CN111275341A - 基于lasso及随机森林的高拱坝谷幅变形分析方法 - Google Patents

基于lasso及随机森林的高拱坝谷幅变形分析方法 Download PDF

Info

Publication number
CN111275341A
CN111275341A CN202010068541.3A CN202010068541A CN111275341A CN 111275341 A CN111275341 A CN 111275341A CN 202010068541 A CN202010068541 A CN 202010068541A CN 111275341 A CN111275341 A CN 111275341A
Authority
CN
China
Prior art keywords
influence
influence factors
deformation
data
factors
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
CN202010068541.3A
Other languages
English (en)
Other versions
CN111275341B (zh
Inventor
徐卫亚
史宏娟
孟庆祥
杨兰兰
闫龙
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010068541.3A priority Critical patent/CN111275341B/zh
Publication of CN111275341A publication Critical patent/CN111275341A/zh
Application granted granted Critical
Publication of CN111275341B publication Critical patent/CN111275341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于lasso及随机森林的高拱坝谷幅变形分析方法，包括：获取坝区现场的相关监测数据，建立数据分析体系；对监测数据进行预处理；对预处理后的监测数据中的影响因素进行二次处理，根据影响因素的潜在影响方式构建高维影响因子组；根据影响因子建立lasso分析模型并进行特征筛选，确定重要影响因子；将重要影响因子作为对应影响因素的代表影响因子，构建影响因素数据体系，用随机森林算法和基尼系数对影响因素的重要程度进行排序，用来综合评价各影响因素对谷幅变形的影响。本发明定量地选取具有代表性的影响因子代表部分影响因素，并比较各影响因子对谷幅变形的重要程度，为坝区工程安全稳定性监管提供依据。

