CN116704076A - 一种河湖地图生成的方法、装置、设备及存储介质 - Google Patents
一种河湖地图生成的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116704076A CN116704076A CN202310568825.2A CN202310568825A CN116704076A CN 116704076 A CN116704076 A CN 116704076A CN 202310568825 A CN202310568825 A CN 202310568825A CN 116704076 A CN116704076 A CN 116704076A
- Authority
- CN
- China
- Prior art keywords
- water
- river
- detected
- dredging
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 358
- 239000013598 vector Substances 0.000 claims abstract description 95
- 238000002372 labelling Methods 0.000 claims abstract description 23
- 239000013049 sediment Substances 0.000 claims description 75
- 238000009825 accumulation Methods 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 38
- 238000010801 machine learning Methods 0.000 claims description 27
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000000586 desensitisation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 5
- 230000008021 deposition Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及河湖地图技术领域,具体为一种河湖地图生成的方法、装置、设备及存储介质,包括获取待测河湖的单元地图、水位和水流速;将所述待测河湖划分为多个待测区域,并生成地图图像;获取所述待测区域的水域信息;确定所述待测区域的水域特征向量并构建第一水域特征向量集和第二水域特征向量集;判断所述待测区域是否需要清淤:若所述待测区域需要清淤,在所述区域的所述地图图像中进行红色标注;若不需要清淤,在所述待测区域的所述地图图像中进行蓝色标注并确定所述待测区域清淤时间;生成所述待测河湖的河湖地图。本公开可以帮助管理者确定河湖是否需要清淤以及河湖清淤的时间,可以有效的改善河湖的水体质量,保护河湖的生态环境。
Description
技术领域
本发明涉及河湖地图技术领域,具体为一种河湖地图生成的方法、装置、设备及存储介质。
背景技术
河湖在人类生产生活中扮演着重要角色,不仅能满足人们的生活需求,还有助于推动一个地区的经济发展和社会稳定。河湖淤泥堆积达到一定程度,就会影响水文生态环境,加重水体污染等,因此,河湖需要定期清理淤泥,并且河湖的不同区域的清淤周期也不相同。目前,河湖地图服务只能看到地图显示范围内的大小河流、湖泊、河段等空间数据。对于河湖管理者没有适用于管理河湖的地图,特别是河湖清淤方面。因此,构建河湖清淤周期地图,是亟需解决的问题。
在现有技术中:专利CN202110445363.6公开了一种河流悬浮污染物的预测方法及预测系统,该系统添加了“河流悬浮污染物”的信息,但是仍不能给出河流清淤信息的预测;CN202011180169.1公开了一种多特征约束的网状河流主流识别方法,但是其围绕如何精确生成网状河流的具体河道数据,并未对河流清淤有任何解决方案;专利CN201710417989.X公开了一种基于DEM的河谷横断面形态的算法,其聚焦于河流断面的生成,并未对河流清淤状况进行揭示。综上所述,现有技术中的河湖地图均不能解决上述技术问题。
为此,提出一种河湖地图的生成方法,可以帮助河湖管理者更有效地管理河湖,帮助管理者确定河湖是否需要清淤以及河湖需要进行清淤的时间,可以有效地改善河湖的水体质量,保护河湖的生态环境。
发明内容
本发明的目的在于提供一种一种河湖地图的生成方法、装置、设备及存储介质,通过生成河湖清淤周期地图,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
根据本公开的第一方面,提供了一种河湖地图的生成方法,包括:
获取待测河湖的单元地图、水位和水流速;所述水位分为高水位、中水位和低水位;所述水流速分为高流速、中流速和低流速;
根据所述水位和所述水流速,将所述待测河湖划分为多个待测区域,并生成地图图像;
获取所述待测区域的水域信息;所述水域信息用于监测所述待测区域的生态环境;
确定所述待测区域的水域特征向量并构建第一水域特征向量集和第二水域特征向量集;所述第一水域向量集包括水位,沉积物淤积质量和水体质量指标;所述第二水域特征向量集包括水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息;
根据所述第一水域特征向量集,判断所述待测区域是否需要清淤:
若所述待测区域需要清淤,在所述待测区域的所述地图图像中进行红色标注;
若不需要清淤,在所述待测区域的所述地图图像中进行蓝色标注并将所述第二水域特征向量集输入至预先训练生成的清淤机器学习模型,确定所述待测区域单位时间泥沙淤积量;根据所述单位时间泥沙淤积量,确定所述待测区域清淤时间;将所述待测区域清淤时间标注在所述地图图像中;
根据所述红色标注和所述蓝色标注及所述清淤时间生成所述待测河湖的河湖地图。
根据本公开的第二方面,提供了一种河湖地图的生成装置,包括:
第一获取单元,用于获取待测河湖的单元地图、水位和水流速;所述水位分为高水位、中水位和低水位;所述水流速分为高流速、中流速和低流速;
第一确定单元,用于根据所述水位和所述水流速,将所述待测河湖划分为多个待测区域,并生成地图图像;
第二获取单元,用于获取所述待测区域的水域信息;所述水域信息用于监测所述待测区域的生态环境;
第二确定单元,用于确定所述待测区域的水域特征向量并构建第一水域特征向量集和第二水域特征向量集;所述第一水域向量集包括水位,沉积物淤积质量和水体质量指标;所述第二水域特征向量集包括水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息;
判断单元,用于根据所述第一水域特征向量集,判断所述待测区域是否需要清淤:
判断第一确定模块,用于若所述待测区域需要清淤,在所述待测区域的所述地图图像中进行红色标注;
判断第二确定模块,若不需要清淤,在所述待测区域的所述地图图像中进行蓝色标注并将所述第二水域特征向量集输入至预先训练生成的清淤机器学习模型,确定所述待测区域单位时间泥沙淤积量;根据所述单位时间泥沙淤积量,确定所述待测区域清淤时间;将所述待测区域清淤时间标注在所述地图图像中;
根据所述红色标注和所述蓝色标注及所述清淤时间生成所述待测河湖的河湖地图。
本公开的第三方面,提供了一种计算机设备,包括存储器及处理器,所述存储器上存储有可以在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,可以实现本公开第一方面实施例中提出的方法。
本公开第四方面实施例提出了一种非临时性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如本公开第一方面实施例提出的方法。
与现有技术相比,本发明的有益效果为:
首先获取待测河湖的单元地图、水位和水流速;所述水位分为高水位、中水位和低水位;所述水流速分为高流速、中流速和低流速;然后根据所述水位和所述水流速,将所述待测河湖划分为多个待测区域,并生成地图图像;然后获取所述待测区域的水域信息;所述水域信息用于监测所述待测区域的生态环境;然后确定所述待测区域的水域特征向量并构建第一水域特征向量集和第二水域特征向量集;所述第一水域向量集包括水位,沉积物淤积质量和水体质量指标;所述第二水域特征向量集包括水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息;然后根据所述第一水域特征向量集,判断所述待测区域是否需要清淤:若所述待测区域需要清淤,在所述待测区域的所述地图图像中进行红色标注;若不需要清淤,在所述待测区域的所述地图图像中进行蓝色标注并将所述第二水域特征向量集输入至预先训练生成的清淤机器学习模型,确定所述待测区域单位时间泥沙淤积量;根据所述单位时间泥沙淤积量,确定所述待测区域清淤时间;将所述待测区域清淤时间标注在所述地图图像中;然后根据所述红色标注和所述蓝色标注及所述清淤时间生成所述待测河湖的河湖地图。本申请通过将所述待测河湖划分为多个区域,并构建了可以更准确地描述待测区域实际状况的所述第一水域特征向量集和第二水域特征向量集,运用第一水域特征向量集判断是否需要清淤,提高了清淤的准确性;通过预先训练的清淤机器学习模型对所述第二水域特征向量集进行分析和判断,准确地预测出待测区域需要清淤的时间,提高了清淤效率和清淤效果,可以更好的保护河湖生态;该方法生成的地图图像直观、易于操作和理解,便于清淤决策者进行直观分析和判断,同时生成的河湖地图可以清晰地展示出需要清淤的区域和清淤时间,便于管理和监控。
附图说明
图1为本发明的一种河湖地图的生成方法的流程示意图;
图2为本发明的一种河湖地图的生成装置的结构示意图;
图3为本发明用来实现一种河湖地图的生成装置的电子设备的结构示意图;
图4为本发明的河湖的单元地图界面示意图;
图5为本发明的待测区域的地图图像界面示意图;
图6为本发明的待测区域的具体信息地图图像界面示意图;
图7为本发明河流清淤地图的平面展示图;
图8为本发明湖泊清淤地图的平面展示图
具体实施方式
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。
下面结合参考附图对本公开提供的一种河湖地图的生成方法进行详细描述。
图1为本公开一个实施例提供的一种河湖地图的生成方法的流程示意图。
如图1所示,该河湖地图的生成方法包括以下步骤:
步骤110,获取待测河湖的单元地图、水位和水流速;所述水位分为高水位、中水位和低水位;所述水流速分为高流速、中流速和低流速;
其中,待测河湖可以为淮河、长江的江苏流域、淮河的支流池河、鄱阳湖,在此不进行限定。
需要具体说明的是,河湖的单元地图包括河湖的地理位置,大小,形状,流域位置和其它附属地理信息,包括周围的城市,村庄,道路,城市分布等。例如图4为河湖的单元地图界面示意图。
具体地,可以从大数据中获得水位和水流速的数据,根据水位分为高水位,中水位和低水位;根据水流速大小分为高流速,中流速,低流速。
需要具体说明的是,在一些具体实施例中,当水流速在2m/s及以上时,称为高流速当水流速在0.5m/s至2m/s之间时,称为中流速,当水流速在0.05m/s至0.5m/s之间时,称为低流速。高水位数值是2.0m,中水位数值是1.5m,低水位数值是0.5m。
步骤120,根据所述水位和所述水流速,将待测河湖划分为多个待测区域,并生成地图图像;
其中,根据水位和水流速,可将待测河湖划分为多个区域,至少包括以下一种类型:高水位-高流速,高水位-中流速,高水位-低流速,中水位-高流速,中水位-中流速,中水位-低流速,低水位-高流速,低水位-中流速,低水位-低流速。
高水位 | 中水位 | 低水位 | |
高流速 | 高水位-高流速 | 中水位-高流速 | 低水位-高流速 |
中流速 | 高水位-中流速 | 中水位-中流速 | 低水位-中流速 |
低流速 | 高水位-低流速 | 中水位-低流速 | 低水位-低流速 |
可选的,可以根据每个待测区域的类型生成待测区域的地图图像,例如,图5为生成的待测区域的地图图像。也可以生成待测区域综合信息图像,比如可以将待测区域单元地图中的数据标注在地图图像中。例如,图6为包括待测区域的具体信息的地图图像。
步骤130,获取所述待测区域的水域信息;所述水域信息用于监测所述待测区域生态环境;
其中,水域信息是指有关水体及周边环境的各种数据。水域信息包括水体形态、水体水质、水体生态环境、水域流量、水域周边环境等。
需要具体说明的是,水体形态包括水深、水面宽度、水流速等;水体水质包括水温,PH值,溶解氧,浊度,电导率、化学需氧量(COD)、生化需氧量(BOD)、总磷、总氮、有机氮、有机碳等;水体生态环境包括水体营养盐含量、藻类、浮游生物、底栖生物调查数据等;水域流量包括汇水面积、降雨量,径流量等;水域周边环境包括周边地形地貌、土壤类型、降水量、温度、湿度、大气环境参数等。例如,淮河的水域信息包括平均水深2-6米,水面宽度为40-70米,最大水深15米,水流速为10m/s,浮游植物高峰期全年平均为50-100mg/L,最高可达800mg/L,夏季水温在25摄氏度以上,pH值在6.5-8.0之间,溶解氧饱和度在30%-90%之间,年径流量多达1,056亿立方米,淮河河岸分布着大量的乡村和小镇,周边环境多为农业区和城市化过程中的工业园区。淮河流域土壤多为黄壤,全流域为典型的夏季降雨集中期型流域,多年平均降水量1200-1600mm,冬季冰冻期一般为30-50天。
其中,在本公开实施例中,获取获取所述待测区域的水域信息的方式为运用无人机技术。无人机技术是是指通过遥控或自主飞行来完成各种任务的一种机器人技术。根据待测区域和所需数据的要求选择相应的无人机型号,并确定相应的测量设备。然后制订相应的飞行计划,根据计划使用无人机进行空中拍摄。
具体的,无人机需要装备以下设备,包括水质传感器,红绿蓝相机,磁力计,激光雷达系统,GPS,数据存储设备。
需要具体说明的是,运用无人机获取水域信息可以更高效,更可靠以及更高精度。无人机可以在空中高速飞行,能够快速获取大量水域信息,节约了大量人力物力成本。同是无人机配备高精度相机和传感器,可对水域进行高精度数据采集和图像拍摄,能够准确获取水域形状、水深、水位、水质等信息。无人机飞行中可以避免人为因素的干扰,能够在诸如梅雨季节等恶劣气候条件下进行飞行,采集数据的可靠性高。
其中,无人机获取水域信息的流程,第一步,选择合适的无人机平台,如四旋翼、六旋翼等。第二步,制定相应的飞行计划和任务流程。第三步。对待测区域现场进行勘查,标记出无人机飞行轨迹和数据采集位置等。第四步,根据任务计划和现场勘查结果,在预设飞行轨迹上安排无人机进行数据采集。可以使用各类传感器和相机等设备采集水域的水深、水位、水质和水文环境等信息,第五步,将采集到的数据进行处理和分析,提取有价值的信息。
步骤140,确定所述待测区域的水域特征向量并构建第一水域特征向量集和第二水域特征向量集;所述第一水域向量集包括水位,沉积物淤积质量和水体质量指标;所述第二水域特征向量集包括水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息;
其中,水域特征是指有关水体地理位置、形态、水质等方面的信息。在本实施中,所述第一水域向量集包括水位,沉积物淤积质量和水体质量指标;构建第一水域向量集主要用于判断待测区域是否需要清淤。第二水域特征向量集包括水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息。构建第二水域特征向量集主要是用于待测区域不需要清淤时,进行确定单位时间泥沙淤积量。第二水域特征向量集所包括的向量,对区域内的泥沙淤积有影响。第一水域特征向量和第二水域特征向量集通过对水域信息的处理获得。第一水域特征向量集中的水位和水体质量指标可以通过无人机传感器数据直接获得。沉积物淤积质量通过横断面计算法获得。
其中,M表示待测区域沉积物淤积质量,ρ表示河湖沉积物的密度,A1,A2表示所述待测区域两端的横断面面积,d表示所述待测区域的长度。
需要说明的是,待测区域两端的横断面由无人机激光雷达系统获得,通过计算得出横断面的面积;河湖沉积的种类包括很多种,每种沉积物的密度不相同,在本实施案例中表示为河湖沉积物中泥和沙密度的平均值。例如,A1为100m2,A2为64m2,长度为45m,ρ为1.6×103kg/m3,则
其中,第二水域特征向量集中的水深,水流速,宽度,长度可以通过传感器获得,河床坡度,河床形状和曲率,河岸植被信息需要通过机器学习模型对图像识别获得。在本实施例中,采用已有机器学习模型处理图像数据,获得河床坡度,河床形状和曲率以及河岸植被信息。
需要具体说明的是,机器学习模型能够处理和分析大量细节信息,能够对图像进行高精度的识别,快速的处理大量图像数据。机器学习模型能够通过不断的学习和训练,自适应场景变化和不同的数据集,提高模型的稳定性和准确度。
步骤150,根据所述第一水域特征向量集,判断所述待测区域是否需要清淤:若所述待测区域需要清淤,在所述待测区域的所述地图图像中进行红色标注;若不需要清淤,在所述待测区域的所述地图图像中进行蓝色标注并将所述第二水域特征向量集输入至预先训练生成的清淤机器学习模型,确定所述待测区域单位时间泥沙淤积量;根据所述单位时间泥沙淤积量,确定所述待测区域清淤时间;将所述待测区域清淤时间标注在所述地图图像中;
其中,根据所述第一水域特征向量集,判断待测区域是否清淤的方法包括至少以下一种:
1.判断水位是否超过设定的水位阈值;
2.判断沉积物淤积质量是否超过设定的沉积物淤积质量阈值;
3.判断水体质量指标是否低于设定的水体质量指标阈值。
具体说明的是,当沉积物淤积在一定程度上会导致水位上升,若设置了水位阈值,当水位高于阈值时则表示待测区域已经发生了沉积物淤积现象。水位阈值是待测河流本身就存在的一个阈值,根据待测区域不同,水位阈值也会不同;沉积物淤积质量阈值是当河湖底部沉积物达到一定质量之后,会对河湖产生影响,例如影响水质,影响生态环境,影响水流速和水位等,所以当沉积物淤积质量超过一定的设定阈值时,可以认为待测区域需要清淤。根据待测区域的不同,该阈值的设定也不相同。水体的污染程度和质量指标来判断是否需要清淤,当水体质量低于阈值时,则表示沉积物淤积中存在有污染水体的污染源,则需要进行清淤处理。水体质量指标阈值是固定的,该阈值表示低于水体质量指标阈值,就表明待测区域的水域受到污染,生态环境遭到破坏。
需要具体说明的是,水域阈值也需要考虑季节性因素,每个季节设定的阈值不同。同样也要考虑降雨问题,大量降雨也会使水位上升,此时,水位阈值根据实际情况设定。降雨使水位上升的同时也会带来泥沙淤积。当汛期过后,则需要重新获取河湖的数据进行判断是否需要清淤。
其中,若所述待测区域需要清淤,则表示第一特征向量集中的至少有一个向量值超过阈值,在待测区域的地图图像中,进行红色标注,提醒该区域需要进行清淤。例如,区域1:红色标记。在具体实施案例中,颜色标注类型可以为其他颜色,例如绿色、黄色、黑色等颜色。可选的,颜色标注也可以替换为其他类型标注。例如五角星标注,红旗标注等。
其中,若待测区域不需要清淤,表示水位、沉积物淤积质量和水域质量指标都没超过阈值。在地图图像中进行蓝色标注,可选的,在具体实施例中,标注的颜色可以为与清淤区域标记颜色不同的任意颜色。
其中,将所述第二水域特征向量集输入至预先训练生成的清淤机器学习模型之前,首先获取初始训练数据集,其中所述训练初始数据集包括多个水域特征信息;对所述初始训练数据集进行数据脱敏和数据清洗,并利用经过数据脱敏和数据清洗的初始训练数据集对初始清淤机器学习模型进行训练,以获取训练完成的清淤机器学习模型。
需要说明的是,通过通过上述训练过程,可以在不影响数据分析结果的准确性前提下,对初始训练数据集中的敏感字段进行处理,从而降低数据敏感度和减少个人隐私风险。通过对初始训练数据集进行数据清洗,可以使得初始训练数据集中重复、多余部分的数据进行筛选并清除;把缺失部分补充完整,并将不正确的数据纠正或者删除,从而保障了初始训练数据集的可靠性、完整性和有效可用性。
其中,确定单位时间泥沙淤积量,运用多元线性回归方程进行预测。多元线性回归可以综合考虑多个影响泥沙淤积的因素,提高预测的准确性。
需要具体说明的是,多元线性回归方程为:
Y=β1X1+β2X2+…+β7X7+ε
在本实施案例中,Y表示单位时间泥沙沉积量,X1-X7分别表示水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息;β1-β7分别是与X1-X7回归系数,采用最小二乘法拟合得到的,ε是误差项,表示模型的不确定性或测量误差。线性回归方程通过寻找最佳回归系数来拟合观测数据,从而预测响应变量的值。例如,Y=0.15×10+0.2×15+0.1×1+0.3×0.2+0.05×50+0.05×5+0.1×0.8+0.05×0.2+0.05=4.525s/kg.
具体的,待测区域的清淤时间为:
其中,T表示清淤时间,θ表示待测区域泥沙清淤阈值,M表示待测区域沉积物淤积质量,Y表示单位时间泥沙淤积量。例如,设定某一待测区域θ为2×107kg,则或者T=36天4小时,或者T=1月6天30小时。
具体的,将上述计算得出的清淤时间标注在对应的待测区域的地图图像中,显示的方式为数字显示,数字显示可以为小时、天或者月。例如,图7所展示的为河流的清淤地图图像,图8所展示的为湖泊的清淤地图图像。
步骤160,根据所述红色标注和所述蓝色标注及所述清淤时间生成所述待测河湖的河湖地图。
具体的,该装置可以将每个待测区域对应的标识和清淤时间标注在地图图像中,从而生成河湖地图,并将该河湖地图在终端上进行显示,使管理人员进行查看。例如,管理人员在终端上进行查看,可以查看图4,图5和图6,若清淤地图为河流则可查看图7,若清淤地图为湖泊则可查看图8.
首先获取待测河湖的单元地图、水位和水流速;所述水位分为高水位、中水位和低水位;所述水流速分为高流速、中流速和低流速;然后根据所述水位和所述水流速,将所述待测河湖划分为多个待测区域,并生成地图图像;然后获取所述待测区域的水域信息;所述水域信息用于监测所述待测区域的生态环境;然后确定所述待测区域的水域特征向量并构建第一水域特征向量集和第二水域特征向量集;所述第一水域向量集包括水位,沉积物淤积质量和水体质量指标;所述第二水域特征向量集包括水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息;然后根据所述第一水域特征向量集,判断所述待测区域是否需要清淤:若所述待测区域需要清淤,在所述待测区域的所述地图图像中进行红色标注;若不需要清淤,在所述待测区域的所述地图图像中进行蓝色标注并将所述第二水域特征向量集输入至预先训练生成的清淤机器学习模型,确定所述待测区域单位时间泥沙淤积量;根据所述单位时间泥沙淤积量,确定所述待测区域清淤时间;将所述待测区域清淤时间标注在所述地图图像中;然后根据所述红色标注和所述蓝色标注及所述清淤时间生成所述待测河湖的河湖地图。本申请通过将所述待测河湖划分为多个区域,并构建了可以更准确地描述待测区域实际状况的所述第一水域特征向量集和第二水域特征向量集,运用第一水域特征向量集判断是否需要清淤,提高了清淤的准确性;通过预先训练的清淤机器学习模型对所述第二水域特征向量集进行分析和判断,准确地预测出待测区域需要清淤的时间,提高了清淤效率和清淤效果,可以更好的保护河湖生态;该方法生成的地图图像直观、易于操作和理解,便于清淤决策者进行直观分析和判断,同时生成的河湖地图可以清晰地展示出需要清淤的区域和清淤时间,便于管理和监控。
作为本发明的一种实施方式,参照图2,提供了一种河湖地图的生成装置的结构示意图。
如图2所示,该基于河湖地图的生成装置200可以包括:
第一获取单元210,用于获取待测河湖的单元地图、水位和水流速;所述水位分为高水位、中水位和低水位;所述水流速分为高流速、中流速和低流速。
第一确定单元220,用于根据所述水位和所述水流速,将所述待测河湖划分为多个待测区域,并生成地图图像。
第二获取单元230,用于获取所述待测区域的水域信息;所述水域信息用于监测所述待测区域生态环境。
第二确定单元240,用于确定所述待测区域的水域特征向量并构建第一水域特征向量集和第二水域特征向量集;所述第一水域向量集包括水位,沉积物淤积质量和水体质量指标;所述第二水域特征向量集包括水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息。
判断单元250,用于根据所述待测区域的水域特征向量集,判断所述待测区域是否需要清淤:
判断第一确定模块251,用于若所述区域需要清淤,在所述区域的所述地图图像中进行红色标注;
判断第二确定模块252,若不需要清淤,在所述区域的所述地图图像中进行蓝色标注并将所述待测区域的水域特征向量集输入至预先训练生成的清淤机器学习模型,确定所述待测区域单位时间泥沙淤积量;根据所述单位时间泥沙淤积量,确定所述待测区域清淤时间;将所述待测区域清淤时间标注在所述地图图像中。
生成单元260,根据所述红色标注和所述蓝色标注及所述清淤时间生成所述待测河湖的河湖地图。
可选的,所述判断单元250,具体用于:
判断所述待测地区是否需要清淤的方法包括以下至少一种:
判断水位是否超过设定的水位阈值;
判断沉积物淤积质量是否超过设定的沉积物淤积质量阈值;
判断水体质量指标是否低于设定的水体质量指标阈值。
可选的,所述判断第二确定模块,具体用于:
采用横断法,计算河底沉积物淤积质量:
其中,M表示待测区域沉积物质量,表示河底沉积物的密度,A1,A2表示所述待测区域两端的横断面面积,d表示所述待测区域的长度;
所述待测区域的清淤时间为:
其中,T表示清淤时间,θ表示待测区域泥沙清淤阈值,M表示待测区域沉积物质量,Y表示单位时间泥沙淤积量。
可选的,判断第二确定单元252,具体还用于:
获取初始训练数据集,其中所述初始数据集包括多个水域特征向量集;
对所述初始训练数据集进行数据脱敏和数据清洗,并利用经过数据脱敏和数据清洗的初始训练数据集对初始清淤机器学习模型进行训练,以获取训练完成的清淤机器学习模型。
首先获取待测河湖的单元地图、水位和水流速;所述水位分为高水位、中水位和低水位;所述水流速分为高流速、中流速和低流速;然后根据所述水位和所述水流速,将所述待测河湖划分为多个待测区域,并生成地图图像;然后获取所述待测区域的水域信息;所述水域信息用于监测所述待测区域的生态环境;然后确定所述待测区域的水域特征向量并构建第一水域特征向量集和第二水域特征向量集;所述第一水域向量集包括水位,沉积物淤积质量和水体质量指标;所述第二水域特征向量集包括水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息;然后根据所述第一水域特征向量集,判断所述待测区域是否需要清淤:若所述待测区域需要清淤,在所述待测区域的所述地图图像中进行红色标注;若不需要清淤,在所述待测区域的所述地图图像中进行蓝色标注并将所述第二水域特征向量集输入至预先训练生成的清淤机器学习模型,确定所述待测区域单位时间泥沙淤积量;根据所述单位时间泥沙淤积量,确定所述待测区域清淤时间;将所述待测区域清淤时间标注在所述地图图像中;然后根据所述红色标注和所述蓝色标注及所述清淤时间生成所述待测河湖的河湖地图。本申请通过将所述待测河湖划分为多个区域,并构建了可以更准确地描述待测区域实际状况的所述第一水域特征向量集和第二水域特征向量集,运用第一水域特征向量集判断是否需要清淤,提高了清淤的准确性;通过预先训练的清淤机器学习模型对所述第二水域特征向量集进行分析和判断,准确地预测出待测区域需要清淤的时间,提高了清淤效率和清淤效果,可以更好的保护河湖生态;该方法生成的地图图像直观、易于操作和理解,便于清淤决策者进行直观分析和判断,同时生成的河湖地图可以清晰地展示出需要清淤的区域和清淤时间,便于管理和监控。
图3示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图3显示的计算机设备12仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种河湖地图生成的方法,其特征在于,包括:
获取待测河湖的单元地图、水位和水流速;所述水位分为高水位、中水位和低水位;所述水流速分为高流速、中流速和低流速;
根据所述水位和所述水流速,将所述待测河湖划分为多个待测区域,并生成地图图像;
获取所述待测区域的水域信息;所述水域信息用于监测所述待测区域的生态环境;
确定所述待测区域的水域特征向量并构建第一水域特征向量集和第二水域特征向量集;所述第一水域向量集包括水位,沉积物淤积质量和水体质量指标;所述第二水域特征向量集包括水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息;
根据所述第一水域特征向量集,判断所述待测区域是否需要清淤:
若所述待测区域需要清淤,在所述待测区域的所述地图图像中进行红色标注;
若不需要清淤,在所述待测区域的所述地图图像中进行蓝色标注并将所述第二水域特征向量集输入至预先训练生成的清淤机器学习模型,确定所述待测区域单位时间泥沙淤积量;根据所述单位时间泥沙淤积量,确定所述待测区域清淤时间;将所述待测区域清淤时间标注在所述地图图像中;
根据所述红色标注和所述蓝色标注及所述清淤时间生成所述待测河湖的河湖地图。
2.根据权利要求1所述的方法,其特征在于,所述判断所述待测区域是否需要清淤,包括:
判断所述待测地区是否需要清淤的方法包括以下至少一种:
判断水位是否超过设定的水位阈值;
判断沉积物淤积质量是否超过设定的沉积物淤积质量阈值;
判断水体质量指标是否低于设定的水体质量指标阈值。
3.根据权利要求1中所述的方法,其特征在于,所述在所述待测区域的所述地图图像中进行蓝色标注并将所述第二水域特征向量集输入至预先训练生成的清淤机器学习模型,确定所述待测区域单位时间泥沙淤积量前,还包括:
获取初始训练数据集,其中所述初始数据集包括多个第二水域特征向量集;
对所述初始训练数据集进行数据脱敏和数据清洗,并利用经过数据脱敏和数据清洗的初始训练数据集对初始清淤机器学习模型进行训练,以获取训练完成的清淤机器学习模型。
4.根据权利要求3所述的方法,其特征在于,所述训练完成的清淤时间机器学习模型,包括:
多元线性回归方程为:
Y=β1X1+β2X2+…+β7X7+ε
其中,Y是单位时间泥沙淤积量,X1~X7分别是水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息,β1~β7分别是与X1~X7对应的回归系数,ε是误差项,表示模型的不确定性或测量。
5.根据权利要求1所述方法,其特征在于,所述根据所述单位时间泥沙淤积量,确定所述待测区域清淤时间,包括:
采用横断法,计算河底沉积物淤积质量:
其中,M表示待测区域沉积物淤积质量,ρ表示河底沉积物的密度,A1,A2表示所述待测区域两端的横断面面积,d表示所述待测区域的长度;
所述待测区域的清淤时间为:
其中,T表示清淤时间,θ表示待测区域泥沙清淤阈值,M表示待测区域沉积物淤积质量,Y表示单位时间泥沙淤积量。
6.一种河湖地图的生成装置,其特征在于,包括:
第一获取单元,用于获取待测河湖的单元地图、水位和水流速;所述水位分为高水位、中水位和低水位;所述水流速分为高流速、中流速和低流速;
第一确定单元,用于根据所述水位和所述水流速,将所述待测河湖划分为多个待测区域,并生成地图图像;
第二获取单元,用于获取所述待测区域的水域信息;所述水域信息用于监测所述待测区域的生态环境;
第二确定单元,用于确定所述待测区域的水域特征向量并构建第一水域特征向量集和第二水域特征向量集;所述第一水域向量集包括水位,沉积物淤积质量和水体质量指标;所述第二水域特征向量集包括水深,水流速,宽度,长度,河床坡度,河床形状和曲率,河岸植被信息;
判断单元,用于根据所述第一水域特征向量集,判断所述待测区域是否需要清淤:
判断第一确定模块,用于若所述待测区域需要清淤,在所述待测区域的所述地图图像中进行红色标注;
判断第二确定模块,用于若不需要清淤,在所述待测地区的所述地图图像中进行蓝色标注并将所述第二水域特征向量集输入至预先训练生成的清淤机器学习模型,确定所述待测区域的单位时间泥沙淤积量;根据所述单位时间泥沙淤积量,确定所述待测区域清淤时间;将所述待测区域清淤时间标注在所述地图图像中;
生成单元,用于根据所述红色标注和所述蓝色标注及所述清淤时间生成所述待测河湖的河湖地图。
7.根据权利要求6所述装置,其特征在于,所述判断单元,具体用于:
判断所述待测区域是否需要清淤的方法包括以下至少一种:
判断水位是否超过设定的水位阈值;
判断沉积物淤积质量是否超过设定的沉积物淤积质量阈值;
判断水体质量指标是否低于设定的水体质量指标阈值。
8.根据权利要求7所述装置,其特征在于,所述判断第二确定单元,具体还用于:
获取初始训练数据集,其中所述初始训练数据集包括多个第二水域特征向量集;
对所述初始训练数据集进行数据脱敏和数据清洗,并利用经过数据脱敏和数据清洗的初始训练数据集对初始清淤机器学习模型进行训练,以获取训练完成的清淤机器学习模型。
9.一种计算机设备,包括存储器及处理器,所述存储器上存储有可在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权利要求1至5中任一项所述方法的步骤。
10.一种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权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310568825.2A CN116704076A (zh) | 2023-05-19 | 2023-05-19 | 一种河湖地图生成的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310568825.2A CN116704076A (zh) | 2023-05-19 | 2023-05-19 | 一种河湖地图生成的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116704076A true CN116704076A (zh) | 2023-09-05 |
Family
ID=87836507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310568825.2A Pending CN116704076A (zh) | 2023-05-19 | 2023-05-19 | 一种河湖地图生成的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704076A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117552494A (zh) * | 2024-01-11 | 2024-02-13 | 福建省昊立建设工程有限公司 | 河道清淤方法 |
-
2023
- 2023-05-19 CN CN202310568825.2A patent/CN116704076A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117552494A (zh) * | 2024-01-11 | 2024-02-13 | 福建省昊立建设工程有限公司 | 河道清淤方法 |
CN117552494B (zh) * | 2024-01-11 | 2024-04-19 | 福建省昊立建设工程有限公司 | 河道清淤方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hossen et al. | Change detection in the water bodies of Burullus Lake, Northern Nile Delta, Egypt, using RS/GIS | |
CN117890546B (zh) | 一种湖泊生态风险预警和干预方法及系统 | |
Fisher et al. | Freshwater aquatic habitat measurements | |
CN116704076A (zh) | 一种河湖地图生成的方法、装置、设备及存储介质 | |
Kholil et al. | The use of MDS (Multidimensional Scaling) method to analyze the level of sustainability of fisheries resources management in Thousand Islands, Indonesia | |
CN112418506A (zh) | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 | |
Buzzelli et al. | Ferry-based monitoring of surface water quality in North Carolina estuaries | |
Menberu et al. | Assessment of morphometric changes in Lake Hawassa by using surface and bathymetric maps | |
Mendes et al. | Comparing alternatives for combining invertebrate and diatom assessment in stream quality classification | |
Zhu et al. | Robust remote sensing retrieval of key eutrophication indicators in coastal waters based on explainable machine learning | |
Ignatius et al. | Satellite-derived cyanobacteria frequency and magnitude in headwaters & near-dam reservoir surface waters of the Southern US | |
CN112966657A (zh) | 一种大尺度水体覆盖的遥感自动分类方法 | |
Hossen et al. | Change detection of Manzala Lake using remote sensing and geographic information system | |
Gao et al. | Spatio-temporal evolution monitoring and analysis of tidal flats in Beibu Gulf from 1987 to 2021 using multi-source remote sensing | |
Yang et al. | Strategy for management of lake-catchment system integrated with natural and anthropogenic factors in China | |
Brando et al. | Reef Rescue Marine Monitoring Program: Using Remote Sensing for GBR Wide Water Quality: Final Report for 2008/09 Activities | |
Hafiz et al. | Tracking environmental changes in Manzala lake integrating landsat data based on interpolation nonlinear models | |
Saad et al. | Importance of beach evaluation for integrated coastal zone management | |
Zappia et al. | A demonstration of the instream flow incremental methodology, Shenandoah River, Virginia | |
CN118247280B (zh) | 一种基于多源遥感数据的河流断面形态迁移模拟方法 | |
Clark | A comparative analysis of conventional and emerging methods for characterizing coastal morphology and change | |
Aldama-Rojas et al. | Morphological, sediment and soil chemical characteristics of dry tropical shallow reservoirs in the Southern Mexican Highlands | |
Karim et al. | Phytoplankton Bloom Localized by Sentinel-2 Images and Hydrodynamic Modelling–Sulejów Reservoir, Pilica River, Poland | |
Rodrigues et al. | Project UBEST: Understanding the biogeochemical buffering capacity of estuaries relative to climate change and anthropogenic inputs-Final Report | |
Gunawardhana | National Forum on Water Research ‘Identification of Gaps and Priorities’ |
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 |