您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202012-136
论文题目 基于深度神经网络估算近地面细颗粒物浓度的研究
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于深度神经网络估算近地面细颗粒物浓度的研究

首发时间:2020-12-31

田雨 1   

田雨(1996-),男,硕士研究生,主要研究方向:大气遥感

曾巧林 1    2   

曾巧林,女,博士,主要研究方向:大气遥感

  • 1、重庆邮电大学计算机科学与技术学院,重庆 400065
  • 2、重庆市气象科学研究所,重庆 401147

摘要:由于我国地面环境监测站点建立时间晚,且空间分布稀疏,极大限制了我国对PM2.5进行长时间和区域连续性分布以及变化过程等研究。研究表明,利用卫星遥感相关数据与PM2.5之间的关系估算PM2.5浓度可以有效地突破PM2.5观测在时间和空间上的限制。本研究获取2016年至2019年全国国家控制监测站点的PM2.5浓度数据、多角度大气校正(MAIAC)算法反演的气溶胶光学厚度(AOD)产品、欧洲中心提供的气象再分析资料(ERA5)、归一化植被指数(NDVI)等相关数据,采用深度神经网络建立PM2.5时空模型,建模过程中分析了各个特性因子的线性相关性、NDVI和经纬度对模型的影响。训练、验证发现本研究构建的模型在川渝地区的估算结果和站点观测值相关性较好(验证结果R2 = 0.866),该模型被用于估算2010年至2019年中国川渝地区1 km空间分辨率的每日PM2.5浓度分布,并对PM2.5浓度在时间和空间上的变化进行分析。结果表明:PM2.5高浓度主要集中在四川盆地(四川东部和重庆西部)。除了2011年至2014年PM2.5逐年升高和2016年的略微上升,近10年我国川渝地区PM2.5浓度整体呈下降趋势。在2014年川渝地区PM2.5浓度到达峰值(年均30.57μg/m3),其中重庆市年均突破50μg/m3。因此,本研究通过深度学习方法估算长时间序列的颗粒物浓度,希望能够为川渝地区与PM2.5相关的流行病学研究和环境治理提供数据支撑。

关键词: PM2.5 深度神经网络 长时间序列 变化特征

For information in English, please click here

Based on Deep Neural Network Estimating the Concentration of Fine Particulate Matter in Near-ground

Tian Yu 1   

田雨(1996-),男,硕士研究生,主要研究方向:大气遥感

Zeng Qiaolin 1    2   

曾巧林,女,博士,主要研究方向:大气遥感

  • 1、College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065
  • 2、Chongqing Institute of Meteorological Science, Chongqing 401147

Abstract:Due to the late establishment and sparse spatial distribution of ground environmental monitoring stations in China, researches on the long-term and regional continuous distribution and change process of PM2.5 in China are greatly limited. Studies have shown that using the relationship between satellite remote sensing data and PM2.5 to estimate PM2.5 concentration can effectively break through the time and space limitations of PM2.5 observations. This study obtained the PM2.5 concentration data of national control monitoring sites, the aerosol optical depth (AOD) product retrieved by the Multi-Angle Implementation of Atmospheric Correction (MAIAC) algorithm, the meteorological reanalysis data (ERA5) provided by the European Center, normalized difference vegetation index (NDVI), and other related data from 2016 to 2019. A deep neural network is used to establish PM2.5 spatio-temporal model, and the linear correlation of each characteristic factor, the influence of NDVI and latitude and longitude on the model is analyzed during the modeling. Training and verification found that the estimated results of the model constructed in this study in the Sichuan-Chongqing area have a good correlation with the station observations (verification result R2 = 0.866). This model was used to estimate the daily distribution of PM2.5 concentration with a spatial resolution of 1 km in Sichuan and Chongqing region of China from 2010 to 2019, and the changes of PM2.5 concentration in time and space were analyzed. The results showed that the high concentrations of PM2.5 were mainly concentrated in the Sichuan Basin (eastern Sichuan and western Chongqing). Except for the annual increase in PM2.5 from 2011 to 2014 and the slight increase in 2016, the overall PM2.5 concentration in Sichuan and Chongqing has shown a downward trend in the past 10 years. In 2014, the PM2.5 concentration in Sichuan and Chongqing reached its peak (average annual 30.57μg/m3), of which the annual average in Chongqing exceeded 50μg/m3. Therefore, this study uses deep learning methods to estimate the concentration of particulate matter in a long time series, hoping to provide data support for epidemiological research and environmental governance related to PM2.5 in Sichuan and Chongqing.

Keywords: PM2.5 deep neural network long time series variation characteristics

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
田雨,曾巧林. 基于深度神经网络估算近地面细颗粒物浓度的研究[EB/OL]. 北京:中国科技论文在线 [2020-12-31]. http://www.paper.edu.cn/releasepaper/content/202012-136.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

基于深度神经网络估算近地面细颗粒物浓度的研究