CN114518611A - 一种基于相似案例判别分析的臭氧预报方法 - Google Patents
一种基于相似案例判别分析的臭氧预报方法 Download PDFInfo
- Publication number
- CN114518611A CN114518611A CN202111600248.8A CN202111600248A CN114518611A CN 114518611 A CN114518611 A CN 114518611A CN 202111600248 A CN202111600248 A CN 202111600248A CN 114518611 A CN114518611 A CN 114518611A
- Authority
- CN
- China
- Prior art keywords
- ozone
- discriminant analysis
- forecasting
- similar case
- days
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于相似案例判别分析的臭氧预报方法,该方法根据同期历史资料,构建相似案例库与判别分析依据;根据大气化学数值模式预报结果对未来7天进行判别分析;对未来7天大气条件进行分析,提取对应S1判别分析的预报关键要点;根据提取的预报关键要点,结合S1明确对未来7天的案例类型归类,再结合S2获得的初步判别分析结果和S1的判别分析依据,预测臭氧浓度,并获得订正后的预报结果;污染过程结束后的复盘和总结,再进一步完善相似案例库的构建。本发明提供的臭氧预报方法,计算方法简单,易于操作和掌握的,预报准确度高,有效提高了臭氧预报成效。
Description
技术领域
本发明涉及环境空气质量预报技术领域,特别是涉及一种基于相似案例分析的臭氧预报方法。
背景技术
经过近十年的快速发展,我国已经建成了“国家—区域—省—城市”多层次空气质量预报网络,集合国内外先进大气化学数值模式构建了多模式集合预报体系,形成了大气复合污染预报预警技术体系,对中东部秋冬季区域重污染天气预报预警发挥了重要支撑作用。但由于源排放清单的不确定性和大气物理、化学机制的不完善等,现阶段针对O3污染过程、持续时间、峰值浓度及其影响范围等预测的准确性仍亟需提高。
期刊《中国环境科学》2017年12月第37卷第12期刊登的梁卓然、顾婷婷、杨续超等发表的《基于环流分型法的地面臭氧预测模型》中,基于大气客观环流分型构建地面臭氧预测模型,对高浓度臭氧事件过程预报效果有改进,但对高浓度臭氧量化预报效果不理想且有漏报。
期刊《环境科学学报》2018年8月第38卷第8期刊登的丁愫、陈报章、王瑾等发表的《基于决策树的统计预报模型在臭氧浓度时空分布预测中的应用研究》中,基于决策树方法建立臭氧浓度统计预报模型能够较好地模拟臭氧浓度变化特征,但对于高浓度臭氧预报明显偏低,且该方法利用WRF模式气象场作为预测模型输入条件,存在一定不确定性且计算方法较为复杂,时效性欠佳。
刘旗龙、吴卫东、吕婧等的发明专利《一种环境空气臭氧预报方法》(授权公告号CN112965145B),考虑多因素指标提升臭氧浓度预报效果,仅为单日臭氧浓度预报,没有将高浓度臭氧污染过程从时间和空间全过程考虑,没有考虑发生多日臭氧区域污染时临近城市之间可能的传输影响。
发明内容
本发明的目的是提供一种基于相似案例判别分析的臭氧预报方法,以弥补现有技术的不足。
为达到上述目的,本发明提供的具体技术方案如下:
一种基于相似案例判别分析的臭氧预报方法,包括以下步骤:
步骤S1:根据同期历史资料,构建相似案例库与判别分析依据;
步骤S2:根据大气化学数值模式预报结果对未来7天进行判别分析;
步骤S3:对未来7天大气条件进行分析,提取对应S1判别分析的预报关键要点;
步骤S4:根据提取的预报关键要点,结合S1明确对未来7天的案例类型归类,再结合 S2获得的初步判别分析结果和S1的判别分析依据,预测臭氧浓度,并获得订正后的预报结果;
步骤S5:污染过程结束后的复盘和总结,再进一步完善S1相似案例库的构建。
进一步的,所述步骤S1包括:
步骤S11:根据历史观测资料,绘制城市臭氧浓度-风速风向玫瑰图,获得城市主导风向和判别分类方向;
步骤S12:由S11获得的判别分类方向,归类相似案例类型,进一步对影响臭氧浓度的大气条件进行系统分析,引入了Ox(NO2+O3)指标,并从空气质量角度出发,获得相似案例库和判别分析依据。
