CN114593792A - 一种地下水水位监测方法和装置、存储介质 - Google Patents
一种地下水水位监测方法和装置、存储介质 Download PDFInfo
- Publication number
- CN114593792A CN114593792A CN202210319924.2A CN202210319924A CN114593792A CN 114593792 A CN114593792 A CN 114593792A CN 202210319924 A CN202210319924 A CN 202210319924A CN 114593792 A CN114593792 A CN 114593792A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- level
- water level
- area
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 126
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 239000003673 groundwater Substances 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 49
- 238000001556 precipitation Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000009933 burial Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种地下水水位监测方法和装置、存储介质,包括:根据区域平均方式获取待监测区域地下水体的水位监测数据;根据所述水位监测数据,得到与水位异常相关的第一特征数据;将所述第一特征数据,输入预设的第一神经网络模型,输出水位监测数据的异常结果。采用本发明的技术方案,可以确保监测数据的稳定性和及时性。
Description
技术领域
本发明属于水位监测领域,尤其涉及一种地下水水位监测方法和装置、存储介质。
背景技术
地下水监测,为地下水监测管理部门对辖区内地下水水位数据进行监测,以便及时掌握动态变化情况,对地下水进行长期的保护。然而,由于受环境、采集策略等因素的影响,采集的水位监测数据往往容易出现与实际存在偏差的情况,这会影响到水位检测的精度,从而影响水位检测的准确性。目前,对地下水进行监测过程中,主要是通过人工进行异常数据的查找。然而,持续的人工分析异常数据容易出错,无法确保监测数据的稳定性。人工查找异常数据时间较长,无法保证数据的及时性。
发明内容
本发明要解决的技术问题是,提供一种地下水水位监测方法和装置、存储介质,可以确保监测数据的稳定性和及时性。
为实现上述目的,本发明采用如下的技术方案:
一种地下水水位监测方法,包括:
步骤S1、根据区域平均方式获取待监测区域地下水体的水位监测数据;
步骤S2、基于所述水位监测数据,得到与水位异常相关的第一特征数据;
步骤S3、将所述第一特征数据,输入预设的第一神经网络模型,输出水位监测数据的异常结果;其中,所述第一神经网络模型,根据异常水位监测数据对应的特征数据作为样本进行训练后得到。
作为优选,步骤S1包括:
步骤S11、将待监测区域划分为N级不同级别的区域计算单元,第N级区域计算单元为末级区域计算单元;
步骤S12、收集待监测区域内监测井信息和待监测区域的基本信息;
步骤S13、根据待监测区域内监测井信息和待监测区域的基本信息计算末级区域计算单元地下水水位和地下水水位变化量,获得所有末级区域计算单元地下水水位以及地下水水位变化量;
步骤S14、根据所有末级区域计算单元地下水水位以及地下水水位变化量依次迭代计算N-1级区域计算单元地下水水位以及地下水水位变化量、N-2级区域计算单元地下水水位以及地下水水位变化量、…、一级区域计算单元地下水水位以及地下水水位变化量;
步骤S15、获得待监测区域的地下水水位以及地下水水位变化量。
作为优选,所述待监测区域内监测井信息包括区域内监测井数量、监测井位置、监测井层位以及不同时间节点监测井测得的地下水水位;所述待监测区域的基本信息包括区域面积、各级区域计算单元面积和各级区域计算单元内监测井的数量以及监测井的分布位置。
作为优选,所述输出监测数据的异常结果之后,还包括将异常数据发送到人机界面进行展示;接收异常数据的剔除结果或填补结果,得到修正后的监测数据。
作为优选,所述得到修正后的监测数据之后,还包括:基于修正后的监测数据、结合气象降水数据和地质数据,得到与水位动态预测相关的第二特征数据;将所述第二特征数据,输入预设的第二神经网络模型,输出水位预测结果;其中,所述第二神经网络模型,根据修正后的监测数据对应的特征数据作为样本进行训练后得到。
作为优选,所述基于修正后的监测数据、结合气象降水数据和地质数据,确定第二特征数据,包括:
对修正后的监测数据、所述气象降水数据和所述地质数据,进行自相关分析或互相关分析,根据自相关分析或互相关分析的结果确定第二特征数据。
作为优选,所述对修正后的监测数据、所述气象降水数据和所述地质数据,进行自相关分析或互相关分析,包括:利用波谱分析和频谱分析法,确定修正后的监测数据、所述气象降水数据和所述地质数据中各参数的自相关系数或互相关系数;根据所述自相关系数或互相关系数,确定第二特征数据。
本发明还提供一种地下水水位监测装置,包括:
采集模块,用于根据区域平均方式获取待监测区域地下水体的水位监测数据;
确定模块,用于基于所述水位监测数据,得到与水位异常相关的第一特征数据;
监测模块,用于将所述第一特征数据,输入预设的第一神经网络模型,输出水位监测数据的异常结果。
本发明还提供一种存储介质,所述存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现地下水水位监测方法。
本发明通过神经网络模型来进行异常数据的判断,避免因人工长时间分析异常数据导致的出错问题,并且实现了异常数据的准确定位。同时,基于目前的神经网络处理速度,可以及时发现异常数据,为水位数据的预测分析争取时间,保证水位监测的及时性、稳定性、连续性和高效率,同时本发明能简便计算待测区域地下水水位,简单易操作,计算速度快,计算精度高。
附图说明
图1为本发明地下水水位监测方法的流程图;
图2为本发明地下水水位监测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1:
如图1所示,本发明提供一种地下水水位监测,包括:
步骤S1、根据区域平均方式获取地下水体的水位监测数据;
步骤S2、基于所述水位监测数据,得到与水位异常相关的第一特征数据;
步骤S3、将所述第一特征数据,输入预设的第一神经网络模型,输出水位监测数据的异常结果;其中,所述第一神经网络模型,根据异常水位监测数据对应的特征数据作为样本进行训练后得到。
本发明应用人工智能机器学习技术,实现地下水位异常数据的自动识别,计算数据并定位异常,实现异常数据的快速筛选。预设的第一神经网络模型,是预先已经训练好的模型,将已知异常的数据作为标签,整体数据作为样本,来训练前述神经网络模型。通过大量的样本,得到满足精度要求的神经网络模型,作为上述预设的神经网络模型。例如,可以采用目前的卷积神经网络或者时间序列神经网络。
本发明通过第一神经网络模型来进行异常数据的判断,避免因人工长时间分析异常数据导致的出错问题,并且实现了异常数据的准确定位。同时,基于目前的神经网络处理速度,可以及时发现异常数据,为水位数据的预测分析争取时间,保证水位监测的及时性、稳定性、连续性和高效率。
在一个实施例中,步骤S1包括:
步骤S11、将待监测区域划分为N级不同级别的区域计算单元,第N级区域计算单元为末级区域计算单元;其中,所述N级不同级别的区域计算单元包括一个一级区域计算单元,一级区域计算单元包括若干个二级区域计算单元、…、一个N-2级区域计算单元包括若干个N-1级区域计算单元、一个N-1级区域计算单元包括若干个N级区域计算单元;
步骤S12、收集待监测区域内监测井信息和待监测区域的基本信息;其中,所述待监测区域内监测井信息包括区域内监测井数量、监测井位置、监测井层位以及不同时间节点监测井测得的地下水水位;所述待监测区域的基本信息包括区域面积、各级区域计算单元面积和各级区域计算单元内监测井的数量以及监测井的分布位置;
步骤S13、根据待监测区域内监测井信息和待监测区域的基本信息计算末级区域计算单元地下水水位和地下水水位变化量,获得所有末级区域计算单元地下水水位以及地下水水位变化量;
步骤S14、根据所有末级区域计算单元地下水水位以及地下水水位变化量依次迭代计算N-1级区域计算单元地下水水位以及地下水水位变化量、N-2级区域计算单元地下水水位以及地下水水位变化量、…、一级区域计算单元地下水水位以及地下水水位变化量;
步骤S15、获得待监测区域的地下水水位以及地下水水位变化量。
作为本实施例的一种实施方式,步骤S11中,本发明将待监测区域划分为不同级别的计算单元,如一级单元、二级单元、三级单元等。以最为常用的行政区为例进行进一步说明,计算省级行政区地下水水位变化值,可按照行政区级别将省级行政区逐级划分为省级区域计算单元(一级)、市级区域计算单元(二级)、县级区域计算单元(三级),如有必要,还可以继续划分镇、乡、村等更小计算单元
作为本实施例的一种实施方式,步骤S12中,本发明采集的数据主要包括两类:一是收集待监测区域监测井信息,包括待监测区域内监测井数量、位置、层位、相应时间节点的地下水水位(埋深)等。若计算待监测区域平均水位(埋深)变化时,对待监测区域内同一眼监测井,用前一时刻地下水监测水位(埋深)数据减去后一时刻地下水监测水位(埋深)数据,得到待监测区域内每一眼监测井地下水水位(埋深)变化值。二是收集待监测区域的基本信息,包括待监测区域的面积、各级区域计算单元的面积,以及各级区域计算单元内监测井的数量和分布位置情况。
在一个实施例中,所述输出监测数据的异常结果之后,还包括将异常数据发送到人机界面进行展示;接收异常数据的剔除结果或填补结果,得到修正后的监测数据。
设置集设备动态预警、数据接收动态查看、监测运行动态查看、数据上报、运维跟进、APP内任务传达等功能于一体的地下水监测运维管理APP,提高工程的监管效率和成效,有效确保质量、进度、安全等目标的实现。
在上述神经网络模型输出了异常数据的情况下,通过APP将异常数据发送到人机界面,并进行标记。如显示一段时间监测数据,同时将其中的异常数据标注出来,向用户展示。
整编流程的工作人员,查看标记的异常值,确认标记数据后,进行异常数据剔除,或者进行异常数据提出后进行人工填补,从而得到修正后的监测数据。此外,还可对每个数值的操作建立完整日志,内容包括操作人、操作时间和操作内容,便于追溯和查询。
在一个实施例中,所述得到修正后的水位监测数据之后,还包括:基于修正后的监测数据、结合气象降水数据和地质数据,得到与水位动态预测相关的第二特征数据;将所述第二特征数据,输入预设的第二神经网络模型,输出水位预测结果;其中,所述第二神经网络模型,根据修正后的监测数据对应的特征数据作为样本进行训练后得到。
本发明还建立另一个神经网络模型,用于进行水位预测。同时,本发明考虑到仅通过水位数据进行预测,数据源单一,结果准确性不高。特别地,本发明基于修正后的监测数据,同时结合气象降水数据和地质数据,确定特征数据(为区别上述异常检测的特征数据,后续称此处的特征数据为第二特征数据)。将第二特征数据,输入预设的第二神经网络模型,输出水位预测结果。第二神经网络模型,根据确定的监测数据结果作为标签,进行训练后得到。例如,连续60分钟,每分钟采集一次监测数据确定第二特征数据,将前59分组的监测数据对应的第二特征数据作为第二神经网络模型的输入,第60分钟的数据作为标签,对第二神经网络模型进行训练。通过多次训练的第二神经网络模型,可以根据59分钟的数据的特征,预测第60分钟的水位数据。
在一个实施例中,所述基于修正后的监测数据、结合气象降水数据和地质数据,确定第二特征数据,包括:对修正后的监测数据、所述气象降水数据和所述地质数据,进行自相关分析或互相关分析,根据自相关分析或互相关分析的结果确定第二特征数据。
为进一步提高数据预测的准确性,本发明根据修正后的监测数据、所述气象降水数据和所述地质数据,进行自相关分析或互相关分析,最终确定第二特征数据,并以此进行水位数据的动态预测。
在一个实施例中,所述对修正后的监测数据、所述气象降水数据和所述地质数据,进行自相关分析或互相关分析,包括:利用波谱分析和频谱分析法,确定修正后的监测数据、所述气象降水数据和所述地质数据中各参数的自相关系数或互相关系数;根据所述自相关系数或互相关系数,确定第二特征数据。
实施例2:
如图2所示,本发明还提供一种地下水水位监测装置,包括:
采集模块,用于根据区域平均方式获取待监测区域地下水体的水位监测数据;
确定模块,用于基于所述水位监测数据,得到与水位异常相关的第一特征数据;
监测模块,用于将所述第一特征数据,输入预设的第一神经网络模型,输出水位监测数据的异常结果。
实施例3:
本发明还提供一种存储介质,所述存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现地下水水位监测方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种地下水水位监测方法,其特征在于,包括:
步骤S1、根据区域平均方式获取待监测区域地下水体的水位监测数据;
步骤S2、基于所述水位监测数据,得到与水位异常相关的第一特征数据;
步骤S3、将所述第一特征数据,输入预设的第一神经网络模型,输出水位监测数据的异常结果;其中,所述第一神经网络模型,根据异常水位监测数据对应的特征数据作为样本进行训练后得到。
2.如权利要求1所述的地下水水位监测方法,其特征在于,步骤S1包括:
步骤S11、将待监测区域划分为N级不同级别的区域计算单元,第N级区域计算单元为末级区域计算单元;
步骤S12、收集待监测区域内监测井信息和待监测区域的基本信息;
步骤S13、根据待监测区域内监测井信息和待监测区域的基本信息计算末级区域计算单元地下水水位和地下水水位变化量,获得所有末级区域计算单元地下水水位以及地下水水位变化量;
步骤S14、根据所有末级区域计算单元地下水水位以及地下水水位变化量依次迭代计算N-1级区域计算单元地下水水位以及地下水水位变化量、N-2级区域计算单元地下水水位以及地下水水位变化量、…、一级区域计算单元地下水水位以及地下水水位变化量;
步骤S15、获得待监测区域的地下水水位以及地下水水位变化量。
3.如权利要求2所述的地下水水位监测方法,其特征在于,所述待监测区域内监测井信息包括区域内监测井数量、监测井位置、监测井层位以及不同时间节点监测井测得的地下水水位;所述待监测区域的基本信息包括区域面积、各级区域计算单元面积和各级区域计算单元内监测井的数量以及监测井的分布位置。
4.如权利要求3所述的地下水水位监测方法,其特征在于,所述输出水位监测数据的异常结果之后,还包括将异常数据发送到人机界面进行展示;接收异常数据的剔除结果或填补结果,得到修正后的监测数据。
5.如权利要求4所述的地下水水位监测方法,其特征在于,所述得到修正后的水位监测数据之后,还包括:基于修正后的监测数据、结合气象降水数据和地质数据,得到与水位动态预测相关的第二特征数据;将所述第二特征数据,输入预设的第二神经网络模型,输出水位预测结果;其中,所述第二神经网络模型根据修正后的监测数据对应的特征数据作为样本进行训练后得到。
6.如权利要求5所述的地下水水位监测方法,其特征在于,基于修正后的监测数据、结合气象降水数据和地质数据,得到与水位动态预测相关的第二特征数据,包括:
对修正后的监测数据、所述气象降水数据和所述地质数据,进行自相关分析或互相关分析,根据自相关分析或互相关分析的结果确定第二特征数据。
7.如权利要求6所述的地下水水位监测方法,其特征在于,所述对修正后的监测数据、所述气象降水数据和所述地质数据,进行自相关分析或互相关分析,包括:利用波谱分析和频谱分析法,确定修正后的监测数据、所述气象降水数据和所述地质数据中各参数的自相关系数或互相关系数;根据所述自相关系数或互相关系数,确定第二特征数据。
8.一种地下水水位监测装置,其特征在于,包括:
采集模块,用于根据区域平均方式获取待监测区域地下水体的水位监测数据;
确定模块,用于基于所述水位监测数据,得到与水位异常相关的第一特征数据;
监测模块,用于将所述第一特征数据,输入预设的第一神经网络模型,输出水位监测数据的异常结果。
9.一种存储介质,其特征在于,所述存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求1至7任一项所述的地下水水位监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210319924.2A CN114593792A (zh) | 2022-03-29 | 2022-03-29 | 一种地下水水位监测方法和装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210319924.2A CN114593792A (zh) | 2022-03-29 | 2022-03-29 | 一种地下水水位监测方法和装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114593792A true CN114593792A (zh) | 2022-06-07 |
Family
ID=81810556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210319924.2A Pending CN114593792A (zh) | 2022-03-29 | 2022-03-29 | 一种地下水水位监测方法和装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114593792A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117073806A (zh) * | 2023-10-16 | 2023-11-17 | 深圳市利源水务设计咨询有限公司 | 基于人工智能的污水处理异位监测方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625732A (zh) * | 2009-08-03 | 2010-01-13 | 杭州电子科技大学 | 江河潮水水位的预测方法 |
CN110223341A (zh) * | 2019-06-14 | 2019-09-10 | 北京国信华源科技有限公司 | 一种基于图像识别的智能水位监测方法 |
CN110703640A (zh) * | 2019-09-12 | 2020-01-17 | 中国石油天然气集团有限公司 | 页岩气开发地下水智能监测***及方法 |
CN111307123A (zh) * | 2020-04-02 | 2020-06-19 | 中国水利水电科学研究院 | 一种水情监测数据的实时异常诊断与插补方法 |
CN112268595A (zh) * | 2020-10-29 | 2021-01-26 | 水利部水利水电规划设计总院 | 一种区域平均地下水水位监测方法 |
CN114061705A (zh) * | 2021-10-14 | 2022-02-18 | 无锡瑞鼎电力科技有限公司 | 一种智能化水位监测分析预警方法及*** |
CN114201570A (zh) * | 2021-12-14 | 2022-03-18 | 深圳中兴网信科技有限公司 | 河网水质的监测方法、装置和可读存储介质 |
KR102377929B1 (ko) * | 2020-11-09 | 2022-03-24 | (주)스페이스빌더스 | 신경회로망 모듈 기반의 수위 측정 시스템 그 수위 측정 방법 |
-
2022
- 2022-03-29 CN CN202210319924.2A patent/CN114593792A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625732A (zh) * | 2009-08-03 | 2010-01-13 | 杭州电子科技大学 | 江河潮水水位的预测方法 |
CN110223341A (zh) * | 2019-06-14 | 2019-09-10 | 北京国信华源科技有限公司 | 一种基于图像识别的智能水位监测方法 |
CN110703640A (zh) * | 2019-09-12 | 2020-01-17 | 中国石油天然气集团有限公司 | 页岩气开发地下水智能监测***及方法 |
CN111307123A (zh) * | 2020-04-02 | 2020-06-19 | 中国水利水电科学研究院 | 一种水情监测数据的实时异常诊断与插补方法 |
CN112268595A (zh) * | 2020-10-29 | 2021-01-26 | 水利部水利水电规划设计总院 | 一种区域平均地下水水位监测方法 |
KR102377929B1 (ko) * | 2020-11-09 | 2022-03-24 | (주)스페이스빌더스 | 신경회로망 모듈 기반의 수위 측정 시스템 그 수위 측정 방법 |
CN114061705A (zh) * | 2021-10-14 | 2022-02-18 | 无锡瑞鼎电力科技有限公司 | 一种智能化水位监测分析预警方法及*** |
CN114201570A (zh) * | 2021-12-14 | 2022-03-18 | 深圳中兴网信科技有限公司 | 河网水质的监测方法、装置和可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117073806A (zh) * | 2023-10-16 | 2023-11-17 | 深圳市利源水务设计咨询有限公司 | 基于人工智能的污水处理异位监测方法及*** |
CN117073806B (zh) * | 2023-10-16 | 2023-12-29 | 深圳市利源水务设计咨询有限公司 | 基于人工智能的污水处理异位监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1196984C (zh) | 异常检测***及其教导方法 | |
US20130085690A1 (en) | Data processing method and system for checking pipeline leakage | |
CN112393931A (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
CN111950812B (zh) | 一种自动识别与预测雨量的方法及其装置 | |
CN116340723B (zh) | 基于大数据的乡村水污染快速溯源方法及*** | |
CN112883075B (zh) | 一种滑坡普适型地表位移监测数据缺失及异常值处理方法 | |
CN111414571A (zh) | 一种大气污染物监测方法 | |
CN111027193A (zh) | 一种基于回归模型的短期水位预测方法 | |
CN109725133B (zh) | 土壤水分实时监测***及其监测方法 | |
CN114593792A (zh) | 一种地下水水位监测方法和装置、存储介质 | |
CN117037076B (zh) | 一种基于遥感技术的土壤墒情智能监测方法 | |
CN113610381A (zh) | 一种基于5g网络的水质远程实时监测*** | |
CN110738272B (zh) | 一种输电线路通道可视化机械类连续告警样本的标注方法 | |
CN106971058A (zh) | 一种泵站运行监控数据异常点检测方法 | |
CN112926656A (zh) | 一种核电厂循环水泵状态预测方法、***及设备 | |
CN117538503A (zh) | 一种实时智能的土壤污染监测***及方法 | |
CN113325443A (zh) | 一种关于gnss空间信号质量的动态可视化分析方法 | |
CN109211564B (zh) | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 | |
CN114861774A (zh) | 一种电网中虚假数据识别方法及*** | |
CN112780953B (zh) | 一种基于模式检测的独立计量区域管网漏损检测方法 | |
CN110455370B (zh) | 防汛抗旱远程遥测显示*** | |
CN113485218A (zh) | 一种基于5g的智慧物联监管平台 | |
CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及*** | |
CN114022305A (zh) | 地下水动态监测方法及装置 | |
CN116431997A (zh) | 一种运维监控领域的动态阈值计算方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220607 |