CN105738974B - 空气重污染天气的预报方法和*** - Google Patents
空气重污染天气的预报方法和*** Download PDFInfo
- Publication number
- CN105738974B CN105738974B CN201610081979.9A CN201610081979A CN105738974B CN 105738974 B CN105738974 B CN 105738974B CN 201610081979 A CN201610081979 A CN 201610081979A CN 105738974 B CN105738974 B CN 105738974B
- Authority
- CN
- China
- Prior art keywords
- heavily contaminated
- weather
- predicted
- day
- air
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
- G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
-
- 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
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
一种空气重污染天气的预报方法,包括:收集、获取待预报区域的长时间序列的历史气象数据;选取若干气象参数作为影响因子;通过拟合的方式,以选取的若干气象参数作为因子建立空气重污染预报方程,将气象模式WRF预报的所述气象参数的预测数值代入所述预报方程中,通过求解方程来对未来的重污染天气进行预测。以及一种空气重污染天气的预报***。本发明首次结合天气分型和气象要素判别方程对未来可能发生的重污染过程进行判别;建立的判别方程选取的代表性气象因子数量少,重污染案例判别效果好;是对重污染统计预报技术、数值预报技术的有效补充,方法简单易行,且经费投入较少,能有效为重污染预警提供技术支持;建立了较简单实用的操作界面。
Description
技术领域
本发明涉及天气预报领域,更具体地涉及一种空气重污染天气的预报方法和***。
背景技术
近年以来,随着我国经济的发展和产能的扩大,导致北方开始出现大范围的雾霾等重污染天气,严重影响了正常的生产生活,损害了广大人民的身心健康。为此,有些地区开始推行重污染天气红色预警机制,通过发布红色预警信息来有预期的停课停工,以及交通限行,来管控污染源的进一步排放,避免小学生和幼童暴露在重污染的户外。
但是,目前的重污染预报机制主要还是靠人工预报,存在较大的误差,一旦启动红色预警,而实际上天气状况却没有恶化,将给我国的经济和广大人民的生活带来很大的损失。此外,我国从2013年才开始正式监测并对外发布PM2.5数值,由于缺乏以前的数据,使很多现有预测方法也因为缺乏数据而无法进行。如何准确预报一定时期后的空气重污染天气的发生、发展情况是目前迫切需要解决的一个难题。
发明内容
有鉴于此,本发明的目的在于提供一种空气重污染天气的预报方法和***。
为了实现上述目的,作为本发明的一个方面,本发明提供了一种空气重污染天气的预报方法,包括以下步骤:
步骤S1:收集、获取待预报区域的历史气象数据;
步骤S2:选取若干气象参数作为影响因子;
步骤S3:通过拟合的方式,以选取的若干气象参数作为因子建立空气重污染预报方程,将所述气象参数的预测值和/或实测值代入所述预报方程中,通过求取方程来对未来是否为重污染天气进行预测。
作为优选,在步骤S2中选取的若干影响因子为平均风速、24小时变压、850与1000hP温度之差气象变量,以及昨日国控细颗粒物均值浓度。
作为优选,在步骤S3中拟合的预报方程为:
其中,c为要预测的那一天的PM2.5的预测日均浓度,a0为常数,a1、a2、a3、a4是回归系数;x1、x2、x3分别为要预测的那一天的24小时平均风速、24小时变压、08时850与1000hPa温度之差的预测值,x4为昨日国控细颗粒物均值浓度的实测值或预测值。
作为优选,所述要预测的那一天包括今天、明天和后天,分别对应未来24小时、48小时和72小时内。
作为优选,x1、x2、x3的数值选自WRF模式的模拟预报结果,WRF模式初始及边界资料为NCAR和NCEP的再分析逐日资料GFS,分辨率为1°×1°,时间分辨率是6h(00:00、06:00、12:00、18:00);地形和下垫面输入资料分别来自USGS 30s全球地形和MODIS下垫面分类资料。对于x4,当预测今天的重污染天气情况时,选用昨日国控细颗粒物均值浓度的实测值;当预测明天或后天的重污染天气情况时,选用相对于明天或后天的昨日国控细颗粒物均值浓度的预测值。
作为优选,对北京城区拟合的2013年的预报方程为:c=103.23-24.974x1-3.8127x2+1.5025x3+0.53945x4。
作为本发明的另一个方面,本发明还提供了一种空气重污染天气的预报***,所述预报***基于matlab软件执行如上所述的空气重污染天气的预报方法,来对未来某一时间的重污染天气进行预测。
基于上述技术方案可知,本发明的预报方法和***具有如下的有益效果:
