CN117952308A - 一种区域可持续发展动态监测与评估的方法及系统 - Google Patents
一种区域可持续发展动态监测与评估的方法及系统 Download PDFInfo
- Publication number
- CN117952308A CN117952308A CN202410014824.8A CN202410014824A CN117952308A CN 117952308 A CN117952308 A CN 117952308A CN 202410014824 A CN202410014824 A CN 202410014824A CN 117952308 A CN117952308 A CN 117952308A
- Authority
- CN
- China
- Prior art keywords
- water
- data
- agricultural
- industrial
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000011161 development Methods 0.000 title claims abstract description 36
- 238000011156 evaluation Methods 0.000 title claims description 73
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 333
- 230000007613 environmental effect Effects 0.000 claims description 42
- 239000008235 industrial water Substances 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 235000006506 Brasenia schreberi Nutrition 0.000 claims description 23
- 238000007637 random forest analysis Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 8
- 238000013468 resource allocation Methods 0.000 claims description 8
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 7
- 230000035622 drinking Effects 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 239000002351 wastewater Substances 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 239000003651 drinking water Substances 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims description 4
- 238000000700 time series analysis Methods 0.000 claims description 4
- 238000011282 treatment Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000010865 sewage Substances 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000012271 agricultural production Methods 0.000 claims description 2
- 235000012206 bottled water Nutrition 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000006866 deterioration Effects 0.000 claims description 2
- 235000020188 drinking water Nutrition 0.000 claims description 2
- 230000036541 health Effects 0.000 claims description 2
- 238000009776 industrial production Methods 0.000 claims description 2
- 239000010842 industrial wastewater Substances 0.000 claims description 2
- 238000011269 treatment regimen Methods 0.000 claims 1
- 230000018109 developmental process Effects 0.000 description 26
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- -1 hydrogen ions Chemical class 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种区域可持续发展动态监测与评估的方法及系统，涉及水资源管理技术领域，本发明通过接收经过预处理的区域水资源数据后建立随机森林模型，用于处理多特征和非线性数据，并对模型进行训练、测试、优化调整、特征重要性分析后，生成每一特征的预测结果，能够持续跟踪水资源的状态，加权综合指数模型来综合考虑各个环境影响因子对水资源评价系统中的相关参数影响程度并进行调整，构建动态权重调整算法可以根据实时数据和历史趋势自动调整评价指标的权重，提高水资源数据预测结果准确度，区域水资源实时数据代入评估指数H后，与比对阈值集合进行比对后依次生成对居民生活用水、工业用水、农业用水的水量分配策略。
Description
技术领域
本发明涉及水资源管理技术领域，具体为一种区域可持续发展动态监测与评估的方法及系统。
背景技术
区域可持续发展动态监测与评估是指对特定区域在经济、社会和环境等方面长期发展趋势的持续监测和评估过程，这个过程旨在了解一个地区的可持续发展状况，并根据所收集的数据和评估结果，指导政策制定、资源管理和未来发展方向；
如公告号为CN114169699A的中国专利，其叙述了一种考虑不确定性和主客观结合的水资源系统可持续发展评价方法，该方法依据区域水资源系统可持续发展一级目标，确定二、三级发展目标；依据三级发展目标和筛选原则得到评价指标；分别运用层次分析法和熵权法确定权重矩阵，基于两种权重矩阵得到综合权重矩阵；对评价指标的实测值进行标准化处理得到无量纲矩阵；依据综合权重矩阵和无量纲矩阵计算各二级发展目标的评价值；采用专家打分法对各二级发展目标的评价值进行评级；由专家打分结果计算不确定性矩阵及其期望；依据各二级发展目标的评价值和不确定性矩阵，计算该区域综合可持续发展度，该方法可有效避免可持续发展评价结果的不确定性，能有效提高评价结果的客观性和科学性。
存在的不足之处有：
上述公告号为CN114169699A的中国专利，采用专家打分法对各二级发展目标的评价值进行评级；由专家打分结果计算不确定性矩阵及其期望；依据各二级发展目标的评价值和不确定性矩阵，计算该区域综合可持续发展度，该方法可有效避免可持续发展评价结果的不确定性，但是并未涉及对选取区域的水资源数据预测，由于水质指标、水量、使用效率、环境影响因子数据是在动态改变的，导致水资源数据预测的准确度较低，如何设计一个实时监控系统，该系统能够持续跟踪水资源的状态，并开发一种动态权重调整算法，该算法可以根据实时数据和历史趋势自动调整评价指标的权重，从而在提高水资源数据预测结果准确度的同时，还能根据评估结果对该区域的居民生活用水、工业用水和农业用水的分配量进行动态调整是当下需要改进的方向；
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种区域可持续发展动态监测与评估的方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种区域可持续发展动态监测与评估的方法，具体步骤包括：
S1、采集当前区域水资源的历史水质指标、水量、用水效率、环境影响因子和人类活动数据作为多特征数据，并通过传感器自动监测站获取该区域水资源的实时数据，最后对采集数据进行预处理；
S2、接收经过预处理的区域水资源数据后建立随机森林模型，用于处理多特征和非线性数据，并对模型进行训练、测试、优化调整、特征重要性分析后，生成每一特征的预测结果；
S3、获取环境影响因子的历史数据以及预测结果，并建立加权综合指数模型来综合考虑各个环境影响因子对水资源评价系统中的相关参数影响程度并进行调整；
S4、确定区域水资源分配对象依次为居民生活用水、工业用水、农业用水，并依次生成对应的居民生活用水目标JMb、工业用水目标GMb和农业用水目标NMb，基于前述用水目标以及区域水资源的历史数据，生成水量分配评估指数H以及比对阈值集合，将区域水资源实时数据代入评估指数H后，与比对阈值集合进行比对后依次生成对居民生活用水、工业用水、农业用水的水量分配策略；
S5、构建动态权重调整算法，并根据实时数据和历史趋势自动调整评价指标的权重。
一种系统，所述系统用于执行所述的方法，包括：
数据采集与预处理模块：用于采集当前区域水资源的历史水质指标、水量、用水效率、环境影响因子和人类活动数据作为多特征数据，并通过传感器自动监测站获取该区域水资源的实时数据，最后对采集数据进行预处理；
随机森林模型构建模块：用于接收经过预处理的区域水资源数据后建立随机森林模型，用于处理多特征和非线性数据，并对模型进行训练、测试、优化调整、特征重要性分析后，生成每一特征的预测结果；
加权综合指数模型构建模块：用于获取环境影响因子的历史数据以及预测结果，并建立加权综合指数模型来综合考虑各个环境影响因子对水资源评价系统中的相关参数影响程度并进行调整；
水量分配评估指数H生成模块：用于确定区域水资源分配对象依次为居民生活用水、工业用水、农业用水，并依次生成对应的居民生活用水目标JMb、工业用水目标GMb和农业用水目标NMb；
基于前述用水目标以及区域水资源的历史数据，生成水量分配评估指数H以及比对阈值集合，将区域水资源实时数据代入评估指数H后，与比对阈值集合进行比对后依次生成对居民生活用水、工业用水、农业用水的水量分配策略；
动态权重调整模块：用于构建动态权重调整算法，并根据实时数据和历史趋势自动调整评价指标的权重。
与现有技术相比，本发明的有益效果是：
通过接收经过预处理的区域水资源数据后建立随机森林模型，用于处理多特征和非线性数据，并对模型进行训练、测试、优化调整、特征重要性分析后，生成每一特征的预测结果，能够持续跟踪水资源的状态；
加权综合指数模型来综合考虑各个环境影响因子对水资源评价系统中的相关参数影响程度并进行调整，构建动态权重调整算法可以根据实时数据和历史趋势自动调整评价指标的权重，提高水资源数据预测结果准确度，区域水资源实时数据代入评估指数H后，与比对阈值集合进行比对后依次生成对居民生活用水、工业用水、农业用水的水量分配策略。
附图说明
图1为本发明整体方法流程示意图；
图2为本发明的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
请参阅图1和图2，本发明提供一种技术方案：
实施例一：
一种区域可持续发展动态监测与评估的方法，适用于水资源评价系统，具体步骤包括：
S1、采集当前区域水资源的历史水质指标、水量、用水效率、环境影响因子和人类活动数据作为多特征数据，并通过传感器自动监测站获取该区域水资源的实时数据，最后对采集数据进行预处理；
S2、接收经过预处理的区域水资源数据后建立随机森林模型，用于处理多特征和非线性数据，并对模型进行训练、测试、优化调整、特征重要性分析后，生成每一特征的预测结果；
S3、获取环境影响因子的历史数据以及预测结果，并建立加权综合指数模型来综合考虑各个环境影响因子对水资源评价系统中的相关参数影响程度并进行调整；
S4、确定区域水资源分配对象依次为居民生活用水、工业用水、农业用水，并依次生成对应的居民生活用水目标JMb、工业用水目标GMb和农业用水目标NMb，基于前述用水目标以及区域水资源的历史数据，生成水量分配评估指数H以及比对阈值集合，将区域水资源实时数据代入评估指数H后，与比对阈值集合进行比对后依次生成对居民生活用水、工业用水、农业用水的水量分配策略；
S5、构建动态权重调整算法，并根据实时数据和历史趋势自动调整评价指标的权重。
实施例二：
在实施例一的基础上进一步说明，所述采集当前区域水资源的历史水质指标、水量、用水效率、环境影响因子和人类活动数据具体包括，
水质指标数据包括溶解氧DO、pH值、浊度、氨氮含量；
具体的，
溶解氧DO：溶解氧是水中氧气的量，通常以毫克每升(mg/L)为单位，它的测量通常是直接使用溶解氧仪进行的，该仪器可以提供即时的DO读数；
pH值：pH值是表示水中酸碱度的指标，其范围从0(非常酸性)到14(非常碱性)，中性pH为7，pH值的测量通常使用pH计，它通过测量水样中氢离子的活度来确定pH值，pH值的计算涉及水中氢离子浓度[H^+]，
公式为：
pH＝-log10[H+]
浊度：浊度是衡量水中悬浮颗粒物浓度的指标，常用单位是NTU(浊度单位)，它通常是通过浊度仪测量的，该仪器通过评估水样中的光散射或吸收来确定浊度，依赖于颗粒物的大小、形状和浓度；
氨氮含量：氨氮含量是指水中氨(NH3)和铵离子(NH4+)的总量，它通常通过化学分析方法如纳氏试剂法来测定，在这种方法中，氨氮与特定的试剂反应产生有色复合物，然后通过分光光度计测量其吸光度来间接计算氨氮浓度；
水量数据包括水库水位、河流流量；
用水效率为：通过测量不同用途的水量参数与实际达到的目标或效益的比率来评估用水效率，可以帮助了解水资源是如何被使用的，以及是否存在潜在的改进空间，以提高水资源的有效利用；
环境影响因子包括气候变化的降雨量、温度、干旱频率，以及人类活动的工业用水、工业经济效益、工业废水、农业用水、农产品产量和农业废水；
上述气象数据通常可以从气象局或气象卫星数据中获取，经济数据和工业数据可以从国家统计局或相关政府部门获取，农业数据可以从为农业农村部 门或农业统计数据中获得；
所述最后对采集数据进行预处理包括以下步骤：
一、清洗数据：自动识别并去除采集数据的缺失值、异常值和重复记录；
二、格式化数据：将数据转换为结构化的表格格式，确保每一行代表一个观测样本，每一列代表一个特征。
实施例三：
在实施例二的基础上进一步说明，所述接收经过预处理的区域水资源数据后建立随机森林模型，用于处理多特征和非线性数据，并对模型进行训练、测试、优化调整、特征重要性分析后，生成每一特征的预测结果包括以下步骤：
一、确定随机森林算法作为主要的分析工具，因其能有效处理多特征和非线性数据；
数学模型公式如下：
其中，RF(x)表示随机森林模型的输出；DTi(x)为第i个决策树的预测结果；N为决策树的总数；x为输入的特征集，特征集为经过预处理的区域水资源数据；
二、配置模型参数：设置决策树数量为100，树的最大深度为10，每个节点的最小样本数为2；
三、模型训练与测试：
分割数据集：使用70％的数据作为训练集，30％作为测试集，
训练模型：在训练集上训练随机森林模型，
模型验证：使用测试集评估模型性能，关注准确率、召回率和F1分数；
四、模型优化与调整：
参数调整：基于测试集的性能反馈，微调树的数量和深度，
根据测试集上的性能反馈调整模型参数，
如果准确率不理想，增加决策树数量，
如果过拟合，表示训练集表现好或者测试集表现差，降低树的最大深度；
特征重要性分析：分析并选择对预测结果影响最大的特征，优化特征集；
分析各特征对模型预测结果的影响程度；
移除重要性较低的特征，以简化模型并提高性能；
五、模型部署与更新
应用于实际评价：将优化后的模型部署于实际的水资源评价系统；
定期更新模型：定期根据新收集的数据更新模型，确保其准确性和适应性。
实施例四：
在实施例三的基础上进一步说明，所述获取环境影响因子的历史数据以及预测结果，并建立加权综合指数模型来综合考虑各个环境影响因子对水资源评价系统中的相关参数影响程度并进行调整包括以下处理逻辑，
采集经过处理的环境影响因子并生成环境影响指数，计算步骤为：
使用加权综合指数方法来综合考虑各个环境因子；
数学模型公式：
其中，EI I：环境影响指数，wi：第i个因子的权重，Fi：第i个环境因子的标准化值，n：因子的总数；
具体的，
权重确定：通过专家评分或历史数据分析。
标准化方法：最大最小归一化，公式为：
其中Xi是原始数据，Xmax和Xmin分别是该因子的最大值和最小值；
1将环境影响指数EI I与水资源评价系统相结合步骤为；
1.1设置比对阈值，用于判断环境影响的显著性；
1.2初步调整结果生成
如果EI I大于阈值，对水资源评价系统中的相关参数进行调整；
1.3数学模型及参数解释
调整公式：如果EII>Threshold，则调整参数，否则保持不变；
参数解释：Threshold是预设的阈值，用于判断是否需要调整；
现有水资源评价系统中的水资源评估等级包括以下几种：
优良：表示水资源质量极好，适合各种用途，包括饮用；
良好：水质较好，可以用于饮用及其他用途，但可能需要简单处理；
一般：水质适中，可能适合农业或工业用途，饮用前需要处理；
较差：水质较差，不适合直接饮用，限于特定工业或农业用途；
差：水质很差，需要经过深度处理才能使用，或者仅适用于非饮用目的；
当环境影响指数EI I大于设定的阈值时，需要调整的水资源评价系统中的相关参数包括：
水质参数：如溶解氧DO、pH值、浊度、氨氮含量等；
资源可持续性参数：如水资源的更新率(由水量数据与降雨量进行分析获取)、用水效率；
人类活动影响参数：如工业排放物、农业排水对水质的影响；
气候变化参数：气候变化对水资源可用性的影响，如干旱频率、降水量变化等。
实施例五：
在实施例四的基础上进一步说明，所述确定区域水资源分配对象依次为居民生活用水、工业用水、农业用水，并依次生成对应的居民生活用水目标JMb、工业用水目标GMb和农业用水目标NMb，基于前述用水目标以及区域水资源的历史数据，生成水量分配评估指数H以及比对阈值集合，将区域水资源实时数据代入评估指数H后，与比对阈值集合进行比对后依次生成对居民生活用水、工业用水、农业用水的水量分配策略包括以下步骤：
分配对象用Xi表示，且i＝1，2，3分别代表对应的居民生活用水1、工业用水2、农业用水3，当前水资源区域对居民生活用水、工业用水、农业用水的水量分配为Xij，且j依次代为j1、j2和j3，并分别用X1j1、X2j2、X3j3表示，T表示当前区域的总水量；
其中，居民生活用水目标JMb为：确保供应给居民的饮用水达到水质指标卫生标准，保障居民健康，用水效率为提供的水量X1j1与水质指标SZb的比值Q1，水质指标SZb数值越大，代表的水质越好，JMb期望Q1为，水质指标SZb越来越大，使Q1数值逐步减小，公式为：
工业用水目标GMb为，提供足够的水资源，以满足工业生产的需求，支持工业的可持续发展，用水效率为提供的水量X2j2与经济效益Jrmb的比值Q2，GMb期望Q2为，随着X2j2的逐步减少，Jrmb会随之进行反比例增长，使Q2数值逐步减小，公式为：
农业用水目标NMb为，提供足够的水资源，以支持农业生产的可持续发展，提高农产品产量Nmax，用水效率为提供的水量X3j3与农产品产量Nmax的比值Q3，NMb期望Q3为，随着X3j3的逐步减少，Nmax会随之进行反比例增长，使Q3数值逐步减小，公式为：
限制条件如下：
X1j1+X2j2+X3j3＜T
以上表示可用供水量小于总水量；降低区域水资源的供水压力；
X1j1+X2j2+X3j3≥xminij
其中xminij表示区域最低总供水量；
设定用于对居民生活用水1、工业用水2、农业用水3的水量分配评估指数为S，计算公式为：
其中β1、β2、β3依次为居民生活用水1、工业用水2、农业用水3的水量分配权重，对应权重越大，
η为偏差调整因子，0.15≤η≤0.68；
基于采集的数据并进行分析处理后获取水量分配评估指数H的比对阈值范围分别为H1、H2和H3，并代入区域水资源的实时数据；
当H＝H1时，表示该区域水资源条件极好，以居民生活用水使用为优先级，对应的β1权重比根据实际用水量进行调整，且剩余的水资源优先等级由高到低依次为农业用水和工业用水，实现水资源的合理利用；
当H＝H2时，表示该区域水资源条件较好，代表的可饮用水资源较少，基于xminij调整当前区域的水质指标对应水质参数进行污水处理比例，并根据工业排放物、农业排水对水质的影响程度生成管理策略，避免水资源条件进一步恶化；
当H＝H3时，表示该区域水资源条件较差，不适合饮用，表明当地水体受到了生活、工业、农业废水的严重污染，需要进一步调整污水处理策略，并优先降低对工业用水分配量占比，之后再保障农产品产量满足当地供给需求时，对农业用水进行适应性降低调整，并生成居民生活用水策略用来降低不必要废水的排放；
当水量分配分别根据居民、农业和工业为优先级时，获得以下本实施例下的水量分配表，本实施例中选择的区域水资源为兰州的永登县、西固区、安宁区和红古区；
永登县：位于兰州市的北部，以农业为主的县级行政区；
西固区：位于兰州市西部，是一个工业区，有一些工业企业和学校；
安宁区：位于兰州市的西北部，以工业和住宅区为主；
红古区：位于兰州市的西南部，以工业和农业区域为主；
建立表一如下所示：
| 方案 | 农业 | 工业 | 居民 | 总分配水量 |
| 居民优先级 | - | - | - | - |
| 永登县 | 129.86 | 42.374 | 866.501 | 1038.75 |
| 西固区 | 24.464 | 15.815 | 486.181 | 526.46 |
| 安宁区 | 2.307 | 17.665 | 147.201 | 167.173 |
| 红古区 | 4.945 | 18.015 | 133.714 | 156.674 |
| 农业优先级 | - | - | - | - |
| 永登县 | 871.129 | 69.11 | 64.284 | 1004.523 |
| 西固区 | 487.709 | 8.996 | 6.095 | 502.8 |
| 安宁区 | 122.62 | 47.804 | 4.435 | 174.879 |
| 红古区 | 91.19 | 89.621 | 11.285 | 192.096 |
| 工业优先级 | - | - | - | - |
| 永登县 | 115.02 | 864.579 | 83.694 | 1063.293 |
| 西固区 | 2.334 | 511.044 | 16.917 | 530.295 |
| 安宁区 | 41.516 | 135.927 | 8.435 | 185.878 |
| 红古区 | 5.404 | 44.765 | 18.015 | 68.184 |
表一
实施例六：
在实施例五的基础上进一步说明，所述构建动态权重调整算法，并根据实时数据和历史趋势自动调整评价指标的权重包括以下具体步骤：
1.时间序列分析：对历史水资源数据进行时间序列分析，以识别长期趋势和周期性模式；
数据预处理：
收集并整理历史水资源数据并进行标准化，公式为：
其中Xnorm是标准化后的数据，X是原始数据，Xmax和Xmin分别是数据的最大值和最小值；
2.1、LSTM模型建立：
使用LSTM网络来模拟时间序列数据，公式为：
LSTM(xt)＝(ht,ct)
其中xt是时间步t的输入，ht和ct分别是隐藏状态和细胞状态；
2.2模型训练和验证：
使用历史数据训练LSTM模型，验证其对长期趋势和周期性模式的识别能力；
目标是最小化预测误差，使用均方误差MSE公式如下：
其中Yi是真实值，是预测值；
2.3趋势和模式识别：
使用训练好的LSTM模型分析最新数据，识别趋势和周期性模式；
2.4权重调整算法开发：基于时间序列分析结果，开发动态权重调整算法，该算法会根据实时数据变化自动调整评价指标的权重；
2.5标准化数据，使其适合于LSTM模型。
操作步骤：
设计一个基于LSTM输出的权重调整算法，根据LSTM模型的输出调整权重，公式如下：
Wnew＝Wold×adj(ht)
其中Wnew和Wold分别代表新旧权重，adj(ht)是基于隐藏状态ht的调整因子；
2.6动态调整实施：
根据实时数据和LSTM模型的输出实施权重调整；
具体根据LSTM输出动态调整权重：根据ht的变化确定adj(ht)的具体形式，设定adj(ht)＝1+α×ht，其中α是一个调整参数；
2.7调整因子确定：
设计调整因子adj(ht)以反映LSTM识别的趋势强度，若LSTM识别出强烈的上升趋势，增加与此相关指标的权重；
2.8算法实施与反馈：将动态权重调整算法应用于评价模型，并根据实际情况进行反馈和调整；
操作步骤：
集成评价模型：
将动态权重调整算法集成到现有的水资源评价模型中；
性能监测和反馈：
监测评价模型的性能，特别是在实施新权重后的变化，观察Wnew对模型输出的影响，并根据需要调整α；
持续优化：
根据模型性能和外部反馈，持续调整LSTM模型和权重调整策略。
实施例七：
一种系统，所述系统用于执行所述的方法，包括：
数据采集与预处理模块：用于采集当前区域水资源的历史水质指标、水量、用水效率、环境影响因子和人类活动数据作为多特征数据，并通过传感器自动监测站获取该区域水资源的实时数据，最后对采集数据进行预处理；
随机森林模型构建模块：用于接收经过预处理的区域水资源数据后建立随机森林模型，用于处理多特征和非线性数据，并对模型进行训练、测试、优化调整、特征重要性分析后，生成每一特征的预测结果；
加权综合指数模型构建模块：用于获取环境影响因子的历史数据以及预测结果，并建立加权综合指数模型来综合考虑各个环境影响因子对水资源评价系统中的相关参数影响程度并进行调整；
水量分配评估指数H生成模块：用于确定区域水资源分配对象依次为居民生活用水、工业用水、农业用水，并依次生成对应的居民生活用水目标JMb、工业用水目标GMb和农业用水目标NMb，基于前述用水目标以及区域水资源的历史数据，生成水量分配评估指数H以及比对阈值集合，将区域水资源实时数据代入评估指数H后，与比对阈值集合进行比对后依次生成对居民生活用水、工业用水、农业用水的水量分配策略；
动态权重调整模块：用于构建动态权重调整算法，并根据实时数据和历史趋势自动调整评价指标的权重。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
公式中的δ、ε、□和σ等的具体取值一般由本领域技术人员根据实际情况来确定，本申请该公式本质为加权求和进行综合分析，由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的预设比例系数；将设定的预设比例系数和采集的样本数据代入公式，任意四个公式构成四元一次方程组，将计算得到的系数进行筛选并取均值，得到δ、ε、□和σ等的取值；
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够、电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方法来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (7)
1.一种区域可持续发展动态监测与评估的方法，其特征在于，具体步骤包括：
S1、采集当前区域水资源的历史水质指标、水量、用水效率、环境影响因子和人类活动数据作为多特征数据，并通过传感器自动监测站获取该区域水资源的实时数据，最后对采集数据进行预处理；
S2、接收经过预处理的区域水资源数据后建立随机森林模型，用于处理多特征和非线性数据，并对模型进行训练、测试、优化调整、特征重要性分析后，生成每一特征的预测结果；
S3、获取环境影响因子的历史数据以及预测结果，并建立加权综合指数模型来综合考虑各个环境影响因子对水资源评价系统中的相关参数影响程度并进行调整；
S4、确定区域水资源分配对象依次为居民生活用水、工业用水、农业用水，并依次生成对应的居民生活用水目标JMb、工业用水目标GMb和农业用水目标NMb，基于前述用水目标以及区域水资源的历史数据，生成水量分配评估指数H以及比对阈值集合，将区域水资源实时数据代入评估指数H后，与比对阈值集合进行比对后依次生成对居民生活用水、工业用水、农业用水的水量分配策略；
S5、构建动态权重调整算法，并根据实时数据和历史趋势自动调整评价指标的权重。
2.根据权利要求1所述的一种区域可持续发展动态监测与评估的方法，其特征在于：所述采集当前区域水资源的历史水质指标、水量、用水效率、环境影响因子和人类活动数据具体包括，
水质指标数据包括溶解氧DO、pH值、浊度、氨氮含量；
水量数据包括水库水位、河流流量；
用水效率为：通过测量不同用途的水量参数与实际达到的目标或效益的比率来评估用水效率，
环境影响因子包括气候变化的降雨量、温度、干旱频率，以及人类活动的工业用水、工业经济效益、工业废水、农业用水、农产品产量和农业废水；
所述最后对采集数据进行预处理包括以下步骤：
一、清洗数据：自动识别并去除采集数据的缺失值、异常值和重复记录；
二、格式化数据：将数据转换为结构化的表格格式，确保每一行代表一个观测样本，每一列代表一个特征。
3.根据权利要求1所述的一种区域可持续发展动态监测与评估的方法，其特征在于：所述接收经过预处理的区域水资源数据后建立随机森林模型，用于处理多特征和非线性数据，并对模型进行训练、测试、优化调整、特征重要性分析后，生成每一特征的预测结果包括以下步骤：
一、确定随机森林算法作为主要的分析工具；
数学模型公式如下：
其中，RF(x)表示随机森林模型的输出；DTi(x)为第i个决策树的预测结果；N为决策树的总数；x为输入的特征集，特征集为经过预处理的区域水资源数据；
模型训练与测试、模型优化与调整；
特征重要性分析：分析并选择对预测结果影响最大的特征，优化特征集；
分析各特征对模型预测结果的影响程度；
移除重要性较低的特征，以简化模型并提高性能；
将优化后的模型部署于实际的水资源评价系统。
4.根据权利要求1所述的一种区域可持续发展动态监测与评估的方法，其特征在于：所述获取环境影响因子的历史数据以及预测结果，并建立加权综合指数模型来综合考虑各个环境影响因子对水资源评价系统中的相关参数影响程度并进行调整包括以下处理逻辑，
采集经过处理的环境影响因子并生成环境影响指数，计算步骤为：
使用加权综合指数方法来综合考虑各个环境因子；
数学模型公式：
其中，EI I：环境影响指数，wi：第i个因子的权重，Fi：第i个环境因子的标准化值，n：因子的总数；
设置比对阈值，用于判断环境影响的显著性；
如果EII大于阈值，对水资源评价系统中的相关参数进行调整；
如果EII>Threshold，则调整参数，否则保持不变；
参数解释：Threshold是预设的阈值，用于判断是否需要调整。
5.根据权利要求1所述的一种区域可持续发展动态监测与评估的方法，其特征在于：所述确定区域水资源分配对象依次为居民生活用水、工业用水、农业用水，并依次生成对应的居民生活用水目标JMb、工业用水目标GMb和农业用水目标NMb，基于前述用水目标以及区域水资源的历史数据，生成水量分配评估指数H以及比对阈值集合，将区域水资源实时数据代入评估指数H后，与比对阈值集合进行比对后依次生成对居民生活用水、工业用水、农业用水的水量分配策略包括以下步骤：
分配对象用Xi表示，且i＝1，2，3分别代表对应的居民生活用水1、工业用水2、农业用水3，当前水资源区域对居民生活用水、工业用水、农业用水的水量分配为Xij，且j依次代为j1、j2和j3，并分别用X1j1、X2j2、X3j3表示，T表示当前区域的总水量；
其中，居民生活用水目标JMb为：确保供应给居民的饮用水达到水质指标卫生标准，保障居民健康，用水效率为提供的水量X1j1与水质指标SZb的比值Q1，水质指标SZb数值越大，代表的水质越好，JMb期望Q1为，水质指标SZb越来越大，使Q1数值逐步减小，公式为：
工业用水目标GMb为，提供足够的水资源，以满足工业生产的需求，支持工业的可持续发展，用水效率为提供的水量X2j2与经济效益Jrmb的比值Q2，GMb期望Q2为，随着X2j2的逐步减少，Jrmb会随之进行反比例增长，使Q2数值逐步减小，公式为：
农业用水目标NMb为，提供足够的水资源，以支持农业生产的可持续发展，提高农产品产量Nmax，用水效率为提供的水量X3j3与农产品产量Nmax的比值Q3，NMb期望Q3为，随着X3j3的逐步减少，Nmax会随之进行反比例增长，使Q3数值逐步减小，公式为：
限制条件如下：
X1j1+X2j2+X3j3＜T
以上表示可用供水量小于总水量；降低区域水资源的供水压力；
X1j1+X2j2+X3j3≥xminij
其中xminij表示区域最低总供水量；
设定用于对居民生活用水1、工业用水2、农业用水3的水量分配评估指数为S，计算公式为：
其中β1、β2、β3依次为居民生活用水1、工业用水2、农业用水3的水量分配权重，对应权重越大，η为偏差调整因子，0.15≤η≤0.68；
基于采集的数据并进行分析处理后获取水量分配评估指数H的比对阈值范围分别为H1、H2和H3，并代入区域水资源的实时数据；
当H＝H1时，表示该区域水资源条件极好，以居民生活用水使用为优先级，对应的β1权重比根据实际用水量进行调整，且剩余的水资源优先等级由高到低依次为农业用水和工业用水，实现水资源的合理利用；
当H＝H2时，表示该区域水资源条件较好，代表的可饮用水资源较少，基于xminij调整当前区域的水质指标对应水质参数进行污水处理比例，并根据工业排放物、农业排水对水质的影响程度生成管理策略，避免水资源条件进一步恶化；
当H＝H3时，表示该区域水资源条件较差，不适合饮用，表明当地水体受到了生活、工业、农业废水的严重污染，需要进一步调整污水处理策略，并优先降低对工业用水分配量占比，之后再保障农产品产量满足当地供给需求时，对农业用水进行适应性降低调整，并生成居民生活用水策略用来降低不必要废水的排放。
6.根据权利要求1所述的一种区域可持续发展动态监测与评估的方法，其特征在于：所述构建动态权重调整算法，并根据实时数据和历史趋势自动调整评价指标的权重包括以下具体步骤：
时间序列分析：对历史水资源数据进行时间序列分析，以识别长期趋势和周期性模式；
使用LSTM网络来模拟时间序列数据，公式为：
LSTM(xt)＝(ht,ct)
其中xt是时间步t的输入，ht和ct分别是隐藏状态和细胞状态；
使用历史数据训练LSTM模型，验证其对长期趋势和周期性模式的识别能力；
目标是最小化预测误差，使用均方误差MSE公式如下：
其中Yi是真实值，是预测值；
使用训练好的LSTM模型分析最新数据，识别趋势和周期性模式，基于时间序列分析结果，开发动态权重调整算法，该算法会根据实时数据变化自动调整评价指标的权重；
根据LSTM模型的输出调整权重，公式如下：
Wnew＝Wold×adj(ht)
其中Wnew和Wold分别代表新旧权重，adj(ht)是基于隐藏状态ht的调整因子；
根据实时数据和LSTM模型的输出实施权重调整；
将动态权重调整算法应用于评价模型，并根据实际情况进行反馈和调整。
7.一种系统，其特征在于：所述系统用于执行权利要求1-6任意一项所述的方法，包括：
数据采集与预处理模块：用于采集当前区域水资源的历史水质指标、水量、用水效率、环境影响因子和人类活动数据作为多特征数据，并通过传感器自动监测站获取该区域水资源的实时数据，最后对采集数据进行预处理；
随机森林模型构建模块：用于接收经过预处理的区域水资源数据后建立随机森林模型，用于处理多特征和非线性数据，并对模型进行训练、测试、优化调整、特征重要性分析后，生成每一特征的预测结果；
加权综合指数模型构建模块：用于获取环境影响因子的历史数据以及预测结果，并建立加权综合指数模型来综合考虑各个环境影响因子对水资源评价系统中的相关参数影响程度并进行调整；
水量分配评估指数H生成模块：用于确定区域水资源分配对象依次为居民生活用水、工业用水、农业用水，并依次生成对应的居民生活用水目标JMb、工业用水目标GMb和农业用水目标NMb，基于前述用水目标以及区域水资源的历史数据，生成水量分配评估指数H以及比对阈值集合，将区域水资源实时数据代入评估指数H后，与比对阈值集合进行比对后依次生成对居民生活用水、工业用水、农业用水的水量分配策略；
动态权重调整模块：用于构建动态权重调整算法，并根据实时数据和历史趋势自动调整评价指标的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410014824.8A CN117952308B (zh) | 2024-04-01 | 2024-04-01 | 一种区域可持续发展动态监测与评估的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410014824.8A CN117952308B (zh) | 2024-04-01 | 2024-04-01 | 一种区域可持续发展动态监测与评估的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117952308A true CN117952308A (zh) | 2024-04-30 |
| CN117952308B CN117952308B (zh) | 2024-07-19 |
Family
ID=90799721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410014824.8A Active CN117952308B (zh) | 2024-04-01 | 2024-04-01 | 一种区域可持续发展动态监测与评估的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117952308B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118229156A (zh) * | 2024-05-22 | 2024-06-21 | 广东海洋大学 | 海洋经济可持续发展评价方法及系统 |
| CN118545826A (zh) * | 2024-07-25 | 2024-08-27 | 深圳市利源水务设计咨询有限公司 | 一种结合aoa工艺的污水处理方法及装置 |
| CN118587029A (zh) * | 2024-08-05 | 2024-09-03 | 成都齐沃农业科技有限公司 | 一种农业面源污染数据管理方法及系统 |
| CN118607394A (zh) * | 2024-08-09 | 2024-09-06 | 山西华境清治环保科技有限公司 | 一种基于大数据的水污染溯源方法和系统 |
| CN118627978A (zh) * | 2024-08-14 | 2024-09-10 | 台州徙木数字服务有限公司 | 基于人工智能的程序员能力动态测评方法及系统 |
| CN118691048A (zh) * | 2024-08-23 | 2024-09-24 | 众诚测试科技(大连)有限公司 | 一种水资源分配管理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685685A (zh) * | 2018-12-28 | 2019-04-26 | 中国水利水电科学研究院 | 一种基于宏观配置方案的水资源多目标均衡调度方法 |
| CN114169699A (zh) * | 2021-11-18 | 2022-03-11 | 浙江大学 | 考虑不确定性和主客观权重结合的水资源系统可持续发展评价方法 |
| CN117252447A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种工业盐生产统计方法及系统 |
-
2024
- 2024-04-01 CN CN202410014824.8A patent/CN117952308B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685685A (zh) * | 2018-12-28 | 2019-04-26 | 中国水利水电科学研究院 | 一种基于宏观配置方案的水资源多目标均衡调度方法 |
| CN114169699A (zh) * | 2021-11-18 | 2022-03-11 | 浙江大学 | 考虑不确定性和主客观权重结合的水资源系统可持续发展评价方法 |
| CN117252447A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种工业盐生产统计方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张玲玲;王宗志;李晓惠;段文武;: "总量控制约束下区域用水结构调控策略及动态模拟", 长江流域资源与环境, no. 01, 15 January 2015 (2015-01-15) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118229156A (zh) * | 2024-05-22 | 2024-06-21 | 广东海洋大学 | 海洋经济可持续发展评价方法及系统 |
| CN118545826A (zh) * | 2024-07-25 | 2024-08-27 | 深圳市利源水务设计咨询有限公司 | 一种结合aoa工艺的污水处理方法及装置 |
| CN118587029A (zh) * | 2024-08-05 | 2024-09-03 | 成都齐沃农业科技有限公司 | 一种农业面源污染数据管理方法及系统 |
| CN118607394A (zh) * | 2024-08-09 | 2024-09-06 | 山西华境清治环保科技有限公司 | 一种基于大数据的水污染溯源方法和系统 |
| CN118627978A (zh) * | 2024-08-14 | 2024-09-10 | 台州徙木数字服务有限公司 | 基于人工智能的程序员能力动态测评方法及系统 |
| CN118691048A (zh) * | 2024-08-23 | 2024-09-24 | 众诚测试科技(大连)有限公司 | 一种水资源分配管理系统 |
| CN118691048B (zh) * | 2024-08-23 | 2024-11-08 | 众诚测试科技(大连)有限公司 | 一种水资源分配管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117952308B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117952308B (zh) | 一种区域可持续发展动态监测与评估的方法及系统 | |
| Yang et al. | Comprehensive evaluation and scenario simulation for the water resources carrying capacity in Xi'an city, China | |
| CN105069525B (zh) | 全天候96点日负荷曲线预测及优化修正系统 | |
| CN115577018B (zh) | 一种水质监测数据的智能处理方法及系统 | |
| CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
| CN112580864B (zh) | 结合多元数据应用价值提升的村镇生活垃圾产量预测系统 | |
| CN103177301A (zh) | 一种台风灾害风险预估方法 | |
| Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
| CN117786584B (zh) | 基于大数据分析的畜牧业水源污染监测预警方法及系统 | |
| CN117094516B (zh) | 一种基于固定效应模型的城市群月生活需水量预测方法 | |
| CN109345105B (zh) | 一种多水源灌区灌溉用水量复核方法 | |
| CN103235096A (zh) | 污水水质检测方法与装置 | |
| CN113011661A (zh) | 一种用于河流生态修复的曝气控制系统及其控制方法 | |
| CN111428985B (zh) | 区域水生态承载力的评估方法 | |
| Li et al. | Non-negligible regional differences in the driving forces of crop-related water footprint and virtual water flows: A case study for the Beijing-Tianjin-Hebei region | |
| CN113705931B (zh) | 一种利用k最邻近法预测径流要素的方法 | |
| Chen et al. | Temporal trends and source apportionment of water pollution in Honghu Lake, China | |
| CN109657287B (zh) | 基于综合得分法水文模型精度识别的方法 | |
| CN115713448A (zh) | 基于汇水单元的流域水污染常规因子快速溯源方法 | |
| CN113836807B (zh) | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 | |
| CN116051161A (zh) | 一种多模型融合的行业电力态势感知方法及系统 | |
| CN116565850A (zh) | 一种基于qr-blstm的风电功率超短期预测方法 | |
| CN116167486A (zh) | 一种基于arima-回归模型的旱情预测方法及系统 | |
| Costa et al. | Combining Statistical Methodologies in Water Quality Monitoring in a Hydrological Basin–Space and Time Approaches | |
| CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 |
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 |