CN111104639B - 一种点面融合的时序pm2.5空间分布估算方法 - Google Patents
一种点面融合的时序pm2.5空间分布估算方法 Download PDFInfo
- Publication number
- CN111104639B CN111104639B CN201911341204.0A CN201911341204A CN111104639B CN 111104639 B CN111104639 B CN 111104639B CN 201911341204 A CN201911341204 A CN 201911341204A CN 111104639 B CN111104639 B CN 111104639B
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological
- spatial distribution
- weather
- aod
- 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
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
-
- 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
Abstract
本发明涉及一种点面融合的时序PM2.5空间分布估算方法。利用小波变换和随机森林方法,集成具有空间连续的遥感监测与具有时间连续的地面站点监测数据,构建点面融合的时空连续性PM2.5估算模型。利用Sym小波分解和重构方法及基于随机森林的特征重要性分析,将时间序列站点监测数据分解为气象相关分量和非气象相关分量;基于随机森林模型填补卫星反演的AOD缺失部分;利用空间插值获取PM2.5非气象相关分量的空间分布,基于随机森林模型估算PM2.5气象相关分量的空间分布;综合PM2.5气象相关分量和非气象相关分量的结果,获得时间序列的PM2.5空间分布数据。本发明有助于区域尺度较高空间分辨率的时序PM2.5监测,为气溶胶空气质量分析、评估和预警提供支持。
Description
技术领域
本发明涉及PM2.5监测技术领域,更为具体地,涉及一种点面融合的时序PM2.5空间分布估算方法。
背景技术
PM2.5严重影响了人类健康、环境和气候,获取其时空分布具有极其重要的意义。目前的研究,主要通过卫星遥感估算或利用地面监测站点数据插值来获得区域PM2.5的空间分布,但插值受稀疏站点的限制,很难代表地形复杂和城市水平复杂区域的PM2.5浓度;卫星数据又受获取周期和云雨等因素,难以实现完整时间序列的PM2.5空间监测。
发明内容
本发明的目的在于提供一种点面融合的时序PM2.5空间分布估算方法,该方法既可以解决卫星遥感监测由于获取周期和云雨等因素引起的时间序列缺失问题,也可以弥补传统站点监测数据仅具有时间连续而缺少空间连续分布的缺点,有助于在时空尺度上加强对PM2.5的监测。
为实现上述目的,本发明的技术方案是:一种点面融合的时序PM2.5空间分布估算方法,包括如下步骤:
步骤S1、数据收集与预处理:采集地面站点PM2.5时序监测数据、卫星AOD产品、地形高程数据、预测AOD数据、气象再分析产品,对采集的地面站点PM2.5时序监测数据进行异常值监测和填补,对卫星AOD产品、预测AOD数据、气象再分析产品进行重采样、重投影和裁剪操作,并规范为同一数据格式;
步骤S2、基于Sym10小波函数将地面站点PM2.5时序监测数据分解为9层,对分解后的数据进行不同层重构,得到10组重构数据;
步骤S3、利用随机森林模型开展重要性分析:对步骤S2得到的10组重构数据依次与气象再分析产品进行重要性排序,当一组重构数据的风速、降水重要性排序均处于前五名时,则确定该组重构数据属于气象相关分量集合,否则属于非气象相关分量集合,对气象相关分量集合、非气象相关分量集合分别进行求和操作,得到气象相关分量和非气象相关分量两组数据;
步骤S4、将卫星AOD产品作为因变量,气象再分析产品、预测AOD数据、地形高程数据作为自变量,输入随机森林模型中训练,在训练过程种不断调整参数并获得最优参数后,对卫星AOD产品的缺失值进行预测,得到空间分布完整的卫星AOD产品;
步骤S5、将步骤S3中获取的气象相关分量作为因变量,提取地面监测站点所在位置的步骤S4得到的卫星AOD数据及气象再分析产品、地形高程数据作为自变量,输入随机森林模型中训练,在训练过程种不断调整参数并获得最优参数后,预测非站点位置处的气象相关分量,得到PM2.5气象相关分量的空间分布PM2.5ca;
步骤S6、提取站点位置处的高程值,结合步骤S3中获得的非气象相关分量,输入Anusplin插值模型中,得到PM2.5非气象相关分量的空间分布PM2.5nca;
步骤S7、对步骤S5中获得的PM2.5气象相关分量和步骤S6中获得的PM2.5非气象相关分量的空间分布,进行求和操作,得到时序PM2.5空间分布数据。
