CN115204507B - 大气能见度的预测方法、装置、设备及存储介质 - Google Patents
大气能见度的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115204507B CN115204507B CN202210887601.3A CN202210887601A CN115204507B CN 115204507 B CN115204507 B CN 115204507B CN 202210887601 A CN202210887601 A CN 202210887601A CN 115204507 B CN115204507 B CN 115204507B
- Authority
- CN
- China
- Prior art keywords
- data
- air quality
- visibility
- concentration
- target city
- 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 49
- 230000008033 biological extinction Effects 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 229910002651 NO3 Inorganic materials 0.000 claims description 30
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 claims description 29
- 239000000428 dust Substances 0.000 claims description 21
- 239000004576 sand Substances 0.000 claims description 17
- 239000011362 coarse particle Substances 0.000 claims description 16
- 238000001556 precipitation Methods 0.000 claims description 12
- 239000010419 fine particle Substances 0.000 claims description 10
- 238000007667 floating Methods 0.000 claims description 10
- 239000000443 aerosol Substances 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 239000013078 crystal Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000005416 organic matter Substances 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- -1 haze Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例提供了一种大气能见度的预测方法、装置、设备及存储介质,涉及大气领域。所述方法包括收集目标城市的历史气象观测资料,其中,所述历史气象观测资料包括所述目标城市的历史能见度数据,根据气象模式和空气质量模式对目标城市进行气象要素和空气质量的回报,对回报所得的气象要素和空气质量因子以及所述目标城市的历史能见度数据进行拟合,得到消光系数计算公式中的系数,构建能见度预测模型,获取目标城市气象预报数据和空气质量预报数据,将所述目标城市气象预报数据和空气质量预报数据输入到所述能见度预测模型中,得到能见度预测数据。以此方式,提高了能见度的反演水平。
Description
技术领域
本公开涉及大气领域,尤其涉及能见度预测技术领域。
背景技术
能见度是指视力正常的人,在当时天气条件下,能够从天空背景中分辨出目标物的最大水平距离,反映了大气的透明程度。在气象学上,影响能见度的天气现象一般为烟、霾、雾、雨、雪、扬沙、浮尘等。其中烟霾与消光系数的关系可以通过PM2.5进行反演,IMPROVE项目正是基于这一点建立的消光系数和PM2.5浓度间的关系,计算消光系数,进而反演能见度。但是如果影响能见度的主要因素是雾、雨、雪,继续使用PM2.5计算消光系数进而反演能见度,效果一般较差。研究表明在相对湿度大于90%时,基于IMPROVE项目建立的PM2.5和消光系数的相关系数会迅速下降,这主要因为当相对湿度大于90%时,影响消光系数的主要是雾、雨雪和冰晶。同时如果影响能见度的主要天气现象是扬沙、浮尘是沙尘时,效果同样较差,因此,急需一种可以较大提高能见度的反演水平的方法。
发明内容
本公开提供了一种大气能见度的预测方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种大气能见度的预测方法,该方法包括:
收集目标城市的历史气象观测资料,其中,所述历史气象观测资料包括所述目标城市的历史能见度数据;
