CN109242203A - 一种河流水质预测及水质影响因素评估方法 - Google Patents
一种河流水质预测及水质影响因素评估方法 Download PDFInfo
- Publication number
- CN109242203A CN109242203A CN201811158225.4A CN201811158225A CN109242203A CN 109242203 A CN109242203 A CN 109242203A CN 201811158225 A CN201811158225 A CN 201811158225A CN 109242203 A CN109242203 A CN 109242203A
- Authority
- CN
- China
- Prior art keywords
- water quality
- river
- basin
- data
- training set
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000003066 decision tree Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract 3
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000001932 seasonal effect Effects 0.000 abstract description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000009969 flowable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种河流水质预测及水质影响因素评估方法。该方法包括以下步骤:一、提取河流水质及对应采样点流域特性历史数据,构成原始训练集;二、通过bagging算法,在原始训练集中随机抽取样本,构建若干子训练集;三、根据不同流域特性选择分裂属性生成决策树,依据决策树构建随机森林模型;四、评估模型的模拟效果;五、获取待预测点流域特性数据,放入随机森林模型,得出相应的水质预测数据;六、评估不同流域特性对河流水质的影响程度。本发明目的在于建立包含了流域水文、气候、地理特性、季节因素、人类影响等流域特性与河流水质的关系模型,根据目标点位的流域特性准确预测河流水质指标数据,同时评估某流域特性对水质影响的重要程度。
Description
技术领域
本发明属于水质预测技术领域,更具体的涉及一种河流水质预测及水质影响因素评估方法。
背景技术
随着我国对水环境质量的要求越来越高,科学的管理河流流域水环境、保护水生态系统就十分必要。其中,准确的河流水质资料是开展流域水环境管理、制定水环境保障策略的基础,评估流域特性因素对河流水质的影响程度是水质治理的前提条件。河流的水质及流域特性数据有以下几个主要特点:一是水质数据存在较大的时间和空间分布差异,且受到多种流域特性因素的影响,包括:流域水文、气象、地理特性,人类活动、季节等;二是资料数据量大,数据流动态增长,长度可能无限;三是水质数据自身及其流域特性影响因素的数据经常存在缺失值、奇异值的问题。
现阶段常用的水质预测模型包括:线性模型、线性混合模型、主成分分析模型、聚类分析模型、偏最小二乘回归、神经网络模型等。但是,河流水质参数与其流域特性影响因素之间是复杂的非线性的关系,且这些变量之间也存在复杂的相互作用,水质数据、水质流域特性影响因素数据也经常存在缺失值,奇异值。这些问题的存在使得现有技术的预测结果与实测数据之间存在较大误差,模型模拟精度及准确度不尽如人意。而且上述模型都只能对水质进行预测,无法判断河流的各种流域特性因素对水质影响程度大小,难以用于形成有效的河流水质治理方案。
发明内容
针对现有技术存在的不足,本发明提供一种河流水质预测及水质影响因素评估方法,目的在于建立包含流域特性与水质数据的关系模型,并将其应用于河流水质预测及其流域特性影响程度评估中,根据历史水质数据及水质采样点对应的流域特性因素历史数据构建的模型,根据现阶段流域特性对特定点位、特定时刻的河流水质进行预测,同时评估各流域特性因素对河流水质影响程度大小,以指导河流水质治理。
为解决上述问题,本发明采用了以下河流水质预测及水质影响因素评估方法,该方法包括以下步骤:
步骤一:提取监测河流水质历史数据,河流水质数据包括但不限于总磷、总氮、重金属、悬浮物含量等;同时提取每个水质采样点对应流域特性历史数据,流域特性包括但不限于水流量、含沙量、水温、气候(温度、降雨)、地理特性(土地利用、土壤类型)、季节因素、人口因素等,以河流水质历史数据对应流域特性历史数据形成原始训练集;
步骤二:从原始训练集中随机抽取样本,构建若干子训练集;优选通过bagging算法,有放回无权重的在原始训练集中随机抽取样本,构建若干子训练集;
步骤三:根据子训练集中不同流域特性选择分裂属性,依据分裂属性生成决策树对子训练集进行训练,根据建立的多个决策树整合构建随机森林;
步骤四:评估模型的模拟效果;优选使用袋外检测的方法,利用一致性相关系数概念对模型的模拟效果进行评估;
步骤五:获取待预测河流特定点当前的各流域特性数据,放入随机森林模型进行分类,采用投票方式得出相应位置的水质数据预测结果;
步骤六:评估流域特性因素对河流水质的影响程度;优选基于均方差增量(increased mean square error)或者节点纯度增量(increased node purity)概念评估流域特性因素对河流水质的影响程度。
