B. DataHistorical water quality dat

B. Data
Historical water quality data for 34 monitoring sites
between 2001 and 2010 were obtained from the Sichuan
Environmental Monitoring Center. All data were reported at
a monthly time scale.
C. Methods
1) Spatial interpolation
Spatial interpolation, also referred to as spatial prediction,
is the process of estimating the values of a target quantity at
unvisited locations. It is impossible to physically survey
every stream within a large area due to the immense number
of segments, limited personnel, and the cost associated with
sampling [12]. However, the monitoring data is the solid
foundation of reliable estimates of the water quality. It is a
critical issue how to make full use of the limited monitoring
data to infer water quality conditions at unmonitored
locations and characterize regional water quality patterns.
Therefore, a rapid and cost-efficient method is needed to
predict unknown water quality. Such predictions are
commonly based on Euclidean distance or the “shortest
path” between locations [13, 14]. There have been only a
few attempts at applying interpolation methods along
networked system. Euclidean distance, though, may not be
an appropriate metric to use when examining locations
linked in a network system such as a stream [15, 16]. Water
quality in adjacent streams or upper or lower reaches of the
same stream typically exhibit similar trends. The shape and
configuration of branched networks influence the ecological
patterns and processes [14, 17]. To make more practical
predictions, a non-Euclidean distance metric was introduced
to incorporate the network pathway structure in the analysis
of spatial variability in this study. The spatial interpolation
models based on the metrics along river courses can better
explain the variations of water quality.

Kết quả (Việt) 1:

Sinh dữ liệuLịch sử nước chất lượng dữ liệu cho 34 giám sát các trang webtừ năm 2001 đến năm 2010 đã thu được từ SichuanTrung tâm giám sát môi trường. Tất cả dữ liệu đã được báo cáo tạiquy mô thời gian hàng tháng.C. phương pháp1) không gian nội suyMột vài từ không gian, cũng được gọi là không gian dự báo,là quá trình ước tính các giá trị của một số lượng mục tiêu tạiđịa điểm Unvisited. Nó là không thể để thể chất khảo sátmỗi dòng trong một khu vực lớn do số lượng bao laphân đoạn, hạn chế nhân viên, và chi phí liên quan đếnLấy mẫu [12]. Tuy nhiên, dữ liệu giám sát là chất rắnnền tảng của các ước tính đáng tin cậy của chất lượng nước. Nó là mộtquan trọng vấn đề làm thế nào để sử dụng đầy đủ của các hạn chế giám sátcác dữ liệu để suy ra điều kiện chất lượng nước tại unmonitoredđịa điểm và mô tả các khu vực nước chất lượng mô hình.Vì vậy, một phương pháp nhanh chóng và hiệu quả chi phí cần thiết đểdự đoán chất lượng nước không rõ. Dự đoán như vậy làthường dựa trên khoảng cách Euclide hoặc các "ngắn nhấtđường dẫn"giữa vị trí [13, 14]. Hiện đã chỉ mộtvài sự cố gắng áp dụng phương pháp nội suy dọc theoHệ thống nối mạng. Khoảng cách Euclid, mặc dù, có thể khôngmột số liệu thích hợp để sử dụng khi xem xét vị tríliên kết trong một hệ thống mạng chẳng hạn như một dòng [15, 16]. Nướcchất lượng trong dòng liền kề hoặc đạt đến trên hoặc thấp hơn của cácnhư vậy thường dòng xu hướng tương tự như triển lãm. Hình dạng vàcấu hình của nhánh mạng ảnh hưởng đến các sinh tháiMô hình và các quá trình [14, 17]. Để làm cho thực tế hơndự đoán, một thước đo khoảng cách phi Euclid đã được giới thiệukết hợp cấu trúc đường mạng trong phân tíchcủa biến đổi không gian trong nghiên cứu này. Một vài từ không gianCác mô hình dựa trên số liệu dọc theo sông khóa học có thể tốt hơngiải thích các biến thể của chất lượng nước.

Kết quả (Việt) 2:

B. dữ liệu
dữ liệu chất lượng nước lịch sử cho 34 khu vực giám sát
giữa các năm 2001 và 2010 đã thu được từ Tứ Xuyên
Trung tâm Quan trắc môi trường. Tất cả dữ liệu đã được báo cáo tại
một thời gian quy mô hàng tháng.
C. Phương pháp
1) không gian nội suy
không gian nội suy, hay còn gọi là dự báo không gian,
là quá trình ước tính giá trị của một số lượng mục tiêu tại
các địa điểm unvisited. Nó là không thể để cơ thể khảo sát
mỗi dòng trong một khu vực rộng lớn do số lượng lớn
các phân đoạn, nhân viên hạn chế, và các chi phí liên quan đến
lấy mẫu [12]. Tuy nhiên, các dữ liệu giám sát là rắn
nền tảng của các ước tính đáng tin cậy về chất lượng nước. Nó là một
vấn đề quan trọng như thế nào để sử dụng đầy đủ của các giám sát hạn chế
dữ liệu để suy ra điều kiện không được giám sát chất lượng nước tại
các vị trí và mô tả mô hình chất lượng nước trong khu vực.
Vì vậy, một phương pháp nhanh chóng và hiệu quả chi phí là cần thiết để
dự đoán chất lượng nước không rõ. Những dự đoán đó đều
thường được dựa trên khoảng cách Euclide hay "ngắn nhất
con đường "giữa các địa điểm [13, 14]. Mới chỉ có một
vài nỗ lực trong việc áp dụng phương pháp nội suy cùng
hệ thống mạng. Khoảng cách Euclide, tuy nhiên, có thể không có
một thước đo thích hợp để sử dụng khi kiểm tra các địa điểm
liên kết trong một hệ thống mạng như một dòng [15, 16]. Nước
chất lượng trong các dòng chảy liền kề hoặc thượng hoặc thấp hơn của
dòng giống rất đặc trưng xu hướng tương tự. Hình dạng và
cấu hình của mạng lưới phân nhánh ảnh hưởng đến sinh thái
mẫu và quy trình [14, 17]. Để làm cho thực tế hơn
dự đoán, một thước đo khoảng cách phi Euclide đã được giới thiệu
để kết hợp các cấu trúc đường mạng trong việc phân tích
các thay đổi không gian trong nghiên cứu này. Các nội suy không gian
mô hình dựa trên các số liệu cùng khóa học sông tốt hơn có thể
giải thích sự biến đổi chất lượng nước.