排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
基于Google Maps API的远程水质监测系统设计与实现 总被引:1,自引:0,他引:1
随着水资源日益缺乏,再生水逐渐成为农业灌溉用水的一个重要水资源,而再生水指标监测是其安全利用的关键环节.为长期持续监测再生水灌溉对地下水与地表水的影响,设计开发了一种基于Google Maps API的远程水质监测系统,该系统利用了Google Maps提供的应用程序开发接口和ASP.NET技术,以B/S模式实现了水质监测点漫游、监测数据实时获取、历史监测数据查询、监测信息管理和维护等功能. 相似文献
2.
针对目前市面上不同传感器测定结果差异过大,导致农业生产中效率低下的问题,选取了市面上常见的4种土壤湿度传感器(编号为A、B、C和D),进行室内与田间试验,测试传感器的精度。试验结果表明,传感器B的测定结果与土壤真实含水量值最为接近(综合误差为5.14%),而其他3种传感器测定值与真实含水量的差异较大(综合偏差均>9%)。此外,当测试环境变化时,传感器对于相同含水量土壤的测定结果会随之变化,传感器测定误差值也随之变化,特定条件下误差值变化相当明显。测试也表明传感器厂家对传感器的初步校正具有局限性,如果想得到更为精确的结果,对传感器再次进行针对校正是必不可少的。 相似文献
3.
4.
5.
6.
为了科学准确预测参考作物蒸腾量(ET0),提高预测精度,减少输入变量的数量,从而降低智能节水灌溉系统的建设成本,采用深度学习和人工神经网络方法分别建立ET0智能预测模型,采用局部敏感性分析、模糊曲线和模糊曲面等方法研究ET0预测中各输入变量对预测结果的影响,以影响因子大小为依据,构建8种不同气象因子输入组合,利用日照气象站的逐日气象资料,对采用不同方法和不同输入变量组合的预测模型进行训练和测试,并以彭曼公式的计算结果作为参考,对预测模型的性能进行评估。结果表明,在以完整变量作为预测输入时,深度学习预测模型R2为0.980,高于人工神经网络模型(0.963),获得了更高的预测精度;而在缺省输入变量的ET0预测中,深度学习预测模型的性能均优于人工神经网络,以平均温度和日照时数作为输入变量的深度学习预测模型R2仍达到0.935,表明在仅有少量气象参数的情况下,深度学习预测模型仍能获得较好的预测结果。综合分析R2、RMSE、RMSRE、MRE... 相似文献
1