CN111522893B - 一种高时空分辨率道路扬尘源排放清单制备方法 - Google Patents

一种高时空分辨率道路扬尘源排放清单制备方法 Download PDF

Info

Publication number
CN111522893B
CN111522893B CN202010204072.3A CN202010204072A CN111522893B CN 111522893 B CN111522893 B CN 111522893B CN 202010204072 A CN202010204072 A CN 202010204072A CN 111522893 B CN111522893 B CN 111522893B
Authority
CN
China
Prior art keywords
road dust
road
time
space
database
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
CN202010204072.3A
Other languages
English (en)
Other versions
CN111522893A (zh
Inventor
宋宏权
王团徽
王丰
刘鹏飞
韩志刚
赵海鹏
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.)
Henan University
Original Assignee
Henan 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 Henan University filed Critical Henan University
Priority to CN202010204072.3A priority Critical patent/CN111522893B/zh
Publication of CN111522893A publication Critical patent/CN111522893A/zh
Application granted granted Critical
Publication of CN111522893B publication Critical patent/CN111522893B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种高时空分辨率道路扬尘源排放清单制备方法。该方法包括：步骤1：获取高分遥感图像、地理视频、实时交通数据和道路积尘观测数据，基于采集到的数据感知获取目标区域城市道路扬尘影响因素的多源时空数据；步骤2：基于所述多源时空数据，构建道路积尘负荷空间分布模型、交通状况空间分布模型，并对道路扬尘排放因子模型进行本地化；步骤3：构建道路积尘负荷时空数据库、道路扬尘活动水平时空数据库及道路扬尘排放因子时空数据库；步骤4：根据所述道路扬尘活动水平时空数据库、所述道路扬尘排放因子时空数据库和所述道路积尘负荷时空数据库，计算不同路段在不同时刻的道路扬尘排放量，实现高时空分辨率道路扬尘源排放清单的编制。

Description

一种高时空分辨率道路扬尘源排放清单制备方法
技术领域
本发明涉及地理信息和资源环境技术领域，可用于空气质量数值模拟、大气污染防治与空气质量精细化管理，尤其涉及一种高时空分辨率道路扬尘源排放清单制备方法。
背景技术
在特定区域范围内，基于提高道路扬尘排放清单编制的精确度、降低道路扬尘排放清单的编制成本的双重目标约束，如何在特定区域范围内利用高分辨的道路扬尘排放清单，结合数值模拟精确模拟空气质量，已经成为空气质量精细化管理的基础性问题。
从编制排放清单的方法来看，主要包括自上而下（彭康，杨杨.珠江三角洲地区铺装道路扬尘排放因子与排放清单研究[J].环境科学学报，2013，33(10):2657-2663）和自下而上（王凯,樊守彬.北京市延庆区道路扬尘排放特征及影响因素[J].环境工程技术学报,2019, 9(01):1-7）的两种清单编制方法，这两种清单编制方法主要是依赖于统计与少量监测数据，主要存在以下问题：（1）通过人工方法进行编制，通常工作量较大，需要较长的时间周期，耗时耗力，具有较高的编制成本；且因为需要较长的时间周期，进一步导致当前排放清单的编制更新具有明显的滞后性；（2）基于统计数据难以获取扬尘活动水平的时空变化系数，造成排放清单的时空分辨率较低。（3）道路扬尘排放因子数据，大部分以某采样位置的排放因子来代表某某级别道路类型的排放因子，难以表征道路扬尘排放因子的时空变异特征。
发明内容
针对传统的道路扬尘源清单编制方法存在的时空分辨率低的问题，本发明提供一种高时空分辨率道路扬尘源排放清单制备方法。
本发明提供的一种高时空分辨率道路扬尘源排放清单制备方法，包括：
步骤1：获取目标区域的高分遥感图像、地理视频、实时交通数据和道路积尘观测数据，基于采集到的数据感知获取目标区域城市道路扬尘影响因素的多源时空数据；
步骤2：基于所述多源时空数据，构建道路积尘负荷空间分布模型、交通状况空间分布模型，并对道路扬尘排放因子模型进行本地化；
步骤3：构建道路扬尘活动水平时空数据库、道路积尘负荷时空数据库及道路扬尘排放因子时空数据库；
步骤4：根据所述道路扬尘活动水平时空数据库、所述道路扬尘排放因子时空数据库和所述道路积尘负荷时空数据库，计算不同路段在不同时刻的道路扬尘排放量，实现高时空分辨率道路扬尘源排放清单的编制。
进一步地，步骤1包括：
步骤1.1：根据目标区域的高分遥感影像，得到道路基础地理空间信息，所述道路基础地理空间信息包括：道路路段长度、道路宽度、铺装类型和车道数量；
步骤1.2：根据地理视频数据，利用基于视频的交通状况信息检测方法，监测目标区域内不同级别道路在不同时段的交通状况信息；
步骤1.3：根据实时交通数据，获取目标区域内不同级别道路在不同时段的交通拥堵状况；
步骤1.4：实地采集目标区域的道路积尘并对其进行实验分析，得到道路积尘实验分析数据；并获取对应采样区域的视频数据，提取视频图象特征参数。
进一步地，所述交通状况信息包括：车流量、车速、车辆类型和平均车重；所述交通拥堵状况包括：畅通状态、缓行状态、拥堵状态和严重拥堵状态。
进一步地，步骤2中，所述基于所述多源时空数据，构建道路积尘负荷空间分布模型，包括：
基于所述道路积尘实验分析数据及其对应的所述视频图像特征参数，针对不同铺装类型的道路，构建道路表面积尘负荷模型；
利用视频GIS技术采集道路路面地理视频数据，提取道路路面图像参数的空间分布，利用所述道路表面积尘负荷模型估算得到道路积尘负荷空间分布模型。
进一步地，步骤2中，所述基于所述多源时空数据，构建交通状况空间分布模型，包括：将各路段在各个时刻的交通状况信息与对应的交通拥堵状况进行对应，得到不同级别道路在不同时段的车流量、车速、车辆类型构成、平均车重与交通拥堵状况的关系模型，将所述关系模型作为交通状况空间分布模型。
进一步地，所述道路扬尘排放因子模型采用AP-42体系中的道路扬尘排放因子模型。
进一步地，步骤3中，所述构建道路扬尘活动水平时空数据库包括：基于实时交通拥堵状况，利用所述交通状况空间分布模型，实时估算车流量、车速、车辆类型构成及平均车重的空间分布，建立道路扬尘活动水平时空数据库。
进一步地，步骤3中，所述构建道路扬尘排放因子时空数据库包括：根据所述道路扬尘活动水平时空数据库，采用AP-42体系中的道路扬尘排放因子模型，估算道路扬尘排放因子的时空分布，构建道路扬尘排放因子时空数据库。
本发明的有益效果：
本发明综合考虑了环境感知、模型构建和清单研制三大部分，在环境感知部分应用地理视频技术进行车辆有关信息的统计，从而实现本地基础地理数据库（由多源时空数据构成）的建立；模型构建主要是针对基础地理数据库里的多源时空数据，用来构建道路积尘负荷空间分布估算模型、交通状况空间分布估算模型，从而实现道路扬尘排放因子模型的本地化，最终构建本地道路积尘负荷时空数据库、道路扬尘排放因子时空数据库及道路扬尘活动水平时空数据库；清单研制主要是基于道路扬尘活动水平时空数据库，建立不同级别城市道路扬尘排放的时空特征谱，编制高时空分辨率城市道路扬尘动态源排放清单。
相比于现有的清单制备方法，本发明具有以下优点：（1）利用地理视频技术进行车辆信息的统计，提高了数据处理的效率，从而可以缩短排放清单更新的时间。（2）应用多源时空数据构建基础地理数据库，以及大量的地理视频制作排放清单可以大大降低排放清单制作的成本。（3）利用地理视频结合实时交通数据可以解决排放清单中制作时，时空分辨率较低的问题，从而实现高时空分辨率排放清单的制作。
附图说明
图1为本发明实施例提供的一种高时空分辨率道路扬尘源排放清单制备方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种高时空分辨率道路扬尘源排放清单制备方法，包括以下步骤：
S101：获取目标区域的高分遥感图像、地理视频、实时交通数据和道路积尘观测数据，基于采集到的数据感知获取目标区域城市道路扬尘影响因素的多源时空数据；
具体地，根据目标区域的高分遥感影像，得到道路基础地理空间信息，所述道路基础地理空间信息包括：道路路段长度、道路宽度、铺装类型和车道数量。
根据地理视频数据，利用基于视频的交通状况信息检测方法，监测目标区域内不同级别道路在不同时段的交通状况信息。所述交通状况信息包括：车流量、车速、车辆类型和平均车重。例如，根据地理视频数据，利用基于视频的车流量、车速与车辆类型检测方法（如光流法、帧差法、背景差法、深度学习等），监测目标区域内不同级别道路在不同时段（例如，按季节、工作日、周末、00:00-23:00不同时刻等）的车流量、车速与车辆类型；通过调研得到各类车辆类型的车重信息，估算得到平均车重。
根据实时交通数据，获取目标区域内不同级别道路在不同时段的交通拥堵状况。例如，可以采用实时交通API（如百度地图API、高德地图API）获取实时交通数据，实时获取当前监测位置的交通拥堵状况。所述交通拥堵状况包括：畅通状态、缓行状态、拥堵状态和严重拥堵状态。
实地采集目标区域的道路积尘并对其进行实验分析，得到道路积尘实验分析数据；并获取对应采样区域的视频数据，提取视频图象特征参数。所述视频图像特征参数包括：颜色和纹理（如对比度、能量、熵等）等特征参数。在对采集道路积尘进行采集与实验分析时，可以参考环境保护部发布的《防治城市扬尘污染技术规范》 (HJ/T 393-2007)。
S102：基于所述多源时空数据，构建道路积尘负荷空间分布模型、交通状况空间分布模型，并对道路扬尘排放因子模型进行本地化；
具体地，构建道路积尘负荷空间分布模型的过程包括：首先基于所述道路积尘实验分析数据及其对应的所述视频图像特征参数，针对不同铺装类型的道路，构建道路表面积尘负荷模型；然后利用视频GIS技术采集道路路面地理视频数据，提取道路路面图像参数的空间分布，利用所述道路表面积尘负荷模型估算得到道路表面积尘负荷空间分布模型。
构建交通状况空间分布模型的过程包括：将各路段在各个时刻的交通状况信息与对应的交通拥堵状况进行对应，得到不同级别道路在不同时段的车流量、车速、车辆类型构成、平均车重与交通拥堵状况的关系模型，将所述关系模型作为交通状况空间分布模型。
S103：构建道路扬尘活动水平时空数据库、道路积尘负荷时空数据库及道路扬尘排放因子时空数据库；
具体地，基于实时交通拥堵状况，利用所述交通状况空间分布模型，实时估算车流量、车速、车辆类型构成及平均车重的空间分布，建立道路扬尘活动水平时空数据库。
根据所述道路扬尘活动水平时空数据库，基于采集的地理视频数据与道路积尘负荷空间分布模型，估算道路表面积尘负荷的时空分布，构建道路积尘负荷时空数据库。
根据所述道路扬尘活动水平时空数据库，采用AP-42体系中的道路扬尘排放因子模型，估算道路扬尘排放因子的时空分布，构建道路扬尘排放因子时空数据库。
S104：根据所述道路扬尘活动水平时空数据库、所述道路扬尘排放因子时空数据库和所述道路积尘负荷时空数据库，计算不同路段在不同时刻的道路扬尘排放量，实现高时空分辨率道路扬尘源排放清单的编制。
从本发明实施例可以看出，本发明主要是基于“环境感知(步骤S101)-模型构建(步骤S102和S103)-清单编制(步骤S104)”的总体研究思路，从而实现高时空分辨率的道路扬尘排放清单的编制。
本发明综合考虑了环境感知、模型构建和清单研制三大部分，在环境感知部分应用地理视频技术进行车辆有关信息的统计，从而实现本地基础地理数据库（由多源时空数据构成）的建立；模型构建主要是针对基础地理数据库里的多源时空数据，用来构建道路积尘负荷空间分布估算模型、交通状况空间分布估算模型，从而实现道路扬尘排放因子模型的本地化，最终构建本地道路积尘负荷时空数据库、道路扬尘排放因子时空数据库及道路扬尘活动水平时空数据库；清单研制主要是基于道路扬尘活动水平时空数据库，建立不同级别城市道路扬尘排放的时空特征谱，编制高时空分辨率城市道路扬尘动态源排放清单。
相比于现有的清单制备方法，本发明具有以下优点：（1）利用地理视频技术进行车辆信息的统计，提高了数据处理的速度，从而可以缩短排放清单更新的时间。（2）应用多源时空数据构建基础地理数据库，以及大量的地理视频制作排放清单可以大大降低排放清单制作的成本。（3）利用地理视频结合实时交通数据可以解决排放清单中制作时，时空分辨率较低的问题，从而实现高时空分辨率排放清单的制作。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种高时空分辨率道路扬尘源排放清单制备方法，其特征在于，包括：
步骤1：获取高分遥感图像、地理视频、实时交通数据和道路积尘观测数据，基于采集到的数据感知获取目标区域城市道路扬尘影响因素的多源时空数据；具体包括：
步骤1.1：根据目标区域的高分遥感影像，得到道路基础地理空间信息，所述道路基础地理空间信息包括：道路路段长度、道路宽度、铺装类型和车道数量；
步骤1.2：根据地理视频数据，利用基于视频的交通状况信息检测方法，监测目标区域内不同级别道路在不同时段的交通状况信息；
步骤1.3：根据实时交通数据，获取目标区域内不同级别道路在不同时段的交通拥堵状况；
步骤1.4：实地采集目标区域的道路积尘并对其进行实验分析，得到道路积尘实验分析数据；并获取对应采样区域的视频数据，提取视频图象特征参数；
步骤2：基于所述多源时空数据，构建道路积尘负荷空间分布模型、交通状况空间分布模型，并对道路扬尘排放因子模型进行本地化；所述基于所述多源时空数据，构建道路积尘负荷空间分布模型，包括：
基于所述道路积尘实验分析数据及其对应的所述视频图像特征参数，针对不同铺装类型的道路，构建道路表面积尘负荷模型；
利用视频GIS技术采集道路路面地理视频数据，提取道路路面图像参数的空间分布，利用所述道路表面积尘负荷模型估算得到道路积尘负荷空间分布模型；
步骤3：构建道路扬尘活动水平时空数据库、道路积尘负荷时空数据库及道路扬尘排放因子时空数据库；
步骤4：根据所述道路扬尘活动水平时空数据库、所述道路扬尘排放因子时空数据库和所述道路积尘负荷时空数据库，计算不同路段在不同时刻的道路扬尘排放量，实现高时空分辨率道路扬尘源排放清单的编制。
2.根据权利要求1所述的方法，其特征在于，所述交通状况信息包括：车流量、车速、车辆类型和平均车重；所述交通拥堵状况包括：畅通状态、缓行状态、拥堵状态和严重拥堵状态。
3.根据权利要求1所述的方法，其特征在于，步骤2中，所述基于所述多源时空数据，构建交通状况空间分布模型，包括：
将各路段在各个时刻的交通状况信息与对应的交通拥堵状况进行对应，得到不同级别道路在不同时段的车流量、车速、车辆类型构成、平均车重与交通拥堵状况的关系模型，将所述关系模型作为交通状况空间分布模型。
4.根据权利要求1所述的方法，其特征在于，所述道路扬尘排放因子模型采用AP-42体系中的道路扬尘排放因子模型。
5.根据权利要求3所述的方法，其特征在于，步骤3中，所述构建道路扬尘活动水平时空数据库包括：
基于实时交通拥堵状况，利用所述交通状况空间分布模型，实时估算车流量、车速、车辆类型构成及平均车重的空间分布，建立道路扬尘活动水平时空数据库。
6.根据权利要求4所述的方法，其特征在于，步骤3中，所述构建道路扬尘排放因子时空数据库包括：
根据所述道路扬尘活动水平时空数据库，采用AP-42体系中的道路扬尘排放因子模型，估算道路扬尘排放因子的时空分布，构建道路扬尘排放因子时空数据库。
CN202010204072.3A 2020-03-21 2020-03-21 一种高时空分辨率道路扬尘源排放清单制备方法 Active CN111522893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010204072.3A CN111522893B (zh) 2020-03-21 2020-03-21 一种高时空分辨率道路扬尘源排放清单制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010204072.3A CN111522893B (zh) 2020-03-21 2020-03-21 一种高时空分辨率道路扬尘源排放清单制备方法

Publications (2)

Publication Number Publication Date
CN111522893A CN111522893A (zh) 2020-08-11
CN111522893B true CN111522893B (zh) 2021-02-19

Family

ID=71900985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010204072.3A Active CN111522893B (zh) 2020-03-21 2020-03-21 一种高时空分辨率道路扬尘源排放清单制备方法

Country Status (1)

Country Link
CN (1) CN111522893B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112735600B (zh) * 2020-12-30 2023-06-27 华南师范大学 基于大数据监测和深度学习级联预测的提前预警方法
CN113052485A (zh) * 2021-04-09 2021-06-29 山东诺方电子科技有限公司 一种基于尘荷监测数据的环卫作业系统及方法
CN113420102B (zh) * 2021-06-25 2022-08-23 山东诺方电子科技有限公司 一种利用积尘与扬尘精准定位污染源的方法
CN113936260B (zh) * 2021-11-22 2024-11-05 重庆广睿达科技有限公司 一种基于图像的道路扬尘动态监测方法及系统
CN115512266A (zh) * 2022-09-27 2022-12-23 淄博青禾检测科技有限公司 一种道路扬尘积尘量检测系统
CN117976083A (zh) * 2024-03-29 2024-05-03 北京工业大学 一种道路积尘负荷重点管控时段的筛选识别方法及系统
CN118535884A (zh) * 2024-05-20 2024-08-23 北京工业大学 一种道路扬尘重点管控路段的筛选识别方法及系统
CN119348469B (zh) * 2024-12-23 2025-05-30 浙江宇视科技有限公司 充电桩防尘方法、装置、设备和介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810398A (zh) * 2014-03-06 2014-05-21 北京市环境保护科学研究院 道路移动源非尾气管颗粒物排放清单建立方法
CN110851524A (zh) * 2019-10-30 2020-02-28 暨南大学 基于自下而上的城市机动车排放清单编制技术方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10329506B2 (en) * 2017-04-10 2019-06-25 Thermochem Recovery International, Inc. Gas-solids separation system having a partitioned solids transfer conduit

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810398A (zh) * 2014-03-06 2014-05-21 北京市环境保护科学研究院 道路移动源非尾气管颗粒物排放清单建立方法
CN110851524A (zh) * 2019-10-30 2020-02-28 暨南大学 基于自下而上的城市机动车排放清单编制技术方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于卫星遥感的河南省中原城市群扬尘源颗粒物排放及空间分异研究;张琦;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20190815;第B027-282页 *

Also Published As

Publication number Publication date
CN111522893A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN111522893B (zh) 一种高时空分辨率道路扬尘源排放清单制备方法
CN114936957B (zh) 基于移动监测数据的城市pm25浓度分布模拟及场景解析模型
CN112561146A (zh) 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法
CN106507315B (zh) 基于网络社交媒体数据的城市交通事故预测方法和系统
EP2590151A1 (en) A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras
Xu et al. Spatiotemporal variations of land use intensity and its driving forces in China, 2000–2010
Wang et al. Modeling the electricity consumption by combining land use types and landscape patterns with nighttime light imagery
CN107515842B (zh) 一种城市人口密度动态预测方法及系统
CN118470549B (zh) 一种基于人工智能的道路智能化养护辅助决策方法及系统
CN110059860A (zh) 一种城市的公共充电站位置布局多目标优化方法
CN116703836A (zh) 一种街道质量评估方法
CN115730731A (zh) 一种城市高碳排空间单元自动识别方法及展示平台
Lian et al. Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency
Sai et al. Optimal design of urban transportation planning based on big data
CN116386336A (zh) 基于卡口车牌数据的路网交通流量鲁棒计算方法及系统
CN119784212A (zh) 基于多源轨迹的道路碳排放建成环境影响评估方法及系统
CN118839874A (zh) 城市街区尺度大气微环境防治策略成效的评估方法
Li et al. Perceptible landscape patterns reveal invisible socioeconomic profiles of cities
CN111177297B (zh) 一种基于视频和gis的动态目标速度计算优化方法
Thakur et al. Spatial and temporal analysis of planet scale vehicular imagery data
CN108597224B (zh) 一种基于时空轨迹数据的待改善交通设施识别方法及系统
Liang et al. Characterizing annual dynamics of two-and three-dimensional urban structures and their impact on land surface temperature using dense time-series Landsat images
Zhang et al. Air pollution hotspot detection and source feature analysis using cross-domain urban data
He et al. Research on dynamic changes of urban square space in spatial and temporal based on Baidu thermal diagram a case study on the Wuyi square of Changsha
Asher et al. Predicting pedestrian counts using machine learning

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