CN114595631B - 一种基于efdc模型和机器学习算法的水质预测方法 - Google Patents
一种基于efdc模型和机器学习算法的水质预测方法 Download PDFInfo
- Publication number
- CN114595631B CN114595631B CN202210213196.7A CN202210213196A CN114595631B CN 114595631 B CN114595631 B CN 114595631B CN 202210213196 A CN202210213196 A CN 202210213196A CN 114595631 B CN114595631 B CN 114595631B
- Authority
- CN
- China
- Prior art keywords
- water quality
- data
- prediction
- boundary
- forecast
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 130
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 22
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 3
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000002203 pretreatment Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000012876 topography Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明涉及数据检测技术领域，主要涉及一种基于EFDC模型和机器学习算法的水质预测方法，适用于针对不同区域的水质预测方法。水质预报形成空间角度，采用EFDC模型开展面状水质集合预报，同时采用LSTM机器学习算法开展水质预报。在重点河段水动力水质预报前处理阶段，模拟未来3‑7天水文、水质变化趋势，包括站点流量、水位、水温、水质等。综合LSTM水质时间序列预测结果和EFDC机理模型模拟结果，从整体上提高预测精度。
Description
技术领域
本发明涉及数据检测技术领域，主要涉及基于EFDC模型和机器学习算法的水质预测方法,适用于一种针对不同区域的水质预测方法。
背景技术
现有的水质预测方法主要是基方面，它们往往只考虑单个水质指标数据，将水质相关的数据割裂开来，另一方面，它们对于水质数据在于传统的机器学习理论，例如灰色预测方法，回归分析方法等。这类方法的问题在于，一时间序列上的依赖性和关联性处理还不够完善，因此预测精度普遍不高。实际上，水质情况的关联因子很多，不仅受到自身历史值的影响，甚至不同的水质指标数值之间也会互相影响，为了达到较为准确的预测效果，为了保证预测准确上述因素都需要综合考虑进去。
发明内容
本发明是一种采用水质预报EFDC模型和机器学习算法的实时水质预测方法，实现水体水质的预报情况。建立包含面源污染的陆域水循环和水体水质模拟相耦合的流域水环境数值预报系统，对流域的水循环过程以及水体水质开展数值预报，为本区域内重点河段的水质提前预警、水质达标和应急管理提供决策支持，主要是预测流域范围内不同汇水单元的面源污染负荷，预报水量和面源污染排放量。目的是为了降低不同模型预报的不确定性。
一种基于EFDC模型和机器学习算法的水质预测方法，包括如下步骤：
S1、EFDC模型水质预测
将监测站收集水质数据选用Arcgis 或Mapgis 软件进行格式转化进行EFDC模型水质预测，水质数据包括时间、断面位置以及溶解氧、pH、浊度、水温、电导率、COD、氨氮、总磷、总氮等水质参数；
S2、场景建模
选用Delft3D工具对监测场景网格剖分建模；
S3、初始条件设置
水质预报设定模型的边界条件和初始条件，边界条件分为开边界条件和壁边界条件，开边界条件是有水流入和流出的边界条件，上游边界、下游边界、污染排口作为开边界条件，壁边界条件是没有水流入流出的边界，岸边界就是壁边界，河岸的法向流速为零，进行水质预报；
S4、机器学习算法水质预测
收集数据从监测站收集近 3-5 年的水质数据，原始水质数据形成一个长时间序列，将作为 LSTM 算法的训练集和验证集；清洗数据中非数字值和空值，将水质监测数据进行归一化处理,将数据按比例缩放至限定区间； 将水质数据分为训练集合和测试集合，将断面历年监测数据选取连续时间的清洗后数据作为训练集合和测试集合，测试集合用于修正的水质预测精度。
还包括如下步骤：
S5、预测修正
近3-5年任意时间点的水质数据作为历史数据对未来时期的预报进行修正；
计算公式如下:
其中 WQ(t+1)为t+1时刻水质集合预报值，表示利用t时刻的 n个模式预报和观测的样本进行多元线性回归中i模式对应的回归系数， />表示t+1时刻i模式的原始预报值，C(t)为回归常数项。
水质预报形成空间角度，采用EFDC模型开展面状水质集合预报，同时采用LSTM机器学习算法开展水质预报。整体的预测应用包括：
（1）在重点河段水动力水质预报前处理阶段，模拟未来3-7天水文、水质变化趋势，包括站点流量、水位、水温、水质（污染物浓度）等。
（2）综合LSTM水质时间序列预测结果和EFDC机理模型模拟结果，从整体上提高预测精度。
附图说明
图1本发明的流程示意图；
图2本发明实施例黄河流域兰州部分水文图；
图3本发明实施例水下地形示例图；
图4本发明实施例黄河流域水文数据示例图；
图5本发明实施例兰州市水质数据示例图；
图6本发明实施例兰州市水质网格图；
图7本发明实施例边界条件设置示例图；
图8 本发明实施例预测数据样本图。
具体实施方式
一种基于EFDC模型和机器学习算法的水质预测方法，包括如下步骤：
S1、EFDC模型水质预测
将监测站收集水质数据选用Arcgis 或Mapgis 软件进行格式转化进行EFDC模型水质预测，水质数据包括时间、断面位置以及溶解氧、pH、浊度、水温、电导率、COD、氨氮、总磷、总氮等水质参数；
S2、场景建模
选用Delft3D工具对监测场景网格剖分建模；
S3、初始条件设置
水质预报设定模型的边界条件和初始条件，边界条件分为开边界条件和壁边界条件，开边界条件是有水流入和流出的边界条件，上游边界、下游边界、污染排口作为开边界条件，壁边界条件是没有水流入流出的边界，岸边界就是壁边界，河岸的法向流速为零，进行水质预报；
S4、机器学习算法水质预测
收集数据从监测站收集近 3-5 年的水质数据，原始水质数据形成一个长时间序列，将作为 LSTM 算法的训练集和验证集；清洗数据中非数字值和空值，将水质监测数据进行归一化处理,将数据按比例缩放至限定区间； 将水质数据分为训练集合和测试集合，将断面历年监测数据选取连续时间的清洗后数据作为训练集合和测试集合，测试集合用于修正的水质预测精度。
还包括如下步骤：
S5、预测修正
近3-5年任意时间点的水质数据作为历史数据对未来时期的预报进行修正；
计算公式如下:
其中 WQ(t+1)为t+1时刻水质集合预报值，表示利用t时刻的 n个模式预报和观测的样本进行多元线性回归中i模式对应的回归系数， />表示t+1时刻i模式的原始预报值，C(t)为回归常数项。
上述EFDC模型我单位已进行模拟实验。机器学习是一类算法的总称，算法试图从大量历史数据中挖掘出隐含规律，并用于预测或者分类。机器学习可以看作是寻找一个函数，输入是样本数据，输出是期望的结果，由于函数过于复杂，所以难于用明确的表达式表达。机器学习的目标是使学到的函数能够适应训练样本，并能够通过测试数据集的验证。
通过机器学习算法预报3-7 天的水文、气象和水质数据。在本项目中，我们着重采用LSTM算法。算法的核心原理不同，预测得结果也会有差别。本项目将几种机器学习算法结合起来，实现集合预报。以水质LSTM预报为例，说明机器学习算法的预报，具体案例如下：
EFDC模型确定项目范围——开展水文和水质预报的第一步工作就是要确定项目范围。本案对黄河流域端的排污口进行了地理信息标注，下面是本案预测范围准备的黄河兰州流域部分水文地图数据图2。
数据准备及预处理——水下地形是开展水动力水质预报的重要基础数据，决定了模型水动力条件，对预报的准确性有很大的影响，是开展水质预报的重要基础数据本案使用的是主流的河底构筑方式，即通过采点测试水深、进行底床概化的方式实现的。该方法可以反映出底床的起伏趋势。图3为部分水下地形图效果图。水文数据是水质预报的基础数据之一，是驱动水质预报模型的重要驱动数据，包括日径流量、月基径流量数据，水位等数据。该类数据是由水利部门的水文站长期监测取得的，水文站监测数据在积累一年后会进行汇总形成水文年鉴。图4为气象网站获取的黄河流域分区2020年水文数据；水质数据在水质预报系统中有两个作用，首先在建模期间，根据历史监测的数据，对模型中的敏感性参数进行参数率定，使模型能够达到最好的预报精度；在建模完成后，开边界处的水质监测数据将做模型的驱动力，上游处断面水质数据将作为入流水质开边界条件。水质数据可从当地生态环境。
场景建模——Delft3D网格剖分工具生成网格绘制地形图，图6为根据兰州市地形图与河流缓冲区交叉，绘制成的兰州市地区网格图。
模型边界和初始条件设置——河流/湖库的水质预报需要设定模型的边界条件和初始条件。边界条件分为开边界条件和壁边界条件，开边界条件是有水流入和流出的边界条件（包含水量、水质和污染负荷数据），上游和下游边界是典型的开边界条件，污染排口也是属于开边界条件。在水动力水质模型中，计算时上游一般设置流量，下游设置为水位/潮位站数据。壁边界条件是没有水流入流出的边界，岸边界就是壁边界，河岸的法向流速为零，切向流速满足其法向导数为零的条件。初始条件是水质预报模型起始时刻河流/湖库的水文、水质状态，初始条件的获取方式分为两种，一种是根据实测数据得到，另外一种采用模型冷启动的方式。一般在预报模型搭建期间，会根据水文站和水质监测站的数据进行设置，而在预报的开始时刻，则可以将由断面监测的数据经过插值的方式给剖分的网格赋予相应的值，作为模型的初始条件。
水质预报——在预报过程中，驱动模型的气象数据、开边界条件水文、水质数据由机器学习方式预测。在模型完成预报后，预报结果数据分时段存储，随着预报时间的推进，不断舍弃旧的预报结果。图8为预测系统预测数据。
Claims (1)
1.一种基于机器学习和EFDC模型算法的水质预测方法，其特征在于包括如下步骤：
S1、EFDC模型水质预测
将监测站收集水质数据选用Arcgis 或Mapgis 软件进行格式转化进行EFDC模型水质预测，水质数据包括时间、断面位置以及溶解氧、pH、浊度、水温、电导率、COD、氨氮、总磷、总氮等水质参数；
S2、场景建模
选用Delft3D工具对监测场景网格剖分建模；
S3、初始条件设置
水质预报设定模型的边界条件和初始条件，边界条件分为开边界条件和壁边界条件，开边界条件是有水流入和流出的边界条件，上游边界、下游边界、污染排口作为开边界条件，壁边界条件是没有水流入流出的边界，岸边界就是壁边界，河岸的法向流速为零，进行水质预报；
S4、机器学习算法水质预测
收集数据从监测站收集近 3-5 年的水质数据，原始水质数据形成一个长时间序列，将作为 LSTM 算法的训练集和验证集；清洗数据中非数字值和空值，将水质监测数据进行归一化处理,将数据按比例缩放至限定区间； 将水质数据分为训练集合和测试集合，将断面历年监测数据选取连续时间的清洗后数据作为训练集合和测试集合，测试集合用于修正的水质预测精度；
S5、预测修正
近3-5年任意时间点的水质数据作为历史数据对未来时期的预报进行修正；
计算公式如下:
其中 WQ(t+1)为t+1时刻水质集合预报值，表示利用t时刻的 n个模式预报和观测的样本进行多元线性回归中i模式对应的回归系数，/>表示t+1时刻i模式的原始预报值，C(t)为回归常数项；综合LSTM水质时间序列预测结果和EFDC机理模型模拟结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210213196.7A CN114595631B (zh) | 2022-03-07 | 2022-03-07 | 一种基于efdc模型和机器学习算法的水质预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210213196.7A CN114595631B (zh) | 2022-03-07 | 2022-03-07 | 一种基于efdc模型和机器学习算法的水质预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114595631A CN114595631A (zh) | 2022-06-07 |
| CN114595631B true CN114595631B (zh) | 2024-04-19 |
Family
ID=81807765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210213196.7A Active CN114595631B (zh) | 2022-03-07 | 2022-03-07 | 一种基于efdc模型和机器学习算法的水质预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114595631B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116933949B (zh) * | 2023-09-18 | 2023-12-19 | 北京金水永利科技有限公司 | 一种融合水动力模型和数理模型的水质预测方法及系统 |
| CN117829417A (zh) * | 2023-12-22 | 2024-04-05 | 清华大学 | 一种面向河湖长制的智慧河长系统及其管理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107091911A (zh) * | 2017-04-17 | 2017-08-25 | 郑州大学环境技术咨询工程有限公司 | 一种河流水质预测方法 |
| CN112132333A (zh) * | 2020-09-16 | 2020-12-25 | 安徽泽众安全科技有限公司 | 一种基于深度学习的短期水质水量预测方法及系统 |
| CN112884056A (zh) * | 2021-03-04 | 2021-06-01 | 河北工程大学 | 基于优化的lstm神经网络的污水水质预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11681839B2 (en) * | 2019-09-30 | 2023-06-20 | The Board Of Trustees Of The University Of Alabama | Systems and methods for modeling water quality |
-
2022
- 2022-03-07 CN CN202210213196.7A patent/CN114595631B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107091911A (zh) * | 2017-04-17 | 2017-08-25 | 郑州大学环境技术咨询工程有限公司 | 一种河流水质预测方法 |
| CN112132333A (zh) * | 2020-09-16 | 2020-12-25 | 安徽泽众安全科技有限公司 | 一种基于深度学习的短期水质水量预测方法及系统 |
| CN112884056A (zh) * | 2021-03-04 | 2021-06-01 | 河北工程大学 | 基于优化的lstm神经网络的污水水质预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于EFDC模型的明湖水库水质数值模拟及预测;陈法兴;;人民黄河;20160131(01);全文 * |
| 基于EFDC水动力-水质模型的建立――以慈湖河为例;邵世保;吴雁;张德辉;耿永辉;周鹏;郝红珊;;环境与发展;20200228(02);全文 * |
| 基于MIKE11与EFDC模型的突发性水污染事故预测模拟研究;康利荥;纪文娟;徐景阳;;环境保护科学;20130420(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114595631A (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114595631B (zh) | 一种基于efdc模型和机器学习算法的水质预测方法 | |
| Benedetti et al. | Modelling and monitoring of integrated urban wastewater systems: review on status and perspectives | |
| Wagener et al. | Dynamic identifiability analysis of the transient storage model for solute transport in rivers | |
| Mannina et al. | Receiving water quality assessment: comparison between simplified and detailed integrated urban modelling approaches | |
| Firoozi et al. | Developing a framework for assessment of climate change impact on thermal stratification of dam reservoirs | |
| CN113807545A (zh) | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 | |
| CN115713448A (zh) | 基于汇水单元的流域水污染常规因子快速溯源方法 | |
| Cucina et al. | Multiple changepoint detection for periodic autoregressive models with an application to river flow analysis | |
| CN113672872A (zh) | 一种基于遥感影像的平原河网水量置换率计算方法及终端 | |
| Yang | Predicting water quality through daily concentration of dissolved oxygen using improved artificial intelligence | |
| CN109326332B (zh) | 潮汐水网区水环境容量计算方法 | |
| David et al. | Development of an integrated system for early warning of recreational waters contamination | |
| JP4486004B2 (ja) | 河川汚濁負荷推定システム、方法、およびプログラム | |
| CN116090611A (zh) | 一种初雨截流设施的远程智能优化控制方法 | |
| McCuen | Generalized flood skew: Map versus watershed skew | |
| Westphal et al. | MODELING TOC AND UV‐254 ABSORBANCE FOR RESERVOIR PLANNING AND OPERATION 1 | |
| Hore et al. | Application of an artificial neural network in wastewater quality monitoring: prediction of water quality index | |
| Kim | Assesment of Riverbed Change Due to the Operation of a Series of Gates in a Natural River | |
| Al-Rubaie et al. | Application of artificial neural network and geographical information system models to predict and evaluate the quality of Diyala River water, Iraq | |
| Lantrip et al. | Results of near-term forecasting of surface water supplies | |
| Soudi et al. | Water Balance of Urmia Lake and Estimation of the Volume of the Losses and Yields in Buffer Zone | |
| Wan et al. | Water environment mathematical model mathematical algorithm | |
| Patil et al. | Characterization of a Wastewater Stream (Bellary Nala, Belagavi, Karnataka) Using Conventional and Modeling Approach | |
| Meselhe et al. | Hydrodynamic and salinity modeling of the Calcasieu-Sabine basin | |
| He | Analysis on the impact of river safety regulation projects on the surrounding ecological environment |
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 |