(1)首次结合天气分型和气象要素判别方程对未来可能发生的重污染过程进行判别;该方法首次对影响北京市重污染的天气***进行了分型,结合人工预报建立了重污染统计判别方程,是一种重污染预报技术;
(2)建立的判别方程选取的代表性气象因子数量少,重污染案例判别效果好;
(3)本发明的方法是对重污染统计预报技术、数值预报技术的有效补充,方法简单易行,且经费投入较少,能有效为重污染预警提供技术支持,应用示范推广方便可行;
(4)基于matlab首次将污染物与气象实测数据库、WRF预报数据库结合起来,建立了较为简单实用的方法操作界面;本方法将对未来的北京市空气重污染分区动态统计预报提供较好的思路。
附图说明
图1是2013年北京地区统计判别方程预报与实测对比图;
图2是2013年北京地区58天重污染统计预报与实测对比图;
图3是本发明的预报方法的流程图;
图4(a)、4(b)分别是本发明的预报方法在对2015年12月北京市2次红色预警期间PM2.5浓度进行验证评估的结果曲线图;
图5是本发明的预报***的软件操作界面。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
如图3所示,本发明公开了一种空气重污染天气的预报方法,包括以下步骤:
步骤S1:收集、获取待预报区域的历史气象数据;其中为了提高拟合精度,可以人工识别出可能发生重污染的天气背景场,并重点关注一些对发生重污染的天气有较大影响的气象参数。此外,上述历史气象数据优选为长时间序列的历史气象数据,例如6个月以上,甚至是12个月、2年等较长时间段的历史气象数据。
步骤S2:选取若干气象参数作为影响因子,选取的标准可以基于自动排序,例如从历史各气象参数与PM2.5浓度相关性强弱等角度进行选择。
步骤S3:通过拟合的方式,以选取的若干气象参数作为因子建立空气重污染预报方程,将气象模式WRF预报的气象参数代入该预报方程中,通过解方程来对未来一定时间的重污染天气进行预测。
在上述步骤S2中,可供选择的气象参数非常多,比如温度、湿度、风速、风向、气压、高压槽分布,等等。作为优选,在步骤S2中选取的影响因子例如为平均风速、24小时变压、850与1000hP温度之差气象变量,以及昨日国控细颗粒物均值浓度。经过反复试验,选择这四个变量可以最好的近似模拟污染物变化情况,预测未来某一时间是否为重污染天气。
作为优选,在步骤S3中拟合的预报方程例如为:
其中,c为要预测的那一天的PM2.5的预测浓度,a0为常数,a1、a2、a3、a4是回归系数;x1、x2、x3分别表示要预测的那一天的24小时平均风速、24小时变压、08时850与1000hPa温度之差的预测值,x4表示昨日国控细颗粒物均值浓度的实测值或预测值。
对于该预报方程,可以用于预报今天、明天和后天(即未来24h、48h、72h内)的空气污染情况。
作为优选,上述x1、x2、x3的数值选自WRF模式的模拟预报结果,WRF模式初始及边界资料为NCAR和NCEP的再分析逐日资料GFS,分辨率为1°×1°,时间分辨率是6h(00:00、06:00、12:00、18:00);地形和下垫面输入资料分别来自USGS 30s全球地形和MODIS下垫面分类资料。对于x4,当预测今天的重污染天气情况(c值)时,直接选用昨日国控均值的实测值;当预测明天的重污染天气情况(c值)时,由于相对于明天的昨天(即今日)的国控均值(x4)尚未统计出来,可以先通过上述预报方程预测今天的c值,将该c值作为相对于明天的“昨日国控均值”(x4)的预测值来使用。同理,对于预测后天的重污染天气情况(c值), 则依次先预测今天、明天和后天的c值,从而得到后天是否为重污染天气的预报。
经过精心研究,对于北京城区来说,2013年拟合的预报方程为:c=103.23-24.974x1-3.8127x2+1.5025x3+0.53945x4。该预报方程可以较准确地拟合2013年的污染物分布数据。而对于2014年和2015年,可以将2014~2015年历史细颗粒物与气象观测数据加入到数据库中,更新并建立新的统计判别方程,从而基于更多历史数据得到更准确的结果。采用新的预报方程对2015年北京市2次红色预警进行动态验证评估,预报值与实测值有很好的时间变化趋势,该预报方程可以较好预报重污染过程。
本发明还公开了一种空气重污染天气的预报***,该预报***基于matlab执行如上所述空气重污染天气的预报方法,来对未来一定时间的重污染天气进行预测。该预报***基于matlab首次将污染物与气象实测数据库、WRF预报数据库结合起来,建立了较为简单实用的方法操作界面。
该预报***包括污染物与气象实测数据库、WRF预报数据库和基于MATLAB的用户操作平台。***采用分层、分布式机构设计,整个***分为两层:数据存储层和***运算层。数据存储层主要是存储手动输入的数据与***输出的结果。如图5所示,手动输入的数据包括昨日细颗粒物实测浓度与预测日期及当天气象因子预测值,***输出的结果主要是浓度预测值。***运算层是读取初始输入资料并进行相关运算和展示结果的程序。预报***整体具有动态的特性,新生的污染样本及气象样本会及时地加入到***数据集中,并对预报***进行调整,使模式***能够反映变化中的污染状况。目前操作界面与展示方式比较简单,在不久的将来会进一步改善。与数值预报***相比,统计预报***操作方便,不需要较专业的计算硬件设备,且对运维人员的编程能力要求不高,简单便捷,是地级市及区县开展空气质量预报工作理想的应用工具。
