CN116956749B - 一种基于大数据多维度监测碳排放的方法和系统 - Google Patents
一种基于大数据多维度监测碳排放的方法和系统 Download PDFInfo
- Publication number
- CN116956749B CN116956749B CN202311197873.1A CN202311197873A CN116956749B CN 116956749 B CN116956749 B CN 116956749B CN 202311197873 A CN202311197873 A CN 202311197873A CN 116956749 B CN116956749 B CN 116956749B
- Authority
- CN
- China
- Prior art keywords
- atmospheric
- data
- carbon emission
- information
- dimension
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 222
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 222
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000009776 industrial production Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000010521 absorption reaction Methods 0.000 claims description 77
- 238000001514 detection method Methods 0.000 claims description 32
- 239000000126 substance Substances 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000002310 reflectometry Methods 0.000 claims description 18
- 238000000295 emission spectrum Methods 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 230000001915 proofreading effect Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 4
- 238000012800 visualization Methods 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 35
- 238000000862 absorption spectrum Methods 0.000 description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 12
- 230000008859 change Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 description 6
- 239000001569 carbon dioxide Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 239000003575 carbonaceous material Substances 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000031700 light absorption Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- -1 energy Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及碳排放监测技术领域，具体为一种基于大数据多维度监测碳排放的方法和系统，方法包括如下步骤：获得大气信息，所述大气信息为多维度的大气信息，且所述大气信息来源于大数据；利用数据校对模型和数据可靠性模型对所述大气信息进行优化，得到最优大气数据；根据所述最优大气数据分析多维度的碳排放情况；根据所述碳排放情况的分析结果结合所述最优大气数据调整各维度的碳排放指标。本发明基于大数据实现碳排放数据的实时监测、分析和可视化，从工业生产、农村居民生活以及城市居民生活维度分析各维度的碳排放情况，全面地了解碳排放来源和影响因素，以制定更有效、科学的碳排放控制措施，为大气环境的可持续发展夯实基础。
Description
技术领域
本发明涉及碳排放监测技术领域，具体为一种基于大数据多维度监测碳排放的方法和系统。
背景技术
随着人类活动的不断增加，温室气体的排放量也在逐年上升，环境污染问题日益严重，尤其是烟气污染、雾霾污染等问题不仅会影响人类的生存环境，损害人体健康，还将对自然生态系统的平衡造成严重的破坏，可能进一步导致生态系统退化以及气候变化加剧等问题。
目前已有一些智能监测系统对大气碳排放进行监测，但这些系统要么局限于二氧化碳浓度的监测分析，要么只能对局部范围内的二氧化碳浓度进行检测。使用现有的系统，难以对大范围碳排放实施监测，也无法提供准确的定量分析，无法了解碳排放的来源和影响因素，因此难以为碳排放监管提供可靠的管制依据。
为了满足人们对碳排放多领域，多角度和高精度的监测需求，需要制定更加智能、高效、精准的碳排放监测方法。基于最新的物联网、大数据和人工智能技术收集和分析大气数据，扩大碳排放监测系统的覆盖区域，根据不同区域的大气信息对碳排放情况进行分区域监测，能够实现更准确、全面的碳排放量监测和分析。同时根据碳排放数据的实时监测结果，我们能够进一步全面地了解碳排放的来源和影响因素，进而制定更加有效、科学的碳排放控制措施。
