孙步阳中国电建集团河南电力勘测设计院(6篇)

篇一：孙步阳中国电建集团河南电力勘测设计院

　　自贡市水利电力建筑勘测设计院

　　佚

　　名

　　【期刊名称】《建筑》

　　【年(卷),期】2006(000)03S

　　【摘

　　要】四川省自贡市水利电力建筑勘测设计院成立于1974年，是一家专业从事水利工程设计、送变电工程设计、工程地质勘察、工程测量、工程物探、工程监理、【总页数】1页(P85)

　　【正文语种】中

　　文

　　【中图分类】F426.【相关文献】

　　1.基于水利勘测设计企业私有云的应用设计——以东莞市水利勘测设计院云平台为例2.山东水利勘察设计行业BIM应用现状调查——以山东省水利勘测设计院BIM应用为例3.海南省水利电力建筑勘测设计院4.湖北省水利水电规划勘测设计院水利水电工程集锦5.余姚市水利电力建筑勘测设计院

　　因版权原因，仅展示原文概要，查看原文内容请购买

篇二：孙步阳中国电建集团河南电力勘测设计院

篇三：孙步阳中国电建集团河南电力勘测设计院

篇四：孙步阳中国电建集团河南电力勘测设计院

篇五：孙步阳中国电建集团河南电力勘测设计院

　　第61卷第10期2022年5月湖北农业科学湖Hubei北Agricultural农业Sciences科学Vol.61No.102022年May.，2022孙步阳，吕献林，张俊鹏.基于高光谱遥感的湖泊水质富营养化状态评价［J］.湖北农业科学，2022，61（10）：152-155．基于高光谱遥感的湖泊水质富营养化状态评价孙步阳，吕献林，张俊鹏（中国电建集团河南省电力勘测设计院有限公司，郑州450007）摘要：为提高湖泊水质富营养化状态评价的精度，提出了一种融合高光谱遥感和萤火虫算法（FA）改进极限学习机（Extremelearningmachine，ELM）的湖泊水质富营养化状态评价方法。针对ELM模型性能受其初始输入权值和隐含层偏置参数选择的影响，将萤火虫算法应用于ELM模型参数寻优。结果表明，与PSO-ELM、GA-ELM、DE-ELM和ELM相比，FA-ELM可以有效提高水质富营养化评价的准确率，为湖泊水质富营养化状态评价提供了新的方法。关键词：水质；高光谱；富营养化；极限学习机；萤火虫算法（FA）中图分类号：K903文献标识码：A开放科学（资源服务）标识码（OSID）：文章编号：0439-8114（2022）10-0152-04DOI:10.14088/j.cnki.issn0439-8114.2022.10.027EvaluationoflakewaterqualityeutrophicationbasedonhyperspectralremotesensingSUNBu-yang，LYUXian-lin，ZHANGJun-peng（POWERCHINAHenanElectricPowerSurvey&DesignInstituteCorporationLimited，Zhengzhou450007，China）Abstract：Inordertoimprovetheevaluationaccuracyoftheeutrophicationstateoflakewaterquality，anewevaluationmethodfortheeutrophicationstateoflakewaterqualitywasproposed，whichcombinedhyperspectralremotesensingandfireflyalgorithm（FA）andimprovedextremelearningmachine（ELM）.BecausetheperformanceofELMmodelwasaffectedbyitsinitialinputweightandhiddenlayerbiasparameterselection，fireflyalgorithmwasappliedtoELMmodelparameteroptimization.Theresultsshowedthatcationevaluation，providinganewmethodforwaterqualityeutrophicationevaluationoflakes.comparedwithPSO-ELM，GA-ELM，DE-ELMandELM，FA-ELMcouldeffectivelyimprovetheaccuracyofwaterqualityeutrophi?Keywords：waterquality；hyperspectral；eutrophication；extremelearningmachine；fireflyalgorithm（FA）湖泊富营养化是湖泊发展的自然过程，随着经济的快速发展和城市化的加剧以及工农业废弃物的排放等使湖泊水体逐步由贫营养状态向富营养状态变化的现象［1］。传统的富营养化状态评价主要包括样点水样采集、水质参数指标分析和富营养化状态评价。传统的湖泊水体富营养化评价方法只能评价样点处的富营养化状态，无法进行大面积水域的富3］营养化状态评价［2，。此，运用高光谱遥感技术合理评价大面积水域的富营养化状态对水质环境监测和防治具有重要意义和理论价值。1极限学习机极限学习机（Extremelearningmachine，ELM）是一种单隐含层的前馈神经网络。ELM模型由输入层、隐含层和输出层组成，其结构如图1所示。TTxin］∈Rn，Ti=［ti1，ti2，…，tim］∈Rm，其中输入变量和输出由于传统多光谱传感器分辨率较低，很难定量分析水质参数的吸收特征。随着高光谱传感器的出现，传感器分辨率达到纳米级，可以有效提高光谱特5］性的分辨力，极大地提高了传感器监测精度［4，。因假定有N个训练样本（Xi，Ti），Xi=［xi1，xi2，…，变量分别为n和m个。隐含层节点数为L的ELM模［6］型的输出可表示为式（1）：收稿日期：2021-03-08作者简介：孙步阳（1983-），男，黑龙江肇东人，教授级高级工程师，硕士，主要从事空间数据挖掘与智能化应用工作，（电话）138****7612（电子信箱）****************************。

　　第10期孙步阳等：基于高光谱遥感的湖泊水质富营养化状态评价153图1ELM模型结构∑Lβig(Wi×Xji=1+bi)=oj,j=1,2,?,N（1）式中，WTi=［wi1，wi2，…，win］和βi分别为ELM模型的输入权重和输出权重；bi为第i个隐含层节点的偏置；g（x）为激励函数；Wi×Xj为Wi和Xj的内积。小。ELM模型训练的目标就是使得式（2）的误差最∑Njj=1o-tj=0,j=1,2,?,N（2）由式（1）和式（2）可知，存在一组βi、Wi和bi满足式（3）：∑Lβig(Wi×Xji=1+bi)=tj,j=1,2,?,N（3）式（3）的矩阵形式为：Hβ=T（4）式（4）中，H为隐含层节点的输出矩阵；β为输出权重矩阵。其中H矩阵、β矩阵和T矩阵如式（5）所示：H(W1,?,WL,b1,?,bL,X1,?,XL)=éêg(W1×X1+b1)?g(WL×X1+bLêêW???g(1×XN+b1)?g(W?)ùú+búúL×XNL)?N×Léβ1TùTβ=êêê?úéTú（5）?βTú,T=êêê?1ùêúúúTúL?L×m?TL?L×m式（5）中，L为隐含层神经元个数；T表示矩阵的转置操作。为了使式数β、W（6）误差最小，则存在一组参i和bi使式（6）成立［7］i：H(Wi,bi)βi-T=minW,b,βH(Wi,bi)βi-T=N(∑Lβig(Wi×Xj+bi)-tj（6）j=1i=1)2在ELM模型的训练过程中，保持Wi与bi不变，β的最小二乘解可以通过求解式（7）获得：minT-βT2βH2（7）式（7）的最小二乘解可表示为：β=T2(HH)-1HHT（8）萤火虫算法萤火虫算法（Fireflyalgorithm，FA）是一种新型的智能优化算法［8，9］，该算法中将萤火虫的亮度（I）、吸引度（β）、萤火虫之间的距离（rij）分别定义为：I=I0×e-γr，β=β0×e-γr，rij∑=||xi-xj||=di,kk=1(x-xj,k)2（9）式中，I0为最大亮度，β0为最大吸引度。对于萤火虫i，其位置xi更新公式为：xi式中，=xiα+和βrand×(xj均为随机数。-xi)+α×(rand-0.5)（10）3基于FA-ELM的湖泊水质富营养化状态评价3.1目标函数湖泊水质富营养化状态评价本质上是一个多分类问题。针对ELM模型性能受初始输入权重Wi和隐含层偏置bi的影响，运用FA算法对初始输入权重Wi和隐含层偏置bi进行优化选择，将分类准确率fT作为目标函数：frightT=Total×100%（11）式中，Total和right分别为样本总数量和正确分类的样本数量。3.2评价模型采用FA-ELM的湖泊水质富营养化状态评价模型流程如图2所示。首先，将采集的湖泊水质富营养化状态评价数据划分为训练数据和测试数据；之后，针对训练数据集运用FA优化ELM的参数组合W，b）建立基于FA-ELM的湖泊水质富营养化状态评价模型；最后，将FA寻优获取的最佳参数组合W，b）代入ELM进行测试。4结果与分析巢湖是中国五大淡水湖之一，面积约787.4km2，位于安徽省中部，是中国水污染防治的重点水体［10，11］。巢湖水质采样点分布如图3所示。点位3、点位5和点位6为巢湖东部湖区，点位7、点位9和点位10为巢湖中部湖区，点位12和点位13为巢湖西（（∑

　　154湖北农业科学2022年图2基于FA-ELM的湖泊水质富营养化状态评价流程部湖区，点位2为双桥河河口，点位4为柘皋河河口，点位8为兆河河口，点位11为杭埠河河口，点位14、点位15、点位16和点位17分别为南淝河河口、塘西河河口、派河河口以及十五里河河口。117°20′E117°30′E117°40′E117°50′E大迭代次数Tmax=50、初始吸引度β0=1、步长因子α=0.5，搜索区间［-1，1］；ELM参数设置为：隐含层节点数hiddennum=16。将FA-ELM与PSO-ELM、GA-ELM、DE-ELM和ELM进行对比分析。算法通用参数设置为：种群规模10，最大迭代次数50，搜索区间gorithm，PSO）参数设置为：学习因子c1=c2=2；遗传算法（Geneticalgorithm，GA）参数设置为：交叉概率0.7，变异概率0.1；差分进化算法（Differentialevolu?tionalgorithm，DE）参数设置为：交叉概率0.7，缩放因子0.5。由表1知，FA-ELM在训练集和测试集上［-1，1］；粒子群算法（Particleswarmoptimizational?31°30′N31°40′N08km的分类准确率分别为99.38%和98.82%，优于PSO-ELM、GA-ELM、DE-ELM和ELM；ELM的水质富营通过对比发现，算法FA-ELM可以有效提高水质富表1方法GA-ELMDE-ELMELMFA-ELM图3巢湖水质采样点分布养化评价准确率最低，分别为87.66%和86.47%。为了验证FA-ELM算法的优越性，选择200组不同富营养化状态高光谱图像为研究对象，其中训练集160组，测试集40组。图4a、图4b、图4c和图4d分别为重富营养、富营养、中营养和贫营养状态下的高光谱图像。分别运用不同算法对水质富营养化进行了评价。其中FA算法参数设置为：萤火虫数量N=10、最水质评价结果测试集准确率//%98.8291.6894.5894.3586.47训练集准确年//%99.3891.2393.6093.4887.66PSO-ELM

　　第10期孙步阳等：基于高光谱遥感的湖泊水质富营养化状态评价155a.重富营养；b.富营养；c.中营养；d.贫营养图4不同富营养化状态高光谱图像营养化评价的准确率。由图5可知，FA-ELM具有更快的收敛速度和更小的适应度误差，效果较好。FA-ELM应用于湖泊水质富营养化状态评价具有一定的推广价值和工程应用价值。参考文献：［1］吴传庆，盖嘉翔，王桥，等,湖泊富营养化遥感评价模型的建立方法［J］.中国环境监测，2011，27（5）：77-82.［2］高军省.基于联系数的湖泊富营养化评价研究［J］.灌溉排水学报，2016，28（6）：100-103.［3］贾洪涛.2015—2017年江西南昌军山湖水体营养状态演变特征［J］.水产学杂志，2020（2）：45-50.［4］汤显强.长江流域水体富营养化演化驱动机制及防控对策［J］.人民长江，2020，51（1）：80-87.［5］朱天顺，刘200-210.梅，申恒伦，等.南水北调东线湖群水体营养状态评价及其限制因子研究［J］.长江流域资源与环境，2019，28（12）：［6］张颖，李梅.基于粒子群优化极限学习机的水质评价新模图5收敛曲线对比型［J］.环境科学与技术，2016（5）：135-139.［7］孙小杰，孙学伟.基于MFOA-ELM的水质等级预测研究［J］.中国农机化学报，2019（8）：176-181.［8］巩奕成，张永祥，丁106.飞，等.地下水水质评价的FA优化灰色关联投影寻踪模型［J］.应用基础与工程科学学报，2015（3）：97-［9］蔡悦，苏红军，李茜楠.萤火虫算法优化的高光谱遥感影像极5小结为提高湖泊水质富营养化状态评价的精度，提出了一种基于高光谱遥感和FA-ELM的湖泊水质富营养化状态评价方法。研究结果表明，与PSO-ELM、GA-ELM、DE-ELM和ELM相比，FA-ELM算法可以有效提高水质富营养化评价的准确率。FA算法通过优化ELM模型初始输入权值和隐含层偏置，可以有效提高ELM模型的预测能力，因此将限学习机分类方法［J］.地球信息科学学报，2015（8）：986-994.［10］王顺天，雷俊山，贾海燕，等.三峡水库浮游植物群落特征及水体富营养化评价［J］.三峡生态环境监测，2020，5（1）：32-41.［11］卓海华，湛若云，王瑞琳，等.长江流域片水资源质量评价与趋势分析［J］.人民长江，2019，50（2）：122-129.

篇六：孙步阳中国电建集团河南电力勘测设计院

　　基于SRTM3DEM与ASTERGDEM2数据的海外输电线路勘测设计

　　孙步阳;高首都;张中原

　　【期刊名称】《电力勘测设计》

　　【年(卷),期】2017(0)S1【摘

　　要】目前广泛应用的数字高程模型(DEM)包括SRTM3DEM和ASTERGDEM,但根据实测,两种DEM的误差均低于其官方宣布的精度,本文依托海外输电线路工程实例,通过高程精度评价、数据融合、重采样等方法提高高程精度,重新获取的DEM精度可靠,可获取概略平断面图,线路路径图,可实现输电线路走廊三维可视化,达到海外输电线路设计初期路径优化的目的。

　　【总页数】5页(P202-206)

　　【关键词】SRTM3;DEM;ASTER;GDEM2;精度评价

　　【作

　　者】孙步阳;高首都;张中原

　　【作者单位】中国电力建设集团河南省电力勘测设计院

　　【正文语种】中

　　文

　　【中图分类】TM752【相关文献】

　　1.SRTM与ASTERGDEM数据在输电线路设计中的应用[J],王琦;杜全维;苏伟

　　2.利用DOM及DEM数据进行输电工程勘测设计研究[J],常增亮

　　3.浅谈基于机载LiDAR数据的输电线路勘测方法[J],田其

　　4.多数据源三维量测技术在输电线路勘测设计中的应用[J],陈正宇;徐君民;李欣

　　5.海外输电线路项目设计、勘测中常见问题的解决办法[J],刘尚;崔硕轩;王冉

　　因版权原因，仅展示原文概要，查看原文内容请购买

推荐访问:孙步阳中国电建集团河南电力勘测设计院 勘测 河南 设计院