机译:在大型区域上使用卫星数据促进机器学习和评估空间颗粒物质(PM2.5)的时空模型的推进方法
Icahn Sch Med Mt Sinai Dept Environm Med & Publ Hlth New York NY 10029 USA;
Icahn Sch Med Mt Sinai Dept Environm Med & Publ Hlth New York NY 10029 USA;
Icahn Sch Med Mt Sinai Dept Environm Med & Publ Hlth New York NY 10029 USA;
Ben Gurion Univ Negev Dept Geog & Environm Dev Beer Sheva Israel;
Ben Gurion Univ Negev Dept Geog & Environm Dev Beer Sheva Israel;
NASA Goddard Space Flight Ctr Greenbelt MD USA;
Icahn Sch Med Mt Sinai Dept Environm Med & Publ Hlth New York NY 10029 USA|Ben Gurion Univ Negev Dept Geog & Environm Dev Beer Sheva Israel;
Air pollution; PM2.5; Spatial cross-validation; Aerosol optical depth; MAIAC;
机译:具有平行PDE模型的区域级预测模型和细颗粒物质(PM2.5)浓度数据
机译:应用机器学习方法管理城市浓度的交通相关颗粒物质(PM10和PM2.5)
机译:通过卫星遥感和地面气象测量来预测安大略省南部每小时细小颗粒物(PM2.5)浓度的半经验模型
机译:2000-2016年中国PM2.5浓度的时空连续估计:一种基于卫星,化学传输模型和地面观测输入的机器学习方法
机译:集成了卫星遥感技术和地面测量技术,可以对区域规模的细颗粒物的时空分布进行建模。
机译:韩国城市热点中黑碳(BC)实时浓度与细颗粒物(PM2.5)的时空关联
机译:利用遥感数据对沙特阿拉伯细颗粒物(PM2.5)进行时空分析
机译:上奥克西河流域城市和农村监测站点获得的环境细颗粒物(pm2.5)数据的比较评价