CN112560270A - 一种化学危害同化*** - Google Patents
一种化学危害同化*** Download PDFInfo
- Publication number
- CN112560270A CN112560270A CN202011508053.6A CN202011508053A CN112560270A CN 112560270 A CN112560270 A CN 112560270A CN 202011508053 A CN202011508053 A CN 202011508053A CN 112560270 A CN112560270 A CN 112560270A
- Authority
- CN
- China
- Prior art keywords
- assimilation
- module
- data
- observation
- concentration
- 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
Links
- 239000000126 substance Substances 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000009792 diffusion process Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 239000000443 aerosol Substances 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 26
- 238000004800 variational method Methods 0.000 abstract description 4
- 239000000203 mixture Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000000383 hazardous chemical Substances 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 231100001261 hazardous Toxicity 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种化学危害同化***:包括:释放信息估算模块、气象场模块、浓度预测模块、观测数据处理模块、数据同化模块、结果分析和显示模块。本发明采用四维变分的方法进行危害监测数据的同化,构建源强估算、气象场、浓度预测、观测数据处理、数据同化、结果分析和显示等6个***组成模块,提高了化学危害预测的精度和速度。
Description
技术领域
本发明涉及一种化学危害同化***,化学危害信息体系技术领域。
背景技术
在化学***事故的应急处理中,如何依托可获取的有限信息,对危害物质扩散后的浓度时空规律进行准确刻画,是下一步应急决策的关键所在。化学***扩散浓度场的预测、评估对后续应急救援,部署决策方面起着至关重要的作用,只有准确掌握了危害物质浓度的时空分布规律,准确描绘毒害区域,才能最大限度的减小危害程度,提高应急救援的效果,而准确获取化学危害浓度扩散场的初值信息是刻画浓度扩散时空规律的关键。数据同化是一种最初来源于数值天气预报的数据处理技术,现在已成功用于对大气污染物浓度的预测中来。在化学危害预测领域引入数据同化算法,以更快的速度和更高的精准度得出危害场未来一段时间的浓度走势及分布图,在保证速度的同时尽最大可能的为防护和救援提供准确的决策依据。
当前关于污染物扩散数据同化主要有逐步迭代法,最优插值法、卡尔曼滤波法、变分法、集合卡尔曼滤波法、遗传算法、神经网络算法和机器学习等,其中逐步迭代法和最优插值法精度偏低,属于早期的同化算法;卡尔曼滤波系列算法对集合数目的要求偏高,难以快速应用于危害环境;遗传算法、神经网络和机器学习是新兴智能优化算法,对数据量的要求较高,不适用于小样本数据挖掘,用于数据同化领域还处于初期探索阶段。所以,本发明选用变分同化方法,既避免精度不够的问题,也解决其他方法对数据样本要求高的困难。
目前尚未查阅到相关文献和相关专利,未发表过相关论文等。
发明内容
本发明技术解决问题:克服现有化学危害预测精度低、数据同化方法对样本质量要求过高的问题,提供一种化学危害同化***,采用四维变分的方法进行危害监测数据的同化,构建源强估算、气象场、浓度预测、观测数据处理、数据同化、结果分析和显示等6个***组成模块,提高化学危害预测的精度和速度。
本发明技术解决方案:一种化学危害同化***,包括:释放信息估算模块、气象场模块、浓度预测模块、观测数据处理模块、数据同化模块、结果分析和显示模块;
释放信息估算模块,用于为预测模型提供气溶胶云团初始的源强信息,如果通过可靠信息获取释放信息数据,则直接代入其他模块进行预测;如果无法准确获取释放源项信息,则根据监测到的危害浓度数据,通过遗传算法进行数据的同化反演,得到释放初始状态信息,所述初始状态信息包括释放源位置、释放总量和释放率;
气象场模块,用于获取相关的气象场信息,进行风场诊断,得出危害区域内各点的气象信息,并送至浓度预测模块;所述气象场信息包括风向、风速、降雨和温度;
浓度预测模块,用于危害扩散的预测估算,根据释放信息估算模块和气象场模块提供的释放初始状态信息和气象场信息,对扩散参数进行估算,进而得到未来时刻各位置的危害浓度预测值,并传输至数据同化模块;
观测数据处理模块,用于对各监测点获取的监测浓度数据和气象数据进行处理,通过划分时间窗口,将不同时刻的监测浓度值进行归一化处理,组成观测矩阵;
数据同化模块,用于对预测的浓度值和监测的浓度数据进行综合处理,提高浓度预测模块的预测精度;根据浓度预测模块得到的未来不同时刻各个监测点浓度预测值,采用采用化学危害变分同化基础模型、化学危害变分同化梯度函数和释放信息初始状态分析值模型,将未来不同时刻各个监测点浓度预测值与各监测点对应时刻的观测矩阵进行同化迭代,得到误差最小化时的释放信息初始状态分析值;
结果分析和显示模块,用于分析结果误差,并输出显示,根据数据同化模块求得的释放初始状态信息、背景误差协方差矩阵、观测误差协方差矩阵、扩散参数和观测算子,对各个区域的预测误差进行分析,得到当前时刻和未来时间段内的危害浓度分布和变化趋势。
所述数据同化模块中,(2.1)构建化学危害变分同化基础模型如下:
其中,表示ti时刻的观测值;指由模式算子由t0时刻积分到ti时刻的模式变量;表示将预报模式从t0时刻积分到ti时刻的模式预报算子;指将ti时刻的模式变量经观测算子Hi映射得到的观测场;δx=x0-xb,为分析增量,xb为模型背景场;R为观测误差协方差矩阵,它包含了关于观测误差的统计信息;对于各个观测***来说,不同位置上的观测误差在统计上是相互独立的,因此将R简化为对角矩阵;B是背景误差协方差矩阵;
所述数据同化模块中,化学危害变分同化梯度函数如下:
对标量函数J关于自变量x求导,得到其梯度函数:
其中,x为需要求解的状态参量;xb为模型背景场,由高斯扩散模型输出的参量组成;B是背景误差协方差矩阵;y为观测场数据;H是观测算子,是将观测场数据的类型映射到与状态量相一致;R为观测误差协方差矩阵;
所述数据同化模块中,释放信息初始状态分析值模型如下:
xa=xb+(B-1+HTR-1H)-1HTR-1(y-H(xb))
其中,xa为需要求解的初始状态分析值;xb是模型的背景场;y为观测场数据。
本发明与现有技术相比的优点在于:
(1)构建了基于四维变分的化学危害同化基础模型,并利用试验数据进行模拟分析。相比于现有其他技术,本发明同化结果在稳定性、收敛性和预测精度上均可达到最佳,模型预测误差可降低1个数量级以上,大大提高了计算精度和计算速度。
(2)构建了适用于化学危害预测的变分同化背景误差协方差矩阵,为化学危害同化基础模型提供了背景误差数据输入,相比于现有算法,本发明能够正确表达各个监测节点背景误差和协方差的相关性,误差可有效降低50%以上,大大提高了同化精度。现有文献中没有相关成熟成果。
(3)构建了适用于化学危害预测的变分同化观测误差协方差矩阵,为化学危害同化基础模型提供了观测误差数据输入,相比于现有算法,本发明对各个监测节点观测误差和协方差进行简化处理,计算速度可提升20%,大大提高了同化速度。现有文献中没有相关成熟成果。
附图说明
图1为本发明实现流程图;
图2为化学危害同化***结构图;
图3为浓度场比较图;
图4为同化实验结果图;
图5为不同迭代次数下的同化效果。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图1所示,本发明具体实现如下:
1.化学危害同化预测***组成
***共划分为6个模块,分别是释放信息估算模块、气象场模块、浓度预测模块、观测数据处理模块、数据同化模块、结果分析和显示模块,化学危害同化***结构如图2所示。
释放信息估算模块:用于为预测模型提供气溶胶云团初始的源强信息。如果可以通过可靠信息获取释放信息数据,则直接代入其他模块进行预测;如果无法准确获取释放源项信息,则根据监测到的危害浓度数据,通过遗传算法进行数据的同化反演,得到释放初始状态信息(释放源位置、释放总量、释放率)。
气象场模块:用于获取相关的气象场信息(风向、风速、降雨和温度),进行风场诊断,得出危害区域内各点的气象信息,并送至浓度预测模块。
浓度预测模块:用于危害扩散的预测估算。主要根据释放信息估算模块和气象场模块提供的释放初始状态信息和气象场信息,对扩散参数进行估算,进而得到未来时刻各位置的危害浓度预测值,并将其传输至数据同化模块。
观测数据处理模块:用于对各监测点获取的监测浓度数据和气象数据进行处理。通过划分时间窗口,将不同时刻的监测浓度值进行归一化处理,组成观测矩阵。
数据同化模块:用于对预测的浓度值和监测的浓度数据进行综合处理,不断提高浓度预测模块的预测精度。浓度预测模块得到未来不同时刻各个监测点浓度预测值后,采用四维变分的方法,将其与各监测点对应时刻的观测矩阵进行同化迭代,得到误差最小化时的释放初始状态信息、背景误差协方差矩阵、观测误差协方差矩阵、扩散参数、观测算子,进而求得化学危害数据同化模型。
结果分析和显示模块:用于分析结果误差,并输出显示。根据数据同化模块求得的释放初始状态信息、背景误差协方差矩阵、观测误差协方差矩阵、扩散参数、观测算子,对各个区域的预测误差进行分析,绘制当前时刻和未来时间段内的危害浓度分布图和变化趋势。
2.基于四维变分的化学危害同化模型构建
根据变分同化理论,结合高斯扩散模式,对化学危害问题进行数学建模。变分同化方案的基本功能:在化学危害事件发生之后,结合当时的气象条件,观测数据等,输入变分同化的工作流程。当误差统计减小到可接受的范围后,输出危害场的浓度分析值,反映当时状态下的危害程度,为后续的救援行动以及事后评估提供决策依据。下面依据变分理论,进行方案设计,构建基于高斯扩散模型的化学危害同化模型。
2.1化学危害变分同化基础模型
四维变分同化的公式如下:
指由模式算子积分得到的ti时刻的模式变量。同理可得:
指将ti时刻的模式变量经观测算子Hi映射得到的观测场。
1994年,Courtier等人为了避免大量的计算,降低运算成本,提出增量方法,它不直接求解分析变量,而是求解分析增量并修正预测场。
定义分析增量:
δx=x0-xb (4)
同时,对预报模式算子进行泰勒展开:
从而得到增量变分公式:
2.2化学危害扩散变分同化梯度函数
根据化学危害变分同化基础模型,对标量函数J关于自变量x求导,可以得到其梯度:
求解梯度公式,可得释放信息初始状态分析值:
xa=xb+(B-1+HTR-1H)-1HTR-1(y-H(xb)) (9)
式中,xa为释放信息初始状态分析值;xb是模型的背景场,在本发明中,它是由高斯扩散模型输出的参量;B是背景误差协方差矩阵;y为观测场数据,H是观测算子,它的作用是将观测场数据的类型映射到与状态量相一致;R为观测误差协方差矩阵。
误差是整个同化过程中不可避免的话题,从数学的角度来说,可以把同化过程理解为最小化误差的过程。误差在同化开始前主要体现在背景误差协方差矩阵B上,它是整个同化过程的重要组成部分,和观测误差协方差共同决定了分析场的误差。因此,在同化过程开始之前,必须对误差进行修正,尽可能使分析值误差降低,提高准确度。
一般情况下,确定误差协方差矩阵前要有一个假设,即观测误差与背景误差不相关,即:
式中,εb为背景误差;εo为观测误差,上标T表示矩阵的转置。在实际分析中,这也是完全合理的假设,背景场参量与观测场参量相互独立。
2.3化学危害变分同化背景误差协方差矩阵B
背景误差协方差矩阵表示了预报误差的概率分布函数(ProbabilityDistribution Function:PDF),是一个高斯型的函数分布。其定义如下:
式中,xtrue代表的是真值,εb为背景误差,由于很多时刻真值未知,所以,很多时候B矩阵也表示为:
式中,上横线代表均值,其余含义与上式相同。由此可以看出,B矩阵是正定对称矩阵,而且特征值均为非负值。
假设背景误差为向量(e1,e2,e3),那么其背景误差协方差矩阵可以写成:
从上面这种形式下的B矩阵可以看出,其中的每个元素反映的都是两个位置上背景误差的相关性,和两个变量之间的相关性。对角线元素或者对角矩阵代表的是背景误差方差,而非对角元素和矩阵代表的则是协方差。
定义x,x0两点间的背景场相关系数b(x,x0)为两点间距离dist(x-x0)的函数:
2.4化学危害变分同化观测误差协方差矩阵R
R是观测误差协方差矩阵,它包含了关于观测误差的统计信息。对于很多观测***来说,不同位置上的观测误差在统计上是相互独立的。同样地,在确定观测误差协方差矩阵之前,假定观测误差是无偏的,εo的数学期望为零。
观测误差一般包括观测算子误差、仪器误差和代表性误差。观测算子误差主要是因为对两种不同种类的数据之间联系的理解不足或者理解过于片面导致的,主要出现在非直接观测情况中。代表性误差一般来源于两个方面:一是模型不完美,得不到完全准确的测量;二是来自有限的模型分辨率,分辨率3km的观测***肯定无法反映10km范围的区域状态。这类误差的减小可以利用高密度观测,提高模式分辨滤等手段。仪器误差是出厂时带有的,一般会带有数据参数,考虑设备老化,使用时间长等实际情况可以对参数进行适当调整。本发明对R进行简化处理,在观测点之间相互独立的情况下,设定为对角矩阵处理,方便下一步的计算。
3.案例分析
为了验证所建模型的同化能力及各参数对同化质量的影响,利用数值模拟实验进行分析。
首先运行危害物质的扩散模型,得到危害区域内各个网格点的浓度,将其作为背景浓度场,并将此时即为记为同化窗口的0时刻;继续向前运行扩散模型,简单起见,将所得到的模型预测值作为“真值”;其次,在危害区域内设定观测点位置,将观测点位置处预测浓度输出并记为观测数据;同时,保持参数不变,运行另一组扩散模型,并给初始预测结果加上10%随机误差,用上述得到观测值同化带有误差的预测值,检验同化效果以及收敛性。
条件设定:假设某平原地区化工厂发生烟囱内单一化学物质泄漏,并且已获取当时的源项信息以及气象信息,厂内为预防事故已经配备了具有输出功能的观测设备,其他条件如下表所示。
表1实验条件设定
为了使实验尽量简单,设定释放方式为均匀释放,并且理想化外部条件,不考虑降雨、雷电等恶劣天气影响。除同化效果分析之外,本节还将分析收敛性以及过程误差。
首先,给出背景场,真实场以及模型预测场的扩散图:
从图3看出,刚刚开始扩散时所预测出来的浓度图,本发明试验的背景场,在整个扩散区域内都有着或多或少的浓度分布,但是30min扩散后,除危害物质初生云之外,其他地域的物质浓度似乎为零;同时,加上随机误差后,可以明显的看出预测值与真实值之间有了差异。下面针对误差对数据进行同化迭代,验证本发明的稳定性、收敛性和预测误差变化。
取迭代次数为1000次,下图是试验的同化效果图,收敛性以及误差变化:
从图4看出,通过同化,分析值比观测值跟更接近真值,而背景值在初始状态下与其他三条曲线有着明显偏差,在一定迭代次数后,逐渐与其他几条曲线拟合;由于观测误差协方差矩阵R为对角矩阵,且对角线元素为均方差,为固定值,所以不管迭代次数是少次,同化时间窗口有多长,观测场方差都不变;同化过程的单次误差虽然各次不同,但是在迭代200次左右开始,便趋于收敛,变的稳定;同样的,同化的背景场方差也是随着迭代次数的增多,开始逐渐收敛,次数也大概在200次左右。说明本发明的同化质量较为显著,可以有效降低预测误差,同时同化算法的稳定性和收敛性均较好。
图5是迭代次数20、50、100、200次时的同化图,从图5对比分析看出,在200次迭代之后,同化基本达到效果,各曲线之间拟合程度加大,开始收敛。这也与上图中分析200次迭代后同化过程开始收敛的结果相一致。危害区域的浓度信息经过同化后,危害物质浓度逐步逼近真值,围绕其上下波动。并且随着时间的推进和观测数据的增加,同化结果越来越稳定,逐渐消除了初始时刻所加的10%的随机误差,达到收敛状态。说明迭代次数对同化的稳定性和收敛性具有一定的影响,本发明的同化效果在200次时稳定性、收敛性和预测精度均达到最佳。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (4)
1.一种化学危害同化***,其特征在于,包括:释放信息估算模块、气象场模块、浓度预测模块、观测数据处理模块、数据同化模块、结果分析和显示模块;
释放信息估算模块,用于为预测模型提供气溶胶云团初始的源强信息,如果通过可靠信息获取释放信息数据,则直接代入其他模块进行预测;如果无法准确获取释放源项信息,则根据监测到的危害浓度数据,通过遗传算法进行数据的同化反演,得到释放初始状态信息,所述初始状态信息包括释放源位置、释放总量和释放率;
气象场模块,用于获取相关的气象场信息,进行风场诊断,得出危害区域内各点的气象信息,并送至浓度预测模块;所述气象场信息包括风向、风速、降雨和温度;
浓度预测模块,用于危害扩散的预测估算,根据释放信息估算模块和气象场模块提供的释放初始状态信息和气象场信息,对扩散参数进行估算,进而得到未来时刻各位置的危害浓度预测值,并传输至数据同化模块;
观测数据处理模块,用于对各监测点获取的监测浓度数据和气象数据进行处理,通过划分时间窗口,将不同时刻的监测浓度值进行归一化处理,组成观测矩阵;
数据同化模块,用于对预测的浓度值和监测的浓度数据进行综合处理,提高浓度预测模块的预测精度;根据浓度预测模块得到的未来不同时刻各个监测点浓度预测值,采用化学危害变分同化基础模型、化学危害变分同化梯度函数和释放信息初始状态分析值模型,将未来不同时刻各个监测点浓度预测值与各监测点对应时刻的观测矩阵进行同化迭代,得到误差最小化时的释放信息初始状态分析值;
结果分析和显示模块,用于分析结果误差,并输出显示,根据数据同化模块求得的释放初始状态信息、背景误差协方差矩阵、观测误差协方差矩阵、扩散参数和观测算子,对各个区域的预测误差进行分析,得到当前时刻和未来时间段内的危害浓度分布和变化趋势。
4.根据权利要求1所述的化学危害同化***,其特征在于:所述数据同化模块中,释放信息初始状态分析值模型如下:
xa=xb+(B-1+HTR-1H)-1HTR-1(y-H(xb))
其中,xa为初始状态分析值;xb是模型的背景场;y为观测场数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508053.6A CN112560270B (zh) | 2020-12-18 | 2020-12-18 | 一种化学危害同化*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508053.6A CN112560270B (zh) | 2020-12-18 | 2020-12-18 | 一种化学危害同化*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560270A true CN112560270A (zh) | 2021-03-26 |
CN112560270B CN112560270B (zh) | 2022-10-11 |
Family
ID=75031738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011508053.6A Active CN112560270B (zh) | 2020-12-18 | 2020-12-18 | 一种化学危害同化*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560270B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723702A (zh) * | 2021-09-07 | 2021-11-30 | 中国人民解放军陆军防化学院 | 一种化学危害扩散预测方法及装置 |
CN116295604A (zh) * | 2023-01-04 | 2023-06-23 | 中铁十一局集团有限公司 | 一种智能扬尘实时监测与控制*** |
CN117217027A (zh) * | 2023-11-02 | 2023-12-12 | 中国人民解放军国防科技大学 | 基于四维变分同化的污染物点源廓线排放估算方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567808A (zh) * | 2010-12-31 | 2012-07-11 | 北京工业大学 | 结合实时气象信息的重大危险源事故后果预测预警方法 |
CN110910963A (zh) * | 2019-10-29 | 2020-03-24 | 暨南大学 | 气溶胶光学厚度的三维变分同化方法、***和存储介质 |
-
2020
- 2020-12-18 CN CN202011508053.6A patent/CN112560270B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567808A (zh) * | 2010-12-31 | 2012-07-11 | 北京工业大学 | 结合实时气象信息的重大危险源事故后果预测预警方法 |
CN110910963A (zh) * | 2019-10-29 | 2020-03-24 | 暨南大学 | 气溶胶光学厚度的三维变分同化方法、***和存储介质 |
Non-Patent Citations (1)
Title |
---|
张卫民等: "以全球谱模式为约束的四维变分资料同化***YH4DVAR的设计和实现", 《物理学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723702A (zh) * | 2021-09-07 | 2021-11-30 | 中国人民解放军陆军防化学院 | 一种化学危害扩散预测方法及装置 |
CN116295604A (zh) * | 2023-01-04 | 2023-06-23 | 中铁十一局集团有限公司 | 一种智能扬尘实时监测与控制*** |
CN116295604B (zh) * | 2023-01-04 | 2024-02-06 | 中铁十一局集团有限公司 | 一种智能扬尘实时监测与控制*** |