根据气象模式和空气质量模式对目标城市进行气象要素和空气质量的回报;
对回报所得的气象要素和空气质量因子以及所述目标城市的历史能见度数据进行拟合,得到消光系数计算公式中的系数,构建能见度预测模型;
获取目标城市气象预报数据和空气质量预报数据;
将所述目标城市气象预报数据和空气质量预报数据输入到所述能见度预测模型中,得到能见度预测数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述回报所得的气象要素和空气质量因子包括PM2.5浓度数据、PM10浓度数据以及水汽影响数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述消光系数计算公式是通过以下步骤得到的:
建立PM2.5浓度数据和消光系数之间的关系;
根据所述PM2.5浓度数据和消光系数之间的关系,建立PM10浓度数据和消光系数之间的关系;
根据所述PM2.5浓度数据以及所述PM10浓度数据和消光系数之间的关系,结合大气密度、水汽混合比,构建所述消光系数计算公式。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述消光系数计算公式包括:
Bext=Bsg+{2.2*fs(RH)*S(sulfate)+4.8*fL(RH)*L(sulfate)+2.4*fs(RH)*S(nitrate)+5.1*fL(RH)*L(nitrate)+2.8*S(OM)+6.1*L(OM)+10*[EC]+[FS]+0.6*[CM]+0.33*[NO2]}+a(RH)*[PM10-PM2.5]+fs(qvapor)[a*144.7(ρq)0.88+b*1.1(ρq)0.75+c*163.9(ρq)1.00+d*10.4(ρq)0.78]
其中,Bext表示消光系数,Bsg为瑞丽散射消光系数,单位为Mm-,为一常量;fs(RH)、fL(RH)分别为粗粒子和细粒子的吸湿增长系数,其为相对湿度RH的函数;L(sulfate)、L(nitrate)、L(OM)分别表示硫酸盐、硝酸盐和有机物的气溶胶粗粒子,S(sulfate)、S(nitrate)、S(OM)分别表示硫酸盐、硝酸盐和有机物的细粒子质量浓度,单位μg/m3;[EC]、[FS]和[CM]分别为元素碳浓度、细土壤尘气溶胶浓度和粗粒子浓度,单位μg/m3;[NO2]为NO2的体积分数,单位为10-9;a(RH)为扬沙浮尘的修正系数,PM10和PM2.5分别表示PM10浓度和PM2.5浓度,单位μg/m3,以PM10浓度和PM2.5浓度的差值[PM10-PM2.5]来代表扬沙、浮尘的影响;fs(qvapor)为水汽修正系数,当温度小于零摄氏度时a取为0、c取为1,此时为冰晶不是云水影响;当温度大于零摄氏度时a取为1、c取为0,此时为云水不是冰晶影响;当有降水时b取为1,无降水时b取为0;当有降雪时d取为1,无降雪时d取为0,ρ为大气密度,q为水汽混合比。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述方法还包括:
根据所述消光系数计算公式,通过柯喜密公式计算能见度数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述获取目标城市气象预报数据和空气质量预报数据,包括:
分别利用气象模式和空气质量模式对所述目标城市进行气象要素预报和空气质量预报,得到目标城市气象预报数据和空气质量预报数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述方法还包括:对所述能见度预测模型进行校验。
根据本公开的第二方面,提供了一种大气能见度的预测装置。该装置包括:
获取模块,用于收集目标城市的历史气象观测资料,其中,所述历史气象观测资料包括所述目标城市的历史能见度数据;
回报模块,用于根据气象模式和空气质量模式对目标城市进行气象要素和空气质量的回报;
建模模块,用于对回报所得的气象要素和空气质量因子以及所述目标城市的历史能见度数据进行拟合,得到消光系数计算公式中的系数,构建能见度预测模型;
所述获取模块,还用于获取目标城市气象预报数据和空气质量预报数据;
预测模块,用于将所述目标城市气象预报数据和空气质量预报数据输入到所述能见度预测模型中,得到能见度预测数据。
根据本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面和/或第二发面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案,不构成对本公开的限定在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1是本公开实施例提供的一种大气能见度的预测方法的流程图;
图2是本公开实施例提供的基于随机森林算法建模的流程图;
图3是本公开实施例提供的一种大气能见度的预测装置的框图;
图4是本公开实施例提供的一种示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本公开中为了较大程度提高能见度的反演水平,提供了一种大气能见度的预测方法,该方法包括:收集目标城市的历史气象观测资料,其中,所述历史气象观测资料包括所述目标城市的历史能见度数据,根据气象模式和空气质量模式对目标城市进行气象要素和空气质量的回报,对回报所得的气象要素和空气质量因子以及所述目标城市的历史能见度数据进行拟合,得到消光系数计算公式中的系数,构建能见度预测模型,获取目标城市气象预报数据和空气质量预报数据,将所述目标城市气象预报数据和空气质量预报数据输入到所述能见度预测模型中,得到能见度预测数据。本公开综合考虑了影响消光系数的PM2.5、沙尘、降雨、降雪和雾等因素,建立了消光系数与PM2.5、PM10、大气密度和水汽混合比的相互关系,进一步提高了能见度的反演水平。
下面结合附图,通过具体的实施例对本公开实施例提供的大气能见度的预测方法、装置、设备和存储介质进行详细地说明。
图1示出了能够在其中实现本公开的实施例的一种大气能见度的预测方法的流程图,如图1所示,
S110,收集目标城市的历史气象观测资料,其中,所述历史气象观测资料包括所述目标城市的历史能见度数据。
在一些实施例中,由于各地影响能见度的主要因素存在较大差异,例如中国南部地区降水和雾等较多,西北部地区沙尘天气较多,不仅PM2.5可以影响能见度,沙尘暴、降雨、降雪、雾等天气状况都会降低大气的透明度,因此,为了进一步提高了能见度的反演水平,可以综合考虑影响消光系数的PM2.5、沙尘、降雨、降雪和雾等因素。
在一些实施例中,历史气象观测资料可以采用目标城市内3个国家基准站、21个基本站和46个一般站,计70个站点的3小时地面观测资料,包括地面2m气温、相对湿度、风力风向、天气现象、能见度、降水量等气象要素。
S120,根据气象模式和空气质量模式对目标城市进行气象要素和空气质量的回报。
在一些实施例中,为了减小误差,可以利用气象模式和空气质量模式对目标城市进行气象要素和空气质量的回报,其中,气象模式可以使用WRF气象模式,空气质量模式可以使用CHEM、CMAQ、CAMx或NAQPMS空气质量模式。
在一些实施例中,回报所用的大气污染源清单基于排放源清单可以采用中国多尺度排放清单模型(Multi-resolution Emission Inventory for China,简称MEIC)进行反向订正得到。
在一些实施例中,回报所得的气象要素和空气质量因子可以包括PM2.5浓度、PM10浓度以及水汽影响等数据。
S130,对回报所得的气象要素和空气质量因子以及所述目标城市的历史能见度数据进行拟合,得到消光系数计算公式中的系数,构建能见度预测模型。
在一些实施例中,可以通过以下步骤得到消光系数计算公式:
步骤1:根据IMPROVE的研究结果,建立PM2.5浓度数据和消光系数之间的关系,消光系数的计算公式为:
Bext=Bsg+{2.2*fs(RH)*S(sulfate)+4.8*fL(RH)*L(sulfate)+2.4*fs(RH)*S(nitrate)+5.1*fL(RH)*L(nitrate)+2.8*S(OM)+6.1*L(OM)+10*[EC]+[FS]+0.6*[CM]+0.33*[NO2]}
其中,Bext表示消光系数,Bsg为瑞丽散射消光系数,单位为Mm-,为一常量;fs(RH)、fL(RH)分别为粗粒子和细粒子的吸湿增长系数,其为相对湿度RH的函数;L(sulfate)、L(nitrate)、L(OM)分别表示硫酸盐、硝酸盐和有机物的气溶胶粗粒子,S(sulfate)、S(nitrate)、S(OM)分别表示硫酸盐、硝酸盐和有机物的细粒子质量浓度;[EC]、[FS]和[CM]分别为元素炭浓度、细土壤尘气溶胶浓度和粗粒子浓度,单位μg/m3;[NO2]为NO2的体积分数,单位为10-9。
步骤2:仿照PM2.5浓度和消光系数之间的关系建立PM10和消光系数之间的关系式:
Bext=Bsg+a(RH)*[PM10-PM2.5]
其中,Bext表示消光系数,Bsg为瑞丽散射消光系数,单位为Mm-;a(RH)为不同湿度下PM10的消光系数,以PM10浓度和PM2.5浓度的差值[PM10-PM2.5]来代表扬沙、浮尘的影响,以此来反映不同湿度下的粗颗粒物(沙尘)等对消光系数的影响。
步骤3:根据所述PM2.5浓度数据以及所述PM10浓度数据和消光系数之间的关系,结合大气密度、水汽混合比,构建所述消光系数计算公式:
Bext=Bsg+{2.2*fs(RH)*S(sulfate)+4.8*fL(RH)*L(sulfate)+2.4*fs(RH)*S(nitrate)+5.1*fL(RH)*L(nitrate)+2.8*S(OM)+6.1*L(OM)+10*[EC]+[FS]+0.6*[CM]+0.33*[NO2]}+a(RH)*[PM10-PM2.5]+fs(qvapor)[a*144.7(ρq)0.88+b*1.1(ρq)0.75+c*163.9(ρq)1.00+d*10.4(ρq)0.78]
其中,Bext表示消光系数,Bsg为瑞丽散射消光系数,单位为Mm-,为一常量;fs(RH)、fL(RH)分别为粗粒子和细粒子的吸湿增长系数,其为相对湿度RH的函数;L(sulfate)、L(nitrate)、L(OM)分别表示硫酸盐、硝酸盐和有机物的气溶胶粗粒子,S(sulfate)、S(nitrate)、S(OM)分别表示硫酸盐、硝酸盐和有机物的细粒子质量浓度,单位μg/m3;[EC]、[FS]和[CM]分别为元素碳浓度、细土壤尘气溶胶浓度和粗粒子浓度,单位μg/m3;[NO2]为NO2的体积分数,单位为10-9;a(RH)为扬沙浮尘的修正系数,PM10和PM2.5分别表示PM10浓度和PM2.5浓度,单位μg/m3,以PM10浓度和PM2.5浓度的差值[PM10-PM2.5]来代表扬沙、浮尘的影响;fs(qvapor)为水汽修正系数,当温度小于零摄氏度时a取为0、c取为1,此时为冰晶不是云水影响;当温度大于零摄氏度时a取为1、c取为0,此时为云水不是冰晶影响;当有降水时b取为1,考虑降水对消光系数的影响,无降水时b取为0,不考虑降水对消光系数的影响;当有降雪时d取为1,考虑降雪对消光系数的影响,无降雪时d取为0,不考虑降雪对消光系数的影响,ρ为大气密度,q为水汽混合比。
在一些实施例中,可以通过柯喜密公式计算能见度数据,其中,柯喜密公式包括:
V=-ln0.02/Bext
其中,V为能见度,单位:m;Bext为消光系数。
在一些实施例中,为了得到更好的预测效果,可以对所述能见度预测模型进行检验。
S140,获取目标城市气象预报数据和空气质量预报数据。
在一些实施例中,可以分别利用气象模式和空气质量模式对目标城市进行空气质量预报和气象要素预报,得到目标城市空气质量预报数据和气象预报数据。
在一些实施例中,气象模式可以使用WRF气象模式,空气质量模式可以使用CHEM、CMAQ、CAMx或NAQPMS等空气质量模式。
在一些实施例中,如果采用WRF-Chem这种组合模式,可以对气象模式和空气质量模式进行同时模拟,得到气象预报数据和空气质量预报数据。
其中,WRF-Chem模式是气象模式(WRF)和化学模式(Chem)在线完全耦合的新一代的区域空气质量模式,包含了一种全新的大气化学模式理念,它的化学和气象过程使用相同的水平和垂直坐标系,相同的物理参数化方案,不存在时间上的插值,并且能够考虑化学对气象过程的反馈作用,因此,WRF-Chem模式能够模拟再现一种更加真实的大气环境。
在一些实施例中,为了得到更加准确的气象预报数据和空气质量预报数据,可以对WRF-Chem模式对空气质量预报能力和气象要素预报效果进行评估和进行检验。
S150,将所述目标城市气象预报数据和空气质量预报数据输入到所述能见度预测模型中,得到能见度预测数据。
根据本公开的实施例,实现了以下技术效果:
本公开综合考虑了烟霾、沙尘、雾、降雨降雪等对能见度的影响,提高了反演水平,解决了目前仅考虑烟霾等颗粒物对能见度的影响,导致反演在湿度较大和湿度较小时误差较大的问题。
下面结合图2,对本公开实施例构建能见度预测模型进行详细的说明,如图2所示:
在一些实施例中,可以利用随机森林算法构建能见度预测模型,具体地,使用Adaboost随机森林算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器),具体步骤如下:
步骤1:读取待预测区域的历史能见度实况资料、历史气象观测资料和环境监测站观测资料;
步骤2:提取每个格点的下垫面类型、粗糙度、地形信息、排放源信息;
步骤3:构建决策树回归模型,构建最小目标函数值评价结构q(x)的优劣,除了考虑模型的复杂度外,还可以衡量决策树的不纯度,建立树结构;
步骤4:列举每个节点的所有特征,将每个特征值线性排列;
步骤5:确定最佳分类位置,即Gain增益最大;若最佳分类位置的训练损失得分小于正则项(γ)则不再划分(但可能有益于后续划分);
步骤6:递归删除所有负得分的叶子划分时,分类树即达到最大深度;
步骤7:将训练好的回归模型保存。
步骤8:将利用WRF-Chem模式获取到的待预测区域的气象预报数据和空气质量预报数据输入上述训练好的回归模型中,进行能见度预测,可以得到所述待预测区域的能见度数据。在一些实施例中,Gain增益为:
上述实施方式只是本公开提供的可以构建能见度预测模型的一种方式,但本领域技术人员可以理解的是:只要能够实现上述能见度预测模型对应功能的构建方式,都是本公开可以接受的。
根据本公开的实施例,实现了以下技术效果:
本公开利用随机森林算法进行建模,并将得到的目标城市空气质量预报数据和气象预报数据引入该模型,进行能见度预测,可以有效减小预报误差,实现能见度的精准预测。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图3示出了根据本公开的实施例的大气能见度预测装置300的方框图。如图3所示,装置300包括:获取模块310、回报模块320、建模模块330、预测模块340,其中:
获取模块310,用于收集目标城市的历史气象观测资料,其中,所述历史气象观测资料包括所述目标城市的历史能见度数据;
回报模块320,用于根据气象模式和空气质量模式对目标城市进行气象要素和空气质量的回报;
建模模块330,对回报所得的气象要素和空气质量因子以及所述目标城市的历史能见度数据进行拟合,得到消光系数计算公式中的系数,构建能见度预测模型;
所述获取模块310,还用于获取目标城市气象预报数据和空气质量预报数据;
预测模块340,用于将所述目标城市气象预报数据和空气质量预报数据输入到所述能见度预测模型中,得到能见度预测数据。
在一些实施例中,所述获取模块310具体用于:分别利用气象模式和空气质量模式对目标城市进行气象要素和空气质量的预报,得到目标城市空气质量预报数据和气象预报数据。
在一些实施例中,所述建模模块330具体用于:对回报所得的气象要素和空气质量因子以及所述目标城市的历史能见度数据进行拟合,得到消光系数计算公式中的系数,构建能见度预测模型。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如方法100。例如,在一些实施例中,方法100可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM403并由计算单元401执行时,可以执行上文描述的方法100的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法100。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (9)
1.一种大气能见度的预测方法,其特征在于,包括:
收集目标城市的历史气象观测资料,其中,所述历史气象观测资料包括所述目标城市的历史能见度数据;
根据气象模式和空气质量模式对目标城市进行气象要素和空气质量的回报;
对回报所得的气象要素和空气质量因子以及所述目标城市的历史能见度数据进行拟合,得到消光系数计算公式中的系数,构建能见度预测模型,其中,所述消光系数计算公式包括:
Bext=Bsg+{2.2*fs(RH)*S(sulfate)+4.8*fL(RH)*L(sulfate)+2.4*fs(RH)*S(nitrate)+5.1*fL(RH)*L(nitrate)+2.8*S(OM)+6.1*L(OM)+10*[EC]+[FS]+0.6*[CM]+0.33*[NO2]}+a(RH)*[PM10-PM2.5]+fs(qvapor)[a*144.7(ρq)0.88+b*1.1(ρq)0.75+c*163.9(ρq)1.00+d*10.4(ρq)0.78]
其中,Bext表示消光系数,Bsg为瑞丽散射消光系数,单位为Mm-,为一常量;fs(RH)、fL(RH)分别为粗粒子和细粒子的吸湿增长系数,其为相对湿度RH的函数;L(sulfate)、L(nitrate)、L(OM)分别表示硫酸盐、硝酸盐和有机物的气溶胶粗粒子,S(sulfate)、S(nitrate)、S(OM)分别表示硫酸盐、硝酸盐和有机物的细粒子质量浓度,单位μg/m3;[EC]、[FS]和[CM]分别为元素碳浓度、细土壤尘气溶胶浓度和粗粒子浓度,单位μg/m3;[NO2]为NO2的体积分数,单位为10-9;a(RH)为扬沙浮尘的修正系数,PM10和PM2.5分别表示PM10浓度和PM2.5浓度,单位μg/m3,以PM10浓度和PM2.5浓度的差值[PM10-PM2.5]来代表扬沙、浮尘的影响;fs(qvapor)为水汽修正系数,当温度小于零摄氏度时a取为0、c取为1,此时为冰晶不是云水影响;当温度大于零摄氏度时a取为1、c取为0,此时为云水不是冰晶影响;当有降水时b取为1,无降水时b取为0;当有降雪时d取为1,无降雪时d取为0;ρ为大气密度,q为水汽混合比;
获取目标城市气象预报数据和空气质量预报数据;
将所述目标城市气象预报数据和空气质量预报数据输入到所述能见度预测模型中,得到能见度预测数据。
2.根据权利要求1所述的方法,其特征在于,所述回报所得的气象要素和空气质量因子包括PM2.5浓度数据、PM10浓度数据以及水汽影响数据。
3.根据权利要求1所述的方法,其特征在于,所述消光系数计算公式是通过以下步骤得到的:
建立PM2.5浓度数据和消光系数之间的关系;
根据所述PM2.5浓度数据和消光系数之间的关系,建立PM10浓度数据和消光系数之间的关系;
根据所述PM2.5浓度数据以及所述PM10浓度数据和消光系数之间的关系,结合大气密度、水汽混合比,构建所述消光系数计算公式。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述消光系数计算公式,通过柯喜密公式计算能见度数据。
5.根据权利要求1所述的方法,其特征在于,所述获取目标城市气象预报数据和空气质量预报数据,包括:
分别利用气象模式和空气质量模式对所述目标城市进行气象要素预报和空气质量预报,得到目标城市气象预报数据和空气质量预报数据。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述能见度预测模型进行校验。
7.一种大气能见度的预测装置,其特征在于,包括:
获取模块,用于收集目标城市的历史气象观测资料,其中,所述历史气象观测资料包括所述目标城市的历史能见度数据;
回报模块,用于根据气象模式和空气质量模式对目标城市进行气象要素和空气质量的回报;
建模模块,用于对回报所得的气象要素和空气质量因子以及所述目标城市的历史能见度数据进行拟合,得到消光系数计算公式中的系数,构建能见度预测模型,其中,所述消光系数计算公式包括:
Bext=Bsg+{2.2*fs(RH)*S(sulfate)+4.8*fL(RH)*L(sulfate)+2.4*fs(RH)*S(nitrate)+5.1*fL(RH)*L(nitrate)+2.8*S(OM)+6.1*L(OM)+10*[EC]+[FS]+0.6*[CM]+0.33*[NO2]}+a(RH)*[PM10-PM2.5]+fs(qvapor)[a*144.7(ρq)0.88+b*1.1(ρq)0.75+c*163.9(ρq)1.00+d*10.4(ρq)0.78]
其中,Bext表示消光系数,Bsg为瑞丽散射消光系数,单位为Mm-,为一常量;fs(RH)、fL(RH)分别为粗粒子和细粒子的吸湿增长系数,其为相对湿度RH的函数;L(sulfate)、L(nitrate)、L(OM)分别表示硫酸盐、硝酸盐和有机物的气溶胶粗粒子,S(sulfate)、S(nitrate)、S(OM)分别表示硫酸盐、硝酸盐和有机物的细粒子质量浓度,单位μg/m3;[EC]、[FS]和[CM]分别为元素碳浓度、细土壤尘气溶胶浓度和粗粒子浓度,单位μg/m3;[NO2]为NO2的体积分数,单位为10-9;a(RH)为扬沙浮尘的修正系数,PM10和PM2.5分别表示PM10浓度和PM2.5浓度,单位μg/m3,以PM10浓度和PM2.5浓度的差值[PM10-PM2.5]来代表扬沙、浮尘的影响;fs(qvapor)为水汽修正系数,当温度小于零摄氏度时a取为0、c取为1,此时为冰晶不是云水影响;当温度大于零摄氏度时a取为1、c取为0,此时为云水不是冰晶影响;当有降水时b取为1,无降水时b取为0;当有降雪时d取为1,无降雪时d取为0;ρ为大气密度,q为水汽混合比;
所述获取模块,还用于获取目标城市气象预报数据和空气质量预报数据;
预测模块,用于将所述目标城市气象预报数据和空气质量预报数据输入到所述能见度预测模型中,得到能见度预测数据。
8.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其特征在于,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210887601.3A CN115204507B (zh) | 2022-07-26 | 2022-07-26 | 大气能见度的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210887601.3A CN115204507B (zh) | 2022-07-26 | 2022-07-26 | 大气能见度的预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115204507A CN115204507A (zh) | 2022-10-18 |
CN115204507B true CN115204507B (zh) | 2023-05-23 |
Family
ID=83583141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210887601.3A Active CN115204507B (zh) | 2022-07-26 | 2022-07-26 | 大气能见度的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204507B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609738A (zh) * | 2024-01-19 | 2024-02-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 集合多因素的大气能见度预测方法、计算机设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543906A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气能见度预测的方法及设备 |
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 |
CN112067583A (zh) * | 2020-09-21 | 2020-12-11 | 中国海洋大学 | 利用雾滴谱的谱型和液态水含量计算雾中能见度的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205164A (zh) * | 2017-12-04 | 2018-06-26 | 国网江苏省电力有限公司电力科学研究院 | 一种基于WRF-Chem的大气能见度参数化预测方法 |
WO2019101247A2 (zh) * | 2018-07-20 | 2019-05-31 | 大舜激光(黄山)科技有限公司 | 激光海面能见度监测仪以及探测海雾的方法 |
CN111259336B (zh) * | 2020-01-15 | 2023-03-21 | 成都信息工程大学 | 大气污染物浓度预警方法 |
CN112180472A (zh) * | 2020-09-28 | 2021-01-05 | 南京北极光智能科技有限公司 | 一种基于深度学习的大气能见度集成预报方法 |
CN112461799B (zh) * | 2020-11-25 | 2023-08-18 | 北京心中有数科技有限公司 | 一种获取高速公路团雾能见度的方法及装置 |
-
2022
- 2022-07-26 CN CN202210887601.3A patent/CN115204507B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109543906A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气能见度预测的方法及设备 |
CN112067583A (zh) * | 2020-09-21 | 2020-12-11 | 中国海洋大学 | 利用雾滴谱的谱型和液态水含量计算雾中能见度的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115204507A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Houtekamer et al. | Review of the ensemble Kalman filter for atmospheric data assimilation | |
Abdullah et al. | Multiple linear regression (MLR) models for long term PM10 concentration forecasting during different monsoon seasons | |
US20170261646A1 (en) | Self-correcting multi-model numerical rainfall ensemble forecasting method | |
JP7438655B2 (ja) | 気象解析装置、気象解析方法、およびプログラム | |
CN115204507B (zh) | 大气能见度的预测方法、装置、设备及存储介质 | |
Zhu et al. | A regional GSI-based ensemble Kalman filter data assimilation system for the rapid refresh configuration: Testing at reduced resolution | |
TW201835607A (zh) | 氣象預測裝置、氣象預測方法及氣象預測程式 | |
Nowotarski et al. | Evaluating the effective inflow layer of simulated supercell updrafts | |
CN111695473A (zh) | 基于长短时记忆网络模型的热带气旋强度客观监测方法 | |
CN114067535B (zh) | 基于人工智能的地质灾害预警方法、装置及存储介质 | |
AU2017201558A1 (en) | Estimation of weather modification effects | |
CN116434485A (zh) | 基于多维度气象数据的灾害预警方法、系统、设备及介质 | |
CN114594532A (zh) | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 | |
Lu et al. | Remote sensing-based house value estimation using an optimized regional regression model | |
CN110866693B (zh) | 一种基于gis模型的架空输电线路覆冰风险评估方法 | |
CN112085060A (zh) | 基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法及装置 | |
CN116721781A (zh) | 虫媒传染病传播风险的预测方法、装置、电子设备及介质 | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
Lu et al. | The NEMS GFS aerosol component; NCEP's global aerosol forecast system | |
Gilleland et al. | Evaluating NARCCAP model performance for frequencies of severe-storm environments | |
CN114187744A (zh) | 一种滑坡泥石流监测预警方法、设备、系统及介质 | |
Prasetiyowati et al. | Prediction and mapping of air pollution in Bandung using generalized space time autoregressive and simple kriging | |
KR101015249B1 (ko) | 장마강도 예측방법 | |
CN110727719A (zh) | 一种基于动力松弛逼近的闪电定位资料同化方法 |
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 |