CN116823047A - 基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法 - Google Patents
基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法 Download PDFInfo
- Publication number
- CN116823047A CN116823047A CN202310768603.5A CN202310768603A CN116823047A CN 116823047 A CN116823047 A CN 116823047A CN 202310768603 A CN202310768603 A CN 202310768603A CN 116823047 A CN116823047 A CN 116823047A
- Authority
- CN
- China
- Prior art keywords
- eutrophication
- lake
- index
- variable fuzzy
- random numbers
- 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
- 238000012851 eutrophication Methods 0.000 title claims abstract description 82
- 238000011156 evaluation Methods 0.000 title claims abstract description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 69
- 235000016709 nutrition Nutrition 0.000 claims abstract description 41
- 230000035764 nutrition Effects 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 235000003170 nutritional factors Nutrition 0.000 claims abstract description 21
- 235000015097 nutrients Nutrition 0.000 claims abstract description 13
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 14
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 7
- 229930002875 chlorophyll Natural products 0.000 claims description 7
- 235000019804 chlorophyll Nutrition 0.000 claims description 7
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 7
- 229910052757 nitrogen Inorganic materials 0.000 claims description 7
- 229910052698 phosphorus Inorganic materials 0.000 claims description 7
- 239000011574 phosphorus Substances 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
Abstract
本发明公开了基于蒙特卡洛‑可变模糊集的湖泊富营养化评价方法,获取评估区湖泊营养指标数据,建立数据集;确定样本的目标概率函数;基于湖泊富营养指标分级标准,建立标准值特征矩阵;计算湖水营养因子指标权重;根据目标概率函数,采用蒙特卡洛法随机抽取预设数量的营养因子值随机数,基于可变模糊集方法计算营养因子随机数和权重综合得到的湖水富营养等级,根据隶属于各营养等级的概率,确定得到湖泊富营养化等级。本发明考虑到湖泊水体营养因子的不确定性及对评价结果的影响,采用蒙特卡洛方法对数据进行随机模拟,基于可变模糊集理论评估了湖泊水体隶属于不同富营养化等级的概率水平,更加准确地评价了湖泊富营养化程度。
Description
技术领域
本发明属于湖泊富营养化评价技术领域,涉及基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法。
背景技术
在人类活动影响下,湖泊富营养化加速导致湖泊水功能和生态功能破坏,使湖泊生态系统健康面临重大威胁;富营养化评价能够确定湖泊水体的营养状态属性,服务于湖泊水环境管理;为保证水环境安全、切实做好风险防控工作,采取科学有效的评价方法判定湖泊水体所处的营养状态十分重要。湖泊水环境是包含物理、化学和生物等一系列过程的复杂系统,不同评价指标体系和富营养化评价方法对评价结果都会导致结果具有不确定性;目前开展湖泊富营养化评价的相关研究有许多,但存在的不足具体如下:
首先,以往的湖泊富营养化评价体系中,提供给管理者的评价结果都是一个定性的营养类别,对于认识湖水富营养等级造成了信息的大量丢失;其次,现实情况下湖泊水体的水环境指标不是固定不变的,而是呈动态非线性变化,已有评价方法中无法评估样本中营养因子浓度变化给评价结果带来的不确定性;因此,上述因素对评价结果的影响难以被准确量化,轻则造成管理者对水环境状态的误判,严重时会增大决策失误风险,延误水环境防治最佳时机。
发明内容
本发明的目的是提供基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,解决了现有的湖泊富营养化评价方法中存在不准确的问题。
本发明所采用的技术方案是,基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,包括获取评估区湖泊营养指标数据,建立数据集;确定样本的目标概率函数;基于湖泊富营养指标分级标准,建立标准值特征矩阵;计算湖水营养因子指标权重;根据目标概率函数,采用蒙特卡洛法随机抽取预设数量的营养因子值随机数,基于可变模糊集方法计算营养因子随机数和权重综合得到的湖水富营养等级,根据隶属于各营养等级的概率,确定湖泊富营养化等级。
本发明的特点还在于:
其中基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,具体按以下步骤实施:
步骤1,获取评估区湖水营养因子数据,建立Aij数据集;
步骤2,确定目标概率函数;
步骤3,根据步骤2得到的目标概率函数,生成预设数量的湖水营养因子含量随机数Xij,预设数量的随机数的分布符合目标概率密度函数;
步骤4,根据湖泊富营养指标分级标准,建立标准值特征矩阵Mih;
步骤5,计算湖水营养因子指标权重;
步骤6,根据目标概率函数,抽取预设数量的营养因子值随机数,计算营养因子随机数和权重综合得到的湖水富营养等级,根据隶属于各营养等级的概率,确定得到湖泊富营养等级,对照湖泊富营养分级标准,表明湖水富营养风险;
其中步骤1中湖水营养因子指标包括水体叶绿素Chl-a、总氮TN、总磷TP、透明度SD、化学需氧量COD;
其中步骤2中目标概率函数的确定具体为通过统计学方法,确定水体叶绿素Chl-a、总氮TN、总磷TP、透明度SD、化学需氧量COD的目标概率密度函数;
其中步骤4中湖泊富营养指标分级标准根据行业标准富营养等级-贫营养、中营养、轻度富营养、中度富营养、重度富营养对应的水体叶绿素Chl-a、总氮TN、总磷TP、透明度SD、化学需氧量COD限值,基于可变模糊集理论,建立标准值特征矩阵Mih;
其中步骤5中湖水营养因子指标权重获取途径包括主观权重赋值、客观权重计算或文献数据检索;
其中步骤6具体为根据目标概率函数,采用蒙特卡洛法随机抽取预设数量的营养因子值随机数,基于可变模糊集方法计算营养因子随机数和权重综合得到的湖水富营养等级,根据隶属于各营养等级的概率,确定得到湖泊富营养等级,对照湖泊富营养分级标准,表明湖水富营养风险;
计算相对隶属度:
对待样本j指标i的特征值xij与级别h指标i的mih值进行比较,若xih落在mih值的左侧,则其相对隶属函数为:
若xih落在mih值的右侧,其相对隶属函数为:
计算样本相对于综合隶属度:
X指标特征值i的相对隶属度关于左、右极点的广义权矩阵分别为:
式中,p为距离参数,p=1为海明距离,p=2位欧氏距离;
待评价对象u对级别h的非归一化综合隶属度为:
式中,a为优化准则参数,a=1为最小一乘方准则,a=2为最小二乘方准则;综合相对隶属度矩阵是关于p和a的可变集,对不同参数组合进行计算,作为验证结果可靠性的依据;
将非归一化综合相对隶属度矩阵进行归一化处理,得到水样富营养化级别特征值矩阵,依据级别特征值H做出评价:
H=(1,2,...,c)·vh(u) (5)
式中,νh(u)=νh'(u)/∑νh'(u)。
本发明的有益效果是:
本发明的基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,考虑到湖泊水体营养因子的不确定性及对评价结果的影响,采用蒙特卡洛方法对数据进行随机模拟,基于可变模糊集理论评估了湖泊水体隶属于不同富营养化等级的概率水平,更加准确地评价了湖泊富营养化程度。
附图说明
图1是本发明的基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
实施例1
本发明提供了基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,如图1所示,具体按以下步骤实施:
步骤1,获取评估区湖水营养因子数据,建立Aij数据集,湖水营养因子指标为水体叶绿素Chl-a、总氮TN、总磷TP、透明度SD、化学需氧量COD;湖水营养因子数据获取途径为实测;基于上述原则和途径进而建立湖水营养因子数据集;
步骤2,根据统计学方法,确定Chl-a、TN、TP、SD、COD的目标概率密度函数;
步骤3,根据步骤2得到的目标概率函数,生成预设数量的湖水营养因子含量随机数Xij,预设数量的随机数的分布符合目标概率密度函数;
步骤4,湖泊富营养指标分级标准依据行业标准五个富营养等级(贫营养、中营养、轻度富营养、中度富营养、重度富营养)中对应的Chl-a、TN、TP、SD、COD限值,基于可变模糊集理论,建立标准值特征矩阵Mih;基于上述原则和途径建立湖泊富营养标准值特征矩阵;
步骤5,湖水营养因子指标权重获取途径:主观权重赋值、客观权重计算或文献数据检索;基于上述原则和途径获得湖水营养因子指标权重;
步骤6,根据目标概率函数,采用蒙特卡洛法随机抽取预设数量的营养因子值随机数,基于可变模糊集方法计算营养因子随机数和权重综合得到的湖水富营养等级,根据隶属于各营养等级的概率,确定得到湖泊富营养等级,对照湖泊富营养分级标准,表明湖水富营养风险,具体计算过程为:
计算相对隶属度:
对待样本j指标i的特征值xij与级别h指标i的mih值进行比较,若xih落在mih值的左侧,则其相对隶属函数为:
若xih落在mih值的右侧,其相对隶属函数为:
计算样本相对于综合隶属度:
X指标特征值i的相对隶属度关于左、右极点的广义权矩阵分别为:
式中,p为距离参数,p=1为海明距离,p=2位欧氏距离;
待评价对象u对级别h的非归一化综合隶属度为:
式中,a为优化准则参数,a=1为最小一乘方准则,a=2为最小二乘方准则;综合相对隶属度矩阵是关于p和a的可变集,对不同参数组合进行计算,作为验证结果可靠性的依据;
将非归一化综合相对隶属度矩阵进行归一化处理,得到水样富营养化级别特征值矩阵,依据级别特征值H做出评价:
H=(1,2,...,c)·vh(u) (5)
式中,νh(u)=νh'(u)/∑νh'(u)。
实施例2
选定宁夏沙湖水体进行富营养化评价;
沙湖位于宁夏回族自治区,面积13.96km2,该地区蒸发强烈、降水稀少的特征,湖泊主要接受来自黄河的人工补水和地下水补给;
步骤1,获取沙湖5年湖水营养因子Chl-a、TN、TP、SD、COD监测数据,样本数60个,建立数据集Aij,如表1:
表1沙湖水体营养指标含量统计表
指标 | SD(m) | Chl-α(mg/m3) | COD(mg/L) | TP(mg/L) | TN(mg/L) |
均值 | 0.42 | 15.72 | 5.69 | 0.06 | 1.26 |
SD | 0.15 | 7.14 | 0.58 | 0.03 | 0.24 |
最小值 | 0.22 | 6.65 | 4.5 | 0.02 | 0.75 |
最大值 | 0.90 | 36.97 | 7.0 | 0.17 | 1.96 |
步骤2,确定所述目标概率函数,湖水营养因子数据特征服务正态分布;
步骤3,根据所述目标概率密度函数,随机数序列均值为待评价营养因子均值,标准差为营养因子标准差,X~Norm(1000,xij,σij 2),生成服从正态分布的1000×m(m为营养因子数目,m=5)的湖水营养因子含量随机数Xij;
步骤4,依据环境监测总站制定的《湖泊(水库)富营养化评价方法及分级技术规定》,对湖泊各营养因子分级(表2),建立标准值特征矩阵Mih;
表2湖泊富营养化评价指标分级标准
营养状态分级 | 贫营养I | 中营养II | 轻度富营养III | 中度富营养IV | 重度富营养V |
Chl-a(mg/m3) | 1.59 | 10 | 25.12 | 63.1 | 1000 |
TP(mg/L) | 0.019 | 0.065 | 0.12 | 0.223 | 1.415 |
TN(mg/L) | 0.24 | 0.77 | 1.38 | 2.49 | 14.64 |
SD(m) | 2.94 | 1.05 | 0.63 | 0.38 | 0.08 |
COD(mg/L) | 2.96 | 6.29 | 9.15 | 13.33 | 41.14 |
步骤5,计算湖水营养因子指标权重,采用湖泊调查结果中Chl-α与其它指标的相关关系,以Chl-α为基准参数,进行归一化,以得到的权重代入评价模型参与计算;
步骤6,根据目标概率函数,采用蒙特卡洛法随机抽取预设数量的营养因子值随机数,基于可变模糊集方法计算营养因子随机数和权重综合,计算各营养因子的相对隶属度;
实施例3
计算结果:
对于第i个样本,根据随机模拟序列,可计算得到1000个该样本的特征值,有{Hi1,Hi2,…,Hi1000};根据标准值特征矩阵计算得到各营养级阈值Hb,当特征值Hb<1.52时,湖泊水体属贫营养级状态(I级);区间[1.52,2.23]、[2.23,3.46]、[3.46,4.45]分别对应湖泊的中营养(II级)、轻度富营养(III级)和中度富营养(IV级)状态;Hb>4.45时,水体达到重富营养状态(V级);统计{Hi1,Hi2,…,Hi1000}在各营养级的概率,得到第i个样本基于不确定性理论的富营养等级;计算结果表示,沙湖大多数水样为轻度富营养状态,概率水平均达到了80%以上;7个水样隶属于轻度富营养,概率水平介于60~80%之间。
Claims (7)
1.基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,其特征在于,包括获取评估区湖泊营养指标数据,建立数据集;确定样本的目标概率函数;基于湖泊富营养指标分级标准,建立标准值特征矩阵;计算湖水营养因子指标权重;根据目标概率函数,采用蒙特卡洛法随机抽取预设数量的营养因子值随机数,基于可变模糊集方法计算营养因子随机数和权重综合得到的湖水富营养等级,根据隶属于各营养等级的概率,确定湖泊富营养化等级。
2.根据权利要求1所述的基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,其特征在于,具体按以下步骤实施:
步骤1,获取评估区湖水营养因子数据,建立Aij数据集;
步骤2,确定目标概率函数;
步骤3,根据步骤2得到的目标概率函数,生成预设数量的湖水营养因子含量随机数Xij,预设数量的随机数的分布符合目标概率密度函数;
步骤4,根据湖泊富营养指标分级标准,建立标准值特征矩阵Mih;
步骤5,计算湖水营养因子指标权重;
步骤6,根据目标概率函数,抽取预设数量的营养因子值随机数,计算营养因子随机数和权重综合得到的湖水富营养等级,根据隶属于各营养等级的概率,确定得到湖泊富营养等级,对照湖泊富营养分级标准,表明湖水富营养风险。
3.根据权利要求2所述的基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,其特征在于,所述步骤1中湖水营养因子指标包括水体叶绿素Chl-a、总氮TN、总磷TP、透明度SD、化学需氧量COD。
4.根据权利要求2所述的基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,其特征在于,所述步骤2中目标概率函数的确定具体为通过统计学方法,确定水体叶绿素Chl-a、总氮TN、总磷TP、透明度SD、化学需氧量COD的目标概率密度函数。
5.根据权利要求2所述的基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,其特征在于,所述步骤4中湖泊富营养指标分级标准根据行业标准富营养等级-贫营养、中营养、轻度富营养、中度富营养、重度富营养对应的水体叶绿素Chl-a、总氮TN、总磷TP、透明度SD、化学需氧量COD限值,基于可变模糊集理论,建立标准值特征矩阵Mih。
6.根据权利要求2所述的基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,其特征在于,所述步骤5中湖水营养因子指标权重获取途径包括主观权重赋值、客观权重计算或文献数据检索。
7.根据权利要求2所述的基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法,其特征在于,所述步骤6具体为根据目标概率函数,采用蒙特卡洛法随机抽取预设数量的营养因子值随机数,基于可变模糊集方法计算营养因子随机数和权重综合得到的湖水富营养等级,根据隶属于各营养等级的概率,确定得到湖泊富营养等级,对照湖泊富营养分级标准,表明湖水富营养风险;
计算相对隶属度:
对待样本j指标i的特征值xij与级别h指标i的mih值进行比较,若xih落在mih值的左侧,则其相对隶属函数为:
若xih落在mih值的右侧,其相对隶属函数为:
计算样本相对于综合隶属度:
X指标特征值i的相对隶属度关于左、右极点的广义权矩阵分别为:
式中,p为距离参数,p=1为海明距离,p=2位欧氏距离;
待评价对象u对级别h的非归一化综合隶属度为:
式中,a为优化准则参数,a=1为最小一乘方准则,a=2为最小二乘方准则;综合相对隶属度矩阵是关于p和a的可变集,对不同参数组合进行计算,作为验证结果可靠性的依据;
将非归一化综合相对隶属度矩阵进行归一化处理,得到水样富营养化级别特征值矩阵,依据级别特征值H做出评价:
H=(1,2,...,c)·vh(u) (5)
式中,νh(u)=νh'(u)/∑νh'(u)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768603.5A CN116823047A (zh) | 2023-06-27 | 2023-06-27 | 基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768603.5A CN116823047A (zh) | 2023-06-27 | 2023-06-27 | 基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116823047A true CN116823047A (zh) | 2023-09-29 |
Family
ID=88142507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310768603.5A Pending CN116823047A (zh) | 2023-06-27 | 2023-06-27 | 基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823047A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390466A (zh) * | 2023-12-13 | 2024-01-12 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于相似性度量的湖泊稳态判别方法 |
-
2023
- 2023-06-27 CN CN202310768603.5A patent/CN116823047A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390466A (zh) * | 2023-12-13 | 2024-01-12 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于相似性度量的湖泊稳态判别方法 |
CN117390466B (zh) * | 2023-12-13 | 2024-02-06 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于相似性度量的湖泊稳态判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110634080B (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN110675036B (zh) | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 | |
CN108665119B (zh) | 一种供水管网异常工况预警方法 | |
CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
CN109993459B (zh) | 一种复杂多含水层矿井突水水源识别方法 | |
CN116823047A (zh) | 基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法 | |
CN110929939B (zh) | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 | |
CN111160776A (zh) | 利用分块主成分分析的污水处理过程异常工况检测方法 | |
CN103971133B (zh) | 基于案例推理的钢板表面缺陷的自动识别方法 | |
CN110619418A (zh) | 一种基于混合模型组合算法的多特征水质预测方法 | |
CN108470234A (zh) | 一种综合性水质评价方法 | |
CN110852364A (zh) | 矿井突水水源识别方法、装置与电子设备 | |
CN104835073A (zh) | 基于直觉模糊熵权的无人飞行器控制系统运行绩效评价方法 | |
CN116804668B (zh) | 一种食盐碘含量检测数据标识方法及系统 | |
CN110310286B (zh) | 基于泡沫图像多特征的分层工况感知判别方法 | |
CN114782211B (zh) | 一种海山分布范围信息的获取方法及系统 | |
CN116167659B (zh) | 一种碳市场碳排放数据质量评价方法 | |
CN111401444A (zh) | 红酒原产地的预测方法、装置、计算机设备及存储介质 | |
CN111881974B (zh) | 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 | |
CN114757433A (zh) | 一种饮用水源抗生素抗性相对风险快速识别方法 | |
CN113807709A (zh) | 一种基于水情要素的多目标湖区水安全评价方法 | |
CN114563771A (zh) | 基于聚类分析的双阈值激光雷达云层检测算法 | |
Shrivastava et al. | Comparative analysis on ensemble learning techniques for groundwater quality assessment of chhattisgarh region | |
CN112257763A (zh) | 一种基于特征选择与AdaBoost模型的矿井突水水源判别方法 | |
CN112685461A (zh) | 一种基于预判模型的窃电用户判断方法 |
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 |