CN113486295B - 基于傅里叶级数的臭氧总量变化预测方法 - Google Patents
基于傅里叶级数的臭氧总量变化预测方法 Download PDFInfo
- Publication number
- CN113486295B CN113486295B CN202110869647.8A CN202110869647A CN113486295B CN 113486295 B CN113486295 B CN 113486295B CN 202110869647 A CN202110869647 A CN 202110869647A CN 113486295 B CN113486295 B CN 113486295B
- Authority
- CN
- China
- Prior art keywords
- fitting
- module
- ozone
- interpolation
- data
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Discrete Mathematics (AREA)
- Oxygen, Ozone, And Oxides In General (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了基于傅里叶级数的臭氧总量变化预测方法,具体包括以下步骤:步骤一、获取数据;步骤二、数据处理;步骤三、显著性检验;步骤四、精度评价;步骤五、拟合处理;步骤六、分析检验;步骤七、预测输入,本发明涉及臭氧变化预测技术领域。该基于傅里叶级数的臭氧总量变化预测方法,通过在插值计算和数据拟合的过程中,对臭氧污染时空分布特征和演变规律进行分析,把握臭氧污染的特点以及变化趋势,从臭氧时间变化和空间分布总量两方面利用拟合关系,分析臭氧污染随时间变化的关系,合理预测未来臭氧总量的变化情况,同时通过制得的臭氧污染空间分布图提出改善臭氧污染情况的合理化建议,为建立良好的大气环境系统提供有力支撑。
Description
技术领域
本发明涉及臭氧变化预测技术领域,具体为基于傅里叶级数的臭氧总量变化预测方法。
背景技术
大气中存在着许许多多的微量成分,臭氧便是其中的一种,臭氧它对那些会对生物造成伤害的大多数太阳紫外辐射有着较强的吸收能力,因此大气中臭氧的存在可以使地球上的生命免受过量紫外辐射的伤害而得以正常生存和繁衍。然而如果位于近地面层的臭氧浓度过高就会对人类和动植物造成伤害,因此大气层的臭氧在保护地球的同时近地面的臭氧也会给人类带来各种负面影响。随着我国城市化建设的推进,在近几十年,近地面层的臭氧浓度逐渐升高,已经成为我国低层大气的重要污染物,因此对大气中臭氧总量的监测、研究以及治理也变得越来越重要。
目前的臭氧总量无法进行有效合理的预测监控,并且无法精确针对臭氧污染进行改善,为此,本发明特提供基于傅里叶级数的臭氧总量变化预测方法,通过对臭氧污染时空分布特征和演变规律进行分析,把握臭氧污染的特点以及变化趋势,从时间变化和臭氧总量两方面利用拟合关系,分析臭氧污染随时间变化的关系,合理预测未来臭氧总量的变化情况,同时通过制得的臭氧污染空间分布图提出改善臭氧污染情况的合理化建议,为建立良好的大气环境系统提供有力支撑。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于傅里叶级数的臭氧总量变化预测方法,解决了目前的臭氧总量无法进行有效合理的预测监控,并且无法精确针对臭氧污染进行改善的问题。
(二)技术方案
为实现上述目的,本发明提供了如下技术方案:基于傅里叶级数的臭氧总量变化预测方法,具体包括以下步骤:
步骤一、获取数据:将搭载在卫星上的OMI臭氧监测仪对某地区的臭氧总量监测数据导入到数据库中进行存储;
步骤二、数据处理:利用空间插值计算单元对数据库中存储的数据进行处理,通过反距离加权插值计算模块、普通克里金插值计算模块、泛克里金插值计算模块和规则样条函数插值计算模块将离散的数据构建成连续的表面数据;
步骤三、显著性检验:通过显著性检验单元对步骤二中反距离加权插值法、普通克里金插值法、泛克里金插值法和规则样条函数插值法计算出的数值进行显著性检验,经过方差齐性检验模块判断两总体的方差是否相等,相等后,利用真实值对比模块四种插值方法得到的值和真实值对比出差异,利用独立样本t检验模块分析该差异是否显著;
步骤四、精度评价:通过精度评价单元利用交叉验证法对步骤二中的插值进行分析,通过相关系数统计模块、第一均方根误差统计模块、数据差平方和统计模块、平均误差统计模块和平均相对误差统计模块分别对相关系数、均方根误差、数据差平方和、平均误差和平均相对误差进行统计计算,确定并选择精度最高的插值计算方法;
步骤五、拟合处理:将数据库中收集的某地区臭氧总量数据传输至拟合预测单元中,通过一次函数拟合模块、多项式拟合模块和周期函数拟合模块对数据进行拟合处理;
步骤六、分析检验:利用分析检验单元对于步骤五中获得拟合数据进行分析检验,通过相关系数的平方统计模块对三个拟合数据中的回归平方和占总平方和中的比率,即回归方程所能解释的因变量变异性的百分比进行比较,通过残差平方和统计模块对三个拟合数据中的每个点的估计值和实际值的平方差之和进行比较,通过第二均方根误差统计模块对三个拟合数据中的观测值和真实值偏差的平方和观测次数n比值的平方根进行比较,根据分析检验结果选择并确定出最佳拟合方法;
步骤七、预测输入:通过预测计算单元利用步骤四中获得的确定并选择精度最高的插值计算方法对数据库中存储的某地区臭氧总量数据进行插值计算,然后通过步骤六中选择并确定的最佳拟合方法进行数据拟合,从而对某地区的臭氧总量进行预测。
本发明进一步设置为:所述步骤二中对于空间插值的计算具体包括以下子步骤:
S1、反距离加权插值计算:利用反距离加权插值计算模块按照反距离加权插值法进行计算,反距离加权插值法的计算公式如下:
计算权重的公式如下:
其中为在s0处的预测值,N为预测计算过程中要使用的预测点周围样点的数量,λi为预测计算过程中使用的各样点的权重,Z(si)为在si处获得的测量值,P为幂,即指数值,di0为预测点s0与各样点si的距离;
S2、普通克里金插值计算:利用普通克里金插值计算模块按照普通克里金插值法进行计算,普通克里金插值法的计算公式如下:
样本变异函数值计算用公式如下:
其中υj(j=1,2,3,…,n)为待估值点周围的点的变量值,rj为其对应的权重系数,h为分离距离,Nh为在(xi+h,xi)之间用来计算样本变异系数值的样本点总数;
S3、泛克里金插值计算:利用泛克里金插值计算模块按照泛克里金插值法进行计算;
S4、规则样条函数插值计算:利用规则样条函数插值计算模块按照规则样条函数插值法进行计算,规则样条函数插值法中属性值的计算公式如下:
Z(x,y)=∑A,F+a+bx+cy
A、a、b、c的计算公式如下:
其中A为相关系数,x,y为要被插值点的x、y坐标,a+bx+cy为趋势方程,F为基本函数,可获得最小曲率的面,d为插值点与第i个站点之间的距离,τ为权重(通常取0-0.5之间,因为如果太大会导致在数据贫乏区域过伸),c为常数等于0.577215,K0(d/τ)为修正的零次贝塞尔函数,n为站点数目,fτ为站点i的变量值。
本发明进一步设置为:所述步骤五中的拟合处理具体包括以下子步骤:
S4、一次函数拟合:利用一次函数拟合模块按照一次函数y=a+bx拟合,运用一次函数对某地区的平均臭氧总量进行拟合;
S5、多项式拟合:通过多项式拟合模块利用一个多项式展开去对包含数个分析格点的一小块分析区域中的所有观测点进行拟合,从而便能得到观测数据的客观分析场,多项式的展开系数则是通过最小二乘法来确定的;
S6、周期函数拟合:通过周期函数拟合模块使用两种周期函数进行拟合,分别是三角函数和周期信号的傅里叶级数的三角形式,其中三角函数如下:
y=y0+Asin(ωx+xc)
周期信号的傅里叶级数的三角形式如下:
其中y0、A、ω、xc均为待求参数,a0、an、ω、bn为待求参数。
本发明进一步设置为:所述数据库分别与空间插值获取系统和拟合预测单元实现双向连接,所述空间插值获取系统包括空间插值计算单元、显著性检验单元和精度评价单元,所述空间插值计算单元的输出端分别与显著性检验单元和精度评价单元的输入端连接,所述拟合预测单元包括数据拟合单元、分析检验单元和预测计算单元,所述数据拟合单元的输出端与分析检验单元的输入端连接,所述分析检验单元的输出端与预测计算单元的输入端连接。
本发明进一步设置为:所述空间插值计算单元包括反距离加权插值计算模块、普通克里金插值计算模块、泛克里金插值计算模块和规则样条函数插值计算模块。
本发明进一步设置为:所述显著性检验单元包括真实值对比模块、方差齐性检验模块和独立样本t检验模块。
本发明进一步设置为:所述精度评价单元包括相关系数统计模块、第一均方根误差统计模块、数据差平方和统计模块、平均误差统计模块和平均相对误差统计模块,均方根误差也叫标准误差,定义是:观测值和真实值偏差的平方与观测次数n比值的平方根,
其计算公式为:
两组数里相对应数值差的平方和(即SUMXMY2)是用来定量的描述两组变量的偏离程度的一种常用指标。数值差平方和越大,就表示其插值结果的精度越低。在此次的研究中,SUMXMY2的计算公式为:
其中X为真实的臭氧浓度的值;Y为插值后得到臭氧浓度的值;
平均误差反映总体估计误差的大小和整体分布情况,其公式为:
平均相对误差代表所得绝对偏差相对实测值的百分率,其公式为:
本发明进一步设置为:所述数据拟合单元包括一次函数拟合模块、多项式拟合模块和周期函数拟合模块,所述分析检验单元包括相关系数的平方统计模块、残差平方和统计模块和第二均方根误差统计模块。
(三)有益效果
该基于傅里叶级数的臭氧总量变化预测方法,通过精度对比获得精度最好的插值计算方法,通过该插值计算方法对某地区的臭氧总量数据进行计算,保证在将离散的数据构建成连续表面数据的精准度,并且通过筛选获得拟合度最高的数据拟合方法,可以有效保证预测结果的精准度。
附图说明
图1为本发明的系统原理框图;
图2为本发明空间插值计算单元的系统原理框图;
图3为本发明显著性检验单元的系统原理框图;
图4为本发明精度评价单元的系统原理框图;
图5为本发明数据拟合单元的系统原理框图;
图6为本发明分析检验单元的系统原理框图;
图7为本发明不同插值模型结果的独立样本显著性检验和精度分析表图;
图8为本发明对粤港澳大湾区2020-2030年臭氧总量预测结果折线图;
图9为粤港澳大湾区2000-2019年臭氧总量线性变化趋势图;
图10为本发明中粤港澳大湾区2000-2019年臭氧总量一次函数拟合图;
图11为本发明中粤港澳大湾区2000-2019年臭氧总量多项式拟合图;
图12为本发明中粤港澳大湾区2000-2019年臭氧总量三角函数拟合图;
图13为本发明中粤港澳大湾区2000-2019年臭氧总量傅里叶级数拟合图;
图14为本发明不同拟合函数结果的精度分析表图;
图15为本发明对粤港澳大湾区2020-2030年臭氧总量的预测结果表图。
图中,1、数据库;2、空间插值获取系统;3、拟合预测单元;4、空间插值计算单元;5、显著性检验单元;6、精度评价单元;7、数据拟合单元;8、分析检验单元;9、预测计算单元;10、反距离加权插值计算模块;11、普通克里金插值计算模块;12、泛克里金插值计算模块;13、规则样条函数插值计算模块;14、真实值对比模块;15、方差齐性检验模块;16、独立样本t检验模块;17、相关系数统计模块;18、第一均方根误差统计模块;19、数据差平方和统计模块;20、平均误差统计模块;21、平均相对误差统计模块;22、一次函数拟合模块;23、多项式拟合模块;24、周期函数拟合模块;25、相关系数的平方统计模块;26、残差平方和统计模块;27、第二均方根误差统计模块。
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,显然,所描述的实施例仅仅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。
请参阅图1-15,本发明实施例提供一种技术方案:用的是粤港澳大湾区2000年1月份的臭氧数据进行插值分析,再通过反距离加权插值计算模块10、普通克里金插值计算模块11、泛克里金插值计算模块12和规则样条函数插值计算模块13应用反距离加权插值法、普通克里金插值法、泛克里金插值法和规则样条函数插值法进行插值计算,如附图7所示,所有插值结果的F检验的Sig值都是大于0.05的,这也就说明了两样本的假设方差相等,插值结果与独立样本间的均方根误差(RMSE)、数值差平方和(SUMXMY2)、平均误差(ME)以及平均相对误差(MRE)越小说明对应参数的插值模型精度越高,而相关系数(R)越小则说明对应的插值模型精度越低,所以在综合比较一系列精度参数后,可以确定普通克里金基于线性半变异函数模型的插值结果相对来说具备较高的精度,所以可以明确普通克里金基于线性半变异函数模型在对粤港澳大湾区的臭氧浓度进行插值时的效果最佳,因此在本次研究中后续的一系列数据处理中进行插值时都将选用克里金线性半变异函数模型,通过利用克里金线性半变异函数模型以及进行Arcgis软件中的一系列操作提取粤港澳大湾区2000年-2019年的臭氧柱浓度数据,以3-5月、6-8月、9-11月、12-次年2月为春夏秋冬四季,利用统计分析法研究粤港澳大湾区2000年到2019年这二十年臭氧浓度的空间分布特征和时间变化特性,从空间分布特征来看,粤港澳大湾区大气臭氧柱浓度总量的空间分布差异比较明显,粤港澳大湾区各地区的浓度差异并不明显,不过臭氧浓度较高值区和浓度较低值区还是比较明显,并且其边缘也比较清楚,臭氧浓度呈现出从东北向西南逐渐降低的分布规律,并且大致以“肇庆-佛山-广州-惠州”为界限,分为臭氧的较高浓度区和较低浓度区这两大区域,其中界限以北的臭氧浓度较高值区又可以分为高值区和次高值区,界限以南的臭氧浓度较低值区也可以分为低值区和次低值区。臭氧总量浓度值最大的地区主要是集中在肇庆市的东北部区域,臭氧浓度最大值约为266.415DU,臭氧总量的第二高值区则是分布在广州市和惠州市的北部,而臭氧总量浓度最低的地区则主要是分布在江门市的西南区域,臭氧浓度最小值约为263.995DU,为了从整体上研究分析粤港澳大湾区近二十年臭氧总量的演变,对粤港澳大湾区2000-2019年的臭氧总量进行了线性拟合,使用一次函数进行拟合,其拟合结果如附图9所示,拟合函数为y=137.65724+0.0633x,相关系数的平方为0.01371,残差平方为191.69278,从附图9可以看出,从2000年到2019年粤港澳大湾区的平均臭氧总量并不是稳定不变的,几乎每年都在上下浮动,不过浮动范围并不大,整体来看是呈现上升的趋势,但是从拟合的函数的斜率可以看出臭氧总量增加的速度非常慢,然后通过一次函数拟合模块22、多项式拟合模块23和周期函数拟合模块24分别通过一次函数拟合计算、多项式拟合计算和周期函数拟合计算,其中一次函数拟合结果如附图10所示,多项式拟合结果如附图11所示,周期函数中拟合结果如附图12所示,三角形式的傅里叶级数的表达式为指数形式的表达式则为其中傅里叶级数的三角形式也可以简化为/>(其中a0、an、ω、bn为待求参数),运用傅里叶级数的三角形式对粤港澳大湾区2000-2019年的平均臭氧总量进行拟合,其拟合结果如附图13所示,利用分析检验单元8对三种拟合结果进行分析检验,如附图14所示,傅里叶级数的拟合结果的R2最接近1,残差平方和是最小的,同时均方根误差也是最小的,再从各拟合函数的拟合图可以得知,线性函数拟合时粤港澳大湾区未来的臭氧总量将稳定持续的上升,这很明显不符合臭氧浓度的变化规律,而多项式拟合图则显示粤港澳大湾区未来的臭氧总量将会持续下降,甚至降至为负值,这明显不符合现实,三角函数拟合结果图表明粤港澳大湾区未来的臭氧总量呈现出“上升-下降-上升-下降”循环变化的趋势,变化的周期约为4年半左右,这是比较符合粤港澳大湾区臭氧总量的变化规律的,但是由于三角函数拟合结果的R2=0.279过小,并且残差平方和以及均方根误差较傅里叶级数的更大,因此可以确定三角函数的拟合程度远远不如傅里叶级数的好,因此最终确定选用傅里叶级数对粤港澳大湾区2000-2019年平均臭氧总量进行拟合,进而通过此函数模型对粤港澳大湾区未来的臭氧总量变化情况展开合理预测,利用傅里叶级数的函数表达式计算粤港澳大湾区2020-230年的臭氧总量浓度,计算结果如附图15所示,利用附图15的数据绘制折线图,可以更直观的看出粤港澳大湾区2020-2030年的臭氧总量的变化情况,其折线图如附图8所示,可以得知,粤港澳大湾区2020-2022年的臭氧总量变化不大,2022-2024年的臭氧总量逐渐下降,2024年的臭氧总量浓度为粤港澳大湾区2020-2030年这11年间的最小值,为259.20DU,2024-2029年的臭氧总量变化趋势为先上升再下降然后再上升,2029年的臭氧总量浓度为粤港澳大湾区2020-2032年这11年内的最大值,为274.11DU。2029-2030年的臭氧总量急速下降,从最大值274.11DU下降至了次低值259.57DU,从整体来看,粤港澳大湾区2020-2030年臭氧总量的发展趋势为“下降-上升-下降”如此不断地变化,变化范围大致为259DU-275DU,2029年的臭氧总量为最大值,2024年的臭氧总量则是最小值。/>