作为一种优选方式,对步骤二,采用随机森林模型处理原始训练集数据的具体方法是:使用bagging方法有放回无权重的随机抽取和原始训练集样本数一样个数的样本,构成子训练集,对于某一个样本,它总数包含m个样本的原始训练集的随机抽取采样中,每次被抽取采集到的概率为1/m,不被采集到的概率为1-1/m,则连续经历m次随机抽取采样都没有被抽取采集中的概率是(1-1/m)m,当m→∞时,(1-1/m)m约等于0.368。也就是说,在bagging的每轮随机采样中,原始训练集中大约有36.8%的数据没有被抽中,这些未被抽取的数据就被称为袋外数据,可用来对模型的精度进行验证。
作为一种优选方式,步骤三决策树构建过程中,分裂属性的选择根据最小基尼系数作为依据。
作为一种优选方式,步骤四评估模型的模拟效果,使用袋外数据检测的方法,袋外数据为步骤二构建子训练集过程中未被抽到的样本数据,袋外数据总量约占原始训练集的36.8%。对随机森林模型模拟结果的评估使用一致性相关系数的概念,通过分析模型预测值与实测值的相互关系,对模型模拟的精度和准确度进行判定,可通过R语言或Matlab等分析工具实现。
作为一种优选方式,步骤六评估流域特性因素对河流水质的影响程度,依据均方差增量法或者节点纯度增量法,其中均方差增量含义是:去除某一个解释变量即流域特性因素之后,模型的总体均方差发生变化,数值变化越大,表明该去除的解释变量即流域特性因素对于模型输出预测结果的影响越大,这一解释变量即流域特性因素对于因变量(水质)越重要;节点纯度增量含义是指:随机森林中的每一棵分类树为二叉树,其生成遵循自顶向下的递归分裂原则,即从根节点开始依次对训练集进行划分;在二叉树中,根节点包含全部训练数据,按照节点纯度最小原则,分裂为左节点和右节点,它们分别包含训练数据的一个子集,按照同样的规则节点继续分裂,直到满足分支停止规则而停止生长。若节点n上的分类数据全部来自于同一类别,则此节点的纯度I(n)=0,节点纯度的增量越大,表明该变量(流域特性因素)对(水质)预测结果的影响越大。
采用本发明河流水质预测及水质影响因素评估方法,可以精确地对河流特定时间、特定地点的水质进行预测,同时评估该特定点的流域特性因素对河流水质的影响大小,在河流水质治理中,可以重点针对那些水质影响较大的流域特性因素施加影响,以更好地指导对河流水质的治理工作。相比于现有技术,本发明还具有以下三个突出优点:
1、本发明不需要对原始数据进行预处理或者归一化。
2、本发明对异常值和噪声具有很高的容忍度,能避免过拟合问题。
3、本发明可以同时对连续变量和分类变量进行分析。
附图说明
图1为河流水质预测及水质影响因素评估方法的流程图。
图2为河流水质预测及水质影响因素评估方法的预测效果示例。
图3为河流水质预测及水质影响因素评估方法的均方差增量法流域特性因素重要性示例。
图4为河流水质预测及水质影响因素评估方法的节点纯度增量法流域特性因素重要性示例。
具体实施方式
下面结合实例对本发明做进一步说明,所描述的实例仅仅是本发明的部分实施例,而不是全部实施例。
以下对提供的一种河流水质预测及水质影响因素评估方法实例进行详细说明,具体包括以下步骤:
步骤一:本实例中获取了中国某河流多个采样点、多个时段的水体总磷浓度历史数据,以及每个水质采样点对应的流域特性历史数据,本实例中采用的流域特性如表1所示。根据水体总磷浓度及对应流域特性构建原始训练集。
表1随机森林模型中所用的流域特性
步骤二:对步骤一构建的包含水质数据及多种流域特性的原始训练集进行处理,使用bagging方法有放回无权重的抽取多组子训练集,保证每个子训练集与原始训练集的样本数量相同,从来都未被抽取过的数据形成袋外数据,袋外数据可备在后期对模型的模拟精度和准确性进行验证时使用。
步骤三:根据子训练集中的流域特性(气候、流量、土地利用、土壤类型、季节、河流水量等因素)选择分裂属性,依据分裂属性对子训练集进行训练,生成决策树,决策树的构建根据最小基尼系数作为特征值构建,多个决策树整合构建随机森林。
步骤四:使用袋外数据检测的方法,对随机森林模型模拟精度进行评估;在步骤二抽取子训练集后的袋外数据样本数据量约占原始训练集的36.8%。对随机森林模型模拟结果的评估使用一致性相关系数的概念,通过分析模型预测值与实测值的相互关系(见图2),对模型模拟的精度和准确度进行判定,一致性相关系数越接近于1,则表明使用随机森林模型得到的预测值与实测值越接近(如表2所示)。本实例中,通过R语言工具实现模型模拟效果验证。
表2本实例中模型的一致性相关系数
估算值 | UPPER(95%置信区间) | LOWER(95%置信区间) | |
一致性相关系数 | 0.83 | 0.88 | 0.77 |
步骤五:在随机森林模型构建完成,评估模拟精度后,获取待预测河流特定点的流域特性数据放入随机森林模型,使用前期构建的决策树对数据进行分类,采用投票的方式得出得票数最多的分类结果,就是该情况下河流特定时间、特定点位的总磷浓度。
步骤六:分别使用均方差增量法(见图3)及节点纯度增量法(见图4),分别以两个增量参数对流域特性因素重要性进行分析,评估不同流域特性因素对河流水体总磷浓度的影响程度,。
以上所述的具体实施例,对本发明的目的、技术方案和实用价值进行了进一步的详细说明,在不背离本发明精神及其实质的情况下,本领域技术人员可以根据本发明做出各种相应的改变和变形,所做的任何修改、改进等,均应包含在本发明所附的权利要求的保护范围之内。
Claims (8)
1.一种河流水质预测及水质影响因素评估方法,其特征在于,所述方法包括以下步骤:
步骤一:提取河流水质及对应采样点流域特性历史数据,构成原始训练集;
