Spatial heterogeneity identification for rainfall-derived inflow and infiltration in urban sewer systems based on water level sensor networks: Insights from an interpretable deep learning method
1Citations signalées, ce qui n’est pas une note de qualité
2Institutions déclarées
1Pays d’affiliation déclarés
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Spatial heterogeneity identification for rainfall-derived inflow and infiltration in urban sewer systems based on water level sensor networks: Insights from an interpretable deep learning method
- Date Crossref
- 01/12/2025
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Zhejiang University The Institute of Municipal Engineering pays non établi dans la noticeUniversité ou école supérieure
-
Zhejiang Meteorological Bureau pays non établi dans la noticeInstitution
-
Hangzhou Meteorological Bureau pays non établi dans la noticeInstitution
-
Hangzhou Yilian Sensor Technology Corporation Limited pays non établi dans la noticeInstitution
-
Hangzhou Qinghong Technology Corporation Limited pays non établi dans la noticeOrganisation à but non lucratif
The Institute of Municipal Engineering — Zhejiang University, Zhejiang Meteorological Bureau et Hangzhou Meteorological Bureau, avec 2 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Les sujets associés
Hydrological Forecasting Using AIFlood Risk Assessment and ManagementHydrology and Watershed Management Studies