Claims (8)
1.基于傅里叶级数的臭氧总量变化预测方法,其特征在于:具体包括以下步骤:
步骤一、获取数据:将搭载在卫星上的OMI臭氧监测仪对某地区的臭氧总量监测数据导入到数据库(1)中进行存储;
步骤二、数据处理:利用空间插值计算单元(4)对数据库(1)中存储的数据进行处理,通过反距离加权插值计算模块(10)、普通克里金插值计算模块(11)、泛克里金插值计算模块(12)和规则样条函数插值计算模块(13)将离散的数据构建成连续的表面数据;
步骤三、显著性检验:通过显著性检验单元(5)对步骤二中反距离加权插值法、普通克里金插值法、泛克里金插值法和规则样条函数插值法计算出的数值进行显著性检验,经过方差齐性检验模块(15)判断两总体的方差是否相等,相等后,利用真实值对比模块(14)四种插值方法得到的值和真实值对比出差异,利用独立样本t检验模块(16)分析该差异是否显著;
步骤四、精度评价:通过精度评价单元(6)利用交叉验证法对步骤二中的插值进行分析,通过相关系数统计模块(17)、第一均方根误差统计模块(18)、数据差平方和统计模块(19)、平均误差统计模块(20)和平均相对误差统计模块(21)分别对相关系数、均方根误差、数据差平方和、平均误差和平均相对误差进行统计计算,确定并选择精度最高的插值计算方法;
步骤五、拟合处理:将数据库(1)中收集的某地区臭氧总量数据传输至拟合预测单元(3)中,通过一次函数拟合模块(22)、多项式拟合模块(23)和周期函数拟合模块(24)对数据进行拟合处理;
步骤六、分析检验:利用分析检验单元(8)对于步骤五中获得拟合数据进行分析检验,通过相关系数的平方统计模块(25)对三个拟合数据中的回归平方和占总平方和中的比率,即回归方程所能解释的因变量变异性的百分比进行比较,通过残差平方和统计模块(26)对三个拟合数据中的每个点的估计值和实际值的平方差之和进行比较,通过第二均方根误差统计模块(27)对三个拟合数据中的观测值和真实值偏差的平方和观测次数n比值的平方根进行比较,根据分析检验结果选择并确定出最佳拟合方法;
步骤七、预测输入:通过预测计算单元(9)利用步骤四中获得的确定并选择精度最高的插值计算方法对数据库(1)中存储的某地区臭氧总量数据进行插值计算,然后通过步骤六中选择并确定的最佳拟合方法进行数据拟合,从而对某地区的臭氧总量进行预测。
2.根据权利要求1所述的基于傅里叶级数的臭氧总量变化预测方法,其特征在于:所述步骤二中对于空间插值的计算具体包括以下子步骤:
S1、反距离加权插值计算:利用反距离加权插值计算模块(10)按照反距离加权插值法进行计算,反距离加权插值法的计算公式如下:
计算权重的公式如下:
其中为在s0处的预测值,N为预测计算过程中要使用的预测点周围样点的数量,λi为预测计算过程中使用的各样点的权重,Z(si)为在si处获得的测量值,P为幂,即指数值,di0为预测点s0与各样点si的距离;
S2、普通克里金插值计算:利用普通克里金插值计算模块(11)按照普通克里金插值法进行计算,普通克里金插值法的计算公式如下:
样本变异函数值计算用公式如下:
其中υj,j=1,2,3,…,n为待估值点周围的点的变量值,rj为其对应的权重系数,h为分离距离,Nh为在(xi+h,xi)之间用来计算样本变异系数值的样本点总数;
S3、泛克里金插值计算:利用泛克里金插值计算模块(12)按照泛克里金插值法进行计算;
S4、规则样条函数插值计算:利用规则样条函数插值计算模块(13)按照规则样条函数插值法进行计算,规则样条函数插值法中属性值的计算公式如下:
Z(x,y)=∑A,F+a+bx+cy
A、a、b、c的计算公式如下:
其中A为相关系数,x,y为要被插值点的x、y坐标,a+bx+cy为趋势方程,F为基本函数,可获得最小曲率的面,d为插值点与第i个站点之间的距离,τ为权重,取0-0.5之间,c为常数等于0.577215,K0(d/τ)为修正的零次贝塞尔函数,n为站点数目,fτ为站点i的变量值。
3.根据权利要求1所述的基于傅里叶级数的臭氧总量变化预测方法,其特征在于:所述步骤五中的拟合处理具体包括以下子步骤:
S4、一次函数拟合:利用一次函数拟合模块(22)按照一次函数y=a+bx拟合,运用一次函数对某地区的平均臭氧总量进行拟合;
S5、多项式拟合:通过多项式拟合模块(23)利用一个多项式展开去对包含数个分析格点的一小块分析区域中的所有观测点进行拟合,从而便能得到观测数据的客观分析场,多项式的展开系数则是通过最小二乘法来确定的;
S6、周期函数拟合:通过周期函数拟合模块(24)使用两种周期函数进行拟合,分别是三角函数和周期信号的傅里叶级数的三角形式,其中三角函数如下:
y=y0+Asin(ωx+xc)
周期信号的傅里叶级数的三角形式如下:
其中y0、A、ω、xc均为待求参数,a0、an、ω、bn为待求参数。
4.根据权利要求1所述的基于傅里叶级数的臭氧总量变化预测方法,其特征在于:所述数据库(1)分别与空间插值获取系统(2)和拟合预测单元(3)实现双向连接,所述空间插值获取系统(2)包括空间插值计算单元(4)、显著性检验单元(5)和精度评价单元(6),所述空间插值计算单元(4)的输出端分别与显著性检验单元(5)和精度评价单元(6)的输入端连接,所述拟合预测单元(3)包括数据拟合单元(7)、分析检验单元(8)和预测计算单元(9),所述数据拟合单元(7)的输出端与分析检验单元(8)的输入端连接,所述分析检验单元(8)的输出端与预测计算单元(9)的输入端连接。
5.根据权利要求1所述的基于傅里叶级数的臭氧总量变化预测方法,其特征在于:所述空间插值计算单元(4)包括反距离加权插值计算模块(10)、普通克里金插值计算模块(11)、泛克里金插值计算模块(12)和规则样条函数插值计算模块(13)。
6.根据权利要求1所述的基于傅里叶级数的臭氧总量变化预测方法,其特征在于:所述显著性检验单元(5)包括真实值对比模块(14)、方差齐性检验模块(15)和独立样本t检验模块(16)。
7.根据权利要求1所述的基于傅里叶级数的臭氧总量变化预测方法,其特征在于:所述精度评价单元(6)包括相关系数统计模块(17)、第一均方根误差统计模块(18)、数据差平方和统计模块(19)、平均误差统计模块(20)和平均相对误差统计模块(21)。
8.根据权利要求4所述的基于傅里叶级数的臭氧总量变化预测方法,其特征在于:数据拟合单元(7)包括一次函数拟合模块(22)、多项式拟合模块(23)和周期函数拟合模块(24),所述分析检验单元(8)包括相关系数的平方统计模块(25)、残差平方和统计模块(26)和第二均方根误差统计模块(27)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869647.8A CN113486295B (zh) | 2021-07-30 | 2021-07-30 | 基于傅里叶级数的臭氧总量变化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869647.8A CN113486295B (zh) | 2021-07-30 | 2021-07-30 | 基于傅里叶级数的臭氧总量变化预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486295A CN113486295A (zh) | 2021-10-08 |
CN113486295B true CN113486295B (zh) | 2023-05-30 |
Family
ID=77943709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110869647.8A Active CN113486295B (zh) | 2021-07-30 | 2021-07-30 | 基于傅里叶级数的臭氧总量变化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486295B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238327B (zh) * | 2022-05-25 | 2023-05-23 | 南京大学 | 基于卫星监测的三维空间甲烷分布格局模拟方法 |
CN115631218B (zh) * | 2022-12-21 | 2023-04-11 | 广东中浦科技有限公司 | 一种基于普通克里金插值的臭氧传输变化分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005017834A1 (es) * | 2003-07-25 | 2005-02-24 | Gerardo Abella Gavela | Procedimiento para el estudio y resolución de problemas medioambientales |
CN104833640A (zh) * | 2015-05-12 | 2015-08-12 | 华北电力大学(保定) | 一种便携式臭氧浓度在线监测装置及监测方法 |
CN107250769A (zh) * | 2015-01-05 | 2017-10-13 | 沙特阿拉伯石油公司 | 通过傅里叶变换红外光谱法(ftir)分析表征原油及其级分 |
CN107783134A (zh) * | 2016-08-31 | 2018-03-09 | 中国科学院遥感与数字地球研究所 | 一种火星大气水汽含量反演方法 |
CN112163375A (zh) * | 2020-09-28 | 2021-01-01 | 中国科学院空天信息创新研究院 | 一种基于神经网络的长时间序列近地面臭氧反演方法 |
CN112598178A (zh) * | 2020-12-23 | 2021-04-02 | 北方民族大学 | 一种基于贝叶斯框架下的大气污染物浓度预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170228743A1 (en) * | 2016-02-05 | 2017-08-10 | Weather Analytics, LLC | Crop forecasting with incremental feature selection and spectrum constrained scenario generation |
-
2021
- 2021-07-30 CN CN202110869647.8A patent/CN113486295B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005017834A1 (es) * | 2003-07-25 | 2005-02-24 | Gerardo Abella Gavela | Procedimiento para el estudio y resolución de problemas medioambientales |
CN107250769A (zh) * | 2015-01-05 | 2017-10-13 | 沙特阿拉伯石油公司 | 通过傅里叶变换红外光谱法(ftir)分析表征原油及其级分 |
CN104833640A (zh) * | 2015-05-12 | 2015-08-12 | 华北电力大学(保定) | 一种便携式臭氧浓度在线监测装置及监测方法 |
CN107783134A (zh) * | 2016-08-31 | 2018-03-09 | 中国科学院遥感与数字地球研究所 | 一种火星大气水汽含量反演方法 |
CN112163375A (zh) * | 2020-09-28 | 2021-01-01 | 中国科学院空天信息创新研究院 | 一种基于神经网络的长时间序列近地面臭氧反演方法 |
CN112598178A (zh) * | 2020-12-23 | 2021-04-02 | 北方民族大学 | 一种基于贝叶斯框架下的大气污染物浓度预测方法 |
Non-Patent Citations (6)
Title |
---|
2016年陕西省O3浓度时空变化规律;南国卫;《干旱区资源与环境》;第32卷(第05期);183-190 * |
Accelerating Parallel Transmit Array B1 Mapping in High Field MRI With Slice Undersampling and Interpolation by Kriging;Guillaume Ferrand;《 IEEE Transactions on Medical Imaging》;第33卷(第8期);1726 - 1734 * |
基于空间插值的西安市重空气污染期间主要污染物时空变化特征及相关性分析;温宥越;《环境科学研究》;第33卷(第04期);809-819 * |
珠海市郊区大气PM2.5中元素特征及重金属健康风险评价;全鼎余;《环境科学》;第40卷(第04期);1553-1561 * |
相控阵高强度聚焦超声高阵元驱动效率相位独立控制方法;陆明珠;《声学学报》;第35卷(第05期);488-494 * |
面向多任务模式学习与外推的自适应高斯过程算法研究;陈凯;《中国博士学位论文全文数据库》(第01期);I140-51 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486295A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113486295B (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
CN107194139B (zh) | 大气污染源分级方法及计算设备 | |
CN114662344B (zh) | 基于连续在线观测数据的大气污染溯源预测方法及系统 | |
CN110889196B (zh) | 基于水质模型的水环境承载力评估方法、装置及存储介质 | |
CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
CN113159454A (zh) | 一种鉴定评估土壤环境损害实物量的加密优化布点方法 | |
CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
CN113011455A (zh) | 一种空气质量预测svm模型构建方法 | |
CN115345069A (zh) | 一种基于最大水深记录和机器学习的湖泊水量估算方法 | |
CN115860214A (zh) | 一种pm2.5排放浓度的预警方法和装置 | |
CN112287299A (zh) | 河流健康变化定量归因方法、装置及系统 | |
CN117236515A (zh) | 一种预测城市行道树胸径生长趋势的方法、预测系统及电子设备 | |
CN116933034A (zh) | 生态系统碳储量变化的确定方法、系统、电子设备及介质 | |
CN115267950B (zh) | 一种初期雨水量化方法、装置、存储介质及电子设备 | |
CN116822366A (zh) | 一种径流污染负荷计算模型构建和径流污染负荷计算方法 | |
CN116541681A (zh) | 一种基于协同克里金插值的复合灾害空间变异性识别方法 | |
CN114487284B (zh) | 一种测量空气中重金属浓度的方法及系统 | |
CN115982606A (zh) | 基于模糊c均值聚类算法的桥梁结构健康检测方法及系统 | |
CN115453664A (zh) | 一种适用于无资料地区的降雨径流预报方法 | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN115203643A (zh) | 融合水文与生态要素的水源涵养功能定量诊断方法及系统 | |
CN107103552B (zh) | 勘探效率系数确定方法及装置 | |
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 | |
CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
CN113610436A (zh) | 一种承灾体动态脆弱性评估方法及系统 |
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 |