期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
湿地生态系统实际蒸散发数据驱动估算模型研究
被引量:
1
1
作者
凌从高
穆溪
+3 位作者
许敏
王思晨
赵秋雨
江鹏
《安徽农业大学学报》
CAS
CSCD
2022年第5期771-779,共9页
利用Fluxnet2015全球通量塔观测数据集,研究了随机森林(RF)、梯度增强回归分析(GBR)、支持向量回归(SVR)和深度学习神经网络(DNN)预测湿地生态系统的实际蒸散发(Evaporation,ET)。通过对比研究,确定了预测实际蒸散发的最佳特征变量组合...
利用Fluxnet2015全球通量塔观测数据集,研究了随机森林(RF)、梯度增强回归分析(GBR)、支持向量回归(SVR)和深度学习神经网络(DNN)预测湿地生态系统的实际蒸散发(Evaporation,ET)。通过对比研究,确定了预测实际蒸散发的最佳特征变量组合,包括短波辐射、净辐射、初级生产总值、气温、土壤温度、风速、降水、经度、纬度和时间。以此为模型输入,利用Fluxnet2015站点测试数据集和ERA5-Land再分析资料提供的输入特征,对比分析了不同模型的实际蒸散发估计精度,结果表明:以站点数据为输入,SVR算法精度相对较高,其R^(2)可达0.896,RPE最小为31.5%;以ERA5-Land再分析资料为输入,除了GBR算法以外,其余3种方法R^(2)高于0.820,RPE小于57%。另外,模型算法估计的ET精度要明显高于ERA5-Land再分析资料提供的ET产品。
展开更多
关键词
湿地
蒸散发
机器学习
深度学习
ERA5-Land
下载PDF
职称材料
基于极端梯度提升树和深度学习方法估算中国地表NO_(2)浓度
被引量:
1
2
作者
王思晨
霍彦峰
+5 位作者
穆溪
江鹏
朱立
荀尚培
何彬方
吴文玉
《环境科学学报》
CAS
CSCD
北大核心
2023年第10期298-308,共11页
二氧化氮(NO_(2))是备受关注的重要大气污染物之一,与人体呼吸系统和心血管疾病有紧密关系.卫星遥感是获得大尺度NO_(2)分布情况的有效方法,搭载于Aura卫星上的臭氧监测仪(Ozone Monitoring Instrument,OMI)可以反演全球尺度的对流层NO_...
二氧化氮(NO_(2))是备受关注的重要大气污染物之一,与人体呼吸系统和心血管疾病有紧密关系.卫星遥感是获得大尺度NO_(2)分布情况的有效方法,搭载于Aura卫星上的臭氧监测仪(Ozone Monitoring Instrument,OMI)可以反演全球尺度的对流层NO_(2)柱浓度.然而,由于观测条件(如云覆盖)和传感器物理异常影响,OMI在中国地区存在1/2以上的缺失数据,严重限制了数据的应用价值.本文首先基于深度学习方法重建OMI对流层NO_(2)柱浓度缺失数据,然后结合气象资料和地面信息(如道路密度)等数据,利用梯度提升树模型估算了2018—2020年中国近地面NO_(2)浓度日均值,最后使用机器学习解释性算法评估了OMI数据对近地面NO_(2)估算的适用性和敏感性.结果表明:OMI数据缺失值的重建效果和近地面NO_(2)估算精度良好,OMI缺失数据重建值与原始数据的交叉验证R^(2)为0.81,近地面NO_(2)浓度估算值与中国环境总站监测值交叉验证R^(2)为0.84;气象要素对近地面NO_(2)的敏感性最高,特征重要度为36.7%,OMI对流层NO_(2)柱浓度的特征重要度约为8%.
展开更多
关键词
二氧化氮
臭氧监测仪(OMI)
深度学习
缺失值重建
NO_(2)浓度反演
原文传递
数据驱动的FY-4A遥感估算安徽省近地面PM_(2.5)浓度模型研究
3
作者
朱立
戴晓慧
+3 位作者
张脉惠
江鹏
穆溪
刘瑞艳
《环境科学学报》
CAS
CSCD
北大核心
2023年第11期196-205,共10页
PM_(2.5)是造成雾霾天气的主要因素之一,会影响近地面大气水平能见度,危害交通安全与生命健康.对区域PM_(2.5)浓度进行长时间序列监测具有重要意义,其中,卫星遥感反演作为地面实测的有效补充手段而被广泛应用.地球同步静止轨道卫星观测...
PM_(2.5)是造成雾霾天气的主要因素之一,会影响近地面大气水平能见度,危害交通安全与生命健康.对区域PM_(2.5)浓度进行长时间序列监测具有重要意义,其中,卫星遥感反演作为地面实测的有效补充手段而被广泛应用.地球同步静止轨道卫星观测具有高频次、无回访等待周期、无数据区间间隙等优势.基于地球静止气象卫星风云四号A星(FY-4A)L1级通道数据、角度数据与云检测数据,本研究发展了随机森林模型RF、极端梯度提升XGBoost、卷积神经网络CNN 3种数据驱动模型,实现对安徽省域近地面PM_(2.5)浓度逐小时卫星遥感估算.同时,通过样本交叉验证、站点交叉验证方法对比了三者的精度,结果表明:CNN模型经样本交叉验证的R^(2)=0.89,站点交叉验证的R^(2)=0.82,在3种模型中表现最优,且通道数据中第三通道对估算的信息增益最大.基于此,利用CNN模型估算了2021年全年安徽省域白天小时级的近地面PM_(2.5)浓度,针对2021-12-23的一次PM_(2.5)污染事件分析表明,近地面PM_(2.5)浓度分布有很强的区域分异与时序性.
展开更多
关键词
PM_(2.5)浓度
FY-4A
通道数据
数据驱动模型
安徽
原文传递
题名
湿地生态系统实际蒸散发数据驱动估算模型研究
被引量:
1
1
作者
凌从高
穆溪
许敏
王思晨
赵秋雨
江鹏
机构
安徽大学资源与环境工程学院
安徽大学信息材料与智能感知安徽省实验室
出处
《安徽农业大学学报》
CAS
CSCD
2022年第5期771-779,共9页
基金
国家自然科学基金(41604028)
安徽省自然科学基金(1708085QD83)共同资助。
文摘
利用Fluxnet2015全球通量塔观测数据集,研究了随机森林(RF)、梯度增强回归分析(GBR)、支持向量回归(SVR)和深度学习神经网络(DNN)预测湿地生态系统的实际蒸散发(Evaporation,ET)。通过对比研究,确定了预测实际蒸散发的最佳特征变量组合,包括短波辐射、净辐射、初级生产总值、气温、土壤温度、风速、降水、经度、纬度和时间。以此为模型输入,利用Fluxnet2015站点测试数据集和ERA5-Land再分析资料提供的输入特征,对比分析了不同模型的实际蒸散发估计精度,结果表明:以站点数据为输入,SVR算法精度相对较高,其R^(2)可达0.896,RPE最小为31.5%;以ERA5-Land再分析资料为输入,除了GBR算法以外,其余3种方法R^(2)高于0.820,RPE小于57%。另外,模型算法估计的ET精度要明显高于ERA5-Land再分析资料提供的ET产品。
关键词
湿地
蒸散发
机器学习
深度学习
ERA5-Land
Keywords
wetland
evapotranspiration
machine learning
deep learning
ERA5-Land
分类号
S181 [农业科学—农业基础科学]
下载PDF
职称材料
题名
基于极端梯度提升树和深度学习方法估算中国地表NO_(2)浓度
被引量:
1
2
作者
王思晨
霍彦峰
穆溪
江鹏
朱立
荀尚培
何彬方
吴文玉
机构
安徽省气象科学研究所
安徽大学
寿县国家气候观象台
中国气象局淮河流域典型农田生态气象野外科学试验基地
出处
《环境科学学报》
CAS
CSCD
北大核心
2023年第10期298-308,共11页
基金
风云卫星应用先行计划(No.FY-APP-2022.0603)
国家自然科学基金区域创新发展联合基金(No.U21A2028)
+1 种基金
安徽省气象局创新发展专项(No.YJG202203)
国家高技术研究发展计划无场地定标关键技术项目(No.8-060011)。
文摘
二氧化氮(NO_(2))是备受关注的重要大气污染物之一,与人体呼吸系统和心血管疾病有紧密关系.卫星遥感是获得大尺度NO_(2)分布情况的有效方法,搭载于Aura卫星上的臭氧监测仪(Ozone Monitoring Instrument,OMI)可以反演全球尺度的对流层NO_(2)柱浓度.然而,由于观测条件(如云覆盖)和传感器物理异常影响,OMI在中国地区存在1/2以上的缺失数据,严重限制了数据的应用价值.本文首先基于深度学习方法重建OMI对流层NO_(2)柱浓度缺失数据,然后结合气象资料和地面信息(如道路密度)等数据,利用梯度提升树模型估算了2018—2020年中国近地面NO_(2)浓度日均值,最后使用机器学习解释性算法评估了OMI数据对近地面NO_(2)估算的适用性和敏感性.结果表明:OMI数据缺失值的重建效果和近地面NO_(2)估算精度良好,OMI缺失数据重建值与原始数据的交叉验证R^(2)为0.81,近地面NO_(2)浓度估算值与中国环境总站监测值交叉验证R^(2)为0.84;气象要素对近地面NO_(2)的敏感性最高,特征重要度为36.7%,OMI对流层NO_(2)柱浓度的特征重要度约为8%.
关键词
二氧化氮
臭氧监测仪(OMI)
深度学习
缺失值重建
NO_(2)浓度反演
Keywords
nitrogen dioxide
ozone monitoring instrument(OMI)
deep learning
missing data imputation
NO_(2)concentration retrieval
分类号
X831 [环境科学与工程—环境工程]
X87 [环境科学与工程—环境工程]
原文传递
题名
数据驱动的FY-4A遥感估算安徽省近地面PM_(2.5)浓度模型研究
3
作者
朱立
戴晓慧
张脉惠
江鹏
穆溪
刘瑞艳
机构
安徽大学资源与环境工程学院
安徽省公共气象服务中心
出处
《环境科学学报》
CAS
CSCD
北大核心
2023年第11期196-205,共10页
基金
国家自然科学基金(No.41604028)
安徽省自然科学基金(No.1708085QD83)
安徽省科技厅重大专项(No.18030801111)。
文摘
PM_(2.5)是造成雾霾天气的主要因素之一,会影响近地面大气水平能见度,危害交通安全与生命健康.对区域PM_(2.5)浓度进行长时间序列监测具有重要意义,其中,卫星遥感反演作为地面实测的有效补充手段而被广泛应用.地球同步静止轨道卫星观测具有高频次、无回访等待周期、无数据区间间隙等优势.基于地球静止气象卫星风云四号A星(FY-4A)L1级通道数据、角度数据与云检测数据,本研究发展了随机森林模型RF、极端梯度提升XGBoost、卷积神经网络CNN 3种数据驱动模型,实现对安徽省域近地面PM_(2.5)浓度逐小时卫星遥感估算.同时,通过样本交叉验证、站点交叉验证方法对比了三者的精度,结果表明:CNN模型经样本交叉验证的R^(2)=0.89,站点交叉验证的R^(2)=0.82,在3种模型中表现最优,且通道数据中第三通道对估算的信息增益最大.基于此,利用CNN模型估算了2021年全年安徽省域白天小时级的近地面PM_(2.5)浓度,针对2021-12-23的一次PM_(2.5)污染事件分析表明,近地面PM_(2.5)浓度分布有很强的区域分异与时序性.
关键词
PM_(2.5)浓度
FY-4A
通道数据
数据驱动模型
安徽
Keywords
PM_(2.5)concentration
FY-4A
channel data
data-driven model
Anhui
分类号
X831 [环境科学与工程—环境工程]
X87 [环境科学与工程—环境工程]
原文传递
题名
作者
出处
发文年
被引量
操作
1
湿地生态系统实际蒸散发数据驱动估算模型研究
凌从高
穆溪
许敏
王思晨
赵秋雨
江鹏
《安徽农业大学学报》
CAS
CSCD
2022
1
下载PDF
职称材料
2
基于极端梯度提升树和深度学习方法估算中国地表NO_(2)浓度
王思晨
霍彦峰
穆溪
江鹏
朱立
荀尚培
何彬方
吴文玉
《环境科学学报》
CAS
CSCD
北大核心
2023
1
原文传递
3
数据驱动的FY-4A遥感估算安徽省近地面PM_(2.5)浓度模型研究
朱立
戴晓慧
张脉惠
江鹏
穆溪
刘瑞艳
《环境科学学报》
CAS
CSCD
北大核心
2023
0
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部