CN113344149B - 一种基于神经网络的pm2.5逐小时预测方法 - Google Patents
一种基于神经网络的pm2.5逐小时预测方法 Download PDFInfo
- Publication number
- CN113344149B CN113344149B CN202110902384.6A CN202110902384A CN113344149B CN 113344149 B CN113344149 B CN 113344149B CN 202110902384 A CN202110902384 A CN 202110902384A CN 113344149 B CN113344149 B CN 113344149B
- Authority
- CN
- China
- Prior art keywords
- data
- aod
- corrected
- neural network
- training
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于神经网络的PM2.5逐小时预测方法,方法包括获取气溶胶光学厚度AOD数据、ECMWF气象数据、地基数据及辅助数据,数据初步处理,第一训练样本构建,训练AOD填补模型,预测并补全气溶胶光学厚度AOD数据,第二训练样本构建,训练学习模型得到PM2.5预测模型,预测PM2.5浓度八个步骤。本发明基于深度神经网络补全气溶胶光学厚度AOD数据实现了样本的扩充,并将大气边界层高度BLH修正为大气雾霾层高度HLH用于PM2.5的预测,覆盖面广,解决地基监测PM2.5覆盖面不足的问题,实现了PM2.5浓度的高精度逐小时预测。
Description
技术领域
本发明涉及大气环境遥感监测领域,尤其涉及一种基于神经网络的PM2.5逐小时预测方法。
背景技术
PM2.5指环境空气中空气动力学当量直径≤2.5 μm的颗粒物,它在大气中的停留时间长、输送距离远,严重影响人体健康和大气环境质量,监测PM2.5浓度对公众健康至关重要。基于卫星的气溶胶产品由于覆盖范围广,经常被用来预测地面PM2.5浓度。最近基于卫星气溶胶光学厚度衍生出的产品,例如多角度实施大气校正气溶胶光学厚度产品,不仅提高了空间分辨率,整体性能也有所提升。但是,由于气溶胶垂直分布信息的缺乏,以及主要由于云量造成的AOD缺失,对PM2.5高精度、全覆盖的估算仍然受阻。
通过地基手段获得PM2.5质量浓度受到环境、地理等因素的限制,因此人们开发了各种技术来预测PM2.5以弥补现场监测的不足,利用卫星遥感技术估算地面PM2.5质量浓度,覆盖面广,对环境污染监测和治理具有重要意义。此外,激光雷达廓线表明,在大气边界层日循环过程中,上方可能存在大量气溶胶作为残余层存在,换句话说,气溶胶并不总是局限在大气边界层中,也不总是在整个大气边界层中均匀混合,所以以大气边界层高度BLH来预测PM2.5浓度不够精确。PM2.5质量浓度与很多因素有关,比如温度、湿度、臭氧、风速等等,在预测PM2.5浓度时需要将这些因素都考虑在内。
公开号为CN105678085A的中国专利文献中公开了一种PM2.5浓度的估算方法及系统,该PM2.5浓度的估算方法包括:根据卫星遥感数据获取气溶胶光学厚度AOD;根据气象预报数据获取大气边界层高度BLH和近地面相对湿度RH;获取地面站点采集的PM2.5数据;根据地面站点的地理位置信息,对相同时间点的PM2.5数据、AOD、大气边界层高度BLH以及RH进行空间匹配;根据空间匹配后的PM2.5数据、AOD、大气边界层高度BLH以及RH建立地理加权回归模型,并根据地理加权回归模型估算PM2.5浓度。该发明方法中以大气边界层高度BLH为PM2.5的预测参数,并且依据地理加权回归模型估算PM2.5浓度。
公开号为CN110287455A的中国专利文献中公开了一种结合遥感数据与社会感知数据的PM2.5深度学习反演方法,包括:对地面站点PM2.5数据、遥感数据、社会感知数据及辅助数据进行预处理;使用地学空间统计及分析方法、遥感信息处理手段对多源数据进行特征变量提取与计算;采用格网化方式对多源数据进行时空匹配,有地面站点真值的格网将作为训练样本,生成时空统一的多源数据集;将有站点PM2.5真值的格网数据集归一化后输入到深度学习模型中进行训练,验证通过后通过该模型对未知格网PM2.5浓度进行反演;对反演结果进行精细PM2.5时空分布制图。该发明方法中仍以大气边界层高度为PM2.5的预测参数,且在数据预处理阶段未对AOD缺失数据进行填补。
发明内容
为了解决地基监测PM2.5覆盖面不足的问题,本发明提供了一种基于神经网络的PM2.5逐小时预测方法,该预测方法通过星地遥感数据结合,并对气溶胶光学厚度AOD缺失数据进行填补,且采用大气雾霾层高度HLH作为PM2.5预测参数,能够实现PM2.5浓度的高精度预测。
具体采用的技术方案如下:
一种基于神经网络的PM2.5逐小时预测方法,包括以下步骤:
(1)获取气溶胶光学厚度AOD数据、ECMWF气象数据、地基数据及辅助数据;所述的地基数据包括大气边界层高度BLH和地基站点PM2.5浓度;所述的辅助数据包括位置参数和时间参数;所述的ECMWF气象数据包括温度、风速、湿度、臭氧浓度;
(2)将温度、风速、湿度线性插值为气溶胶光学厚度AOD数据的同一分辨率,得到修正温度、修正风速、修正湿度;
(3)选取修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据和气溶胶光学厚度AOD数据进行预处理得到包括修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据的输入数据、包括气溶胶光学厚度AOD数据的输出数据组成第一训练样本;
(4)基于深度神经网络构建AOD填补模型,利用第一训练样本中输入数据作为AOD填补模型的输入,以输出数据作为AOD填补模型的输出,训练AOD填补模型,得到参数调优后的AOD填补模型;
(5)将修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据输入至参数调优后的AOD填补模型中,预测并补全气溶胶光学厚度AOD数据缺失值;
(6)对步骤(5)补全后的气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数据、地基站点PM2.5浓度进行预处理得到包括补全后的气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数据的输入数据、包括地基站点PM2.5浓度的输出数据组成第二训练样本;所述的大气雾霾层高度HLH根据雷达参数修正大气边界层高度BLH得到;
(7)根据深度神经网络构建学习模型,利用第二训练样本中的输入数据作为学习模型的输入,输出数据作为学习模型的输出,训练学习模型,并采用集成学习bagging算法集成每轮训练的学习模型得到PM2.5预测模型;
(8)将待测地区补全后的气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数据输入至PM2.5预测模型中,经计算输出待测地区的PM2.5浓度。
本发明基于深度神经网络补全气溶胶光学厚度AOD数据,实现了样本的扩充,并将大气边界层高度BLH修正为大气雾霾层高度HLH后,再基于集成学习方法预测PM2.5浓度,可以有效提高预测精度。
所述的预处理方法为:每个训练样本中,输入数据和输出数据进行时空匹配后,再将输入数据中每类数据单独进行标准化处理,所述的标准化处理方法为:X = (x-μ)/σ,x为输入数据,μ为输入数据的均值,σ为输入数据的标准差,X为标准化的输入数据。
残差连接可以在加深网络深度的同时又保证精度。
根据残差神经网络ResNet构建AOD填补模型,步骤(4)中,所述的深度神经网络为由结构镜像的编码器和解码器组成的自编码器;其中,编码器的每一层输出与解码器相应层的输出连接,形成残差结构。结构镜像是指编码区和解码区的神经元个数一一对应。
所述的编码器和解码器的每层采用神经网络层,每一层均由输入层、全连接层、归一化层、激活函数层、输出层组成。
残差连接公式为:H(S) = M(S) + S,S为神经网络层的输入,M(S)为该神经网络层的输出,H(S)为S与M(S)的线性叠加,作为下一神经网络层的输入。
优选的,所述的编码器与解码器分别包括4层神经网络层,包含的神经元节点个数分别为128、64、32、16。
优选的,步骤(4)中,所述的训练方法为:每三周数据进行一次训练,第一周加入时间指数-1,第二周加入时间指数0,第三周加入时间指数1,第二周作为训练周,训练AOD填补模型。
进一步优选的,通过多轮迭代使得模型效果达到最佳,步骤(4)中,所述的训练参数为:迭代轮数epoch:100,学习率lr:0.001,batch_size:1024,weight_decay:0.005,得到参数调优后的AOD填补模型。
优选的,步骤(7)中,根据深度神经网络构建学习模型,构建方法与步骤(4)相同。
进一步优选的,在第二训练样本中随机挑选80%的数据用于训练学习模型,该过程
进行100次迭代,可以得到100个学习模型的集成,将100个学习模型取均值得到PM2.5预测
模型Y,,z为学习模型的输入,F(z)为学习模型,k为所用的模型个数。
与现有技术相比,本发明具有的有益效果为:
本发明基于深度神经网络补全气溶胶光学厚度AOD数据实现了样本的扩充,并将大气边界层高度BLH修正为大气雾霾层高度HLH用于PM2.5的预测,有效地提高了PM2.5的预测精度,实现了PM2.5的逐小时预测,预测精度R2达到0.9,覆盖面广,有利于空气污染的监测与防治。
附图说明
图1为本发明方法的流程示意图。
图2为深度神经网络的构建。
图3为利用本发明方法对气溶胶光学厚度AOD数据进行填补前的对比图。
图4为利用本发明方法对气溶胶光学厚度AOD数据进行填补后的对比图。
图5为利用本发明方法对PM2.5浓度的预测结果与实测结果的对比图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
本实施例提供了一种基于神经网络的PM2.5逐小时预测方法,如图1所示,该PM2.5逐小时预测方法包括获取数据、数据初步处理、第一训练样本构建、训练AOD填补模型,预测并补全气溶胶光学厚度AOD数据、第二训练样本构建、训练学习模型得到PM2.5预测模型、逐小时预测PM2.5浓度八个步骤,下面针对每个步骤进行详细说明。
(1)获取数据
获取MODIS MAIAC气溶胶光学厚度AOD数据、ECMWF气象数据、地基数据及辅助数据;所述的ECMWF气象数据包括:温度、风速、湿度、臭氧浓度;所述的地基数据包括大气边界层高度BLH和地基站点PM2.5浓度;所述的辅助数据包括位置参数纬度lat、经度lon、地表高度h和时间参数年y、月m、日d、小时t;同时增加特征位置参数lat2、lon2、lat*lon,用于表征不同位置的相关性。
(2)数据初步处理
选取1km分辨率的MODIS MAIAC气溶胶光学厚度AOD数据,将温度、风速、湿度线性插值为1km分辨率,得到修正温度、修正风速、修正湿度。
(3)第一训练样本构建
选取修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据和MODISMAIAC气溶胶光学厚度AOD数据进行预处理得到包括修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据的输入数据、包括MODIS MAIAC气溶胶光学厚度AOD数据的输出数据组成第一训练样本;
预处理方法为:将输入数据和输出数据进行时空匹配后,再将输入数据中每类数据单独进行标准化处理得到第一训练样本,标准化处理方法为:X = (x-μ)/σ,x为输入数据,μ为输入数据的均值,σ为输入数据的标准差,X为标准化的输入数据。
(4)训练AOD填补模型
基于深度神经网络构建AOD填补模型,利用第一训练样本中输入数据作为AOD填补模型的输入,以输出数据作为AOD填补模型的输出,训练AOD填补模型,得到参数调优后的AOD填补模型;
如图2所示,所述的深度神经网络为由结构镜像的编码器和解码器组成的自编码器;其中,编码器的每一层输出与解码器相应层的输出连接,形成残差结构。所述的编码器和解码器的每层采用神经网络层,每一层均由输入层、全连接层、归一化层、激活函数层、输出层组成。所述的编码器与解码器分别包括4层神经网络层,包含的神经元节点个数分别为128、64、32、16。结构镜像是指编码区和解码区的神经元个数一一对应。
残差连接公式为:H(S) = M(S) + S,S为神经网络层的输入,M(S)为该神经网络层的输出,H(S)为S与M(S)的线性叠加,作为下一神经网络层的输入。
每三周数据进行一次训练,第一周加入时间指数-1,第二周加入时间指数0,第三周加入时间指数1,第二周作为训练周,第一训练数据集的时间跨度为1年,那么在获取数据时就需要获取包括1年前一周和1年后一周的原始数据。
通过100轮迭代使得模型效果达到最佳,训练参数为:学习率lr:0.001,batch_size:1024,weight_decay:0.005;得到参数调优后的AOD填补模型。
(5)预测并补全气溶胶光学厚度AOD数据
将修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据输入至参数调优后的AOD填补模型中,预测并补全MODIS MAIAC气溶胶光学厚度AOD数据缺失值。
使用本发明方法对MODIS MAIAC气溶胶光学厚度AOD数据进行填补,图3为利用本发明方法对气溶胶光学厚度AOD数据进行填补前的对比图,图4为利用本发明方法对气溶胶光学厚度AOD数据进行填补后的对比图,可以看到填补后陆地范围基本都被概括,而且分辨率较高,微脉冲激光雷达(MPL)站点位于杭州气象站。
(6)第二训练样本构建
根据雷达参数修正大气边界层高度BLH得到大气雾霾层高度HLH,修正公式为:HLH=BLH×(α+α×β),
α为雷达实测后向散射系数在大气边界层内的积分与假设大气边界层内气溶胶均匀分布时的积分之比;β为雷达实测后向散射系数在大气边界层上方到洁净大气范围内的积分与大气边界层内的积分之比。
对步骤(5)补全后的气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数据、地基站点PM2.5浓度进行预处理得到包括补全后的气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数据的输入数据、包括地基站点PM2.5浓度的输出数据组成第二训练样本;
预处理方法为:将输入数据和输出数据进行时空匹配后,再将输入数据中每类数据单独进行标准化处理得到第二训练样本,标准化处理方法为:X = (x-μ)/σ,x为输入数据,μ为输入数据的均值,σ为输入数据的标准差,X为标准化的输入数据。
(7)训练学习模型得到PM2.5预测模型
根据深度神经网络构建学习模型,利用第二训练样本中的输入数据作为学习模型的输入,输出数据作为学习模型的输出,训练学习模型,并采用集成学习bagging算法集成每轮训练的学习模型得到PM2.5预测模型;其中,如图2所示,深度神经网络的构建方法与步骤(4)相同。
在第二训练样本中随机挑选80%的数据用于训练学习模型,该过程进行100次迭
代,可以得到100个学习模型的集成,将100个学习模型取均值得到PM2.5预测模型Y,,z为学习模型的输入,F(z)为学习模型,k为所用的模型个数。
(8)逐小时预测PM2.5浓度
将待测地区补全后的MODIS MAIAC气溶胶光学厚度AOD数据辅以M2GMI气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数据输入至PM2.5预测模型中,经计算输出待测地区的PM2.5浓度。
使用本发明方法对PM2.5浓度的预测结果与实测结果的对比图如图5所示,PM2.5浓度以小时为分辨率,可以看到,本方法的预测精度较高,R2达到0.9,k为PM2.5站点离MPL站点的距离,N为训练样本数,R2为决定系数,BIAS为偏差,RMSE为均方根误差。
Claims (9)
1.一种基于神经网络的PM2.5逐小时预测方法,其特征在于,包括以下步骤:
(1)获取气溶胶光学厚度AOD数据、ECMWF气象数据、地基数据及辅助数据;所述的地基数据包括大气边界层高度BLH和地基站点PM2.5浓度;所述的辅助数据包括位置参数和时间参数;所述的ECMWF气象数据包括温度、风速、湿度、臭氧浓度;
(2)将温度、风速、湿度插值为气溶胶光学厚度AOD数据的同一分辨率,得到修正温度、修正风速、修正湿度;
(3)选取修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据和气溶胶光学厚度AOD数据进行预处理得到包括修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据的输入数据、包括气溶胶光学厚度AOD数据的输出数据组成第一训练样本;
(4)基于深度神经网络构建AOD填补模型,利用第一训练样本中输入数据作为AOD填补模型的输入,以输出数据作为AOD填补模型的输出,训练AOD填补模型,得到参数调优后的AOD填补模型;
(5)将修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据输入至参数调优后的AOD填补模型中,预测并补全气溶胶光学厚度AOD数据缺失值;
(6)对步骤(5)补全后的气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数据、地基站点PM2.5浓度进行预处理得到包括补全后的气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数据的输入数据、包括地基站点PM2.5浓度的输出数据组成第二训练样本;所述的大气雾霾层高度HLH根据雷达参数修正大气边界层高度BLH得到,修正公式为:
HLH=BLH×(α+α×β)
α为雷达实测后向散射系数在大气边界层内的积分与假设大气边界层内气溶胶均匀分布时的积分之比;β为雷达实测后向散射系数在大气边界层上方到洁净大气范围内的积分与大气边界层内的积分之比;
(7)根据深度神经网络构建学习模型,利用第二训练样本中的输入数据作为学习模型的输入,输出数据作为学习模型的输出,训练学习模型,并采用集成学习bagging算法集成每轮训练的学习模型得到PM2.5预测模型;
(8)将待测地区补全后的气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数据输入至PM2.5预测模型中,经计算输出待测地区的PM2.5浓度。
2.根据权利要求1所述的基于神经网络的PM2.5逐小时预测方法,其特征在于,所述的预处理方法为:每个训练样本中,输入数据和输出数据进行时空匹配后,再将输入数据中每类数据单独进行标准化处理。
3.根据权利要求2所述的基于神经网络的PM2.5逐小时预测方法,其特征在于,所述的标准化处理方法为:X=(x-μ)/σ,x为输入数据,μ为输入数据的均值,σ为输入数据的标准差,X为标准化的输入数据。
4.根据权利要求1所述的基于神经网络的PM2.5逐小时预测方法,其特征在于,所述的深度神经网络为由结构镜像的编码器和解码器组成的自编码器;其中,编码器的每一层输出与解码器相应层的输出连接,形成残差结构。
5.根据权利要求4所述的基于神经网络的PM2.5逐小时预测方法,其特征在于,所述的编码器和解码器的每层采用神经网络层。
6.根据权利要求5所述的基于神经网络的PM2.5逐小时预测方法,其特征在于,所述的编码器与解码器分别包括4层神经网络层,包含的神经元节点个数分别为128、64、32、16。
7.根据权利要求1所述的基于神经网络的PM2.5逐小时预测方法,其特征在于,步骤(4)中,所述的训练方法为:每三周数据进行一次训练,第一周加入时间指数-1,第二周加入时间指数0,第三周加入时间指数1,第二周作为训练周,训练AOD填补模型。
8.根据权利要求7所述的基于神经网络的PM2.5逐小时预测方法,其特征在于,所述的训练参数为:迭代轮数epoch:100,学习率lr:0.001,batch_size:1024,weight_decay:0.005。
9.根据权利要求1所述的基于神经网络的PM2.5逐小时预测方法,其特征在于,在第二训练样本中随机挑选80%的数据用于训练学习模型,该过程进行100次迭代,可以得到100个学习模型的集成,将100个学习模型取均值得到PM2.5预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902384.6A CN113344149B (zh) | 2021-08-06 | 2021-08-06 | 一种基于神经网络的pm2.5逐小时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902384.6A CN113344149B (zh) | 2021-08-06 | 2021-08-06 | 一种基于神经网络的pm2.5逐小时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344149A CN113344149A (zh) | 2021-09-03 |
CN113344149B true CN113344149B (zh) | 2021-11-19 |
Family
ID=77480918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110902384.6A Active CN113344149B (zh) | 2021-08-06 | 2021-08-06 | 一种基于神经网络的pm2.5逐小时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344149B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112152633B (zh) * | 2020-09-30 | 2023-05-16 | 石家庄铁道大学 | 振动信号压缩的改进卷积自编码器方法及装置 |
CN116362130B (zh) * | 2023-03-30 | 2023-09-08 | 河南大学 | 一种日尺度自适应建模的pm2.5全覆盖估算方法 |
CN117370772B (zh) * | 2023-12-08 | 2024-04-16 | 北京英视睿达科技股份有限公司 | 基于城市街道地形分类的pm2.5扩散分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944503A (zh) * | 2012-10-11 | 2013-02-27 | 中国科学院安徽光学精密机械研究所 | 基于太阳光度计和激光雷达的pm2.5质量浓度值自动反演算法 |
CN103135113A (zh) * | 2013-02-05 | 2013-06-05 | 中国科学院大气物理研究所 | 测量大气边界层高度的方法 |
CN103885067A (zh) * | 2014-03-24 | 2014-06-25 | 中国海洋大学 | 星载激光雷达用于卫星海雾遥感比测验证的方法 |
CN109541639A (zh) * | 2018-12-25 | 2019-03-29 | 天津珞雍空间信息研究院有限公司 | 一种基于粒子聚类的反演边界层高度方法 |
WO2020025984A1 (en) * | 2018-08-01 | 2020-02-06 | Pantazis Alexandros | Method of use of a lidar device and operatively associated lidar data processing unit for providing real-time monitoring of meteorological parameters |
WO2021127403A1 (en) * | 2019-12-18 | 2021-06-24 | EcoSense Lighting, Inc. | Systems and methods for gaze-based lighting of displays |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023043A (zh) * | 2015-07-23 | 2015-11-04 | 杭州师范大学 | 一种基于aod的杭州地区pm2.5反演模型 |
CN105512464B (zh) * | 2015-11-26 | 2018-01-23 | 武汉大学 | 一种结合卫星和站点观测反演时空连续pm2.5浓度的方法 |
CN110287455A (zh) * | 2019-05-28 | 2019-09-27 | 武汉大学 | 一种结合遥感数据与社会感知数据的pm2.5深度学习反演方法 |
CN110909309B (zh) * | 2019-11-21 | 2021-04-30 | 中国科学院空天信息创新研究院 | 一种逐小时高分辨率pm2.5数据的获取方法 |
CN112183625A (zh) * | 2020-09-28 | 2021-01-05 | 武汉大学 | 一种基于深度学习的pm2.5高精度时空预测方法 |
-
2021
- 2021-08-06 CN CN202110902384.6A patent/CN113344149B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944503A (zh) * | 2012-10-11 | 2013-02-27 | 中国科学院安徽光学精密机械研究所 | 基于太阳光度计和激光雷达的pm2.5质量浓度值自动反演算法 |
CN103135113A (zh) * | 2013-02-05 | 2013-06-05 | 中国科学院大气物理研究所 | 测量大气边界层高度的方法 |
CN103885067A (zh) * | 2014-03-24 | 2014-06-25 | 中国海洋大学 | 星载激光雷达用于卫星海雾遥感比测验证的方法 |
WO2020025984A1 (en) * | 2018-08-01 | 2020-02-06 | Pantazis Alexandros | Method of use of a lidar device and operatively associated lidar data processing unit for providing real-time monitoring of meteorological parameters |
CN109541639A (zh) * | 2018-12-25 | 2019-03-29 | 天津珞雍空间信息研究院有限公司 | 一种基于粒子聚类的反演边界层高度方法 |
WO2021127403A1 (en) * | 2019-12-18 | 2021-06-24 | EcoSense Lighting, Inc. | Systems and methods for gaze-based lighting of displays |
Non-Patent Citations (4)
Title |
---|
Analysis of the relationship between MODIS aerosol optical depth and particulate matter from 2006 to 2008;Tzu-Chin Tsai 等,;《Atmospheric Environment》;20110930;第45卷(第27期);第4777-4788页 * |
Interpreting aerosol lidar profiles to better estimate surface PM2.5 for columnar AOD measurements;D. Allen Chu 等,;《Atmospheric Environment》;20131130;第79卷;第172-187页 * |
基于AOD数据反演地面PM_(2.5)浓度研究进展;吴健生 等,;《环境科学与技术》;20170831;第40卷(第8期);第73-81页 * |
大气边界层高度确定及应用研究进展;张宏昇 等,;《气象学报》;20200630;第78卷(第3期);第522-536页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344149A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344149B (zh) | 一种基于神经网络的pm2.5逐小时预测方法 | |
CN111651941B (zh) | 一种全球电离层电子总含量预测的算法 | |
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
CN111310386B (zh) | 一种近地面臭氧浓度估算方法 | |
CN112884079A (zh) | 一种基于Stacking集成模型的近地面二氧化氮浓度估算方法 | |
CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
Kang et al. | Development of an observation processing package for data assimilation in KIAPS | |
CN113379107B (zh) | 基于lstm和gcn的区域电离层tec预报方法 | |
CN111382507B (zh) | 一种基于深度学习的全球对流层延迟建模方法 | |
CN112163375A (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
CN110909447B (zh) | 一种高精度电离层区域短期预报方法 | |
CN114266200A (zh) | 二氧化氮浓度预测方法及系统 | |
CN110458338B (zh) | 一种基于再分析资料的海面高度中长期统计预测方法 | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
CN114861840B (zh) | 一种多源降水数据融合方法 | |
Xia et al. | Aerosol data assimilation using data from Fengyun-3A and MODIS: application to a dust storm over East Asia in 2011 | |
Jiang et al. | A Municipal PM2. 5 Forecasting Method Based on Random Forest and WRF Model. | |
Kim et al. | Preliminary study of deep learning-based precipitation prediction | |
CN116013426A (zh) | 一种高时空分辨率的站点臭氧浓度预测方法 | |
Davy et al. | Improving the accuracy of hourly satellite-derived solar irradiance by combining with dynamically downscaled estimates using generalised additive models | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
Schroedter-Homscheidt et al. | Observation operator for the assimilation of aerosol type resolving satellite measurements into a chemical transport model | |
CN117113828A (zh) | 一种基于船基走航式观测的数值预报订正方法 | |
CN111125937A (zh) | 基于时空加权回归模型近地面大气细颗粒物浓度估算方法 | |
CN114463616B (zh) | 一种基于Stacking与EMOS-CSG的多源卫星降水融合方法 |
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 |