System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及气象预测,特别涉及基于相关性分析的区域性大气能见度预测方法及系统。
技术介绍
1、光化学污染是一种主要由人类活动引起的大气污染形式,主要由大气中的氮氧化物(nox)和挥发性有机化合物(vocs)以及日照强烈的情况下产生的二氧化氮(no2)等污染物组成,这些污染物在阳光的照射下发生一系列复杂的化学反应,形成臭氧(o3)等有害物质,而臭氧作为强氧化剂可以与悬浮颗粒物、氮氧化物等其他污染物发生二次反应,进一步加剧大气污染程度,会导致大气中悬浮颗粒物和气溶胶的浓度增加,从而降低大气的透明度,使得能见度受到影响,此外,光化学污染还会改变大气中的光散射和光吸收特性,使得光线的传播路径发生变化,进一步降低了大气能见度。尤其在在高度工业化和城市地区,由于光化学污染,使得大气呈现灰蒙蒙的状态,视野变得模糊,能见度显著下降,不仅对人们的生活和工作产生不利影响,还对交通运输、航空航运等行业带来安全隐患。
2、杜红梅在《大气光化学烟雾污染、监测及防治研究》中指出“光化学烟雾形成必然受到物理、化学过程影响以及大气环境中的污染物排放量因素影响”,同时还提出大气环境中产生光化学烟雾需要满足三个条件:一次污染物如氮氧化物、一氧化碳、非甲烷烃等化合物达到一定浓度值、强烈的太阳辐射、大气扩散条件差,以及存在相应的逆温现象和较为封闭的地理环境。
3、根据上述研究内容可知,区域性光化学污染现象的发生具有偶然性和难以预见性,而又因为光化学污染现象与环境能见度之间息息相关,使得对光化学污染导致的区域性大气能见度变化的预测异常困难。为此
技术实现思路
1、本专利技术的主要目的在于提供基于相关性分析的区域性大气能见度预测方法及系统,可以有效解决
技术介绍
中的问题。
2、为实现上述目的,本专利技术采取的技术方案为,
3、基于相关性分析的区域性大气能见度预测方法,包括:
4、步骤一:获取不同区域内的污染物含量因素、气象环境因素、地理环境因素数据,并获取数据采集时刻的能见度观测值,对各因素变量与能见度测量值进行相关度分析;
5、步骤二:筛选与能见度之间具有强相关关系的污染物含量因素、气象环境因素、地理环境因素分别作为第一类预测因子、第二类预测因子、第三类预测因子,其中,具有强相关关系为与能见度之间相关系数在范围内的因素,相关系数的计算公式为:
6、
7、式中,为第k个因素与能见度之间的相关系数;为第k个因素的第i个数据与第i个能见度数值之间的等级差;n为数据样本总量;
8、步骤三:实时采集待测区域内的预测因子数据,采用向量集合d表示所获取的数据集,有式中,umt为第t个周期内采集的第m项第一类预测因子数据,vnt为第t个周期内采集的第n项第二类预测因子数据,wrt为第t个周期内采集的第r项第三类预测因子数据;
9、步骤四:获取各类预测因子及对应的能见度观测值的实时采集及历史数据,将获取的各项数据划分为λ个等级,构建预测因子与能见度之间的等级对照关系矩阵,其中,数据等级划分的步骤包括:
10、步骤31:获取任一项待分类数据,记为a,利用待分类数据a的数值创建样本集,记作{a1,a2...aj},其中,j为待分类数据值的总个数,j为大于零的自然数;
11、步骤32:获取样本集中的均值和标准差,利用均值和标准差对数据进行标准化,标准化公式为,在此式中z为标准参量,σ为样本数据的方差,μ为样本数据的均值;
12、步骤33:在完成标准化后,将标准参量利用将数值区间调整至[0,1]之间,利用的函数值对待分类数据值进行分类;
13、其中,第一分类的机制为:
14、当时,待分类数据值分类为一级;
15、当时,待分类数据值分类为二级;
16、当时,待分类数据值分类为三级;
17、以此类推;
18、当时,待分类数据值分类为λ级;
19、第二分类的机制为:
20、当时,待分类数据值分类为λ级;
21、当时,待分类数据值分类为λ-1级;
22、当时,待分类数据值分类为λ-2级;
23、以此类推;
24、当时,待分类数据值分类为一级;
25、其中,,分别为的函数值的最小值和最大值,,...分别为函数值的中间值,且<<<...<<,λ为正整数;
26、步骤34:重复上述步骤至各项数据均分类完成;
27、其中,能见度数据及随能见度数值增加而呈正向趋势的预测因子的等级分类适用于第一分类机制;随能见度数值增加而呈负向趋势的预测因子的等级分类适用于第二分类机制;
28、所述等级对照关系矩阵表达式为:
29、
30、式中,为第一类预测因子的第o项因素的分类等级,其中,o≤m;为第二类预测因子的第p项因素的分类等级,其中,p≤n;为第三类预测因子的第q项因素的分类等级,其中,q≤r;为能见度分类等级;
31、步骤五:构建预测模型,根据预测模型获取待测区域内的预测因子在下一周期时的预测值,根据预测值获取各项预测因子的等级分类结果,其中,预测模型的表达式为:
32、
33、式中,表示为第σ个预测因子在第t+1个采样周期内的预测值;表示为第σ个预测因子在第t个采样周期内的采样值,为常数系数,其中,的取值范围为;
34、步骤六:根据获取的待测区域内的预测因子的等级分类结果,参考所述等级对照关系矩阵获取下一周期时该地区能见度的等级预测结果。
35、基于相关性分析的区域性大气能见度预测系统,包括数据获取模块、数据分析模块、预测因子筛选模块、数据等级划分模块、数据采集模块、预测模型构建模块、能见度等级预测模块;
36、所述数据获取模块用于获取不同区域内的污染物含量因素、气象环境因素、地理环境因素及数据采集时刻的能见度观测值数据;
37、所述数据分析模块与所述数据获取模块连接,用于对获取的各因素变量与能见度观测值之间的进行相关度分析,计算获取各因素变量与能见度观测值之间的相关系数;
38、所述预测因子筛选模块用于根据相关系数的计算结果筛选与能见度之间具有强相关关系的污染物含量因素、气象环境因素、地理环境因素分别作为第一类预测因子、第二类预测因子、第三类预测因子,其中,具有强相关关系为与能见度之间相关系数在范围内的因素;
39、所述数据采集模块用于实时采集待测区域内的预测因子数据,并采用向量集合d表示所获取的数据集;
40、所述数据等级划分模块用于获取各类预测因子及对应的能见度观测值的实时采集及历史数据,将获取的各项数据划分为λ个等级,根据等级划分结果构建预测因子与能见度之间的等级对照关系矩阵;
41、所述预测模型构建模块用于构建预测模型,并根据预测模型获取待测区域内本文档来自技高网...
【技术保护点】
1.基于相关性分析的区域性大气能见度预测方法,其特征在于,包括:
2.根据权利要求1所述的基于相关性分析的区域性大气能见度预测方法,其特征在于,包括:在步骤二中,具有强相关关系为与能见度之间相关系数在范围内的因素。
3.根据权利要求2所述的基于相关性分析的区域性大气能见度预测方法,其特征在于,包括:相关系数的计算公式为:
4.根据权利要求1所述的基于相关性分析的区域性大气能见度预测方法,其特征在于,包括:在步骤三中,数据等级划分的步骤包括:
5.根据权利要求1所述的基于相关性分析的区域性大气能见度预测方法,其特征在于,包括:在步骤3中,能见度数据及随能见度数值增加而呈正向趋势的预测因子的等级分类适用于第一分类机制;随能见度数值增加而呈负向趋势的预测因子的等级分类适用于第二分类机制。
6.基于相关性分析的区域性大气能见度预测系统,其特征在于,包括:数据获取模块、数据分析模块、预测因子筛选模块、数据等级划分模块、数据采集模块、预测模型构建模块、能见度等级预测模块;
7.根据权利要求6所述的基于相关性分析的区域性大
...【技术特征摘要】
1.基于相关性分析的区域性大气能见度预测方法,其特征在于,包括:
2.根据权利要求1所述的基于相关性分析的区域性大气能见度预测方法,其特征在于,包括:在步骤二中,具有强相关关系为与能见度之间相关系数在范围内的因素。
3.根据权利要求2所述的基于相关性分析的区域性大气能见度预测方法,其特征在于,包括:相关系数的计算公式为:
4.根据权利要求1所述的基于相关性分析的区域性大气能见度预测方法,其特征在于,包括:在步骤三中,数据等级划分的步骤包括:
5.根据权利要求1所述的基于相关性分析的区域性大气能见度预测方法,其特征在于,包括:在步骤3中,...
【专利技术属性】
技术研发人员:许立兵,孔扬,
申请(专利权)人:无锡九方科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。