【数据分享】2014-2023年全国监测站点的逐日空气质量数据(15个指标\无需转发)

空气质量的好坏反映了空气的污染程度,在各项涉及城市环境的研究中,空气质量都是一个十分重要的指标。空气质量是依据空气中污染物浓度的高低来判断的。

我们发现学者王晓磊在自己的主页里面分享了2014年5月以来的全国范围的到站点的逐时空气质量数据,包括AQI、PM2.5、PM10、 SO2、NO2、 O3、CO等指标,且数据持续更新。大家可以自己去王晓磊的主页下载原始数据,网址在下文。我们下载数据后发现原始数据并不好用,我们对原始数据进行了处理分享给大家!

之前我们分享了2014-2023年全国监测站点的逐时的空气质量数据,包含15个指标,提供了Shp和Excel两种数据格式,免费获取(可查看之前的文章获取)。本次我们基于逐时的数据得到了1600多个监测站点的逐日的空气质量数据!计算方法为求得当日所有时刻空气质量数值的平均值,具体包括15个指标,时间范围为2014年5月13号—2023年3月25号,数据格式为Shp和Excel两种!

以下为数据的详细介绍:

01 数据预览

空气质量数据的15个具体指标为AQI、SO2_24h、SO2、PM10_24h、PM10、PM2.5_24h、PM2.5、O3_24h、O3_8h_24h、O3_8h、O3、NO2_24h、NO2、CO_24h、CO。

我们首先来看一下Excel格式的空气质量数据,每年的数据保存为一个Excel文件,然后每个Excel文件里面包括了如下字段:站点编号站点名字所属城市站点经度站点纬度对照点全年365天的空气质量数值!我们以AQI(空气质量指数)为例来预览一下:

我们再来看看shp格式的数据!Shp格式数据的具体属性和Excel数据相同,同样每年的数据保存为一个Shp文件,我们以AQI数据为例来看下,如下图:

我们再以2022年1月1号的AQI值为例来看看具体数据:

另外还需要说一下Shp格式文件的字段命名规则,由于Shp格式文件对于字段的名称有长度限制,我们目前的命名规则为:以2022年1月1号为例,命名为2022-01-01;以2022年12月23号为例,命名为2022-12-23。

02 数据详情

数据来源:

原始数据来源于学者王晓磊个人主页上分享的数据,网址为:https://quotsoft.net/air/#archive 王晓磊在网页里面对于他分享的数据的最初来源也有说明,是来源于全国空气质量数据来自中国环境监测总站的全国城市空气质量实时发布平台。

数据处理:

1.学者王晓磊分享的原始数据按日进行划分,如下图:

2.每日的数据包括所有指标的所有站点的数据,我们以2023年1月1号的文件为例,来看看,如下图:

3.另外王晓磊提供了站点的经纬度文件,如下图:

4.我们将所有站点的逐时空气质量指标值连接上站点的经纬度,得到带有经纬度的所有站点的逐时空气质量数值,并对15个指标单独处理进行区分。

5.基于所有站点的逐时空气质量数值,我们求得每日所有时刻的空气质量数据的平均值,以此分别得到所有站点15个指标的逐日空气质量数据!

名词说明:

在学者王晓磊个人主页上对15个具体指标的数据类型和单位有如下说明:

数据引用:

如果你使用该数据,请标明数据来自于学者王晓磊及中国环境监测总站的全国城市空气质量实时发布平台!

文末下方是我们的公众号名片,我们将定期介绍各类城市数据以及数据的可视化和分析技术,有关2014-2023年全国监测站点的逐日空气质量数据的更多详情,欢迎大家多多关注我们进行了解~

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优是准确度较高,缺是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
2014-2023全国逐时、逐日空气质量数据环境监测部门通过实时监测仪器和传感器不断收集的数据。这些数据以excel格式和shp格式存储,方便进一步分析和利用。 这些数据包含了全国各地不同地区、城市的空气质量数据。逐时空气质量数据提供了每小时的各项指标,如PM2.5、PM10、二氧化硫(SO2)、二氧化氮(NO2)、一氧化碳(CO)、臭氧(O3)等浓度数据逐日空气质量数据提供了每天的平均值、最大值和最小值等统计信息。 这些数据的收集和分析可以帮助政府和相关部门了解全国各地的空气质量状况,及时发现和应对空气污染问题。通过对数据的统计和分析,可以评估不同地区、城市的空气质量状况,制定针对性的环境保护政策和措施。 将这些数据以excel格式和shp格式提供,方便用户进行更深入的数据处理和可视化。用户可以使用excel软件对数据进行筛选、计算、制图等操作,进行数据分析和研究。shp格式文件可以在地理信息系统(GIS)软件中使用,进行空间分析和空气质量分布图的制作。 这些数据的发布和共享可以促进科学研究和环境保护工作的开展。研究人员可以利用这些数据开展各种空气质量相关的研究,为环境监测和改善提供科学依据。同时,公众也可以通过这些数据了解、监测自己居住地区的空气质量状况,采取相应的健康保护措施。 总之,2014-2023全国逐时、逐日空气质量数据对于了解和改善国家的空气质量状况具有重要意义,为科研工作和环境保护提供了有力支持。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值