CN112990614A - 水华检测方法及装置、电子设备和存储介质 - Google Patents
水华检测方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112990614A CN112990614A CN202110555263.9A CN202110555263A CN112990614A CN 112990614 A CN112990614 A CN 112990614A CN 202110555263 A CN202110555263 A CN 202110555263A CN 112990614 A CN112990614 A CN 112990614A
- Authority
- CN
- China
- Prior art keywords
- water
- bloom
- indexes
- water bloom
- 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.)
- Pending
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
- G06Q10/04—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
- 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
- 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—Systems or methods specially adapted for 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开涉及一种水华检测方法及装置、电子设备和存储介质。所述方法包括:根据预定水域的水质信息,确定预定水域的多个水质指标;将多个水质指标输入水华预测模型,获得水华指标;根据水华指标,判断预定水域是否出现水华趋势;在预定水域出现水华趋势时,生成警告信息。根据本公开的实施例的水华检测方法,可通过实时且高频地测量预定水域的多个水质指标,可利用多个指标反映水体的真实环境,提高水华预测的准确性。并可通过对水质指标高频且实时的测量,在水华现象的初期检测到水华现象,可在水华爆发前为预防水华提供依据。
Description
技术领域
本公开涉及环保技术领域,尤其涉及一种水华检测方法及装置、电子设备和存储介质。
背景技术
近年来,我国湖泊的水体富营养化问题十分突出。水华是湖泊富营养化过程的一种常见现象,是水体接纳过多的营养物质而引起的藻类等浮游生物大量繁殖的结果。水华的发生不仅对湖泊的生态系统服务功能产生影响,还会对居民的饮水安全构成严重威胁,已成为制约我国部分地区社会和国民经济进一步发展的重要环境因素。治理湖泊富营养化、控制水华危害已成为我国的重大战略需求。
治理湖泊富营养化是降低水华危害的根本措施,但这是一个非常复杂的过程,如果能够对水华的发生进行实时、精确的监测预警,并及时采取相应的解决措施,将会有效降低水华发生带来的危害。
目前,国内外有关水华监测预警的研究主要围绕如下三方面展开:1.经典指标因子临界值预警,即选择合适的环境状态因子作为水华的指示因子。但水华的发生是物理、化学与生物因素综合作用的结果,只有在众多系统要素满足一定耦合关系的情况下才会发生,因此,采用单一影响因子进行水华的监测预警实际上并不能完全反应水体的真实环境,在预警中可能会出现一定的偏差。2.利用水文水质参数构建水质模型,对水体富营养化程度进行模拟和预测,目前主要有使用支持向量机和人工神经网络的方法来进行水华预测,但是神经网络模型对于如何确定输入变量和网络结构尚没有很好的办法,并且很难解释神经网络结构的功能及其对输出变量的影响;3.利用遥感系统对水华的发生进行监测预警。传统水华监测方法是在湖库布点、采样,然后进行实验室分析、耗时费力,对于大面积的水域往往难以快速全面地监测蓝藻水华的分布和变化。遥感监测虽然具有快速、动态和范围广的特点,但也仍存在精确度较差、检测频度低、只能在水华爆发后监测,无法预测水华等不足。
发明内容
本公开提出了一种水华检测方法及装置、电子设备和存储介质。
