CN116994146A - 基于sl4did近地面污染物短临预报方法、装置及设备 - Google Patents

基于sl4did近地面污染物短临预报方法、装置及设备 Download PDF

Info

Publication number
CN116994146A
CN116994146A CN202311245518.7A CN202311245518A CN116994146A CN 116994146 A CN116994146 A CN 116994146A CN 202311245518 A CN202311245518 A CN 202311245518A CN 116994146 A CN116994146 A CN 116994146A
Authority
CN
China
Prior art keywords
target
component
pollutant
grid
trend
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
Application number
CN202311245518.7A
Other languages
English (en)
Other versions
CN116994146B (zh
Inventor
杨富坤
王宇翔
张晗
陈彦红
宋毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Aerospace Hongtu Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aerospace Hongtu Information Technology Co Ltd filed Critical Aerospace Hongtu Information Technology Co Ltd
Priority to CN202311245518.7A priority Critical patent/CN116994146B/zh
Publication of CN116994146A publication Critical patent/CN116994146A/zh
Application granted granted Critical
Publication of CN116994146B publication Critical patent/CN116994146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Combustion & Propulsion (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于SL4DID近地面污染物短临预报方法、装置及设备，涉及污染物预报术领域，包括：获取研究区域的目标污染物数据；利用SL4DID算法，对目标污染物数据进行周期趋势分解处理得到趋势分量、周期分量和余项分量，利用目标神经网络基于趋势分量、周期分量和余项分量确定初始污染物预报结果，对目标污染物数据或初始污染物预报结果进行四维反距离插值处理，得到研究区域内每个栅格对应的目标污染物预报结果；根据每个栅格对应的目标污染物预报结果，生成研究区域对应的目标栅格影像。本发明可以显著提高污染物短临预报的精度，还可以提高污染物短临预报的区域适用性。

Description

基于SL4DID近地面污染物短临预报方法、装置及设备
技术领域
本发明涉及污染物预报技术领域，尤其是涉及一种基于SL4DID近地面污染物短临预报方法、装置及设备。
背景技术
目前，近地面臭氧污染短临预报主要采用数值模拟模型、统计预报方法以及两者相结合的混合预报方法。其中数值模拟模型是利用数学、物理、化学和气象等领域中复杂公式，以数值计算方式探究污染物在大气环境中复杂变化，该方法预报结果准确率最高，但是往往受制于丰富气象数据的获取和高性能计算机设备的搭建，在传统实验中很难预报。统计预报方法是以大量的历史监测数据作为预报基础，利用统计方法构建单一或者组合的预报模型对污染物浓度进行预报。传统的统计方法虽然简单易实现但是预报精度无法保证，因此作为统计学习方法之一的机器学习算法被广泛的应用。
但由于空气污染是一个复杂的、波动性较强的动态过程，容易受到一定周期变化因素的影响，具有很高的不确定性，利用单一的机器学习模型无法进行准确的空气污染浓度预报。另一方面，在利用地面观测的近地面臭氧数据进行预报时，往往只是针对某一区域或区域内的几个站点的预报，模型的适用性无法得到保证，这极大的限制了模型在现实场景中的应用。
发明内容
有鉴于此，本发明的目的在于提供一种基于SL4DID近地面污染物短临预报方法、装置及设备，可以显著提高污染物短临预报的精度，还可以提高污染物短临预报的区域适用性。
第一方面，本发明实施例提供了一种基于SL4DID近地面污染物短临预报方法，包括：
获取研究区域的目标污染物数据；
利用SL4DID算法，对所述目标污染物数据进行周期趋势分解处理得到趋势分量、周期分量和余项分量，利用目标神经网络基于所述趋势分量、所述周期分量和所述余项分量确定初始污染物预报结果，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果；
根据每个所述栅格对应的所述目标污染物预报结果，生成所述研究区域对应的目标栅格影像；其中，所述目标栅格影像用于表征所述研究区域内每个所述栅格对应的所述目标污染物预报结果。
在一种实施方式中，对所述目标污染物数据进行周期趋势分解处理得到趋势分量、周期分量和余项分量的步骤，包括：
对于所述研究区域内的每个栅格，以该栅格为中心、以预设搜索半径和预设搜索高程为约束确定搜索范围；
将位于所述搜索范围内的所述目标污染物数据所处点位，作为该栅格关联的有效点；
对每个所述有效点处的所述目标污染物数据进行周期趋势分解处理，得到目标趋势分量、目标周期分量和目标余项分量，并分别从所述目标趋势分量、所述目标周期分量和所述目标余项分量取指定时间步长的待预报趋势分量、待预报周期分量和待预报余项分量。
在一种实施方式中，利用目标神经网络基于所述趋势分量、所述周期分量和所述余项分量确定初始污染物预报结果的步骤，包括：
利用每个所述有效点对应的所述目标趋势分量、所述目标周期分量和所述目标余项分量，对该栅格关联的初始神经网络进行训练，得到目标神经网络；其中，所述目标神经网络为长短期记忆神经网络；
通过所述目标神经网络，基于每个所述有效点对应的所述待预报趋势分量，预测每个所述有效点在多个待预报时刻下的趋势分量预报结果；以及基于每个所述有效点对应的所述待预报周期分量，预测每个所述有效点在多个待预报时刻下的周期分量预报结果；以及基于每个所述有效点对应的所述待预报余项分量，预测每个所述有效点在多个待预报时刻下的余项分量预报结果；
其中，所述初始污染物预报结果包括每个所述有效点在每个所述待预报时刻下的所述趋势分量预报结果、所述周期分量预报结果和所述余项分量预报结果。
在一种实施方式中，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果的步骤，包括：
根据该栅格的属性信息和每个所述有效点的属性信息，分别确定每个所述有效点在水平距离维度、高程维度、时间维度下的权重值；其中，所述属性信息包括坐标信息、高程信息和时间信息；
根据所述权重值，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果。
在一种实施方式中，根据该栅格的属性信息和每个所述有效点的属性信息，分别确定每个所述有效点在水平距离维度、高程维度、时间维度下的权重值的步骤，包括：
按照如下公式确定在水平距离维度下，第/>个有效点在待预报时刻/>下的第一权重值/>：
；
按照如下公式确定在高程维度下，第/>个有效点在/>的第二权重值/>：
；
按照如下公式确定在时间维度下，第/>个有效点在/>的第三权重值/>：
；
其中，为目标时刻，/>为在目标时刻/>起的前T时刻至后T时刻内包含的所有所述待预报时刻，/>为该栅格关联的所有所述有效点，（/>）为该栅格的坐标信息，（/>，）为第/>个有效点在/>的坐标信息，/>为第一权重校正量，/>为该栅格的高程信息，/>为第/>个有效点在/>的高程信息，/>为第二权重校正量，/>为第/>个有效点在/>的时间信息，/>为第三权重校正量。
在一种实施方式中，根据所述权重值，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果的步骤，包括：
根据所述第一权重值、所述第二权重值和所述第三权重值，对每个所述有效点在每个所述待预报时刻下的所述趋势分量预报结果或趋势分量观测结果进行四维反距离插值处理，得到趋势插值结果；
以及根据所述第一权重值、所述第二权重值和所述第三权重值，对每个所述有效点在每个所述待预报时刻下的所述周期分量预报结果或周期分量观测结果进行四维反距离插值处理，得到周期插值结果；
以及根据所述第一权重值、所述第二权重值和所述第三权重值，对每个所述有效点在每个所述待预报时刻下的所述余项分量预报结果或余项分量观测结果进行四维反距离插值处理，得到余项插值结果；
将所述趋势插值结果、所述周期插值结果和所述余项插值结果的和值，作为该栅格对应的目标污染物预报结果。
在一种实施方式中，根据所述权重值，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果的步骤，还包括：
按照如下公式确定该栅格对应的目标污染物预报结果：
；
其中，为栅格/>在目标时刻/>下的目标污染物预报结果，/>为第/>个有效点的第/>个分量在待预报时刻/>下的分量观测结果或分量预报结果。
第二方面，本发明实施例还提供一种基于SL4DID近地面污染物短临预报装置，包括：
数据获取模块，用于获取研究区域的目标污染物数据；
污染物预报模块，用于利用SL4DID算法，对所述目标污染物数据进行周期趋势分解处理得到趋势分量、周期分量和余项分量，利用目标神经网络基于所述趋势分量、所述周期分量和所述余项分量确定初始污染物预报结果，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果；
影像生成模块，用于根据每个所述栅格对应的所述目标污染物预报结果，生成所述研究区域对应的目标栅格影像；其中，所述目标栅格影像用于表征所述研究区域内每个所述栅格对应的所述目标污染物预报结果。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种基于SL4DID近地面污染物短临预报方法、装置及设备，首先获取研究区域的目标污染物数据；然后利用SL4DID算法，对目标污染物数据进行周期趋势分解处理得到趋势分量、周期分量和余项分量，利用目标神经网络基于趋势分量、周期分量和余项分量确定初始污染物预报结果，对目标污染物数据或初始污染物预报结果进行四维反距离插值处理，得到研究区域内每个栅格对应的目标污染物预报结果；最后根据每个栅格对应的目标污染物预报结果，生成研究区域对应的目标栅格影像；其中，目标栅格影像用于表征研究区域内每个栅格对应的目标污染物预报结果。上述方法提出一种SL4DID算法，不仅有效将原始的、高变异性的目标污染物数据分解为若干个低变异性的分量，保证充分使用目标污染物数据；而且栅格化的预报克服了只能预报单一或者几个站点的缺点，使得基于站点预报的点结果转化成栅格化的面结果（也即目标污染物预报结果），因此本发明实施例可以显著提高污染物短临预报的精度，还可以提高污染物短临预报的区域适用性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。
图1为本发明实施例提供的一种基于SL4DID近地面污染物短临预报方法的流程示意图；
图2为本发明实施例提供的一种有效点选择示意图；
图3为本发明实施例提供的一种STL分解以及LSTM模型训练和预测示意图；
图4为本发明实施例提供的一种四维反距离插值示意图；
图5为本发明实施例提供的另一种基于SL4DID近地面污染物短临预报方法的流程示意图；
图6为本发明实施例提供的一种基于SL4DID近地面污染物短临预报装置的结构示意图；
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明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。
目前，现有污染物浓度预报存在不确定性较高、适应性较差等问题，因此如何得到具有时空特性的（区域适用性）、全覆盖、高精度的预报组合模型是目前利用机器学习与数据分解组合方法进行近地面污染物短临预报的关键问题。
基于此，本发明实施提供了一种基于SL4DID近地面污染物短临预报方法、装置及设备，可以显著提高污染物短临预报的精度，还可以提高污染物短临预报的区域适用性。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于SL4DID近地面污染物短临预报方法进行详细介绍，参见图1所示的一种基于SL4DID近地面污染物短临预报方法的流程示意图，该方法主要包括以下步骤S102至步骤S106：
步骤S102，获取研究区域的目标污染物数据。
其中，目标污染物数据可以包括PM2.5\PM10\O3\SO2\CO\NO2等污染物的长时间序列数据。
在一种实施方式中，以臭氧（O3）为例，可以从中国国家环境监测中心（http://www.cnemc.cn）下载每小时的大气环境污染物臭氧监测数据，该大气环境污染物臭氧监测数据为原始长时间序列数据（也可称之为，初始污染物数据），对该大气环境污染物臭氧监测数据进行插补处理，即可得到目标污染物数据。
步骤S104，利用SL4DID算法，对目标污染物数据进行周期趋势分解处理得到趋势分量、周期分量和余项分量，利用目标神经网络基于趋势分量、周期分量和余项分量确定初始污染物预报结果，对目标污染物数据或初始污染物预报结果进行四维反距离插值处理，得到研究区域内每个栅格对应的目标污染物预报结果。
其中，SL4DID是指代的基于局部加权回归法的周期趋势分解（Seasonal-trenddecomposition procedure based on Loess， STL）、长短时记忆神经网络（Long andShort-Term Memory neural network，LSTM）和四维反距离（4D Inverse Distance）插值组合方法的简写。初始污染物预报结果包括每个有效点在每个待预报时刻下的趋势分量预报结果、周期分量预报结果和余项分量预报结果；目标污染物预报结果也即每个栅格在每个目标时刻下的污染物浓度预报结果，诸如O3浓度预报结果。
在一种实施方式中，可以利用基于局部加权回归法的周期趋势分解对将目标污染物数据分解为趋势分量、周期分量和余项分量，利用长短时记忆神经网络基于趋势分量、周期分量和余项分量确定初始污染物预报结果，最后使用目标污染物数据或初始污染物预报结果，利用四维反距离插值处理，得到研究区域内每个栅格对应的目标污染物预报结果。
步骤S106，根据每个栅格对应的目标污染物预报结果，生成研究区域对应的目标栅格影像。其中，目标栅格影像用于表征研究区域内每个栅格对应的目标污染物预报结果。
在一种实施方式中，可以预先配置研究区域的初始栅格影像，该初始栅格影像将研究区域划分为多个栅格，将每个栅格对应的目标污染物预报结果赋值至该初始栅格影像，即可得到目标栅格影像。
本发明实施例提供的基于SL4DID近地面污染物短临预报装置，提出一种SL4DID算法，不仅有效将原始的、高变异性的目标污染物数据分解为若干个低变异性的分量，保证充分使用目标污染物数据；而且栅格化的预报克服了只能预报单一或者几个站点的缺点，使得基于站点预报的点结果转化成栅格化的面结果（也即目标污染物预报结果），因此本发明实施例可以显著提高污染物短临预报的精度，还可以提高污染物短临预报的区域适用性。
为便于理解，本发明实施例提供了一种基于SL4DID近地面污染物短临预报方法的具体实施方式。
对于前述步骤S102，本发明实施例提供了一种获取研究区域的目标污染物数据的实施方式，可以获取研究区域的初始污染物数据，并对初始污染物数据进行邻近值插补处理，得到目标污染物数据。
以臭氧（O3）为例，可以从中国国家环境监测中心下载每小时的大气环境污染物臭氧监测数据作为初始长时间序列O3数据（也即，初始污染物数据），采用邻近值插补的方法对初始长时间序列O3数据中的缺失值进行填补。其中，邻近值插补方法基于已知数据点的邻近值来估计缺失值。对于初始长时间序列O3数据，可以使用前后时间点的观测值来填补缺失值，从而得到目标长时间序列O3数据（也即，目标污染物数据）。
对于前述步骤S104，本发明实施例提供了一种对目标污染物数据进行周期趋势分解处理得到趋势分量、周期分量和余项分量的实施方式，参见如下步骤A1至步骤A3：
步骤A1，对于研究区域内的每个栅格，以该栅格为中心、以预设搜索半径和预设搜索高程为约束确定搜索范围。
在一种实施方式中，设定待求点，其中m、n为M行N列的栅格Z中任一像元点（m∈M、n∈N），/>为待求点/>相对位置的属性信息，分别为高程、横坐标、纵坐标。以待求点为中心、最大搜索半径D千米且最大搜索高程差H千米为约束，确定搜索范围，该搜索范围为三维搜索范围。
步骤A2，将位于搜索范围内的目标污染物数据所处点位，作为该栅格关联的有效点。
在一种实施方式中，在上述搜索范围内，搜索目标污染物数据的有效点个数I，设定第个有效点为/>，其中/>∈I，/>为有效点/>的相对位置的属性信息，分别为高程、横坐标和纵坐标。示例性的，参见图2所示的一种有效点选择示意图，将位于搜索范围内的点位作为有效点，将位于搜索范围外的点位作为无效点。
步骤A3，对每个所述有效点处的所述目标污染物数据进行周期趋势分解处理，得到目标趋势分量、目标周期分量和目标余项分量，并分别从所述目标趋势分量、所述目标周期分量和所述目标余项分量取指定时间步长的待预报趋势分量、待预报周期分量和待预报余项分量。
其中，指定时间步长可以为步长4时刻，将当前时刻记为，则将（/>，/>，/>，）作为指定时间步长，以便于后续利用目标神经网络预测步长3时刻（/>，/>，/>）的初始污染物预报结果。
在一种实施方式中，对第个有效点取/>时刻进行STL分解，其中，/>的值可以为1个月。具体的，周期趋势分解如下所示：
；
其中，为周期趋势分解的表达式，/>为第/>个有效点的趋势分量，/>为第/>个有效点的周期分量，/>为第/>个有效点的余项分量。
进一步的，将上述分解得到的趋势分量、周期分量、余项分量/>，作为目标趋势分量、目标周期分量和目标余项分量；另外可以从分解得到的趋势分量/>、周期分量、余项分量/>中，取（/>，/>，/>，/>）的分量分别作为待预报趋势分量、待预报周期分量和待预报余项分量。
对于前述步骤S104，本发明实施例还提供了一种利用目标神经网络基于趋势分量、周期分量和余项分量确定初始污染物预报结果的实施方式，参见如下步骤B1至步骤B2：
步骤B1，利用每个有效点对应的目标趋势分量、目标周期分量和目标余项分量，对该栅格关联的初始神经网络进行训练，得到目标神经网络。其中，目标神经网络为长短期记忆神经网络。
在一种实施方式中，可以利用LSTM模型建立近地面臭氧预报模型（也即目标神经网络）。具体的，参见图3所示的一种STL分解以及LSTM模型训练和预测示意图，可以基于趋势分量、周期分量/>、余项分量构造训练数据集，该训练数据集中的输入部分的步长也为4时刻，标签部分的步长也为3时刻。利用训练数据集对LSTM模型进行臭氧预报模型的训练，得到目标神经网络。
步骤B2，通过目标神经网络，基于每个有效点对应的待预报趋势分量，预测每个有效点在多个待预报时刻下的趋势分量预报结果；以及基于每个有效点对应的待预报周期分量，预测每个有效点在多个待预报时刻下的周期分量预报结果；以及基于每个有效点对应的待预报余项分量，预测每个有效点在多个待预报时刻下的余项分量预报结果。
其中，待预报时刻也即（，/>，/>）三个时刻。
请继续参见图3，将待预报趋势分量输入至目标神经网络，即可得到第/>个有效点在（/>，/>，/>）下的趋势分量预报结果；同理，将待预报周期分量/>输入至目标神经网络，即可得到第/>个有效点在（/>，/>，/>）下的周期分量预报结果；同理，将待预报余项分量/>输入至目标神经网络，即可得到第/>个有效点在（/>，/>，/>）下的余项分量预报结果。
对于前述步骤S104，本发明实施例还提供了一种对目标污染物数据或初始污染物预报结果进行四维反距离插值处理，得到研究区域内每个栅格对应的目标污染物预报结果的实施方式，参见如下步骤C1至步骤C2：
步骤C1，根据该栅格的属性信息和每个有效点的属性信息，分别确定每个有效点在水平距离维度、高程维度、时间维度下的权重值。其中，属性信息包括坐标信息、高程信息和时间信息。
示例性的，将输出的3小时近地面臭氧以每十分钟进行分隔，使用四维反距离插值方法将18个时刻的趋势分量、周期分量以及余项分量结果进行插值处理，将插值后的结果加和计算，得到最终的1公里近地面臭氧预报结果，诸如图4所示的一种四维反距离插值示意图。18个时刻中任一时刻均可作为目标时刻。
在一例中，以18个时刻中第一个时刻（设为τ1）像元点（m,n）为例，按照如下公式确定在水平距离维度下，第/>个有效点在待预报时刻/>下的第一权重值/>：
；
按照如下公式确定在高程维度下，第/>个有效点在/>的第二权重值/>：
；
按照如下公式确定在时间维度下，第/>个有效点在/>的第三权重值/>：
；
其中，为目标时刻，/>为在目标时刻/>起的前T时刻至后T时刻内包含的所有待预报时刻（也即，τ1在前后T时刻有效的观测或预报结果所有时刻，取W=1小时），/>为该栅格关联的所有有效点，（/>）为该栅格的坐标信息，（/>，/>）为第/>个有效点在的坐标信息，/>为第一权重校正量（取值为1），/>为该栅格的高程信息，为第/>个有效点在/>的高程信息，/>为第二权重校正量（取值为1），/>为第/>个有效点在/>的时间信息，/>为第三权重校正量（取值为2）。
步骤C2，根据权重值，对目标污染物数据或初始污染物预报结果进行四维反距离插值处理，得到研究区域内每个栅格对应的目标污染物预报结果。在具体实现时，可以参见如下步骤C2-1至步骤C2-4：
步骤C2-1，根据第一权重值、第二权重值和第三权重值，对每个有效点在每个待预报时刻下的趋势分量预报结果或趋势分量观测结果进行四维反距离插值处理，得到趋势插值结果。
步骤C2-2，根据第一权重值、第二权重值和第三权重值，对每个有效点在每个待预报时刻下的周期分量预报结果或趋势分量观测结果进行四维反距离插值处理，得到周期插值结果。
步骤C2-3，根据第一权重值、第二权重值和第三权重值，对每个有效点在每个待预报时刻下的余项分量预报结果或趋势分量观测结果进行四维反距离插值处理，得到余项插值结果。
对于上述步骤C2-1至步骤C2-3中的分量观测结果（也即趋势分量观测结果、趋势分量观测结果、趋势分量观测结果），假设有效点存在某个待预报时刻下的目标污染物数据，则可直接对该目标污染物数据进行周期趋势分解，从而得到上述分量观测结果。
步骤C2-4，将趋势插值结果、周期插值结果和余项插值结果的和值，作为该栅格对应的目标污染物预报结果。
为便于对步骤C2-1至步骤C2-4进行理解，本发明实施例还提供了另一种确定栅格对应的目标污染物预报结果的实施方式，具体参见如下公式：
；
其中，为栅格/>在目标时刻/>下的目标污染物预报结果，/>为第/>个有效点的第/>个分量在待预报时刻/>下的分量观测结果或分量预报结果（也即趋势分量预报结果、周期分量预报结果、余项分量预报结果）。
利用四维反距离插值方法将所有18个时刻的目标污染物预报结果插值输出，最终生成18个时刻M行N列的1公里栅格影像。
综上所述，本发明实施例可以显著提高污染物短临预报的精度，还可以提高污染物短临预报的区域适用性。
为便于理解，本发明实施例还提供了一种基于SL4DID近地面臭氧短临预报方法的应用示例，以臭氧（O3）为例，需要使用中国国家环境监测中心下载每小时的大气环境污染物臭氧监测数据，包括：步骤1）采用邻近值插补的方法对长时间序列O3数据中的缺失值进行填补；步骤2）将填补后的O3数据使用基于局部加权回归法的周期趋势分解（Seasonal-trend decomposition procedure based on Loess，STL）方法进行趋势分量（S1）、周期分量（S2）以及余项分量（S3）分解；步骤3）使用长短时记忆神经网络（Long and Short-TermMemory neural network，LSTM）对STL分解的各个分量进行输出时间步长为3小时的预报；本发明实施例将原始的高变异性时间序列分解为若干个低变异性的子序列，将设计好的机器学习方法应用到每个子序列中，然后组合各子序列的结果，得到更为准确的预报结果；步骤4）每十分钟间隔对臭氧进行有效预报（3小时，十分钟一次，共18个时刻），使用观测站点和LSTM预报的臭氧结果，利用四维反距离（4D Inverse Distance）插值方法将所有18个时刻的臭氧结果插值输出，生成18个时刻M行N列的1公里栅格影像。
具体的，参见图5所示的另一种SL4DID近地面臭氧短临预报方法的流程示意图，包括如下步骤S502至步骤S514：
步骤S502，O3缺失数据的邻近值插补；步骤S504，待求点确定和有效点搜索；步骤S506，有效点STL分解；步骤S508，各个分解量的LSTM建模；步骤S510，各个分解量预测；步骤S512，四维反距离插值；步骤S514，预报结果输出。
综上所述，本发明实施例利用新提出的SL4DID近地面臭氧短临预报方法，不仅有效将原始的高变异性臭氧时间序列分解为若干个低变异性的臭氧子序列，保证充分使用监测数据信息；而且网格化的预报克服了只能预报单一或者几个站点的缺点，使得基于站点预报的点结果转化成网格化的面结果。
本发明实施例利用新提出的SL4DID近地面臭氧短临预报方法，不仅有效将原始的高变异性臭氧时间序列分解为若干个低变异性的臭氧子序列，保证充分使用监测数据信息；而且网格化的预报克服了只能预报单一或者几个站点的缺点，使得基于站点预报的点结果转化成网格化的面结果。
在前述实施例的基础上，本发明实施例提供了一种基于SL4DID近地面污染物短临预报装置，参见图6所示的一种基于SL4DID近地面污染物短临预报装置的结构示意图，该装置主要包括以下部分：
数据获取模块602，用于获取研究区域的目标污染物数据；
污染物预报模块604，用于利用SL4DID算法，对目标污染物数据进行周期趋势分解处理得到趋势分量、周期分量和余项分量，利用目标神经网络基于趋势分量、周期分量和余项分量确定初始污染物预报结果，对目标污染物数据或初始污染物预报结果进行四维反距离插值处理，得到研究区域内每个栅格对应的目标污染物预报结果；
影像生成模块606，用于根据每个栅格对应的目标污染物预报结果，生成研究区域对应的目标栅格影像；其中，目标栅格影像用于表征研究区域内每个栅格对应的目标污染物预报结果。
本发明实施例提供的基于SL4DID近地面污染物短临预报装置，提出一种SL4DID算法，不仅有效将原始的、高变异性的目标污染物数据分解为若干个低变异性的分量，保证充分使用目标污染物数据；而且栅格化的预报克服了只能预报单一或者几个站点的缺点，使得基于站点预报的点结果转化成栅格化的面结果（也即目标污染物预报结果），因此本发明实施例可以显著提高污染物短临预报的精度，还可以提高污染物短临预报的区域适用性。
在一种实施方式中，污染物预报模块604还用于：
对于研究区域内的每个栅格，以该栅格为中心、以预设搜索半径和预设搜索高程为约束确定搜索范围；
将位于搜索范围内的目标污染物数据所处点位，作为该栅格关联的有效点；
对每个所述有效点处的所述目标污染物数据进行周期趋势分解处理，得到目标趋势分量、目标周期分量和目标余项分量，并分别从所述目标趋势分量、所述目标周期分量和所述目标余项分量取指定时间步长的待预报趋势分量、待预报周期分量和待预报余项分量。
在一种实施方式中，污染物预报模块604还用于：
利用每个有效点对应的目标趋势分量、目标周期分量和目标余项分量，对该栅格关联的初始神经网络进行训练，得到目标神经网络；其中，目标神经网络为长短期记忆神经网络；
通过目标神经网络，基于每个有效点对应的待预报趋势分量，预测每个有效点在多个待预报时刻下的趋势分量预报结果；以及基于每个有效点对应的待预报周期分量，预测每个有效点在多个待预报时刻下的周期分量预报结果；以及基于每个有效点对应的待预报余项分量，预测每个有效点在多个待预报时刻下的余项分量预报结果；
其中，初始污染物预报结果包括每个有效点在每个待预报时刻下的趋势分量预报结果、周期分量预报结果和余项分量预报结果。
在一种实施方式中，污染物预报模块604还用于：
根据该栅格的属性信息和每个有效点的属性信息，分别确定每个有效点在水平距离维度、高程维度、时间维度下的权重值；其中，属性信息包括坐标信息、高程信息和时间信息；
根据权重值，对目标污染物数据或初始污染物预报结果进行四维反距离插值处理，得到研究区域内每个栅格对应的目标污染物预报结果。
在一种实施方式中，污染物预报模块604还用于：
按照如下公式确定在水平距离维度下，第/>个有效点在待预报时刻/>下的第一权重值/>：
；
按照如下公式确定在高程维度下，第/>个有效点在/>的第二权重值/>：
；
按照如下公式确定在时间维度下，第/>个有效点在/>的第三权重值/>：
；
其中，为目标时刻，/>为在目标时刻/>起的前T时刻至后T时刻内包含的所有待预报时刻，/>为该栅格关联的所有有效点，（/>）为该栅格的坐标信息，（/>，/>）为第/>个有效点在/>的坐标信息，/>为第一权重校正量，/>为该栅格的高程信息，为第/>个有效点在/>的高程信息，/>为第二权重校正量，/>为第/>个有效点在/>的时间信息，/>为第三权重校正量。
在一种实施方式中，污染物预报模块604还用于：
根据第一权重值、第二权重值和第三权重值，对每个有效点在每个待预报时刻下的趋势分量预报结果或趋势分量观测结果进行四维反距离插值处理，得到趋势插值结果；
以及根据第一权重值、第二权重值和第三权重值，对每个有效点在每个待预报时刻下的周期分量预报结果或周期分量观测结果进行四维反距离插值处理，得到周期插值结果；
以及根据第一权重值、第二权重值和第三权重值，对每个有效点在每个待预报时刻下的余项分量预报结果或余项分量观测结果进行四维反距离插值处理，得到余项插值结果；
将趋势插值结果、周期插值结果和余项插值结果的和值，作为该栅格对应的目标污染物预报结果。
在一种实施方式中，污染物预报模块604还用于：
按照如下公式确定该栅格对应的目标污染物预报结果：
；
其中，为栅格/>在目标时刻/>下的目标污染物预报结果，/>为第/>个有效点的第/>个分量在待预报时刻/>下的分量观测结果或分量预报结果。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图7为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器70，存储器71，总线72和通信接口73，所述处理器70、通信接口73和存储器71通过总线72连接；处理器70用于执行存储器71中存储的可执行模块，例如计算机程序。
其中，存储器71可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatilememory），例如至少一个磁盘存储器。通过至少一个通信接口73（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线72可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器71用于存储程序，所述处理器70在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器70中，或者由处理器70实现。
处理器70可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器70中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器70可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器71，处理器70读取存储器71中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于SL4DID近地面污染物短临预报方法，其特征在于，包括：
获取研究区域的目标污染物数据；
利用SL4DID算法，对所述目标污染物数据进行周期趋势分解处理得到趋势分量、周期分量和余项分量，利用目标神经网络基于所述趋势分量、所述周期分量和所述余项分量确定初始污染物预报结果，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果；
根据每个所述栅格对应的所述目标污染物预报结果，生成所述研究区域对应的目标栅格影像；其中，所述目标栅格影像用于表征所述研究区域内每个所述栅格对应的所述目标污染物预报结果。
2.根据权利要求1所述的基于SL4DID近地面污染物短临预报方法，其特征在于，对所述目标污染物数据进行周期趋势分解处理得到趋势分量、周期分量和余项分量的步骤，包括：
对于所述研究区域内的每个栅格，以该栅格为中心、以预设搜索半径和预设搜索高程为约束确定搜索范围；
将位于所述搜索范围内的所述目标污染物数据所处点位，作为该栅格关联的有效点；
对每个所述有效点处的所述目标污染物数据进行周期趋势分解处理，得到目标趋势分量、目标周期分量和目标余项分量，并分别从所述目标趋势分量、所述目标周期分量和所述目标余项分量取指定时间步长的待预报趋势分量、待预报周期分量和待预报余项分量。
3.根据权利要求2所述的基于SL4DID近地面污染物短临预报方法，其特征在于，利用目标神经网络基于所述趋势分量、所述周期分量和所述余项分量确定初始污染物预报结果的步骤，包括：
利用每个所述有效点对应的所述目标趋势分量、所述目标周期分量和所述目标余项分量，对该栅格关联的初始神经网络进行训练，得到目标神经网络；其中，所述目标神经网络为长短期记忆神经网络；
通过所述目标神经网络，基于每个所述有效点对应的所述待预报趋势分量，预测每个所述有效点在多个待预报时刻下的趋势分量预报结果；以及基于每个所述有效点对应的所述待预报周期分量，预测每个所述有效点在多个待预报时刻下的周期分量预报结果；以及基于每个所述有效点对应的所述待预报余项分量，预测每个所述有效点在多个待预报时刻下的余项分量预报结果；
其中，所述初始污染物预报结果包括每个所述有效点在每个所述待预报时刻下的所述趋势分量预报结果、所述周期分量预报结果和所述余项分量预报结果。
4.根据权利要求3所述的基于SL4DID近地面污染物短临预报方法，其特征在于，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果的步骤，包括：
根据该栅格的属性信息和每个所述有效点的属性信息，分别确定每个所述有效点在水平距离维度、高程维度、时间维度下的权重值；其中，所述属性信息包括坐标信息、高程信息和时间信息；
根据所述权重值，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果。
5.根据权利要求4所述的基于SL4DID近地面污染物短临预报方法，其特征在于，根据该栅格的属性信息和每个所述有效点的属性信息，分别确定每个所述有效点在水平距离维度、高程维度、时间维度下的权重值的步骤，包括：
按照如下公式确定在水平距离维度下，第/>个有效点在待预报时刻/>下的第一权重值：
；
按照如下公式确定在高程维度下，第/>个有效点在/>的第二权重值：
；
按照如下公式确定在时间维度下，第/>个有效点在/>的第三权重值：
；
其中，为目标时刻，/>为在目标时刻/>起的前T时刻至后T时刻内包含的所有所述待预报时刻，/>为该栅格关联的所有所述有效点，（/>）为该栅格的坐标信息，（/>，/>）为第/>个有效点在/>的坐标信息，/>为第一权重校正量，/>为该栅格的高程信息，/>为第/>个有效点在/>的高程信息，/>为第二权重校正量，/>为第/>个有效点在/>的时间信息，/>为第三权重校正量。
6.根据权利要求5所述的基于SL4DID近地面污染物短临预报方法，其特征在于，根据所述权重值，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果的步骤，包括：
根据所述第一权重值、所述第二权重值和所述第三权重值，对每个所述有效点在每个所述待预报时刻下的所述趋势分量预报结果或趋势分量观测结果进行四维反距离插值处理，得到趋势插值结果；
以及根据所述第一权重值、所述第二权重值和所述第三权重值，对每个所述有效点在每个所述待预报时刻下的所述周期分量预报结果或周期分量观测结果进行四维反距离插值处理，得到周期插值结果；
以及根据所述第一权重值、所述第二权重值和所述第三权重值，对每个所述有效点在每个所述待预报时刻下的所述余项分量预报结果或余项分量观测结果进行四维反距离插值处理，得到余项插值结果；
将所述趋势插值结果、所述周期插值结果和所述余项插值结果的和值，作为该栅格对应的目标污染物预报结果。
7.根据权利要求5所述的基于SL4DID近地面污染物短临预报方法，其特征在于，根据所述权重值，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果的步骤，还包括：
按照如下公式确定该栅格对应的目标污染物预报结果：
；
其中，为栅格/>在目标时刻/>下的目标污染物预报结果，/>为第/>个有效点的第/>个分量在待预报时刻/>下的分量观测结果或分量预报结果。
8.一种基于SL4DID近地面污染物短临预报装置，其特征在于，包括：
数据获取模块，用于获取研究区域的目标污染物数据；
污染物预报模块，用于利用SL4DID算法，对所述目标污染物数据进行周期趋势分解处理得到趋势分量、周期分量和余项分量，利用目标神经网络基于所述趋势分量、所述周期分量和所述余项分量确定初始污染物预报结果，对所述目标污染物数据或所述初始污染物预报结果进行四维反距离插值处理，得到所述研究区域内每个栅格对应的目标污染物预报结果；
影像生成模块，用于根据每个所述栅格对应的所述目标污染物预报结果，生成所述研究区域对应的目标栅格影像；其中，所述目标栅格影像用于表征所述研究区域内每个所述栅格对应的所述目标污染物预报结果。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
CN202311245518.7A 2023-09-26 2023-09-26 基于sl4did近地面污染物短临预报方法、装置及设备 Active CN116994146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311245518.7A CN116994146B (zh) 2023-09-26 2023-09-26 基于sl4did近地面污染物短临预报方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311245518.7A CN116994146B (zh) 2023-09-26 2023-09-26 基于sl4did近地面污染物短临预报方法、装置及设备

Publications (2)

Publication Number Publication Date
CN116994146A true CN116994146A (zh) 2023-11-03
CN116994146B CN116994146B (zh) 2023-12-29

Family

ID=88521702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311245518.7A Active CN116994146B (zh) 2023-09-26 2023-09-26 基于sl4did近地面污染物短临预报方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116994146B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969345A (zh) * 2019-11-20 2020-04-07 北京淖尔科技有限公司 一种基于土壤重金属污染途径分析的风险评估方法
CN112712219A (zh) * 2021-03-11 2021-04-27 北京英视睿达科技有限公司 大气污染物浓度的预估方法、系统、电子设备及介质
CN112836859A (zh) * 2021-01-08 2021-05-25 中地大海洋(广州)科学技术研究院有限公司 一种河口区污染物监测数据的智能融合与分析方法
US20220214322A1 (en) * 2021-01-07 2022-07-07 Tsinghua University Air pollutants concentration forecasting method and apparatus and storage medium
CN116504330A (zh) * 2023-06-28 2023-07-28 航天宏图信息技术股份有限公司 污染物浓度反演方法、装置、电子设备及可读存储介质
CN116596402A (zh) * 2023-06-07 2023-08-15 上海交通大学 空气质量研判、污染溯源及应急管控建议生成方法及系统
CN116776745A (zh) * 2023-08-18 2023-09-19 南昌云宜然科技有限公司 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969345A (zh) * 2019-11-20 2020-04-07 北京淖尔科技有限公司 一种基于土壤重金属污染途径分析的风险评估方法
US20220214322A1 (en) * 2021-01-07 2022-07-07 Tsinghua University Air pollutants concentration forecasting method and apparatus and storage medium
CN112836859A (zh) * 2021-01-08 2021-05-25 中地大海洋(广州)科学技术研究院有限公司 一种河口区污染物监测数据的智能融合与分析方法
CN112712219A (zh) * 2021-03-11 2021-04-27 北京英视睿达科技有限公司 大气污染物浓度的预估方法、系统、电子设备及介质
CN116596402A (zh) * 2023-06-07 2023-08-15 上海交通大学 空气质量研判、污染溯源及应急管控建议生成方法及系统
CN116504330A (zh) * 2023-06-28 2023-07-28 航天宏图信息技术股份有限公司 污染物浓度反演方法、装置、电子设备及可读存储介质
CN116776745A (zh) * 2023-08-18 2023-09-19 南昌云宜然科技有限公司 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁愫等: "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", 《环境科学学报》, no. 08 *

Also Published As

Publication number Publication date
CN116994146B (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
Sønderby et al. Metnet: A neural weather model for precipitation forecasting
Shadab et al. Spatial forecasting of solar radiation using ARIMA model
Assumpção et al. Citizen observations contributing to flood modelling: Opportunities and challenges
CN112905560B (zh) 一种多源时空大数据深度融合的空气污染预测方法
CN106709127B (zh) 利用cfd和卫星数据提取污染排放源
CN110991497B (zh) 一种基于bsvc方法的城市土地利用变化模拟元胞自动机方法
Li et al. Spatial interpolation of fine particulate matter concentrations using the shortest wind-field path distance
CN116702047B (zh) 一种地下水实时监测方法、系统及介质
Pu et al. Ensemble Kalman filter assimilation of near-surface observations over complex terrain: Comparison with 3DVAR for short-range forecasts
CN114461697A (zh) 基于夜间灯光遥感和改进stirpat的城市碳排放核算方法
CN112362816A (zh) 一种基于观测数据的臭氧来源分析方法及装置
CN116703004A (zh) 一种基于预训练模型的水系流域智慧巡护方法和装置
Sayeed et al. CMAQ-CNN: A new-generation of post-processing techniques for chemical transport models using deep neural networks
Chen et al. Projecting future local precipitation and its extremes for Sweden
Patouillard et al. Ready-to-use and advanced methodologies to prioritise the regionalisation effort in LCA
CN116340863A (zh) 空气污染物预测方法、装置、电子设备及可读存储介质
Mohan et al. An ensemble deep learning model for forecasting hourly PM2. 5 concentrations
CN116994146B (zh) 基于sl4did近地面污染物短临预报方法、装置及设备
CN116539006B (zh) 径流预测方法、装置、计算机设备和存储介质
CN115239027B (zh) 空气质量格点化集合预报的方法及装置
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
CN111815178A (zh) 空气质量达标分析方法、装置、电子设备及存储介质
Pozo-Luyo et al. Forecasting PM2. 5 concentration levels using shallow machine learning models on the Monterrey Metropolitan Area in Mexico
CN115424131A (zh) 一种基于绝对像素的遥感影像云检测最优阈值选取方法、云检测方法及系统
CN115482930A (zh) 一种臭氧污染对人体健康影响的数值预报方法，系统和储存介质

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