CN117807510B - 结合多源数据处理的河网动态分区方法及*** - Google Patents
结合多源数据处理的河网动态分区方法及*** Download PDFInfo
- Publication number
- CN117807510B CN117807510B CN202410224788.8A CN202410224788A CN117807510B CN 117807510 B CN117807510 B CN 117807510B CN 202410224788 A CN202410224788 A CN 202410224788A CN 117807510 B CN117807510 B CN 117807510B
- Authority
- CN
- China
- Prior art keywords
- partition
- river
- information
- water source
- crosslinking
- 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.)
- Active
Links
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 238000005192 partition Methods 0.000 claims abstract description 237
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 201
- 238000004132 cross linking Methods 0.000 claims abstract description 143
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 77
- 231100000719 pollutant Toxicity 0.000 claims abstract description 77
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 238000003892 spreading Methods 0.000 claims abstract description 43
- 230000007480 spreading Effects 0.000 claims abstract description 43
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 230000002452 interceptive effect Effects 0.000 claims abstract description 6
- 239000000356 contaminant Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000000547 structure data Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 229910001385 heavy metal Inorganic materials 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了结合多源数据处理的河网动态分区方法及***,涉及数据处理技术领域,包括:交互目标流域的管理***,获取河网拓扑结构;进行两两组合,分析获得每组河道信息之间的水源交联系数;对河网拓扑结构进行分类,获得多个同流区域;基于预设时间周期内的动态生产污染信息,在目标流域内进行多种污染物的污染蔓延预测,获得多个蔓延范围信息;对多个同流区域内进行蔓延分区优化,获得目标流域的最优分区方案,进行目标流域的动态分区。本发明解决了传统的河流分区方法无法全面综合多源数据进行河网的动态分区,并且缺乏河流之间的水源关系和不同区域的动态差异分析,缺乏区域内部差异性处理,导致分区方案不够全面和准确的技术问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及结合多源数据处理的河网动态分区方法及***。
背景技术
高效的水资源管理对于维持生态平衡、供水、农业灌溉和工业用水等至关重要,因此,对流域内河网进行合理的分区,能够更好地理解和规划水资源的分布、变化和利用。而传统的河网分区方法还存在诸多问题,一方面,传统的河流分区方法常常仅考虑单一数据源,如水文数据或地形数据,导致对河流***的综合理解不足;另一方面,传统方法未能充分考虑河流之间的水源关系和不同区域的动态差异,导致分区方案缺乏针对性。
因此,需要一种新的方法,能够克服这些问题,实现更全面、准确、动态的河流分区,为水资源管理和污染治理提供更为可靠的科学依据。
发明内容
本申请通过提供了结合多源数据处理的河网动态分区方法,旨在解决传统的河流分区方法无法全面综合多源数据进行河网的动态分区,并且缺乏河流之间的水源关系和不同区域的动态差异分析,缺乏区域内部差异性处理,导致分区方案不够全面和准确的技术问题。
鉴于上述问题,本申请提供了结合多源数据处理的河网动态分区方法及***。
本申请公开的第一个方面,提供了结合多源数据处理的河网动态分区方法,所述方法包括:交互目标流域的管理***,获取所述目标流域的河网拓扑结构,其中,所述河网拓扑结构包括多个河道信息;对所述多个河道信息进行两两组合,分析每组河道信息之间的水源交联系数,获得多个水源交联系数;根据所述多个水源交联系数,对所述河网拓扑结构进行分类,获得多个同流区域;基于预设时间周期内的动态生产污染信息,在所述目标流域内进行多种污染物的污染蔓延预测,获得多个蔓延范围信息;基于所述多个蔓延范围信息,对所述多个同流区域内进行蔓延分区优化,获得所述目标流域的最优分区方案,进行目标流域的动态分区。
