CN112733419A - 一种突发大气污染事故源反演准确性提升方法 - Google Patents
一种突发大气污染事故源反演准确性提升方法 Download PDFInfo
- Publication number
- CN112733419A CN112733419A CN202011367177.7A CN202011367177A CN112733419A CN 112733419 A CN112733419 A CN 112733419A CN 202011367177 A CN202011367177 A CN 202011367177A CN 112733419 A CN112733419 A CN 112733419A
- Authority
- CN
- China
- Prior art keywords
- model
- parameter
- value
- sensitivity
- optimization
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000009792 diffusion process Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 230000035945 sensitivity Effects 0.000 claims abstract description 41
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 230000006872 improvement Effects 0.000 claims abstract description 7
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 5
- 238000010206 sensitivity analysis Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 239000003344 environmental pollutant Substances 0.000 claims description 2
- 231100000719 pollutant Toxicity 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000003915 air pollution Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000266370 Blastus Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种突发大气污染事故源反演准确性提升方法,属于突发事故应急预警评估技术领域。本发明方法特征在于包括数据准备及模型确定、模型参数取值依据判别、模型参数敏感性分析识别、高敏感性参数优化、优化模型模拟性能评估、源反演结果评估六个步骤,该发明方法的核心思路在于通过优化改善扩散模型模拟性能以提升源反演的准确性。本发明公开的一种提升突发大气污染源反演准确性的方法,基于收集的外场模拟实验数据,以高斯烟羽模型为大气扩散模型,对本发明方法进行应用测试,结果表明本发明方法能有效提升污染源强及位置信息反演估算准确性。
Description
技术领域
本发明属于突发事故应急预警评估技术领域,涉及一种具有普适性的提高事故污染源信息反演追溯准确性的方法,具体涉及一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的突发大气污染源反演准确性提升方法。
背景技术
随着我国经济快速发展,各类生产、生活活动引起的突发大气污染事故(爆炸、火灾、泄漏、恶臭等)急剧上升,对人类健康、生态环境和经济发展构成巨大威胁。可靠的事故源信息对于开展突发大气污染事故污染预测及风险评估,实现快速、合理的应急响应具有重要意义。
对事故源信息的准确估算是开展有效应急响应工作的关键。然而,突发大气污染事故具有突发性、复杂性、危险性等特点,准确的事故源信息往往难以直接获取。基于模型模拟浓度与观测浓度建立的源反演技术是确定事故源信息(源参数)的重要手段,对于源反演准确性的提升一直是国内外学者研究的重点。目前,源反演准确性提升相关研究主要集中在最优化算法方面,如遗传算法、粒子群-单纯形耦合算法、遗传-单纯形耦合算法、粒子群-遗传-模拟退火耦合算法在近几年被广泛提出用于源反演。然而,源反演是涉及扩散模型的反问题,模型模拟性能极大影响源反演准确性,但是,从优化改进模型模拟性能角度来提升源反演准确性的系统技术方法目前尚未见报道。
发明内容
本发明提出一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的突发大气污染事故源反演准确性提升方法。本方法以大气扩散模型为基础,通过解决如何精准识别扩散模型性能关键影响参数,如何优化校准模型参数等关键问题,改善扩散模型模拟性能,进一步将优化改善模型用于大气污染源信息反演以达到有效提升源反演准确性的目的。
