CN116008481B - 基于大范围地面监测站点的空气污染物监测方法、装置 - Google Patents
基于大范围地面监测站点的空气污染物监测方法、装置 Download PDFInfo
- Publication number
- CN116008481B CN116008481B CN202310014109.XA CN202310014109A CN116008481B CN 116008481 B CN116008481 B CN 116008481B CN 202310014109 A CN202310014109 A CN 202310014109A CN 116008481 B CN116008481 B CN 116008481B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- data
- sites
- scale
- time
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 330
- 238000000034 method Methods 0.000 title claims abstract description 80
- 239000000809 air pollutant Substances 0.000 title claims abstract description 42
- 231100001243 air pollutant Toxicity 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 239000003344 environmental pollutant Substances 0.000 claims description 28
- 231100000719 pollutant Toxicity 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000003915 air pollution Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000015654 memory Effects 0.000 description 6
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 2
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Geophysics And Detection Of Objects (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种基于大范围地面监测站点的空气污染物监测方法、装置，包括：获取目标区域内地面空气监测站点数据，浓度监测数据；对地面监测站点赋予地理属性以及缺失率计算；依据地面监测站点的地理属性对缺失监测数据插值；依据地面监测站点的地理属性对监测数据进行空间尺度分割；依据时间区间对监测数据进行时间尺度分割，之后融合为多尺度数据集，再进行合并与滤波处理；对合并和滤波后的多尺度数据集进行统计指标计算与分析，得到空气污染物的分布数据。本方法解决了地面监测站空气污染物数据插补、站点编码关联的数据处理问题，实现了时间与空间尺度上的站点数据分割，对站点监测空气污染物的监测处理具有一定的普适性与自适应性。
Description
技术领域
本发明涉及环境监测和空气污染控制领域，尤其涉及一种基于大范围地面监测站点的空气污染物监测方法、装置。
背景技术
标准空气污染物(PM2.5、PM10、SO2、NO2、CO和O3)浓度值的监测有助于了解空气质量的状况，以及空气污染的来源和控制措施的有效性。在不同的尺度上进行空气污染物监测，则可以了解当地区域空气污染情况，并为空气污染控制决策提供依据。通常对空气污染物监测的方式主要有两种：使用卫星或飞机搭载的传感器进行遥感监测与使用地面空气监测站点进行监测。遥感监测可以提供大范围的覆盖和长时间的监测数据，有助于快速直观的了解空气污染的地域分布和时间变化趋势，但是遥感等大规模监测数据仅统计大气垂直柱中污染物的浓度，并不适用于在人口密度高的城市地区，并且遥感传感器受各种自然因素无法精确地探测到近地表大气层的空气污染物浓度，故使遥感监测数据可能存在一定的误差。而地面监测则可以提供更精确近地表大气层空气污染物的数据，有助于更准确地评估空气污染的健康影响和限制措施的有效性，但是传统的地面监测手段仅仅针对单个站点进行评估测量，站点之间观测值会出现各种缺失，针对站点的处理算法缺乏普适性与自适应性，忽略了各个监测站点之间的空间与时间特征，并且难以确定合适的分割尺度。
发明内容
本发明提供了一种基于大范围地面监测站点的空气污染物监测方法、装置以及存储介质。解决了地面监测空气污染物数据插补、站点编码关联的数据处理问题，实现了时间与空间尺度上的站点数据分割，完善地面监测站数据不能在大尺度地域关联的难题，提高了环境监测和空气污染监测数据的精度与处理效率。
为达到以上目的，本发明具体技术方案如下：
第一方面，提供了一种基于大范围地面监测站点的空气污染物监测方法，该方法包括：
获取目标区域内地面空气监测站点数据；
获取空气监测站点空气标准污染物浓度监测数据；
对地面监测站点赋予地理属性；
对地面监测站点观测数据缺失率计算；
依据地面监测站点的地理属性对缺失监测数据插值；
依据地面监测站点的地理属性对监测数据进行空间尺度分割；
依据时间区间对监测数据进行时间尺度分割；
将空间尺度分割后的监测数据与时间尺度分割后的监测数据进行时空融合为多尺度数据集；
对多尺度数据集进行合并与滤波处理；
对合并和滤波后的多尺度数据集进行统计指标计算与分析，得到空气污染物的分布数据。
在第一方面的一些实现方式中，对地面监测站点赋予地理属性，包括：
获取地面监测站点信息，其中，所述地面监测站信息包括监测点编码、监测点名称、隶属城市、经度信息以及纬度信息；
以监测点编码为索引，将监测点名称，隶属城市，经度，纬度以JSON格式存储；
遍历所有监测站点编码，融合所有监测站点信息，包含经度、纬度信息，使地面监测站点具有地理属性。
在第一方面的一些实现方式中，依据地面监测站点的地理属性对缺失监测数据插值，包括：
依据地面监测站点信息发现同一城市的单个监测站点在某时刻观测的数据存在缺失值，若其周围其他n个测站数据完整，则依据站点的地理属性计算与周围其他站点之间的距离Di，采用反距离加权法(Inverse Distance Weighting,IDW)对缺失数据进行插值：
所述距离Di由下式得到：
式中x与y为站点的位置信息；
同时依据站点之间的距离Di进行反距离加权插值：
式中，Z0表示监测站点缺失值；Zi为第i(i＝1，2，3··n)个样本站点的污染物的监测；p为距离的幂；Di为各个相邻站点的距离。
在第一方面的一些实现方式中，依据地面监测站点的地理属性对缺失监测数据插值，包括：
若同一城市多个站点同时存在数据缺失，无法满足空间插值的条件，则以单个站点的数据进行时间序列线性插值方法或者指数平滑插值对缺失值进行插值填充；
基于时间序列的线性插值法：
式中，x1和x2是已知时间点的横坐标，y1和y2是已知时间点的纵坐标，x是缺失时间点的横坐标，y是缺失时间点的纵坐标；
基于时间序列的指数平滑插值法：
式中，是第t个时间点的缺失值，yt是第t个时间点的实际值，是第t-1个时间点的缺失值，α是平滑因子，取值在0和1之间。
在第一方面的一些实现方式中，依据地面监测站点的地理属性对监测数据进行空间尺度分割，包括：
获取包含站点地理属性的信息；
定义空间尺度，空间尺度是指在统计分析过程中考虑的地理范围的大小；
计算监测站点之间的距离，使用两站点之间的欧几里得距离，或者使用球面坐标系中的反余弦函数计算两点之间的弧度距离；
建立空间距离矩阵，需要建立空间距离矩阵，即将站点之间的距离信息存储在矩阵中，将距离值填充到矩阵的对应位置，将不相邻的站点之间的距离设为无穷大；
需要分配站点到不同的组，从空间距离矩阵中取出所有小于等于空间尺度的距离值，将对应的站点分配到同一组中；
对于剩余的站点，继续取出小于等于空间尺度的距离值，将对应的站点分配到新的组中，直到所有站点都分配完成。
在第一方面的一些实现方式中，依据时间区间对监测数据进行时间尺度分割，包括：
获取包含地面监测站监测数据的数据集，所述数据集包含监测数值与时间信息；
定义时间尺度，根据需求定义合适的时间尺度需要将数据按照时间的大小分成不同的组；
统计组内信息，使用组内数据的地面监测信息计算组内信息的统计量，完成地面监测数据的时间尺度分割。
在第一方面的一些实现方式中，对多尺度数据集进行合并与滤波处理，包括：
选择预设的空间尺度，依据站点的地理属性选择空间尺度内的监测站点，得到空间区域内的监测站点编码；
选择时间区间，将区域内所有监测站点每小时监测数值合并；
计算区域内所有监测站点每小时的平均监测数值制作出时空尺度污染物的监测数据集。
对数据集使用Savitzky-Golay滤波器处理每个站点的连续时间序列数据，将提高数据的自相关性并增强污染物随时间的变化趋势，减少观测数据的噪声和误差；
其中，Savitzky-Golay滤波器实现算法为：
式中yi是第i个时间点的平滑后的数据值，xi是第i个时间点的原始数据值，aj是系数，n是拟合的多项式的阶次Savitzky-Golay滤波的系数aj是通过最小二乘法拟合得到的；
在使用Savitzky-Golay滤波时，需要指定拟合的多项式的阶次n和窗口的大小m，其中m＝2n+1；
对于给定的阶次n和窗口大小m，使用最小二乘法求出对应的系数aj。
第二方面，提供了一种基于大范围地面监测站点的空气污染物监测装置，该装置包括：
获取模块，用于获取目标区域内地面空气监测站点数据；
所述获取模块，还用于获取空气监测站点空气标准污染物浓度监测数据；
处理模块，用于对地面监测站点赋予地理属性；
所述处理模块，还用于对地面监测站点观测数据缺失率计算；
所述处理模块，还用于依据地面监测站点的地理属性对缺失监测数据插值；
所述处理模块，还用于依据地面监测站点的地理属性对监测数据进行空间尺度分割；
所述处理模块，还用于依据时间区间对监测数据进行时间尺度分割；
所述处理模块，还用于将空间尺度分割后的监测数据与时间尺度分割后的监测数据进行时空融合为多尺度数据集；
所述处理模块，还用于对多尺度数据集进行合并与滤波处理；
所述处理模块，还用于对合并和滤波后的多尺度数据集进行统计指标计算与分析，得到空气污染物的分布数据。
在第二方面的一些实现方式中，该装置还包括存储模块；
所述获取模块，还用于获取地面监测站点信息，其中，所述地面监测站信息包括监测点编码、监测点名称、隶属城市、经度信息以及纬度信息；
所述存储模块，还用于以监测点编码为索引，将监测点名称，隶属城市，经度，纬度以JSON格式存储；
所述处理模块，还用于遍历所有监测站点编码，融合所有监测站点信息，包含经度、纬度信息，使地面监测站点具有地理属性。
第三方面，提供了一种计算机存储介质，该计算机存储介质上存储有计算机程序指令，该计算机程序指令被处理器执行时实现第一方面以及第一方面的一些实现方式中所述的方法。
与现有技术相比，本发明所具有的有益效果是：
解决了地面空气监测站点监测数据时空插补问题，提升了观测数据自相关性与减少了观测噪声，提高了环境监测和空气污染监测数据的精度与处理效率。
该发明中数据处理算法具有普适性与自适应性，包含各个监测站点之间的空间与时间特征，并且给出合适的分割尺度与类别。
实现了时间与空间尺度上的站点数据分割，完善地面监测站数据不能在大尺度地域关联的难题，解决了地面监测数据应用大空间尺度宏观观测的难题。
本发明提供了一种基于大范围地面监测站点的空气污染物监测方法、装置以及存储介质，针对大范围地面监测站点的空气污染物多尺度的分割监测及数据处理方法来解决不同时空尺度下空气污染物监测分割与各个站点监测值的数据处理。利用本技术可以在时间尺度上对地面空气监测站点进行监测以了解空气污染物的在不同时间阶段变化趋势，在空间尺度上对各个站点进行大范围监测可以了解污染物的地域分布情况。
附图说明
图1是本发明实施例提供的一种基于大范围地面监测站点的空气污染物监测方法的流程示意图；
图2是本发明实施例提供的另一种基于大范围地面监测站点的空气污染物监测方法的流程示意图；
图3是本发明实施例提供的一种基于大范围地面监测站点的空气污染物监测装置的结构示意图；
图4是本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。在该实施例中，步骤4～14无先后顺序，改变顺序对最终结果无影响。本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。为了解决背景技术中的技术问题，本申请提供了一种基于大范围地面监测站点的空气污染物监测方法、装置以及存储介质。
图1是本发明实施例提供的一种基于大范围地面监测站点的空气污染物监测方法的流程示意图，图2是本发明实施例提供的一种基于大范围地面监测站点的空气污染物监测方法的流程示意图，该方法的执行主体可以为服务器，也可以为具有计算处理能力的其他终端设备，结合图1和图2所示，对本发明提供的基于大范围地面监测站点的空气污染物监测方法进行描述。
如图1所示，基于大范围地面监测站点的空气污染物监测方法可以包括：
S101：获取目标区域内地面空气监测站点数据；
S102：获取空气监测站点空气标准污染物浓度监测数据；
S103：对地面监测站点赋予地理属性；
S104：对地面监测站点观测数据缺失率计算；
S105：依据地面监测站点的地理属性对缺失监测数据插值；
S106：依据地面监测站点的地理属性对监测数据进行空间尺度分割；
S107：依据时间区间对监测数据进行时间尺度分割；
S108：将空间尺度分割后的监测数据与时间尺度分割后的监测数据进行时空融合为多尺度数据集；
S109：对多尺度数据集进行合并与滤波处理；
S110：对合并和滤波后的多尺度数据集进行统计指标计算与分析，得到空气污染物的分布数据。
在S101中，获取目标区域内地面空气监测站点数据，通过接口获取到空气质量监测站点的站点信息，其站点信息包括：站点数据包括：站点编码、站点编码、站点城市、站点经度和纬度信息。
在S102中，获取空气监测站点空气标准污染物浓度监测数据，通过接口获取个地面空气质量监测站的逐小时地表空气标准污染物浓度监测数据。其中污染物监测数据包括：PM2.5、PM10、SO2、NO2、O3(浓度衡量标准为μg/m3)、CO(浓度衡量标准为mg/m3)和AQI(空气质量指数)。
在S103中，对地面监测站点赋予地理属性，包括获取监测站点信息，地面监测站信息包括：监测点编码；监测点名称；隶属城市；经度信息；纬度信息。以监测点编码为索引，将监测点名称，隶属城市，经度，纬度以JSON格式存储。遍历所有监测站点编码，融合所有监测站点信息，包含经度、纬度信息，使监测站点具有地理属性。
在S104中，对地面监测站点观测数据缺失率计算；在计算数据集缺失率时，需要先统计
数据集中缺失数据的个数，然后除以数据集的总数据量，得到缺失率：
式中，设数据中缺失值的个数为n，数据的总数据量为m，在此数据处理流程中使用Pandas库中的DataFrame.isnull().sum()函数来统计数据集中缺失数据的个数。
在S105中，依据站点的地理属性对缺失监测数据插值的过程中，本发明使用两种不同的插值方法来填充每小时污染物的缺失值。
插值方法1:依据站点信息发现同一城市的单个监测站点在某时刻观测的数据存在缺失值，但其周围其他n个测站数据完整，则依据站点的地理属性(经度，纬度)计算与周围其他站点之间的距离Di，采用反距离加权法(Inverse Distance Weighting,IDW)对缺失数据进行插值：
所述的各个相邻站点的距离Di由下式得到：
式中x与y为站点的位置信息。
同时依据站点之间的距离Di进行反距离加权插值：
式中，Z0表示监测站点缺失值；Zi为第i(i＝1，2，3··n)个样本站点的污染物的监测；p为距离的幂；Di为各个相邻站点的距离。
插值方法2:如果同一城市多个站点同时存在数据缺失，无法满足空间插值的条件，则以单个站点的数据进行时间序列线性插值方法或者指数平滑插值对缺失值进行插值填充。
基于时间序列的线性插值法：
式中，x1和x2是已知时间点的横坐标，y1和y2是已知时间点的纵坐标，x是缺失时间点的横坐标，y是缺失时间点的纵坐标。
基于时间序列的指数平滑插值法：
式中，其中，是第t个时间点的缺失值，yt是第t个时间点的实际值，是第t-1个时间点的缺失值，α是平滑因子，取值在0和1之间。
在S106中，依据地面监测站点的地理属性对监测数据进行空间尺度分割，包括：获取站点需要准备包含站点地理属性的信息，例如经度、纬度等信息。
定义空间尺度，空间尺度是指在统计分析过程中考虑的地理范围的大小。
计算监测站点之间的距离，可以使用算两站点之间的欧几里得距离，或者使用球面坐标系中的反余弦函数计算两点之间的弧度距离。
建立空间距离矩阵，需要建立空间距离矩阵，即将站点之间的距离信息存储在矩阵中。可以将距离值填充到矩阵的对应位置，同时将不相邻的站点之间的距离设为无穷大。
需要分配站点到不同的组，从空间距离矩阵中取出所有小于等于空间尺度的距离值，将对应的站点分配到同一组中。对于剩余的站点，可以继续取出小于等于空间尺度的距离值，将对应的站点分配到新的组中，直到所有站点都分配完成。完成站点地理属性进行空间尺度分割。
在S107中，依据时间区间对监测数据进行时间尺度分割，包括：
需要准备包含地面监测站监测数据的数据集。数据集中应包含监测数值与时间信息，例如监测日期、传感器时间等。
定义时间尺度，根据需求定义合适的时间尺度需要将数据按照时间的大小分成不同的组。具体的，可以将数据按照时间尺度的大小划分成若干个时间段，将同一时间段内的数据分配到同一组中。
统计组内信息，可以使用组内数据的地面监测信息计算组内信息的统计量，如平均值、中位数等可以完成地面监测数据的时间尺度分割。
在S108中，将空间尺度分割后的监测数据与时间尺度分割后的监测数据进行时空融合为多尺度数据集，包括：使用统计学方法，如多元线性回归分析、时间序列分析等，来探究时间和空间对数据的影响。以便于探究时间尺度的变化对数据的影响，或者进行空间尺度的变化对数据的影响。也可以探究时间尺度和空间尺度的联合影响，以便更深入地了解污染物变化的规律。
在S109中，对多尺度数据集进行合并与滤波处理，包括：选择合适的空间尺度，依据站点的地理属性选择空间尺度内的监测站点，得到空间区域内的所有监测站点编码。
其次，选择研究的时间区间，将区域内所有监测站点每小时监测数值合并。
最后，计算区域内所有监测站点每小时的平均监测数值制作出时空尺度污染物的监测数据集。
对数据集使用Savitzky-Golay滤波器处理每个站点的连续时间序列数据，将提高数据的自相关性并增强污染物随时间的变化趋势，减少观测数据的噪声和误差。
Savitzky-Golay滤波器实现算法为：
式中yi是第i个时间点的平滑后的数据值，xi是第i个时间点的原始数据值，aj是系数，n是拟合的多项式的阶次Savitzky-Golay滤波的系数aj是通过最小二乘法拟合得到的。
在使用Savitzky-Golay滤波时，需要指定拟合的多项式的阶次n和窗口的大小m，其中m＝2n+1。对于给定的阶次n和窗口大小m，可以使用最小二乘法求出对应的系数aj。
在S110中，对合并和滤波后的多尺度数据集进行统计指标计算与分析，得到空气污染物的分布数据，包括：对多尺度计算常用的统计指标包括平均值、中位数、众数、方差、标准差、偏度、峰度等。根据数据的特征以及分析目的，可以选择不同的统计指标作为分析数值。最后需要解释计算得到的统计指标。具体的，可以通过比较统计指标的大小，判断数据的特征，例如数据的分布是否偏态、是否有峰值等。也可以与其他数据集的统计指标进行比较，以更深入地了解数据的规律。
与图1中的方法实施例相对应，本发明还提供了一种基于大范围地面监测站点的空气污染物监测装置，如图3所示，该装置可以包括：
获取模块301，用于获取目标区域内地面空气监测站点数据；
获取模块301，还用于获取空气监测站点空气标准污染物浓度监测数据；
处理模块302，用于对地面监测站点赋予地理属性；
处理模块302，还用于对地面监测站点观测数据缺失率计算；
处理模块302，还用于依据地面监测站点的地理属性对缺失监测数据插值；
处理模块302，还用于依据地面监测站点的地理属性对监测数据进行空间尺度分割；
处理模块302，还用于依据时间区间对监测数据进行时间尺度分割；
处理模块302，还用于将空间尺度分割后的监测数据与时间尺度分割后的监测数据进行时空融合为多尺度数据集；
处理模块302，还用于对多尺度数据集进行合并与滤波处理；
处理模块302，还用于对合并和滤波后的多尺度数据集进行统计指标计算与分析，得到空气污染物的分布数据。
在一些实施例中，装置还包括存储模块；
获取模块301，还用于获取地面监测站点信息，其中，地面监测站信息包括监测点编码、监测点名称、隶属城市、经度信息以及纬度信息；
存储模块，还用于以监测点编码为索引，将监测点名称，隶属城市，经度，纬度以JSON格式存储；
处理模块302，还用于遍历所有监测站点编码，融合所有监测站点信息，包含经度、纬度信息，使地面监测站点具有地理属性。
依据地面监测站点的地理属性对缺失监测数据插值，包括：
依据地面监测站点信息发现同一城市的单个监测站点在某时刻观测的数据存在缺失值，若其周围其他n个测站数据完整，则依据站点的地理属性计算与周围其他站点之间的距离Di，采用反距离加权法(Inverse Distance Weighting,IDW)对缺失数据进行插值：
距离Di由下式得到：
式中x与y为站点的位置信息；
同时依据站点之间的距离Di进行反距离加权插值：
式中，Z0表示监测站点缺失值；Zi为第i(i＝1，2，3··n)个样本站点的污染物的监测；p为距离的幂；Di为各个相邻站点的距离。
在一些实施例中，处理模块302，还用于若同一城市多个站点同时存在数据缺失，无法满足空间插值的条件，则以单个站点的数据进行时间序列线性插值方法或者指数平滑插值对缺失值进行插值填充；
基于时间序列的线性插值法：
式中，x1和x2是已知时间点的横坐标，y1和y2是已知时间点的纵坐标，x是缺失时间点的横坐标，y是缺失时间点的纵坐标；
基于时间序列的指数平滑插值法：
式中，是第t个时间点的缺失值，yt是第t个时间点的实际值是第t-1个时间点的缺失值，α是平滑因子，取值在0和1之间。
在一些实施例中，获取模块301，还用于获取包含站点地理属性的信息；
处理模块302，还用于定义空间尺度，空间尺度是指在统计分析过程中考虑的地理范围的大小；
计算监测站点之间的距离，使用两站点之间的欧几里得距离，或者使用球面坐标系中的反余弦函数计算两点之间的弧度距离；
建立空间距离矩阵，需要建立空间距离矩阵，即将站点之间的距离信息存储在矩阵中，将距离值填充到矩阵的对应位置，将不相邻的站点之间的距离设为无穷大；
需要分配站点到不同的组，从空间距离矩阵中取出所有小于等于空间尺度的距离值，将对应的站点分配到同一组中；
对于剩余的站点，继续取出小于等于空间尺度的距离值，将对应的站点分配到新的组中，直到所有站点都分配完成。
在一些实施例中，获取模块301，还用于获取包含地面监测站监测数据的数据集，数据集包含监测数值与时间信息；
处理模块302，还用于定义时间尺度，根据需求定义合适的时间尺度需要将数据按照时间的大小分成不同的组；
统计组内信息，使用组内数据的地面监测信息计算组内信息的统计量，完成地面监测数据的时间尺度分割。
在一些实施例中，处理模块302，还用于选择预设的空间尺度，依据站点的地理属性选择空间尺度内的监测站点，得到空间区域内的监测站点编码；
选择时间区间，将区域内所有监测站点每小时监测数值合并；
计算区域内所有监测站点每小时的平均监测数值制作出时空尺度污染物的监测数据集。
对数据集使用Savitzky-Golay滤波器处理每个站点的连续时间序列数据，将提高数据的自相关性并增强污染物随时间的变化趋势，减少观测数据的噪声和误差；
其中，Savitzky-Golay滤波器实现算法为：
式中yi是第i个时间点的平滑后的数据值，xi是第i个时间点的原始数据值，aj是系数，n是拟合的多项式的阶次Savitzky-Golay滤波的系数aj是通过最小二乘法拟合得到的；
在使用Savitzky-Golay滤波时，需要指定拟合的多项式的阶次n和窗口的大小m，其中m＝2n+1；
对于给定的阶次n和窗口大小m，使用最小二乘法求出对应的系数aj。
可以理解的是，图3所示的基于大范围地面监测站点的空气污染物监测装置中的各个模块/单元具有实现本申请实施例提供的基于大范围地面监测站点的空气污染物监测方法中的各个步骤的功能，并能达到其相应的技术效果，为了简洁，在此不再赘述。
图4是本发明实施例提供的一种计算设备的结构示意图。如图4所示，计算设备400包括输入接口401、中央处理器402、存储器403以及输出接口404。其中，输入接口401、中央处理器402、存储器403、以及输出接口404通过总线410相互连接。
图4所示的计算设备也可以被实现为基于大范围地面监测站点的空气污染物监测方法的执行设备，该计算设备可以包括：处理器以及存储有计算机可执行指令的存储器；该处理器在执行计算机可执行指令时可以实现本发明实施例提供的基于大范围地面监测站点的空气污染物监测方法。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的基于大范围地面监测站点的空气污染物监测方法。
需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，为了简洁，不再赘述。本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegratedCircuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(Radio Frequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序按照需要进行调节，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
再者，以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (5)
1.一种基于大范围地面监测站点的空气污染物监测方法，其特征在于，所述方法包括：
获取目标区域内地面空气监测站点数据；
获取空气监测站点空气标准污染物浓度监测数据；
对地面监测站点赋予地理属性；
对地面监测站点观测数据缺失率计算；
依据地面监测站点的地理属性对缺失监测数据插值；
依据地面监测站点的地理属性对监测数据进行空间尺度分割；
依据时间区间对监测数据进行时间尺度分割；
将空间尺度分割后的监测数据与时间尺度分割后的监测数据进行时空融合为多尺度数据集；
对多尺度数据集进行合并与滤波处理；
对合并和滤波后的多尺度数据集进行统计指标计算与分析，得到空气污染物的分布数据；
其中，所述依据地面监测站点的地理属性对缺失监测数据插值，包括：
依据地面监测站点信息发现同一城市的单个监测站点在某时刻观测的数据存在缺失值，若其周围其他n个测站数据完整，则依据站点的地理属性计算与周围其他站点之间的距离Di，采用反距离加权法对缺失数据进行插值：
所述距离Di由下式得到：
式中x与y为站点的位置信息；
同时依据站点之间的距离Di进行反距离加权插值：
式中，Z0表示监测站点缺失值；Zi为第i个样本站点的污染物的监测，其中，i＝1，2，3··n；p为距离的幂；Di为各个相邻站点的距离；
若同一城市多个站点同时存在数据缺失，无法满足空间插值的条件，则以单个站点的数据进行时间序列线性插值方法或者指数平滑插值对缺失值进行插值填充；
基于时间序列的线性插值法：
式中，x1和x2是已知时间点的横坐标，y1和y2是已知时间点的纵坐标，x是缺失时间点的横坐标，y是缺失时间点的纵坐标；
基于时间序列的指数平滑插值法：
式中，是第t个时间点的缺失值，yt是第t个时间点的实际值，是第t-1个时间点的缺失值，α是平滑因子，取值在0和1之间；
所述依据地面监测站点的地理属性对监测数据进行空间尺度分割，包括：获取包含站点地理属性的信息；定义空间尺度，空间尺度是指在统计分析过程中考虑的地理范围的大小；计算监测站点之间的距离，使用两站点之间的欧几里得距离，或者使用球面坐标系中的反余弦函数计算两点之间的弧度距离；建立空间距离矩阵，需要建立空间距离矩阵，即将站点之间的距离信息存储在矩阵中，将距离值填充到矩阵的对应位置，将不相邻的站点之间的距离设为无穷大；需要分配站点到不同的组，从空间距离矩阵中取出所有小于等于空间尺度的距离值，将对应的站点分配到同一组中；对于剩余的站点，继续取出小于等于空间尺度的距离值，将对应的站点分配到新的组中，直到所有站点都分配完成；
所述依据时间区间对监测数据进行时间尺度分割，包括：获取包含地面监测站监测数据的数据集，所述数据集包含监测数值与时间信息；定义时间尺度，根据需求定义合适的时间尺度需要将数据按照时间的大小分成不同的组；统计组内信息，使用组内数据的地面监测信息计算组内信息的统计量，完成地面监测数据的时间尺度分割；
所述对多尺度数据集进行合并与滤波处理，包括：选择预设的空间尺度，依据站点的地理属性选择空间尺度内的监测站点，得到空间区域内的监测站点编码；选择时间区间，将区域内所有监测站点每小时监测数值合并；计算区域内所有监测站点每小时的平均监测数值制作出时空尺度污染物的监测数据集；对数据集使用Savitzky-Golay滤波器处理每个站点的连续时间序列数据，将提高数据的自相关性并增强污染物随时间的变化趋势，减少观测数据的噪声和误差；其中，Savitzky-Golay滤波器实现算法为：
式中yi是第i个时间点的平滑后的数据值，xi是第i个时间点的原始数据值，aj是系数，n是拟合的多项式的阶次Savitzky-Golay滤波的系数aj是通过最小二乘法拟合得到的；
在使用Savitzky-Golay滤波时，需要指定拟合的多项式的阶次n和窗口的大小m，其中m＝2n+1；
对于给定的阶次n和窗口大小m，使用最小二乘法求出对应的系数aj。
2.根据权利要求1所述的监测方法，其特征在于，所述对地面监测站点赋予地理属性，包括：
获取地面监测站点信息，其中，所述地面监测站点信息包括监测点编码、监测点名称、隶属城市、经度信息以及纬度信息；
以监测点编码为索引，将监测点名称，隶属城市，经度，纬度以JSON格式存储；
遍历所有监测站点编码，融合所有监测站点信息，包含经度、纬度信息，使地面监测站点具有地理属性。
3.一种基于大范围地面监测站点的空气污染物监测装置，其特征在于，所述装置包括：
获取模块，用于获取目标区域内地面空气监测站点数据；
所述获取模块，还用于获取空气监测站点空气标准污染物浓度监测数据；
处理模块，用于对地面监测站点赋予地理属性；
所述处理模块，还用于对地面监测站点观测数据缺失率计算；
所述处理模块，还用于依据地面监测站点的地理属性对缺失监测数据插值；
所述处理模块，还用于依据地面监测站点的地理属性对监测数据进行空间尺度分割；
所述处理模块，还用于依据时间区间对监测数据进行时间尺度分割；
所述处理模块，还用于将空间尺度分割后的监测数据与时间尺度分割后的监测数据进行时空融合为多尺度数据集；
所述处理模块，还用于对多尺度数据集进行合并与滤波处理；
所述处理模块，还用于对合并和滤波后的多尺度数据集进行统计指标计算与分析，得到空气污染物的分布数据；
其中，所述依据地面监测站点的地理属性对缺失监测数据插值，包括：
依据地面监测站点信息发现同一城市的单个监测站点在某时刻观测的数据存在缺失值，若其周围其他n个测站数据完整，则依据站点的地理属性计算与周围其他站点之间的距离Di，采用反距离加权法对缺失数据进行插值：
所述距离Di由下式得到：
式中x与y为站点的位置信息；
同时依据站点之间的距离Di进行反距离加权插值：
式中，Z0表示监测站点缺失值；Zi为第i个样本站点的污染物的监测，其中，i＝1，2，3··n；p为距离的幂；Di为各个相邻站点的距离；
若同一城市多个站点同时存在数据缺失，无法满足空间插值的条件，则以单个站点的数据进行时间序列线性插值方法或者指数平滑插值对缺失值进行插值填充；
基于时间序列的线性插值法：
式中，x1和x2是已知时间点的横坐标，y1和y2是已知时间点的纵坐标，x是缺失时间点的横坐标，y是缺失时间点的纵坐标；
基于时间序列的指数平滑插值法：
式中，是第t个时间点的缺失值，yt是第t个时间点的实际值，是第t-1个时间点的缺失值，α是平滑因子，取值在0和1之间；
所述依据地面监测站点的地理属性对监测数据进行空间尺度分割，包括：获取包含站点地理属性的信息；定义空间尺度，空间尺度是指在统计分析过程中考虑的地理范围的大小；计算监测站点之间的距离，使用两站点之间的欧几里得距离，或者使用球面坐标系中的反余弦函数计算两点之间的弧度距离；建立空间距离矩阵，需要建立空间距离矩阵，即将站点之间的距离信息存储在矩阵中，将距离值填充到矩阵的对应位置，将不相邻的站点之间的距离设为无穷大；需要分配站点到不同的组，从空间距离矩阵中取出所有小于等于空间尺度的距离值，将对应的站点分配到同一组中；对于剩余的站点，继续取出小于等于空间尺度的距离值，将对应的站点分配到新的组中，直到所有站点都分配完成；
所述依据时间区间对监测数据进行时间尺度分割，包括：获取包含地面监测站监测数据的数据集，所述数据集包含监测数值与时间信息；定义时间尺度，根据需求定义合适的时间尺度需要将数据按照时间的大小分成不同的组；统计组内信息，使用组内数据的地面监测信息计算组内信息的统计量，完成地面监测数据的时间尺度分割；
所述对多尺度数据集进行合并与滤波处理，包括：选择预设的空间尺度，依据站点的地理属性选择空间尺度内的监测站点，得到空间区域内的监测站点编码；选择时间区间，将区域内所有监测站点每小时监测数值合并；计算区域内所有监测站点每小时的平均监测数值制作出时空尺度污染物的监测数据集；对数据集使用Savitzky-Golay滤波器处理每个站点的连续时间序列数据，将提高数据的自相关性并增强污染物随时间的变化趋势，减少观测数据的噪声和误差；其中，Savitzky-Golay滤波器实现算法为：
式中yi是第i个时间点的平滑后的数据值，xi是第i个时间点的原始数据值，aj是系数，n是拟合的多项式的阶次Savitzky-Golay滤波的系数aj是通过最小二乘法拟合得到的；
在使用Savitzky-Golay滤波时，需要指定拟合的多项式的阶次n和窗口的大小m，其中m＝2n+1；
对于给定的阶次n和窗口大小m，使用最小二乘法求出对应的系数aj。
4.根据权利要求3所述的监测装置，其特征在于，所述装置还包括存储模块；
所述获取模块，还用于获取地面监测站点信息，其中，所述地面监测站点信息包括监测点编码、监测点名称、隶属城市、经度信息以及纬度信息；
所述存储模块，还用于以监测点编码为索引，将监测点名称，隶属城市，经度，纬度以JSON格式存储；
所述处理模块，还用于遍历所有监测站点编码，融合所有监测站点信息，包含经度、纬度信息，使地面监测站点具有地理属性。
5.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-2任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310014109.XA CN116008481B (zh) | 2023-01-05 | 2023-01-05 | 基于大范围地面监测站点的空气污染物监测方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310014109.XA CN116008481B (zh) | 2023-01-05 | 2023-01-05 | 基于大范围地面监测站点的空气污染物监测方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116008481A CN116008481A (zh) | 2023-04-25 |
| CN116008481B true CN116008481B (zh) | 2024-06-25 |
Family
ID=86020847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310014109.XA Active CN116008481B (zh) | 2023-01-05 | 2023-01-05 | 基于大范围地面监测站点的空气污染物监测方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116008481B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117093832B (zh) * | 2023-10-18 | 2024-01-26 | 山东公用环保集团检测运营有限公司 | 一种用于空气质量数据缺失的数据插补方法及系统 |
Family Cites Families (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6915211B2 (en) * | 2002-04-05 | 2005-07-05 | Groundswell Technologies, Inc. | GIS based real-time monitoring and reporting system |
| EP2199790A1 (en) * | 2008-12-19 | 2010-06-23 | Duvas Technologies Limited | System and apparatus for measurement and mapping of pollutants |
| US20170011299A1 (en) * | 2014-11-13 | 2017-01-12 | Purdue Research Foundation | Proactive spatiotemporal resource allocation and predictive visual analytics system |
| CN106504210A (zh) * | 2016-10-28 | 2017-03-15 | 国网四川省电力公司电力科学研究院 | 一种modis影像数据缺失修复方法 |
| CN108426818A (zh) * | 2018-05-31 | 2018-08-21 | 深圳大图科创技术开发有限公司 | 一种大气污染物浓度观测系统 |
| CN109598152A (zh) * | 2018-10-11 | 2019-04-09 | 天津大学 | 基于emd降噪数据预处理的硬件木马检测优化方法 |
| CN109492830B (zh) * | 2018-12-17 | 2021-08-31 | 杭州电子科技大学 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
| CN110186820A (zh) * | 2018-12-19 | 2019-08-30 | 河北中科遥感信息技术有限公司 | 多源数据融合与环境污染源及污染物分布分析方法 |
| CN110569322A (zh) * | 2019-07-26 | 2019-12-13 | 苏宁云计算有限公司 | 地址信息解析方法、装置、系统及数据获取方法 |
| CN110909309B (zh) * | 2019-11-21 | 2021-04-30 | 中国科学院空天信息创新研究院 | 一种逐小时高分辨率pm2.5数据的获取方法 |
| CN111340288B (zh) * | 2020-02-25 | 2024-04-05 | 武汉墨锦创意科技有限公司 | 一种顾及时空关联性的城市空气质量时序预测方法 |
| CN111860692B (zh) * | 2020-07-31 | 2022-05-31 | 国网重庆市电力公司电力科学研究院 | 一种基于K-mediod的物联网环境下的异常数据检测方法 |
| CN112381171B (zh) * | 2020-11-25 | 2023-04-07 | 河海大学 | 一种基于组合模型的多传感器节点缺失数据填充方法 |
| CN112766549B (zh) * | 2021-01-07 | 2024-12-24 | 清华大学 | 一种空气污染物浓度预报方法、装置及存储介质 |
| CN112858594A (zh) * | 2021-02-23 | 2021-05-28 | 重庆市生态环境监测中心 | 山地城市空气质量监测点布设方法、介质、计算机设备 |
| WO2022195628A1 (en) * | 2021-03-16 | 2022-09-22 | Datair Technology Private Limited | An artificial neural network based virtual air monitoring network system |
| US11512864B2 (en) * | 2021-04-14 | 2022-11-29 | Jiangnan University | Deep spatial-temporal similarity method for air quality prediction |
| CN113297528B (zh) * | 2021-06-10 | 2022-07-01 | 四川大学 | 一种基于多源大数据的no2高分辨率时空分布计算方法 |
| CN113938237B (zh) * | 2021-09-13 | 2023-11-07 | 广东工业大学 | 一种无锚节点间的联合时间同步和定位方法 |
| CN113901384B (zh) * | 2021-09-24 | 2024-09-24 | 武汉大学 | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 |
| CN113887143A (zh) * | 2021-10-21 | 2022-01-04 | 重庆邮电大学 | 多源异构空气污染物的空间插值方法、装置及计算机设备 |
| CN113962489A (zh) * | 2021-11-27 | 2022-01-21 | 北京工业大学 | 一种基于st-ccn-pm2.5的pm2.5浓度细粒度预测方法 |
| CN114564980A (zh) * | 2021-11-30 | 2022-05-31 | 贵州电网有限责任公司 | 一种分布式光缆外破监测系统的数据样本整理方法 |
| CN115291102A (zh) * | 2021-12-16 | 2022-11-04 | 浙江理工大学 | 一种idt和mfdfa的电液伺服系统中电机状态监测方法 |
| CN114240719A (zh) * | 2021-12-24 | 2022-03-25 | 西安交通大学 | 一种基于多元逐步回归的空气质量缺失数据填充方法及系统 |
| CN114926749B (zh) * | 2022-07-22 | 2022-11-04 | 山东大学 | 基于遥感图像的近地面大气污染物反演方法及系统 |
| CN115438848A (zh) * | 2022-08-29 | 2022-12-06 | 武汉大学 | 基于深度混合图神经网络的pm2.5浓度长期预测方法 |
| CN115423183A (zh) * | 2022-08-31 | 2022-12-02 | 上海乘安科技集团有限公司 | 一种颗粒污染物的预测方法和装置 |
-
2023
- 2023-01-05 CN CN202310014109.XA patent/CN116008481B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 基于时空融合的空气质量长短期预测模型研究;李丹阳;中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑;20210815;全文 * |
| 时空混合模型在空气质量预测中的应用研究;张利军;中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑;20220315;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116008481A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636032B (zh) | 基于多模式集成的降水预报方法、系统、终端及存储介质 | |
| CN107578133B (zh) | 一种电力线路巡检轨迹优化方法和系统 | |
| CN114647819B (zh) | 基于图卷积网络的环境数据的格点处理方法 | |
| CN105933294A (zh) | 网络用户定位方法、装置及终端 | |
| CN115792137B (zh) | 大气污染溯源方法及装置、终端 | |
| CN116008481B (zh) | 基于大范围地面监测站点的空气污染物监测方法、装置 | |
| CN116577252B (zh) | 大气细颗粒物浓度测定方法、装置、设备及介质 | |
| CN116229036B (zh) | 数据采集系统、方法、计算机设备及存储介质 | |
| CN114567929A (zh) | 一种高稳定性的wifi6信号融合uwb定位系统 | |
| CN104101354A (zh) | 优化地图数据中poi引导坐标的方法、装置及系统 | |
| CN116910041A (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
| CN117226846A (zh) | 用于变电站设备维护机器人的控制方法及系统 | |
| CN112308969A (zh) | 三维地图生成方法及装置 | |
| CN116205968A (zh) | 一种基于栅格图像的农机作业面积计算方法及系统 | |
| CN113177980A (zh) | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 | |
| CN110567509A (zh) | 空气质量及热岛效应监测方法、车载终端及监测服务器 | |
| CN103796217A (zh) | 一种基于路测数据的预测区域划分方法及装置 | |
| CN116258101B (zh) | 一种基于气体浓度监测数据快速计算排放源强的方法 | |
| CN115936242B (zh) | 空气质量与交通状况的溯源关系数据获取方法及装置 | |
| CN117251520A (zh) | 生物多样性关键区域识别方法、装置和电子设备 | |
| CN111061710A (zh) | 基于列车动态运行数据生成线路定位数据的方法及装置 | |
| CN113821987B (zh) | 复杂地形气象数据预测方法、系统和装置 | |
| CN116861371A (zh) | 一种降水产品精度提升方法、系统、设备、介质及终端 | |
| CN114554535A (zh) | 共覆盖小区对智能识别方法、装置、设备及存储介质 | |
| CN115598309A (zh) | 一种大气环境铅含量的监测预警方法及系统 |
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 |