CN110909949A - 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 - Google Patents
基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 Download PDFInfo
- Publication number
- CN110909949A CN110909949A CN201911202503.6A CN201911202503A CN110909949A CN 110909949 A CN110909949 A CN 110909949A CN 201911202503 A CN201911202503 A CN 201911202503A CN 110909949 A CN110909949 A CN 110909949A
- Authority
- CN
- China
- Prior art keywords
- clustering
- concentration
- chlorophyll
- data set
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 29
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 238000005192 partition Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 6
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- 229910052698 phosphorus Inorganic materials 0.000 description 6
- 239000011574 phosphorus Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 229910002651 NO3 Inorganic materials 0.000 description 3
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 3
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 3
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 description 3
- 150000003863 ammonium salts Chemical class 0.000 description 3
- 238000012851 eutrophication Methods 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- IFYDWYVPVAMGRO-UHFFFAOYSA-N n-[3-(dimethylamino)propyl]tetradecanamide Chemical compound CCCCCCCCCCCCCC(=O)NCCCN(C)C IFYDWYVPVAMGRO-UHFFFAOYSA-N 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于聚类‑回归算法的近岸海域叶绿素a浓度预测方法,首先对近岸海域环境监测数据集进行预处理;然后选择聚类模型,对预处理所得数据集进行聚类计算,根据聚类结果将近岸海域划分为一组分区;对每一个分区,基于回归算法实现叶绿素a浓度的预测。本发明所述方法面向近岸海域,可实现对近岸海域未来一个月及以上时间段叶绿素a浓度的预测。
Description
技术领域
本公开涉及海洋环境研究技术领域,特别是涉及近岸海域叶绿素a浓度预测方法。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
水体富营养化是我国海域水质退化的主要问题,研究表明,叶绿素a(简写为Chl-a)的含量是衡量海洋初级生产力的重要指标,同时也是水体理化性质动态变化的综合反映,Chl-a浓度的变化情况间接反映了水体富营养化现象的变化。因而,Chl-a浓度的预测对预防近岸海域水体富营养化和保护海域生态环境具有重要意义。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
由于近岸海域是一个复杂的开放性系统,受风向、洋流、水质因子以及海域功能区划、沿岸人类活动等因素影响较大,因而近岸海水Chl-a浓度的预测研究比较复杂。已有的Chl-a数值预测方法面向非近岸海域水体,如:河流、湖泊、室内水体等,不适用于近岸海域。
发明内容
为了解决现有技术的不足,本公开提供了基于聚类-回归算法的近岸海域叶绿素a浓度预测方法。
基于聚类-回归算法的近岸海域叶绿素a浓度预测方法,包括:
步骤1:获取待预测近岸海域的环境监测数据集,对所述数据集进行预处理;
步骤2:基于聚类算法,对步骤1预处理所得数据集进行聚类计算,根据聚类结果将待预测近岸海域划分为若干个分区;
步骤3:对步骤2划分后的每一个分区,基于回归算法实现该分区叶绿素a浓度的预测。
与现有技术相比,本公开的有益效果是:
1.本发明所述方法面向近岸海域,可对近岸海域未来一个月及以上时间跨度的Chl-a浓度进行预测,且具有较高的预测准确度。
2.本发明所述方法兼顾近岸海域的理化因子、生物因子、水文气象、功能使用、人类活动强度等叶绿素-a浓度的相关信息。
3.本发明所述方法具有空间和时间属性,首先通过聚类算法实现细粒度、数据级的近岸海域划分,体现其空间属性;然后,基于回归算法实现海域Chl-a浓度的预测,体现其时间属性。
说明书附图
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为一个实施例的工作原理示意图;
图2为一个实施例的数据预处理示意图;
图3为一个实施例基于聚类算法的近岸海域区域划分示意图;
图4为一个实施例基于回归算法的近岸海域Chl-a浓度预测示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
实施例,本实施例提供了基于聚类-回归算法的近岸海域叶绿素a浓度预测方法实例;
如图1所示,基于聚类-回归算法的近岸海域叶绿素a浓度预测方法,包括:
S1:获取待预测近岸海域的环境监测数据集,对所述数据集进行预处理;
S2:基于聚类算法,对S1预处理所得数据集进行聚类计算,根据聚类结果将待预测近岸海域划分为若干个分区;
S3:对S2划分后的每一个分区,基于回归算法实现该分区叶绿素a浓度的预测。
应理解的,所述近岸海域,是指:近海岸20米水深线以内海域。
作为一个或多个实施例,如图2所示,所述S1中,获取待预测近岸海域的环境监测数据集,对所述数据集进行预处理,得到对Chl-a浓度具有重要影响的近岸海域环境数据;具体步骤包括:
S101:获取待预测近岸海域的环境监测数据集D;
S102:对数据集D进行去重处理;
S103:对去重处理后的数据进行特征选择,删除缺失率大于限定阈值的特征;
S104:对特征选择后的数据进行周期下采样;
S105:对下采样后仍然缺失的数据值进行插值处理;
S106:构造新特征,将新特征纳入数据集;
S107:对数据集进行归一化处理;
S108:对归一化后的数据集进行特征重要性分析,剔除重要性低的特征,最后得到预处理后的数据集D′。
应理解的,所述S101中,所述近岸海域环境监测数据,包括:各个监测站的水质监测数据和气象监测数据;
所述水质监测数据,包括:采样年份、采样季度、采样深度、采样时间对应的Chl-a浓度、pH值、盐度、溶解氧浓度、化学需氧量、无机磷浓度、亚硝酸盐浓度、硝酸盐浓度、铵盐浓度、无机氮浓度、石油含量、总氮、总磷、硅酸盐浓度或悬浮物浓度;
所述气象监测数据,包括:采样时间对应的水温、透明度、风速、风向、水色、水况或光照强度。
应理解的,所述S104中,所述周期下采样,可采用平均法等方法。
应理解的,所述S105中,所述插值处理,可采用线性插值等方法。
进一步地,所述S106中,构造新特征是将具有相关性的特征数据,通过数学运算,以其运算结果作为新特征;
例如:将无机氮DIN与无机磷DIP两个特征通过除法运算,构造出无机氮与无机磷的比例DIN/DIP,DIN/DIP即为新特征。
进一步地,所述S106中,构造的新特征包括:无机氮与无机磷的比例、无机氮与硅酸盐的比例、无机磷与硅酸盐的比例、硝酸盐与亚硝酸盐的比例、铵盐与硝酸盐的比例、铵盐与亚硝酸盐的比例。
应理解的,所述S107中,数据归一化处理,可采用min-max或z-score等方法。
进一步地,所述S108中,所述特征重要性分析,包括:
对于任意特征C,采用XGBOOST和随机森林算法进行重要性分析,分别得到重要性评分C_XGBOOST和C_RF,采用C_XGBOOST和C_RF的平均值作为特征C的重要性评分;按照重要性评分进行排序,删除评分低于设定阈值的特征。
作为一个或多个实施例,如图3所示,所述S2中,基于聚类算法,对S1预处理所得数据进行聚类计算,根据聚类结果将待预测近岸海域划分为若干个分区;具体步骤包括:
S201:选取数据聚类模型M;
S202:根据所选取的数据聚类模型M,对预处理得到的数据进行聚类计算;
S203:根据聚类结果将待预测近岸海域划分为若干个分区;其中,每一个分区均包含至少一个环境监测站。
进一步地,所述S201中,数据聚类模型的选取范围,包括但不限于:K均值聚类模型、层次聚类模型和高斯混合聚类模型。
进一步地,所述S201中,选取数据聚类模型的方法,包括:
确定聚类模型评估函数;按照评估函数计算各个聚类模型的评估分值;选择具有最优评估分值的聚类模型作为近岸海域区域划分聚类模型M;
应理解的,评估函数可采用CH(Calinski-Harabasz)等指标。
进一步地,所述S202中,采用S201所选取的数据聚类模型M,将预处理所得到的数据集D′进行聚类计算;
应理解的,所述S203中,根据S202聚类计算的结果将近岸海域划分为一组分区{reg1,reg2,…,regn},n为分区数量;其中,每一个分区均包含至少一个环境监测站。
作为一个或多个实施例,如图4所示,所述S3中,对S2划分后的每一个分区,基于回归算法实现该分区叶绿素a浓度的预测;具体步骤包括:
S302:对当前分区regk,选取叶绿素a浓度回归模型Rk;
S303:基于叶绿素a浓度回归模型Rk,实现当前分区叶绿素a浓度的预测。
进一步地,所述S302中,叶绿素a浓度回归模型的选取,包括但不限于:基于K近邻回归KNN、支持向量机SVR、梯度提升决策树XGBOOST、随机森林RF模型,或选取上述模型中的任意两种或两种以上的模型进行堆叠。
进一步地,所述S302中,叶绿素a浓度回归模型的选取规则,包括但不限于:MAE(Mean Absolute Error)平均绝对误差、MSE(Mean Square Error)平均平方差、RMSE(RootMean Square Error)方均根差、MAPE(Mean Absolute Percentage Error,也叫meanabsolute percentage deviation(MAPD)。
进一步地,所述S303中,对分区regk的叶绿素a浓度的预测时间可达到一个月及以上。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.基于聚类-回归算法的近岸海域叶绿素a浓度预测方法,其特征是,包括:
S1:获取待预测近岸海域的环境监测数据集,对所述数据集进行预处理;
S2:基于聚类算法,对S1所得数据集进行聚类计算,根据聚类结果将待预测近岸海域划分为若干个分区;
S3:对S2划分后的每一个分区,基于回归算法实现该分区叶绿素a浓度的预测。
2.如权利要求1所述的方法,其特征是,获取待预测近岸海域的环境监测数据集,对所述数据集进行预处理,得到对Chl-a浓度具有重要影响的近岸海域环境数据;具体步骤包括:
S101:获取待预测近岸海域的环境监测数据集D;
S102:对数据集D进行去重处理;
S103:对去重处理后的数据进行特征选择,删除缺失率大于限定阈值的特征;
S104:对特征选择后的数据进行周期下采样;
S105:对下采样后仍然缺失的数据值进行插值处理;
S106:构造新特征,将新特征纳入数据集;
S107:对数据集进行归一化处理;
S108:对归一化后的数据集进行特征重要性分析,剔除重要性低的特征,最后得到预处理后的数据集D′。
3.如权利要求1所述的方法,其特征是,基于聚类算法,对S1所得数据集进行聚类计算,根据聚类结果将待预测近岸海域划分为若干个分区;具体步骤包括:
S201:选取数据聚类模型;
S202:根据所选取的数据聚类模型,对预处理得到的数据进行聚类计算;
S203:根据聚类结果将待预测近岸海域划分为若干个分区;其中,每一个分区均包含至少一个环境监测站。
5.如权利要求2所述的方法,其特征是,构造新特征是将具有相关性的特征数据通过数学运算,以其运算结果作为新特征。
6.如权利要求2所述的方法,其特征是,所述特征重要性分析,具体步骤包括:
对于任意特征C,采用XGBOOST和随机森林算法进行重要性分析,分别得到重要性评分C_XGBOOST和C_RF,采用C_XGBOOST和C_RF的平均值作为特征C的重要性评分;
按照重要性评分进行排序,删除评分低于设定阈值的特征。
7.如权利要求3所述的方法,其特征是,选取数据聚类模型;具体步骤包括:
选取K均值聚类模型、层次聚类模型和高斯混合聚类模型;
构造聚类模型评估函数,计算各个聚类模型的评估函数,选择具有最优评估分值的聚类模型最为近岸海域区域划分聚类模型。
8.如权利要求4所述的方法,其特征是,叶绿素a浓度回归模型的选取,包括:
基于K近邻回归KNN、支持向量机SVR、梯度提升决策树XGBOOST、随机森林RF模型,或选取上述模型中的任意两种或两种以上的模型进行堆叠。
9.如权利要求1所述的方法,其特征是,
对叶绿素a浓度的预测时间达到一个月及以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202503.6A CN110909949B (zh) | 2019-11-29 | 2019-11-29 | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202503.6A CN110909949B (zh) | 2019-11-29 | 2019-11-29 | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909949A true CN110909949A (zh) | 2020-03-24 |
CN110909949B CN110909949B (zh) | 2023-08-25 |
Family
ID=69820713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911202503.6A Active CN110909949B (zh) | 2019-11-29 | 2019-11-29 | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909949B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420497A (zh) * | 2021-06-01 | 2021-09-21 | 中国科学院南京地理与湖泊研究所 | 浑浊湖泊总磷浓度遥感估算方法 |
CN113777257A (zh) * | 2021-09-02 | 2021-12-10 | 湖南汇青环保科技有限公司 | 一种水质在线监测大数据分析方法、系统及存储介质 |
CN117313017A (zh) * | 2023-11-28 | 2023-12-29 | 山东艺林市政园林建设集团有限公司 | 一种彩叶研发数据处理方法及系统 |
Citations (4)
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 |
WO2018001338A1 (zh) * | 2016-06-30 | 2018-01-04 | 上海海洋大学 | 基于灰色系统的大洋性鱿鱼类资源丰度预测方法 |
CN109409441A (zh) * | 2018-11-16 | 2019-03-01 | 福州大学 | 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法 |
CN110046645A (zh) * | 2019-03-04 | 2019-07-23 | 三峡大学 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
-
2019
- 2019-11-29 CN CN201911202503.6A patent/CN110909949B/zh active Active
Patent Citations (4)
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 |
WO2018001338A1 (zh) * | 2016-06-30 | 2018-01-04 | 上海海洋大学 | 基于灰色系统的大洋性鱿鱼类资源丰度预测方法 |
CN109409441A (zh) * | 2018-11-16 | 2019-03-01 | 福州大学 | 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法 |
CN110046645A (zh) * | 2019-03-04 | 2019-07-23 | 三峡大学 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
Non-Patent Citations (3)
Title |
---|
丁言者等: ""南通近岸海域水质特征的因子及聚类分析研究"", 《海洋学报》 * |
贾刚: ""白洋淀叶绿素 a 与环境因子的关系构建及趋势预测"", 《环境保护与经济循环》 * |
高燕: ""越南大陆海岸线遥感智能解译方法研究"", 《中国博士学位论文全文数据库基础科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420497A (zh) * | 2021-06-01 | 2021-09-21 | 中国科学院南京地理与湖泊研究所 | 浑浊湖泊总磷浓度遥感估算方法 |
CN113420497B (zh) * | 2021-06-01 | 2024-04-19 | 中国科学院南京地理与湖泊研究所 | 浑浊湖泊总磷浓度遥感估算方法 |
CN113777257A (zh) * | 2021-09-02 | 2021-12-10 | 湖南汇青环保科技有限公司 | 一种水质在线监测大数据分析方法、系统及存储介质 |
CN117313017A (zh) * | 2023-11-28 | 2023-12-29 | 山东艺林市政园林建设集团有限公司 | 一种彩叶研发数据处理方法及系统 |
CN117313017B (zh) * | 2023-11-28 | 2024-02-06 | 山东艺林市政园林建设集团有限公司 | 一种彩叶研发数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110909949B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909949B (zh) | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 | |
Feng et al. | Assessing coastal reclamation suitability based on a fuzzy-AHP comprehensive evaluation framework: A case study of Lianyungang, China | |
Meko et al. | Tree-ring footprint of joint hydrologic drought in Sacramento and Upper Colorado river basins, western USA | |
Zhang et al. | Determining the macroinvertebrate community indicators and relevant environmental predictors of the Hun-Tai River Basin (Northeast China): A study based on community patterning | |
CN112288183A (zh) | 一种湖泊分级分期旱限水位确定方法及系统 | |
Scotto et al. | Clustering time series of sea levels: extreme value approach | |
CN114518611B (zh) | 一种基于相似案例判别分析的臭氧预报方法 | |
Matić et al. | Oscillating Adriatic temperature and salinity regimes mapped using the Self-Organizing Maps method | |
Pacheco et al. | Water quality longitudinal profile of the Paraíba do Sul River, Brazil during an extreme drought event | |
Li et al. | Improved predictive performance of cyanobacterial blooms using a hybrid statistical and deep-learning method | |
Sakizadeh | Assessment the performance of classification methods in water quality studies, A case study in Karaj River | |
CN116090625A (zh) | 基于LightGBM和水文水动力模型的滨海城市洪涝快速预测方法 | |
CN113807562A (zh) | 海洋表面温度的预测方法 | |
Wu et al. | Assessment for water quality by artificial neural network in Daya Bay, South China Sea | |
Wei et al. | Spatial distribution of nutrient loads and thresholds in large shallow lakes: The case of Chaohu Lake, China | |
Zhou et al. | Ecological security assessment of Qinzhou coastal zone based on Driving forces-Pressure-State-Impact-Response (DPSIR) model | |
CN116757319A (zh) | 一种水质分段分形预测方法 | |
CN116882774A (zh) | 一种基于ais的渔船航行与作业影响评估方法 | |
Bernard et al. | Clustering analysis of the Sargassum transport process: application to beaching prediction in the Lesser Antilles | |
Chang et al. | Applying the Back-Propagation Neural Network model and fuzzy classification to evaluate the trophic status of a reservoir system | |
Tian et al. | Spatio-temporal changes and driving force analysis of wetlands in Jiaozhou Bay | |
CN106932550A (zh) | 近岸水质遥感预警系统 | |
Hadjisolomou et al. | Predicting Coastal Dissolved Oxygen Values with the Use of Artificial Neural Networks: A Case Study for Cyprus | |
Radwell et al. | Assessing ecological integrity of Ozark rivers to determine suitability for protective status | |
Nadarajah et al. | Influence of hydraulic retention time and amplitude of water level fluctuations on water quality in irrigation reservoirs of the Kala Oya river basin, Sri Lanka |
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 |