所述步骤S1为本发明的核心步骤,案例库构建方面与其他技术有两点不同,一是构建相似案例库时引入了Ox(NO2+O3)指标,而非单一O3指标,Ox指标有补充考虑前一日以及临近城市之间的传输影响、以及臭氧背景浓度影响;二是相似案例库构建是从空气质量角度(空气质量等级,臭氧浓度)出发,而不是常规的天气分型角度。
进一步的,所述S2包括:
步骤S21:对数值模式预报结果进行成效评估,筛选最佳预报模式;
步骤S22:分析性能表现最优的数值模式预报结果,获得臭氧污染过程、影响范围、持续时间和峰值浓度等信息,用于S4步骤的辅助分析。
进一步的,所述S3中的预报关键要点包括:污染扩散条件和光化学反应条件;所述污染扩散条件主要为天气形势、低空和近地面风场及逆温等,所述光化学反应条件包括温度、相对湿度、低云量和降水量等;当然要根据具体区域再进行具体条件的数值范围确定。
本发明具有以下优点和有益效果:
与现有技术相比,本发明基于历史案例分析和统计分析方法,基于Ox(NO2+O3)指标,并从空气质量角度出发构建相似案例库,根据大气条件进行判别和量化分析,再根据现有的大气化学数值模实现对大气化学数值模式预报结果的进一步订正,再进一步完善相似案例库。本发明提供的臭氧预报方法,计算方法简单,易于操作和掌握的,预报准确度高,有效提高了臭氧预报成效。
附图说明
图1为实施例1中青岛市2020年6—9月风向-风速、风向-O3-1h玫瑰图;其中(a)为风向、风速玫瑰图,(b)为风向、O3-1h玫瑰图。
图2为O3与Ox小时变化曲线,Ox-8h、O3-8h及气象参数。
图3为WRF-Chem数值模式预报结果(O3-8h空间分布)。
图4为WRF-Chem数值模式预报结果(O3-1h变化)。
图5为大气条件预报示例图。
具体实施方式
以下通过实施例并结合附图对本发明作进一步的说明。
实施例1:该实施例以青岛市2020年6—9月历史数据资料构建相似案例库及判别分析指标,并以2021年6月17日的未来7天(18—24日)臭氧人工订正预报为例进行说明。
一种基于相似案例判别分析的臭氧预报方法,包括以下步骤:
步骤S1:根据同期历史资料,构建相似案例库与判别分析。
步骤S11:根据历史观测资料,绘制城市臭氧浓度-风速风向玫瑰图(如图1所示),获得城市主导风向和判别分类方向;
步骤S12:由S11获得的判别分类方向,归类相似案例类型,进一步对影响臭氧浓度的大气条件进行系统分析,获得相似案例库和判别分析依据。
本实施例将O3相似案例类型大体分为5个类型,背景风为陆风时西北气流型、西南气流型和其他类型,背景风为海风时海洋气流型,以及生成抑制型,筛选的大气条件预报关键要点见表1,相似案例与判别分析见表2、图1。
表1臭氧人工订正预报大气条件预报关键要点
表2青岛O3预报相似案例库构建与判别分析
注:Ox-8h、O3-8h分别为根据城市Ox、O3小时质量浓度计算的日最大8h Ox和O3均值,NO2-8h表示对应Ox-8h的8h NO2均值,ΔOx-8h表示与前一日相比Ox-8h的变化量,浓度单位均为μg/m3;Tmax为日最高气温,单位为℃。
当背景风为陆风时,西北气流型和西南气流型是青岛市出现高浓度O3污染过程的典型大气环流形势,超标风险高。2020年6—9月期间,西北气流型共计发生10d,除1天ΔOx-8h 为56μg/m3外,其他9天ΔOx-8h为96±13μg/m3,ΔOx-8h与温度、局部降水等条件相关。
以6月14日O3-8h预报为例(图2),大气条件分析结果显示14日符合西北气流型特征,预报Tmax>29℃,则ΔOx-8h取均值为96μg/m3、NO2-8h取均值为28μg/m3,13日Ox-8h实测值为98μg/m3,则估算14日Ox-8h为194(=98+96)μg/m3、O3-8h为166(=194-28)μ g/m3,人工订正预报以±15μg/m3(当O3-8h满足>160μg/m3且≤265μg/m3时)选定O3-8h 范围,则预测O3-8h范围为151~181μg/m3。实测14日O3-8h为179μg/m3,在O3-8h预测范围内,判定预报准确。
