CN116620491B - 走航式在线水文信息无人监测船及水文监测移动方法 - Google Patents

走航式在线水文信息无人监测船及水文监测移动方法 Download PDF

Info

Publication number
CN116620491B
CN116620491B CN202310907494.0A CN202310907494A CN116620491B CN 116620491 B CN116620491 B CN 116620491B CN 202310907494 A CN202310907494 A CN 202310907494A CN 116620491 B CN116620491 B CN 116620491B
Authority
CN
China
Prior art keywords
ship
water
hydrologic
information
monitoring
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
Application number
CN202310907494.0A
Other languages
English (en)
Other versions
CN116620491A (zh
Inventor
陈博文
黄晓滨
顾斌
吴海军
刘鑫鑫
奚弘远
陆春
陆镕
佘彬杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Metering Detecting Test
Original Assignee
Nantong Metering Detecting Test
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Metering Detecting Test filed Critical Nantong Metering Detecting Test
Priority to CN202310907494.0A priority Critical patent/CN116620491B/zh
Publication of CN116620491A publication Critical patent/CN116620491A/zh
Application granted granted Critical
Publication of CN116620491B publication Critical patent/CN116620491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B35/00—Vessels or similar floating structures specially adapted for specific purposes and not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B17/00—Vessels parts, details, or accessories, not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/40—Monitoring properties or operating parameters of vessels in operation for controlling the operation of vessels, e.g. monitoring their speed, routing or maintenance schedules
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63H—MARINE PROPULSION OR STEERING
    • B63H25/00—Steering; Slowing-down otherwise than by use of propulsive elements; Dynamic anchoring, i.e. positioning vessels by means of main or auxiliary propulsive elements
    • B63H25/06—Steering by rudders
    • B63H25/38—Rudders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • 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

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Hydrology & Water Resources (AREA)
  • Remote Sensing (AREA)
  • Power Engineering (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

走航式在线水文信息无人监测船及水文监测移动方法，走航式在线水文信息无人监测船设置有船体，所述船体内部设置有控制船体运行用的控制盒、组合惯导天线、毫米波雷达、高清摄像头、立杆支架和锂电池组，尾部设置自动舵机和推进电机，所述船体中部两侧设置有检测用的水质检测分析设备，船体后部两侧设置多普勒流速仪及传输数据用的数传天线，所述立杆支架上设置有温湿度变送器、风向变送器、雨量计、风速变送器、雨雪变送器、太阳能板和防护箱；所述走航式在线水文信息无人监测船能通过自身算法在水域以最优路径进行航行，并在航行过程中对该水域的各种水文信息进行采集记录，实现对检测水域的走航式和在线实时监测，效率高，采集数据范围广，可研究性强。

Description

走航式在线水文信息无人监测船及水文监测移动方法
技术领域
本发明涉及水文仪器检测设备技术领域，具体为走航式在线水文信息无人监测船及水文监测移动方法。
背景技术
人类与环境和谐发展才是长久的发展，为了实现这一目标。我们需要使用很多的仪器设备对生活的环境进行数据采集和监测，通过对环境多种数据检测、监测和研究以求实现人类与环境和谐发展，然而在众多环境测量数据中，水文对环境的影响较大，为此对环境中各项影响水文环境的数据进行监测研究成为为重中之重，目前常见的水文信息检测和监测涉及河道、湖泊和海洋等，常见的河道水文信息的监测方法主要依靠布设的监测站点，利用人工或者半自动的监测手段来获取站点上的水文信息，这种方法投入的成本高，耗时长，覆盖水域也有限，不能满足水体全面监测监管的要求。随着自主控制技术的发展，采用智能设备搭载监测仪器进行检查成为主流，通过对河道流域中的水文信息如流速、水位、水质以及气象等信息进行采集监测，实现对该水域环境检测、气象预警以及水资源分布信息的采集和研究，为人类的发展提供数据支撑，从而实现人与自然的和谐发展。基于这样一种情况，开发设走航式在线水文信息无人监测船，不仅有效提升水质的检测效率，数据采集更全面，还可以实现在线实时检测，真正实现了水文气象信息多点数据检测，实时实地信息监测收集，为人类研究不同区域的水文信息提供保障。
此外现有技术中，水文监测成本高，耗时长，且覆盖水域有限。本次申请装置为一种走航式在线水文信息无人监测船，首先传统的路径规划都旨在寻找出到达目的地的最短的路径，但水文监测系统中，监测船是否顺流行驶，又如何最佳效率完成全部节点的监测，这些导致传统的Dijkstra难以应用到此次水文监测系统中。此外在现有水文监测技术中，液位的高度监测难以高效率的实现。基于上述情况，本文提出基于Dijkstra改进算法及BP神经网络的水文监测方法，利用Dijkstra改进算法实现高效率的全节点路径规划，再利用BP神经网络高效率预测出不同水位的液位高度，真正实现对水文信息全覆盖、自动化的监测。
发明内容
为解决上述技术问题，本发明提出了走航式在线水文信息无人监测船及水文监测移动方法，可自主实现对检测水域的走航式和在线实时监测，效率高，采集数据范围广，可研究参考性强，基水文监测移动方法于Dijkstra改进算法及BP神经网络，能够自动、效率且智能的实现水文信息监测。
为实现上述目的，本发明采取的技术方案是：
走航式在线水文信息无人监测船，包括有船体、控制盒、组合惯导天线、毫米波雷达、高清摄像头、自动船舵、推进电机、多普勒流速仪、锂电池组、水质检测分析设备、数传天线、温湿度变送器、风向变送器、雨量计、风速变送器、立杆支架、太阳能板、防护箱、雨雪变送器、电磁阀开关和电动伸缩杆，其特征在于：所述走航式在线水文信息无人监测船设置有船体，所述船体内部靠前端安装控制盒，所述控制盒后端设置有设备安装板，设备安装板前端安装组合惯导天线，所述组合惯导天线后侧安装毫米波雷达，所述毫米波雷达后侧安装高清摄像头，所述清摄像头后侧安装立杆支架，设备安装板后端安装两组数传天线，所述船体内部中间位置安装锂电池组，所述船体尾部安装自动船舵、电动伸缩杆和推进电机，电动伸缩杆位于自动船舵和推进电机之间，所述电动伸缩杆由中部向船体两侧延伸，所述电动伸缩杆上安装多普勒流速仪，所述船体中部两侧安装水质检测分析设备，所述立杆支架中部安装防护箱，所述防护箱上部安装太阳能板，所述立杆支架顶部设置十字形安装架，所述立杆支架的十字形安装架前端安装温湿度变送器，后端安装雨量计；所述立杆支架的十字形安装架左右横杆上依次安装风向变送器、电磁阀开关、雨雪变送器和风速变送器。
进一步本发明结构改进，所述走航式在线水文信息无人监测船设置有水质检测分析设备，所述水质检测分析设备内部结构为设置有管道、电动阀一、微试剂水质测量器、工控机、搅拌机、混合杯、五参数一体式传感器、电动阀二、排水管、电动阀三、吸水泵、废液桶、过滤器和沉淀盒，其特征在于：所述水质检测分析设备内侧的底部安装吸水泵，所述吸水泵的出水管上安装过滤器，所述过滤器后安装沉淀盒，所述沉淀盒上部安装管道到水质检测分析设备内部后侧安装的四组混合杯上部，所述管道上安装有电动阀一，所述混合杯上部对应安装有搅拌机和微试剂水质测量器，所述微试剂水质测量器右侧安装有工控机，所述混合杯下部安装电动阀三，所述电动阀三下部设置管道汇流到五参数一体式传感器处，所述五参数一体式传感器后部连接废液桶，所述废液桶上设置有排水管，所述排水管上设置电动阀二，所述五参数一体式传感器和废液桶安装在水质检测分析设备内侧的底部。
进一步本发明结构改进，所述走航式在线水文信息无人监测船设置有多普勒流速仪，所述多普勒流速仪采用电动伸缩杆安装在船体上，电动伸缩杆能根据需求收回或放置多普勒流速仪到水中。
本发明提供走航式在线水文信息无人监测船的水文监测移动方法，具体步骤如下：
1）地图数据采集；
所述步骤1）地图数据采集还包括以下步骤：
确定采集区域范围；
水文信息无人监测船只设定；
所述步骤1）中水文信息无人监测船只设定表示为：
采用中对于初步地图信息采集依靠小型便携快速的地图信息采集船，其上装有机械式流速仪，根据测量探头在水流中的受力情况，来推算水流速度：
；
其中为推算后的水流速度，P t 为探头总压，P 1 为探头静压，rho则为水流密度;
此外小型便携快速的地图信息采集船其上还装有机械风速仪来计算出各河道的风速情况，其中风速计算公式为：
；
其中 是实时风速、N是风叶的转速，k则是机械风速仪系数；
水文信息无人监测船只巡航；
2）地图数据转换；
所述步骤2）地图数据转换还包括以下步骤：
节点数据转换；
边数据转换；
边数据转换表示为：
将检测范围内的河道地图上的道路或其他路径抽象成边，并用起始节点和终止节点的ID表示每条边，其中边包含权重，即两个节点之间的距离，此次申请权重使用欧几里得距离度量方式计算得出：
；
其中两个节点之间的距离，/>为ID为m的坐标信息，为ID为n的坐标信息；
图形结构构建；
3）Dijkstra改进算法应用；
所述步骤3）Dijkstra改进算法应用还包括以下步骤：
图形结构导入；
权重重新分配；
所述步骤3）中权重重新分配表示为：
基于Dijkstra改进算法及BP神经网络的权重重新分配流程图；
在原有的Dijkstra中，边的信息代表了距离的远近，即权重大小正比于两个节点的远近，选择的最优路径即相当于选择综合距离最短的路径，则在权重系数中引入水流速度惩罚系数，并对权重重新分配，其中原有权重具体表现公式为：
；
其中，为原权重，dis为两个节点之间的欧几里得距离，当两个节点之间存在边线连接时，权重与距离相等，当两节点之间不存在边线时，权重无限大；
原有的权重保证了在挑选各个节点时，如果两节点间没有边线连接则由于权重无限无法选上，当存在节点连接时，则优先选择与当前节点权重较小的相邻节点；
在权重信息上针对水文监测系统的优化，引入水流速信息，更新权重，其具体公式表示为：
；
其中，为更新后的权重，/>为当前边的水流速度，dis为两节点之间的距离；
引入新的权重信息保证了本装置初始进行顺水流速度行驶，对水文信息进行勘测时，优先会选择水流速度大、距离远的节点；
多重迭代；
输出第一路径；
反馈第二路径；
所述步骤3）多重迭代还包括以下步骤：
初始化；
迭代；
终止；
所述步骤3）反馈第二路径还包括以下步骤：
删除已巡航节点；
重新输入图形结构；
遍历节点；
输出第二路径；
4）水文信息采集监测；
所述步骤4）水文信息采集监测还包括以下步骤：
当月日平均降雪量；
风速；
断面水位流速；
天气面貌；
所述步骤4）断面水位流速还包括以下步骤：
伸缩多普勒流速仪；
多位置多普勒流速仪水流速度反馈；
所述步骤4）中断面水位流速计算表示为：
首先利用多普勒流速仪测量多点位置的水流速度，具体表达公式为：
；
其中，为各点水流速度，c为声速，/>是回波信号与发射信号之间的夹角，/>为回波信号的频率，多位置多普勒流速仪水流速度反馈表示为：
将不同位置上的水流速度数据传输到中央处理器，并根据多个位置上的水流速度数据，建立水位-流速分布图，其他位置上使用插值法进行计算：
；
其中，设待插值位置的坐标为(x, y)，插值区域的四个顶点分别为(x1, y1)，(x2,y1)，(x1, y2)，(x2, y2)，对应的流速值为v1，v2，v3，v4，则(x, y)位置的流速值可以用上述公式计算，
则分别表示该位置到x1和y1的距离与矩形区域的宽度和长度之比则为发射信号的频率；
输出断面水位流速图；
5）BP神经网络应用；
所述步骤5）BP神经网络应用还包括以下步骤：
液位数据集采集；
所述步骤5）中液位数据集采集表示为：
BP神经网络拟合任务中，所需要的当月日平均降雪量、风速、断面水位流速与天气面貌均可以由本申请中走航式在线水文信息无人监测船监测得到，但目标值即液位高度难以采集到。故初始所需拟合样本目标值，采取人工采集获得；
对代表当月日平均降雪量、风速、断面水位流速以及天气面貌进行归一化：
；
其中 为归一化后的数值，/>为原特征值，/>为特征中最小值，/>为特征中最大值；
网络架构设计；
初始化网络参数；
前向传播；
计算误差；
反向传播；
参数更新；
模型评估；
模型应用；
数据保存。
作为本发明进一步改进，所述步骤3）中输出第一路径表示为：
当下述公式满足时，第一路径即前行路径优先选择A-B-D-F-G：
；
其中分别表示为AB,BD,DF,FG,AC,CE,EF之间的水流速度;
则分别表示为AB,BD,DF,FG,AC,CE,EF之间的距离。
作为本发明进一步改进，所述步骤5）中模型评估集表示为：
本次模型评估采用均方误差MSE：
；
其中为均方差，n为样本数量，/>则为样本真实值，/>则为样本预测值。
本发明结构部分提供一种走航式在线水文信息无人监测船，通过在设置的船体内部安装控制船体运行用的控制盒，组合惯导天线、毫米波雷达、高清摄像头、立杆支架和锂电池组，在尾部安装船体运行用的自动舵机和推进电机，实现船体在水体中的自主航行或遥控航行；通过在船体中部两侧设置检测用的水质检测分析设备，在船体后部两侧设置检测用的多普勒流速仪以及数据传输用的数传天线，在立杆支架上设置温湿度变送器、风向变送器、雨量计、风速变送器、雨雪变送器、太阳能板和防护箱用以监测和采集船体所处位置水域的多种数据；自主实现对检测水域的走航式和在线实时监测，效率高，采集数据范围广，可研究参考性强，带来的好处是：
1、走航式在线水文信息无人监测船的功能齐全，采集数据广，能监测采集水域实地的各项数据用于研究参考，采集数据灵活，不局限于一点，使研究更全面；
2、走航式在线水文信息无人监测船能根据需求，运用自身设备自行运行采集水文数据，还能进行实时在线数据采集，实时传输采集数据，为研究不同区域水文环境提供便捷。
3. 走航式在线水文信息无人监测船可以通过多普勒流速仪与其他设备相配合，通过对相关数据进行综合处理，预测相应水面高度。
本发明方法部分提供一种基于Dijkstra改进算法及BP神经网络的水文监测方法，能够自动、效率且智能的实现水文信息监测。
1.本申请基于Dijkstra改进算法及BP神经网络的水文监测方法使用改进后的Dijkstra算法复杂水面进行路径规划，能够在全覆盖巡航的背景下，做到高效率，低能耗的水文信息监测采集；
2.本申请基于Dijkstra改进算法及BP神经网络的水文监测方法使用BP神经网络对难以监测的液位高度进行回归拟合分析，精度高且提升了工作效率。
附图说明
图1是根据本申请整体结构示意图；
图2是根据本申请整体俯视结构示意图；
图3是根据本申请局部结构示意图；
图4是根据本申请水质检测分析设备结构示意图；
图5是根据本申请水质检测分析设备结构俯视示意图；
图6是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的水文监测方法流程图；
图7是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的水面地图信息采集流程图；
图8是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的地图数据转换流程图；
图9是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的地图数据图形结构图；
图10是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的地图数据图形结构图；
图11是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的权重重新分配流程图；
图12是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的多重迭代流程图；
图13是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的输出第二路径流程图；
图14是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的删除已巡航节点剩余节点图；
图15是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的水文信息采集监测流程图；
图16是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的断面水位流速流程图；
图17是根据本申请实施例提供的基于Dijkstra改进算法及BP神经网络的BP神经网络应用流程图；
图中标记为：1、船体；2、控制盒；3、组合惯导天线；4、毫米波雷达；5、高清摄像头；6、自动船舵；7、推进电机；8、多普勒流速仪；9、锂电池组；10、水质检测分析设备；11、数传天线；12、温湿度变送器；13、风向变送器；14、雨量计；15、风速变送器；16、立杆支架；17、太阳能板；18、防护箱；19、雨雪变送器；20、管道；21、电动阀一；22、微试剂水质测量器；23、工控机；24、搅拌机；25、混合杯；26、五参数一体式传感器；27、电动阀二；28、排水管；29、电动阀三；30、吸水泵；31、废液桶；32、过滤器；33、沉淀盒；34、电磁阀开关；35、电动伸缩杆。
实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
如图1-3所示：所示为走航式在线水文信息无人监测船，包括船体1、控制盒2、组合惯导天线3、毫米波雷达4、高清摄像头5、自动船舵6、推进电机7、多普勒流速仪8、锂电池组9、水质检测分析设备10、数传天线11、温湿度变送器12、风向变送器13、雨量计14、风速变送器15、立杆支架16、太阳能板17、防护箱18、雨雪变送器19、电磁阀开关34和电动伸缩杆35；如图1所示，所示走航式在线水文信息无人监测船设置有船体1，船体1采用一体铸造而成，具有很好的流线型，航行阻力小，所示船体1内部靠前端安装控制盒2，控制盒2能自主控制船体运行或通过远程遥控控制船体航行，所示控制盒2后端设置有设备安装板，设备安装板根据需要安装的各种设备制造，安装在船体内侧中部，所示设备安装板前端安装组合惯导天线3，组合惯导天线3用于远程控制船体航行，所示组合惯导天线3后侧安装毫米波雷达4，通过毫米波雷达4能探知船体1航行前方的障碍物，并将障碍物信息反馈给控制盒2，所示毫米波雷达4,后侧安装高清摄像头5，通过高清摄像头5采集船体前方或周围的视频信息，用以辅助船体1航行和采集船体1航行处的水域环境图像信息，所示清摄像头5后侧安装立杆支架16，设备安装板后端安装两组数传天线11，数传天线11用于实时传输船体1上安装的各种采集设备的监测数据，所示船体1内部中间位置安装锂电池组9，锂电池组9为船体1航行和各种设备运行提供能源，所示船体1尾部安装自动船舵6、电动伸缩杆35和推进电机7，自动船舵6和推进电机7由控制盒2控制运行；如图2所示电动伸缩杆35位于自动船舵6和推进电机7之间，所示电动伸缩杆35由中部向船体1两侧延伸，所示电动伸缩杆35上安装多普勒流速仪8，电动伸缩杆35能根据需求将多普勒流速仪8收回船体上部或将其放置在船体1所在的水体中，所示船体1中部两侧安装水质检测分析设备10，水质检测分析设备10用于检测水域中水体的各种数据；如图3所示，所示立杆支架16中部安装防护箱18，防护箱18内安装检测设备的电子元器件和处理器，具备防水功能，所示防护箱18上部安装太阳能板17，太阳能板17能产生电能为安装在船体1内的锂电池组9进行充电，所示立杆支架16顶部设置十字形安装架，所示立杆支架16的十字形安装架前端安装温湿度变送器12，后端安装雨量计14；所示立杆支架16的十字形安装架左右横杆上依次安装风向变送器13、电磁阀开关34、雨雪变送器19和风速变送器15，通过温湿度变送器12、风向变送器13、雨量计14、风速变送器15和雨雪变送器19采集船体1所在水域的实地气象数据，数据用于该区域水域水文环境的实地研究，电磁阀开关34为雨量计14的电磁阀排水开关，在雨量计14测量数据后将雨量计14内的雨水排出。
如图4-5所示，所示为走航式在线水文信息无人监测船设置有水质检测分析设备10结构示意图，所示水质检测分析设备10内部结构为设置有管道20、电动阀一21、微试剂水质测量器22、工控机23、搅拌机24、混合杯25、五参数一体式传感器26、电动阀二27、排水管28、电动阀三29、吸水泵30、废液桶31、过滤器32和沉淀盒33，其特征在于：所示水质检测分析设备10内侧的底部安装吸水泵30，吸水泵30进水口位于底部，所示吸水泵30的出水管上安装过滤器32，过滤器32能过滤到水体中较大的颗粒物和垃圾，所示过滤器32后安装沉淀盒33，沉淀盒33将水体中一些较重的颗粒物进行沉淀，所示沉淀盒33上部安装管道20到水质检测分析设备10内部后侧安装的四组混合杯25上部，所示管道20上安装有电动阀一21，电动阀一21控制进入混合杯25中水量的多少，所示混合杯25上部对应安装有搅拌机24和微试剂水质测量器22，所示微试剂水质测量器22右侧安装有工控机23，工控机23自主控制完成水质检测分析设备10内各种设备的运行和数据采集，所示混合杯25下部安装电动阀三29，所示电动阀三29下部设置管道汇流到五参数一体式传感器26处，所示五参数一体式传感器26后部连接废液桶31，所示水质检测分析设备10进行水质检测时，通过吸水泵30抽取水体，水体经过滤器32和沉淀盒33初步处理，与此同时微试剂水质测量器22中的标准液体释放入到混合杯25，混合杯25内的搅拌器24对其进行搅拌，混合杯25内的标准液体搅拌完成后电动阀三29打开将标准液体流入到五参数一体式传感器26中，五参数一体式传感器26对其进行标定至标准值，五参数一体式传感器26标定完成后工控机23控制打开电动阀一21，沉淀盒33内的水进入到混合杯25，当混合杯25的水体达到检测量后电动阀三29打开，将水体流入到五参数一体式传感器26中，五参数一体式传感器26对其进行检测，五参数一体式传感器26将检测得到的数据传输到工控机23中，五参数一体式传感器26内采集完的液体排入到废液桶31内，所示废液桶31上设置有排水管28，所示排水管28上设置电动阀二27，在船体1靠岸或完成数据采集后，使用人员通过排水管28取出废液桶31内的液体，进行环保处理，所示五参数一体式传感器26和废液桶31安装在水质检测分析设备10内侧的底部；走航式在线水文信息无人监测船能自主实现对检测水域的走航式和在线实时监测，效率高，采集数据范围广，研究参考性强，为研究不同区域水文环境提供便捷。
作为本发明方法实施例，本发明提供如图6所示为本申请提供的基于Dijkstra改进算法及BP神经网络的水文监测方法流程图。
步骤S1:地图数据采集
在进行水文监测路径规划前，需要对水面地图信息进行采集。
其中水面地图信息采集包含以下步骤：
如图7所示为本申请提供的基于Dijkstra改进算法及BP神经网络的水面地图信息采集流程图。
步骤A1：确定采集区域范围
首先利用航拍图像的方式来确定需要采集的地图信息整体区域范围，并确定河道大致路径。
步骤A2：水文信息无人监测船只设定
本次申请采用中对于初步地图信息采集依靠小型便携快速的地图信息采集船，其上装有机械式流速仪，根据测量探头在水流中的受力情况，来推算水流速度：
；
其中为推算后的水流速度，P t 为探头总压，P 1 为探头静压，rho则为水流密度;
此外小型便携快速的地图信息采集船其上还装有机械风速仪来计算出各河道的风速情况，其中风速计算公式为：
；
其中 是实时风速、N是风叶的转速，k则是机械风速仪系数；
步骤A3：水文信息无人监测船只巡航；
采用设定好的水文信息无人监测船只进行巡航，将所有河道全部遍历巡航即可，此外要在晴天与雨天分别进行巡航，并记录晴天时，河道流速，雨天时河道流速，作为本次申请的走航式在线水文信息无人监测船路径规划信息依据。
步骤S2：地图数据转换。
在使用Dijkstra算法进行路径规划前，需要将地图数据转换为图形结构，并计算图中各个节点之间的距离.
其中地图数据转换包含以下步骤：
如图8所示为本申请提供的基于Dijkstra改进算法及BP神经网络的地图数据转换流程图。
步骤B1：节点数据转换。
首先将地图数据转换为节点数据，其中将需要检测范围内河道的交叉路口或其他关键点抽象成节点，并且用唯一的ID进行标识，标识完毕后将节点用数组数据结构进行存储。
步骤B2:边数据转换。
将检测范围内的河道地图上的道路或其他路径抽象成边，并用起始节点和终止节点的ID表示每条边。其中边包含权重（即两个节点之间的距离），此次申请权重使用欧几里得距离度量方式计算得出：
；
其中两个节点之间的距离，/>为ID为m的坐标信息，为ID为n的坐标信息；
步骤B3:图形结构构建
如图9所示为本申请提供的基于Dijkstra改进算法及BP神经网络的地图数据图形结构图。
本次在基础表示距离以及大概位置的图像结构上引入水流速度最为重要特征，引入作为后续Dijkstra算法改进的依据。
步骤S3: Dijkstra改进算法应用
其中Dijkstra改进算法应用包含以下子步骤：
如图10所示为本申请提供的基于Dijkstra改进算法及BP神经网络的地图数据图形结构图。
步骤C1：图形结构导入。
将步骤B3构建出的图形结构导入到算法中，其中节点代表地点，边表示了两个地点之间的距离。
步骤C2：权重重新分配
如图11所示为本申请提供的基于Dijkstra改进算法及BP神经网络的权重重新分配流程图。
在原有的Dijkstra中，边的信息代表了距离的远近，即权重大小正比于两个节点的远近，选择的最优路径即相当于选择综合距离最短的路径。本次申请中，则在权重系数中引入水流速度惩罚系数，并对权重重新分配。其中原有权重具体表现公式为：
；
其中，为原权重，dis为两个节点之间的欧几里得距离，当两个节点之间存在边线连接时，权重与距离相等，当两节点之间不存在边线时，权重无限大；
原有的权重保证了在挑选各个节点时，如果两节点间没有边线连接则由于权重无限无法选上。当存在节点连接时，则优先选择与当前节点权重较小的相邻节点。
本次申请在原算法权重信息上针对水文监测系统的优化，引入水流速信息，更新权重，其具体公式表示为：
；
其中，为更新后的权重，/>为当前边的水流速度，dis为两节点之间的距离；
引入新的权重信息保证了本装置初始进行顺水流速度行驶，对水文信息进行勘测时，优先会选择水流速度大、距离远的节点。
步骤C3:多重迭代。
如图12所示为本申请提供的基于Dijkstra改进算法及BP神经网络的多重迭代流程图。
步骤D1：初始化。
将起点标记为已处理，并将起点到每个节点的距离初始化为无穷大（表示不可达），起点到自己的距离为0。
步骤D2：迭代。
在所有未被处理的节点中，选择一个经过权重重新分配，距离起点最小权重的节点（记为u），并将其标记为已处理。然后，对于u的每个未被处理的邻居节点（记为v），计算起点到v的累计权重，即起点到u的权重加上u到v的边权重。如果这个权重比v目前的最小权重更小，就更新v的最小权重，并将v的前驱节点设置为u。
步骤D3：终止。
当所有节点都被处理后，算法结束。此时，每个节点的最小权重就是起点到该节点的最短权重路径，最小权重可以通过反向遍历各节点的前驱节点得到。
步骤C4：输出第一路径。
依照上述，以图9节点进行简易表示。当下述公式满足时，第一路径即前行路径优先选择A-B-D-F-G：
；
其中分别表示为AB,BD,DF,FG,AC,CE,EF之间的水流速度;
则分别表示为AB,BD,DF,FG,AC,CE,EF之间的距离。
步骤C5：反馈第二路径。
第二路径即返航路径，输出第二路径包含以下步骤：
如图13所示为本申请提供的基于Dijkstra改进算法及BP神经网络的输出第二路径流程图。
步骤E1：删除已巡航节点。
如图14所示为本申请提供的基于Dijkstra改进算法及BP神经网络的删除已巡航节点剩余节点图。
本次装置在顺水流行驶时，已完成其中一些节点的巡航，在返航时便无需对已巡航节点再次巡航，徒然增大总航程消耗。故删除已巡航节点
步骤E2：重新输入图形结构。
将已巡航节点删除后，输出剩余节点图形结构图。
步骤E3：遍历节点。
为了满足此次巡航全覆盖水域节点要求，需要对剩下节点进行全部巡航，此处可直接引入蚁群算法完成返航时最短路径并且保证经过所有节点。
步骤E4:输出第二路径。
根据蚁群算法得到的返航路径，完成走航式在线水文信息无人监测船的返航节点最短路径巡航。
步骤S4：水文信息采集监测
其中，水文信息采集监测包含以下步骤：
如图15所示为本申请提供的基于Dijkstra改进算法及BP神经网络的水文信息采集监测流程图。
步骤F1：当月日平均降雪量。
利用本次走航式在线水文信息无人监测船其上数据传输功能获得当月的日平均降雪量。
步骤F2：风速。
利用本次走航式在线水文信息无人监测船其上风向变速器以及风速变速器测量出河道风速情况。
步骤F3：断面水位流速。
其中断面水位流速测量包含以下步骤：
如图16所示为本申请提供的基于Dijkstra改进算法及BP神经网络的断面水位流速流程图。
步骤G1: 伸缩多普勒流速仪。
本次申请走航式在线水文信息无人监测船可以利用两侧可伸缩的多普勒流速仪，测量出不同位置上的水流速度。
步骤G2: 多位置多普勒流速仪水流速度反馈。
首先利用多普勒流速仪监测出多点位置的水流速度，具体表达公式为：
；
其中，为各点水流速度，c为声速，/>是回波信号与发射信号之间的夹角，/>为回波信号的频率，多位置多普勒流速仪水流速度反馈表示为：
将不同位置上的水流速度数据传输到中央处理器，并根据多个位置上的水流速度数据，建立水位-流速分布图，其他位置上使用插值法进行计算：
；
其中，设待插值位置的坐标为(x, y)，插值区域的四个顶点分别为(x1, y1)，(x2,y1)，(x1, y2)，(x2, y2)，对应的流速值为v1，v2，v3，v4，则(x, y)位置的流速值可以用上述公式计算，
则分别表示该位置到x1和y1的距离与矩形区域的宽度和长度之比则为发射信号的频率；
步骤G3: 输出断面水位流速图。
将水位-流速分布图转化为断面水位流速分布图，进而获得断面水位流速分布情况。
其中断面水位流速的监测包含以下步骤：
步骤F4：天气面貌。
利用本次走航式在线水文信息无人监测船其上雨量计分析河道天气面貌，主要查看降雨量大小。
步骤S5：BP神经网络应用。
其中，BP神经网络应用包含以下子步骤：
如图17所示为本申请提供的基于Dijkstra改进算法及BP神经网络的BP神经网络应用流程图。
步骤H1:液位数据集采集。
本次BP神经网络拟合任务中，所需要的当月日平均降雪量、风速、断面水位流速与天气面貌均可以由本申请中走航式在线水文信息无人监测船监测得到。但目标值即液位高度难以采集到。故初始所需拟合样本目标值，采取人工采集获得。
为了避免不同特征的尺度对后续网络影响过大，对代表当月日平均降雪量、风速、断面水位流速以及天气面貌进行归一化：
；
其中 为归一化后的数值，/>为原特征值，/>为特征中最小值，/>为特征中最大值；
步骤H2：网络架构设计。
本次输入特征类分别为代表当月日平均降雪量、风速、断面水位流速与天气面貌，故输入层节点数为4，其中隐藏层层数为4，各隐藏层节点数分别为5，5，5，4，各隐藏层间的激活函数选择为tanh函数。
步骤H3: 初始化网络参数.
采用正态分布对网络的权重和偏置进行随机初始化。
步骤H4: 前向传播。
将输入数据通过神经网络的输入层，经过隐藏层的计算和激活函数的作用，最终传递到输出层，得到网络的预测值。
步骤H5: 计算误差.
将预测值与真实值进行比较，得到误差值。
步骤H6：反向传播。
根据误差值，采用链式法则对网络的权重和偏置进行更新，最小化误差值。
步骤H7：参数更新。
通过迭代更新权重和偏置，直到误差收敛至0.05，即可完成初步训练。
步骤H8：模型评估
本次模型评估采用均方误差（MSE）：
；
其中为均方差，n为样本数量，/>则为样本真实值，/>则为样本预测值。
步骤H9：模型应用。
将本次模型部署到走航式在线水文信息无人监测船上，利用走航式在线水文信息无人监测船其上传感器实时监测代表当月日平均降雪量、风速、断面水位流速与天气面貌信息，在将这些特征值输入到部署的BP神经网络，输出液位高度信息。
步骤S6：数据保存。
将走航式在线水文信息无人监测船收集到以及经过BP神经网络预测得到的水文信息通过数传天线上传到服务器，并进行数据保存。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (3)

1.走航式在线水文信息无人监测船的水文监测移动方法，所述走航式在线水文信息无人监测船，包括有船体（1）、控制盒（2）、组合惯导天线（3）、毫米波雷达（4）、高清摄像头（5）、自动船舵（6）、推进电机（7）、多普勒流速仪（8）、锂电池组（9）、水质检测分析设备（10）、数传天线（11）、温湿度变送器（12）、风向变送器（13）、雨量计（14）、风速变送器（15）、立杆支架（16）、太阳能板（17）、防护箱（18）、雨雪变送器（19）、电磁阀开关（34）和电动伸缩杆（35），所述走航式在线水文信息无人监测船设置有船体（1），所述船体（1）内部靠前端安装控制盒（2），所述控制盒（2）后端设置有设备安装板，设备安装板前端安装组合惯导天线（3），所述组合惯导天线（3）后侧安装毫米波雷达（4），所述毫米波雷达（4)后侧安装高清摄像头（5），所述清摄像头（5）后侧安装立杆支架（16），设备安装板后端安装两组数传天线（11），所述船体（1）内部中间位置安装锂电池组（9），所述船体（1）尾部安装自动船舵（6）、电动伸缩杆（35）和推进电机（7），电动伸缩杆（35）位于自动船舵（6）和推进电机（7）之间，所述电动伸缩杆（35）由中部向船体（1）两侧延伸，所述电动伸缩杆（35）上安装多普勒流速仪（8），所述船体（1）中部两侧安装水质检测分析设备（10），所述立杆支架（16）中部安装防护箱（18），所述防护箱（18）上部安装太阳能板（17），所述立杆支架（16）顶部设置十字形安装架，所述立杆支架（16）的十字形安装架前端安装温湿度变送器（12），后端安装雨量计（14）；所述立杆支架（16）的十字形安装架左右横杆上依次安装风向变送器（13）、电磁阀开关（34）、雨雪变送器（19）和风速变送器（15）；
所述水质检测分析设备（10）内部结构为设置有管道（20）、电动阀一（21）、微试剂水质测量器（22）、工控机（23）、搅拌机（24）、混合杯（25）、五参数一体式传感器（26）、电动阀二（27）、排水管（28）、电动阀三（29）、吸水泵（30）、废液桶（31）、过滤器（32）和沉淀盒（33），其特征在于：所述水质检测分析设备（10）内侧的底部安装吸水泵（30），所述吸水泵（30）的出水管上安装过滤器（32），所述过滤器（32）后安装沉淀盒（33），所述沉淀盒（33）上部安装管道（20）到水质检测分析设备（10）内部后侧安装的四组混合杯（25）上部，所述管道（20）上安装有电动阀一（21），所述混合杯（25）上部对应安装有搅拌机（24）和微试剂水质测量器（22），所述微试剂水质测量器（22）右侧安装有工控机（23），所述混合杯（25）下部安装电动阀三（29），所述电动阀三（29）下部设置管道汇流到五参数一体式传感器（26）处，所述五参数一体式传感器（26）后部连接废液桶（31），所述废液桶（31）上设置有排水管（28），所述排水管（28）上设置电动阀二（27），所述五参数一体式传感器（26）和废液桶（31）安装在水质检测分析设备（10）内侧的底部；
所述多普勒流速仪（8）采用电动伸缩杆（35）安装在船体（1）上，电动伸缩杆（35）能根据需求收回或放置多普勒流速仪（8）到水中；
具体步骤如下，其特征在于：
1）地图数据采集；
所述步骤1）地图数据采集还包括以下步骤：
确定采集区域范围；
水文信息无人监测船只设定；
所述步骤1）中水文信息无人监测船只设定表示为：
采用中对于初步地图信息采集依靠小型便携快速的地图信息采集船，其上装有机械式流速仪，根据测量探头在水流中的受力情况，来推算水流速度：
；
其中为推算后的水流速度，P t 为探头总压，P 1 为探头静压，rho则为水流密度;
此外小型便携快速的地图信息采集船其上还装有机械风速仪来计算出各河道的风速情况，其中风速计算公式为：
；
其中 是实时风速、N是风叶的转速，k则是机械风速仪系数；
水文信息无人监测船只巡航；
2）地图数据转换；
所述步骤2）地图数据转换还包括以下步骤：
节点数据转换；
边数据转换；
边数据转换表示为：
将检测范围内的河道地图上的道路或其他路径抽象成边，并用起始节点和终止节点的ID表示每条边，其中边包含权重，即两个节点之间的距离，此次申请权重使用欧几里得距离度量方式计算得出：
；
其中两个节点之间的距离，/>为ID为m的坐标信息，为ID为n的坐标信息；
图形结构构建；
3）Dijkstra改进算法应用；
所述步骤3）Dijkstra改进算法应用还包括以下步骤：
图形结构导入；
权重重新分配；
所述步骤3）中权重重新分配表示为：
基于Dijkstra改进算法及BP神经网络的权重重新分配流程图；
在原有的Dijkstra中，边的信息代表了距离的远近，即权重大小正比于两个节点的远近，选择的最优路径即相当于选择综合距离最短的路径，则在权重系数中引入水流速度惩罚系数，并对权重重新分配，其中原有权重具体表现公式为：
；
其中，为原权重，dis为两个节点之间的欧几里得距离，当两个节点之间存在边线连接时，权重与距离相等，当两节点之间不存在边线时，权重无限大；
原有的权重保证了在挑选各个节点时，如果两节点间没有边线连接则由于权重无限无法选上，当存在节点连接时，则优先选择与当前节点权重较小的相邻节点；
在权重信息上针对水文监测系统的优化，引入水流速信息，更新权重，其具体公式表示为：
；
其中，为更新后的权重，/>为当前边的水流速度，dis为两节点之间的距离；
引入新的权重信息保证了本装置初始进行顺水流速度行驶，对水文信息进行勘测时，优先会选择水流速度大、距离远的节点；
多重迭代；
输出第一路径；
反馈第二路径；
所述步骤3）多重迭代还包括以下步骤：
初始化；
迭代；
终止；
所述步骤3）反馈第二路径还包括以下步骤：
删除已巡航节点；
重新输入图形结构；
遍历节点；
输出第二路径；
4）水文信息采集监测；
所述步骤4）水文信息采集监测还包括以下步骤：
当月日平均降雪量；
风速；
断面水位流速；
天气面貌；
所述步骤4）断面水位流速还包括以下步骤：
伸缩多普勒流速仪；
多位置多普勒流速仪水流速度反馈；
所述步骤4）中断面水位流速计算表示为：
首先利用多普勒流速仪测量多点位置的水流速度，具体表达公式为：
；
其中，为各点水流速度，c为声速，/>是回波信号与发射信号之间的夹角，/>为回波信号的频率，多位置多普勒流速仪水流速度反馈表示为：
将不同位置上的水流速度数据传输到中央处理器，并根据多个位置上的水流速度数据，建立水位-流速分布图，其他位置上使用插值法进行计算：
；
其中，设待插值位置的坐标为(x, y)，插值区域的四个顶点分别为(x1, y1)，(x2,y1)，(x1, y2)，(x2, y2)，对应的流速值为v1，v2，v3，v4，则(x, y)位置的流速值可以用上述公式计算，
则分别表示该位置到x1和y1的距离与矩形区域的宽度和长度之比则为发射信号的频率；
输出断面水位流速图；
5）BP神经网络应用；
所述步骤5）BP神经网络应用还包括以下步骤：
液位数据集采集；
所述步骤5）中液位数据集采集表示为：
BP神经网络拟合任务中，所需要的当月日平均降雪量、风速、断面水位流速与天气面貌均可以由本申请中走航式在线水文信息无人监测船监测得到，但目标值即液位高度难以采集到，故初始所需拟合样本目标值，采取人工采集获得；
对代表当月日平均降雪量、风速、断面水位流速以及天气面貌进行归一化：
；
其中 为归一化后的数值，/>为原特征值，/>为特征中最小值，/>为特征中最大值；
网络架构设计；
初始化网络参数；
前向传播；
计算误差；
反向传播；
参数更新；
模型评估；
模型应用；
数据保存。
2.根据权利要求1所述的走航式在线水文信息无人监测船的水文监测移动方法，其特征在于：
所述步骤3）中输出第一路径表示为：
当下述公式满足时，第一路径即前行路径优先选择A-B-D-F-G：
；
其中分别表示为AB,BD,DF,FG,AC,CE,EF之间的水流速度;
则分别表示为AB,BD,DF,FG,AC,CE,EF之间的距离。
3.根据权利要求2所述的走航式在线水文信息无人监测船的水文监测移动方法，其特征在于：
所述步骤5）中模型评估集表示为：
本次模型评估采用均方误差MSE：
；
其中为均方差，n为样本数量，/>则为样本真实值，/>则为样本预测值。
CN202310907494.0A 2023-07-24 2023-07-24 走航式在线水文信息无人监测船及水文监测移动方法 Active CN116620491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310907494.0A CN116620491B (zh) 2023-07-24 2023-07-24 走航式在线水文信息无人监测船及水文监测移动方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310907494.0A CN116620491B (zh) 2023-07-24 2023-07-24 走航式在线水文信息无人监测船及水文监测移动方法

Publications (2)

Publication Number Publication Date
CN116620491A CN116620491A (zh) 2023-08-22
CN116620491B true CN116620491B (zh) 2023-09-22

Family

ID=87590656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310907494.0A Active CN116620491B (zh) 2023-07-24 2023-07-24 走航式在线水文信息无人监测船及水文监测移动方法

Country Status (1)

Country Link
CN (1) CN116620491B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117485482B (zh) * 2023-12-29 2024-03-22 山东省煤田地质局第三勘探队 一种利用超声波的地质水文安全工程用检测设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102944265A (zh) * 2012-11-22 2013-02-27 力合科技（湖南）股份有限公司 一种监测船
CN109459079A (zh) * 2018-12-21 2019-03-12 武汉飞流智能技术有限公司 一种水质传感数据标定系统及方法
CN216387006U (zh) * 2021-07-27 2022-04-26 福州福泽智能科技有限公司 一种微型水质自动监测站

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102944265A (zh) * 2012-11-22 2013-02-27 力合科技（湖南）股份有限公司 一种监测船
CN109459079A (zh) * 2018-12-21 2019-03-12 武汉飞流智能技术有限公司 一种水质传感数据标定系统及方法
CN216387006U (zh) * 2021-07-27 2022-04-26 福州福泽智能科技有限公司 一种微型水质自动监测站

Also Published As

Publication number Publication date
CN116620491A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN111583214B (zh) 基于rbf神经网络的航海雷达图像反演海面风速方法
CN116620491B (zh) 走航式在线水文信息无人监测船及水文监测移动方法
Federico et al. Coastal ocean forecasting with an unstructured grid model in the southern Adriatic and northern Ionian seas
CN102004856B (zh) 高频观测资料实时数据的快速集合卡曼滤波同化方法
JP6689396B2 (ja) 気象予測装置、気象予測方法、およびプログラム
WO2020215458A1 (zh) 一种基于声学多普勒测流仪的流场智能计算方法及系统
CN109668635A (zh) 海表温度融合方法与系统
CN108621844B (zh) 一种暴雨道路无人驾驶车辆电量预测方法及预警系统
CN115544785B (zh) 一种无资料梯级水库流域水文模拟方法和系统
CN105387842A (zh) 基于感知驱动的自航式海底地形地貌测绘系统及测绘方法
EP3464058A1 (en) A method and a system for optimising operation of a vessel
CN207991531U (zh) 一种环保型水文测验浮标
CN115166750A (zh) 一种基于双偏振多普勒雷达数据的定量降水估计方法
CN109905190B (zh) 一种低频地波传播时延时变特性的建模方法
Wang et al. Multi-model ensemble forecasting and glider path planning in the Mid-Atlantic Bight
CN116047111A (zh) 一种飞行测流方法
Zhang et al. Urban aerodynamic roughness length mapping using multitemporal SAR data
Stohl et al. Diagnostic downscaling of large-scale wind fields to compute local-scale trajectories
Khanarmuei et al. Calibration and assimilation in hydrodynamic model of a micro-tidal estuary and comparison with Lagrangian drifter data
Kim et al. Development of real-time HABs detection technique using unmanned aerial vehicle (UAV)
CN117520718B (zh) 一种感潮河流水文数据的处理方法及系统
Zeng et al. Surveying of lake on Plateau using a portable TS-l00 AUV
CN117288283B (zh) 基于视频的河流流量流速监测方法及系统
CN117540342B (zh) 一种蒸发波导融合短期预测方法及系统
CN113779770B (zh) 一种气旋对北极海冰净影响的评估方法

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