CN116362130A - 一种日尺度自适应建模的pm2.5全覆盖估算方法 - Google Patents
一种日尺度自适应建模的pm2.5全覆盖估算方法 Download PDFInfo
- Publication number
- CN116362130A CN116362130A CN202310334902.8A CN202310334902A CN116362130A CN 116362130 A CN116362130 A CN 116362130A CN 202310334902 A CN202310334902 A CN 202310334902A CN 116362130 A CN116362130 A CN 116362130A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- annual
- air quality
- data
- feature
- 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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大气环境技术领域,具体涉及一种日尺度自适应建模的PM2.5全覆盖估算方法,该方法包括:获取气象站点空气质量监测数据、气象监测数据以及大气光学气溶胶厚度;根据空气质量监测数据、气象监测数据以及大气光学气溶胶厚度构建第一年度模型;根据空气质量监测数据和气象监测数据构建第二年度模型;将以预设大小为单元划分的日尺度的地区监测数据的格网,分别输入第一年度模型和第二年度模型,输出PM2.5的预测数据;利用PM2.5的预测数据与气象监测数据以及大气光学气溶胶厚度匹配到格网中的气象站点。本发明依靠两个年度模型对PM2.5浓度进行估算的结果更加准确。
Description
技术领域
本发明涉及大气环境技术领域,具体涉及一种日尺度自适应建模的PM2.5全覆盖估算方法。
背景技术
目前有助于了解PM2.5污染分布和变化的长时间空间无缝产品较少。由于气溶胶光学厚度(AOD)存在空隙的限制,空间全覆盖PM2.5浓度的重建工作仍具有很大的挑战。因此建立时空连续的PM2.5浓度数据集就显得尤为重要,可为了解政策下的各区域PM2.5污染变化情况,评估政策的效果,并为后续大气污染防止决策的制定提供参考。
目前,在对地表的PM2.5浓度进行估算的方法中,构建的模型不管是小时尺度还是日尺度或者是更粗的时间尺度,均是采用全年的样本建立一个年度模型,为了得到稳定且精确的模型就需要扩充样本,但是一个地区包含的气象站点的数量是一定的,每日的观测数据存在限制,仅依靠一个年度模型对PM2.5浓度进行估算的结果并不准确。
发明内容
为了解决依靠一个年度模型对PM2.5浓度进行估算的结果并不准确的技术问题,本发明的目的在于提供一种日尺度自适应建模的PM2.5全覆盖估算方法,所采用的技术方案具体如下:
获取气象站点空气质量监测数据、气象监测数据以及大气光学气溶胶厚度;
根据空气质量监测数据、气象监测数据以及大气光学气溶胶厚度构建第一年度模型;根据空气质量监测数据和气象监测数据构建第二年度模型;
将以预设大小为单元划分的日尺度的地区监测数据的格网,分别输入第一年度模型和第二年度模型,输出PM2.5的预测数据;利用PM2.5的预测数据与气象监测数据以及大气光学气溶胶厚度匹配到格网中的气象站点。
优选地,所述空气质量监测数据为气象站点的PM2.5监测数据;所述气象监测数据包括大气边界层高度、相对湿度、地表压力、地表2m温度、地表10m风速、臭氧柱总量、植被指数、30m高程和1公里年度人口分布数据。
优选地,采用XGBoost算法开发程序构建所述第一年度模型和所述第二年度模型。
优选地,所述根据空气质量监测数据、气象监测数据以及大气光学气溶胶厚度构建第一年度模型具体为:
以大气光学气溶胶厚度为因变量,空气质量监测数据和气象监测数据为自变量获得缺失大气光学气溶胶厚度;以缺失大气光学气溶胶厚度、大气光学气溶胶厚度和气象监测数据为自变量,空气质量监测数据为因变量,构建第一年度模型。
优选地,所述根据空气质量监测数据和气象监测数据构建第二年度模型具体为:
以气象监测数据为自变量,空气质量监测数据为因变量,构建第二年度模型。
优选地,所述以预设大小为单元划分的地区监测数据的格网不含PM2.5气象站点的数据。
优选地,所述第一年度模型和所述第二年度模型的训练过程包括:
(1)初始化特征集,所述特征集中的元素为特征变量;
所述利用所述特征集训练第一年度模型时,特征变量包括空气质量监测数据、气象监测数据以及大气光学气溶胶厚度;利用所述特征集训练第二年度模型时,特征变量包括空气质量监测数据和气象监测数据;
(2)获取特征子集,计算特征子集中每个特征变量的重要性,根据特征变量的重要性利用交叉验证法得到特征子集的得分;
(3)将当前特征子集中重要性最小的特征变量进行移除操作,得到当前新特征子集;
(4)不断重复步骤(2)和步骤(3),直到特征子集中特征变量的数量为空或者达到预设的阈值时,停止搜索;
(5)比较所有特征子集的得分,输出最高的得分对应的特征子集。
本发明实施例至少具有如下有益效果:
本发明通过获取气象站点的空气质量监测数据、气象监测数据以及大气光学气溶胶厚度,并构建包含大气光学气溶胶厚度的数据的第一年度模型,和不包含大气光学气溶胶厚度的数据的第二年度模型,进一步的,构建日尺度模型将格网应用在第一年度模型和第二年度模型中,获得预测PM2.5浓度数据,本发明有效的展现日尺度PM2.5的全覆盖结果,依靠两个年度模型对PM2.5浓度进行估算的结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明的一种日尺度自适应建模的PM2.5全覆盖估算方法的方法流程图;
图2是本发明实施例提供的基于空间的验证结果图;
图3是本发明实施例提供的基于时间的验证结果图;
图4是本发明实施例提供的AOD空缺填补的部分地区结果示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种日尺度自适应建模的PM2.5全覆盖估算方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种日尺度自适应建模的PM2.5全覆盖估算方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种日尺度自适应建模的PM2.5全覆盖估算方法的方法流程图,该方法包括以下步骤:
步骤一,获取气象站点空气质量监测数据、气象监测数据以及大气光学气溶胶厚度。
具体地,获取相关监测数据并对监测数据进行预处理操作,在本实施例中,获取全国所有气象站点的监测数据进行分析,实施者可根据实际情况选择地区的大小。获取的气象站点的监测数据包括,大气光学气溶胶厚度(AOD);气象站点空气质量监测数据,也即气象站点的PM2.5监测数据;气象监测数据,在本实施例中包括大气边界层高度(BLH)、相对湿度(RH)、地表压力(SP)、地表2m温度(TEM)、地表10m风速(WS)、臭氧柱总量(TCO)、植被指数(NDVI)、30m高程(DEM)和1公里年度人口分布数据(POP)。
其中,在本实施例中,将大气边界层高度(BLH)、相对湿度(RH)、地表压力(SP)、地表2m温度(TEM)、地表10m风速(WS)和臭氧柱总量(TCO)称作辅助数据。
同时,将采集到的所有气象站点的监测数据使用双线性内插法重采样至1km,实施者可根据实际情况选择合适的方法对数据进行重采样处理。
步骤二,根据空气质量监测数据、气象监测数据以及大气光学气溶胶厚度构建第一年度模型;根据空气质量监测数据和气象监测数据构建第二年度模型。
由于AOD数据具有时空异质性的特点且数据缺失量较大,同时地面站点数据数量较少分布不均,为解决以上问题,在本实施例中,使用XGBoost算法开发程序搭建两阶段模型,能够实现AOD缺失数据与站点数据的大量填充并保持较高的预测精度。第一阶段搭建年度模型,包括第一年度模型和第二年度模型,第一年度模型和第二年度模型为两个独立的模型。并且第一年度模型和第二年度模型均使用时间分辨率一致的气象站点的监测数据,两个年度模型之间的差异在于是否包含大气光学气溶胶厚度AOD。在第一年度模型中,先以AOD为因变量,其他数据为自变量,从而扩大AOD样本量,提高样本可信度。再基于站点PM2.5观测值外其他所有数据,预测站点PM2.5数值。在第二年度模型中,使用不含AOD的数据预测站点PM2.5观测值,实现站点数据的全覆盖。从两年度模型结果中随机获取10万条样本数据,作为PM2.5数据初始假设值,构建机器学习数据集。搭建第一阶段两年度模型能充分保留AOD与站点PM2.5数据的时空特性,并提高数据预测样本量,提升机器学习模型精度。
其中,AOD空缺填补的部分地区结果示意图如图4所示。
步骤三,将以预设大小为单元划分的日尺度的地区监测数据的格网,分别输入第一年度模型和第二年度模型,输出PM2.5的预测数据,利用PM2.5的预测数据与气象监测数据以及大气光学气溶胶厚度匹配到格网中的气象站点。
在本实施例中,仍使用XGBoost算法开发程序搭建第二阶段的模型,即第二阶段搭建日尺度模型。创建全国所有地区的1km格网,从格网中随机挑选不含PM2.5站点数据的10万个格网,并将其分为两个部分,依据第一阶段第一年度模型和第二年度模型步骤进行处理。
具体地,所述以预设大小为单元划分的日尺度的全国地区监测数据的格网,在本实施例中,预设大小为1km,且地区选择为全国地区,实施者可根据具体实施场景进行选择。将经过格网划分后的气象站点数据,分别输入第一年度模型和第二年度模型,输出PM2.5的预测数据,利用PM2.5的预测数据与气象监测数据以及大气光学气溶胶厚度匹配到格网中的气象站点。
最后,在本实施例中,采用包裹式(wrapper)递归消除方法来对数据的特征进行选择,主要思想是迭代的减少特征集。即对模型进行训练的过程中,对输入的数据特征集进行选择,根据权重选择要弹出的特征,直到遍历完所有特征。