为了更好地说明本发明的技术方案,下面以北京地区为例,进一步对本发明方案进行阐述说明。但需要明确的是,本发明的方案并不仅限于北京地区,对于其他地区同样有效。
传统的北京大气重污染可分为静稳积累型、沙尘型、复合型以及特殊型4个类型,本发明则基于重污染的天气形势进行分类研究。分析重污染日的地面和高空天气形势发现地面气压场和850hPa温度平流、500hPa形势场与污染日有较好的对应关系,北京市重污染日高空形势多为纬向环流控制(平直环流,浅槽,弱西北气流或脊等),850hPa多为暖脊控制,地面多处于弱气压梯度场或低压辐合区。中低空风场以偏西南或偏东南风为主,地面日均相对湿度较大,平均风速持续较小。根据地面气压场形势、500hPa形势场和850hPa冷暖平流情况,将影响北京的地面天气形势分析归纳为以下3种天气类型:高压类(高压后部、高压底部、弱高压);低压类(闭合低压、低压底后部、倒槽);均压类(均压场、鞍形场)。这3类天气污染形势都是不利扩散型,天气形势较稳定,出现时间有相对连续性。下表统计了2013年北京重污染日期间地面天气类型出现的次数,可以看出2013年58个重污染日中,造成重污染日地面气压形势场高压类、低压类、均压类三种类型各占38%、41%、21%,各种地面天气形势中以高压后部(14天)、均压(12天)、低压底、后部(12天)为主。
表1北京市2013年重污染日天气类型统计
注:其中高压后部天气类型包括了低压前部天气类型
预报是根据现在推论未来,所以在统计预报方法中,预报因子的选择都是取起始时刻或过去时刻的气象参数。但有一些预报量同它出现时刻的气象条件关系最密切。有了动力学预报以后,从动力学预报得出各地各高度上气压、温度、湿度和u、v、w三个风速分量预报值,并且从这些基本物理量还可算出其他许多物理量(如温度平流、涡度平流、水汽输送通量、稳定度指数等等)。
采用动态统计模型进行预测预报,动态统计模型假设污染水平主要受气象条件控制,污染源变化很小;选取稳定性好、代表性强、与污染相关性好的气象因子,同时对类似的气象因子进行组合以减少因子的个数。
下表显示了2013年北京地面污染物与气象监测数据分级别统计特征,可以看出不同空气质量级别下,随着细颗粒物浓度的变化,各气象要素有着明显的差异特征,特别是平均风速、24小时变压、08时850hPa与1000hPa温度之差、850hPa露点温度。
表2 2013年北京地面污染物与气象监测数据分级别统计特征
表3北京(08:00)观象台气象监测数据分级别统计特征
经过筛选,参考其他学者的研究成果,选取稳定性好、代表性强、与污染相关性好的气象因子,包括地面和高空气象因子,对各气象因子进行组合;最后使用平均风速、24小时变压、850与1000hP温度之差气象变量作为重污染日的判别指标,既考虑了水平扩散的能力,又显示了垂直扩散对重污染判别的重要作用,同时减少气象因子及提高其与污染物浓度的相关性。考虑到进行空气质量预报时细颗粒物浓度只能使用历史数据,所以新增变量昨日国控细颗粒物均值浓度。
利用筛选的物理量建立北京市重污染日判别指标,经筛选使用的数据有24小时平均风速、24小时变压、08时850与1000hPa温度之差、昨日国控细颗粒物均值浓度,分别设为x1,x2,x3,x4,体现出天气***演变、 累积浓度及其他气象要素对重污染影响。基于matlab多参数线性拟合,由此得到预报方程如下:
其中,c为预测浓度,a0为常数,a1、a2、a3、a4是回归系数。
对2013年建立统计预报方程如下:Y(预测PM2.5平均浓度)=103.23-24.974x1-3.8127x2+1.5025x3+0.53945x4,其中,Y为预测PM2.5的平均浓度,其定义与c一样。统计预报方程对全年空气质量预报如图1,可以看出预报值与实测值相比有一致的变化趋势。
重污染案例的判别效果验证
分析未来几天的天气形势,如果符合重污染天气分型的特征,则用建立的判别方程进行预报判别,为进一步分析所建立预报方程对58天重污染的预报效果,用散点图和统计参数来验证评估,采用统计参数标准化平均偏差(NMB)与标准化平均误差(NME)、均方根误差(RMSE)评估模拟结果与实测值的吻合程度,从图2上可以看出,大多散点集中在Y=2x和Y=0.5x之间,预报值与实测值相比有较大的相关系数和较小的NMB值,预报值与实测值的平均值较为吻合,经统计建立的统计预报方程对全年58天重污染日判别率在65%以上,结果较好,显示出建立的判别方程对重污染过程的捕捉能力。
表4 2013年58天重污染模拟值与监测值的统计结果
技术路线图
在实际操作中,预报气象资料为WRF模式的模拟预报结果,WRF模式初始及边界资料为NCAR和NCEP的再分析逐日资料GFS,分辨率为1°×1°,时间分辨率是6h(00:00、06:00、12:00、18:00);地形和下垫面输入资料分别来自USGS 30s全球地形和MODIS下垫面分类资料。
为了验证拟合结果是否准确,将2014~2015年细颗粒物与气象观测数据加入到数据库中,更新并建立新的统计关系。采用新的预报方程对2015年12月北京市2次红色预警期间PM2.5浓度进行验证评估,由图4(a)、4(b)可以看出,预报值与实测值有很好的时间变化趋势,预报方程可以捕捉此次重污染过程,结果较为吻合,可以为预警服务。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种空气重污染天气的预报方法,其特征在于,包括以下步骤:
步骤S1:收集、获取待预报区域的历史气象数据;
步骤S2:选取如下四个气象参数:24小时平均风速、24小时变压、08时850与1000hPa温度之差,以及昨日国控细颗粒物均值浓度作为影响因子;
步骤S3:通过拟合的方式,以选取的气象参数作为因子建立空气重污染预报方程,将所述气象参数的预测值和/或实测值代入所述预报方程中,通过求取方程来对未来待预测的某一天是否为重污染天气进行预测;其中,拟合的所述预报方程为:
其中,c为待预测的某一天的PM2.5的预测日均浓度,a0为常数,a1、a2、a3、a4是回归系数;x1、x2、x3分别为待预测的某一天的24小时平均风速、24小时变压、08时850与1000hPa温度之差的预测值,x4为待预测的某一天的昨日国控细颗粒物均值浓度的实测值或预测值。
2.如权利要求1所述的空气重污染天气的预报方法,其特征在于,所述待预测的某一天能够选取为相对于当前日的今天、明天或后天,分别对应对未来24小时内、24-48小时内或48-72小时内的重污染天气的预测。
3.如权利要求1所述的空气重污染天气的预报方法,其特征在于,x1、x2、x3的数值选自WRF模式的模拟预报结果,WRF模式初始及边界资料为NCAR和NCEP的再分析逐日资料GFS,分辨率为1°×1°,时间分辨率是6h,对应时间为00:00、06:00、12:00、18:00;地形和下垫面输入资料分别来自USGS 30s全球地形和MODIS下垫面分类资料。
4.如权利要求1所述的空气重污染天气的预报方法,其特征在于,对于x4,当预测今天的重污染天气情况时,选用昨日国控细颗粒物均值浓度的实测值;当预测明天或后天的重污染天气情况时,选用相对于明天或后天的昨日国控细颗粒物均值浓度的预测值。
5.如权利要求1所述的空气重污染天气的预报方法,其特征在于,对北京城区拟合的2013年的预报方程为:c=103.23-24.974x1-3.8127x2+1.5025x3+0.53945x4。
6.一种空气重污染天气的预报***,其特征在于,所述预报***基于matlab软件执行如权利要求1至5任意一项所述的空气重污染天气的预报方法,来对未来待预测的某一天的重污染天气进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610081979.9A CN105738974B (zh) | 2016-02-05 | 2016-02-05 | 空气重污染天气的预报方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610081979.9A CN105738974B (zh) | 2016-02-05 | 2016-02-05 | 空气重污染天气的预报方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105738974A CN105738974A (zh) | 2016-07-06 |
CN105738974B true CN105738974B (zh) | 2018-09-11 |
Family
ID=56241958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610081979.9A Active CN105738974B (zh) | 2016-02-05 | 2016-02-05 | 空气重污染天气的预报方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105738974B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704943B (zh) * | 2016-08-09 | 2021-04-02 | 北京市环境保护监测中心 | 一种计算pm2.5分区预报结果的方法 |
CN106339775B (zh) * | 2016-08-23 | 2019-10-11 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
CN106770532B (zh) * | 2016-12-22 | 2019-01-08 | 广州市真量纯科技有限公司 | 一种气体浓度预测装置、及气体浓度实时检测和预测*** |
CN107292417B (zh) * | 2017-05-09 | 2020-03-17 | 北京市环境保护监测中心 | 基于重污染序列案例库的区域重污染判别预报方法及装置 |
CN107590551A (zh) * | 2017-08-16 | 2018-01-16 | 南京航空航天大学 | 一种大气pm2.5浓度变化的预测方法 |
CN107798419A (zh) * | 2017-09-28 | 2018-03-13 | 惠州Tcl移动通信有限公司 | 移动终端及空气质量显示处理方法、及存储介质 |
CN107677777B (zh) * | 2017-10-13 | 2020-09-18 | 深圳博沃智慧科技有限公司 | 一种大气重污染过程智能分析*** |
CN108304610B (zh) * | 2017-12-22 | 2021-05-18 | 中山大学 | 一种大气高污染过程动态追踪方法 |
CN109459801B (zh) * | 2018-10-17 | 2021-01-15 | 国网湖南省电力有限公司 | 基于大气稳定度的大范围雾霾的预报方法及*** |
CN109991684A (zh) * | 2019-04-15 | 2019-07-09 | 南京大学 | 基于飞艇的大气边界层污染物组分垂直观测*** |
CN110286424A (zh) * | 2019-04-15 | 2019-09-27 | 南京大学 | 基于数值统计的客观天气分型方法 |
CN111079314B (zh) * | 2020-01-02 | 2021-02-09 | 上海眼控科技股份有限公司 | 雾监测设备的位置选取方法、装置、计算机设备和介质 |
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 |
CN111612245A (zh) * | 2020-05-18 | 2020-09-01 | 北京中科三清环境技术有限公司 | 大气污染状况预测方法、装置、电子设备及存储介质 |
CN113570163B (zh) * | 2021-09-02 | 2024-06-14 | 河北科技大学 | 基于数学模型的大气臭氧浓度预测方法、***和装置 |
CN114169179A (zh) * | 2021-12-14 | 2022-03-11 | 重庆市生态环境大数据应用中心 | 一种空气质量本底浓度分析方法 |
CN114626458B (zh) * | 2022-03-15 | 2022-10-21 | 中科三清科技有限公司 | 一种高压后部识别方法、装置、存储介质及终端 |
KR102526361B1 (ko) * | 2022-11-09 | 2023-04-26 | 한국외국어대학교 연구산학협력단 | 지역단위의 폭염 및 한파에 대한 지표면효과 분석 시스템 및 방법 |
CN115826099B (zh) * | 2023-02-22 | 2023-06-16 | 无锡中科光电技术有限公司 | 一种天气分型分段回归空气质量统计预报方法 |
CN116228500B (zh) * | 2023-05-08 | 2023-07-25 | 云门(深圳)技术有限公司 | 气象软件的数据处理方法 |
CN116739191B (zh) * | 2023-08-14 | 2023-11-07 | 中科三清科技有限公司 | 热点网格识别方法、装置、存储介质及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850913A (zh) * | 2015-05-28 | 2015-08-19 | 深圳先进技术研究院 | 一种空气质量pm2.5预测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200951888A (en) * | 2008-06-13 | 2009-12-16 | Univ Nat Taiwan | System and method of detecting air pollution, route-planning method applied to said detection system, and warning method of air pollution |
-
2016
- 2016-02-05 CN CN201610081979.9A patent/CN105738974B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850913A (zh) * | 2015-05-28 | 2015-08-19 | 深圳先进技术研究院 | 一种空气质量pm2.5预测方法及*** |
Non-Patent Citations (2)
Title |
---|
北京市空气重污染天气类型分析及预报方法简介;程念亮等;《环境科学与技术》;20150531;第38卷(第5期);第189-194页 * |
基于气象因素的PM2.5质量浓度预测模型;刘杰等;《山东大学学报(工学版)》;20151231;第45卷(第6期);第77页第2栏-第79页第2栏 * |
Also Published As
Publication number | Publication date |
---|---|
CN105738974A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105738974B (zh) | 空气重污染天气的预报方法和*** | |
Li et al. | Modeling urban building energy use: A review of modeling approaches and procedures | |
Guo et al. | A comprehensive evaluation model of regional atmospheric environment carrying capacity: Model development and a case study in China | |
CN113570163B (zh) | 基于数学模型的大气臭氧浓度预测方法、***和装置 | |
Yang et al. | Study of the meteorological influence on ozone in urban areas and their use in assessing ozone trends in all seasons from 2009 to 2015 in Tianjin, China | |
CN108090613A (zh) | 一种进近管制扇区管制员工作负荷预测方法 | |
Chen et al. | The influence of neighborhood-level urban morphology on PM2. 5 variation based on random forest regression | |
CN103487644A (zh) | 电能分项能耗计量方法和装置 | |
Iversen | Modelled and measured transboundary acidifying pollution in Europe—verification and trends | |
Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
Coakley | Calibration of detailed building energy simulation models to measured data using uncertainty analysis | |
Sin et al. | Evaluation on ventilation and traffic pollutant dispersion in asymmetric street canyons with void decks | |
CN110458392A (zh) | 一种风电场运维绩效评价管理方法及*** | |
Wang et al. | Air infiltration rate distribution across Chinese five climate zones: A modelling study for rural residences | |
CN113378357A (zh) | 基于气候适应性的自然通风参数化设计与动态分析方法 | |
CN113834902A (zh) | 一种基于四维变分同化的二氧化硫排放源反演方法 | |
CN116665802B (zh) | 一种用于区域臭氧浓度的评估方法及*** | |
Li et al. | Spatial and temporal evolution characteristics of PM 2.5 in China from 1998 to 2016 | |
Wang et al. | An Overview of Air-Pollution Terrain Nexus. | |
Yu et al. | Performance and diagnostic evaluation of ozone predictions by the eta-community multiscale air quality forecast system during the 2002 New England Air Quality Study | |
Narayanan et al. | Systems approach to energy efficient building operation: case studies and lessons learned in a university campus | |
Fillingham | The influence of CMAQ model resolution on predicted air quality and associated health impacts | |
Wei et al. | A comprehensive approach for thermal comfort analysis in green intelligent buildings using BIM technology | |
He et al. | Analysis and prediction of the influencing factors of China’s secondary industry carbon emission under the new normal | |
Xu et al. | Unveiling vertical ozone variation with UAV-Based monitoring and modeling: A new challenge for city-level ozone pollution control in the pearl river delta region |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |