基于自学习Pauta和Smooth的地下水位异常值检测和平滑处理方法
使用测绘技术进行地下水位变化监测的技巧
使用测绘技术进行地下水位变化监测的技巧地下水位变化对于水资源管理和环境保护至关重要。
测绘技术在地下水位变化监测中发挥着重要的作用。
本文将介绍使用测绘技术进行地下水位变化监测的技巧。
一、地下水位变化监测的重要性地下水位的变化反映了地下水资源的利用状况和地下水系统的动态变化。
地下水位的过度下降或过度上升都会对生态环境和人类活动产生重要影响。
因此，地下水位变化监测对于合理管理水资源、保护生态环境非常重要。
二、测绘技术在地下水位变化监测中的应用1. GPS测量技术全球定位系统（GPS）是一种通过卫星定位技术测量位置的方法。
在地下水位变化监测中，GPS可以用于测量地下水位点的三维位置坐标。
通过GPS定位系统的测量数据，可以构建地下水位监测网络，实时获取地下水位数据，分析地下水位变化的规律。
2. 遥感技术遥感技术是利用航空或卫星传感器采集地表信息的技术。
通过遥感技术可以获取地表水体的空间分布和变化情况。
在地下水位变化监测中，遥感技术可以用于获取地下水位变化的相关影响因素，如地表覆盖情况、降雨和蒸发等。
3. 激光雷达技术激光雷达技术是一种通过测量激光脉冲传播时间来测量距离的方法。
在地下水位变化监测中，激光雷达可以用于测量地下水位变化点的地表高程，进而推断地下水位变化情况。
激光雷达技术的高精度和快速测量能力，使其在地下水位变化监测中具有重要应用前景。
4. 地电法和电阻率法地电法和电阻率法是通过测量地下电阻率的方法来推断地下介质结构和水文特征的技术。
在地下水位变化监测中，地电法和电阻率法可以用于测量地下水位变化点周围地下水体的电阻率变化情况，从而推断地下水位的变化。
三、使用测绘技术进行地下水位变化监测的技巧1. 合理设计监测网络在使用测绘技术进行地下水位变化监测时，需要合理设计监测网络。
监测点的布设要兼顾地理分布的均匀性和监测成本的可控性。
合理设计的监测网络可以提高地下水位变化监测的精度和效率。
2. 数据处理与分析测绘技术获取的地下水位变化数据需要进行数据处理和分析。
地下水监测自然衰减法的原理和流程
地下水监测自然衰减法的原理和流程下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。
文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢！本店铺为大家提供各种类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，想了解不同资料格式和写法，敬请关注！Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!地下水监测自然衰减法是一种常用于评估地下水中污染物浓度减少情况的方法。
测绘技术中的地下水位监测与分析方法解析
测绘技术中的地下水位监测与分析方法解析地下水是地球上最重要的自然资源之一，在人类社会的发展中扮演着至关重要的角色。
准确地监测和分析地下水位的变化对于水资源管理、环境保护以及灌溉农业等方面都具有重要意义。
为了实现有效的地下水位监测和分析，测绘技术被广泛应用于这一领域。
本文将介绍地下水位监测的重要性以及测绘技术在地下水位监测和分析中的应用。
地下水位的监测对于水文学研究和水资源管理都具有重要的意义。
地下水位的变化可以反映自然水文循环的动态变化，进而指导水资源的合理开发和利用。
此外，地下水位的变化还直接关系到土壤的湿度、植物的生长以及地下水与地表水之间的相互作用，对于生态环境保护和灌溉农业都具有重要影响。
因此，准确地监测和分析地下水位的变化是非常必要的。
测绘技术在地下水位监测和分析中起到了重要的作用。
传统的地下水位监测方法主要依赖于水文站和手动观测井，但这些方法有着很多局限性，如监测范围有限、人力成本高等。
测绘技术的应用可以克服这些限制，提供更全面和准确的地下水位数据。
一种常用的地下水位监测和分析方法是利用卫星测绘技术。
卫星遥感技术可以获取到大范围的地下水位数据，而不受地理位置限制。
通过卫星监测，可以实时获取到不同地区的地下水位信息，并绘制地下水位的分布图。
这种方法不仅具有高精度和高时空分辨率的特点，还能够实现地下水位的长期变化监测和分析。
同时，利用卫星测绘技术还可以获取地表水位和土壤湿度等相关数据，从而更全面地分析地下水位的变化规律。
除了卫星测绘技术，激光雷达技术也被广泛应用于地下水位的测量。
激光雷达技术可以通过向地表发射激光束，然后通过测量激光束被地表反射回来的时间来计算地下水位。
这种方法具有高精度、非接触式的特点，可以在较大范围内快速获取地下水位的数据。
同时，激光雷达技术还可以实现地下水位的三维测量，进一步提高监测的准确性。
除了测量地下水位，测绘技术还可以用于地下水位的分析。
地下水位数据的分析可以通过统计学方法、地理信息系统 (GIS) 等工具来实现。
基于遥感数据的地下水位时空分布与变化分析
基于遥感数据的地下水位时空分布与变化分析地下水是地球上重要的淡水资源之一，对于人类的生活和工业生产有着不可替代的作用。
然而，地下水资源的开发利用过度和环境变化等因素导致地下水位的下降成为一个全球性的问题。
因此，对地下水位时空分布与变化进行监测和分析显得尤为重要。
基于遥感技术的地下水位监测可以提供大范围、连续、及时的地下水位信息，为地下水资源管理和保护提供科学依据。
地下水位时空分布与变化的研究，不仅可以揭示地下水资源的分布情况和演变规律，还可以为地下水资源的合理开发利用和管理提供支持。
因此，利用遥感数据进行地下水位时空分布与变化分析已经成为地下水资源研究的重要手段之一。
地下水位受多种因素影响，如气候变化、地下水补给量、地下水开采量等，这些因素的变化会直接影响地下水位的时空分布与变化。
通过遥感技术获取的地下水位数据，可以通过时空分布图、趋势分析等方式来揭示不同地区地下水位的变化趋势，为地下水资源的合理管理提供数据支持。
在地下水位时空分布与变化分析中，遥感数据的应用可以极大地提高研究的效率和准确性。
为了更好地研究地下水位的时空分布与变化，研究者需要结合遥感技术和地下水文观测资料，对地下水位变化进行系统分析。
首先，利用遥感数据获取地下水位的时空分布信息，可以通过卫星遥感技术获取地下水位的遥感影像，结合地下水位观测数据进行验证校正，进而建立地下水位时空变化模型。
其次，通过遥感技术获取地下水位的趋势分析和预测，可以有效地揭示地下水位的发展趋势和未来变化情况。
最后，结合遥感数据和地下水文观测资料，可以对地下水位的空间分布进行综合分析，揭示地下水位受影响的主要因素和空间分布规律。
在地下水位时空分布与变化分析的研究中，需要充分利用遥感技术的优势和特点，结合地下水文观测资料，建立多源数据融合的分析方法，以全面、准确地揭示地下水位的时空分布和变化规律。
同时，需要借助地统计学和地理信息系统等分析工具，对地下水位数据进行处理和分析，获取准确、可靠的研究结果。
基于人工智能的地下水预测模型研究
基于人工智能的地下水预测模型研究地下水资源是人类生活和工业生产中不可或缺的重要水源之一。
然而，受到气候变化、人类活动以及其他因素的影响，地下水资源的可持续利用面临诸多挑战。
因此，开展具有重要意义。
地下水预测模型是通过对地下水位、水质等数据进行分析和建模，以预测未来地下水资源的状态和趋势。
而传统的地下水预测模型需要大量的人力和时间来进行数据处理和分析，且存在着精度不高、效率低等问题。
基于人工智能的地下水预测模型则能够通过机器学习算法对大量的数据进行快速处理和分析，提高预测的精度和准确性。
人工智能技术在地下水预测模型中的应用主要包括神经网络算法、决策树算法、支持向量机算法等。
这些算法能够对地下水位、水质、水文地质等数据进行深层次的分析和学习，从而建立起准确的地下水预测模型。
以神经网络算法为例，通过构建多层的神经网络结构，对地下水数据进行训练和学习，能够实现对未来地下水资源状态的精准预测。
在基于人工智能的地下水预测模型研究中，数据的采集和处理是至关重要的一环。
通过传感器等设备对地下水位、水质等数据进行实时监测和采集，建立起完整、准确的数据集，为地下水预测模型的建立提供可靠的数据基础。
同时，对数据进行清洗和处理，去除异常值和噪声数据，提高数据的准确性和可靠性。
除了数据的采集和处理，模型的建立和优化也是基于人工智能的地下水预测模型研究中的关键步骤。
在建立地下水预测模型时，需选择合适的算法和模型结构，通过对数据进行训练和学习，不断优化模型的参数和权重，提高模型的预测精度和准确性。
在模型优化过程中，还需要不断验证模型的稳定性和可靠性，确保模型的预测结果符合实际情况。
基于人工智能的地下水预测模型研究不仅可以提高地下水预测的精度和准确性，还能够为地下水资源的管理和利用提供重要参考依据。
通过建立起完善的地下水预测系统，能够实现对地下水资源的实时监测和预警，及时采取措施保护和利用地下水资源，促进地下水资源的可持续利用和保护。
基于遥感数据的地下水位时空分布与变化分析
基于遥感数据的地下水位时空分布与变化分析遥感技术是一种非接触、快速、广覆盖的数据采集方法，可以获取大范围地表水文信息。
地下水资源是人类生产和生活的重要水源，对地下水位的时空分布与变化进行分析和评估对于地下水资源管理和利用具有重要的意义。
本文将基于遥感数据，进行地下水位的时空分布与变化分析，以期为地下水资源合理开发和保护提供科学依据。
一、引言地下水是地表水的重要补给源，对农业生产、工业用水和居民生活都具有重要意义。
然而，随着人口的不断增加和经济的持续发展，地下水资源的开发和利用也一直在加大。
因此，掌握地下水位的时空分布与变化对于地下水资源的管理和保护具有重要的意义。
二、地下水位的遥感获取方法地下水位的时空分布与变化是地下水资源管理的重要内容。
传统的地下水位观测方法主要包括地下水位井观测和人工钻孔观察等，这些方法成本高、效率低、无法实时获取等问题制约了地下水位的精确测量。
遥感技术受到广泛关注，其可以在一定程度上弥补传统地下水位观测方法的不足。
1. 高光谱遥感技术高光谱遥感技术具有高空间分辨率和高波谱分辨率等特点，可以获取地下水位的时空分布。
通过高光谱遥感仪器采集地表光谱数据，可以分析水体表面的反射光谱特征，进而计算出地下水位的变化。
2. 雷达遥感技术雷达遥感技术可以通过测量雷达波的传播时间来获取地下水位信息。
这种方法无视天气和夜晚时间的影响，可以连续观测地下水位的变化。
3. 热红外遥感技术热红外遥感技术利用地表与地下水位之间的热交换来获取地下水位信息。
该技术具有高灵敏度和高时间分辨率的特点，可以有效地提取地下水位的信息。
三、地下水位的时空分布与变化分析方法地下水位的时空分布与变化分析是基于遥感数据的关键环节。
为了准确获取地下水位的信息，需要运用一系列的分析方法。
1. 地表温度异常法通过分析地表温度异常与地下水位的关系，可以推测地下水位的时空分布。
地下水位较高的地区，地表温度一般较低，反之，地下水位较低的地区，地表温度较高。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
西安工程大学学报JournalofXi'anPolytechnicUniversity
第32卷第5期(总153期)2018年10月Vol.32,No.5(Sum.No.153)
文章编号:1674-649X(2018)05-0604-05DOI:10.13338/j.issn.1674-649x.2018.05.018
收稿日期:2018-06-20 基金项目:陕西省教育厅科学研究项目(17JK0346);西安工程大学博士科研启动基金(BS1506)
通信作者:李丽敏(1985—),女,西安工程大学讲师,博士,研究方向为地质灾害监测预报.E-mail:liliminxiaomi@126.com
引文格式:李丽敏,温宗周,王真,等.基于自学习Pauta和Smooth的地下水位异常值检测和平滑处理方法[J].西安工
程大学学报,2018,32(5):604-608.
LILimin,WENZongzhou,WANGZhen,etal.Groundwateroutlierdetectionandsmoothingmethodbasedonself-learningPautaandSmoothalgorithms[J].JournalofXi'anPolytechnicUniversity,2018,32(5):604-608.
