CN110907319B - 一种近地面细颗粒物的归因分析方法 - Google Patents
一种近地面细颗粒物的归因分析方法 Download PDFInfo
- Publication number
- CN110907319B CN110907319B CN201911082932.4A CN201911082932A CN110907319B CN 110907319 B CN110907319 B CN 110907319B CN 201911082932 A CN201911082932 A CN 201911082932A CN 110907319 B CN110907319 B CN 110907319B
- Authority
- CN
- China
- Prior art keywords
- mass concentration
- meteorological
- contribution
- influence factor
- evolution
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 239000013618 particulate matter Substances 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 32
- 239000000443 aerosol Substances 0.000 claims description 26
- 230000003287 optical effect Effects 0.000 claims description 12
- 238000010521 absorption reaction Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 10
- 230000008033 biological extinction Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 5
- 239000003102 growth factor Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000004836 empirical method Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 abstract description 16
- 230000005540 biological transmission Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 239000010419 fine particle Substances 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000926 atmospheric chemistry Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000011164 primary particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种近地面细颗粒物的归因分析方法，可基于直接观测对PM2.5质量浓度的贡献进行归因分析，与化学传输模型相比，本发明摒弃了排放源的不确定性，增强了观测在归因中的比重，具有计算简单，效率高，更适合近实时的卫星监测业务特点。通过利用影响因子变率与演变量计算的人为和气象主导贡献，获得了人为与气象贡献对PM2.5演变的主导贡献比率，为环境监测和治理提供重要支撑。
Description
技术领域
本发明涉及卫星遥感领域，尤其涉及一种近地面细颗粒物的归因分析方法。
背景技术
大气中的悬浮颗粒物（PM）不仅可散射和吸收太阳辐射，对地气能量平衡产生影响，而且可导致近地面水平能见度降低，对公共交通安全（高速公路、机场等）产生严重威胁。大气颗粒物的增加还可能影响云反照率和生命使，间接引起气候变化。同时，大气颗粒物的环境影响也不容忽视。粒径小于10μm的颗粒物会被人体吸入对呼吸道产生危害，而小于2.5μm的颗粒物（PM2.5）可进入肺泡导致多种疾病。当前，中国的高速发展导致过多的人为颗粒物滞留于大气中，可在短时期内引发公众健康问题。然而，政府机关（美国EPA、中国环境监测总站）布设的近地面大气污染物观测网仅局限于站点观测，很难捕捉PM的区域分布及变化。
近些年，针对气颗粒物的研究大量开展，主要包括以下几种：
（1）比值法，即大气颗粒物与遥感观测获得的气溶胶光学厚度直接进行相关的方法；
（2）统计法，它是利用AOD与PM2.5的统计相关性的设置权重值，对PM2.5进行加权统计计算。
以上两种方法均需要依赖大量地面观测数据（非卫星遥感数据）支撑，不能仅独立使用卫星数据获得近地面细颗粒物浓度。
（3）耦合法，该方法是利用化学传输模型获取AOD与PM2.5之间的比值，传递给卫星观测获得的AOD，进而估计近地面PM2.5。该方法需依赖化学传输模型模拟结果，然而化学传输模型需输入地面排放源信息、气象场信息以及下地面信息，这使得其结果与实际相比偏差很大（此处特指模式获取的AOD与PM2.5的比值）。
然而，上述研究他们都没有对引起近地面PM2.5质量浓度的变化原因进行讨论，这是由于统计模型并不具有物理基础，而大气化学模式影响因素过多，难以厘清。
现有地面PM2.5质量浓度的变化大多使用模型模拟以达到分析成因的目的。化学传输模型作为模型模拟的主要方法，主要是通过开关人为排放源，实现大气细颗粒物的分析。化学传输模型需要外部输入许多信息，其中包括排放源以及气象场。排放源指人为排放的一次颗粒物及其前体物，而当前我国排放源不确定性较大，影响人为贡献的分析结果。图1为化学传输模型模拟获得的颗粒物浓度，与站点观测值差异极大。这充分说明，由于排放源的影响，化学传输模型无法准确捕捉颗粒物浓度。
气象场指来源于全球模式的三维气象网格信息，包含温度、压强、湿度、风速、风向等多种气象要素。由于预测参数多，仅可表征环境承载力的气象参数就多达200余个，主要变量包含：位温、x向风速、y向风速、z向风速、大气柱干空气质量、比湿、水汽混合比、云水混合比、雨水混合比、雪混合比、地面气压、10米x向风速、10米y向风速、边界层湍流通量、土壤分层温度、冠层水含量、湖泊深度、城市摩擦系数、叶面积指数、长波辐射通量、短波辐射通量等。同时，它们之间相互关联，难以准确表征气象贡献。
通过化学传输模型进行分析时，当讨论人为影响，通常以工业革命以前的排放源输入模式作为初值，以当前最新的排放源（通常使用东亚排放源）作为对比值，二者相减获得人为影响。当讨论气象影响时，则排放源不变，仅依赖外部输入的气象场产生的变化驱动颗粒物的扩散影响，计算不同年份的差异估计气象影响。然而，这种方法过度依赖近地面排放源信息。近地面排放源与经济发展密切相关，且其时间变化显著。目前，东亚排放源仅更新至2010年，显然无法满足研究需要。此外，基于地面采样观测的大气化学研究发现，重点城市（例如北京）区域的PM2.5的来源中，二次气溶胶贡献较多，人为因素起重要作用，但化学模式中的化学反演机制复杂，目前还难以将这些区域中PM2.5质量浓度的持续增长与排放清单变化关联，并且难以解释短期爆发性增长。
另外，化学传输模型计算量巨大，耗费机时严重。利用典型的区域模式，使用64个CPU，计算亚欧大陆区域的3重网格嵌套（81km-27km-9km，内网格区域仅地市范围），模拟2小时就需实际耗时37分钟。由此推测，若模拟15年数据，则需耗时4年时间。
因此，目前迫切需要通过长期、面覆盖观测数据，进行各前体物和直接相关因素的分析。
发明内容
针对现有技术存在的问题，本发明的目的在于提供一种利用卫星遥感估计近地面细颗粒物的人为和气象归因分析方法，直接利用观测信息解决PM2.5质量浓度贡献的人为和气象因素的归因分析。
为实现上述目的，本发明的技术方案如下：
一种近地面细颗粒物的归因分析方法，包括以下步骤：
1）建立PM2.5遥感PMRS模型，对基于卫星观测的近地面PM2.5质量浓度进行估计，模型公式如下：
其中：AOD是气溶胶光学厚度；FMF是细模态气溶胶占总光学厚度的比例；VEf是以FMF为自变量的体积消光比参数，该参数通过经验方法拟合获取；PBLH是行星边界层高度；RH为环境相对湿度；ρf,dry是细颗粒物有效密度；f0表征以RH为自变量的细颗粒物吸湿增长因子；
2）基于物理机理明确的PM2.5遥感PMRS模型，导出模型各影响因子对PM2.5质量浓度的贡献，具体过程如下：
首先对模型公式取对数：
然后进一步求导并整理，得到公式如下：
得到各影响因子对PM2.5质量浓度的贡献；
3）进行归因分析：
首先从理论角度计算各影响因子的相对变化率：
其中：RV代表相对变化率，x代表模型中的影响因子，对比影响因子变化一个单位其相对变化率的敏感度，滤除不敏感因素，计入残差内；
通过相对变化率找到关键变量后，估算各个影响因子对PM2.5质量浓度演变的时空变化率，分析主要影响因子及地域性差异，对比它们贡献的基底值和演变趋势，依据其相对变化率及物理意义归因为人为主导和气象主导贡献，人为和气象主导贡献可表达为：
利用卫星遥感得到的观测信息，对中国污染区域的近地面PM2.5质量浓度的演变贡献进行计算，得到人为和气相因素对近地面颗粒物的影响。
进一步，步骤2）中，通过雅克比矩阵将各影响因子对PM2.5质量浓度的影响解析出来。
进一步，步骤3）中，通过各影响因子的相对变化率得到密度参数对PM2.5质量浓度的影响是相对不重要的。
本发明中的近地面细颗粒物的归因分析方法可基于直接观测对PM2.5质量浓度的贡献进行归因分析，与化学传输模型相比，本发明摒弃了排放源的不确定性，增强了观测在归因中的比重，具有计算简单，效率高，更适合近实时的卫星监测业务特点。
附图说明
图1为化学传输模式模拟颗粒物浓度与站点观测对比；
图2为气溶胶在不同混合层高度下近地面细颗粒物质量浓度及误差示意图；
图3为气溶胶在环境相对湿度下吸湿增长引起的变化示意图；
图4为AOD、FMF、PBLH及密度在参数合理值域内相对变化率的变化情况；
图5为中国污染区域连续15年的近地面PM2.5质量浓度的演变人为和气象贡献；
图6为本发明中近地面细颗粒物的归因分析方法的逻辑流程图。
具体实施方式
在本实施方式的描述中，术语“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系均为基于附图所示的方位或位置关系，仅仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为特定指示或暗示相对重要性。
为了更加清晰的对本发明中的技术方案进行阐述，下面以具体实施例的形式进行说明。
实施例
本发明中的近地面细颗粒物的归因分析方法，研究目标是对PM2.5质量浓度的变化进行人为和气相因素归因分析，基础建立在一种具有物理基础的遥感估计方法，该遥感估计方法为PM2.5遥感（PMRS）模型，模型具体公式如下：
其中：AOD是气溶胶光学厚度；FMF是细模态气溶胶占总光学厚度的比例；VEf是以FMF为自变量的体积消光比参数，该参数通过经验方法拟合获取；PBLH是行星边界层高度；RH为环境相对湿度；ρf,dry是细颗粒物有效密度；f0表征以RH为自变量的细颗粒物吸湿增长因子；
基于物理机理明确的PMRS模型，本发明的目的在于发展基于遥感观测的PM2.5质量浓度演变归因分析方法。PM2.5质量浓度的演变受到PMRS模型中关键参数的影响，AOD表征一个大气柱内的气溶胶消光总和，可在一定程度上说明颗粒物的浓度大小。细粒子比（FMF）则表达细颗粒物占总颗粒物中的份额，AOD与FMF的乘积即可表征大气中悬浮的细颗粒物的对可见光的削弱程度。再利用体积消光比这一桥梁参数，即可将颗粒物的消光转化为颗粒物的物理体积。进一步的，PMRS模型中包含垂直订正和吸湿订正两个部分，分别由边界层高度-垂直模型和相对湿度-吸湿模型解决。首先，对于垂直模型，通常的研究假设近地面消光随高度呈e指数递减的垂直分布状态，因此整层气溶胶光学厚度与近地面气溶胶光学厚度可用kext=AOD/H估计。当仅混合层高度变化时，气溶胶整层光学厚度并不发生变化，直接利用AOD估计PM2.5得到的结果也是不变化的，但由于混合层高度不同，因此，近地面的颗粒物浓度发生了变化。我们以混合层高度为1km的情况作为参考值，变化混合层高度(如图2所示)。当气溶胶混合层从1km增加时，误差随之增加，而当混合层高度降低时，误差也增加。混合层高度每增加或者减少真值的1/2，相对误差会增加50%。
在理论计算颗粒物散射与其质量浓度的关系时，环境相对湿度对颗粒物吸湿增长引起的散射影响十分重要。由于颗粒物吸湿后，散射和密度都有变化。气溶胶体积增长使颗粒物含水部分被错误的认为是高密度的固态物质，因此造成颗粒物质量浓度的高估。遥感反演的粒子谱分布中并没有区分水和干气溶胶物质，而站点观测PM2.5质量浓度时却是干气溶胶浓度。因此在估计过程中，气溶胶吸湿性订正是必要的。否则将水的体积按照气溶胶物质密度计算将造成较大误差。气溶胶光学厚度的吸湿增长订正因子可利用吸湿订正因子计算：
利用吸湿增长因子计算干气溶胶在不同环境相对湿度时消光的变化情况。假设气溶胶密度和体积谱分布不变的情况下，当环境相对湿度由10%变化到40%时，气溶胶吸湿增长引起的散射系数变化并不明显，而当环境相对湿度变化超过40%时，散射增长明显增强(如图3所示)。仅依赖气溶胶光学厚度计算获得的细颗粒物质量浓度随着消光的增加虚假增长。当环境相对湿度在80%时，相对误差增长到350%。
因此，模型各因子对PM2.5质量浓度的贡献可由其变化率与变化量的乘积解释。
首先对模型公式取对数：
然后进一步求导并整理，得到公式如下：
上述求导公式即表征了各影响因子对PM2.5质量浓度的贡献，该步骤是一种带有物理意义的数学解算方法。取对数的目的在于将原本是乘积形式的变量分解，以便寻找他们独立的影响。求导获得的是每一个变量，在自身变化1个单位长度的情况下，对PM2.5质量浓度的影响，通过该种方式可以清楚的看出每一个变量的贡献。
其中，每个加号前面的偏导数都是一个梯度的表达，他们可作为一个矢量，叫做雅克比矩阵，我们利用该矩阵将各变量对PM的影响解析出来，然后进行后续的归因分析。
归因分析首先从理论角度计算各影响因子的相对变化率：
其中：RV代表相对变化率，x代表模型中的影响因子，对比影响因子变化一个单位其相对变化率的敏感度，滤除不敏感因素，计入残差内；
图4中表现了不同变量的相对变率在合理值域内的变化情况，由图可知，除密度变量外，其他变量均具有显著的变化，因此密度对PM2.5质量浓度的影响是相对不重要的。然而，相对密度体现出较小的改变，因此将它与高阶小量合并作为归因分析的残差。
进而，估算各个影响因子对PM2.5质量浓度演变的时空变化率，分析主要影响因子及地域性差异。对比它们贡献的基底值和演变趋势，依据其相对变化率及物理意义归因为人为主导和气象主导贡献。人为和气象主导贡献可表达为：
利用卫星遥感产品和再分析资料，对中国污染区域的近地面PM2.5的演变贡献进行计算，得到人为和气相因素对近地面颗粒物的影响。本实施例中进行了自2001年至2015年15年的计算分析，得到了人为和气相因素对PM2.5质量浓度的影响，参见图5。从图中可以看出，人为活动对近地面细颗粒物的贡献起到主要影响，从2001年至2007年逐步攀升。2008年由于蓝天行动等治理项目的陆续启动，人为活动对细颗粒物浓度的贡献下降显著。而气象贡献则相反，自2004年以来，气象贡献小幅缓慢上升，直至2015年，其对近地面PM2.5的缓解作用逐渐消失。维持这种变化趋势，在未来气象条件变化引起的对近地面细颗粒物的贡献很可能趋于正直，从而增加近地面污染物累积。本发明中的归因分析方法的逻辑流程图参见图6。
