首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   1篇
  免费   0篇
  国内免费   1篇
  1篇
水产渔业   1篇
  2018年   1篇
  2016年   1篇
排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
1.
基于无线传感器网络与GIS的蓝藻水华爆发动态监测与模拟   总被引:3,自引:1,他引:2  
准确获取水体中物质含量与分布区域是开展蓝藻水华爆发预防、预测、预警工作的基础。针对内陆湖泊蓝藻水华爆发突发性、随机性、区域性等特点,研究了一种基于无线传感器网络(wireless sensors networks,WSNs)及地理信息系统(Geographic Information System,GIS)相结合的蓝藻水华爆发动态监测与模拟方法。利用水质传感器组成多源异构水环境感知单元,获取湖泊水质数据;将改进的灰色理论(A Grey Model,AGM)及BP人工神经网络(BP Artificial Neural Network,BPANN)相结合,从而预测24 h内蓝藻水华的浓度与趋势;结合GIS强大的空间分析能力,实现蓝藻水华变化的空间描述。滇池现场试验结果表明,该方法具有一定的普适性,能够为湖泊环境保护与治理提供理论依据及数据支持。  相似文献   
2.
滇池草海水质等级预测模型研究   总被引:1,自引:0,他引:1  
综合考虑影响水质的不同类别因子之间的关系,为水质等级预测提供平均预测精度更高的模型。选取的p H、DO、CODMn、NH3-N、历史水质等级5个水质因子数据来源于中国环境保护部官方发布的水质数据,降雨量、光照时间2个气象因子数据来源于云南省气象局官方发布的气象数据。首先利用改进的灰色模型(Adaptive Grey Model,AGM)进行单因子预测,从而获取BP人工神经网络(BP Artificial Neural Network,BPANN)训练集和水质等级残差序列;然后使用经过训练集训练后的BPANN进行水质等级残差纠正;最后利用AGM模型得到未来水质等级,以滇池草海2006-2013年水质周报资料和气象资料为数据基础进行了仿真分析和验证实验。结果表明:(1)AGM模型对水体因子和气象因子的单项指标预测理想,保证了作用于BP人工神经网络数据的可靠性,同时降低了预测误差的传输;(2)来源于中国环境保护部与云南省气象局的数据保证了水质等级预测中数据的权威性,采用AGM-BPANN组合模型预测滇池草海水质等级精度达到90.2%,说明模型适用于同一地区短时间内的水质变化研究;(3)AGM-BPANN组合模型借助BP网络的高维非线性克服了数据突变对预测的影响,在AGM预测基础上,通过纠正预测残差获得最终的水质等级值,实现了对滇池草海短时间内水质的预测。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号