CN114441463A - 全光谱水质数据分析方法 - Google Patents
全光谱水质数据分析方法 Download PDFInfo
- Publication number
- CN114441463A CN114441463A CN202210087339.4A CN202210087339A CN114441463A CN 114441463 A CN114441463 A CN 114441463A CN 202210087339 A CN202210087339 A CN 202210087339A CN 114441463 A CN114441463 A CN 114441463A
- Authority
- CN
- China
- Prior art keywords
- data
- water quality
- standard
- spectrum
- artificial intelligence
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 160
- 238000001228 spectrum Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 238000002474 experimental method Methods 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 13
- 238000012806 monitoring device Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 9
- 239000008235 industrial water Substances 0.000 claims description 5
- 239000002352 surface water Substances 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 8
- 229910052698 phosphorus Inorganic materials 0.000 description 8
- 239000011574 phosphorus Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Abstract
本发明公开了全光谱水质数据分析方法，涉及水质分析技术领域，解决了现有技术没有结合基础数据在对光谱数据进行处理时，且没有考虑到数据采集场合，导致水质监测结果不准确的技术问题；本发明通过模拟各种场景获取标准实验参数，通过标准实验参数对人工智能模型进行训练，并结合光谱反演方法对人工智能模型进行验证，再通过待测数据对应场景下的水质分析模型以完成水质的精确监测；本发明既考虑了基础数据，又考虑到了水源类型，从整个流程提高了水质监测结果的准确性；本发明考虑到标准实验数据的获取难度，根据数据量需求或标准范围对数据进行了合理扩展，保证了水质分析模型对数据量的要求，提高了水质分析模型的精度。
Description
技术领域
本发明属于水质分析领域，涉及全光谱水质数据分析技术，具体是全光谱水质数据分析方法。
背景技术
水质监测的实时性和监测频率要求越来越高，也使得在线监测技术得到了广泛关注和快速发展，越来越多的水质在线监测设备被广泛应用；因为紫外-可见全光谱含有大量的水质信息，已被广泛应用于水质在线监测中。
现有技术中利用紫外-可见全光谱技术进行水质监测时，多注重对全光谱水质检测装置进行改进，仅采用理论上的光谱处理算法对光谱数据进行处理，没有考虑数据采集的场合，对光谱数据处理时也没有结合基础数据，导致水质监测不准确；因此，亟需一种全光谱水质数据分析方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了全光谱水质数据分析方法，用于解决现有技术没有结合基础数据在对光谱数据进行处理时，且没有考虑到数据采集场合，导致水质监测结果不准确的技术问题，本发明通过模拟各种场景获取标准实验参数，通过标准实验参数对人工智能模型进行训练，获取适用于不同场景下的水质分析模型以完成水质的精确监测，同时将监测结果可视化展示。
为实现上述目的，根据本发明的第一方面的实施例提出全光谱水质数据分析方法，包括：
通过全光谱水质监测装置获取监测区域水质的光谱数据，将光谱数据、水源标签和环境数据整合生成待测数据，将待测数据发送至数据处理中心；其中，数据处理中心与若干个全光谱水质监测装置通信连接；
数据处理中心调用水质分析模型对待测数据进行分析，获取水质参数；其中，水质分析模型基于人工智能模型建立，并定期更新分发；以及
将水质参数与水质指标进行分析获取水质等级，并进行可视化展示。
优选的，基于人工智能模型获取水质分析模型，包括：
获取标准实验参数，通过全光谱水质监测装置获取标准光谱数据；其中，标准实验数据包括水质参数、水源标签和环境数据，且环境数据包括温度；
将标准光谱数据、水源标签和环境数据整合成输入数据，水质参数作为输出数据；
通过输入数据和输出数据对人工智能模型进行训练和验证，将完成训练和验证的人工智能模型标记为水质分析模型。
优选的，在所述人工智能模型训练和验证之前，通过标准实验数据整合生成N组输入数据，以及对应的输出数据；其中，N≥10，且N为整数；
根据数据量需求或标准范围对N组输入数据以及对应的输出数据进行扩展；其中，标准范围指输入数据中对应数据的预设范围。
优选的，根据所述数据量需求对输入数据和输出数据进行扩展，包括：
获取数据需求量M；其中，数据需求量M是人工智能模型训练所需数据量的下限，且数据需求量M通过人工设定获取；
通过公式BS＝N/M计算步长上限BS，根据步长上限选定目标步长；其中，目标步长的取值范围为(0,BS]；
通过目标步长对N组输入数据以及对应的输出数据进行差值处理，完成扩展。
优选的，通过所述标准范围对输入数据和输出数据进行扩展，包括：
获取标准范围；其中，标准范围通过人工设定获取；
根据标准范围确定水质参数和环境数据的差值步长；
根据确定的差值步长对N组输入数据以及对应的输出数据进行差值处理，完成扩展。
优选的，对所述人工智能模型的验证通过标准实验数据实现，或者通过直接反演标准光谱数据实现。
优选的，通过反演所述标准光谱数据对人工智能模型验证，包括：
从输入数据中抽取验证数据；其中，验证数据包括标准光谱数据、水源标签和环境数据，且验证数据至少为一组；
将验证数据输入至训练后的人工智能模型，获取输出数据，并标记为目标数据；
通过光谱反演方法对验证数据中的光谱数据进行反演，获取对比数据；其中，对比数据的内容和目标数据一致；
将目标数据和对比数据进行分析比较，完成验证。
优选的，所述水源标签根据监测区域对应的水源类型确定；其中，水源类型包括地表水源、生活水源和工业水源。
优选的，所述水源标签包括0、1或者2；其中，水源标签为0时，表示地表水源，水源标签为1时，表示生活水源，水源标签为2时，表示工业水源。
与现有技术相比，本发明的有益效果是：
1、本发明通过模拟各种场景获取标准实验参数，通过标准实验参数对人工智能模型进行训练，并结合光谱反演方法对人工智能模型进行验证，再通过待测数据对应场景下的水质分析模型以完成水质的精确监测；本发明既考虑了基础数据，又考虑到了水源类型，从整个流程提高了水质监测结果的准确性。
2、本发明考虑到标准实验数据的获取难度，根据数据量需求或标准范围对数据进行了合理扩展，保证了水质分析模型对数据量的要求，提高了水质分析模型的精度。
附图说明
图1为本发明的工作步骤示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
水质监测的实时性和监测频率要求越来越高，也使得在线监测技术得到了广泛关注和快速发展，越来越多的水质在线监测设备被广泛应用；因为紫外-可见全光谱含有大量的水质信息，已被广泛应用于水质在线监测中。
现有技术中利用紫外-可见全光谱技术进行水质监测时，多注重对全光谱水质检测装置进行改进，仅采用理论上的光谱处理算法对光谱数据进行处理，没有考虑数据采集的场合，对光谱数据处理时也没有结合基础数据，导致水质监测不准确；本发明通过模拟各种场景获取标准实验参数，通过标准实验参数对人工智能模型进行训练，获取适用于不同场景下的水质分析模型以完成水质的精确监测，同时将监测结果可视化展示。
请参阅图1，本申请提供了全光谱水质数据分析方法，包括：
通过全光谱水质监测装置获取监测区域水质的光谱数据，将光谱数据、水源标签和环境数据整合生成待测数据，将待测数据发送至数据处理中心；
数据处理中心调用水质分析模型对待测数据进行分析，获取水质参数；以及将水质参数与水质指标进行分析获取水质等级，并进行可视化展示。
本申请中的全光谱水质监测装置可参考专利号为CN111220559A和专利号为CN110530801A中的全光谱水质检测装置，本申请中的数据处理中心与若干个全光谱水质监测装置通信连接。
可以理解的是，本申请中的数据处理中心至少为一个，也可以采用边缘计算的方式设置多个数据处理中心，来满足数据的处理要求。
本申请中的水质分析模型基于人工智能模型建立，并定期更新分发；具体来说，当人工智能模型的训练数据更新时，则对人工智能模型进行及时更新，并分发到需要的数据处理中心，保证数据能够得到及时准确的处理。
在一个实施例中，基于人工智能模型获取水质分析模型，包括：
获取标准实验参数，通过全光谱水质监测装置获取标准光谱数据；
将标准光谱数据、水源标签和环境数据整合成输入数据，水质参数作为输出数据；
通过输入数据和输出数据对人工智能模型进行训练和验证，将完成训练和验证的人工智能模型标记为水质分析模型。
本实施例中的标准实验参数通过实验室模拟获取，标准实验数据包括水质参数、水源标签和环境数据；水质参数具体为总氮、总磷、高锰酸盐指数、溶解氧等；水源标签用于标记模拟的水源类型，水源类型包括地表水源、生活水源和工业水源，且水源标签包括0、1或者2，水源标签为0时，表示地表水源，水源标签为1时，表示生活水源，水源标签为2时，表示工业水源；环境数据包括温度、气压等会对监测结果产生影响的参数。
在另外一些优选的实施例中，标准实验参数还可以根据现实中的水源地直接提取，保证提取的精度高，误差在允许范围内就行。
在一个实施例中，在对人工智能模型训练和验证之前，需要通过标准实验数据整合生成N组输入数据，以及对应的输出数据；
根据数据量需求或标准范围对N组输入数据以及对应的输出数据进行扩展。
本实施例首先获取N组基础数据，也就是N组输入数据，以及对应输出数据，然后对N组基础数据进行扩展，保证人工智能模型训练是要求的数据量，提高水质分析模型的精度。
本实施例中的标准范围指输入数据中对应数据的预设范围；举例来说(以总磷和温度为例)，总磷的标准范围为[0.01,0.4]，单位mg/L，温度的标准范围为[-20,100]，单位℃。
在一个具体的实施例中，根据数据量需求对输入数据和输出数据进行扩展，包括：
获取数据需求量M；其中，数据需求量M是人工智能模型训练所需数据量的下限，且数据需求量M通过人工设定获取；
通过公式BS＝N/M计算步长上限BS，根据步长上限选定目标步长；其中，目标步长的取值范围为(0,BS]；
通过目标步长对N组输入数据以及对应的输出数据进行差值处理，完成扩展。
举例说明本实施例的技术方案：
假设人工智能模型训练所需数据量的下限为1000组，现有10组基础数据，则可以计算到步长上限为0.01，进而确定目标步长的取值范围为(0,0.01]；
在取值范围内任选一个目标步长对基础数据中的温度进行差值，完成数据的扩展。
值得注意的是，对数据进行扩展的目的是为了保证人工智能模型的训练精度，因此在保证数据量的同时，还应该保证扩展之后数据中的总磷、总氮、温度等应该覆盖较宽的范围，避免出现1000组数据中某项数据基本不变，或者范围极小。
考虑到上个实施例中的操作难度，在另外一个具体的实施例中，通过标准范围对输入数据和输出数据进行扩展，包括：
获取标准范围；其中，标准范围通过人工设定获取；
根据标准范围确定水质参数和环境数据的差值步长；
根据确定的差值步长对N组输入数据以及对应的输出数据进行差值处理，完成扩展。
针对本实施例的技术方案，具体说明(以总磷和温度为例)：
假设基础数据只有两个参数：总磷和温度；
如基础数据为[0.1,10]、[0.2,20]、[0.3,30]和[0.4,40]，即总磷的取值范围[0.1,0.4]，温度的取值范围[10,40]；
则将总磷的差值步长确定为0.05，温度的差值步长确定为1，并依此对基础数据进行差值处理，可以完成数据量的扩展。
在一个实施例中，对人工智能模型的验证通过标准实验数据实现，或者通过直接反演标准光谱数据实现。
通过标准实验数据验证人工智能模型，实际是将输入数据划分成训练集和验证集，通过训练集对人工智能模型进行训练，通过验证集对训练后的人工智能模型进行验证。
在一个具体的实施例中，通过反演标准光谱数据对人工智能模型验证，包括：
从输入数据中抽取验证数据；其中，验证数据包括标准光谱数据、水源标签和环境数据，且验证数据至少为一组；
将验证数据输入至训练后的人工智能模型，获取输出数据，并标记为目标数据；
通过光谱反演方法对验证数据中的光谱数据进行反演，获取对比数据；其中，对比数据的内容和目标数据一致；
将目标数据和对比数据进行分析比较，完成验证。
本实施例中的光谱反演方法包括比尔-朗伯理论等；将目标数据和对比数据进行分析，当两者误差小于误差阈值时，则可以判定人工智能模型的精度符合要求；否则，需要对人工智能模型进一步训练。
本申请将水质参数与水质指标进行分析获取水质等级，并进行可视化展示；水质指标是各地或者各部门指定的水质标准，将水质参数和水质指标对比分析之后可以确定水质等级。
值得注意的是，本申请还实现了可视化展示，包括：
通过GIS服务平台建立可视化模型；
将水质参数、水源标签和水质等级实时展示在可视化模型中。
可视化展示能够帮助工作人员或者监管人员及时发现水质问题，并进行针对性处理。
本申请的核心要点之一：本发明通过模拟各种场景获取标准实验参数，通过标准实验参数对人工智能模型进行训练，并结合光谱反演方法对人工智能模型进行验证，再通过待测数据对应场景下的水质分析模型以完成水质的精确监测；本发明既考虑了基础数据，又考虑到了水源类型，从整个流程提高了水质监测结果的准确性。
本申请的核心要点之二：本发明考虑到标准实验数据的获取难度，根据数据量需求或标准范围对数据进行了合理扩展，保证了水质分析模型对数据量的要求，提高了水质分析模型的精度。
上述公式中的部分数据均是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理：
通过全光谱水质监测装置获取监测区域水质的光谱数据，将光谱数据、水源标签和环境数据整合生成待测数据，将待测数据发送至数据处理中心。
数据处理中心对标准实验数据进行整合，并对输入数据和输出数据进行合理扩展，基于扩展后的数据训练人工智能模型，获取水质分析模型。
数据处理中心调用水质分析模型对待测数据进行分析，获取水质参数；将水质参数与水质指标进行分析获取水质等级，并进行可视化展示。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (8)
1.全光谱水质数据分析方法，其特征在于，包括：
通过全光谱水质监测装置获取监测区域水质的光谱数据，将光谱数据、水源标签和环境数据整合生成待测数据，将待测数据发送至数据处理中心；其中，数据处理中心与若干个全光谱水质监测装置通信连接；
数据处理中心调用水质分析模型对待测数据进行分析，获取水质参数；其中，水质分析模型基于人工智能模型建立，并定期更新分发；以及
将水质参数与水质指标进行分析获取水质等级，并进行可视化展示。
2.根据权利要求1所述的全光谱水质数据分析方法，其特征在于，基于人工智能模型获取水质分析模型，包括：
获取标准实验参数，通过全光谱水质监测装置获取标准光谱数据；其中，标准实验数据包括水质参数、水源标签和环境数据；
将标准光谱数据、水源标签和环境数据整合成输入数据，水质参数作为输出数据；
通过输入数据和输出数据对人工智能模型进行训练和验证，将完成训练和验证的人工智能模型标记为水质分析模型。
3.根据权利要求2所述的全光谱水质数据分析方法，其特征在于，在所述人工智能模型训练和验证之前，通过标准实验数据整合生成N组输入数据，以及对应的输出数据；其中，N≥10，且N为整数；
根据数据量需求或标准范围对N组输入数据以及对应的输出数据进行扩展；其中，标准范围指输入数据中对应数据的预设范围。
4.根据权利要求3所述的全光谱水质数据分析方法，其特征在于，根据数据量需求对输入数据和输出数据进行扩展，包括：
获取数据需求量M；
通过公式BS＝N/M计算步长上限BS，根据步长上限选定目标步长；其中，目标步长的取值范围为(0,BS]；
通过目标步长对N组输入数据以及对应的输出数据进行差值处理，完成扩展。
5.根据权利要求3所述的全光谱水质数据分析方法，其特征在于，通过标准范围对输入数据和输出数据进行扩展，包括：
获取标准范围；其中，标准范围通过人工设定获取；
根据标准范围确定水质参数和环境数据的差值步长；
根据确定的差值步长对N组输入数据以及对应的输出数据进行差值处理，完成扩展。
6.根据权利要求2所述的全光谱水质数据分析方法，其特征在于，对所述人工智能模型的验证通过标准实验数据实现，或者通过直接反演标准光谱数据实现。
7.根据权利要求6所述的全光谱水质数据分析方法，其特征在于，通过反演所述标准光谱数据对人工智能模型验证，包括：
从输入数据中抽取验证数据；其中，验证数据包括标准光谱数据、水源标签和环境数据，且验证数据至少为一组；
将验证数据输入至训练后的人工智能模型，获取输出数据，并标记为目标数据；
通过光谱反演方法对验证数据中的光谱数据进行反演，获取对比数据；其中，对比数据的内容和目标数据一致；
将目标数据和对比数据进行分析比较，完成验证。
8.根据权利要求1或2所述的全光谱水质数据分析方法，其特征在于，所述水源标签根据监测区域对应的水源类型确定；其中，水源类型包括地表水源、生活水源和工业水源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210087339.4A CN114441463B (zh) | 2022-01-25 | 2022-01-25 | 全光谱水质数据分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210087339.4A CN114441463B (zh) | 2022-01-25 | 2022-01-25 | 全光谱水质数据分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114441463A true CN114441463A (zh) | 2022-05-06 |
| CN114441463B CN114441463B (zh) | 2023-07-07 |
Family
ID=81370477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210087339.4A Active CN114441463B (zh) | 2022-01-25 | 2022-01-25 | 全光谱水质数据分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114441463B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103575683A (zh) * | 2012-08-07 | 2014-02-12 | 陕西福天宝环保科技有限公司 | 一种可提供环境位置变化的水质检测机构 |
| CN103810537A (zh) * | 2014-02-12 | 2014-05-21 | 南京大学 | 一种基于水质模型的区域环境风险评估方法 |
| CN104034684A (zh) * | 2014-06-05 | 2014-09-10 | 北京金达清创环境科技有限公司 | 一种基于紫外-可见吸收光谱的水质多指标检测方法 |
| CN105300909A (zh) * | 2015-12-02 | 2016-02-03 | 重庆大学 | 基于直接光谱法的全天候长流域水质监测与预警系统 |
| CN109001135A (zh) * | 2018-09-17 | 2018-12-14 | 安徽水韵环境检测有限公司 | 一种多温度对比式水质检测方法 |
| US20190041377A1 (en) * | 2017-02-22 | 2019-02-07 | Hohai University | Method for measuring a mudflat elevation by remotely sensed water content |
| CN109580509A (zh) * | 2018-12-03 | 2019-04-05 | 北京英视睿达科技有限公司 | 全光谱水质监测方法和系统 |
| CN109596545A (zh) * | 2018-12-03 | 2019-04-09 | 北京英视睿达科技有限公司 | 全光谱水质监测设备质控方法 |
| US20190303755A1 (en) * | 2018-04-02 | 2019-10-03 | International Business Machines Corporation | Water quality prediction |
| CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
| CN111080002A (zh) * | 2019-12-10 | 2020-04-28 | 华南理工大学 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
| CN111597749A (zh) * | 2020-05-28 | 2020-08-28 | 南通大学 | 一种高频变压器空心绕组交流电阻系数的计算方法 |
| CN212180619U (zh) * | 2020-03-23 | 2020-12-18 | 杭州罗盘星科技有限公司 | 一种管道式全光谱水质检测装置 |
| CN112182866A (zh) * | 2020-09-21 | 2021-01-05 | 武汉大学 | 一种基于水环境耦合模型的水质快速模拟方法和系统 |
| CN112378866A (zh) * | 2021-01-18 | 2021-02-19 | 航天宏图信息技术股份有限公司 | 水质参数反演模型的训练方法、水质监测方法及装置 |
| CN212568454U (zh) * | 2020-05-06 | 2021-02-19 | 杭州电子科技大学 | 一种水质检测装置 |
| CN113487574A (zh) * | 2021-07-12 | 2021-10-08 | 南京中科智慧应急研究院有限公司 | 多源遥感大数据协同的资源管理与环境监测方法及应用 |
| CN113487470A (zh) * | 2021-07-26 | 2021-10-08 | 广德绿巨人环境管理咨询有限公司 | 一种基于大数据的环保隐患精准监测定位方法 |
| CN113762774A (zh) * | 2021-07-07 | 2021-12-07 | 中国水利水电科学研究院 | 一种矿区所在地矿井水配置方法 |
-
2022
- 2022-01-25 CN CN202210087339.4A patent/CN114441463B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103575683A (zh) * | 2012-08-07 | 2014-02-12 | 陕西福天宝环保科技有限公司 | 一种可提供环境位置变化的水质检测机构 |
| CN103810537A (zh) * | 2014-02-12 | 2014-05-21 | 南京大学 | 一种基于水质模型的区域环境风险评估方法 |
| CN104034684A (zh) * | 2014-06-05 | 2014-09-10 | 北京金达清创环境科技有限公司 | 一种基于紫外-可见吸收光谱的水质多指标检测方法 |
| CN105300909A (zh) * | 2015-12-02 | 2016-02-03 | 重庆大学 | 基于直接光谱法的全天候长流域水质监测与预警系统 |
| US20190041377A1 (en) * | 2017-02-22 | 2019-02-07 | Hohai University | Method for measuring a mudflat elevation by remotely sensed water content |
| US20190303755A1 (en) * | 2018-04-02 | 2019-10-03 | International Business Machines Corporation | Water quality prediction |
| CN109001135A (zh) * | 2018-09-17 | 2018-12-14 | 安徽水韵环境检测有限公司 | 一种多温度对比式水质检测方法 |
| CN109596545A (zh) * | 2018-12-03 | 2019-04-09 | 北京英视睿达科技有限公司 | 全光谱水质监测设备质控方法 |
| CN109580509A (zh) * | 2018-12-03 | 2019-04-05 | 北京英视睿达科技有限公司 | 全光谱水质监测方法和系统 |
| CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
| CN111080002A (zh) * | 2019-12-10 | 2020-04-28 | 华南理工大学 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
| CN212180619U (zh) * | 2020-03-23 | 2020-12-18 | 杭州罗盘星科技有限公司 | 一种管道式全光谱水质检测装置 |
| CN212568454U (zh) * | 2020-05-06 | 2021-02-19 | 杭州电子科技大学 | 一种水质检测装置 |
| CN111597749A (zh) * | 2020-05-28 | 2020-08-28 | 南通大学 | 一种高频变压器空心绕组交流电阻系数的计算方法 |
| CN112182866A (zh) * | 2020-09-21 | 2021-01-05 | 武汉大学 | 一种基于水环境耦合模型的水质快速模拟方法和系统 |
| CN112378866A (zh) * | 2021-01-18 | 2021-02-19 | 航天宏图信息技术股份有限公司 | 水质参数反演模型的训练方法、水质监测方法及装置 |
| CN113762774A (zh) * | 2021-07-07 | 2021-12-07 | 中国水利水电科学研究院 | 一种矿区所在地矿井水配置方法 |
| CN113487574A (zh) * | 2021-07-12 | 2021-10-08 | 南京中科智慧应急研究院有限公司 | 多源遥感大数据协同的资源管理与环境监测方法及应用 |
| CN113487470A (zh) * | 2021-07-26 | 2021-10-08 | 广德绿巨人环境管理咨询有限公司 | 一种基于大数据的环保隐患精准监测定位方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIAN’QIANG HE ET AL.: "Research on Danjiang Water Quality Prediction Based on Improved Artificial Bee Colony Algorithm and Optimized BP Neural Network", SCIENTIFIC PROGRAMMING, pages 1 - 11 * |
| 唐言明 等: "多水源供水原水水质综合评价的熵权集对分析模型", 给水排水, pages 342 * |
| 方运海 等: "基于模糊综合优化模型的地下水质量评价", 地学前缘, vol. 26, no. 4, pages 301 - 306 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114441463B (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108597053A (zh) | 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 | |
| CN107862331A (zh) | 一种基于时间序列及cnn的不安全行为识别方法及系统 | |
| CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
| CN114049565B (zh) | 基于遥感影像和dem数据的地质灾害判识方法和装置 | |
| CN112183643B (zh) | 基于声发射的硬岩拉剪破裂识别方法及装置 | |
| CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
| CN112039073B (zh) | 一种适用于配电房设备故障判断的协同优化方法及系统 | |
| CN115858940B (zh) | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 | |
| CN111080491A (zh) | 一种基于视频识别的施工现场检查系统及方法 | |
| CN110716998A (zh) | 一种精细尺度人口数据空间化方法 | |
| CN111523798B (zh) | 一种自动建模的方法、装置、系统、及其电子设备 | |
| CN114441463B (zh) | 全光谱水质数据分析方法 | |
| CN115987692A (zh) | 一种基于流量回溯分析的安全防护系统及方法 | |
| CN116933626A (zh) | 一种基于数字孪生的数据监测方法及装置 | |
| CN115184563B (zh) | 一种基于数字孪生的化工车间现场数据采集方法 | |
| CN115481941B (zh) | 一种多功能区联合的智能化安防管理方法及系统 | |
| CN108021774B (zh) | 数据处理方法以及装置 | |
| CN116596395A (zh) | 用于工程项目测评单位指导及检测的运行质控平台 | |
| CN113889274B (zh) | 一种孤独症谱系障碍的风险预测模型构建方法及装置 | |
| CN115713720A (zh) | 一种基于视频图像的智能分析方法 | |
| CN115242684A (zh) | 全链路压测方法、装置、计算机设备及存储介质 | |
| CN111474293B (zh) | 一种青枯病菌溶液测定方法及测定系统 | |
| CN111797522A (zh) | 一种建筑工程用自动化测量系统 | |
| CN113449966A (zh) | 一种石膏板设备巡检方法及系统 | |
| CN113033845A (zh) | 一种电力传输资源共建共享的建设方法及装置 |
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 |