沙盘模型目前主要应用于房地产开发、建筑园林设计、城市规划设计等行业。沙盘模型行业其实一直在不停地发展和变化:刚开始，只能 用平面图纸来表现沙盘模型；后来简易的沙盘模型可以表达简单的关系；而现在，沙盘模型不仅要求制作精良，而且要有各种灯光、动态 设施搭配等。可以预见的是，在未来，沙盘模型还将持续发生变化。智能化和动态化沙盘模型制作技术也在不断地进步。近年来，已经有 很多模型公司开始研发采用由多媒体计算机控制的声、光、电一体化模型，即讲解到哪里，沙盘模型就演示到哪里。而且还采用智能系统 作播放解说，同时模型之外的环境氛围灯光也全部通过电脑控制，根据展示的需要调节气氛。 次点击鼠标，直到确定了所有的多边形拐点，点击鼠标右键结束折线拐点的确定。多边形用虚线显示。同时，系统显示这条多边形的面积。4.5. 缓冲区分析生成缓冲区是把某个指定目标周围指定范围内的所有指定类型的目标全部选中的操作。可以用来查询某个目标周围一定范围内都有哪些别的目标。例如一条河流周围1000米内有哪些村庄。生成缓冲区的操作步骤是:首先在图层列表中使要查询的目标类型可见（参见:使某种目标在地图上可见），激活该图层为当前活动层（参见:在地图上查询某种目标），选择一个目标（参见:拉框查询、线选择、多边形选择、条件查询、圆形查询），点击主菜单上的缓冲区分析，在弹出的信息输入窗中输入生成缓冲区的条件，点击生成缓冲区按钮即可。其中，缓冲半径是指距离选中目标多远距离内的目标能被加入缓冲区，要查询的图层是指哪一类目标要被加入缓冲区，在生成缓冲区之后，被加入缓冲区中的所有的目标将被选中，如果选择了显示属性，还会弹出查询结果窗显示出来缓冲区中所有目标的属性。4.6. 污染物浓度计算污染物浓度计算是计算污染物在水中浓度的。根据污染物排放量、排放时间、污水口排放流量计算出来河流中的污染物浓度。4.7. 污染物零维扩散分析对中、小河流污染物充分混合，并计算河段较短时(小于3～5km)，可用零维水质模型预测。c=(cpQp+chQ)/(Qp+Q) (4.7-1)式(4.7-1)中: c——污染物浓度，mg／L；Qp、、cp——污水排放流量、浓度，ms／s、ms；Q——河段流量，m3／s；ch ——上游河段污染物浓度，mg／L。4.8. 污染综合衰减系数计算根据断面平均流速、断面之间距离、上下断面污染物浓度，可以计算出来污染物综合衰减系数。4.9. 污染物一维扩散分析在污染物断面充分混合河段，污染物输人量、河道流速等不随时间变化，且计算河段较长时可用一维水质模型。(4.9-1)若忽略纵向离散作用的话则为:(4.9-2)式(4.9-2)中: cx——流经x距离后污染物浓度，mg／L；c0——起始断面（x=0）处污染物浓度，mg／L；c=(cpQp+chQ)/(Qp+Q) ；u——河流平均流速，m／s；x——纵向距离，m；Ex——河段纵向离散系数，m2/s；K——污染综合衰减系数，s-1。当遇到瞬时突发排污时，污染事故水质预测，可按公式(5.3-4)预测河流断面水质变化过程:(4.9-3)式(4.9-3)中: c（x，t）——瞬时污染源流径t时距x处河流断面污染物浓度，mg/L；W——瞬时污染源总量，g；A——河流断面面积，m2；t——流经的时间，s。其余符号同前。 数据以CSV格式存储，文件名规则:河名_站号_超警次数， 数据集，每一行一条记录，逗号分隔分别是:站号，时间，水位，警戒水位，警戒水位与水位的差值，按时间进行排序。 三. 建模思路 建立模型:指数合成方法:以统计期的数据合成指数构建权重，把每个监测点数据进行加权平均，形成河流指数。指数与站号的关系:通过相关性分析，计算每个站对于河流指数的影响程度。投影得分:把指数具体数值，投影到固定的取值区间，形成得分。 指数合成原则:水位变化越大，权重越大水位与警戒水位的差值越大，权重越大，大于0时为超警时间越近，权重越大 投影得分:以0米为100分，表示已经警戒水位。以-5米为60分，表示正常水位。以-10米为10分，表示河流干涸。大于100分，则可能要发大水。小于10分，则可能河流无水。 3.1 A江 以A江的5个监测站进行指数合成。 指数取值:最小值1/4位数中位数平均值3/4位数最大值-7.218-5.423-5.118-5.134-4.843-1.481 X轴:指数取值 Y轴:频次 A江5个站:A黑，B红，C绿，D深蓝, E浅蓝 指数:IDN紫色 X轴为:时间，从2015-11到2019-03。 Y轴为:警戒水位与水位的差值，大于0值为超警。 每个站点对整个河流的影响 A站（黑）:1.2594088 B站（红）:0.1961849 C站（绿）: 0.1455854 D站（深蓝）:1.4004896 E站（浅蓝）:0.5610354 数值1为基准，大于1时，监测站对指数影响明显，小于1时对指数形象不明显。 结论:A站和D站河流影响比较大，如果A值或D值水位突然变化，那么河流会比较危险。 3.2 B江 以B江的6个监测站进行指数合成。 指数取值:最小值1/4位数中位数平均值3/4位数最大值-13.201-12.362-11.611-10.824-10.1212.607 B江6个站:A黑，B红，C绿，D深蓝, E浅蓝（干流水道），F紫色（干流水道） 指数:IDN黄色 X轴为:时间，从2015-11到2019-03。 Y轴为:警戒水位与水位的差值，大于0值为超警。 每个站点对整个河流的影响 A站（黑）:1.4582460 B站（红）:0.9518856 C站（绿）: 1.0676259 D站（深蓝）:0.5472059 E站（浅蓝）:0.3465968 F站（紫色）:0.2251052 数值1为基准，大于1时，监测站对指数影响明显，小于1时对指数形象不明显。 结论:A站和C站河流影响比较大，如果A值或C值水位突然变化，那么河流会比较危险。 该模型是我们探索性的尝试。用金融的方法去解决水利问题。这种尝试是知识迁移:把一个行业的知识迁移到另外一个行业去尝试解决问题。这种尝试有很大的创新性。后续我们会持续把金融行业的知识，迁移到水利行业和其他行业，希望做出突破性的变革和实际落地效果。 我们公司致力于解决这类跨行业的问题。我们公司具备跨学科知识能力，特别是在:国际贸易，进出口领域，区块链，金融及量化投资领域。我们具备扎实的底层知识构建能力。同时也有能力去把底层的知识在在我们擅长的领域做到极致，并同时在其他行业里做迁移。我们致力于把数据分析和数据科学在每个重要的，和国家生息相关的每个行业的进行落地。希望通过这个水利尝试案例，能让大家领略到数据分析，数据科学的无限魅力。