CN115688487B - 水质监测节点布设数量确定方法、装置、设备及存储介质 - Google Patents
水质监测节点布设数量确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115688487B CN115688487B CN202211713290.5A CN202211713290A CN115688487B CN 115688487 B CN115688487 B CN 115688487B CN 202211713290 A CN202211713290 A CN 202211713290A CN 115688487 B CN115688487 B CN 115688487B
- Authority
- CN
- China
- Prior art keywords
- area
- water
- quality monitoring
- water quality
- determined
- 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
Images
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种水质监测节点布设数量确定方法、装置、设备及存储介质,该水质监测节点布设数量确定方法通过基于水质监测影响因素变量建立多目标优化模型;获取待确定区域内的水质监测影响因素变量及模型求解约束条件;将待确定区域内的水质监测影响因素变量输入多目标优化模型,基于模型求解约束条件确定所述多目标优化模型中的变量系数;将待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到待确定区域内水质监测节点布设数量,客观地给出了一个固定水域的最优布设台数具体计算方法,在符合约束条件下,给出最优的布设台数,解决了节点设备部署数量确定问题。
Description
技术领域
本发明涉及水质监测技术领域,尤其涉及一种水质监测节点布设数量确定方法、装置、设备及存储介质。
背景技术
随着互联网、物联网和人工智能技术的成熟,一种新型的在线式光谱水质监测仪成为辅助环保部门日常工作的重要设备。在线式光谱水质监测仪的原理是,搭载在一个浮标上,漂浮在水域上面,设备内置的光源定时照射水面,高光谱传感器接收水面反射回来的水体辐照度信息,解算出水体的水质情况数据,并将这组数据通过网络模块发送到云端,供相关人员使用。这种新型设备应用场景广泛,可以漂浮在河道、水库、湖泊和自来水厂等水域上,但在一个行政区域的水系内,应该布设多少台设备才能满足水质的监测要求,成为一个迫切需要解决的问题。
相关技术中,通过等距离方式,在水系上均匀布设设备,形成距离或长度相等的插值点,根据插值点的数量,确定布设的台数,但设备台数也不是越多越好,超过实际需求的增加布点密度,会造成后期运维和数据处理的巨大浪费,并且由于每个水域的经费预算、监测频率、精度要求都不一样,采用半定量估算的方式确定布设台数,具有很大的主观性。
发明内容
本发明提供一种水质监测节点布设数量确定方法、装置、设备及存储介质,用以解决现有水质监测节点布设数量确定方法主观性强、不准确,不能满足用户需求的缺陷。
本发明提供一种水质监测节点布设数量确定方法,包括:
基于水质监测影响因素变量建立多目标优化模型;
获取待确定区域内的水质监测影响因素变量及模型求解约束条件;
基于所述模型求解约束条件确定所述多目标优化模型中的变量系数;
将所述待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到所述待确定区域内水质监测节点布设数量。
根据本发明提供的一种水质监测节点布设数量确定方法,所述水质监测影响因素变量包括:
光照面积、被遮挡面积、有通讯信号面积、人员活动面积、水域流速适宜面积、水深适宜面积、水面漂浮物面积、水域代表性面积和水域适宜布设面积中的至少一种。
根据本发明提供的一种水质监测节点布设数量确定方法,所述光照面积为全年平均日照时长超过预设第一小时数阈值的水域面积,所述被遮挡面积为遮挡小时数低于预设第二小时数阈值的水域面积,所述有通讯信号面积为有网络信号覆盖的水域面积,所述模型求解约束条件,包括:
光照面积+有通讯信号面积>水域总面积的一半;
水域总面积-被遮挡面积-有通讯信号面积>0;
有通讯信号面积>被遮挡面积。
根据本发明提供的一种水质监测节点布设数量确定方法,所述人员活动面积为每小时通过人数小于预设人数阈值的水域面积,所述模型求解约束条件,还包括:
人员活动面积小于水域总面积的三分之一。
根据本发明提供的一种水质监测节点布设数量确定方法,所述水域流速适宜面积为流速小于预设流速阈值的水域面积,所述水深适宜面积为水深超过预设深度阈值的水域面积,所述模型求解约束条件,还包括:
水域流速适宜面积+水深适宜面积>水域总面积的二分之一。
根据本发明提供的一种水质监测节点布设数量确定方法,所述水面漂浮物面积为漂浮物、水草、油膜密度低于预设面积阈值的水域面积,所述水域代表性面积为与当地其它河流水质等级相同的水域面积为有效面积,所述水域适宜布设面积为能够下水、抛锚、道路通达的水域面积为有效面积,所述模型求解约束条件,还包括:
水面漂浮物面积小于水域总面积的五分之一;
水域代表性面积大于水域总面积的五分之二;
水域适宜布设面积大于水域总面积的十分之一。
根据本发明提供的一种水质监测节点布设数量确定方法,所述模型求解约束条件,还包括:
单台节点设备费用×台数≤总经费。
本发明还提供一种水质监测节点布设数量确定装置,包括:
建立模块,用于基于水质监测影响因素变量建立多目标优化模型;
获取模块,用于获取待确定区域内的水质监测影响因素变量及模型求解约束条件;
确定模块,用于基于所述模型求解约束条件确定所述多目标优化模型中的变量系数;
求解模块,用于将所述待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到所述待确定区域内水质监测节点布设数量。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述的水质监测节点布设数量确定方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的水质监测节点布设数量确定方法。
本发明提供的一种水质监测节点布设数量确定方法、装置、设备及存储介质,通过基于水质监测影响因素变量建立多目标优化模型;获取待确定区域内的水质监测影响因素变量及模型求解约束条件;基于模型求解约束条件确定多目标优化模型中的变量系数;将待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到待确定区域内水质监测节点布设数量,客观地给出了一个固定水域的最优布设台数具体计算方法,在符合约束条件下,给出最优的布设台数,解决了节点设备部署数量确定问题。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的水质监测节点布设数量确定方法的流程示意图;
图2是本发明提供的水质监测节点布设原则示意图;
图3是本发明提供的水质监测节点布设数量确定装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的水质监测节点布设数量确定方法的流程图,如图1所示,本发明实施例提供的水质监测节点布设数量确定方法包括:
步骤101、基于水质监测影响因素变量建立多目标优化模型;
步骤102、获取待确定区域内的水质监测影响因素变量及模型求解约束条件;
步骤103、基于模型求解约束条件确定所述多目标优化模型中的变量系数;
步骤104、将待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到所述待确定区域内水质监测节点布设数量。
在本发明实施例中,水质监测节点例如为在线式光谱水质监测仪。在线式光谱水质监测仪适用于河流、湖泊等地表水监测及污水处理厂等生活废水及工业废水监测。
传统的水质监测节点布设数量确定方法是通过等距离方式,在水系上均匀布设设备,形成距离或长度相等的插值点,根据插值点的数量,确定布设的台数,但设备台数也不是越多越好,超过实际需求的增加布点密度,会造成后期运维和数据处理的巨大浪费,并且由于每个水域的经费预算、监测频率、精度要求都不一样,采用半定量估算的方式确定布设台数,具有很大的主观性。
本发明提供的一种水质监测节点布设数量确定方法,通过基于水质监测影响因素变量建立多目标优化模型;获取待确定区域内的水质监测影响因素变量及模型求解约束条件;基于模型求解约束条件确定多目标优化模型中的变量系数;将待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到待确定区域内水质监测节点布设数量,客观地给出了一个固定水域的最优布设台数具体计算方法,在符合约束条件下,给出最优的布设台数,解决了节点设备部署数量确定问题。
基于上述任一实施例,水质监测影响因素变量包括但不限于:光照面积、被遮挡面积、有通讯信号面积、人员活动面积、水域流速适宜面积、水深适宜面积、水面漂浮物面积、水域代表性面积和水域适宜布设面积等。
在本发明实施例中,光照面积为全年平均日照时长超过预设第一小时数阈值的水域面积,例如,全年平均日照时长超过1900小时的水域面积;
被遮挡面积为遮挡小时数低于预设第二小时数阈值的水域面积,例如,全体遮挡小时数低于4小时的水域面积;
有通讯信号面积为有网络信号覆盖的水域面积,例如有4G/5G网络信号的水域面积;
人员活动面积为每小时通过人数小于预设人数阈值的水域面积,每小时通过人数小于2人的水域面积;
水域流速适宜面积为流速小于预设流速阈值的水域面积,例如流速小于1m/s的水域面积;
水深适宜面积为水深超过预设深度阈值的水域面积,例如水深超过0.5m的水域面积为有效面积;
水面漂浮物面积为漂浮物、水草、油膜密度低于预设面积阈值的水域面积,例如,漂浮物、水草、油膜密度低于0.5的水域面积;
水域代表性面积为与当地其它河流水质等级相同的水域面积为有效面积;
水域适宜布设面积为能够下水、抛锚、道路通达的水域面积为有效面积。
在本发明实施例中,模型求解约束条件,包括:
光照面积+有通讯信号面积>水域总面积的一半;
水域总面积-被遮挡面积-有通讯信号面积>0;
有通讯信号面积>被遮挡面积;
人员活动面积小于水域总面积的三分之一;
水域流速适宜面积+水深适宜面积>水域总面积的二分之一;
水面漂浮物面积小于水域总面积的五分之一;
水域代表性面积大于水域总面积的五分之二;
水域适宜布设面积大于水域总面积的十分之一。
在本发明实施例中,模型求解约束条件,还包括:
单台节点设备费用×台数≤总经费。
在本发明实施例中,水域选择的原则包括:
光照条件:全天光照时长,越长越好;
遮挡条件:树木,桥梁、建筑遮挡条件,越低越好;
通讯保障条件:网络信号条件,信号越强越好;
人员活动复杂程度:人员活动程度高低,程度越低越好;
流速条件:流速大小,越缓越好;
水深条件:水深符合高光谱传感器工作的条件,越深越好;
水面漂浮物条件:漂浮物、水草、油膜的多少,越少越好;
水域代表性:与当地其它河流的相似度,越通用越好;
布设便利:下水便利、抛锚便利、道路通达,越便利越好;
在本发明实施例中,模型变量为内生变量,包括:
水域光照条件x 1,水域遮挡条件x 2,水域通讯保障条件x 3,水域人员活动复杂程度x 4,水域流速条件x 5,水域水深条件x 6,水域水面漂浮物条件x 7,水域代表性x 8,水域布设便利x 9;
在本发明实施例中,将上述内生变量进行结构量化,得出一种基于规划论的在线式光谱水质监测仪最优布设台数算法对应的目标函数:
其中,Y为最优布设台数;a、b、c、d、e、f、g、h、i、j为变量系数;为光照面积;
为被遮挡面积;为有通讯信号面积;为人员活动面积;为水域流速适宜面积;为水
深适宜面积;为水面漂浮物面积;为水域代表性面积;为水域适宜布设面积;为水
域总面积;Ms为单台设备价格,Mt为总预算经费。
如图2所示,以一个水域面积为2000平方米的L湖泊,单台费用20万,总经费1000万的实例为例,各变量取值如下:
水域光照条件x 1=1600平方米;
水域遮挡条件x 2=300平方米;
水域通讯保障条件x 3=1500平方米;
水域人员活动复杂程度x 4=520平方米;
水域流速条件x 5=1740平方米;
水域水深条件x 6=1950平方米;
水域水面漂浮物条件x 7=150平方米;
水域代表性x 8=880平方米;
水域布设便利x 9=530平方米。
判断是否符合约束条件:
基本条件:光照面积+通讯信号面积>水域总面积的二分之一,满足;
有效条件:水域总面积-被遮挡面积-通讯信号面积>0,满足;
通讯:有通讯信号面积>被遮挡面积,满足;
人员活动:人员活动面积<水域总面积的三分之一,满足;
流速水深:水域流速适宜面积+水深适宜面积>水域总面积的一半,满足;
漂浮物:水面漂浮物面积<水域总面积的五分之一,满足;
水域代表性:水域代表性面积>水域总面积的五分之二,满足;
水域布设便利:水域适宜布设面积>水域总面积的十分之一,满足;
总经费:待计算出台数后,判定。
根据模型约束条件通过单纯形法可以确定变量系数,确定变量系数后得到的多目标优化模型为:
将各变量值带入上述模型,计算出最优布设台数为43.207≈43台。由于20万元×43万/台<1000万元,符合经费预算,因此,结论有效。
在本发明实施例中,通过各模型变量计算出实现该水域最优布设的具体台数,达到定量计算水域适合布设设备台数的效果。
本发明实施例提供的水质监测节点布设数量确定方法,通过线性规划中的优化模型,设计了9个内生变量,实现了在线式光谱水质监测仪在某个水域理论上最优的布设台数定量化。有利于设备工作环境评估、数据可靠性分析、设备运维检验和设备工作稳定性评估等,其中,光照、遮挡、通讯保障、人员活动复杂程度、流速、水深、漂浮物、代表性、布设便利为影响水质监测节点布设的重要条件,可以客观公正地评估了一个固定水域的最优布设台数算法,在符合各项约束条件下,给出具体数字结论,解决了长期困扰的设备部署数量问题,平衡各种因素,提高水质监测效率,达到“科学计算”的目标。
下面对本发明提供的水质监测节点布设数量确定装置进行描述,下文描述的水质监测节点布设数量确定装置与上文描述的水质监测节点布设数量确定方法可相互对应参照。
图3为本发明实施例提供的水质监测节点布设数量确定装置的示意图,如图3所示,本发明实施例提供的水质监测节点布设数量确定装置包括:
建立模块301,用于基于水质监测影响因素变量建立多目标优化模型;
获取模块302,用于获取待确定区域内的水质监测影响因素变量及模型求解约束条件;
确定模块303,用于基于模型求解约束条件确定多目标优化模型中的变量系数;
求解模块304,用于将待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到待确定区域内水质监测节点布设数量。
本发明实施例提供的水质监测节点布设数量确定装置,通过基于水质监测影响因素变量建立多目标优化模型;获取待确定区域内的水质监测影响因素变量及模型求解约束条件;基于模型求解约束条件确定多目标优化模型中的变量系数;将待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到待确定区域内水质监测节点布设数量,客观公正地给出了一个固定水域的最优布设台数具体计算方法,在符合约束条件下,给出具体布设台数,解决了节点设备部署数量确定问题。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(CommunicationsInterface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行水质监测节点布设数量确定方法,该方法包括:基于水质监测影响因素变量建立多目标优化模型;获取待确定区域内的水质监测影响因素变量及模型求解约束条件;基于模型求解约束条件确定多目标优化模型中的变量系数;将待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到待确定区域内水质监测节点布设数量。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的水质监测节点布设数量确定方法,该方法包括:基于水质监测影响因素变量建立多目标优化模型;获取待确定区域内的水质监测影响因素变量及模型求解约束条件;基于模型求解约束条件确定多目标优化模型中的变量系数;将待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到待确定区域内水质监测节点布设数量。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种水质监测节点布设数量确定方法,其特征在于,包括:
基于水质监测影响因素变量建立多目标优化模型;
获取待确定区域内的水质监测影响因素变量及模型求解约束条件;
基于所述模型求解约束条件确定所述多目标优化模型中的变量系数;
将所述待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到所述待确定区域内水质监测节点布设数量;
所述水质监测影响因素变量包括:水域光照条件x 1,水域遮挡条件x 2,水域通讯保障条件x 3,水域人员活动复杂程度x 4,水域流速条件x 5,水域水深条件x 6,水域水面漂浮物条件x 7,水域代表性x 8,水域布设便利x 9;
所述多目标优化模型的目标函数及模型求解约束条件包括:
2.一种水质监测节点布设数量确定装置,其特征在于,包括:
建立模块,用于基于水质监测影响因素变量建立多目标优化模型;
获取模块,用于获取待确定区域内的水质监测影响因素变量及模型求解约束条件;
确定模块,用于基于所述模型求解约束条件确定所述多目标优化模型中的变量系数;
求解模块,用于将所述待确定区域内的水质监测影响因素变量输入已确定变量系数的多目标优化模型,得到所述待确定区域内水质监测节点布设数量;
所述水质监测影响因素变量包括:水域光照条件x 1,水域遮挡条件x 2,水域通讯保障条件x 3,水域人员活动复杂程度x 4,水域流速条件x 5,水域水深条件x 6,水域水面漂浮物条件x 7,水域代表性x 8,水域布设便利x 9;
所述多目标优化模型的目标函数及模型求解约束条件包括:
3.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1所述的水质监测节点布设数量确定方法。
4.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1所述的水质监测节点布设数量确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211713290.5A CN115688487B (zh) | 2022-12-30 | 2022-12-30 | 水质监测节点布设数量确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211713290.5A CN115688487B (zh) | 2022-12-30 | 2022-12-30 | 水质监测节点布设数量确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115688487A CN115688487A (zh) | 2023-02-03 |
CN115688487B true CN115688487B (zh) | 2023-03-28 |
Family
ID=85054978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211713290.5A Active CN115688487B (zh) | 2022-12-30 | 2022-12-30 | 水质监测节点布设数量确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688487B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107070968A (zh) * | 2016-12-27 | 2017-08-18 | 中国人民解放军空军预警学院监控系统工程研究所 | 对监控区域部署传感器的方法 |
CN107908889A (zh) * | 2017-11-24 | 2018-04-13 | 南通大学 | 部分监测点预先选定的水质监测网络多目标优化部署方法 |
CN112731969A (zh) * | 2020-12-29 | 2021-04-30 | 浙江量大智能科技有限公司 | 一种面向河流的多无人机水质采样和监测路径优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107525907B (zh) * | 2017-10-16 | 2019-12-31 | 中国环境科学研究院 | 地下水污染监测网多目标优化方法 |
CN113011631A (zh) * | 2021-01-27 | 2021-06-22 | 湖南省地震局 | 一种测震应急流动台选址方法 |
-
2022
- 2022-12-30 CN CN202211713290.5A patent/CN115688487B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107070968A (zh) * | 2016-12-27 | 2017-08-18 | 中国人民解放军空军预警学院监控系统工程研究所 | 对监控区域部署传感器的方法 |
CN107908889A (zh) * | 2017-11-24 | 2018-04-13 | 南通大学 | 部分监测点预先选定的水质监测网络多目标优化部署方法 |
CN112731969A (zh) * | 2020-12-29 | 2021-04-30 | 浙江量大智能科技有限公司 | 一种面向河流的多无人机水质采样和监测路径优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115688487A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mouton et al. | Optimisation of a fuzzy physical habitat model for spawning European grayling (Thymallus thymallus L.) in the Aare river (Thun, Switzerland) | |
KR20180116820A (ko) | 다중 가중치 산정 및 topsis를 이용한 단위유역별 수자원 취약성 평가 방법 | |
Partal | Modelling evapotranspiration using discrete wavelet transform and neural networks | |
Papadaki et al. | Comparative assessment of environmental flow estimation methods in a Mediterranean mountain river | |
Zhang et al. | Effects of upstream and downstream dam operation on the spawning habitat suitability of Coreius guichenoti in the middle reach of the Jinsha River | |
Güner et al. | Estimation of wave parameters based on nearshore wind–wave correlations | |
Bajirao et al. | Potential of hybrid wavelet-coupled data-driven-based algorithms for daily runoff prediction in complex river basins | |
Koch et al. | High resolution water table modeling of the shallow groundwater using a knowledge-guided gradient boosting decision tree model | |
CN115423272B (zh) | 一种融合历史淹没强度的洪涝风险评估方法和系统 | |
Li et al. | Daily suspended sediment forecast by an integrated dynamic neural network | |
Rounds | Development of a neural network model for dissolved oxygen in the Tualatin River, Oregon | |
CN115688487B (zh) | 水质监测节点布设数量确定方法、装置、设备及存储介质 | |
Szałkiewicz et al. | Environmental flows assessment for macroinvertebrates at the river reach scale in different degrees of hydromorphological alteration | |
Birkhead et al. | The Elephant Marsh, Malawi–Part 2: two-dimensional hydrodynamic modelling in support of an eco-social assessment | |
Cooper et al. | Salmonid habitat and population capacity estimates for steelhead trout and Chinook salmon upstream of Scott Dam in the Eel River, California | |
Velasco et al. | Days-ahead water level forecasting using artificial neural networks for watersheds | |
Christensen et al. | A cross disciplinary framework for cost-benefit optimization of marine litter cleanup at regional scale | |
Huo et al. | Assessing a fuzzy model and HSPF to supplement rainfall data for nonpoint source water quality in the Feitsui reservoir watershed | |
Cipollini et al. | Toward a Catchment‐Scale Assessment of Flood Peak Attenuation by Multiple Reservoirs | |
Muhammetoglu et al. | An Integrated Modeling Approach to Assess Best Management Practices (BMPs) for Improving Stream Water Quality Using the MapShed and WASP8 Models | |
Alfredsen et al. | Effect of flow ramping on stranding potential related to river morphology—Developing hydraulic indices for peaking severity | |
Li et al. | Research on application of graph neural network in water quality prediction | |
Bekić et al. | Examples of trends in water management systems under influence of modern technologies | |
Ogale et al. | Modelling and short term forecasting of flash floods in an urban environment | |
Podhoranyi et al. | A Web-Based Modelling and Monitoring System Based on Coupling Environmental Models and Hydrological-Related Data. |
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 |