期刊导航
期刊开放获取
cqvip
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
2
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
区域大气污染联防联控治理政策研究——以广东省佛山市为例
被引量：
3
1
作者
李志勇
《节能与环保》
2021年第3期34-35,共2页
大气污染治理具有明显的系统性和综合性特点,且一般需要耗费较长的治理周期,实行区域联防联控非常必要和紧迫。本文在分析广东省佛山市区域大气污染联防联控机制的重要意义的基础上,提出该市区域大气污染联防联控治理政策的建议,期望可...
大气污染治理具有明显的系统性和综合性特点,且一般需要耗费较长的治理周期,实行区域联防联控非常必要和紧迫。本文在分析广东省佛山市区域大气污染联防联控机制的重要意义的基础上,提出该市区域大气污染联防联控治理政策的建议,期望可以为大气污染治理工作质量和效率的进一步提高提供参考。
展开更多
关键词
区域大气污染
联防联控
治理政策
下载PDF
职称材料
空气质量模拟与观测机器学习NO_(2)浓度预报
2
作者
黄泳熙
朱云
+5 位作者
谢阳红
李海贤
张志诚
黎杰
李金盈
袁颖枝
《中国环境科学》
EI
CAS
CSCD
北大核心
2023年第12期6225-6234,共10页
在空气质量模拟预报数据基础上,采用套索算法(Lasso)将前馈神经网络(FNN)与基于污染物浓度及气象实时观测值搭建的长短期记忆网络(LSTM)组合,形成了模拟与观测机器学习(SOML)预报模型,开展了佛山市顺德区NO_(2)未来3d10个镇街空气质量...
在空气质量模拟预报数据基础上,采用套索算法(Lasso)将前馈神经网络(FNN)与基于污染物浓度及气象实时观测值搭建的长短期记忆网络(LSTM)组合,形成了模拟与观测机器学习(SOML)预报模型,开展了佛山市顺德区NO_(2)未来3d10个镇街空气质量监测点位逐日浓度预报.结果显示:SOML3d的准确性均优于WRF-CMAQ及其它单一模型,其中第一天SOML平均绝对误差(MAE)为4.99μg/m~3,改进幅度达66.18%;SOML不同季节适用性均较强,四季预报效果均较WRF-CMAQ明显提升(MAE分别降低42.18%、42.89%、61.04%、50.91%),其中秋冬季改善幅度更好;相比WRF-CMAQ,SOML预报结果能较好反映顺德区内各站点NO_(2)浓度实际空间分布和数值水平,有效提升了浓度预报精准度.
展开更多
关键词
NO_(2)浓度预报
机器学习
预报模型
WRF-CMAQ模型
空气质量监测
下载PDF
职称材料
题名
区域大气污染联防联控治理政策研究——以广东省佛山市为例
被引量：
3
1
作者
李志勇
机构
佛山市
生态环境
局
顺德
分局
均安监督管理所
出处
《节能与环保》
2021年第3期34-35,共2页
文摘
大气污染治理具有明显的系统性和综合性特点,且一般需要耗费较长的治理周期,实行区域联防联控非常必要和紧迫。本文在分析广东省佛山市区域大气污染联防联控机制的重要意义的基础上,提出该市区域大气污染联防联控治理政策的建议,期望可以为大气污染治理工作质量和效率的进一步提高提供参考。
关键词
区域大气污染
联防联控
治理政策
Keywords
regional air pollution
joint prevention and control
governance policy
分类号
X51 [环境科学与工程—环境工程]
下载PDF
职称材料
题名
空气质量模拟与观测机器学习NO_(2)浓度预报
2
作者
黄泳熙
朱云
谢阳红
李海贤
张志诚
黎杰
李金盈
袁颖枝
机构
华南理工大学
环境
与能源学院
佛山市
生态环境
局
顺德
分局
出处
《中国环境科学》
EI
CAS
CSCD
北大核心
2023年第12期6225-6234,共10页
基金
高端外国专家引进计划项目(G2023163014L)。
文摘
在空气质量模拟预报数据基础上,采用套索算法(Lasso)将前馈神经网络(FNN)与基于污染物浓度及气象实时观测值搭建的长短期记忆网络(LSTM)组合,形成了模拟与观测机器学习(SOML)预报模型,开展了佛山市顺德区NO_(2)未来3d10个镇街空气质量监测点位逐日浓度预报.结果显示:SOML3d的准确性均优于WRF-CMAQ及其它单一模型,其中第一天SOML平均绝对误差(MAE)为4.99μg/m~3,改进幅度达66.18%;SOML不同季节适用性均较强,四季预报效果均较WRF-CMAQ明显提升(MAE分别降低42.18%、42.89%、61.04%、50.91%),其中秋冬季改善幅度更好;相比WRF-CMAQ,SOML预报结果能较好反映顺德区内各站点NO_(2)浓度实际空间分布和数值水平,有效提升了浓度预报精准度.
关键词
NO_(2)浓度预报
机器学习
预报模型
WRF-CMAQ模型
空气质量监测
Keywords
NO_(2) concentration forecast
machine learning
forecast model
WRF-CMAQ model
air quality monitoring
分类号
X511 [环境科学与工程—环境工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
区域大气污染联防联控治理政策研究——以广东省佛山市为例
李志勇
《节能与环保》
2021
3
下载PDF
职称材料
2
空气质量模拟与观测机器学习NO_(2)浓度预报
黄泳熙
朱云
谢阳红
李海贤
张志诚
黎杰
李金盈
袁颖枝
《中国环境科学》
EI
CAS
CSCD
北大核心
2023
0
下载PDF
职称材料
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