本申请公开的另一个方面,提供了结合多源数据处理的河网动态分区***,所述***用于上述方法,所述***包括:拓扑结构获取模块,所述拓扑结构获取模块用于交互目标流域的管理***,获取所述目标流域的河网拓扑结构,其中,所述河网拓扑结构包括多个河道信息;交联系数获取模块,所述交联系数获取模块用于对所述多个河道信息进行两两组合,分析每组河道信息之间的水源交联系数,获得多个水源交联系数;同流区域获取模块,所述同流区域获取模块用于根据所述多个水源交联系数,对所述河网拓扑结构进行分类,获得多个同流区域;蔓延范围获取模块,所述蔓延范围获取模块用于基于预设时间周期内的动态生产污染信息,在所述目标流域内进行多种污染物的污染蔓延预测,获得多个蔓延范围信息;分区方案获取模块,所述分区方案获取模块用于基于所述多个蔓延范围信息,对所述多个同流区域内进行蔓延分区优化,获得所述目标流域的最优分区方案,进行目标流域的动态分区。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过交互目标流域的管理***,获取多源数据,包括河道拓扑结构、水源交联系数、动态生产污染信息等,实现了多源数据的综合利用;通过对水源交联系数的分析和动态污染蔓延预测,生成适应不同时间周期内水资源和污染物动态变化的分区方案,实现了动态分区;通过对蔓延范围信息的分析和优化,针对多种污染物的蔓延情况进行精确预测和分区优化,提高了治理措施的精准性;通过水源交联系数的分类和同流区域的判断,能够更好地刻画河流之间的关联性,实现了对区域内部差异性的处理。综上所述,该方法通过结合多源数据处理,克服了传统河流分区方法的局限性,使得河网动态分区更加全面、精准,适应了复杂多变的水文环境,提高了水资源管理和污染治理的效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了结合多源数据处理的河网动态分区方法流程示意图;
图2为本申请实施例提供了结合多源数据处理的河网动态分区***结构示意图。
附图标记说明:拓扑结构获取模块10,交联系数获取模块20,同流区域获取模块30,蔓延范围获取模块40,分区方案获取模块50。
具体实施方式
本申请实施例通过提供结合多源数据处理的河网动态分区方法,解决了传统的河流分区方法无法全面综合多源数据进行河网的动态分区,并且缺乏河流之间的水源关系和不同区域的动态差异分析,缺乏区域内部差异性处理,导致分区方案不够全面和准确的技术问题。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了结合多源数据处理的河网动态分区方法,所述方法包括:
交互目标流域的管理***,获取所述目标流域的河网拓扑结构,其中,所述河网拓扑结构包括多个河道信息;
与目标流域的管理***建立通信连接,通过与管理***的交互,获取目标流域的河网拓扑结构数据,包括各个河道的空间位置、河道之间的连接关系、河道的属性信息等,将获取到的河网拓扑结构数据进行可视化表示,其中河道表示为图的节点,河道之间的连接关系表示为图的边,从河网拓扑结构中提取各个河道的详细信息,包括河道的长度、流向、宽度、水深等属性,这样的信息将为后续的水源交联系数分析提供基础数据。
对所述多个河道信息进行两两组合,分析每组河道信息之间的水源交联系数,获得多个水源交联系数;
从获取的河网拓扑结构数据中,随机选择两个不同的河道进行组合,并遍历所有可能的组合,确保每个河道与其他河道都进行了组合。对于每一对组合的河道,采集它们的水源位置信息,包括水源的地理坐标、流域面积等;并进行对河道内河水成分的测试,获得每个河道的河水成分信息,包括水质监测数据,例如溶解氧、氮、磷等指标。根据水源位置信息和河水成分信息,计算两个河道之间的水源交联系数,示例性地,计算水源位置之间的距离,得到水源位置关联系数,计算河水成分之间的相似性,得到河水成分相似度,对水源位置关联系数和河水成分相似度进行加权计算,得到最终的水源交联系数,该系数能够反映两个河道的关联度。
针对每对河道,重复上述步骤,以获取多个水源交联系数,将每对河道的水源交联系数整理成一个数据集,形成多个水源交联系数的集合,用于后续的河网拓扑结构的分类和分区。
根据所述多个水源交联系数,对所述河网拓扑结构进行分类,获得多个同流区域;
在分类之前,确定一个水源交联系数的阈值,该阈值将用于判断两个河道是否具有足够的关联性,这个阈值的选择可以根据具体应用需求、流域特性和数据分布来确定。对于每一对河道,判断其水源交联系数是否大于等于所设定的阈值,并为每对河道形成一个关系判断结果,即是否属于同流区域,将满足水源交联系数阈值条件的河道划分为同一组,获得多个同流区域,每个同流区域包含一组具有较高水源交联系数的河道,这些同流区域代表了在水源交联系数分析下具有相似特征的河道组合。
基于预设时间周期内的动态生产污染信息,在所述目标流域内进行多种污染物的污染蔓延预测,获得多个蔓延范围信息;
从预设时间周期内的监测数据中,获取动态生产污染的信息,这包括不同时间点的工业生产排放数据、生活污染源的变化信息等,对动态生产污染信息进行分析,可以通过模拟、数值模型或实测数据等方法,获取污染物在目标流域内的流动路线。
从动态生产污染信息中提取多种污染物的相关数据,多种污染物例如重金属、有机物、悬浮物等不同类型的污染物数据,其中,不同的污染物可能具有不同的扩散能力和传播途径,因此需要针对每一种污染物进行独立的蔓延模拟或预测。对每种污染物,基于其特性和流动路线,通过污染物蔓延预测器进行蔓延范围的预测,结合每种污染物的预测结果,获得多个污染物在目标流域内的多个蔓延范围信息,其中包括不同污染物在不同时刻的蔓延范围。
基于所述多个蔓延范围信息,对所述多个同流区域内进行蔓延分区优化,获得所述目标流域的最优分区方案,进行目标流域的动态分区。
设计一个分区优化函数,该函数能够考虑多个蔓延范围信息、分区内的相似度以及同流区域的特性,对目标流域内的多个河道信息进行随机分区,获得多个初始分区方案,对每个分区方案,分析获得多组蔓延范围信息的相似度和同流区域的相似度,将上述相似度信息带入分区优化函数,计算每个分区方案的适应度,根据分区适应度,使用优化算法,如遗传算法、模拟退火等,对多个初始分区方案进行优化,获得适应度最大的最优分区方案,该方案经过蔓延范围信息和同流区域相似度的优化,代表了目标流域的动态分区结果,这个方案可以更好地反映污染物的空间分布和流域特性,有助于制定更有效的治理和管理策略。
进一步而言,对所述多个河道信息进行两两组合,分析每组河道信息之间的水源交联系数,获得多个水源交联系数,包括:
在所述河网拓扑结构内,采集所述多个河道的多个水源位置信息;
对所述多个河道内的河水进行测试,获得多个河水成分信息;
根据多个水源位置信息和多个河水成分信息,计算分析获取多个河道信息之间的水源交联系数。
定义水源位置信息的数据结构,包括但不限于地理坐标,包括经度、纬度,以及流域面积、河道长度等,对河网拓扑结构进行遍历,访问每个河道的相关信息,从每个河道的数据中提取水源位置信息,包括该河道的源头位置、入流位置等,获取多个河道的多个水源位置信息,该水源位置信息是计算河道之间关联性的重要组成部分。
定义河水成分信息的数据结构,包括但不限于各种污染物的浓度、水质指标等。在每个河道内选择多个测试点,这些点应该能够代表河道的不同部分,以确保获得全面的河水成分信息,测试点的选择可以考虑河道的上游、中游和下游,以及可能的点源污染源。基于水质监测的标准在选择的测试点进行采样,获取河水样品,确保采样的样品具有代表性。将采样的河水样品送往实验室进行分析,包括常规的水质分析,如测量溶解氧、氮、磷等指标,以及特定污染物的检测,比如重金属、有机物等。从实验室得到的结果中提取各种河水成分信息,获得多个河水成分信息,这些信息用于计算水源交联系数,反映不同河道之间的水质关联度。
将采集得到的多个水源位置信息和多个河水成分信息整合成一个综合的数据集,每个数据点包含水源位置和相应的河水成分信息。对于每一对河道信息,根据水源位置信息和河水成分信息,计算水源交联系数,包括,计算水源位置之间的距离,得到水源位置关联系数,计算河水成分之间的相似性,得到河水成分相似度,水源位置关联系数和河水成分相似度进行加权计算,得到最终的水源交联系数。将每对河道计算得到的水源交联系数整理成一个数据集,形成多个水源交联系数的集合,用于后续的河网拓扑结构分类和分区。
进一步而言,根据多个水源位置信息和多个河水成分信息,计算分析获取多个河道信息之间的水源交联系数,包括:
在所述目标流域内,获取多个样本水源位置信息对,并获取样本位置交联系数集合;
采用所述多个样本水源位置信息对和样本位置交联系数集合,构建位置交联系数识别分支;
获取样本河水成分相似度集合和样本成分交联系数集合,构建映射关系,获得成分交联系数识别分支,结合所述位置交联系数识别分支,获得水源交联系数识别器;
对所述多个河道信息进行两两组合,基于多个组合,分析获得多组河水成分信息的多个成分相似度,结合多组水源位置信息,输入水源交联系数识别器,获得多个位置交联系数和多个成分交联系数;
根据所述多个位置交联系数和多个成分交联系数,计算获得多个水源交联系数。
样本水源位置信息对为一对样本数据,每对数据包含两个水源位置的信息。每对水源位置信息都能代表目标流域内的不同区域。从目标流域内选择多个样本水源位置,形成样本水源位置信息对,这些样本水源位置代表了流域内的多样性,包括不同地理位置、河道类型等。
对每对样本水源位置信息,计算其位置关联系数,这可以通过计算水源位置之间的距离、相似性等来实现,样本位置交联系数反映了流域内不同位置之间的关联度,将计算得到的每对样本水源位置信息的位置关联系数整理成一个集合,形成样本位置交联系数集合。
将多个样本水源位置信息对和样本位置交联系数集合整合成一个数据集,每个样本数据点包含两个水源位置的信息和相应的位置关联系数。
构建一个位置交联系数识别分支,该分支可以是神经网络中的一个子网络,输入为多个样本水源位置信息对,输出为相应的位置关联系数的预测值,用于识别水源位置信息对之间的位置关联系数。
使用构建的数据集,对位置交联系数识别分支进行训练,通过将实际位置关联系数与模型预测值进行比较,调整模型参数以提高预测准确性,利用验证集数据对构建的位置交联系数识别分支进行验证,根据验证结果进行模型调优,以提高泛化性能,最终获得满足预设条件的位置交联系数识别分支,其中预设条件可以是满足预设迭代次数或达到预设准确度。
利用采集的样本河水成分信息,适当的相似性度量分析不同水样中污染物的相似性,包括比较两个河道的污染物浓度、水质指标等,以得到成分相似度的度量值,获取样本河水成分相似度集合,对成分相似度进行加权计算,以获得反映河水成分关联度的成分交联系数。
将样本河水成分相似度集合和样本成分交联系数集合整合成一个数据集,每个样本数据点包含样本河水成分相似度和对应的样本成分交联系数,采用与位置交联系数识别分支相同的训练方法,利用该数据集训练获得成分交联系数识别分支,为了说明书的简洁,在此不再赘述。
将之前构建的位置交联系数识别分支与新建的成分交联系数识别分支进行结合,这可以通过将两者的输出进行适当的组合来实现,例如进行加权计算整合获得水源交联系数识别器,该识别器能够同时考虑水源位置信息和河水成分信息,准确地计算位置交联系数和成分交联系数。
对所述多个河道信息进行两两组合,形成多个河道信息的组合,每个组合包含两个河道的信息,包括水源位置和河水成分等。对每个河道信息组合,利用河水成分信息计算成分相似度,获取多个成分相似度;并获取每对组合中两个河道的水源位置信息,形成多组水源位置信息。
将多组成分相似度和多组水源位置信息输入之前构建的水源交联系数识别器,从水源交联系数识别器的输出中提取多个位置交联系数和多个成分交联系数,每个组合都会产生相应的位置交联系数和成分交联系数。
将获得的多个位置交联系数和多个成分交联系数整合成一个数据集,对每个数据点对应的位置交联系数和成分交联系数进行加权计算,权重根据实际需求进行确定,将加权后的值作为最终的水源交联系数,将每个组合计算得到的水源交联系数整理成一个数据集,形成多个水源交联系数的集合。
进一步而言,根据所述多个水源交联系数,对所述河网拓扑结构进行分类,获得多个同流区域,包括:
获取水源交联系数阈值;
分别判断所述多个水源交联系数是否大于等于所述水源交联系数阈值,若是,则为同流区域,对多组河道信息进行聚类,获得多个同流区域。
在流域管理的背景下,定义同流区域的标准,即确定何种水源交联系数被认为是同一流域内的,这可以基于实际治理需求、环境标准或其他相关要素制定,利用先前计算得到的多个水源交联系数数据和同流区域的标准,确定水源交联系数的阈值,这是一个经验性的过程,需要综合考虑实际情况、治理需求和流域特征,阈值的选择应当符合实际的流域治理要求和环境标准。
使用获取的水源交联系数阈值作为判定同流区域的标准,对于每组河道信息,通过比较水源交联系数与阈值的大小,分别判断其水源交联系数是否大于等于所述水源交联系数阈值,对于满足水源交联系数大于等于阈值的河道信息组,将它们划分到同一个聚类中,表示这些河道属于同一流域。根据聚类的结果,将河道信息分成多个同流区域,每个同流区域包含相互之间的水源具有较高的交联系数,符合同流区域的定义。
进一步而言,基于预设时间周期内的动态生产污染信息,在所述目标流域内进行多种污染物的污染蔓延预测,获得多个蔓延范围信息,包括:
获取预设时间周期内的动态生产污染信息,并获取动态生产污染信息在所述目标流域的流动路线;
获取所述动态生产污染信息和动态降雨信息内的多种污染物信息;
基于多种污染物信息,在所述目标流域内,获取多个样本流动路线集合和多个样本蔓延范围信息集合;
采用所述多个样本流动路线集合和多个样本蔓延范围信息集合,构建多个污染物蔓延预测分支,获得污染物蔓延预测器;
基于所述污染物蔓延预测器,将所述流动路线输入多个污染物蔓延预测分支内进行预测,获得多个蔓延范围信息。
收集预设时间周期内的动态生产污染信息,这些信息包括工业排放、生活污水排放、农业活动等产生的污染物排放数据,包括各种污染物的排放浓度、排放量、排放源位置等,数据可以来自环保监测站、相关政府机构、企业报告等。
通过地理信息***(GIS)等工具,对收集到的动态生产污染信息进行时空分布分析,获取污染源在目标流域内的分布情况,以及随时间的变化趋势,确定动态生产污染信息在目标流域内的流动路线,包括结合水流、地形、土地利用等因素的影响,分析传输路径,示例性地,利用地理信息***或模型,例如基于水文模型、水质模型等,对动态生产污染信息在目标流域内的流动进行建模,以模拟污染物在水体中的传输和扩散,获取流动路线。
获取预设时间周期内的动态降雨信息,包括雨量、降雨时段、降雨强度等数据,数据可以来自气象站、卫星遥感、气象模型等。将获取到的动态生产污染信息和动态降雨信息进行整合,确保两者之间的时间和空间关联,以便综合分析污染物的传输过程和降雨对污染物的影响。
从整合后的数据中提取多种污染物信息,包括对污染物种类的识别、浓度的提取等,构建一个包含多种污染物信息的动态污染物信息数据集,该数据集能够清晰地表达污染物在时空上的变化趋势。
从获取的动态生产污染信息和动态降雨信息中,选择需要考虑的多种污染物信息,包括不同种类的污染物,如重金属、有机物等。基于选定的污染物信息,通过前述地理信息***或模型建立多个样本流动路线集合,这些样本流动路线代表了不同污染源的可能传输路径;同样地,基于选定的污染物信息和动态降雨信息,通过模型建立多个样本蔓延范围信息集合,这些样本蔓延范围信息表示了污染物可能在目标流域内的扩散范围。在建立样本流动路线和蔓延范围信息时,考虑多种污染物之间的交互影响,不同污染物可能有不同的传输特性和扩散规律,需要综合考虑它们的影响。
将建立的多个样本流动路线集合和多个样本蔓延范围信息集合整合成一个综合的数据集,该数据结构能够清晰地表示不同污染物的流动路线和蔓延范围信息。为每种污染物构建一个独立的蔓延预测分支,可以基于神经网络构建,其中输入为样本流动路线,输出为样本蔓延范围信息,基于整合的数据集对每个污染物蔓延预测分支进行训练,训练方法与前述位置交联系数识别分支相同,为了说明书的简洁,在此不再赘述,最终训练获得多个污染物蔓延预测分支。将构建的多个污染物蔓延预测分支进行整合,形成一个综合的污染物蔓延预测器。
将前述步骤获得的流动路线输入构建的污染物蔓延预测器中,针对不同的污染物,在每个污染物蔓延预测分支内,对输入的流动路线进行蔓延预测,从每个污染物蔓延预测分支中获得蔓延范围信息,这些信息反映了不同污染物在目标流域内的扩散范围,将获得的多个蔓延范围信息整合,获得多个蔓延范围信息。
进一步而言,基于所述多个蔓延范围信息,对所述多个同流区域内进行蔓延分区优化,获得所述目标流域的最优分区方案,包括:
构建在所述目标流域内进行分区优化的分区优化函数,如下式:
;
其中,为分区适应度,/>和/>为污染权重和同流权重,/>为多个蔓延范围信息的数量,/>为分区方案内与第/>个蔓延范围信息位置对应的分区与第/>个蔓延范围信息的相似度,/>为第/>个蔓延范围信息对应的污染物的权重,/>为分区方案内多个分区和多个同流区域的分区相似度;
对所述目标流域内的多个河道信息进行随机分区,获得多个第一分区方案;
分析所述多个第一分区方案与所述多个蔓延范围信息和多个同流区域的相似度,结合所述分区优化函数,计算获得多个第一分区适应度;
根据多个第一分区适应度,对所述多个第一分区方案进行优化,获得分区适应度最大的最优分区方案。
这个分区优化函数的目标是为所述目标流域内的动态分区建立适应度评估,该函数考虑多个因素,包括污染物权重、同流区域权重、蔓延范围相似度和分区相似度,以确定分区方案的适应度。
具体地,par为分区适应度,这是整个分区方案的适应度值,通过权衡不同因素的影响来评估分区的优劣,是优化算法尝试最大化的目标;污染权重和同流权重分别表示了污染物的重要性和同流区域的重要性,这些权重用于调整这两个方面对总体适应度的贡献;多个蔓延范围信息的数量表示涉及的蔓延范围信息的数量,即考虑的污染物种类数;分区与蔓延范围信息相似度是分区方案内与第i个蔓延范围信息位置对应的分区与第i个蔓延范围信息的相似度,该项考虑了分区方案对蔓延范围的覆盖程度,即分区是否与污染物蔓延的区域相匹配。为第/>个蔓延范围信息对应的污染物的权重,该项根据污染物危害程度或量进行权重分配。
总体而言,这个分区优化函数旨在通过最大化适应度值来找到一个分区方案,该方案同时考虑了蔓延范围信息和同流区域信息,以便实现对多种污染物的管理,在优化算法的迭代过程中,根据不同的权重和相似度,分区方案将被调整以提高适应度。
准备目标流域内的多个河道信息,根据实际需求设定要将目标流域分成的分区数量,这决定了最终分区方案的细粒度。对目标流域内的河道信息进行随机分区,将河道划分到不同的分区中,根据随机分配的结果,形成多个第一分区方案,这些方案是初始的、随机生成的分区方案。
针对生成的多个第一分区方案,逐个进行遍历,对于每个第一分区方案,计算分区内的河道与蔓延范围信息的相似度,这可以通过比较分区内河道的位置和蔓延范围的位置,计算重叠区域的方式来实现;对于每个第一分区方案,计算分区内的河道与同流区域的相似度,这可以通过比较分区内的河道分布和同流区域的位置来实现。将蔓延范围信息的相似度、同流区域的相似度代入分区优化函数,计算得到每个第一分区方案的适应度,获得多个第一分区适应度值。
根据多个第一分区方案构建临时最优分区方案阵列,即作为初始的最优分区方案,对所述目标流域内的多个河道信息进行随机分区,获得多个第二分区方案,针对初始最优分区方案和多个第二分区方案,通过比较适应度,调整分区结构和参数,以及应用优化算法,迭代地搜索更优的分区方案,在每次迭代中,计算更新后的分区方案的适应度值,比较更新后的适应度值与初始最优方案的适应度值,如果发现更优的分区方案,将其设定为新的最优分区方案,重复以上步骤,直到达到设定的停止条件,例如达到最大迭代次数或适应度值不再显著改善,一旦优化算法停止,输出具有最大适应度值的分区方案,该方案是根据所述分区优化函数最优化的。
通过这个过程,可以从多个初始的第一分区方案中找到适应度最大的最优分区方案,这个方案会更好地匹配蔓延范围信息和同流区域的特性,这个最优分区方案将成为目标流域的动态分区的最终结果。
进一步而言,根据多个第一分区适应度,对所述多个第一分区方案进行优化,包括:
根据多个第一分区方案构建临时最优分区方案阵列,对所述目标流域内的多个河道信息进行随机分区,获得多个第二分区方案;
根据所述分区优化函数,计算获得多个第二分区方案的多个第二分区适应度;
分别判断所述多个第二分区适应度是否大于多个第一分区适应度,对临时最优分区方案阵列进行更新,其中,将第二分区适应度大的第二分区方案替代第一分区适应度小的第一分区方案进行更新,并按照概率将第二分区适应度小的第二分区方案替代第一分区适应度大的第一分区方案进行更新,所述概率随着优化次数的增加而减小;
继续对临时最优分区方案阵列进行更新优化,直到达到收敛次数,将分区适应度最大的分区方案输出,获得所述最优分区方案。
利用多个第一分区方案,构建一个临时最优分区方案阵列,这是一个包含多个第一分区方案的数据结构,作为初始的最优方法,以便在优化过程中进行更新。针对目标流域内的多个河道信息,进行随机分区操作,这类似于之前步骤中对第一分区方案的随机分区过程,根据随机分区的结果,获得多个第二分区方案,这些方案是随机分区而生成的,是当前优化过程中的新的候选方案。
逐个遍历多个第二分区方案,对于每个第二分区方案,将其代入分区优化函数中,计算得到相应的第二分区适应度,获得多个第二分区适应度。
将第二分区方案的适应度值与相应的第一分区方案的适应度值进行比较,如果第二分区适应度大于对应的第一分区适应度,将第二分区方案替代第一分区方案,更新临时最优分区方案阵列;或者,按照概率规则,以一定概率将第二分区适应度小的第二分区方案替代第一分区适应度大的第一分区方案进行更新,这个概率随着优化次数的增加而减小,其中,概率的设计可以是一个递减函数,例如,随着优化次数的增加,概率逐渐减小,这样做的目的是在优化的早期允许更大的变化,而在优化的后期减小变化的幅度,以避免在收敛过程中过度震荡。
重复上述过程,迭代地更新临时最优分区方案阵列,直到达到设定的停止条件,例如达到最大迭代次数或适应度值不再显著改善。通过这个过程,可以在临时最优分区方案阵列中逐步替代第一分区方案,以寻找更优的分区方案,这个过程在多次迭代后,能够找到适应度最大的最终优化分区方案。
预先设定一个收敛次数,表示优化算法进行更新和迭代的总次数,这个收敛次数根据实际情况和具体需求进行设定。在每次迭代中,使用之前描述的方法对临时最优分区方案阵列进行更新和优化,在每次迭代后,判断是否达到了预设的收敛次数,如果达到,跳出迭代循环;否则,继续迭代。在迭代结束后,从临时最优分区方案阵列中选择具有最大适应度值的分区方案作为最优分区方案。
通过这个过程,可以确保对临时最优分区方案阵列进行了足够的优化迭代,最终输出的分区方案能够在适应度上达到较高水平,这个最优分区方案用作目标流域的动态分区的最终结果。
综上所述,本申请实施例所提供的结合多源数据处理的河网动态分区方法及***具有如下技术效果:
1.通过交互目标流域的管理***,获取多源数据,包括河道拓扑结构、水源交联系数、动态生产污染信息等,实现了多源数据的综合利用;
2.通过对水源交联系数的分析和动态污染蔓延预测,生成适应不同时间周期内水资源和污染物动态变化的分区方案,实现了动态分区;
3.通过对蔓延范围信息的分析和优化,针对多种污染物的蔓延情况进行精确预测和分区优化,提高了治理措施的精准性;
4.通过水源交联系数的分类和同流区域的判断,能够更好地刻画河流之间的关联性,实现了对区域内部差异性的处理。
综上所述,该方法通过结合多源数据处理,克服了传统河流分区方法的局限性,使得河网动态分区更加全面、精准,适应了复杂多变的水文环境,提高了水资源管理和污染治理的效果。
实施例二
基于与前述实施例中结合多源数据处理的河网动态分区方法相同的发明构思,如图2所示,本申请提供了结合多源数据处理的河网动态分区***,所述***包括:
拓扑结构获取模块10,所述拓扑结构获取模块10用于交互目标流域的管理***,获取所述目标流域的河网拓扑结构,其中,所述河网拓扑结构包括多个河道信息;
交联系数获取模块20,所述交联系数获取模块20用于对所述多个河道信息进行两两组合,分析每组河道信息之间的水源交联系数,获得多个水源交联系数;
同流区域获取模块30,所述同流区域获取模块30用于根据所述多个水源交联系数,对所述河网拓扑结构进行分类,获得多个同流区域;
蔓延范围获取模块40,所述蔓延范围获取模块40用于基于预设时间周期内的动态生产污染信息,在所述目标流域内进行多种污染物的污染蔓延预测,获得多个蔓延范围信息;
分区方案获取模块50,所述分区方案获取模块50用于基于所述多个蔓延范围信息,对所述多个同流区域内进行蔓延分区优化,获得所述目标流域的最优分区方案,进行目标流域的动态分区。
进一步而言,所述***还包括水源交联系数获取模块,以执行如下操作步骤:
在所述河网拓扑结构内,采集所述多个河道的多个水源位置信息;
对所述多个河道内的河水进行测试,获得多个河水成分信息;
根据多个水源位置信息和多个河水成分信息,计算分析获取多个河道信息之间的水源交联系数。
进一步而言,所述***还包括水源交联系数获取模块,以执行如下操作步骤:
在所述目标流域内,获取多个样本水源位置信息对,并获取样本位置交联系数集合;
采用所述多个样本水源位置信息对和样本位置交联系数集合,构建位置交联系数识别分支;
获取样本河水成分相似度集合和样本成分交联系数集合,构建映射关系,获得成分交联系数识别分支,结合所述位置交联系数识别分支,获得水源交联系数识别器;
对所述多个河道信息进行两两组合,基于多个组合,分析获得多组河水成分信息的多个成分相似度,结合多组水源位置信息,输入水源交联系数识别器,获得多个位置交联系数和多个成分交联系数;
根据所述多个位置交联系数和多个成分交联系数,计算获得多个水源交联系数。
进一步而言,所述***还包括同流区域获取模块,以执行如下操作步骤:
获取水源交联系数阈值;
分别判断所述多个水源交联系数是否大于等于所述水源交联系数阈值,若是,则为同流区域,对多组河道信息进行聚类,获得多个同流区域。
进一步而言,所述***还包括蔓延范围信息获取模块,以执行如下操作步骤:
获取预设时间周期内的动态生产污染信息,并获取动 态生产污染信息在所述目标流域的流动路线;
获取所述动态生产污染信息和动态降雨信息内的多种污染物信息;
基于多种污染物信息,在所述目标流域内,获取多个样本流动路线集合和多个样本蔓延范围信息集合;
采用所述多个样本流动路线集合和多个样本蔓延范围信息集合,构建多个污染物蔓延预测分支,获得污染物蔓延预测器;
基于所述污染物蔓延预测器,将所述流动路线输入多个污染物蔓延预测分支内进行预测,获得多个蔓延范围信息。
进一步而言,所述***还包括最优分区方案获取模块,以执行如下操作步骤:
构建在所述目标流域内进行分区优化的分区优化函数,如下式:
;
其中,为分区适应度,/>和/>为污染权重和同流权重,/>为多个蔓延范围信息的数量,/>为分区方案内与第/>个蔓延范围信息位置对应的分区与第/>个蔓延范围信息的相似度,/>为第/>个蔓延范围信息对应的污染物的权重,/>为分区方案内多个分区和多个同流区域的分区相似度;
对所述目标流域内的多个河道信息进行随机分区,获得多个第一分区方案;
分析所述多个第一分区方案与所述多个蔓延范围信息和多个同流区域的相似度,结合所述分区优化函数,计算获得多个第一分区适应度;
根据多个第一分区适应度,对所述多个第一分区方案进行优化,获得分区适应度最大的最优分区方案。
进一步而言,所述***还包括最优分区方案获取模块,以执行如下操作步骤:
根据多个第一分区方案构建临时最优分区方案阵列,对所述目标流域内的多个河道信息进行随机分区,获得多个第二分区方案;
根据所述分区优化函数,计算获得多个第二分区方案的多个第二分区适应度;
分别判断所述多个第二分区适应度是否大于多个第一分区适应度,对临时最优分区方案阵列进行更新,其中,将第二分区适应度大的第二分区方案替代第一分区适应度小的第一分区方案进行更新,并按照概率将第二分区适应度小的第二分区方案替代第一分区适应度大的第一分区方案进行更新,所述概率随着优化次数的增加而减小;
继续对临时最优分区方案阵列进行更新优化,直到达到收敛次数,将分区适应度最大的分区方案输出,获得所述最优分区方案。
本说明书通过前述对结合多源数据处理的河网动态分区方法的详细描述,本领域技术人员可以清楚得知道本实施例中的结合多源数据处理的河网动态分区***,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.结合多源数据处理的河网动态分区方法,其特征在于,所述方法包括:
交互目标流域的管理***,获取所述目标流域的河网拓扑结构,其中,所述河网拓扑结构包括多个河道信息;
对所述多个河道信息进行两两组合,分析每组河道信息之间的水源交联系数,获得多个水源交联系数;
根据所述多个水源交联系数,对所述河网拓扑结构进行分类,获得多个同流区域;
基于预设时间周期内的动态生产污染信息,在所述目标流域内进行多种污染物的污染蔓延预测,获得多个蔓延范围信息;
基于所述多个蔓延范围信息,对所述多个同流区域内进行蔓延分区优化,获得所述目标流域的最优分区方案,进行目标流域的动态分区;
对所述多个河道信息进行两两组合,分析每组河道信息之间的水源交联系数,获得多个水源交联系数,包括:
在所述河网拓扑结构内,采集所述多个河道的多个水源位置信息;
对所述多个河道内的河水进行测试,获得多个河水成分信息;
根据多个水源位置信息和多个河水成分信息,计算分析获取多个河道信息之间的水源交联系数;
根据多个水源位置信息和多个河水成分信息,计算分析获取多个河道信息之间的水源交联系数,包括:
在所述目标流域内,获取多个样本水源位置信息对,并获取样本位置交联系数集合;
采用所述多个样本水源位置信息对和样本位置交联系数集合,构建位置交联系数识别分支;
获取样本河水成分相似度集合和样本成分交联系数集合,构建映射关系,获得成分交联系数识别分支,结合所述位置交联系数识别分支,获得水源交联系数识别器;
对所述多个河道信息进行两两组合,基于多个组合,分析获得多组河水成分信息的多个成分相似度,结合多组水源位置信息,输入水源交联系数识别器,获得多个位置交联系数和多个成分交联系数;
根据所述多个位置交联系数和多个成分交联系数,计算获得多个水源交联系数;
基于所述多个蔓延范围信息,对所述多个同流区域内进行蔓延分区优化,获得所述目标流域的最优分区方案,包括:
构建在所述目标流域内进行分区优化的分区优化函数,如下式:
;
其中,为分区适应度,/>和/>为污染权重和同流权重,/>为多个蔓延范围信息的数量,/>为分区方案内与第/>个蔓延范围信息位置对应的分区与第/>个蔓延范围信息的相似度,为/>第/>个蔓延范围信息对应的污染物的权重,/>为分区方案内多个分区和多个同流区域的分区相似度;
对所述目标流域内的多个河道信息进行随机分区,获得多个第一分区方案;
分析所述多个第一分区方案与所述多个蔓延范围信息和多个同流区域的相似度,结合所述分区优化函数,计算获得多个第一分区适应度;
根据多个第一分区适应度,对所述多个第一分区方案进行优化,获得分区适应度最大的最优分区方案。
2.根据权利要求1所述的方法,其特征在于,根据所述多个水源交联系数,对所述河网拓扑结构进行分类,获得多个同流区域,包括:
获取水源交联系数阈值;
分别判断所述多个水源交联系数是否大于等于所述水源交联系数阈值,若是,则为同流区域,对多组河道信息进行聚类,获得多个同流区域。
3.根据权利要求1所述的方法,其特征在于,基于预设时间周期内的动态生产污染信息,在所述目标流域内进行多种污染物的污染蔓延预测,获得多个蔓延范围信息,包括:
获取预设时间周期内的动态生产污染信息,并获取动态生产污染信息在所述目标流域的流动路线;
获取所述动态生产污染信息和动态降雨信息内的多种污染物信息;
基于多种污染物信息,在所述目标流域内,获取多个样本流动路线集合和多个样本蔓延范围信息集合;
采用所述多个样本流动路线集合和多个样本蔓延范围信息集合,构建多个污染物蔓延预测分支,获得污染物蔓延预测器;
基于所述污染物蔓延预测器,将所述流动路线输入多个污染物蔓延预测分支内进行预测,获得多个蔓延范围信息。
4.根据权利要求3所述的方法,其特征在于,根据多个第一分区适应度,对所述多个第一分区方案进行优化,包括:
根据多个第一分区方案构建临时最优分区方案阵列,对所述目标流域内的多个河道信息进行随机分区,获得多个第二分区方案;
根据所述分区优化函数,计算获得多个第二分区方案的多个第二分区适应度;
分别判断所述多个第二分区适应度是否大于多个第一分区适应度,对临时最优分区方案阵列进行更新,其中,将第二分区适应度大的第二分区方案替代第一分区适应度小的第一分区方案进行更新,并按照概率将第二分区适应度小的第二分区方案替代第一分区适应度大的第一分区方案进行更新,所述概率随着优化次数的增加而减小;
继续对临时最优分区方案阵列进行更新优化,直到达到收敛次数,将分区适应度最大的分区方案输出,获得所述最优分区方案。
5.结合多源数据处理的河网动态分区***,其特征在于,用于实施权利要求1-4任一项所述的结合多源数据处理的河网动态分区方法,包括:
拓扑结构获取模块,所述拓扑结构获取模块用于交互目标流域的管理***,获取所述目标流域的河网拓扑结构,其中,所述河网拓扑结构包括多个河道信息;
交联系数获取模块,所述交联系数获取模块用于对所述多个河道信息进行两两组合,分析每组河道信息之间的水源交联系数,获得多个水源交联系数;
同流区域获取模块,所述同流区域获取模块用于根据所述多个水源交联系数,对所述河网拓扑结构进行分类,获得多个同流区域;
蔓延范围获取模块,所述蔓延范围获取模块用于基于预设时间周期内的动态生产污染信息,在所述目标流域内进行多种污染物的污染蔓延预测,获得多个蔓延范围信息;
分区方案获取模块,所述分区方案获取模块用于基于所述多个蔓延范围信息,对所述多个同流区域内进行蔓延分区优化,获得所述目标流域的最优分区方案,进行目标流域的动态分区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224788.8A CN117807510B (zh) | 2024-02-29 | 2024-02-29 | 结合多源数据处理的河网动态分区方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224788.8A CN117807510B (zh) | 2024-02-29 | 2024-02-29 | 结合多源数据处理的河网动态分区方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117807510A CN117807510A (zh) | 2024-04-02 |
CN117807510B true CN117807510B (zh) | 2024-05-28 |
Family
ID=90434942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410224788.8A Active CN117807510B (zh) | 2024-02-29 | 2024-02-29 | 结合多源数据处理的河网动态分区方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807510B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019045290A (ja) * | 2017-09-01 | 2019-03-22 | 東急建設株式会社 | 河川水位予測システム |
CN114861964A (zh) * | 2021-03-08 | 2022-08-05 | 中电建华东勘测设计研究院(郑州)有限公司 | 一种流域水生态功能分区方法 |
CN115757367A (zh) * | 2022-09-19 | 2023-03-07 | 北京思路创新科技有限公司 | 一种小流域水生态环境精细化管控的方法及*** |
CN115879326A (zh) * | 2023-02-23 | 2023-03-31 | 湖南大学 | 考虑暴雨时空分异的配电网与流域网应急联动决策方法 |
CN115983573A (zh) * | 2022-12-22 | 2023-04-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种“x”型河网水动力调控内循环方法及其设备 |
KR20230099317A (ko) * | 2021-12-27 | 2023-07-04 | 동부엔지니어링 주식회사 | 하천 위상 정보 구조와 침수 범위 경계를 이용한 하천 구역 결정 방법 및 이를 기록한 기록매체 |
CN117236199A (zh) * | 2023-11-14 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市水网区域河湖水质提升与水安全保障方法及*** |
CN117252349A (zh) * | 2023-11-20 | 2023-12-19 | 中国一冶集团有限公司 | 基于水质水量双控的城市河流智能调控方法 |
CN117391463A (zh) * | 2023-09-20 | 2024-01-12 | 上海普适导航科技股份有限公司 | 一种河流污染的溯源方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210286104A1 (en) * | 2020-03-16 | 2021-09-16 | River Software Inc | Systems, apparatus, and methods of watershed modeling and assessment |
WO2023079139A1 (en) * | 2021-11-05 | 2023-05-11 | Swiss Reinsurance Company Ltd. | Automated standardized location digital twin and location digital twin method factoring in dynamic data at different construction levels, and system thereof |
-
2024
- 2024-02-29 CN CN202410224788.8A patent/CN117807510B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019045290A (ja) * | 2017-09-01 | 2019-03-22 | 東急建設株式会社 | 河川水位予測システム |
CN114861964A (zh) * | 2021-03-08 | 2022-08-05 | 中电建华东勘测设计研究院(郑州)有限公司 | 一种流域水生态功能分区方法 |
KR20230099317A (ko) * | 2021-12-27 | 2023-07-04 | 동부엔지니어링 주식회사 | 하천 위상 정보 구조와 침수 범위 경계를 이용한 하천 구역 결정 방법 및 이를 기록한 기록매체 |
CN115757367A (zh) * | 2022-09-19 | 2023-03-07 | 北京思路创新科技有限公司 | 一种小流域水生态环境精细化管控的方法及*** |
CN115983573A (zh) * | 2022-12-22 | 2023-04-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种“x”型河网水动力调控内循环方法及其设备 |
CN115879326A (zh) * | 2023-02-23 | 2023-03-31 | 湖南大学 | 考虑暴雨时空分异的配电网与流域网应急联动决策方法 |
CN117391463A (zh) * | 2023-09-20 | 2024-01-12 | 上海普适导航科技股份有限公司 | 一种河流污染的溯源方法 |
CN117236199A (zh) * | 2023-11-14 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市水网区域河湖水质提升与水安全保障方法及*** |
CN117252349A (zh) * | 2023-11-20 | 2023-12-19 | 中国一冶集团有限公司 | 基于水质水量双控的城市河流智能调控方法 |
Non-Patent Citations (3)
Title |
---|
Study on dynamic water environmental capacity of the river network in Wenhuang plain based on the hydrodynamic and water quality coupling model;HB Ma et al.;《IOP Conference Series:Earth and Environmental Science》;20201231;1-8 * |
南方平原河网地区生态水量核算方法分区分类适应性研究;方萍;《万方论文》;20211230;1-85 * |
联系数-图论耦合的城市河网水系连通性评价;门宝辉等;《水力发电学报》;20230131;65-76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117807510A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | A data-driven model for real-time water quality prediction and early warning by an integration method | |
Ma et al. | Comparison of conditioned Latin hypercube and feature space coverage sampling for predicting soil classes using simulation from soil maps | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
CN104618045B (zh) | 基于采集数据的无线信道传播模型的建立方法和*** | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
Dumedah | Formulation of the evolutionary-based data assimilation, and its implementation in hydrological forecasting | |
Kazemi-Beydokhti et al. | Determination of the physical domain for air quality monitoring stations using the ANP-OWA method in GIS | |
CN113378473A (zh) | 一种基于机器学习模型的地下水砷风险预测方法 | |
CN116227692B (zh) | 一种农作物重金属富集风险量化方法、***及可存储介质 | |
CN112712169A (zh) | 基于图卷积的全残差深度网络的模型建立方法及应用 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN114219370B (zh) | 一种基于社交网络的河流水质多维影响因素权重分析方法 | |
Ghaderi et al. | Regional flood frequency modeling: a comparative study among several data-driven models | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
KR101703972B1 (ko) | 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법 | |
CN117610208A (zh) | 一种基于城市水***模型交互的河流水质水量预测方法 | |
CN106844626B (zh) | 利用微博关键词和位置信息模拟空气质量的方法及*** | |
CN117807510B (zh) | 结合多源数据处理的河网动态分区方法及*** | |
CN117571945A (zh) | 耦合时间序列预测模型与机理模型的地下水污染预测方法 | |
Wang et al. | A fuzzy intelligent system for land consolidation–a case study in Shunde, China | |
CN111008730A (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN116433017A (zh) | 土壤重金属污染评估方法、装置、设备及存储介质 | |
CN111914465B (zh) | 基于聚类及粒子群优化的无资料地区水文参数率定方法 | |
CN113344759B (zh) | 一种移动源污染排放的分析方法 | |
Gao et al. | Optimization of the sampling design for multiobjective soil mapping using the multiple path SSA (MP-SSA) method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |