CN113642223B - 空气质量预报方法、装置、设备和计算机可读存储介质 - Google Patents
空气质量预报方法、装置、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113642223B CN113642223B CN202111194596.XA CN202111194596A CN113642223B CN 113642223 B CN113642223 B CN 113642223B CN 202111194596 A CN202111194596 A CN 202111194596A CN 113642223 B CN113642223 B CN 113642223B
- Authority
- CN
- China
- Prior art keywords
- air quality
- prediction
- results
- forecast
- quality prediction
- 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
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ecology (AREA)
- Food Science & Technology (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Geometry (AREA)
- Environmental Sciences (AREA)
- Evolutionary Computation (AREA)
- Combustion & Propulsion (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本公开的实施例提供了一种空气质量预报方法、装置、设备和计算机可读存储介质。该方法包括:获取各站点的空气质量输入参数;将各站点的空气质量输入参数输入至多个不同的空气质量预报模式中,以获得各站点在不同空气质量预报模式下的空气质量预报结果;将各站点在不同空气质量预报模式下的空气质量预报结果按照不同空气质量预报模式各自对应的预报区域从大到小的嵌套顺序进行嵌套,以获得各站点的目标空气质量预报结果。以此方式,可通过多层空气质量预报模式嵌套的方式提高空气质量预报结果的准确性,且可利用预报区域不同的空气质量模式获得不同预报区域的空气质量预报结果,满足对不同预报区域的预报需求。
Description
技术领域
本公开的实施例一般涉及空气质量预报技术领域,并且更具体地,涉及空气质量预报方法、装置、设备和计算机可读存储介质。
背景技术
在对空气质量进行预报时,通常都是根据需求选择合适的空气质量预报模式进行预报,但是很多预报方式的预报模式比较单一,如仅仅能建立一个区域5*5公里分辨率的预报模式,这就导致空气质量预报结果的准确性不太高,且无法满足对多个不同预报区域进行预报的需求;同时预报时长短,如只能进行7天预报,无法实现更长时长的预报,给生产、生活带来很大不便,导致用户体验差。
发明内容
根据本公开的实施例,提供了一种空气质量预报方案。
在本公开的第一方面,提供了一种空气质量预报方法。该方法包括:获取各站点的空气质量输入参数;
将所述各站点的空气质量输入参数输入至多个不同的空气质量预报模式中,以获得所述各站点在不同空气质量预报模式下的空气质量预报结果;
将所述各站点在不同空气质量预报模式下的空气质量预报结果按照所述不同空气质量预报模式各自对应的预报区域从大到小的嵌套顺序进行嵌套,以获得所述各站点的目标空气质量预报结果;其中,所述不同空气质量预报模式各自对应的空间分辨率也不相同,且预报区域越大,空间分辨率的数值越大。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述将所述各站点在不同空气质量预报模式下的空气质量预报结果按照所述不同空气质量预报模式各自对应的预报区域从大到小的嵌套顺序进行嵌套,包括:
将所述各站点在不同空气质量预报模式下的空气质量预报结果进行异常筛选;
将异常筛选后的所述各站点在不同空气质量预报模式下的空气质量预报结果输入至目标集合预报模型中,以按照预报区域从大到小的嵌套顺序以及空间分辨率的数值大小进行嵌套,从而获得所述各站点的目标空气质量预报结果,所述目标空气质量预报结果为预设时长内的小时空气质量预报结果,所述预设时长不小于15天。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述目标集合预报模型通过以下步骤进行获得:
获取所述各站点在不同空气质量预报模式下的多个历史预报结果输入至初始集合预报模型后输出的历史集合预报结果;
计算所述各站点在不同空气质量预报模式下的历史集合预报结果与各自对应的实际观测结果之间的误差预报;
根据所述各站点在不同空气质量预报模式下的误差预报的变化特征,修改所述初始集合预报模型,以获得所述目标集合预报模型,所述变化特征包括空间变化特征以及时间变化特征。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,在将异常筛选后的所述各站点在不同空气质量预报模式下的空气质量预报结果输入至目标集合预报模型中之前,所述方法还包括:
将异常筛选后的所述各站点在不同空气质量预报模式下的空气质量预报结果进行统一化处理,所述统一化处理包括以下至少一项:
统一数据格式、统一污染变量名称、统一污染变量单位、统一区域嵌套排序。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述空气质量输入参数包括:
网格化气象参数以及网格化污染物排放清单;
所述网格化污染物排放清单为基于行业信息、时间信息、空间信息、污染物排放情况而生成的,其中,所述空间信息包括经纬度、空间区域以及空间分配因子,所述空间分配因子包括以下至少一项:人口分布、路网情况、土地利用类型;
所述网格化气象参数为基于气象模式生成的气象参数,所述网格化气象参数包括以下至少一项:网格化温度参数、网格化光照参数、网格化湿度参数以及网格化降水量。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述气象模式包括天气预报模式;
所述方法还包括:
将所述各站点的沙源地信息以及实时天气条件输入至所述天气预报模式中,以获得所述各站点的沙尘天气预报结果;
所述网格化气象参数还包括:沙尘天气预报结果;
所述沙源地信息包括以下至少一项:
沙源地类别、下垫面类型、土地利用类型、湿度条件、风场条件。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,统计所述各站点基于气象模式生成的气象参数与实际气象参数之间的气象参数误差;
统计所述各站点的目标空气质量预报结果与实际空气质量结果之间的空气质量误差;
基于所述气象参数误差与所述空气质量误差生成误差诊断结果,所述误差诊断结果用于表征误差原因以及误差消除建议。
在本公开的第二方面,提供了一种空气质量预报装置。该装置包括:
获取模块,用于获取各站点的空气质量输入参数;
输入模块,用于将所述各站点的空气质量输入参数输入至多个不同的空气质量预报模式中,以获得所述各站点在不同空气质量预报模式下的空气质量预报结果;
嵌套模块,用于将所述各站点在不同空气质量预报模式下的空气质量预报结果按照所述不同空气质量预报模式各自对应的预报区域从大到小的嵌套顺序进行嵌套,以获得所述各站点的目标空气质量预报结果;其中,所述不同空气质量预报模式各自对应的空间分辨率也不相同,且预报区域越大,空间分辨率的数值越大。
在本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面和/或第二发面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开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,本公开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示出了根据本公开的实施例的空气质量预报方法的流程图;
图2示出了根据本公开的实施例的空气质量预报装置的方框图;
图3示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
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。
本公开中,可通过多层空气质量预报模式嵌套的方式提高空气质量预报结果的准确性,避免预报模式单一而导致空气质量预报结果不准确,且可利用预报区域不同的空气质量模式获得不同预报区域的空气质量预报结果,满足对不同预报区域的预报需求。
图1示出了根据本公开实施例的空气质量预报方法100的流程图。方法100包括:
步骤110,获取各站点的空气质量输入参数;
步骤120,将所述各站点的空气质量输入参数输入至多个不同的空气质量预报模式中,以获得所述各站点在不同空气质量预报模式下的空气质量预报结果;
其中,多个不同的空气质量预报模式指的是两个及两个以上的空气质量预报模式,如3个、4个等。
各站点的空气质量输入参数可以是各站点在预报时刻的网格化气象参数以及网格化排放清单,同样地,各站点在不同空气质量预报模式下的空气质量预报结果为各站点在预报时刻的网格化空气质量预报结果,只不过输入至某个空气质量预报模式的空气质量输入参数的网格化粒度即为与该空气质量预报模式对应的空间分辨率的数值,如若空气质量预报模式对应的空间分辨率的数值为27km,则网格化的空气质量输入参数的网格化粒度(即一个网格的大小)就是27公里*27公里。
空气质量预报结果可以包括常规6项污染物1小时浓度及IAQI(Individual AirQuality Index,空气质量分指数)、AQI(Air Quality Index,空气质量指数)、首要污染物,具体地,包括:
PM2.5、PM10的24小时滑动浓度均值、IAQI,以及
PM2.5、PM10、NO2、SO2、CO日均浓度,O3浓度8小时滑动均值及IAQI、AQI、首要污染物。
步骤130,将所述各站点在不同空气质量预报模式下的空气质量预报结果按照所述不同空气质量预报模式各自对应的预报区域从大到小的嵌套顺序进行嵌套,以获得所述各站点的目标空气质量预报结果;其中,所述不同空气质量预报模式各自对应的空间分辨率也不相同,且预报区域越大,空间分辨率的数值越大,空气质量预报模式的时间分辨率不低于1小时,且每个预报区域下可以有一个或多个站点,当然,每个预报区域下的站点越多,说明该预报区域所覆盖的站点越密集,越有利于提高空气质量预报结果的准确性。
通过将所述各站点的空气质量输入参数输入至多个不同的空气质量预报模式中,可以获得所述各站点在不同空气质量预报模式下的空气质量预报结果,然后这些空气质量预报结果按照空气质量预报模式对应的预报区域从大到小的嵌套顺序进行嵌套,即可获得所述各站点的目标空气质量预报结果,如此可通过多层空气质量预报模式嵌套的方式提高空气质量预报结果的准确性,避免预报模式单一而导致空气质量预报结果不准确,且由于不同空气质量模式具有不同的预报区域,因而,也可获得不同预报区域的空气质量预报结果,满足对不同预报区域的预报需求。
例如:可利用CMAQ、CAMx、WRF-Chem等空气质量预报模式,实现多模式集合预报。具体地,可利用目标集合预报模型建立三层嵌套的预报***,预报区域分别为D01全国、D02东北区域及周边地区和D03辽宁及周边区域,空间分辨率的数值分别为27km、9km和3km,预报时长均为15天。
其中,需要说明的是:预报区域越大的空气质量预报模式对应的空间分辨率的数值越大,预报区域下的网格就越大,网格化程度就越稀疏,相应地,该空气质量预报模式的分辨率就越低,该空气质量预报模式的空气质量预报结果的准确性就自然越低。
另外,在获得目标空气质量预报结果之后,还可根据目标空气质量预报结果的大小,发出预警,例如:若目标空气质量预报结果反应出来的是污染物浓度很高,则可以发出XX日XX时XX区域空气质量严重污染的警告,从而及时准确地为大气污染区域联防联控工作提供技术支撑。
在一些实施例中,所述将所述各站点在不同空气质量预报模式下的空气质量预报结果按照所述不同空气质量预报模式各自对应的预报区域从大到小的嵌套顺序进行嵌套,包括:
将所述各站点在不同空气质量预报模式下的空气质量预报结果进行异常筛选;
例如:可预设一个正常范围的空气质量预报结果,然后判断各站点在不同空气质量预报模式下的空气质量预报结果是否落入该正常范围内,若未落入,则剔除。
当然,被剔除的空气质量预报结果的预报位置的结果可采用插值、临近点取值算法等方式进行替补。
将异常筛选后的所述各站点在不同空气质量预报模式下的空气质量预报结果输入至目标集合预报模型中,可利用该目标集合预报模型按照预报区域从大到小的嵌套顺序以及空间分辨率的数值大小进行空气质量预报结果的嵌套,从而获得所述各站点的目标空气质量预报结果,所述目标空气质量预报结果为预设时长内的小时空气质量预报结果,所述预设时长不小于15天。
各站点在不同空气质量预报模式下的空气质量预报结果不一定都准确,可能存在较大偏差,因而,可进行异常筛选,过滤掉误差较大的空气质量预报结果,然后将正确率较高的各站点在不同空气质量预报模式下的空气质量预报结果输入至目标集合预报模型中,从而按照预报区域从大到小的嵌套顺序以及空间分辨率的数值大小进行嵌套,以获得预报范围大且预报准确性较高的目标空气质量预报结果。
其中,按照预报区域从大到小的嵌套顺序进行嵌套,并不是指按照空气质量预报结果输入至目标集合预报模型中的先后顺序进行嵌套,输入顺序是不限制的或者说输入是无序的,且输出也是无序的,而是指输出的目标空气质量预报结果不仅可用于表征不同预报区域的空气质量预报结果,且还可表征出不同预报区域的空气质量预报结果所具有的预报区域(即预报位置)从大到小的嵌套关系。例如:有A、B、C三个空气质量预报模式,其预报区域分别是全国、中国的中部区域、河南,则无论将这三个空气质量预报模式的空气质量预报结果按照何种顺序输入至目标集合预报模型中,其输出的目标空气质量预报结果均可以表征中国、中部、河南这三个地区的空气质量预报结果,且该目标空气质量预报结果还可表征出“中国-中部-河南”这一嵌套关系。
而按照空间分辨率的数值大小的嵌套顺序进行嵌套,可以是用高空间分辨率的空气质量预报结果替换低分辨率的空气质量预报结果,也可以是将高空间分辨率的空气质量预报结果与低空间分辨率的空气质量预报结果进行加权求和,本公开不作限制,本领域技术人员可根据实际情况自由选择。
具体地:目标集合预报模型的工作原理可以是:
在进行嵌套时,可按照预报区域从大到小的嵌套顺序进行嵌套的基础上,再按照空间分辨率的数值大小进行嵌套,例如:在按照预报区域从大到小的嵌套顺序进行嵌套这一大前提下,可用数值小的空间分辨率对应的空气质量预报结果替换数值大的空间分辨率对应的空气质量预报结果,或者将不同空间分辨率对应的空气质量预报结果进行加权求和,当然,对于预报区域大的空气质量预报结果,由于其空间分辨率的数值较大,准确度较低,且可能与其他预报区域没有重叠的区域,因而,没有重叠的区域无法通过替换或加权求和的方式提高准确度,则可以通过插值等方式提高预报密集度,进而提高空气质量预报结果的准确性。
例如:预报区域为中国和东北的两个空气质量预报结果,重叠区域只是中国的东北,中国东北之外的空气质量预报结果没有重叠的区域,那么对于中国东北之外的空气质量预报结果,由于预报区域为中国的空气质量预报结果对应的空间分辨率数值为27km,每个预报网格较大,准确度不够,因而,可通过对临近网格的预报结果进行插值的方式,提高预报结果的密集度,进而提高中国东北之外区域的空气质量预报结果,也相应地提高了对全国这一预报区域的空气质量预报结果。
而对于东北区域由于其是重叠区域,因而,关于该重叠区域的预报结果,可直接将预报区域为中国的空气质量预报结果在东北区域对应的部分预报结果和预报区域为东北的空气质量预报结果进行加权求和即可。
另外,将预报时长由7天延长至15天以上,可提高预报能力,实现中长期预报,为生产、生活带来极大的便利,提升用户体验,也有利于推动大气污染区域联防联控工作。
在一些实施例中,所述目标集合预报模型通过以下步骤进行获得:
获取所述各站点在不同空气质量预报模式下的多个历史预报结果输入至初始集合预报模型后输出的历史集合预报结果;
其中,本实施例中训练初始集合预报模型的多种空气质量预报模式,与后续实际预报时使用的多种空气质量预报模式要相同,从而确保预报结果的准确性。
历史预报结果可以是过去的7天、15天等历史时间段内空气质量预报模式输出的预报结果。
计算所述各站点在不同空气质量预报模式下的历史集合预报结果与各自对应的实际观测结果之间的误差预报;误差预报可以是差值的绝对值。
根据所述各站点在不同空气质量预报模式下的误差预报的变化特征,修改所述初始集合预报模型,以获得所述目标集合预报模型,所述变化特征包括每种污染物的空间变化特征以及时间变化特征。
空间变化特征用于表征每种污染物在同一时间不同位置(如同一预报区域的不同两个子区域)的数值之差;
时间变化特征用于表征每种污染物在同一位置不同时间(如昨天下午5点和今天下午5点)下的数值之差;
目标集合预报模型可利用各站点在不同空气质量预报模式下的误差预报的变化特征对初始集合预报模型进行训练后获得,具体地,利用误差预报在时间上的变化特征以及在空间上的变化特征,对初始集合预报模型中的各空气质量预报模式的空气质量预报结果对应的加权系数、插值参数等进行动态调整。
而动态调整的方式可以如下:根据每个空气质量模式下的时间变化特征和空间变化特征的大小,确定目标集合预报模型中该空气质量模式对应的加权系数,变化特征越大,说明误差越大,加权系数可以越小,从而使得不断修改后的目标集合预报模型更加成熟,预报的准确性更高。
例如:基于海量模式和观测历史数据集,考虑多模式、多污染物预报误差的历史时间和空间变化特征,分别采用OCF(Operational consensus forecasts,多模式最优集成方法)、OEF(Optimal Ensemble Forecast)和岭回归方法建立集合预报模型,实现对各站点未来15天甚至45天的污染物小时浓度的预报。
当然,为了对初始集合预报模型进行更准确的修改或训练,可利用不同空气质量预报模式下的误差预报的变化特征对不同空气质量预报模式下的历史集合预报结果进行误差矫正,以缩小不同空气质量预报模式下的预报结果的差异,然后再求取误差预报的新的变化特征,并利用新的变化特征修改或训练初始集合预报模型。而误差矫正的方式有很多,包括但不限于对误差预报的变化特征求平均,然后根据平均剔除一些误差太大或太小的空气质量预报结果,本公开不做限制。
在一些实施例中,在将异常筛选后的所述各站点在不同空气质量预报模式下的空气质量预报结果输入至目标集合预报模型中之前,所述方法还包括:
将异常筛选后的所述各站点在不同空气质量预报模式下的空气质量预报结果进行统一化处理,所述统一化处理包括以下至少一项:
统一数据格式、统一污染变量名称、统一污染变量单位、统一区域嵌套排序。
在输入至目标集合预报模型之前,通过将异常筛选后的各站点在不同空气质量预报模式下的空气质量预报结果自动地进行统一化处理,以便使得输入的预报结果表达方式更加统一,从而确保目标集合预报模型的输出结果更为准确,不受由于表达方式不一致而带来预报干扰。
在一些实施例中,所述空气质量输入参数包括:
网格化气象参数以及网格化污染物排放清单;
所述网格化污染物排放清单为基于行业信息、时间信息、空间信息、污染物排放情况而生成的,其中,所述空间信息包括经纬度、空间区域以及空间分配因子,所述空间分配因子包括以下至少一项:人口分布、路网情况、土地利用类型;
所述网格化气象参数为基于气象模式生成的气象参数,所述网格化气象参数包括以下至少一项:网格化温度参数、网格化光照参数、网格化湿度参数以及网格化降水量。
输入至空气质量预报模式中的空气质量输入参数包括但不限于网格化气象参数、网格化污染物排放清单,还可以包括空气质量模式的模式参数。
另外,网格化污染物排放清单可以基于行业信息、时间信息、空间信息、污染物排放情况等多种因素生成,如此可开展分行业(如钢铁、水泥、石油、化工、制药、电厂源、民用源、交通源等不同行业)、分空间(同一预报区域下也有很多不同的空间)、分时间的网格化空间排放分配处理,使得污染物的排放清单可涉及更多分布维度,更加准确,这也有助于最终的目标空气质量预报结果更为准确。
在一些实施例中,所述气象模式包括天气预报模式;
所述方法还包括:
将所述各站点的沙源地信息以及实时天气条件输入至所述天气预报模式(如WRF)中,以获得所述各站点的沙尘天气预报结果;
所述网格化气象参数还包括:沙尘天气预报结果;
所述沙源地信息包括以下至少一项:
沙源地类别、下垫面类型、土地利用类型、湿度条件、风场条件。
通过各站点的沙源地信息以及实时天气条件输入至所述天气预报模式中,可获得所述各站点关于沙尘源地起沙、传输过程、传输路径、影响范围、强度等沙尘天气过程的沙尘天气预报结果,进一步地,将该沙尘天气预报结果作为空气质量预报模式的输入参数,可丰富空气质量预报模式的输入参数,使得空气质量预报模式的空气质量预报结果除了结合其他气象信息也结合了沙尘的影响,准确度更高一些。
在一些实施例中,统计所述各站点基于气象模式生成的气象参数与实际气象参数之间的气象参数误差;
统计所述各站点的目标空气质量预报结果与实际空气质量结果之间的空气质量误差;
基于所述气象参数误差与所述空气质量误差生成误差诊断结果,所述误差诊断结果用于表征误差原因以及误差消除建议。
通过统计各站点的气象参数误差以及空气质量误差,可智能而自动地生成误差诊断结果,从而根据实际空气质量预报结果、实际气象参数,不断优化本公开的空气质量预报方式,进一步提高空气质量预报结果的准确度。
例如:由于气象参数是将气象模式的输入场输入至气象模式中得到的输出参数(该输出参数也即预报时刻的气象场),因而,可根据气象参数误差给出可能是气象模式选择不对,气象模式的输入场、气象模式的模式参数不准等误差原因,然后给出更换气象模式或者重新选择气象信息作为输入场、更新模式参数的误差消除建议;
又例如:根据空气质量误差给出可能是空气质量预报模式选择不对,预报区域太大、空间分辨率数值选择不准等误差原因,然后给出更换空气质量预报模式或者重新调整预报区域以及空间分辨率的误差消除建议。
当然,生成误差诊断结果可以定期生成也可以每次都生成。
而具体的生成原理可以如下:
针对本公开的气象和空气质量逐小时预报效果,与对应气象观测结果、污染物观测结果进行对比分析,评估分析不同污染物预报偏差,至少包含温度、湿度、风速、地面气压等气象要素和细颗粒物(PM2.5)、可吸入颗粒物(PM10)、臭氧(O3)、二氧化氮(NO2)、二氧化硫(SO2)、一氧化碳(CO)等六项常规污染物预报,然后给出气象和空气质量模式模拟误差来源原因及专业建议,形成预报效果诊断分析材料;服务期可以一年,每季度至少提供两次空气质量预报效果诊断分析服务。
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,本公开并不受所描述的动作顺序的限制,因为依据本公开,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公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图2示出了根据本公开的实施例的空气质量预报装置200的方框图。如图2所示,装置200包括:
获取模块210,用于获取各站点的空气质量输入参数;
输入模块220,用于将所述各站点的空气质量输入参数输入至多个不同的空气质量预报模式中,以获得所述各站点在不同空气质量预报模式下的空气质量预报结果;
嵌套模块230,用于将所述各站点在不同空气质量预报模式下的空气质量预报结果按照所述不同空气质量预报模式各自对应的预报区域从大到小的嵌套顺序进行嵌套,以获得所述各站点的目标空气质量预报结果;其中,所述不同空气质量预报模式各自对应的空间分辨率也不相同,且预报区域越大,空间分辨率的数值越大。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图3示出了可以用来实施本公开的实施例的电子设备300的示意性框图。设备300可以用于实现图1的空气质量预报。如图3所示,设备300包括CPU301,其可以根据存储在ROM302中的计算机程序指令或者从存储单元308加载到RAM303中的计算机程序指令,来执行各种适当的动作和处理。在RAM 303中,还可以存储设备300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。I/O接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
CPU301执行上文所描述的各个方法和处理,例如方法100。例如,在一些实施例中,方法100可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由CPU 301执行时,可以执行上文描述的方法100的一个或多个步骤。备选地,在其他实施例中,CPU 301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法100。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑器件(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM、光纤、CD-ROM、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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公开的范围的限制。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 (8)
1.一种空气质量预报方法,其特征在于,包括:
获取各站点的空气质量输入参数;
将所述各站点的空气质量输入参数输入至多个不同的空气质量预报模式中,以获得所述各站点在不同空气质量预报模式下的空气质量预报结果;
将所述各站点在不同空气质量预报模式下的空气质量预报结果进行异常筛选;被筛选掉的空气质量预报结果的预报位置的结果采用插值或临近点取值算法方式进行替补;
将异常筛选后的所述各站点在不同空气质量预报模式下的空气质量预报结果自动地进行统一化处理,输入至目标集合预报模型中,以按照所述不同空气质量预报模式各自对应的预报区域从大到小的嵌套顺序以及空间分辨率的数值大小进行嵌套,其中,在进行嵌套时,按照预报区域从大到小的嵌套顺序进行嵌套的基础上,再按照空间分辨率的数值大小进行嵌套,即在按照预报区域从大到小的嵌套顺序进行嵌套这一大前提下,用数值小的空间分辨率对应的空气质量预报结果替换数值大的空间分辨率对应的空气质量预报结果,或者将不同空间分辨率对应的空气质量预报结果进行加权求和,从而获得所述各站点的目标空气质量预报结果,所述目标空气质量预报结果为预设时长内的小时空气质量预报结果;其中,所述不同空气质量预报模式各自对应的空间分辨率也不相同,且预报区域越大,空间分辨率的数值越大,所述预设时长不小于15天;
所述目标集合预报模型通过以下步骤进行获得:
获取所述各站点在不同空气质量预报模式下的多个历史预报结果输入至初始集合预报模型后输出的历史集合预报结果;计算所述各站点在不同空气质量预报模式下的历史集合预报结果与各自对应的实际观测结果之间的误差预报;根据所述各站点在不同空气质量预报模式下的误差预报的变化特征,对初始集合预报模型中的各空气质量预报模式的空气质量预报结果对应的加权系数、插值参数进行动态调整,修改所述初始集合预报模型,以获得所述目标集合预报模型,所述变化特征包括空间变化特征以及时间变化特征,空间变化特征用于表征每种污染物在同一时间不同位置的数值之差;时间变化特征用于表征每种污染物在同一位置不同时间下的数值之差;
所述动态调整的方式为根据每个空气质量模式下的所述时间变化特征和所述空间变化特征的大小,确定目标集合预报模型中该空气质量模式对应的加权系数,变化特征越大,误差越大,加权系数越小;
所述获取所述各站点在不同空气质量预报模式下的多个历史预报结果输入至初始集合预报模型后输出的历史集合预报结果,包括:利用不同空气质量预报模式下的误差预报的变化特征对不同空气质量预报模式下的历史集合预报结果进行误差矫正,以缩小不同空气质量预报模式下的预报结果的差异,再求取误差预报的新的变化特征,并利用新的变化特征修改或训练初始集合预报模型;所述误差矫正的方式包括对误差预报的变化特征求平均,根据平均剔除误差太大或太小的空气质量预报结果。
2.根据权利要求1所述的方法,其特征在于,所述统一化处理包括以下至少一项:
统一数据格式、统一污染变量名称、统一污染变量单位、统一区域嵌套排序。
3.根据权利要求1至2中任一项所述的方法,其特征在于,
所述空气质量输入参数包括:
网格化气象参数以及网格化污染物排放清单;
所述网格化污染物排放清单为基于行业信息、时间信息、空间信息和污染物排放情况而生成的,其中,所述空间信息包括经纬度、空间区域以及空间分配因子,所述空间分配因子包括以下至少一项:人口分布、路网情况、土地利用类型;
所述网格化气象参数为基于气象模式生成的气象参数,所述网格化气象参数包括以下至少一项:网格化温度参数、网格化光照参数、网格化湿度参数以及网格化降水量。
4.根据权利要求3所述的方法,其特征在于,所述气象模式包括天气预报模式;
所述方法还包括:
将所述各站点的沙源地信息以及实时天气条件输入至所述天气预报模式中,以获得所述各站点的沙尘天气预报结果;
所述网格化气象参数还包括:沙尘天气预报结果;
所述沙源地信息包括以下至少一项:
沙源地类别、下垫面类型、土地利用类型、湿度条件、风场条件。
5.根据权利要求3所述的方法,其特征在于,
统计所述各站点基于气象模式生成的气象参数与实际气象参数之间的气象参数误差;
统计所述各站点的目标空气质量预报结果与实际空气质量结果之间的空气质量误差;
基于所述气象参数误差与所述空气质量误差生成误差诊断结果,所述误差诊断结果用于表征误差原因以及误差消除建议。
6.一种空气质量预报装置,其特征在于,包括:
获取模块,用于获取各站点的空气质量输入参数;
输入模块,用于将所述各站点的空气质量输入参数输入至多个不同的空气质量预报模式中,以获得所述各站点在不同空气质量预报模式下的空气质量预报结果;
嵌套模块,用于将所述各站点在不同空气质量预报模式下的空气质量预报结果进行异常筛选;被筛选掉的空气质量预报结果的预报位置的结果采用插值或临近点取值算法方式进行替补;
将异常筛选后的所述各站点在不同空气质量预报模式下的空气质量预报结果自动地进行统一化处理,输入至目标集合预报模型中,以按照所述不同空气质量预报模式各自对应的预报区域从大到小的嵌套顺序以及空间分辨率的数值大小进行嵌套,其中,在进行嵌套时,按照预报区域从大到小的嵌套顺序进行嵌套的基础上,再按照空间分辨率的数值大小进行嵌套,即在按照预报区域从大到小的嵌套顺序进行嵌套这一大前提下,用数值小的空间分辨率对应的空气质量预报结果替换数值大的空间分辨率对应的空气质量预报结果,或者将不同空间分辨率对应的空气质量预报结果进行加权求和,从而获得所述各站点的目标空气质量预报结果,所述目标空气质量预报结果为预设时长内的小时空气质量预报结果;其中,所述不同空气质量预报模式各自对应的空间分辨率也不相同,且预报区域越大,空间分辨率的数值越大,所述预设时长不小于15天;
所述目标集合预报模型通过以下步骤进行获得:
获取所述各站点在不同空气质量预报模式下的多个历史预报结果输入至初始集合预报模型后输出的历史集合预报结果;计算所述各站点在不同空气质量预报模式下的历史集合预报结果与各自对应的实际观测结果之间的误差预报;根据所述各站点在不同空气质量预报模式下的误差预报的变化特征,对初始集合预报模型中的各空气质量预报模式的空气质量预报结果对应的加权系数、插值参数进行动态调整,修改所述初始集合预报模型,以获得所述目标集合预报模型,所述变化特征包括空间变化特征以及时间变化特征,空间变化特征用于表征每种污染物在同一时间不同位置的数值之差;时间变化特征用于表征每种污染物在同一位置不同时间下的数值之差;
所述动态调整的方式为根据每个空气质量模式下的所述时间变化特征和所述空间变化特征的大小,确定目标集合预报模型中该空气质量模式对应的加权系数,变化特征越大,误差越大,加权系数越小;
所述获取所述各站点在不同空气质量预报模式下的多个历史预报结果输入至初始集合预报模型后输出的历史集合预报结果,还包括:利用不同空气质量预报模式下的误差预报的变化特征对不同空气质量预报模式下的历史集合预报结果进行误差矫正,以缩小不同空气质量预报模式下的预报结果的差异,再求取误差预报的新的变化特征,并利用新的变化特征修改或训练初始集合预报模型;所述误差矫正的方式包括对误差预报的变化特征求平均,根据平均剔除误差太大或太小的空气质量预报结果。
7.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~5中任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194596.XA CN113642223B (zh) | 2021-10-13 | 2021-10-13 | 空气质量预报方法、装置、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194596.XA CN113642223B (zh) | 2021-10-13 | 2021-10-13 | 空气质量预报方法、装置、设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642223A CN113642223A (zh) | 2021-11-12 |
CN113642223B true CN113642223B (zh) | 2022-05-06 |
Family
ID=78426692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111194596.XA Active CN113642223B (zh) | 2021-10-13 | 2021-10-13 | 空气质量预报方法、装置、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642223B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048279B (zh) * | 2021-11-23 | 2022-06-17 | 中科三清科技有限公司 | 生成预报信息的方法和装置 |
CN114090266B (zh) * | 2021-12-01 | 2022-12-09 | 中科三清科技有限公司 | 空气质量预报生成方法和装置 |
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 |
CN117951201B (zh) * | 2024-03-27 | 2024-05-31 | 中科三清科技有限公司 | 一种碳排放清单建立方法、装置、电子设备及存储介质 |
CN118013769B (zh) * | 2024-04-10 | 2024-06-14 | 南京气象科技创新研究院 | 一种基于WRF-Chem的大气污染物浓度预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273995A (zh) * | 2016-04-08 | 2017-10-20 | 株式会社日立制作所 | 空气质量预报方法 |
CN109738972A (zh) * | 2018-12-29 | 2019-05-10 | 中科三清科技有限公司 | 空气污染物预报方法、装置及电子设备 |
CN111538935A (zh) * | 2019-12-26 | 2020-08-14 | 北京玖天气象科技有限公司 | 基于地形特征和多源模式产品的精细化降水融合方法、***、电子设备及存储介质 |
CN112526639A (zh) * | 2020-11-27 | 2021-03-19 | 中科三清科技有限公司 | 一种空气质量的预报方法、装置、存储介质 |
CN112836862A (zh) * | 2021-01-15 | 2021-05-25 | 上海市环境监测中心(上海长三角区域空气质量预测预报中心) | 一种基于机器学习算法的集合预报方法、***及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10976471B2 (en) * | 2017-03-07 | 2021-04-13 | International Business Machines Corporation | Post-processing air quality forecasts |
-
2021
- 2021-10-13 CN CN202111194596.XA patent/CN113642223B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273995A (zh) * | 2016-04-08 | 2017-10-20 | 株式会社日立制作所 | 空气质量预报方法 |
CN109738972A (zh) * | 2018-12-29 | 2019-05-10 | 中科三清科技有限公司 | 空气污染物预报方法、装置及电子设备 |
CN111538935A (zh) * | 2019-12-26 | 2020-08-14 | 北京玖天气象科技有限公司 | 基于地形特征和多源模式产品的精细化降水融合方法、***、电子设备及存储介质 |
CN112526639A (zh) * | 2020-11-27 | 2021-03-19 | 中科三清科技有限公司 | 一种空气质量的预报方法、装置、存储介质 |
CN112836862A (zh) * | 2021-01-15 | 2021-05-25 | 上海市环境监测中心(上海长三角区域空气质量预测预报中心) | 一种基于机器学习算法的集合预报方法、***及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113642223A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642223B (zh) | 空气质量预报方法、装置、设备和计算机可读存储介质 | |
CN108802856B (zh) | 一种基于ai的源数据动态修正预报***及其工作方法 | |
CN105181898A (zh) | 基于大密度部署传感器的大气污染监控及管理方法及*** | |
CN111985701A (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
CN112285807A (zh) | 一种气象信息预测方法及装置 | |
CN112906941B (zh) | 面向动态相关空气质量时间序列的预测方法及*** | |
CN110705771A (zh) | 区域电网新能源发电功率预测优化方法和装置 | |
CN110261272B (zh) | 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 | |
CN112991132B (zh) | Pm2.5和臭氧协同管控区域识别方法及装置 | |
CN113537563B (zh) | 污染应急管控效果评估方法及装置 | |
CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析***及其方法 | |
CN116228171B (zh) | 一种企业碳排放监测***及方法 | |
CN114819696A (zh) | 确定污染物浓度影响因素的方法、装置及电子设备 | |
CN114357058A (zh) | 一种臭氧污染溯源方法 | |
CN117871790B (zh) | 基于多种数据融合的路边监测站数据分析和交通溯源方法 | |
CN116205541A (zh) | 评估本地污染源对环境空气质量影响的方法及装置 | |
CN115545565A (zh) | 基于大气环境质量的园区排污总量管控方法和*** | |
CN117935561A (zh) | 一种基于北斗数据的智能交通流分析方法 | |
CN115420690A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
Verma et al. | BREATH-Net: a novel deep learning framework for NO2 prediction using bi-directional encoder with transformer | |
CN114510850B (zh) | 一种大气六参差异化的多模型融合校准方法及*** | |
Ip et al. | Least squares support vector prediction for daily atmospheric pollutant level | |
CN115983478A (zh) | 分布式光伏发电功率预测分析方法、***、终端及介质 | |
CN111177982A (zh) | 一种应急决策指挥***及方法 | |
CN118115180B (zh) | 识别高贡献浓度的热点网格的方法与装置 |
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 |