CN102855404A - 湖库水华应急治理决策方案的筛选方法 - Google Patents
湖库水华应急治理决策方案的筛选方法 Download PDFInfo
- Publication number
- CN102855404A CN102855404A CN2012103356606A CN201210335660A CN102855404A CN 102855404 A CN102855404 A CN 102855404A CN 2012103356606 A CN2012103356606 A CN 2012103356606A CN 201210335660 A CN201210335660 A CN 201210335660A CN 102855404 A CN102855404 A CN 102855404A
- Authority
- CN
- China
- Prior art keywords
- storehouse
- emergency management
- wawter bloom
- lake
- decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种湖库水华应急治理决策方案的筛选方法,包括步骤:确定可行的湖库水华应急治理决策方案及决策属性;构建贝叶斯决策模型,并进行模糊化、反模糊化处理,得到反模糊化后的模糊-贝叶斯决策模型;判断是否需要考虑风险、成本因素,从而通过相应措施筛选出至少一个湖库水华应急治理决策方案。本发明方法可按实际要求适当考虑风险因素和/或成本因素后来对湖库水华应急治理决策方案进行筛选,筛选出的方案除可有效控制和治理湖库水华的暴发外,还适当考虑到了风险因素和/或成本因素,增加了方案选取的准确性、可靠性、经济性、实用性。
Description
技术领域
本发明涉及一种对多个方案进行优选的方法,尤指一种对湖库水华应急治理决策方案进行筛选的方法。
背景技术
近年来,我国湖库与河流的污染和生态问题突出,部分水域频繁暴发藻类水华,严重影响到人民群众的生产和生活。水华现象作为水体富营养化的一种典型表现,是世界性的水污染公害,如何有效地对湖库水华进行应急治理决策,是目前环境领域的研究热点和前沿。
由于湖库水华暴发是由水体的物理、化学、生物、环境及社会等多种因素共同作用结果,目前对水华发生的临界因素和机理还没有完全掌握,如何有效地对水华进行应急治理决策已成为水环境领域研究的难点及重点之一。
目前,国内外学者针对不同突发事件的应急决策模型进行了有益的探索,如表示专家意见的多专家决策方法,应用蒙特卡罗模拟方法进行定量分析及合成,基于多属性效用分析方法的应急决策模型、改进的蚁群聚类算法中相似度密度的计算方法等。另外,目前水华治理方法有很多,如水华生物治理、物理治理、化学治理及综合治理等,其研究主要集中在去除水体中过量营养盐、新型抑藻剂和抑制水华藻类过量生长等几个方面。利用化学方法治理水华的研究较多,但鉴于这些防治技术存在二次污染、效率低等缺陷,使其应用受到一定的限制。而生物方法以其低成本、高效和安全的优势已成为湖库水华防治研究的热点。但是,当水华暴发后如何根据社会经济、地理环境等复杂因素,从众多水华治理方案中选取有效的应急治理方案尚没有研究,所以,建立湖库水华应急治理决策模型,根据治理要求,从众多水华治理方案中筛选出最优方案是目前急需解决的问题。
发明内容
本发明的目的在于提供一种湖库水华应急治理决策方案的筛选方法,通过该筛选方法筛选出的湖库水华应急治理决策方案除可有效控制和治理湖库水华的暴发外,还可适当考虑风险因素和/或成本因素,提高方案实用性。
为了实现上述目的,本发明采用了以下技术方案:
一种湖库水华应急治理决策方案的筛选方法,其特征在于,它包括如下步骤:
步骤1:确定可行的湖库水华应急治理决策方案组以及影响湖库水华应急治理的决策属性组,具体为:
定义A={A1,A2,...,Ai,...,An},A表示由n个可行的湖库水华应急治理决策方案组成的一个湖库水华应急治理决策方案组,其中:Ai为第i个湖库水华应急治理决策方案,i=1,2,…,n;
定义B={B1,B2,...,Bj,..,Bm},B表示由m个决策属性组成的一个决策属性组,其中:Bj为第j个决策属性,j=1,2,…,m;
步骤2:构建贝叶斯决策模型,具体为:
设Bj只能与任一个Ai同时发生,构建贝叶斯决策模型如下式1)所示:
在式1)中,P(Ai)为第i个湖库水华应急治理决策方案Ai发生的先验概率;P(Bj|Ai)为Bj在Ai发生条件下出现的先验概率;P(Ai/Bj)为Ai在Bj发生条件下出现的后验概率;
步骤3:对上述式1)示出的贝叶斯决策模型进行模糊化、反模糊化处理,得到反模糊化后的模糊-贝叶斯决策模型P′(Ai|Bj);
步骤4:在筛选湖库水华应急治理决策方案时进行如下判断:
若只考虑风险因素,则进入步骤5;
若只考虑成本因素,则进入步骤6;
若综合考虑风险和成本因素,则进入步骤7;
步骤5:构建风险函数R(δ,Ai),通过构建的风险函数获得各个湖库水华应急治理决策方案的风险值,从而选择风险值最小的湖库水华应急治理决策方案;
在式6)中,α、β为均衡风险因素与成本因素两者的权系数,α、β为实数,0<α<1,0<β<1,且α+β=1;
步骤8:确定α、β取值,通过式6)筛选出F(Ai)最小时对应的湖库水华应急治理决策方案。
所述步骤3包括步骤:
步骤3-1:通过模糊隶属度函数对所述贝叶斯决策模型进行模糊化处理,得到下式2)示出的模糊-贝叶斯决策模型
步骤3-2:根据随机变量的概率密度函数,对该模糊-贝叶斯决策模型进行反模糊化处理,得到下式3)示出的反模糊化后的模糊-贝叶斯决策模型P′(Ai|Bj):
在所述步骤5中,所述风险函数R(δ,Ai)构建步骤为:
设H(δ,Ai)为第i个湖库水华应急治理决策方案Ai对应的损失函数,则第i个湖库水华应急治理决策方案Ai对应的风险函数R(δ,Ai)如下式4)所示:
在式4)中,δ为各个决策属性风险分布的样本群。
在所述步骤7中,所述治理决策综合目标函数建立步骤为:
首先,构建所述风险函数R(δ,Ai),具体为:
设H(δ,Ai)为第i个湖库水华应急治理决策方案Ai对应的损失函数,则第i个湖库水华应急治理决策方案Ai对应的风险函数R(δ,Ai)如下式4)所示:
在式4)中,δ为各个决策属性风险分布的样本群;
然后,构建所述成本函数具体为:
在上式中,α、β为均衡风险因素与成本因素两者的权系数,α、β为实数,0<α<1,0<β<1,且α+β=1。
在所述步骤8中,α、β设置为一个固定取值,通过式6)从中选取F(Ai)最小时对应的湖库水华应急治理决策方案,或者,α、β设置为多个固定取值,通过式6)从中选取F(Ai)最小时对应的湖库水华应急治理决策方案,或者,遍历α、β所有可取值,通过式6)从中选取F(Ai)最小时对应的湖库水华应急治理决策方案。
本发明的优点是:
本发明湖库水华应急治理决策方案的筛选方法基于反模糊化后的模糊-贝叶斯决策模型,通过权重分配构建治理决策综合目标函数,按实际要求适当考虑风险因素和/或成本因素后来对湖库水华应急治理决策方案进行筛选,筛选出的方案为众多方案的优选,除可有效控制和治理湖库水华的暴发外,还适当考虑到了风险因素和/或成本因素,增加了方案选取的准确性、可靠性、经济性、实用性,为环保部门进行湖库水华应急防治提供了有力的决策依据。
本发明筛选方法不仅适用于湖库水华的应急治理,也可适用于湖库水华的日常治理。
附图说明
图1是本发明的实施流程图。
具体实施方式
如图1所示,本发明湖库水华应急治理决策方案的筛选方法包括如下步骤:
步骤1:确定可行的湖库水华应急治理决策方案组(需要提及的是,该方案组中的决策方案只是可行方案,并不是最终筛选出要采取的决策方案)以及影响湖库水华应急治理的决策属性组,具体为:
定义A={A1,A2,...,Ai,...,An},A表示由n个可行的湖库水华应急治理决策方案组成的一个湖库水华应急治理决策方案组,其中:Ai为第i个湖库水华应急治理决策方案,i=1,2,…,n;
定义B={B1,B2,...,Bj,...,Bm},B表示由m个决策属性组成的一个决策属性组,其中:Bj为第j个决策属性,j=1,2,…,m;
步骤2:构建贝叶斯决策模型,具体为:
设Bj只能与任一个Ai同时发生,构建贝叶斯决策模型如下式1)所示:
在式1)中,P(Ai)为第i个湖库水华应急治理决策方案Ai发生的先验概率,即表示采取第i个湖库水华应急治理决策方案的可能性大小;P(Bj|Ai)为Bj在Ai发生条件下出现的先验概率,求取P(Bj|Ai)时要先求取出P(Bj),P(Bj)为第j个决策属性Bj发生的先验概率;P(Ai/Bj)为Ai在Bj发生条件下出现的后验概率,即表示针对决策属性Bj而选用湖库水华应急治理决策方案Ai的可能性大小;
也就是说,根据上述贝叶斯决策模型,可求取出针对各个决策属性Bj而选用不同湖库水华应急治理决策方案Ai的可能性大小;
步骤3:对上述式1)示出的贝叶斯决策模型进行模糊化、反模糊化处理,得到反模糊化后的模糊-贝叶斯决策模型P′(Ai|Bj);
步骤4:在筛选湖库水华应急治理决策方案时进行如下判断:
若只考虑风险因素,则进入步骤5;
若只考虑成本因素,则进入步骤6;
若综合考虑风险和成本因素,则进入步骤7;
步骤5:根据治理决策方案实施后可能造成的各种风险(如二次污染、水体破坏程度等)构建风险函数R(δ,Ai),通过构建的风险函数获得各个湖库水华应急治理决策方案的风险值,从而选择风险值最小的湖库水华应急治理决策方案,即当时,Ak就是所选出的风险值最小的湖库水华应急治理决策方案,筛选结束;
步骤6:根据治理决策方案实施后可能造成的各种成本花销构建成本函数通过构建的成本函数获得各个湖库水华应急治理决策方案的成本值,从而选择成本值最小的湖库水华应急治理决策方案,即当时,Ap就是所选出的成本值最小的湖库水华应急治理决策方案,筛选结束;
在式6)中,α、β为均衡风险因素与成本因素两者的权系数,α、β为实数,0<α<1,0<β<1,且α+β=1;
步骤8:根据治理要求,确定α、β取值,即调整权重分配,通过式6)筛选出F(Ai)最小时对应的湖库水华应急治理决策方案,筛选出的湖库水华应急治理决策方案的数量为至少一个,筛选结束。
在本发明中,湖库水华应急治理决策方案可为引水稀释冲刷、化学沉降、微生物抑藻、植物化感抑藻、活性炭吸附、矾花改善、人工曝气、机械除藻等。
在本发明中,影响湖库水华应急治理的决策属性为蓝藻生物量、绿藻生物量、浮游生物、叶绿素、总氮、总磷、溶解氧、pH值、透明度、悬浮物等。需要提及的是,根据长年实际治理经验,某些决策属性具有风险因素,某些决策属性具有成本因素,不过大多数决策属性兼具风险和成本两因素,而风险和成本因素是湖库水华应急治理的决策属性所具有的最重要的两个因素,其他因素可忽略不考虑。
在实际实施时,步骤3包括步骤:
步骤3-1:在决策属性获取过程中,由于获取装置(如水质传感器)所采集到的各种水质数据存在一定误差,因此,对于定性决策属性,在获取与量化过程中也存在偏差,导致贝叶斯决策模型中的先验事件和后验事件均为外延不确定的模糊事件,因此,应通过模糊隶属度函数(本领域熟知函数)对贝叶斯决策模型进行模糊化处理,得到下式2)示出的模糊-贝叶斯决策模型以使最终决策更加科学:
步骤3-2:在获得该模糊-贝叶斯决策模型后,根据随机变量的概率密度函数(本领域熟知函数),对该模糊-贝叶斯决策模型进行反模糊化处理,以满足最终决策要求,得到下式3)示出的反模糊化后的模糊-贝叶斯决策模型P′(Ai|Bj):
对于步骤5中的风险函数R(δ,Ai),其构建步骤为:
设H(δ,Ai)为第i个湖库水华应急治理决策方案Ai对应的损失函数(本领域熟知技术,可根据工程实际经验得到),则第i个湖库水华应急治理决策方案Ai对应的风险函数R(δ,Ai)如下式4)所示:
在式4)中,δ为各个决策属性风险分布的样本群。
对于步骤7中的治理决策综合目标函数,其建立步骤为:
首先,构建风险函数R(δ,Ai),具体为:
设H(δ,Ai)为第i个湖库水华应急治理决策方案Ai对应的损失函数(本领域熟知技术,可根据工程实际经验得到),则第i个湖库水华应急治理决策方案Ai对应的风险函数R(δ,Ai)如下式4)所示:
在式4)中,δ为各个决策属性风险分布的样本群;
最后,根据风险函数R(δ,Ai)和成本函数建立如下的治理决策综合目标函数:
在上式中,α、β为均衡风险因素与成本因素两者的权系数,α、β为实数,0<α<1,0<β<1,且α+β=1。
在步骤8中,根据治理要求,可将α、β设置为某一固定取值,通过式6)从中选取F(Ai)最小时对应的湖库水华应急治理决策方案,也可将α、β设置为多个固定取值,从中选取F(Ai)最小时对应的湖库水华应急治理决策方案,当然,也可通过相关软件遍历α、β所有可取值,从中选取F(Ai)最小时对应的湖库水华应急治理决策方案。也就是说,在α、β所确定的所有取值中,最终所选出的湖库水华应急治理决策方案对应的F(Ai)是最小的。
举例:
首先,针对内陆城市湖库特点,初步确定了7个可行的湖库水华应急治理决策方案,如下所示:
A1为源营养盐生物防治技术;A2为人工曝气;A3为引水稀释冲刷;A4为微生物抑藻;A5为机械除藻;A6为化学沉降;A7为活性炭吸附。
以及确定了影响湖库水华应急治理的14个决策属性,如下所示:
B1为藻类生物量;B2为叶绿素;B3为总氮;B4为总磷;B5为溶解氧;B6为pH值;B7为温度;B8为二次污染程度;B9为光照强度;B10为周边自然环境;B11为居住人口总数;B12为水体利用率;B13为水处理投资;B14为污水排放量。
然后,设Bj只能与任一个Ai同时发生,构建贝叶斯决策模型,对贝叶斯决策模型进行模糊化、反模糊化处理(模糊化、反模糊化计算为本领域熟知计算,详细计算过程不在此详述),得到反模糊化后的模糊-贝叶斯决策模型P'(Ai|Bj)={0.259,0.193,0.111,0.025,0.317,0.101,0.168},其中:
在求取P′(Ai|Bj)的过程中,通过统计分析得到如下示出的上述各个湖库水华应急治理方案和决策属性的先验概率:
P(A1)=0.2129;P(A2)=0.1290;P(A3)=0.1012;P(A4)=0.1740;P(A5)=0.2605;P(A6)=0.1074;P(A7)=0.0150;
P(B1)=0.0861;P(B2)=0.0494;P(B3)=0.0882;P(B4)=0.0882;P(B5)=0.0052;P(B6)=0.0702;P(B7)=0.1127;P(B8)=0.0190;P(B9)=0.0266;P(B10)=0.0919;P(B11)=0.1516;P(B12)=0.1071;P(B13)=0.0761;P(B14)=0.0277;
以及
然后,根据实际治理需要,判断应综合考虑风险和成本两个因素,则:
构建风险函数R(δ,Ai),具体为:由于在藻类水华应急治理中更倾向于选用某一种方案进行治理,因此,损失函数H(δ,Ai)选用“0—1”损失函数,得到湖库水华应急治理决策方案A1—A7对应的损失函数值分别为{1,1,0,1,1,0,1},从而得到湖库水华应急治理决策方案A1—A7对应的风险值分别为{1.259,0.963,0.553,0.623,0.835,1.003,0.84}。
构建成本函数具体为:针对湖库水华应急治理所需投入的预算I为1000万,7个决策属性成本分配的样本群(即)为{450,650,720,430,800,300,510}(万),费用函数选为 从而得到湖库水华应急治理决策方案A1—A7对应的成本值分别为{0.428,0.786,0.705,0.392,1.088,0.205,0.350}。
1)若仅令α=0.7、β=0.3,则计算得到F(A1)—F(A7)分别为{1.122,0.927,0.583,0.578,0.886,0.843,0.742},从而最终选取当α=0.7、β=0.3时的最小值F(A4)对应的湖库水华应急治理决策方案——微生物抑藻。
2)若令α、β取三组数值,即α=0.7、β=0.3,α=0.5、β=0.5以及α=0.3、β=0.7,则:当α=0.7、β=0.3时计算得到F(A1)—F(A7)分别为{1.122,0.927,0.583,0.578,0.886,0.843,0.742};当α=0.5、β=0.5时计算得到F(A1)—F(A7)分别为{0.862,0.874,0.628,0.509,0.961,0.604,0.595};当α=0.3、β=0.7时计算得到F(A1)—F(A7)分别为{0.601,0.821,0.674,0.439,1.037,0.364,0.447},从而最终选取当α=0.3、β=0.7时的最小值F(A6)对应的湖库水华应急治理决策方案——化学沉降。
3)若通过相关软件遍历α、β所有可取值,从中选取F(Ai)最小值,则确定出当α=0.651、β=0.349时的F(A6)为最小值,对应的湖库水华应急治理决策方案微生物抑藻为最终选取的方案,也就是说,微生物抑藻这个方案是在考虑到风险和成本两个因素的基础上所最终筛选出的最佳方案。
需要提及的是,在上述例子中,若只考虑风险因素,则应选择风险值最小值0.553对应的湖库水华应急治理决策方案——引水稀释冲刷,若只考虑成本因素,则应选择成本值最小值0.205对应的湖库水华应急治理决策方案——化学沉降。
本发明的优点是:
本发明湖库水华应急治理决策方案的筛选方法基于反模糊化后的模糊-贝叶斯决策模型,通过权重分配构建治理决策综合目标函数,按实际要求适当考虑风险因素和/或成本因素后来对湖库水华应急治理决策方案进行筛选,筛选出的方案为众多方案的优选,除可有效控制和治理湖库水华的暴发外,还适当考虑到了风险因素和/或成本因素,增加了方案选取的准确性、可靠性、经济性、实用性,为环保部门进行湖库水华应急防治提供了有力的决策依据。本发明筛选方法不仅适用于湖库水华的应急治理,也可适用于湖库水华的日常治理。
上述是本发明的较佳实施例及其所运用的技术原理,对于本领域的技术人员来说,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案基础上的等效变换、简单替换等显而易见的改变,均属于本发明保护范围之内。
Claims (6)
1.一种湖库水华应急治理决策方案的筛选方法,其特征在于,它包括如下步骤:
步骤1:确定可行的湖库水华应急治理决策方案组以及影响湖库水华应急治理的决策属性组,具体为:
定义A={A1,A2,...,Ai,...,An},A表示由n个可行的湖库水华应急治理决策方案组成的一个湖库水华应急治理决策方案组,其中:Ai为第i个湖库水华应急治理决策方案,i=1,2,…,n;
定义B={B1,B2,...,Bj,...,Bm},B表示由m个决策属性组成的一个决策属性组,其中:Bj为第j个决策属性,j=1,2,…,m;
步骤2:构建贝叶斯决策模型,具体为:
设Bj只能与任一个Ai同时发生,构建贝叶斯决策模型如下式1)所示:
在式1)中,P(Ai)为第i个湖库水华应急治理决策方案Ai发生的先验概率;P(Bj|Ai)为Bj在Ai发生条件下出现的先验概率;P(Ai/Bj)为Ai在Bj发生条件下出现的后验概率;
步骤3:对上述式1)示出的贝叶斯决策模型进行模糊化、反模糊化处理,得到反模糊化后的模糊-贝叶斯决策模型P′(Ai|Bj);
步骤4:在筛选湖库水华应急治理决策方案时进行如下判断:
若只考虑风险因素,则进入步骤5;
若只考虑成本因素,则进入步骤6;
若综合考虑风险和成本因素,则进入步骤7;
步骤5:构建风险函数R(δ,Ai),通过构建的风险函数获得各个湖库水华应急治理决策方案的风险值,从而选择风险值最小的湖库水华应急治理决策方案;
在式6)中,α、β为均衡风险因素与成本因素两者的权系数,α、β为实数,0<α<1,0<β<1,且α+β=1;
步骤8:确定α、β取值,通过式6)筛选出F(Ai)最小时对应的湖库水华应急治理决策方案。
3.如权利要求1所述的湖库水华应急治理决策方案的筛选方法,其特征在于:
所述风险函数R(δ,Ai)构建步骤为:
设H(δ,Ai)为第i个湖库水华应急治理决策方案Ai对应的损失函数,则第i个湖库水华应急治理决策方案Ai对应的风险函数R(δ,Ai)如下式4)所示:
在式4)中,δ为各个决策属性风险分布的样本群。
5.如权利要求1所述的湖库水华应急治理决策方案的筛选方法,其特征在于:
所述治理决策综合目标函数建立步骤为:
首先,构建所述风险函数R(δ,Ai),具体为:
设H(δ,Ai)为第i个湖库水华应急治理决策方案Ai对应的损失函数,则第i个湖库水华应急治理决策方案Ai对应的风险函数R(δ,Ai)如下式4)所示:
在式4)中,δ为各个决策属性风险分布的样本群;
在上式中,α、β为均衡风险因素与成本因素两者的权系数,α、β为实数,0<α<1,0<β<1,且α+β=1。
6.如权利要求1所述的湖库水华应急治理决策方案的筛选方法,其特征在于:
在所述步骤8中,α、β设置为一个固定取值,通过式6)从中选取F(Ai)最小时对应的湖库水华应急治理决策方案,或者,α、β设置为多个固定取值,通过式6)从中选取F(Ai)最小时对应的湖库水华应急治理决策方案,或者,遍历α、β所有可取值,通过式6)从中选取F(Ai)最小时对应的湖库水华应急治理决策方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210335660.6A CN102855404B (zh) | 2012-09-11 | 2012-09-11 | 湖库水华应急治理决策方案的筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210335660.6A CN102855404B (zh) | 2012-09-11 | 2012-09-11 | 湖库水华应急治理决策方案的筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102855404A true CN102855404A (zh) | 2013-01-02 |
CN102855404B CN102855404B (zh) | 2015-02-25 |
Family
ID=47401987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210335660.6A Expired - Fee Related CN102855404B (zh) | 2012-09-11 | 2012-09-11 | 湖库水华应急治理决策方案的筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102855404B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844401A (zh) * | 2016-03-22 | 2016-08-10 | 北京工商大学 | 基于案例推理的湖库水华治理复杂动态关联模型与决策方法 |
CN103440525B (zh) * | 2013-06-14 | 2017-02-08 | 北京工商大学 | 基于Vague值相似度量改进算法的湖库水华应急治理决策方法 |
CN111595785A (zh) * | 2020-06-03 | 2020-08-28 | 南京吉泽信息科技有限公司 | 基于气象数据的蓝藻水华的预测方法和装置 |
CN112950049A (zh) * | 2021-03-19 | 2021-06-11 | 北京工商大学 | 一种基于信息自动识别的藻类水华应急治理群决策方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63179809A (ja) * | 1987-01-21 | 1988-07-23 | Penta Ocean Constr Co Ltd | アオコ処理剤及びアオコの処理方法 |
CN102034214A (zh) * | 2010-12-20 | 2011-04-27 | 上海勘测设计研究院 | 一种富营养化湖泊的健康评价方法 |
-
2012
- 2012-09-11 CN CN201210335660.6A patent/CN102855404B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63179809A (ja) * | 1987-01-21 | 1988-07-23 | Penta Ocean Constr Co Ltd | アオコ処理剤及びアオコの処理方法 |
CN102034214A (zh) * | 2010-12-20 | 2011-04-27 | 上海勘测设计研究院 | 一种富营养化湖泊的健康评价方法 |
Non-Patent Citations (2)
Title |
---|
ZAIWEN LIU等: "Intelligent Technology for Predicting Water Bloom Engendering", 《INDUSTRIAL ELECTRONICS》, 13 November 2008 (2008-11-13), pages 1896 - 1900 * |
肖永辉等: "水体富营养化及蓝藻水华预警模型研究进展", 《环境科学与技术》, vol. 34, no. 11, 3 November 2011 (2011-11-03), pages 152 - 157 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440525B (zh) * | 2013-06-14 | 2017-02-08 | 北京工商大学 | 基于Vague值相似度量改进算法的湖库水华应急治理决策方法 |
CN105844401A (zh) * | 2016-03-22 | 2016-08-10 | 北京工商大学 | 基于案例推理的湖库水华治理复杂动态关联模型与决策方法 |
CN105844401B (zh) * | 2016-03-22 | 2019-04-12 | 北京工商大学 | 基于案例推理的湖库水华治理复杂动态关联模型与决策方法 |
CN111595785A (zh) * | 2020-06-03 | 2020-08-28 | 南京吉泽信息科技有限公司 | 基于气象数据的蓝藻水华的预测方法和装置 |
CN111595785B (zh) * | 2020-06-03 | 2022-12-23 | 南京吉泽信息科技有限公司 | 基于气象数据的蓝藻水华的预测方法和装置 |
CN112950049A (zh) * | 2021-03-19 | 2021-06-11 | 北京工商大学 | 一种基于信息自动识别的藻类水华应急治理群决策方法及装置 |
CN112950049B (zh) * | 2021-03-19 | 2024-03-15 | 北京工商大学 | 一种基于信息自动识别的藻类水华应急治理群决策方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102855404B (zh) | 2015-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Machine learning based marine water quality prediction for coastal hydro-environment management | |
Nourani et al. | Artificial intelligence based ensemble modeling of wastewater treatment plant using jittered data | |
Farhi et al. | Prediction of wastewater treatment quality using LSTM neural network | |
CN106846178A (zh) | 一种河流型水源地综合安全评价方法 | |
CN107358021A (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
Mitsch et al. | Thinking big with whole-ecosystem studies and ecosystem restoration—a legacy of HT Odum | |
Niu et al. | Dynamic optimization of wastewater treatment process based on novel multi-objective ant lion optimization and deep learning algorithm | |
Kotti et al. | Fuzzy logic models for BOD removal prediction in free-water surface constructed wetlands | |
CN111241476B (zh) | 一种获得区域性河口营养物基准值的方法 | |
CN105844401A (zh) | 基于案例推理的湖库水华治理复杂动态关联模型与决策方法 | |
Zeng et al. | A developed fuzzy-stochastic optimization for coordinating human activity and eco-environmental protection in a regional wetland ecosystem under uncertainties | |
CN107423564A (zh) | 流域生态修复策略的决策分析方法 | |
CN102855404B (zh) | 湖库水华应急治理决策方案的筛选方法 | |
Hu et al. | Explore the relationship between fish community and environmental factors by machine learning techniques | |
Abba et al. | Neuro-fuzzy ensemble techniques for the prediction of turbidity in water treatment plant | |
Kim et al. | Implications of flow regulation for habitat conditions and phytoplankton populations of the Nakdong River, South Korea | |
CN105160422B (zh) | 基于自组织级联神经网络的污水处理出水总磷预测方法 | |
Baek et al. | Hierarchical deep learning model to simulate phytoplankton at phylum/class and genus levels and zooplankton at the genus level | |
Rustum | Modelling activated sludge wastewater treatment plants using artificial intelligence techniques (fuzzy logic and neural networks) | |
Soares et al. | Restoration from eutrophication in interconnected reservoirs: Using a model approach to assess the propagation of water quality improvements downstream along a cascade system | |
Gichamo et al. | Ranking of natural wastewater treatment techniques by Multi-criteria Decision Making (MCDM) methods | |
Punys et al. | A multi-criteria analysis for siting surface-flow constructed wetlands in tile-drained agricultural catchments: The case of Lithuania | |
Sedeño-Díaz et al. | Fuzzy logic as a tool for the assessment of water quality for reservoirs: a regional perspective (Lerma River Basin, Mexico) | |
Minns | Approaches to assessing and managing cumulative ecosystem change, with the Bay of Quinte as a case study: an essay | |
Giusti et al. | A fuzzy quality index for the environmental assessment of a restored wetland |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150225 Termination date: 20150911 |
|
EXPY | Termination of patent right or utility model |