CN111445080A - 一种基于随机森林的西北内陆河生态基流预测方法 - Google Patents
一种基于随机森林的西北内陆河生态基流预测方法 Download PDFInfo
- Publication number
- CN111445080A CN111445080A CN202010248637.8A CN202010248637A CN111445080A CN 111445080 A CN111445080 A CN 111445080A CN 202010248637 A CN202010248637 A CN 202010248637A CN 111445080 A CN111445080 A CN 111445080A
- Authority
- CN
- China
- Prior art keywords
- river
- monthly
- decision tree
- node
- base flow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 20
- 238000003066 decision tree Methods 0.000 claims abstract description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000013138 pruning Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 239000004576 sand Substances 0.000 claims description 21
- 230000008020 evaporation Effects 0.000 claims description 16
- 238000001704 evaporation Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 10
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 6
- 238000010790 dilution Methods 0.000 claims description 6
- 239000012895 dilution Substances 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 230000008021 deposition Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
- 239000002023 wood 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (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
本发明涉及水文生态领域，具体为一种基于随机森林的西北内陆河生态基流预测方法包括如下步骤：S1.收集河流近10年逐月数据；S2.形成原始样本P；S3.生成训练样本集和测试样本集；S4.形成N个训练子集Sn；S5.构建决策树;S6.在决策树结点处,从现结点生成两个子结点；S7.生成完全决策树Tn；S8.对完全决策树Tn进行剪枝；S9.选择出最佳决策树；S10.构建多颗决策树构建；S11.所有决策树进行组合；本发明基于西北内陆河特点，综合考虑河道生态系统多方面因素，满足河道生态系统的多纬度需求，建立西北内陆河生态基流预测方法，节约计算时间，提供工作效率，满足河道生态系统多样性需求，为水利、生态主管部门制定相关决策提供数据支撑。
Description
技术领域
本发明涉及水文生态领域，具体为一种基于随机森林的西北内陆河生态基流预测方法。
背景技术
河流生态基流量是指为保证河流生态服务功能，用以维持或恢复河流生态系统基本结构与功能所需的最小流量。研究和确定河流生态基流量的目的在于遏止河道断流或流量减少而造成的生态环境恶化，最终实现流域河流生态系统的可持续发展。
我国西北内陆河主要分布在35°N 以北，106°E 以西的内陆干旱区，包括新疆全境、甘肃河西走廊及内蒙古贺兰山以西的地区，土地面积约占中国总土地面积的 24.5%。深居欧亚大陆腹地，平均降水量在 150mm 以下，形成世界上最严酷的干旱区之一。由于日照时间长以及太阳辐射较强，因此气温通常较高，水分容易蒸发和蒸腾；加之植被稀少，地貌通常以沙漠、沙地、戈壁和荒漠为主，加剧了水分的蒸发蒸腾作用，大部分地区蒸发量为1000～2000mm。流域径流量主要集中在夏季，夏季水量占全年径流量50---70％，由于高山冰川或者融雪水的补给，所以径流年际变化较小，夏季一般能满足生态基流的需要。随季节水文变化，普遍存在水质恶化现象，尤其是人类活动加剧引起的水体污染，其中地表水污染以塔里木河、乌鲁木齐河、黑河、疏勒河等流域较为严重。山地森林过伐严重，林木蓄积量减少；直接导致山地土壤侵蚀加剧，河流含沙量剧增。
基于西北内陆河的特点，可以归纳出影响西北内陆河生态基流的因素主要包括以下四个方面以及目前的计算方法：一、河道内生态平衡水量计算(Tennant法, 最小月平均径流法、90%保证率法)；二、河道内水沙平衡水量计算（一维水沙模型）；三、河河道纳污能力设计蓄水量(7Q10法、稳态水质模型、环境功能设定法)；四、河道蒸发渗漏用水计算(蒸发渗漏公式)。目前的生态基流计算方法存在很大的局限性，无论使用哪个方法，只能满足单一纬度的生态基流，无法覆盖河流生态的多层次需求，而且计算过程相对复杂，计算准确度存在不确定性。
随机森林作为新兴起的、高度灵活的一种机器学习算法，拥有广泛的应用前景，通过组合多个弱分类器，最终结果通过投票，使得整体模型的结果具有较高的精确度和泛化性能。通过使用随机森林的手段来建立生态基流的预测模型，可以综合考虑河道的水生环境、泥沙沉积、污染控制等多方面因素，基于河道的基本特征，满足河道生态系统的多纬度需求。目前随机森林算法在水文生态领域的运用并不多，随着随机森林算法的引入，将为水文生态预测提供新的手段和方法。
发明内容
本发明目的在于提供一种基于随机森林的西北内陆河生态基流预测方法，解决现有技术计算生态基流时的计算过程复杂、结果覆盖面不足的问题。
为解决上述问题，本发明一种基于随机森林的西北内陆河生态基流预测方法包括有如下步骤：
S1. 收集河流近10年逐月数据,包括月平均流量Q、多年平均含沙量S、月平均含沙量C、河流稀释系数λ、月河段排污总量Qi、设定保证率(Po=90％)下的月河道流量Qni、月水面蒸发深度Ho、月水体平均蓄水面积A、月时段内降雨量R；
S2.将步骤S1数据形成原始样本P；
S3.将步骤S2的原始样本P进行随机抽样生成训练样本集和测试样本集，训练样本集和测试样本集的比例为7:3；
S4.对步骤S3形成的训练样本集进行随机有放回无权重抽样，形成N个训练子集Sn；
S5.选取步骤S4中的一个训练子集Sn，Sn中存在D个特征变量，随机抽取K个特征变量，K<D，从根节点开始构建决策树；具体为运用CART算法完成单棵决策树的构建；
S6.在决策树结点处，对其任意特征Ki，与其对应的取值Yi，根据样本点对Ki= Yi的测试为“是”或 “否”将Sn分割成Sn1和Sn2两部分，计算Xi= Yi时的Gini系数，计算公式为：
公式中：K为样本个数；P(k)表示样本点属于第k类的概率；
对所有特征Ki以及与其对应的取值Yi进行计算，并根据步骤S6进行Gini系数计算，基于Gini系数最小的特征为最优特征，依最优特征，从现结点生成两个子结点，将训练子集Sn依特征分配到两个子结点中去；
S7.对步骤S6生成的两个子结点递归地调用步骤S6计算Gini系数，直至满足Gini系数最小特征，无法继续分裂下去，生成完全决策树Tn；
S8.对步骤S7生成的完全决策树Tn进行剪枝：对完全决策树Tn的每个非叶结点计算α值，循环剪掉具有最小α值的子树，直到剩下根节点，在该步可得到一系列的剪枝树 {𝑇_0,𝑇_1,𝑇_2⋯𝑇_𝑚 } ,其中𝑇_0为原有的完全决策树，𝑇_𝑚为根结点，𝑇_𝑖+1为对𝑇_𝑖 进行剪枝的结果。α表示剪枝后树的复杂度降低程度与代价间的关系，α计算公式为:
R（t）= r（t）∗ p（t）
公式中：|N1 |为子树Tt中的叶节点数；R（t）为节点t的错误代价；r（t）为节点t的错分样本率，p（t）为落入结点t的样本占所有样本的比例；R（Tt）为子树Tt错误代价，计算公式为R（Tt）=∑R(i)；i为子树Tt的叶节点；
S9.使用测试样本集T，对步骤S8产生的子树序列 {𝑇_0,𝑇_1,𝑇_2⋯𝑇_𝑚 } 根据真实的误差估计选择出最佳决策树；
S10.重复步骤S5-步骤S9，完成所有训练样本集对应的多颗决策树构建；
S11.对S10得到的所有决策树进行组合，组合时不考虑决策树的权值，完成内陆河生态基流预测随机森林模型的构建。
由于生成的多个决策树之间是相互独立，因此每个决策树的重要性是相等的。对它们进行组合，无需考虑他们的权值，这样就完成了西北内陆河生态基流预测随机森林模型的构建。在日常的生态基流计算中，只需输入相关变量因素调用模型，就能快速得出相应结果，算法最终输出结果采用大多数投票法来实现。
步骤S1中收集的数据是根据西北地区影响生态基流的因素进行选取的，西北地区影响生态基流的因素包括有河道内生态平衡、河道内水沙平衡、河道纳污能力和河道蒸发渗漏；河道内生态平衡的变量为：月平均流量Q；河道内水沙平衡的变量为月平均含沙量C和多年平均含沙量S；河道纳污能力的变量为河流稀释系数λ、月河段排污总量Qi、设定保证率(Po=90％)下的月河道流量Qni；河道蒸发渗漏的变量为月水面蒸发深度Ho、月水体平均蓄水面积A、月时段内降雨量R。
在实际操作过程中，预测方法可使用Matlab中的随机森林工具来实现，也可单独使用Python语言来实现。通过完全分裂方式为每类样本构建完全决策树，通过对决策树的剪枝，提高预测方法的运算效率，减少过拟合现象的发生。依据调用方法计算出的生态基流，满足河道生态系统多样性需求，为水利、生态主管部门制定相关决策提供数据支撑。
本发明的有益效果是：
(1)基于西北内陆河特点，综合考虑河道生态系统的水生环境、泥沙沉积、污染控制等多方面因素，基于河道的基本特征，满足河道生态系统的多纬度需求，符合西北内陆河的实际情况。
(2)通过建立的西北内陆河生态基流预测方法，在日后的生态基流计算中，只需输入相关变量因素，就能快速得出相应结果。即便不是水文生态专业人员也能完成计算，节约计算时间，提供工作效率。
(3)依据计算出的生态基流，及时调整河道径流量，以满足河道生态系统多样性需求，为水利、生态主管部门制定相关决策提供数据支撑。
附图说明
图1为本发明流程图；
图2为本发明西北内陆河生态基流影响因素及变量图。
具体实施方式
如图1所示，本发明一种基于随机森林的西北内陆河生态基流预测方法包括有如下步骤：
S1. 收集河流近10年逐月数据,包括月平均流量Q、多年平均含沙量S、月平均含沙量C、河流稀释系数λ、月河段排污总量Qi、设定保证率(Po=90％)下的月河道流量Qni、月水面蒸发深度Ho、月水体平均蓄水面积A、月时段内降雨量R；
S2.将步骤S1数据形成原始样本P；
S3.将步骤S2的原始样本P进行随机抽样生成训练样本集和测试样本集，训练样本集和测试样本集的比例为7:3；
S4.对步骤S3形成的训练样本集进行随机有放回无权重抽样，形成N个训练子集Sn；
S5.选取步骤S4中的一个训练子集Sn，Sn中存在D个特征变量，随机抽取K个特征变量，K<D，从根节点开始构建决策树；具体为运用CART算法完成单棵决策树的构建；
S6.在决策树结点处，对其任意特征Ki，与其对应的取值Yi，根据样本点对Ki= Yi的测试为“是”或 “否”将Sn分割成Sn1和Sn2两部分，计算Xi= Yi时的Gini系数，计算公式为：
公式中：K为样本个数；P(k)表示样本点属于第k类的概率；
对所有特征Ki以及与其对应的取值Yi进行计算，并根据步骤S6进行Gini系数计算，基于Gini系数最小的特征为最优特征，依最优特征，从现结点生成两个子结点，将训练子集Sn依特征分配到两个子结点中去；
S7.对步骤S6生成的两个子结点递归地调用步骤S6计算Gini系数，直至满足Gini系数最小特征，无法继续分裂下去，生成完全决策树Tn；
S8.对步骤S7生成的完全决策树Tn进行剪枝：对完全决策树Tn的每个非叶结点计算α值，循环剪掉具有最小α值的子树，直到剩下根节点，在该步可得到一系列的剪枝树 {𝑇_0,𝑇_1,𝑇_2⋯𝑇_𝑚 } ,其中𝑇_0为原有的完全决策树，𝑇_𝑚为根结点，𝑇_𝑖+1为对𝑇_𝑖 进行剪枝的结果。α表示剪枝后树的复杂度降低程度与代价间的关系，α计算公式为:
R（t）= r（t）∗ p（t）
公式中：|N1 |为子树Tt中的叶节点数；R（t）为节点t的错误代价；r（t）为节点t的错分样本率，p（t）为落入结点t的样本占所有样本的比例；R（Tt）为子树Tt错误代价，计算公式为R（Tt）=∑R(i)；i为子树Tt的叶节点；
S9.使用测试样本集T，对步骤S8产生的子树序列 {𝑇_0,𝑇_1,𝑇_2⋯𝑇_𝑚 } 根据真实的误差估计选择出最佳决策树；
S10.重复步骤S5-步骤S9，完成所有训练样本集对应的多颗决策树构建；
S11.对S10得到的所有决策树进行组合，组合时不考虑决策树的权值，完成内陆河生态基流预测随机森林模型的构建。
由于生成的多个决策树之间是相互独立，因此每个决策树的重要性是相等的。对它们进行组合，无需考虑他们的权值，这样就完成了西北内陆河生态基流预测随机森林模型的构建。在日常的生态基流计算中，只需输入相关变量因素调用模型，就能快速得出相应结果，算法最终输出结果采用大多数投票法来实现。
如图2所示，步骤S1中收集的数据是根据西北地区影响生态基流的因素进行选取的，西北地区影响生态基流的因素包括有河道内生态平衡、河道内水沙平衡、河道纳污能力和河道蒸发渗漏；河道内生态平衡的变量为：月平均流量Q；河道内水沙平衡的变量为月平均含沙量C和多年平均含沙量S；河道纳污能力的变量为河流稀释系数λ、月河段排污总量Qi、设定保证率(Po=90％)下的月河道流量Qni；河道蒸发渗漏的变量为月水面蒸发深度Ho、月水体平均蓄水面积A、月时段内降雨量R。
在实际操作过程中，预测方法可使用Matlab中的随机森林工具来实现，也可单独使用Python语言来实现。通过完全分裂方式为每类样本构建完全决策树，通过对决策树的剪枝，提高预测方法的运算效率，减少过拟合现象的发生。依据调用方法计算出的生态基流，满足河道生态系统多样性需求，为水利、生态主管部门制定相关决策提供数据支撑。
Claims (2)
1.一种基于随机森林的西北内陆河生态基流预测方法，其特征在于：包括如下步骤：
S1. 收集河流近10年逐月数据,包括月平均流量Q、多年平均含沙量S、月平均含沙量C、河流稀释系数λ、月河段排污总量Qi、设定保证率(Po=90％)下的月河道流量Qni、月水面蒸发深度Ho、月水体平均蓄水面积A、月时段内降雨量R；
S2.将步骤S1数据形成原始样本P；
S3.将步骤S2的原始样本P进行随机抽样生成训练样本集和测试样本集，训练样本集和测试样本集的比例为7:3；
S4.对步骤S3形成的训练样本集进行随机有放回无权重抽样，形成N个训练子集Sn；
S5.选取步骤S4中的一个训练子集Sn，Sn中存在D个特征变量，随机抽取K个特征变量，K<D，从根节点开始构建决策树；
S6.在决策树结点处，对其任意特征Ki，与其对应的取值Yi，根据样本点对Ki= Yi的测试为“是”或 “否”将Sn分割成Sn1和Sn2两部分，计算Xi= Yi时的Gini系数，计算公式为：
公式中：K为样本个数；P(k)表示样本点属于第k类的概率；
对所有特征Ki以及与其对应的取值Yi进行计算，并根据步骤S6进行Gini系数计算，基于Gini系数最小的特征为最优特征，依最优特征，从现结点生成两个子结点，将训练子集Sn依特征分配到两个子结点中去；
S7.对步骤S6生成的两个子结点递归地调用步骤S6计算Gini系数，直至满足Gini系数最小特征，无法继续分裂下去，生成完全决策树Tn；
S8.对步骤S7生成的完全决策树Tn进行剪枝：对完全决策树Tn的每个非叶结点计算α值，循环剪掉具有最小α值的子树，直到剩下根节点，在该步可得到一系列的剪枝树 {𝑇_0,𝑇_1,𝑇_2⋯𝑇_𝑚 } ,其中𝑇_0为原有的完全决策树，𝑇_𝑚为根结点，𝑇_𝑖+1为对𝑇_𝑖 进行剪枝的结果。α表示剪枝后树的复杂度降低程度与代价间的关系，α计算公式为:
R（t）= r（t）∗ p（t）
公式中：|N1 |为子树Tt中的叶节点数；R（t）为节点t的错误代价；r（t）为节点t的错分样本率，p（t）为落入结点t的样本占所有样本的比例；R（Tt）为子树Tt错误代价，计算公式为R（Tt）=∑R(i)；i为子树Tt的叶节点；
S9.使用测试样本集T，对步骤S8产生的子树序列 {𝑇_0,𝑇_1,𝑇_2⋯𝑇_𝑚 } 根据真实的误差估计选择出最佳决策树；
S10.重复步骤S5-步骤S9，完成所有训练样本集对应的多颗决策树构建；
S11.对S10得到的所有决策树进行组合，组合时不考虑决策树的权值，完成内陆河生态基流预测随机森林模型的构建。
2.根据权利要求1所述的一种基于随机森林的西北内陆河生态基流预测方法，其特征在于：步骤S1中收集的数据是根据西北地区影响生态基流的因素进行选取的，西北地区影响生态基流的因素包括有河道内生态平衡、河道内水沙平衡、河道纳污能力和河道蒸发渗漏；河道内生态平衡的变量为：月平均流量Q；河道内水沙平衡的变量为月平均含沙量C和多年平均含沙量S；河道纳污能力的变量为河流稀释系数λ、月河段排污总量Qi、设定保证率(Po=90％)下的月河道流量Qni；河道蒸发渗漏的变量为月水面蒸发深度Ho、月水体平均蓄水面积A、月时段内降雨量R。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010248637.8A CN111445080A (zh) | 2020-04-01 | 2020-04-01 | 一种基于随机森林的西北内陆河生态基流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010248637.8A CN111445080A (zh) | 2020-04-01 | 2020-04-01 | 一种基于随机森林的西北内陆河生态基流预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111445080A true CN111445080A (zh) | 2020-07-24 |
Family
ID=71652676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010248637.8A Pending CN111445080A (zh) | 2020-04-01 | 2020-04-01 | 一种基于随机森林的西北内陆河生态基流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445080A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111984700A (zh) * | 2020-08-17 | 2020-11-24 | 中国电建集团成都勘测设计研究院有限公司 | 一种基于水热耦合平衡原理的月径流预测方法 |
| CN112036264A (zh) * | 2020-08-13 | 2020-12-04 | 长安大学 | 一种表碛覆盖型冰川的自动化提取方法 |
| CN112597629A (zh) * | 2020-12-01 | 2021-04-02 | 中国电建集团江西省电力设计院有限公司 | 一种导线覆冰有无决策树模型及对导线覆冰有无判定和预测导线覆冰持续时间的方法 |
| CN113537705A (zh) * | 2021-06-07 | 2021-10-22 | 中山大学 | 一种衡量植被健康极化程度的方法 |
| CN116500296A (zh) * | 2023-04-28 | 2023-07-28 | 杭州开闳流体科技有限公司 | 针对生态基流监测的智能增强测流方法、系统及其应用 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030061228A1 (en) * | 2001-06-08 | 2003-03-27 | The Regents Of The University Of California | Parallel object-oriented decision tree system |
| CN108416395A (zh) * | 2018-03-27 | 2018-08-17 | 东北大学 | 一种基于属性简约的交互式决策树构建方法 |
| US20180260531A1 (en) * | 2017-03-10 | 2018-09-13 | Microsoft Technology Licensing, Llc | Training random decision trees for sensor data processing |
| CN108733966A (zh) * | 2017-04-14 | 2018-11-02 | 国网重庆市电力公司 | 一种基于决策树群的多维电能表现场状态检验方法 |
| CN109242203A (zh) * | 2018-09-30 | 2019-01-18 | 中冶华天南京工程技术有限公司 | 一种河流水质预测及水质影响因素评估方法 |
| CN109726366A (zh) * | 2018-12-07 | 2019-05-07 | 上海机电工程研究所 | 基于随机森林的红外成像导引头抗干扰性能评估方法、系统及介质 |
-
2020
- 2020-04-01 CN CN202010248637.8A patent/CN111445080A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030061228A1 (en) * | 2001-06-08 | 2003-03-27 | The Regents Of The University Of California | Parallel object-oriented decision tree system |
| US20180260531A1 (en) * | 2017-03-10 | 2018-09-13 | Microsoft Technology Licensing, Llc | Training random decision trees for sensor data processing |
| CN108733966A (zh) * | 2017-04-14 | 2018-11-02 | 国网重庆市电力公司 | 一种基于决策树群的多维电能表现场状态检验方法 |
| CN108416395A (zh) * | 2018-03-27 | 2018-08-17 | 东北大学 | 一种基于属性简约的交互式决策树构建方法 |
| CN109242203A (zh) * | 2018-09-30 | 2019-01-18 | 中冶华天南京工程技术有限公司 | 一种河流水质预测及水质影响因素评估方法 |
| CN109726366A (zh) * | 2018-12-07 | 2019-05-07 | 上海机电工程研究所 | 基于随机森林的红外成像导引头抗干扰性能评估方法、系统及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 李得立等: "基于机器学习算法的区域地质环境承载力评价方法研究" * |
| 李得立等: "基于机器学习算法的区域地质环境承载力评价方法研究", 《中国矿业》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036264A (zh) * | 2020-08-13 | 2020-12-04 | 长安大学 | 一种表碛覆盖型冰川的自动化提取方法 |
| CN112036264B (zh) * | 2020-08-13 | 2023-04-07 | 长安大学 | 一种表碛覆盖型冰川的自动化提取方法 |
| CN111984700A (zh) * | 2020-08-17 | 2020-11-24 | 中国电建集团成都勘测设计研究院有限公司 | 一种基于水热耦合平衡原理的月径流预测方法 |
| CN111984700B (zh) * | 2020-08-17 | 2023-04-28 | 中国电建集团成都勘测设计研究院有限公司 | 一种基于水热耦合平衡原理的月径流预测方法 |
| CN112597629A (zh) * | 2020-12-01 | 2021-04-02 | 中国电建集团江西省电力设计院有限公司 | 一种导线覆冰有无决策树模型及对导线覆冰有无判定和预测导线覆冰持续时间的方法 |
| CN113537705A (zh) * | 2021-06-07 | 2021-10-22 | 中山大学 | 一种衡量植被健康极化程度的方法 |
| CN116500296A (zh) * | 2023-04-28 | 2023-07-28 | 杭州开闳流体科技有限公司 | 针对生态基流监测的智能增强测流方法、系统及其应用 |
| CN116500296B (zh) * | 2023-04-28 | 2023-11-17 | 杭州开闳流体科技有限公司 | 针对生态基流监测的智能增强测流方法、系统及其应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445080A (zh) | 一种基于随机森林的西北内陆河生态基流预测方法 | |
| Stehr et al. | Hydrological modelling with SWAT under conditions of limited data availability: evaluation of results from a Chilean case study | |
| Murakami | Managing water for peace in the Middle East: Alternative strategies | |
| CN111339711B (zh) | 一种小流域设计洪水推求方法 | |
| CN114202167B (zh) | 基于水循环模拟的多水源灌区灌溉用水量计量统计方法 | |
| CN103870995A (zh) | 一种高寒沙地植被恢复潜力评估方法 | |
| CN115375198B (zh) | 区域河湖水系连通联合调度和水质安全保障方法及系统 | |
| CN107944111A (zh) | 基于改进图论和水文模拟的河网水系连通度计算方法 | |
| Mikhailov et al. | Impact of reservoirs on the hydrological regime and morphology of the lower reaches and delta of the Zambezi River (Mozambique) | |
| Jaguś et al. | Water storage possibilities in Lake Baikal and in reservoirs impounded by the dams of the Angara River cascade | |
| CN112434441A (zh) | 一种水文模型参数区域化方法 | |
| CN116305933B (zh) | 一种基于dem数据的坡面产汇流简易计算方法及装置 | |
| Masumoto et al. | Basin‐Scale Irrigation Planning in Areas with Scarce Data | |
| Chowdhury | Assessment of sediment and salinity in the lower Mekong River Basin | |
| Xiuzhen | Purification function of wetlands: spatial modelling and pattern analysis of nutrient reduction in the Liaohe Delta | |
| CN115994686B (zh) | 一种基于博弈论组合赋权的多维度洪水风险评估方法 | |
| Dessens et al. | Climate change impacts on hydro-generation and land suitability for agriculture in Cambodia, Laos and Myanmar | |
| Rahajeng et al. | Assessment of Reservoir and Canals Revitalization to Improve The Reclamation Process at Unit Tamban Tidal Irrigation Area, Central Kalimantan | |
| Zhu et al. | Modeling a river-lake interaction system in the Tonle sap lake area. | |
| Pajic et al. | Evaluation of melioration area damage on the river Danube caused by the hydroelectric power plant ‘Djerdap 1’backwater | |
| CN112160282B (zh) | 一种衡量河流水沙同步性的方法 | |
| QUANG et al. | Assessment of Soil Fertility and Water Quality for Afforestation on Semi–submerged Land: New Insights to Inform Forestry Policy in Thac Mo Hydropower Reservoir | |
| Narayanamurthi | Impact of climate change in sediment yield from catchment of bhavanisagar reservoir using SWAT model | |
| Alrammahi et al. | Creating SCS curve number grid in Diyala river basin using land cover and soil data | |
| CN116090623A (zh) | 矿区生态修复方法 |
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: 20200724 |