步骤二:从原始训练集中随机抽取样本,构建若干子训练集;
步骤三:根据子训练集中不同流域特性,选择分裂属性,依据分裂属性生成决策树对子训练集进行训练,根据建立的多个决策树整合构建随机森林;
步骤四:评估模型的模拟效果;
步骤五:获取待预测流域特性数据,放入随机森林模型进行分类,采用投票方式得出相应位置的水质数据预测结果;
步骤六:评估流域特性因素对河流水质的影响程度。
2.根据权利要求1中所述的河流水质预测及水质影响因素评估方法,其特征在于:所述步骤二构建若干子训练集使用bagging算法,从原始训练有放回无权重的随机抽取与原始训练集样本数一样个数的样本,构成子训练集。
3.根据权利要求1中所述的河流水质预测及水质影响因素评估方法,其特征在于:步骤三所述选择分裂属性是根据最小基尼系数作为依据。
4.根据权利要求2中所述的河流水质预测及水质影响因素评估方法,其特征在于:使用bagging算法,在原始训练集中大约有36.8%不会被抽取的数据为袋外数据,所述步骤四评估模型的模拟效果使用袋外数据检测的方法。
5.根据权利要求4中所述的河流水质预测及水质影响因素评估方法,其特征在于:所述步骤四评估模型的模拟效果使用袋外数据检测的方法,使用一致性相关系数,通过分析模型预测值与实测值的相互关系,对模型模拟的精度和准确度进行判定。
6.根据权利要求5中所述的河流水质预测及水质影响因素评估方法,其特征在于:所述评估模型的模拟效果使用袋外数据检测的方法,通过R语言或者Matlab分析工具实现。
7.根据权利要求1中所述的基于随机森林的河流水质预测及水质影响因素评估方法,其特征在于:所述步骤六中评估流域特性因素对河流水质的影响程度依据均方差增量法。
8.根据权利要求1中所述的河流水质预测及水质影响因素评估方法,其特征在于:所述步骤六中评估流域特性因素对河流水质的影响程度依据节点纯度增量法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158225.4A CN109242203A (zh) | 2018-09-30 | 2018-09-30 | 一种河流水质预测及水质影响因素评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158225.4A CN109242203A (zh) | 2018-09-30 | 2018-09-30 | 一种河流水质预测及水质影响因素评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242203A true CN109242203A (zh) | 2019-01-18 |
Family
ID=65054317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811158225.4A Pending CN109242203A (zh) | 2018-09-30 | 2018-09-30 | 一种河流水质预测及水质影响因素评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242203A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751176A (zh) * | 2019-09-16 | 2020-02-04 | 中国水利水电科学研究院 | 一种基于决策树算法的湖泊水质预测方法 |
CN110930179A (zh) * | 2019-10-18 | 2020-03-27 | 深圳市云积分科技有限公司 | 任务评估方法、系统、设备和计算机可读存储介质 |
CN111159149A (zh) * | 2019-12-13 | 2020-05-15 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于三维卷积神经网络的河流流量预测方法 |
CN111242206A (zh) * | 2020-01-08 | 2020-06-05 | 吉林大学 | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 |
CN111291478A (zh) * | 2020-01-21 | 2020-06-16 | 太原理工大学 | 基于随机森林算法的降雨—径流模拟方法 |
CN111428808A (zh) * | 2020-04-08 | 2020-07-17 | 成都爱科特科技发展有限公司 | 一种利用随机森林进行业务分类的方法 |
CN111445080A (zh) * | 2020-04-01 | 2020-07-24 | 中电万维信息技术有限责任公司 | 一种基于随机森林的西北内陆河生态基流预测方法 |
CN112381292A (zh) * | 2020-11-13 | 2021-02-19 | 福州大学 | 一种顾及时空相关性和气象因素的河流水质预测方法 |
CN112819244A (zh) * | 2021-02-23 | 2021-05-18 | 浙江大学 | 一种基于气象因子的rf-hw水质指标混合预测方法 |
CN112884330A (zh) * | 2021-02-26 | 2021-06-01 | 澜途集思生态科技集团有限公司 | 一种人为扰动对水质影响的定量方法 |
CN113344130A (zh) * | 2021-06-30 | 2021-09-03 | 广州市河涌监测中心 | 差异化巡河策略的生成方法及装置 |