发明内容
针对现有方法的不足以及实际应用的需求，为了更全面地了解碳排放的来源和影响因素，制定更有效的大气治理措施。基于大数据库获取不同维度的大气信息，对多维度的碳排放情况实现实时监测和可视化分析，根据碳排放分析结果制定有效的大气治理措施。一方面本发明提供了一种基于大数据多维度监测碳排放的方法，其包括如下步骤：获得大气信息，所述大气信息为多维度的大气信息，且所述大气信息来源于大数据；利用数据校对模型和数据可靠性模型对所述大气信息进行优化，得到最优大气数据；根据所述最优大气数据分析多维度的碳排放情况；根据所述碳排放情况的分析结果结合所述最优大气数据调整各维度的碳排放指标。本发明根据不同维度将大气数据库进行分类，根据多维度的信息获得多维度的碳排放情况，进一步了解碳排放的来源和现状，从而制定更加科学有效的碳排放控制措施，维护大气环境的可持续发展。
可选地，所述大气信息为多维度的大气信息，且所述大气信息来源于大数据包括：依据所述大数据的来源划分所述多维度的大气信息；所述多维度的大气信息包括工业生产的大气排放信息、农村居民生活的大气排放信息、城市居民生活的大气排放信息。本发明根据数据来源对大数据进行分类，降低了数据库的计算难度，同时提高了数据分析结果的准确性。
可选地，所述基于大数据多维度监测碳排放的方法还包括；基于所述大气信息设置数据校对模型和数据可靠性模型。本发明根据多维度的大气数据构建数据优化模型，进一步检验大气数据的统一性，准确性以及稳定性，利于多维度监测碳排放方法的实施，提高数据分析结果的可靠性。
可选地，所述数据校对模型包括：所述数据校对模型满足如下关系：
其中，表示大气数据的吻合度，/>表示接收信号的辐射总量，/>表示大气物质对反射信号的吸收系数，/>表示大气反射率，/>表示信号传播过程中的衰减系数，/>表示气体平均反射率，/>表示大气信号的辐射面积。本发明利用数字模型测验大气数据的统一性，对现有信息和数据之间的关系进行全面检验，以保证数据采集的有效性，为多维度监测碳排放方法提供数据保障。
可选地，所述数据可靠性模型包括：所述数据可靠性模型满足如下关系：
其中，表示大气数据的精度指数，/>表示数据传输的容错率，/>表示大气重复数据的数量，/>表示大气数据的维度，/>表示大气数据的总量，/>表示m维度大气数据的实际测量值，/>表示m维度大气数据的平均值。本发明设置了数据可靠性模型，并以此对大气数据的精度进行计算，进而评析传感器采集数据的准确性、处理数据的可靠性和模型构建的精准度。
可选地，所述根据所述最优大气数据分析多维度的碳排放情况包括：根据所述最优大气数据构建碳排放检测模型；通过所述碳排放检测模型获得碳排放的检测结果；依据所述检测结果获得所述多维度的碳排放情况。本发明基于最优大气数据构建相关检测模型，提高了碳排放检测结果的准确度，同时为碳排放管理规范提供了数据支撑。
可选地，所述碳排放检测模型包括：所述碳排放检测模型满足如下关系：
其中，表示大气碳排放浓度，/>表示大气碳排放光谱线的长度，/>表示大气碳排放光谱图的频率，/>表示大气碳排放光谱图的平均波峰值，/>表示碳排放气体的压强，/>表示大气碳排放光谱图的吸收带强度，/>表示大气碳排放吸收谱线的吸收光程。本发明通过碳排放检测模型获得各维度的大气碳排放浓度，基于碳排放浓度可以快速找到碳排放的主要来源，进而制定合理的大气治理措施，减缓大气污染对人体的危害。
可选地，所述根据所述碳排放情况的分析结果结合所述最优大气数据调整各维度的碳排放指标包括：依据所述最优大气数据和所述碳排放情况构建大气碳排放评估模型；通过所述大气碳排放评估模型获得大气碳排放的分析结果；结合所述分析结果和所述最优大气数据调整各维度的碳排放指标。本发明对多维度的碳排放情况进行评估分析，基于碳排放现状和评估结果，设计合理的碳排放指标、制定有效的大气治理措施。
可选地，所述大气碳排放评估模型包括：所述大气碳排放评析模型满足如下关系：
其中，表示大气质量指数，/>表示数字评估模型的误差系数，/>表示大气碳排放的标准浓度值，/>表示m维度中碳排放光谱的波束，/>表示m维度的大气碳排放浓度。本发明对各维度的碳排放情况进行评析，以实现各维度减排量的合理规划，利于大气治理措施的实施和生态环境的建设。
第二方面，为能够高效地执行本发明所提供的一种基于大数据多维度监测碳排放的方法，本发明还提供了一种基于大数据多维度监测碳排放的系统，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本发明第一方面所述的基于大数据多维度监测碳排放的方法。本发明的基于大数据多维度监测碳排放的系统，结构紧凑、性能稳定，能够稳定地执行本发明提供的基于大数据多维度监测碳排放的方法，提升本发明整体适用性和实际应用能力。
附图说明
图1为本发明的基于大数据多维度监测碳排放的方法流程图；
图2为本发明的优化前后大数据分布情况对比示意图；
图3为本发明的大气物质吸收光强误差与大气碳排放浓度误差关系示意图；
图4为本发明的气体反射路径长度误差与大气碳排放浓度误差关系示意图；
图5为本发明的大气环境温度与大气物质吸收带强度关系示意图；
图6为本发明的多维度大气碳排放浓度比例示意图；
图7为本发明的基于大数据多维度监测碳排放的系统结构图。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
请参见图1，为了满足人们对碳排放多方面监测的需求，本发明利用大数据背景技术扩大碳排放监测系统的覆盖范围，实现大气数据的收集和分析，根据不同维度监测碳排放情况利于全面了解碳排放的来源和影响因素，制定更加有效的碳排放控制措施，促进大气环境的可持续发展。本发明提供了基于大数据多维度监测碳排放的方法，所述基于大数据多维度监测碳排放的方法包括如下步骤：
S1、获得大气信息，上述大气信息为多维度的大气信息，且上述大气信息来源于大数据。
本实施例中大气排放数据的主要获取途径，包括但不限于国家环境保护部门公布的环境监测数据，相关行业协会和研究机构的数据和报告以及当地政府的环境监测数据和报告，其中内容包括但不限于大气排放物的排放种类、排放物的浓度，排放物质的危害性质以及大气物质的排放途径等。
在本实施例中依据大数据的来源或者排放途径获得多维度的大气信息，其中多维度的大气信息包括但不限于工业生产的大气排放信息、农村居民生活的大气排放信息、城市居民生活的大气排放信息，其具体实施步骤及内容如下：
首先，对实施例中收集到的相关数据进行预处理。对上述大气数据进行预处理、标准化处理，以便于后续多维度大气信息的分类和整合，包括但不限于相关数据的缺失处理、异常处理、重复处理以及去极值处理。本实施例的数据预处理可以去除重复或无关数据，减少数据集合中不必要的信息，提高数据质量，使大气数据更加准确、完整、一致和可靠，便于大气信息的处理和实际应用；标准化处理可以将数据形成一致分布状态，便于比较和分析不同维度对碳排放的贡献程度。
然后，根据大气数据的来源途径和使用特征，将上述预处理数据分为工业生产维度、农村居民生活维度以及城市居民生活维度，其中多维度的大气信息包括但不限于工业生产维度、农村居民生活维度以及城市居民生活维度。本实施例中将工业生产方面的大气数据划分为工业生产维度，将农村生活方面的大气数据划分为农村居民生活维度，将城市交通，居住等方面的大气数据划分为城市居民生活维度；更进一步地将每个维度的大气数据划分为多个子维度，工业生产维度可以划分为钢铁、能源、化工等子维度；农村居民生活维度可以划分为传统耕织、生活排放、传统焚烧等子维度；城市居民生活维度可以划分为交通、建筑、公共设施等子维度；将划分后的子维度数据整合为一个统一的数据集，构成各个维度的大气信息以便进一步的数据分析和处理。
本实施例中将预处理数据分为工业生产维度、农村居民生活维度以及城市居民生活维度，以便更好地了解不同维度的碳排放情况，为制定有效的碳排放控制措施提供支持。更进一步地，通过数据分类可以更准确地分析和处理不同领域的大气数据，提高数据分析结果的准确性；对不同维度的大气数据进行分析，可以更准确地反映各维度的碳排放情况，进而更好地评估不同维度对整个大气环境的影响程度，根据各维度的碳排放情况制定更具有针对性的碳排放控制措施。
更进一步地，本实施例的数据分类维度包括但不限于工业生产维度、农村居民生活维度以和城市居民生活维度，仅仅只是本发明的一个可选条件，在其他一个或者一些实施例中可以根据实际需求和实践标准对大气数据的分类方法进行调整，以保证数据分析结果的准确性和简洁性。
最后，对各维度的大气信息进行统计和分析，提取出与碳排放相关的数据信息，并进一步探究其分布规律和变化趋势。筛选并提取出与碳排放相关的数据信息，对碳排放相关的数据和指标进行布局分析，包括但不限于概率分布、经验分布函数、累计分布函数等，以揭示各维度大气数据信息的分布特征，可以通过构建大气数据统计模型或者机器学习模型或者智能整合模型对碳排放数据信息进行整理和分析，进一步了解各维度大气信息与碳排放之间的关联和影响，为提出针对性的建议和措施提供数据支撑。
更进一步地，本实施例中对大气数据的整合方法，仅仅只是本实施例的一个可选条件，其具体应用方式可以根据实际情况进行调整和优化，以确保数据的完整性和准确性。
S2、利用数据校对模型和数据可靠性模型对大气信息进行优化，得到最优大气数据。
本实施例中基于多维度的大气信息设置数据校对模型和数据可靠性模型；通过上述数据校对模型和数据可靠性模型优化多维度的大气信息得到多维度的最优大气数据，其具体实施内容如下：
上述数据校对模型满足如下关系：
其中，表示大气数据的吻合度，/>表示接收信号的辐射总量，/>表示大气物质对反射信号的吸收系数，/>表示大气反射率，/>表示信号传播过程中的衰减系数，/>表示气体平均反射率，/>表示大气信号的辐射面积。
在本实施例中，大气数据的吻合度指的是不同数据集之间或同一数据集在不同时间点之间的符合程度。吻合度决定了数据内部的一致性和外部的相似性，可用于检验大气数据的可靠性和稳定性，通过数据校对模型对大气数据进行分析，利于揭示大气数据的变化规律、预测未来趋势以及制定有效的控制措施具有重要意义。
大气物质对反射信号的吸收系数指的是在信号传播过程中被大气分子、气溶胶粒子等吸收的能量与总能量之比。即是大气对信号的吸收能力，其吸收系数与大气成分、气体分子密度、光波波长等因素有关。对吸收系数的测量一方面可以帮助我们了解大气组成、密度以及气体分子、气溶胶粒子的吸光特性，另一方面将为气象、环境、遥感等领域的研究提供基础数据。
大气反射率指的是光线在穿越大气层时发生的反射比率。大气反射率受大气组成、介质厚度、光线自发辐射能力以及地表反射等多种因素的影响，大气反射率包括但不限于全反射、单向反射。气体平均反射率指的是大气中来自地面反射的辐射信号与到达地面的辐射信号之比，其受大气透明度、云量、地面反射率等因素影响。
吸收系数、大气反射率以及气体平均反射率等因素综合影响着大气物质的浓度。若吸收系数过高会导致反射信号的衰减过大，从而影响大气数据的准确性；反之如果吸收系数过低，反射信号的衰减可能较小会受到其他因素的干扰。
大气反射率会影响遥感探测信号的强度和分布。若大气反射率过低遥感探测器接收到的信号相对较弱，将导致数据的不准确；相反，若大气反射率过高，反射率过于强烈不利于探测器接收信号，可能会导致大气数据的失真。
气体平均反射率会影响大气信号的传播路径。如果气体平均反射率分布不均匀，大气信号会发生散射或折射，导致探测器接收到的信号与实际大气数据不符，信号传播较弱导致大气数据的不准确。
更进一步地，在本实施例中通过上述因素综合检验大气数据的稳定性，一方面可以了解大气的特征和变化，揭示大气中的一些规律和现象，另一方面可以提高遥感探测数据的精度，减少气象条件对大气数据的影响，更好地修正数据减少误差，为气象环境监测领域提供更可靠的数据支持。在其他一个或者一些实施例中对影响因素的选择可以根据实际需求加以调整，以确保各维度最优大气数据的准确性和可行性。
本实施例中表示气体平均反射率，
其中，表示气体平均反射率，/>表示气体反射的平均路径长度，/>表示气体的平均压强，/>表示大气光波总数量，/>表示维度中光波束的数量，/>表示维度中光波的吸收系数，/>表示维度中光波所对应的压强。
气体反射的平均路径长度指的是光线从某一点出发经过反射，最后回到起始点的路径长度。大气中气体分子会以一定的频率运动，形成光线的反射和折射，当光线经过气体分子时，会受到分子热运动的散射，改变方向，最后形成复杂的反射和折射路径。
光波的吸收系数即是大气介质对光能的吸收能力，通常表示为一个常数，表示单位长度或单位浓度的介质吸收光的强度。光波的吸收系数与光波的波长有关，不同波长的光波在介质中传播时被吸收的程度不同；光波所对应的压强是指光波对被照射物体单位面积上所施加的压力。
其中，光波的吸收系数的大小直接反映了介质对光吸收的程度。吸收系数越大对光的吸收能力越强，光波的能量损失越多，反射率就越低；反之，吸收系数越小对光的吸收能力越弱，光波的能量损失越少，反射率就越高。
在本实施例中计算气体平均反射率时，考虑到光波的吸收系数以及其它相关参数的影响，包括但不限于气体反射的平均路径长度、气体的平均压强，大气总光波数量、各维度所对应的压强等因素。通过对上述参数的综合考虑，可以使气体平均反射率更具准确行性，以保证数据校对模型输出结果的真实性，进一步地为评估碳排放情况、监测数据分析以及大气环境保护提供数据支撑。
上述数据可靠性模型满足如下关系：
其中，表示大气数据的精度指数，/>表示数据传输的容错率，/>表示大气重复数据的数量，/>表示大气数据的维度，/>表示大气数据的总量，/>表示m维度大气数据的实际测量值，/>表示m维度大气数据的平均值。
本实施例中大气数据的精度指数指的是对大气数据的测量结果进行评估，上述精度指数可以直接反映大数据的准确性和可靠性，包括但不限于通过对比卫星遥感数据、地面观测数据和飞机探测数据等不同来源的大气数据计算得出，可以更好地理解和掌握大气环境的数据变化情况。
大气重复数据的数量指的是数据集合中出现两次及以上数据的数量。多次观测的同一气象时，其要素值相同或非常接近，便会引起观测失误、数据记录错误或数据异常等现象，上述重复数据会影响大气碳排放的分析结果，因此需要对重复数据进行处理，包括但不限于保留最准确的记录，根据观测时间进行合并或整合。
多维度大气数据具体指的是：工业生产维度、农村居民生活维度以及城市居民生活维度，各维度所包含的变量类型和大气数据。对不同维度的大气数据进行分析可以更好地理解大气的特征和变化，为大气研究提供重要的数据支持，为相关领域的研究和决策提供科学依据。
大气数据的实际测量值可以提供具体、准确的大气数据；大气数据的平均值则能够反映一段时间内大气状况的总体水平，提供更为客观、全面的数据支持，通过对大气数据的分析和研究，可以更好地理解大气现象和变化规律，进一步推动相关领域的研究和发展。
请参见图2，在本实施例中对不同维度的大气信息进行一致性检测和精确性优化，其具体内容如下：通过数据校对模型和数据可靠性模型获得各维度大气数据的吻合度和大气数据的精度指数，基于此对工业生产维度、农村居民生活维度以及城市居民生活维度的大气信息进行筛选和优化，得到各维度所对应的最优大气数据，去除大气数据中的重复数据和干扰因素，提高大气数据的清晰度和对比度，利于提取大气浓度分布、气象要素等重要信息，更好地为大气环境监测和管理提供数据支持。
上述最优大气数据的获取，可以确保不同维度大气数据的质量和可靠性，提高监测数据的统一性和准确性，有助于更客观、更全面地反映大气状态和变化规律，为制定有效的碳排放治理措施提供科学依据。
更进一步地，本实施例中对大气数据的优化方式和运用步骤仅仅为本实施例的一个可选条件，在其他一个或者一些实施例中对大气数据的处理方式和优化方法可以根据实际需求进行替换和更改，以保证最优大气数据的准确性。
在本实施例中为了减小数据测量的误差值，提高数据的传输效率。实施例对数据传输情况进行分析，基于数据传输的容错率，数据观测系统可以在网络拥塞时自适应调整发送速度，提高观测系统的网络通信效率，更进一步地保证多维度大气信息的准确性，提高大数据多维度监测碳排放方法的可行性。
上述数据传输的容错率，满足如下关系：
其中，表示数据传输的容错率，/>表示大气数据监测值和大气数据平均值的差值，/>表示数据观测系统的振幅响应系数。
大气数据监测值和大气数据平均值的差值可以直观地反映出数据传输的容错情况。由此可知差值越小容错率越低，数据传输的可靠性越高；差值越大容错率越高，数据传输的可靠性越低。即是当差值较小时，数据监测值与数据平均值较为接近，此时数据波动较小，传输过程中出现错误的概率越小，因此数据传输的容错率就会越低，数据传输的可靠性越高，大气数据的准确性和完整性也就越好。
在本实施例中对数据传输的容错率的研究，有利于掌握观测系统的全部数据，提高数据分析结论的准确度，基于数据差值和系统响应系数来判断容错率的高低，以便采取相应的措施来提高数据传输的可靠性。更进一步地，本实施例中对于大气数据的检测方法仅仅只是本实施例的一个可选条件，在其他一个或者一些实施例中可以根据数据来源和观测要求对数据检测方式进行更改，以保证数据检测模型的实用性。
S3、根据上述多维度的最优大气数据分析多维度的碳排放情况。
在本实施例中根据上述最优大气数据构建碳排放检测模型；通过碳排放检测模型获得碳排放的检测结果；依据检测结果评估获得多维度的碳排放情况。
上述碳排放检测模型满足如下关系：
其中，表示大气碳排放浓度，/>表示大气碳物质吸收光谱线的长度，/>表示大气碳物质吸收光谱图的频率，/>表示大气吸收光谱图的平均波峰值，/>表示大气压强，/>表示光谱图中碳物质吸收带的强度，/>表示碳物质吸收谱线的吸收光程。
本实施例中根据最优大气数据构建了碳排放检测模型，本实施例只需将各维度的最优大气数据带到碳排放检测模型中，便可以得到所处维度的大气碳排放浓度。一方面，不同维度的大气信息都通过同一碳排放模型计算出大气碳排放浓度，基于此可以获得不同维度相同时间或者不同时间相同维度的大气碳排放情况，便于不同维度之间的比较和分析。另一方面，通过模型化方法获得大气碳排放的浓度，提高了大气碳排放的检测效率，更真实地反映了大气状况和变化规律，保证了检测结果的准确性。
大气吸收光谱线的长度指的是在大气中传播的光波被大气成分吸收而产生的暗线或暗带所组成的谱。上述谱线或暗带的波长取决于被吸收的气体成分和光波传播的大气层。其中二氧化碳、甲烷以及水汽等物质对大气吸收光谱有显著的影响，若上述气体在大气中存在的浓度较高，吸收谱线在可见和近红外波段中将具有明显的特征。
大气吸收光谱图的频率指的是光波在大气中传播时的振动频率。其中光波频率决定了光波的能量和波长，而大气吸收谱线的波长取决于被吸收气体的成分和光波传播的大气层，若光波的频率与二氧化碳分子的吸收谱线频率相匹配时，光波就会被二氧化碳吸收，此时在特定的波长位置上会出现明显的暗线或暗带。
大气吸收光谱图的平均波峰值指的是在特定波长范围内，大气吸收光谱波峰值的平均值，包括但不限于对波峰位置和波峰值求导、求极值，以获得波峰值的平均值，以便于分析大气中不同气体成分的浓度变化，进一步了解大气成分的物理特征和化学状态。
大气光谱图吸收带的强度指的是光谱图中特定介质吸收带的吸收光强。针对不同介质的吸收带，气体分子对特定波长光线吸收最终形成暗线或暗带。吸收带的强度与气体分子的浓度和光线的波长有关，当光线的波长与气体分子的吸收谱线相匹配时，气体分子会吸收光能，使得吸收带的强度增强。请参见图3，其中C点和D点分别表示吸收光强误差-大气碳排放浓度误差分析图上的两点，表示C点对应的吸收光强误差值，/>表示C点对应的大气碳排放浓度误差值，/>表示D点对应的吸收光强误差值，/>表示D点对应的大气碳排放浓度误差值，根据示意图可以清楚地了解到吸收光强误差值与大气碳排放误差值之间存在着密切的关联性，这种关系可以近似描述为一种正比例关系，当吸收光强误差值增加时，大气碳排放误差值也会相应地增加。因此在评估大气碳排放时准确测量吸收光强是至关重要的，因为吸收光强的误差可能会导致碳排放估计的不准确。通过对大气光谱图的测量和分析，便可以计算出暗线或暗带的强度，进而推算出各维度大气碳排放的浓度。
吸收谱线的吸收光程也可以称为吸收系数或吸收率，在大气吸收光谱图中，不同气体成分的吸收谱线具有不同的波长和强度。当光线通过大气时，会受到气体分子的吸收，使得某些波长的光线被吸收，而其他波长的光线则能够顺利通过。请参见图4，其中E点和F点分别表示反射路径长度误差-大气碳排放浓度误差分析图上的两点，表示E点对应的气体反射路径长度误差值，/>表示E点对应的大气碳排放浓度误差值，/>表示F点对应的气体反射路径长度误差值，/>表示F点对应的大气碳排放浓度误差值，根据示意图可以推断出反射路径长度误差对大气碳排放浓度误差值的影响较小，即反射路径长度的测量存在一定的误差，该误差对大气碳排放浓度误差值的影响相对较小。因此本发明除了分析反射路径长度之外还需要考虑到多种因素的综合影响，而不能仅仅依赖于反射路径长度的测量。吸收谱线的吸收光程反映了选择性吸收的特征，即在不同波长下，光被吸收的程度不同，进而可以了解不同气体成分的吸收谱线特征，推算出大气碳排放浓度和分布情况。
本实施例中，根据各维度大气数据对多维度的大气碳排放浓度进行研究，推算出大气碳物质吸收谱线的特征和浓度，全面了解各维度大气碳排放的浓度和分布情况，分析大气中不同气体成分的排放源和传输路径，进一步分析各维度的实际碳排放量和排放情况，基于各维度的碳排放情况制定科学合理的大气治理措施；还可以提高环境监测和大气变化监测的精确度和准确性，为应对环境问题和大气变化提供科学支持。
更进一步地，本实施例中通过各维度的大气数据分析不同维度的碳排放情况，可以获得不同维度的实际碳排放量，了解碳物质排放的来源和途径，进一步制定不同维度的碳排放参考限度；上述不同维度的碳物质排放源和传输路径，为之后的碳排放规划措施提供了参考依据。
在本实施例中碳物质吸收带的强度与大气环境温度有关，请参见图5由图示信息可知：随着大气环境温度的升高，分子热运动增强，电子云间的耦合作用可能会增强，吸收带的强度会随之增加，环境温度还会改变大气物质的表面吸附能力或化学反应速率进而影响碳物质吸收带的强度，因此大气环境温度和大气物质吸收强度一定程度上存在着可循环规律。
大气环境温度在影响碳物质吸收带强度的同时，碳物质的吸收带强度也会受到大气物质浓度和大气物质特征属性的影响而有所变化。包括但不限于大气中二氧化碳、甲烷等其他碳物质的浓度高低会对吸收带强度产生直接的影响；大气物质的粒度、形状、化学成分等特征属性也会对吸收带强度产生影响。
上述碳物质吸收带的强度，满足如下关系：
其中，表示光谱图中碳物质吸收带的强度，/>表示吸收光谱线的比例系数，/>表示碳物质吸收光程的稳定系数，/>表示大气平均温度，/>表示环境平均温度。
吸收光谱线的比例系数是指吸收带的强度与吸收物质浓度的比例常数，直接反映了吸收带强度与吸收物质浓度的关系，即随着吸收物质浓度的增加，吸收带强度会显著增强。
吸收光程的稳定系数是指在吸收物质浓度和光程长度一定的情况下，吸收带强度随时间的变化关系。当吸收光程的稳定系数较大时，吸收带强度的变化较小，即吸收带强度相对稳定，不会随时间的变化而显著改变。
更进一步地，本实施例中对光谱线比例系数、吸收光程稳定系数以及环境温度变化的分析，进一步保证碳排放检测模型的正常运行，保障多维度大气碳排放浓度的可靠性。
S4、根据上述碳排放情况的分析结果结合上述最优大气数据调整各维度的碳排放指标。
在本实施例中结合上述最优大气数据和多维度的碳排放情况构建大气碳排放评析模型；通过上述大气碳排放评析模型获得大气碳排放的评估结果；利用碳排放情况和评估结果调整各维度的碳排放指标。
上述大气碳排放评析模型满足如下关系：
其中，表示大气质量指数，/>表示数字评估模型的误差系数，/>表示大气碳排放的标准浓度值，/>表示m维度，/>表示m维度的大气碳排放浓度。
本实施例中m维度包括但不限于工业生产维度、农村居民生活维度、城市居民生活维度，请参见图6，其中N表示农村居民生活维度的碳排放浓度，S表示城市居民生活维度的碳排放浓度，I表示工业生产维度的碳排放浓度，本实施例中对各维度的碳排放浓度按照比例进行对比分析。通过对各维度的碳排放情况进行对比分析，一方面可以清晰地了解各维度的碳排放量，甚至可以进一步分析各地区、各行业的碳排放浓度；另一方面，可以验证大气碳排放治理措施的有效性，找出治理措施存在问题的领域或者地区，通过各维度的碳排放浓度揭示大气治理措施的不足之处，基于此可以及时采取措施进行改进，推动大气治理和实现可持续发展的目标。
在一个可选地实施例中可以根据相同时间不同维度的碳排放浓度，对同一时刻工业生产维度、农村居民生活维度以及城市居民生活维度的大气质量进行评估。基于碳排放检测模型获取各维度的大气碳排放浓度，针对不同维度结合相应的碳排放因子和大气扩散途径，分析不同维度对大气碳排放的贡献程度，进而研究各维度对大气环境的影响程度；根据各维度的大气碳排放浓度和大气碳排放评估结果，针对不同维度提出不同的环保措施和大气碳排放要求，其中包括但不限于针对工业排放、农村生活活动、城市交通等方面的问题，并针对性提出相应的减排措施和优化方案。
在另外一个可选的实施例中可以根据不同时间相同维度的碳排放浓度，对不同时刻工业生产维度、农村居民生活维度以及城市居民生活维度的大气质量进行评估。基于碳排放检测模型获取各维度的大气碳排放浓度，可以了解不同时刻各维度对大气质量的影响情况，掌握大气质量的变化趋势，比较不同时刻各维度排放情况的差异，分析碳排放变化的主要原因和影响因素，根据不同时刻同一维度的碳排放实际情况，提出相应的治理措施和检测建议，实现更加精准的大气监测和环境治理，其中包括但不限于针对工业生产维度可限制工业活动的排放、推广环保技术和工艺等；针对农村居民生活维度可改善农村生活方式、推广解决能源等；针对城市居民生活维度可优化城市规划、提高公共交通和绿色出行比例等。
请参见图7，在一个可选的实施例中，为能够高效地执行本发明所提供的基于大数据多维度监测碳排放的方法，本发明还提供了基于大数据多维度监测碳排放的系统，基于大数据多维度监测碳排放的系统包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本发明所提供的基于大数据多维度监测碳排放的方法相关实施例的具体步骤。本发明的基于大数据多维度监测碳排放的系统，结构完整、客观稳定，能够高效地执行本发明的基于大数据多维度监测碳排放的方法，提升本发明整体适用性和实际应用能力。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (3)
1.一种基于大数据多维度监测碳排放的方法，其特征在于，包括如下步骤：
获得大气信息，所述大气信息为多维度的大气信息，且所述大气信息来源于大数据；
利用数据校对模型和数据可靠性模型对所述大气信息进行优化，得到最优大气数据；
根据所述最优大气数据分析多维度的碳排放情况；
根据所述碳排放情况的分析结果结合所述最优大气数据调整各维度的碳排放指标；
所述基于大数据多维度监测碳排放的方法还包括；
基于所述大气信息设置数据校对模型和数据可靠性模型；
所述数据校对模型满足如下关系：
，
其中，表示大气数据的吻合度，/>表示接收信号的辐射总量，/>表示大气物质对反射信号的吸收系数，/>表示大气反射率，/>表示信号传播过程中的衰减系数，/>表示气体平均反射率，/>表示大气信号的辐射面积；
所述数据可靠性模型满足如下关系：
，
其中，表示大气数据的精度指数，/>表示数据传输的容错率，/>表示大气重复数据的数量，/>表示大气数据的维度，/>表示大气数据的总量，/>表示m维度大气数据的实际测量值，表示m维度大气数据的平均值；
根据所述最优大气数据构建碳排放检测模型；
通过所述碳排放检测模型获得碳排放的检测结果；
依据所述检测结果获得所述多维度的碳排放情况；
所述碳排放检测模型满足如下关系：
，
其中，表示大气碳排放浓度，/>表示大气碳排放光谱线的长度，/>表示大气碳排放光谱图的频率，/>表示大气碳排放光谱图的平均波峰值，/>表示碳排放气体的压强，/>表示大气碳排放光谱图的吸收带强度，/>表示大气碳排放吸收谱线的吸收光程；
依据所述最优大气数据和所述碳排放情况构建大气碳排放评估模型；
通过所述大气碳排放评估模型获得大气碳排放的分析结果；
结合所述分析结果和所述最优大气数据调整各维度的碳排放指标；
所述大气碳排放评估模型满足如下关系：
，
其中，表示大气质量指数，/>表示数字评估模型的误差系数，/>表示大气碳排放的标准浓度值，/>表示m维度中碳排放光谱的波束，/>表示m维度的大气碳排放浓度。
2.根据权利要求1所述的基于大数据多维度监测碳排放的方法，其特征在于，所述大气信息为多维度的大气信息，且所述大气信息来源于大数据包括：
依据所述大数据的来源划分所述多维度的大气信息；
所述多维度的大气信息包括工业生产的大气排放信息、农村居民生活的大气排放信息、城市居民生活的大气排放信息。
3.一种基于大数据多维度监测碳排放的系统，其特征在于，系统包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-2任一项所述的基于大数据多维度监测碳排放的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311197873.1A CN116956749B (zh) | 2023-09-18 | 2023-09-18 | 一种基于大数据多维度监测碳排放的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311197873.1A CN116956749B (zh) | 2023-09-18 | 2023-09-18 | 一种基于大数据多维度监测碳排放的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116956749A CN116956749A (zh) | 2023-10-27 |
| CN116956749B true CN116956749B (zh) | 2024-01-23 |
Family
ID=88460431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311197873.1A Active CN116956749B (zh) | 2023-09-18 | 2023-09-18 | 一种基于大数据多维度监测碳排放的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956749B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052356B (zh) * | 2024-01-23 | 2024-08-20 | 南京林业大学 | 一种基于大数据的工业碳排放遥感监测系统 |
| CN117871446B (zh) * | 2024-03-13 | 2024-05-28 | 安徽省大气探测技术保障中心 | 基于ai技术的大气温室气体浓度监测系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091785A (zh) * | 2021-12-01 | 2022-02-25 | 国网河南省电力公司南阳供电公司 | 一种基于能源大数据的碳排放监测方法 |
| CN114677013A (zh) * | 2022-03-28 | 2022-06-28 | 王大成 | 一种基于物联网的大气碳浓度监控系统 |
| CN116384622A (zh) * | 2023-03-09 | 2023-07-04 | 国网河北省电力有限公司保定供电分公司 | 基于电力大数据的碳排放监测方法及装置 |
| CN116402481A (zh) * | 2023-06-09 | 2023-07-07 | 安徽蔚蓝智汇能源科技有限公司 | 智慧能源碳排放管理平台 |
| CN116542430A (zh) * | 2023-07-07 | 2023-08-04 | 红杉天枰科技集团有限公司 | 多维度水务碳排放量智能分析方法及系统 |
| CN116739368A (zh) * | 2023-05-29 | 2023-09-12 | 合肥迈思泰合信息科技有限公司 | 基于能源大数据的工业园区碳排放水平监测及评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108615192B (zh) * | 2017-08-18 | 2019-11-15 | 赫普科技发展（北京）有限公司 | 一种基于区块链的碳交易系统 |
| CN115293567A (zh) * | 2022-08-03 | 2022-11-04 | 四川省生态环境科学研究院 | 一种大气污染动态管控系统及方法 |
-
2023
- 2023-09-18 CN CN202311197873.1A patent/CN116956749B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091785A (zh) * | 2021-12-01 | 2022-02-25 | 国网河南省电力公司南阳供电公司 | 一种基于能源大数据的碳排放监测方法 |
| CN114677013A (zh) * | 2022-03-28 | 2022-06-28 | 王大成 | 一种基于物联网的大气碳浓度监控系统 |
| CN116384622A (zh) * | 2023-03-09 | 2023-07-04 | 国网河北省电力有限公司保定供电分公司 | 基于电力大数据的碳排放监测方法及装置 |
| CN116739368A (zh) * | 2023-05-29 | 2023-09-12 | 合肥迈思泰合信息科技有限公司 | 基于能源大数据的工业园区碳排放水平监测及评估方法 |
| CN116402481A (zh) * | 2023-06-09 | 2023-07-07 | 安徽蔚蓝智汇能源科技有限公司 | 智慧能源碳排放管理平台 |
| CN116542430A (zh) * | 2023-07-07 | 2023-08-04 | 红杉天枰科技集团有限公司 | 多维度水务碳排放量智能分析方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于地基观测的城市社区碳排放监测研究;朱勇等;《城市勘测》(第04期);全文 * |
| 基于多维度移动监测的城市交通碳排放时空分布及影响因素研究;薛睿;《CNKI优秀硕士学位论文全文库》(2020年第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116956749A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116956749B (zh) | 一种基于大数据多维度监测碳排放的方法和系统 | |
| Kok et al. | Improved representation of the global dust cycle using observational constraints on dust properties and abundance | |
| CN101105446B (zh) | 差分吸收光谱空气质量检测系统 | |
| CN103175759A (zh) | 基于多种地基遥感技术获取城市气溶胶复折射指数的方法 | |
| CN106526614A (zh) | 一种优化激光雷达探测大气成分谱线分析的方法 | |
| Liu et al. | Overall grouting compactness detection of bridge prestressed bellows based on RF feature selection and the GA-SVM model | |
| CN103940767A (zh) | 基于多流形学习的气体浓度反演方法 | |
| Xia et al. | Observational study of aerosol hygroscopic growth on scattering coefficient in Beijing: A case study in March of 2018 | |
| Gao et al. | Arctic oscillation and the interannual variability of dust emissions from the Tarim Basin: a TOMS AI based study | |
| Ma et al. | Estimation of the vertical distribution of particle matter (PM 2.5) concentration and its transport flux from lidar measurements based on machine learning algorithms | |
| Alexandrov et al. | Remote sensing of atmospheric aerosols and trace gases by means of multifilter rotating shadowband radiometer. Part II: Climatological applications | |
| CN114218786B (zh) | 非偏振卫星传感器在轨偏振辐射特性反演方法 | |
| Choi et al. | Variations in major aerosol components from long-term measurement of columnar aerosol optical properties at a SKYNET site downwind of Seoul, Korea | |
| He et al. | Identification of stratospheric disturbance information in China based on the round-trip intelligent sounding system | |
| Brown et al. | Validating a microphysical prognostic stratospheric aerosol implementation in E3SMv2 using the Mount Pinatubo eruption | |
| Zhou et al. | Difference between global and regional aerosol model classifications and associated implications for spaceborne aerosol optical depth retrieval | |
| Lisenko et al. | Nephelometric method for measuring mass concentrations of urban aerosols and their respirable fractions | |
| CN117254447A (zh) | 一种计及雾霾的光伏发电率预测方法和系统 | |
| CN114280694B (zh) | 一种基于气象卫星光谱成像仪的快速辐射传输方法及系统 | |
| CN110907318A (zh) | 一种近地面大气总悬浮颗粒物质量浓度遥感物理估算方法 | |
| Guo et al. | Backscattering attenuation characteristics of multi-sized dust particles to pulsed laser | |
| Yuan et al. | Correlation analysis and application investigation of multi-angle simultaneous polarization measurement data and concentration of suspended particulate matter in the atmosphere | |
| Wang et al. | Development of a coupled aerosol lidar data quality assurance and control scheme with Monte Carlo analysis and bilateral filtering | |
| CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
| López et al. | Estimation of visibility from spectral irradiance using artificial neural networks |
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 |