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
2
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
基于机器学习模型的沿海城市河网水系氨氮质量浓度高分辨率遥感估算
被引量：
1
1
作者
文妮
王重洋
+3 位作者
陈星达
陈水森
周霞
于国荣
《生态环境学报》
CSCD
北大核心
2024年第11期1737-1747,共11页
高效监测河网水系氨氮(NH3-N)的时空分布对区域水体污染防控治理和生态环境健康发展具有重要意义。基于2019年在广州市收集的204个NH3-N实测数据(0.026-6.210mg·L^(-1))和8景高质量Sentinel-2MSI遥感影像,发展了适用于大范围水域、...
高效监测河网水系氨氮(NH3-N)的时空分布对区域水体污染防控治理和生态环境健康发展具有重要意义。基于2019年在广州市收集的204个NH3-N实测数据(0.026-6.210mg·L^(-1))和8景高质量Sentinel-2MSI遥感影像,发展了适用于大范围水域、NH3-N质量浓度差异显著的机器学习遥感反演模型。结果显示,已有的NH3-N反演模型应用于广州市水体时精度受限,但多特征输入的模型预测能力相对较好。在检索16000多种Sentinel-2波段组合的基础上,利用主成分分析方法进行了特征降维(BC-FDR),并结合极端梯度提升(XGBoost)、随机森林(RF)、支持向量回归(SVR)3种机器学习模型,构建了波段特征优化的机器学习NH3-N反演方法。其中BC-FDR_XGBoost模型表现最佳(rc2=0.6872,σRMSEc=0.617mg·L^(-1),σMAEc=0.385mg·L^(-1),n=102;rv2=0.5436,σRMSEv=0.438mg·L^(-1),σMAEv=0.362mg·L^(-1),n=44)。另外基于58个实测数据进行了独立验证(n=33)和趋势检验(n=25),结果进一步表明,BC-FDR_XGBoost模型的精度较高(r2=0.5315,σRMSE=0.459mg·L^(-1),σMAE=0.287mg·L^(-1)),卫星遥感反演结果与实测数据在时空分布和变化趋势上具有良好的一致性。2019年,广州市河网水系NH3-N质量浓度平均为Ⅲ类水质等级,枯水期(0.795mg·L^(-1))显著高于丰水期(0.552mg·L^(-1))。空间上,丰水期NH3-N质量浓度整体呈南北部低、中部相对较高的特点;枯水期仅南沙区及部分干流NH3-N相对较低。该研究为建立城市尺度大区域范围水体NH3-N遥感反演模型提供了参考,有助于区域水环境的评价和治理。
展开更多
关键词
氨氮模型
河网水系
特征优化
机器学习
Sentinel-2影像
广州
在线阅读
下载PDF
职称材料
基于WASP模型的东辽河水环境容量计算
被引量：
8
2
作者
姜雪
卢文喜
+1 位作者
黄鹤
张蕾
《节水灌溉》
北大核心
2012年第6期56-59,63,共5页
根据全面了解的东辽河流域水文资料、水质资料、污染源以及污染物的调查资料,应用WASP水质模型,建立东辽河水质模拟模型,定量描述了排入河流中污染物的数量与河水水质之间的关系。根据东辽河水质污染现状和河段的功能区划,选用氨氮作为...
根据全面了解的东辽河流域水文资料、水质资料、污染源以及污染物的调查资料,应用WASP水质模型,建立东辽河水质模拟模型,定量描述了排入河流中污染物的数量与河水水质之间的关系。根据东辽河水质污染现状和河段的功能区划,选用氨氮作为控制指标,利用建立的水质模型模拟计算了不同频率年(25%、50%、75%)情况下东辽河的水环境容量。结果表明:氨氮在25%、50%、75%保证率下的水环境容量分别为1 754.752、720.334、155.685t/a,并且下游水环境容量明显大于上游。结合东辽河流域的现状排污量,得出东辽河流域污染严重,应采取相应措施减排以改善水质。
展开更多
关键词
水质
模型
WASP
氨
氮
水环境容量
在线阅读
下载PDF
职称材料
题名
基于机器学习模型的沿海城市河网水系氨氮质量浓度高分辨率遥感估算
被引量：
1
1
作者
文妮
王重洋
陈星达
陈水森
周霞
于国荣
机构
昆明理工大学电力工程学院
广东省科学院珠海产业技术研究院有限公司
广东省科学院广州地理研究所
出处
《生态环境学报》
CSCD
北大核心
2024年第11期1737-1747,共11页
基金
国家自然科学基金项目(41801364)
珠海市社会发展领域科技计划项目(2320004000154)
+3 种基金
广州市科技计划项目(2023A04J1536)
广东省科学院打造综合产业技术创新中心行动资金项目(2023GDASZH-2023010101)
广东省科学院实施创新驱动发展能力建设专项(2018GDASCX-0403)
广东省水利厅水资源节约与保护专项资金项目(2024)。
文摘
高效监测河网水系氨氮(NH3-N)的时空分布对区域水体污染防控治理和生态环境健康发展具有重要意义。基于2019年在广州市收集的204个NH3-N实测数据(0.026-6.210mg·L^(-1))和8景高质量Sentinel-2MSI遥感影像,发展了适用于大范围水域、NH3-N质量浓度差异显著的机器学习遥感反演模型。结果显示,已有的NH3-N反演模型应用于广州市水体时精度受限,但多特征输入的模型预测能力相对较好。在检索16000多种Sentinel-2波段组合的基础上,利用主成分分析方法进行了特征降维(BC-FDR),并结合极端梯度提升(XGBoost)、随机森林(RF)、支持向量回归(SVR)3种机器学习模型,构建了波段特征优化的机器学习NH3-N反演方法。其中BC-FDR_XGBoost模型表现最佳(rc2=0.6872,σRMSEc=0.617mg·L^(-1),σMAEc=0.385mg·L^(-1),n=102;rv2=0.5436,σRMSEv=0.438mg·L^(-1),σMAEv=0.362mg·L^(-1),n=44)。另外基于58个实测数据进行了独立验证(n=33)和趋势检验(n=25),结果进一步表明,BC-FDR_XGBoost模型的精度较高(r2=0.5315,σRMSE=0.459mg·L^(-1),σMAE=0.287mg·L^(-1)),卫星遥感反演结果与实测数据在时空分布和变化趋势上具有良好的一致性。2019年,广州市河网水系NH3-N质量浓度平均为Ⅲ类水质等级,枯水期(0.795mg·L^(-1))显著高于丰水期(0.552mg·L^(-1))。空间上,丰水期NH3-N质量浓度整体呈南北部低、中部相对较高的特点;枯水期仅南沙区及部分干流NH3-N相对较低。该研究为建立城市尺度大区域范围水体NH3-N遥感反演模型提供了参考,有助于区域水环境的评价和治理。
关键词
氨氮模型
河网水系
特征优化
机器学习
Sentinel-2影像
广州
Keywords
ammonia nitrogen model
river networks
feature optimization
machine learning
Sentinel-2 imagery
Guangzhou
分类号
X522 [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WASP模型的东辽河水环境容量计算
被引量：
8
2
作者
姜雪
卢文喜
黄鹤
张蕾
机构
吉林大学环境与资源学院
出处
《节水灌溉》
北大核心
2012年第6期56-59,63,共5页
基金
中国地调局项目(1212011140027)
文摘
根据全面了解的东辽河流域水文资料、水质资料、污染源以及污染物的调查资料,应用WASP水质模型,建立东辽河水质模拟模型,定量描述了排入河流中污染物的数量与河水水质之间的关系。根据东辽河水质污染现状和河段的功能区划,选用氨氮作为控制指标,利用建立的水质模型模拟计算了不同频率年(25%、50%、75%)情况下东辽河的水环境容量。结果表明:氨氮在25%、50%、75%保证率下的水环境容量分别为1 754.752、720.334、155.685t/a,并且下游水环境容量明显大于上游。结合东辽河流域的现状排污量,得出东辽河流域污染严重,应采取相应措施减排以改善水质。
关键词
水质
模型
WASP
氨
氮
水环境容量
Keywords
water quality model
WASP
ammonia nitrogen
water environment capacity
分类号
X522 [环境科学与工程—环境工程]
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
基于机器学习模型的沿海城市河网水系氨氮质量浓度高分辨率遥感估算
文妮
王重洋
陈星达
陈水森
周霞
于国荣
《生态环境学报》
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
2
基于WASP模型的东辽河水环境容量计算
姜雪
卢文喜
黄鹤
张蕾
《节水灌溉》
北大核心
2012
8
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
