CN109002888A - 一种赤潮预警方法 - Google Patents

一种赤潮预警方法 Download PDF

Info

Publication number
CN109002888A
CN109002888A CN201810681604.5A CN201810681604A CN109002888A CN 109002888 A CN109002888 A CN 109002888A CN 201810681604 A CN201810681604 A CN 201810681604A CN 109002888 A CN109002888 A CN 109002888A
Authority
CN
China
Prior art keywords
red tide
training
sample
data
neural network
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
Application number
CN201810681604.5A
Other languages
English (en)
Other versions
CN109002888B (zh
Inventor
吴玉芳
俞秀霞
林志裕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XIAMEN STANDARDS SCIENTIFIC INSTRUMENT CO Ltd
Xiamen ocean and fishery research institute
Original Assignee
XIAMEN STANDARDS SCIENTIFIC INSTRUMENT CO Ltd
Xiamen ocean and fishery research institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by XIAMEN STANDARDS SCIENTIFIC INSTRUMENT CO Ltd, Xiamen ocean and fishery research institute filed Critical XIAMEN STANDARDS SCIENTIFIC INSTRUMENT CO Ltd
Priority to CN201810681604.5A priority Critical patent/CN109002888B/zh
Publication of CN109002888A publication Critical patent/CN109002888A/zh
Application granted granted Critical
Publication of CN109002888B publication Critical patent/CN109002888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种赤潮预警方法，对于给定的样本数据，随机选取部分样本数据作为训练样本，其余作为测试样本，并分别做归一化处理,其余步骤如下：1)将训练样本输入MLP神经网络模型训练，调整拓扑结构和参数得到若干组训练后的MLP神经网络模型；2)将测试样本分别输入每一组训练后的MLP神经网络模型进行测试，并选出几组训练效果最好的模型进行集成选取最优化的结果，将对应的输出数据作为未来一段时间内的预测数据；3)根据预测数据中的叶绿素和溶解氧的含量，采用异常值判断法计算得到未来一段时间内的海水赤潮等级。本发明能实现比较准确的赤潮预警预报。

Description

一种赤潮预警方法
技术领域
本发明涉及赤潮预警领域，特别是一种赤潮预警方法。
背景技术
赤潮是危害渔业、水产养殖等行业的重大自然灾害之一，是一种小概率事件，它的成因实质上是由海洋生物、海洋化学、海洋物理和气候等诸多因素共同影响的结果，这可能是国内外目前仍未能真正运用客观方法做赤潮预报的关键所在。有关赤潮发生、发展机理及预报方法的研究工作一直受到广泛的重视。多数研究结果表明赤潮的发生与海水环境直接相关。发生赤潮时，海水中叶绿素值含量也会随着赤潮的强弱变化而产生同步变化。
目前，随着海洋水质自动连续监测仪器应用于厦门海域进行全天24h对海水各项因子的连续跟踪和监测，近年已有学者利用海洋水质自动连续监测仪器所获取的数据对厦门海域赤潮发生情况进行研究，发现在赤潮高发期间叶绿素值的变化与溶解氧、溶解氧饱和度、叶绿素值日变化、叶绿素值日变化梯度有着显著的相关性。
根据历史赤潮数据的总结分析，大多数赤潮事件，在发生日及之前其溶解氧，叶绿素(DO,Chl)异常值>0.5std；赤潮发生日虽有溶解氧，叶绿素(DO,Chl)<0.5std，但大部分都是在赤潮接近消亡时。
目前采用的溶解氧，叶绿素(DO,Chl)判别阈值直观，容易理解，在业务化流程中容易操作。但是，利用已有赤潮样本进行后评估，也发现部分分级数据的取值范围比较分散，并不在判别阈值范围内。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种采用人工神经网络模型结合异常值判断进行赤潮预警，提高海水赤潮等级预测精度的赤潮预警方法。
本发明采用如下技术方案：
一种赤潮预警方法，其特征在于，对于给定的样本数据，随机选取部分样本数据作为训练样本，其余作为测试样本，并分别做归一化处理；该样本数据包括浮标观测参数、潮位以及气象要素；其余步骤如下：
1)将训练样本输入MLP神经网络模型训练，调整拓扑结构和参数得到若干组训练后的MLP神经网络模型；
2)将测试样本分别输入每一组训练后的MLP神经网络模型进行测试，并选出几组训练效果最好的训练后的MLP神经网络模型进行集成选取最优化的输出数据作为未来一段时间内的预测数据；
3)根据预测数据中的叶绿素和溶解氧的含量，采用异常值判断法计算得到未来一段时间内的海水赤潮等级。
优选的，在步骤3)中，所述的异常值判断法为：先计算样本数据中各时刻的历史平均值及总的标准偏差，然后将预测数据中的叶绿素和溶解氧的含量分别减去对应的历史平均值得到异常值，根据该异常值与标准偏差之间的关系来进行判断分级。
优选的，在步骤3)中，当叶绿素和溶解氧的异常值均小于零时，海水赤潮等级为一级；当叶绿素和溶解氧的异常值均大于等于零且小于标准偏差的二分之一时，海水赤潮等级为二级；当叶绿素和溶解氧的异常值均大于等于标准偏差的二分之一时，海水赤潮等级为三级。
优选的，所述浮标观测参数包括水温、盐度、溶解氧、pH值和叶绿素，气象要素包括温度、风向、风速、气压和湿度。
优选的，在步骤2)中，选出训练效果最好的4-6组拓扑结构进行集成选取最优化的结果作为未来一段时间内的预测数据，所述训练效果最好是指误差最小。
优选的，在步骤2)中，通过所述测试样本和所述预测样本的分类准确率来确定训练效果。
优选的，在步骤2)中所述集成选取最优化的数据是指将所述几组MLP神经网络模型测试输出的数据的平均值作为所述预测数据。
优选的，对于所述给定的样本数据，随机选取70％-90％的样本数据作为训练样本，10％-30％作为测试样本。
优选的，所述MLP神经网络模型为采用基于误差反向传播算法的人工神经网络模型。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
1、本发明利用人工神经网络模型减少叶绿素和溶解氧含量的预测误差，同时对叶绿素和溶解氧含量的分级阈值可采用异常值判别法，根据该异常值(AnoChl)与标准偏差之间的关系来进行判断分级，最终实现比较准确的赤潮预警预报。
2、本发明采用人工数据网络模型，具有很强的自组织、自学习和自适应性能力，同时是非线性、分类精度高，当样本数据不断加大时，预测精度是不断提高的。
3、本发明采用异常值判别法，通过多年数据及标准差的计算，提高了赤潮等级判别的精确度。
附图说明
图1为本发明方法流程图
图2为训练效果图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
参照图1，一种赤潮预警方法，对于给定的样本数据，该样本数据包括浮标观测参数、潮位以及气象要素，浮标观测参数包括水温T、盐度S、溶解氧DO、pH值和叶绿素，气象要素包括温度、风向、风速、气压和湿度。随机选取70％-90％样本数据作为训练样本，优选为80％。选取其余的测试样本(10％-30％)作为测试样本，优选为20％。分别将训练样本和测试样本做归一化处理。预警步骤如下：
1)将训练样本输入MLP神经网络模型训练，通过调整拓扑结构和参数得到若干组训练后的MLP神经网络模型，该参数包括激活函数、误差函数和权重等。
2)将测试样本分别输入每一组训练后的MLP神经网络模型进行测试，选出4-6组(优选为5组)训练效果最好的训练后的MLP神经网络模型进行集成选取最优化的结果，将对应的输出数据作为未来一段时间内的预测数据。其中，选择训练误差较小的几组模型作为最为优化的MLP神经网络模型，然后利用这些模型进行预测。或者通过测试样本和预测样本的分类准确率来确定训练效果，例如预测样本的分类准确率最高的前几组或测试样本的分类准确率最高的前几组，或二者综合最高的前几组。
这几组训练后的MLP神经网络模型进行测试时，输出的是预测的数值或分类结果，集成选取最优化的结果是指，当输出的是预测的数值时，将这几组模型输出的预测数值的平均值作为预测数据；当输出的是分类结果时，则将这几组模型训练输出的分类类型最多的作为分类结果。
举例说明，使用专家样本数据：2006-2014年赤潮日及其发生之前7天的数据，共261个样本；输入参数为浮标观测参数(T,S,Do(％),DO(mg/L),pH和Chl)、潮位以及气象要素(温度、风向、风速、气压和湿度)；随机取80％为训练样本，20％为测试样本样本；输入前各参数做归一化处理。通过调整MLP模型的拓扑结构、激活函数等参数，给出训练效果最好的5中模型参照图2，通过集成选取最优化的结果。图2中的数字含义，以MLP-12-6-2为例：12表示输入参数；6表示隐藏层单元数；2表示输出参数。
3)根据预测数据中的叶绿素和溶解氧的含量，采用异常值判断法计算得到未来一段时间内的海水赤潮等级，异常值判断法具体为：先计算样本数据中叶绿素和溶解氧的各时刻的历史平均值Chlclim、DOclim及总的标准偏差std，然后将预测数据中的叶绿素和溶解氧的含量Chl16、DO16分别减去对应的历史平均值得到异常值AnoChl、AnoDO，即AnoChl＝Chl16-Chlclim，AnoDO＝DO16-DOclim根据该异常值AnoChl、AnoDO与标准偏差std之间的关系来进行判断分级。
当叶绿素和溶解氧的异常值均小于零时即AnoChl<0,AnoDO<0，海水赤潮等级为一级；当叶绿素和溶解氧的异常值均大于等于零且小于标准偏差的二分之一时即0≤AnoChl<0.5std,0≤AnoDO<0.5std，海水赤潮等级为二级；当叶绿素和溶解氧的异常值均大于等于标准偏差的二分之一时即AnoChl≥0.5std，AnoDO≥ 0.5std，海水赤潮等级为三级。
本发明中的MLP(Multilayer Perceptron Neutral Networks)神经网络模型为采用基于误差反向传播算法的人工神经网络模型。该模型的学习算法主要是基于误差反向传播的BP(Back Propagation)算法。其学习过程是由信号的正向传播和误差的逆向传播两个过程组成。正向传播时，输入信号经过隐层的处理后，传向输出层。若输出层节点未能达到期望的输出，则转入误差的逆向传播阶段，将输出误差按某种形式通过隐层向输入层返回，并“分摊”给隐层和输入层的神经元，从而获得各层神经元的误差信号，作为修改各单元权重值的依据。这种信号正向传播与误差逆向传播的各层权重矩阵的修改过程是重复进行的，权值不断修改的过程即网络的学习或训练过程。此过程一直进行到网络输出的误差逐渐减少到可接受的程度或达到设定的学习次数为止。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (9)

1.一种赤潮预警方法，其特征在于，对于给定的样本数据，随机选取部分样本数据作为训练样本，其余作为测试样本，并分别做归一化处理；该样本数据包括浮标观测参数、潮位以及气象要素；其余步骤如下：
1)将训练样本输入MLP神经网络模型训练，调整拓扑结构和参数得到若干组训练后的MLP神经网络模型；
2)将测试样本分别输入每一组训练后的MLP神经网络模型进行测试，并选出几组训练效果最好的训练后的MLP神经网络模型进行集成选取最优化的输出数据作为未来一段时间内的预测数据；
3)根据预测数据中的叶绿素和溶解氧的含量，采用异常值判断法计算得到未来一段时间内的海水赤潮等级。
2.如权利要求1所述的一种赤潮预警方法，其特征在于，在步骤3)中，所述的异常值判断法为：先计算样本数据中各时刻的历史平均值及总的标准偏差，然后将预测数据中的叶绿素和溶解氧的含量分别减去对应的历史平均值得到异常值，根据该异常值与标准偏差之间的关系来进行判断分级。
3.如权利要求2所述的一种赤潮预警方法，其特征在于，在步骤3)中，当叶绿素和溶解氧的异常值均小于零时，海水赤潮等级为一级；当叶绿素和溶解氧的异常值均大于等于零且小于标准偏差的二分之一时，海水赤潮等级为二级；当叶绿素和溶解氧的异常值均大于等于标准偏差的二分之一时，海水赤潮等级为三级。
4.如权利要求1所述的一种赤潮预警方法，其特征在于，所述浮标观测参数包括水温、盐度、溶解氧、pH值和叶绿素，气象要素包括温度、风向、风速、气压和湿度。
5.如权利要求1所述的一种赤潮预警方法，其特征在于，在步骤2)中，选出训练效果最好的4-6组拓扑结构进行集成选取最优化的结果作为未来一段时间内的预测数据，所述训练效果最好是指误差最小。
6.如权利要求1所述的一种赤潮预警方法，其特征在于:在步骤2)中，通过所述测试样本和所述预测样本的分类准确率来确定训练效果。
7.如权利要求1所述的一种赤潮预警方法，其特征在于：在步骤2)中所述集成选取最优化的数据是指将所述几组MLP神经网络模型测试输出的数据的平均值作为所述预测数据。
8.如权利要求1所述的一种赤潮预警方法，其特征在于：对于所述给定的样本数据，随机选取70％-90％的样本数据作为训练样本，10％-30％作为测试样本。
9.如权利要求1所述的一种赤潮预警方法，其特征在于：所述MLP神经网络模型为采用基于误差反向传播算法的人工神经网络模型。
CN201810681604.5A 2018-06-27 2018-06-27 一种赤潮预警方法 Active CN109002888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810681604.5A CN109002888B (zh) 2018-06-27 2018-06-27 一种赤潮预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810681604.5A CN109002888B (zh) 2018-06-27 2018-06-27 一种赤潮预警方法

Publications (2)

Publication Number Publication Date
CN109002888A true CN109002888A (zh) 2018-12-14
CN109002888B CN109002888B (zh) 2022-01-11

Family

ID=64601307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810681604.5A Active CN109002888B (zh) 2018-06-27 2018-06-27 一种赤潮预警方法

Country Status (1)

Country Link
CN (1) CN109002888B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160655A (zh) * 2019-12-31 2020-05-15 厦门大学 一种基于决策树的近海赤潮发生及赤潮种类预测方法
CN111311874A (zh) * 2020-04-20 2020-06-19 宁波海洋研究院 一种基于浮标监测并联合机器学习进行科学预警方法
CN112084716A (zh) * 2020-09-15 2020-12-15 河北省科学院地理科学研究所 一种基于富营养化综合评价的赤潮预测预警方法
CN112132190A (zh) * 2020-09-01 2020-12-25 厦门大学 赤潮样本数据筛选方法及计算机可读存储介质
CN112232544A (zh) * 2020-09-01 2021-01-15 福建省海洋预报台 业务化赤潮预警方法及计算机可读存储介质
CN112365093A (zh) * 2020-12-01 2021-02-12 国家海洋信息中心 一种基于gru深度学习的多特征因子赤潮预测模型
CN113711087A (zh) * 2019-04-15 2021-11-26 国立研究开发法人理化学研究所 环境因子预测装置、方法、程序、学习完毕模型以及存储介质
CN116125028A (zh) * 2023-04-17 2023-05-16 国家海洋技术中心 基于波动滑翔器的绿潮监测和漂移路径追踪方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101158674A (zh) * 2007-11-15 2008-04-09 天津市市政工程设计研究院 基于BP神经网络的水体中叶绿素a浓度预测方法
KR20120136567A (ko) * 2011-06-09 2012-12-20 목포대학교산학협력단 신경망과 ｓｖｍ을 이용한 적조 발생 예측 방법
CN105403680A (zh) * 2015-12-02 2016-03-16 浙江省海洋监测预报中心 一种基于浮标在线监测数据的赤潮短期预警方法及用途
CN106407691A (zh) * 2016-09-28 2017-02-15 中国地质大学（武汉） 一种赤潮生物量预测方法及装置
CN106484976A (zh) * 2016-09-28 2017-03-08 西安交通大学 赤潮监测预警系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101158674A (zh) * 2007-11-15 2008-04-09 天津市市政工程设计研究院 基于BP神经网络的水体中叶绿素a浓度预测方法
KR20120136567A (ko) * 2011-06-09 2012-12-20 목포대학교산학협력단 신경망과 ｓｖｍ을 이용한 적조 발생 예측 방법
CN105403680A (zh) * 2015-12-02 2016-03-16 浙江省海洋监测预报中心 一种基于浮标在线监测数据的赤潮短期预警方法及用途
CN106407691A (zh) * 2016-09-28 2017-02-15 中国地质大学（武汉） 一种赤潮生物量预测方法及装置
CN106484976A (zh) * 2016-09-28 2017-03-08 西安交通大学 赤潮监测预警系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LEE, JHW等: "Invited lecture: A real time early warning and modelling system for red tides in Hong Kong", 《STOCHASTIC HYDRAULICS 2000》 *
刘伟: "BP神经网络在海洋赤潮预测中的应用", 《海洋科学集刊》 *
苏新红等: "基于BP神经网络模型的福建海域赤潮预报方法研究", 《水产学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113711087A (zh) * 2019-04-15 2021-11-26 国立研究开发法人理化学研究所 环境因子预测装置、方法、程序、学习完毕模型以及存储介质
CN113711087B (zh) * 2019-04-15 2023-11-14 国立研究开发法人理化学研究所 环境因子预测装置、方法、程序、学习模型及存储介质
CN111160655A (zh) * 2019-12-31 2020-05-15 厦门大学 一种基于决策树的近海赤潮发生及赤潮种类预测方法
CN111311874A (zh) * 2020-04-20 2020-06-19 宁波海洋研究院 一种基于浮标监测并联合机器学习进行科学预警方法
CN112132190A (zh) * 2020-09-01 2020-12-25 厦门大学 赤潮样本数据筛选方法及计算机可读存储介质
CN112232544A (zh) * 2020-09-01 2021-01-15 福建省海洋预报台 业务化赤潮预警方法及计算机可读存储介质
CN112232544B (zh) * 2020-09-01 2022-06-21 福建省海洋预报台 业务化赤潮预警方法及计算机可读存储介质
CN112132190B (zh) * 2020-09-01 2024-01-26 厦门大学 赤潮样本数据筛选方法及计算机可读存储介质
CN112084716A (zh) * 2020-09-15 2020-12-15 河北省科学院地理科学研究所 一种基于富营养化综合评价的赤潮预测预警方法
CN112365093A (zh) * 2020-12-01 2021-02-12 国家海洋信息中心 一种基于gru深度学习的多特征因子赤潮预测模型
CN116125028A (zh) * 2023-04-17 2023-05-16 国家海洋技术中心 基于波动滑翔器的绿潮监测和漂移路径追踪方法及系统

Also Published As

Publication number Publication date
CN109002888B (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN109002888A (zh) 一种赤潮预警方法
CN110070144A (zh) 一种湖泊水质预测方法及系统
Liu et al. Prediction of dissolved oxygen content in aquaculture of Hyriopsis cumingii using Elman neural network
CN109308544B (zh) 基于对比散度-长短期记忆网络的蓝藻水华预测方法
CN106355540A (zh) 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法
Zhang et al. Water quality analysis and prediction using hybrid time series and neural network models
CN114519311A (zh) 全港池波浪有效波高的预测方法、系统、存储介质、应用
CN113408799A (zh) 一种基于混合神经网络的河流总氮浓度预测方法
CN114862035A (zh) 一种基于迁移学习的组合式海湾水温预测方法
Salari et al. Application of an artificial neural network model for estimating of water quality parameters in the Karun river, Iran
Anari et al. Application of ANN and ANFIS models for estimating total infiltration rate in an arid rangeland ecosystem
CN106529816B (zh) 电力线信道的调整方法和系统
Palani et al. Development of a neural network model for dissolved oxygen in seawater
Thai et al. Performance evaluation of Auto-Regressive Integrated Moving Average models for forecasting saltwater intrusion into Mekong river estuaries of Vietnam
Zhuang et al. Application of water quality evaluation model based on gray correlation analysis and artificial neural network algorithm
CN116167240A (zh) 一种大坝结构损伤的多测点联合监控方法
Prathibha et al. Predicting the parameters of water quality and calculating the water quality index of ulsoor lake, bangalore, india using deep learning techniques
Basin Adaptive neuro fuzzy inference system for monthly groundwater level prediction in Amaravathi river minor basin
Zeng et al. Research on ANN-based pre-warning water bloom model of LiuHai Lake in Beijing
Lee et al. Improving applicability of neuro-genetic algorithm to predict short-term water level: a case study
Song et al. Neural network application based on GIS and Matlab to evaluation of flood risk
Miao et al. Optimization design and application of water quality evaluation model based on BP Neural Network
Sarmadian et al. Development of pedotransfer functions to predict soil hydraulic properties in golestan province, Iran
Peng et al. PCA-GRNN-GA Based PH Value Prediction Model Applied in Penaeus Orientalis Culture
Greco et al. METHODOLOGICAL APPROACH FOR THE DELIMITATION OF “NO BATHING AREAS” IN MARINE COASTAL ZONES CLOSE TO THE OUTLETS OF NATURAL AND ARTIFICIAL WATER COURSES IN BASILICATA REGION, ITALY

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant