CN111103416A - 一种水源污染预警方法及*** - Google Patents
一种水源污染预警方法及*** Download PDFInfo
- Publication number
- CN111103416A CN111103416A CN201911393364.XA CN201911393364A CN111103416A CN 111103416 A CN111103416 A CN 111103416A CN 201911393364 A CN201911393364 A CN 201911393364A CN 111103416 A CN111103416 A CN 111103416A
- Authority
- CN
- China
- Prior art keywords
- water
- early warning
- monitored
- deep learning
- water sample
- 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
-
- 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
- G01N33/186—Water using one or more living organisms, e.g. a fish
- G01N33/1866—Water using one or more living organisms, e.g. a fish using microorganisms
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Microbiology (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供一种水源污染预警方法及***,通过将聚氨酯泡沫块沉入待监测水体设定时间后,收取监测水样;检测监测水样中微生物种类和对应密度;将微生物种类和对应密度输入到预先构建的深度学习模型中;根据深度学习模型输出的预测结果,对待监测水体进行预警;利用PFU(Polyurethane Foam Unit)微型生物群落监测结合计算机深度学习算法,在选取足够量数据基数的情况下,通过计算机深度学习可将每次预警层级划分为更为清晰准确,在不需要选取对比水样的情况下,直接对每次所取的水样进行定性定量判断预警等级,使得经深度学习后的***对饮用水源污染预警更加准确、灵敏、可靠。
Description
技术领域
本发明涉及水污染检测技术领域,尤其涉及一种水源污染预警方法及***。
背景技术
我国是一个淡水资源短缺的国家,虽然淡水资源总量为2.8万亿立方,排名世界第六,但人均淡水资源量仅为世界平均水平的四分之一,随着社会经济的高速发展,我国的水体环境面临污染加剧的困境。近年来,根据环境保护部对全国河流、湖泊、水库等水质状况的调查,我国七大水系、主要湖泊、近岸海域及部分地区的地下水均受到不同程度的污染。流域的水污染引起系列生态环境问题,造成水体生态功能退化。
水资源对于人类具有特别重要的意义,水污染问题已经是国家发展必须解决的问题,能够找到可快速、准确地调查预警水源污染状况的方法,对饮用水源污染的预警具有重大意义,以往的饮用水源污染预警只能定性、定量预警水污染严重程度,且常规的仪器和化学手段监测只反映采样瞬时的污染物浓度,不能反映多种污染物共同作用的综合结果,不能体现污染因素对人和生物的危害及对环境的综合效应。
发明内容
本发明提供的一种水源污染预警方法及***,主要解决的技术问题是:如何快速、准确地调查预警水源污染状况。
为解决上述技术问题,本发明提供一种水源污染预警方法,包括:
将聚氨酯泡沫块沉入待监测水体设定时间后,收取监测水样;
检测所述监测水样中微生物种类和对应密度;
将所述微生物种类和对应密度输入到预先构建的深度学习模型中;
根据所述深度学习模型输出的预测结果,对所述待监测水体进行预警。
可选的,所述深度学习模型是根据不同类型水体的若干样本,并输入定义的预警限值进行学习得到的。
可选的,所述预警限值包括:总大肠菌群、耐热大肠菌群、大肠埃希氏菌在监测水样中不得检出,且菌落总数小于100CFU/ML、贾第鞭毛虫小于1个/10L、隐孢子虫小于1个/10L。
可选的,所述不同类型水体包括Ⅰ类水体、Ⅱ类水体、Ⅲ类水体。
可选的,所述不同类型水体还包括Ⅳ类水体、Ⅴ类水体。
可选的,所述设定时间根据待监测水体条件进行设置,所述待监测水体条件包括流水、静水。
可选的,所述根据所述深度学习模型输出的预测结果,对所述待监测水体进行预警包括:
在预测结果为所述监测水样中检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌,直接亮红灯进行严重污染预警;
在预测结果为所述监测水样中未总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数在80~100CFU/ML、贾第鞭毛虫在0.8~1个/10L、隐孢子虫0.8~1个/10L,亮红灯进行严重污染预警;
在预测结果为所述监测水样中未检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数在50~80CFU/ML、贾第鞭毛虫0.5~0.8个/10L、隐孢子虫0.5~0.8个/10L,亮橙色灯进行中度预警;
在预测结果为所述监测水样中未检测总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数小于50CFU/ML、贾第鞭毛虫小于0.5个/10L、隐孢子虫小于0.5个/10L,亮绿灯进行低度污染预警。
本发明还提供一种水源污染预警***,包括:
水样收取装置,用于对待监测水体收取监测水样;
原生生物监测装置,用于检测所述监测水样中微生物种类和对应密度;
深度学习模块,用于基于输入的微生物种类和对应密度,输出预测结果;
预警模块,用于根据所述预测结果,对所述待监测水体进行预警。
可选的,所述水样收取装置包括聚氨酯泡沫块、投放收取装置、周期设定装置;所述聚氨酯泡沫块用于沉入待监测水体中,所述投放收取装置用于根据所述周期设定装置设置的设定时间,将所述聚氨酯泡沫块从所述待监测水体中提起,以收取监测水样。
可选的,所述深度学习模块是根据不同类型水体的若干样本,并输入定义的预警限值进行学习得到的。
本发明的有益效果是:
根据本发明提供的一种水源污染预警方法及***,通过将聚氨酯泡沫块沉入待监测水体设定时间后,收取监测水样;检测监测水样中微生物种类和对应密度;将微生物种类和对应密度输入到预先构建的深度学习模型中;根据深度学习模型输出的预测结果,对待监测水体进行预警;利用PFU(Polyurethane Foam Unit)微型生物群落监测结合计算机深度学习算法,在选取足够量数据基数的情况下,通过计算机深度学习可将每次预警层级划分为更为清晰准确,在不需要选取对比水样的情况下,直接对每次所取的水样进行定性定量判断预警等级,使得经深度学习后的***对饮用水源污染预警更加准确、灵敏、可靠。
附图说明
图1为本发明实施例一的水源污染预警方法示意图;
图2为本发明实施例二的水源污染预警***结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一:
请参见图1,图1为本实施例的水源污染预警方法示意图,该方法主要包括如下步骤:
S101、将聚氨酯泡沫块沉入待监测水体设定时间后,收取监测水样。
聚氨酯泡沫块浸泡水体中,曝露一定时间后,水体中大部分微型生物种类均可群集到泡沫块内,挤出的水样能代表该水体中的微型生物群落。以预报工业废水和化学品对受纳水体中微型生物群落的毒性强度,为制定其预警安全浓度和预警最高允许浓度提出群落级水平的基准。
设定时间根据待监测水体条件进行设置,所述待监测水体条件包括流水、静水。可选的,静水四周,流水两周。
S102、检测监测水样中微生物种类和对应密度。
对聚氨酯泡沫块收集到的监测水样进行保护性收取,将所取水样倒入原生生物监测装置中进行微生物种类和数量的监测,得到不同种类对应密度。
S103、将微生物种类和对应密度输入到预先构建的深度学习模型中。
深度学习模型是根据不同类型水体的若干样本,并输入定义的预警限值进行学习得到的。
其中,预警限值包括:总大肠菌群、耐热大肠菌群、大肠埃希氏菌在监测水样中不得检出,且菌落总数小于100CFU/ML、贾第鞭毛虫小于1个/10L、隐孢子虫小于1个/10L。
不同类型水体包括Ⅰ类水体(主要适用于源头水、国家自然保护区)、Ⅱ类水体(主要适用于集中式生活饮用水地表水源地一级保护区、珍稀水生生物栖息地、鱼虾类产场、仔稚幼鱼的索饵场等)、Ⅲ类水体(主要适用于集中式生活饮用水地表水源地二级保护区、鱼虾类越冬场、洄游通道、水产养殖区等渔业水域及游泳区)。
例如,用聚氨酯泡沫块取Ⅲ类水体、Ⅱ类水体、Ⅰ类水体的样本各1000个进行训练学习,通过监测设备测定总大肠菌群、耐热大肠菌群、菌落总数、贾第鞭毛虫、隐孢子虫、大肠埃希氏菌。
可选的,不同类型水体还包括Ⅳ类水体(主要适用于一般工业用水区及人体非直接接触的娱乐用水区)、Ⅴ类水体(主要适用于农业用水区及一般景观要求水域)。
S104、根据深度学习模型输出的预测结果,对待监测水体进行预警。
可选的,在预测结果为监测水样中检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌,直接亮红灯进行严重污染预警;
在预测结果为监测水样中未总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数在80~100CFU/ML、贾第鞭毛虫在0.8~1个/10L、隐孢子虫0.8~1个/10L,亮红灯进行严重污染预警;
在预测结果为监测水样中未检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数在50~80CFU/ML、贾第鞭毛虫0.5~0.8个/10L、隐孢子虫0.5~0.8个/10L,亮橙色灯进行中度预警;
在预测结果为监测水样中未检测总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数小于50CFU/ML、贾第鞭毛虫小于0.5个/10L、隐孢子虫小于0.5个/10L,亮绿灯进行低度污染预警。
本实施例提供的水源污染预警方法,利用PFU微型生物群落监测结合计算机深度学习算法,在选取足够量数据基数的情况下,通过计算机深度学习可将每次预警层级划分为更为清晰准确,在不需要选取对比水样的情况下,直接对每次所取的水样进行定性定量判断预警等级,使得经深度学习后的***对饮用水源污染预警更加准确、灵敏、可靠。
实施例二:
本实施例提供一种水源污染预警***,请参见图2,该***主要包括:
水样收取装置10用于对待监测水体收取监测水样.
原生生物监测装置20用于检测监测水样中微生物种类和对应密度。
深度学习模块30用于基于输入的微生物种类和对应密度,输出预测结果。
预警模块40用于根据预测结果,对待监测水体进行预警。
水样收取装置10包括聚氨酯泡沫块11、投放收取装置12、周期设定装置13;聚氨酯泡沫块11用于沉入待监测水体中,投放收取装置12用于根据周期设定装置设置的设定时间,将聚氨酯泡沫块11从所述待监测水体中提起,以收取监测水样。在投放聚氨酯泡沫块11的同时,通过周期设定装置13设置好提取监测水样的收取周期,投放收取装置12全自动的进行收取操作,减少过程中人工的操作步骤。
对聚氨酯泡沫块11收集到的水样进行保护性收取,将所取水样倒入原生生物监测装置进行微生物种类和数量的监测。
深度学习模块30是根据不同类型水体的若干样本,并输入定义的预警限值进行学习得到的。例如,针对地表水环境质量标准划分的五类水体,用聚氨酯泡沫块取Ⅲ类水体、Ⅱ类水体、Ⅰ类水体的样本各1000个进行训练学习,通过监测设备测定总大肠菌群、耐热大肠菌群、菌落总数、贾第鞭毛虫、隐孢子虫、大肠埃希氏菌。
预警限值包括:总大肠菌群、耐热大肠菌群、大肠埃希氏菌在监测水样中不得检出,且菌落总数小于100CFU/ML、贾第鞭毛虫小于1个/10L、隐孢子虫小于1个/10L。
由深度学习算法在储存装置中对所测数据及最终定级信息进行存储,并录入数据库对进行训练学习。
预警***的警报灯分为三个颜色,分别为绿色、橙色、红色,每个颜色的警报分别代表低度、中度、严重污染状态。
可选的,在预测结果为所述监测水样中检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌,直接亮红灯进行严重污染预警;
在预测结果为所述监测水样中未总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数在80~100CFU/ML、贾第鞭毛虫在0.8~1个/10L、隐孢子虫0.8~1个/10L,亮红灯进行严重污染预警;
在预测结果为所述监测水样中未检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数在50~80CFU/ML、贾第鞭毛虫0.5~0.8个/10L、隐孢子虫0.5~0.8个/10L,亮橙色灯进行中度预警;
在预测结果为所述监测水样中未检测总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数小于50CFU/ML、贾第鞭毛虫小于0.5个/10L、隐孢子虫小于0.5个/10L,亮绿灯进行低度污染预警。
通过叠加完善每次的数据和预警等级,可使水源污染预警***的预警准确精度更加完善准确。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种水源污染预警方法,其特征在于,包括:
将聚氨酯泡沫块沉入待监测水体设定时间后,收取监测水样;
检测所述监测水样中微生物种类和对应密度;
将所述微生物种类和对应密度输入到预先构建的深度学习模型中;
根据所述深度学习模型输出的预测结果,对所述待监测水体进行预警。
2.如权利要求1所述的水源污染预警方法,其特征在于,所述深度学习模型是根据不同类型水体的若干样本,并输入定义的预警限值进行学习得到的。
3.如权利要求2所述的水源污染预警方法,其特征在于,所述预警限值包括:总大肠菌群、耐热大肠菌群、大肠埃希氏菌在监测水样中不得检出,且菌落总数小于100CFU/ML、贾第鞭毛虫小于1个/10L、隐孢子虫小于1个/10L。
4.如权利要求2所述的水源污染预警方法,其特征在于,所述不同类型水体包括Ⅰ类水体、Ⅱ类水体、Ⅲ类水体。
5.如权利要求4所述的水源污染预警方法,其特征在于,所述不同类型水体还包括Ⅳ类水体、Ⅴ类水体。
6.如权利要求1-5任一项所述的水源污染预警方法,其特征在于,所述设定时间根据待监测水体条件进行设置,所述待监测水体条件包括流水、静水。
7.如权利要求1-5任一项所述的水源污染预警方法,其特征在于,所述根据所述深度学习模型输出的预测结果,对所述待监测水体进行预警包括:
在预测结果为所述监测水样中检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌,直接亮红灯进行严重污染预警;
在预测结果为所述监测水样中未总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数在80~100CFU/ML、贾第鞭毛虫在0.8~1个/10L、隐孢子虫0.8~1个/10L,亮红灯进行严重污染预警;
在预测结果为所述监测水样中未检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数在50~80CFU/ML、贾第鞭毛虫0.5~0.8个/10L、隐孢子虫0.5~0.8个/10L,亮橙色灯进行中度预警;
在预测结果为所述监测水样中未检测总大肠菌群、耐热大肠菌群、大肠埃希氏菌,且菌落总数小于50CFU/ML、贾第鞭毛虫小于0.5个/10L、隐孢子虫小于0.5个/10L,亮绿灯进行低度污染预警。
8.一种水源污染预警***,其特征在于,包括:
水样收取装置,用于对待监测水体收取监测水样;
原生生物监测装置,用于检测所述监测水样中微生物种类和对应密度;
深度学习模块,用于基于输入的微生物种类和对应密度,输出预测结果;
预警模块,用于根据所述预测结果,对所述待监测水体进行预警。
9.如权利要求8所述的水源污染预警***,其特征在于,所述水样收取装置包括聚氨酯泡沫块、投放收取装置、周期设定装置;所述聚氨酯泡沫块用于沉入待监测水体中,所述投放收取装置用于根据所述周期设定装置设置的设定时间,将所述聚氨酯泡沫块从所述待监测水体中提起,以收取监测水样。
10.如权利要求9所述的水源污染预警***,其特征在于,所述深度学习模块是根据不同类型水体的若干样本,并输入定义的预警限值进行学习得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911393364.XA CN111103416A (zh) | 2019-12-30 | 2019-12-30 | 一种水源污染预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911393364.XA CN111103416A (zh) | 2019-12-30 | 2019-12-30 | 一种水源污染预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111103416A true CN111103416A (zh) | 2020-05-05 |
Family
ID=70424314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911393364.XA Pending CN111103416A (zh) | 2019-12-30 | 2019-12-30 | 一种水源污染预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111103416A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113418889A (zh) * | 2021-05-17 | 2021-09-21 | 中国海洋大学 | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 |
CN114965928A (zh) * | 2022-06-06 | 2022-08-30 | 南京国环科技股份有限公司 | 地下水污染智能无线监测方法及*** |
CN115859770A (zh) * | 2022-10-25 | 2023-03-28 | 浙江问源环保科技股份有限公司 | 基于ga和ffnn的生活污水粪大肠菌群在线监测***和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900687A (zh) * | 2010-07-06 | 2010-12-01 | 重庆大学 | 一种基于图像处理的小型水域水华监测预警方法 |
CN103177243A (zh) * | 2013-03-15 | 2013-06-26 | 浙江大学 | 一种海洋微生物的实时监测方法 |
CN107569889A (zh) * | 2017-10-12 | 2018-01-12 | 西安思坦科技有限公司 | 关于隐孢子虫和贾第鞭毛虫的过滤回收装置及其*** |
CN108334977A (zh) * | 2017-12-28 | 2018-07-27 | 鲁东大学 | 基于深度学习的水质预测方法及*** |
CN108562709A (zh) * | 2018-04-25 | 2018-09-21 | 重庆工商大学 | 一种基于卷积自编码器极限学习机的污水处理***水质监测预警方法 |
CN108830425A (zh) * | 2018-06-26 | 2018-11-16 | 北京高能时代环境技术股份有限公司 | 水库水质预测***及方法 |
CN109448445A (zh) * | 2018-09-05 | 2019-03-08 | 南京航空航天大学 | 基于长短期记忆神经网络的航班延误分级预警方法 |
CN109614924A (zh) * | 2018-12-07 | 2019-04-12 | 江西洪都航空工业集团有限责任公司 | 一种基于深度学习算法的水面垃圾检测方法 |
CN110308255A (zh) * | 2019-05-08 | 2019-10-08 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
CN110487980A (zh) * | 2019-06-27 | 2019-11-22 | 江苏亚寰环保科技股份有限公司 | 一种基于人工智能与机器学习算法的水环境监测分析*** |
-
2019
- 2019-12-30 CN CN201911393364.XA patent/CN111103416A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900687A (zh) * | 2010-07-06 | 2010-12-01 | 重庆大学 | 一种基于图像处理的小型水域水华监测预警方法 |
CN103177243A (zh) * | 2013-03-15 | 2013-06-26 | 浙江大学 | 一种海洋微生物的实时监测方法 |
CN107569889A (zh) * | 2017-10-12 | 2018-01-12 | 西安思坦科技有限公司 | 关于隐孢子虫和贾第鞭毛虫的过滤回收装置及其*** |
CN108334977A (zh) * | 2017-12-28 | 2018-07-27 | 鲁东大学 | 基于深度学习的水质预测方法及*** |
CN108562709A (zh) * | 2018-04-25 | 2018-09-21 | 重庆工商大学 | 一种基于卷积自编码器极限学习机的污水处理***水质监测预警方法 |
CN108830425A (zh) * | 2018-06-26 | 2018-11-16 | 北京高能时代环境技术股份有限公司 | 水库水质预测***及方法 |
CN109448445A (zh) * | 2018-09-05 | 2019-03-08 | 南京航空航天大学 | 基于长短期记忆神经网络的航班延误分级预警方法 |
CN109614924A (zh) * | 2018-12-07 | 2019-04-12 | 江西洪都航空工业集团有限责任公司 | 一种基于深度学习算法的水面垃圾检测方法 |
CN110308255A (zh) * | 2019-05-08 | 2019-10-08 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
CN110487980A (zh) * | 2019-06-27 | 2019-11-22 | 江苏亚寰环保科技股份有限公司 | 一种基于人工智能与机器学习算法的水环境监测分析*** |
Non-Patent Citations (1)
Title |
---|
金银龙 等,: "《GB5749-2006中华人民共和国国家标准》", 29 December 2006 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113418889A (zh) * | 2021-05-17 | 2021-09-21 | 中国海洋大学 | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 |
CN113418889B (zh) * | 2021-05-17 | 2023-05-26 | 中国海洋大学 | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 |
CN114965928A (zh) * | 2022-06-06 | 2022-08-30 | 南京国环科技股份有限公司 | 地下水污染智能无线监测方法及*** |
CN114965928B (zh) * | 2022-06-06 | 2023-09-05 | 南京国环科技股份有限公司 | 地下水污染智能无线监测方法及*** |
CN115859770A (zh) * | 2022-10-25 | 2023-03-28 | 浙江问源环保科技股份有限公司 | 基于ga和ffnn的生活污水粪大肠菌群在线监测***和装置 |
CN115859770B (zh) * | 2022-10-25 | 2023-08-04 | 浙江问源环保科技股份有限公司 | 基于ga和ffnn的生活污水粪大肠菌群在线监测***和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111103416A (zh) | 一种水源污染预警方法及*** | |
Borja et al. | Assessing the environmental quality status in estuarine and coastal systems: comparing methodologies and indices | |
Adamovich et al. | Relations between variations in the lake bacterioplankton abundance and the lake trophic state: Evidence from the 20-year monitoring | |
Bouchet et al. | Indicative value of benthic foraminifera for biomonitoring: Assignment to ecological groups of sensitivity to total organic carbon of species from European intertidal areas and transitional waters | |
van der Linden et al. | Spatial and temporal response of multiple trait-based indices to natural-and anthropogenic seafloor disturbance (effluents) | |
Englebert et al. | Effects of the nuisance algae, Cladophora, on Escherichia coli at recreational beaches in Wisconsin | |
Carvalho et al. | The current status of a sample of English Sites of Special Scientific Interest subject to eutrophication | |
Baek et al. | Assessing the ecosystem health status of Korea Gwangyang and Jinhae bays based on a planktonic index of biotic integrity (P-IBI) | |
Stanković et al. | In situ effects of a microplastic mixture on the community structure of benthic macroinvertebrates in a freshwater pond | |
Mueting et al. | An evaluation of artificial substrates for monitoring the quagga mussel (Dreissena bugensis) in Lake Mead, Nevada–Arizona | |
Salas et al. | Application of the exergy index as ecological indicator of organically enrichment areas in the Mar Menor lagoon (south-eastern Spain) | |
da Silva et al. | Beta diversity patterns in zooplankton assemblages from a semiarid river ecosystem | |
Han et al. | Local and geographical factors jointly drive elevational patterns of phytoplankton in the source region of the Yangtze River, China | |
CN115343439B (zh) | 一种城市内河流域水质监测方法 | |
Yildirim et al. | Monitoring and evaluation of coastal water quality parameters in Fethiye Bay, Turkey | |
Gabriel et al. | Microplastic abundance and distribution in the sediment of Cagayan De Oro River, Philippines | |
Hernández‐Carrasco et al. | Ecological restoration promotes zooplankton network complexity in Mediterranean coastal lagoons | |
Lal et al. | Assessing the water quality of Suva foreshore for the establishment of estuary and marine recreational water guidelines in the Fiji Islands | |
KR20100083095A (ko) | 파래의 포자 방출을 이용하여 독성을 진단하기 위한 키트 및 방법 | |
Zhao et al. | Effects and prediction of nonpoint source pollution on the structure of aquatic food webs | |
CN114455715B (zh) | 一种基于“药方式”的水体生态治理方法及*** | |
Brion et al. | New approach to use of total coliform test for watershed management | |
CN110724723B (zh) | 一种测算污染物生态毒性效应半效浓度的方法 | |
Samuel et al. | Evaluation by benthic macroinvertebrates of the state of health of some rivers in the south Cameroon region | |
Lohaka et al. | Preliminary study of the structure of the aquatic macroinvertebrate stands in lake Mai Ndombe in the province of Mai Ndombe in the RDC |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200505 |
|
RJ01 | Rejection of invention patent application after publication |