CN108960525B - 基于移动计算机和神经网络的污染监测方法及装置 - Google Patents
基于移动计算机和神经网络的污染监测方法及装置 Download PDFInfo
- Publication number
- CN108960525B CN108960525B CN201810802917.1A CN201810802917A CN108960525B CN 108960525 B CN108960525 B CN 108960525B CN 201810802917 A CN201810802917 A CN 201810802917A CN 108960525 B CN108960525 B CN 108960525B
- Authority
- CN
- China
- Prior art keywords
- historical
- element concentration
- concentration
- current
- water flow
- 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.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 25
- 241001465754 Metazoa Species 0.000 claims abstract description 113
- 238000003911 water pollution Methods 0.000 claims abstract description 35
- 239000003403 water pollutant Substances 0.000 claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 269
- 241000196324 Embryophyta Species 0.000 claims description 93
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 84
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 84
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 84
- 229910052785 arsenic Inorganic materials 0.000 claims description 84
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 claims description 84
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 84
- 229910052802 copper Inorganic materials 0.000 claims description 84
- 239000010949 copper Substances 0.000 claims description 84
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 84
- 229910052760 oxygen Inorganic materials 0.000 claims description 84
- 239000001301 oxygen Substances 0.000 claims description 84
- 229910052698 phosphorus Inorganic materials 0.000 claims description 84
- 239000011574 phosphorus Substances 0.000 claims description 84
- 238000001556 precipitation Methods 0.000 claims description 84
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 60
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 claims description 60
- 229910052793 cadmium Inorganic materials 0.000 claims description 54
- 239000000383 hazardous chemical Substances 0.000 claims description 47
- 239000004744 fabric Substances 0.000 claims description 18
- 239000000356 contaminant Substances 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 229910052804 chromium Inorganic materials 0.000 claims description 6
- 239000011651 chromium Substances 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 5
- 241000894007 species Species 0.000 claims 4
- 238000011161 development Methods 0.000 description 3
- 229910001385 heavy metal Inorganic materials 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 229920000379 polypropylene carbonate Polymers 0.000 description 1
- 238000002300 pressure perturbation calorimetry Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Processing Of Solid Wastes (AREA)
- Treatment Of Water By Oxidation Or Reduction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于移动计算机和神经网络的污染监测方法及装置,该方法包括如下步骤:由水污染物监测站监测水污染物信息;由水污染物监测站将水污染物信息发送给移动计算机;由水文条件监测站监测水文条件;由水文条件监测站将水文条件发送给移动计算机;由水生动植物信息收集站收集水生动植物信息;由水生动植物信息收集站将水生动植物信息发送给移动计算机;由移动计算机判断应当调用的污染监测模型,并生成第一标识;由移动计算机将水污染物信息、水文条件、水生动植物信息以及第一标识发送给大数据处理中心;由大数据处理中心确定所要应用的污染监测模型;以及由大数据处理中心生成针对水污染状况的预测报告以及水生动植物捕捞风险报告。
Description
技术领域
本发明涉及计算机应用领域,特别涉及一种基于移动计算机和神 经网络的污染监测方法及装置。
背景技术
计算机是现代一种用于高速计算的电子计算机器,可以进行数值 计算,又可以进行逻辑计算,还具有存储记忆功能。是能够按照程序 运行,自动、高速处理海量数据的现代化智能电子设备。移动计算机, 如智能手机、PPC、PDA等等,随着物联网的发展,越来越多的微型 计算机将出现,为了统一名称,将其统称为移动计算机,即MC。当 前,许多新型的电子计算机不仅拥有高速的计算功能,而且还能模拟 人脑的某些思维活动,就是说,拥有某些智能化的功能。
我国江河湖泊较多,水资源总量较为丰富。建国后,随着水利水电建设 的大力开展,我国已建成大中小型水库8.6万余座。但是我国却是一个缺水的 国家,水资源人均占有量只有2700m3,仅为世界人均的1/4,其时空分布也极 不均匀,有2/3的城市供水不足,严重制约了工农业的发展。在水资源短缺的 同时,可利用的有限淡水资源也受到了不同程度的污染。
将移动计算机和神经网络用于污染监测,不仅可以取得大量的准 确数据,而且使整个监测系统完全自动化,从而为监测技术的发展开 辟了一条新途径。因此,基于计算机、神经网络或者人工智能的水污 染监测方法是极为重要的。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背 景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本 领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于移动计算机和神经网络的污染 监测方法及装置,从而克服现有技术的缺点。
本发明提供了一种基于移动计算机和神经网络的污染监测方法, 包括如下步骤:由水污染物监测站监测水污染物信息;由水污染物监 测站将水污染物信息发送给移动计算机;由水文条件监测站监测水文 条件;由水文条件监测站将水文条件发送给移动计算机;由水生动植 物信息收集站收集水生动植物信息;由水生动植物信息收集站将水生 动植物信息发送给移动计算机;由移动计算机基于水文条件,并根据 模型调用基准,判断应当调用的污染监测模型,并生成针对应当调用 的污染监测模型的第一标识;由移动计算机将水污染物信息、水文条 件、水生动植物信息以及第一标识发送给大数据处理中心;由大数据 处理中心基于第一标识,确定所要应用的污染监测模型;以及由大数 据处理中心基于所要应用的污染监测模型以及水污染物信息、水文条 件以及第一标识,生成针对水污染状况的预测报告以及水生动植物捕 捞风险报告。
优选地,上述技术方案中,其中,水污染物信息包括:当前总磷、 当前氨氮浓度、当前pH、当前溶解氧、当前汞元素浓度、当前铬元 素浓度、当前镉元素浓度、当前铜元素浓度、当前铅元素浓度以及当 前砷元素浓度;并且其中,水文条件包括:当前水流速、当前水流方向、当前水温、当前气温以及当前降水量;并且其中,水生动植物信 息包括:水生动物种类、水生动物体内危险物质残留量、水生植物种 类以及水生植物内危险物质残留量。
优选地,上述技术方案中,其中,模型调用基准是通过以下步骤 生成的:由大数据处理中心收集历史总磷、历史氨氮浓度、历史pH、 历史溶解氧、历史汞元素浓度、历史铬元素浓度、历史镉元素浓度、 历史铜元素浓度、历史铅元素浓度以及历史砷元素浓度;由大数据处 理中心收集历史水流速、历史水流方向、历史水温、历史气温以及历 史降水量;以历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历 史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历 史水流方向、历史水温、历史气温以及历史降水量为输入变量,以历 史汞元素浓度、历史铬元素浓度以及历史镉元素浓度为输出变量,建 立验证BP神经网络;将历史总磷、历史氨氮浓度、历史pH、历史 溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史 水流速、历史水流方向、历史水温、历史气温以及历史降水量输入验证BP神经网络,得到预测汞元素浓度、预测铬元素浓度以及预测镉 元素浓度;由大数据处理中心确定预测汞元素浓度与历史汞元素浓度 差异小于门限的第一时间段,以及预测汞元素浓度与历史汞元素浓度 差异大于门限的第二时间段;基于第一时间段与第二时间段,生成模 型调用基准。
优选地,上述技术方案中,由大数据处理中心基于所要应用的污 染监测模型以及水污染物信息、水文条件以及第一标识,生成针对水 污染状况的预测报告包括如下步骤:由大数据处理中心提取属于第一 时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜 元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水 流方向、历史水温、历史气温、历史降水量、历史汞元素浓度、历史 铬元素浓度以及历史镉元素;由大数据处理中心提取属于第二时间段 的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓 度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、 历史水温、历史气温、历史降水量、历史汞元素浓度、历史铬元素浓 度以及历史镉元素;以属于第一时间段的历史总磷、历史氨氮浓度、 历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷 元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史 降水量为输入变量,以属于第一时间段的历史汞元素浓度、历史铬元 素浓度以及历史镉元素为输出变量,生成第一BP神经网络;以属于 第二时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历 史水流方向、历史水温、历史气温、历史降水量为输入变量,以属于 第二时间段的历史汞元素浓度、历史铬元素浓度以及历史镉元素为输 出变量,生成第二BP神经网络;如果第一标识提示要应用第一BP神经网络进行预测,则由大数据处理中心利用第一BP神经网络,基 于当前总磷、当前氨氮浓度、当前pH、当前溶解氧、当前铜元素浓 度、当前铅元素浓度、当前砷元素浓度、当前水流速、当前水流方向、 当前水温、当前气温以及当前降水量,判断第二预测的汞元素浓度、 第二预测的铬元素浓度、第二预测的镉元素浓度;由大数据处理中心 基于第二预测的汞元素浓度、第二预测的铬元素浓度、第二预测的镉 元素浓度,生成针对水污染状况的预测报告。
优选地,上述技术方案中,由大数据处理中心基于所要应用的污 染监测模型以及水污染物信息、水文条件以及第一标识,生成水生动 植物捕捞风险报告包括如下步骤:由大数据处理中心收集历史总磷、 历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元 素浓度以及历史砷元素浓度;由大数据处理中心收集历史水流速、历 史水流方向、历史水温、历史气温以及历史降水量;由大数据处理中 心收集历史水生动物种类、历史水生动物体内危险物质残留量、历史 水生植物种类以及历史水生植物内危险物质残留量;以历史总磷、历 史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素 浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历 史气温、历史降水量以及历史水生动物种类为输入变量,以历史水生 动物体内危险物质残留量为输出变量,生成第三BP神经网络;以历 史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、 历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历 史水温、历史气温、历史降水量以及历史水生植物种类为输入变量, 以历史水生植物内危险物质残留量为输出变量,生成第四BP神经网 络;由大数据处理中心利用第三BP神经网络,并基于历史总磷、历 史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素 浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历 史气温、历史降水量以及历史水生动物种类,生成预测水生动物体内 危险物质残留量;由大数据处理中心利用第四BP神经网络,并基于 历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、 历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历 史水温、历史气温、历史降水量以及历史水生织物种类,生成预测水生织物内危险物质残留量;基于预测水生动物体内危险物质残留量以 及预测水生织物内危险物质残留量,生成水生动植物捕捞风险报告。
本发明提供了一种基于移动计算机和神经网络的污染监测装置, 污染监测装置包括:用于由水污染物监测站监测水污染物信息的单 元;用于由水污染物监测站将水污染物信息发送给移动计算机的单 元;用于由水文条件监测站监测水文条件的单元;用于由水文条件监 测站将水文条件发送给移动计算机的单元;用于由水生动植物信息收 集站收集水生动植物信息的单元;用于由水生动植物信息收集站将水 生动植物信息发送给移动计算机的单元;用于由移动计算机基于水文 条件,并根据模型调用基准,判断应当调用的污染监测模型,并生成 针对应当调用的污染监测模型的第一标识的单元;用于由移动计算机将水污染物信息、水文条件、水生动植物信息以及第一标识发送给大 数据处理中心的单元;用于由大数据处理中心基于第一标识,确定所 要应用的污染监测模型的单元;以及用于由大数据处理中心基于所要 应用的污染监测模型以及水污染物信息、水文条件以及第一标识,生 成针对水污染状况的预测报告以及水生动植物捕捞风险报告的单元。
优选地,上述技术方案中,其中,水污染物信息包括:当前总磷、 当前氨氮浓度、当前pH、当前溶解氧、当前汞元素浓度、当前铬元 素浓度、当前镉元素浓度、当前铜元素浓度、当前铅元素浓度以及当 前砷元素浓度;并且其中,水文条件包括:当前水流速、当前水流方向、当前水温、当前气温以及当前降水量;并且其中,水生动植物信 息包括:水生动物种类、水生动物体内危险物质残留量、水生植物种 类以及水生植物内危险物质残留量。
优选地,上述技术方案中,其中,模型调用基准是通过以下步骤 生成的:由大数据处理中心收集历史总磷、历史氨氮浓度、历史pH、 历史溶解氧、历史汞元素浓度、历史铬元素浓度、历史镉元素浓度、 历史铜元素浓度、历史铅元素浓度以及历史砷元素浓度;由大数据处 理中心收集历史水流速、历史水流方向、历史水温、历史气温以及历 史降水量;以历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历 史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历 史水流方向、历史水温、历史气温以及历史降水量为输入变量,以历 史汞元素浓度、历史铬元素浓度以及历史镉元素浓度为输出变量,建 立验证BP神经网络;将历史总磷、历史氨氮浓度、历史pH、历史 溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史 水流速、历史水流方向、历史水温、历史气温以及历史降水量输入验证BP神经网络,得到预测汞元素浓度、预测铬元素浓度以及预测镉 元素浓度;由大数据处理中心确定预测汞元素浓度与历史汞元素浓度 差异小于门限的第一时间段,以及预测汞元素浓度与历史汞元素浓度 差异大于门限的第二时间段;基于第一时间段与第二时间段,生成模 型调用基准。
优选地,上述技术方案中,用于由大数据处理中心基于所要应用 的污染监测模型以及水污染物信息、水文条件以及第一标识,生成针 对水污染状况的预测报告的单元被配置为:由大数据处理中心提取属 于第一时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、 历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、 历史水流方向、历史水温、历史气温、历史降水量、历史汞元素浓度、 历史铬元素浓度以及历史镉元素;由大数据处理中心提取属于第二时 间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元 素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流 方向、历史水温、历史气温、历史降水量、历史汞元素浓度、历史铬 元素浓度以及历史镉元素;以属于第一时间段的历史总磷、历史氨氮 浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、 历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、 历史降水量为输入变量,以属于第一时间段的历史汞元素浓度、历史 铬元素浓度以及历史镉元素为输出变量,生成第一BP神经网络;以 属于第二时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、 历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、 历史水流方向、历史水温、历史气温、历史降水量为输入变量,以属 于第二时间段的历史汞元素浓度、历史铬元素浓度以及历史镉元素为 输出变量,生成第二BP神经网络;如果第一标识提示要应用第一BP 神经网络进行预测,则由大数据处理中心利用第一BP神经网络,基 于当前总磷、当前氨氮浓度、当前pH、当前溶解氧、当前铜元素浓 度、当前铅元素浓度、当前砷元素浓度、当前水流速、当前水流方向、 当前水温、当前气温以及当前降水量,判断第二预测的汞元素浓度、 第二预测的铬元素浓度、第二预测的镉元素浓度;由大数据处理中心 基于第二预测的汞元素浓度、第二预测的铬元素浓度、第二预测的镉 元素浓度,生成针对水污染状况的预测报告。
优选地,上述技术方案中,用于由大数据处理中心基于所要应用 的污染监测模型以及水污染物信息、水文条件以及第一标识,生成水 生动植物捕捞风险报告的单元被配置为:由大数据处理中心收集历史 总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历 史铅元素浓度以及历史砷元素浓度;由大数据处理中心收集历史水流 速、历史水流方向、历史水温、历史气温以及历史降水量;由大数据 处理中心收集历史水生动物种类、历史水生动物体内危险物质残留 量、历史水生植物种类以及历史水生植物内危险物质残留量;以历史 总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历 史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史 水温、历史气温、历史降水量以及历史水生动物种类为输入变量,以 历史水生动物体内危险物质残留量为输出变量,生成第三BP神经网 络;以历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元 素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流 方向、历史水温、历史气温、历史降水量以及历史水生植物种类为输 入变量,以历史水生植物内危险物质残留量为输出变量,生成第四 BP神经网络;由大数据处理中心利用第三BP神经网络,并基于历 史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、 历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历 史水温、历史气温、历史降水量以及历史水生动物种类,生成预测水生动物体内危险物质残留量;由大数据处理中心利用第四BP神经网 络,并基于历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史 铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史 水流方向、历史水温、历史气温、历史降水量以及历史水生织物种类, 生成预测水生织物内危险物质残留量;基于预测水生动物体内危险物 质残留量以及预测水生织物内危险物质残留量,生成水生动植物捕捞 风险报告。
与现有技术相比,本发明具有如下有益效果:当前,环境污染是 国家重点关注的重大问题,环保部门已经花费很大精力限制和处罚排 污超标的企业。但是目前在水污染源的监测问题上,现有技术仍然不 能给出很好的解决方案。水污染物扩散速度快,受周围环境影响很大, 同时与大气污染不同的是,水污染物中可能包括重金属,重金属将会 长时间的停留在水生动植物体内,如果人食用了这些水生动植物,将 会导致重金属在人体内的积累,这对于人体而言是极为危险的。由于 人工监测会耗费大量人力物力,且监测准确性难以保证。因此寻求基 于计算机、大数据或者人工智能的水污染监测方法是极为重要的。基于现有技术中存在的问题,本发明提出了一种基于大数据和利用计算 机的水污染监测方法,本发明能够同时进行重金属污染物的浓度预 测,降低了水质污染的实测工作量,降低了水质污染监测成本,提高 了监测效率,同时本发明的方法还具备水生动植物可否食用的报警预 测功能,该功能能够更好的帮助相关部门对于水产品进行管理。
附图说明
图1是根据本发明一实施方式的方法流程图。
图2是根据本发明另一实施方式的方法流程图。
图3是根据本发明另一实施方式的方法流程图。
图4是根据本发明另一实施方式的方法流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附 图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形 式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些 实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围 完整的传达给本领域的技术人员。
实施例1
图1是根据本发明一实施方式的方法流程图。如图所示,本发明 的方法包括:
步骤101:由水污染物监测站监测水污染物信息;
步骤102:由水污染物监测站将水污染物信息发送给移动计算机;
步骤103:由水文条件监测站监测水文条件;
步骤104:由水文条件监测站将水文条件发送给移动计算机;
步骤105:由水生动植物信息收集站收集水生动植物信息;
步骤106:由水生动植物信息收集站将水生动植物信息发送给移 动计算机;
步骤107:由移动计算机基于水文条件,并根据模型调用基准, 判断应当调用的污染监测模型,并生成针对应当调用的污染监测模型 的第一标识;
步骤108:由移动计算机将水污染物信息、水文条件、水生动植 物信息以及第一标识发送给大数据处理中心;
步骤109:由大数据处理中心基于第一标识,确定所要应用的污 染监测模型;
步骤110:由大数据处理中心基于所要应用的污染监测模型以及 水污染物信息、水文条件以及第一标识,生成针对水污染状况的预测 报告以及水生动植物捕捞风险报告。
实施例2
其中,水污染物信息包括:当前总磷、当前氨氮浓度、当前pH、 当前溶解氧、当前汞元素浓度、当前铬元素浓度、当前镉元素浓度、 当前铜元素浓度、当前铅元素浓度以及当前砷元素浓度;并且其中, 水文条件包括:当前水流速、当前水流方向、当前水温、当前气温以及当前降水量;并且其中,水生动植物信息包括:水生动物种类、水 生动物体内危险物质残留量、水生植物种类以及水生植物内危险物质 残留量。
图2是根据本发明另一实施方式的方法流程图。如图所示,其中, 模型调用基准是通过以下步骤生成的:
步骤201:由大数据处理中心收集历史总磷、历史氨氮浓度、历 史pH、历史溶解氧、历史汞元素浓度、历史铬元素浓度、历史镉元 素浓度、历史铜元素浓度、历史铅元素浓度以及历史砷元素浓度;
步骤202:由大数据处理中心收集历史水流速、历史水流方向、 历史水温、历史气温以及历史降水量;
步骤203:以历史总磷、历史氨氮浓度、历史pH、历史溶解氧、 历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、 历史水流方向、历史水温、历史气温以及历史降水量为输入变量,以 历史汞元素浓度、历史铬元素浓度以及历史镉元素浓度为输出变量, 建立验证BP神经网络;
步骤204:将历史总磷、历史氨氮浓度、历史pH、历史溶解氧、 历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、 历史水流方向、历史水温、历史气温以及历史降水量输入验证BP神 经网络,得到预测汞元素浓度、预测铬元素浓度以及预测镉元素浓度;
步骤205:由大数据处理中心确定预测汞元素浓度与历史汞元素 浓度差异小于门限的第一时间段,以及预测汞元素浓度与历史汞元素 浓度差异大于门限的第二时间段;
步骤206:基于第一时间段与第二时间段,生成模型调用基准。
实施例3
图3是根据本发明另一实施方式的方法流程图。如图所示,由大 数据处理中心基于所要应用的污染监测模型以及水污染物信息、水文 条件以及第一标识,生成针对水污染状况的预测报告包括如下步骤:
步骤301:由大数据处理中心提取属于第一时间段的历史总磷、 历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元 素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、 历史气温、历史降水量、历史汞元素浓度、历史铬元素浓度以及历史镉元素;
步骤302:由大数据处理中心提取属于第二时间段的历史总磷、 历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元 素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、 历史气温、历史降水量、历史汞元素浓度、历史铬元素浓度以及历史镉元素;
步骤303:以属于第一时间段的历史总磷、历史氨氮浓度、历史 pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素 浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水 量为输入变量,以属于第一时间段的历史汞元素浓度、历史铬元素浓度以及历史镉元素为输出变量,生成第一BP神经网络;
步骤304:以属于第二时间段的历史总磷、历史氨氮浓度、历史 pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素 浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水 量为输入变量,以属于第二时间段的历史汞元素浓度、历史铬元素浓度以及历史镉元素为输出变量,生成第二BP神经网络;
步骤305:如果第一标识提示要应用第一BP神经网络进行预测, 则由大数据处理中心利用第一BP神经网络,基于当前总磷、当前氨 氮浓度、当前pH、当前溶解氧、当前铜元素浓度、当前铅元素浓度、 当前砷元素浓度、当前水流速、当前水流方向、当前水温、当前气温 以及当前降水量,判断第二预测的汞元素浓度、第二预测的铬元素浓 度、第二预测的镉元素浓度;
步骤306:由大数据处理中心基于第二预测的汞元素浓度、第二 预测的铬元素浓度、第二预测的镉元素浓度,生成针对水污染状况的 预测报告。
实施例4
图4是根据本发明另一实施方式的方法流程图。如图所示,由大 数据处理中心基于所要应用的污染监测模型以及水污染物信息、水文 条件以及第一标识,生成水生动植物捕捞风险报告包括如下步骤:
步骤401:由大数据处理中心收集历史总磷、历史氨氮浓度、历 史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度以及历史砷 元素浓度;
步骤402:由大数据处理中心收集历史水流速、历史水流方向、 历史水温、历史气温以及历史降水量;
步骤403:由大数据处理中心收集历史水生动物种类、历史水生 动物体内危险物质残留量、历史水生植物种类以及历史水生植物内危 险物质残留量;
步骤404:以历史总磷、历史氨氮浓度、历史pH、历史溶解氧、 历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、 历史水流方向、历史水温、历史气温、历史降水量以及历史水生动物 种类为输入变量,以历史水生动物体内危险物质残留量为输出变量, 生成第三BP神经网络;
步骤405:以历史总磷、历史氨氮浓度、历史pH、历史溶解氧、 历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、 历史水流方向、历史水温、历史气温、历史降水量以及历史水生植物 种类为输入变量,以历史水生植物内危险物质残留量为输出变量,生 成第四BP神经网络;
步骤406:由大数据处理中心利用第三BP神经网络,并基于历 史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、 历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历 史水温、历史气温、历史降水量以及历史水生动物种类,生成预测水生动物体内危险物质残留量;
步骤407:由大数据处理中心利用第四BP神经网络,并基于历 史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、 历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历 史水温、历史气温、历史降水量以及历史水生织物种类,生成预测水生织物内危险物质残留量;
步骤408:基于预测水生动物体内危险物质残留量以及预测水生 织物内危险物质残留量,生成水生动植物捕捞风险报告。
实施例5
本发明提供了一种基于移动计算机和神经网络的污染监测装置, 其特征在于:污染监测装置包括:
用于由水污染物监测站监测水污染物信息的单元;
用于由水污染物监测站将水污染物信息发送给移动计算机的单 元;
用于由水文条件监测站监测水文条件的单元;
用于由水文条件监测站将水文条件发送给移动计算机的单元;
用于由水生动植物信息收集站收集水生动植物信息的单元;
用于由水生动植物信息收集站将水生动植物信息发送给移动计 算机的单元;
用于由移动计算机基于水文条件,并根据模型调用基准,判断应 当调用的污染监测模型,并生成针对应当调用的污染监测模型的第一 标识的单元;
用于由移动计算机将水污染物信息、水文条件、水生动植物信息 以及第一标识发送给大数据处理中心的单元;
用于由大数据处理中心基于第一标识,确定所要应用的污染监测 模型的单元;
用于由大数据处理中心基于所要应用的污染监测模型以及水污 染物信息、水文条件以及第一标识,生成针对水污染状况的预测报告 以及水生动植物捕捞风险报告的单元。
实施例6
优选地,上述技术方案中,其中,水污染物信息包括:当前总磷、 当前氨氮浓度、当前pH、当前溶解氧、当前汞元素浓度、当前铬元 素浓度、当前镉元素浓度、当前铜元素浓度、当前铅元素浓度以及当 前砷元素浓度;并且其中,水文条件包括:当前水流速、当前水流方向、当前水温、当前气温以及当前降水量;并且其中,水生动植物信 息包括:水生动物种类、水生动物体内危险物质残留量、水生植物种 类以及水生植物内危险物质残留量。
实施例7
优选地,上述技术方案中,其中,模型调用基准是通过以下步骤 生成的:
由大数据处理中心收集历史总磷、历史氨氮浓度、历史pH、历 史溶解氧、历史汞元素浓度、历史铬元素浓度、历史镉元素浓度、历 史铜元素浓度、历史铅元素浓度以及历史砷元素浓度;
由大数据处理中心收集历史水流速、历史水流方向、历史水温、 历史气温以及历史降水量;
以历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元 素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流 方向、历史水温、历史气温以及历史降水量为输入变量,以历史汞元 素浓度、历史铬元素浓度以及历史镉元素浓度为输出变量,建立验证 BP神经网络;
将历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元 素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流 方向、历史水温、历史气温以及历史降水量输入验证BP神经网络, 得到预测汞元素浓度、预测铬元素浓度以及预测镉元素浓度;
由大数据处理中心确定预测汞元素浓度与历史汞元素浓度差异 小于门限的第一时间段,以及预测汞元素浓度与历史汞元素浓度差异 大于门限的第二时间段;
基于第一时间段与第二时间段,生成模型调用基准。
实施例8
优选地,上述技术方案中,用于由大数据处理中心基于所要应用 的污染监测模型以及水污染物信息、水文条件以及第一标识,生成针 对水污染状况的预测报告的单元被配置为:
由大数据处理中心提取属于第一时间段的历史总磷、历史氨氮浓 度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历 史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、 历史降水量、历史汞元素浓度、历史铬元素浓度以及历史镉元素;
由大数据处理中心提取属于第二时间段的历史总磷、历史氨氮浓 度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历 史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、 历史降水量、历史汞元素浓度、历史铬元素浓度以及历史镉元素;
以属于第一时间段的历史总磷、历史氨氮浓度、历史pH、历史 溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史 水流速、历史水流方向、历史水温、历史气温、历史降水量为输入变 量,以属于第一时间段的历史汞元素浓度、历史铬元素浓度以及历史 镉元素为输出变量,生成第一BP神经网络;
以属于第二时间段的历史总磷、历史氨氮浓度、历史pH、历史 溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史 水流速、历史水流方向、历史水温、历史气温、历史降水量为输入变 量,以属于第二时间段的历史汞元素浓度、历史铬元素浓度以及历史 镉元素为输出变量,生成第二BP神经网络;
如果第一标识提示要应用第一BP神经网络进行预测,则由大数 据处理中心利用第一BP神经网络,基于当前总磷、当前氨氮浓度、 当前pH、当前溶解氧、当前铜元素浓度、当前铅元素浓度、当前砷 元素浓度、当前水流速、当前水流方向、当前水温、当前气温以及当前降水量,判断第二预测的汞元素浓度、第二预测的铬元素浓度、第 二预测的镉元素浓度;
由大数据处理中心基于第二预测的汞元素浓度、第二预测的铬元 素浓度、第二预测的镉元素浓度,生成针对水污染状况的预测报告。
实施例9
优选地,上述技术方案中,用于由大数据处理中心基于所要应用 的污染监测模型以及水污染物信息、水文条件以及第一标识,生成水 生动植物捕捞风险报告的单元被配置为:
由大数据处理中心收集历史总磷、历史氨氮浓度、历史pH、历 史溶解氧、历史铜元素浓度、历史铅元素浓度以及历史砷元素浓度;
由大数据处理中心收集历史水流速、历史水流方向、历史水温、 历史气温以及历史降水量;
由大数据处理中心收集历史水生动物种类、历史水生动物体内危 险物质残留量、历史水生植物种类以及历史水生植物内危险物质残留 量;
以历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元 素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流 方向、历史水温、历史气温、历史降水量以及历史水生动物种类为输 入变量,以历史水生动物体内危险物质残留量为输出变量,生成第三 BP神经网络;
以历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元 素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流 方向、历史水温、历史气温、历史降水量以及历史水生植物种类为输 入变量,以历史水生植物内危险物质残留量为输出变量,生成第四BP神经网络;
由大数据处理中心利用第三BP神经网络,并基于历史总磷、历 史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素 浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历 史气温、历史降水量以及历史水生动物种类,生成预测水生动物体内危险物质残留量;
由大数据处理中心利用第四BP神经网络,并基于历史总磷、历 史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素 浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历 史气温、历史降水量以及历史水生织物种类,生成预测水生织物内危险物质残留量;
基于预测水生动物体内危险物质残留量以及预测水生织物内危 险物质残留量,生成水生动植物捕捞风险报告。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范 围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围 之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (2)
1.一种基于移动计算机和神经网络的污染监测方法,其特征在于:所述基于移动计算机和神经网络的污染监测方法包括如下步骤:
由水污染物监测站监测水污染物信息;
由所述水污染物监测站将所述水污染物信息发送给移动计算机;
由水文条件监测站监测水文条件;
由所述水文条件监测站将所述水文条件发送给移动计算机;
由水生动植物信息收集站收集水生动植物信息;
由所述水生动植物信息收集站将所述水生动植物信息发送给移动计算机;
由所述移动计算机基于所述水文条件,并根据模型调用基准,判断应当调用的污染监测模型,并生成针对所述应当调用的污染监测模型的第一标识;
由所述移动计算机将所述水污染物信息、所述水文条件、所述水生动植物信息以及所述第一标识发送给大数据处理中心;
由所述大数据处理中心基于所述第一标识,确定所要应用的污染监测模型;以及
由所述大数据处理中心基于所要应用的污染监测模型以及所述水污染物信息、所述水文条件以及所述第一标识,生成针对水污染状况的预测报告以及水生动植物捕捞风险报告,
其中,所述水污染物信息包括:当前总磷、当前氨氮浓度、当前pH、当前溶解氧、当前汞元素浓度、当前铬元素浓度、当前镉元素浓度、当前铜元素浓度、当前铅元素浓度以及当前砷元素浓度;并且其中,所述水文条件包括:当前水流速、当前水流方向、当前水温、当前气温以及当前降水量;并且其中,所述水生动植物信息包括:水生动物种类、水生动物体内危险物质残留量、水生植物种类以及水生植物内危险物质残留量,
其中,所述模型调用基准是通过以下步骤生成的:
由所述大数据处理中心收集历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史汞元素浓度、历史铬元素浓度、历史镉元素浓度、历史铜元素浓度、历史铅元素浓度以及历史砷元素浓度;
由所述大数据处理中心收集历史水流速、历史水流方向、历史水温、历史气温以及历史降水量;
以所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温以及历史降水量为输入变量,以历史汞元素浓度、历史铬元素浓度以及历史镉元素浓度为输出变量,建立验证BP神经网络;
将所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温以及历史降水量输入所述验证BP神经网络,得到预测汞元素浓度、预测铬元素浓度以及预测镉元素浓度;
由所述大数据处理中心确定预测汞元素浓度与历史汞元素浓度差异小于门限的第一时间段,以及预测汞元素浓度与历史汞元素浓度差异大于门限的第二时间段;
基于所述第一时间段与所述第二时间段,生成所述模型调用基准,
由所述大数据处理中心基于所要应用的污染监测模型以及所述水污染物信息、所述水文条件以及所述第一标识,生成针对水污染状况的预测报告包括如下步骤:
由所述大数据处理中心提取属于所述第一时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量、历史汞元素浓度、历史铬元素浓度以及历史镉元素;
由所述大数据处理中心提取属于所述第二时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量、历史汞元素浓度、历史铬元素浓度以及历史镉元素;
以所述属于所述第一时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量为输入变量,以属于所述第一时间段的历史汞元素浓度、历史铬元素浓度以及历史镉元素为输出变量,生成第一BP神经网络;
以所述属于所述第二时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量为输入变量,以属于所述第二时间段的历史汞元素浓度、历史铬元素浓度以及历史镉元素为输出变量,生成第二BP神经网络;
如果所述第一标识提示要应用所述第一BP神经网络进行预测,则由所述大数据处理中心利用所述第一BP神经网络,基于所述当前总磷、当前氨氮浓度、当前pH、当前溶解氧、当前铜元素浓度、当前铅元素浓度、当前砷元素浓度、当前水流速、当前水流方向、当前水温、当前气温以及当前降水量,判断第二预测的汞元素浓度、第二预测的铬元素浓度、第二预测的镉元素浓度;
由所述大数据处理中心基于所述第二预测的汞元素浓度、第二预测的铬元素浓度、第二预测的镉元素浓度,生成针对水污染状况的预测报告,
由所述大数据处理中心基于所要应用的污染监测模型以及所述水污染物信息、所述水文条件以及所述第一标识,生成水生动植物捕捞风险报告包括如下步骤:
由所述大数据处理中心收集历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度以及历史砷元素浓度;
由所述大数据处理中心收集历史水流速、历史水流方向、历史水温、历史气温以及历史降水量;
由所述大数据处理中心收集历史水生动物种类、历史水生动物体内危险物质残留量、历史水生植物种类以及历史水生植物内危险物质残留量;
以所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量以及历史水生动物种类为输入变量,以历史水生动物体内危险物质残留量为输出变量,生成第三BP神经网络;
以所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量以及历史水生植物种类为输入变量,以历史水生植物内危险物质残留量为输出变量,生成第四BP神经网络;
由所述大数据处理中心利用所述第三BP神经网络,并基于所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量以及历史水生动物种类,生成预测水生动物体内危险物质残留量;
由所述大数据处理中心利用所述第四BP神经网络,并基于所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量以及历史水生织物种类,生成预测水生织物内危险物质残留量;
基于所述预测水生动物体内危险物质残留量以及预测水生织物内危险物质残留量,生成水生动植物捕捞风险报告。
2.一种基于移动计算机和神经网络的污染监测装置,其特征在于:所述污染监测装置包括:
用于由水污染物监测站监测水污染物信息的单元;
用于由所述水污染物监测站将所述水污染物信息发送给移动计算机的单元;
用于由水文条件监测站监测水文条件的单元;
用于由所述水文条件监测站将所述水文条件发送给移动计算机的单元;
用于由水生动植物信息收集站收集水生动植物信息的单元;
用于由所述水生动植物信息收集站将所述水生动植物信息发送给移动计算机的单元;
用于由所述移动计算机基于所述水文条件,并根据模型调用基准,判断应当调用的污染监测模型,并生成针对所述应当调用的污染监测模型的第一标识的单元;
用于由所述移动计算机将所述水污染物信息、所述水文条件、所述水生动植物信息以及所述第一标识发送给大数据处理中心的单元;
用于由所述大数据处理中心基于所述第一标识,确定所要应用的污染监测模型的单元;
用于由所述大数据处理中心基于所要应用的污染监测模型以及所述水污染物信息、所述水文条件以及所述第一标识,生成针对水污染状况的预测报告以及水生动植物捕捞风险报告的单元,
其中,所述水污染物信息包括:当前总磷、当前氨氮浓度、当前pH、当前溶解氧、当前汞元素浓度、当前铬元素浓度、当前镉元素浓度、当前铜元素浓度、当前铅元素浓度以及当前砷元素浓度;并且其中,所述水文条件包括:当前水流速、当前水流方向、当前水温、当前气温以及当前降水量;并且其中,所述水生动植物信息包括:水生动物种类、水生动物体内危险物质残留量、水生植物种类以及水生植物内危险物质残留量,
其中,所述模型调用基准是通过以下步骤生成的:
由所述大数据处理中心收集历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史汞元素浓度、历史铬元素浓度、历史镉元素浓度、历史铜元素浓度、历史铅元素浓度以及历史砷元素浓度;
由所述大数据处理中心收集历史水流速、历史水流方向、历史水温、历史气温以及历史降水量;
以所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温以及历史降水量为输入变量,以历史汞元素浓度、历史铬元素浓度以及历史镉元素浓度为输出变量,建立验证BP神经网络;
将所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温以及历史降水量输入所述验证BP神经网络,得到预测汞元素浓度、预测铬元素浓度以及预测镉元素浓度;
由所述大数据处理中心确定预测汞元素浓度与历史汞元素浓度差异小于门限的第一时间段,以及预测汞元素浓度与历史汞元素浓度差异大于门限的第二时间段;
基于所述第一时间段与所述第二时间段,生成所述模型调用基准,
用于由所述大数据处理中心基于所要应用的污染监测模型以及所述水污染物信息、所述水文条件以及所述第一标识,生成针对水污染状况的预测报告的单元被配置为:
由所述大数据处理中心提取属于所述第一时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量、历史汞元素浓度、历史铬元素浓度以及历史镉元素;
由所述大数据处理中心提取属于所述第二时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量、历史汞元素浓度、历史铬元素浓度以及历史镉元素;
以所述属于所述第一时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量为输入变量,以属于所述第一时间段的历史汞元素浓度、历史铬元素浓度以及历史镉元素为输出变量,生成第一BP神经网络;
以所述属于所述第二时间段的历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量为输入变量,以属于所述第二时间段的历史汞元素浓度、历史铬元素浓度以及历史镉元素为输出变量,生成第二BP神经网络;
如果所述第一标识提示要应用所述第一BP神经网络进行预测,则由所述大数据处理中心利用所述第一BP神经网络,基于所述当前总磷、当前氨氮浓度、当前pH、当前溶解氧、当前铜元素浓度、当前铅元素浓度、当前砷元素浓度、当前水流速、当前水流方向、当前水温、当前气温以及当前降水量,判断第二预测的汞元素浓度、第二预测的铬元素浓度、第二预测的镉元素浓度;
由所述大数据处理中心基于所述第二预测的汞元素浓度、第二预测的铬元素浓度、第二预测的镉元素浓度,生成针对水污染状况的预测报告,
用于由所述大数据处理中心基于所要应用的污染监测模型以及所述水污染物信息、所述水文条件以及所述第一标识,生成水生动植物捕捞风险报告的单元被配置为:
由所述大数据处理中心收集历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度以及历史砷元素浓度;
由所述大数据处理中心收集历史水流速、历史水流方向、历史水温、历史气温以及历史降水量;
由所述大数据处理中心收集历史水生动物种类、历史水生动物体内危险物质残留量、历史水生植物种类以及历史水生植物内危险物质残留量;
以所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量以及历史水生动物种类为输入变量,以历史水生动物体内危险物质残留量为输出变量,生成第三BP神经网络;
以所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量以及历史水生植物种类为输入变量,以历史水生植物内危险物质残留量为输出变量,生成第四BP神经网络;
由所述大数据处理中心利用所述第三BP神经网络,并基于所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量以及历史水生动物种类,生成预测水生动物体内危险物质残留量;
由所述大数据处理中心利用所述第四BP神经网络,并基于所述历史总磷、历史氨氮浓度、历史pH、历史溶解氧、历史铜元素浓度、历史铅元素浓度、历史砷元素浓度、历史水流速、历史水流方向、历史水温、历史气温、历史降水量以及历史水生织物种类,生成预测水生织物内危险物质残留量;
基于所述预测水生动物体内危险物质残留量以及预测水生织物内危险物质残留量,生成水生动植物捕捞风险报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810802917.1A CN108960525B (zh) | 2018-07-20 | 2018-07-20 | 基于移动计算机和神经网络的污染监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810802917.1A CN108960525B (zh) | 2018-07-20 | 2018-07-20 | 基于移动计算机和神经网络的污染监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960525A CN108960525A (zh) | 2018-12-07 |
CN108960525B true CN108960525B (zh) | 2021-11-16 |
Family
ID=64482119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810802917.1A Expired - Fee Related CN108960525B (zh) | 2018-07-20 | 2018-07-20 | 基于移动计算机和神经网络的污染监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960525B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514489A (zh) * | 2013-10-09 | 2014-01-15 | 天津科技大学 | 正交设计和gms耦合的地下水污染物水力截获优化方法 |
CN103559593A (zh) * | 2013-11-22 | 2014-02-05 | 华中科技大学 | 湖泊群多目标水质水量优化调度方法 |
KR101438565B1 (ko) * | 2013-03-07 | 2014-09-16 | (주)웹솔루스 | 인터넷을 통한 중금속 원격 모니터링 방법 |
CN105785865A (zh) * | 2016-03-19 | 2016-07-20 | 郑州轻工业学院 | 一种计算机应用无线监测设备 |
CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
CN106991491A (zh) * | 2017-02-21 | 2017-07-28 | 南京邮电大学 | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
CN107798467A (zh) * | 2017-10-11 | 2018-03-13 | 杭州市环境保护科学研究院 | 基于深度学习的水污染突发事故快速应急评估和决策方法 |
DE102016120663A1 (de) * | 2016-10-28 | 2018-05-03 | Endress+Hauser (Schweiz) AG | Verfahren zur automatisierten in-line Erkennung von Abweichungen eines Ist-Zustands eines Fluides von einem Referenzzustand des Fluides |
-
2018
- 2018-07-20 CN CN201810802917.1A patent/CN108960525B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101438565B1 (ko) * | 2013-03-07 | 2014-09-16 | (주)웹솔루스 | 인터넷을 통한 중금속 원격 모니터링 방법 |
CN103514489A (zh) * | 2013-10-09 | 2014-01-15 | 天津科技大学 | 正交设计和gms耦合的地下水污染物水力截获优化方法 |
CN103559593A (zh) * | 2013-11-22 | 2014-02-05 | 华中科技大学 | 湖泊群多目标水质水量优化调度方法 |
CN105785865A (zh) * | 2016-03-19 | 2016-07-20 | 郑州轻工业学院 | 一种计算机应用无线监测设备 |
DE102016120663A1 (de) * | 2016-10-28 | 2018-05-03 | Endress+Hauser (Schweiz) AG | Verfahren zur automatisierten in-line Erkennung von Abweichungen eines Ist-Zustands eines Fluides von einem Referenzzustand des Fluides |
CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
CN106991491A (zh) * | 2017-02-21 | 2017-07-28 | 南京邮电大学 | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
CN107798467A (zh) * | 2017-10-11 | 2018-03-13 | 杭州市环境保护科学研究院 | 基于深度学习的水污染突发事故快速应急评估和决策方法 |
Non-Patent Citations (1)
Title |
---|
遥感数据应用的大众化商业模式探讨;乔木;《军民两用技术与产品》;20160530;第52-57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108960525A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moparthi et al. | Water quality monitoring system using IoT | |
CN109613197B (zh) | 一种基于河道水网的水质监测预警反馈响应方法 | |
Heddam | Modelling hourly dissolved oxygen concentration (DO) using dynamic evolving neural-fuzzy inference system (DENFIS)-based approach: case study of Klamath River at Miller Island Boat Ramp, OR, USA | |
Salem et al. | An industrial cloud-based IoT system for real-time monitoring and controlling of wastewater | |
CN113970627B (zh) | 一种水质监测及预警方法、系统 | |
Wang et al. | A novel water quality mechanism modeling and eutrophication risk assessment method of lakes and reservoirs | |
CN110658725A (zh) | 一种基于人工智能的能源监管和预测系统及其方法 | |
CN110728423A (zh) | 一种长江流域水系统综合模拟方法及装置 | |
CN114184750A (zh) | 地下水污染物的监控方法、装置、设备及存储介质 | |
CN117852723B (zh) | 一种大型水库工程生态调度方案的确定方法 | |
CN108960525B (zh) | 基于移动计算机和神经网络的污染监测方法及装置 | |
CN110555626A (zh) | 污染源的确定方法、装置、设备和存储介质 | |
CN104298201A (zh) | 企业排污监测系统 | |
CN116451034A (zh) | 基于xgboost算法的压力源与水质关系的分析方法及系统 | |
CN208654841U (zh) | 一种水质预警预报系统 | |
CN115408646A (zh) | 基于大数据的河流污染物监测方法及系统 | |
Thirupathieswaran et al. | IoT Enabled Waste Management Optimization Framework (IWMOF) | |
Chang et al. | Machine Learning Approach to IoT-Based Water Quality Monitoring | |
Latif et al. | Developing an innovative machine learning model for rainfall prediction in a semi-arid region | |
CN116402252B (zh) | 用于水污染防治的智能分析决策方法及系统 | |
Fang et al. | Application of Continuous Time Link Prediction in Traceability of Water Environment Pollution | |
Ruan et al. | A novel RF-CEEMD-LSTM model for predicting water pollution | |
CN118261452B (zh) | 一种海洋碳收支评估方法、装置、设备及介质 | |
NL2034380B1 (en) | Method for predicting dissolved oxygen concentration in rivers based on maximum information coefficient and system thereof | |
CN118052373B (zh) | 海洋资源环境承载力评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211116 |
|
CF01 | Termination of patent right due to non-payment of annual fee |