2-SO2模型的表达式为：
SO2K＝β0(μK，γK)+β1(μK，γK)XSO2K+β2(μK，γK)PK +β3(μK，γK)RK+β4(μK，γK)UK+β5(μK，γK)WK +β6(μK，γK)TK+β7(μK，γK)HK+β8(μK，γK)SK +εk(μK，γK)，SO2K
其中SO2K为监测K点在位置(μK，γK)处SO2浓度；β0为位置(μK，γK)处的截距；XSO2K、PK、RK、UK、wK、TK、HK和SK为位置(μK，γK)处的建模变量值；β1～β8分别为位置处(μK，γK)SO2柱浓度XSO2、大气压P、降水量R、相对湿度U、风速w、气温T、边界层高度H和日照时长 S；εk(μK，γK)是误差项。
优选地，在步骤S5中，衡量所述XSO2-SO2模型拟合优良性AICc公式为：
Figure BDA0002287167090000031
其中，
Figure BDA0002287167090000032
为惩罚因子。
优选地，在步骤S6中，对回归映射估算出近地面二氧化硫浓度作如下处理：当回归映射所得SO2浓度高于所有监测站点所得SO2浓度最大值的20％时，将回归映射所得SO2浓度赋值为监测站点SO2浓度最大值的 120％；当回归映射所得SO2浓度低于所有监测站点所得SO2浓度最小值的 60％时，将回归映射所得SO2浓度赋值为监测站点SO2浓度最小值的60％。
优选地，步骤S5还包括：验证所述XSO2-SO2模型的精度；所述验证所述XSO2-SO2模型的精度包括：在所述XSO2-SO2模型中分别计算12个月的相关系数R2、均方根误差RMSE和平均相对误差绝对值MAPE；其中所有数据的80％用于模型构建，其余20％用于准确性评估。
优选地，步骤S1包括：获取SO2监测站位置信息和监测数据，利用VBA程序代码提取每日13:00-14:00的SO2小时数据。
与现有技术相比，本发明具有如下有益效果：
本方案基于中国月尺度数据进行建模，并将所述地面监测站SO2月浓度数据、对应月份消除量纲后的SO2柱浓度数据和对应月份的气象监测进行匹配，构建单月的XSO2-SO2模型，利用所述XSO2-SO2模型对近地SO2浓度时空分布进行模拟，回归映射估算出近地面二氧化硫浓度，因此可以比较精准地指示SO2浓度的时空变化特征，弥补地面监测站点少，分布不均匀的缺陷，该数据对SO2暴露健康评估和SO2对陆地生态系统影响评估提供科学依据，也为制定大气环境保护政策提供科学依据。
附图说明
图1为本发明的基于地理加权回归模型的近地面二氧化硫浓度估算方法的一示意性流程图；
图2为本发明的基于地理加权回归模型的近地面二氧化硫浓度估算方法的另一示意性流程图；
图3为本发明的空气质量检测站点和气象监测站点分布示意图。
图4为本发明的遥感SO2对流层柱浓度逐月分布图。
图5(a)为本发明的近地面SO2浓度监测图。
图5(b)为本发明的对流层SO2柱浓度图。
图5(c)为本发明的地面监测站点SO2月均浓度与对流层SO2柱月均浓度拟合散点图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
参见图1-2、一种基于地理加权回归模型的近地面二氧化硫浓度估算方法，包括：
S1，获取地面监测站SO2月浓度数据；更具体地，步骤S1包括：获取SO2监测站位置信息和监测数据，利用VBA程序代码提取每日 13:00-14:00的SO2小时数据。SO2地面监测站点分布如图3所示。
S2，通过OMI传感器获得的大气对流层SO2柱浓度数据(XSO2)，并将所述大气对流层SO2柱浓度消除量纲；具体地，步骤S2包括：通过OMI 传感器获得的大气对流层SO2柱浓度数据，采用IDL语言进行几何校正，利用ENVI5.3无缝拼接工具“seamless Mosaic”对对流层SO2柱浓度数据进行无缝拼接，利用z-score标准化法对对流层SO2柱浓度数据进行标准化；并将每日标准化后的对流层SO2柱浓度数据加和平均得到对流层月浓度柱数据。以上所有数据均通过Kriging插值的方法生成空间连续分布的栅格图层(分辨率0.1°×0.1°)，投影方式统一采用WGS84 (WorldGeodeticSystem1984)坐标系统。为了消除变量间的量纲关系，便于不同单位和量级的数据能够进行比较和计算，本方案利用z-score标准化法对对流层SO2柱浓度数据进行标准化的公式为：
z-score＝(x-μ)/σ
其中，μ为所有对流层SO2柱浓度数据的算术平均值；σ为所有对流层SO2柱浓度数据的标准差；z-score为标准化后变量值；x为实际变量值。
S3，获取气象站位置信息和气象监测数据；所述气象监测数据包括：大气压P、降水量R、相对湿度U、风速W、气温T、日照时长S中的至少一种。具体的，步骤S3包括：首先获取气象站位置信息和监测数据(大气压P、降水量R、相对湿度U、风速W、气温T、日照时长S)，并与空气质量监测站站点匹配，利用VBA程序代码提取每日13:00-14:00的气象小时数据。
S4，基于中国月尺度数据进行建模，并将所述地面监测站SO2月浓度数据、对应月份消除量纲后的SO2柱浓度数据和对应月份的气象监测进行匹配，构建单月的XSO2-SO2模型；所述XSO2-SO2模型的表达式为：
SO2K＝β0(μK，γK)+β1(μK，γK)XSO2K+β2(μK，γK)PK +β3(μK，γK)RK+β4(μK，γK)UK+β5(μK，γK)WK +β6(μK，γK)TK+β7(μK，γK)HK+β8(μK，γK)SK +εk(μK，γK)，SO2K
其中SO2K为监测K点在位置(μK，γK)处SO2浓度；β0为位置(μK，γK)处的截距；XSO2K、PK、RK、UK、wK、TK、HK和SK为位置(μK，γK)处的建模变量值；β1～β8分别为位置处(μK，γK)SO2柱浓度XSO2、大气压P、降水量R、相对湿度U、风速w、气温T、边界层高度H和日照时长S；εk(μK，γK) 是误差项。
S5，对所述XSO2-SO2模型进行拟合，并衡量所述XSO2-SO2模型拟合优良性；如图5(a)-5(c)所示，衡量所述XSO2-SO2模型拟合优良性 AICc公式为：
Figure BDA0002287167090000061
其中，
Figure BDA0002287167090000062
为惩罚因子。K是参数的数量，一般而言，当模型复杂度提高(k增大)时，似然函数L也会增大，从而使AICc变小，但是k过大时，似然函数增速减缓，导致AICc增大，模型过于复杂容易造成过拟合现象。目标是选取AICc最小的模型，AICc不仅要提高模型拟合度(极大似然)，而且引入了惩罚项，使模型参数尽可能少，有助于降低过拟合的可能性。可见AICc准则有效且合理地控制了参数的维数k。
为了更加详细地验证预测模型的精度，步骤S5还包括：验证所述 XSO2-SO2模型的精度；所述验证所述XSO2-SO2模型的精度包括：在所述XSO2-SO2模型中分别计算12个月的相关系数R2、均方根误差RMSE 和平均相对误差绝对值MAPE；其中80％的数据记录用于模型构建，其余 20％用于准确性评估。
S6，利用所述XSO2-SO2模型对近地SO2浓度时空分布进行模拟，回归映射估算出近地面二氧化硫浓度。其中，利用所述XSO2-SO2模型对近地SO2浓度时空分布进行模拟称为回归映射。对回归映射估算出近地面二氧化硫浓度作如下处理：当回归映射所得SO2浓度高于所有监测站点所得 SO2浓度最大值的20％时，将回归映射所得SO2浓度赋值为监测站点SO2浓度最大值的120％；当回归映射所得SO2浓度低于所有监测站点所得SO2浓度最小值的60％时，将回归映射所得SO2浓度赋值为监测站点SO2浓度最小值的60％。2018年某地区SO2年均浓度(CGWR)空间分布情况如图4 所示。
综上，本方案通过获得的区域尺度近地表SO2的浓度可以比较精准地指示SO2浓度的时空变化特征，弥补地面监测站点少，分布不均匀的缺陷，该数据对SO2暴露健康评估和SO2对陆地生态系统影响评估提供科学依据，也为制定大气环境保护政策提供科学依据。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于地理加权回归模型的近地面二氧化硫浓度估算方法，其特征在于，包括：
S1，获取地面监测站SO2月浓度数据；
S2，通过OMI传感器获得的大气对流层SO2柱浓度数据，并将所述大气对流层SO2柱浓度消除量纲；
S3，获取气象站位置信息和气象监测数据；所述气象监测数据包括：大气压P、降水量R、相对湿度U、风速W、气温T、日照时长S中的至少一种；
S4，基于中国月尺度数据进行建模，并将所述地面监测站SO2月浓度数据、对应月份消除量纲后的SO2柱浓度数据和对应月份的气象监测进行匹配，构建单月的XSO2-SO2模型；所述XSO2-SO2模型的表达式为：
SO2K＝β0(μK,γK)+β1(μK,γK)XSO2K+β2(μK,γK)PK
+β3(μK,γK)RK+β4(μK,γK)UK+β5(μK,γK)WK
+β6(μK,γK)TK+β7(μK,γK)HK+β8(μK,γK)SK
+εk(μK,γK),SO2K
其中SO2K为监测K点在位置(μK,γK)处SO2浓度；β0为位置(μK,γK)处的截距；XSO2K、PK、RK、UK、WK、TK、HK和SK为位置(μK,γK)处的建模变量值；β1～β8分别为位置处(μK,γK)SO2柱浓度XSO2、大气压P、降水量R、相对湿度U、风速W、气温T、边界层高度H和日照时长S；εk(μK,γK)是误差项
S5，对所述XSO2-SO2模型进行拟合，并衡量所述XSO2-SO2模型拟合优良性；
S6，利用所述XSO2-SO2模型对近地SO2浓度时空分布进行模拟，回归映射估算出近地面二氧化硫浓度。
2.根据权利要求1所述的基于地理加权回归模型的近地面二氧化硫浓度估算方法，其特征在于，步骤S2包括：
通过OMI传感器获得的大气对流层SO2柱浓度数据，采用IDL语言进行几何校正，利用ENVI5.3无缝拼接工具“seamless Mosaic”对对流层SO2柱浓度数据进行无缝拼接，利用z-score标准化法对对流层SO2柱浓度数据进行标准化；并将每日标准化后的对流层SO2柱浓度数据加和平均得到对流层月浓度柱数据。
3.根据权利要求2所述的基于地理加权回归模型的近地面二氧化硫浓度估算方法，其特征在于，利用z-score标准化法对对流层SO2柱浓度数据进行标准化的公式为：
z-score＝(x-μ)/σ
其中，μ为所有对流层SO2柱浓度数据的算术平均值；σ为所有对流层SO2柱浓度数据的标准差；z-score为标准化后变量值；x为实际变量值。
4.根据权利要求1所述的基于地理加权回归模型的近地面二氧化硫浓度估算方法，其特征在于，在步骤S6中，对回归映射估算出近地面二氧化硫浓度作如下处理：
当回归映射所得SO2浓度高于所有监测站点所得SO2浓度最大值的20％时，将回归映射所得SO2浓度赋值为监测站点SO2浓度最大值的120％；当回归映射所得SO2浓度低于所有监测站点所得SO2浓度最小值的60％时，将回归映射所得SO2浓度赋值为监测站点SO2浓度最小值的60％。
5.根据权利要求1所述的基于地理加权回归模型的近地面二氧化硫浓度估算方法，其特征在于，步骤S5还包括：验证所述XSO2-SO2模型的精度；所述验证所述XSO2-SO2模型的精度包括：
在所述XSO2-SO2模型中分别计算12个月的相关系数R2、均方根误差RMSE和平均相对误差绝对值MAPE；其中所有数据的80％用于模型构建，其余20％用于准确性评估。
6.根据权利要求1所述的基于地理加权回归模型的近地面二氧化硫浓度估算方法，其特征在于，步骤S1包括：
获取SO2监测站位置信息和监测数据，利用VBA程序代码提取每日13:00-14:00的SO2小时数据。
CN201911164855.7A 2019-11-25 2019-11-25 基于地理加权回归模型的近地面二氧化硫浓度估算方法 Active CN110929225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911164855.7A CN110929225B (zh) 2019-11-25 2019-11-25 基于地理加权回归模型的近地面二氧化硫浓度估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911164855.7A CN110929225B (zh) 2019-11-25 2019-11-25 基于地理加权回归模型的近地面二氧化硫浓度估算方法

Publications (2)

Publication Number Publication Date
CN110929225A CN110929225A (zh) 2020-03-27
CN110929225B true CN110929225B (zh) 2023-03-28

Family

ID=69851763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911164855.7A Active CN110929225B (zh) 2019-11-25 2019-11-25 基于地理加权回归模型的近地面二氧化硫浓度估算方法

Country Status (1)

Country Link
CN (1) CN110929225B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407633A (zh) * 2015-07-30 2017-02-15 中国科学院遥感与数字地球研究所 基于时空回归克里金模型估算地面pm2.5的方法及系统
CN109597969A (zh) * 2019-01-25 2019-04-09 南京大学 一种近地面臭氧浓度估算方法
CN109784552A (zh) * 2018-12-29 2019-05-21 武汉大学 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法
CN110411919A (zh) * 2019-08-02 2019-11-05 中国科学院遥感与数字地球研究所 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法
CN110411918A (zh) * 2019-08-02 2019-11-05 中国科学院遥感与数字地球研究所 一种基于卫星偏振技术的pm2.5浓度遥感估算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407633A (zh) * 2015-07-30 2017-02-15 中国科学院遥感与数字地球研究所 基于时空回归克里金模型估算地面pm2.5的方法及系统
CN109784552A (zh) * 2018-12-29 2019-05-21 武汉大学 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法
CN109597969A (zh) * 2019-01-25 2019-04-09 南京大学 一种近地面臭氧浓度估算方法
CN110411919A (zh) * 2019-08-02 2019-11-05 中国科学院遥感与数字地球研究所 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法
CN110411918A (zh) * 2019-08-02 2019-11-05 中国科学院遥感与数字地球研究所 一种基于卫星偏振技术的pm2.5浓度遥感估算方法

Also Published As

Publication number Publication date
CN110929225A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
Errico et al. Development and validation of observing‐system simulation experiments at NASA's Global Modeling and Assimilation Office
Antonarakis et al. Using Lidar and Radar measurements to constrain predictions of forest ecosystem structure and function
CN110174359B (zh) 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法
Foken et al. Energy balance closure for the LITFASS-2003 experiment
CN108426815B (zh) 一种近地面细颗粒物组分浓度估算方法
CN112163375B (zh) 一种基于神经网络的长时间序列近地面臭氧反演方法
CN106404620A (zh) 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统
CN108764643B (zh) 大范围作物病害风险评估方法
Jiménez et al. Exploring the merging of the global land evaporation WACMOS-ET products based on local tower measurements
CN110927120B (zh) 一种植被覆盖度预警方法
Kotsuki et al. On the properties of ensemble forecast sensitivity to observations
CN105974495B (zh) 利用分类拟合法预判目标区域未来平均云量的方法
CN113344149B (zh) 一种基于神经网络的pm2.5逐小时预测方法
CN113901384A (zh) 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法
Kretschmer et al. Impact of optimized mixing heights on simulated regional atmospheric transport of CO 2
CN110389087B (zh) 一种污染天气下的pm2.5浓度卫星遥感估算方法
Hou et al. Impact of 3DVAR data assimilation on the prediction of heavy rainfall over Southern China
Ding et al. Space-based NO x emission estimates over remote regions improved in DECSO
CN113468799A (zh) 一种静止气象卫星观测中获取近地面pm2.5浓度的方法及系统
CN113704693A (zh) 一种高精度的有效波高数据估计方法
Krakauer Estimating climate trends: application to United States plant hardiness zones
Wei et al. Ozone profile retrieval from an advanced infrared sounder: Experiments with tropopause-based climatology and optimal estimation approach
CN111125937B (zh) 基于时空加权回归模型近地面大气细颗粒物浓度估算方法
CN110929225B (zh) 基于地理加权回归模型的近地面二氧化硫浓度估算方法
Legrand et al. Diagnosing non-Gaussianity of forecast and analysis errors in a convective-scale model

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