本发明一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的突发大气污染源反演准确性提升方法,包括以下步骤:
(1)数据准备及模型确定
扩散模型改善优化需要大量的外场观测数据,一般外场数据包括同一观测时段内的气象(风向、风速等)、下风向污染物观测浓度、污染源信息(污染释放位置、排放量等)以及地形、下垫面数据资料;根据实际应用情景,筛选确定具体大气扩散模型。
(2)模型参数取值依据判别
确定大气污染扩散模型后,梳理大气扩散模型所涉及的输入参数类型,判别模型参数取值依据,一般模型参数可分为历史经验类和客观变量类参数,其中,统计经验类是指基于历史数据分析统计结果得到的经验值来确定模型参数值,客观变量类指的是基于现场情景、客观实际情况来确定的参数值;
(3)模型参数敏感性分析识别
根据模型参数取值依据判别结果,确定以模型参数统计经验取值为优化目标,利用敏感性识别技术对经验参数进行敏感性排序:
①对参数进行设置不同模型经验参数变化取值范围,确定参数取值变化步长;
②对模型输入参数逐一进行选定,其他参数保持不变,进一步在指定参数变化范围内按照固定步长变化,并带入扩散模型进行计算,得到不同的计算结果;
③从而利用参数变化前后对得到的模型计算结果的影响作为判定参数敏感性大小的依据,并进行模型参数敏感性排序。
本发明根据已有的Morris筛选技术进行模型参数敏感性识别排序,具体计算公式如下:
其中,S为灵敏度判别因子;Yi为模型第i次运行输出值;Yi+1为模型第i+1次运行输出值,Y0为参数率定后模型计算结果的初始值;Pi为第i次模型计算参数值相对于率定参数后参数值变化的百分率;Pi+1为第i+1次模型计算参数值相对于率定后初始参数值的变化百分率;n为模型运行计算次数。本研究中采用10%的固定步长对各参数进行扰动,分析不同参数变动对模型预测结果的影响程度。
根据参数灵敏度计算值,可将参数敏感性分为以下四类:
①当|S|≥1时,为高敏感参数;
②当0.2≤|S|<1时,为敏感参数;
③当0.05≤|S|<0.2时,为中等敏感参数;
④当0≤|S|<0.05时,为不敏感参数。
(4)高敏感性参数优化
根据模型参数敏感性分析结果,选取高敏感性参数作为未知变量,以监测数据和扩散模型模拟结果偏差最小构建参数优化目标函数,利用最优化理论算法对目标函数进行优化求解,最终求解得到的未知变量结果即为优化模型参数。
优化目标函数表达式如下:
(5)模型模拟性能评估
模型参数优化之后,利用不同的测试数据集对优化后扩散模型的模拟性能进行测试分析,判断模型参数优化后是否有效改善模型模拟性能,该步骤可作为初步判别条件,如果模型优化前后模拟性能变化不大,则可初步判断参数优化无效,需重新调整目标优化参数。
(6)源反演结果评估
基于优化后扩散模型和监测结果,以监测数据和扩散模型模拟结果偏差最小为目标建立反演目标函数,目标函数形式可参考第(4)步骤优化目标函数表达式,但不仅限于该形式;其次,基于不同外场实验案例数据,利用最优化算法对源反演准确性进行求解测试,评估验证模型参数优化后是否有效提升源反演准确性。
本发明第(3)步骤中,参数敏感性识别技术不限于Morris筛选技术,替换为其他能量化参数输入对扩散模型输入影响的技术方法均适用于本发明方法;
第(5)步骤中,源反演模型具体表达式不仅限于方差和形式,以监测数据和扩散模型模拟结果偏差最小化为目标的函数表达形式均适用于本发明方法;
本发明方法利用单因素方差分析进行模型改善前后源反演结果差异显著性分析,当分析结果为差异性显著时,认定为优化模型参数后能有效提升源反演准确性。
附图说明
图1为一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的提升大气污染源反演准确性的方法示意图。
图2为实例中本发明方法应用前后源反演准确性对比结果。
图3为实例中本发明方法应用前后源反演准确性对比结果。
具体实施方式
以下结合外场模拟实验实例,具体阐述本发明基于大气扩散模型-参数敏感性识别技术-最优化算法理论的提升大气污染源反演准确性的方法的内容。
(1)第一步,数据准备
本发明以美国1956年在内布拉斯加州奥尼尔镇东北部草原地区(北纬40°29.6′,西经98°34.3′,平均海拔600余米)开展的68次SO2外场模拟实验为基础数据集,其中,为保证扩散模型参数优化结果可靠性,本方法建议选择尽可能多的外场实验用于模型参数优化,剩余实验用于本方法的结果评估步骤,其中,本次具体实施案例中选择59次用于模型参数优化,9次用于结果评估,其中,按照大气扩散条件Pasquill划分准则,大气扩散条件可分为A,B,C,D,E,F五个等级,59次实验中A-F下的外场实验次数为4,4,8,28,4,11;9次用于结果评估的外场实验中,A-F下的外场实验次数为1,1,2,2,1,2。
(2)第二步,模型参数分类
本次实施案例,选取高斯烟羽模型为大气扩散模型,梳理分析高斯烟羽模型中输入参数的类型,针对高斯烟羽模型公式中所涉及的不同参数,确定模型参数类别。高斯烟羽模型表达式如下:
式中,C(x,y,z)代表在右手坐标系中位置为(x,y,z)检测处的计算浓度(g/m3),其中x,y,z分别为检测点处沿下风向的坐标值(m)、垂直于风向且沿水平方向的坐标值(m)及采样高度(m);Q0,u,y0,z0分别代表污染释放源强(g/s)、近地面风速(m/s)、源释放点沿风向坐标数值(m)、源释放点在高度方向的坐标数值(m);σy,σz分别代表水平和垂直方向的扩散系数。
根据上述公式,分析发现所有模型参数中,除扩散系数σy,σz归属于统计经验类参数外,其他参数均属于客观变量类参数。σy,σz的具体取值取决于大气扩散方案,本实施案例中选取国际上应用广泛的BRIGGS扩散方案作为σy,σz参数取值的规定方案。在BRIGGS该方案中,详细规定了不同大气条件下的扩散系数σy,σz的取值确定方案,具体方案如下:
σy在不同Pasquill大气稳定度(A-F)下扩散系数表达式一致,具体为σz在Pasquill大气稳定度A与B的扩散系数表达式为σz=a2x,在其他Pasquill大气稳定度下(C-F)的扩散系数表达式为不同大气稳定度下扩散系数计算所需参数取值情况见下表1:
表1扩散参数布里格斯(BRIGGS)方案
(3)第三步,模型参数敏感性识别
根据Morris参数敏感性识别方法,设置不同模型参数变化取值范围,确定参数取值变化步长;对模型输入参数逐一进行选定,其他参数保持不变,进一步在指定参数变化范围内按照固定步长变化,并带入扩散模型进行计算,得到不同的计算结果,从而利用参数变化前后对得到的模型计算结果的影响作为判定参数敏感性大小的依据,模型参数敏感性识别结果具体见表2,结果表明参数a1、a2在更多大气稳定度条件下表现出的高敏感性特征相对更明显,b1、b2其次,r1、r2在大多大气条件下都表现出不敏感。参数敏感性识别结果如下表2。
表2参数敏感性识别结果
(4)第四步,模型参数优化
根据模型参数敏感性分析识别结果,选取高敏感性参数a1、a2作为优化改善目标,以监测数据和扩散模型构建参数优化目标函数,利用遗传优化算法对目标函数进行优化求解,最终结果即为优化模型参数。本实施案例中,将不同稳定度下外场实验监测数据代入优化目标函数进行求解,最终取各稳定度下寻优求解结果均值作为最终模型优化参数,参数优化结果如下表3。
表3参数优化前后数值对比
注:a1′,a2′代表σy、σz对应的参数a优化后的参数值。
(5)第五步,优化模型模拟性能评估
以9次外场实验(T1-T9)为基础,对模型优化前后的模型模拟性能进行评估。本实施案例中,利用指标NMSE和|FB|对不同实验下的浓度分布离散性和浓度模拟准确性进行评估,该评估指标数值越小表示性能越优,具体评估结果见图2。结果显示,模型参数优化校准后,模型模拟的准确性和浓度分布离散性明显优于优化前。
(6)第六步,源反演结果评估
以9次外场实验数据为基础,对模型优化前后的源反演准确性进行评估,本实施案例中,对污染源强和位置的评估分别以绝对相对偏差和绝对误差作为准确性评估指标,具体结果见图3。结果显示,模型参数优化校准后用于源信息反演,对污染源强信息和事故源位置信息的反演估算偏差大大降低,源强估算准确性提升271%,位置参数x0提升121%。单因素方差分析结果P值小于0.05,表明模型优化后对源反演准确性的提升是显著有效的。
Claims (3)
1.一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的突发大气污染源反演准确性提升方法,其特征在于,包括以下步骤:
(1)数据准备及模型确定
扩散模型改善优化需要大量的外场观测数据,一般外场数据包括同一观测时段内的气象、下风向污染物观测浓度、污染源信息以及地形、下垫面数据资料;根据实际应用情景,筛选确定具体大气扩散模型;
(2)模型参数取值依据判别
确定大气污染扩散模型后,梳理大气扩散模型所涉及的输入参数类型,判别模型参数取值依据,一般模型参数可分为历史经验类和客观变量类参数,其中,统计经验类是指基于历史数据分析统计结果得到的经验值来确定模型参数值,客观变量类指的是基于现场情景、客观实际情况来确定的参数值;
(3)模型参数敏感性分析识别
根据模型参数取值依据判别结果,确定以模型参数统计经验取值为优化目标,利用敏感性识别技术对经验参数进行敏感性排序:
①对参数进行设置不同模型经验参数变化取值范围,确定参数取值变化步长;
②对模型输入参数逐一进行选定,其他参数保持不变,进一步在指定参数变化范围内按照固定步长变化,并带入扩散模型进行计算,得到不同的计算结果;
③从而利用参数变化前后对得到的模型计算结果的影响作为判定参数敏感性大小的依据,并进行模型参数敏感性排序;
本发明根据已有的Morris筛选技术进行模型参数敏感性识别排序,具体计算公式如下:
其中,S为灵敏度判别因子;Yi为模型第i次运行输出值;Yi+1为模型第i+1次运行输出值,Y0为参数率定后模型计算结果的初始值;Pi为第i次模型计算参数值相对于率定参数后参数值变化的百分率;Pi+1为第i+1次模型计算参数值相对于率定后初始参数值的变化百分率;n为模型运行计算次数。本研究中采用10%的固定步长对各参数进行扰动,分析不同参数变动对模型预测结果的影响程度;
根据参数灵敏度计算值,可将参数敏感性分为以下四类:
①当|S|≥1时,为高敏感参数;
②当0.2≤|S|<1时,为敏感参数;
③当0.05≤|S|<0.2时,为中等敏感参数;
④当0≤|S|<0.05时,为不敏感参数。
(4)高敏感性参数优化
根据模型参数敏感性分析结果,选取高敏感性参数作为未知变量,以监测数据和扩散模型模拟结果偏差最小构建参数优化目标函数,利用最优化理论算法对目标函数进行优化求解,最终求解得到的未知变量结果即为优化模型参数。
优化目标函数表达式如下:
(5)模型模拟性能评估
模型参数优化之后,利用不同的测试数据集对优化后扩散模型的模拟性能进行测试分析,判断模型参数优化后是否有效改善模型模拟性能,该步骤可作为初步判别条件,如果模型优化前后模拟性能变化不大,则可初步判断参数优化无效,需重新调整目标优化参数;
(6)源反演结果评估
基于优化后扩散模型和监测结果,以监测数据和扩散模型模拟结果偏差最小为目标建立反演目标函数,目标函数形式可参考第(4)步骤优化目标函数表达式,但不仅限于该形式;其次,基于不同外场实验案例数据,利用最优化算法对源反演准确性进行求解测试,评估验证模型参数优化后是否有效提升源反演准确性。
2.按照权利要求1所述的一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的突发大气污染源反演准确性提升方法,其特征在于,第(3)步骤中,参数敏感性识别技术不限于Morris筛选技术,替换为其他能量化参数输入对扩散模型输入影响的技术方法。
3.按照权利要求1所述的一种基于大气扩散模型-参数敏感性识别技术-最优化算法理论的突发大气污染源反演准确性提升方法,其特征在于,第(5)步骤中,源反演模型具体表达式不仅限于方差和形式,替换为以监测数据和扩散模型模拟结果偏差最小化为目标的函数表达形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011367177.7A CN112733419B (zh) | 2020-11-27 | 2020-11-27 | 一种突发大气污染事故源反演准确性提升方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011367177.7A CN112733419B (zh) | 2020-11-27 | 2020-11-27 | 一种突发大气污染事故源反演准确性提升方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733419A true CN112733419A (zh) | 2021-04-30 |
CN112733419B CN112733419B (zh) | 2023-10-31 |
Family
ID=75597899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011367177.7A Active CN112733419B (zh) | 2020-11-27 | 2020-11-27 | 一种突发大气污染事故源反演准确性提升方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733419B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380339A (zh) * | 2021-06-17 | 2021-09-10 | 中国环境科学研究院 | 区域空间污染特征的检测方法 |
CN113688583A (zh) * | 2021-09-07 | 2021-11-23 | 北京信息科技大学 | 污染扩散模拟方法、装置、存储介质及电子设备 |
CN116205742A (zh) * | 2023-02-20 | 2023-06-02 | 五矿国际信托有限公司 | 一种准确模拟消费金融资产现金流的系统和方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145064A (zh) * | 2019-12-19 | 2020-05-12 | 北京工业大学 | 一种突发大气污染事故动态应急预警评估与决策支持方法和系统 |
CN111855915A (zh) * | 2020-07-30 | 2020-10-30 | 中国科学院大气物理研究所 | 一种大气污染物的溯源方法 |
-
2020
