CN112084716A - 一种基于富营养化综合评价的赤潮预测预警方法 - Google Patents
一种基于富营养化综合评价的赤潮预测预警方法 Download PDFInfo
- Publication number
- CN112084716A CN112084716A CN202010964263.XA CN202010964263A CN112084716A CN 112084716 A CN112084716 A CN 112084716A CN 202010964263 A CN202010964263 A CN 202010964263A CN 112084716 A CN112084716 A CN 112084716A
- Authority
- CN
- China
- Prior art keywords
- prediction result
- prediction
- observation points
- data
- early warning
- 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 15
- 238000012851 eutrophication Methods 0.000 title claims abstract description 11
- 238000011156 evaluation Methods 0.000 title claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000003066 decision tree Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229930002875 chlorophyll Natural products 0.000 claims description 4
- 235000019804 chlorophyll Nutrition 0.000 claims description 4
- 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 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 235000015097 nutrients Nutrition 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于富营养化综合评价的赤潮预测预警方法，包括以下步骤：A、在预测水域内随机选择若干个观测点并获取观测数据；B、对步骤A中采集的数据进行关联性处理；C、根据步骤B得到的具有关联性的数据建立决策树；D、建立并训练神经网络预测模型；E、对步骤A中的使用的观测点进行筛选精简，使用精简后的观测点采集数据输入决策树，获得高置信度数据集和低置信度数据集；F、使用高置信度数据集和低置信度数据集输入神经网络预测模型，得到最终预测结果；G、根据最终预测结果发出对应的预警信息。本发明能够改进现有技术的不足，提高对赤潮发展趋势预测的准确度。
Description
技术领域
本发明涉及一种赤潮预测预警方法，尤其是一种基于富营养化综合评价的赤潮预测预警方法。
背景技术
目前，赤潮预警主要是通过赤潮生物密度或叶绿素浓度对赤潮等级进行划分，然后对各等级赤潮采用不同的处理措施，从而实现对赤潮灾害进行预警。然而，以上预警方法仅能对赤潮的当前状态进行分类，不能对赤潮灾害的发展趋势进行有效的预测预警。事实上，构建赤潮灾害的预测预警方法十分重要，有助于提前采取处理措施，降低赤潮灾害造成的经济损失。
发明内容
本发明要解决的技术问题是提供一种基于富营养化综合评价的赤潮预测预警方法，能够解决现有技术的不足，提高对赤潮发展趋势预测的准确度。
为解决上述技术问题，本发明所采取的技术方案如下。
一种基于富营养化综合评价的赤潮预测预警方法，包括以下步骤：
A、在预测水域内随机选择若干个观测点，在每个观测点上采集水体温度、溶解氧饱和度、叶绿素含量、营养盐浓度和生化需氧量；
B、对步骤A中采集的数据进行关联性处理；
C、根据步骤B得到的具有关联性的数据建立决策树；
D、建立神经网络预测模型，使用步骤A采集的数据对神经网络预测模型进行训练；
E、对步骤A中的使用的观测点进行筛选精简，使用精简后的观测点采集数据输入决策树，获得高置信度数据集和低置信度数据集；
F、将高置信度数据集输入神经网络预测模型，得到第一预测结果，将低置信度数据集输入神经网络预测模型，得到第二预测结果；当第二预测结果与第一预测结果具有线性相关性时，使用第二预测结果对第一预测结果进行修正，得到最终预测结果，当第二预测结果与第一预测结果不具有线性相关性时，直接使用第一预测结果作为最终预测结果；
G、根据最终预测结果发出对应的预警信息。
作为优选，步骤B中，建立不同类数据之间同一时刻的关联性函数集，建立同类数据之间不同时刻的关联性函数集。
作为优选，步骤C中，决策树中的每个节点均设置有数据关联性判定模块，每个数据关联性判定模块中储存有相应的关联性函数。
作为优选，步骤E中，对观测点进行筛选精简包括以下步骤，
E1、遍历全部观测点，计算全部两个不同的观测点之间的直线距离；
E2、分别使用步骤A中的每一类数据对观测点进行聚类，若至少两个观测点被同时分在n个聚类簇中，n≥3，则将上述观测点分为一组；
E3、将每组观测点中不同类数据变化线性度最高的观测点作为参考观测点，将其它观测点进行精简。
作为优选，步骤F中，使用第二预测结果对第一预测结果进行修正包括以下步骤，
F1、将第二预测结果与第一预测结果进行对比，筛选出预测结果相同的部分，将预测结果相同部分的置信度进行加强；
F2、对于其他预测结果不同的部分，将预测结果不同部分的置信度进行减弱；
F3、使用预测结果相同的部分对整个预测区域进行拟合，使用拟合结果与预测结果不同的部分进行加权平均，加权系数与预测结果的置信度成正比。
采用上述技术方案所带来的有益效果在于：本发明通过建立决策树，对数据进行预处理，从而在使用神经网络预测模型进行预测时，可以对数据进行分类预测，以达到最准确的预测结果。在对观测点的选择上，本发明在保证数据有效性的前提下对观测点进行筛选精简，从而降低了数据运算量，提高了单次预测的速度。
附图说明
图1是本发明一个具体实施方式的流程图。
具体实施方式
参照图1，本发明一个具体实施方式包括以下步骤：
A、在预测水域内随机选择若干个观测点，在每个观测点上采集水体温度、溶解氧饱和度、叶绿素含量、营养盐浓度和生化需氧量；
B、对步骤A中采集的数据进行关联性处理；
C、根据步骤B得到的具有关联性的数据建立决策树；
D、建立神经网络预测模型，使用步骤A采集的数据对神经网络预测模型进行训练；
E、对步骤A中的使用的观测点进行筛选精简，使用精简后的观测点采集数据输入决策树，获得高置信度数据集和低置信度数据集；
F、将高置信度数据集输入神经网络预测模型，得到第一预测结果，将低置信度数据集输入神经网络预测模型，得到第二预测结果；当第二预测结果与第一预测结果具有线性相关性时，使用第二预测结果对第一预测结果进行修正，得到最终预测结果，当第二预测结果与第一预测结果不具有线性相关性时，直接使用第一预测结果作为最终预测结果；
G、根据最终预测结果发出对应的预警信息。
步骤B中，建立不同类数据之间同一时刻的关联性函数集，建立同类数据之间不同时刻的关联性函数集。
作为优选，步骤C中，决策树中的每个节点均设置有数据关联性判定模块，每个数据关联性判定模块中储存有相应的关联性函数。
作为优选，步骤E中，对观测点进行筛选精简包括以下步骤，
E1、遍历全部观测点，计算全部两个不同的观测点之间的直线距离；
E2、分别使用步骤A中的每一类数据对观测点进行聚类，若至少两个观测点被同时分在n个聚类簇中，n≥3，则将上述观测点分为一组；
E3、将每组观测点中不同类数据变化线性度最高的观测点作为参考观测点，将其它观测点进行精简。
步骤F中，使用第二预测结果对第一预测结果进行修正包括以下步骤，
F1、将第二预测结果与第一预测结果进行对比，筛选出预测结果相同的部分，将预测结果相同部分的置信度进行加强；
F2、对于其他预测结果不同的部分，将预测结果不同部分的置信度进行减弱；
F3、使用预测结果相同的部分对整个预测区域进行拟合，使用拟合结果与预测结果不同的部分进行加权平均，加权系数与预测结果的置信度成正比。
另外，在每次预测之后，根据本次预测过程获得的低置信度数据集以及观测点的精简情况对神经网络预测模型进行更新；首先根据观测点精简后的数量，调整神经网络预测模型中隐藏层的数量，观测点的数量与隐藏层的数量成正比，然后使用低置信度数据集对神经网络预测模型进行训练，调整每个隐藏层中的节点，训练目标是神经网络预测模型的准确率和耗时均达到预设区间内。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于富营养化综合评价的赤潮预测预警方法，其特征在于包括以下步骤：
A、在预测水域内随机选择若干个观测点，在每个观测点上采集水体温度、溶解氧饱和度、叶绿素含量、营养盐浓度和生化需氧量；
B、对步骤A中采集的数据进行关联性处理；
C、根据步骤B得到的具有关联性的数据建立决策树；
D、建立神经网络预测模型，使用步骤A采集的数据对神经网络预测模型进行训练；
E、对步骤A中的使用的观测点进行筛选精简，使用精简后的观测点采集数据输入决策树，获得高置信度数据集和低置信度数据集；
F、将高置信度数据集输入神经网络预测模型，得到第一预测结果，将低置信度数据集输入神经网络预测模型，得到第二预测结果；当第二预测结果与第一预测结果具有线性相关性时，使用第二预测结果对第一预测结果进行修正，得到最终预测结果，当第二预测结果与第一预测结果不具有线性相关性时，直接使用第一预测结果作为最终预测结果；
G、根据最终预测结果发出对应的预警信息。
2.根据权利要求1所述的基于富营养化综合评价的赤潮预测预警方法，其特征在于：步骤B中，建立不同类数据之间同一时刻的关联性函数集，建立同类数据之间不同时刻的关联性函数集。
3.根据权利要求2所述的基于富营养化综合评价的赤潮预测预警方法，其特征在于：步骤C中，决策树中的每个节点均设置有数据关联性判定模块，每个数据关联性判定模块中储存有相应的关联性函数。
4.根据权利要求1所述的基于富营养化综合评价的赤潮预测预警方法，其特征在于：步骤E中，对观测点进行筛选精简包括以下步骤，
E1、遍历全部观测点，计算全部两个不同的观测点之间的直线距离；
E2、分别使用步骤A中的每一类数据对观测点进行聚类，若至少两个观测点被同时分在n个聚类簇中，n≥3，则将上述观测点分为一组；
E3、将每组观测点中不同类数据变化线性度最高的观测点作为参考观测点，将其它观测点进行精简。
5.根据权利要求4所述的基于富营养化综合评价的赤潮预测预警方法，其特征在于：步骤F中，使用第二预测结果对第一预测结果进行修正包括以下步骤，
F1、将第二预测结果与第一预测结果进行对比，筛选出预测结果相同的部分，将预测结果相同部分的置信度进行加强；
F2、对于其他预测结果不同的部分，将预测结果不同部分的置信度进行减弱；
F3、使用预测结果相同的部分对整个预测区域进行拟合，使用拟合结果与预测结果不同的部分进行加权平均，加权系数与预测结果的置信度成正比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010964263.XA CN112084716B (zh) | 2020-09-15 | 2020-09-15 | 一种基于富营养化综合评价的赤潮预测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010964263.XA CN112084716B (zh) | 2020-09-15 | 2020-09-15 | 一种基于富营养化综合评价的赤潮预测预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112084716A true CN112084716A (zh) | 2020-12-15 |
| CN112084716B CN112084716B (zh) | 2021-06-22 |
Family
ID=73737866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010964263.XA Active CN112084716B (zh) | 2020-09-15 | 2020-09-15 | 一种基于富营养化综合评价的赤潮预测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112084716B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780891A (zh) * | 2021-09-29 | 2021-12-10 | 河北省科学院地理科学研究所 | 一种海岸带受损生态系统评估方法 |
| CN115290572A (zh) * | 2022-10-08 | 2022-11-04 | 长春理工大学 | 一种基于主动照明的赤潮偏振监测装置及其监测方法 |
| CN117131365A (zh) * | 2023-10-24 | 2023-11-28 | 自然资源部第二海洋研究所 | 基于海气动力场数据的赤潮预测方法、系统及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120136567A (ko) * | 2011-06-09 | 2012-12-20 | 목포대학교산학협력단 | 신경망과 ｓｖｍ을 이용한 적조 발생 예측 방법 |
| US20170188521A1 (en) * | 2016-01-04 | 2017-07-06 | Tata Consultancy Services Limited | Systems and methods for estimating effective pest severity index |
| CN108446802A (zh) * | 2018-03-23 | 2018-08-24 | 上海海洋大学 | 一种基于图模型构建的赤潮预警方法 |
| CN109002888A (zh) * | 2018-06-27 | 2018-12-14 | 厦门市海洋与渔业研究所 | 一种赤潮预警方法 |
| US20190147350A1 (en) * | 2016-04-27 | 2019-05-16 | The Fourth Paradigm (Beijing) Tech Co Ltd | Method and device for presenting prediction model, and method and device for adjusting prediction model |
| 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 |
| CN111415025A (zh) * | 2019-01-06 | 2020-07-14 | 刘泰麟 | 一种赤潮等级预测的方法 |
-
2020
- 2020-09-15 CN CN202010964263.XA patent/CN112084716B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120136567A (ko) * | 2011-06-09 | 2012-12-20 | 목포대학교산학협력단 | 신경망과 ｓｖｍ을 이용한 적조 발생 예측 방법 |
| US20170188521A1 (en) * | 2016-01-04 | 2017-07-06 | Tata Consultancy Services Limited | Systems and methods for estimating effective pest severity index |
| US20190147350A1 (en) * | 2016-04-27 | 2019-05-16 | The Fourth Paradigm (Beijing) Tech Co Ltd | Method and device for presenting prediction model, and method and device for adjusting prediction model |
| CN108446802A (zh) * | 2018-03-23 | 2018-08-24 | 上海海洋大学 | 一种基于图模型构建的赤潮预警方法 |
| CN109002888A (zh) * | 2018-06-27 | 2018-12-14 | 厦门市海洋与渔业研究所 | 一种赤潮预警方法 |
| CN111415025A (zh) * | 2019-01-06 | 2020-07-14 | 刘泰麟 | 一种赤潮等级预测的方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 李海涛 等: "基于决策树与二分分割算法的BP神经网络在赤潮等级预测中的应用研究", 《海洋科学》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780891A (zh) * | 2021-09-29 | 2021-12-10 | 河北省科学院地理科学研究所 | 一种海岸带受损生态系统评估方法 |
| CN115290572A (zh) * | 2022-10-08 | 2022-11-04 | 长春理工大学 | 一种基于主动照明的赤潮偏振监测装置及其监测方法 |
| CN115290572B (zh) * | 2022-10-08 | 2023-01-10 | 长春理工大学 | 一种基于主动照明的赤潮偏振监测装置及其监测方法 |
| CN117131365A (zh) * | 2023-10-24 | 2023-11-28 | 自然资源部第二海洋研究所 | 基于海气动力场数据的赤潮预测方法、系统及介质 |
| CN117131365B (zh) * | 2023-10-24 | 2024-02-13 | 自然资源部第二海洋研究所 | 基于海气动力场数据的赤潮预测方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112084716B (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112084716B (zh) | 一种基于富营养化综合评价的赤潮预测预警方法 | |
| CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
| CN110046665A (zh) | 基于孤立森林二分类异常点检测方法、信息数据处理终端 | |
| CN1561503A (zh) | 通过模型集合体的对象分类 | |
| CN109346130A (zh) | 一种直接从全基因组重测序数据中得到微单体型及其分型的方法 | |
| CN110458082A (zh) | 一种城市管理案件分类识别方法 | |
| CN113255430A (zh) | 基于深度学习的视频中人群分布检测与计数方法 | |
| CN109273096A (zh) | 一种基于机器学习的药品风险分级评估方法 | |
| CN109063962A (zh) | 一种基于权重的城市内河生态系统健康评价方法 | |
| Chan | Fish ecomorphology: predicting habitat preferences of stream fishes from their body shape | |
| CN116681279B (zh) | 一种基于数据分析的林业有害生物防治风险评估系统 | |
| Pujolar et al. | The formation of avian montane diversity across barriers and along elevational gradients | |
| CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 | |
| CN112800115B (zh) | 数据处理方法及数据处理装置 | |
| CN113658640A (zh) | 一种淡水生态系统健康评价方法 | |
| CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
| CN112906738A (zh) | 一种水质检测及处理方法 | |
| CN113902249B (zh) | 一种土壤重金属影响因素解析方法及装置 | |
| CN110706004B (zh) | 一种基于层次聚类的农田重金属污染物溯源方法 | |
| CN115237945A (zh) | 一种基于神经网络的渔船作业方式识别方法和系统 | |
| CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
| CN112001436A (zh) | 一种基于改进的极限学习机的水质分类方法 | |
| CN115277159B (zh) | 一种基于改进随机森林的工业互联网安全态势评估方法 | |
| CN108460424B (zh) | 一种基于线点转换和聚类对比的空间运动轨迹识别方法 | |
| CN116502903A (zh) | 基于层次分析法的底播扇贝养殖区选址适宜性评价方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |