CN114757103B - 基于时空光梯度增强机的地表o3浓度估算方法 - Google Patents
基于时空光梯度增强机的地表o3浓度估算方法 Download PDFInfo
- Publication number
- CN114757103B CN114757103B CN202210411138.5A CN202210411138A CN114757103B CN 114757103 B CN114757103 B CN 114757103B CN 202210411138 A CN202210411138 A CN 202210411138A CN 114757103 B CN114757103 B CN 114757103B
- Authority
- CN
- China
- Prior art keywords
- data
- space
- concentration
- time
- grid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 230000003287 optical effect Effects 0.000 claims abstract description 8
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 239000003623 enhancer Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 240000004808 Saccharomyces cerevisiae Species 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010606 normalization Methods 0.000 abstract description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000012855 volatile organic compound Substances 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0039—O3
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Combustion & Propulsion (AREA)
- Medicinal Chemistry (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Food Science & Technology (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于时空光梯度增强机的地表O3浓度估算方法,包括以下步骤:步骤一,观测值预处理;步骤二,统一化处理;步骤三,单元网格建立;步骤四,数据整备清洗;步骤五,特征性选择;步骤六,生成估算模型,通过对观测数据进行统一化处理,在长时间尺度的数据集上提高了泛化能力和表达能力,不需要对数据进行特殊的归一化预处理,降低了模型的计算量,提高了估算效率,采用包裹式和嵌入式相交集的方式对数据特征进行选择,避免维数灾难并降低了模型建立的难度,提高了建立后模型预测的精度,在模型建立的过程中添加了空间和时间特性,同时将土地利用类型和人口数据化为变量共同作为模型的影响参数,提高了建立后估算模型的实用性。
Description
技术领域
本发明涉及地表O3浓度估算技术领域,具体为基于时空光梯度增强机的地表O3浓度估算方法。
背景技术
随着经济的快速发展和城市化步伐的加快,人类排放的氮氧化物(NOx)和挥发性有机化合物(VOCs)越来越多,NOx和VOCs在光照条件下会发生化学反应生成臭氧(O3),O3不仅会作用于人的心血管和呼吸系统进而对人类健康产生影响,而且对植物的生长也会造成威胁,除此之外,由于臭氧是仅次于二氧化碳(CO2)和甲烷(CH4)的温室气体,并且能够强烈吸收太阳辐射,因此臭氧浓度的变化可能会扰动地球系统的辐射能量收支平衡,这将对全球气候产生影响,因此,获得长时间尺度高时空分辨率的地表O3浓度的分布数据具有重要意义;
目前O3浓度的精准数据一般来源于地面观测站,然而,我国地面的O3浓度观测站存在明显的分布不均匀问题,大部分的站点集中在东部和中部,西部地区则分布稀疏,这对于研究O3浓度的时空变化及其健康效应都有很大的限制,因此,很多研究尝试化学传输模式(CTM)来建立O3的浓度模型,虽然化学传输模式为获得高时空分辨率的O3浓度数据提供了可能,但是化学传输模式也存在着对化学机理理解不完全、难以获得连续的NOx和VOCs排放数据、排放清单的不确定性较高、模式计算量过大、耗时过长的缺点;同时目前的统计模型多局限于线性关系,但O3浓度与预测变量之间的非线性和高阶的相互作用往往使得预测精度较低;且O3作为大气系统的重要组成部分,其分布具有明显的时空异质性,而使用机器学习模型对O3浓度进行预测时,没有考虑O3的时空异质性,从而降低了建立预测模型的实用性,因此设计基于时空光梯度增强机的地表O3浓度估算方法是很有必要的。
发明内容
本发明的目的在于提供基于时空光梯度增强机的地表O3浓度估算方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于时空光梯度增强机的地表O3浓度估算方法,包括以下步骤:步骤一,观测值预处理;步骤二,统一化处理;步骤三,单元网格建立;步骤四,数据整备清洗;步骤五,特征性选择;步骤六,生成估算模型;
其中上述步骤一中,对地表O3观测值进行预处理,获取研究区0.1°×0.1°空间分辨率的日最大八小时滑动平均浓度[O3]MDA8;
其中上述步骤二中,获取卫星反演O3柱浓度数据、气象数据和辅助数据,随后对卫星反演O3柱浓度数据、气象数据和辅助数据进行预处理,将不同格式和不同时间分辨率的数据进行统一化处理,得到统一化数据;
其中上述步骤三中,创建研究范围网格,之后将步骤二中得到的统一化数据匹配到各单元网格中,随后获取网格中多个站点的O3测量值,然后分别取均值,得到测量平均值;
其中上述步骤四中,对步骤三中得到的测量平均值进行整合,整合后进行数据清洗,清洗后得到清洗后数据;
其中上述步骤五中,采用包裹式和嵌入式相交集的方式对清洗后数据的特征进行选择;
其中上述步骤六中,根据步骤五中特性选择的结果,来构建时空-LightGBM的机器学习模型,之后利用构建的模型对O3浓度进行估算。
优选的,所述步骤二中,气象数据包括温度数据、风速数据、降水数据和气压数据,辅助数据包括LUCC数据,人口数据和DEM数据。
优选的,所述步骤三中,获取多个站点O3测量值的均值过程如下:
S3-1,创建覆盖整个研究区的0.1°×0.1°格网数据,并将步骤二中得到的统一化数据匹配到各单元网格;
S3-2,对落在一个格网中同一变量的多个数据求平均,以确保所有变量数据在空间和时间上的一致性,接着对于0.1°范围内的多个站点的O3测量值取均值,得到测量平均值。
优选的,所述步骤五中,对数据的特征进行选择的过程如下:
S5-1,采用Pearson相关系数来检验特征之间的相关性;
S5-2,利用方差膨胀因子方法计算所选变量之间是否存在多重共线性;
S5-3,根据VIF值对变量间的共线性进行判定;
S5-4,使用LightGBM模型的feature importance函数来进行特征重要性计算,并根据计算结果选取数据特征。
优选的,所述S5-3中,共线性的判定规则为:当VIF值<10时,判定变量间不存在共线性;当VIF值≥10时,判定变量间存在共线性。
优选的,所述步骤六中,构建时空-LightGBM的机器学习模型(ST-LightGBM)过程如下:
S6-1,从数据集N中提取Z个样本,建立有一个根节点的回归树;
S6-2,对每个样本计算负梯度,并将每个样本的负梯度标记为对应样本的残差;
S6-3,将样本的残差作为训练数据,通过最小化损失函数,从M维特征中选取最佳划分节点,划分样本得到新树对应的叶子节点区域,对树进行更新,得到梯度提升决策回归树;
S6-4,重复S6-2和S6-3的过程直到误差小于预估最大误差,同时每棵梯度提升决策回归树,都满足以下条件:
S6-5,通过相邻像元和中心像元的距离、时间加权来对时空地理数据的提取;
S6-6,根据S6-4和S5-5中的结果,建立O3浓度预测模型,之后使用建立的模型对地表O3的浓度进行估算。
优选的,所述S5-5中,对时空地理数据的提取的特征提取方程为:
Spacew=f(Lon,Lat)=haversine(α2-α1)+cosα1cosα2haversine(β2-β1) (4);
优选的,所述S6-6中,建立的O3浓度预测模型为:
O3(预测浓度)=f(OMI,ssrd,tp,rh,blh,sp,t2m,tcwv,u10,PM2.5,SO2,NO2,CO,Space,Time、LUCC、POP)
其中,Spacew表示栅格中某像元到边界和中心的距离;Lon表示像元所在的经度;Lat表示像元所在的经度;Space和Time表示空间和时间特征;r代表地球半径;DOY(Day OfYear)表示当日在一年中属于第几天;Year代表该年的总天数。
与现有技术相比,本发明的有益效果是:该基于时空光梯度增强机的地表O3浓度估算方法,通过对卫星反演O3柱浓度数据、气象数据和辅助数据进行预处理,将不同格式和不同时间分辨率的数据进行统一化处理,具有较好的解释性和鲁棒性,在长时间尺度的数据集上,提高了泛化能力和表达能力,不需要对数据进行特殊的归一化预处理,从而降低了估算的计算量,提高了估算效率,通过采用包裹式和嵌入式相交集的方式对清洗后数据的特征进行选择,避免维数灾难并降低了模型建立的难度,同时防止O3浓度与预测变量之间的非线性及高阶的相互作用影响预测的精度,在模型建立的过程中添加了空间和时间特性,同时将土地利用类型和人口数据化为变量共同作为模型的影响参数,提高了建立后估算模型的实用性。
附图说明
图1为本发明的方法流程图;
图2为本发明中估算模型的建立流程图;
图3为本发明中模型参数特征重要性探测的结果图;
图4为本发明中时空光梯度增强机模型在日、月、年尺度上的验证图。
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1-4,本发明提供的一种实施例:基于时空光梯度增强机的地表O3浓度估算方法,包括以下步骤:步骤一,观测值预处理;步骤二,统一化处理;步骤三,单元网格建立;步骤四,数据整备清洗;步骤五,特征性选择;步骤六,生成估算模型;
其中上述步骤一中,对地表O3观测值进行预处理,获取研究区0.1°×0.1°空间分辨率的日最大八小时滑动平均浓度[O3]MDA8;