Description

基于lasso及随机森林的高拱坝谷幅变形分析方法
技术领域
本发明涉及高拱坝谷幅变形分析方法，具体涉及一种基于lasso及随机森林的高拱坝谷幅变形分析方法。
背景技术
谷幅是指同一高程河谷两岸的相对距离，是监测山体变形的重要指标。峡谷区高拱坝出现谷幅变形可能诱发严重自然灾害，许多已建的高拱坝工程监测资料都表明坝区出现了明显的谷幅变形，谷幅变形控制对大坝坝区安全有着重要的指导意义。
目前对谷幅变形的研究主要集中在其对坝体应力状态及变形机制方面，对谷幅变形影响因素的分析研究很少。部分研究从定性的角度入手，其中部分研究表明其中库水位、降雨量、气温等影响因素对谷幅变形有潜在的影响，但并未考虑这些谷幅变形的潜在影响因素的作用形式具有多样性，未涉及如何定量地选取具有代表性的影响因子，并比较各影响因子对谷幅变形的重要程度，不利于对谷幅变形机理的理解，因而对谷幅变形机理及坝区工程安全稳定性监管的指导作用仍待改善。
发明内容
发明目的：本发明的目的在于提供一种基于lasso及随机森林的高拱坝谷幅变形分析方法，以解决如何考虑谷幅变形的潜在影响因素以及如何根据各个影响因素的重要程度来对谷幅变形进行分析管控。
技术方案：本发明提供了一种基于lasso及随机森林的高拱坝谷幅变形分析方法，包括以下步骤：
(1)获取坝区现场的相关监测数据，建立数据分析体系，数据分析体系以谷幅影响因素值为自变量，以谷幅变形值为因变量；
(2)对监测数据进行预处理，剔除其中的异常值和缺失值；
(3)对预处理后的监测数据中的影响因素进行二次处理，确定影响因素的潜在影响方式，据此构建影响因素的相关影响因子，并确定高维影响因子组；
(4)根据高维影响因子组中的影响因子建立lasso分析模型并进行特征筛选，确定出一个或多个重要影响因子；
(5)将重要影响因子作为对应影响因素的代表影响因子，构建影响因素数据体系，用随机森林算法进行分析，划分训练集及预测集，以预测准确率作为检验标准，通过基尼系数对谷幅变形影响因素的重要程度进行排序；
(6)根据影响因素的重要程度排序来综合评价各影响因素对谷幅变形的影响。
进一步地，步骤(1)中，相关监测数据包括库水位升降速率、库水位高程、各测线谷幅变形累计值、坝区气温及坝区降雨量；其中，库水位升降速率、库水位高程、各测线谷幅变形累计值同步监测，坝区气温及降雨量数据选用国家气象数据中心气象数据集，以空间插值理论为基础，按监测点位置信息批量提取以获得降雨量及气温数据。
进一步地，数据分析体系的自变量包括库水位升降速率、库水位高程、坝区气温及降雨量，因变量为各测线谷幅变形累计值。
进一步地，步骤(3)包括：根据预处理后的降雨量和气温数据，统计前n天累计降雨量、前n天降雨量最大差值、前n天累计气温值、前n天气温值最大差值，确定l*m的高位影响因子组；其中n为统计的天数，l为潜在影响因子总数，m为影响因子数据集的数据组数。
进一步地，步骤(4)包括：将高维影响因子组中的影响因子作为模型因子，建立lasso分析模型；对模型因子进行标准化处理，得到标准化影响因子，消除量纲的影响；通过最速下降算法进行特征筛选：将标准化影响因子带入模型计算，获得影响因子系数稀疏矩阵，并结合交叉验证法，多次计算，以模型方差为度量标准，选出误差最小的模型对应的模型系数，确定最优稀疏矩阵。
进一步地，步骤(4)还包括：通过对多条测线变形全时段及具有明显相同变形特征的变形时段分别进行计算，根据计算结果，结合稀疏矩阵中影响因子出现的频次确定重要影响因子。
进一步地，步骤(5)包括：将重要影响因子作为对应影响因素的代表影响因子，结合库水位高程、库水位变化速率构建影响因素数据体系；用随机森林算法进行分析，并将谷幅变形量按单位时间变形量大小将变形情况分类，进行划分训练集及预测集，将代表影响因子作为自变量，单位时间谷幅变形量类别作为分类变量，选取模型参数，计算模型预测准确率；利用交叉验证法根据预测准确率选取最优模型，并计算最优模型下各影响因素的基尼系数，对谷幅变形影响因素的重要程度进行排序。
进一步地，步骤(2)中的异常值包括离群点及高杠杆点。若当日缺少步骤(1)所述的影响因素及自变量值的任意值，则认为当日数据有缺失值，剔除改日数据。
有益效果：与现有技术相比，本发明公开的高拱坝谷幅变形分析方法，结合气象数据对高拱坝谷幅变形相关影响因素数据预处理方法，扩大了监测数据获取范围，并编写批处理程序以便高效便捷地获得可靠的坝区气象数据；同时，从定量分析的角度，考虑了谷幅变形的潜在影响因素的作用形式的多样性及多种工况，建立lasso分析模型结合系数稀疏矩阵实现影响因素特征筛选，最终选取具有代表性的影响因子；构建重要影响因素数据体系，并用随机森林算法进行分析，通过基尼系数确定各影响因素对谷幅变形的重要程度。为实现峡谷区高拱坝谷幅变形管控提供依据，具有较高可信度。
附图说明
图1为本发明基于lasso及随机森林的高拱坝谷幅变形分析方法的流程图；
图2为本发明批量处理气象数据的插值分析示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步描述：
本发明提供了一种基于lasso及随机森林的高拱坝谷幅变形分析方法，如图1所示，包括以下步骤：
S101：获取坝区现场的相关监测数据，建立数据分析体系，数据分析体系以谷幅影响因素值为自变量，以谷幅变形值为因变量。相关监测数据包括库水位升降速率、库水位高程、各测线谷幅变形累计值、坝区气温及坝区降雨量。
本实施例中，包括库水位升降速率、库水位高程、各测线谷幅变形累计值，所有监测数据均是同步监测；作为自变量的影响因素值包括库水位升降速率、库水位高程、坝区气温及降雨量等，作为因变量的变形值为各测线谷幅变形累计值。影响因素中的坝区气温及降雨量数据在监测数据中缺失，选用国家气象数据中心地面气象0.5°×0.5°格点数据集，以空间插值理论为基础，按监测点位置信息批量提取以获得降雨量及气温数据，具体表现为：
1.假设用zab表示数据集第a行b列数据，则此数据表示经纬度为(72.25+(b-1)*0.5，53.75-(a-7)*0.5)的气象目标值，进一步，对于坝区地点位置经纬度为(x，y)，假设该点地点位置位于如图2所示位置，则点1处的气象目标值为
Figure BDA0002376669680000031
点2处的气象目标值为
Figure BDA0002376669680000032
坝区的气象目标值为z＝z'+[x-53.75+0.5*(a-7)]*(z'-z”)；
2.为高效处理气象数据，编写批量处理程序，先分别提取所在地经纬度邻近的四个数据点的气象数据，再计算目标按上述方法计算地点气象数据。可建立如表1所示分析数据体系：
表1大坝坝区气象数据表
日期 a<sub>1</sub>b<sub>1</sub>处数据 a<sub>2</sub>b<sub>2</sub>处数据 a<sub>3</sub>b<sub>3</sub>处数据 a<sub>4</sub>b<sub>4</sub>处数据 坝区数据
yy/mm/dd p<sub>11</sub> p<sub>12</sub> p<sub>13</sub> p<sub>14</sub> p<sub>1</sub>
…… …… …… …… …… ……
yy/mm/dd p<sub>n1</sub> p<sub>n2</sub> p<sub>n3</sub> p<sub>n4</sub> p<sub>n</sub>
*表中日期为连续日期
表2大坝工程现场实际监测数据表
Figure BDA0002376669680000041
*表中日期为监测时间日期，通常不连续
S102：对监测数据进行预处理，剔除其中的异常值和缺失值。对数据进行cook距离检验，检验出离群点及高杠杆点，对于cook距离较大的点，作为异常值处理，剔除该组数据；若某日缺少某一影响因素数据及谷幅变形数据的任意一个，则认为当日数据有缺失值，剔除该日数据。
S103：对预处理后的监测数据中的影响因素进行二次处理，确定影响因素的潜在影响方式，据此构建影响因素的相关影响因子，并确定高维影响因子组。
为了研究降雨及气温影响因素多样的潜在表现形式对谷幅变形的影响，从两个角度对降雨及气温数据进行二次处理，分别为前n天累计降雨量(气温值)、前n天降雨量(气温值)最大差值，最终确定一个l*m的高维影响因子组，如表3所示，其中，n为统计的天数，l为潜在影响因子总数，m为影响因子数据集的数据组数；
表3高维影响因子组计算表
Figure BDA0002376669680000051
S104：根据高维影响因子组中的影响因子建立lasso分析模型并进行特征筛选，确定出一个或多个重要影响因子。
具体步骤如下：
1.针对降雨量及气温日值对谷幅变形的影响，建立lasso分析模型，本实施例中，一共选取74个影响因子，模型形式如下式所示：
Figure BDA0002376669680000052
其中，j∈[1,4],j∈N,i∈N,其中，yk表示第k条测线的谷幅变形值，x01为当日降雨量；x02为当日气温；j分别表示降雨累计值、气温累计值、降雨量最大差值、气温最大差值四个分类，i表示前5i天；xij表示前5i天的影响因素监测值，βk,βkij,βko1，βk02表示第k条测线的模型系数；ε是随机误差项，
Figure BDA0002376669680000053
等式约束，其中λ为惩罚参数。
2.模型因子为如表3所示的高维影响因子组，计算前需要先对影响因子数据进行标准化处理，消除量纲的影响，本实施例中使用标准差标准化，具体为
Figure BDA0002376669680000054
其中xij'表示标准化后的数据，q表示第k类影响因子的个数；
3.对标准化后的影响因子数据进行特征筛选，本质为计算令
Figure BDA0002376669680000055
成立的系数矩阵，本实施例中可以转化为求下式条件下的稀疏矩阵
Figure BDA0002376669680000056
使用R语言程序进行计算，该算法基于最速下降算法原理进行，最终获得影响因子系数稀疏矩阵，并结合十折交叉验证法，将数据组随机分成9：1的训练集及测试集，每计算完一次则重新分配训练集和测试集，多次计算，并以模型方差为度量标准，选出误差最小的模型对应的模型系数，最终确定最优稀疏矩阵Mk；
4.单次计算无法全面反映普遍性规律，应按照实际工程状况、工程需求，对多条测线分别进行前述步骤(3)的系数矩阵lasso计算，并按照谷幅变形的特点对数据集进行进一步划分，将变形敏感的数据组进行进一步计算分析。确定相对重要的因子是通过对多条测线变形全时段及具有明显相同变形特征的变形时段分别进行计算，最终结合各情况计算结果，确定稀疏矩阵中出现频次较高的因子为重要因子。
S105：将重要影响因子作为对应影响因素的代表影响因子，构建影响因素数据体系，用随机森林算法进行分析，划分训练集及预测集，以预测准确率作为检验标准，通过基尼系数对谷幅变形影响因素的重要程度进行排序。具体步骤如下：
1.首先构建下一步计算所需的影响因素分析表，本实施例最终选取当日降雨量、前10天累计降雨量、前10天降雨量最大差值、前25天气温最大差值为代表性因素构建重要影响因子，并结合库水位高程、库水位变化速率构建新的影响因素数据分析体系，如表4所示；
表4高维影响因子组计算表
Figure BDA0002376669680000061
2.选用随机森林算法进行分析，并将谷幅变形量按单位时间变形量大小将变形情况分类，按7：3比例划分原始数据为训练集和预测集，将影响因子作为自变量，单位时间谷幅变形量类别作为分类变量，选择合适的参数，计算模型预测准确率；
3.将测试集数据带入模型，利用交叉验证法根据预测准确率选取出最优模型，并计算该情况下各影响因素的基尼系数，基尼系数计算公式为
Figure BDA0002376669680000071
c表示数据集中类别的数量，pi表示类别i样本数量占所有样本的比例，D表示数据集；
4.确定谷幅变形重要影响因子的重要程度排序，依据基尼系数判定影响因素的重要程度，按某属性条件分裂后基尼系数为
Figure BDA0002376669680000072
A表示属性条件，k表示分裂的数据总数，Dj表示分裂的第j个数据集；基尼指数增益值为ΔGini(A)＝Gini(D)-GiniA(D)。基尼指数增益值最大的影响因素为最大影响因素，最终对各影响因素对谷幅变形的影响排序。
S106：综合多条测线结果，根据影响因素的重要程度排序来综合评价各影响因素对谷幅变形的影响。
本发明定量地选取具有代表性的影响因子代表部分影响因素，并比较各影响因子对谷幅变形的重要程度，对进一步理解谷幅变形机理及坝区工程安全稳定性监管等具有重要指导意义。

Claims (8)

1.一种基于lasso及随机森林的高拱坝谷幅变形分析方法，其特征在于，包括以下步骤：
(1)获取坝区现场的相关监测数据，建立数据分析体系，所述数据分析体系以谷幅影响因素值为自变量，以谷幅变形值为因变量；
(2)对所述监测数据进行预处理，剔除其中的异常值和缺失值；
(3)对预处理后的监测数据中的影响因素进行二次处理，确定影响因素的潜在影响方式，据此构建影响因素的相关影响因子，并确定高维影响因子组；
(4)根据所述高维影响因子组中的影响因子建立lasso分析模型并进行特征筛选，确定出一个或多个重要影响因子；
(5)将所述重要影响因子作为对应影响因素的代表影响因子，构建影响因素数据体系，用随机森林算法进行分析，划分训练集及预测集，以预测准确率作为检验标准，通过基尼系数对谷幅变形影响因素的重要程度进行排序；
(6)根据影响因素的重要程度排序来综合评价各影响因素对谷幅变形的影响。
2.根据权利要求1所述的方法，其特征在于，步骤(1)中，所述相关监测数据包括库水位升降速率、库水位高程、各测线谷幅变形累计值、坝区气温及坝区降雨量；其中，库水位升降速率、库水位高程、各测线谷幅变形累计值同步监测，坝区气温及降雨量数据选用国家气象数据中心气象数据集，以空间插值理论为基础，按监测点位置信息批量提取以获得降雨量及气温数据。
3.根据权利要求2所述的方法，其特征在于，所述数据分析体系的自变量包括库水位升降速率、库水位高程、坝区气温及降雨量，所述因变量为各测线谷幅变形累计值。
4.根据权利要求3所述的方法，其特征在于，步骤(3)包括：根据预处理后的降雨量和气温数据，统计前n天累计降雨量、前n天降雨量最大差值、前n天累计气温值、前n天气温值最大差值，确定l*m的高位影响因子组；其中n为统计的天数，l为潜在影响因子总数，m为影响因子数据集的数据组数。
5.根据权利要求4所述的方法，其特征在于，步骤(4)包括：
将所述高维影响因子组中的影响因子作为模型因子，建立lasso分析模型；
对模型因子进行标准化处理，得到标准化影响因子，消除量纲的影响；
通过最速下降算法进行特征筛选：将所述标准化影响因子带入模型计算，获得影响因子系数稀疏矩阵，并结合交叉验证法，多次计算，以模型方差为度量标准，选出误差最小的模型对应的模型系数，确定最优稀疏矩阵。
6.根据权利要求5所述的方法，其特征在于，步骤(4)还包括：通过对多条测线变形全时段及具有明显相同变形特征的变形时段分别进行计算，根据计算结果，结合稀疏矩阵中影响因子出现的频次确定重要影响因子。
7.根据权利要求6所述的方法，其特征在于，步骤(5)包括：
将重要影响因子作为对应影响因素的代表影响因子，结合库水位高程、库水位变化速率构建影响因素数据体系；
用随机森林算法进行分析，并将谷幅变形量按单位时间变形量大小将变形情况分类，进行划分训练集及预测集，将代表影响因子作为自变量，单位时间谷幅变形量类别作为分类变量，选取模型参数，计算模型预测准确率；
利用交叉验证法根据预测准确率选取最优模型，并计算最优模型下各影响因素的基尼系数，对谷幅变形影响因素的重要程度进行排序。
8.根据权利要求1所述的方法，其特征在于，步骤(2)中的异常值包括离群点及高杠杆点。
CN202010068541.3A 2020-01-21 2020-01-21 基于lasso及随机森林的高拱坝谷幅变形分析方法 Active CN111275341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010068541.3A CN111275341B (zh) 2020-01-21 2020-01-21 基于lasso及随机森林的高拱坝谷幅变形分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010068541.3A CN111275341B (zh) 2020-01-21 2020-01-21 基于lasso及随机森林的高拱坝谷幅变形分析方法

Publications (2)

Publication Number Publication Date
CN111275341A true CN111275341A (zh) 2020-06-12
CN111275341B CN111275341B (zh) 2022-03-29

Family

ID=71001847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010068541.3A Active CN111275341B (zh) 2020-01-21 2020-01-21 基于lasso及随机森林的高拱坝谷幅变形分析方法

Country Status (1)

Country Link
CN (1) CN111275341B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111896949A (zh) * 2020-07-15 2020-11-06 河海大学 一种高拱坝谷幅变形动态监测系统及其监测方法
CN111914395A (zh) * 2020-06-30 2020-11-10 河海大学 一种基于arima-gc-svr的高拱坝谷幅变形预测分析方法
CN112052496A (zh) * 2020-08-27 2020-12-08 河海大学 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法
CN112504851A (zh) * 2020-11-24 2021-03-16 中国电建集团成都勘测设计研究院有限公司 一种考虑谷幅变形作用的拱坝变形监控方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010173681A (ja) * 2009-01-29 2010-08-12 Yoshino Kogyosho Co Ltd 合成樹脂製容器
CN207423192U (zh) * 2017-11-30 2018-05-29 中国电建集团成都勘测设计研究院有限公司 一种谷幅自动化监测系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010173681A (ja) * 2009-01-29 2010-08-12 Yoshino Kogyosho Co Ltd 合成樹脂製容器
CN207423192U (zh) * 2017-11-30 2018-05-29 中国电建集团成都勘测设计研究院有限公司 一种谷幅自动化监测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张冲等: "溪洛渡特高拱坝蓄水初期工作状态评价", 《水利学报》 *
徐岗等: "锦屏一级水电站库区谷幅时变特征及因素", 《南水北调与水利科技(中英文)》 *
梁国贺等: "溪洛渡高拱坝蓄水期谷幅变形特性与影响因素分析", 《水力发电学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914395A (zh) * 2020-06-30 2020-11-10 河海大学 一种基于arima-gc-svr的高拱坝谷幅变形预测分析方法
CN111914395B (zh) * 2020-06-30 2022-11-08 河海大学 一种基于arima-gc-svr的高拱坝谷幅变形预测分析方法
CN111896949A (zh) * 2020-07-15 2020-11-06 河海大学 一种高拱坝谷幅变形动态监测系统及其监测方法
CN111896949B (zh) * 2020-07-15 2024-02-27 河海大学 一种高拱坝谷幅变形动态监测系统及其监测方法
CN112052496A (zh) * 2020-08-27 2020-12-08 河海大学 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法
CN112052496B (zh) * 2020-08-27 2022-10-14 河海大学 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法
CN112504851A (zh) * 2020-11-24 2021-03-16 中国电建集团成都勘测设计研究院有限公司 一种考虑谷幅变形作用的拱坝变形监控方法
CN112504851B (zh) * 2020-11-24 2023-07-25 中国电建集团成都勘测设计研究院有限公司 一种考虑谷幅变形作用的拱坝变形监控方法

Also Published As

Publication number Publication date
CN111275341B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN111275341B (zh) 基于lasso及随机森林的高拱坝谷幅变形分析方法
CN113919448B (zh) 一种任意时空位置二氧化碳浓度预测影响因素分析方法
CN111667122B (zh) 一种农产品品种农药残留的风险评估方法
CN115688404B (zh) 基于svm-rf模型的降雨型滑坡预警方法
CN109033599B (zh) 一种基于随机森林的土壤侵蚀影响因子重要性分析方法
Saed-Moucheshi et al. A review on applied multivariate statistical techniques in agriculture and plant science.
CN111797131A (zh) 一种基于遥感降水产品的极端降水区域频率分析方法
CN108595414A (zh) 基于源汇空间变量推理的土壤重金属企业污染源识别方法
CN112907113B (zh) 一种考虑空间相关性的植被变化成因识别方法
Bastl et al. The evaluation of pollen concentrations with statistical and computational methods on rooftop and on ground level in Vienna–how to include daily crowd-sourced symptom data
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
Amarullah et al. Planning decision support system using building mall AHP (Analytical Hierarchy Process)
CN113393144B (zh) 地质滑坡静态要素风险分级的评估方法及评估装置
Potdar et al. Toward predicting flood event peak discharge in ungauged basins by learning universal hydrological behaviors with machine learning
CN113095579B (zh) 一种耦合伯努利-伽马-高斯分布的日尺度降水预报校正方法
Eversmeyer et al. Equations for predicting wheat stem rust development
Araneda et al. Unified framework for drought monitoring and assessment in a transboundaryriver basin
CN115510945B (zh) 基于主成分和Logistic分析地质灾害概率预报方法
CN113688506B (zh) 基于微站等多维数据的潜在大气污染源识别方法
CN115935283A (zh) 一种基于多元非线性因果分析的干旱成因溯源方法
CN115203643A (zh) 融合水文与生态要素的水源涵养功能定量诊断方法及系统
CN115526330A (zh) 有机物走航数据校准方法、装置、计算机设备和存储介质
CN117172385B (zh) 一种甘蔗高糖度收获期预测方法及系统
CN115795229B (zh) 一种适用于水相关生态系统服务反馈回路的量化研究方法
CN118051763B (zh) 一种基于深度学习的大数据特征析取方法及系统

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