CN117217027A (zh) * | 2023-11-02 | 2023-12-12 | 中国人民解放军国防科技大学 | 基于四维变分同化的污染物点源廓线排放估算方法和装置 |
CN117217027B (zh) * | 2023-11-02 | 2024-01-30 | 中国人民解放军国防科技大学 | 基于四维变分同化的污染物点源廓线排放估算方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112560270B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560270B (zh) | 一种化学危害同化*** | |
Torrielli et al. | Extreme wind speeds from long-term synthetic records | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
CN111737913B (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
Cardinali | Forecast sensitivity observation impact with an observation‐only based objective function | |
CN116449331B (zh) | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 | |
Cheng et al. | Observation data compression for variational assimilation of dynamical systems | |
CN111882128B (zh) | 基于tcn的汛期气候趋势预测方法 | |
CN114564487B (zh) | 预报预测相结合的气象栅格数据更新方法 | |
Mattern et al. | Improving variational data assimilation through background and observation error adjustments | |
CN112733419A (zh) | 一种突发大气污染事故源反演准确性提升方法 | |
CN116757303A (zh) | 一种沉降预测方法、***和设备 | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
CN116013426A (zh) | 一种高时空分辨率的站点臭氧浓度预测方法 | |
Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
CN113281229B (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
Sá et al. | Two step calibration method for ozone low-cost sensor: Field experiences with the UrbanSense DCUs | |
CN113935228A (zh) | 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法 | |
CN107656905B (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
CN113311509B (zh) | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 | |
Gueymard | Visibility estimates from atmospheric and radiometric variables using artificial neural networks | |
Zaplotnik et al. | Flow‐dependent wind extraction in strong‐constraint 4D‐Var | |
Le et al. | Calibration of a surrogate dispersion model applied to the Fukushima nuclear disaster |
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 |