CN115293231A - 地区生态和谐随机森林预测方法 - Google Patents
地区生态和谐随机森林预测方法 Download PDFInfo
- Publication number
- CN115293231A CN115293231A CN202210747133.XA CN202210747133A CN115293231A CN 115293231 A CN115293231 A CN 115293231A CN 202210747133 A CN202210747133 A CN 202210747133A CN 115293231 A CN115293231 A CN 115293231A
- Authority
- CN
- China
- Prior art keywords
- elements
- model
- random forest
- time
- human
- 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 38
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 35
- 230000000694 effects Effects 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 13
- 238000012512 characterization method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 6
- 244000025254 Cannabis sativa Species 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 241000209504 Poaceae Species 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 210000003484 anatomy Anatomy 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002269 spontaneous effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
地区生态和谐随机森林预测方法，包括以下步骤：1、综合不同时间尺度，从地下到地表对山水林田湖草要素精细描述；2、结合长时段卫星遥感分时段对近百年的自然要素做精细定量解译；3、收集研究区范围内，不同年份人类要素表征数据；4、通过多元回归及机器学习的方法，建立人类活动要素函数；5、分析曲线的周期与频率，用数学模型预测未来各个要素的变化特点，预测人类活动对其他要素的影响。本发明具有极好的准确率；能够有效地运行在大数据集上；能够处理具有高维特征的输入样本，而且不需要降维；能够评估各个特征在分类问题上的重要性；在生成过程中，能够获取到内部生成误差的一种无偏估计；对于缺省值问题也能够获得很好得结果。
Description
技术领域
本发明属于生态环境预测技术领域，具体涉及一种地区生态和谐随机森林预测方法。
背景技术
分析某城市的人地***，并根据对其环境承载力的估计，可以作为生态和谐型立体城市进行规划。基于本项技术，可以进一步通过自然科学与社会科学在人文、社会、管理等领域的交叉，要充分分析人类活动对其干扰，利用社会科学评价方法的办法融入社会效益进行二次评价。根据当地经济发展需求及不同利益方诉求，人居环境等要素，结合可预测的经济社会学模型，优选出最完善的规划组合提供给规划人员，同时提出分年度的用地策略及具体修复措施。因此，如何提高地区生态和谐的预测效率和预测精准度是当下急需解决的问题。
发明内容
本发明为了解决现有技术中的不足之处，提供一种地区生态和谐随机森林预测方法；其根据地球历史上长期和快速的环境变化证据提供了与现代进行比较关键基线，探索用直观定量的数学模型分析自然***关系，借助跨越了地质时间尺度和人类时间尺度的高精度测年技术，使解决连接人类历史和地质历史，抽象人类要素对山水林田湖草***的干扰要素和关系，运用人工智能算法实现对其高精度的还原与预测。
为解决上述技术问题，本发明采用如下技术方案：地区生态和谐随机森林预测方法，包括以下步骤：
第一步、针对多重要素，综合不同时间尺度，从地下到地表对山水林田湖草要素精细描述；
第二步、结合长时段卫星遥感分时段对近百年的自然要素做精细定量解译，自然要素包括山、水、林、田、湖、草的面积，以1年为时间单位标定，综合解译人类要素，人类要素包括建筑用地面积；
第三步、收集研究区范围内，不同年份人类要素表征数据，表征数据包括人口数量、GDP和工业开发强度，以1年为时间单位标定，综合解译人类要素；
第四步、根据历史资料和专家判断，收集研究年限内对研究区的环境承载能力做出判断，并作为后续模型训练的标准。通过多元回归及机器学习的方法，建立人类活动要素函数；基于***性思维，通过多元回归及机器学习的方法建立起人与自然多要素多尺度的拟合关系，多尺度包括时间尺度，探讨自然环境自发演化过程及人类活动对这一过程的影响，拟合成一个跟时间相关的数学模型，数学模型即曲线函数；
第五步、通过将时间设定为未来的某个时间，分析曲线的周期与频率，用数学模型预测未来各个要素的变化特点，预测人类活动对其他要素的影响；基于上述工作提出环境承载力下限，划定该地区山、水、林、田、湖、草的面积或比例，划定生态功能保障基线、环境质量安全底线、自然资源利用上线，指导生态和谐型城市立体规划。
第一步具体为：在重点解剖区布置密集浅钻，通过对地下地质体精细定量表征，建立包括山水林田湖草要素的三维空间模型；利用多个钻孔，结合高精度测年技术，从全新世晚期（>5000a），按照千年级划分，到1000年前开始以100年为时间单位标定，精细恢复古地理，古环境格局，最终建立精度较高的四维时空地质模型。
第四步中的多元回归及机器学习的方法为随机森林模型算法，随机森林模型算法的地理区域情况要素指标如下表所示：
表1 地理区域情况要素指标
假设数据收集年份为两个时段，第一个时段全新世中晚期至现代（7000 B.C-1950），共50个时间点，第二个时段1951-2021，共71个时间点，第一个时段主要用来构建地质演化背景， 1951-2020年该地区可作为生态和谐型立体城市进行规划的评判结果已知（1：可以作为；0：不可以作为），2021年的评判结果未知，是需要通过训练后的预测模型进行预测的；表1中共有23个指标，所以标准化后的Z矩阵大小是23*120，其对应的评判结果Y矩阵大小为120*1；待预测年份2021年的已知指标Z2021矩阵大小为23*1。
随机森林模型算法采用表1中参数进行数据清理例如处理缺失值、光滑噪声、识别或删除离群点以及归一化进行数据预处理；包括以下步骤：
（1）随机数生成，模型中的每棵树的生长为关键步骤、（2）计算预测指标MAE和MAPE、（3）随机森林参数优化、（4）根据准确率最高的原则，选择出最优模型、（5）根据随机森林生成的最优模型直接计算各特征的权重（非零实数），并根据由大到小的原则选择一定数目的较为重要的特征。
步骤（1）包括以下三个主要步骤：
A、bootstrap 采样：若训练集大小为N，对于每棵树随机且有放回地从训练集中的抽取n个训练样本作为该树的训练集；
B、特征随机：若每个样本的特征维度为M，指定一个常数m<<M，随机从M个特征中选取m个特征子集，每次树进行***时从这m个特征中选择最优的；
C、每棵树都尽最大程度的生长，并且没有剪枝过。
步骤（2）具体为：
为结果的真实值
为结果的估计值。预测指标MAE（Mean Absolute Error）表示平均绝对误差，值域：[0,+∞)；当预测值与真实值完全吻合时等于0，即完美模型；误差越大，MAE 值越大：
预测指标MAPE（Mean Absolute Percentage Error）表示平均绝对百分比误差，值域：[0,+∞)；当预测值与真实值完全吻合时等于0，即完美模型；误差越大，MAE 值越大：
步骤（3）具体为：使用机器学习中经典调参方法，对建立树的个数、最大特征的选择方式、树的最大深度、节点最小***所需样本个数、叶子节点最小样本数、是否随机选择最合适的参数组合、是否贝叶斯优化进行调整。
采用上述技术方案，本发明具有以下技术效果：
从空间角度对构成某一地区（如城市）的自然资源和人类居住环境的各种地理要素的基本情况的反映，可以看为是地理信息根据不同的需求，在感知、统计和分析三种不同深度处理后得到的信息。本方法中关于建立起人与自然多要素多尺度（时间尺度）的拟合关系是核心要解决的问题。
参照（马万钟,杜清运.地理国情监测的体系框架研究[J].国土资源科技管理,2011,28(06):104-111）的研究，可以将归纳为自然环境要素、社会人文要素和产业经济要素。参考（刘凯. 生态脆弱型人地***演变与可持续发展模式选择研究[D].山东师范大学，2017）中提出的指标体系原则，以某一地区可作为生态和谐型立体城市进行规划为目标。通过采用自然环境、经济社会2个要素的指标采用随机森林的方法进行预测模型的建立，进一步获得指标对预测结果影响的权重分析。
对于表1中所列的指标，可进行适当的补充或删减，特征纳入越多，准确率越高。尽量保留权重大的指标需要保留，可减少特征可降低运行时间，建议按照95%阈值选择的部分重要特征的数据集。对于采集时间，同一年可进行多个时间点的采集，比如每月一个数据点，使得样本量大大增加。增加样本量可增加预测模型的准确率。
随机森林分类效果（错误率）与两个因素有关：森林中任意两棵树的相关性：相关性越大，错误率越大；森林中每棵树的分类能力：每棵树的分类能力越强，整个森林的错误率越低。减小特征选择个数m，树的相关性和分类能力也会相应的降低；增大m，两者也会随之增大。所以关键问题是如何选择最优的m（或者是范围），这也是随机森林唯一的一个参数。
本发明选用随机森林模型算法，具有以下优点：1）在当前所有算法中，具有极好的准确率；2）能够有效地运行在大数据集上；3）能够处理具有高维特征的输入样本，而且不需要降维；4）能够评估各个特征在分类问题上的重要性；5）在生成过程中，能够获取到内部生成误差的一种无偏估计；6）对于缺省值问题也能够获得很好得结果。
附图说明
图1 是随机森林模型示意图；
图2 是随机森林模型算法流程示意图；
图3是预测指标权重排列示意图；
图4是预测模型结果与实际结果比较示意图。
具体实施方式
如图1-4所示，本发明的地区生态和谐随机森林预测方法，包括以下步骤：
第一步、针对多重要素，综合不同时间尺度，从地下到地表对山水林田湖草要素精细描述；
第二步、结合长时段卫星遥感分时段对近百年的自然要素做精细定量解译，自然要素包括山、水、林、田、湖、草的面积，以1年为时间单位标定，综合解译人类要素，人类要素包括建筑用地面积；
第三步、收集研究区范围内，不同年份人类要素表征数据，表征数据包括人口数量、GDP和工业开发强度，以1年为时间单位标定，综合解译人类要素；
第四步、根据历史资料和专家判断，收集研究年限内对研究区的环境承载能力做出判断，并作为后续模型训练的标准。通过多元回归及机器学习的方法，建立人类活动要素函数；基于***性思维，通过多元回归及机器学习的方法建立起人与自然多要素多尺度的拟合关系，多尺度包括时间尺度，探讨自然环境自发演化过程及人类活动对这一过程的影响，拟合成一个跟时间相关的数学模型，数学模型即曲线函数；
第五步、通过将时间设定为未来的某个时间，分析曲线的周期与频率，用数学模型预测未来各个要素的变化特点，预测人类活动对其他要素的影响；基于上述工作提出环境承载力下限，划定该地区山、水、林、田、湖、草的面积或比例，划定生态功能保障基线、环境质量安全底线、自然资源利用上线，指导生态和谐型城市立体规划。
第一步具体为：在重点解剖区布置密集浅钻，通过对地下地质体精细定量表征，建立包括山水林田湖草要素的三维空间模型；利用多个钻孔，结合高精度测年技术，从全新世晚期（>5000a），按照千年级划分，到1000年前开始以100年为时间单位标定，精细恢复古地理，古环境格局，最终建立精度较高的四维时空地质模型。
第四步中的多元回归及机器学习的方法为随机森林模型算法，随机森林模型算法的地理区域情况要素指标如下表所示：
表1 地理区域情况要素指标
假设数据收集年份为两个时段，第一个时段全新世中晚期至现代（7000 B.C-1950），共50个时间点，第二个时段1951-2021，共71个时间点，第一个时段主要用来构建地质演化背景， 1951-2020年该地区可作为生态和谐型立体城市进行规划的评判结果已知（1：可以作为；0：不可以作为），2021年的评判结果未知，是需要通过训练后的预测模型进行预测的；表1中共有23个指标，所以标准化后的Z矩阵大小是23*120，其对应的评判结果Y矩阵大小为120*1；待预测年份2021年的已知指标Z2021矩阵大小为23*1。
随机森林模型算法采用表1中参数进行数据清理例如处理缺失值、光滑噪声、识别或删除离群点以及归一化进行数据预处理；包括以下步骤：
（1）随机数生成，模型中的每棵树的生长为关键步骤、（2）计算预测指标MAE和MAPE、（3）随机森林参数优化、（4）根据准确率最高的原则，选择出最优模型、（5）根据随机森林生成的最优模型直接计算各特征的权重（非零实数），并根据由大到小的原则选择一定数目的较为重要的特征。
步骤（1）包括以下三个主要步骤：
A、bootstrap 采样：若训练集大小为N，对于每棵树随机且有放回地从训练集中的抽取n个训练样本作为该树的训练集；
B、特征随机：若每个样本的特征维度为M，指定一个常数m<<M，随机从M个特征中选取m个特征子集，每次树进行***时从这m个特征中选择最优的；
C、每棵树都尽最大程度的生长，并且没有剪枝过。
步骤（2）具体为：
为结果的真实值
为结果的估计值。预测指标MAE（Mean Absolute Error）表示平均绝对误差，值域：[0,+∞)；当预测值与真实值完全吻合时等于0，即完美模型；误差越大，MAE 值越大：
预测指标MAPE（Mean Absolute Percentage Error）表示平均绝对百分比误差，值域：[0,+∞)；当预测值与真实值完全吻合时等于0，即完美模型；误差越大，MAE 值越大：
步骤（3）具体为：使用机器学习中经典调参方法，对建立树的个数、最大特征的选择方式、树的最大深度、节点最小***所需样本个数、叶子节点最小样本数、是否随机选择最合适的参数组合、是否贝叶斯优化进行调整。
本实施例并非对本发明的形状、材料、结构等作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的保护范围。
Claims (7)
1.地区生态和谐随机森林预测方法，其特征在于：包括以下步骤：
第一步、针对多重要素，综合不同时间尺度，从地下到地表对山水林田湖草要素精细描述；
第二步、结合长时段卫星遥感分时段对近百年的自然要素做精细定量解译，自然要素包括山、水、林、田、湖、草的面积，以1年为时间单位标定，综合解译人类要素，人类要素包括建筑用地面积；
第三步、收集研究区范围内，不同年份人类要素表征数据，表征数据包括人口数量、GDP和工业开发强度，以1年为时间单位标定，综合解译人类要素；
第四步、根据历史资料和专家判断，收集研究年限内对研究区的环境承载能力做出判断，并作为后续模型训练的标准；通过多元回归及机器学习的方法，建立人类活动要素函数；基于***性思维，通过多元回归及机器学习的方法建立起人与自然多要素多尺度的拟合关系，多尺度包括时间尺度，探讨自然环境自发演化过程及人类活动对这一过程的影响，拟合成一个跟时间相关的数学模型，数学模型即曲线函数；
第五步、通过将时间设定为未来的某个时间，分析曲线的周期与频率，用数学模型预测未来各个要素的变化特点，预测人类活动对其他要素的影响；基于上述工作提出环境承载力下限，划定该地区山、水、林、田、湖、草的面积或比例，划定生态功能保障基线、环境质量安全底线、自然资源利用上线，指导生态和谐型城市立体规划。
2.根据权利要求1所述的地区生态和谐随机森林预测方法，其特征在于：第一步具体为：在重点解剖区布置密集浅钻，通过对地下地质体精细定量表征，建立包括山水林田湖草要素的三维空间模型；利用多个钻孔，结合高精度测年技术，从全新世晚期（>5000a），按照千年级划分，到1000年前开始以100年为时间单位标定，精细恢复古地理，古环境格局，最终建立精度较高的四维时空地质模型。
3.根据权利要求1所述的地区生态和谐随机森林预测方法，其特征在于：第四步中的多元回归及机器学习的方法为随机森林模型算法，随机森林模型算法的地理区域情况要素指标如下表所示：
表1 地理区域情况要素指标
假设数据收集年份为两个时段，第一个时段全新世中晚期至现代（7000 B.C-1950），共50个时间点，第二个时段1951-2021，共71个时间点，第一个时段主要用来构建地质演化背景， 1951-2020年该地区可作为生态和谐型立体城市进行规划的评判结果已知（1：可以作为；0：不可以作为），2021年的评判结果未知，是需要通过训练后的预测模型进行预测的；表1中共有23个指标，所以标准化后的Z矩阵大小是23*120，其对应的评判结果Y矩阵大小为120*1；待预测年份2021年的已知指标Z2021矩阵大小为23*1。
4.根据权利要求3所述的地区生态和谐随机森林预测方法，其特征在于：随机森林模型算法采用表1中参数进行数据清理例如处理缺失值、光滑噪声、识别或删除离群点以及归一化进行数据预处理；包括以下步骤：
（1）随机数生成，模型中的每棵树的生长为关键步骤、（2）计算预测指标MAE和MAPE、（3）随机森林参数优化、（4）根据准确率最高的原则，选择出最优模型、（5）根据随机森林生成的最优模型直接计算各特征的权重（非零实数），并根据由大到小的原则选择一定数目的较为重要的特征。
5.根据权利要求4所述的地区生态和谐随机森林预测方法，其特征在于：步骤（1）包括以下三个主要步骤：
A、bootstrap 采样：若训练集大小为N，对于每棵树随机且有放回地从训练集中的抽取n个训练样本作为该树的训练集；
B、特征随机：若每个样本的特征维度为M，指定一个常数m<<M，随机从M个特征中选取m个特征子集，每次树进行***时从这m个特征中选择最优的；
C、每棵树都尽最大程度的生长，并且没有剪枝过。
6.根据权利要求5所述的地区生态和谐随机森林预测方法，其特征在于：步骤（2）具体为：
为结果的真实值
为结果的估计值；
预测指标MAE（Mean Absolute Error）表示平均绝对误差，值域：[0,+∞)；当预测值与真实值完全吻合时等于0，即完美模型；误差越大，MAE 值越大：
预测指标MAPE（Mean Absolute Percentage Error）表示平均绝对百分比误差，值域：[0,+∞)；当预测值与真实值完全吻合时等于0，即完美模型；误差越大，MAE 值越大：
7.根据权利要求6所述的地区生态和谐随机森林预测方法，其特征在于：步骤（3）具体为：使用机器学习中经典调参方法，对建立树的个数、最大特征的选择方式、树的最大深度、节点最小***所需样本个数、叶子节点最小样本数、是否随机选择最合适的参数组合、是否贝叶斯优化进行调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210747133.XA CN115293231A (zh) | 2022-06-29 | 2022-06-29 | 地区生态和谐随机森林预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210747133.XA CN115293231A (zh) | 2022-06-29 | 2022-06-29 | 地区生态和谐随机森林预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115293231A true CN115293231A (zh) | 2022-11-04 |
Family
ID=83819879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210747133.XA Pending CN115293231A (zh) | 2022-06-29 | 2022-06-29 | 地区生态和谐随机森林预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115293231A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116823067A (zh) * | 2023-08-29 | 2023-09-29 | 北控水务(中国)投资有限公司 | 管网水质清污状态的确定方法、装置及电子设备 |
-
2022
- 2022-06-29 CN CN202210747133.XA patent/CN115293231A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116823067A (zh) * | 2023-08-29 | 2023-09-29 | 北控水务(中国)投资有限公司 | 管网水质清污状态的确定方法、装置及电子设备 |
| CN116823067B (zh) * | 2023-08-29 | 2023-12-19 | 北控水务(中国)投资有限公司 | 管网水质清污状态的确定方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Snelder et al. | Development of an ecologic marine classification in the New Zealand region | |
| Yan et al. | Many-objective robust decision making for water allocation under climate change | |
| CN114971301B (zh) | 一种基于自动调参优化模型的生态干扰风险识别评估方法 | |
| Wu et al. | Applying of GA-BP neural network in the land ecological security evaluation | |
| Znachor et al. | Changing environmental conditions underpin long-term patterns of phytoplankton in a freshwater reservoir | |
| CN110070144A (zh) | 一种湖泊水质预测方法及*** | |
| Wan et al. | A landslide expert system: image classification through integration of data mining approaches for multi-category analysis | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| CN111275065A (zh) | 一种基于海洋环境多属性的水产养殖空间分区方法 | |
| CN113570132A (zh) | 一种时空气象特征提取与深度学习的风电功率预测方法 | |
| CN114022008A (zh) | 一种基于水生态分区理论的河口适宜生态流量评估方法 | |
| CN115293231A (zh) | 地区生态和谐随机森林预测方法 | |
| Chen et al. | River ecological flow early warning forecasting using baseflow separation and machine learning in the Jiaojiang River Basin, Southeast China | |
| Fayer et al. | A temporal fusion transformer deep learning model for long-term streamflow forecasting: a case study in the funil reservoir, Southeast Brazil | |
| CN117787508A (zh) | 基于模型预测的建筑施工过程碳排放处理方法及*** | |
| CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
| CN108154263B (zh) | 自然水资源的监控预测方法 | |
| CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
| Wang et al. | A fuzzy intelligent system for land consolidation–a case study in Shunde, China | |
| Ahmadi et al. | Identification of dominant sources of sea level pressure for precipitation forecasting over Wales | |
| CN106228277B (zh) | 一种基于数据挖掘的水库调度预报信息有效精度识别方法 | |
| CN115062791A (zh) | 一种人工智能的解释方法、装置、设备及存储介质 | |
| CN114841064A (zh) | 一种基于半监督集成学习的干旱灾害天气预测方法 | |
| Khan et al. | Irrigation water requirement prediction through various data mining techniques applied on a carefully pre-processed dataset | |
| Singh et al. | Prognosis for crop yield production by data mining techniques in agriculture |
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 |