- 2020-11-27 CN CN202011367177.7A patent/CN112733419B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145064A (zh) * | 2019-12-19 | 2020-05-12 | 北京工业大学 | 一种突发大气污染事故动态应急预警评估与决策支持方法和系统 |
CN111855915A (zh) * | 2020-07-30 | 2020-10-30 | 中国科学院大气物理研究所 | 一种大气污染物的溯源方法 |
Non-Patent Citations (1)
Title |
---|
沈泽亚等: "典型耦合优化算法在源项反演中的对比研究", 《中国环境科学》, vol. 39, no. 8, pages 3207 - 3214 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380339A (zh) * | 2021-06-17 | 2021-09-10 | 中国环境科学研究院 | 区域空间污染特征的检测方法 |
CN113380339B (zh) * | 2021-06-17 | 2022-02-08 | 中国环境科学研究院 | 区域空间污染特征的检测方法 |
CN113688583A (zh) * | 2021-09-07 | 2021-11-23 | 北京信息科技大学 | 污染扩散模拟方法、装置、存储介质及电子设备 |
CN113688583B (zh) * | 2021-09-07 | 2023-05-23 | 北京信息科技大学 | 污染扩散模拟方法、装置、存储介质及电子设备 |
CN116205742A (zh) * | 2023-02-20 | 2023-06-02 | 五矿国际信托有限公司 | 一种准确模拟消费金融资产现金流的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112733419B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733419A (zh) | 一种突发大气污染事故源反演准确性提升方法 | |
CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
CN107577910B (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
CN107300550A (zh) | 一种基于bp神经网络模型预测大气重金属浓度的方法 | |
CN111367959B (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
CN113936413B (zh) | 一种早期火灾监测预警方法和装置 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN112560270B (zh) | 一种化学危害同化系统 | |
CN114912343A (zh) | 基于lstm神经网络的空气质量二次预报模型构建方法 | |
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 | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN113917093B (zh) | 一种基于无线网络的空气质量监控系统 | |
Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
CN111505064A (zh) | 一种催化燃烧式甲烷传感器服役状态评价方法 | |
CN114676779A (zh) | 基于鲁棒宽度网络的大气质量监测数据校准方法及系统 | |
Fei et al. | Discrimination of excessive exhaust emissions of vehicles based on Catboost algorithm | |
Carslaw et al. | Defra Phase 2 urban model evaluation | |
CN115526330A (zh) | 有机物走航数据校准方法、装置、计算机设备和存储介质 | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN113311509B (zh) | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 | |
CN115730467A (zh) | 一种气象条件对大气颗粒物污染影响的定量评估方法 | |
CN114819312A (zh) | 一种pm1浓度的估算方法及系统 | |
CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 |
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 |