CN113657023A - 基于机器学习和深度学习结合的近地面臭氧浓度反演方法 - Google Patents

基于机器学习和深度学习结合的近地面臭氧浓度反演方法 Download PDF

Info

Publication number
CN113657023A
CN113657023A CN202110815597.5A CN202110815597A CN113657023A CN 113657023 A CN113657023 A CN 113657023A CN 202110815597 A CN202110815597 A CN 202110815597A CN 113657023 A CN113657023 A CN 113657023A
Authority
CN
China
Prior art keywords
neural network
deep
wide
ozone concentration
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.)
Pending
Application number
CN202110815597.5A
Other languages
English (en)
Inventor
马鹏飞
张玉环
周春艳
张建辉
王玉
张连华
张大为
李巍
赵少华
王中挺
朱海涛
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.)
Satellite Application Center for Ecology and Environment of MEE
Original Assignee
Satellite Application Center for Ecology and Environment of MEE
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 Satellite Application Center for Ecology and Environment of MEE filed Critical Satellite Application Center for Ecology and Environment of MEE
Priority to CN202110815597.5A priority Critical patent/CN113657023A/zh
Publication of CN113657023A publication Critical patent/CN113657023A/zh
Pending legal-status Critical Current

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于机器学习和深度学习结合的近地面臭氧浓度反演方法，该方法，该方法中通过调取训练样本来训练反演模型，在训练获得性能良好的反演模型基础上，通过输入卫星观测数据获得的对流层中低层臭氧廓线即可获得对应区域的近地面臭氧浓度信息，其中，所述反演模型为W i de&Deep神经网络，具体来说由单层的W i de神经网络部分和深层的Deep多层神经网络部分组成，输出层采用l og i st i cs regress i on综合W i de和Deep部分的输出，使得训练得到的模型能够同时获得记忆和泛化的能力。

Description

基于机器学习和深度学习结合的近地面臭氧浓度反演方法
技术领域
本发明涉及近地面臭氧浓度反演技术领域，具体涉及一种 基于机器学习和深度学习结合的近地面臭氧浓度反演方法。
背景技术
在区域和全球范围内监测臭氧是一个至关重要的社会问 题，由于地面监测站点稀少，尤其在农村和偏远地区，空间覆 盖范围不够，无法精确评估区域整体污染状况。卫星遥感相对 地面监测站点，可以提供大区域尺度的臭氧浓度信息，目前， 在环境评估方面开展的大部分遥感监测应用，都是直接利用臭 氧柱浓度来评估城市臭氧污染状况，无法精准定位受人为排放 导致的臭氧重污染区域，因此，急需开展大区域尺度的近地面 臭氧浓度监测，作为地面观测和大气模拟的重要补充，更加全 面地了解臭氧污染过程。
由于上述原因，本发明人对现有近地面臭氧浓度反演方法 做了深入研究，以期待设计出一种能够解决上述问题的基于机 器学习和深度学习结合的近地面臭氧浓度反演方法。
发明内容
为了克服上述问题，本发明人进行了锐意研究，设计出一 种基于机器学习和深度学习结合的近地面臭氧浓度反演方法， 该方法，该方法中通过调取训练样本来训练反演模型，在训练 获得性能良好的反演模型基础上，通过输入卫星观测数据获得 的对流层中低层臭氧廓线即可获得对应区域的近地面臭氧浓度 信息，其中，所述反演模型为Wide&Deep神经网络，具体来说由 浅层(或单层)的Wide神经网络部分和深层的Deep多层神经网 络部分组成，输出层采用logistics regression综合Wide和 Deep部分的输出，使得训练得到的模型能够同时获得记忆和泛 化的能力，从而完成本发明。
具体来说，本发明的目的在于提供一种基于机器学习和深 度学习结合的近地面臭氧浓度反演方法，其特征在于，
该方法包括如下步骤：
S1、调取训练样本训练反演模型；
S2、调取监测地区的卫星遥感信息输入到所述反演模型中， 获得监测地区的近地面臭氧浓度信息。
其中，步骤S1包括以下子步骤：
S11、建立Wide&Deep神经网络；
S12、将训练样本代入到Wide&Deep神经网络中对其进行训 练，得到反演模型。
其中，所述Wide&Deep神经网络包括浅层或单层的Wide神经 网络部分和深层的Deep多层神经网络部分；
在步骤S12中，Wide神经网络部分的输入数据包括基础特征 数据和组合特征；
在步骤S12中，Deep多层神经网络部分的输入数据包括基础 特征数据；
所述基础特征数据包括aod055数据，ERA5特征数据、 TROPOMI Level2特征数据和时间特征数据。
所述基础特征数据都通过调取卫星数据获得。
通过下式(一)对所述基础特征数据做特征转化，得到组 合基础特征：
Figure BDA0003169920370000031
其中，φk(X)表示组合基础特征，d表示特征空间，xi表示 第i个基础特征，cki表示基础特征选择项；
优选地，通过gbdt模型根据组合基础特征获得作为wide神 经网络部分输入的组合特征。
其中，在S12中，训练样本目标值为地面基站探测获得的臭 氧浓度值；
所述Wide&Deep神经网络的输出数据为：
Figure BDA0003169920370000032
其中，所述
Figure BDA0003169920370000033
表示Wide神经网络部分的输出，
Figure BDA0003169920370000034
表示Deep多层神经网络部分最后一层激活函数的输 出；
σ表示Wide&Deep神经网络最终的sigmoid激活函数；
b表示常量。
其中，在S2中，所述卫星遥感信息包括对流层中低层臭氧 廓线。
本发明所具有的有益效果包括：
(1)根据本发明提供的基于机器学习和深度学习结合的近 地面臭氧浓度反演方法，该方法首次采用Wide&Deep的组合机 器学习模型，既具备传统机器学习便于拟合人工经验的优势， 同时具备了神经网络的自学习和超高维特征数据处理的能力， 进而获取大区域尺度的近地面臭氧浓度产品，为近地面臭氧污 染成因分析提供数据支撑；
(2)根据本发明提供的基于机器学习和深度学习结合的近 地面臭氧浓度反演方法，该方法中通过Wide&Deep组合模型，分 析处理影响近地面臭氧浓度的多个参数，反演获取高精度的近 地面臭氧浓度。
附图说明
图1示出本发明实施例中获得的臭氧浓度信息散点图；
图2示出通过XGBoost方法获得的臭氧浓度信息散点图。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这 些说明，本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说 明性”。这里作为“示例性”所说明的任何实施例不必解释为优 于或好于其它实施例。尽管在附图中示出了实施例的各种方面， 但是除非特别指出，不必按比例绘制附图。
根据本发明提供的基于机器学习和深度学习结合的近地面 臭氧浓度反演方法，该方法包括如下步骤：
S1、调取训练样本训练反演模型；
S2、调取监测地区的卫星遥感信息输入到所述反演模型中， 获得监测地区的近地面臭氧浓度信息。
其中，步骤S1包括以下子步骤：
S11、建立Wide&Deep神经网络；
S12、将训练样本代入到Wide&Deep神经网络中对其进行训 练，得到反演模型。
所述训练样本包括一个区域对应的对流层中低层臭氧廓 线，TROPOMI Level2特征数据，ERA5特征数据，用于估算PM2.5 的aod055数据；另外，还包括作为训练样本目标值的通过地面 基站获得的近地面臭氧浓度数据。
在一个优选的实施方式中，所述Wide&Deep神经网络包括浅 层或单层的Wide神经网络部分和深层的Deep多层神经网络部 分；
所述浅层或单层的Wide神经网络部分优选为单层神经网 络，其传递函数为单层激活函数，具体如下：
Figure BDA0003169920370000051
在步骤S12中，Wide神经网络部分的输入数据包括基础特征 数据和组合特征；
在步骤S12中，Deep多层神经网络部分的输入数据包括基础 特征数据；即所述基础特征数据需要分别输送给Wide神经网络 部分和Deep多层神经网络部分。
所述基础特征数据包括aod055数据，ERA5特征数据、 TROPOMI Level2特征数据和时间特征数据，其中所述aod055数 据为PM2.5特征数据，即用于估算PM2.5的数据；
其中，所述ERA5特征数据包括'd2m','t2m','pev', 'str','skt','sp','bld','blh','tcc','r','t','u','v', 'tp'；所述d2m表示2m露点温度，t2m表示2m温度，pev表示潜在 蒸散量，str表示地表热辐射，skt表示气温，sp表示地面气压， bld表示边界层消能，blh表示边界层高度，tcc表示总云量，r 表示相对湿度，t表示温度，u表示经度方向上的风，v表示纬度 方向上的风，tp表示总降水量。
所述TROPOMI Level2特征数据包括'Ozone(O3)total column','Ozone(O3)tropospheric column','Ozone(O3) profile','Ozone(O3)tropospheric profile'；所述Ozone(O3) total column表示臭氧柱总量，所述Ozone(O3)tropospheric column表示对流层臭氧柱浓度，所述Ozone(O3)profile表示 臭氧廓线，所述Ozone(O3)troposphericprofile表示对流层 臭氧廓线。
所述时间特征数据包括'day_sin','day_cos', 'month_sin','month_cos'，所述day_sin表示时间“天”的正 弦向量化特征，day_cos表示时间“天”的余弦向量化特征，month_sin表示时间“月”的正弦向量化特征，month_cos表示 时间“月”的余弦向量化特征。
所述基础特征数据都通过调取卫星数据获得。
优选地，在向Wide&Deep神经网络中输入数据前，对基础特 征数据做特征转化，得到组合基础特征，再通过gbdt模型筛选 出组合特征，将得到的组合特征和基础特征一同输入到Wide神 经网络部分；
其中通过下式(一)进行特征转化：
Figure BDA0003169920370000061
其中，φk(X)表示第k个组合基础特征，d表示特征空间，xi表示第i个基础特征，cki表示基础特征选择项，其取值为0或1， 仅当k等于i时候取值1，其余时候取值为0；
本申请中，组合基础特征通过多项式组合方法枚举二阶、 三阶的全部组合特征，并输入gbdt模型选取权重比较大的前16 维作为wide神经网络部分输入的组合特征。
优选地，本申请中的所述组合特征包括：'aod055_d2m_str', 'aod055_d2m','aod055_str_sp','aod055_sp','d2m_t2m','d2 m_pev_r_t','t2m_v','pev_blh','pev_r_t','str_skt','skt_ blh','sp_t','bld_t','bld_blh_t','blh_r','blh_t'。所述组 合特征中都包含两组或者三组基础特征数据，如组合特征'aod055_d2m_str'，其中包含aod055数据、2m露点温度数据和 地表热辐射数据。
Wide神经网络部分通过输入这种特征交叉函数获得的组合 特征，可得到学习特征之间浅层交叉的能力，这种浅层特征交 叉能力进一步保证了由Wide神经网络组成的Wide&Deep组合模 型能够学习到人工先验知识。
在一个优选的实施方式中，所述Deep多层神经网络部分， 在深层DNN前馈神经网络的基础上，通过增加多层的全连接网络 构建而成；
所述多层全连接网络定义为：
a(l+1)＝f(W(l)a(l)+h(l))
其中，a(l+1)表示L+1层输出；
a(l)表示第L层的输出，
h(l)表示偏置项，属于模型训练学习的目标，
W(l)表示参数项，属于模型训练学习的目标，
f()表示激活函数，属于模型训练学习的目标。
本申请中，每一层全连接网络的输出会作为下一层全连接 网络的输入，从而得到学习特征之间深层交叉的能力，这种深 层特征交叉保证了由Deep神经网络组成的Wide&Deep组合模型 具备了自主探索和学习超高维特征空间的能力。
在一个优选的实施方式中，在S12中，训练样本目标值为地 面基站探测获得的臭氧浓度值；
所述Wide&Deep神经网络的输出数据为：
Figure BDA0003169920370000071
通过上述算式拟合臭氧，该输出 数据即为拟合臭氧浓度，该输出数据与实际臭氧的误差即为模 型迭代学习需要降低的目标；
其中，所述
Figure BDA0003169920370000072
表示Wide神经网络部分的输出，其中，X表示基础特征，φ(X)表示组合特征；即，
Figure BDA0003169920370000081
表示通过 基础特征X和组合特征φ(X)共同获得的Wide神经网络部分的输 出，
Figure BDA0003169920370000082
表示Deep多层神经网络部分最后一层激活函数的输 出；其中的a(lf)表示多层全连接网络的最后一层输出。
σ表示Wide&Deep神经网络最终的sigmoid激活函数；
b表示常量，是模型训练需要学习的参数，根据训练数据选 择设置。
进一步地，优选地，Wide神经网络部分和Deep多层神经网 络部分在训练时是彼此独立的，即分别输入数据，经过处理后 分别得到输出值，将两个输出值做拟合处理的结果作为模型的 输出结果，进而与实际臭氧相比较，利用比较结果反馈调整模 型参数。
优选地，所述训练完成的判断条件是训练迭代次数超过1 万次或者训练迭代得到的拟合臭氧信息满足下式：
拟合臭氧-实际臭氧/实际臭氧≤0.05；
所述实际臭氧为通过地面基站获得的近地面臭氧浓度数 据。
在一个优选的实施方式中，在S2中，调取监测地区的卫星 遥感信息，据此获得该监测地区的对流层中低层臭氧廓线，将 该对流层中低层臭氧廓线输入到S1获得的反演模型中，该反演 模型即可输出对应的该监测地区的近地面臭氧浓度信息。
实施例
训练反演模型：
步骤1，从卫星数据中调取训练样本，该训练样本具体包括 aod055数据，ERA5特征数据、TROPOMI Level2特征数据、时间 特征数据和地面基站获得的近地面臭氧浓度数据。部分训练样 本如下表中所示：
Figure BDA0003169920370000091
步骤2，建立Wide&Deep神经网络，所述Wide&Deep神经网络 中Wide神经网络部分的输入数据包括基础特征数据和组合特征
所述Wide&Deep神经网络中Deep多层神经网络部分的输入 数据包括基础特征数据；
其中，通过下式(一)对基础特征数据进行特征转化，再 通过gbdt模型筛选出组合特征；
Figure BDA0003169920370000092
Wide神经网络部分中的传递函数为：
Figure BDA0003169920370000093
Deep多层神经网络部分中的多层全连接网络定义为：
a(l+1)＝f(W(l)a(l)+h(l))
其中，a(l+1)表示L+1层输出；
a(l)表示第L层的输出，
h(l)表示偏置项，
W(l)表示参数项，
f()表示激活函数。
该Wide&Deep神经网络的输出数据为：
Figure BDA0003169920370000101
其中，所述
Figure BDA0003169920370000102
表示通过基础特征X和组合特征φ(X) 共同获得的Wide神经网络部分的输出，
Figure BDA0003169920370000103
表示Deep多层神经网络部分最后一层激活函数的输 出；
σ表示Wide&Deep神经网络最终的sigmoid激活函数,该激 活函数的解算式为
Figure BDA0003169920370000104
b表示常量。
在经过1万次反演训练后，完成反演模型的训练，调取京津 冀地区的对流层中低层臭氧廓线，并输入到所述反演模型中， 得到对应的该地区的近地面臭氧浓度信息。
再调取位于该地区的地面观测站点获得的臭氧浓度数据， 比较两组臭氧浓度数据可知，本申请提供的基于机器学习和深 度学习结合的近地面臭氧浓度反演方法的臭氧浓度情况如图1 中所示，图1为散点图，其中每个点为一组臭氧浓度信息，横坐 标为反演得到的臭氧浓度，纵坐标为观测站点观测到的臭氧浓 度，该图中的R2达到0.9。
利用与上述实施例相同的数据，根据传统方法即XGBoost 获得的臭氧浓度情况如图2中所示，可知其R2为0.74。
以上表明，本发明的基于机器学习和深度学习结合的近地 面臭氧浓度反演方法具有显著提高的准确率。
以上结合了优选的实施方式对本发明进行了说明，不过这 些实施方式仅是范例性的，仅起到说明性的作用。在此基础上， 可以对本发明进行多种替换和改进，这些均落入本发明的保护 范围内。

Claims (7)

1.一种基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
该方法包括如下步骤：
S1、调取训练样本训练反演模型；
S2、调取监测地区的卫星遥感信息输入到所述反演模型中，获得监测地区的近地面臭氧浓度信息。
2.根据权利要求1所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
步骤S1包括以下子步骤：
S11、建立Wide&Deep神经网络；
S12、将训练样本代入到Wide&Deep神经网络中对其进行训练，得到反演模型。
3.根据权利要求2所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
所述Wide&Deep神经网络包括浅层或单层的Wide神经网络部分和深层的Deep多层神经网络部分；
在步骤S12中，Wide神经网络部分的输入数据包括基础特征数据和组合特征；
在步骤S12中，Deep多层神经网络部分的输入数据包括基础特征数据；
所述基础特征数据包括aod055数据，ERA5特征数据、TROPOMI Level2特征数据和时间特征数据。
4.根据权利要求3所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
所述基础特征数据都通过调取卫星数据获得。
5.根据权利要求2所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
通过下式(一)对所述基础特征数据做特征转化，得到组合基础特征：
Figure FDA0003169920360000021
其中，φk(X)表示组合基础特征，d表示特征空间，xi表示第i个基础特征，cki表示基础特征选择项；
优选地，通过gbdt模型根据组合基础特征获得作为wide神经网络部分输入的组合特征。
6.根据权利要求2所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
在S12中，训练样本目标值为地面基站探测获得的臭氧浓度值；
所述Wide&Deep神经网络的输出数据为：
Figure FDA0003169920360000022
其中，所述
Figure FDA0003169920360000023
表示Wide神经网络部分的输出，
Figure FDA0003169920360000024
表示Deep多层神经网络部分最后一层激活函数的输出；
σ表示Wide&Deep神经网络最终的sigmoid激活函数；
b表示常量。
7.根据权利要求1所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
在S2中，所述卫星遥感信息包括对流层中低层臭氧廓线。
CN202110815597.5A 2021-07-19 2021-07-19 基于机器学习和深度学习结合的近地面臭氧浓度反演方法 Pending CN113657023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110815597.5A CN113657023A (zh) 2021-07-19 2021-07-19 基于机器学习和深度学习结合的近地面臭氧浓度反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110815597.5A CN113657023A (zh) 2021-07-19 2021-07-19 基于机器学习和深度学习结合的近地面臭氧浓度反演方法

Publications (1)

Publication Number Publication Date
CN113657023A true CN113657023A (zh) 2021-11-16

Family

ID=78489625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110815597.5A Pending CN113657023A (zh) 2021-07-19 2021-07-19 基于机器学习和深度学习结合的近地面臭氧浓度反演方法

Country Status (1)

Country Link
CN (1) CN113657023A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357894A (zh) * 2022-03-11 2022-04-15 阿里巴巴达摩院(杭州)科技有限公司 大气污染物的处理方法、存储介质以及计算机终端
CN117236528A (zh) * 2023-11-15 2023-12-15 成都信息工程大学 一种基于组合模型和因子筛选的臭氧浓度预报方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052627A (zh) * 2020-08-21 2020-12-08 海南星瞰信息咨询中心(有限合伙) 近地面臭氧空间分布的估算方法、装置、介质及设备
CN112163375A (zh) * 2020-09-28 2021-01-01 中国科学院空天信息创新研究院 一种基于神经网络的长时间序列近地面臭氧反演方法
CN112579922A (zh) * 2020-12-24 2021-03-30 东北大学 一种基于用户轨迹的兴趣点推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052627A (zh) * 2020-08-21 2020-12-08 海南星瞰信息咨询中心(有限合伙) 近地面臭氧空间分布的估算方法、装置、介质及设备
CN112163375A (zh) * 2020-09-28 2021-01-01 中国科学院空天信息创新研究院 一种基于神经网络的长时间序列近地面臭氧反演方法
CN112579922A (zh) * 2020-12-24 2021-03-30 东北大学 一种基于用户轨迹的兴趣点推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HENG-TZE CHENG等: "Wide & Deep Learning for Recommender Systems", 《PROCEEDINGS OF THE 1ST WORKSHOP ON DEEP LEARNING FOR RECOMMENDER SYSTEMS》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357894A (zh) * 2022-03-11 2022-04-15 阿里巴巴达摩院(杭州)科技有限公司 大气污染物的处理方法、存储介质以及计算机终端
CN117236528A (zh) * 2023-11-15 2023-12-15 成都信息工程大学 一种基于组合模型和因子筛选的臭氧浓度预报方法及***
CN117236528B (zh) * 2023-11-15 2024-01-23 成都信息工程大学 一种基于组合模型和因子筛选的臭氧浓度预报方法及***

Similar Documents

Publication Publication Date Title
CN106920007B (zh) 基于二阶自组织模糊神经网络的pm2.5智能预测方法
Dedovic et al. Forecasting PM10 concentrations using neural networks and system for improving air quality
CN113657023A (zh) 基于机器学习和深度学习结合的近地面臭氧浓度反演方法
Nabavi-Pelesaraei et al. Modeling and optimization of CO2 emissions for tangerine production using artificial neural networks and data envelopment analysis.
CN113011455B (zh) 一种空气质量预测svm模型构建方法
CN112330050A (zh) 一种基于双层XGBoost考虑多特征的电力***负荷预测方法
CN105844334B (zh) 一种基于径向基神经网络的温度插值方法
Assas et al. Use of the artificial neural network and meteorological data for predicting daily global solar radiation in Djelfa, Algeria
Freitas et al. Forecasting the spatiotemporal variability of soil CO 2 emissions in sugarcane areas in southeastern Brazil using artificial neural networks
CN114694767B (zh) 基于时空图常微分方程网络的pm2.5浓度预测方法
Oh et al. Predicting Concentration of PM10 Using Optimal Parameters of Deep Neural Network.
Kapadia et al. Prediction of tropospheric ozone using artificial neural network (ANN) and feature selection techniques
Yamanishi et al. 8. functional data analysis geographically weighted functional multiple regression analysis: A numerical investigation
CN107016440A (zh) 机械传动故障的多分辨率深度神经网络智能诊断方法
Benmouiza Hourly solar irradiation forecast using hybrid local gravitational clustering and group method of data handling methods
CN113108949B (zh) 一种基于模型融合的探空仪温度传感器误差预测方法
Salami et al. Application of neural networks modeling to environmentally global climate change at San Joaquin Old River Station
CN116013426A (zh) 一种高时空分辨率的站点臭氧浓度预测方法
Bani-Hani et al. Prediction of energy gains from Jordanian wind stations using artificial neural network
Meena et al. Constructing the downscale precipitation using ANN model over the Kshipra river basin, Madhya Pradesh
アンナススワルディ et al. Neuro-fuzzy approaches for modeling the wet season tropical rainfall
Chen et al. A comparative study on multi-regression analysis and BP neural network of PM2. 5 index
CN111062118A (zh) 一种基于神经网络预测分层的多层软测量建模***及方法
CN117290684B (zh) 基于Transformer的高温干旱天气预警方法、电子设备
Shambuyi et al. ANN-Based Model for Daily Solar Radiation Prediction with A Low Number of Hidden Neurons And Optimal Inputs

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