具体过程包括:
(1)初始化特征集,所述特征集中的元素为特征变量;
所述利用所述特征集训练第一年度模型时,特征变量包括空气质量监测数据、气象监测数据以及大气光学气溶胶厚度;利用所述特征集训练第二年度模型时,特征变量包括空气质量监测数据和气象监测数据;
(2)获取特征子集,计算特征子集中每个特征变量的重要性,根据特征变量的重要性利用交叉验证法得到特征子集的得分;
(3)将当前特征子集中重要性最小的特征变量进行移除操作,得到当前新特征子集;
(4)不断重复步骤(2)和步骤(3),直到特征子集中特征变量的数量为空或者达到预设的阈值时,停止搜索;
(5)比较所有特征子集的得分,输出最高的得分对应的特征子集。
制定自适应策略,对XGBoost算法开发程序搭建模型的过程中的参数进行优化,具体地,对XGBoost算法开发程序中的n_estimator,learning_rate和max_depth三个重要参数搜索每日最优。为了减少计算量,本发明实施例设置了有限的集合,选取了相对最优,将n_estimator设置为{200,300,400,500},将learning_rate设置为{0.05,0.1,0.3,0.5},将max_depth设置为{5,6,7,8,9},以R2为目标函数,进行寻优。其中,n_estimator,learning_rate和max_depth为XGBoost算法中的参数,为公知技术,在此不再过多介绍。
最终模型可以表示为:
[PM2.5]=f(PM2.5SM,BLH,RH,SP,TEM,WS,TCO,NDVI,DEM,POP)
其中,[PM2.5]为输出值,即PM2.5全覆盖预测值,PM2.5SM为气象站点的PM2.5监测数据,BLH为大气边界层高度,RH为相对湿度,SP为地表压力,TEM为地表2m温度,WS为地表10m风速,TCO为臭氧柱总量,NDVI为植被指数,DEM为30m高程,POP为1公里年度人口分布数据。
最终模型进行日尺度建模以获取更高精度,输出得到全国PM2.5全覆盖数据集,并分别基于时间与基于站点对预测结果进行验证,基于空间的验证结果图如图2所示,基于时间的验证结果如图3所示。在图2中表示CVR2<0.3,CVR2为十折较差验证后相关系数,图3中R2表示PM2.5监测值与模拟值的R2,RMSE表示均方根误差,MAE表示平均绝对误差,其均为现有技术,计算方法在本实施例中不再详细介绍。
其中,基于时间的预测方法为计算每日所有站点观测数据均值并投入模型运算,可比较研究时间范围内逐日模型预测精度。基于空间的预测方法为计算各站点研究时限内的PM2.5平均浓度再投入模型运算,可比较研究空间范围内逐站点模型预测精度。本发明实施例的方法可以有效的展现日尺度PM2.5的全覆盖结果。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种日尺度自适应建模的PM2.5全覆盖估算方法,其特征在于,该方法包括以下步骤:
获取气象站点空气质量监测数据、气象监测数据以及大气光学气溶胶厚度;
根据空气质量监测数据、气象监测数据以及大气光学气溶胶厚度构建第一年度模型;根据空气质量监测数据和气象监测数据构建第二年度模型;
将以预设大小为单元划分的日尺度的地区监测数据的格网,分别输入第一年度模型和第二年度模型,输出PM2.5的预测数据;利用PM2.5的预测数据与气象监测数据以及大气光学气溶胶厚度匹配到格网中的气象站点。
2.根据权利要求1所述的一种日尺度自适应建模的PM2.5全覆盖估算方法,其特征在于,所述空气质量监测数据为气象站点的PM2.5监测数据;所述气象监测数据包括大气边界层高度、相对湿度、地表压力、地表2m温度、地表10m风速、臭氧柱总量、植被指数、30m高程和1公里年度人口分布数据。
3.根据权利要求1所述的一种日尺度自适应建模的PM2.5全覆盖估算方法,其特征在于,采用XGBoost算法开发程序构建所述第一年度模型和所述第二年度模型。
4.根据权利要求1所述的一种日尺度自适应建模的PM2.5全覆盖估算方法,其特征在于,所述根据空气质量监测数据、气象监测数据以及大气光学气溶胶厚度构建第一年度模型具体为:
以大气光学气溶胶厚度为因变量,空气质量监测数据和气象监测数据为自变量获得缺失大气光学气溶胶厚度;
以缺失大气光学气溶胶厚度、大气光学气溶胶厚度和气象监测数据为自变量,空气质量监测数据为因变量,构建第一年度模型。
5.根据权利要求1所述的一种日尺度自适应建模的PM2.5全覆盖估算方法,其特征在于,所述根据空气质量监测数据和气象监测数据构建第二年度模型具体为:
以气象监测数据为自变量,空气质量监测数据为因变量,构建第二年度模型。
6.根据权利要求1所述的一种日尺度自适应建模的PM2.5全覆盖估算方法,其特征在于,所述以预设大小为单元划分的地区监测数据的格网不含PM2.5气象站点的数据。
7.根据权利要求1所述的一种日尺度自适应建模的PM2.5全覆盖估算方法,其特征在于,所述第一年度模型和所述第二年度模型的训练过程包括:
(1)初始化特征集,所述特征集中的元素为特征变量;
所述利用所述特征集训练第一年度模型时,特征变量包括空气质量监测数据、气象监测数据以及大气光学气溶胶厚度;利用所述特征集训练第二年度模型时,特征变量包括空气质量监测数据和气象监测数据;
(2)获取特征子集,计算特征子集中每个特征变量的重要性,根据特征变量的重要性利用交叉验证法得到特征子集的得分;
(3)将当前特征子集中重要性最小的特征变量进行移除操作,得到当前新特征子集;
(4)不断重复步骤(2)和步骤(3),直到特征子集中特征变量的数量为空或者达到预设的阈值时,停止搜索;
(5)比较所有特征子集的得分,输出最高的得分对应的特征子集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310334902.8A CN116362130B (zh) | 2023-03-30 | 2023-03-30 | 一种日尺度自适应建模的pm2.5全覆盖估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310334902.8A CN116362130B (zh) | 2023-03-30 | 2023-03-30 | 一种日尺度自适应建模的pm2.5全覆盖估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362130A true CN116362130A (zh) | 2023-06-30 |
CN116362130B CN116362130B (zh) | 2023-09-08 |
Family
ID=86941517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310334902.8A Active CN116362130B (zh) | 2023-03-30 | 2023-03-30 | 一种日尺度自适应建模的pm2.5全覆盖估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362130B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110411919A (zh) * | 2019-08-02 | 2019-11-05 | 中国科学院遥感与数字地球研究所 | 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法 |
CN111859800A (zh) * | 2020-07-15 | 2020-10-30 | 河海大学 | 用于pm2.5浓度分布的时空估算和预测的方法 |
KR20210036755A (ko) * | 2019-09-26 | 2021-04-05 | 울산과학기술원 | 미세먼지 농도 추정 시스템, 방법 및 컴퓨터 프로그램 |
CN113344149A (zh) * | 2021-08-06 | 2021-09-03 | 浙江大学 | 一种基于神经网络的pm2.5逐小时预测方法 |
CN113919231A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 |
CN115081557A (zh) * | 2022-08-22 | 2022-09-20 | 北华航天工业学院 | 基于地面监测数据的夜间气溶胶光学厚度估算方法和系统 |
US20220316734A1 (en) * | 2021-04-14 | 2022-10-06 | Jiangnan University | Deep Spatial-Temporal Similarity Method for Air Quality Prediction |
CN115544706A (zh) * | 2021-06-30 | 2022-12-30 | 复旦大学 | 一种小波和XGBoost模型集成的大气细颗粒物浓度估算方法 |
-
2023
- 2023-03-30 CN CN202310334902.8A patent/CN116362130B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110411919A (zh) * | 2019-08-02 | 2019-11-05 | 中国科学院遥感与数字地球研究所 | 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法 |
KR20210036755A (ko) * | 2019-09-26 | 2021-04-05 | 울산과학기술원 | 미세먼지 농도 추정 시스템, 방법 및 컴퓨터 프로그램 |
CN111859800A (zh) * | 2020-07-15 | 2020-10-30 | 河海大学 | 用于pm2.5浓度分布的时空估算和预测的方法 |
US20220316734A1 (en) * | 2021-04-14 | 2022-10-06 | Jiangnan University | Deep Spatial-Temporal Similarity Method for Air Quality Prediction |
CN115544706A (zh) * | 2021-06-30 | 2022-12-30 | 复旦大学 | 一种小波和XGBoost模型集成的大气细颗粒物浓度估算方法 |
CN113344149A (zh) * | 2021-08-06 | 2021-09-03 | 浙江大学 | 一种基于神经网络的pm2.5逐小时预测方法 |
CN113919231A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 |
CN115081557A (zh) * | 2022-08-22 | 2022-09-20 | 北华航天工业学院 | 基于地面监测数据的夜间气溶胶光学厚度估算方法和系统 |
Non-Patent Citations (2)
Title |
---|
许悦蕾;刘延安;施润和;郭春颖;窦新宇;: "气象要素对气溶胶光学厚度估算PM_(2.5)的影响", 环境科学学报, no. 10 * |
郭建平;吴业荣;张小曳;李小文;: "BP网络框架下MODIS气溶胶光学厚度产品估算中国东部PM_(2.5)", 环境科学, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN116362130B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks | |
Staffell et al. | Using bias-corrected reanalysis to simulate current and future wind power output | |
US10215162B2 (en) | Forecasting output power of wind turbine in wind farm | |
CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
CN114118640B (zh) | 长期降水预测模型构建方法、长期降水预测方法及装置 | |
CN113158542B (zh) | 适用于缺资料地区的多变量设计洪水估计方法 | |
WO2023216576A1 (zh) | 一种光伏发电短期功率预测方法和系统 | |
CN114004163B (zh) | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN114330110A (zh) | 模型训练方法、光伏发电功率预测方法及系统 | |
CN106897957A (zh) | 一种基于pca和pso‑elm的自动气象站实时数据质量控制方法 | |
CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
de Aquino Ferreira et al. | Validation of the representativeness of wind speed time series obtained from reanalysis data for Brazilian territory | |
CN116362130B (zh) | 一种日尺度自适应建模的pm2.5全覆盖估算方法 | |
CN117849902A (zh) | 一种时空双订正高分辨次季节网格集合降水预报释用方法 | |
CN116186493B (zh) | 基于数值模式校正的气象预报方法、装置、设备和介质 | |
CN117219183A (zh) | 多云雨地区的高覆盖度近地面no2浓度估算方法及系统 | |
CN116796649A (zh) | 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置 | |
CN116704362A (zh) | 结合时空特征的grace卫星空窗期数据重构方法、系统及设备 | |
CN115689067A (zh) | 太阳辐照度预测方法、装置及存储介质 | |
CN114994800A (zh) | 一种大气细颗粒物的反演方法及装置 | |
CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 | |
CN114330478A (zh) | 针对电网风速预报的风速分类订正方法 | |
CN114493245A (zh) | 一种基于gis与集成学习的山洪灾害易发性评价方法 |
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 |