其中上述步骤二中,获取卫星反演O3柱浓度数据、气象数据和辅助数据,随后对卫星反演O3柱浓度数据、气象数据和辅助数据进行预处理,其中气象数据包括温度数据、风速数据、降水数据和气压数据,辅助数据包括LUCC数据,人口数据和DEM数据,将不同格式和不同时间分辨率的数据进行统一化处理,得到统一化数据;
其中上述步骤三中,S2-1,创建覆盖整个研究区的0.1°×0.1°格网数据,并将步骤二中得到的统一化数据匹配到各单元网格中;S2-2,之后对落在一个格网中同一变量的多个数据求平均,以确保所有变量数据在空间和时间上的一致性,接着对于0.1°范围内的多个站点的O3测量值取均值,得到测量平均值;
其中上述步骤四中,对步骤三中得到的测量平均值进行整合,整合后进行数据清洗,清洗后得到清洗后数据;
其中上述步骤五中,采用包裹式和嵌入式相交集的方式对清洗后数据的特征进行选择,且对数据的特征进行选择的过程如下:S5-1,采用Pearson相关系数来检验特征之间的相关性;S5-2,利用方差膨胀因子方法计算所选变量之间是否存在多重共线性;S5-3,接根据VIF值对变量间的共线性进行判定,共线性的判定规则为:当VIF值<10时,判定变量间不存在共线性,当VIF值≥10时,判定变量间存在共线性;S5-4,使用LightGBM模型的feature-importance函数来进行特征重要性计算,并根据计算结果选取数据特征;
其中上述步骤六中,根据步骤五中特性选择的结果,来构建时空-LightGBM的机器学习模型,且学习模型的建立如下:S6-1,从数据集N中提取Z个样本,建立有一个根节点的回归树;S6-2,对每个样本计算负梯度,并将每个样本的负梯度标记为对应样本的残差;S6-3,将样本的残差作为训练数据,通过最小化损失函数,从M维特征中选取最佳划分节点,划分样本得到新树对应的叶子节点区域,对树进行更新,得到梯度提升决策回归树;S6-4,重复S6-2和S6-3的过程直到误差小于预估最大误差,同时每棵梯度提升决策回归树,都满足以下条件: 其中(xi,yi)为样本集,i=1,2,…,N,xj为变量x的第j个特征,Rm(j,s)为切分变量xj和切分点s对应的区域,为每个区域的最优值;S6-5,通过相邻像元和中心像元的距离、时间加权来对时空地理数据的提取,且对时空地理数据的提取的特征提取方程为:
Spacew=f(Lon,Lat)=haversine(α2-α1)+cosα1cosα2haversine(β2-β1) (4), S6-6,根据S6-4和S5-5中的结果,建立O3浓度预测模型为:O3(预测浓度)=f(OMI,ssrd,tp,rh,blh,sp,t2m,tcwv,u10,PM2.5,SO2,NO2,CO,Space,Time、LUCC、POP)
其中,spacew表示栅格中某像元到边界和中心的距离;Lon表示像元所在的经度;Lat表示像元所在的经度;Space和Time表示空间和时间特征;r代表地球半径;DOY(Day OfYear表示当日在一年中属于第几天;Year代表该年的总天数,之后使用建立的模型对地表O3的浓度进行估算。
基于上述,本发明的优点在于,本发明,通过对卫星反演O3柱浓度数据、气象数据和辅助数据进行预处理,将不同格式和不同时间分辨率的数据进行统一化处理,具有较好的解释性和鲁棒性,在长时间尺度的数据集上,提高了泛化能力和表达能力,不需要对数据进行特殊的归一化预处理,从而降低了估算的计算量,提高了估算效率,通过采用包裹式和嵌入式相交集的方式对清洗后数据的特征进行选择,避免维数灾难并降低了模型建立的难度,同时防止O3浓度与预测变量之间的非线性及高阶的相互作用影响预测的精度,在模型建立的过程中添加了空间和时间特性,同时将土地利用类型和人口数据化为变量共同作为模型的影响参数,提高了建立后估算模型的实用性。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (4)
1.基于时空光梯度增强机的地表O3浓度估算方法,包括以下步骤:步骤一,观测值预处理;步骤二,统一化处理;步骤三,单元网格建立;步骤四,数据整备清洗;步骤五,特征性选择;步骤六,生成估算模型;其特征在于:
其中上述步骤一中,对地表O3观测值进行预处理,获取研究区0.1°×0.1°空间分辨率的日最大八小时滑动平均浓度[O3]MDA8;
其中上述步骤二中,获取卫星反演O3柱浓度数据、气象数据和辅助数据,随后对卫星反演O3柱浓度数据、气象数据和辅助数据进行预处理,将不同格式和不同时间分辨率的数据进行统一化处理,得到统一化数据;
其中上述步骤三中,创建研究范围网格,之后将步骤二中得到的统一化数据匹配到各单元网格中,随后获取网格中多个站点的O3测量值,然后分别取均值,得到测量平均值;
其中上述步骤四中,对步骤三中得到的测量平均值进行整合,整合后进行数据清洗,清洗后得到清洗后数据;
其中上述步骤五中,采用包裹式和嵌入式相交集的方式对清洗后数据的特征进行选择;对数据的特征进行选择的过程如下:
S5-1,采用Pearson相关系数来检验特征之间的相关性;
S5-2,利用方差膨胀因子方法计算所选变量之间是否存在多重共线性;
S5-3,根据VIF值对变量间的共线性进行判定;
S5-4,使用包裹式和嵌入式相交集的方式来进行特征重要性计算,并根据计算结果选取数据特征;
