CN117174197A - 基于动态有监督机器学习的臭氧污染风险预报方法 - Google Patents
基于动态有监督机器学习的臭氧污染风险预报方法 Download PDFInfo
- Publication number
- CN117174197A CN117174197A CN202311036789.1A CN202311036789A CN117174197A CN 117174197 A CN117174197 A CN 117174197A CN 202311036789 A CN202311036789 A CN 202311036789A CN 117174197 A CN117174197 A CN 117174197A
- Authority
- CN
- China
- Prior art keywords
- forecast
- data
- concentration
- day
- model
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 33
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 title claims abstract description 17
- 238000013277 forecasting method Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 7
- 230000032683 aging Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000003908 quality control method Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000011109 contamination Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及气象预报技术领域,具体为基于动态有监督机器学习的臭氧污染风险预报方法,包括以下步骤:数据下载;数据预处理;数据标准化;模型动态训练;O3确定性预报;O3集合预报;O3污染风险预报产品制作。本发明基于动态有监督机器学习的臭氧污染风险预报方法具有如下优点:O3预报模型逐日更新,更充分考虑排放源和作为特征值的模式的误差变化,提高模型准确率。模型输出集合预报可更科学有效帮助使用者进行O3污染风险预报和减排决策。
Description
技术领域
本发明涉及气象预报技术领域,具体是指基于动态有监督机器学习的臭氧(O3)污染风险预报方法。
背景技术
O3污染属于“二次污染”,具有变化快、范围广、程度重、预报难的特点,其发生与气象条件密切相关。当前业务应用往往是利用气象预报模式驱动空气质量预报模式,尽管可为O3预报和污染防控提供一些技术支撑,但由于上述模式皆为确定性模式(难以大气不确定性特征),且其中影响空气质量模式准确率的排放源信息无法被实时准确表达(污染源信息时间上明显滞后),难以避免存在着较大的偏差,严重制约了臭氧预报能力和风险防控决策水平的提升。
“机器学习”最初由Arthur Samuel于1956年在达特茅斯会议上提出,并定义机器学习是一个使计算机在不进行显式编程下,就能获得学习能力的研究领域。机器学习算法有很多,一般根据学习方式分为有监督学习算法、无监督学习算法和强化学习算法。有监督学习算法可应用于回归问题,即输入一系列特征值及特征值对应的目标期望值,通过机器学习算法学习其中的关系并建立模型,其中目标期望值为连续值。有监督学习的回归算法包括线性回归、支持向量机、随机森林、神经网络、k近邻等。将有监督学习回归算法应用到O3污染预报中,可以有效地学习臭氧污染最新分布特征,其优点是准确率较高、可解释性强、高灵活度。采用有监督学习方法,可在现有研究和预报员经验指导下,选取不同地区O3浓度敏感特征进行训练,更有效建立预报模型,可更好实现逐日模型动态更新。动态挑选多种有监督学习方法中近期效果较好的方法进行训练,可避免使用单一方法在某一时段效果表现不佳的问题。
气象集合预报是针对大气运动的不确定性与混沌特征而设计出的一种解决方案,一般是通过运行不同数值模式、改变预报模型的初始条件或使用不同的物理方案进行模式预报,旨在更好地预测天气形势和气象要素的概率和范围。气象集合预报可通过量化不确定性,将预报结果转化为风险概率预报,在决策制定、风险评估和应急响应等方面具有广泛的应用。空气质量模式计算量明显大于气象模式,因此空气质量集合预报耗费计时更多,在计算资源不足的情况下难以通过传统的集合预报方法得到空气质量集合预报,因此,基于有监督机器学习方法,利用业务运行的气象集合预报模式产品和空气质量观测建立并动态更新模型,即可量化O3不确定性并得到风险概率预报。
