周博天
- 作品数：12 被引量：18H指数：2
- 供职机构：中国科学院重庆绿色智能技术研究院更多>>
- 发文基金：国家自然科学基金国家科技重大专项更多>>
- 相关领域：环境科学与工程生物学水利工程自动化与计算机技术更多>>
- 丙酮气敏半导体传感器
- 本发明提供了一种丙酮气敏半导体传感器，包括：底座；支撑层，下表面与底座连接；金属层，设置在支撑层的上表面，金属层包括电隔离的加热电阻和电极；绝缘层，下表面与加热电阻连接；敏感层，设置在绝缘层上，且与电极电连接；应力调节层...
- 傅剑宇吴迪周博天袁野严胡勇
- 文献传递
- 丙酮气敏传感器及其制备方法
- 本发明提供了一种丙酮气敏传感器，包括：底座，底座包括镂空结构；支撑层，一侧与底座的正面复合，且支撑层悬空地架设在镂空结构上；加热电阻，设置在支撑层的另一侧；绝缘层，复合在加热电阻及支撑层的另一侧；两个电极，间隔地设置在绝...
- 傅剑宇吴迪周博天袁野严胡勇
- 文献传递
- 丙酮气敏传感器及其制备方法
- 本发明提供了一种丙酮气敏传感器，包括：底座，底座包括镂空结构；支撑层，一侧与底座的正面复合，且支撑层悬空地架设在镂空结构上；加热电阻，设置在支撑层的另一侧；绝缘层，复合在加热电阻及支撑层的另一侧；两个电极，间隔地设置在绝...
- 傅剑宇吴迪周博天袁野严胡勇
- 文献传递
- 湖泊营养状态遥感评价及其表征参数反演算法研究进展被引量：7
- 2022年
- 湖泊富营养化由于其可导致藻类水华暴发,引发生态系统灾变和饮用水风险,是中国乃至全球湖泊面临的主要生态环境问题。湖泊营养状态精准、实时、大范围的同步监测是准确掌握湖泊水环境变化特征,开展富营养化成因分析、评价评估、治理修复和管理考核的重要基石。相比地面调查的传统手段,遥感具有快速、大范围、周期性等优点,已经广泛应用于叶绿素、透明度和营养状态等多种湖泊水环境参数监测。通过深入分析近年来大量相关文献,本文系统总结了现有湖泊营养状态遥感估算和评价方法,介绍了表征湖泊营养状态关键参数反演算法的研究进展,最后从遥感大数据视角对湖泊富营养化研究的发展提出了建议与展望。
- 周博天张雅燕施坤
- 关键词：湖泊富营养化
- 一种水华期藻类群落结构高光谱识别方法
- 本发明为一种水华期藻类群落结构高光谱识别方法，属于生态环境监测领域。首先采用高清相片初步判定水华现象，然后利用蓝藻、绿藻、硅藻种群在水面反射光谱敏感波长的光谱特征差异，构建表征藻类群落与种群诊断光合色素的光谱参量，并应用...
- 周博天尚明生闪锟马健荣封雷
- 文献传递
- 一种遥感无人机及其使用方法
- 本发明属于无人机技术领域，具体涉及一种遥感无人机及其使用方法，通过支撑机构的设置，能够在野外进行遥感测绘时，机体降落时提供良好的减震支撑和保护，提高机体的降落稳定性；配合粘胶的使用能够在机体降落到地面时，进一步的提高与地...
- 封雷封丽廖伟伶胡戎豪周博天
- 一种主动聚集蓝藻水华与漂浮垃圾的方法
- 本发明属于水体治理技术领域，具体公开了一种主动聚集蓝藻水华与漂浮垃圾的方法，在未爆发水华或水华爆发不严重的水域中设置围隔，通过静态收集法和动态收集法聚集蓝藻与垃圾，所述静态收集法为：将围隔固定于水域中，蓝藻和垃圾在风浪的...
- 马健荣马骁李哲曾海鳌周博天闪锟曾思栋黄远洋封雷
- 文献传递
- 一种水华期藻类群落结构高光谱识别方法
- 本发明为一种水华期藻类群落结构高光谱识别方法，属于生态环境监测领域。首先采用高清相片初步判定水华现象，然后利用蓝藻、绿藻、硅藻种群在水面反射光谱敏感波长的光谱特征差异，构建表征藻类群落与种群诊断光合色素的光谱参量，并应用...
- 周博天尚明生闪锟马健荣封雷
- 一种用于主动聚集蓝藻水华与漂浮垃圾的装置
- 本实用新型属于水体治理设备技术领域，具体公开了一种用于主动聚集蓝藻水华与漂浮垃圾的装置，所述装置为围隔，围隔包括隔离体、重物和水底固定件，隔离体能漂浮于水面，所述隔离体为U型或O型，重物位于隔离体底部，用于调节围隔的平衡...
- 马健荣马骁李哲曾海鳌封雷曾思栋周博天闪锟黄远洋
- 文献传递
- 基于LSTM网络的在线藻类时序数据预测研究:以三峡水库为例被引量：11
- 2021年
- 三峡水库在不同水位调控期支流回水区末端水深变化幅度较大,加之复杂水动力变化产生的生境异质性,塑造出有别于浅水湖泊的水华暴发特征.本研究基于库区4条支流——香溪河、澎溪河、大宁河及草堂河部署的自动监测数据,利用小波变换(WT)和长短期记忆网络(LSTM)构建藻类时序变化预测模型,并探讨神经网络层数、每层隐藏神经元数、时间步长数等关键参数的最优组合.结果表明:WT-LSTM模型可有效预测在线获取的叶绿素a浓度变化,模型在4条支流的均方根误差(RMSE)为0.049-0.221μg/L,平均相对误差(MRE)为0.43%-1.12%;预测结果揭示深度神经网络方法可有效地提取在线藻类时序数据特征,而相较于深度置信网络(DBN),LSTM在4条支流叶绿素a预测的平均RMSE和MRE分别降低了9.20%和3.06%;在线监测数据的小波降噪并未影响叶绿素a的变化趋势,且WT-LSTM模型对叶绿素a预测效果显著提升于WT-DBN,平均RMSE和MRE分别降低了51.72%和59.24%;通过设置不同时间步长的预测实验,证实24 h内模型精度会随着预测步长的增加而降低,但模型平均相对误差可保持在13%以内,且对区间内叶绿素a极大值的预测精度要优于其平均值.本研究为水华预测上耦合在线监测与深度学习提供了研究范例,通过4个站点数据的交叉验证实验,亦证实具有统计学关联性的不同空间数据合并后可延展时序模型的学习样本,增强模型在实际应用中的稳健性.
- 欧阳添闪锟周博天黄昱吴忠兴尚明生
- 关键词：在线监测小波变换浮游植物三峡水库