西南气流型共发生5个污染过程计13天,同一个污染过程中Ox-8h阶梯状升高,同样ΔOx-8h差异与温度等条件相关。以6月29日—7月1日污染过程为例(图2),大气条件分析结果显示此次过程符合西南气流型特征,预报Tmax>28℃,ΔOx-8h取均值为50μg/m3、NO2-8h取均值为25μg/m3,29日Ox-8h为127μg/m3,则估算6月30日、7月1日O3-8h分别为152 (=127+50-25)μg/m3、202(=127+50+50-25)μg/m3,人工订正预报分别以±10μg/m3(当 O3-8h满足≤160μg/m3时)、±15μg/m3选定浓度范围,则预测O3-8h范围分别为142~162 μg/m3、187~217μg/m3。实测30日、1日O3-8h日评价为147μg/m3、208μg/m3,判定预报准确。需要注意的是,同样符合西南气流型特征的8月15日和9月5日,发生了傍晚至夜间海上高浓度O3向内陆传输过程,ΔOx-8h分别为107μg/m3、89μg/m3,不满足统计指标特性。此类案例需依赖于数值模式预报结果,对于可能发生的海上高浓度O3污染传输过程,建议人工订正预报可在数值模式预报基础上采取从重预报策略。
当城市背景风为陆风时,且不满足以上2种典型O3污染过程大气条件特征、无降水或低云量较少时,则归类为其他类型,共发生29天,统计分析显示此类案例O3-8h与Tmax成正比,可利用线性回归方法根据预报Tmax估算O3-8h(估算公式详见表1)。
当受持续性海洋气流影响时,统计分析显示此类型案例O3-8h与Tmax相关不显著,Ox和 O3反映为北黄海背景浓度,共发生38天,O3-8h为99±13μg/m3,基本无超标风险。
当日间有持续降水或低云量较多,或有雾时,不利于O3生成,归类为生成抑制型,此类案例共发生32天,无超标风险。当背景风为陆风时,O3-8h为98±19μg/m3,当背景风为海风时,O3-8h为102±20μg/m3。
以上实际预测和实际臭氧浓度对比说明了,所述方法的建立,尤其是相似案例库的构建能够基本有效进行天气臭氧预测。为进一步完善该方法,以下通过进行方法完善,通过结合其他预报模式,进行预测结果更正,并再进一步完善相似案例库。
步骤S2:根据大气化学数值模式(WRF-Chem)预报结果对未来7天进行判别分析。
步骤S21:对数值模式预报结果进行成效评估,筛选最佳预报模式;
步骤S22:分析性能表现最优的数值模式预报结果,获得臭氧污染过程、影响范围、持续时间和峰值浓度等信息,用于S4步骤的辅助分析。
步骤S3:对未来7天大气条件进行分析,提取对应S1判别分析的预报关键要点。
步骤S4:根据提取的预报关键要点,结合S2获得的相似案例库判别分析,预测臭氧浓度,获得订正后的预报结果。
臭氧人工订正预报的基础是数值模式,首先对大气数值模式预报结果进行成效评估,筛选出表现最佳、可靠性最高的预报模式。2020年6—9月,青岛市整体运行的预报模式中, WRF-Chem、RegAMES和CMAQ均能较好的预报污染过程,预报趋势基本准确,在预报O3与实测浓度之间的总体变化趋势上WRF-Chem模式效果较好,预报O3与观测之间的均方根误差上较小、平均偏差较小,总体而言,在O3预报上WRF-Chem预报效果表现较佳,故选取WRF-Chem预报结果做辅助分析,结果见表3。
表3青岛市数值模式预报结果评估(2020年6—9月)
以2021年6月17日的未来7天(18—24日)臭氧人工订正预报做案例分析。WRF-Chem预报结果显示未来7天内在19—22日可能发生一次O3轻度污染过程,高值浓度出现在21—22日,分别为198、190μg/m3,模式预报结果见表4、图3和图4。结合大气条件预报(图5),识别出未来7天的案例类型,进而预测臭氧浓度并获得臭氧人工订正预报结果:18日为其他类型,背景风为陆风西北风,预报Tmax为29℃,则O3-8h为150(=6.33×29-43.7+10)μg/m3;19—20日为西南气流型,则19日O3-8h为185(=150+35)μg/m3,20日O3-8h为220(=185+35)μg/m3;23—24日为海洋气流型,则23日依据数值模式结果,24日可订正O3-8h为100μg/m3;21—22日为污染类型向清洁类型过度,其通常受大气条件影响大,不确定性相对较大,通常情况以模式预报结果为准,暂不做订正,待临近预报时再进一步确定;预报结果详见表4。
表4 2021年6月17日臭氧人工订正预报结果表
步骤S5:污染过程结束后的复盘和总结,完善S1相似案例库构建。
本实施例1中2021年6月18—24日模式预报和人工订正预报成效评估结果详见表5。
表5预报成效评估
由上述的预报结果,可以看出本发明提供的臭氧预报方法能够简单、有效进行预测;且随着相似案例库的逐渐完善构建,预测准确度会越来越高。
Claims (5)
1.一种基于相似案例判别分析的臭氧预报方法,其特征在于,包括以下步骤:
步骤S1:根据同期历史资料,构建相似案例库与判别分析依据;
步骤S2:根据大气化学数值模式预报结果对未来7天进行判别分析;
步骤S3:对未来7天大气条件进行分析,提取对应S1判别分析的预报关键要点;
步骤S4:根据提取的预报关键要点,结合S1明确对未来7天的案例类型归类,再结合S2获得的初步判别分析结果和S1的判别分析依据,预测臭氧浓度,并获得订正后的预报结果;
步骤S5:污染过程结束后的复盘和总结,再进一步完善S1相似案例库的构建。
2.如权利要求1所述的臭氧预报方法,其特征在于,所述步骤S1包括:
步骤S11:根据历史观测资料,绘制城市臭氧浓度-风速风向玫瑰图,获得城市主导风向和判别分类方向;
步骤S12:由S11获得的判别分类方向,归类相似案例类型,对影响臭氧浓度的大气条件进行系统分析,引入O x 指标,并从空气质量角度出发,获得相似案例库和判别分析依据。
3.如权利要求2所述的臭氧预报方法,其特征在于,所述步骤S12中,构建相似案例库时引入了O x ,即NO2+O3指标,且O x 指标考虑前一日以及临近城市之间的传输影响、以及臭氧背景浓度影响;相似案例库构建是从空气质量角度出发,即空气质量等级和臭氧浓度。
4.如权利要求1所述的臭氧预报方法,其特征在于,所述S2包括:
步骤S21:对数值模式预报结果进行成效评估,筛选最佳预报模式;
步骤S22:分析性能表现最优的数值模式预报结果,获得臭氧污染过程、影响范围、持续时间和峰值浓度信息,用于S4步骤的辅助分析。
5.如权利要求1所述的臭氧预报方法,其特征在于,所述S3中的预报关键要点包括:污染扩散条件和光化学反应条件;所述污染扩散条件主要为天气形势、低空和近地面风场及逆温,所述光化学反应条件包括温度、相对湿度、低云量和降水量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111600248.8A CN114518611B (zh) | 2021-12-24 | 2021-12-24 | 一种基于相似案例判别分析的臭氧预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111600248.8A CN114518611B (zh) | 2021-12-24 | 2021-12-24 | 一种基于相似案例判别分析的臭氧预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114518611A true CN114518611A (zh) | 2022-05-20 |
CN114518611B CN114518611B (zh) | 2023-06-06 |
Family
ID=81597017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111600248.8A Active CN114518611B (zh) | 2021-12-24 | 2021-12-24 | 一种基于相似案例判别分析的臭氧预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114518611B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186230A (zh) * | 2022-06-10 | 2022-10-14 | 广东省生态环境监测中心 | 一种判定台风对空气质量影响的方法及装置 |
CN116629650A (zh) * | 2022-11-24 | 2023-08-22 | 北京工业大学 | 一种针对站点O3污染防控的企业VOCs排放优化管控分级方法 |
CN117291319A (zh) * | 2023-11-27 | 2023-12-26 | 新禾数字科技(无锡)有限公司 | 一种基于机器学习的o3余量预测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
CN107292417A (zh) * | 2017-05-09 | 2017-10-24 | 北京市环境保护监测中心 | 基于重污染序列案例库的区域重污染判别预报方法及装置 |
CN107943928A (zh) * | 2017-11-21 | 2018-04-20 | 清华大学 | 一种基于时空数据统计学习的臭氧浓度预测方法及系统 |
CN108280131A (zh) * | 2017-12-22 | 2018-07-13 | 中山大学 | 一种气象影响下的大气污染转变关系定量估计方法 |
CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
CN110659758A (zh) * | 2018-06-30 | 2020-01-07 | 杭州真气科技有限公司 | 一种基于ai技术的空气质量短期高精度预测模型 |
CN111612055A (zh) * | 2020-05-15 | 2020-09-01 | 北京中科三清环境技术有限公司 | 天气形势的分型方法、空气污染状况的预测方法及装置 |
CN112214913A (zh) * | 2020-11-16 | 2021-01-12 | 中科三清科技有限公司 | 臭氧的主导前体物识别方法、装置、电子设备及存储介质 |
CN112965145A (zh) * | 2020-12-16 | 2021-06-15 | 陕西省环境监测中心站 | 一种环境空气臭氧预报方法 |
CN112990355A (zh) * | 2021-04-15 | 2021-06-18 | 中科三清科技有限公司 | 污染天气的分型方法、装置、电子设备及存储介质 |
CN113627507A (zh) * | 2021-08-03 | 2021-11-09 | 中科三清科技有限公司 | 臭氧生成贡献率分析方法及装置 |
-
2021
- 2021-12-24 CN CN202111600248.8A patent/CN114518611B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
CN107292417A (zh) * | 2017-05-09 | 2017-10-24 | 北京市环境保护监测中心 | 基于重污染序列案例库的区域重污染判别预报方法及装置 |
CN107943928A (zh) * | 2017-11-21 | 2018-04-20 | 清华大学 | 一种基于时空数据统计学习的臭氧浓度预测方法及系统 |
CN108280131A (zh) * | 2017-12-22 | 2018-07-13 | 中山大学 | 一种气象影响下的大气污染转变关系定量估计方法 |
CN110659758A (zh) * | 2018-06-30 | 2020-01-07 | 杭州真气科技有限公司 | 一种基于ai技术的空气质量短期高精度预测模型 |
CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
CN111612055A (zh) * | 2020-05-15 | 2020-09-01 | 北京中科三清环境技术有限公司 | 天气形势的分型方法、空气污染状况的预测方法及装置 |
CN112214913A (zh) * | 2020-11-16 | 2021-01-12 | 中科三清科技有限公司 | 臭氧的主导前体物识别方法、装置、电子设备及存储介质 |
CN112965145A (zh) * | 2020-12-16 | 2021-06-15 | 陕西省环境监测中心站 | 一种环境空气臭氧预报方法 |
CN112990355A (zh) * | 2021-04-15 | 2021-06-18 | 中科三清科技有限公司 | 污染天气的分型方法、装置、电子设备及存储介质 |
CN113627507A (zh) * | 2021-08-03 | 2021-11-09 | 中科三清科技有限公司 | 臭氧生成贡献率分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
李梓铭 等: "基于相似集合预报技术的臭氧预报释用研究", 《中国环境科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186230A (zh) * | 2022-06-10 | 2022-10-14 | 广东省生态环境监测中心 | 一种判定台风对空气质量影响的方法及装置 |
CN115186230B (zh) * | 2022-06-10 | 2024-03-29 | 广东省生态环境监测中心 | 一种判定台风对空气质量影响的方法及装置 |
CN116629650A (zh) * | 2022-11-24 | 2023-08-22 | 北京工业大学 | 一种针对站点O3污染防控的企业VOCs排放优化管控分级方法 |
CN117291319A (zh) * | 2023-11-27 | 2023-12-26 | 新禾数字科技(无锡)有限公司 | 一种基于机器学习的o3余量预测方法 |
CN117291319B (zh) * | 2023-11-27 | 2024-02-20 | 新禾数字科技(无锡)有限公司 | 一种基于机器学习的o3余量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114518611B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114518611A (zh) | 一种基于相似案例判别分析的臭氧预报方法 | |
Fan et al. | Spatio-temporal variations of the PM2. 5/PM10 ratios and its application to air pollution type classification in China | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
He et al. | Numerical model-based artificial neural network model and its application for quantifying impact factors of urban air quality | |
Poggi et al. | PM10 forecasting using clusterwise regression | |
CN109543874B (zh) | 一种结合气象条件影响的机场空气质量预测方法 | |
CN111815184A (zh) | 一种耕地土壤环境质量类别划分方法 | |
CN111665575A (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
Wang et al. | A parameterized method for air‐quality diagnosis and its applications | |
CN114741987B (zh) | 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型 | |
CN114429053B (zh) | 流域尺度wefe系统适配性模拟优化方法 | |
CN115015486B (zh) | 一种基于回归树模型的碳排放量测算方法 | |
CN110245773B (zh) | 一种多源实况时空预报因子提取及纳入模式解释应用的方法 | |
CN111784023A (zh) | 一种短时邻近雾能见度预测方法 | |
CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
CN113984968A (zh) | 一种工业园区大气VOCs溯源方法 | |
CN116384591A (zh) | 一种基于大数据的旱情预测方法、系统和介质 | |
KR100920529B1 (ko) | 염해 오손 예측 방법 | |
CN115685389A (zh) | 一种基于降尺度和汇水区动态划分的下凹桥积水预测方法 | |
CN110909949A (zh) | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 | |
CN112380499B (zh) | 一种区域自动气象站客观分群方法 | |
Wang et al. | A composite index coupling five key elements of water cycle for drought analysis in Pearl River basin, China | |
CN111310982B (zh) | 双参云微物理方案伽马雨滴谱函数高精度快速求解方法 | |
Lu et al. | Uncertainty analysis of spatiotemporal characteristics of haze pollution from 1961 to 2017 in China | |
Hong et al. | Prediction of Asian dust days over Northern China using the KMA-ADAM2 model |
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 |