CN111126710B - 一种大气污染物预测方法 - Google Patents

一种大气污染物预测方法 Download PDF

Info

Publication number
CN111126710B
CN111126710B CN201911383025.3A CN201911383025A CN111126710B CN 111126710 B CN111126710 B CN 111126710B CN 201911383025 A CN201911383025 A CN 201911383025A CN 111126710 B CN111126710 B CN 111126710B
Authority
CN
China
Prior art keywords
diffusion
pollutant
target grid
grid
data
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
Application number
CN201911383025.3A
Other languages
English (en)
Other versions
CN111126710A (zh
Inventor
陆川
何兴有
熊文轩
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.)
Chengdu Star Age Aerospace Technology Co ltd
Original Assignee
Chengdu Star Age Aerospace 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 Chengdu Star Age Aerospace Technology Co ltd filed Critical Chengdu Star Age Aerospace Technology Co ltd
Priority to CN201911383025.3A priority Critical patent/CN111126710B/zh
Publication of CN111126710A publication Critical patent/CN111126710A/zh
Application granted granted Critical
Publication of CN111126710B publication Critical patent/CN111126710B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
    • G01N2013/003—Diffusion; diffusivity between liquids

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)

Abstract

本发明的实施例提供了一种大气污染物预测方法。所述方法包括获取污染物的大气容量以及风力风向数据；采用双立方卷积法对获取到的数据进行加权插值；设定待预报区域，从加权插值后的数据中提取待预报区域对应的数据；将待预报区域目标网格对应的数据进行融合计算，得到污染物扩散预测值。以此方式，可以通过监测污染物在待预报区域内的分布情况，引入风力和风向因素，模拟污染物扩散的物理位移过程，预测污染物的移动趋势，以便预测待预报区域未来的大气环境情况，从而为有关部门提供数据基础，提前采取干预措施，有效控制和防治大气污染。

Description

一种大气污染物预测方法
技术领域
本发明的实施例一般涉及电子与信息技术领域和航天领域，并且更具体地，涉及一种大气污染物预测方法。
背景技术
近年来，随着工业化、城镇化的深入推进，且煤炭和石油燃料等能源消耗持续增加，造成大气环境急速恶化，污染事件频发。
在大气环境污染中，以区域性问题最为突出，因每个地区的工业化、城镇化程度不一致，因此每个地区的大气环境污染情况也不相同。其中，造成大气环境污染的具有代表性的污染颗粒物有二氧化硫(SO2)和二氧化氮(NO2)。
一个区域的大气环境中的污染物会严重影响着该地区群众的身体健康以及出行计划，如果能够提前获知未来一段时间大气环境中的污染程度，会极大地便利当地人的生活。因此为了监控每个地区的大气环境污染情况，我国很多地区都设立了监测设备，其监测设备可通过不同手段对大气环境中的污染颗粒物浓度进行测量从而得出当地的大气环境污染情况，然而就目前而言，每个地区的监测设备布局的密集程度不一致，从而导致有的区域预测的准确，有的区域预测的与实际情况相差甚远；且目前的监测设备仅能实时监测当前大气环境中污染物颗粒浓度，无法对未来一段时间的环境中的污染程度进行预测从而无法有效地协助相关部门有效地控制和防治大气污染。
发明内容
根据本发明的实施例，提供了一种大气污染物预测方案。通过本方案，监测污染物在待预报区域内的分布情况，引入风力和风向因素，模拟污染物扩散的物理位移过程，预测污染物的移动趋势，以便预测待预报区域未来的大气环境情况，从而为有关部门提供数据基础，提前采取干预措施，有效控制和防治大气污染。
本发明提供了一种大气污染物预测方法。该方法包括：获取全球范围内的污染物的大气容量以及风力风向数据；
采用立方卷积法分别对获取到的污染物的大气容量以及风力风向数据进行加权插值，得到加权插值后的污染物的大气容量和加权插值后的风力风向数据；
将所述加权插值后的污染物的大气容量和所述加权插值后的风力风向数据进行融合计算，得到污染物扩散预测值。
进一步地，所述污染物的大气容量为网格数据，用于表示每个网格区域内，污染物从地面到大气顶部的总含量；
所述风力风向数据为网格数据，包括每个网格区域内的风速数据和风向数据，所述每个网格区域内的风速数据包括网格在经度方向上的风速数据和/或网格在纬度方向上的风速数据。
进一步地，所述网格区域为由两条相邻经度线和两条相邻纬度线共同组成的矩形区域，该矩形区域包含获取到的最小数据单元。
进一步地，将所述加权插值后的污染物的大气容量和所述加权插值后的风力风向数据进行融合计算，得到污染物扩散预测值，包括：
设定待预报区域，根据待预报区域所包括的经纬度信息，分别从所述加权插值后的污染物的大气容量和所述加权插值后的风力风向数据中提取所述待预报区域内对应的数据；
将所述待预报区域内的污染物的大气容量和所述加权插值后的风力风向数据进行融合计算，得到所述待预报区域内的污染物扩散预测值。
进一步地，所述将所述待预报区域内的污染物的大气容量和所述加权插值后的风力风向数据进行融合计算，包括：
如果目标网格的加权插值后风力风向数据中的风速数据包括网格在经度方向上的风速数据或网格在纬度方向上的风速数据，则计算在经过预设时间扩散后，目标网格的污染物沿风速对应方向的预测值作为该目标网格的污染物在经过预设时间扩散后的预测值。
进一步地，所述将所述待预报区域内的污染物的大气容量和所述加权插值后的风力风向数据进行融合计算，包括：
如果目标网格的加权插值后风力风向数据中的风速数据包括网格在经度方向上的风速数据和在纬度方向上的风速数据，则计算在经过预设时间后，目标网格的污染物沿经度方向和沿纬度方向扩散后的污染物预测值。
进一步地，如果目标网格的加权插值后风力风向数据中的风速数据包括网格在纬度方向上的风速数据，则计算在经过预设时间扩散后，所述目标网格的污染物沿纬度方向的预测值，包括：
计算目标网格在预设时间内沿纬度方向扩散的污染物的大气容量：
w(z)＝k×p(x,y)(z)×p(x,y)(g)×t
其中，w(z)为目标网格在预设时间内沿纬度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(g)为在扩散前，目标网格p(x,y)点的污染物在纬度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿纬度方向的污染物扩散增量：
w(g)＝k×p(x-1,y)(z)×p(x-1,y)(g)×t
其中，w(g)为在经过t时间扩散后，目标网格p(x,y)点沿纬度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(g)为在扩散前，p(x-1,y)点的污染物的在纬度方向的风速数据；
在经过预设时间扩散后，计算目标网格的污染物沿纬度方向的预测值：
p(x,y)(e)＝p(x,y)(z)-w(z)+w(g)
其中，p(x,y)(e)为在经过t时间的扩散后，目标网格p(x,y)点的污染物沿纬度方向预测值；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，w(z)为在经过t时间后，目标网格p(x,y)点的污染物的大气容量；w(g)为在经过t时间后，目标网格p(x,y)点沿纬度方向的污染物的扩散增量；
如果目标网格的加权插值后风力风向数据中的风速数据包括网格在经度方向上的风速数据，则计算在经过预设时间扩散后，所述目标网格的污染物沿经度方向扩散的大气污染物扩散预测值，包括：
计算目标网格在预设时间内沿经度方向扩散的污染物的大气容量：
q(z)＝k×p(x,y)(z)×p(x,y)(m)×t
其中，q(z)为目标网格在预设时间内沿经度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(m)为在扩散前，目标网格p(x,y)点的污染物在经度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿经度方向的污染物扩散增量：
h(g)＝k×p(x,y-1)(z)×p(x,y-1)(m)×t
其中，h(g)为在经过t时间扩散后，目标网格p(x,y)点沿经度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(m)为在扩散前，p(x-1,y)点的污染物的在经度方向的风速数据；
在经过预设时间扩散后，计算目标网格的污染物沿经度方向的预测值：
p(x,y)(r)＝p(x,y)(z)-q(z)+h(g)
其中，p(x,y)(r)为在经过t时间的扩散后，目标网格p(x,y)点的污染物沿经度方向预测值；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，q(z)为在经过t时间后，目标网格p(x,y)点的污染物的大气容量；h(g)为在经过t时间后，目标网格p(x,y)点沿经度方向的污染物的扩散增量。
进一步地，如果目标网格的加权插值后风力风向数据中的风速数据包括网格在经度方向上的风速数据和在纬度方向上的风速数据，则计算在经过预设时间后，目标网格的污染物沿经度方向和沿纬度方向扩散后的污染物预测值，包括：
计算目标网格在预设时间内沿纬度方向扩散的污染物的大气容量：
w(z)＝k×p(x,y)(z)×p(x,y)(g)×t
其中，w(z)为目标网格在预设时间内沿纬度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(g)为在扩散前，目标网格p(x,y)点的污染物在纬度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿纬度方向的污染物扩散增量：
w(g)＝k×p(x-1,y)(z)×p(x-1,y)(g)×t
其中，w(g)为在经过t时间扩散后，目标网格p(x,y)点沿纬度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(g)为在扩散前，p(x-1,y)点的污染物的在纬度方向的风速数据；
计算目标网格在预设时间内沿经度方向扩散的污染物的大气容量：
q(z)＝k×p(x,y)(z)×p(x,y)(m)×t
其中，q(z)为目标网格在预设时间内沿经度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(m)为在扩散前，目标网格p(x,y)点的污染物在经度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿经度方向的污染物扩散增量：
h(g)＝k×p(x,y-1)(z)×p(x,y-1)(m)×t
其中，h(g)为在经过t时间扩散后，目标网格p(x,y)点沿经度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(m)为在扩散前，p(x-1,y)点的污染物的在经度方向的风速数据；
在经过预设时间扩散后，计算目标网格的污染物沿经度方向和沿纬度方向扩散后的污染物预测值：
p(x,y)(s)＝p(x,y)(z)-q(z)+h(g)-w(z)+w(g)
其中，p(x,y)(s)为在经过t时间的扩散后，目标网格p(x,y)点的污染物沿经度方向和沿纬度方向扩散后的污染物预测值。
进一步地，还包括：
将污染物扩散预测值划分成多个区间，对每一个区间进行颜色赋值，通过待预报区域内的每个网格内的污染物扩散预测值所处的区间和该区间赋值的颜色对待预报区域内的每个网格进行填色。
进一步地，还包括：
将每个网格对应的污染物扩散预测值对应标注到每个网格内，通过数字将待预报区域内每个网格对应的污染物扩散预测值进行呈现。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本发明的实施例的大气污染物预测方法的流程图；
图2示出了根据本发明的实施例的污染物的大气容量原图网格及其周围进行加权插值的网格示意图；
图3示出了根据本发明的实施例的污染物的大气容量加权插值后得到的中心网格示意图；
图4示出了根据本发明的实施例的原始网格与加权插值后网格位置对应示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中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作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明中，通过监测污染物在待预报区域内的分布情况，引入风力和风向因素，模拟污染物扩散的物理位移过程，预测污染物的移动趋势，以便预测待预报区域未来的大气环境情况，从而为有关部门提供数据基础，提前采取干预措施，有效控制和防治大气污染。
图1示出了根据本发明的实施例的大气污染物预测方法的流程图。
S101，获取全球范围内的污染物的大气容量以及风力风向数据。
污染物的大气容量用于表示污染物从地面到大气顶部的总含量，其数据的类型为网格数据。
作为本发明的一种实施例，所述污染物的大气容量的获取来源为公开发布的Aura卫星OMI(Ozone Monitoring Instrument)。OMI是臭氧层观测仪，是AURA卫星的4个星载传感器之一，它是由荷兰航空局和芬兰气象所提供，由两家荷兰公司以及三家芬兰公司共同制造。在本实施例中，获取公开发布的Aura卫星OMI(Ozone Monitoring Instrument)中SO2与NO2数据，SO2与NO2数据的空间分辨率是13km×24km。SO2与NO2的数据值表示整个13km×24km网格内大气总柱的总含量。大气总柱为从地面到大气顶部的区域。
风力风向数据为网格数据，包括每个网格区域内的风速数据和风向数据，所述每个网格区域内的风速数据包括网格在经度方向上的风速数据和/或网格在纬度方向上的风速数据。而未来一般指未来几小时，其具体时间与数据源提供的数据预测时间一致。
作为本发明的一种实施例，所述风力风向数据的获取来源为公开发布的NOAA卫星GFS。GFS是美国国家环境预报中心公开发布的全球预报***，该***每天发布4次全球范围的气象数据，分辨率最高可达到0.25°x 0.25°。每次发布的数据保存在命名为gfs.YYYYMMDDHH的文件夹中。GFS数据以全球范围(经度0°-360°，纬度-90°-90°)采用标准0.25°×0.25°(约28km×28km)进行分格。本次需要的数据精度为0.25°(0p25)，所以数据格式为：gfs.t{HH}z.pgrb2.0p25.f{XXX}，其中HH表示发布的时间，XXX表示未来几小时的气象预测数据。例如gfs.t00z.pgrb2.0p25.f001表示0时发布的未来1小时气象预测数据。全球天气预报***(GFS)采用的NOAA气象卫星，该NOAA平时有两颗卫星运行，且上述两个卫星的轨道是接近正圆的太阳同步轨道，其该两卫星的轨道高度分别为870千米和833千米，轨道倾角为98.9°和98.7°。因此通过上述两个卫星可以获取到地球上所有地点的气象参数。
先从全球预报***(GFS)发布的数据中获取到我们需要的一种或多种气象参数数据，然后根据获取的一种或多种气象参数数据生成气象数据统计表，以便能够获取全球不同地区的温度、风向、风速、地面气压、湿度等参数的数据。具体地，在获取数据时，既可从全球预报***(GFS)发布的数据中只下载我们想要的数据，而不下载多余的数据，这样在后期处理时，便不用进行数据筛选。当然，也可将全球预报***(GFS)发布的数据都先下载下来，并在生成气象数据统计表之前在挑选出我们想要的数据，而去掉我们不需要的数据，以便能够降低后期数据处理的工作量。例如气象预测数据中包含有温度、降水、风向、风速等数据，我们从中提取风向和风速数据作为风力风向预测数据。
进一步地，所述网格区域为由两条相邻经度线和两条相邻纬度线共同组成的矩形区域，该矩形区域包含获取到的最小数据单元。
作为一种本发明的实施例，优选地，网格区域与获取到的Aura卫星OMI的污染物的大气容量和获取到的全球预报***(GFS)的气象数据的网格区域一致。
S102，采用立方卷积法分别对获取到的污染物的大气容量以及风力风向数据进行加权插值，得到加权插值后的污染物的大气容量和加权插值后的风力风向数据。
由于S101中获取到的数据至少包括两种，如污染物的大气容量和风力风向数据，由于每种数据的网格规格大小相互不一致，例如污染物SO2和NO2的大气容量的网格规格为13km×24km，而风力风向数据的网格规格则为28km×28km。故首先需要将不同规格的网格数据进行缩放，统一成规格一致的网格数据。需要对图像数据进行加权插值，使图像数据实现缩放处理。
作为本发明的一种实施例，采用立方卷积法分别对获取到的污染物的大气容量进行加权插值，使得污染物的大气容量和风力风向数据的网格数据都重新相同规格的网格数据。例如都重新生成13km×13km的格网数据。由于采用等间距采样，生成的网格上的任意一个网格B(X,Y)的值都是对应原图16个网格值(4×4)运算加权平均的结果，如图2所示。设原图网格值为W(z)，插值后的网格值为W(z1)，则有：
Figure BDA0002342743080000101
其中，h为采样间隔，c为采样点的参数，n为采样个数。
在图2中，p(x,y)点就是如图3所示的目标图像B(x,y)处对应于原图像的位置，由于原始网格大小与插值后的网格大小不一致，所以P的坐标位置会出现小数部分，如图4所示。故，假设P的坐标为P(x+u,y+v)，其中x,y分别表示整数部分，u,v分别表示小数部分，u代表行数偏差，v代表列数偏差。那么我们就可以得到最近16个网格的位置，在这里用p(i,j)，(i,j＝-1,0,1,2)来表示。16个像素取值为(i-1,j-1)、(i-1,j)、(i-1,j+1)、(i-1,j+2)、(i,j-1)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j-1)、(i+1,j)、(i+1,j+1)、(i+1,j+2)、(i+2,j-1)、(i+2,j)、(i+2,j+1)、(i+2,j+2)。
加权插值的目的就是通过找到一个权重参数，可以把这16个网格，对于插值后的网格值的影响参数找出来，从而根据这个影响参数来获得目标图像对应点的像素值。
以p(0,0)为例，比如p(0,0)距离原始网格P(x+u,y+v)的距离为(1+u,1+v)。首先构造卷积插值中的核心计算函数u(s)：
Figure BDA0002342743080000111
其中，a取-0.5；这样可以得到行系数：c_i_0＝w(1+u)，列系数c_j_0＝w(1+v)，通过计算可获得行和列对应的系数，由c＝ci*cj，可以获得相连每个网格p(i，j)的权值参数，最后通过上述求和公式可以得到目标网格B(X,Y)对应的像素值。
作为本发明的一种实施例，采用双立方卷积法对获取到的风力风向数据进行加权插值，重新生成13km×13km的格网数据。由于采用等间距采样，生成的网格上的任意一个网格G(X,Y)的值都是对应原图16个网格值(4×4)运算加权平均的结果。设原图网格值为W(Z)，插值后的网格值为W(Z1)，则有：
Figure BDA0002342743080000112
其中，h为采样间隔，c为采样点的参数，n为采样个数。