因此,本发明以我国经济发达的广东地区为例,综合考虑“大气不确定性、污染源不确定性/滞后性”特点,提出利用动态有监督机器学习算法,提升O3确定性客观预报准确率,并进一步应用气象集合预报优势,形成O3污染风险潜势预报,可提供更加准确、客观、全面的O3污染(风险)客观预报信息,为政府污染精准防控决策提供核心技术支撑。
发明内容
本发明要解决的技术问题是克服上述技术的缺陷,提供基于动态有监督机器学习的O3污染风险预报方法。
为解决上述技术问题,本发明提供的技术方案为基于动态有监督机器学习的臭氧污染风险预报方法,包括以下步骤:
S1、数据下载:
起报天为X,通过前期批量训练找到最佳训练样本量N,即起报天前的N天的模式预报作为训练样本,则下载X-N-5日至X日北京时20时起报的气象模式(CMA-GD)、气象模式集合预报(CMA-TRAMS-EPS)和空气质量模式(GRACEs)的逐小时预报数据,预报时效为96小时,并下载对应时段的广东省环保国控站点O3浓度观测,其中X-N-5日至X-1日为训练用数据,X日为预报用数据;
S2、数据预处理:
对广东省环保国控站点O3浓度观测进行质量控制,对模式数据进行解码插值,训练集模式数据与O3浓度观测数据进行时空匹配,预报集模式数据不需与观测匹配;
训练集的特征值为CMA-GD模式预报中的O3敏感气象因子和GRACEs模式预报中的O3和NO2,标签为对应时次的O3浓度观测;
S3、数据标准化:
采用最大-最小归一化方法对训练集和预报集数据进行标准化;对训练集和模式集数据作为一组数据进行标准化,观测数据使用原始值进入模型,不需进行标准化;
S4、模型动态训练:
将X-N-5日至X-1日的模式预报数据和对应的O3浓度观测数据进行随机排序,划分其中80%的数据为训练集数据,20%的数据为验证集,对训练集数据进行批量有监督机器学习回归算法训练,利用验证集数据检验其相关系数,动态挑选其中相关系数最高的有监督机器学习回归算法作为X日起报用的机器学习模型;每个站点、每个预报时效均分别建立O3预报模型;
S5、O3确定性预报:
将X日起报的CMA-GD和GRACEs的96小时逐小时预报根据站点和预报时效,分别输入到步骤S4训练好的O3预报模型,得到广东省环保国控站点点位的96小时逐小时O3浓度确定性预报;
S6、O3集合预报:
将X日起报的CMA-TRAMS-EPS的30个集合预报成员的O3敏感气象因子和GRACEs的O3和NO2分别建立预报集,共计30个预报集;分别将预报集输入到步骤S4训练好的O3预报模型,得到30组广东省环保国控站点点位的96小时逐小时O3浓度集合预报;
S7、O3污染风险预报产品制作:
根据O3确定性预报和集合预报,共计31组O3浓度集合预报,计算各个点位O3小时平均值、O3小时浓度最大值、O3小时浓度最小值、O3小时浓度离散度、O3日评价浓度平均值、O3日评价浓度最大值、O3日评价浓度最小值、O3日评价浓度离散度、O3日评价浓度超标率、O3日评价浓度中-重污染率,基于克里金插值对其进行网格化,得到广东省O3污染风险站点和网格预报产品。
作为改进,步骤S2中,对O3浓度观测进行质量控制,包括格式一致性检测、异常值监测和缺测值缺测值监测;O3敏感气象因子包括850hPa垂直速度、850hPa相对湿度、500hPa相对湿度、850hPa U风、850hPa V风、10mU风、10mV风、总云量、2m气温、2m相对湿度。
作为改进,在步骤S4中采用动态挑选最近训练效果最佳的方法进行模型训练,可更好切换当前时段表现更好的有监督机器学习算法;为了考虑近期排放源和模式误差动态变化对O3浓度的影响,采用逐日动态更新模型的方法,保证模型训练过程中引入排放源变化和作为特征值的模式预报误差变化的信息。
作为改进,步骤S4中批量有监督机器学习回归算法训练,方法包括:线性回归、岭回归、套索回归、支持向量机、随机森林、决策树、梯度树回归、XGBoost、LightGBM、k近邻共10种;预报时效分别为1-24小时、25-48小时、49-72小时、73-96小时。
作为改进,步骤S6中将气象模式的集合预报30个成员输入到训练好的O3预报模型中,得到O3浓度30个成员的96小时逐小时集合预报,并进一步处理成用于未来4天污染风险决策的O3污染风险预报产品。
本发明的有益效果为:
本发明基于动态有监督机器学习的臭氧污染风险预报方法,O3预报模型逐日更新,更充分考虑排放源和作为特征值的模式的误差变化,提高模型准确率。模型输出集合预报可更科学有效帮助使用者进行O3污染风险预报和减排决策。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应该被看作是对范围的限定。
图1是本发明基于动态有监督机器学习的臭氧污染风险预报方法的流程示意图。
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。
结合附图1,基于动态有监督机器学习的臭氧污染风险预报方法,包括以下步骤:
S1、数据下载:
起报天为X,通过前期批量训练找到最佳训练样本量N,即起报天前的N天的模式预报作为训练样本,则下载X-N-5日至X日北京时20时起报的气象模式(CMA-GD)、气象模式集合预报(CMA-TRAMS-EPS)和空气质量模式(GRACEs)的逐小时预报数据,预报时效为96小时,并下载对应时段的广东省环保国控站点O3浓度观测。其中X-N-5日至X-1日为训练用数据,X日为预报用数据。
S2、数据预处理:
对广东省环保国控站点O3浓度观测进行质量控制,包括格式一致性检测、异常值监测和缺测值缺测值监测等。对模式数据进行解码插值,训练集模式数据与O3浓度观测数据进行时空匹配,预报集模式数据不需与观测匹配。训练集的特征值为CMA-GD模式预报中的O3敏感气象因子(850hPa垂直速度、850hPa相对湿度、500hPa相对湿度、850hPa U风、850hPa V风10mU风、10mV风、总云量、2m气温、2m相对湿度)和GRACEs模式预报中的O3和NO2,标签为对应时次的O3浓度观测。
S3、数据标准化:
采用最大-最小归一化方法对训练集和预报集数据进行标准化。由于训练要素中部分气象要素恒为非零值,为避免标准化缩放过程导致预报集中此类气象要素为负值,进而影响模型预报出现不符合物理规律的值,因此对训练集和模式集数据作为一组数据进行标准化,观测数据使用原始值进入模型,不需进行标准化。
S4、模型动态训练:
将X-N-5日至X-1日的模式预报数据和对应的O3浓度观测数据进行随机排序,划分其中80%的数据为训练集数据,20%的数据为验证集,对训练集数据进行批量有监督机器学习回归算法训练,方法包括:线性回归、岭回归、套索回归、支持向量机、随机森林、决策树、梯度树回归、XGBoost、LightGBM、k近邻共10种,利用验证集数据检验其相关系数,动态挑选其中相关系数最高的有监督机器学习回归算法作为X日起报用的机器学习模型。每个站点、每个预报时效,即1-24小时、25-48小时、49-72小时、73-96小时,均分别建立O3预报模型。
采用动态挑选最近训练效果最佳的方法进行模型训练,可更好切换当前时段表现更好的有监督机器学习算法。为了考虑近期排放源和模式误差动态变化对O3浓度的影响,采用逐日动态更新模型的方法,保证模型训练过程中引入排放源变化和作为特征值的模式预报误差变化的信息。
S5、O3确定性预报
将X日起报的CMA-GD和GRACEs的96小时逐小时预报根据站点和预报时效,分别输入步骤S4训练好的O3预报模型,得到广东省环保国控站点点位的96小时逐小时O3浓度确定性预报。
S6、O3集合预报
将X日起报的CMA-TRAMS-EPS的30个集合预报成员的O3敏感气象因子和GRACEs的O3和NO2分别建立预报集,共计30个预报集。分别将预报集输入到步骤S4训练好的O3预报模型,得到30组广东省环保国控站点点位的96小时逐小时O3浓度集合预报,并进一步处理成用于未来4天污染风险决策的O3污染风险预报产品。
将气象模式的集合预报输入到模型中,通过引入气象预报不确定性进而得到O3浓度集合预报。多成员集合预报相比于确定性预报,可提供更加丰富、科学的预报产品,通过O3浓度超标率、O3集合预报离散度、O3浓度,为预报产品使用者提供人工订正预报思路和污染过程减排依据。
S7、O3污染风险预报产品制作:
根据O3确定性预报和集合预报,共计31组O3浓度集合预报,计算各个点位O3小时平均值、O3小时浓度最大值、O3小时浓度最小值、O3小时浓度离散度、O3日评价浓度平均值、O3日评价浓度最大值、O3日评价浓度最小值、O3日评价浓度离散度、O3日评价浓度超标率、O3日评价浓度中-重污染率,基于克里金插值对其进行网格化,得到广东省O3污染风险站点和网格预报产品。
本发明基于动态有监督机器学习的臭氧污染风险预报方法,O3预报模型逐日更新,更充分考虑排放源和作为特征值的模式的误差变化,提高模型准确率。模型输出集合预报可更科学有效帮助使用者进行O3污染风险预报和减排决策。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (5)
1.基于动态有监督机器学习的臭氧污染风险预报方法,其特征在于,包括以下步骤:
S1、数据下载:
起报天为X,通过前期批量训练找到最佳训练样本量N,即起报天前的N天的模式预报作为训练样本,则下载X-N-5日至X日北京时20时起报的气象模式(CMA-GD)、气象模式集合预报(CMA-TRAMS-EPS)和空气质量模式(GRACEs)的逐小时预报数据,预报时效为96小时,并下载对应时段的广东省环保国控站点O3浓度观测,其中X-N-5日至X-1日为训练用数据,X日为预报用数据;
S2、数据预处理:
对广东省环保国控站点O3浓度观测进行质量控制,对模式数据进行解码插值,训练集模式数据与O3浓度观测数据进行时空匹配,预报集模式数据不需与观测匹配;
训练集的特征值为CMA-GD模式预报中的O3敏感气象因子和GRACEs模式预报中的O3和NO2,标签为对应时次的O3浓度观测;
S3、数据标准化:
采用最大-最小归一化方法对训练集和预报集数据进行标准化;对训练集和模式集数据作为一组数据进行标准化,观测数据使用原始值进入模型,不需进行标准化;
S4、模型动态训练:
将X-N-5日至X-1日的模式预报数据和对应的O3浓度观测数据进行随机排序,划分其中80%的数据为训练集数据,20%的数据为验证集,对训练集数据进行批量有监督机器学习回归算法训练,利用验证集数据检验其相关系数,动态挑选其中相关系数最高的有监督机器学习回归算法作为X日起报用的机器学习模型;每个站点、每个预报时效均分别建立O3预报模型;
S5、O3确定性预报:
将X日起报的CMA-GD和GRACEs的96小时逐小时预报根据站点和预报时效,分别输入到步骤S4训练好的O3预报模型,得到广东省环保国控站点点位的96小时逐小时O3浓度确定性预报;
S6、O3集合预报:
将X日起报的CMA-TRAMS-EPS的30个集合预报成员的O3敏感气象因子和GRACEs的O3和NO2分别建立预报集,共计30个预报集;分别将预报集输入到步骤S4训练好的O3预报模型,得到30组广东省环保国控站点点位的96小时逐小时O3浓度集合预报;
S7、O3污染风险预报产品制作:
根据O3确定性预报和集合预报,共计31组O3浓度集合预报,计算各个点位O3小时平均值、O3小时浓度最大值、O3小时浓度最小值、O3小时浓度离散度、O3日评价浓度平均值、O3日评价浓度最大值、O3日评价浓度最小值、O3日评价浓度离散度、O3日评价浓度超标率、O3日评价浓度中-重污染率,基于克里金插值对其进行网格化,得到广东省O3污染风险站点和网格预报产品。
2.根据权利要求1所述的基于动态有监督机器学习的臭氧污染风险预报方法,其特征在于:步骤S2中,对O3浓度观测进行质量控制,包括格式一致性检测、异常值监测和缺测值缺测值监测;O3敏感气象因子包括850hPa垂直速度、850hPa相对湿度、500hPa相对湿度、850hPa U风、850hPa V风、10mU风、10mV风、总云量、2m气温、2m相对湿度。
3.根据权利要求1所述的基于动态有监督机器学习的臭氧污染风险预报方法,其特征在于:在步骤S4中采用动态挑选最近训练效果最佳的方法进行模型训练,可更好切换当前时段表现更好的有监督机器学习算法;采用逐日动态更新模型的方法,保证模型训练过程中引入排放源变化和作为特征值的模式预报误差变化的信息。
4.根据权利要求1所述的基于动态有监督机器学习的臭氧污染风险预报方法,其特征在于:步骤S4中批量有监督机器学习回归算法训练,方法包括:线性回归、岭回归、套索回归、支持向量机、随机森林、决策树、梯度树回归、XGBoost、LightGBM、k近邻共10种;预报时效分别为1-24小时、25-48小时、49-72小时、73-96小时。
5.根据权利要求1所述的基于动态有监督机器学习的臭氧污染风险预报方法,其特征在于:步骤S6中将气象模式的集合预报30个成员输入到训练好的O3预报模型中,得到O3浓度30个成员的96小时逐小时集合预报,并进一步处理成用于未来4天污染风险决策的O3污染风险预报产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036789.1A CN117174197B (zh) | 2023-08-17 | 2023-08-17 | 基于动态有监督机器学习的臭氧污染风险预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036789.1A CN117174197B (zh) | 2023-08-17 | 2023-08-17 | 基于动态有监督机器学习的臭氧污染风险预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117174197A true CN117174197A (zh) | 2023-12-05 |
CN117174197B CN117174197B (zh) | 2024-02-13 |
Family
ID=88935856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311036789.1A Active CN117174197B (zh) | 2023-08-17 | 2023-08-17 | 基于动态有监督机器学习的臭氧污染风险预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117174197B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109116444A (zh) * | 2018-07-16 | 2019-01-01 | 汤静 | 基于PCA-kNN的空气质量模式PM2.5预报方法 |
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 |
CN113516290A (zh) * | 2021-05-18 | 2021-10-19 | 中科三清科技有限公司 | 空气质量集合预报方法及装置 |
CN113657469A (zh) * | 2021-07-30 | 2021-11-16 | 广东省生态气象中心(珠江三角洲环境气象预报预警中心) | 基于图像识别的木本植物物候期的自动观测方法和*** |
CN113888381A (zh) * | 2021-09-24 | 2022-01-04 | 中科三清科技有限公司 | 污染物浓度预报方法及装置 |
CN115423163A (zh) * | 2022-08-24 | 2022-12-02 | 中国地质大学(武汉) | 一种流域短期洪水事件预测方法、装置及终端设备 |
CN115482930A (zh) * | 2022-09-15 | 2022-12-16 | 司徒淑娉 | 一种臭氧污染对人体健康影响的数值预报方法,***和储存介质 |
CN115542429A (zh) * | 2022-09-20 | 2022-12-30 | 生态环境部环境工程评估中心 | 一种基于XGBoost的臭氧质量预测方法及*** |
CN116013426A (zh) * | 2022-10-18 | 2023-04-25 | 北京首创大气环境科技股份有限公司 | 一种高时空分辨率的站点臭氧浓度预测方法 |
EP4174487A1 (en) * | 2021-11-01 | 2023-05-03 | BSH Hausgeräte GmbH | Odor detection method for refrigeration appliance and refrigeration appliance |
-
2023
- 2023-08-17 CN CN202311036789.1A patent/CN117174197B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109116444A (zh) * | 2018-07-16 | 2019-01-01 | 汤静 | 基于PCA-kNN的空气质量模式PM2.5预报方法 |
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 |
CN113516290A (zh) * | 2021-05-18 | 2021-10-19 | 中科三清科技有限公司 | 空气质量集合预报方法及装置 |
CN113657469A (zh) * | 2021-07-30 | 2021-11-16 | 广东省生态气象中心(珠江三角洲环境气象预报预警中心) | 基于图像识别的木本植物物候期的自动观测方法和*** |
CN113888381A (zh) * | 2021-09-24 | 2022-01-04 | 中科三清科技有限公司 | 污染物浓度预报方法及装置 |
EP4174487A1 (en) * | 2021-11-01 | 2023-05-03 | BSH Hausgeräte GmbH | Odor detection method for refrigeration appliance and refrigeration appliance |
CN115423163A (zh) * | 2022-08-24 | 2022-12-02 | 中国地质大学(武汉) | 一种流域短期洪水事件预测方法、装置及终端设备 |
CN115482930A (zh) * | 2022-09-15 | 2022-12-16 | 司徒淑娉 | 一种臭氧污染对人体健康影响的数值预报方法,***和储存介质 |
CN115542429A (zh) * | 2022-09-20 | 2022-12-30 | 生态环境部环境工程评估中心 | 一种基于XGBoost的臭氧质量预测方法及*** |
CN116013426A (zh) * | 2022-10-18 | 2023-04-25 | 北京首创大气环境科技股份有限公司 | 一种高时空分辨率的站点臭氧浓度预测方法 |
Non-Patent Citations (2)
Title |
---|
李细生等: "基于机器学习分类算法的臭氧浓度等级预报在长沙的应用", 《热带气象学报》, vol. 39, no. 04, pages 453 - 461 * |
潘巧英;李婷苑;陈靖扬;: "广州地区臭氧污染天气条件垂直结构特征分析", 《气象与环境科学》, vol. 46, no. 02, pages 92 - 100 * |
Also Published As
Publication number | Publication date |
---|---|
CN117174197B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135630B (zh) | 基于随机森林回归和多步寻优的短期负荷需求预测方法 | |
CN109063938B (zh) | 基于psode-bp神经网络的空气质量预测方法 | |
CN106448151B (zh) | 一种短时交通流预测方法 | |
CN111723929A (zh) | 一种基于神经网络的数值预报产品订正方法、装置和*** | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN109242265B (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
CN111258984B (zh) | 工业大数据环境下的产品质量端-边-云协同预报方法 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
CN112787878A (zh) | 一种网络指标的预测方法及电子设备 | |
CN112330052A (zh) | 一种配变负荷预测方法 | |
Zhao et al. | Data-driven surplus material prediction in steel coil production | |
CN111582593A (zh) | 一种基于工业用电大数据的数据清洗的集成方法 | |
CN111652422A (zh) | 基于建筑物分类的供热***负荷预测方法、装置及*** | |
CN113642238B (zh) | 基于微气象因子的径向基神经网络输电线路覆冰预测方法 | |
CN117174197B (zh) | 基于动态有监督机器学习的臭氧污染风险预报方法 | |
CN111754033B (zh) | 一种基于循环神经网络的非平稳时序数据预测方法 | |
CN116663871B (zh) | 用电需求量预测方法及*** | |
CN117575564A (zh) | 可扩展的基础设施网络组件维修与改造决策评估方法及*** | |
CN117117850A (zh) | 一种短期用电负荷预测方法及*** | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN115101136A (zh) | 一种大型铝电解槽全局阳极效应预测方法 | |
CN117670000B (zh) | 基于组合预测模型的泵站供水量预测方法 | |
CN110826795B (zh) | 极端温度气象日母线日前负荷预测方法 |
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 |