CN109470828A - 一种基于多源数据融合的河湖健康监控方法 - Google Patents
一种基于多源数据融合的河湖健康监控方法 Download PDFInfo
- Publication number
- CN109470828A CN109470828A CN201811316240.7A CN201811316240A CN109470828A CN 109470828 A CN109470828 A CN 109470828A CN 201811316240 A CN201811316240 A CN 201811316240A CN 109470828 A CN109470828 A CN 109470828A
- Authority
- CN
- China
- Prior art keywords
- data
- river
- lake
- monitoring
- fusion
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
Abstract
本发明提供了一种基于多源数据融合的河湖健康监控方法,所述方法包括监控获取模块、数据生成模块及监测融合模块;能全方位对河湖进行实时的监控,从而得出多个评估结果,检测结果精确度高,本发明实施例提供了一种基于多源数据融合的河湖健康监控方法,以便解决河湖监控中遇到数据采集局限性等问题。
Description
技术领域
本发明涉及计算机应用技术领域,特别是涉及一种基于多源数据融合的河湖健康监控方法。
技术背景
河流是人类文明的发祥地,是社会经济可持续发展的基础。但在过去的几十年中,随着工业文明的兴起,人类对河流开发利用及干扰程度显著增强,河流生态系统逐步退化,一些河流不仅生态功能丧失,社会经济服务功能也受到损害。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,因此进行河湖监控尤为重要。
传统的河流监控方法中是采用少量传感器来监测整个河湖环境的健康状况。由于河湖环境监测点少,环境参数间相互影响、关系复杂,不能做到真正监控河湖健康情况;此外,获得的数据的太单一。对于监测到的数据只能反映部分河湖信息,难以全面准确反映整条河湖环境的变化情况。因此,采用多源数据融合技术,综合考虑多个环境因子的相互作用,得到较为精确的融合结果,可直观的反映河湖健康状态。
发明内容
为解决上述问题,本发明提供了一种基于多源数据融合的河湖健康监控方法,能全方位对河湖进行实时的监控,从而得出多个评估结果,检测结果精确度高,本发明实施例提供了一种基于多源数据融合的河湖健康监控方法,以便解决河湖监控中遇到数据采集局限性等问题。河湖的健康监控包括环境水体监测及水质监测两部分,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PH值、温度、浊度等;另一类是反映水质情况的综合指标,如河湖流速、流量等。
本申请中所述的一种基于多源数据融合的河湖健康监控方法,所述方法包括监控获取模块、数据生成模块及监测融合模块。
具体的,其中:
所述的监控获取模块通过以下两个步骤实现数据获取:
步骤1:识别各个传感器监测到的数据,并采集各个传感器检测到的数据。
步骤2:获取采集到的多源数据并进行存储。
具体的,所述传感器监测到的数据包括:水质污染指标数据,如PH值、温度、浊度等。水质情况指标数据,如河湖流速、流量等。
所述的数据生成模块,是指对获取到的多源数据进行预处理,完成处理的数据生成识别信息。
其中所述的预处理为从传感器中得到的模拟信号经过A/D转换器,得到数字信号。再进行数据判比,调用水质参考数据进行判比。
所述的数据生成识别信息具体为建立河湖监控数据库,经过判比后的河湖水质指标数据进行分类整合。则此数据库中的数据为可被调用的识别数据。
所述的监测融合模块,是对生成的各个识别信息进行互补数据融合处理。采用互补数据融合方法,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(河湖)进行检测所获得的相互间独立的几组数据。融合后的数则可直观反映河湖信息。
其中所述的互补数据融合处理具体为采集经过预处理后的数据并采用BP算法,所述识别信息为BP算法中的输入数据,经过融合处理输出数据,则此数据以图表的形式直观显示,方便监测人员校验统计。
其中所述BP算法也是误差反向传播法,是一种监督式的学习算法。利用BP网络的实际输出结果与目标矢量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,在此采用改进的BP算法进行数据的融合处理,具体算法可参考文献[1]。BP算法与图表数据统计相结合,输出的数据进行图表数据统计,以图表形式直观的显示在系统中。
有益效果
运用本申请中的多源数据融合的河湖健康监控方法,是通过建立“河湖健康监控数据管理信息系统(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。其中基于多源数据融合的河湖健康监控方法主要采用互补数据融合方法。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(河湖)进行检测时采用的方法。
附图说明
图1为本发明实施例中基于多源数据融合的河湖健康监控方法模块框架图;
图2为本发明实施例中基于多源数据融合的河湖健康监控方法工作流程图。
具体实施方式
本发明实施例提供了一种基于多源数据融合的河湖健康监控方法,能对河湖进行多方面的实时监控,从而得出多个评估结果,检测结果精确度高,河湖的健康监控包括环境水体监测及水质监测两部分,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PH值、温度、浊度等;另一类是反映水质情况的综合指标,如河湖流速、流量等。
具体的,其特征在于:
互补数据融合方法,由于对河湖的健康状况的监测,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(河湖)进行检测所获得的相互间独立的几组数据。如监测河湖水质污染的综合指标时,使用PH值、温度、浊度等传感器;监测水质情况的综合指标时,使用流速、流量等传感器,分别监测水体不同地域和不同时间段的水质情况。这类数据互相独立,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,更加准确的描述河湖的健康状况。
互补数据融合采用BP算法,构建特定的BP网络实现互补数据融合。BP网路的构建是将所述识别信息作为BP算法中的输入数据,经过误差函数取得函数最小值,其值作为输出数据输出。在此算法过程中为解决算法训练时间长的缺点,采用数据分类存储,建立河湖监控数据库,将各个传感器中采集到的数据进行分类,之后再调用分类好的数据进行BP算法,最终输出数据以图表的形式直观显示,方便监测人员校验统计。
其中所述BP算法也是误差反向传播法,是一种监督式的学习算法。利用BP网络的实际输出结果与目标矢量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,在此采用改进的BP算法进行数据的融合处理,具体算法可参考文献[1]。BP算法与图表数据统计相结合,输出的数据进行图表数据统计,以图表形式直观的显示在系统中。
其中基于多源数据融合的河湖健康监控方法一般包括监控获取模块、数据生成模块及监测融合模块。请参考图1,图1为本发明实施例中基于多源数据融合的河湖健康监控方法的模块框架图。其具体实施过程为:所述的监控获取模块,主要包括以下两个步骤:
步骤1:识别监测信息。识别各个传感器监测到的水质污染指标数据及水质情况指标数据,并采集各个传感器检测到的所有数据。
步骤2:获取多源数据。获取采集到的所有数据,并根据水质污染数据和水质情况数据两大类进行分类存储。
具体的,所述传感器监测到的数据包括:水质污染指标数据,如PH值、温度、浊度等。水质情况指标数据,如河湖流速、流量等。所述的数据生成模块,是指对获取到的多源数据进行预处理,完成处理的数据生成识别信息。
其中所述的预处理为从传感器中得到的模拟信号经过A/D转换器,得到数字信号。再进行数据判比,通过河湖健康监控数据管理信息系统中调用水质参考数据进行判比,最终将判比后误差较小的数据与误差数据进行存储。
所述的数据生成识别信息具体为建立河湖监控数据库,经过判比后的河湖水质指标数据进行分类整合,以水质污染指标与水质情况指标为依据进行数据分类并存储于河湖监控数据库。则此数据库中的数据为可被调用的识别数据。
所述的监测融合模块,是对生成的各个识别信息进行互补数据融合处理。采用互补数据融合方法,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(河湖)进行检测所获得的相互间独立的几组数据。融合后的数则可直观反映河湖信息。
其中所述的互补数据融合处理具体为采集经过预处理后的数据并采用BP算法,所述识别信息为BP算法中的输入数据,经过融合处理输出数据,则此数据以图表的形式直观显示,方便监测人员校验统计。
其中所述BP算法也是误差反向传播法,是一种监督式的学习算法。利用BP网络的实际输出结果与目标矢量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,在此采用改进的BP算法进行数据的融合处理,具体算法可参考文献[1]。BP算法与图表数据统计相结合,输出的数据进行图表数据统计,以图表形式直观的显示在系统中。
实施例2
一种基于多源数据融合的河湖健康监控方法,具体实现步骤如下:
步骤1:在需监控的河湖区域安装河湖监控设备,此设备是由PH传感器、温度传感器、浊度传感器、流速传感器、流量传感器等组成。传感器将会监测到相关河湖水质指标数据。
步骤2:将监测到的河湖水质污染指标数据,如PH值、温度、浊度等;水质情况指标数据,如河湖流速、流量等,经过A/D转换器,转换得到数字信号。
步骤3:通过河湖健康监控数据管理信息系统中调用水质参考数据进行判比,最终将判比后误差较小的数据与误差数据进行存储。
步骤4:在存储前根据数据输出的不同的传感器分别进行数据分类,将PH传感器、温度传感器、浊度传感器输出的数据分类为河湖水质污染指标数据,将从流速传感器与流量传感器输出的数据分类为水质情况指标数据。对两大类数据分别编号为01号与02号,采用数据库的管理方式,建立两张表,分别命名为水质污染#01与水质情况#02,上传数据时,自动根据文件类型选择不同的数据库表进行记录。
步骤4:传感器感知数据,经过上述步骤的分类后,将分类数据直接与系统录入的数据进行关联性的融合,采用改进BP算法将数据误差降低,将有关联的数据则进行运用于存储。
请参考图2,图2为本发明实施例中基于多源数据融合的河湖健康监控方法工作流程图。其具体实施过程为:
在进行河湖健康监控过程中对多源数据融合处理时,首先获取传感器监测到的数据,将获取到的数据进行预处理,然后数据生成识别信息,之后进行互补数据融合处理,显示图表相结合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 (3)
1.一种基于多源数据融合的河湖健康监控方法,所述方法包括监控获取模块、数据生成模块及监测融合模块;
其中:
所述的监控获取模块通过以下两个步骤实现数据获取:
步骤1:识别各个传感器监测到的数据,并采集各个传感器检测到的数据;
步骤2:获取采集到的多源数据并进行存储;
所述的数据生成模块,是指对获取到的多源数据进行预处理,完成处理的数据生成识别信息;
所述的监测融合模块,是对生成的各个识别信息进行互补数据融合处理。采用互补数据融合方法,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(河湖)进行检测所获得的相互间独立的几组数据。融合后的数则可直观反映河湖信息。
2.如权利要求1所述的一种基于多源数据融合的河湖健康监控方法,其中,所述传感器监测到的数据包括:水质污染指标数据,如PH值、温度、浊度等。水质情况指标数据,如河湖流速、流量等;
其中所述的预处理为从传感器中得到的模拟信号经过A/D转换器,得到数字信号。再进行数据判比,调用水质参考数据进行判比;
所述的数据生成识别信息具体为建立河湖监控数据库,经过判比后的河湖水质指标数据进行分类整合。则此数据库中的数据为可被调用的识别数据。
3.如权利要求1所述的一种基于多源数据融合的河湖健康监控方法,其中,所述的互补数据融合处理具体为采集经过预处理后的数据并采用BP算法,所述识别信息为BP算法中的输入数据,经过融合处理输出数据,则此数据以图表的形式直观显示,方便监测人员校验统计;
其中所述BP算法也是误差反向传播法,是一种监督式的学习算法。利用BP网络的实际输出结果与目标矢量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,在此采用改进的BP算法进行数据的融合处理;BP算法与图表数据统计相结合,输出的数据进行图表数据统计,以图表形式直观的显示在系统中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316240.7A CN109470828A (zh) | 2018-11-07 | 2018-11-07 | 一种基于多源数据融合的河湖健康监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316240.7A CN109470828A (zh) | 2018-11-07 | 2018-11-07 | 一种基于多源数据融合的河湖健康监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109470828A true CN109470828A (zh) | 2019-03-15 |
Family
ID=65671900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811316240.7A Pending CN109470828A (zh) | 2018-11-07 | 2018-11-07 | 一种基于多源数据融合的河湖健康监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109470828A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146720A (zh) * | 2022-06-28 | 2022-10-04 | 广州市河涌监测中心 | 基于机器学习的河湖水环境数据融合与样本标注方法、系统及计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070255431A1 (en) * | 2006-04-28 | 2007-11-01 | Benchmark Research & Technology, Llc | Monitoring and controlling an aquatic environment |
WO2012141706A1 (en) * | 2011-04-14 | 2012-10-18 | Underground Solutions Technologies Group, Inc. | Pipe fusion data management system and method |
CN102944656A (zh) * | 2012-10-23 | 2013-02-27 | 中国科学院上海微系统与信息技术研究所 | 一种在线水质监测系统 |
CN103969415A (zh) * | 2014-05-21 | 2014-08-06 | 南通大学 | 一种移动式水污染数据采集系统及方法 |
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 |
CN106872657A (zh) * | 2017-01-05 | 2017-06-20 | 河海大学 | 一种多变量水质参数时序数据异常事件检测方法 |
-
2018
- 2018-11-07 CN CN201811316240.7A patent/CN109470828A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070255431A1 (en) * | 2006-04-28 | 2007-11-01 | Benchmark Research & Technology, Llc | Monitoring and controlling an aquatic environment |
WO2012141706A1 (en) * | 2011-04-14 | 2012-10-18 | Underground Solutions Technologies Group, Inc. | Pipe fusion data management system and method |
CN102944656A (zh) * | 2012-10-23 | 2013-02-27 | 中国科学院上海微系统与信息技术研究所 | 一种在线水质监测系统 |
CN103969415A (zh) * | 2014-05-21 | 2014-08-06 | 南通大学 | 一种移动式水污染数据采集系统及方法 |
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 |
CN106872657A (zh) * | 2017-01-05 | 2017-06-20 | 河海大学 | 一种多变量水质参数时序数据异常事件检测方法 |
Non-Patent Citations (2)
Title |
---|
聂增丽等: "《无线传感网技术》", 31 August 2016 * |
贾丽会等: "BP 算法分析与改进", 《计算机技术与发展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146720A (zh) * | 2022-06-28 | 2022-10-04 | 广州市河涌监测中心 | 基于机器学习的河湖水环境数据融合与样本标注方法、系统及计算机设备 |
CN115146720B (zh) * | 2022-06-28 | 2023-04-25 | 广州市河涌监测中心 | 基于机器学习的河湖水环境数据融合与样本标注方法、系统及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463633B (zh) | 一种基于eemd-神经网络的实时数据异常值检测方法 | |
Black et al. | DHRAM: a method for classifying river flow regime alterations for the EC Water Framework Directive | |
Coffin et al. | An empirical model using dissolved oxygen as an indicator for eutrophication at a regional scale | |
CN109002888B (zh) | 一种赤潮预警方法 | |
CN110686633B (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
CN110231447A (zh) | 水质异常检测的方法、装置及终端设备 | |
Hwang et al. | Detection and correction method of erroneous data using quantile pattern and LSTM | |
He et al. | Spatial assessment of urban climate change vulnerability during different urbanization phases | |
MacWilliams et al. | 3-D simulations of the San Francisco Estuary with subgrid bathymetry to explore long-term trends in salinity distribution and fish abundance | |
CN108872517A (zh) | 用于水环境监测的三维数据融合处理方法 | |
Li et al. | An improved gray model for aquaculture water quality prediction | |
CN109470828A (zh) | 一种基于多源数据融合的河湖健康监控方法 | |
RU2357243C1 (ru) | Способ биологического мониторинга на основе биоиндикации | |
US20210287525A1 (en) | Method for learning latest data considering external influences in early warning system and system for same | |
Xu et al. | Detecting spatial patterns of rivermouth processes using a geostatistical framework for near-real-time analysis | |
Khoshbakht et al. | Uses of Data Fusion Technology for Establishing Scalable Data Solutions in the Marketing Sector | |
Mozumder et al. | Smart IoT biofloc water management system using decision regression tree | |
CN114022008A (zh) | 一种基于水生态分区理论的河口适宜生态流量评估方法 | |
CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及系统 | |
Lipsewers et al. | Microzooplankton, the missing link in Finnish plankton monitoring programs | |
CN112906762A (zh) | 一种水资源系统临界状态的定义及辨识方法和系统 | |
Kirstein et al. | Simplification of water distribution network simulation by topological clustering–investigation of its potential use in Copenhagen's water supply monitoring and contamination contingency plans | |
CN102680228B (zh) | 检测风机齿轮箱状态的方法 | |
Xie et al. | An improved floc image segmentation algorithm based on Otsu and particle swarm optimisation | |
Lokuliyana et al. | A survey: IoT enable framework for water quality measurement and distribution |
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 |