需要重点指出的是，本发明通过利用影响因子变率与演变量计算的人为和气象主导贡献，获得了人为与气象贡献对PM2.5演变的主导贡献比率，为环境监测和治理提供重要支撑。
最后，可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域普通技术人员而言，在不脱离本发明的原理和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (3)
1.一种近地面细颗粒物的归因分析方法，其特征在于，包括以下步骤：
1）建立PM2.5遥感PMRS模型，对基于卫星观测的近地面PM2.5质量浓度进行估计，模型公式如下：
其中：AOD是气溶胶光学厚度；FMF是细模态气溶胶占总光学厚度的比例；VEf是以FMF为自变量的体积消光比参数，该参数通过经验方法拟合获取；PBLH是行星边界层高度；RH为环境相对湿度；ρf,dry是细颗粒物有效密度；f0表征以RH为自变量的细颗粒物吸湿增长因子；
2）基于物理机理明确的PM2.5遥感PMRS模型，导出模型各影响因子对PM2.5质量浓度的贡献，具体过程如下：
首先对模型公式取对数：
然后进一步求导并整理，得到公式如下：
得到各影响因子对PM2.5质量浓度的贡献；
3）进行归因分析：
首先从理论角度计算各影响因子的相对变化率：
其中：RV代表相对变化率，x代表模型中的影响因子，对比影响因子变化一个单位其相对变化率的敏感度，滤除不敏感因素，计入残差内；
通过相对变化率找到关键变量后，估算各个影响因子对PM2.5质量浓度演变的时空变化率，分析主要影响因子及地域性差异，对比它们贡献的基底值和演变趋势，依据其相对变化率及物理意义归因为人为主导和气象主导贡献，人为和气象主导贡献可表达为：
利用卫星遥感观测信息，对中国污染区域的近地面PM2.5质量浓度的演变贡献进行计算，得到人为和气象因素对近地面颗粒物的影响。
2.根据权利要求1所述的归因分析方法，其特征在于，所述步骤2）中，通过雅克比矩阵将各影响因子对PM2.5质量浓度的影响解析出来。
3.根据权利要求1所述的归因分析方法，其特征在于，所述步骤3）中，通过各影响因子的相对变化率得到密度参数对PM2.5质量浓度的影响是相对不重要的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911082932.4A CN110907319B (zh) | 2019-11-07 | 2019-11-07 | 一种近地面细颗粒物的归因分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911082932.4A CN110907319B (zh) | 2019-11-07 | 2019-11-07 | 一种近地面细颗粒物的归因分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110907319A CN110907319A (zh) | 2020-03-24 |
| CN110907319B true CN110907319B (zh) | 2021-02-09 |
Family
ID=69816629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911082932.4A Active CN110907319B (zh) | 2019-11-07 | 2019-11-07 | 一种近地面细颗粒物的归因分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110907319B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111912754B (zh) * | 2020-07-23 | 2023-03-28 | 安徽省气象科学研究所 | 一种近地面颗粒物浓度的遥感反演方法 |
| CN113327136B (zh) * | 2021-06-23 | 2023-06-02 | 中国平安财产保险股份有限公司 | 归因分析方法、装置、电子设备及存储介质 |
| CN117521546A (zh) * | 2023-11-07 | 2024-02-06 | 中国水利水电科学研究院 | 一种考虑时间过程的潜在蒸散发变化归因分析方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105528650A (zh) * | 2015-12-02 | 2016-04-27 | 江苏省电力公司信息通信分公司 | 基于主成分分析和bp神经网络的机房温湿度预测方法 |
| JP2017086284A (ja) * | 2015-11-06 | 2017-05-25 | 大和ハウス工業株式会社 | 睡眠アドバイスシステム |
| CN107491566A (zh) * | 2016-06-12 | 2017-12-19 | 中国科学院城市环境研究所 | 一种定量化研究城市森林对pm2.5净化作用的方法 |
| CN109408848A (zh) * | 2018-08-24 | 2019-03-01 | 河海大学 | 一种考虑径流演变时空异质性的分布式归因方法 |
| CN109916788A (zh) * | 2019-01-14 | 2019-06-21 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
| CN110261272A (zh) * | 2019-07-05 | 2019-09-20 | 西南交通大学 | 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法 |
-
2019
- 2019-11-07 CN CN201911082932.4A patent/CN110907319B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017086284A (ja) * | 2015-11-06 | 2017-05-25 | 大和ハウス工業株式会社 | 睡眠アドバイスシステム |
| CN105528650A (zh) * | 2015-12-02 | 2016-04-27 | 江苏省电力公司信息通信分公司 | 基于主成分分析和bp神经网络的机房温湿度预测方法 |
| CN107491566A (zh) * | 2016-06-12 | 2017-12-19 | 中国科学院城市环境研究所 | 一种定量化研究城市森林对pm2.5净化作用的方法 |
| CN109408848A (zh) * | 2018-08-24 | 2019-03-01 | 河海大学 | 一种考虑径流演变时空异质性的分布式归因方法 |
| CN109916788A (zh) * | 2019-01-14 | 2019-06-21 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
| CN110261272A (zh) * | 2019-07-05 | 2019-09-20 | 西南交通大学 | 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法 |
Non-Patent Citations (1)
| Title |
|---|
| 星载传感器和地基观测网FMF数据融合及其在PM2.5遥感估算中的应用;赵爱梅;《中国优秀硕士学位论文全文数据库工程科技I辑》;20180215(第2期);第47-49页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110907319A (zh) | 2020-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Particle hygroscopicity and its link to chemical composition in the urban atmosphere of Beijing, China, during summertime | |
| Tian et al. | Aerosol vertical distribution and optical properties over China from long-term satellite and ground-based remote sensing | |
| Denjean et al. | Size distribution and optical properties of mineral dust aerosols transported in the western Mediterranean | |
| CN110907319B (zh) | 一种近地面细颗粒物的归因分析方法 | |
| Zaveri et al. | Particle‐resolved simulation of aerosol size, composition, mixing state, and the associated optical and cloud condensation nuclei activation properties in an evolving urban plume | |
| Leng et al. | Insights into a historic severe haze event in Shanghai: synoptic situation, boundary layer and pollutants | |
| Chen et al. | Observation of aerosol optical properties and particulate pollution at background station in the Pearl River Delta region | |
| Begum et al. | Evaluation of the potential source contribution function using the 2002 Quebec forest fire episode | |
| Massling et al. | Atmospheric black carbon and sulfate concentrations in Northeast Greenland | |
| Levi et al. | On the association between characteristics of the atmospheric boundary layer and air pollution concentrations | |
| Yumimoto et al. | JRAero: the Japanese reanalysis for aerosol v1. 0 | |
| Devi et al. | Observation-based 3-D view of aerosol radiative properties over Indian Continental Tropical Convergence Zone: implications to regional climate | |
| Cirino et al. | Observations of Manaus urban plume evolution and interaction with biogenic emissions in GoAmazon 2014/5 | |
| Blanco‐Alegre et al. | Below‐cloud scavenging of fine and coarse aerosol particles by rain: The role of raindrop size | |
| Castagna et al. | Multiscale assessment of the impact on air quality of an intense wildfire season in southern Italy | |
| Formenti et al. | STAAARTE‐MED 1998 summer airborne measurements over the Aegean Sea 1. Aerosol particles and trace gases | |
| Kang et al. | Temporal variations of PM concentrations, and its association with AOD and meteorology observed in Nanjing during the autumn and winter seasons of 2014–2017 | |
| Guth et al. | Primary aerosol and secondary inorganic aerosol budget over the Mediterranean Basin during 2012 and 2013 | |
| Kim et al. | Chemical apportionment of shortwave direct aerosol radiative forcing at the Gosan super-site, Korea during ACE-Asia | |
| CN110907318B (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 | |
| CN116466368B (zh) | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 | |
| Genç Tokgöz | Temporal variation in aerosol composition at northwestern Turkey | |
| Zalakeviciute et al. | Chemically-resolved aerosol eddy covariance flux measurements in urban Mexico City during MILAGRO 2006 | |
| Hervo et al. | Long term measurements of optical properties and their hygroscopic enhancement | |
| Antokhin et al. | Optik-É AN-30 aircraft laboratory for studies of the atmospheric composition |
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 |