CN116202575A - 一种水土保持土壤流失率监测系统及方法 - Google Patents
一种水土保持土壤流失率监测系统及方法 Download PDFInfo
- Publication number
- CN116202575A CN116202575A CN202310483741.9A CN202310483741A CN116202575A CN 116202575 A CN116202575 A CN 116202575A CN 202310483741 A CN202310483741 A CN 202310483741A CN 116202575 A CN116202575 A CN 116202575A
- Authority
- CN
- China
- Prior art keywords
- soil
- monitoring
- state change
- change factor
- environmental state
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 155
- 239000002689 soil Substances 0.000 title claims abstract description 145
- 238000004162 soil erosion Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 71
- 241000254158 Lampyridae Species 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012806 monitoring device Methods 0.000 claims abstract description 7
- 230000007613 environmental effect Effects 0.000 claims description 81
- 238000005457 optimization Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000005192 partition Methods 0.000 claims description 14
- 238000001556 precipitation Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 239000013049 sediment Substances 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 239000002344 surface layer Substances 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明涉及土壤监测技术领域,尤其为一种水土保持土壤流失率监测系统及方法,包括监测模块:用于通过监测装置采集水土数据;传输模块:用于传输监测的水土数据至控制中心;处理模块:用于对接收的水土数据进行数据预处理;分析模块:用于对预处理后的水土数据进行分析;治理模块:用于根据分析模块的分析结果采取对应的治理措施。本发明通过实时监测采集和传输监测地的水土数据,提高数据的时效性,通过分析模块构建土壤流失率模型,并通过改进萤火虫算法对监测地内的土壤侵蚀模数进行寻优,优化土壤流失率模型,获得更为准确的监测系统。
Description
技术领域
本发明涉及土壤监测技术领域,尤其是一种水土保持土壤流失率监测系统及方法。
背景技术
水土流失是严重的环境问题,容易导致水体污染、土壤退化、土地表层侵蚀、河道淤积,加剧洪涝灾害,降低土地生产力,减少耕地面积,生态系统恶化,制约着流域的经济可持续发展。河道水土流失与多种环境因素密切相关,如地形复杂、植物覆盖变化、雨水冲蚀、工程开挖等。为保持河道水土,有必要动态监测水土流失,分析水土流失变化规律和发展趋势,为水土流失防治方案提供依据,并通过水土保持措施,改善河道生态环境,促进流域经济发展。
现阶段,水土流失动态监测相关研究已取得较大进展。基于USLE原理的水土流失动态监测,构建土壤侵蚀综合因子算法,包括RS、GPS、GIS,采集样本数据和遥感影响,计算与水土流失关联较大的生态因子,模拟水土流失实际情况。文献提出基于高分遥感影像的水土流失动态监测方法,针对多时序、大尺度的水土流失,采集高分遥感影像、土地利用、地形地貌、植被覆盖等信息,建立模型因子算法,检测水土流失变化情况,利用GIS技术,编制土壤侵蚀和土地退化图。但基于遥感的精确度不高,采集分析的数据时效性较低。故本发明提出一种水土保持土壤流失率监测系统及方法,通过实时监测采集监测地的水土数据,构建土壤流失率模型,对监测地内的土壤侵蚀模数进行寻优,优化土壤流失率模型,获得更为准确的监测系统。
发明内容
本发明的目的是通过提出一种水土保持土壤流失率监测系统及方法,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供一种水土保持土壤流失率监测系统,包括监测模块:用于通过监测装置采集水土数据;
传输模块:用于传输监测的水土数据至控制中心;
处理模块:用于对接收的水土数据进行数据预处理;
分析模块:用于对预处理后的水土数据进行分析;
治理模块:用于根据分析模块的分析结果采取对应的治理措施。
作为本发明的一种优选技术方案:所述监测模块的监测范围包括监测地的土壤、植被、风力、气温、湿度、降水量和泥沙量。
作为本发明的一种优选技术方案:所述传输模块通过无线传输方式向控制中心传输监测的水土数据。
作为本发明的一种优选技术方案:所述处理模块对传输模块上传至控制中心的水土数据进行数据缺失值补全和数据整合处理。
作为本发明的一种优选技术方案:所述分析模块建立监测地的土壤流失率模型:
其中, 为土壤流失率,/>为监测分区,/>为监测时段,/>为的第/>监测分区第/>监测时段的土壤监测面积, />为第/>监测分区第/>监测时段的土壤侵蚀模数,/>为第/>监测分区第/>监测时段的土壤监测时段;
作为本发明的一种优选技术方案:所述分析模块根据计算获得的土壤流失率模型划分土壤流失等级;还通过搭建深度学习网络对寻优获得的土壤侵蚀模数进行学习预测,同时预测输出监测地的土壤流失率。
提供一种水土保持土壤流失率监测方法,包括如下步骤:
S1:通过监测装置采集水土数据;
S2:传输监测的水土数据至控制中心;
S3:对接收的水土数据进行数据预处理;
S4:对预处理后的水土数据进行分析;
S5:根据S4的分析结果采取对应的治理措施。
作为本发明的一种优选技术方案:所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算,所述改进萤火虫算法中,任意两只萤火虫由于相互吸引而移动,亮度弱的萤火虫向亮度强的萤火虫靠近以完成位置迭代,亮度强的萤火虫不受其他萤火虫吸引,进行随机移动。
作为本发明的一种优选技术方案:所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算具体如下:
其中,为监测地环境状态变化因子/>更新的位置,/>为权重系数,/>为监测地环境状态变化因子/>的位置,/>为监测地环境状态变化因子/>的位置,/>为监测地环境状态变化因子自身吸引力,/>为监测地环境状态变化因子/>和监测地环境状态变化因子/>的距离,/>为吸引力因子,/>为数学常量,/>为均匀分布在/>的随机数,/>是随机化步长参数;
其中,为全局最优监测地环境状态变化因子更新的位置,/>为全局最优监测地环境状态变化因子随机选择的一维的位置,/>为随机选择的第/>个监测地环境状态变化因子的第/>维位置,/>表示因子为1的柯西分布函数的随机数;
当迭代至最大迭代次数时停止更新,将当前萤火虫与优化学习后的全局最优监测地环境状态变化因子进行比较,若全局最优监测地环境状态变化因子比当前监测地环境状态变化因子/>更优,则根据下式将当前监测地环境状态变化因子/>向全局监测地环境状态变化因子移动:
根据最终寻优结果获得的监测地环境状态变化因子对应变换为当前环境状态变化条件下的土壤侵蚀模数。
作为本发明的一种优选技术方案:所述S5根据所述S4中分析的监测地土壤流失率和预测的监测地土壤流失率按照划分的土壤流失等级采取对应治理措施。
本发明提供的水土保持土壤流失率监测系统,与现有技术相比,其有益效果有:
本发明通过实时监测采集和传输监测地的水土数据,提高数据的时效性,并通过分析模块根据采集的水土数据构建土壤流失率模型,对于处于不同环境而导致各监测地的土壤侵蚀模数存在差异的情况,通过改进萤火虫算法对各监测地内的土壤侵蚀模数进行寻优,对于萤火虫算法过度依赖萤火虫,不进行有导向的寻优移动且易陷入局部最优的特点,将累加的位置增量作为新的搜索方向,降低萤火虫当前位置对搜索过程的影响,具有良好的跳出局部最优的能力,搜寻获取更为精确的土壤侵蚀模数,优化土壤流失率模型,并通过搭建深度学习网络对水土流失率进行预测,以获得更为准确的监测系统。
附图说明
图1为本发明优选实施例的系统框图;
图2为本发明优选实施例的方法流程图。
图中各个标记的意义为:100、监测模块;200、传输模块;300、处理模块;400、分析模块;500、治理模块。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,下面将结合本发明实施例中的附图,对本发明实施例中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他实施例,都属于本发明保护的范围。
参照图1,本发明优选实施例提供了一种水土保持土壤流失率监测系统,包括:
监测模块100:用于通过监测装置采集水土数据;
传输模块200:用于传输监测的水土数据至控制中心;
处理模块300:用于对接收的水土数据进行数据预处理;
分析模块400:用于对预处理后的水土数据进行分析;
治理模块500:用于根据分析模块400的分析结果采取对应的治理措施。
所述监测模块100的监测范围包括监测地的土壤、植被、风力、气温、湿度、降水量和泥沙量。
所述传输模块200通过无线传输方式向控制中心传输监测的水土数据。
所述处理模块300对传输模块200上传至控制中心的水土数据进行数据缺失值补全和数据整合处理。
所述分析模块400建立监测地的土壤流失率模型:
其中,为土壤流失率,/>为监测分区,/>为监测时段,/>为的第/>监测分区第/>监测时段的土壤监测面积,/>为第/>监测分区第/>监测时段的土壤侵蚀模数,/>为第/>监测分区第/>监测时段的土壤监测时段;
所述分析模块400根据计算获得的土壤流失率模型划分土壤流失等级;还通过搭建深度学习网络对寻优获得的土壤侵蚀模数进行学习预测,同时预测输出监测地的土壤流失率。
参照图2,提供一种水土保持土壤流失率监测方法,包括如下步骤:
S1:通过监测装置采集水土数据;
S2:传输监测的水土数据至控制中心;
S3:对接收的水土数据进行数据预处理;
S4:对预处理后的水土数据进行分析;
S5:根据S4的分析结果采取对应的治理措施。
所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算,所述改进萤火虫算法中,任意两只萤火虫由于相互吸引而移动,亮度弱的萤火虫向亮度强的萤火虫靠近以完成位置迭代,亮度强的萤火虫不受其他萤火虫吸引,进行随机移动。
所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算具体如下:
其中,为监测地环境状态变化因子/>更新的位置,/>为权重系数,/>为监测地环境状态变化因子/>的位置,/>为监测地环境状态变化因子/>的位置,/>为监测地环境状态变化因子自身吸引力,/>为监测地环境状态变化因子/>和监测地环境状态变化因子/>的距离,/>为吸引力因子,/>为数学常量,/>为均匀分布在/>的随机数,/>是随机化步长参数;
其中,为全局最优监测地环境状态变化因子更新的位置,/>为全局最优监测地环境状态变化因子随机选择的一维的位置,/>为随机选择的第/>个监测地环境状态变化因子的第/>维位置,/>表示因子为1的柯西分布函数的随机数;
当迭代至最大迭代次数时停止更新,将当前监测地环境状态变化因子与优化学习后的全局最优监测地环境状态变化因子进行比较,若全局最优监测地环境状态变化因子比当前监测地环境状态变化因子/>更优,则根据下式将当前监测地环境状态变化因子/>向全局监测地环境状态变化因子移动:
根据最终寻优结果获得的监测地环境状态变化因子对应变换为当前环境状态变化条件下的土壤侵蚀模数。
所述S5根据所述S4中分析的监测地土壤流失率和预测的监测地土壤流失率按照划分的土壤流失等级采取对应治理措施。
本实施例中,以对一片面积为100平方米的山坡监测为例,监测模块100对该山坡各项指标进行监测,包括该山坡的土壤指标、指标情况、风力情况、气温标准、空气湿度、所在区域的降水量和泥沙量等,传输模块200将采集的各项指标数据上传至控制中心,控制中心的处理模块300对上传的指标数据进行初步预处理,包括数据清洗和数据整合等,便于后续对于指标数据的处理。分析模块400对预处理后的指标数据建立土壤流失率模型:
将该100平方米的山坡划分为100个分区,每个分区面积为1平方米,连续监测24小时,每小时监测一次,则土壤流失率模型更新如下:
对每个分区的土壤侵蚀模数分别进行寻优计算获得,根据各分区的的土壤指标、植被情况、风力情况、气温标准、空气湿度、所在区域的降水量和泥沙量等指标影响进行寻优获得。
以土壤指标中的土壤湿度为某一维为例,某一平方米的土壤中,土壤表层水分含量低,则易造成表层土壤的沙化,则会造成土壤的流失,
则当土壤水分含量低时,以土壤干度为萤火虫亮度进行寻优,当土壤干度超过一定值时,则会造成土壤侵蚀,即土壤流失。
其中,为土壤因子/>更新的位置,/>为权重系数,/>为土壤因子/>的位置,/>为土壤因子/>的位置,/>为土壤因子自身吸引力,/>为土壤因子/>和土壤因子/>的距离,/>为土壤水分含量因子,/>为数学常量,/>为均匀分布在/>的随机数,/>是随机化步长参数;
再根据其他指标数据对应的维度的因子进行迭代寻优:
根据寻优结果获得的某一平方米每一时段的土壤侵蚀模数代入土壤流失率模型中进行计算获得该山坡在24小时内的土壤流失率,并根据寻优获得的土壤侵蚀模数构建深度神经网络对未来的土壤流失进行预测,并根据该山坡的土壤流失率划分其土壤流失所属等级,治理模块500根据划分的土壤流失等级对应采取治理措施,避免该山坡水土的进一步流失。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种水土保持土壤流失率监测系统,其特征在于:包括:
监测模块(100):用于通过监测装置采集水土数据;
传输模块(200):用于传输监测的水土数据至控制中心;
处理模块(300):用于对接收的水土数据进行数据预处理;
分析模块(400):用于对预处理后的水土数据进行分析;
治理模块(500):用于根据分析模块(400)的分析结果采取对应的治理措施。
2.根据权利要求1所述的水土保持土壤流失率监测系统,其特征在于:所述监测模块(100)的监测范围包括监测地的土壤、植被、风力、气温、湿度、降水量和泥沙量。
3.根据权利要求1所述的水土保持土壤流失率监测系统,其特征在于:所述传输模块(200)通过无线传输方式向控制中心传输监测的水土数据。
4.根据权利要求1所述的水土保持土壤流失率监测系统,其特征在于:所述处理模块(300)对传输模块(200)上传至控制中心的水土数据进行数据缺失值补全和数据整合处理。
6.根据权利要求5所述的水土保持土壤流失率监测系统,其特征在于:所述分析模块(400)根据计算获得的土壤流失率模型划分土壤流失等级;还通过搭建深度学习网络对寻优获得的土壤侵蚀模数进行学习预测,同时预测输出监测地的土壤流失率。
7.一种水土保持土壤流失率监测方法,基于权利要求1-6任意一项所述的水土保持土壤流失率监测系统,其特征在于,包括如下步骤:
S1:通过监测装置采集水土数据;
S2:传输监测的水土数据至控制中心;
S3:对接收的水土数据进行数据预处理;
S4:对预处理后的水土数据进行分析;
S5:根据S4的分析结果采取对应的治理措施。
8.根据权利要求7所述的水土保持土壤流失率监测方法,其特征在于:所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算,所述改进萤火虫算法中,任意两只萤火虫由于相互吸引而移动,亮度弱的萤火虫向亮度强的萤火虫靠近以完成位置迭代,亮度强的萤火虫不受其他萤火虫吸引,进行随机移动。
9.根据权利要求8所述的水土保持土壤流失率监测方法,其特征在于:所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算具体如下:
其中,为监测地环境状态变化因子/>更新的位置,/>为权重系数,/>为监测地环境状态变化因子/>的位置,/>为监测地环境状态变化因子/>的位置,/>为监测地环境状态变化因子自身吸引力,/>为监测地环境状态变化因子/>和监测地环境状态变化因子/>的距离,/>为吸引力因子,/>为数学常量,/>为均匀分布在/>的随机数,/>是随机化步长参数;
其中,为全局最优监测地环境状态变化因子更新的位置,/>为全局最优监测地环境状态变化因子随机选择的一维的位置,/>为随机选择的第/>个监测地环境状态变化因子的第/>维位置,/>表示因子为1的柯西分布函数的随机数;
当迭代至最大迭代次数时停止更新,将当前监测地环境状态变化因子与优化学习后的全局最优监测地环境状态变化因子进行比较,若全局最优监测地环境状态变化因子比当前监测地环境状态变化因子/>更优,则根据下式将当前监测地环境状态变化因子/>向全局监测地环境状态变化因子移动:
根据最终寻优结果获得的监测地环境状态变化因子对应变换为当前环境状态变化条件下的土壤侵蚀模数。
10.根据权利要求9所述的水土保持土壤流失率监测方法,其特征在于:所述S5根据所述S4中分析的监测地土壤流失率和预测的监测地土壤流失率按照划分的土壤流失等级采取对应治理措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483741.9A CN116202575B (zh) | 2023-05-04 | 2023-05-04 | 一种水土保持土壤流失率监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483741.9A CN116202575B (zh) | 2023-05-04 | 2023-05-04 | 一种水土保持土壤流失率监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116202575A true CN116202575A (zh) | 2023-06-02 |
CN116202575B CN116202575B (zh) | 2023-07-28 |
Family
ID=86509726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310483741.9A Active CN116202575B (zh) | 2023-05-04 | 2023-05-04 | 一种水土保持土壤流失率监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116202575B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452021A (zh) * | 2023-06-19 | 2023-07-18 | 深圳市睿拓新科技有限公司 | 一种水土保持准实时精细化监管定量评价方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006170843A (ja) * | 2004-12-16 | 2006-06-29 | Pacific Consultants Co Ltd | 侵食量測定装置 |
CN105911257A (zh) * | 2016-06-25 | 2016-08-31 | 西安科技大学 | 多状态原状土柱入渗模拟系统及非饱和渗透系数测定方法 |
CN108827401A (zh) * | 2018-09-10 | 2018-11-16 | 东北林业大学 | 一种新型的水土保持监测装置及方法 |
CN109711636A (zh) * | 2019-01-09 | 2019-05-03 | 南京工业大学 | 一种基于混沌萤火虫与梯度提升树模型的河流水位预测方法 |
CN111220210A (zh) * | 2020-01-15 | 2020-06-02 | 辽宁工程技术大学 | 一种水土保持多指标动态实时监测系统 |
AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
CN112116145A (zh) * | 2020-09-15 | 2020-12-22 | 东北农业大学 | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 |
CN112906310A (zh) * | 2021-04-19 | 2021-06-04 | 中国农业科学院农业资源与农业区划研究所 | 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法 |
CN113538125A (zh) * | 2021-06-29 | 2021-10-22 | 百维金科(上海)信息科技有限公司 | 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法 |
CN113640497A (zh) * | 2021-08-12 | 2021-11-12 | 北京江河中基工程咨询有限公司 | 一种建筑工程水土流失监测内容及方法 |
CN114154401A (zh) * | 2021-11-16 | 2022-03-08 | 华中师范大学 | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 |
WO2022135670A1 (de) * | 2020-12-21 | 2022-06-30 | Wilo Se | Überwachung der integrität einer ultrafiltrationsmembran im filterbetrieb |
CN115166211A (zh) * | 2022-09-08 | 2022-10-11 | 北京江河惠远科技有限公司 | 输电线路全地形土壤侵蚀模数的自动计算方法及系统 |
-
2023
- 2023-05-04 CN CN202310483741.9A patent/CN116202575B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006170843A (ja) * | 2004-12-16 | 2006-06-29 | Pacific Consultants Co Ltd | 侵食量測定装置 |
CN105911257A (zh) * | 2016-06-25 | 2016-08-31 | 西安科技大学 | 多状态原状土柱入渗模拟系统及非饱和渗透系数测定方法 |
CN108827401A (zh) * | 2018-09-10 | 2018-11-16 | 东北林业大学 | 一种新型的水土保持监测装置及方法 |
CN109711636A (zh) * | 2019-01-09 | 2019-05-03 | 南京工业大学 | 一种基于混沌萤火虫与梯度提升树模型的河流水位预测方法 |
CN111220210A (zh) * | 2020-01-15 | 2020-06-02 | 辽宁工程技术大学 | 一种水土保持多指标动态实时监测系统 |
AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
CN112116145A (zh) * | 2020-09-15 | 2020-12-22 | 东北农业大学 | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 |
WO2022135670A1 (de) * | 2020-12-21 | 2022-06-30 | Wilo Se | Überwachung der integrität einer ultrafiltrationsmembran im filterbetrieb |
CN112906310A (zh) * | 2021-04-19 | 2021-06-04 | 中国农业科学院农业资源与农业区划研究所 | 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法 |
CN113538125A (zh) * | 2021-06-29 | 2021-10-22 | 百维金科(上海)信息科技有限公司 | 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法 |
CN113640497A (zh) * | 2021-08-12 | 2021-11-12 | 北京江河中基工程咨询有限公司 | 一种建筑工程水土流失监测内容及方法 |
CN114154401A (zh) * | 2021-11-16 | 2022-03-08 | 华中师范大学 | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 |
CN115166211A (zh) * | 2022-09-08 | 2022-10-11 | 北京江河惠远科技有限公司 | 输电线路全地形土壤侵蚀模数的自动计算方法及系统 |
Non-Patent Citations (7)
Title |
---|
SAEED SAMADIANFARD ET.AL: "Forecasting soil temperature at multiple-depth with a hybrid artificial neural network model coupled-hybrid firefly optimizer algorithm", INFORMATION PROCESSING IN AGRICULTURE, vol. 5, no. 4, pages 465 - 476 * |
刘畅等: "改进萤火虫算法及其在全局优化问题中的应用", 哈尔滨工程大学学报, vol. 38, no. 4 * |
刘翱等: "基于模拟退火的混合萤火虫Memetic算法", 计算机应用, vol. 36, no. 11 * |
张毅等: "基于多子群协同进化的自适应萤火中算法", 纺织高校基础科学学报, vol. 29, no. 1 * |
赵嘉;谢智峰;吕莉;王晖;孙辉;喻祥;: "深度学习萤火虫算法", 电子学报, no. 11 * |
郭红山;张慧宁;: "基于萤火虫算法的农业遥感图像增强研究", 浙江农业学报, no. 06 * |
马良玉;曹鹏蕊;: "几种改进的萤火虫算法性能比较及应用", 软件导刊, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452021A (zh) * | 2023-06-19 | 2023-07-18 | 深圳市睿拓新科技有限公司 | 一种水土保持准实时精细化监管定量评价方法 |
CN116452021B (zh) * | 2023-06-19 | 2023-09-08 | 深圳市睿拓新科技有限公司 | 一种水土保持准实时精细化监管定量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116202575B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978235B (zh) | 一种基于样本学习的积涝水位预测方法 | |
WO2023016036A1 (zh) | 市政道路积水多因素复合型预警预报方法 | |
CN107169645B (zh) | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 | |
CN105760970A (zh) | 空气质量指数的预测方法 | |
CN110646867A (zh) | 一种城市排水监测预警方法和系统 | |
CN112785024A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN110287615B (zh) | 基于遥感解译和降雨实验的雨水径流污染负荷测算方法 | |
CN110887790A (zh) | 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和系统 | |
CN116202575B (zh) | 一种水土保持土壤流失率监测系统及方法 | |
CN114186723A (zh) | 一种基于时空关联的分布式光伏功率网格虚拟预测系统 | |
CN112990739B (zh) | 基于多介质污染特征识别的磷矿区水环境风险评估方法 | |
CN115237896B (zh) | 一种基于深度学习预报空气质量的数据前处理方法及系统 | |
CN112750138B (zh) | 一种黄河流域淤地坝空间分布识别方法 | |
CN111428942A (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
CN117009735A (zh) | 一种结合BiLSTM与核密度估计的高强度森林火灾发生概率计算方法 | |
CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
CN116227362A (zh) | 一种基于图与深度学习的市政排水管网状态预测方法 | |
Dai et al. | Predicting coastal urban floods using artificial neural network: The case study of Macau, China | |
Moghadam et al. | Investigating the performance of data mining, lumped, and distributed models in runoff projected under climate change | |
CN110929952A (zh) | 基于线路周边环境和敷设类型的光缆故障概率预测方法 | |
CN117688844A (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及系统 | |
CN115392128B (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
CN116128168A (zh) | 基于因果扩充卷积和Autoformer的气象预测法 |
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 |