CN115761520A - 基于河流漂浮物自主学习的河流径流量分析方法及系统 - Google Patents
基于河流漂浮物自主学习的河流径流量分析方法及系统 Download PDFInfo
- Publication number
- CN115761520A CN115761520A CN202211362100.XA CN202211362100A CN115761520A CN 115761520 A CN115761520 A CN 115761520A CN 202211362100 A CN202211362100 A CN 202211362100A CN 115761520 A CN115761520 A CN 115761520A
- Authority
- CN
- China
- Prior art keywords
- river
- runoff
- model
- floater
- learning
- 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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于河流漂浮物自主学习的河流径流量分析方法及系统，该方法包括：获取河段基础数据，根据河段基础数据、河流物理参数及河流断面面积，构建表层流‑径流映射模型；获取河流断面的实时视频流，采用陌生漂浮物自学习模型抓取漂浮物连续数帧的漂移路线，计算出漂浮物的移动速率；根据漂浮物的移动速率，获取河流表层流速；根据河流表层流速，采用表层流‑径流映射模型计算出河流径流量。本发明弥补了现有模型无法进行陌生漂浮物识别及径流分析的缺陷，提升了河流径流量分析的精准性；通过本发明模型的智能识别，能够构建视频‑物体‑流速‑径流量‑预警的逻辑反应链，提升河流自然灾害的反应敏锐度，降低洪涝灾害的损失。
Description
技术领域
本发明涉及计算机领域中的机器学习、图像处理、模拟仿真技术领域，具体涉及基于河流漂浮物自主学习的河流径流量分析方法及系统。
背景技术
现有对于地表水的漂浮物识别方法，通常使用前端配套摄像机进行视频分析，对实时照片使用卷积神经网络CNN等算法进行模式识别，例如对水面漂浮物进行识别，预先确定漂浮物、游泳者、垂钓者、挖沙船的图形特征，通过大数据训练，实现模式匹配。然而以上这类识别方法，只能进行固定模式的漂浮物匹配，对于未定义的陌生漂浮物无法识别。
现有的河流径流量分析方法没有考虑陌生漂浮物，而造成河流径流量分析不精准的问题，甚至无法实现河流径流量的计算分析，甚至影响后续对于突发山洪、滑坡等自然灾害反应迟缓，无法实现有效预警。
发明内容
本发明所要解决的技术问题是现有的河流径流量分析方法没有考虑陌生漂浮物而造成河流径流量分析不精准的问题，甚至无法实现河流径流量的计算分析的问题，目的在于提供基于河流漂浮物自主学习的河流径流量分析方法及系统，本发明现有的河流径流量分析方法没有考虑陌生漂浮物而造成河流径流量分析不精准的问题，提升了河流径流量分析的精准性；通过本发明模型的智能识别，能够构建视频-物体-流速-径流量-预警的逻辑反应链，提升河流自然灾害的反应敏锐度，降低洪涝灾害的损失。
本发明通过下述技术方案实现：
基于河流漂浮物自主学习的河流径流量分析方法，该方法包括：
获取河段基础数据，所述河段基础数据包括卫星遥感数据、无人机视频数据和历史水文数据；
根据所述河段基础数据、河流物理参数及河流断面面积，构建表层流-径流映射模型；
获取河流断面的实时视频流，采用陌生漂浮物自学习模型抓取漂浮物连续数帧的漂移路线，计算出漂浮物的移动速率；根据所述漂浮物的移动速率，获取河流表层流速；根据所述河流表层流速，采用表层流-径流映射模型计算出河流径流量。
进一步地，根据所述河段基础数据、河流物理参数及河流断面面积，构建表层流-径流映射模型，包括：
根据所述河段基础数据，构建河道数字孪生模型；并对所述河道数字孪生模型进行网格化处理，得到河段网格化模型；
将河流物理参数加入所述河段网格化模型，对河道断面网络进行参数标注，得到表层流-网格流映射模型；
根据所述表层流-网格流映射模型及河流断面面积，得到表层流-径流映射模型。
进一步地，所述河流物理参数包括地形地貌数据、河道下垫面摩擦系数和河堤淹没线数据。
进一步地，所述并对所述河道数字孪生模型进行网格化处理，是通过使用无人机沿河道截面飞行，利用超声波探头测量每一位置的河道深度，形成网格的截面几何图。
进一步地，所述表层流-径流映射模型的表达式为：
式中，v网格速度为河流表层流速，S网格面积为河流断面面积。
进一步地，所述陌生漂浮物自学习模型的获取步骤为：
根据典型漂浮物数据集，训练典型漂浮物识别模型；
通过背景反演学习河流背景的光学特性，形成对偶的河流背景识别模型；
采用河流边缘识别对所述河流背景识别模型进行边缘识别，获取陌生漂浮物自学习模型。
进一步地，所述河流边缘识别的具体步骤为：
输入像素矩阵至边缘检测算法，使用拉普拉斯算子对像素矩阵进行卷积，得到卷积结果；
对所述卷积结果与预设阈值进行比较判断，若所述卷积结果大于预设阈值，则为该边缘段位差异较大的边缘段；
根据所述边缘段，采用所述边缘检测算法在河流图像中划分出若干边缘轮廓，若轮廓的闭合度>95％，则认为是漂浮物；否则不是。
其中，边缘识别算法为现有技术，本发明边缘识别算法的由算子、阈值两者组成，使用拉普拉斯算子(3*3的色度差检测算子)，通过调整边缘识别算法的识别阈值(及预设阈值)来实现。
第二方面，本发明又提供了基于河流漂浮物自主学习的河流径流量分析系统，该系统支持所述的基于河流漂浮物自主学习的河流径流量分析方法；该系统包括：
获取单元，用于获取河段基础数据，所述河段基础数据包括卫星遥感数据、无人机视频数据和历史水文数据；
表层流-径流映射模型构建单元，用于根据所述河段基础数据、河流物理参数及河流断面面积，构建表层流-径流映射模型；
河流径流量计算单元，用于获取河流断面的实时视频流，采用陌生漂浮物自学习模型抓取漂浮物连续数帧的漂移路线，计算出漂浮物的移动速率；根据所述漂浮物的移动速率，获取河流表层流速；根据所述河流表层流速，采用表层流-径流映射模型计算出河流径流量。
第三方面，本发明又提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现所述的基于河流漂浮物自主学习的河流径流量分析方法。
第四方面，本发明又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于河流漂浮物自主学习的河流径流量分析方法。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明基于河流漂浮物自主学习的河流径流量分析方法及系统，本发明弥补了现有模型由于无法进行陌生物体识别而造成径流计算不精准的缺陷，通过本模型的智能识别，能够构建视频-物体-流速-径流量-预警的逻辑反应链，提升河流自然灾害的反应敏锐度，降低洪涝灾害的损失。同时，本发明能依托低成本的摄像机，提升目标河段流域的水文数据密度，有效弥补一些河流的支流、上游，水文站分布较为稀疏，数据收集不足的问题。本发明对水资源管理、水文研究工作提供可靠数据支撑，为地表水资源统筹管理、防洪防涝调度提供决策支持。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明基于河流漂浮物自主学习的河流径流量分析方法流程图。
图2为本发明表层流-径流映射模型的构建流程图。
图3为本发明陌生漂浮物自学习模型的获取流程图。
图4为本发明步骤2河流径流量计算流程图。
图5为本发明基于河流漂浮物自主学习的河流径流量分析系统结构示意图。
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
基于现有的河流径流量分析方法没有考虑陌生漂浮物而造成河流径流量分析不精准的问题，甚至无法实现河流径流量的计算分析的问题。本发明设计了基于河流漂浮物自主学习的河流径流量分析方法，本发明能自主学习背景河流的视觉特征，将河流视作“背景”，利用图像边缘检测算法进行“抠图”，并依托深度神经网络调整漂浮物抓取特征，能够更好的在视频的相邻帧进行衔接和对应。在准确抓取漂浮物后，利用流体网格模型，生成断面各位置的河流表面流速，结合表层流-径流映射模型，计算出实时径流量。从而对潜在洪涝灾害信号进行识别和反馈，实现河流的径流估算及风险识别。
本发明弥补了现有的河流径流量分析方法没有考虑陌生漂浮物而造成河流径流量分析不精准的问题，提升了河流径流量分析的精准性；通过本发明模型的智能识别，能够构建视频-物体-流速-径流量-预警的逻辑反应链，提升河流自然灾害的反应敏锐度，降低洪涝灾害的损失。
实施例1
如图1所示，本发明基于河流漂浮物自主学习的河流径流量分析方法，该方法包括：
步骤1，表层流-径流映射模型的构建：获取河段基础数据，根据所述河段基础数据、河流物理参数及河流断面面积，构建表层流-径流映射模型；
其中，所述河段基础数据包括卫星遥感数据、无人机视频数据和历史水文数据；
本实施例中，如图2所示，根据所述河段基础数据、河流物理参数及河流断面面积，构建表层流-径流映射模型，包括：
步骤11，根据所述河段基础数据，构建河道数字孪生模型；并对所述河道数字孪生模型进行网格化处理，得到河段网格化模型；具体地，河道数字孪生模型是基于实际河段的物理特征和几何特性，以BIM为基础克隆的数字模型。首先，以GIS卫星图及地形地貌作为底板基础(呈现河流红线、形状)，使用遥感数据、无人机视频数据、历史水文数据完善其物理特性(河流浑浊度、下垫面、摩擦系数)，对流域的物理特征实现数字化抽象。其次，对“核心断面”进行单独测绘和网格化划分；其中，“核心断面”位于前端摄像机所在的河流截面，是计算径流量的参考断面。建立断面网格时，使用无人机沿截面飞行，利用超声波探头测量每一位置的河道深度，形成网格的截面几何图。
步骤12，将河流物理参数加入所述河段网格化模型，对河道断面网络进行参数标注，得到表层流-网格流映射模型；其中，所述河流物理参数包括地形地貌数据、河道下垫面摩擦系数和河堤淹没线数据。
本实施例中，综合地形地貌、河道下垫面摩擦系数、河堤淹没线等数据，对河道断面网格进行参数标注。在河流动力学中形成网格内流速关联。
步骤13，根据所述表层流-网格流映射模型及河流断面面积，得到表层流-径流映射模型。
本实施例中，在真实河流中，河流截面不同位置的流速不同，下层水流受到河床泥沙阻力作用，岸线附近水流受岸壁阻力或是水草等影响，中泓线上层的水流速度是最大的。网格模型假设每个网格内是定流速的，根据表层流-网格流映射模型，输入表层流速，得到各网格分别的流速，根据如下公式计算得到断面流量。具体地，表层流-径流映射模型的表达式为：
式中，v网格速度为河流表层流速，S网格面积为河流断面面积。
步骤2，通过接入前端摄像机获取河流断面的实时视频流，采用陌生漂浮物自学习模型抓取漂浮物连续数帧的漂移路线，计算出漂浮物的移动速率；根据所述漂浮物的移动速率，获取河流表层流速；根据所述河流表层流速，采用表层流-径流映射模型计算出河流径流量。如图4所示。
本实施例中，如图3所示，所述陌生漂浮物自学习模型的获取步骤为：
根据典型漂浮物数据集，训练典型漂浮物识别模型；
通过背景反演学习河流背景的光学特性，形成对偶的河流背景识别模型；河流背景识别模型在输入河流图像后，可以输出属于河流水面的背景像素集合(n*m的矩阵)。
采用河流边缘识别对所述河流背景识别模型进行边缘识别，获取陌生漂浮物自学习模型。
具体地，所述河流边缘识别的具体步骤为：
输入像素矩阵至边缘检测算法，使用拉普拉斯算子对像素矩阵进行卷积，得到卷积结果；
对所述卷积结果与预设阈值进行比较判断，若所述卷积结果大于预设阈值，则为该边缘段位差异较大的边缘段；
根据所述边缘段，采用所述边缘检测算法在河流图像中划分出若干边缘轮廓，若轮廓的闭合度>95％，则认为是漂浮物；否则不是。
其中，边缘识别算法为现有技术，本发明边缘识别算法的由算子、阈值两者组成，使用拉普拉斯算子(3*3的色度差检测算子)，通过调整边缘识别算法的识别阈值(及预设阈值)来实现。
具体实施时，本发明已经在沱江上游，金堂北河段落地远程监测站，用以计算北河饮用水水源保护区的地表水实时径流量，指导取水制水及。
本发明弥补了现有模型由于无法进行陌生物体识别而造成径流计算不精准的缺陷，通过本模型的智能识别，能够构建视频-物体-流速-径流量-预警的逻辑反应链，提升河流自然灾害的反应敏锐度，降低洪涝灾害的损失。同时，本发明能依托低成本的摄像机，提升目标河段流域的水文数据密度，有效弥补一些河流的支流、上游，水文站分布较为稀疏，数据收集不足的问题。本发明对水资源管理、水文研究工作提供可靠数据支撑，为地表水资源统筹管理、防洪防涝调度提供决策支持。
实施例2
如图5所示，本实施例与实施例1的区别在于，本实施例提供了基于河流漂浮物自主学习的河流径流量分析系统，该系统支持实施例1所述的基于河流漂浮物自主学习的河流径流量分析方法；该系统包括：
获取单元，用于获取河段基础数据，所述河段基础数据包括卫星遥感数据、无人机视频数据和历史水文数据；
表层流-径流映射模型构建单元，用于根据所述河段基础数据、河流物理参数及河流断面面积，构建表层流-径流映射模型；
河流径流量计算单元，用于获取河流断面的实时视频流，采用陌生漂浮物自学习模型抓取漂浮物连续数帧的漂移路线，计算出漂浮物的移动速率；根据所述漂浮物的移动速率，获取河流表层流速；根据所述河流表层流速，采用表层流-径流映射模型计算出河流径流量。
各个单元的执行过程按照实施例1所述的基于河流漂浮物自主学习的河流径流量分析方法流程步骤执行即可，此实施例中不再一一赘述。
同时，本发明又提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现所述的基于河流漂浮物自主学习的河流径流量分析方法。
同时，本发明又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于河流漂浮物自主学习的河流径流量分析方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于河流漂浮物自主学习的河流径流量分析方法，其特征在于，该方法包括：
获取河段基础数据，所述河段基础数据包括卫星遥感数据、无人机视频数据和历史水文数据；
根据所述河段基础数据、河流物理参数及河流断面面积，构建表层流-径流映射模型；
获取河流断面的实时视频流，采用陌生漂浮物自学习模型抓取漂浮物连续数帧的漂移路线，计算出漂浮物的移动速率；根据所述漂浮物的移动速率，获取河流表层流速；根据所述河流表层流速，采用表层流-径流映射模型计算出河流径流量。
2.根据权利要求1所述的基于河流漂浮物自主学习的河流径流量分析方法，其特征在于，根据所述河段基础数据、河流物理参数及河流断面面积，构建表层流-径流映射模型，包括：
根据所述河段基础数据，构建河道数字孪生模型；并对所述河道数字孪生模型进行网格化处理，得到河段网格化模型；
将河流物理参数加入所述河段网格化模型，对河道断面网络进行参数标注，得到表层流-网格流映射模型；
根据所述表层流-网格流映射模型及河流断面面积，得到表层流-径流映射模型。
3.根据权利要求1或2所述的基于河流漂浮物自主学习的河流径流量分析方法，其特征在于，所述河流物理参数包括地形地貌数据、河道下垫面摩擦系数和河堤淹没线数据。
4.根据权利要求2所述的基于河流漂浮物自主学习的河流径流量分析方法，其特征在于，所述并对所述河道数字孪生模型进行网格化处理，是通过使用无人机沿河道截面飞行，利用超声波探头测量每一位置的河道深度，形成网格的截面几何图。
5.根据权利要求1或2所述的基于河流漂浮物自主学习的河流径流量分析方法，其特征在于，所述表层流-径流映射模型的表达式为：
式中，v网格速度为河流表层流速，S网格面积为河流断面面积。
6.根据权利要求1所述的基于河流漂浮物自主学习的河流径流量分析方法，其特征在于，所述陌生漂浮物自学习模型的获取步骤为：
根据典型漂浮物数据集，训练典型漂浮物识别模型；
通过背景反演学习，形成对偶的河流背景识别模型；
采用河流边缘识别对所述河流背景识别模型进行边缘识别，获取陌生漂浮物自学习模型。
7.根据权利要求6所述的基于河流漂浮物自主学习的河流径流量分析方法，其特征在于，所述河流边缘识别的具体步骤为：
输入像素矩阵至边缘检测算法，使用拉普拉斯算子对像素矩阵进行卷积，得到卷积结果；
对所述卷积结果与预设阈值进行比较判断，若所述卷积结果大于预设阈值，则为该边缘段位差异较大的边缘段；
根据所述边缘段，采用所述边缘检测算法在河流图像中划分出若干边缘轮廓，若轮廓的闭合度>95％，则认为是漂浮物；否则不是。
8.基于河流漂浮物自主学习的河流径流量分析系统，其特征在于，该系统支持如权利要求1至7中任一项所述的基于河流漂浮物自主学习的河流径流量分析方法；该系统包括：
获取单元，用于获取河段基础数据，所述河段基础数据包括卫星遥感数据、无人机视频数据和历史水文数据；
表层流-径流映射模型构建单元，用于根据所述河段基础数据、河流物理参数及河流断面面积，构建表层流-径流映射模型；
河流径流量计算单元，用于获取河流断面的实时视频流，采用陌生漂浮物自学习模型抓取漂浮物连续数帧的漂移路线，计算出漂浮物的移动速率；根据所述漂浮物的移动速率，获取河流表层流速；根据所述河流表层流速，采用表层流-径流映射模型计算出河流径流量。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至7任一项所述的基于河流漂浮物自主学习的河流径流量分析方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7任一项所述的基于河流漂浮物自主学习的河流径流量分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211362100.XA CN115761520A (zh) | 2022-11-02 | 2022-11-02 | 基于河流漂浮物自主学习的河流径流量分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211362100.XA CN115761520A (zh) | 2022-11-02 | 2022-11-02 | 基于河流漂浮物自主学习的河流径流量分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115761520A true CN115761520A (zh) | 2023-03-07 |
Family
ID=85355390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211362100.XA Pending CN115761520A (zh) | 2022-11-02 | 2022-11-02 | 基于河流漂浮物自主学习的河流径流量分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115761520A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7344411B1 (ja) | 2023-04-28 | 2023-09-13 | 荏原実業株式会社 | 水門監視制御装置、水門監視システム、水門監視方法及び水門監視方法をコンピュータに実行させるコンピュータプログラム |
-
2022
- 2022-11-02 CN CN202211362100.XA patent/CN115761520A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7344411B1 (ja) | 2023-04-28 | 2023-09-13 | 荏原実業株式会社 | 水門監視制御装置、水門監視システム、水門監視方法及び水門監視方法をコンピュータに実行させるコンピュータプログラム |
| JP7344415B1 (ja) | 2023-04-28 | 2023-09-13 | 荏原実業株式会社 | 水門監視制御装置、水門監視システム、水門監視方法及び水門監視方法をコンピュータに実行させるコンピュータプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20170277815A1 (en) | Granular river attributes and predictions using acoustic doppler current profiler data from river floats | |
| CN107063197A (zh) | 一种基于空间信息技术的水库特征曲线提取方法 | |
| CN107609290A (zh) | 一种以底栖生物多样性为目标的河流生态流量确定方法 | |
| Barker et al. | Kayak drifter surface velocity observation for 2D hydraulic model validation | |
| CA2961702A1 (en) | Granular river attributes and predictions using acoustic doppler current profiler data from river floats | |
| Liu et al. | Ephemeral gully recognition and accuracy evaluation using deep learning in the hilly and gully region of the Loess Plateau in China | |
| CN115761520A (zh) | 基于河流漂浮物自主学习的河流径流量分析方法及系统 | |
| Radermacher et al. | Applicability of video-derived bathymetry estimates to nearshore current model predictions | |
| Belokopytov et al. | Modelling of water pollution propagation in the Sevastopol Bay | |
| Li et al. | Rapid morphological changes caused by intensive coastal development in Longkou Bay, China | |
| CN115935732A (zh) | 一种复杂感潮河网的多源复合灾害淹没风险的模拟方法 | |
| Seyedian et al. | Reliable prediction of the discharge coefficient of triangular labyrinth weir based on soft computing techniques | |
| CN113593040B (zh) | 一种堤防护坡植被异常生长病害识别方法及系统 | |
| CN113469097A (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| CN111680641A (zh) | 围填海影响下近岸海域可运动水体边界线辨识和划分方法 | |
| Yi et al. | The bedform morphology of Chinese sturgeon spawning sites in the Yangtze River | |
| KR102561270B1 (ko) | 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 | |
| Baldwin | Catchment-scale soil water retention characteristics and delineation of hydropedological functional units in the Shale Hills Catchment | |
| Liu et al. | Spatio-temporally varying Strickler coefficient: A calibration approach applied to a Danish river using in-situ water surface elevation and UAS altimetry | |
| Morell et al. | Flow pattern at a river diffluence at the alluvial system of the Paraná River | |
| Litts et al. | Mapping potential spawning substrate for Shortnose and Atlantic sturgeon in coastal plain rivers of Georgia using low-cost side-scan sonar | |
| Rejith et al. | A geo-processing modeling of deltaic suspended sediment variability | |
| Güler | Stream network creation and watershed definition by using digital elevation model for Samsun, Turkey | |
| CN117113796B (zh) | 一种考虑自主运动的大型水母中期漂移集合预报方法 | |
| Layman | Modeling the Impacts of Lake Level Control Structure Management Scenarios on Aquatic Vegetation Distributions in Higgins Lake, MIchigan |
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 |