申请/专利权人：银川市生态环境监测站

申请日：2024-02-02

公开（公告）日：2024-04-30

公开（公告）号：CN117953998A

主分类号：G16C20/30

分类号：G16C20/30;G16C20/70;G06N5/01;G06N20/20

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.17#实质审查的生效;2024.04.30#公开

摘要：本发明适用于大气成分分析技术领域，提供了一种气象因素及臭氧前体物对臭氧浓度贡献度的量化方法，所述方法包括：获取多源样本融合数据，基于所述多源样本融合数据构建训练集和测试集；构建若干机器学习模型；得到最优学习模型；将所述最优学习模型作为输入模型，将气象状态数据、臭氧前体物数据作为输入特征，输入到模型解释器中，分别得到所述气象状态数据和所述臭氧前体物数据对臭氧浓度的贡献度。本方法能够在测量分析影响大气中臭氧浓度的前体物时，同时考虑到气象状况，从而将对于臭氧浓度的前体物的分析与实际气象状况进行精确关联和量化，提高了对于臭氧浓度影响因素分析的精确度，能够为大气研究带来更加广泛、可靠和准确的数据支撑。

主权项：1.一种气象因素及O3前体物对O3浓度贡献度的量化方法，其特征在于，所述方法包括：获取多源样本融合数据，所述多源样本融合数据至少包括气象状态数据、臭氧前体物数据以及臭氧浓度，基于所述多源样本融合数据构建训练集和测试集；构建至少两个机器学习模型，所述机器学习模型基于决策树构建，用于基于输入特征变量对臭氧浓度进行预测；利用所述训练集对构建的全部所述机器学习模型进行单独训练；将所述测试集分别输入到各个所述机器学习模型中，获取各个所述机器学习模型所输出的臭氧浓度预测值与臭氧浓度真实值拟合度，将所述拟合度最高的机器学习模型设为最优学习模型；将所述最优学习模型作为输入模型，将所述气象状态数据和臭氧前体物数据作为输入特征，输入到模型解释器中，所述模型解释器用于衡量所述输入特征对于所述输入模型预测结果的贡献程度，进而得到所述气象状态数据和所述臭氧前体物数据对臭氧浓度的贡献度。

全文数据：

权利要求：

百度查询： 银川市生态环境监测站 一种气象因素及O₃前体物对O₃浓度贡献度的量化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD