论文部分内容阅读
通过分析太湖TN、TP、蓝藻生物量等生态环境要素的相互关系,探明太湖蓝藻、TP异常升高的主要原因,并提出治理建议,为下阶段太湖流域水环境综合治理提供借鉴.
太湖TN、 TP、蓝藻生物量变化趋势
【摘 要】
：
通过分析太湖TN、TP、蓝藻生物量等生态环境要素的相互关系,探明太湖蓝藻、TP异常升高的主要原因,并提出治理建议,为下阶段太湖流域水环境综合治理提供借鉴.
【机 构】
：
江苏省水资源服务中心,江苏南京210029;江苏省水利厅,江苏南京210029;江苏省水利科学研究院,江苏南京210017;江苏省水文水资源勘测局,江苏南京210029;邳州市水利工程管理总站,江苏邳
【出 处】
：
江苏水利
【发表日期】
：
2021年11期
其他文献
行为检测是视频理解与计算机视觉领域炙手可热的研究内容,备受国内外学者的关注,在智能监控、人机交互等多领域被广泛应用.随着科技的进步,深度学习在图像分类领域取得了重大突破,将基于深度学习的识别方法应用于人体行为检测研究已成为行为检测中的热点.基于此,首先对几种常用于行为检测的数据集,及近几年深度学习在行为检测领域的研究现状进行了介绍;接着分析了行为检测方法的基本流程,以及几种常用的基于深度学习的检测方法;最后,从方法性能优劣、应用前景等方面对人体行为检测方法的尚存问题与未来发展趋势进行了分析和展望.
针对聚类算法在检测任意簇时精确度不高、迭代次数多及效果不佳等缺点,提出了基于局部中心度量的边界点划分密度聚类算法——DBLCM.在局部中心度量的限制下,数据点被划分到核心区域或边界区域.核心区域的点按照互近邻优先成簇的分配方式形成初始簇,边界区域的点参考互近邻中距离最近点所在簇进行分配,从而得到最终簇.为验证算法的有效性,将DBLCM与3个经典算法和3个近几年新提出的优秀算法,在包含任意形状、任意密度的二维数据集和任意维度的多维数据集上进行测试.另外,为了验证DBLCM算法中参数k的敏感性,在所用的数据集