CN113269436B - 一种基于knn算法的河流幸福等级评估方法 - Google Patents
一种基于knn算法的河流幸福等级评估方法 Download PDFInfo
- Publication number
- CN113269436B CN113269436B CN202110559434.5A CN202110559434A CN113269436B CN 113269436 B CN113269436 B CN 113269436B CN 202110559434 A CN202110559434 A CN 202110559434A CN 113269436 B CN113269436 B CN 113269436B
- Authority
- CN
- China
- Prior art keywords
- river
- water
- happiness
- rate
- characteristic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000002790 cross-validation Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 10
- 239000010865 sewage Substances 0.000 claims description 7
- 241000251468 Actinopterygii Species 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 5
- 238000009412 basement excavation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000012851 eutrophication Methods 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 239000003651 drinking water Substances 0.000 claims description 4
- 235000020188 drinking water Nutrition 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000003621 irrigation water Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012106 screening analysis Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Abstract
本发明公开了一种基于KNN算法的河流幸福等级评估方法,包括:构建候选特征库,通过主成分分析法和Pearson相关性得出河流幸福等级的核心特征;对样本特征数据进行归一化处理,确定模型参数并构造KNN模型,其中k值采用交叉验证法选取,距离量度采用欧式距离;将待评估河流的特征数据作为测试数据集代入模型,得到该河流幸福等级;本发明不仅能克服现有技术中主观分析法出现评分差距过大的情况,客观分析法中数据误差大的状况,还能解决特征选取不全面、未考虑人水之间关系等不足,本方法评估得到的数据准确率高。
Description
技术领域
本发明属于河流研究技术领域,具体涉及一种基于KNN算法的河流幸福等级评估方法。
背景技术
河流评估涉及很多方面,包括河流水质理化特征、河流生物生态特征以及河流和人类关系特征。但是目前,我们对河流的评价只停留在前两个方面,并没有全面具体的对三个方面综合评估的体系。目前对河流的评价方法,主要分为两部分:主观方法和客观方法。主观方法有层次分析法、德尔菲法、专家经验法等;客观方法有熵权法、多目标分析法、均方差法等。主观分析法多依靠领域专家和学者们的经验判断评估,具有主观色彩,而且不同的学者对于一条河流的侧重点不同,所以可能会出现评分差距过大的情况;客观分析法中数据可能会受到其他因素的影响而具有较低的真实性和可靠性,而且对数据的处理方法不当,也会错误的评估河流的状况。
发明内容
针对现有评估方法中存在的问题与不足,为了全面准确的评估河流幸福等级,本发明提供一种基于KNN算法的河流幸福等级评估方法。
本发明提供如下技术方案:
一种基于KNN算法的河流幸福等级评估方法,包括如下步骤:
(1)确立河流安全、水量充足、河流健康、人水和谐四个准则层,构建候选特征库,通过主成分分析法和Pearson相关性得出核心特征;
(2)对核心特征进行归一化处理,数据预处理后构造KNN模型,其中k值采用交叉验证法选取,距离量度采用欧式距离。
(3)将待评估河流的核心特征数据作为测试数据集代入模型中,得到河流幸福等级。
所述步骤(1)包括:
(11)选取河流安全、水量充足、河流健康、人水和谐四个准则层下共30个特征构成候选特征库;分别包括:居民人均可支配收入(元)、建成区绿地覆盖率(%)、城市防洪排涝达标率(%)、堤防达标率(%)、洪涝损失占GDP比例(%)、洪涝人口受灾率 (%)、水利工程设施完好率(%)、水土流失程度(%);饮用水水源地(集中式)达标率(%)、人均水资源量(m3)、用水普及率(%)、供水保证率(%)、灌溉水利用系数 (%)、产水模数(万m3/m2);污水集中处理率(%)、河湖富营养化状况(%)、生态基流满足水平(%)、鱼类保有指数(%)、控制断面水质达标率(%)、水功能区水质达标率(%)、水生生物完整性指数(%);万元工业增加值用水量(m3)、水文化挖掘和保护水平(%)、公众对河流治理的满意度(%)、水生态文明公众认知比例(%)、万元工业产值用水量(m3)、水法律法规建设程度(%)、景观多样性指数(%)、水能资源开发利用率(%);
(12)结合软件Canoco5.0进行主成分分析(PCA)以及软件Spss24.0进行Pearson相关性分析筛选核心特征得到核心特征。
所述步骤(2)包括:
(21)在算法中核心分类依据是测试点与训练集的距离,所以为了减少参数本身取值范围而影响对距离的计算,在计算之前要对样本特征进行无量纲处理,指标分为正向特征和负向特征,正向特征表示该特征对河流幸福是正向影响,负向特征表示该特征对河流幸福是负向影响。无量纲处理公式为:
其中Ai、Bj为各特征归一化之后的结果,且Ai、Bj∈[0,1],Mi,mi分别表示经过筛选分析后确定为各指标的最优值和最差值的界限。
(22)KNN算法中的距离调度有曼哈顿距离、欧式距离和切比雪夫距离,本申请选用欧式距离,设特征空间χ是对于n维实数向量空间Rn,zi,zj∈χ,
zizj之间的欧式距离为:
其中L2(zi,zj)表示zizj之间的欧式距离,n表示特征数量。
(23)k值的确定对预测结果至关重要,如果k值比较小,近似误差较小但估计误差较大,容易导致过拟合;如果k值比较大,模型鲁棒性好,但算法的近邻误差会偏大,容易发生欠拟合。因此,采用交叉验证的方式选取k值。数据集随机分为k个包,每次将其中一个包作为测试集,剩下k-1个包作为训练集进行训练;最后计算k次,求得分类率的平均值,作为该模型或者假设函数的真实分类率;
(24)根据欧氏距离计算测试点与数据集中各点之间的距离,并将距离按递增次序排序,找出与测试点最相近的k个样本点,并将这k个样本点所表示的集合记为N_k(x);
(25)使用KNN分类器模型预测标签,预测的目标是使分类误差平均代价最小。计算公式为:
其中表示被预测的类别;K表示类别的数量;/>表示在已知观察值x已知的条件下其为第h类的后验概率;C(y|k)表示把第h类误判成第y类的代价。
所述步骤(3)包括:
(31)参考相近评价中已有的国家或者行业标准,流域水资源、经济社会相关规划及制度的目标值以及相关经典文献中对应的指标标准,对选取的15项核心特征进行幸福等级划分,共将河流幸福情况分为幸福、基本幸福、较幸福、较不幸福和不幸福5种等级。
(32)将待评估河流的各项核心指特征数据用步骤(21)中的公式进行无量纲处理,然后输入到步骤(23)构造好的模型中,得到河流幸福等级结果。
本发明的有益效果:
本发明不仅能克服现有技术中主观分析法出现评分差距过大的情况,客观分析法中数据误差大的状况,还能克服特征选取不全面、未考虑人水之间关系等不足,本方法评估得到的数据准确率高,而且由于KNN方法主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所属类别的,对于类域的交叉或重叠较多的待分样本集来说, KNN方法更适合。
具体实施方式
在本发明中,将基于KNN算法的河流幸福等级评估方法用于浙江玉环市中,该方法主要包括以下三个步骤:
一是确立河流安全、水量充足、河流健康、人水和谐四个准则层特征,构建候选特征库,通过主成分分析法和Pearson相关性分析得出河流的核心特征;二是对样本特征进行归一化处理,数据预处理后构造KNN模型,其中k值采用交叉验证法选取,距离量度采用欧式距离;三是将待评估河流的特征数据作为测试数据集代入模型中,得到河流幸福等级;
以下详细描述各步骤的具体实现过程:
步骤一、核心特征的确定
具体包括如下步骤:
(11)选取河流安全、水量充足、河流健康、人水和谐四个准则层下共30个特征构成候选特征库;分别包括:居民人均可支配收入(元)、建成区绿地覆盖率(%)、城市防洪排涝达标率(%)、堤防达标率(%)、洪涝损失占GDP比例(%)、洪涝人口受灾率(%)、水利工程设施完好率(%)、水土流失程度(%);饮用水水源地(集中式)达标率(%)、人均水资源量(m3)、用水普及率(%)、供水保证率(%)、灌溉水利用系数(%)、产水模数(万m3/m2);污水集中处理率(%)、河湖富营养化状况(%)、生态基流满足水平(%)、鱼类保有指数(%)、控制断面水质达标率(%)、水功能区水质达标率(%)、水生生物完整性指数(%);万元工业增加值用水量(m3)、水文化挖掘和保护水平(%)、公众对河流治理的满意度(%)、水生态文明公众认知比例(%)、万元工业产值用水量(m3)、水法律法规建设程度(%)、景观多样性指数(%)、水能资源开发利用率(%);本发明确定的特征体系能够综合反映鱼类生物群落、水体理化性质及人水关系对河流的影响,可以确保有效全面的评估河流幸福等级。
(12)结合软件Canoco5.0进行主成分分析(PCA)以及软件Spss24.0进行Pearson相关性分析筛选核心特征得到15个核心特征,见表1。不同的特征可以反映出不同层次、维度的情况,针对幸福河的判断准则和建设要求并结合玉环市的河流治理情况,本发明在选取城市防洪排涝达标率等一般特征之外,还着重选取了污水处理率等反映污水治理情况的特征和水文化挖掘和保护水平等反映人水和谐的特征。
表1幸福河流评价指标
步骤二、确定参数、构造KNN模型。
具体包括如下步骤:
(21)参考该城市的《台州市海绵城市专项规划》、《玉环县水利发展规划》、《玉环市污水“零直排”区建设三年行动方案》、《玉环县全面深化“河长制”暨剿灭劣Ⅴ类水攻坚行动实施方案》,对表1中选取的15项评价特征的标准进行划分,共将河流状况分为幸福、较幸福、基本幸福、较不幸福和不幸福5种等级,其对应的幸福指数分别为1,2,3,4,5,具体见表2。
表2河流幸福等级划分
(22)根据表2中的各个指标的范围构造训练样本和检验样本。首先需要在评价标准的各个阈值范围内,随机生成400组样本。每个幸福状况内随机生成80组,5个等级共计400组,为了使得数据更具有代表性和可靠性,所以采用随机选取的方法选取其中的320组作为训练样本、80组作为检验样本,幸福等级作为输出变量,具体见表3。
表3河流幸福等级样本及期望输出
(23)对样本特征进行无量纲处理。指标分为正向特征和负向特征,正向特征表示该特征对河流幸福是正向影响,负向特征表示该特征对河流幸福是负向影响。计算公式为:
其中Ai、Bj为各特征无量纲出来之后的结果,且Ai、Bj∈[0,1],Mi,mi分别表示经过筛选分析后确定为各指标的最优值和最差值的界限;
本次研究中除了湖库富营养化状况(C9)和万元工业增加值用水量(C12)是负向特征外,其余均为正向特征。
(24)根据KNN算法的原理,利用MATLAB软件中的fitcknn函数构建分类器,fitcknn函数中的参数主要有:训练数据和k值。其中训练数据就是步骤(32)中随机抽取的320组数据,k值通过交叉验证法确定,通过MATLAB软件中的crossvalind函数进行选取,经过实验本实例中k取7为最佳参数值。
步骤三、计算河流幸福指数
具体包括如下步骤:
(31)在本实例中,测试数据大部分来自于2016年至2019年的《玉环年鉴》、《水资源公报》和《水质检测报告》,如表4。部分特征数据包括防洪排涝达标率、水文化挖掘和保护水平、公众对河流治理的满意度采用专家打分法的方式获得。由于缺乏实测数据,便根据河流控制断面水质检测情况对鱼类保有指数进行估测。先根据步骤(23)中的公式对数据进行归一化处理,之后输入到步骤(24)MATLAB软件中已经构造好的 KNN模型中,进行河流幸福等级评估。
表4 2016-2019年玉环市各指标数值
(32)表5为KNN模型得到的玉环市河流2016-2019年的幸福等级情况,可以看出2016和2018年河流为基本幸福,在2017年河流为较不幸福,2019年河流为幸福。通过查阅资料可以得知在2017年玉环市出现严重旱情,年降雨量仅为965.5mm,比多年平均值偏少约33.1%,因此合理解释了17年河流较不幸福的情况。
表5 2016-2019年玉环市幸福情况
(33)通过MATLAB软件中的函数kfoldLoss得出在本实例中损失函数为4.97%,即k倍的误差的平均值为4.97%,说明该模型准确率还是较高的,结果较为可靠。
Claims (1)
1.一种基于KNN算法的河流幸福等级评估方法,其特征在于,包括如下步骤:
(1)确定评价河流幸福等级的四个特征准则层,构建出特征候选库,通过主成分分析法和Pearson相关性分析确定核心特征;步骤(1)具体包括:
(11)选取河流安全、水量充足、河流健康、人水和谐四个准则层下共29个特征构成候选特征库;29个特征为:居民人均可支配收入、建成区绿地覆盖率、城市防洪排涝达标率、堤防达标率、洪涝损失占GDP比例、洪涝人口受灾率、水利工程设施完好率、水土流失程度;集中式饮用水水源地达标率、人均水资源量、用水普及率、供水保证率、灌溉水利用系数、产水模数、污水集中处理率、河湖富营养化状况、生态基流满足水平、鱼类保有指数、控制断面水质达标率、水功能区水质达标率、水生生物完整性指数;万元工业增加值用水量、水文化挖掘和保护水平、公众对河流治理的满意度、水生态文明公众认知比例、万元工业产值用水量、水法律法规建设程度、景观多样性指数和水能资源开发利用率;
(12)结合软件Canoco5.0进行主成分分析(PCA)以及软件Spss24.0进行Pearson相关性分析筛选核心特征,得到15个核心特征;15个核心特征包括:居民人均可支配收入、建成区绿地覆盖率、城市防洪排涝达标率、堤防达标率、集中式饮用水水源地达标率、人均水资源量、用水普及率、污水集中处理率、河湖富营养化状况、生态基流满足水平、鱼类保有指数、万元工业增加值用水量、水文化挖掘和保护水平、公众对河流治理的满意度和水生态文明公众认知比例;
(2)对核心特征进行归一化处理,数据预处理后构造KNN模型,其中k值采用交叉验证法选取,距离量度采用欧式距离;步骤(2)具体包括:
(21)采用模糊隶属度函数对指标进行无量纲处理;指标分为正向特征和负向特征,正向特征表示该特征对河流幸福是正向影响,负向特征表示该特征对河流幸福是负向影响,计算公式为:
其中Ai、Bj为各特征归一化之后的结果,且Ai、Bj∈[0,1],Mi,mi分别表示经过筛选分析后确定为各指标的最优值和最差值的界限;
(22)采用欧式距离,设特征空间χ是对于n维实数向量空间Rn,zi,zj∈χ,zizj之间的欧式距离为:
其中L2(zi,zj)表示zizj之间的欧式距离,n表示特征数量;
(23)采用交叉验证的方式选取k值,数据集随机分为k个包,每次将其中一个包作为测试集,剩下k-1个包作为训练集进行训练;最后计算k次求得的分类率的平均值,作为真实分类率;
(24)根据欧氏距离计算测试点与数据集中各点之间的距离,并将距离按递增次序排序,找出与测试点最相近的k个样本点,并将这k个样本点所表示的集合记为N_k(x);
(25)使用KNN分类器模型预测标签,预测的目标是使分类误差平均代价最小,计算公式为:
其中表示被预测的类别;K表示类别的数量;/>表示在已知观察值x已知的条件下其为第h类的后验概率;C(y|k)表示把第h类误判成第y类的代价;
(3)将待评估河流的特征数据作为测试数据集代入KNN模型中,得到河流幸福等级;步骤(3)具体包括:
(31)参考相近评价中已有的国家或者行业标准,流域水资源、经济社会相关规划及制度的目标值以及相关经典文献中对应的指标标准,对选取的15项核心特征的标准进行划分,共将河流幸福情况分为幸福、基本幸福、较幸福、较不幸福和不幸福5种等级;
(32)将待评估河流的各项指标数据用步骤(21)中的公式进行无量纲处理,然后输入到构造好的模型中,得到河流幸福等级结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110559434.5A CN113269436B (zh) | 2021-05-21 | 2021-05-21 | 一种基于knn算法的河流幸福等级评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110559434.5A CN113269436B (zh) | 2021-05-21 | 2021-05-21 | 一种基于knn算法的河流幸福等级评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269436A CN113269436A (zh) | 2021-08-17 |
CN113269436B true CN113269436B (zh) | 2024-03-15 |
Family
ID=77232456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110559434.5A Active CN113269436B (zh) | 2021-05-21 | 2021-05-21 | 一种基于knn算法的河流幸福等级评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269436B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548842A (zh) * | 2022-04-26 | 2022-05-27 | 长江信达软件技术(武汉)有限责任公司 | 基于多源异构数据时空融合实现河长制综合评价的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118101A (zh) * | 2018-08-24 | 2019-01-01 | 华北水利水电大学 | 一种适用于南方城市河流的河流健康评估方法 |
CN110675036A (zh) * | 2019-09-09 | 2020-01-10 | 河海大学 | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 |
CN112734218A (zh) * | 2021-01-05 | 2021-04-30 | 黄河勘测规划设计研究院有限公司 | 以流域为基础的河流健康评价方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
-
2021
- 2021-05-21 CN CN202110559434.5A patent/CN113269436B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118101A (zh) * | 2018-08-24 | 2019-01-01 | 华北水利水电大学 | 一种适用于南方城市河流的河流健康评估方法 |
CN110675036A (zh) * | 2019-09-09 | 2020-01-10 | 河海大学 | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 |
CN112734218A (zh) * | 2021-01-05 | 2021-04-30 | 黄河勘测规划设计研究院有限公司 | 以流域为基础的河流健康评价方法及装置 |
Non-Patent Citations (1)
Title |
---|
水生态文明评价指标体系比较及济南市指标体系构建;倪盼盼;张翔;夏军;王超;穆宏强;;中国农村水利水电;20170715(第07期);85-88 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269436A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416686A (zh) | 一种基于煤炭资源开发的生态地质环境类型划分方法 | |
Torkashvand et al. | New hybrid evolutionary algorithm for optimizing index-based groundwater vulnerability assessment method | |
CN109214084B (zh) | 孔压静力触探海底土层划分方法及系统 | |
Chang et al. | Reservoir operation using grey fuzzy stochastic dynamic programming | |
Fathabadi et al. | Comparison of Bayesian, k-Nearest Neighbor and Gaussian process regression methods for quantifying uncertainty of suspended sediment concentration prediction | |
Zhang et al. | Determining the macroinvertebrate community indicators and relevant environmental predictors of the Hun-Tai River Basin (Northeast China): A study based on community patterning | |
CN106845142A (zh) | 基于改进的粗糙集‑集对分析的水质评价方法 | |
CN113269436B (zh) | 一种基于knn算法的河流幸福等级评估方法 | |
CN107045053A (zh) | 一种基于可控标准的地表水质综合评价体系 | |
CN109670679A (zh) | 基于可变模糊法的三类六级水资源承载状态预警方法 | |
CN108647425A (zh) | 基于粒子群优化的K-means径流丰枯年份预报方法 | |
Laini et al. | Using invertebrate functional traits to improve flow variability assessment within European rivers | |
CN113344130B (zh) | 差异化巡河策略的生成方法及装置 | |
Qu et al. | Spatial evaluation of groundwater quality based on toxicological indexes and their effects on ecology and human health | |
Dong et al. | What will the water quality of the Yangtze River be in the future? | |
CN110163537A (zh) | 基于梯形云模型的水体富营养化评价方法 | |
Hall et al. | Development of a provisional physical habitat index for Maryland freshwater streams | |
CN114066037A (zh) | 一种基于人工智能的流域污染溯源预测方法及装置 | |
Naumoski et al. | Classifying diatoms into trophic state index classes with novel classification algorithm | |
Ren et al. | Water quality assessment for Ulansuhai Lake using fuzzy clustering and pattern recognition | |
Jones et al. | Aquatic Ecosystem Classification for Ontario’s Rivers and Streams: Version | |
Oroji et al. | Determine of surface water quality index in Iran | |
Kiran et al. | Classification of groundwater by applying Simplified Fuzzy Adaptive Resonance Theory. | |
CN116151685B (zh) | 一种基于流量过程的河网连通性动态评价方法 | |
CN113378903B (zh) | 一种广流域水体环境数据集成方法及系统 |
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 |