CN113592557A (zh) * | 2021-08-03 | 2021-11-02 | 北京有竹居网络技术有限公司 | 广告投放结果的归因方法、装置、存储介质及电子设备 |
CN113723703A (zh) * | 2021-09-07 | 2021-11-30 | 东莞理工学院 | 基于多源数据融合和深度学习的水质预测方法及其系统 |
CN113723704A (zh) * | 2021-09-07 | 2021-11-30 | 东莞理工学院 | 一种基于连续和分级混合数据的水质快速预测方法 |
CN113917103A (zh) * | 2021-10-15 | 2022-01-11 | 贵州师范学院 | 可自动调节深度的多水质参数检测装置 |
CN114091331A (zh) * | 2021-11-17 | 2022-02-25 | 中山大学 | 一种利用气象因子模拟林木展叶期的方法及系统 |
CN114169398A (zh) * | 2022-01-28 | 2022-03-11 | 国网天津市电力公司 | 基于随机森林算法的光伏直流电弧故障识别方法及装置 |
CN114219370A (zh) * | 2022-01-29 | 2022-03-22 | 哈尔滨工业大学 | 一种基于社交网络的河流水质多维影响因素权重分析方法 |
CN114219371A (zh) * | 2022-01-29 | 2022-03-22 | 哈尔滨工业大学 | 月尺度的流域人为水污染负荷核算方法 |
CN115728463A (zh) * | 2022-12-01 | 2023-03-03 | 哈尔滨工业大学 | 一种基于半嵌入式特征选择的可解释性水质预测方法 |
CN116343946A (zh) * | 2023-03-30 | 2023-06-27 | 重庆大学 | 基于神经网络的水污染决策方法及系统 |
CN116843103A (zh) * | 2023-07-05 | 2023-10-03 | 中国科学院地理科学与资源研究所 | 基于gam模型的气候变化对河流湖泊水质影响定量评估方法 |
CN117009887A (zh) * | 2023-07-28 | 2023-11-07 | 中科景感(厦门)生态环境科技有限公司 | 流域水环境质量精细化估算及分析的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156537A (zh) * | 2014-08-19 | 2014-11-19 | 中山大学 | 一种基于随机森林的元胞自动机城市扩展模拟方法 |
CN106568923A (zh) * | 2016-11-10 | 2017-04-19 | 北京农业质量标准与检测技术研究中心 | 一种土壤重金属含量影响因子评价方法 |
CN106991437A (zh) * | 2017-03-20 | 2017-07-28 | 浙江工商大学 | 基于随机森林预测污水水质数据的方法及系统 |
CN107909192A (zh) * | 2017-11-01 | 2018-04-13 | 北京农业质量标准与检测技术研究中心 | 土壤重金属含量的估测方法及装置 |
-
2018
- 2018-09-30 CN CN201811158225.4A patent/CN109242203A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156537A (zh) * | 2014-08-19 | 2014-11-19 | 中山大学 | 一种基于随机森林的元胞自动机城市扩展模拟方法 |
CN106568923A (zh) * | 2016-11-10 | 2017-04-19 | 北京农业质量标准与检测技术研究中心 | 一种土壤重金属含量影响因子评价方法 |
CN106991437A (zh) * | 2017-03-20 | 2017-07-28 | 浙江工商大学 | 基于随机森林预测污水水质数据的方法及系统 |
CN107909192A (zh) * | 2017-11-01 | 2018-04-13 | 北京农业质量标准与检测技术研究中心 | 土壤重金属含量的估测方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘庆: "流溪河流域景观特征对河流水质的影响及河岸带对氮的削减效应", 《中国博士学位论文全文数据库 工程科技I辑》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751176A (zh) * | 2019-09-16 | 2020-02-04 | 中国水利水电科学研究院 | 一种基于决策树算法的湖泊水质预测方法 |
CN110930179A (zh) * | 2019-10-18 | 2020-03-27 | 深圳市云积分科技有限公司 | 任务评估方法、系统、设备和计算机可读存储介质 |
CN111159149A (zh) * | 2019-12-13 | 2020-05-15 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于三维卷积神经网络的河流流量预测方法 |
CN111159149B (zh) * | 2019-12-13 | 2023-06-30 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于三维卷积神经网络的河流流量预测方法 |
CN111242206B (zh) * | 2020-01-08 | 2022-06-17 | 吉林大学 | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 |
CN111242206A (zh) * | 2020-01-08 | 2020-06-05 | 吉林大学 | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 |
CN111291478A (zh) * | 2020-01-21 | 2020-06-16 | 太原理工大学 | 基于随机森林算法的降雨—径流模拟方法 |
CN111291478B (zh) * | 2020-01-21 | 2023-12-22 | 太原理工大学 | 基于随机森林算法的降雨—径流模拟方法 |
CN111445080A (zh) * | 2020-04-01 | 2020-07-24 | 中电万维信息技术有限责任公司 | 一种基于随机森林的西北内陆河生态基流预测方法 |
CN111428808A (zh) * | 2020-04-08 | 2020-07-17 | 成都爱科特科技发展有限公司 | 一种利用随机森林进行业务分类的方法 |
CN112381292A (zh) * | 2020-11-13 | 2021-02-19 | 福州大学 | 一种顾及时空相关性和气象因素的河流水质预测方法 |
CN112819244B (zh) * | 2021-02-23 | 2022-06-21 | 浙江大学 | 一种基于气象因子的rf-hw水质指标混合预测方法 |
CN112819244A (zh) * | 2021-02-23 | 2021-05-18 | 浙江大学 | 一种基于气象因子的rf-hw水质指标混合预测方法 |
CN112884330A (zh) * | 2021-02-26 | 2021-06-01 | 澜途集思生态科技集团有限公司 | 一种人为扰动对水质影响的定量方法 |
CN113344130A (zh) * | 2021-06-30 | 2021-09-03 | 广州市河涌监测中心 | 差异化巡河策略的生成方法及装置 |
CN113344130B (zh) * | 2021-06-30 | 2022-01-11 | 广州市河涌监测中心 | 差异化巡河策略的生成方法及装置 |
CN113592557A (zh) * | 2021-08-03 | 2021-11-02 | 北京有竹居网络技术有限公司 | 广告投放结果的归因方法、装置、存储介质及电子设备 |
CN113723704A (zh) * | 2021-09-07 | 2021-11-30 | 东莞理工学院 | 一种基于连续和分级混合数据的水质快速预测方法 |
CN113723703A (zh) * | 2021-09-07 | 2021-11-30 | 东莞理工学院 | 基于多源数据融合和深度学习的水质预测方法及其系统 |
CN113917103A (zh) * | 2021-10-15 | 2022-01-11 | 贵州师范学院 | 可自动调节深度的多水质参数检测装置 |
CN113917103B (zh) * | 2021-10-15 | 2023-05-19 | 贵州师范学院 | 可自动调节深度的多水质参数检测装置 |
CN114091331A (zh) * | 2021-11-17 | 2022-02-25 | 中山大学 | 一种利用气象因子模拟林木展叶期的方法及系统 |
CN114169398A (zh) * | 2022-01-28 | 2022-03-11 | 国网天津市电力公司 | 基于随机森林算法的光伏直流电弧故障识别方法及装置 |
CN114219371A (zh) * | 2022-01-29 | 2022-03-22 | 哈尔滨工业大学 | 月尺度的流域人为水污染负荷核算方法 |
CN114219370A (zh) * | 2022-01-29 | 2022-03-22 | 哈尔滨工业大学 | 一种基于社交网络的河流水质多维影响因素权重分析方法 |
CN115728463A (zh) * | 2022-12-01 | 2023-03-03 | 哈尔滨工业大学 | 一种基于半嵌入式特征选择的可解释性水质预测方法 |
CN116343946A (zh) * | 2023-03-30 | 2023-06-27 | 重庆大学 | 基于神经网络的水污染决策方法及系统 |
CN116843103A (zh) * | 2023-07-05 | 2023-10-03 | 中国科学院地理科学与资源研究所 | 基于gam模型的气候变化对河流湖泊水质影响定量评估方法 |
CN117009887A (zh) * | 2023-07-28 | 2023-11-07 | 中科景感(厦门)生态环境科技有限公司 | 流域水环境质量精细化估算及分析的方法及系统 |
CN117009887B (zh) * | 2023-07-28 | 2024-02-13 | 中科景感(厦门)生态环境科技有限公司 | 流域水环境质量精细化估算及分析的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242203A (zh) | 一种河流水质预测及水质影响因素评估方法 | |
Mango et al. | Land use and climate change impacts on the hydrology of the upper Mara River Basin, Kenya: results of a modeling study to support better resource management | |
Singh et al. | Identifying dominant controls on hydrologic parameter transfer from gauged to ungauged catchments–A comparative hydrology approach | |
CN110598290B (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
Kushwaha et al. | Hydrological simulation in a forest dominated watershed in Himalayan region using SWAT model | |
Arieira et al. | Integrating field sampling, geostatistics and remote sensing to map wetland vegetation in the Pantanal, Brazil | |
Dumedah et al. | Selecting model parameter sets from a trade-off surface generated from the non-dominated sorting genetic algorithm-II | |
CN102495919B (zh) | 一种生态系统碳交换影响因素提取方法及系统 | |
CN109840873A (zh) | 一种基于机器学习的无资料地区水文模型参数区域化方法 | |
Mishra et al. | Rainfall-runoff modeling using clustering and regression analysis for the river brahmaputra basin | |
Watt et al. | Use of advanced modelling methods to estimate radiata pine productivity indices | |
Jang et al. | Integrated environmental modeling for efficient aquifer vulnerability assessment using machine learning | |
CN114545528B (zh) | 一种基于机器学习的气象数值模式要素预报后订正方法和装置 | |
Esse et al. | Effects of land use change on water availability and water efficiency in the temperate basins of south-central Chile | |
Debouk et al. | Assessing post-fire regeneration in a Mediterranean mixed forest using LiDAR data and artificial neural networks | |
CN117787081A (zh) | 一种基于Morris和Sobol法的水文模型参数不确定性分析方法 | |
Nasseri et al. | A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran | |
Mondal et al. | Land use/Land cover changes in Hugli Estuary using Fuzzy CMean algorithm | |
Peñas et al. | A comparison of modeling techniques to predict hydrological indices in ungauged rivers | |
Verma et al. | A framework for the evaluation of MRP complex precipitation in a CORDEX-SA regional climate applied to REMO | |
CN113222288A (zh) | 村镇社区空间发展图谱的分类演化及预测方法 | |
CN108446433A (zh) | 一种土壤酸化驱动力的识别方法、系统和装置 | |
Goudarzi et al. | The effects of climate change on crop yields using RCP scenarios with SWAT agro-hydrological model in Maharlu Basin (Fars Province-Iran) | |
Muleta | A formal, bayesian approach for uncertainty analysis of a watershed model | |
Yao | Daily Streamflow prediction using deep learning: a case study on Russian River, CA |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |