全国各地aqi空气质量数据，时间从2014到2020年，基本包括全国各地所有监测站点，包括pm2.5，pm10，co，so2等
2021-10-26 09:49:32
67B
1
from lxml import etree
import urllib
import urllib.request
import xlwt
import pandas as pd
from pyecharts import Geo
import matplotlib.pyplot as plt
import matplotlib as mpl
def getpage(url):
req=urllib.request.Request(url)
req.add_header('User-Agent') #添加自己的用户代理
data=urllib.request.
2021-10-26 08:15:53
169KB
1
随着我国环境监测技术的不断发展, 环境空气质量的网格化监测体系越来越受到相关工作人员的青睐, 为应对空气污染的网格化监测体系中的小型、微型监测站的空气质量预测问题, 本文提出了一种基于GCN和LSTM的空气质量预测模型. 首先利用GCN网络提取网格化监测体系中的小微型监测站之间的空间特征, 然后再使用LSTM提取时间特征, 最后使用线性回归层来综合时空特征并产生空气质量的预测结果. 为了验证本文提出的预测模型的性能, 我们使用了沈阳市浑南区的14个小微型监测站的空气质量监测数据进行实验. 实验结果显示, 基于GCN-LSTM的空气质量预测模型在空间关联较强的网格化监测中的小微型监测站上的预测结果的精度要优于单一的LSTM预测模型.
2021-10-22 20:16:15
1.11MB
1
抽烟
稀疏矩阵运算符内核排放（SMOKE）建模系统最初是在MCNC开发的，旨在将排放数据处理与高性能计算（HPC）稀疏矩阵算法集成在一起。 SMOKE现在正在环境研究所积极开发中，并得到了社区建模和分析系统（CMAS）的部分支持。
SMOKE主要是一种排放处理系统，旨在创建网格化的特定小时排放量，以输入到各种空气质量模型（例如CMAQ，REMSAD，CAMX和UAM）中。 SMOKE支持区域，生物，移动（公路和非公路）以及点源排放标准，微粒和有毒污染物的处理。 对于生物排放模型，SMOKE使用生物排放清单系统（版本3.7（BEIS3）和版本3.09、3.14和3.61）。 SMOKE还与公路排放模型MOBILE6和MOVES集成在一起。
整个SMOKE中使用的稀疏矩阵方法可以快速，灵活地处理排放数据。 由于SMOKE使用一系列矩阵计算，而不是先前系统使用的效率较低的顺序方法，因此可以
2021-10-18 13:12:17
7.24MB
1