CN108872517A - 用于水环境监测的三维数据融合处理方法 - Google Patents
用于水环境监测的三维数据融合处理方法 Download PDFInfo
- Publication number
- CN108872517A CN108872517A CN201810883945.0A CN201810883945A CN108872517A CN 108872517 A CN108872517 A CN 108872517A CN 201810883945 A CN201810883945 A CN 201810883945A CN 108872517 A CN108872517 A CN 108872517A
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional data
- water environment
- indicate
- square error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
Abstract
一种用于水环境监测的三维数据融合处理方法,其中三维数据融合方法包括冗余数据融合方法和互补数据融合方法。三维数据处理方法包括获取模块和生成模块。在进行水环境监测过程中对三维数据融合处理时,首先获取数据,将获取到的数据进行融合处理,然后将生成的机器可识别的信息进行最后的评价与分析,使得更好地管理水质信息,为水资源管理与保护工作提供优质服务。
Description
技术领域
本发明涉及计算机应用技术领域,特别是涉及用于水环境监测的三维数据融合处理方法。
技术背景
随着时代的变迁,我国工业领域迅猛扩展,与此同时环境的破坏也日益加重。工业污水和生活废水乱排乱放已经严重影响了江河湖海等水坏境中的生物生长,并降低了人类饮用水的质量水平,因此进行水环境监测尤为重要。
传统的测试方法主要是实地测量水质参数或取水样在实验室测定各个水质参数,从而达到水环境监测的目的。尽管这一方法能够精确的测定出某一位置表面水质的各项指标,但成本高且耗时长,更为重要的是它不能给出这些表面水质指标在时间和空间上的分布状况。通过三维数据融合处理方法的水环境监测技术可以快速、大范围的对水环境进行实时监测。为促进国民经济持续协调发展,全面贯彻《水法》要求,加强水资源保护,需要将水环境监测与分析评价工作与信息化紧密结合,以促进生产力水平的提高。为了更好地管理水质信息,将对环境监测采用三维数据融合处理方法,以便更好地为水资源管理与保护工作提供优质服务。发明内容
为解决上述问题,本发明提供了一种用于水环境监测的三维数据融合处理方法,使用方便,能全方位的水进行实时的检测,从而得出多个评估结果,检测结果精确度高,且可以通过物理模型的构建,对水质的后续情况进行了预测和仿真分析,也将各种水质治理方案转换成参数后作用于物理模型,实现了水质治理方案的合理选择。本发明实施例提供了一种用于水环境监测的三维数据融合处理方法,以便解决水环境监测中遇到数据采集局限性等问题。
水环境的监测包括环境水体监测及废水监测两部分,主要监测项目大体可分为两类:一类是反映水质污染的综合指标,如温度、色度、浊度、PH值、电导率、悬浮物、溶解氧、化学需氧量和生物需氧量等;另一类是一些有毒性物质,如酚、氰、砷、铅、铬、镉、汞、镍、有机农药等。废水监测的具体项目和污染源的性质有关,一般同步测定基本水文特征。
运用三维数据融合处理方法的水环境监测,是通过建立“环境监测数据管理信息系统(MIS)”,实现数据的集中存储、分类管理及统一处理,需要积累丰富的历史数据,为GIS系统的三维数据分析提供后台数据支持。其中用于水环境监测的三维数据融合方法一般包括两种方法。其特征在于:
冗余数据融合方法,冗余数据是指一类传感器对同一测量对象多次进行测量获得的一组数据。
互补数据融合方法,互补数据就是指多个不同类型并且互相独立的传感器,从不同的时间和空间对同一监测对象(水环境)进行检测所获得的相互间独立的几组数据。
其中用于水环境监测的三维数据处理方法一般包括获取模块和生成模块。其特征在于:
所述的获取模块,主要包括以下两个步骤:
步骤1:获取识别信息。
步骤2:获取对象的三维数据。
所述的生成模块,主要是指对获取到的三维数据生成识别信息。
附图说明
图1为本发明实施例中冗余数据融合的自适应加权算法模型;
图2为本发明实施例中用于水环境监测的三维数据融合处理方法的模块框架图;
图3为本发明实施例中用于水环境监测的三维数据融合处理方法工作流程图。
具体实施方式
本发明实施例提供了一种用于水环境监测的三维数据融合处理方法,以便解决水环境监测中遇到数据采集不详细、数据显示不正确等问题。
水环境的监测包括环境水体监测及废水监测两部分,主要监测项目大体可分为两类:一类是反映水质污染的综合指标,如温度、色度、浊度、PH值、电导率、悬浮物、溶解氧、化学需氧量和生物需氧量等;另一类是一些有毒性物质,如酚、氰、砷、铅、铬、镉、汞、镍、有机农药等。废水监测的具体项目和污染源的性质有关,一般同步测定基本水文特征。
运用三维数据融合处理方法的水环境监测,是通过建立“环境监测数据管理信息系统(MIS)”,实现数据的集中存储、分类管理及统一处理,需要积累丰富的历史数据,为GIS系统的三维数据分析提供后台数据支持。其中用于水环境监测的三维数据融合方法包括两种方法,冗余数据融合方法或互补数据融合方法。冗余数据融合方法是在一类传感器对同一测量对象多次进行测量时采用的方法。互补数据融合方法是在多个不同类型并且互相独立的传感器,从不同的时间和空间对同一监测对象(水环境)进行检测时采用的方法。
具体的,其特征在于:
冗余数据融合方法,冗余数据是指一类传感器对同一测量对象多次进行测量获得的一组数据。如在水环境监测中的PH值测量,多个PH值对同一监测地点获得了一组PH数据,就是关于水环境的PH的冗余数据。通过数据融合可以降低数据的不确定性,提高监测数据的可靠性。在此方法中使用自适应加权算法,将一组传感器提供的冗余信息进行加权平均,结果作为融合值。该算法以均方误差为评价指标,是最直观的数据融合方法。
所述自适应加权算法,是指对于各个传感器的输入,自适应的动态寻找对应的权值,通过加法运算给出输出结果。请参考图1,图1为本发明实施案例中冗余数据融合的自适应加权算法模型。其具体算法为:
x1,x2,...,xi分别表示i路相互独立的传感器数据输入,w1,w2,...,wn表示对应的加权值,表示最终的输出结果。三者之间满足下面的两个公式:
该算法使用均方误差作为算法收敛的指标,通过求最小的均方误差,确定对应最优权值解。总均方误差为
其中,表示传感器数据输入的平均值,E表示均方误差,xi,xj表示传感器数据的输入值,wi,wj表示各个加权因子的值,σ2表示表示总均方误差值。由于x1,x2,...,xi表示i路相互独立的传感器数据,因此E[(x-xi)(x-xj)]=0,其中i≠j,i,j=1,2...n。则公式(3)可简化为
从公式(4)可知总均方误差是关于各个加权因子的多元二次函数。因此在满足约束式(2)的条件下,根据多元函数的条件求极值理论均方误差最小时的各个加权因子的值为
将公式(5)代入公式(4),得到此时最小均方误差为
将公式(5)求得的各个权值代入式(1)即可求出最终的输出结果
互补数据融合方法,由于对水环境的健康状况的监测,不能靠某一传感器单独来完成,而需要多传感器从不同的空间和时间来进行监测。互补数据就是指多个不同类型并且互相独立的传感器,从不同的时间和空间对同一监测对象(水环境)进行检测所获得的相互间独立的几组数据。如在水环境监测中分别使用PH、温度、溶解氧三类传感器,监测水体的不同地域和不同时间段的PH值、温度、溶解氧大小。这三组数据互相独立,构成互补数据。通过互补数据融合方法,可以得到单一传感器无法得到的结果,更加准确的描述水环境的健康状况。在此方法中通过构建特定的BP网络来实现互补数据融合,其能够将不确定的环境复杂关系经过学习推理,融合为系统能理解的信号,同时BP网络有较强的容错性和自组织、自学习、自适应能力,能够实现复杂的映射。
所述BP算法(误差反向传播法),是一种监督式的学习算法[1]:对于网络中n个输入学习样本P1,P2,...,Pn已知与其对应的输出样本T1,T2,...,Tn监督学习的目的是利用BP网络的实际输出结果A1,A2,...,An与目标矢量T1,T2,...,Tn之间的误差来修改网络的权值,使得实际输出结果与期望的目标矢量之间的差尽可能的小,即使得BP网络输出层的误差的平方和尽可能的小。具体算法可参考文献[1]。
其中用于水环境监测的三维数据处理方法一般包括获取模块和生成模块。请参考图2,图2为本发明实施例中用于水环境监测的三维数据融合处理方法的模块框架图。其具体实施过程为:所述的获取模块,主要包括以下两个步骤:
步骤1:获取识别信息。采集传感器检测到的水质数据,通过融合的方法,将真实可靠的数据存储起来。
步骤2:获取对象的三维数据。在获取到的识别信息中筛选出可构成三维数据的数据或者三维数据。
所述的生成模块,主要是指对获取到的三维数据生成识别信息。将获取到的三维数据通过A/D转换生成机器可识别的对应识别信息,然后将对应的识别信息发送到显示屏进行3D转换展示。
请参考图3,图3为本发明实施例中用于水环境监测的三维数据融合处理方法工作流程图。其具体实施过程为:
在进行水环境监测过程中对三维数据融合处理时,首先获取数据,将获取到的数据进行融合处理,然后将生成的机器可识别的信息进行最后的评价与分析。
以上所述仅为本发明实施例的解释,并不是对本发明的限制,在本发明的范围之内,做的任何修改、等同替换、改进等,都应受到专利法的保护。
参考文献
[1]贾丽会,张修如.BP算法分析与改进[J].计算机技术与发展.2006.16(10):101-103+107。
Claims (6)
1.一种用于水环境监测的三维数据融合处理方法,其特征在于,所述方法包括获取模块和生成模块;所述的获取模块,主要包括以下两个步骤:
步骤1:获取识别信息。采集传感器检测到的水质数据,通过融合方法,将真实可靠的数据存储起来。
步骤2:获取对象的三维数据。在获取到的识别信息中筛选出可构成三维数据的数据或者三维数据。
所述的生成模块,主要是指对获取到的三维数据生成识别信息。将获取到的三维数据通过A/D转换生成机器可识别的对应识别信息,然后将对应的识别信息发送到显示屏进行3D转换展示。
2.如权利要求1所述的用于水环境监测的三维数据融合处理方法,其中所述的融合方法一般包括:
冗余数据融合方法,冗余数据是指一类传感器对同一测量对象多次进行测量获得的一组数据;
或
互补数据融合方法,互补数据就是指多个不同类型并且互相独立的传感器,从不同的时间和空间对同一监测对象(水环境)进行检测所获得的相互间独立的几组数据。
3.如权利要求1所述的用于水环境监测的三维数据融合处理方法,其中,冗余数据融合方法中使用自适应加权算法,将一组传感器提供的冗余信息进行加权平均,结果作为融合值。该算法以均方误差为评价指标,是最直观的数据融合方法;
所述自适应加权算法,是指对于各个传感器的输入,自适应的动态寻找对应的权值,通过加法运算给出输出结果。
4.如权利要求3所述的用于水环境监测的三维数据融合处理方法,其具体算法为:
x1,x2,...,xi分别表示i路相互独立的传感器数据输入,w1,w2,...,wn表示对应的加权值,表示最终的输出结果。三者之间满足下面的两个公式:
该算法使用均方误差作为算法收敛的指标,通过求最小的均方误差,确定对应最优权值解。总均方误差为
其中,表示传感器数据输入的平均值,E表示均方误差,xi,xj表示传感器数据的输入值,wi,wj表示各个加权因子的值,σ2表示表示总均方误差值。由于x1,x2,...,xi表示i路相互独立的传感器数据,因此E[(x-xi)(x-xj)]=0,其中i≠j,i,j=1,2...n。则公式(3)可简化为
从公式(4)可知总均方误差是关于各个加权因子的多元二次函数。因此在满足约束式(2)的条件下,根据多元函数的条件求极值理论均方误差最小时的各个加权因子的值为
将公式(5)代入公式(4),得到此时最小均方误差为
将公式(5)求得的各个权值代入式(1)即可求出最终的输出结果
5.如权利要求2所述的用于水环境监测的三维数据融合处理方法,其中所述的互补数据融合方法中使用的为BP算法(误差反向传播法),是一种监督式的学习算法[1]:对于网络中n个输入学习样本P1,P2,...,Pn已知与其对应的输出样本T1,T2,...,Tn监督学习的目的是利用BP网络的实际输出结果A1,A2,...,An与目标矢量T1,T2,...,Tn之间的误差来修改网络的权值,使得实际输出结果与期望的目标矢量之间的差尽可能的小,即使得BP网络输出层的误差的平方和尽可能的小。
6.权利要求1-5之一所述的一种用于水环境监测的三维数据融合处理方法的应用,所述应用具体为:
在进行水环境监测过程中对三维数据融合处理时,首先获取数据,将获取到的数据进行融合处理,然后将生成的机器可识别的信息进行最后的评价与分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810883945.0A CN108872517A (zh) | 2018-08-06 | 2018-08-06 | 用于水环境监测的三维数据融合处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810883945.0A CN108872517A (zh) | 2018-08-06 | 2018-08-06 | 用于水环境监测的三维数据融合处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108872517A true CN108872517A (zh) | 2018-11-23 |
Family
ID=64308012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810883945.0A Pending CN108872517A (zh) | 2018-08-06 | 2018-08-06 | 用于水环境监测的三维数据融合处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108872517A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109655594A (zh) * | 2018-12-30 | 2019-04-19 | 杭州铭展网络科技有限公司 | 一种水质获取方法 |
CN110243414A (zh) * | 2019-07-01 | 2019-09-17 | 安徽伊尔思环境科技有限公司 | 一种水体环境在线监测系统 |
CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050207939A1 (en) * | 2003-12-05 | 2005-09-22 | Christopher Roussi | Water-quality assessment system |
FR2953021A1 (fr) * | 2009-11-26 | 2011-05-27 | Tanguy Griffon | Methode de mesure des emissions hebdomadaires et annuelles d'un gaz a effet de serre sur une surface donnee |
CN102156779A (zh) * | 2011-04-13 | 2011-08-17 | 北京石油化工学院 | 地下水流仿真与预测分析方法 |
CN105046454A (zh) * | 2015-09-01 | 2015-11-11 | 东北农业大学 | 流域水基环境管理决策支持系统 |
CN105764096A (zh) * | 2016-04-19 | 2016-07-13 | 沈阳大学 | 一种基于无线传感网的水环境监测系统及信息融合方法 |
-
2018
- 2018-08-06 CN CN201810883945.0A patent/CN108872517A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050207939A1 (en) * | 2003-12-05 | 2005-09-22 | Christopher Roussi | Water-quality assessment system |
FR2953021A1 (fr) * | 2009-11-26 | 2011-05-27 | Tanguy Griffon | Methode de mesure des emissions hebdomadaires et annuelles d'un gaz a effet de serre sur une surface donnee |
CN102156779A (zh) * | 2011-04-13 | 2011-08-17 | 北京石油化工学院 | 地下水流仿真与预测分析方法 |
CN105046454A (zh) * | 2015-09-01 | 2015-11-11 | 东北农业大学 | 流域水基环境管理决策支持系统 |
CN105764096A (zh) * | 2016-04-19 | 2016-07-13 | 沈阳大学 | 一种基于无线传感网的水环境监测系统及信息融合方法 |
Non-Patent Citations (3)
Title |
---|
聂增丽: "《无线传感网技术》", 31 August 2016 * |
贾丽会: "BP 算法分析与改进", 《计算机技术与发展》 * |
闫保中等: "数据时空融合算法在无线多传感器网络中的应用", 《应用科技》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109655594A (zh) * | 2018-12-30 | 2019-04-19 | 杭州铭展网络科技有限公司 | 一种水质获取方法 |
CN110243414A (zh) * | 2019-07-01 | 2019-09-17 | 安徽伊尔思环境科技有限公司 | 一种水体环境在线监测系统 |
CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shafi et al. | Surface water pollution detection using internet of things | |
Brown et al. | Making sense of metacommunities: dispelling the mythology of a metacommunity typology | |
Lustig et al. | Towards more predictable and consistent landscape metrics across spatial scales | |
CN108872517A (zh) | 用于水环境监测的三维数据融合处理方法 | |
Fischer et al. | Recent developments in spatial analysis: spatial statistics, behavioural modelling, and computational intelligence | |
CN105866364A (zh) | 一种地下水污染检测评估系统 | |
CN105738587A (zh) | 一种水质监测系统 | |
CN107292383B (zh) | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 | |
Sinshaw et al. | Artificial neural network for prediction of total nitrogen and phosphorus in US lakes | |
CN110231447A (zh) | 水质异常检测的方法、装置及终端设备 | |
CN101696968A (zh) | 监测土壤重金属含量的新方法 | |
Salunke et al. | Advanced smart sensor interface in internet of things for water quality monitoring | |
CN114742183A (zh) | 基于深度学习的水污染预警方法、系统、设备及存储介质 | |
Usachev et al. | Neural network using to analyze the results of environmental monitoring of water | |
Zhou et al. | Developing a PCA–ANN model for predicting chlorophyll a concentration from field hyperspectral measurements in Dianshan Lake, China | |
Carriazo-Regino et al. | IoT-based drinking water quality measurement: systematic | |
Lopez et al. | Water quality prediction system using LSTM NN and IoT | |
Chen et al. | An optimal algorithm design of rssi indoor location based on neural network | |
CN106716074B (zh) | 探测装置 | |
CN117078013A (zh) | 一种区域水生态承载力的评估模型及方法 | |
Joslyn et al. | A supervised learning approach to water quality parameter prediction and fault detection | |
Tong et al. | Efficient spatiotemporal interpolation with spark machine learning | |
Lokuliyana et al. | A survey: IoT enable framework for water quality measurement and distribution | |
Tonkin et al. | Assessing the distribution and changes of instream woody habitat in south‐eastern Australian rivers | |
CN109470828A (zh) | 一种基于多源数据融合的河湖健康监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |