CN111413297A - 能见度测量方法、装置、计算机设备及存储介质 - Google Patents
能见度测量方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111413297A CN111413297A CN202010285084.3A CN202010285084A CN111413297A CN 111413297 A CN111413297 A CN 111413297A CN 202010285084 A CN202010285084 A CN 202010285084A CN 111413297 A CN111413297 A CN 111413297A
- Authority
- CN
- China
- Prior art keywords
- visibility
- atmospheric
- initial
- target area
- sample set
- 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 56
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 156
- 239000000443 aerosol Substances 0.000 claims abstract description 60
- 238000005070 sampling Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract 1
- 239000002245 particle Substances 0.000 description 14
- 239000000428 dust Substances 0.000 description 7
- 238000000691 measurement method Methods 0.000 description 5
- 230000008033 biological extinction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004581 coalescence Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 239000008263 liquid aerosol Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000008275 solid aerosol Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
- G01N21/53—Scattering, i.e. diffuse reflection within a body or fluid within a flowing fluid, e.g. smoke
- G01N21/538—Scattering, i.e. diffuse reflection within a body or fluid within a flowing fluid, e.g. smoke for determining atmospheric attenuation and visibility
-
- 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
- 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
-
- 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
- G01N15/075—Investigating concentration of particle suspensions by optical means
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Dispersion Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种能见度测量方法、装置、计算机设备及存储介质，涉及大气探测技术领域。该能见度测量方法包括获取目标区域的大气参数，所述大气参数包括所述目标区域的气溶胶质量浓度、所述目标区域的风速和所述目标区域的大气相对湿度；获取预先构建的能见度分析模型；将所述大气参数输入5至所述能见度分析模型中，得到所述能见度分析模型输出的所述目标区域的大气能见度。本实施例可以灵活地获得大气能见度，并且成本更低。
Description
技术领域
本申请涉及大气探测技术领域，特别是涉及一种能见度测量方法、装置、计算机设备及存储介质。
背景技术
大气能见度是反映大气透明度的一个指标。一般定义为具有正常视力的人在当时的天气条件下还能够看清楚目标轮廓的最大地面水平距离。随时随地的监控大气能见度的变化，对于交通安全、工业生产以及人们的日常生活都有着重要的意义。
现有技术中，是在气象观测站安装激光散射仪，通过激光散射仪检测大气能见度。其中，激光散射仪包括发射端和与发射端具有一定距离的接收端，且发射端和接收端呈一定角度。发射端发射出激光，激光通过大气散射，使得一部分光经过折射后被接收端接收到，根据接收端接收到的光的能量计算出大气消光系数，然后根据大气消光系数反演出大气能见度。
然而，由于激光散射仪安装过程复杂，且设备昂贵。导致采用上述方法获取大气能见度的灵活性较差，不便于大规模推广使用。
发明内容
基于此，有必要针对上述方法中存在的获取大气能见度的灵活性较差的问题，提供一种能见度测量方法、装置、计算机设备及存储介质。
一种能见度测量方法，该方法包括：
获取目标区域的大气参数，大气参数包括目标区域的气溶胶质量浓度、目标区域的风速和目标区域的大气相对湿度；
获取预先构建的能见度分析模型；
将大气参数输入至能见度分析模型中，得到能见度分析模型输出的目标区域的大气能见度。
在本申请的一个实施例中，能见度分析模型的个数为多个，且，每个能见度分析模型与不同的大气相对湿度区间相对应；将大气参数输入至能见度分析模型中，包括：
获取目标区域的大气相对湿度所处的大气湿度区间；
根据目标区域的大气相对湿度所处的大气湿度区间，从多个能见度分析模型中确定出目标能见度分析模型；
将大气参数输入至目标能见度分析模型。
在本申请的一个实施例中，获取预先构建的能见度分析模型之前，该方法还包括：
获取样本集，样本集包括多个样本，每个样本包括待拟合大气参数以及与各待拟合大气参数对应的真实能见度，其中，待拟合大气参数包括待拟合气溶胶质量浓度、待拟合风速和待拟合大气相对湿度；
对样本集中的样本进行拟合分析，通过拟合分析构建能见度分析模型。
在本申请的一个实施例中，对样本集中的样本进行拟合分析，通过拟合分析构建能见度分析模型，包括：
根据样本中的待拟合大气相对湿度，将样本集划分成多个样本子集，每个样本子集包括多个样本，且，每个样本子集中的样本包括的待拟合大气相对湿度所处的大气相对湿度区间相同；
对每个样本子集中的样本进行拟合分析，通过拟合分析构建与多个样本子集一一对应的多个能见度分析模型。
在本申请的一个实施例中，获取样本集，包括：
获取初始样本集，初始样本集包括多个初始样本，初始样本包括初始大气参数，初始大气参数包括初始气溶胶质量浓度、初始风速和初始大气相对湿度；
对初始样本集中异常的初始样本进行剔除处理，得到剔除处理后的初始样本集，根据剔除处理后的初始样本集获取样本集。
在本申请的一个实施例中，根据剔除处理后的初始样本集获取样本集，包括：
获取剔除处理后的初始样本集中每一初始样本的采样地点和采样时间；
对于剔除处理后的初始样本集中每一初始样本，根据采样地点和采样时间从气象站采集到的能见度数据集中确定与初始样本对应的真实能见度；
基于剔除处理后的初始样本集中初始样本以及与初始样本对应的真实能见度获取样本集。
在本申请的一个实施例中，气溶胶质量浓度包括PM0.1浓度,PM2.5浓度和PM10浓度。
一种能见度测量装置，该装置包括：
第一获取模块，用于获取目标区域的大气参数，大气参数包括目标区域的气溶胶质量浓度、目标区域的风速和目标区域的大气相对湿度；
第二获取模块，用于获取预先构建的能见度分析模型；
测量模块，用于将大气参数输入至能见度分析模型中，得到能见度分析模型输出的目标区域的大气能见度。
一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该计算机程序被该处理器执行时实现以下步骤：
获取目标区域的大气参数，大气参数包括目标区域的气溶胶质量浓度、目标区域的风速和目标区域的大气相对湿度；
获取预先构建的能见度分析模型；
将大气参数输入至能见度分析模型中，得到能见度分析模型输出的目标区域的大气能见度。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取目标区域的大气参数，大气参数包括目标区域的气溶胶质量浓度、目标区域的风速和目标区域的大气相对湿度；
获取预先构建的能见度分析模型；
将大气参数输入至能见度分析模型中，得到能见度分析模型输出的目标区域的大气能见度。
本申请实施例提供的技术方案带来的有益效果至少包括：
上述能见度测量方法、装置、计算机设备及存储介质，可以灵活地获得大气能见度。该能见度测量方法中，计算机设备可以获取目标区域的大气参数，其中，大气参数包括目标区域的气溶胶质量浓度，目标区域的风速和目标区域的大气相对湿度，同时，计算机设备还可以获取预先构建的能见度分析模型；计算机设备可以将大气参数输入到能见度分析模型中，得到能见度分析模型输出的目标区域的大气能见度。本实施例中，仅通过获取目标区域的气溶胶质量浓度、风速和大气相对湿度就可以得到目标区域的大气能见度。而获取目标区域的气溶胶质量浓度、风速和大气相对湿度可以通过较为简便的传感器采集到，传感器相比于现有技术中的激光散射仪更便宜，因此降低了测量能见度的成本，并且可以灵活地获得大气能见度。
附图说明
图1为本申请实施例提供的能见度测量方法的实施环境的示意图；
图2为本申请实施例提供的一种能见度测量方法的流程图；
图3为本申请实施例提供的一种构建能见度分析模型的方法的流程图；
图4为本申请实施例提供的一种获取样本集的方法的流程图；
图5为本申请实施例提供的一种对异常的初始样本进行剔除处理的方法的流程图；
图6为本申请实施例提供的一种构建多个能见度分析模型的方法的流程图；
图7为本申请实施例提供的一种根据大气相对湿度选择能见度分析模型的方法的流程图；
图8为本申请实施例提供的一种能见度测量装置的模块图；
图9为本申请实施例提供的一种计算机设备的模块图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
大气能见度是气象观测中的一个常规项目，它是指观测目标物时，能从背景上分辨出目标物轮廓的最大距离。大气能见度可以分为白天能见度和夜间能见度。白天能见度是指视力正常的人，在当时的天气条件下，能够从天空背景中看到和辨认目标物的最大距离。夜间能见度则包括以下两种定义，一种是假定总体照明增加到正常白天水平，适当大小的黑色目标物能被看到和辨认出的最大距离；另一种是中等强度的放光体能被看到和识别的最大距离。
随时随地的监控大气能见度的变化，对于交通安全、工业生产以及人们的日常生活都有着重要的意义。例如以交通运输为例，当能见度低于100米时，会影响公路上行驶安全，高速公路将会关闭；当能见度低于500米时，则会影响船舶航行和靠岸；当能见度低于1000米时，飞机的起降则会受到相当严重的影响。
现有技术中，监控大气能见度的方法一般是在气象观测站安装激光散射仪，通过激光散射仪检测大气能见度。其中，激光散射仪包括发射端和与发射端具有一定距离的接收端，且发射端和接收端呈一定角度。发射端发射出激光，激光通过大气散射，使得一部分光经过折射后被接收端接收到，根据接收端接收到的光的能量计算出大气消光系数，然后根据大气消光系数反演出大气能见度。
然而，由于上述方法对激光散射仪的发射端和接收端的安装位置的精度要求较高，在安装过程中需要不断地调试和对准，导致安装过程复杂。当需要监测某个目标区域的大气能见度时，就需要耗费较长时间在目标区域安装调试设备，然后才可以进行大气能见度监测。当对多个目标区域进行监测时，就需要多次安装拆卸，非常不方便。而且，激光散射仪较为昂贵，经常安装拆卸容易导致设备损坏，增加了成本。
本申请实施例提供一种能见度测量方法，该方法仅通过获取目标区域的气溶胶质量浓度、风速和大气相对湿度就可以得到目标区域的大气能见度。而获取目标区域的气溶胶质量浓度、风速和大气相对湿度可以通过较为简便的传感器采集到，因此相比于现有技术，本实施例可以灵活地获得大气能见度。
下面，将对本申请实施例提供的能见度测量方法所涉及到的实施环境进行简要说明。
请参考图1，该实施环境可以包括激光粉尘传感器101、风速传感器102和相对湿度传感器103组成的微型气象站以及计算机设备104，计算机设备104可以是服务器或者终端，其中，该微型气象站与计算机设备可以通过无线或者有线的方式连接。
其中，激光粉尘传感器101用于测量目标区域的气溶胶质量浓度，风速传感器102用于测量目标区域的地面风速，相对湿度传感器103用于测量目标区域的大气相对湿度。
其中，微型气象站的布置位置一方面需要与外部空气保持良好接触，另一方面，也要尽量避免外部气流对微型气象站内部空腔直接影响，因此，微型气象站的布置位置需要尽量避免直接暴露于风速较大的地方，例如山顶，楼顶。也需要避免人为烟雾的影响，如油烟机，空调外机出风口附近。
在一个实施例中，如图2所示，提供了一种能见度测量方法方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
步骤201，获取目标区域的大气参数。
大气参数包括目标区域的气溶胶质量浓度、目标区域的风速和目标区域的大气相对湿度。
本实施例中，目标区域为需要测量大气能见度的区域。
大气中的主要气溶胶根据其颗粒的直径大小可以分为PM0.1，PM2.5和PM10。其中，气溶胶质量浓度可以是指大气中PM0.1的质量浓度、PM2.5的质量浓度和PM10的质量浓度，其中，PM0.1指的是粒径小于等于0.1μm的气溶胶总质量浓度；PM2.5指的是粒径小于等于2.5μm的气溶胶质量浓度；PM10指的是粒径小于等于10μm的气溶胶质量浓度。本实施例中的目标区域的大气参数是指目标区域的大气中PM0.1的质量浓度、PM2.5的质量浓度、PM10的质量浓度、目标区域的风速和目标区域的大气相对湿度五维数据。
目标区域的大气参数均是通过微型气象站上的传感器采集到的。可选的，本实施例中，可以根据需要设置微型气象站的传感器采集数据的时间间隔。可选的，本实施例中，时间间隔可以设置为每5分钟采集一次。
需要说明的是，本实施例中的大气参数包括的参数项为对大气能见度影响较大的参数项，而如气压、气温等参数项与大气能见度的相关系较弱，因此不做考虑。
气溶胶是指悬浮在气体介质中的固态或液态颗粒所组成的气态分散系统。这些固态或液态颗粒的密度与气体介质的密度可以相差微小，也可以悬殊很大。气溶胶颗粒大小通常在0.01～10μm之间。一般而言，液体气溶胶通常称为雾，固体气溶胶通常称为雾烟。天空中的云、雾、尘埃，工业上和运输业上用的锅炉和各种发动机里未燃尽的燃料所形成的烟，采矿、采石场磨材和粮食加工时所形成的固体粉尘，人造的掩蔽烟幕和毒烟等都是气溶胶。气溶胶质量浓度即是大气中颗粒的浓度，气溶胶质量浓度越高，大气能见度越低，气溶胶质量浓度越低，大气能见度越高。
研究发现，在可见光波段，对太阳辐射有衰减作用的物质及贡献比例如下：干洁大气的散射占2.38％，气态污染物的吸收占3.68％，水汽分子的散射占5.78％，干气溶胶的散射占75.26％，干气溶胶的吸收占12.89％。由此可见，可见气溶胶是影响大气能见度的主要因素。
目标区域的相对湿度：指目标区域的空气中水汽压与相同温度下饱和水汽压的百分比。相对湿度则会影响气溶胶颗粒的凝结、碰并和悬浮等来间接影响大气能见度。
目标区域的风速：是指目标区域的空气相对于地球某一固定地点的运动速率。当地面风速大时，易将污染大气吹离测量点，将周边新鲜空气吹向测量点，有利于局地的大气扩散，从而提升能见度。相反，地面风速小时则不利于局部的空气扩散流动，而且容易形成逆温层，降低能见度。
步骤202，获取预先构建的能见度分析模型。
可选的，本实施例中的能见度分析模型可以是线性回归模型或者神经网络模型。
步骤203，将大气参数输入至能见度分析模型中，得到能见度分析模型输出的目标区域的大气能见度。
本实施例中，目标区域的大气参数输入到能见度分析模型中，能见度分析模型可以对目标区域的气溶胶质量浓度、风俗和大气相对湿度进行拟合从而得到目标区域的大气能见度。
本实施例中，对不同的目标区域进行大气能见度测量时，采用较为经济且容易安装的传感器采集目标区域的大气参数，然后根据目标区域的大气参数和已经预先构建的能见度分析模型确定目标区域的大气能见度。因此，相比于现有技术，本实施例可以灵活地获得大气能见度。并且，基于能见度分析模型，本实施例中可以通过较少的参数项确定出准确的大气能见度。
在一个实施例中，如图3所示，步骤202之前，该能见度测量方法还可以包括构建能见度分析模型的内容，其中，构建能见度分析模型包括以下步骤：
步骤301，获取样本集。
其中，样本集包括多个样本，每个样本包括待拟合大气参数以及与各待拟合大气参数对应的真实能见度，其中，待拟合大气参数包括待拟合气溶胶质量浓度、待拟合风速和待拟合大气相对湿度。
本实施例中，待拟合大气参数的各个参数项可以分别是通过激光粉尘传感器、风速传感器和相对湿度传感器测量得到的。其中，待拟合大气参数是指用于构建能见度分析模型的样本的大气参数。
本实施例中，真实能见度可以是指根据已有技术获取到的真实的大气能见度。
可选的，与待拟合大气参数对应的真实能见度是指在待拟合大气参数所对应的天气条件下的真实能见度。
在一种可选的实现方式中，获取样本集的过程可以是：获取通过激光粉尘传感器、风速传感器和相对湿度传感器测量得到的待拟合大气参数，获取与各待拟合大气参数对应的真实能见度，根据各待拟合大气参数和与各待拟合大气参数对应的真实能见度得到多个样本，多个样本组成样本集。
在另一种可选的实现方式中，如图4所示，获取样本集的过程可以包括以下步骤：
步骤401，获取初始样本集。
初始样本集包括多个初始样本，初始样本包括初始大气参数，初始大气参数包括初始气溶胶质量浓度、初始风速和初始大气相对湿度。
本实施例中，初始样本是指通过激光粉尘传感器、风速传感器和相对湿度传感器对某一目标区域在某一时间点采集得到的，未进行处理的初始数据。
步骤402，对初始样本集中异常的初始样本进行剔除处理，得到剔除处理后的初始样本集，根据剔除处理后的初始样本集获取样本集。
本实施例中，初始样本包括的初始大气参数可能是下雨天气对应的大气参数，也可能是下雪天气对应的大气参数，也可能是其他异常天气状况对应的大气参数。
以下雨天气为例，由于雨水冲刷会使得空气中的气溶胶质量浓度下降，因此，气溶胶质量浓度低，按照步骤201公开的研究内容可知，在气溶胶质量浓度低时，大气能见度应该是比较高的。而根据实际经验，由于受到雨水影响，大气能见度会下降到很低的程度。因此，在下雨天条件下，获取的气溶胶质量浓度、风速和相对湿度组成的初始样本不能准确地反应大气能见度。本实施例中，将在类似于下雨天气、下雪天气等异常天气状况下采集到的初始样本确定为异常的初始样本。
此外，由于传感器在工作的过程中，容易受到干扰，因此会产生噪声数据。噪声数据通常表现为数据值跳变，由于数据值跳变会使得传感器采集到的数据出现离群异常数据值。本实施例中，将包含有离群异常数据值的初始样本确定为异常的初始样本。
可选的，本实施例中，假定气溶胶质量浓度(包括PM0.1浓度,PM2.5浓度和PM10浓度)、风速和大气相对湿度分别满足正态分布。对这5维数据中的风速为例进行说明，判断初始样本中是否存在离群异常数据值的过程可以是：
A1，将所有初始样本集中的风速提取出来，将提取的多个风速数据组成风速集合。
A2，对风速集合中的多个风速数据计算该风速集合对应的算数平均值和标准差。
其中，算数平均值用μ表示，标准差用σ表示。
A3，根据风速集合对应的算数平均值和标准差确定阈值范围，并将超出阈值范围的风速数据确定为离群异常数据值。
可选的，阈值范围可以表示为(μ-3σ，μ+3σ)。
判断风速集合中每个风速数据是否超出阈值范围，超出的确定为离群异常数据值，并将该超出阈值范围的风速数据所对应的初始样本确定为异常初始样本。
本实施例中，对初始大气参数包括的5维数据的每个维度均通过上述方法确定异常初始样本。
在确定出异常初始样本后，将异常初始样本从初始样本集中剔除，得到剔除处理后的初始样本集。
对剔除处理后的初始样本集中的每个初始样本，获取与每个初始样本包括的初始大气参数相对应的真实能见度，将初始样本和与该初始样本包括的初始大气参数相对应的真实能见度组合起来得到样本集中的样本。
可选的，本实施例中，与该初始样本包括的初始大气参数相对应的真实能见度可以是指采样时间和采样地点与初始样本包括的初始大气参数的采样时间和采样地点相同的真实能见度。
步骤302，对样本集中的样本进行拟合分析，通过拟合分析构建能见度分析模型。
本实施例中，可以将样本集中的样本输入到线性回归算法中进行拟合分析，采用线性回归算法进行数据拟合，得到构建能见度分析模型。
可选的，本实施例中的构建能见度分析模型的算法还可以是神经网络算法或者其他拟合算法。
本实施例中，通过获取样本集，然后基于样本集中的样本进行拟合分析，构建能见度分析模型，使得能见度分析模型能够根据输入的大气参数估算出大气能见度。
在一种可选的实现方式中，如图5所示，步骤402中的根据剔除处理后的初始样本集获取样本集还可以包括以下步骤：
步骤501，获取剔除处理后的初始样本集中每一初始样本的采样地点和采样时间。
本实施例中，预先保存有每个初始样本包括的初始大气参数的采样地点和采样时间。
可以从预先保存的采样地点和采样时间中获取剔除处理后的初始样本集中的每一个初始样本的采样地点和采样时间。
步骤502，对于剔除处理后的初始样本集中每一初始样本，根据采样地点和采样时间从气象站采集到的能见度数据集中确定与初始样本对应的真实能见度。
本实施例中，从气象站采集到的能见度数据集包括多个真实能见度以及各真实能见度对应的采样地点和采样时间。
本实施例中，对于每个初始样本，根据该初始样本对应的采样地点和采样时间从能见度数据集中采集到与该初始样本的采样地点和采样时间同时相对应的真实能见度。
本实施例中，与该初始样本的采样地点和采样时间相对应的真实能见度可以是指：以该初始样本的采样地点为圆心，以预设长度为半径，形成圆形区域，将采样地点处于该圆形区域内的真实能见度确定为与该初始样本的采样地点相对应的真实能见度。以该初始样本的采样时间点为中心点，将采样时间点处于该初始样本的采样时间点前后预设时长内的真实能见度确定为与该初始样本的采样时间点相对应的真实能见度。
需要说明的是，本实施例中，当初始样本的采样地点和采样时间需要同时对应到同一个真实能见度的采样地点和采样时间时，才可以将该真实能见度确定为与该初始样本的采样地点和采样时间相对应的真实能见度。
本实施例中，对预设长度和预设时长的具体数值不做限定。
步骤503，基于剔除处理后的初始样本集中初始样本以及与初始样本对应的真实能见度获取样本集。
本实施例中，将剔除处理后的初始样本以及与初始样本对应的真实能见度组合起来形成样本集中的样本。
本实施例中，根据剔除处理后的初始样本的采样时间和采样地点确定与该初始样本对应的真实能见度，使得处于样本集中的同一样本中待拟合大气参数和与待拟合大气参数对应的真实能见度之间建立对应关系，这样在能见度分析模型使用该样本进行拟合分析的过程中，真实能见度就可以对同一样本中的待拟合大气参数进行拟合引导，从而可使得能见度分析模型可以根据大气参数预测出大气能见度。
在一种可选的实现方式中，如图6所示，步骤302还可以包括以下步骤：
步骤601，根据样本中的待拟合大气相对湿度，将样本集划分成多个样本子集。
其中，每个样本子集包括多个样本，且，每个样本子集中的样本包括的待拟合大气相对湿度所处的大气相对湿度区间相同。
由于在不同的大气相对湿度情况下，大气能见度受到不同直径的气溶胶颗粒的影响程度不同，因此，本实施例将样本集中的样本按照各自的包括的待拟合大气参数中的待拟合大气相对湿度划分为多个样本子集。
可选的，本实施例以划分为三组样本为例进行说明：例如，将大气相对湿度小于80％的样本划分为一个样本子集，将大气相对湿度大于等于80％，且小于90％的样本划分为一个样本子集，将大气相对湿度大于等于90％的样本划分为一个样本子集。
一般而言，大气相对湿度小于80％时，大气中的气溶胶容易形成霾，霾会造成大气浑浊，视野模糊，从而导致大气能见度较差。大气相对湿度介于80％-90％之间时，大气中的气溶胶主要组成为雾和霾，雾和霾也会导致大气能见度较差。而当大气相对湿度大于90％时，大气中的气溶胶的主要成分为雾。
不同的相对湿度，会使得气溶胶颗粒的直径发生较大变化，例如，大气相对湿度较大时，气溶胶颗粒PM2.5容易凝结，从而形成PM10的大颗粒，这样大气中的PM10的质量浓度就会比较高。而当大气相对湿度较小时，气溶胶颗粒PM2.5不容易凝结，大气中的PM2.5的质量浓度就会比较高。
步骤602，对每个样本子集中的样本进行拟合分析，通过拟合分析构建与多个样本子集一一对应的多个能见度分析模型。
本实施例中，根据得到的多个样本子集，分别进行拟合分析，通过拟合分析构建每个样本子集对应的能见度分析模型。
承接上文举例，对应于三个样本子集可以得到三个能见度分析模型，其中，不同的能见度分析模型对应的大气相对湿度不同。
本实施例中，结合实际应用中大气相对湿度对大气能见度的影响，设置了更加细致的能见度分析模型，从而提高了利用能见度分析模型预测大气能见度的准确性。
在一种可选的实现方式中，能见度分析模型的个数为多个，且，每个能见度分析模型与不同的大气相对湿度区间相对应，如图7所示，步骤203还包括以下步骤：
步骤701，获取目标区域的大气相对湿度所处的大气湿度区间。
本实施例中，预先设置有多个大气湿度区间，可选的，参考步骤601和步骤602公开的内容可知，多个大气湿度区间分别与多个能见度分析模型相对应，也就是说，在构建能见度分析模型时，就已经设置好了每个能见度分析模型对应的大气湿度区间。
承接步骤601中的举例，本实施例中的不同的大气湿度区间可以包括：小于80％；大于等于80％，小于90％；大于等于90％。
本实施例中，计算机设备可以获取目标区域的大气参数，大气参数可以包括目标区域的大气相对湿度，例如目标区域的大气相对湿度为85％。
本实施例中，可以根据目标区域的大气相对湿度以及预设的大气湿度区间确定目标区域的大气相对湿度所处的大气湿度区间。根据上文举例可知，目标区域的大气相对湿度所处的大气湿度区间是大于等于80％，小于90％这一区间。
步骤702，根据目标区域的大气相对湿度所处的大气湿度区间，从多个能见度分析模型中确定出目标能见度分析模型。
承接上文举例，例如大气湿度区间为小于80％的区间对应的能见度分析模型为A。大气湿度区间为大于等于80％，小于90％的区间对应的能见度分析模型为B。大气湿度区间为大于等于90％的区间对应的能见度分析模型为C。
由于目标区域的大气相对湿度所处的大气湿度区间是大于等于80％，小于90％这一区间，因此将大气湿度区间为大于等于80％，小于90％的区间对应的能见度分析模型为B确定为目标能见度分析模型。
步骤703，将大气参数输入至目标能见度分析模型。
将目标区域的大气参数输入至目标能见度分析模型中，即输入至能见度分析模型B中，能见度分析模型B对大气相对湿度大于等于80％，小于90％的大气参数的拟合分析能力更强，因此，确定出的目标区域的大气能见度更加准确。
本实施例，根据大气参数中的大气相对湿度确定目标能见度分析模型，然后利用目标能见度分析模型计算出目标区域的大气能见度，使得确定出的目标区域的大气能见度更加准确。
请参考图8，其示出了本申请实施例提供的一种能见度测量装置的框图，该能见度测量装置可以配置在图1所示实施环境中的计算机设备中。如图8所示，该能见度测量装置可以包括第一获取模块801，第二获取模块802和测量模块803，其中：
第一获取模块801，用于获取目标区域的大气参数，大气参数包括目标区域的气溶胶质量浓度、目标区域的风速和目标区域的大气相对湿度；
第二获取模块802，用于获取预先构建的能见度分析模型；
测量模块803，用于将大气参数输入至能见度分析模型中，得到能见度分析模型输出的目标区域的大气能见度。
在一个实施例中，能见度分析模型的个数为多个，且，每个能见度分析模型与不同的大气相对湿度区间相对应；测量模块803还可以用于获取目标区域的大气相对湿度所处的大气湿度区间；
根据目标区域的大气相对湿度所处的大气湿度区间，从多个能见度分析模型中确定出目标能见度分析模型；
将大气参数输入至目标能见度分析模型。
在一个实施例中，第二获取模块802还可以用于获取样本集，样本集包括多个样本，每个样本包括待拟合大气参数以及与各待拟合大气参数对应的真实能见度，其中，待拟合大气参数包括待拟合气溶胶质量浓度、待拟合风速和待拟合大气相对湿度；
对样本集中的样本进行拟合分析，通过拟合分析构建能见度分析模型。
在一个实施例中，第二获取模块802还可以用于对样本集中的样本进行拟合分析，通过拟合分析构建能见度分析模型，包括：
根据样本中的待拟合大气相对湿度，将样本集划分成多个样本子集，每个样本子集包括多个样本，且，每个样本子集中的样本包括的待拟合大气相对湿度所处的大气相对湿度区间相同；
对每个样本子集中的样本进行拟合分析，通过拟合分析构建与多个样本子集一一对应的多个能见度分析模型。
在一个实施例中，第二获取模块802还可以用于获取样本集，包括：
获取初始样本集，初始样本集包括多个初始样本，初始样本包括初始大气参数，初始大气参数包括初始气溶胶质量浓度、初始风速和初始大气相对湿度；
对初始样本集中异常的初始样本进行剔除处理，得到剔除处理后的初始样本集，根据剔除处理后的初始样本集获取样本集。
在一个实施例中，第二获取模块802还可以用于根据剔除处理后的初始样本集获取样本集，包括：
获取剔除处理后的初始样本集中每一初始样本的采样地点和采样时间；
对于剔除处理后的初始样本集中每一初始样本，根据采样地点和采样时间从气象站采集到的能见度数据集中确定与初始样本对应的真实能见度；
基于剔除处理后的初始样本集中初始样本以及与初始样本对应的真实能见度获取样本集。
在一个实施例中，气溶胶质量浓度包括PM0.1浓度,PM2.5浓度和PM10浓度。
关于能见度测量装置的具体限定可以参见上文中对于能见度测量方法的限定，在此不再赘述。上述能见度测量装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器或者终端，该计算机设备的内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预先构建的能见度分析模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种能见度测量方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端的限定，具体的终端可以包括比图9中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本申请的一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取目标区域的大气参数，大气参数包括目标区域的气溶胶质量浓度、目标区域的风速和目标区域的大气相对湿度；获取预先构建的能见度分析模型；将大气参数输入至能见度分析模型中，得到能见度分析模型输出的目标区域的大气能见度。
在本申请的一个实施例中，能见度分析模型的个数为多个，且，每个能见度分析模型与不同的大气相对湿度区间相对应；处理器执行计算机程序时还实现以下步骤：获取目标区域的大气相对湿度所处的大气湿度区间；根据目标区域的大气相对湿度所处的大气湿度区间，从多个能见度分析模型中确定出目标能见度分析模型；将大气参数输入至目标能见度分析模型。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：获取样本集，样本集包括多个样本，每个样本包括待拟合大气参数以及与各待拟合大气参数对应的真实能见度，其中，待拟合大气参数包括待拟合气溶胶质量浓度、待拟合风速和待拟合大气相对湿度；对样本集中的样本进行拟合分析，通过拟合分析构建能见度分析模型。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：根据样本中的待拟合大气相对湿度，将样本集划分成多个样本子集，每个样本子集包括多个样本，且，每个样本子集中的样本包括的待拟合大气相对湿度所处的大气相对湿度区间相同；对每个样本子集中的样本进行拟合分析，通过拟合分析构建与多个样本子集一一对应的多个能见度分析模型。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：获取初始样本集，初始样本集包括多个初始样本，初始样本包括初始大气参数，初始大气参数包括初始气溶胶质量浓度、初始风速和初始大气相对湿度；对初始样本集中异常的初始样本进行剔除处理，得到剔除处理后的初始样本集，根据剔除处理后的初始样本集获取样本集。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：获取剔除处理后的初始样本集中每一初始样本的采样地点和采样时间；对于剔除处理后的初始样本集中每一初始样本，根据采样地点和采样时间从气象站采集到的能见度数据集中确定与初始样本对应的真实能见度；基于剔除处理后的初始样本集中初始样本以及与初始样本对应的真实能见度获取样本集。
本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在本申请的一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标区域的大气参数，大气参数包括目标区域的气溶胶质量浓度、目标区域的风速和目标区域的大气相对湿度；获取预先构建的能见度分析模型；将大气参数输入至能见度分析模型中，得到能见度分析模型输出的目标区域的大气能见度。
在本申请的一个实施例中，能见度分析模型的个数为多个，且，每个能见度分析模型与不同的大气相对湿度区间相对应；计算机程序被处理器执行时还可以实现以下步骤：获取目标区域的大气相对湿度所处的大气湿度区间；根据目标区域的大气相对湿度所处的大气湿度区间，从多个能见度分析模型中确定出目标能见度分析模型；将大气参数输入至目标能见度分析模型。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：获取样本集，样本集包括多个样本，每个样本包括待拟合大气参数以及与各待拟合大气参数对应的真实能见度，其中，待拟合大气参数包括待拟合气溶胶质量浓度、待拟合风速和待拟合大气相对湿度；对样本集中的样本进行拟合分析，通过拟合分析构建能见度分析模型。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：根据样本中的待拟合大气相对湿度，将样本集划分成多个样本子集，每个样本子集包括多个样本，且，每个样本子集中的样本包括的待拟合大气相对湿度所处的大气相对湿度区间相同；对每个样本子集中的样本进行拟合分析，通过拟合分析构建与多个样本子集一一对应的多个能见度分析模型。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：获取初始样本集，初始样本集包括多个初始样本，初始样本包括初始大气参数，初始大气参数包括初始气溶胶质量浓度、初始风速和初始大气相对湿度；对初始样本集中异常的初始样本进行剔除处理，得到剔除处理后的初始样本集，根据剔除处理后的初始样本集获取样本集。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：获取剔除处理后的初始样本集中每一初始样本的采样地点和采样时间；对于剔除处理后的初始样本集中每一初始样本，根据采样地点和采样时间从气象站采集到的能见度数据集中确定与初始样本对应的真实能见度；基于剔除处理后的初始样本集中初始样本以及与初始样本对应的真实能见度获取样本集。
本申请实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种能见度测量方法，其特征在于，所述方法包括：
获取目标区域的大气参数，所述大气参数包括所述目标区域的气溶胶质量浓度、所述目标区域的风速和所述目标区域的大气相对湿度；
获取预先构建的能见度分析模型；
将所述大气参数输入至所述能见度分析模型中，得到所述能见度分析模型输出的所述目标区域的大气能见度。
2.根据权利要求1所述的方法，其特征在于，所述能见度分析模型的个数为多个，且，每个所述能见度分析模型与不同的大气相对湿度区间相对应；所10述将所述大气参数输入至所述能见度分析模型中，包括：
获取所述目标区域的大气相对湿度所处的大气湿度区间；
根据所述目标区域的大气相对湿度所处的大气湿度区间，从多个所述能见度分析模型中确定出目标能见度分析模型；
将所述大气参数输入至所述目标能见度分析模型。
3.根据权利要求1或2所述的方法，其特征在于，所述获取预先构建的能见度分析模型之前，所述方法还包括：
获取样本集，所述样本集包括多个样本，每个所述样本包括待拟合大气参数以及与各所述待拟合大气参数对应的真实能见度，其中，所述待拟合大气参数包括待拟合气溶胶质量浓度、待拟合风速和待拟合大气相对湿度；
对所述样本集中的样本进行拟合分析，通过拟合分析构建所述能见度分析模型。
4.根据权利要求3所述的方法，其特征在于，所述对所述样本集中的样本25进行拟合分析，通过拟合分析构建所述能见度分析模型，包括：
根据样本中的待拟合大气相对湿度，将所述样本集划分成多个样本子集，每个所述样本子集包括多个样本，且，每个所述样本子集中的样本包括的待拟合大气相对湿度所处的大气相对湿度区间相同；
对每个所述样本子集中的样本进行拟合分析，通过拟合分析构建与所述多个样本子集一一对应的多个所述能见度分析模型。
5.根据权利要求3所述的方法，其特征在于，所述获取样本集，包括：
获取初始样本集，所述初始样本集包括多个初始样本，所述初始样本包括初始大气参数，所述初始大气参数包括初始气溶胶质量浓度、初始风速和初始大气相对湿度；
对所述初始样本集中异常的初始样本进行剔除处理，得到剔除处理后的初始样本集，根据所述剔除处理后的初始样本集获取所述样本集。
6.根据权利要求5所述的方法，其特征在于，所述根据所述剔除处理后的初始样本集获取所述样本集，包括：
获取所述剔除处理后的初始样本集中每一初始样本的采样地点和采样时间；
对于所述剔除处理后的初始样本集中每一初始样本，根据所述采样地点和所述采样时间从气象站采集到的能见度数据集中确定与所述初始样本对应的真实能见度；
基于所述剔除处理后的初始样本集中初始样本以及与所述初始样本对应的真实能见度获取所述样本集。
7.根据权利要求1所述的方法，其特征在于，所述气溶胶质量浓度包括PM0.1浓度,PM2.5浓度和PM10浓度。
8.一种能见度测量装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标区域的大气参数，所述大气参数包括所述目标区域的气溶胶质量浓度、所述目标区域的风速和所述目标区域的大气相对湿度；
第二获取模块，用于获取预先构建的能见度分析模型；
测量模块，用于将所述大气参数输入至所述能见度分析模型中，得到所述能见度分析模型输出的所述目标区域的大气能见度。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010285084.3A CN111413297A (zh) | 2020-04-13 | 2020-04-13 | 能见度测量方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010285084.3A CN111413297A (zh) | 2020-04-13 | 2020-04-13 | 能见度测量方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111413297A true CN111413297A (zh) | 2020-07-14 |
Family
ID=71491893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010285084.3A Pending CN111413297A (zh) | 2020-04-13 | 2020-04-13 | 能见度测量方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111413297A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111736237A (zh) * | 2020-07-31 | 2020-10-02 | 上海眼控科技股份有限公司 | 辐射雾检测方法、装置、计算机设备和可读存储介质 |
| CN111899309A (zh) * | 2020-07-31 | 2020-11-06 | 上海眼控科技股份有限公司 | 上坡雾检测方法、装置、计算机设备和可读存储介质 |
| CN112162336A (zh) * | 2020-09-22 | 2021-01-01 | 上海眼控科技股份有限公司 | 基于二维气象要素场的能见度预测方法和装置 |
| CN112461799A (zh) * | 2020-11-25 | 2021-03-09 | 北京心中有数科技有限公司 | 一种获取高速公路团雾能见度的方法及装置 |
| CN113064220A (zh) * | 2021-06-03 | 2021-07-02 | 四川九通智路科技有限公司 | 基于非线性自回归神经网络的能见度测量系统及测量方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN209459693U (zh) * | 2018-12-26 | 2019-10-01 | 西安清宇网络科技有限公司 | 一种集成传感器和用于路灯的光照调节装置 |
| CN110928849A (zh) * | 2019-11-27 | 2020-03-27 | 上海眼控科技股份有限公司 | 气象数据的预处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-04-13 CN CN202010285084.3A patent/CN111413297A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN209459693U (zh) * | 2018-12-26 | 2019-10-01 | 西安清宇网络科技有限公司 | 一种集成传感器和用于路灯的光照调节装置 |
| CN110928849A (zh) * | 2019-11-27 | 2020-03-27 | 上海眼控科技股份有限公司 | 气象数据的预处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 龙凤翔等: "桂林城区大气能见度与颗粒物浓度和气象因子关系研究", 《气象与环境学报》 * |
| 龚识懿等: "上海地区大气相对湿度与PM10浓度和大气能见度的相关性分析", 《环境科学研究》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111736237A (zh) * | 2020-07-31 | 2020-10-02 | 上海眼控科技股份有限公司 | 辐射雾检测方法、装置、计算机设备和可读存储介质 |
| CN111899309A (zh) * | 2020-07-31 | 2020-11-06 | 上海眼控科技股份有限公司 | 上坡雾检测方法、装置、计算机设备和可读存储介质 |
| CN112162336A (zh) * | 2020-09-22 | 2021-01-01 | 上海眼控科技股份有限公司 | 基于二维气象要素场的能见度预测方法和装置 |
| CN112461799A (zh) * | 2020-11-25 | 2021-03-09 | 北京心中有数科技有限公司 | 一种获取高速公路团雾能见度的方法及装置 |
| CN112461799B (zh) * | 2020-11-25 | 2023-08-18 | 北京心中有数科技有限公司 | 一种获取高速公路团雾能见度的方法及装置 |
| CN113064220A (zh) * | 2021-06-03 | 2021-07-02 | 四川九通智路科技有限公司 | 基于非线性自回归神经网络的能见度测量系统及测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111413297A (zh) | 能见度测量方法、装置、计算机设备及存储介质 | |
| CN107764765A (zh) | 用于大气污染的监测系统及用于大气污染的监测方法 | |
| Johnson et al. | In situ observations of volcanic ash clouds from the FAAM aircraft during the eruption of Eyjafjallajökull in 2010 | |
| Contini et al. | Analysis of particles and carbon dioxide concentrations and fluxes in an urban area: Correlation with traffic rate and local micrometeorology | |
| EP3945466A2 (en) | Method and system for detecting, quantifying, and attributing gas emissions of industrial assets | |
| El Yazidi et al. | Identification of spikes associated with local sources in continuous time series of atmospheric CO, CO 2 and CH 4 | |
| Atwood et al. | Size-resolved aerosol and cloud condensation nuclei (CCN) properties in the remote marine South China Sea–Part 1: Observations and source classification | |
| KR102129929B1 (ko) | 드론 및 실시간이동 측정 차량을 이용한 오염원 추적방법 | |
| CN108051547A (zh) | 一种具有实时预警功能的空气质量监控系统 | |
| CN111398109A (zh) | 大气能见度测量方法、传感器模组、系统和存储介质 | |
| CN112461799B (zh) | 一种获取高速公路团雾能见度的方法及装置 | |
| Perrone et al. | Particle optical properties at a Central Mediterranean site: Impact of advection routes and local meteorology | |
| KR102129931B1 (ko) | 드론을 이용한 오염원 추적방법 | |
| KR20170123594A (ko) | 무인 항공기를 이용한 실시간 악취 발생원 추적 방법 | |
| WO2022235681A9 (en) | Gas leak detection system | |
| JP7479444B2 (ja) | メタンピーク検出 | |
| Fattah et al. | Multi-sensor system and internet of things (IoT) technologies for air pollution monitoring | |
| KR102111121B1 (ko) | 드론 및 실시간이동 측정 차량을 이용한 오염원 추적 시스템 | |
| Vance et al. | Performance of WVSS-II hygrometers on the FAAM research aircraft | |
| Staebler et al. | Aerosol size distributions in Arctic haze during the Polar Sunrise Experiment 1992 | |
| CN112364940A (zh) | 基于多源数据的大气污染物源解析方法、存储介质及设备 | |
| CN117310093A (zh) | 基于物联网的大气环境监测系统 | |
| CN117540229B (zh) | 一种基于聚类算法的大气环境监测方法 | |
| CN116644957A (zh) | 一种基于气象和环境监测数据的城市空气污染预警方法 | |
| Krecl et al. | Detecting local and regional air pollution from biomass burning at a suburban site |
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: 20200714 |