在本发明一实施例中,所述步骤S1具体实现如下:
步骤S11、收集研究区内地面站点PM2.5时序监测数据;
步骤S12、收集预测AOD数据,即欧洲中期天气预报中心发布的哥白尼大气监测服务近实时预测的AOD数据;
步骤S13、收集地形高程数据;
步骤S14、收集气象再分析产品,包括地温、2m露点温度、2m温度、体感温度、10m X和Y方向风速U和V、表面净热辐射、表面净太阳辐射、表面潜热通量、表面显热通量、表面向下热辐射、表面向下太阳辐射、表面压力、预测反照率、蒸散、降水,利用2m露点温度结合温度和压力计算得到湿度, U和V计算得到风速和风向;
步骤S15、对采集的地面站点PM2.5时序监测数据进行异常值检测和填补,对卫星AOD产品、预测AOD数据、气象再分析产品进行重采样、重投影和裁剪操作,规范为同一数据格式。
在本发明一实施例中,所述步骤S2具体实现如下:
步骤S21、选择近似对称的紧支正交小波Sym10函数对地面站点PM2.5时序监测数据进行小波分解,分解为9层;
步骤S22、对步骤S21分解数据各层进行重构,得到10组数据,分别为重构的高频成分D1、D2、…、D9及重构的低频成分A9;任一站点数据经过该操作获得的10组重构数据,其中至少5组数据在利用四阶正弦和函数进行曲线拟合时,拟合曲线的决定系数应当高于0.9,即重构得到的数据在时间上应当具有周期变化的性质,如果不满足该条件,则增加分解层数,并进行各层重构。
在本发明一实施例中,所述步骤S3具体实现如下:
步骤S31、对步骤S22中得到的10组重构数据,分别基于随机森林模型结合所有气象再分析产品开展重要性排序;
步骤S32、由于风速、降水属于较短时间内影响PM2.5浓度分布的最强因子,因此当一组重构数据的16个气象变量中的风速、降水重要性排序均处于前五名时,则确定该组重构数据属于气象相关分量集合,否则属于非气象相关分量集合;
步骤S33、对步骤S32中获得的气象相关分量集合和非气象相关分量集合,分别进行求和操作,得到气象相关分量和非气象相关分量两组数据。
在本发明一实施例中,所述步骤S7中,时序PM2.5空间分布数据公式如下:
PM2.5 =PM2.5ca+PM2.5nca
式中,PM2.5为时序PM2.5空间分布数据;PM2.5ca为PM2.5气象相关分量的空间分布;PM2.5nca为PM2.5非气象相关分量的空间分布。
相较于现有技术,本发明具有以下有益效果:本发明方法既解决了卫星遥感监测由于获取周期和云雨等因素引起的时间序列缺失问题,也弥补了传统站点监测数据仅具有时间连续而缺少空间连续分布的缺点,有助于区域尺度较高空间分辨率的时序PM2.5监测,为气溶胶空气质量分析、评估和预警提供支持。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的一段时间连续10天的AOD产品生成的分布图,空间分布有缺失,时间序列不完整
图3为本发明实施例的本发明方法生成的一段时间连续10天的空间连续PM2.5分布图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种点面融合的时序PM2.5空间分布估算模型,包括以下步骤:
步骤S1:数据收集与预处理,所需数据包括:地面PM2.5站点时间连续监测数据、卫星AOD产品、地形高程数据、预测AOD数据、气象再分析产品,对采集的地面站点PM2.5数据进行异常值检测和填补,对卫星AOD产品、预测AOD数据、气象再分析产品进行重采样、重投影和裁剪操作,规范为同一数据格式;
步骤S2:基于Sym10小波函数将PM2.5站点数据分解为9层,对分解后的数据进行不同层重构,得到10组重构数据:
步骤S3:利用随机森林模型开展重要性分析,所包含的数据为:所有气象再分析产品和步骤S2得到的10组重构数据。每组重构数据依次与收集的气象再分析产品进行重要性排序,由于风速、降水属于短周期内影响PM2.5浓度分布的最强因子,因此当16个气象变量中的风速、降水重要性排序均处于前五名时,则确定该组重构数据属于气象相关分量集合,否则属于非气象相关分量集合,对两个集合分别进行求和操作,得到气象相关分量和非气象相关分量两组数据;
步骤S4:将卫星AOD产品作为因变量,气象再分析产品、预测AOD、地形高程数据作为自变量,输入随机森林模型中训练,在训练过程种不断调整参数并获得最优参数后,对卫星AOD产品的缺失值进行预测,得到空间分布完整的卫星AOD数据;
步骤S5:将步骤S3中获取的气象相关分量作为因变量,提取地面监测站点所在位置的步骤S4得到的卫星AOD数据、气象再分析产品、地形高程数据作为自变量,输入随机森林模型中训练,在训练过程种不断调整参数并获得最优参数后,预测非站点位置处的气象相关分量,得到PM2.5气象相关分量的空间分布;
步骤S6:提取地面PM2.5监测站点位置处的高程值,结合步骤S3中获得的非气象相关分量,输入Anusplin插值模型中,得到PM2.5非气象相关分量的空间分布;
步骤S7:对步骤S5中获得的PM2.5气象相关分量和步骤S6中获得的PM2.5非气象相关分量的空间分布,进行求和操作,得到时序PM2.5空间分布数据。
在本实施例中,步骤S1具体包括以下步骤:
步骤S11:收集研究区内地面站点PM2.5时序监测数据,在本实施例中,以福建省为研究区;
步骤S12:收集预测AOD数据,即欧洲中期天气预报中心发布的哥白尼大气监测服务近实时预测的AOD数据;
步骤S13:收集地形高程数据;
步骤S14:收集气象再分析产品,包括地温、2m露点温度、2m温度、体感温度、10m X和Y方向风速U和V、表面净热辐射、表面净太阳辐射、表面潜热通量、表面显热通量、表面向下热辐射、表面向下太阳辐射、表面压力、预测反照率、蒸散、降水等,利用2m露点温度结合温度和压力计算得到湿度, U和V计算得到风速和风向;
步骤S15:对采集的地面站点PM2.5数据进行异常值检测和填补,对卫星AOD产品、预测AOD数据、气象再分析产品进行重采样、重投影和裁剪操作,规范为同一数据格式。
在本实施例中,步骤S2具体包括以下步骤:
步骤S21:选择近似对称的紧支正交小波Sym10函数对站点PM2.5数据进行小波分解,分解为9层;
步骤S22:对分解数据各层进行重构,得到10组数据,分别为重构的高频成分D1、D2、…、D9及重构的低频成分A9。任一站点数据经过该操作获得的10组重构数据,其中至少5组数据在利用四阶正弦和函数进行曲线拟合时,拟合曲线的决定系数应当高于0.9,即重构得到的数据在时间上应当具有周期变化的性质,如果不满足该条件,则增加分解层数,并进行各层重构。
在本实施例中,步骤S3具体包括以下步骤:
步骤S31:对步骤S22中得到的10组重构数据,分别基于随机森林模型结合所有气象再分析产品开展重要性排序;
步骤S32:由于风速、降水属于短周期内影响PM2.5浓度分布的最强因子,因此当16个气象变量中的风速、降水重要性排序均处于前五名时,则确定该组重构数据属于气象相关分量集合,否则属于非气象相关分量集合;在本实施例中,m取值为4,即D1、D2、D3、D4属于气象相关分量集合,D5、D6、D7、D8、D9、A9属于非气象相关分量集合。
步骤S33:对步骤S32中获得的气象相关分量集合和非气象相关分量集合,分别进行求和操作,得到气象相关分量和非气象相关分量两组数据。
在本实施例中,步骤S4具体包括以下步骤:
步骤S41:将卫星AOD产品作为因变量,气象再分析产品、预测AOD、地形高程数据作为自变量,输入随机森林模型中训练,在训练过程种不断调整参数并获得最优参数;
步骤S42:将步骤S41中获得的最优参数输入随机森林模型,对卫星AOD产品的缺失值进行预测,得到空间分布完整的卫星AOD数据。
在本实施例中,步骤S5具体包括以下步骤:
步骤S51:提取地面PM2.5监测站点位置处的步骤S4得到的卫星AOD数据、气象再分析产品、地形高程数据;
步骤S52:将步骤S33中获取的气象相关分量作为因变量,步骤S51中获得的数据作为自变量,输入随机森林模型中训练,在训练过程种不断调整参数并获得最优参数;
步骤S53:将步骤S52中获得的最优参数输入随机森林模型,预测非站点位置处的气象相关分量,得到PM2.5气象相关分量的空间分布PM2.5ca。
在本实施例中,步骤S6具体包括以下步骤:
步骤61:提取地面PM2.5监测站点位置处的高程值和步骤S3中获得的非气象相关分量;
步骤62:利用Anusplin插值模型进行空间插值,得到PM2.5非气象相关分量的空间分布PM2.5nca。
在本实施例中,步骤S7具体为:对步骤S53中获得的PM2.5气象相关分量和步骤S63中获得的PM2.5非气象相关分量的空间分布,进行求和操作,得到时序PM2.5空间分布数据。
PM2.5 =PM2.5ca+PM2.5nca
式中,PM2.5为时序PM2.5空间分布数据;PM2.5ca为PM2.5气象相关分量的空间分布;PM2.5nca为PM2.5非气象相关分量的空间分布。
在本实施例中,利用2017年一段时间连续10天的福建省MODIS AOD产品和地面站点PM2.5数据来估算近地面PM2.5浓度。图2为一段时间连续10天的AOD产品生成的分布图,空间分布有缺失,时间序列不完整,图3为本发明方法生成的一段时间连续10天的空间连续PM2.5分布图,说明本发明方法成功综合了地面监测站点的时间连续性和卫星遥感的空间覆盖度优势,实现完整时空尺度上的PM2.5监测。
本发明综合利用小波变换和随机森林方法,集成具有空间连续的遥感监测与具有时间连续的地面站点监测数据,构建了点面融合的时空连续性PM2.5估算模型。既解决了卫星遥感监测由于获取周期和云雨等因素引起的时间序列缺失问题,也弥补了传统站点监测数据仅具有时间连续而缺少空间连续分布的缺点,有助于区域尺度较高空间分辨率的时序PM2.5监测,为气溶胶空气质量分析、评估和预警提供支持。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (5)
1.一种点面融合的时序PM2.5空间分布估算方法,其特征在于,包括如下步骤:
步骤S1、数据收集与预处理:采集地面站点PM2.5时序监测数据、卫星AOD产品、地形高程数据、预测AOD数据、气象再分析产品,对采集的地面站点PM2.5时序监测数据进行异常值检测和填补,对卫星AOD产品、预测AOD数据、气象再分析产品进行重采样、重投影和裁剪操作,并规范为同一数据格式;
步骤S2、基于Sym10小波函数将地面站点PM2.5时序监测数据分解为9层,对分解后的数据进行不同层重构,得到10组重构数据;
步骤S3、利用随机森林模型开展重要性分析:对步骤S2得到的10组重构数据依次与气象再分析产品进行重要性排序,当一组重构数据的风速、降水重要性排序均处于前五名时,则确定该组重构数据属于气象相关分量集合,否则属于非气象相关分量集合,对气象相关分量集合、非气象相关分量集合分别进行求和操作,得到气象相关分量和非气象相关分量两组数据;
步骤S4、将卫星AOD产品作为因变量,气象再分析产品、预测AOD数据、地形高程数据作为自变量,输入随机森林模型中训练,在训练过程种不断调整参数并获得最优参数后,对卫星AOD产品的缺失值进行预测,得到空间分布完整的卫星AOD数据;
步骤S5、将步骤S3中获取的气象相关分量作为因变量,提取地面监测站点所在位置的步骤S4得到的卫星AOD数据及气象再分析产品、地形高程数据作为自变量,输入随机森林模型中训练,在训练过程中不断调整参数并获得最优参数后,预测非站点位置处的气象相关分量,得到PM2.5气象相关分量的空间分布PM2.5ca;
步骤S6、提取站点位置处的高程值,结合步骤S3中获得的非气象相关分量,输入Anusplin插值模型中,得到PM2.5非气象相关分量的空间分布PM2.5nca;
步骤S7、对步骤S5中获得的PM2.5气象相关分量和步骤S6中获得的PM2.5非气象相关分量的空间分布,进行求和操作,得到时序PM2.5空间分布数据。
2.根据权利要求1所述的一种点面融合的时序PM2.5空间分布估算方法,其特征在于,所述步骤S1具体实现如下:
步骤S11、收集研究区内地面站点PM2.5时序监测数据;
步骤S12、收集预测AOD数据,即欧洲中期天气预报中心发布的哥白尼大气监测服务近实时预测的AOD数据;
步骤S13、收集地形高程数据;
步骤S14、收集气象再分析产品,包括地温、2m露点温度、2m温度、体感温度、10m X和Y方向风速U和V、表面净热辐射、表面净太阳辐射、表面潜热通量、表面显热通量、表面向下热辐射、表面向下太阳辐射、表面压力、预测反照率、蒸散、降水,利用2m露点温度结合温度和压力计算得到湿度, U和V计算得到风速和风向;
步骤S15、对采集的地面站点PM2.5时序监测数据进行异常值检测和填补,对卫星AOD产品、预测AOD数据、气象再分析产品进行重采样、重投影和裁剪操作,规范为同一数据格式。
3.根据权利要求1所述的一种点面融合的时序PM2.5空间分布估算方法,其特征在于,所述步骤S2具体实现如下:
步骤S21、选择近似对称的紧支正交小波Sym10函数对地面站点PM2.5时序监测数据进行小波分解,分解为9层;
步骤S22、对步骤S21分解数据各层进行重构,得到10组数据,分别为重构的高频成分D1、D2、…、D9及重构的低频成分A9;任一站点数据经过该操作获得的10组重构数据,其中至少5组数据在利用四阶正弦和函数进行曲线拟合时,拟合曲线的决定系数应当高于0.9,即重构得到的数据在时间上应当具有周期变化的性质,如果不满足该条件,则增加分解层数,并进行各层重构。
4.根据权利要求3所述的一种点面融合的时序PM2.5空间分布估算方法,其特征在于,所述步骤S3具体实现如下:
步骤S31、对步骤S22中得到的10组重构数据,分别基于随机森林模型结合所有气象再分析产品开展重要性排序;
步骤S32、由于风速、降水属于较短时间内影响PM2.5浓度分布的最强因子,因此当一组重构数据的16个气象变量中的风速、降水重要性排序均处于前五名时,则确定该组重构数据属于气象相关分量集合,否则属于非气象相关分量集合;
步骤S33、对步骤S32中获得的气象相关分量集合和非气象相关分量集合,分别进行求和操作,得到气象相关分量和非气象相关分量两组数据。
5.根据权利要求1所述的一种点面融合的时序PM2.5空间分布估算方法,其特征在于,所述步骤S7中,时序PM2.5空间分布数据公式如下:
PM2.5 =PM2.5ca+PM2.5nca
式中,PM2.5为时序PM2.5空间分布数据;PM2.5ca为PM2.5气象相关分量的空间分布;PM2.5nca为PM2.5非气象相关分量的空间分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911341204.0A CN111104639B (zh) | 2019-12-24 | 2019-12-24 | 一种点面融合的时序pm2.5空间分布估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911341204.0A CN111104639B (zh) | 2019-12-24 | 2019-12-24 | 一种点面融合的时序pm2.5空间分布估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111104639A CN111104639A (zh) | 2020-05-05 |
CN111104639B true CN111104639B (zh) | 2022-06-10 |
Family
ID=70423587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911341204.0A Active CN111104639B (zh) | 2019-12-24 | 2019-12-24 | 一种点面融合的时序pm2.5空间分布估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111104639B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859304B (zh) * | 2020-07-28 | 2023-11-21 | 行星数据科技(苏州)有限公司 | 一种基于时空自相关性的卫星气溶胶缺失预测方法及系统 |
CN116776645B (zh) * | 2023-08-21 | 2023-10-27 | 成都协致科技有限责任公司 | 基于小波分析的环境空气监测站布点方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404620A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统 |
CN108241779A (zh) * | 2017-12-29 | 2018-07-03 | 武汉大学 | 基于遥感数据的地面pm2.5浓度特征向量空间滤值建模方法 |
CN109213964A (zh) * | 2018-07-13 | 2019-01-15 | 中南大学 | 一种融合多源特征地理参数的卫星aod产品校正方法 |
CN109657363A (zh) * | 2018-12-24 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种时空连续的pm2.5反演方法 |
CN109856021A (zh) * | 2018-12-24 | 2019-06-07 | 天津珞雍空间信息研究院有限公司 | 一种pm2.5反演方法及监测区域分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6950755B2 (en) * | 2001-07-02 | 2005-09-27 | City Of Hope | Genotype pattern recognition and classification |
-
2019
- 2019-12-24 CN CN201911341204.0A patent/CN111104639B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404620A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统 |
CN108241779A (zh) * | 2017-12-29 | 2018-07-03 | 武汉大学 | 基于遥感数据的地面pm2.5浓度特征向量空间滤值建模方法 |
CN109213964A (zh) * | 2018-07-13 | 2019-01-15 | 中南大学 | 一种融合多源特征地理参数的卫星aod产品校正方法 |
CN109657363A (zh) * | 2018-12-24 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种时空连续的pm2.5反演方法 |
CN109856021A (zh) * | 2018-12-24 | 2019-06-07 | 天津珞雍空间信息研究院有限公司 | 一种pm2.5反演方法及监测区域分割方法 |
Non-Patent Citations (1)
Title |
---|
基于卫星遥感和气象再分析资料的北京市PM2.5浓度反演研究;邵琦等;《万方数据期刊库》;20190531;第32-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111104639A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10386541B2 (en) | Machine learning approach for analysis and prediction of cloud particle size and shape distribution | |
Wang et al. | Global sand and dust storms in 2008: Observation and HYSPLIT model verification | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测系统 | |
Chen et al. | A high-resolution monitoring approach of canopy urban heat island using a random forest model and multi-platform observations | |
CN114371260A (zh) | 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法 | |
CN111104639B (zh) | 一种点面融合的时序pm2.5空间分布估算方法 | |
CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
CN109657363B (zh) | 一种时空连续的pm2.5反演方法 | |
CN109856021B (zh) | 一种pm2.5反演方法及监测区域分割方法 | |
CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
CN110261272B (zh) | 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法 | |
CN105259318B (zh) | 一种基于气象参数的恶臭ou值预测方法和系统 | |
CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
CN111191673A (zh) | 一种地表温度降尺度方法及系统 | |
Nguyen et al. | Extension of cosmic-ray neutron probe measurement depth for improving field scale root-zone soil moisture estimation by coupling with representative in-situ sensors | |
CN114048944A (zh) | 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法 | |
CN116223395A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
Wang et al. | A novel method for removing snow melting-induced fluctuation in GIMMS NDVI3g data for vegetation phenology monitoring: a case study in deciduous forests of North America | |
CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
Choi et al. | Retrieval of hourly PM2. 5 using top-of-atmosphere reflectance from geostationary ocean color imagers I and II | |
Varentsov et al. | Citizen weather stations data for monitoring applications and urban climate research: an example of Moscow megacity | |
Tyndall et al. | Sensitivity of surface air temperature analyses to background and observation errors | |
CN110596017A (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 | |
CN112598178B (zh) | 一种基于贝叶斯框架下的大气污染物浓度预测方法 | |
CN115598027A (zh) | 一种基于遥感和机器学习技术的pm2.5反演方法 |
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 |