CN113553551B - 一种耦合景观格局的臭氧浓度预测系统 - Google Patents
一种耦合景观格局的臭氧浓度预测系统 Download PDFInfo
- Publication number
- CN113553551B CN113553551B CN202110856662.9A CN202110856662A CN113553551B CN 113553551 B CN113553551 B CN 113553551B CN 202110856662 A CN202110856662 A CN 202110856662A CN 113553551 B CN113553551 B CN 113553551B
- Authority
- CN
- China
- Prior art keywords
- module
- index
- ozone concentration
- ozone
- landscape
- 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
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 title claims abstract description 135
- 230000008878 coupling Effects 0.000 title claims abstract description 12
- 238000010168 coupling process Methods 0.000 title claims abstract description 12
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 12
- 239000000872 buffer Substances 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000010219 correlation analysis Methods 0.000 claims abstract description 17
- 238000013524 data verification Methods 0.000 claims abstract description 12
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 32
- 238000010276 construction Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000006116 polymerization reaction Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims 3
- 238000009795 derivation Methods 0.000 claims 2
- 238000011160 research Methods 0.000 description 10
- 230000002596 correlated effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000003570 air Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种耦合景观格局的臭氧浓度预测系统，以取样后城市景观格局的指标值为基础数据构建的多元回归模型模块，多元回归模型模块的输入端与共线性分析单元的输出端连接，共线性分析单元的输入端与数据处理单元的输出端连接，数据处理单元与数据验证单元实现双向连接，共线性分析单元的输出端与相关性分析单元的输入端连接，本发明涉及臭氧浓度预测技术领域。该耦合景观格局的臭氧浓度预测系统，通过划定不同的缓冲区范围，测定该范围的臭氧值，并利用不同缓冲区臭氧值进行相关性分析与多元回归建模，从而确定一个合适的缓冲区范围探究城市景观指数与臭氧浓度之间的相关关系，进而实现基于景观格局的臭氧浓度预测。
Description
技术领域
本发明涉及臭氧浓度预测技术领域，具体为一种耦合景观格局的臭氧浓度预测系统。
背景技术
近年来，随着工业化、城镇化进程的不断加快，广州市近地面臭氧浓度呈现日益上升趋势，导致臭氧污染形势日趋严重，引起了政府和人民群众的广泛关注。近地面臭氧污染会加重呼吸疾病、损害肺功能，引发胸疼、恶心、疲乏等症状，给人体健康造成极大危害，严重时还会造成死亡事件。臭氧污染并不像灰霾一样人眼能够看得见，因此很容易被忽视，而且控制难度非常大，所以在大气污染治理中，臭氧污染将会是相关部门首先要解决的难题，而越早进行臭氧污染的治理就对大气环境越为有利。
研究表明，人为污染排放是臭氧浓度升高的主要原因之一，而那些人为污染排放较严重的地区，如工业区、人口密集地区、城市中心等，臭氧污染更为集中，且浓度也相对较高。这些地区由复杂的城市景观构成，如参差起伏的建筑景观、纵横交错的交通用地等，这些复杂的景观格局会对大气污染物浓度起到很大的分异作用，在改变空气运动的同时也会极大地影响大气污染物的扩散，而目前大多数研究仅从政策、排放端治理、道路移动端治理、技术开发层面对臭氧污染进行治理。但近年来，随着人口增长、经济发展，建设用地面积持续增长，城市景观格局不断变化，所以研究城市景观格局对臭氧污染的影响，对于实现健康发展与区域生态安全有着重要的意义。
总结有关城市景观格局与大气污染相关研究可以发现，多集中于城市景观格局要素与大气颗粒物浓度的影响作用方面，而有关臭氧污染与景观格局相关关系的研究比较少见，其中关于臭氧浓度的影响因素的研究大部分集中在前体物、气候和地形方面，而在城市格局方面相关研究较少，而随着城市景观格局的不断变化，臭氧浓度带来的危害始终存在，为此，特提出一种耦合景观格局的臭氧浓度预测系统，用于根据城市景观格局来对臭氧浓度进行预测。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种耦合景观格局的臭氧浓度预测系统，解决了常规的臭氧浓度预测很少对景观格局进行分析的问题。
(二)技术方案
为实现上述目的，本发明提供了如下技术方案：一种耦合景观格局的臭氧浓度预测系统，以取样后城市景观格局的指标值为基础数据构建的多元回归模型模块，所述多元回归模型模块的输入端与共线性分析单元的输出端连接，所述共线性分析单元的输入端与数据处理单元的输出端连接，所述数据处理单元与数据验证单元实现双向连接，所述共线性分析单元的输出端与相关性分析单元的输入端连接，所述多元回归模型模块和相关性分析单元均与模型预测单元实现双向连接；
所述共线性分析单元对所有景观格局指标进行共线性分析，用于排除自变量之间的相关性；
所述数据处理单元选择不同范围的缓冲区，并对不同缓冲区范围内的臭氧值进行计算，用于确定一个合适的缓冲区范围探究城市景观指数与臭氧浓度之间的相关关系；
所述数据验证单元基于数据处理单元中获取的臭氧值进行插值计算，用于获得预测精度较高的计算方式，对缓冲区臭氧值进行计算；
所述相关性分析单元对共线性分析单元中获取的指标值进行分析，用于获取指标值和臭氧浓度之间相互关系的密切程度和变化趋势；
所述模型预测单元以图表的形式对数据进行排列，明确变量和臭氧浓度之间的关系，用于预测臭氧浓度。
通过采用上述技术方案，对城市景观格局进行取样，并对取样后的景观格局的大量指标值进行计算，经过共线性分析后筛选出有效的指标值后，构成具有预测效果的多元回归模型。
本发明进一步设置为：所述数据处理单元包括缓冲区划分模块、臭氧值计算模块、均值计算模块和优解选择模块，所述缓冲区划分模块的输出端与臭氧值计算模块的输入端连接，所述臭氧值计算模块的输出端与均值计算模块的输入端连接，所述均值计算模块的输出端与优解选择模块的输入端连接。
通过采用上述技术方案，对缓冲区的臭氧浓度均值进行计算，作为基础数据。
本发明进一步设置为：所述数据验证单元包括插值计算模块、处理结果导入模块、实际值比较模块和最优解导出模块，所述插值计算模块的输出端与处理结果导入模块的输入端连接，所述处理结果导入模块的输出端与实际值比较模块的输入端连接，所述实际值比较模块的输出端与最优解导出模块的输入端连接。
通过采用上述技术方案，利用克里金插值法与反距离权重插值法分别对臭氧浓度进行计算，提供数据比较基础。
本发明进一步设置为：所述插值计算模块采用克里金插值法与反距离权重插值法进行计算，其中克里金插值法的公式为：
式中，为未知点的臭氧浓度，Zi为已知点i处的臭氧浓度，λi为点i处的权重值；
所述反距离权重插值法的公式为：
其中，Z(x0)为未知点x0处的臭氧浓度，Z(xi)为已知点xi处的臭氧浓度，n为样点的数量，λ为样点的权重值，其计算公式为：
式中di0为各插值点与样本点之间的距离，p是样本点与插值点之间距离的幂。
通过采用上述技术方案，样本点在预测过程中受p值的影响，p值越大，插值效果越好越平滑。
本发明进一步设置为：所述共线性分析单元包括土地分类整合模块、指标设定模块、指标值计算模块、共线性筛选模块和指标确定模块，所述土地分类整合模块的输出端与指标设定模块的输入端连接，所述指标设定模块的输出端与指标值计算模块的输入端连接，所述指标值计算模块的输出端与共线性筛选模块的输入端连接，所述共线性筛选模块的输出端与指标确定模块的输入端连接。
通过采用上述技术方案，在进行逐步多元回归之前，对景观格局指数进行共线性分析，排除自变量之间的相关性。
本发明进一步设置为：所述指标设定模块具体包括斑块个数NP、斑块密度PD、平均形状指数SHAPE_MN、平均斑块分维数FRAC_MN、平均边缘面积比PARA_MN香农多样性指数SHDI、香农均度指数SHEI、景观形状指数LSI、蔓延度CONTAG、斑块结合度COHESION、景观分割度DIVISION、有效粒度尺寸MESH、分离度指数SPLIT和斑块聚合度AI。
通过采用上述技术方案，借助Fragstats软件来计算获得景观指数，利用不同类型用地上大量的指标值来提供研究数据，保证预测模型的合理有效，且可以从定量角度综合描述景观格局特点，包括景观的排列方式、空间组合、组成成分等，据此可以对景观格局进行更好的研究。
本发明进一步设置为：所述指标确定模块具体包括香农均度指数SHEI、分离度指数SPLIT、平均形状指数SHAPE_MN、平均边缘面积比PARA_MN和斑块个数NP。
通过采用上述技术方案，筛选出有效的且呈共线性关系的指数，避免景观格局指标之间存在高度相关性，导致多元回归模型失真的情况。
本发明进一步设置为：所述模型预测单元包括数据输入模块、数据比较模块和预测导出模块，所述数据输入模块的输出端与数据比较模块的输入端连接，所述数据比较模块的输出端与预测导出模块的输入端连接。
通过采用上述技术方案，更加直观地对相关变量与臭氧浓度之间的关系进行了解。
(三)有益效果
本发明提供了一种耦合景观格局的臭氧浓度预测系统。具备以下有益效果：
(1)该耦合景观格局的臭氧浓度预测系统，通过划定不同的缓冲区范围，测定该范围的臭氧值，并利用不同缓冲区臭氧值进行相关性分析与多元回归建模，从而确定一个合适的缓冲区范围探究城市景观指数与臭氧浓度之间的相关关系，进而实现基于景观格局的臭氧浓度预测。
(2)该耦合景观格局的臭氧浓度预测系统，通过对不同土地类型上的景观格局进行采样，并对大量的景观格局指数进行计算，保证采样多样性的同时，对大量景观格局指数进行筛选，获取具有耦合关系的景观格局指数，保证模型预测的精准有效。
附图说明
图1为本发明的系统原理框图；
图2为本发明共线性分析单元的系统原理框图；
图3为本发明数据处理单元的系统原理框图；
图4为本发明数据验证单元的系统原理框图；
图5为本发明模型预测单元的系统原理框图；
图6为本发明指标设定模块的系统原理框图；
图7为本发明指标确定模块的系统原理框图；
图8为本发明相关性分析结果表图；
图9为本发明逐步多元线性回归结果表图；
图10为本发明不同范围缓冲区多元回归模型拟合优度表图；
图11为本发明共线性分析表图。
图中，1、多元回归模型模块；2、共线性分析单元；3、数据处理单元；4、数据验证单元；5、相关性分析单元；6、模型预测单元；7、缓冲区划分模块；8、臭氧值计算模块；9、均值计算模块；10、优解选择模块；11、插值计算模块；12、处理结果导入模块；13、实际值比较模块；14、最优解导出模块；15、土地分类整合模块；16、指标设定模块；17、指标值计算模块；18、共线性筛选模块；19、指标确定模块；20、数据输入模块；21、数据比较模块；22、预测导出模块。
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1-11，本发明实施例提供一种技术方案：一种耦合景观格局的臭氧浓度预测系统，以取样后城市景观格局的指标值为基础数据构建的多元回归模型模块1，多元回归模型模块1的输入端与共线性分析单元2的输出端连接，共线性分析单元2的输入端与数据处理单元3的输出端连接，数据处理单元3与数据验证单元4实现双向连接，共线性分析单元2的输出端与相关性分析单元5的输入端连接，多元回归模型模块1和相关性分析单元5均与模型预测单元6实现双向连接；
共线性分析单元2对所有景观格局指标进行共线性分析，用于排除自变量之间的相关性；
数据处理单元3选择不同范围的缓冲区，并对不同缓冲区范围内的臭氧值进行计算，用于确定一个合适的缓冲区范围探究城市景观指数与臭氧浓度之间的相关关系；
数据验证单元4基于数据处理单元3中获取的臭氧值进行插值计算，用于获得预测精度较高的计算方式，对缓冲区臭氧值进行计算；
相关性分析单元5对共线性分析单元2中获取的指标值进行分析，用于获取指标值和臭氧浓度之间相互关系的密切程度和变化趋势；
模型预测单元6以图表的形式对数据进行排列，明确变量和臭氧浓度之间的关系，用于预测臭氧浓度，进一步说明，通过划定不同的缓冲区范围，测定该范围的臭氧值，并利用不同缓冲区臭氧值进行相关性分析与多元回归建模，从而确定一个合适的缓冲区范围探究城市景观指数与臭氧浓度之间的相关关系，进而实现基于景观格局的臭氧浓度预测。
作为优选方案，数据处理单元3包括缓冲区划分模块7、臭氧值计算模块8、均值计算模块9和优解选择模块10，缓冲区划分模块7采用统一网格取样法，将不同尺寸的正方形网格覆盖研究区域，后将正方形网格分割成大小相等的若干子区域，将每个子区域作为研究物质数量统计的一个标准样方，根据环境空气质量监测规范(试行)，空气环境质量评价监测点位可代表范围一般为半径500m至4000m的区域，因此，本研究以500m为最小网格，每次尺度增大为上一次的2倍，将尺度分别为：500m*500m、1000m*1000m、2000m*2000m、4000m*4000m的网格作为多尺度取样的模板，选取了6个不同范围的缓冲区，分别为：500米、1000米、2000米、3000米、4000及5000米，分别统计其下的臭氧浓度，作为下一步的数据基础，采用逐步多元线性回归模型对预测变量进行处理，先对不同范围缓冲区进行多元回归建模，最终得到不同缓冲区范围的模型拟合优度如附图10所示，可以看出4000米条件下模型拟合优度最佳。
均值计算模块9利用arcgis软件把IDW插值结果按照不同的缓冲区范围裁剪，之后利用数据管理工具中的栅格转点，将每个栅格转成一个点，得到对应缓冲区范围内每一个点的臭氧值，将得到的点文件导出至Excel，利用Excel工具，将所有的点的值相加除以点的个数，求出整个缓冲区范围内的臭氧平均值，缓冲区划分模块7的输出端与臭氧值计算模块8的输入端连接，臭氧值计算模块8的输出端与均值计算模块9的输入端连接，均值计算模块9的输出端与优解选择模块10的输入端连接。
作为优选方案，数据验证单元4包括插值计算模块11、处理结果导入模块12、实际值比较模块13和最优解导出模块14，插值计算模块11的输出端与处理结果导入模块12的输入端连接，处理结果导入模块12的输出端与实际值比较模块13的输入端连接，实际值比较模块13的输出端与最优解导出模块14的输入端连接，进一步说明，通过比较反距离权重插值法和克里金插值法与实际值之间的均方根误差，得出反距离权重插值法结果小于克里金插值法的结果，预测精度更高，故选用反距离权重插值法的结果对缓冲区臭氧值进行计算。
作为优选方案，插值计算模块11采用克里金插值法与反距离权重插值法进行计算，其中克里金插值法的公式为：
式中，为未知点的臭氧浓度，Zi为已知点i处的臭氧浓度，λi为点i处的权重值；
反距离权重插值法的公式为：
其中，Z(x0)为未知点x0处的臭氧浓度，Z(xi)为已知点xi处的臭氧浓度，n为样点的数量，λ为样点的权重值，其计算公式为：
式中di0为各插值点与样本点之间的距离，p是样本点与插值点之间距离的幂，进一步说明，。
作为优选方案，共线性分析单元2包括土地分类整合模块15、指标设定模块16、指标值计算模块17、共线性筛选模块18和指标确定模块19，土地分类整合模块15采用第三次全国国土调查的土地分类的分类，具体包括：耕地、园地、林地、草地、商服用地、工矿仓储用地、住宅用地、公共管理与公共服务用地、特殊用地、交通运输用地、水域及水利设施用地、其他用地。后又将其分类整合，将耕地、林地、草地整合为林地大类，商服用地、工矿仓储用地、住宅用地、公共管理与公共服务用地整合为城市建设用地大类，最后总共获得三种用地类型数据，即林地、城镇建设用地、综合土地利用数据，土地分类整合模块15的输出端与指标设定模块16的输入端连接，指标设定模块16的输出端与指标值计算模块17的输入端连接，指标值计算模块17的输出端与共线性筛选模块18的输入端连接，共线性筛选模块18的输出端与指标确定模块19的输入端连接。
作为优选方案，指标设定模块16具体包括斑块个数NP、斑块密度PD、平均形状指数SHAPE_MN、平均斑块分维数FRAC_MN、平均边缘面积比PARA_MN香农多样性指数SHDI、香农均度指数SHEI、景观形状指数LSI、蔓延度CONTAG、斑块结合度COHESION、景观分割度DIVISION、有效粒度尺寸MESH、分离度指数SPLIT和斑块聚合度AI，进一步说明，NP是景观中所有的斑块总数，反映景观的空间格局，一般NP≥1，NP的大小与景观的破碎程度呈正相关，NP的值越大，景观的破碎程度越大，反之景观破碎程度越小，
NP＝n
式中：n表示景观中所有斑块总数；
PD是景观格局分析的基本指数之一，其单位为每100公顷内的斑块数，即单位面积上的斑块数量，可以针对不同面积的景观进行比较。
式中：ni是第i类景观要素的面积；A是空间范围内景观的总面积；
LSI是用来测定景观中斑块形状复杂程度的指标，可以确定这一景观中的优势斑块类型，其通过计算斑块与其面积相同的正方形或圆形的周长之比，得出其复杂程度。当景观中的斑块形状越不规则，即其形状越不像正方形或圆形时，景观形状指数值越大；当斑块形状越规则时，景观形状指数值则会越小，
式中：E为斑块周长(m)；A为斑块面积(m2)；
SHAPE_MN与是通过计算某一斑块形状与面积相同的圆形或正方形之间的周长之比，得出其复杂程度；当斑块形状越不规则，即其形状越不像正方形或圆形时，平均形状值越大；当斑块形状越规则时，平均形状指数则会越小。平均值指的是景观中所有斑块的形状指数之和除以斑块总数，
(以圆形为参照几何)
(以正方形为参照几何)
式中：P为斑块周长(m)；A为斑块面积(m2)；
FRAC_MN是形容斑块形状复杂程度的指标，斑块形状的复杂程度与其值成正比，斑块形状的复杂程度随着平均斑块分维数的增大而增大，平均斑块分维数的值域从1到2，其值越接近1就代表斑块形状越简单，越接近正方形，越接近2就代表斑块是其等面积情况之下最复杂的形状，
式中：FRAC_MN表示分维数；k为比例常数；Pij为斑块周长；aij为斑块面积；i和j分别表示第i类斑块及其中第j个斑块；
PARA_MN以斑块为单位，强调斑块的形状的复杂程度，对斑块面积有较强的依赖性，可以较好的反应斑块形状的复杂程度，
式中：PARA_MN表示平均边缘面积比；Pij为斑块周长；aij为斑块面积；i和j分别表示第i类斑块及其中第j个斑块，
蔓延度是利用空间信息，描述景观范围内某一类型斑块的聚集程度或分散程度。蔓延度与景观中优势斑块之间的连接性成正比，即蔓延度越高，优势斑块之间的连接性越好；蔓延度越低，优势斑块之间连接性越差，斑块之间分布越分散。
式中：pi为i类型斑块面积所占总面积的百分比；gik为i类型斑块和k类型斑块相邻的数目；m为整个景观中的斑块总数量；
斑块结合度是一项用来衡量景观内斑块连通程度的指标。该指标被用来描述景观中斑块在各个维度上的联系，包括功能维度和生态维度。不仅如此，斑块结合度还可以用来描述景观中斑块结构与功能之间的关系，其计算公式如下：
式中：Pij为斑块ij的周长；aij为斑块ij的面积；Z为景观中的斑块总数；
DIVISION以斑块为单位，侧重于描述景观内部，可以反映景观中不同斑块个体分布的离散程度。DIVISION的范围在0～1之间，当DIVISION＝0则说明景观由一个斑块组成，当DIVISION越接近1，则说明景观的分割程度越大，
式中：aj为某类景观第j个斑块的面积(hm2)；TA为区域总面积(hm2)；
MESH基于累计斑块面积分布，并且可以看为相应的斑块类型被细分为SPLIT个斑块时的斑块大小，与DIVISION不同的是，MESH反映的是斑块面积，DIVISION表示的是斑块占比，MESH反映相应板块大小的面积加权的平均斑块大小，
式中：aij为斑块ij的面积；A为景观面积；
分离度指数的计算基于累计斑块面积分布，其可以看为相应的斑块类型被细分为SPLIT个斑块时的有效网格数量，或者是固定斑块大小的斑块数量。SPLIT的值大于1，小于景观面积平方中的元胞数，
式中：aij为斑块ij的面积；A为景观面积；
香农多样性是一项用来检测一定范围景观中斑块多样性的指标。最初香农多样性被用来反映生态学中的景观多样性。当被检测样本异质性大、分布不均衡时，香农多样性可以较好的反映其特性。香农多样性指数与斑块的破碎化程度成正比，景观范围中，斑块种类越丰富，不定性越大，香农多样性的值越大。其公式如下：
式中：pi——景观斑块类型i所占据的比率；
香农均度指数与香浓多样性类似，也是用来反映景观多样性的一项指标，香农均度指数的值域在0到1之间，其值越接近1，则说明景观内斑块类型越均一，某种类型的斑块占比很大；其值越接近0，则说明景观中斑块类型分布均衡，没有突出的优势斑块类型。其计算公式如下：
式中：Pi为i类斑块所占景观的比例；m为该斑块数量；
斑块聚合度的计算原理是利用同类型斑块之间公共边界长度进行计算。当某类斑块中所有斑块不存在公共边界时，该类斑块的聚合程度最低；而当某类斑块中所有斑块间存在的公共边界，且其达到最大值时，那么此类斑块聚合指数最大，
式中：gii为相应景观类型的相似邻接斑块数量。
作为优选方案，指标确定模块19具体包括香农均度指数SHEI、分离度指数SPLIT、平均形状指数SHAPE_MN、平均边缘面积比PARA_MN和斑块个数NP，进一步说明，指标确定模块19其共线性分析如附图11所示，在表中显示了共线性分析的两个统计量，容差值和方差膨胀因子(VIF)，一般情况下，若容差值小于0.2或方差膨胀因子(VIF)大于10，则认为自变量之间有很强的共线性，表中所有自变量容差值均大于0.2且方差膨胀因子(VIF)均小于10，说明进入多元回归之中的自变量不存在共线性。
作为优选方案，模型预测单元6包括数据输入模块20、数据比较模块21和预测导出模块22，数据输入模块20的输出端与数据比较模块21的输入端连接，数据比较模块21的输出端与预测导出模块22的输入端连接。
工作时，利用缓冲区划分模块7选择500m*500m、1000m*1000m、2000m*2000m、4000m*4000m尺度的作为缓冲区，选取斑块个数NP、斑块密度PD、平均形状指数SHAPE_MN、平均斑块分维数FRAC_MN、平均边缘面积比PARA_MN香农多样性指数SHDI、香农均度指数SHEI、景观形状指数LSI、蔓延度CONTAG、斑块结合度COHESION、景观分割度DIVISION、有效粒度尺寸MESH、分离度指数SPLIT和斑块聚合度AI作为指标，经过指标值计算模块17利用Fragstats的计算，计算出不同范围缓冲区的指标值，然后通过共线性分析单元2对所有景观格局指标进行共线性分析，通过共线性筛选模块18的筛选后，通过指标确定模块19确定出SHEI综合土地利用、SPLIT林地、SHAPE_MN林地、PARA_MN城市建设用地和NP城市建设用地，测得4000米缓冲区范围内的景观指标与臭氧值，如附图8所示，表中1是城市建设用地，2是林地，**.在0.01水平(双侧)上显著相关，*.在0.05水平(双侧)上显著相关，从表中可以看出，在4000米缓冲区范围内，在所有的用地类型中，综合土地利用与城市建设用地的景观指数与臭氧浓度具有相关性，综合土地利用下的香农均度指数(SHEI)指标与臭氧浓度在0.01水平上显著相关、城市建设用地下的平均形状指数(SHAPE_MN)指标、平均斑块分维数(FRAC_MN)指标、斑块结合度(COHESION)指标、斑块聚合度(AI)指标与臭氧浓度在0.05水平上显著相关，而其他指标与用地类型则与臭氧浓度变化物无明显的相关关系，所有与臭氧浓度具有相关性的指标都与其呈负相关关系，即城市的香农均度指数(SHEI)越低，城市建设用地的平均形状指数(SHAPE_MN)、平均斑块分维数(FRAC_MN)、斑块结合度(COHESION)、斑块聚合度(AI)越低，就越能对降低臭氧浓度发挥影响，说明一个城市中优势斑块种类越丰富，城市建设用地斑块形状越规则即越接近圆或正方形，斑块之间越分散，越有利于臭氧浓度的降低，依据3大类土地类型与臭氧浓度的回归分析结果，结合附图9展示的数据，其中B表示多元回归方程中各自变量的偏回归系数，Beta是标准化偏回归系数，用于测度各自变量对因变量的相对重要程度，t和Sig.是单个自变量的t检验统计量及其显著性，构建出臭氧浓度的多元回归模型为：
Y臭氧＝69.871-22.055X1+1.455X2-2.942X3+0.011X4-0.529X5
式中：Y臭氧表示臭氧的浓度，X1表示SHEI-综合土地利用，X2表示SPLIT-林地，X3表示SHAPE_MN-林地，X4表示PARA_MN-城市建设用地，X5表示NP-城市建设用地。
依据多元回归模型结果中的偏回归系数B来看，SPLIT-林地、PARA_MN城市建设用地均属于不同用地类型的景观指数，其偏回归系数均为正值，与臭氧浓度呈正相关，即这些自变量增大，臭氧浓度也会增大，换而言之，林地的分离度指数越高，分布越分散，臭氧浓度就越高；城市建设用地周长面积比越大，城市越复杂，臭氧浓度越高。而SHEI-土地综合利用、SHAPE_MN-林地、NP-城市建设用地的偏回归系数均为负值，表明在4000米缓冲区内土地综合利用的香农均度指数、林地的平均形状指数、城市建设用地的斑块数量越大，越有利于臭氧浓度的降低，即综合土地利用中，景观内优势斑块种类越多；林地的斑块越规则(越接近圆或正方形)；城市建设用地的斑块越多，越有利于臭氧浓度的降低，而其他指标如景观形状指数(LSI)、香农多样性指数(SHDI)、有效粒度尺寸(MESH)、斑块聚合度(AI)在4000米范围的缓冲区内对臭氧的影响并不显著。
依据多元回归的模型结果的标准化偏回归系数Beta来看，在4000米缓冲区范围内对臭氧浓度影响程度为SPLIT-林地>SHEI综合土地利用>SHAPE_MN林地>PARA_MN城市建设用地>NP城市建设用地在4000米缓冲区内对臭氧浓度有着最大影响的是林地的分离度指数(SPLIT)指标和综合土地利用的香农均度指数(SHEI)指标，即林地的斑块分离程度越大；城市土地利用中景观内优势斑块的种类越多，臭氧浓度降低的越明显，其次林地的平均形状指数(SHAPE_MN)、城市建设用地的平均边缘面积比(PARA_MN)与斑块个数(NP)指标对臭氧浓度有明显影响，整体上来看，林地和综合土地利用的景观格局指数比城市建设用地的景观格局指数对4000米缓冲区范围内的臭氧浓度影响更大，根据多元回归模型的结果，进入方程的所有景观格局指标均在95％的显著性水平下通过t检验，表明各自变量景观指数的偏回归系数对因变量臭氧浓度具有显著影响。
综上所述，可以发现，臭氧浓度与不同类型的城市土地利用的不同的城市景观格局指标存在联系，但其重要程度存在不同，各因子影响机制有以下几点：
(1)在500米、1000米、2000米、3000米、4000米、5000米的缓冲区中，4000米的缓冲区范围内，城市景观指数与臭氧浓度的拟合优度最好。
(2)城市的综合土地利用中，香农均度指数(SHEI)无论在多元回归模型中还是在相关性分析中，都与臭氧浓度呈现出高度的相关性，总体来说，城市景观指数的香农均度指数越低，即景观内优势斑块种类越多，越有利于控制臭氧污染。
(3)在城市建设用地中，平均边缘面积比(PARA_MN)与斑块个数(NP)在多元回归模型中与臭氧浓度存在较强的线性关系，其中平均边缘面积比(PARA_MN)与臭氧浓度呈负相关，斑块个数(NP)与臭氧浓度呈正相关。而平均形状指数(SHAPE_MN)、平均斑块分维数(FRAC_MN)、斑块结合度(COHESION)、斑块聚合度(AI)在相关分析中与臭氧浓度相关性更强，与其呈负相关。
(4)在城市林地中，分离度指数(SPLIT)与平均形状指数(SHAPE_MN)在多元回归模型中对臭氧浓度的变化做出贡献，其中分离度指数(SPLIT)与臭氧浓度呈正相关，平均形状指数(SHAPE_MN)与臭氧浓度呈负相关。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种耦合景观格局的臭氧浓度预测系统，其特征在于：以取样后城市景观格局的指标值为基础数据构建的多元回归模型模块(1)，所述多元回归模型模块(1)的输入端与共线性分析单元(2)的输出端连接，所述共线性分析单元(2)的输入端与数据处理单元(3)的输出端连接，所述数据处理单元(3)与数据验证单元(4)实现双向连接，所述共线性分析单元(2)的输出端与相关性分析单元(5)的输入端连接，所述多元回归模型模块(1)和相关性分析单元(5)均与模型预测单元(6)实现双向连接；
所述共线性分析单元(2)对所有景观格局指标进行共线性分析，用于排除自变量之间的相关性，所述共线性分析单元(2)包括土地分类整合模块(15)、指标设定模块(16)、指标值计算模块(17)、共线性筛选模块(18)和指标确定模块(19)，所述土地分类整合模块(15)的输出端与指标设定模块(16)的输入端连接，所述指标设定模块(16)的输出端与指标值计算模块(17)的输入端连接，所述指标值计算模块(17)的输出端与共线性筛选模块(18)的输入端连接，所述共线性筛选模块(18)的输出端与指标确定模块(19)的输入端连接；
指标设定模块(16)具体包括斑块个数NP、斑块密度PD、平均形状指数SHAPE_MN、平均斑块分维数FRAC_MN、平均边缘面积比PARA_MN香农多样性指数SHDI、香农均度指数SHEI、景观形状指数LSI、蔓延度CONTAG、斑块结合度COHESION、景观分割度DIVISION、有效粒度尺寸MESH、分离度指数SPLIT和斑块聚合度AI；
所述指标确定模块(19)具体包括香农均度指数SHEI、分离度指数SPLIT、平均形状指数SHAPE_MN、平均边缘面积比PARA_MN和斑块个数NP；
所述数据处理单元(3)选取了6个不同范围的缓冲区，分别为：500米、1000米、2000米、3000米、4000及5000米，分别统计其下的臭氧浓度，采用逐步多元线性回归模型对预测变量进行处理，先对不同范围缓冲区进行多元回归建模，最终得到不同缓冲区范围的模型拟合优度，构建出臭氧浓度的多元回归模型，多元回归模型包括Y臭氧、X1、X2、X3、X4和X5，通过X1、X2、X3、X4和X5拟合Y臭氧，其中Y臭氧表示臭氧的浓度，X1表示SHEI-综合土地利用，X2表示SPLIT-林地，X3表示SHAPE_MN-林地，X4表示PARA_MN-城市建设用地，X5表示NP-城市建设用地，用于探究城市景观指数与臭氧浓度之间的相关关系；
所述数据验证单元(4)基于数据处理单元(3)中获取的臭氧值进行插值计算，用于对缓冲区臭氧值进行计算；
所述相关性分析单元(5)对共线性分析单元(2)中获取的指标值进行分析，用于获取指标值和臭氧浓度之间相互关系的密切程度和变化趋势；
所述模型预测单元(6)以图表的形式对数据进行排列，明确变量和臭氧浓度之间的关系，用于预测臭氧浓度。
2.根据权利要求1所述的一种耦合景观格局的臭氧浓度预测系统，其特征在于：所述数据处理单元(3)包括缓冲区划分模块(7)、臭氧值计算模块(8)、均值计算模块(9)和优解选择模块(10)，所述缓冲区划分模块(7)的输出端与臭氧值计算模块(8)的输入端连接，所述臭氧值计算模块(8)的输出端与均值计算模块(9)的输入端连接，所述均值计算模块(9)的输出端与优解选择模块(10)的输入端连接。
3.根据权利要求1所述的一种耦合景观格局的臭氧浓度预测系统，其特征在于：所述数据验证单元(4)包括插值计算模块(11)、处理结果导入模块(12)、实际值比较模块(13)和最优解导出模块(14)，所述插值计算模块(11)的输出端与处理结果导入模块(12)的输入端连接，所述处理结果导入模块(12)的输出端与实际值比较模块(13)的输入端连接，所述实际值比较模块(13)的输出端与最优解导出模块(14)的输入端连接。
4.根据权利要求3所述的一种耦合景观格局的臭氧浓度预测系统，其特征在于：所述插值计算模块(11)采用克里金插值法与反距离权重插值法进行计算，其中克里金插值法的公式为：
式中，为未知点的臭氧浓度，Zi为已知点i处的臭氧浓度，λi为点i处的权重值；
所述反距离权重插值法的公式为：
其中，Z(x0)为未知点x0处的臭氧浓度，Z(xi)为已知点xi处的臭氧浓度，n为样点的数量，λ为样点的权重值，其计算公式为：
式中di0为各插值点与样本点之间的距离，p是样本点与插值点之间距离的幂。
5.根据权利要求1所述的一种耦合景观格局的臭氧浓度预测系统，其特征在于：所述模型预测单元(6)包括数据输入模块(20)、数据比较模块(21)和预测导出模块(22)，所述数据输入模块(20)的输出端与数据比较模块(21)的输入端连接，所述数据比较模块(21)的输出端与预测导出模块(22)的输入端连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110856662.9A CN113553551B (zh) | 2021-07-28 | 2021-07-28 | 一种耦合景观格局的臭氧浓度预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110856662.9A CN113553551B (zh) | 2021-07-28 | 2021-07-28 | 一种耦合景观格局的臭氧浓度预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113553551A CN113553551A (zh) | 2021-10-26 |
| CN113553551B true CN113553551B (zh) | 2024-02-02 |
Family
ID=78104836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110856662.9A Active CN113553551B (zh) | 2021-07-28 | 2021-07-28 | 一种耦合景观格局的臭氧浓度预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113553551B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994639B (zh) * | 2023-02-06 | 2023-09-26 | 天津大学 | 一种基于冗余分析的水网格局与地形地貌关联性评价方法 |
| CN116485174B (zh) * | 2023-03-14 | 2023-09-19 | 中山大学 | 一种臭氧污染对作物减产风险评估方法和装置 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003246609A (ja) * | 2002-02-26 | 2003-09-02 | Toshiba Corp | オゾン発生装置 |
| CN1875030A (zh) * | 2003-09-05 | 2006-12-06 | 斯克里普斯研究学院 | 用于治疗和预防动脉粥样硬化和/或心血管疾病的胆甾醇臭氧化产物 |
| CN103473613A (zh) * | 2013-09-09 | 2013-12-25 | 武汉理工大学 | 景观结构—地表温度—电量消耗的耦合模型及应用 |
| CN104834814A (zh) * | 2015-04-29 | 2015-08-12 | 西北师范大学 | 遥感影像地形标准化方法 |
| CN105243262A (zh) * | 2015-09-08 | 2016-01-13 | 北京东方园林生态股份有限公司 | 一种景观生态工程生态服务功能测定方法和评价方法 |
| CN106407633A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 基于时空回归克里金模型估算地面pm2.5的方法及系统 |
| CN107188363A (zh) * | 2016-03-14 | 2017-09-22 | 魏燕鸿 | 一种利用工业污水用于城市生态景观用水的净化处理方法 |
| CN108320285A (zh) * | 2018-02-07 | 2018-07-24 | 中国地质大学（武汉） | 基于多源遥感影像的城市湿地热岛效应分析方法及系统 |
| CN109001119A (zh) * | 2018-05-25 | 2018-12-14 | 上饶市中科院云计算中心大数据研究院 | 一种评价植被生长状态的遥感技术 |
| CN110222133A (zh) * | 2019-05-29 | 2019-09-10 | 广州大学 | 一种考虑景观指数的多类土地利用模拟预测方法及装置 |
| CN111077048A (zh) * | 2019-11-27 | 2020-04-28 | 华南师范大学 | 基于移动设备的机会式群体智能空气质量监测及评估方法 |
| CN111460003A (zh) * | 2020-04-04 | 2020-07-28 | 南京国准数据有限责任公司 | 基于城市群尺度探测土地利用与地表温度耦合关系的方法 |
| CN112348388A (zh) * | 2020-11-16 | 2021-02-09 | 中科三清科技有限公司 | 基于排放数据的臭氧主导前体物识别方法及装置 |
| CN112362816A (zh) * | 2020-11-16 | 2021-02-12 | 中科三清科技有限公司 | 一种基于观测数据的臭氧来源分析方法及装置 |
| CN112684118A (zh) * | 2020-12-31 | 2021-04-20 | 南京信息工程大学 | 一种大气臭氧污染的便捷预警方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9910093B2 (en) * | 2015-03-11 | 2018-03-06 | Siemens Energy, Inc. | Generator neutral ground monitoring device utilizing direct current component measurement and analysis |
-
2021
- 2021-07-28 CN CN202110856662.9A patent/CN113553551B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003246609A (ja) * | 2002-02-26 | 2003-09-02 | Toshiba Corp | オゾン発生装置 |
| CN1875030A (zh) * | 2003-09-05 | 2006-12-06 | 斯克里普斯研究学院 | 用于治疗和预防动脉粥样硬化和/或心血管疾病的胆甾醇臭氧化产物 |
| CN103473613A (zh) * | 2013-09-09 | 2013-12-25 | 武汉理工大学 | 景观结构—地表温度—电量消耗的耦合模型及应用 |
| CN104834814A (zh) * | 2015-04-29 | 2015-08-12 | 西北师范大学 | 遥感影像地形标准化方法 |
| CN106407633A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 基于时空回归克里金模型估算地面pm2.5的方法及系统 |
| CN105243262A (zh) * | 2015-09-08 | 2016-01-13 | 北京东方园林生态股份有限公司 | 一种景观生态工程生态服务功能测定方法和评价方法 |
| CN107188363A (zh) * | 2016-03-14 | 2017-09-22 | 魏燕鸿 | 一种利用工业污水用于城市生态景观用水的净化处理方法 |
| CN108320285A (zh) * | 2018-02-07 | 2018-07-24 | 中国地质大学（武汉） | 基于多源遥感影像的城市湿地热岛效应分析方法及系统 |
| CN109001119A (zh) * | 2018-05-25 | 2018-12-14 | 上饶市中科院云计算中心大数据研究院 | 一种评价植被生长状态的遥感技术 |
| CN110222133A (zh) * | 2019-05-29 | 2019-09-10 | 广州大学 | 一种考虑景观指数的多类土地利用模拟预测方法及装置 |
| CN111077048A (zh) * | 2019-11-27 | 2020-04-28 | 华南师范大学 | 基于移动设备的机会式群体智能空气质量监测及评估方法 |
| CN111460003A (zh) * | 2020-04-04 | 2020-07-28 | 南京国准数据有限责任公司 | 基于城市群尺度探测土地利用与地表温度耦合关系的方法 |
| CN112348388A (zh) * | 2020-11-16 | 2021-02-09 | 中科三清科技有限公司 | 基于排放数据的臭氧主导前体物识别方法及装置 |
| CN112362816A (zh) * | 2020-11-16 | 2021-02-12 | 中科三清科技有限公司 | 一种基于观测数据的臭氧来源分析方法及装置 |
| CN112684118A (zh) * | 2020-12-31 | 2021-04-20 | 南京信息工程大学 | 一种大气臭氧污染的便捷预警方法 |
Non-Patent Citations (6)
| Title |
|---|
| Ozone effects on crops and consideration in crop models;Lisa D.Emberson等;European Journal of Agronomy;第100卷(第2018期);第19页-34页 * |
| 中国东部地区植被覆盖的时空变化及其人为因素的影响研究;韩贵锋;中国博士学位论文全文数据库基础科学辑(第2期);第A006-102页 * |
| 南昌市中心城区植被覆盖度与PM2.5浓度的关系研究;谢涛;中国优秀硕士学位论文全文数据库工程科技Ⅰ辑(第3期);第B027-362页 * |
| 厦门市环境空气污染时空特征及其与气象因素相关分析;温宥越等;环境科学学报;第36卷(第9期);第3363页-3371页 * |
| 城市景观格局对PM_(2.5)污染的影响;孙敏;陈健;林鑫涛;杨山;;浙江农林大学学报;第35卷(第01期);第135页-144页 * |
| 武汉市大气污染物分布与绿地景观格局的相关性;邱义山;中国优秀硕士学位论文全文数据库工程科技Ⅰ辑(第3期);第B027-339页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113553551A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113553551B (zh) | 一种耦合景观格局的臭氧浓度预测系统 | |
| CN105205466B (zh) | 一种基于夜间灯光影像的能源碳排放量遥感估算方法 | |
| Tu et al. | Examining spatially varying relationships between land use and water quality using geographically weighted regression I: Model design and evaluation | |
| CN112986538A (zh) | 大区域土壤重金属检测与时空分布特征分析方法及系统 | |
| CN109613182A (zh) | 基于大气污染物的监测布点选址方法及装置 | |
| CN114077970B (zh) | 一种基于城市形态的碳排放相关因子的确定方法及装置 | |
| Weng et al. | Nonlinear time series analysis of ground-level ozone dynamics in Southern Taiwan | |
| CN107832910B (zh) | 一种评价道路交通特征对一氧化碳排放浓度影响的方法 | |
| CN116050831A (zh) | 一种农业灌溉用水水质预警方法及系统 | |
| CN111709646B (zh) | 空气污染暴露风险评价方法及系统 | |
| Chen et al. | The influence of neighborhood-level urban morphology on PM2. 5 variation based on random forest regression | |
| Ming et al. | Nonlinear effects of urban and industrial forms on surface urban heat island: Evidence from 162 Chinese prefecture-level cities | |
| CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
| CN111737321A (zh) | 基于数据挖掘的城市大气污染联防联控区域划分方法 | |
| CN108108587A (zh) | 生命线工程分区分类地震直接经济损失评估方法 | |
| CN116739619A (zh) | 一种能源电力碳排放监测分析建模方法及装置 | |
| CN116679356A (zh) | 高时空分辨率下的pm2.5和臭氧混合污染的预测方法 | |
| CN107392821B (zh) | 基于污染排放响应单元的控制单元污染负荷核定方法 | |
| CN107766296A (zh) | 评价道路交通特征对可吸入颗粒物排放浓度影响的方法 | |
| CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
| CN109613179A (zh) | 累积高值区的确定方法 | |
| CN107103552B (zh) | 勘探效率系数确定方法及装置 | |
| CN111476434B (zh) | 一种基于gis的土壤重金属分形维数空间变异分析方法 | |
| CN114547957A (zh) | 一种结合空间显式水文模型模拟土壤氮淋失的方法 | |
| CN106779258A (zh) | 一种预测准确率高的大数据健康预测系统 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wen Youyue Inventor after: Lin Jinyao Inventor after: Wang Minzhi Inventor after: Cai Jianwu Inventor after: Liang Minxuan Inventor after: Pan Cuihong Inventor after: Feng Lijing Inventor before: Wen Youyue Inventor before: Lin Jinyao Inventor before: Wang Minzhi Inventor before: Cai Jianwu Inventor before: Liang Minxuan Inventor before: Pan Cuihong Inventor before: Feng Lijing |
|
| CB03 | Change of inventor or designer information |