其中上述步骤六中,根据步骤五中特性选择的结果,来构建时空-LightGBM的机器学习模型,之后利用构建的模型对O3浓度进行估算;构建时空-LightGBM的机器学习模型过程如下:
S6-1,从数据集N中提取Z个样本,建立有一个根节点的回归树;
S6-2,对每个样本计算负梯度,并将每个样本的负梯度标记为对应样本的残差;
S6-3,将样本的残差作为训练数据,通过最小化损失函数,从M维特征中选取最佳划分节点,划分样本得到新树对应的叶子节点区域,对树进行更新,得到梯度提升决策回归树;
S6-4,重复S6-2和S6-3的过程直到误差小于预估最大误差,同时每棵梯度提升决策回归树,都满足以下条件:
S6-5,通过相邻像元和中心像元的距离、时间加权来对时空地理数据的提取;
S6-6,根据S6-4和S6-5中的结果,建立O3浓度预测模型,之后使用建立的模型对地表O3的浓度进行估算;
所述S6-5中,对时空地理数据的提取的特征提取方程为:
Spacew=f(Lon,Lat)=haversine(α2-α1)+cosα1cosα2haversine(β2-β1) (4);
所述S6-6中,建立的O3浓度预测模型为:
O3=f(OMI,ssrd,tp,rh,blh,sp,t2m,tcwv,u10,PM2.5,SO2,
NO2,CO,Space,Time、LUCC、POP)
其中,Spacew表示栅格中某像元到边界和中心的距离;Lon表示像元所在的经度;Lat表示像元所在的经度;Space和Time表示空间和时间特征;r代表地球半径;DOY(Day Of Year)表示当日在一年中属于第几天;Year代表该年的总天数。
2.根据权利要求1所述的基于时空光梯度增强机的地表O3浓度估算方法,其特征在于:所述步骤二中,气象数据包括温度数据、风速数据、降水数据和气压数据,辅助数据包括LUCC数据,人口数据和DEM数据。
3.根据权利要求1所述的基于时空光梯度增强机的地表O3浓度估算方法,其特征在于:所述步骤三中,获取多个站点O3测量值的均值过程如下:
S3-1,创建覆盖整个研究区的0.1°×0.1°格网数据,并将步骤二中得到的统一化数据匹配到各单元网格;
S3-2,对落在一个格网中同一变量的多个数据求平均,以确保所有变量数据在空间和时间上的一致性,接着对于0.1°范围内的多个站点的O3测量值取均值,得到测量平均值。
4.根据权利要求1所述的基于时空光梯度增强机的地表O3浓度估算方法,其特征在于:所述S5-3中,共线性的判定规则为:当VIF值<10时,判定变量间不存在共线性;当VIF值≥10时,判定变量间存在共线性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411138.5A CN114757103B (zh) | 2022-04-19 | 2022-04-19 | 基于时空光梯度增强机的地表o3浓度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411138.5A CN114757103B (zh) | 2022-04-19 | 2022-04-19 | 基于时空光梯度增强机的地表o3浓度估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757103A CN114757103A (zh) | 2022-07-15 |
CN114757103B true CN114757103B (zh) | 2023-03-17 |
Family
ID=82332026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210411138.5A Active CN114757103B (zh) | 2022-04-19 | 2022-04-19 | 基于时空光梯度增强机的地表o3浓度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757103B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116429648B (zh) * | 2023-03-23 | 2023-11-17 | 河南大学 | 改进的时空LightGBM的地表PM10估算方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113776780A (zh) * | 2020-06-10 | 2021-12-10 | 三星显示有限公司 | 开口率测量装置和包括其的显示装置的劣化补偿系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509033B (zh) * | 2018-12-14 | 2023-04-07 | 重庆邮电大学 | 一种消费金融场景下的用户购买行为大数据预测方法 |
CN110120265B (zh) * | 2019-04-29 | 2023-03-31 | 天津大学 | 基于多维特征和模型融合的提高预测血尿酸精度的方法 |
CN112884079A (zh) * | 2021-03-30 | 2021-06-01 | 河南大学 | 一种基于Stacking集成模型的近地面二氧化氮浓度估算方法 |
CN113918994A (zh) * | 2021-10-28 | 2022-01-11 | 广州小鹏汽车科技有限公司 | 一种用户信息管理系统、用户信息管理方法及存储介质 |
-
2022
- 2022-04-19 CN CN202210411138.5A patent/CN114757103B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113776780A (zh) * | 2020-06-10 | 2021-12-10 | 三星显示有限公司 | 开口率测量装置和包括其的显示装置的劣化补偿系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114757103A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Predicting ground-level PM2. 5 concentrations in the Beijing-Tianjin-Hebei region: A hybrid remote sensing and machine learning approach | |
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
Chang-Hoi et al. | Development of a PM2. 5 prediction model using a recurrent neural network algorithm for the Seoul metropolitan area, Republic of Korea | |
CN113348471B (zh) | 一种大气污染预测中对区域边界优化的方法 | |
CN112069673B (zh) | 基于梯度提升决策树地表pm2.5浓度估算的方法 | |
CN113344149B (zh) | 一种基于神经网络的pm2.5逐小时预测方法 | |
Jin et al. | Global validation and hybrid calibration of CAMS and MERRA-2 PM2. 5 reanalysis products based on OpenAQ platform | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN114004163B (zh) | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 | |
CN114757103B (zh) | 基于时空光梯度增强机的地表o3浓度估算方法 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
CN111091082A (zh) | 一种基于高分辨率遥感数据的流域污染溯源方法 | |
CN116415408B (zh) | 基于四维变分同化的VOCs排放源清单动态反演方法 | |
Ma et al. | PM2. 5 concentration distribution patterns and influencing meteorological factors in the central and eastern China during 1980–2018 | |
Metia et al. | Urban air pollution estimation using unscented Kalman filtered inverse modeling with scaled monitoring data | |
CN114878748B (zh) | 一种co2排放量的监测方法及监测系统 | |
CN115357847A (zh) | 一种基于误差分解的日尺度星地降水融合方法 | |
CN116223395A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
Jing et al. | Cascaded downscaling–calibration networks for satellite precipitation estimation | |
CN118311205A (zh) | 基于园区大气浓度监测系统的微尺度溯源算法 | |
Jing et al. | Estimating PM2. 5 concentrations in a central region of China using a three-stage model | |
CN117669270A (zh) | 一种对微站组网数据进行时空一致性订正的方法 | |
Wu et al. | A study on identifying synergistic prevention and control regions for PM2. 5 and O3 and exploring their spatiotemporal dynamic in China | |
CN117972625A (zh) | 基于四维变分约束的注意力神经网络数据同化方法 |
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 |