根据本公开的一方面,提供了一种水华检测方法,包括:根据预定水域的水质信息,确定预定水域的多个水质指标;将所述多个水质指标输入水华预测模型进行处理,获得水华指标;根据所述水华指标,判断所述预定水域是否出现水华趋势;在所述预定水域出现水华趋势的情况下,生成警告信息。
在一种可能的实现方式中,将所述多个水质指标输入水华预测模型进行处理,获得水华指标,包括:对所述多个水质指标分别进行标准化处理,获得多个标准化指标;将所述多个标准化指标输入所述水华预测模型进行处理,获得所述水华指标。
在一种可能的实现方式中,所述方法还包括:将多个样本水质指标输入所述水华预测模型进行处理,获得水华训练指标;根据所述水华训练指标与所述多个样本水质指标的标注信息,确定模型损失;根据所述模型损失、预设的回归树最大深度、预设的最小权重以及预设的学习率,训练所述水华预测模型;在所述水华预测模型满足训练条件的情况下,获得训练后的水华预测模型。
在一种可能的实现方式中,根据所述水华指标,判断所述预定水域是否出现水华趋势,包括:根据所述水华指标,确定所述预定水域出现水华趋势的概率;在所述概率大于或等于概率阈值的情况下,确定所述预定水域出现水华趋势。
在一种可能的实现方式中,将所述多个水质指标输入水华预测模型进行处理,获得水华指标,包括:确定所述多个水质指标的特征参数,所述特征参数包括峰值、变化率、上升沿持续时间和下降沿持续时间中的至少一个;将所述特征参数输入水华预测模型进行处理,获得水华指标。
在一种可能的实现方式中,所述水质指标包括化学需氧量、溶解氧含量、pH值和水温。
在一种可能的实现方式中,所述水华指标包括叶绿素a含量和蓝绿藻含量。
根据本公开的一方面,提供了一种水华检测装置,包括:水质指标模块,用于根据预定水域的量子点光谱信息,确定预定水域的多个水质指标;水华指标模块,用于将所述多个水质指标输入水华预测模型进行处理,获得水华指标;判断模块,用于根据所述水华指标,判断所述预定水域是否出现水华趋势;警告模块,用于在所述预定水域出现水华趋势的情况下,生成警告信息。
在一种可能的实现方式中,所述水华指标模块进一步用于:对所述多个水质指标分别进行标准化处理,获得多个标准化指标;将所述多个标准化指标输入所述水华预测模型进行处理,获得所述水华指标。
在一种可能的实现方式中,所述装置还包括,训练模块,所述训练模块用于:将多个样本水质指标输入所述水华预测模型进行处理,获得水华训练指标;根据所述水华训练指标与所述多个样本水质指标的标注信息,确定模型损失;根据所述模型损失、预设的回归树最大深度、预设的最小权重以及预设的学习率,训练所述水华预测模型;在所述水华预测模型满足训练条件的情况下,获得训练后的水华预测模型。
在一种可能的实现方式中,所述判断模块进一步用于:根据所述水华指标,确定所述预定水域出现水华趋势的概率;在所述概率大于或等于概率阈值的情况下,确定所述预定水域出现水华趋势。
在一种可能的实现方式中,所述水华指标模块进一步用于:确定所述多个水质指标的特征参数,所述特征参数包括峰值、变化率、上升沿持续时间和下降沿持续时间中的至少一个;将所述特征参数输入水华预测模型进行处理,获得水华指标。
在一种可能的实现方式中,所述水质指标包括化学需氧量、溶解氧含量、pH值和水温。
在一种可能的实现方式中,所述水华指标包括叶绿素a含量和蓝绿藻含量。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:执行上述水华检测方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述水华检测方法。
根据本公开的实施例的水华检测方法,可通过量子点光谱信息获得的水质指标以及其他水质指标实时且高频地测量预定水域的多个水质指标,可利用多个指标反映水体的真实状况,提高水华预测的准确性。并可通过水华预测模型可对水质指标进行拟合与迭代,以获得水华指标,无需确定神经网络的网络结构,降低了运算的复杂程度,提高了处理效率和准确性,可在水华现象的初期检测到水华现象,可在水华爆发前为预防水华提供依据。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的水华检测方法的流程图;
图2示出根据本公开实施例的水华检测方法的应用示意图;
图3示出根据本公开实施例的水华检测装置的框图;
图4示出根据本公开实施例的电子装置的框图;
图5示出根据本公开实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的水华检测方法的流程图,如图1所示,所述方法包括:
在步骤S11中,根据预定水域的量子点光谱信息,确定预定水域的多个水质指标;
在步骤S12中,将所述多个水质指标输入水华预测模型进行处理,获得水华指标;
在步骤S13中,根据所述水华指标,判断所述预定水域是否出现水华趋势;
在步骤S14中,在所述预定水域出现水华趋势的情况下,生成警告信息。
根据本公开的实施例的水华检测方法,可实时且高频地测量预定水域的多个水质指标,可利用多个指标反映水体的真实环境,提高水华预测的准确性。并可通过对水质指标高频且实时的测量,在水华现象的初期检测到水华现象,可在水华爆发前为预防水华提供依据。
在示例中,可通过量子光谱仪来测量预定水域的水质信息。量子点光谱探头可基于纳米晶体的物理特性和光学特性,对入射光线(例如,光线经过预定区域水样进行透射或散射后的光线)进行测量,以获得入射光线的光谱信息。例如,量子点光谱探头中可包括由多种纳米晶体制成的纳米晶体芯片,所述纳米晶体芯片包含多种纳米晶体的一定排列(例如,纳米晶体阵列),其中,每种纳米晶体具有不同光吸收特性或发射特性,不同种类半导体纳米晶体例如,可以为不同材料、尺寸等,使得纳米晶体芯片可对较宽波长范围内的波长进行调制响应,以获得对较宽波长范围内入射光调整后的光谱。
在一种可能的实现方式中,光线经水进行透射或散射后的光线可受到水中的物质(例如,悬浮物、污染物等)的影响,从而获得特定光谱信息。量子点光谱探头可实时获得该光谱信息,并确定该光谱信息代表的水质指标信息。例如,通过水样对不同波长光的吸收强弱,可获得不同频段的光的光谱信息,通过该光谱信息可换算出水质指标。在示例中,所述水质指标包括水质化学需氧量(Chemical Oxygen Demand,COD)、浊度、高锰酸盐指数、总悬浮物、生物需氧量、总有机碳、硫酸盐含量、氯化物含量、溶解性铁含量、溶解性锰含量、溶解性铜含量、溶解性锌含量、硝酸盐含量、亚硝酸盐含量、总氮含量、氟化物含量、硒含量、总砷含量、总汞含量、总镉含量、铬含量、总铅含量、总氰化物、挥发酚含量、类大肠菌群含量、硫化物含量等。还可根据光谱信息中的红外光谱测定水温。本公开对量子点光谱探头的工作原理不做限制。在示例中,量子点光谱探头可通过水中包含的各种物质对光的吸收特性确定水质指标,例如,可通过光谱信息分析特定波长的光线的光强,进而获得与所述特定波长范围的光线对应的物质的浓度(水质指标)。或者,量子点光谱探头可通过神经网络来推断水质指标,例如,可将光谱信息输入神经网络,神经网络可推断出各种物质的浓度(水质指标)。本公开对确定水质指标的方式不做限制。
在一种可能的实现方式中,量子点光谱探头可用于实时测量水质指标(例如,COD),并通过测量的水质指标来判断是否出现水华的趋势。相比于对水质进行采样后,在实验室中进行化验来测量水质指标的方法,通过量子点光谱探头测量指标可实现在线、原位、高频、实时测量,为实时获得水质指标并预测水华提供依据。
在一种可能的实现方式中,在步骤S11中,可在预定水域设置原位水质监测设备,例如,量子点光谱探头、溶解氧探头、pH值测量仪、水温测量仪等。原位水质监测设备可设置于预定水域,并实时且高频地获得原位的水质指标。
在示例中,量子点光谱探头可获得预定水域的量子点光谱信息,并可通过量子点光谱信息确定化学需氧量(COD)等水质指标。进一步地,可通过溶解氧探头获得溶解氧含量,其原理是通过化学方式测得水质中溶解的氧的含量。还可通过pH值测量仪测量预定水域的pH值,其原理可以是通过水体的电导率来计算水体的pH值。并可通过温度计测量水温,其原理包括通过热成像来确定温度等。本公开对水质检测设备的工作原理不做限制。
在一种可能的实现方式中,在步骤S12中,可通过水华预测模型对水质指标进行处理,以获得水华指标。在示例中,由于神经网络模型的输入变量和网络结构难以确定,因此,可使用梯度提升树模型作为所述水华预测模型。所述梯度提升树模型为包括多个回归树的模型,可由多个回归树模型进行累加,以获得最终结果。梯度提升树模型可在执行中确定出多种具有区分性的特征以及特征组合,以利用输入的多种水质指标来提取具有区分性的特征,并获得水华指标。在示例中,所述水华指标包括叶绿素a含量和蓝绿藻含量。
在一种可能的实现方式中,梯度提升树模型的多个回归树可确定上一个回归树的残差预测值(即,上一个回归树预测结果的偏差),在回归树进行分枝时,可列举每个输入的水质指标的多个数值,以确定分割点,在分割点处,回归树的输出与真实水华指标之间的平方误差最小。梯度提升树模型可对上述回归树进行迭代,每个回归树可学习之前回归树的输出以及所述输出与真实水华指标之间的残差,并通过迭代过程使得该残差最小化,以获得更精确的水华指标。
在一种可能的实现方式中,在使用梯度提升树模型预测水华指标之前,可对梯度提升模型进行训练。所述方法还包括:将多个样本水质指标输入所述水华预测模型进行处理,获得水华训练指标;根据所述水华训练指标与所述多个样本水质指标的标注信息,确定模型损失;根据所述模型损失、预设的回归树最大深度、预设的最小权重以及预设的学习率,训练所述水华预测模型;在所述水华预测模型满足训练条件的情况下,获得训练后的水华预测模型。
在一种可能的实现方式中,可在多个时刻获得多个水域的多组样本水质指标,每组样本水质指标均可包括化学需氧量、溶解氧含量、pH值、水温等水质指标。进一步地,可对测量到样本水质指标时的水华指标进行测量(例如,可通过化学方法进行测量),得到水华指标的准确值,并将其作为样本水质指标的标注信息。
在一种可能的实现方式中,可将获得的多组样本水质指标进行分组,例如,将其中80%的样本水质指标作为训练组,将其中20%的样本水质指标作为测试组,本公开对训练组和测试组中的样本水质指标的数量占样本水质指标总数量的比例不做限制。
在一种可能的实现方式中,可通过训练组中的样本水质指标对水华预测模型进行训练。每组样本水质指标中可包含多种水质指标,其量纲及取值范围不同,可通过标准化或归一化等方式对每组样本水质指标进行预处理,并可将预处理后样本水质指标中的多个指标输入水华预测模型进行处理,水华预测模型可通过多个回归树对多个指标进行迭代处理,并分别获得每个回归树对前一个回归树的残差预测值,并进行累加,可获得水华预测模型的输出值,即,水华训练指标,在示例中,可通过以下公式(1)确定水华训练指标:
在一种可能的实现方式中,可根据水华训练指标与标注信息,确定模型损失,在示例中,可确定水华训练指标与标注信息之间的平方误差。例如,可通过以下公式(2)确定模型损失:
在一种可能的实现方式中,在对水华预测模型进行迭代训练的过程中,水华预测模型可在目标函数的监督下,通过调整模型中的参数(即,各回归树的参数)或使回归树进行分枝或增加新的回归树来缩小模型损失。在示例中,目标函数可通过以下公式(3)确定:
其中,n为样本总数量,obj为目标函数。训练目标为使目标函数最小化。
在训练过程中,可通过梯度下降法调整回归树的参数,以缩小目标函数。还可通过使回归树进行分枝,即,在回归树中增加新的回归运算的分枝,对输出结果进一步拟合,以缩小目标函数。还可通过增加回归树的数量,提高迭代次数,以对输出结果进一步拟合,使得目标函数进一步减小。
在一种可能的实现方式中,在训练过程中,如果回归树的分枝过多,或者回归树的数量过多,可能造成水华预测模型过拟合,即,虽然水华预测模型在处理训练组中的样本水质指标时,获得的水华训练指标比较准确,模型损失较小,但水华预测模型不能很好的适用于其他样本水质指标的处理,即,过拟合的水华预测模型不具有普适性。
在一种可能的实现方式中,针对上述问题,可在模型中加入惩罚项。例如,可限定每个回归树的最大深度,即,限定了回归树最大分枝数量,在示例中,可将预设的回归树最大深度设置为6。例如,还可限定回归树的每个分枝的最小权重,可在调整回归树的参数时,使得该分枝的参数不低于预设的最小权重,在示例中,可将预设的最小权重设置为1。又例如,可设置学习率,以防止训练中梯度下降过快,造成过拟合或梯度消失,在示例中,可将预设的学习率设置为0.1。本公开对设置的参数不做限制。
在一种可能的实现方式中,可通过训练组中的多个样本水质指标对水华预测模型进行迭代训练,直到满足训练条件。所述训练条件可包括目标函数小于预设阈值,或者将训练组中的所有样本水质指标全部进行训练等。本公开对训练条件不做限制。
在一种可能的实现方式中,在训练完成后,可通过训练后的水华预测模型处理测试组中的样本水质指标,并确定处理效果,例如,可确定水华预测模型处理测试组中的样本水质指标的准确率、累积误差等参数,并在这些参数合格的情况下,将水华预测模型用于预测水华指标的处理中。如果上述参数不合格,可在训练组中添加新的样本水质指标,并对水华预测模型进一步训练,直到水华预测模型的准确率、累积误差等参数合格。
通过这种方式,可通过水华预测模型确定水华指标,水华预测模型可对水质指标进行拟合与迭代,以获得水华指标,无需确定神经网络的网络结构,降低了运算的复杂程度,提高了处理效率和准确性。
在一种可能的实现方式中,在步骤S12中,可通过训练后的水华预测模型对实时测量的水质指标进行处理,获得水华指标。步骤S12可包括:对所述多个水质指标分别进行标准化处理,获得多个标准化指标;将所述多个标准化指标输入所述水华预测模型进行处理,获得所述水华指标。
在示例中,多个水质指标的类别不同,可通过标准化来统一多个水质指标的量纲和规格,例如,可通过以下公式(4)对各水质指标进行标准化:
其中,x为任意一种水质指标,μ为该种水质指标的均值,为该种水质指标的方差,x’为该种水质指标对应的标准化指标。可通过公式(4)将多种水质指标归一化为(0,1)区间内的数据,以便于统一各中水质指标的规格,且便于水华预测模型的处理。
在一种可能的实现方式中,可通过水华预测模型处理多个标准化指标,并获得水华指标,所述水华指标可包括叶绿素a含量和蓝绿藻含量等,水华指标可用于指示水体是否富营养化,即,是否出现水华趋势。
在另一示例中,所述水华预测模型也可包括其他模型,例如,回归模型、决策树模型、贝叶斯模型等,可计算水质指标的特征参数,并可利用水华预测模型对水质指标的特征参数进行处理,获得叶绿素a含量和蓝绿藻含量等水华指标。步骤S12可包括:确定所述多个水质指标的特征参数,所述特征参数包括峰值、变化率、绝对值、上升沿持续时间和下降沿持续时间中的至少一个;将所述特征参数输入水华预测模型进行处理,获得水华指标。
在示例中,所述峰值可以是多个水质指标的最大值,所述变化率可以是水质指标的最大值与最小值之间的变化率,所述上升沿持续时间可以是水质指标从开始升高至到达峰值所花费的时间,所述下降沿持续时间可以是水质指标从峰值至停止下降趋势所花费的时间。
在示例中,可利用水质指标的历史数据来训练水华预测模型,例如,可使用历史数据中水质指标的上述特征参数以及叶绿素a含量和蓝绿藻含量等数据来训练回归模型,获得回归参数。并利用所述回归参数对测得的水质指标的上述特征参数进行计算,获得叶绿素a含量和蓝绿藻含量等水华指标。本公开对水华预测模型的类型不做限制。
在一种可能的实现方式中,在步骤S13中,可通过水华指标来预测预定水域是否出现水华趋势。步骤S13可包括:根据所述水华指标,确定所述预定水域出现水华趋势的概率;在所述概率大于或等于概率阈值的情况下,确定所述预定水域出现水华趋势。
在一种可能的实现方式中,可对水华指标进行激活处理,例如,可通过以下sigmoid函数(5)对水华指标进行激活处理,获得出现水华趋势的概率:
其中,y为水华指标,sigmoid(y)为对水华指标的激活值,即,出现水华趋势的概率。
在一种可能的实现方式中,可根据出现水华趋势的概率确定预定水域是否出现水华趋势。例如,可设定概率阈值(例如,0.5),在所述概率大于或等于概率阈值的情况下,可确定预定水域出现水华趋势。否则,则认为预定水域未出现水华趋势。
在一种可能的实现方式中,在步骤S14中,如果预测出预定水域出现水华趋势,可生成警告信息,以提示工作人员采取应对措施,以预防和及时治理水华。
根据本公开的实施例的水华检测方法,可通过量子点光谱信息获得的水质指标以及其他水质指标实时且高频地测量预定水域的多个水质指标,可利用多个指标反映水体的真实环境,提高水华预测的准确性。并可通过水华预测模型可对水质指标进行拟合与迭代,以获得水华指标,无需确定神经网络的网络结构,降低了运算的复杂程度,提高了处理效率和准确性,可在水华现象的初期检测到水华现象,可在水华爆发前为预防水华提供依据。
图2示出根据本公开实施例的水华检测方法的应用示意图,如图2所示,预定水域可包括河流、湖泊、水塘等,本公开对预定水域的类型不做限制。可在预定水域设置量子点光谱探头、溶解氧探头、pH值测量仪、温度计等仪器,分别测量化学需氧量、溶解氧含量、pH值、水温、浊度等水质指标。
在一种可能的实现方式中,可将上述水质指标通过公式(4)进行标准化,以统一各水质指标的规格,获得标准化指标,随后,可将多个标准化指标输入水华预测模型进行处理,水华预测模型为梯度提升树模型,可对标准化指标进行迭代和拟合等处理,获得叶绿素a含量和蓝绿藻含量等水华指标。
在一种可能的实现方式中,可将上述水华指标通过公式(5)进行激活处理,以获得预定水域发生水华的概率,在一种可能的实现方式中,如果该概率大于或等于0.5,可确定预定水域出现水华趋势。
在一种可能的实现方式中,在出现水华趋势时,可生成警告信息,以提示工作人员进行预防和治理。
在一种可能的实现方式中,所述水华检测方法可用于预测水华现象,可在水华现象发生的初期检测到水华现象,并提示工作人员进行预防和治理,可预防水华爆发,防治水污染。
图3示出根据本公开实施例的水华检测装置的框图,如图3所示,所述装置包括:水质指标模块11,用于根据预定水域的量子点光谱信息,确定预定水域的多个水质指标;水华指标模块12,用于将所述多个水质指标输入水华预测模型进行处理,获得水华指标;判断模块13,用于根据所述水华指标,判断所述预定水域是否出现水华趋势;警告模块14,用于在所述预定水域出现水华趋势的情况下,生成警告信息。
在一种可能的实现方式中,所述水华指标模块进一步用于:对所述多个水质指标分别进行标准化处理,获得多个标准化指标;将所述多个标准化指标输入所述水华预测模型进行处理,获得所述水华指标。
在一种可能的实现方式中,所述装置还包括,训练模块,所述训练模块用于:将多个样本水质指标输入所述水华预测模型进行处理,获得水华训练指标;根据所述水华训练指标与所述多个样本水质指标的标注信息,确定模型损失;根据所述模型损失、预设的回归树最大深度、预设的最小权重以及预设的学习率,训练所述水华预测模型;在所述水华预测模型满足训练条件的情况下,获得训练后的水华预测模型。
在一种可能的实现方式中,所述判断模块进一步用于:根据所述水华指标,确定所述预定水域出现水华趋势的概率;在所述概率大于或等于概率阈值的情况下,确定所述预定水域出现水华趋势。
在一种可能的实现方式中,所述水华指标模块进一步用于:确定所述多个水质指标的特征参数,所述特征参数包括峰值、变化率、上升沿持续时间和下降沿持续时间中的至少一个;将所述特征参数输入水华预测模型进行处理,获得水华指标。
在一种可能的实现方式中,所述水质指标包括化学需氧量、溶解氧含量、pH值和水温。
在一种可能的实现方式中,所述水华指标包括叶绿素a含量和蓝绿藻含量。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了水华检测装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种水华检测方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图4,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/ O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/ O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图5,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种水华检测方法,其特征在于,包括:
根据预定水域的水质信息,确定预定水域的多个水质指标;
将所述多个水质指标输入水华预测模型进行处理,获得水华指标;
根据所述水华指标,判断所述预定水域是否出现水华趋势;
在所述预定水域出现水华趋势的情况下,生成警告信息。
2.根据权利要求1所述的方法,其特征在于,将所述多个水质指标输入水华预测模型进行处理,获得水华指标,包括:
对所述多个水质指标分别进行标准化处理,获得多个标准化指标;
将所述多个标准化指标输入所述水华预测模型进行处理,获得所述水华指标。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将多个样本水质指标输入所述水华预测模型进行处理,获得水华训练指标;
根据所述水华训练指标与所述多个样本水质指标的标注信息,确定模型损失;
根据所述模型损失、预设的回归树最大深度、预设的最小权重以及预设的学习率,训练所述水华预测模型;
在所述水华预测模型满足训练条件的情况下,获得训练后的水华预测模型。
4.根据权利要求1所述的方法,其特征在于,根据所述水华指标,判断所述预定水域是否出现水华趋势,包括:
根据所述水华指标,确定所述预定水域出现水华趋势的概率;
在所述概率大于或等于概率阈值的情况下,确定所述预定水域出现水华趋势。
5.根据权利要求1所述的方法,其特征在于,将所述多个水质指标输入水华预测模型进行处理,获得水华指标,包括:
确定所述多个水质指标的特征参数,所述特征参数包括峰值、变化率、上升沿持续时间和下降沿持续时间中的至少一个;
将所述特征参数输入水华预测模型进行处理,获得水华指标。
6.根据权利要求1所述的方法,其特征在于,所述水质指标包括化学需氧量、溶解氧含量、pH值和水温。
7.根据权利要求1所述的方法,其特征在于,所述水华指标包括叶绿素a含量和蓝绿藻含量。
8.一种水华检测装置,其特征在于,包括:
水质指标模块,用于根据预定水域的量子点光谱信息,确定预定水域的多个水质指标;
水华指标模块,用于将所述多个水质指标输入水华预测模型进行处理,获得水华指标;
判断模块,用于根据所述水华指标,判断所述预定水域是否出现水华趋势;
警告模块,用于在所述预定水域出现水华趋势的情况下,生成警告信息。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110555263.9A CN112990614A (zh) | 2021-05-21 | 2021-05-21 | 水华检测方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110555263.9A CN112990614A (zh) | 2021-05-21 | 2021-05-21 | 水华检测方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990614A true CN112990614A (zh) | 2021-06-18 |
Family
ID=76337103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110555263.9A Pending CN112990614A (zh) | 2021-05-21 | 2021-05-21 | 水华检测方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990614A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839340A (zh) * | 2022-04-27 | 2022-08-02 | 芯视界(北京)科技有限公司 | 水质生物活性检测方法及装置、电子设备和存储介质 |
CN115829042A (zh) * | 2022-11-29 | 2023-03-21 | 南京贝迪新材料科技股份有限公司 | 一种量子点扩散板的结构性能评估方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202948010U (zh) * | 2012-09-19 | 2013-05-22 | 清华大学 | 一种基于溶解氧和pH变化的水体水华程度识别设备 |
CN104112080A (zh) * | 2014-07-29 | 2014-10-22 | 武汉大学 | 水体水华风险快速预警方法 |
CN108830425A (zh) * | 2018-06-26 | 2018-11-16 | 北京高能时代环境技术股份有限公司 | 水库水质预测系统及方法 |
-
2021
- 2021-05-21 CN CN202110555263.9A patent/CN112990614A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202948010U (zh) * | 2012-09-19 | 2013-05-22 | 清华大学 | 一种基于溶解氧和pH变化的水体水华程度识别设备 |
CN104112080A (zh) * | 2014-07-29 | 2014-10-22 | 武汉大学 | 水体水华风险快速预警方法 |
CN108830425A (zh) * | 2018-06-26 | 2018-11-16 | 北京高能时代环境技术股份有限公司 | 水库水质预测系统及方法 |
Non-Patent Citations (2)
Title |
---|
刘载文: "《水环境系统智能化软测量与控制方法》", 31 March 2013, 中国轻工业出版社 * |
王玲: "《数据挖掘学习方法》", 31 August 2017, 冶金工业出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839340A (zh) * | 2022-04-27 | 2022-08-02 | 芯视界(北京)科技有限公司 | 水质生物活性检测方法及装置、电子设备和存储介质 |
CN115829042A (zh) * | 2022-11-29 | 2023-03-21 | 南京贝迪新材料科技股份有限公司 | 一种量子点扩散板的结构性能评估方法及系统 |
CN115829042B (zh) * | 2022-11-29 | 2024-04-02 | 南京贝迪新材料科技股份有限公司 | 一种量子点扩散板的结构性能评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113252582B (zh) | 污染检测方法及装置、电子设备和存储介质 | |
CN112990614A (zh) | 水华检测方法及装置、电子设备和存储介质 | |
CN113077019B (zh) | 污染类型识别方法及装置和存储介质 | |
EP2299258A1 (en) | Absorbance measurements using portable electronic devices with built-in camera | |
CN115510568A (zh) | 管道故障检测方法及系统、电子设备和存储介质 | |
CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN110781934A (zh) | 监督学习、标签预测方法及装置、电子设备和存储介质 | |
CN111879710A (zh) | 钢结构涂层防腐性能评定方法、系统、服务器和存储介质 | |
CN110717509A (zh) | 基于树分裂算法的数据样本分析方法及装置 | |
CN110346305A (zh) | 一种测量植物叶片氮含量的方法和装置 | |
CN111428032B (zh) | 内容质量评价方法及装置、电子设备、存储介质 | |
Saetchnikov et al. | Intelligent optical microresonator imaging sensor for early stage classification of dynamical variations | |
CN116704710A (zh) | 告警方法及装置、电子设备和存储介质 | |
US20220187197A1 (en) | Electrochemical digestion | |
CN111046927A (zh) | 标注数据的处理方法、装置、电子设备及存储介质 | |
Tseng et al. | Automatic bird sound detection: logistic regression based acoustic occupancy model | |
CN111209429B (zh) | 用于度量语音数据库覆盖性的无监督模型训练方法及装置 | |
CN115510892A (zh) | 污染类型识别方法及装置、电子设备和存储介质 | |
CN116433948A (zh) | 泥沙类型识别方法及装置、电子设备和存储介质 | |
CN113358164B (zh) | 流量检测方法及装置、电子设备和存储介质 | |
CN114839340A (zh) | 水质生物活性检测方法及装置、电子设备和存储介质 | |
CN115510890A (zh) | 污染类型识别方法及装置、电子设备和存储介质 | |
CN115452739A (zh) | 水质热污染检测方法及装置、电子设备和存储介质 | |
CN117233055B (zh) | 泥沙含量测量方法及装置、电子设备和存储介质 | |
US20220270228A1 (en) | Method and apparatus for obtaining information |
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: 20210618 |