期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
中贫营养湖泊叶绿素a预测模型探讨
被引量：
3
1
作者
刘宇
朱丹瑶
《节水灌溉》
北大核心
2021年第8期31-36,共6页
在内陆水体水质遥感监测中,无论采用哪种方法,其模型都具有一定的局限性。不同营养状况的水域,水体光学特性的差异会引起模型适用性不同。目前,大多数学者研究范围主要集中在富营养状态水域,对于中/贫营养状态水域研究较少。为建立适合...
在内陆水体水质遥感监测中,无论采用哪种方法,其模型都具有一定的局限性。不同营养状况的水域,水体光学特性的差异会引起模型适用性不同。目前,大多数学者研究范围主要集中在富营养状态水域,对于中/贫营养状态水域研究较少。为建立适合镜泊湖的叶绿素a水质监测遥感模型,结合2015年9月和2018年7月实测光谱数据,对镜泊湖不同叶绿素a浓度反演模型的精度进行了评价。结果显示,在所构建的8种模型中,三波段模型效果最佳,模型决定系数R^(2)值为0.79,均方根误差RMSE(Root Mean Square Error)为0.34μg/L,平均相对误差MAPE(Mean Absolute Percentage Error)为20.6%。在此基础上,通过对比分析不同模型的适用性,得到如下结论:对于叶绿素a浓度跨度较小的镜泊湖水域,半经验半分析模型建模精度优于传统的经验模型;与三波段模型对比,在低叶绿素浓度及低浑浊水体中,增加近红外波段的四波段模型也可能带来一定的不确定性,从而降低反演精度。
展开更多
关键词
镜泊湖
叶绿素a预测
模型
反演模型
模型比较
中贫营养
遥感反演
高光谱
在线阅读
下载PDF
职称材料
基于HJ-1A CCD影像和ELM模型的太湖叶绿素a预测研究
被引量：
2
2
作者
樊广利
曹红业
徐晋
《水资源与水工程学报》
CSCD
2020年第5期16-22,共7页
以典型二类水体——太湖为例,基于环境一号遥感影像,构建了基于ELM模型的叶绿素a浓度预测模型,将预测结果与传统的BP人工神经网络和支持向量机SVM进行了比较。研究结果表明:ELM模型预测值与实测值之间的R^2高达0.911 4,而BP和SVM模型的...
以典型二类水体——太湖为例,基于环境一号遥感影像,构建了基于ELM模型的叶绿素a浓度预测模型,将预测结果与传统的BP人工神经网络和支持向量机SVM进行了比较。研究结果表明:ELM模型预测值与实测值之间的R^2高达0.911 4,而BP和SVM模型的R^2分别为0.366 3和0.744 8,均方根误差RMSE由BP模型和SVM模型的3.728 8μg/L和2.132 4μg/L降为ELM模型的1.327 0μg/L,ELM模型的平均相对误差MRE=2.65%,小于BP模型的6.59%和SVM模型的3.89%;与其他两种方法相比,ELM模型反演太湖水体叶绿素a浓度精度更高,ELM模型参数选择简单,可以显著提高模型的学习速度,不易陷入局部最优值,具有更好的泛化性能;ELM模型可以有效地应用于内陆水体叶绿素a浓度的预测。
展开更多
关键词
叶绿素a预测
HJ-1A
CCD影像
极限学习机(ELM)
内陆湖泊
太湖
在线阅读
下载PDF
职称材料
基于Almon-BP时滞神经网络模型的叶绿素a趋势预测
3
作者
刘振旗
李建
江善虎
《南水北调与水利科技（中英文）》
CAS
CSCD
北大核心
2024年第6期1137-1147,共11页
基于数据驱动的机器学习方法是预测叶绿素a的一种重要的非机理方法,但是现有以神经网络模型为代表的叶绿素a预测方法较少考虑藻类生消对环境因子的时滞效应。以三峡库区叶绿素a质量浓度较高的典型支流香溪河为研究区域,采用相关性分析...
基于数据驱动的机器学习方法是预测叶绿素a的一种重要的非机理方法,但是现有以神经网络模型为代表的叶绿素a预测方法较少考虑藻类生消对环境因子的时滞效应。以三峡库区叶绿素a质量浓度较高的典型支流香溪河为研究区域,采用相关性分析、主成分分析和灰色关联分析3种方法综合确定叶绿素a的主要贡献因子,利用交叉相关分析及Almon分布时滞模型筛选主要贡献因子中的时滞因子,并确定其最优滞后时间,在此基础上构建Almon-BP时滞神经网络模型进行叶绿素a趋势预测。结果表明:香溪河峡口主要时滞因子为气温、风速、太阳辐照、p H、溶解氧,最优滞后时间分别为4、2、3、7、3 d;香溪河平邑口主要时滞因子为水温、气温、风速、降雨量、太阳辐照、浊度、pH、溶解氧、三峡水位差、氧化还原电位、三峡水位,最优滞后时间分别为2、2、2、4、2、10、3、2、6、10、6 d;相比于只考虑叶绿素a主要贡献因子的BP神经网络模型(贡献因子-BP),Almon-BP时滞神经网络模型对香溪河峡口预测结果的均方误差(E_(MS))、均方根误差(E_(RMS))、平均绝对误差(E_(MA))、平均偏差(E_(MB))等误差指标分别降低44.4%、25.6%、31.3%、53.9%,对香溪河平邑口预测结果的E_(MS)、E_(RMS)、E_(MA)、E_(MB)等误差指标分别降低66.7%、42.1%、37.5%、45.8%。研究模型对叶绿素a预测具有较高的准确度,对叶绿素a早期预警具有重要意义。
展开更多
关键词
叶绿素a预测
主要贡献因子
时滞效应
最优滞后时间
Almon-BP模型
在线阅读
下载PDF
职称材料
题名
中贫营养湖泊叶绿素a预测模型探讨
被引量：
3
1
作者
刘宇
朱丹瑶
机构
牡丹江师范学院历史与文化学院
出处
《节水灌溉》
北大核心
2021年第8期31-36,共6页
基金
黑龙江省教育厅基本科研业务费项目(1355MSYQN007)
牡丹江师范学院科研项目(QN2021005)。
文摘
在内陆水体水质遥感监测中,无论采用哪种方法,其模型都具有一定的局限性。不同营养状况的水域,水体光学特性的差异会引起模型适用性不同。目前,大多数学者研究范围主要集中在富营养状态水域,对于中/贫营养状态水域研究较少。为建立适合镜泊湖的叶绿素a水质监测遥感模型,结合2015年9月和2018年7月实测光谱数据,对镜泊湖不同叶绿素a浓度反演模型的精度进行了评价。结果显示,在所构建的8种模型中,三波段模型效果最佳,模型决定系数R^(2)值为0.79,均方根误差RMSE(Root Mean Square Error)为0.34μg/L,平均相对误差MAPE(Mean Absolute Percentage Error)为20.6%。在此基础上,通过对比分析不同模型的适用性,得到如下结论:对于叶绿素a浓度跨度较小的镜泊湖水域,半经验半分析模型建模精度优于传统的经验模型;与三波段模型对比,在低叶绿素浓度及低浑浊水体中,增加近红外波段的四波段模型也可能带来一定的不确定性,从而降低反演精度。
关键词
镜泊湖
叶绿素a预测
模型
反演模型
模型比较
中贫营养
遥感反演
高光谱
Keywords
Jinpo Lake
forecast model of chlorophyll-a
inversion model
model comparison
medium-low nutrition
remote inversion
high spectrum
分类号
S273.3 [农业科学—农业水土工程]
X524 [环境科学与工程—环境工程]
在线阅读
下载PDF
职称材料
题名
基于HJ-1A CCD影像和ELM模型的太湖叶绿素a预测研究
被引量：
2
2
作者
樊广利
曹红业
徐晋
机构
西北大学城市与环境学院
西京学院土木工程学院
长安大学地质工程与测绘学院
出处
《水资源与水工程学报》
CSCD
2020年第5期16-22,共7页
文摘
以典型二类水体——太湖为例,基于环境一号遥感影像,构建了基于ELM模型的叶绿素a浓度预测模型,将预测结果与传统的BP人工神经网络和支持向量机SVM进行了比较。研究结果表明:ELM模型预测值与实测值之间的R^2高达0.911 4,而BP和SVM模型的R^2分别为0.366 3和0.744 8,均方根误差RMSE由BP模型和SVM模型的3.728 8μg/L和2.132 4μg/L降为ELM模型的1.327 0μg/L,ELM模型的平均相对误差MRE=2.65%,小于BP模型的6.59%和SVM模型的3.89%;与其他两种方法相比,ELM模型反演太湖水体叶绿素a浓度精度更高,ELM模型参数选择简单,可以显著提高模型的学习速度,不易陷入局部最优值,具有更好的泛化性能;ELM模型可以有效地应用于内陆水体叶绿素a浓度的预测。
关键词
叶绿素a预测
HJ-1A
CCD影像
极限学习机(ELM)
内陆湖泊
太湖
Keywords
prediction of chlorophyll a
HJ-1A CCD imagery
extreme learning machine(ELM)
inland lake
Taihu Lake
分类号
X832 [环境科学与工程—环境工程]
X87 [环境科学与工程—环境工程]
在线阅读
下载PDF
职称材料
题名
基于Almon-BP时滞神经网络模型的叶绿素a趋势预测
3
作者
刘振旗
李建
江善虎
机构
河海大学水文水资源学院
长江水资源保护科学研究所
出处
《南水北调与水利科技（中英文）》
CAS
CSCD
北大核心
2024年第6期1137-1147,共11页
基金
国家自然科学基金重点项目(U2040210)
湖北省面上基金项目(2022CFB374)。
文摘
基于数据驱动的机器学习方法是预测叶绿素a的一种重要的非机理方法,但是现有以神经网络模型为代表的叶绿素a预测方法较少考虑藻类生消对环境因子的时滞效应。以三峡库区叶绿素a质量浓度较高的典型支流香溪河为研究区域,采用相关性分析、主成分分析和灰色关联分析3种方法综合确定叶绿素a的主要贡献因子,利用交叉相关分析及Almon分布时滞模型筛选主要贡献因子中的时滞因子,并确定其最优滞后时间,在此基础上构建Almon-BP时滞神经网络模型进行叶绿素a趋势预测。结果表明:香溪河峡口主要时滞因子为气温、风速、太阳辐照、p H、溶解氧,最优滞后时间分别为4、2、3、7、3 d;香溪河平邑口主要时滞因子为水温、气温、风速、降雨量、太阳辐照、浊度、pH、溶解氧、三峡水位差、氧化还原电位、三峡水位,最优滞后时间分别为2、2、2、4、2、10、3、2、6、10、6 d;相比于只考虑叶绿素a主要贡献因子的BP神经网络模型(贡献因子-BP),Almon-BP时滞神经网络模型对香溪河峡口预测结果的均方误差(E_(MS))、均方根误差(E_(RMS))、平均绝对误差(E_(MA))、平均偏差(E_(MB))等误差指标分别降低44.4%、25.6%、31.3%、53.9%,对香溪河平邑口预测结果的E_(MS)、E_(RMS)、E_(MA)、E_(MB)等误差指标分别降低66.7%、42.1%、37.5%、45.8%。研究模型对叶绿素a预测具有较高的准确度,对叶绿素a早期预警具有重要意义。
关键词
叶绿素a预测
主要贡献因子
时滞效应
最优滞后时间
Almon-BP模型
Keywords
Chlorophyll-a prediction
main contribution factor
time-lag effect
optimal lag time
Almon-BP model
分类号
TV213.3 [水利工程—水文学及水资源]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
中贫营养湖泊叶绿素a预测模型探讨
刘宇
朱丹瑶
《节水灌溉》
北大核心
2021
3
在线阅读
下载PDF
职称材料
2
基于HJ-1A CCD影像和ELM模型的太湖叶绿素a预测研究
樊广利
曹红业
徐晋
《水资源与水工程学报》
CSCD
2020
2
在线阅读
下载PDF
职称材料
3
基于Almon-BP时滞神经网络模型的叶绿素a趋势预测
刘振旗
李建
江善虎
《南水北调与水利科技（中英文）》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
