CN112180472A - 一种基于深度学习的大气能见度集成预报方法 - Google Patents

一种基于深度学习的大气能见度集成预报方法 Download PDF

Info

Publication number
CN112180472A
CN112180472A CN202011037980.4A CN202011037980A CN112180472A CN 112180472 A CN112180472 A CN 112180472A CN 202011037980 A CN202011037980 A CN 202011037980A CN 112180472 A CN112180472 A CN 112180472A
Authority
CN
China
Prior art keywords
visibility
prediction
wrf
return
deep learning
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
Application number
CN202011037980.4A
Other languages
English (en)
Inventor
宗培书
蔡凝昊
孙泓川
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.)
Nanjing Aurora Borealis Intelligent Technology Co ltd
Original Assignee
Nanjing Aurora Borealis Intelligent Technology Co ltd
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 Nanjing Aurora Borealis Intelligent Technology Co ltd filed Critical Nanjing Aurora Borealis Intelligent Technology Co ltd
Priority to CN202011037980.4A priority Critical patent/CN112180472A/zh
Publication of CN112180472A publication Critical patent/CN112180472A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于深度学习的大气能见度集成预报方法，包括收集相关地区的历史气象观测资料，重建该地区能见度资料；利用WRF‑Chem模式进行该地区气象要素和空气质量的回报；利用IMPROVE算法、神经网络算法和随机森林算法分别反演能见度；对预测反演所得的能见度进行集成，实现该地区能见度的集合预报，综合评价具有较高命中率，和较低虚报率和漏报率的集成预报方案的预报效果最好；提升相关地区冬季能见度预测能力，对于人民生命财产和社会经济发展都具有重要的理论意义和实用价值。

Description

一种基于深度学习的大气能见度集成预报方法
技术领域
本发明属于大气能见度预测领域，尤其涉及基于深度学习的大气能见度集成预报的方法。
背景技术
近年来，我国霾污染日益严重，雾霾在北京、上海和广州等的环境中均被观测到，且连续出现，呈现出明显的区域性特征。由雾霾引起的低能见度天气影响越来越突出，因能见度下降引起的交通、航运事故和航班延误事件更是居高不下。不仅带来了重大的经济损失，同时严重影响人们的生活；而且，其形成的稳定大气层会使得空气污染物难以散开，使城市的污染状况加重，影响人体的健康安全。
美国国家大气研究中心(NCAR)联合美国太平洋西北国家实验室(UCAR)、大气管理局(NOAA)和美国国家海洋等组织联合开发了气象-化学耦合模式(Weather Research andForecast Model Coupled withChemistry，WRF-Chem)，它是一种在线全耦合系统，包括多尺度模式系统和多过程模式系统。通过使用在线耦合技术解决了气象场的时间插值问题，一定程度上减少了大气过程的信息丢失，有利于模拟高分辨率的空气质量状况。
能见度反映了大气的透明程度。航空界定义能见度为：通过正常视力能看清楚当时天气条件下目标轮廓的最大距离。能见度成因复杂，尤其是低能见度天气的发生发展，不仅与天气形势和大气环流有关，同时也受地理地形、气候环境、人类活动等诸多因素影响，局地性强，预报难度大；沙尘暴、降雨、雾霾等天气状况都会降低大气的透明度，影响能见度，通常这些情况会降低能见度。当见度过较低时，会影响人们的生产生活，如造成航班延误、增加交通事故、影响出行等。
早期对能见度的预报主要基于天气学方法，通过对其形成条件进行天气学分析和诊断，并结合预报员的经验以及实况外推方法作预报，预报水平和精细化程度不高，满足不了用户对预报服务的需求。
目前，能见度预报主要是天气图分析预报、数值预报和经验预报。在发展了数值预报之后，逐渐研究出数值释用及雾模式预报等。数值释用通过分析污染物浓度及其变化规律后对能见度进行计算的一种的方法。目前这种方法研究缓慢，主要是因为与污染物浓度变化相关的因素太多，且难以掌握这种浓度的变化规律，除此之外，这种方法还要很大的计算量。而雾模式仅有一定的机理分析用途，难以进行实际预报。近年来，机器学习快速崛起，已经成为大数据时代下的技术基石。机器学习是从统计学和人工智能中发展而来，目前的应用非常广泛，主要是对海量数据的潜在价值进行挖掘，提供相关的数据和服务。研究者们引进神经网络、线性与非线性回归及支持向量机等方法进行能见度研究，比如“基于神经网络的广州市能见度预报，梁之彦等，气象研究与应用，2014年3月”分别以径向神经网络和统计回归预报方程预报能见度，验证了径向神经网在能见度低于10km时预报准确率更高；“神经网络方法在环渤海能见度预报中的应用分析，胡海川等，气象科学，2019年01月”利用ECMWF集合预报数据，采用人工神经网络的方法建立的预报模型，实现对环渤海地区沿海城市能见度的客观预报，提高环渤海地区雾霾预报预警服务能力；“基于近似支持向量机的能见度释用预报研究，吴波等，热带气象学报，2017年02月”建立基于近似支持向量机的能见度预报模型，验证了分类回归结合模型的预报效果更好；“SVM方法在霾识别和能见度预报中的应用，郑朝霞等，气象科技进展，2016年12月”将建立了基于SVM的能见度回归预报模型，其中金华及14时的预报模型都取得了不错的效果。这些方法改进能见度预报，但应用成果尚不理想，且在低能见度天气的预报上任然薄弱。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于深度学习的大气能见度集成预报方法，可以实现大气能见度预报具有较高命中率和较低虚报率、漏报率的效果。
本发明为实现上述目的采用的技术方案是：一种基于深度学习的大气能见度集成预报方法，其特征是：包括以下步骤：
步骤S1，收集相关地区的历史气象观测资料，重建该地区能见度资料；
步骤S2，利用WRF-Chem模式进行该地区气象要素和空气质量的回报；
步骤S3，针对步骤S2中WRF-Chem回报所得的气象要素和空气质量因子，利用IMPROVE算法反演能见度；
步骤S4，针对步骤S2中WRF-Chem回报所得的气象要素和空气质量因子，利用神经网络算法反演能见度；
步骤S5：利用随机森林算法，对空气质量监测站点和气象自动站的观测资料和能见度进行建模，并将所述步骤S2中WRF-Chem回报所得的空气质量因子引入该模型，进行能见度预测；
步骤S6：将所述步骤S3、S4和S5中预测反演所得的能见度进行集成，实现该地区能见度的集合预报。
本发明的有益效果是：
采用IMPROVE方法实况和反演能见度分布的对比可见，IMPROVE模式反演方案可以再现长三角地区冬季能见度普遍低于8km，以及长江流域附近的能见度略高于其他地区的特征；
神经网络算法对于各级湿度的能见度反演能力都比IMPROVE消光系数法要强，尤其是在高风速的情况下，对于IMPROVE方法有了显著的提升。在不同等级的风速情况下，风速越大，IMPROVE方法的表现也越差，而且会在高风速情况下显著低估能见度。而神经网络算法中，由于引进了风速这一因子，在高风速情况下的能见度反演能力明显比IMPROVE方法增强很多；
采用滑动训练期超级集合预报方法，即将固定长度的训练期逐日向后滑动，每次只对距离训练期临近的一天进行预报，这样每天的预报都由新的训练期消除预报偏差，训练新的权重，使预报更加稳定；
对预报结果检验发现，由于IMPROVE法会对长三角冬季能见度存在明显低估，因此该方法对于霾的命中率非常高(86％)，明显高于神经网络，以及随机森林方案，但正是由于其低估的特性，IMPROVE的虚报率也高达66％，漏报率仅为4％，这样的预报结果，虽然命中率较高，但是其过高的虚报率也会在实际应用中造成干扰。因此，综合评价还是具有较高命中率，和较低虚报率和漏报率的集成预报方案的预报效果最好。
在长三角地区，冬季低能见度事件多表现为霾，随着社会经济的快速发展和城市化进程的不断加快，长三角地区已经成为中国的主要霾污染区之一，且霾事件有逐渐增多的趋势，开展长三角地区霾的演变规律和预测方法研究，提升长三角地区冬季能见度预测能力，对于人民生命财产和社会经济发展都具有重要的理论意义和实用价值。
附图说明
图1为长三角区域冬季霾资料数据库采集站点位置图；
图2-1为2013-2017年冬季平均观测与WRF-Chem模式回报所得长三角地区2m温度(T2)、2m相对湿度(RH2)、10m风速(WS10)，以及观测和WRF-Chem模式产品反演所得能见度(VIS)的时间变化；
图2-2为2013-2017年冬季平均观测与WRF-Chem模式回报所得合肥(HF)、上海(SH)2m温度(T2)、2m相对湿度(RH2)、10m风速(WS10)，以及观测和基于WRF-Chem模式产品反演所得能见度(VIS)的时间变化；
图2-3为2013-2017年冬季平均观测与WRF-Chem模式回报所得南京(NJ)和杭州(HZ)2m温度(T2)、2m相对湿度(RH2)、10m风速(WS10)，以及观测和基于WRF-Chem模式产品反演所得能见度(VIS)的时间变化；
图2-4为观测和WRF-Chem回报所得2013-2017年冬季逐月平均大气污染物浓度对比；
图2-5为观测以及WRF-Chem模式回报所得SO2、NO2、PM2.5、PM10、CO、O3等大气污染物的日内变化曲线；
图3左图(a)为基于实况，右图(b)为基于IMPROVE模式能见度反演方案所得2013-2017年冬季平均能见度；
图4-1为多层神经网络算法的网络、层、损失函数和优化器之间的关系；
图4-2为2014-2017年冬季观测与WRF-Chem回报，以及神经网络算法所得日平均能见度的时间序列；
图4-3为不同等级10米相对湿度RH和10米风速WS下，两种能见度反演方案与实况对比所得MFE与MFB；
图5为基于随机森林的能见度预测技术流程图；
图6为基于IMPROVE、神经网络、随机森林以及集成预报在冬季、11月、12月和1月的预报准确率。
具体实施方式
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、完整地描述。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。
现以长三角地区作为研究区域，进一步说明本发明一种基于深度学习的大气能见度集成预报方法的具体实施步骤，其包括以下步骤：
步骤S1：根据自动站观测资料重建长三角地区冬季能见度资料；
本发明的长三角地区冬季霾资料数据库包括以下三个方面：
(1-1)选取区域内观测资料在齐全且连续的35个国家基准或基本气象站观测数据，在1981-1997年的包括02:00、08:00、14:00和20:00，以及1998-2017年的包括02:00、05:00、08:00、11:00、14:00、17:00、20:00和23:00的天气现象、能见度、相对湿度、气温、降水量等气象要素的观测资料的基础上，重建这37个冬季的霾日资料；其中站点位置如图1左图所示，圆点为35个站点所在位置；
(1-2)2001-2017年观测资料齐全且连续的站点共有156个，选用该156个站点的资料作为观测资料，单独研究2001-2017年冬季霾日；其中2001-2007年156个站点的位置如图1右图圆点位置所示；
(1-3)在江苏省的研究中，包括环境监测资料和气象观测资料；所述环境监测资料为江苏省72个环境监测站点2013-2017年1小时一次的大气化学成分监测资料，监测成分包括SO2，NO2，PM10，PM2.5，CO和O3；所述气象观测资料采用江苏境内3个国家基准站、21个基本站和46个一般站，计70个站点的3小时地面观测资料，包括地面2m气温、相对湿度、风力风向、天气现象、能见度、降水量等气象要素；其中环境监测站点和气象观测站点的位置如图1右图所示，江苏省72个环境监测站和70个气象观测站为图中三角点位置；
其中，在上述(1-3)中，由于环境监测站点并不是均匀分布于整个江苏境内，而是以城市为中心聚集。因此，本发明针对单个城市进行分析时，将该市各个监测站的观测结果进行等权平均后作为该市的大气化学成分监测值；
步骤S2：利用WRF-Chem模式进行长三角地区气象要素和空气质量的回报；
该步骤中利用WRF-Chem模式为2017年发布的3.9.1版本，对2013-2017年冬季长三角地区的空气质量进行了数值回报。其中积分时间为每一年的11月16日00时至下一年3月1日00时，前15天为spin-up时间。回报试验的气象驱动场采用CCSM4全球气候模式每6小时一次的1°×1°回报资料，回报的时间段为2013-2017年。模式时间分辨率为每间隔1小时输出一次，空间格距为6km，格点数为300×300。
其中，WRF-Chem模式中的气象物理方案包括Lin微物理方案，Goddard短波辐射方案、RRTM长波辐射方案、YUS边界层气象方案、Noah土地使用方案以及Grell-Devenyi积云方案。
其中，WRF-Chem模式中的气象化学机制采用CBM-Z碳键机制，其包含67种化学反应物种和164类化学反应。
其中，WRF-Chem模式中的气溶胶化学机制采用MOSAIC机制，其包含硫酸盐(SULF＝SO4 2-+HSO4 -)、甲硫酸(CH3SO3)、硝酸盐(NO3 2+)、氯化物(CL-)、碳酸盐、铵盐(NH4 +)、钠盐、钙盐、黑炭、有机碳及其他气溶胶。气溶胶直接效应基于Fast等的方法和Mie散射理论计算，气溶胶间接效应的估算包括云对短波辐射的影响、气溶胶活化/悬浮的计算、基于活化气溶胶数量的云滴数浓度计算等。
排放源清单采用中国多尺度排放清单模型(Multi-resolution EmissionInventory for China，简称MEIC)，该模型是一套基于云计算平台开发的中国大气污染物和温室气体人为源排放清单模型，涵盖10种主要大气污染物和温室气体(SO2、NOx、CO、NMVOC、NH3、CO2、PM2.5、PM10、BC和OC)和700多种人为排放源。本发明采用V1.2版本的2010年0.25度分辨率的逐月网格化排放清单。
该步骤还包括步骤S21：WRF-Chem模式对气象要素回报效果的评估；
首先，将模式结果插值到长三角地区内156个气象观测站所在位置，作区域平均后与实况156个站点的平均结果作对比，用以检验WRF-Chem模式对长三角地区2013-2017年冬季气象要素的回报能力；
如图2-1所示，为观测和WRF-Chem回报所得长三角地区2013-2017年冬季2m温度(T2)、2m相对湿度(RH2)、10m风速(WS10m)，以及观测和基于WRF-Chem模式产品反演所得能见度(VIS)的时间变化。由于实况为3小时观测数据，因此以散点形式给出；WRF-Chem模式为1小时输出一次，在图中表现为黑色曲线；右上角为观测和回报的3小时数据相关系数，对于90日的冬季，用于计算统计量的时间数列长度为720。
其次，本发明还计算了观测和回报所得各气象变量的统计量，如表2-1所示。由图2-1和表2-1可见模式对2米温度时间变化的回报能力最强，相关系数高达0.95；其次为2米相对湿度的时间变化，相关系数为0.9左右。此外，表2-1中能见度的平均相对误差为-32％，大体接近±30％的标准，且平均相对偏差小于50％，反演结果基本准确。基于WRF-Chem模式输出产品反演所得能见度，与实况也有着较高的相关性，相关系数为0.76。能见度曲线图中的虚线为霾天气的能见度阈值(7.5km)，可直观地看出WRF-Chem反演所得霾日数应该会多于实况。
表2-1江苏省2013-2017年冬季平均观测与WRF-Chem回报所得3小时气象变量的相关系数(R)、均方根误差(RMSE)、平均相对误差(MFE)、平均相对偏差(MFB)
Figure BDA0002705744340000071
Figure BDA0002705744340000081
最后，为了更加详细地检验WRF-Chem模式对城市气象要素的回报能力，以及对能见度的反演效果，本发明选取了长三角地区内四个有代表性的城市进行研究，分别是上海(SH)、合肥(HF)、南京(NJ)和杭州(HZ)；
图2-2和2-3为观测和WRF-Chem回报这四个城市的2013-2017年冬季2m温度(T2)、2m相对湿度(RH2)、10m风速(WS10m)，以及观测和基于WRF-Chem模式产品反演所得能见度(VIS)的时间变化。同样的，本发明还计算了观测和回报所得各气象变量的统计量，如表2-2所示。与对长三角地区的回报结果类似，模式对各城市2米温度时间变化的回报能力最强，相关系数高达0.90左右；其次为2米相对湿度的时间变化，相关系数为0.8左右。此外，表2-2中所有变量的平均相对误差基本都在±30％以内，且平均相对偏差小于50％，符合回报结果准确的标准。基于WRF-Chem模式输出产品反演所得能见度，与实况也有着较高的相关性，基本在0.5左右。能见度曲线图中的虚线为霾天气的能见度阈值(7.5km)，而合肥冬季大部分时间的能见度曲线和散点都在该虚线以下，这与其受冬季盛行西北风影响，污染物源源不断地从华北、华中地区输送而来，造成冬季低能见度天气频发有关。上海的能见度明显高于合肥和南京，这主要是因为上海地处长三角地区东部沿海，局地海陆风较强，有助于污染物的清除，而且上海本地化工产业较少，污染物排放也少。总体而言，WRF-Chem模式回报所得这四个城市的地面气象要素，以及反演所得能见度的数值大小、时间变化趋势都与实况相当。
表2-2上海、合肥、南京、杭州四个城市2013-2017年冬季平均观测与WRF-Chem回报所得气象变量的相关系数(R)、均方根误差(RMSE)、平均相对误差(MFE)、平均相对偏差(MFB)
Figure BDA0002705744340000082
Figure BDA0002705744340000091
该步骤还包括步骤S22：WRF-Chem模式对空气质量回报能力的检验；
实况和WRF-Chem回报所得长三角地区2013-2017年冬季月平均SO2、NO2、PM2.5、PM10、CO和O3的浓度如图2-4所示，可见WRF-Chem模式对于长三角地区冬季污染物的月变化有着较好的回报能力。
由于污染物监测站都位于江苏省境内，本发明对WRF-Chem模式回报污染物能力的评估主要集中在江苏省境内。图2-5为观测以及WRF-Chem模式回报所得SO2、NO2、PM2.5、PM10、CO、O3等大气污染物的日内变化曲线，可见SO2、NO2、PM2.5、PM10、CO有着相似的日内变化：上午8时左右开始升高，到了午后开始缓慢下降，直至下午3时左右降到日内最低，随后又开始上升，直至下午5时左右比较平稳。这是因为这些污染物大多与人类活动有关，而上午8时左右、下午5时左右则基本为上下班高峰，汽车排放明显多于日内其他时刻，从而造成污染物的增加。而O3也是在上午8时左右开始升高，与其他几种污染物不同的是，它会在下午3时达到最高，而后开始下降，直至19时后才维持在一个比较稳定的水平。这与O3浓度的主要影响因子为太阳辐射有关。WRF-Chem回报所得PM2.5、PM10、CO、O3的日内变化与实况的相关系数通过了90％的信度检验，其相关系数阈值为0.33，通过95％信度检验的相关系数阈值为0.388，较好地再现了各污染物浓度的日内变化特征。
其中，在步骤S2中，评估回报或预测的结果与实况相比的接近程度时，本发明采用计算相关系数R、均方根误差RMSE、平均相对误差MFE，以及平均相对偏差MFB。它们具体的计算公式如下：
Figure BDA0002705744340000101
Figure BDA0002705744340000102
Figure BDA0002705744340000103
Figure BDA0002705744340000104
其中，S和O分别代表回报(或预测)与实况的序列，n为样本总数，i为具体的样本，Cov(S,O)代表S和O的协方差，Var(S)和Var(O)分别为S和O的具体数值。在数值模式的回报和预测性能评估当中，一般将MFE≤+50％和MFB≤±30％作为回报或预测结果准确的标准。
步骤S3：针对WRF-Chem回报所得的气象要素和空气质量因子，利用IMPROVE算法反演能见度；
在此的气象要素包括2米温度，2米湿度，10米风速风向，空气质量因子包括粗粒子、细粒子、硫酸盐、硝酸盐、有机物、碳元素、细土壤尘气溶胶等。
基于美国IMPROVE(Interagency Monitoring of Protected VisualEnvironment)项目2012年改进的消光系数经验公式，建立大气能见度反演公式：
v＝K/Bext
其中，K为常数，一般取值为3.912；v为大气能见度(km)，Bext(km-1)为消光系数，它的计算公式为：
Bext＝Bsg+2.2×fs(RH)×S(sulfate)+4.8×fL(RH)×L(sulfate)+2.4×fs(RH)×S(nitrate)+5.1×fL(RH)×L(nitrate)+2.8×S(OM)+6.1×L(OM)+10×[EC]+[FS]+0.6×[CM]+0.33×[NO2]
其中，Bsg为瑞利散射消光系数(Mm-1)，fs(RH)、fL(RH)分别为粗粒子和细粒子的吸湿增长系数，其为相对湿度RH的函数，L(X)和S(X)分别表示气溶胶粗粒子和细粒子质量浓度(单位：μg/m3)，其中X分别表示硫酸盐(sulfate)、硝酸盐(nitrate)、有机物(OM)；[EC]、[FS]和[CM]分别为元素碳浓度、细土壤尘气溶胶浓度和粗粒子浓度(单位：μg/m3)；[NO2]为NO2的体积分数(10-9)。
利用WRF-Chem回报的空气质量因子ρ(SO4 2-)、ρ(NO3 -)、ρ(NH4 +)、ρ(OM)、ρ(BC)、ρ(PM10)、ρ(PM2.5)、ρ(NO2)等值及相对湿度RH计算大气消光系数，进而反演得出能见度。
所述步骤S3中使用IMPROVE消光系数公式，利用WRF-Chem模式输出的气象和环境要素，进行能见度的反演，其空间分布如图3所示。实况和反演能见度分布的对比可见，IMPROVE模式反演方案可以再现长三角地区冬季能见度普遍低于8km，以及长江流域附近的能见度略高于其他地区的特征。
步骤S4：针对WRF-Chem模式回报所得的气象要素和空气质量因子，利用神经网络算法反演能见度；
考虑到气象因子与能见度存在复杂的非线性关系，本发明利用多层神经网络算法，对能见度进行反演；
WRF-Chem模式反演所得能见度的小时序列与实况有着较高的相关系数，而日序列相关系数则较低，比如2014-2017年冬季日平均能见度的相关系数仅为0.17。这可能是因为WRF-Chem模式能够较好地回报出一些重污染过程产生的极端低能见度过程，和清除机制较强的天气下的极端高能见度过程，从而得出较高的相关系数。而进行日平均处理后，很多极端信息的丢失，反而造成了相关系数的下降。
为此，除了所述步骤S3中IMPROVE能见度反演方案中的大气化学成分，本发明还引入WRF-Chem模式回报所得2米温度、10米经向风速和纬向风速、2米湿度这3个地面气象要素，对观测所得能见度进行建模，训练期为2013年冬季90天序列，对2014-2017年冬季的能见度日序列进行修正；
具体的，如图4-1所示，所述多层神经网络算法，对其的训练主要围绕以下四个方面：
(4-1)、层(layer)：这是神经网络算法的核心组件。层是一种数据处理模块，它从输入数据中提取表示，从而将简单的层链接起来，实现渐进式的数据蒸馏(datadistillation)。
(4-2)、输入数据和相应的目标：本发明中，输入的训练数据为WRF-Chem模式回报所得2013年冬季2米温度、10米经向风速、10米纬向风速，以及基于IMPROVE消光公式反演所得能见度日序列，目标数据则为观测所得2013年冬季长三角地区冬季能见度日序列。
(4-3)、损失函数(loss function)：用以衡量神经网络在训练数据上的性能，从而使得网络朝着正确的方法前进。
(4-4)、优化器(optimizer)：基于训练数据和损失函数来更新网络的机制。
这四者的关系如图4-1所示：多个层链接在一起组成了网络，将输入数据映射为预测值。然后损失函数将这些预测值与目标进行比较，得到损失值，用于衡量网络预测值与预测结果的匹配程度。优化器使用这个损失值来更新网络的权重。
如图4-2为实况和WRF-Chem模式基于消光系数反演所得2014-2017年冬季能见度日序列，由该图可以直观地看出该方法反演的能见度在2016年存在着比较明显的低估。引入气象因子进行神经网络建模修正后，这一低估问题得到了很好的改善，而且整个能见度日序列的时间走势也与实况更为接近。相关系数(R)、均方根误差(RMSE)、平均相对误差(MFE)、平均相对偏差(MFB)等统计量的计算结果如表4-1，可见神经网络算法对于WRF-Chem基于消光系数反演能见度的结果有着明显的改善。
表4-1江苏省2014-2017年冬季观测与WRF-Chem回报，以及神经网络订正所得能见度日序列的相关系数(R)、均方根误差(RMSE)、平均相对误差(MFE)、平均相对偏差(MFB)
Figure BDA0002705744340000131
在该步骤S4中，为进一步评估神经网络方法回报能见度能力，本发明对反演所得能见度进行了不同湿度和风速范围的分级评估。由于2014-2017年冬季近地面湿度日序列中，小于60％的日数仅为2天，而大于90％的日数为0，因此将观测的近地面湿度RH划分为4个等级，分别为：RH＜70％，70％≤RH＜75％，75％≤RH＜80％，RH≥80％，统计各能见度等级内两种方案回报的大气能见度平均相对误差和平均相对偏差。将风速WS分为WS＜2m/s，2m/s≤WS＜2.5m/s，WS＞2.5m/s这3个等级，同样地计算平均相对误差和平均相对偏差，结果如图4-3。由图4-3可见，IMROVE消光系数公式对于能见度的反演能力在低湿情况下较差，并且会明显地低估能见度，随着湿度的增加其表现也在变好。神经网络算法对于各级湿度的能见度反演能力都比IMPROVE消光系数法要强，尤其是在高风速的情况下，对于IMPROVE方法有了显著的提升。在不同等级的风速情况下，风速越大，IMPROVE方法的表现也越差，而且会在高风速情况下显著低估能见度。而神经网络算法中，由于引进了风速这一因子，在高风速情况下的能见度反演能力明显比IMPROVE方法增强很多。
步骤S5：利用随机森林算法，对空气质量监测站点和气象自动站的观测资料和能见度进行建模，并将WRF-Chem模式回报所得的空气质量因子引入该模型，进行能见度预测；
随机森林是利用多个决策树对样本进行训练、分类并预测的一种算法，主要应用于回归和分类场景。在对数据进行分类的同时，还可以给出各个变量的重要性评分，评估各个变量在分类中所起的作用。
本发明采用Adaboost随机森林算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。具体技术路线如下：
输入的因子包括起报时间，预报时效，起报时刻能见度，IMPROVE算法反演所得能见度，气象及环境要素预报结果(0-240小时气象及环境要素预报以及历史预报结果)，过去240小时能见度，其他可以影响能见度的要素(下垫面类型、粗糙度、地形、人类活动等)，以及滑动平均周期。生成经AdaBoost随机森林算法决策树订正后的能见度。
具体的技术路线如下：
步骤S51、读取重建所得历史能见度实况资料；
步骤S52、读取历史气象自动站和环境监测站观测资料；
步骤S53、提取每个格点的下垫面类型、粗糙度、地形信息、排放源信息；
步骤S54、构建决策树回归模型，构建最小目标函数值用于评价结构q(x)的优劣，除了考虑模型的复杂度外，还可衡量模型决策树的不纯度，树结构建立；
步骤S55、列举每个节点的所有特征；
步骤S56、将每个特征值线性排列；
步骤S57、确定最佳分类位置，即Gain增益最大；
步骤S58、如果最佳分类位置的训练损失得分小于正则项(γ)则不再划分(但可能有益于后续划分)；
步骤S59、递归删除所有负得分的叶子划分时，分类树即达到最大深度；
步骤S510、将训练好的回归模型保存；
步骤S511、读取起报时刻的气象自动站观测资料和环境监测站观测资料；
步骤S512、使用训练好的模型对进行能见度预测。
其中Gain增益为：
Figure BDA0002705744340000141
步骤S6：将步骤S3、S4和S5中预测反演所得的能见度进行集成，实现长三角地区冬季能见度的集合预报。
本发明采用利用滑动训练期超级集合技术，通过一段时间的模式预报和观测(分析)数据进行训练建模，确定参与集成的模式权重系数，在预报期进行超级集合预报。
其中，超级集合预报的建模既可以采用多元回归技术也可以采用非线性神经网络技术。
其中，超级集合预报模型由下面的公式构建，在一个给定的格点上，对于某一个预报时效某一气象要素：
Figure BDA0002705744340000151
其中，St为超级集合预报值，
Figure BDA0002705744340000152
为观测值在训练期的平均，Fi，t为第i个模式的预报值，
Figure BDA0002705744340000153
为第i个模式预报值在训练期的平均，ai为回归系数(权重)，n为参与超级集合的模式总数，t为时间。
参与集成的模式权重总和为1，权重系数可取训练期各方案预报的平均误差的倒数，也就是说某个方案预报误差越小，或者预报评分越高，在多方案集成中所占的权重系数就越大。权重计算方法如下：将各方案训练期预报的均方根误差的倒数作为权重。
进一步，考虑到固定训练期的超级集合预报没有考虑到预报时间远离训练期时，在训练期后期预报误差出现增长的趋势，为此，本发明采用滑动训练期超级集合预报方法，即将固定长度的训练期逐日向后滑动，每次只对距离训练期临近的一天进行预报，这样每天的预报都由新的训练期消除预报偏差，训练新的权重，使预报更加稳定。
进一步，本发明选用的训练期为6天。
为评估该集成方案对长三角地区冬季能见度的预报能力，本发明除了检验最终预报所得能见度方案，也对步骤S3、S4、S5中所得的预报结果进行了检验。
参考气象部门业务上将能见度预测和观测值相差500米以内作为回报或预测结果准确的标准，本发明将步骤S3、S4、S5和S6中所得的冬季、11月、12月和1月的预报准确率绘制直方图，如图6-1。由该图可见，单个方法的预报准确率排序为：随机森林>神经网络>IMPROVE，而集成预报的准确率要比单个预报方案都高。
考虑到气象部门对于霾的能见度定义为小于7.5km，本发明以该阈值为界限，统计了各个预报方案的命中率，虚报率和漏报率。其具体定义如表6-1。不同预报方案对于2014-2017年冬季长三角地区霾预报的命中率、虚报率和漏报率结果如表6-2。由该表可见，由于IMPROVE方法会对长三角冬季能见度存在明显低估，因此该方法对于霾的命中率非常高(86％)，明显高于神经网络，以及随机森林方案，但正是由于其低估的特性，IMPROVE的虚报率也高达66％，漏报率仅为4％。这样的预报结果，虽然命中率较高，但是其过高的虚报率也会在实际应用中造成干扰。因此，综合评价还是具有较高命中率，和较低虚报率和漏报率的集成预报方案的预报效果最好。
表6-1命中、虚报和漏报的定义
Figure BDA0002705744340000161
表6-2不同预报方案对于2014-2017年冬季长三角地区霾预报的命中率、虚报率和漏报率
IMPORVE 神经网络 随机森林 集成预报
命中率 86％ 76％ 77％ 83％
虚报率 66％ 41％ 38％ 21％
漏报率 4％ 15％ 12％ 8％
以上技术方案选取长三角区域作为集成预报方法的研究区域，该方法适用范围不局限于地区，可适用于其他地区的大气能见度集成预报。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所作出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种基于深度学习的大气能见度集成预报方法，其特征是：包括以下步骤：
步骤S1，收集相关地区的历史气象观测资料，重建该地区能见度资料；
步骤S2，利用WRF-Chem模式进行该地区气象要素和空气质量的回报；
步骤S3，针对步骤S2中WRF-Chem模式回报所得的气象要素和空气质量因子，利用IMPROVE算法反演能见度；
步骤S4，针对步骤S2中WRF-Chem模式回报所得的气象要素和空气质量因子，利用神经网络算法反演能见度；
步骤S5：利用随机森林算法，对空气质量监测站点和气象自动站的观测资料和能见度进行建模，并将所述步骤S2中WRF-Chem模式回报所得的空气质量因子引入该模型，进行能见度预测；
步骤S6：将所述步骤S3、S4和S5中预测反演所得的能见度进行集成，实现该地区能见度的集合预报。
2.根据权利要求1所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：在所述步骤S2中还包括以下步骤：
步骤S21，WRF-Chem模式对气象要素回报效果的评估；
步骤S22，WRF-Chem模式对空气质量回报能力的检验。
3.根据权利要求2所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：在步骤S2中，评估回报或预测的结果与实况相比的接近程度时，采用计算相关系数R、均方根误差RMSE、平均相对误差MFE，以及平均相对偏差MFB，它们具体的计算公式如下：
Figure FDA0002705744330000011
Figure FDA0002705744330000012
Figure FDA0002705744330000021
Figure FDA0002705744330000022
其中，S和O分别代表回报(或预测)与实况的序列，n为样本总数，i为具体的样本；Cov(S，O)代表S和O的协方差，Var(S)和Var(O)分别为S和O的具体数值；在数值模式的回报和预测性能评估当中，一般将MFE≤+50％和MFB≤±30％作为回报或预测结果准确的标准。
4.根据权利要求1所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：在所述步骤S3中的气象要素包括2米温度，2米湿度，10米风速风向，空气质量因子包括粗粒子、细粒子、硫酸盐、硝酸盐、有机物、碳元素、细土壤尘气溶胶等；
在所述步骤S3中采用的IMPROVE算法反演能见度，建立大气能见度反演公式：
v＝K/Bext
其中，K为常数，一般取值为3.912；v为大气能见度(km)，Bext(km-1)为消光系数，它的计算公式为：
Bext＝Bsg+2.2×fs(RH)×S(sulfate)+4.8×fL(RH)×L(sulfate)+2.4×fs(RH)×S(nitrate)+5.1×fL(RH)×L(nitrate)+2.8×S(OM)+6.1×L(OM)+10×[EC]+[FS]+0.6×[CM]+0.33×[NO2]
其中，Bsg为瑞利散射消光系数(Mm-1)，fs(RH)、fL(RH)分别为粗粒子和细粒子的吸湿增长系数，其为相对湿度RH的函数，L(X)和S(X)分别表示气溶胶粗粒子和细粒子质量浓度，单位：μg/m3)；其中X分别表示硫酸盐(sulfate)、硝酸盐(nitrate)、有机物(OM)；[EC]、[FS]和[CM]分别为元素碳浓度、细土壤尘气溶胶浓度和粗粒子浓度，单位：μg/m3；[NO2]为NO2的体积分数，为10-9。
5.根据权利要求1所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：在所述步骤S4中引入WRF-Chem模式回报所得2米温度、10米经向风速和纬向风速、2米湿度这3个地面气象要素，对观测所得能见度进行建模，训练期为2013年冬季90天序列，对2014-2017年冬季的能见度日序列进行修正。
6.根据权利要求5所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：为评估神经网络方法回报能见度能力，所述步骤S4中还包括对反演所得能见度进行了不同湿度和风速范围的分级评估，由于2014-2017年冬季近地面湿度日序列中，小于60％的日数仅为2天，而大于90％的日数为0，因此将观测的近地面湿度RH划分为4个等级，分别为：RH＜70％，70％≤RH＜75％，75％≤RH＜80％，RH≥80％，统计各能见度等级内两种方案回报的大气能见度平均相对误差和平均相对偏差；将风速WS分为WS＜2m/s，2m/s≤WS＜2.5m/s，WS＞2.5m/s这3个等级，同样地计算平均相对误差和平均相对偏差；神经网络算法对于各级湿度的能见度反演能力都比IMPROVE消光系数法要强，尤其是在高风速的情况下，对于IMPROVE方法有了显著的提升。
7.根据权利要求1所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：在所述步骤S5中随机森林算法采用Adaboost随机森林算法，其步骤如下
步骤S51，读取重建所得历史能见度实况资料；
步骤S52，读取历史气象自动站和环境监测站观测资料；
步骤S53，提取每个格点的下垫面类型、粗糙度、地形信息、排放源信息；
步骤S54，构建决策树回归模型，构建最小目标函数值用于评价结构q(x)的优劣，除了考虑模型的复杂度外，还可衡量模型决策树的不纯度，树结构建立；
步骤S55，列举每个节点的所有特征；
步骤S56，将每个特征值线性排列；
步骤S57：确定最佳分类位置，即Gain增益最大；
步骤S58，如果最佳分类位置的训练损失得分小于正则项(γ)则不再划分，但可能有益于后续划分；
步骤S59，递归删除所有负得分的叶子划分时，分类树即达到最大深度；
步骤S510，将训练好的回归模型保存；
步骤S511，读取起报时刻的气象自动站观测资料和环境监测站观测资料；
步骤S512，使用训练好的模型对进行能见度预测。
8.根据权利要求1所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：采用利用滑动训练期超级集合技术，通过一段时间的模式预报和观测和/或分析数据进行训练建模，确定参与集成的模式权重系数，在预报期进行超级集合预报；
其中，超级集合预报的建模既可以采用多元回归技术也可以采用非线性神经网络技术；
其中，超级集合预报模型由下面的公式构建，在一个给定的格点上，对于某一个预报时效某一气象要素：
Figure FDA0002705744330000041
其中，St为超级集合预报值，
Figure FDA0002705744330000043
为观测值在训练期的平均，Fi，t为第i个模式的预报值，
Figure FDA0002705744330000042
为第i个模式预报值在训练期的平均，ai为回归系数(权重)，n为参与超级集合的模式总数，t为时间。
9.根据权利要求8所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：所述的滑动训练期超级集合技术的预报方法，即将固定长度的训练期逐日向后滑动，每次只对距离训练期临近的一天进行预报，这样每天的预报都由新的训练期消除预报偏差，训练新的权重，使预报更加稳定。
10.根据权利要求9所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：参考气象部门业务上将能见度预测和观测值相差500米以内作为回报或预测结果准确的标准，将所述步骤S3、S4、S5和S6中所得的冬季、11月、12月和1月的预报准确率绘制直方图，单个方法的预报准确率排序为：随机森林＞神经网络＞IMPROVE，而集成预报的准确率要比单个预报方案都高。
CN202011037980.4A 2020-09-28 2020-09-28 一种基于深度学习的大气能见度集成预报方法 Pending CN112180472A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011037980.4A CN112180472A (zh) 2020-09-28 2020-09-28 一种基于深度学习的大气能见度集成预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011037980.4A CN112180472A (zh) 2020-09-28 2020-09-28 一种基于深度学习的大气能见度集成预报方法

Publications (1)

Publication Number Publication Date
CN112180472A true CN112180472A (zh) 2021-01-05

Family

ID=73945151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011037980.4A Pending CN112180472A (zh) 2020-09-28 2020-09-28 一种基于深度学习的大气能见度集成预报方法

Country Status (1)

Country Link
CN (1) CN112180472A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699205A (zh) * 2021-01-15 2021-04-23 北京心中有数科技有限公司 大气能见度预报方法、装置、终端设备和可读存储介质
CN113408415A (zh) * 2021-06-18 2021-09-17 中国民用航空大连空中交通管理站 基于图像识别技术机场能见度与跑道视程的探测与显示系统
CN114202542A (zh) * 2022-02-18 2022-03-18 象辑科技(武汉)股份有限公司 一种能见度反演方法、装置、计算机设备及存储介质
CN115035723A (zh) * 2022-07-11 2022-09-09 长安大学 基于深度学习的高速公路能见度监测与预警系统
CN115204507A (zh) * 2022-07-26 2022-10-18 北京中科三清环境技术有限公司 大气能见度的预测方法、装置、设备及存储介质
KR102490498B1 (ko) * 2022-09-13 2023-01-18 전북대학교산학협력단 슈퍼앙상블 기법을 이용한 표면 대기 온도 예측 방법 및 시스템
CN115639625A (zh) * 2022-08-31 2023-01-24 中国人民解放军国防科技大学 一种高空间分辨率的精细化大气水平能见度自动预报系统
CN116068672A (zh) * 2023-03-06 2023-05-05 南京信息工程大学 一种动力与统计降尺度相结合的山区气温精细化预报方法
KR20230167856A (ko) * 2022-06-03 2023-12-12 대한민국(기상청 국립기상과학원장) 트리 기반 기계학습 알고리즘과 기상 예측 자료를 이용한 시정 예측 방법
CN118228864A (zh) * 2024-03-20 2024-06-21 国家气象中心(中央气象台) 一种用于能见度订正集成预报的方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160232423A1 (en) * 2015-02-11 2016-08-11 Qualcomm Incorporated Environmental scene condition detection
CN109543906A (zh) * 2018-11-23 2019-03-29 长三角环境气象预报预警中心（上海市环境气象中心） 一种大气能见度预测的方法及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160232423A1 (en) * 2015-02-11 2016-08-11 Qualcomm Incorporated Environmental scene condition detection
CN109543906A (zh) * 2018-11-23 2019-03-29 长三角环境气象预报预警中心（上海市环境气象中心） 一种大气能见度预测的方法及设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
吕宝磊，等: "利用集合深度学习方法融合多源数据开发全国能见度网格数据", 《气象科技进展》 *
尤佳红: "上海地区霾集合预报研究", 《工程科技I辑》 *
王继康，等: "能见度与PM2.5浓度关系及其分布特征", 《环境科学》 *
胡俊等: "霾污染环境大气能见度参数化方案的改进", 《环境科学研究》 *
蔡子颖: "天津低能见度特征初探*", 《气象》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699205A (zh) * 2021-01-15 2021-04-23 北京心中有数科技有限公司 大气能见度预报方法、装置、终端设备和可读存储介质
CN112699205B (zh) * 2021-01-15 2024-04-02 北京心中有数科技有限公司 大气能见度预报方法、装置、终端设备和可读存储介质
CN113408415A (zh) * 2021-06-18 2021-09-17 中国民用航空大连空中交通管理站 基于图像识别技术机场能见度与跑道视程的探测与显示系统
CN113408415B (zh) * 2021-06-18 2024-02-02 中国民用航空大连空中交通管理站 基于图像识别技术机场能见度与跑道视程的探测与显示方法
CN114202542A (zh) * 2022-02-18 2022-03-18 象辑科技(武汉)股份有限公司 一种能见度反演方法、装置、计算机设备及存储介质
CN114202542B (zh) * 2022-02-18 2022-04-19 象辑科技(武汉)股份有限公司 一种能见度反演方法、装置、计算机设备及存储介质
KR20230167856A (ko) * 2022-06-03 2023-12-12 대한민국(기상청 국립기상과학원장) 트리 기반 기계학습 알고리즘과 기상 예측 자료를 이용한 시정 예측 방법
KR102704545B1 (ko) 2022-06-03 2024-09-11 대한민국 트리 기반 기계학습 알고리즘과 기상 예측 자료를 이용한 시정 예측 방법
CN115035723A (zh) * 2022-07-11 2022-09-09 长安大学 基于深度学习的高速公路能见度监测与预警系统
CN115204507A (zh) * 2022-07-26 2022-10-18 北京中科三清环境技术有限公司 大气能见度的预测方法、装置、设备及存储介质
CN115639625A (zh) * 2022-08-31 2023-01-24 中国人民解放军国防科技大学 一种高空间分辨率的精细化大气水平能见度自动预报系统
CN115639625B (zh) * 2022-08-31 2024-07-09 中国人民解放军国防科技大学 一种高空间分辨率的精细化大气水平能见度自动预报系统
KR102490498B1 (ko) * 2022-09-13 2023-01-18 전북대학교산학협력단 슈퍼앙상블 기법을 이용한 표면 대기 온도 예측 방법 및 시스템
CN116068672B (zh) * 2023-03-06 2023-06-16 南京信息工程大学 一种动力与统计降尺度相结合的山区气温精细化预报方法
CN116068672A (zh) * 2023-03-06 2023-05-05 南京信息工程大学 一种动力与统计降尺度相结合的山区气温精细化预报方法
CN118228864A (zh) * 2024-03-20 2024-06-21 国家气象中心(中央气象台) 一种用于能见度订正集成预报的方法及装置

Similar Documents

Publication Publication Date Title
CN112180472A (zh) 一种基于深度学习的大气能见度集成预报方法
Shogrkhodaei et al. Spatio-temporal modeling of PM2. 5 risk mapping using three machine learning algorithms
Shi et al. Meteorological conditions conducive to PM2. 5 pollution in winter 2016/2017 in the Western Yangtze River Delta, China
Benkovitz et al. Sulfate over the North Atlantic and adjacent continental regions: Evaluation for October and November 1986 using a three‐dimensonal model driven by observation‐derived meteorology
CN106845080B (zh) 基于差异修正的景区旅游气象灾害智能预测方法
Brankov et al. Assessing the effects of transboundary ozone pollution between Ontario, Canada and New York, USA
Fong et al. Forecasting of particulate matter (PM10) concentration based on gaseous pollutants and meteorological factors for different monsoons of urban coastal area in Terengganu
CN112132341B (zh) 一种基于暴雨过程的洪水风险预测方法
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
KR100920529B1 (ko) 염해 오손 예측 방법
Patterson et al. Monte Carlo simulation of daily regional sulfur distribution: comparison with SURE sulfate data and visual range observations during August 1977
Tharani et al. Spatial distribution analysis of air pollutants and the impact of meteorological factor
Fast et al. The effect of lake temperatures and emissions on ozone exposure in the western Great Lakes region
Yahaya et al. Analysis of Fine and Coarse Particle Number Count Concentrations Using Boosted Regression Tree Technique in Coastal Environment.
Murata A mechanism for heavy precipitation over the Kii Peninsula accompanying Typhoon Meari (2004)
Ebrahimi-Khusfi et al. Determining Effective Factors Regarding Weather and Some Types of Air Pollutants in Seasonal Changes of PM10 Concentration Using Tree-Based Algorithms in Yazd City
Boylan et al. Integrated assessment modeling of atmospheric pollutants in the Southern Appalachian Mountains. Part I: Hourly and seasonal ozone
Wahi et al. Analysis of air quality and impacts on human health
Purpura Environmental evolution of supercells interacting with the Appalachian Mountains
Wu et al. Classification of 3h extreme precipitation spatial patterns and their influencing factors in Guangdong Province, China
Dareshiri et al. Extracting relationship between air pollution and precipitation using spatio-temporal analysis in Tehran metropolis
Hutauruk et al. Analysis of variability and projection of extreme rainfall in West Java
Fitzgerald et al. Upper Air Studies in the El Paso-Juarez Airshed
Akbarian et al. The Impacts of Climate Variability on the Wind Erosion Potentials in the Western Region of Makran Coastal Plain, Iran
Lyu et al. Improving China Using PM a 2.5 Bias-Correction Air Quality Model Framework Forecasts in

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