设H点就是目标图像G(X,Y)处对应于原图像中的位置，由于原始网格大小与插值后的网格大小不一致，所以H点的坐标位置会出现小数部分。故，假设H的坐标为H(x+u,y+v)，其中x,y分别表示整数部分，u,v分别表示小数部分，u代表行数偏差，v代表列数偏差。那么我们就可以得到最近16个网格的位置，在这里用h(i,j)，(i,j＝-1,0,1,2)来表示。16个像素取值为(i-1,j-1)、(i-1,j)、(i-1,j+1)、(i-1,j+2)、(i,j-1)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j-1)、(i+1,j)、(i+1,j+1)、(i+1,j+2)、(i+2,j-1)、(i+2,j)、(i+2,j+1)、(i+2,j+2)。
加权插值的目的就是通过找到一个权重参数，可以把这16个网格，对于插值后的网格值的影响参数找出来，从而根据这个影响参数来获得目标图像对应点的像素值。
以h(0,0)为例，比如h(0,0)距离原始网格H(x+u,y+v)的距离为(1+u,1+v)。首先构造卷积插值中的核心计算函数u(s)：
Figure BDA0002342743080000121
其中，a取-0.5；这样可以得到行系数：c_i_0＝w(1+u)，列系数c_j_0＝w(1+v)，通过计算可获得行和列对应的系数，由c＝ci*cj，可以获得相连每个网格h(i，j)的权值参数，最后通过上述求和公式可以得到目标网格G(X,Y)对应的像素值。
进一步地，设定待预报区域，根据待预报区域所包括的经纬度信息，分别从所述加权插值后的污染物的大气容量和所述加权插值后的风力风向数据中提取所述待预报区域内对应的数据。
由于获取的数据是全球范围的数据，故需要根据待预测的区域范围的经纬度信息设定待预报区域，或者将已划定的目标区域作为待预报区域，获取其区域边界的经纬度信息。分别从已经获取到的加权插值后的污染物的大气容量和风力风向数据中提取该区域边界内对应的数据。
作为本发明设定待预报区域的一种实施例，针对于特定经纬度的区域范围预测区域范围内的大气污染物扩散情况，则需要根据待预测区域边界的经纬度信息设定待预报区域的范围。
作为本发明设定待预报区域的另一种实施例，如果已经选定目标区域，例如北京市，则以北京市的区域边界的经纬度为边界设定待预报区域的范围。
进一步地，将待预报区域内的加权插值后的污染物的大气容量和加权插值后的风力风向数据作为S104的数据基础。如此，可划定大气污染物预测的区域边界，进一步提升了方法实用性和可操作性。
S103，将所述加权插值后的污染物的大气容量和所述加权插值后的风力风向数据进行融合计算，得到污染物扩散预测值。
进一步地，如果目标网格的加权插值后风力风向数据中的风速数据包括网格在经度方向上的风速数据或网格在纬度方向上的风速数据，则计算在经过预设时间扩散后，目标网格的污染物沿风速对应方向的预测值作为该目标网格的污染物在经过预设时间扩散后的预测值。
在计算目标网格的污染物的预测值之前，先需要判该目标网格的风向情况，从获取的风力风向数据中提取风向数据，如果该风向数据是单风向数据，即仅沿经度方向，无纬度方向分量，或仅沿纬度方向，无经度方向分量；则在计算目标网格的污染物预测值时，只需考虑单向风向上对网格的污染物的影响。例如获取到当前网格的风向数据为经度方向，则在计算该网格的污染物预测值时，不需考虑纬度方向的影响，计算出的经度方向上的污染物预测值即为最终污染物预测值。
进一步地，在经过预设时间扩散后，计算所述目标网格的污染物沿纬度方向的预测值，包括：
计算目标网格在预设时间内沿纬度方向扩散的污染物的大气容量：
w(z)＝k×p(x,y)(z)×p(x,y)(g)×t
其中，w(z)为目标网格在预设时间内沿纬度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(g)为在扩散前，目标网格p(x,y)点的污染物在纬度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿纬度方向的污染物扩散增量：
w(g)＝k×p(x-1,y)(z)×p(x-1,y)(g)×t
其中，w(g)为在经过t时间扩散后，目标网格p(x,y)点沿纬度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(g)为在扩散前，p(x-1,y)点的污染物的在纬度方向的风速数据；
在经过预设时间扩散后，计算目标网格的污染物沿纬度方向的预测值：
p(x,y)(e)＝p(x,y)(z)-w(z)+w(g)
其中，p(x,y)(e)为在经过t时间的扩散后，目标网格p(x,y)点的污染物沿纬度方向预测值；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，w(z)为在经过t时间后，目标网格p(x,y)点的污染物的大气容量；w(g)为在经过t时间后，目标网格p(x,y)点沿纬度方向的污染物的扩散增量。
进一步地，在经过预设时间扩散后，计算所述目标网格的污染物沿经度方向扩散的大气污染物扩散预测值，包括：
计算目标网格在预设时间内沿经度方向扩散的污染物的大气容量：
q(z)＝k×p(x,y)(z)×p(x,y)(m)×t
其中，q(z)为目标网格在预设时间内沿经度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(m)为在扩散前，目标网格p(x,y)点的污染物在经度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿经度方向的污染物扩散增量：
h(g)＝k×p(x,y-1)(z)×p(x,y-1)(m)×t
其中，h(g)为在经过t时间扩散后，目标网格p(x,y)点沿经度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(m)为在扩散前，p(x-1,y)点的污染物的在经度方向的风速数据；
在经过预设时间扩散后，计算目标网格的污染物沿经度方向的预测值：
p(x,y)(r)＝p(x,y)(z)-q(z)+h(g)
其中，p(x,y)(r)为在经过t时间的扩散后，目标网格p(x,y)点的污染物沿经度方向预测值；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，q(z)为在经过t时间后，目标网格p(x,y)点的污染物的大气容量；h(g)为在经过t时间后，目标网格p(x,y)点沿经度方向的污染物的扩散增量。
进一步地，如果目标网格的加权插值后风力风向数据中的风速数据包括网格在经度方向上的风速数据和在纬度方向上的风速数据，则分别计算在经过预设时间扩散后，目标网格的污染物沿经度方向和沿纬度方向的预测值，进行矢量叠加后，得到该目标网格的在经过所述预设时间扩散后的预测值。
在计算目标网格的污染物的预测值之前先需要判该目标网格的风向情况，从获取的风力风向数据中提取风向数据，如果该风向数据不为单风向数据，即当前风向不仅仅是沿经度方向或纬度方向，而是存在角度的风向。也就是说当前风向可以进一步分为沿经度方向上的分量和沿纬度方向上的分量。此时计算该目标网格的污染物预测值时，就不能仅考虑单风向上对网格的污染物的影响，而是需要分别计算该网格沿经度方向上和纬度方向上的污染物的扩散出的量和补充的量，从而最终得到该网格目标在经过预设时间后的污染物预测值。
目标网格为待预报区域内的某一网格，计算得到该网格目标在经过预设时间后的污染物预测值后，遍历待预报区域内的所有目标网格，得到整个待预报区域的预测数据。通过上述融合计算过程得到的污染物扩散预测值，考虑到风速和风向的因素，通过补充风向上的扩散增量，精准计算该风向上的大气污染物扩散预测值，并将不同风向的值进行矢量叠加，得到大气污染物扩散预测值。通过模拟污染物在大气中的物理位移，预测污染物的移动趋势，以便预测各个区域之后的污染情况。
如果目标网格的加权插值后风力风向数据中的风速数据包括网格在经度方向上的风速数据和在纬度方向上的风速数据，则计算在经过预设时间后，目标网格的污染物沿经度方向和沿纬度方向扩散后的污染物预测值，包括：
计算目标网格在预设时间内沿纬度方向扩散的污染物的大气容量：
w(z)＝k×p(x,y)(z)×p(x,y)(g)×t
其中，w(z)为目标网格在预设时间内沿纬度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(g)为在扩散前，目标网格p(x,y)点的污染物在纬度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿纬度方向的污染物扩散增量：
w(g)＝k×p(x-1,y)(z)×p(x-1,y)(g)×t
其中，w(g)为在经过t时间扩散后，目标网格p(x,y)点沿纬度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(g)为在扩散前，p(x-1,y)点的污染物的在纬度方向的风速数据；
计算目标网格在预设时间内沿经度方向扩散的污染物的大气容量：
q(z)＝k×p(x,y)(z)×p(x,y)(m)×t
其中，q(z)为目标网格在预设时间内沿经度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(m)为在扩散前，目标网格p(x,y)点的污染物在经度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿经度方向的污染物扩散增量：
h(g)＝k×p(x,y-1)(z)×p(x,y-1)(m)×t
其中，h(g)为在经过t时间扩散后，目标网格p(x,y)点沿经度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(m)为在扩散前，p(x-1,y)点的污染物的在经度方向的风速数据；
在经过预设时间扩散后，计算目标网格的污染物沿经度方向和沿纬度方向扩散后的污染物预测值：
p(x,y)(s)＝p(x,y)(z)-q(z)+h(g)-w(z)+w(g)
其中，p(x,y)(s)为在经过t时间的扩散后，目标网格p(x,y)点的污染物沿经度方向和沿纬度方向扩散后的污染物预测值。
进一步地，将每个网格对应的污染物扩散预测值对应标注到每个网格内，通过数字将待预报区域内每个网格对应的污染物扩散预测值进行呈现。
我们在得到每个网格对应的污染物扩散预测值后，可以根据每个网格对应的污染物扩散预测值的大小通过颜色进行区分，将每一个网格对应的污染物扩散预测值对应标注到每个小格内，这样可以将待预报区域内的每一个网格对应的污染物扩散预测值通过数字形式呈现。
进一步地，将污染物扩散预测值划分成多个区间，对每一个区间进行颜色赋值，通过待预报区域内的每个网格内的污染物扩散预测值所处的区间和该区间赋值的颜色对待预报区域内的每个网格进行填色。
我们在得到每个网格对应的污染物扩散预测值后，可以根据每个网格对应的污染物扩散预测值的大小通过颜色进行区分，根据得到的每个网格对应的污染物扩散预测值，将污染物扩散预测值划分成不同的区间，然后用不同的颜色来代表不同的区间，比如，可依次通过蓝色、黄色和红色及其渐变色来代表由低到高的区间。此后，便可根据每个网格内的污染物扩散预测值和该污染物扩散预测值所处区间所代表的颜色来对该小格进行填色，这样便能够生成用不同颜色代表不同污染物扩散预测值的彩色污染物扩散预测图，这样便能够更加生动、直观。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (7)

1.一种大气污染物预测方法，其特征在于，包括：
获取全球范围内的污染物的大气容量以及风力风向数据；
采用立方卷积法分别对获取到的污染物的大气容量以及风力风向数据进行加权插值，得到加权插值后的污染物的大气容量和加权插值后的风力风向数据；
将所述加权插值后的污染物的大气容量和所述加权插值后的风力风向数据进行融合计算，得到污染物扩散预测值，包括：
设定待预报区域，根据待预报区域所包括的经纬度信息，分别从所述加权插值后的污染物的大气容量和所述加权插值后的风力风向数据中提取所述待预报区域内对应的数据；
将所述待预报区域内的污染物的大气容量和所述加权插值后的风力风向数据进行融合计算，得到所述待预报区域内的污染物扩散预测值；
如果目标网格的加权插值后风力风向数据中的风速数据包括网格在经度方向上的风速数据或网格在纬度方向上的风速数据，则计算在经过预设时间扩散后，目标网格的污染物沿风速对应方向的预测值作为该目标网格的污染物在经过预设时间扩散后的预测值；
如果目标网格的加权插值后风力风向数据中的风速数据包括网格在经度方向上的风速数据和在纬度方向上的风速数据，则计算在经过预设时间后，目标网格的污染物沿经度方向和沿纬度方向扩散后的污染物预测值。
2.根据权利要求1所述的方法，其特征在于，所述污染物的大气容量为网格数据，用于表示每个网格区域内，污染物从地面到大气顶部的总含量；
所述风力风向数据为网格数据，包括每个网格区域内的风速数据和风向数据，所述每个网格区域内的风速数据包括网格在经度方向上的风速数据和/或网格在纬度方向上的风速数据。
3.根据权利要求2所述的方法，其特征在于，所述网格区域为由两条相邻经度线和两条相邻纬度线共同组成的矩形区域，该矩形区域包含获取到的最小数据单元。
4.根据权利要求1所述的方法，其特征在于，如果目标网格的加权插值后风力风向数据中的风速数据包括网格在纬度方向上的风速数据，则计算在经过预设时间扩散后，所述目标网格的污染物沿纬度方向的预测值，包括：
计算目标网格在预设时间内沿纬度方向扩散的污染物的大气容量：
w(z)＝k×p(x,y)(z)×p(x,y)(g)×t
其中，w(z)为目标网格在预设时间内沿纬度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(g)为在扩散前，目标网格p(x,y)点的污染物在纬度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿纬度方向的污染物扩散增量：
w(g)＝k×p(x-1,y)(z)×p(x-1,y)(g)×t
其中，w(g)为在经过t时间扩散后，目标网格p(x,y)点沿纬度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(g)为在扩散前，p(x-1,y)点的污染物的在纬度方向的风速数据；
在经过预设时间扩散后，计算目标网格的污染物沿纬度方向的预测值：
p(x,y)(e)＝p(x,y)(z)-w(z)+w(g)
其中，p(x,y)(e)为在经过t时间的扩散后，目标网格p(x,y)点的污染物沿纬度方向预测值；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，w(z)为在经过t时间后，目标网格p(x,y)点的污染物的大气容量；w(g)为在经过t时间后，目标网格p(x,y)点沿纬度方向的污染物的扩散增量；
如果目标网格的加权插值后风力风向数据中的风速数据包括网格在经度方向上的风速数据，则计算在经过预设时间扩散后，所述目标网格的污染物沿经度方向扩散的大气污染物扩散预测值，包括：
计算目标网格在预设时间内沿经度方向扩散的污染物的大气容量：
q(z)＝k×p(x,y)(z)×p(x,y)(m)×t
其中，q(z)为目标网格在预设时间内沿经度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(m)为在扩散前，目标网格p(x,y)点的污染物在经度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿经度方向的污染物扩散增量：
h(g)＝k×p(x,y-1)(z)×p(x,y-1)(m)×t
其中，h(g)为在经过t时间扩散后，目标网格p(x,y)点沿经度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(m)为在扩散前，p(x-1,y)点的污染物的在经度方向的风速数据；
在经过预设时间扩散后，计算目标网格的污染物沿经度方向的预测值：
p(x,y)(r)＝p(x,y)(z)-q(z)+h(g)
其中，p(x,y)(r)为在经过t时间的扩散后，目标网格p(x,y)点的污染物沿经度方向预测值；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，q(z)为在经过t时间后，目标网格p(x,y)点的污染物的大气容量；h(g)为在经过t时间后，目标网格p(x,y)点沿经度方向的污染物的扩散增量。
5.根据权利要求1所述的方法，其特征在于，如果目标网格的加权插值后风力风向数据中的风速数据包括网格在经度方向上的风速数据和在纬度方向上的风速数据，则计算在经过预设时间后，目标网格的污染物沿经度方向和沿纬度方向扩散后的污染物预测值，包括：
计算目标网格在预设时间内沿纬度方向扩散的污染物的大气容量：
w(z)＝k×p(x,y)(z)×p(x,y)(g)×t
其中，w(z)为目标网格在预设时间内沿纬度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(g)为在扩散前，目标网格p(x,y)点的污染物在纬度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿纬度方向的污染物扩散增量：
w(g)＝k×p(x-1,y)(z)×p(x-1,y)(g)×t
其中，w(g)为在经过t时间扩散后，目标网格p(x,y)点沿纬度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(g)为在扩散前，p(x-1,y)点的污染物的在纬度方向的风速数据；
计算目标网格在预设时间内沿经度方向扩散的污染物的大气容量：
q(z)＝k×p(x,y)(z)×p(x,y)(m)×t
其中，q(z)为目标网格在预设时间内沿经度方向扩散的污染物的大气容量；k为扩散系数；p(x,y)(z)为在扩散前，目标网格p(x,y)点的污染物的大气容量，p(x,y)(m)为在扩散前，目标网格p(x,y)点的污染物在经度方向的风速数据；t为预设时间；
计算在经过预设时间后，目标网格沿经度方向的污染物扩散增量：
h(g)＝k×p(x,y-1)(z)×p(x,y-1)(m)×t
其中，h(g)为在经过t时间扩散后，目标网格p(x,y)点沿经度方向的污染物扩散增量；p(x-1,y)(z)为在扩散前，p(x-1,y)点的污染物的大气容量；p(x-1,y)(m)为在扩散前，p(x-1,y)点的污染物的在经度方向的风速数据；
在经过预设时间扩散后，计算目标网格的污染物沿经度方向和沿纬度方向扩散后的污染物预测值：
p(x,y)(s)＝p(x,y)(z)-q(z)+h(g)-w(z)+w(g)
其中，p(x,y)(s)为在经过t时间的扩散后，目标网格p(x,y)点的污染物沿经度方向和沿纬度方向扩散后的污染物预测值。
6.根据权利要求1所述的方法，其特征在于，还包括：
将污染物扩散预测值划分成多个区间，对每一个区间进行颜色赋值，通过待预报区域内的每个网格内的污染物扩散预测值所处的区间和该区间赋值的颜色对待预报区域内的每个网格进行填色。
7.根据权利要求1所述的方法，其特征在于，还包括：
将每个网格对应的污染物扩散预测值对应标注到每个网格内，通过数字将待预报区域内每个网格对应的污染物扩散预测值进行呈现。
CN201911383025.3A 2019-12-27 2019-12-27 一种大气污染物预测方法 Active CN111126710B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911383025.3A CN111126710B (zh) 2019-12-27 2019-12-27 一种大气污染物预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911383025.3A CN111126710B (zh) 2019-12-27 2019-12-27 一种大气污染物预测方法

Publications (2)

Publication Number Publication Date
CN111126710A CN111126710A (zh) 2020-05-08
CN111126710B true CN111126710B (zh) 2021-07-16

Family

ID=70505277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911383025.3A Active CN111126710B (zh) 2019-12-27 2019-12-27 一种大气污染物预测方法

Country Status (1)

Country Link
CN (1) CN111126710B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688583B (zh) * 2021-09-07 2023-05-23 北京信息科技大学 污染扩散模拟方法、装置、存储介质及电子设备
CN113837496B (zh) * 2021-11-04 2024-05-14 长春嘉诚信息技术股份有限公司 一种秸秆焚烧对空气质量影响的模型预测方法
CN114077798B (zh) * 2022-01-19 2022-04-22 北京英视睿达科技股份有限公司 估算小尺度区域大气污染物网格浓度的方法
CN116738539B (zh) * 2023-06-09 2024-01-09 西安交通大学 一种基于水动力模型的污染物扩散预测***及方法
CN117370772B (zh) * 2023-12-08 2024-04-16 北京英视睿达科技股份有限公司 基于城市街道地形分类的pm2.5扩散分析方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103061A (zh) * 2009-12-18 2011-06-22 西安费斯达自动化工程有限公司 一种大气监测、预测、评价的等浓度线方法
CN107193056A (zh) * 2017-05-09 2017-09-22 西南石油大学 空气污染物监测预警方法及云平台
KR20180060284A (ko) * 2016-11-28 2018-06-07 이화여자대학교 산학협력단 Omi의 o3, so2, no2 전량에 대한 관측연산자에 기초한 위성 관측 자료 동화 방법 및 시스템
CN110567510A (zh) * 2019-07-23 2019-12-13 北京英视睿达科技有限公司 大气污染监测方法、***、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103061A (zh) * 2009-12-18 2011-06-22 西安费斯达自动化工程有限公司 一种大气监测、预测、评价的等浓度线方法
KR20180060284A (ko) * 2016-11-28 2018-06-07 이화여자대학교 산학협력단 Omi의 o3, so2, no2 전량에 대한 관측연산자에 기초한 위성 관측 자료 동화 방법 및 시스템
CN107193056A (zh) * 2017-05-09 2017-09-22 西南石油大学 空气污染物监测预警方法及云平台
CN110567510A (zh) * 2019-07-23 2019-12-13 北京英视睿达科技有限公司 大气污染监测方法、***、计算机设备和存储介质

Also Published As

Publication number Publication date
CN111126710A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111126710B (zh) 一种大气污染物预测方法
CN110567510B (zh) 大气污染监测方法、***、计算机设备和存储介质
Xu et al. Evaluation of machine learning techniques with multiple remote sensing datasets in estimating monthly concentrations of ground-level PM2. 5
Nassar et al. Modeling global atmospheric CO 2 with improved emission inventories and CO 2 production from the oxidation of other carbon species
CN112684520B (zh) 一种气象预报的订正方法、装置、计算机设备及存储介质
Hoek et al. Satellite NO2 data improve national land use regression models for ambient NO2 in a small densely populated country
Vinken et al. Constraints on ship NO x emissions in Europe using GEOS-Chem and OMI satellite NO 2 observations
Lorenz et al. Validation of temperature trends in the ENSEMBLES regional climate model runs driven by ERA40
Takeuchi et al. Estimation of methane emission from West Siberian wetland by scaling technique between NOAA AVHRR and SPOT HRV
Lin et al. Measuring fluxes of trace gases at regional scales by Lagrangian observations: Application to the CO2 Budget and Rectification Airborne (COBRA) study
Mercury et al. Global cloud cover for assessment of optical satellite observation opportunities: A HyspIRI case study
CN111192282B (zh) 湖滨带虚拟站的湖库时序水位重建方法
CN101672768B (zh) 海上浓雾条件下大气水平能见度场的获取方法
Bali et al. Diurnal patterns in ambient PM2. 5 exposure over India using MERRA-2 reanalysis data
de Boer et al. Measurements from mobile surface vehicles during the lower atmospheric profiling studies at elevation–a remotely-piloted aircraft team experiment (LAPSE-RATE)
Yap et al. A robust calibration approach for PM 10 prediction from MODIS aerosol optical depth.
Shao et al. Convolutional neural network-based homogenization for constructing a long-term global surface solar radiation dataset
Sagan et al. SO2 trajectories in a complex terrain environment using CALPUFF dispersion model, OMI and MODIS data
Schlager et al. Generation of high-resolution wind fields from the WegenerNet dense meteorological station network in southeastern Austria
CN115267948A (zh) 大洲级别的气象卫星云图预测方法
Daugela et al. RPAS and GIS for landfill analysis
Xiong et al. Research overview of urban carbon emission measurement and future prospect for GHG monitoring network
Nagai et al. Detection of year-to-year spring and autumn bio-meteorological variations in siberian ecosystems
CN110222301B (zh) 一种雾霾条件下地表太阳短波辐射计算方法
Li et al. The impact of observation nudging on simulated meteorology and ozone concentrations during DISCOVER-AQ 2013 Texas campaign.

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