基于自学习Pauta和Smooth的地下水位异常值检测和平滑处理方法
李丽敏,温宗周,王 真,董勋凯(西安工程大学电子信息学院,陕西西安710048)
摘要:地下水监测主要通过自动化监测设备对地下水位进行监测,从而获得随时间变化的水位曲线.目前的自动化监测设备采集的水位数据中存在很多异常值,会影响正常的决策判断.针对此问题,提出将自学习算法融入到奇异值剔除—拉依达准则中,用于异常值的检测,将其应用于地下水位数据的平滑处理中,通过对内蒙古某地采集的水位数据进行平滑处理验证,表明本文方法能够有效剔除水位数据中的异常值,而且不会影响曲线的整体趋势走向,效果良好.
关键词:地下水位监测;自学习;改进Pauta准则;平滑处理
中图分类号:TP386.2 文献标志码:A
Groundwateroutlierdetectionandsmoothingmethodbasedonself-learningPautaandSmoothalgorithmsLILimin,WENZongzhou,WANGZhen,DONGXunkai(SchoolofElectronicsandInformation,Xi'anPolytechnicUniversity,Xi'an710048,China)
Abstract:Groundwatermonitoringmonitorsgroundwaterlevelsprimarilythroughautomated
monitoringequipmenttoobtaintime-varyingwaterlevelcurves.Therearemanyabnormalval-uesinthewaterleveldatacollectedbythecurrentautomaticmonitoringequipment,whichaf-fectsthenormaldecision-making.Aimingatthisproblem,itisproposedtointegratetheself-learningalgorithmintothesingularvaluecullingcriterion—Layidacriterionforthedetectionofoutliers,andapplyittothesmoothingofgroundwaterleveldatathroughthewaterleveldatacollectedinacertainareaofInnerMongolia.Thesmoothingprocessverificationshowsthatthemethodcaneffectivelyeliminatetheoutliersinthewaterleveldata,anddoesnotaffecttheo-veralltrendofthecurve,andtheeffectisgood.Keywords:groundwaterlevermonitoring;self-learning;improvedPautacriterion;smooth
processing
0 引 言
近年来,地下水超采导致水位持续下降,且恢复缓慢,所以精确有效的智能水位监测不仅可以提高传统人工水位监测的准确性,还可以有序地保存历史数据,以便分析水位变化规律和未来趋势[1-3].
目前有诸多水位监测设备可用,其中比较常用的有压力式和浮球式,但一般都存在各自的问题,即在数据采集过程中,因各种因素导致采集的数据集中含有大量的异常值和冗余值,其中为异常值与正常数据相比偏大或偏小,与实际情况不符,异常原因可以归结为随机扰动和采集装置受环境影响较大[4].
北方工业大学的游加基于普通监测井监测出现的数据冗余问题,提出一种有效去除冗余数据的算法,该算法综合了有效带宽法、算术平均法、时间序列分析法、权重分配等方法的优点[5];周川辰等从水位监测
装置本身出发,开展地下水位监测仪器质量检测技术研究与应用,对地下水位监测仪器进行实验室检测和模拟野外比测的测试与分析,达到掌握国内外地下水位监测仪器产品的水位测量准确度、稳定性、环境适应性、固态存储、数据传输和其他性能指标,以及野外实际应用条件下稳定性、可靠性的目的[6];潘博等针
对目前地下水位监测方法中利用普通监测井监测带来的数据冗余问题,提出了一种新的水位监测算法.该算法综合了有效带宽法、算术平均法、时间序列分析法、权重分配等方法的优点,采用有效带宽法和算术平均法获得有效水位点和计算基准点,运用时间序列分析法建立了小时间段数据预测模型,并在此基础上修正预测模型,使用权重分配法获得了近似水位点[7].
综上,目前研究人员和设计人员使用的方法多为利用一段时间累积的数据的平均值来描述异常值,这些方法在一定程度上可以剔除异常值或冗余值,平滑水位曲线,但鲁棒性不高,原因在于一段时间内的数据与其他数据之间的差距较大.除此之外,上述算法都比较复杂,会增加时间复杂性,不利于实时平滑处理.因此,本文提出基于自学Pauta准则的异常值检测方法,同时采用平滑处理[8-16]方法对异常值进行校正.
1 自学习Pauta准则和平滑处理原理
为了能够将地下水位数据中的异常值进行处理,首先需要对所有数据进行奇异值检测,符合剔除条件的进行平滑处理,不符合的保留原值.
1.1 自学习Pauta准则
Pauta准则是为了检验样本数据的异常值而被提出的,用于判断粗差的Pauta准则,以标准值的
99.7%的置信概率给出,以列极限的标准偏差的三倍为基础,任何超过该基础的误差,判断其不属于随机
误差的范畴,并认为其属于严重错误的范畴,在这种情况下,产生该误差对应的采样值是不可取的,应该将其从测量数据中删除.假设一段时间内的样本数据集Xi,利用Pauta准则检测异常值的过程如下:(1)计算样本Xi(i=1,2,3,…,n)的均值X,其中
n为样本个数;
(2)基于Xi和X计算标准差σ,即σ=∑ni=1(Xi-X)/(n-1);(3)当需要对Xi+1,Xi+2,…进行奇异值检测时,通过
|Xi+1-X|>3σ判断,若该式成立,则说明
Xi+1
为奇异值,需要纠正,相反,需要保留该值;
(4)如果i.
为了将Pauta准则应用于地下水水位异常值的检测中,首先需要计算样本的均值,基于样本和均值计算标准差σ,当需要进行异常值检测时,通过|Xi+1-X|的计算结果判断其是否大于3σ,如果符合,则说
明当前值为异常值,需要进行下一步处理.根据温度和季节等因素,地下水的幅度会随时间而改变,因此,如果仅仅使用一段时间内收集到的数据来确定所有收集到的数据是否为异常值都不太准确,那么可以在Pauta准则的基础上增加自学习算法[17].图1为基于Pauta准则和自学习的异常值检测过程.
如图1所示,Train变量指向需进行均值和标准差计算的样本,在其之前的所有样本被用于计算均值
506第5期 李丽敏,等:基于自学习Pauta和Smooth的地下水位异常值检测和平滑处理方法图1 自学习Pauta准则奇异值检测过程Fig.1Self-learningPautacriterionvalue
detectionprocess
和标准差,Test指向需被检测的样本,每检测到一个样本点,Train和Test整体向后移动1次,使得拉依达准则具有自学
习功能,时刻将最新情况计算入均值和标准差,使检测结果更准确.具体算法过程如下:(1)计算样本Xi(i=1,2,3,…,n)的均值X,其中
n为
样本个数;(2)基于Xi和X计算标准差σ,即
σ=
∑ni=1
(Xi-X)/(n-1);
(3)当需要对Xi+1,Xi+2,…进行奇异值检测时,通过
|
Xi+1-X|>3σ判断,若该式成立,则说明Xi+1
为奇异值,需
要纠正,相反,需要保留该值;(4)令Xi=Xi+1,如果i否则结束该过程
.
在一般Pauta算法的基础上,增加了自学习环节,相当于每次对一个数据检测完之后,训练数据自动向后移动一位,提高了算法的可靠性.1.2 平滑处理算法
当采用自学习Pauta准则算法检测出异常值时,通过平滑处理算法对其进行校正.假设xi(i=1
,2,…,
n1)是集合X中的元素,当xi+1
被检测为奇异值时,用式(1)进行平滑处理
.
表1 Smooth函数的调用方法Table1 CallingmethodofSmoothfunction
序号调用格式备注1Z=Smooth(Y,SPAN)指定窗宽值法
2Z=Smooth(Y)5点滑移平均法
3Z=Smooth(Y,SPAN,METHOD)指定平滑方法
注:Z为平滑处理后的测试数据;Y为测试样本;SPAN为
窗宽值;METHOD为平滑方法
xi+1
=
xi-5+xi-3+xi-1+xi+2
4.
(1)
当xi+1被检测为正常值时,用式(2)来表示
.
xi+1=xi+1
.(2)
式(1)采用四点平滑方法处理异常值,为了
方便改变平滑曲线的点数,也可以通过MAT-LAB函数库中的Smooth函数来实现[18]
,利用
该函数可以方便的实现点数的设置,从而同时调试该函数实现不同的平滑效果.如表1所示为Smooth函数的调用方法.
图2 内蒙古某地采集的地下水位数据Fig.2Groundwaterleveldatainacertain