1) city life water requirement
城市未来需水量
2) urban water demand
城市需水量
1.
Application of BP neural network to forecasting urban water demand;
应用BP神经网络预测城市需水量的探析
2.
The application of Grey Theory in the prediction of medium and long-term urban water demand is studied in this paper.
研究了灰色系统理论在中长期城市需水量预测中的应用。
3.
System dynamics method was used for urban water demand prediction, the model established was able to give an overall considerations to all factors affecting urban water demand, and give a favorable solution to the errors in prediction of water demand due to social and economic development level.
将系统动力学方法运用于城市需水量预测,其建立的模型可以全面地考虑各种主要因素对城市需水量的影响,较好地解决社会及经济发展水平等影响城市需水量预测所产生的误差问题。
3) urban water consumption
城市需水量
1.
Theory of artificial neural network is introduced into prediction of urban water consumption in this paper.
将人工神经网络原理引入城市需水量预测中 ,针对 BP网络收敛速度慢、易陷入局部极小的缺陷 ,提出了基于混沌神经网络的城市需水量预测模型 ,该模型简便易行 ,收敛速度快、预测精度高 ,具有良好的应用前景。
4) city future
城市未来
5) future city
未来城市
1.
The development of the city lies not only in modernization, but also in advance toward future city .
但是,城市要不断发展,不仅要实现现代化,而且要向更高水平的“未来城市”发展。
6) urban yearly water requirements
城市年需水量
1.
Application of modified grey forecast model to the predication of urban yearly water requirements;
改进的灰色预测模型在城市年需水量预测中的应用
补充资料：植物需水量
植物全生育期内总吸水量与净余总干物重（扣除呼吸作用的消耗等）的比率。由于植物所吸收的水分绝大部分用于蒸腾，所以需水量也可认为是总蒸腾量与总干物重的比率。如用每形成 1克干物质需要蒸腾水分的克数表示，则称蒸腾系数。如稻的蒸腾系数为680,小麦为540，玉米为370（见表）。系数愈大则水分利用效率愈低。蒸腾系数的倒数，即植物每蒸腾失水1000克所形成干物质的克数称蒸腾效率，其值越大则水分利用效率越高。一般植物的蒸腾效率为1～8。各种作物的水分利用效率不同。一般四碳植物的需水量低于三碳植物。这与两者的地理起源不同，形态、结构、生理、生化特性以及由此所决定的光合效率不同有关(见光合作用)。四碳植物由于有较高的光合固碳效率,一般气孔频率低于三碳植物，因而增大了气孔对水分的阻力，减少了蒸腾失水，提高了水分利用效率。同一种作物的需水量,还常因其他条件变化而异,如在土壤缺乏氮、磷、钾等无机营养时，水分利用效率降低，需水量增加。参与水分代谢的水分称生理需水。由于土面或棵间蒸发以及因径流与渗漏等而需要消耗的一定量水分，则并不被吸入植物体内参与水分代谢，只具有调节生态环境中水平衡的作用，因而可称为生态需水。灌溉时计算的作物需水量实际上是生理需水与生态需水的总量。作物需水量的测定，对计算农业用水、灌溉定额以及选择适合干旱地区栽培的作物类型等都具有重要意义。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条