CN112731969A - 一种面向河流的多无人机水质采样和监测路径优化方法 - Google Patents

一种面向河流的多无人机水质采样和监测路径优化方法 Download PDF

Info

Publication number
CN112731969A
CN112731969A CN202011595855.5A CN202011595855A CN112731969A CN 112731969 A CN112731969 A CN 112731969A CN 202011595855 A CN202011595855 A CN 202011595855A CN 112731969 A CN112731969 A CN 112731969A
Authority
CN
China
Prior art keywords
unmanned aerial
sampling
aerial vehicle
river
water quality
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
CN202011595855.5A
Other languages
English (en)
Other versions
CN112731969B (zh
Inventor
丁涛
徐铭驰
张广朋
魏坤
高奇石
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.)
Hefei Yisen Electronic Technology Co ltd
Original Assignee
Zhejiang Liangda Intelligent Technology Co ltd
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 Zhejiang Liangda Intelligent Technology Co ltd filed Critical Zhejiang Liangda Intelligent Technology Co ltd
Priority to CN202011595855.5A priority Critical patent/CN112731969B/zh
Publication of CN112731969A publication Critical patent/CN112731969A/zh
Application granted granted Critical
Publication of CN112731969B publication Critical patent/CN112731969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/02—Devices for withdrawing samples
    • G01N1/10—Devices for withdrawing samples in the liquid or fluent state

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Hydrology & Water Resources (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向河流的多无人机水质采样和监测路径优化方法。该方法针对河流水质采样和监测的特定问题来构建目标函数和约束条件，目标函数中考虑了各无人机监测路径总长度最短和无人机数量的优化；特定的约束条件包括单架无人机续航时间限制、采样垂线数量对悬停时间的限制、采样垂线上采样点数量对悬停时间的限制、各采样点监测的污染物类别对悬停时间的限制、无人机飞行和悬停单位能耗的差别限制、无人机起飞和降落基地分布在河流左右岸的限制等。而后采用本专利提出的多子代离散布谷鸟算法对规划模型进行优化。该方法可以针对特定的河流水域环境，快速计算出最优的多无人机水质采样和监测路径。

Description

一种面向河流的多无人机水质采样和监测路径优化方法
技术领域
本发明属于水质采样和监测技术领域，涉及一种面向河流的多无人机水质采样和监测路径优化方法。
背景技术
目前河流水质采样多为人工实地采样，该采样方法需要做大量的前期准备工作，周期长，工作效率低，需要消耗大量人力物力。特别在野外进行水质采样时，由于环境条件所限，采样人员往往只能于河流岸边进行水质采样，导致水样的代表性不够。有时工作人员会借助无人船等工具，但当水面受到严重污染或有大量漂浮物时会使无人船受到阻碍，无法到达采样的目标位置。
基于无人机的水体样品自动采集和监测系统采用多旋翼无人机作为搭载平台，具有良好的稳定性和操控性，定位准确，起降灵活，安全性高，见图1所示。代表性专利主要有“一种基于多旋翼无人机的定深水质采样装置”(CN111473999A)和“一种基于多旋翼无人机的多点定深智能水质采样装置”(CN211179123U)。该方法不受障碍物和地形条件的限制，且节省人力物力，有助于环境采样的高效化、精确化和信息化，弥补传统环境采样方法的不足。
河流或湖泊水域由于岸线规划功能不同，所以岸边排放污染源在空间上的布局不同，并且不同污染源排放的污染物类别亦不同。加之河流和湖泊水动力的作用，污染物浓度在空间上呈现不均匀分布的特性。
单架无人机进行水质采样和监测时，由于受无人机自身续航时间所限，一次飞行只能完成部分采样点的监测任务，监测任务的执行效率不高，也不满足多个监测点在监测时间上尽量保持同步性的要求。因此，采用多架无人机来完成多个采样点的监测任务十分必要。
《水和废水监测分析方法》(第四版)中对河流采样布点给出了明确要求，如针对一个监测断面，采样垂线数应符合：当河流宽度w≤50米时，于中泓处设置一条采样垂线；当河流宽度50米<w≤100米时，于近左、右岸有明显水流处各设置一条采样垂线；当河流宽度w>100米，与左、中、右各设置一条采样垂线。
《水和废水监测分析方法》(第四版)中对一条采样垂线上的采样点数量给出了明确要求，应符合：当河流水深h≤5米时，设置一个采样点，位于水面以下0.5米处；当水深5米<h≤10米时，设置两个采样点，位于水面下0.5米和水底上0.5米处；当河流水深h>10米，设置三个采样点，分别位于水面下0.5米、1/2斜温层、水底以上0.5米处。
如何根据河流水域水质采样和监测的特定问题来研究构建无人机路径优化的目标函数和约束条件，并采用合适的技术手段对规划模型进行求解，获得最优的多无人机水质采样和监测路径，是本发明专利重点解决的问题。
该发明针对河流水质采样和监测的特定问题背景，在规划模型构建中考虑了各无人机采样和监测路径总长度、单架无人机续航时间限制、采样垂线数量、采样垂线上采样点数量、各采样点监测的污染物类别、各采样点无人机停留时间限制、无人机飞行和悬停单位能耗的差别以及无人机数量的优化。同时在规划模型的求解上采用了本发明提出的多子代离散布谷鸟算法。该算法不同于一般的离散布谷鸟算法(一个鸟巢中只有一个鸟蛋)，其主要思想是采用在一个鸟巢中生成多个鸟蛋，结合规划模型，对鸟巢中的多个鸟蛋进行优化，计算整个鸟巢的最优解，最终得到最优的河流水域多无人机水质采样和监测路径。。
发明内容
本发明的目的是提供一种面向河流的多无人机水质采样和监测路径优化方法。本发明的目的是通过以下技术实现的。
一种面向河流的多无人机水质采样和监测路径优化方法，该方法针对河流水质采样和监测的特定问题来构建目标函数和约束条件，目标函数中考虑了各无人机监测路径总长度最短和无人机数量的优化；特定的约束条件包括单架无人机续航时间限制、采样垂线数量对悬停时间的限制、采样垂线上采样点数量对悬停时间的限制、各采样点监测的污染物类别对悬停时间的限制、无人机飞行和悬停单位能耗的差别限制、无人机起飞和降落基地分布在河流左右岸的限制等。而后采用多子代离散布谷鸟算法对上述规模模型进行求解，优化得到最优的采样和监测路径。该方法包括以下步骤：
S1：获取目标河流水域的环境信息，所述环境信息包括河流左岸起飞基地和右岸降落基地的位置、n条采样垂线位置的坐标信息、每条采样垂线上的采样点数量和深度、各采样点监测的污染物类别、单架无人机续航时间、无人机飞行单位能耗、无人机悬停单位能耗、无人机在各采样垂线处的停留时间、无人机数目m等；
S2：根据河流水域的环境信息构建水质采样和监测的路径优化问题模型，设定模型的特定目标函数和约束条件；
S3：采用多子代离散布谷鸟算法对上述规模模型进行求解，优化得到最优的采样和监测路径；
进一步的，步骤S2中的目标函数L为：
Figure BDA0002867190940000031
Figure BDA0002867190940000032
Figure BDA0002867190940000033
其中，Lk为第k个无人机的路线飞行总时间(距离)；m为无人机数量；n为河流水域内采样垂线数量；Cij为无人机从采样垂线i到采样垂线j的飞行时间(距离)；
Figure BDA0002867190940000034
为无人机在采样垂线j的监测停留时间；S为单架无人机最长续航时间(最大飞行距离)；λ为惩罚因子，当第k条路线长度Lk大于S时，说明这条路径不是最优路径，通过惩罚因子λ使该条路径为劣解，从可行解当中剔除。
进一步的，步骤S2中的约束条件为：
遍历河流水域内所有的采样垂线、河流左岸为无人机起飞基地、河流右岸为降落基地：
Figure BDA0002867190940000035
Figure BDA0002867190940000036
每个采样垂线仅停留一次：
Figure BDA0002867190940000037
Figure BDA0002867190940000038
单架无人机续航能力约束：
Figure BDA0002867190940000039
其他约束：
xijk∈{0,1}；1≤k≤m；1≤m≤M (9)
其中，M为预先给定的无人机数量；m为优化后的无人机数量；
进一步的，步骤S3包括以下步骤
S31：设置多子代离散布谷鸟算法的参数，包括鸟巢数量N，迭代次数S，无人机数量(即鸟巢中鸟蛋数量)M，Levy飞行标准步长x1，x2；
S32：初始化种群，根据当前鸟巢中M，采用多子代编码方式对鸟巢进行初始化，鸟巢中一个鸟蛋代表一架无人机的污染源监测点序列；
S33：根据所述步骤S2中的目标函数L其约束条件计算每个鸟巢的适应度函数；
S34：根据Levy飞行选择不同复杂程度的优化算子，对各种群进行优化；
其中优化算子分为简单优化算子，一般优化算子和复杂优化算子，当Levy飞行步长x<x1时，选择简单优化算子；当x1<x<x2时，选择一般优化算子；当x>x2时，选择复杂优化算子。
所述步骤S34中的Levy飞行采用Mantegna算法产生的随机步长，其计算公式为：
Figure BDA0002867190940000041
其中u和v服从正态分布：
Figure BDA0002867190940000042
其中
Figure BDA0002867190940000043
所述简单优化算子包括交换(Swap)算子、倒位(Reverse)算子、滑动(Slide)算子、插入(Insert)算子和交叉(Crossover)算子。
所述一般优化算子为随机两个简单算子结合而成，包括交换和交叉(swap&crossover)算子、逆转和交叉(reverse&crossover)算子、滑动和交叉(slide&crossover)算子、插入和滑动(insert&slide)算子、插入和交叉(insert&crossover)算子。
所述复杂优化算子为随机三个简单算子结合而成，包括swap&reverse&crossover算子、slide&insert&crossover算子、swap&slide&crossover算子，slide&reverse&crossover算子。
S35：判断当前迭代次数是否达到设定的最大迭代次数，若达到，则记录当前最优解；否则，返回步骤S33。
S36：判断当前无人机数量(鸟蛋数量)是否达到下限，若达到，则输出当前最优解；否则，无人机数量减1，返回步骤S32。
S37：输出最优的目标河流水域的多无人机水质采样和监测路径。。
附图说明
图1是本发明中用于水质采样和监测的无人机装置示意图；
图2是本发明中进行多无人机水质采样和监测路径优化的流程图；
图3是本发明中无人机起飞和降落基地以及水质采样点的空间布置图；
图4是是本发明中优化得到的多无人机水质采样和监测路径图；
具体实施步骤
本发明的具体实施例如下：
本实例中起飞和降落基地分别设置在河流的左右岸，编号分别为1和22；共布设了20条水质采样垂线，编号分别为2～21；每条采样垂线依据所在位置的水深，设置1～3个采样点位；各采样垂线位置无人机悬停时间依据垂线上的采样点数量和污染物类别来计算；具体信息见表1和图3所示。
表1为河流水质采样和监测布点规划；
Figure BDA0002867190940000051
设置单架无人机最大飞行距离S＝7.2km、无人机数目m＝4、无人机平均飞行速度为5m/s；具体计算流程见图2所示。
设定模型的特定目标函数公式(1)～公式(3)；
设定模型的特定约束条件公式(4)～公式(9)；
采用多子代离散布谷鸟算法对规划模型优化，计算整个鸟巢的最优解，最终得到最优的河流水域多无人机水质采样和监测路径，见图4所示。
由图4可知，第1架无人机的飞行路径为1→4→3→2→5→7→22，飞行距离为7.16km；第2架无人机的飞行路径为1→6→8→10→14→17→22，飞行距离为5.58km；第3架无人机的飞行路径为1→13→16→19→22，飞行距离为5.90km；第4架无人机的飞行路径为1→9→11→12→15→18→20→21→22，飞行距离为7.06km；各无人机水质采样和监测飞行路径总长度为25.70km，计算程序的迭代次数为1811次。
由计算结果可知，本发明可用于解决多无人机河流水质采样和监测路径的优化问题。

Claims (4)

1.一种面向河流的多无人机水质采样和监测路径优化方法，该方法针对河流水质采样和监测的特定问题来构建目标函数和约束条件。目标函数中考虑了各无人机监测路径总长度最短和无人机数量的优化；特定的约束条件包括单架无人机续航时间限制、采样垂线数量对悬停时间的限制、采样垂线上采样点数量对悬停时间的限制、各采样点监测的污染物类别对悬停时间的限制、无人机飞行和悬停单位能耗的差别限制、无人机起飞和降落基地分布在河流左右岸的限制等。而后采用本专利提出的多子代离散布谷鸟算法对规划模型进行优化。该方法可以针对特定的河流水域环境，快速计算出最优的多无人机水质采样和监测路径。该方法包括以下步骤：
S1：获取目标河流水域的环境信息，所述环境信息包括河流左岸起飞基地和右岸降落基地的位置、n个采样垂线位置的坐标信息、每条采样垂线上的采样点数量和深度、各采样点监测的污染物类别、单架无人机续航时间、无人机飞行单位能耗、无人机悬停单位能耗、无人机在各采样垂线处的停留时间、无人机数目m等；
S2：根据河流水域的环境信息构建水质采样和监测路径优化的规划模型，设定模型的特定目标函数和约束条件；
S3：利用多子代离散布谷鸟算法对上述规划模型进行求解，获得最优的多无人机水质采样和监测路径。
2.根据权利要求1所述的一种面向河流的多无人机水质采样和监测路径优化方法，其特征在于：步骤S2中的目标函数L为：
Figure FDA0002867190930000011
Figure FDA0002867190930000012
Figure FDA0002867190930000013
其中，Lk为第k个无人机的路线飞行总时间(距离)；m为无人机数量；n为河流水域内采样垂线数量；Cij为无人机从采样垂线i到采样垂线j的飞行时间(距离)；
Figure FDA0002867190930000014
为无人机在采样垂线j的监测停留时间；S为单架无人机最长续航时间(最大飞行距离)；λ为惩罚因子，当第k条路线长度Lk大于S时，说明这条路径不是最优路径，通过惩罚因子λ使该条路径为劣解，从可行解当中剔除。
3.根据权利要求1所述的一种面向河流的多无人机水质采样和监测路径优化方法，其特征在于：步骤S2中的约束条件为：
满足遍历河流水域内所有的采样垂线、河流左岸为无人机起飞基地、河流右岸为降落基地的要求。
Figure FDA0002867190930000021
Figure FDA0002867190930000022
每个采样垂线仅停留一次：
Figure FDA0002867190930000023
Figure FDA0002867190930000024
单架无人机续航能力约束：
Figure FDA0002867190930000025
其他约束：
xijk∈{0,1}；1≤k≤m；1≤m≤M (9)
其中，M为预先给定的无人机数量；m为优化后的无人机数量。
4.根据权利要求1所述的一种面向河流的多无人机水质采样和监测路径优化方法，其特征在于：步骤S3包括以下步骤：
S31：设置多子代离散布谷鸟算法的参数，包括鸟巢数量N，迭代次数S，无人机数量(即鸟巢中鸟蛋数量)M，Levy飞行标准步长x1，x2；
S32：初始化种群，根据当前鸟巢中M，采用多子代编码方式对鸟巢进行初始化，鸟巢中一个鸟蛋代表一架无人机的污染源监测点序列；
S33：根据所述步骤S2中的目标函数L其约束条件计算每个鸟巢的适应度函数；
S34：根据Levy飞行选择不同复杂程度的优化算子，对各种群进行优化；
其中优化算子分为简单优化算子，一般优化算子和复杂优化算子，当Levy飞行步长x<x1时，选择简单优化算子；当x1<x<x2时，选择一般优化算子；当x>x2时，选择复杂优化算子。
所述步骤S34中的Levy飞行采用Mantegna算法产生的随机步长，其计算公式为：
Figure FDA0002867190930000031
其中u和v服从正态分布：
Figure FDA0002867190930000032
其中
Figure FDA0002867190930000033
所述简单优化算子包括交换(Swap)算子、倒位(Reverse)算子、滑动(Slide)算子、插入(Insert)算子和交叉(Crossover)算子。
所述一般优化算子为随机两个简单算子结合而成，包括交换和交叉(swap&crossover)算子、逆转和交叉(reverse&crossover)算子、滑动和交叉(slide&crossover)算子、插入和滑动(insert&slide)算子、插入和交叉(insert&crossover)算子。
所述复杂优化算子为随机三个简单算子结合而成，包括swap&reverse&crossover算子、slide&insert&crossover算子、swap&slide&crossover算子，slide&reverse&crossover算子。
S35：判断当前迭代次数是否达到设定的最大迭代次数，若达到，则记录当前最优解；否则，返回步骤S33。
S36：判断当前无人机数量(鸟蛋数量)是否达到下限，若达到，则输出当前最优解；否则，无人机数量减1，返回步骤S32。
S37：输出最优的目标河流水域的多无人机水质采样和监测路径。
CN202011595855.5A 2020-12-29 2020-12-29 一种面向河流的多无人机水质采样和监测路径优化方法 Active CN112731969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011595855.5A CN112731969B (zh) 2020-12-29 2020-12-29 一种面向河流的多无人机水质采样和监测路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011595855.5A CN112731969B (zh) 2020-12-29 2020-12-29 一种面向河流的多无人机水质采样和监测路径优化方法

Publications (2)

Publication Number Publication Date
CN112731969A true CN112731969A (zh) 2021-04-30
CN112731969B CN112731969B (zh) 2022-11-25

Family

ID=75610183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011595855.5A Active CN112731969B (zh) 2020-12-29 2020-12-29 一种面向河流的多无人机水质采样和监测路径优化方法

Country Status (1)

Country Link
CN (1) CN112731969B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252576A (zh) * 2022-02-28 2022-03-29 安徽新宇环保科技股份有限公司 一种河长智能辅助决策分析系统
CN115019158A (zh) * 2022-08-03 2022-09-06 威海海洋职业学院 一种基于图像识别的海洋污染区域识别方法及系统
CN115688487A (zh) * 2022-12-30 2023-02-03 天津中科谱光信息技术有限公司 水质监测节点布设数量确定方法、装置、设备及存储介质
CN115790611A (zh) * 2023-02-09 2023-03-14 广东广宇科技发展有限公司 一种用于智慧城市水利信息的无人机采集导航方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225003A (zh) * 2015-09-23 2016-01-06 西北工业大学 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法
WO2017215044A1 (zh) * 2016-06-14 2017-12-21 广东技术师范学院 一种移动机器人的自动规划路径方法及移动机器人
CN207319277U (zh) * 2017-10-23 2018-05-04 天津职业技术师范大学 面向偏远地区的无人机和汽车组合式配送系统
CN108427433A (zh) * 2018-02-05 2018-08-21 中山大学 一种面向多架植保无人机编队协同喷施药物的无人机数量优化方法
CN108805349A (zh) * 2018-05-30 2018-11-13 中国科学院遥感与数字地球研究所 一种基于改进布谷鸟算法的作物种植空间布局优化方法
CN109325580A (zh) * 2018-09-05 2019-02-12 南京邮电大学 一种用于服务组合全局优化的自适应布谷鸟搜索方法
CN109782797A (zh) * 2019-01-03 2019-05-21 中国科学院自动化研究所 用于多点水质采样的多无人机协同方法、系统、装置
CN110261735A (zh) * 2019-06-18 2019-09-20 西华大学 基于改进量子布谷鸟算法的配电网故障定位方法
CN111142374A (zh) * 2020-01-03 2020-05-12 江西理工大学 一种悬挂式永磁磁悬浮列车自动驾驶系统的速度控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225003A (zh) * 2015-09-23 2016-01-06 西北工业大学 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法
WO2017215044A1 (zh) * 2016-06-14 2017-12-21 广东技术师范学院 一种移动机器人的自动规划路径方法及移动机器人
CN207319277U (zh) * 2017-10-23 2018-05-04 天津职业技术师范大学 面向偏远地区的无人机和汽车组合式配送系统
CN108427433A (zh) * 2018-02-05 2018-08-21 中山大学 一种面向多架植保无人机编队协同喷施药物的无人机数量优化方法
CN108805349A (zh) * 2018-05-30 2018-11-13 中国科学院遥感与数字地球研究所 一种基于改进布谷鸟算法的作物种植空间布局优化方法
CN109325580A (zh) * 2018-09-05 2019-02-12 南京邮电大学 一种用于服务组合全局优化的自适应布谷鸟搜索方法
CN109782797A (zh) * 2019-01-03 2019-05-21 中国科学院自动化研究所 用于多点水质采样的多无人机协同方法、系统、装置
CN110261735A (zh) * 2019-06-18 2019-09-20 西华大学 基于改进量子布谷鸟算法的配电网故障定位方法
CN111142374A (zh) * 2020-01-03 2020-05-12 江西理工大学 一种悬挂式永磁磁悬浮列车自动驾驶系统的速度控制方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
S.VINOTH KUMAR；R.JAYAPARVATHY；B.N.PRIYANKA: "Efficient path planning of AUVs for container ship oil spill detection in coastal areas", 《OCEAN ENGINEERING》, 8 September 2020 (2020-09-08) *
YAO-ZHONG ZHANG; HE LI; YUN-HONG MA; JIAN-DONG ZHANG; JIAN-LIANG: "Cooperative reconnaissance mission planning for heterogeneous UAVs with DCSA", 《2019 IEEE 15TH INTERNATIONAL CONFERENCE ON CONTROL AND AUTOMATION (ICCA)》, 14 November 2019 (2019-11-14) *
冯登科; 阮奇; 杜利敏: "二进制布谷鸟搜索算法", 《计算机应用》, 1 June 2013 (2013-06-01) *
张蕾: "多无人机协同侦察任务决策研究", 《 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》》, 15 May 2017 (2017-05-15) *
汪峰坤; 张婷婷: "求解改进的基于布谷鸟算法的多目标优化问题", 《新乡学院学报》, 30 September 2018 (2018-09-30) *
胡震天; 周源: "基于低空多光谱遥感的城市水质监测方法研究", 《地理空间信息》, 28 July 2020 (2020-07-28) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252576A (zh) * 2022-02-28 2022-03-29 安徽新宇环保科技股份有限公司 一种河长智能辅助决策分析系统
CN115019158A (zh) * 2022-08-03 2022-09-06 威海海洋职业学院 一种基于图像识别的海洋污染区域识别方法及系统
CN115019158B (zh) * 2022-08-03 2022-10-25 威海海洋职业学院 一种基于图像识别的海洋污染区域识别方法及系统
CN115688487A (zh) * 2022-12-30 2023-02-03 天津中科谱光信息技术有限公司 水质监测节点布设数量确定方法、装置、设备及存储介质
CN115688487B (zh) * 2022-12-30 2023-03-28 天津中科谱光信息技术有限公司 水质监测节点布设数量确定方法、装置、设备及存储介质
CN115790611A (zh) * 2023-02-09 2023-03-14 广东广宇科技发展有限公司 一种用于智慧城市水利信息的无人机采集导航方法及系统

Also Published As

Publication number Publication date
CN112731969B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN112731969B (zh) 一种面向河流的多无人机水质采样和监测路径优化方法
CN110160526B (zh) 基于遗传算法的航线规划方法
CN104865353B (zh) 基于无人机的工业园区大气污染数据采集方法
Pritchard Estuarine classification—a help or a hindrance
CN104463470B (zh) 基于无人机航拍的潮间带生境调查方法
CN107622327A (zh) 基于文化蚁群搜索机制的多无人机航迹规划方法
CN111680866A (zh) 一种海洋生态保护重要性的评价方法、应用和装置
CN114329957A (zh) 一种快速识别内陆河流鱼类群落适宜栖息地的模型构建方法
Liang et al. Impacts of land management practice strategy on regional ecosystems: Enlightenment from ecological redline adjustment in Jiangsu, China
CN112215416B (zh) 智能规划巡检航线系统及方法
CN113610312A (zh) 基于改进遗传算法的船舶航行实时最优航线规划方法
CN109086957A (zh) 基于海空无人采集装备的近岸海域水质采样网络规划方法
Carmona et al. Distribution patterns of indigenous freshwater fishes in the Tagus River basin, Spain
CN111477266A (zh) 一种天然水域鱼类产卵场判识方法
CN117649156B (zh) 高城镇化河网全自动水环境监测方法及系统
CN114492973A (zh) 一种核电厂周边海域海洋生物预测方法
CN110991705A (zh) 一种基于深度学习的城市扩展预测方法及系统
Reynolds et al. Utility and design of aerial surveys for sirenians
Xia et al. Environmental factor assisted chlorophyll-a prediction and water quality eutrophication grade classification: A comparative analysis of multiple hybrid models based on a SVM
CN110189617A (zh) 一种城市热环境主控因素的空间制图方法、装置及介质
TWI805048B (zh) 營運站點的部署規劃方法
CN113962015B (zh) 一种采用规则控制的空域使用过程仿真模拟系统及方法
CN109033648A (zh) 基于果蝇优化算法的水质机理建模及水质预测方法
Marble Computer software for spatial data handling
CN113657021A (zh) 一种基于bp神经网络的海洋测量周期评定方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221104

Address after: 230088 Sangxia 1 # Complex Building, Information Industry Base, Hefei Hi tech Zone, Anhui Province

Applicant after: Hefei YiSen Electronic Technology Co.,Ltd.

Address before: 310018 Room 308, 3 / F, No.5 standard workshop, zhongceyuan, No.1, No.8 street, Hangzhou Economic and Technological Development Zone, Hangzhou City, Zhejiang Province

Applicant before: Zhejiang Liangda Intelligent Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant