CN110334452B - 一种智慧农业大气污染物浓度分层次预警方法 - Google Patents

一种智慧农业大气污染物浓度分层次预警方法 Download PDF

Info

Publication number
CN110334452B
CN110334452B CN201910616614.5A CN201910616614A CN110334452B CN 110334452 B CN110334452 B CN 110334452B CN 201910616614 A CN201910616614 A CN 201910616614A CN 110334452 B CN110334452 B CN 110334452B
Authority
CN
China
Prior art keywords
concentration
height
prediction model
level
atmospheric
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.)
Active
Application number
CN201910616614.5A
Other languages
English (en)
Other versions
CN110334452A (zh
Inventor
刘辉
施惠鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dragon Totem Technology Hefei Co ltd
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201910616614.5A priority Critical patent/CN110334452B/zh
Publication of CN110334452A publication Critical patent/CN110334452A/zh
Application granted granted Critical
Publication of CN110334452B publication Critical patent/CN110334452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
    • 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
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Animal Husbandry (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Educational Administration (AREA)

Abstract

本发明公开了一种智慧农业大气污染浓度分层次预警方法，属于污染监控技术领域，本发明基于不同农作物在不同生长高度对不同种类大气污染物浓度敏感程度的差异性，能够优化农作物种植区域关于大气污染物浓度管控与决策的有效资源配置，为各种农作物在大气污染物安全浓度环境下健康生长提供保证，助推智慧农业稳健发展。本发明提出了在目标农作物种植区域内利用均匀分布的无人机匀速升降的方法对该区域内的4种大气污染物SO2、NOx、CO、O3浓度进行随高度变化的实时离散点采样，在一定程度上保证了测量过程的时效性和准确性，避免了不同子区域大气污染物浓度随高度变化的随机性和偶然性，有利于农业种植的智能化管控。

Description

一种智慧农业大气污染物浓度分层次预警方法
技术领域
本发明属于污染监控技术领域，涉及面向农作物的大气污染物浓度预测，特别是涉及一种智慧农业大气污染物浓度分层次预警方法。
背景技术
智慧农业作为农业生产的最新发展方向，将新兴的云计算、物联网、大数据等技术依托农业生产环境融合于一体，实现了农业生产过程的智能感知、智能预警、智能决策、智能分析，为农业生产提供指导。目前智慧农业在土壤水分、环境温湿度、光照强度等多种环境因素的自动监测领域已经实现了重要突破，依据在农业生产区域广泛分布的传感节点实时采集监控上述与农作物生长息息相关的自然因素，并对多因素采集数据进行分析，为农业园区内的自动灌溉、自动降温、自动施肥等控制手段提供决策依据，但是目前并未实现系统的SO2、NOx、CO、O3等多种大气污染源的敏感度差异的分层次短时预测，单一的固定采样点测量方式存在非常大的随机性和偶然性。
发明内容
本发明的目的在于提供一种智慧农业大气污染物浓度分层次预警方法，实现了一定农作物种植区域内依据不同农作物在多层级生长高度对多种类大气污染物及浓度的敏感度差异的分层次预测，在目标种植区域内为农作物的健康生长提供基于自然环境因素的保障，助推农业生产向自动化和智能化发展。
为了达到上述目的，本发明提供以下技术方案：
本发明提供一种智慧农业大气污染物浓度分层次预警方法，包括以下步骤：
(1)对目标农作物种植区域进行高度层级划分，每一层级分别设置若干大气污染物浓度传感器实时监测并采集该高度层级的多种类大气污染物浓度，大气污染物包括SO2、NOx、CO、O3，获取四种大气污染物的高度层级划分，分别记为：
Figure GDA0002739105030000011
HeightCO、
Figure GDA0002739105030000012
(2)利用每一高度层级的均匀分布大气污染物浓度传感器分别对SO2、NOx、CO、O3浓度进行采集，分别形成目标大气污染物浓度样本a、b、c、d，对原始浓度样本进行异常值剔除与去噪处理，得到四种污染物浓度的处理后样本a″、b″、c″、d″；
(3)分层次大气污染物浓度预测模型建立：
3.1)将样本a″中t时刻、高度层级为
Figure GDA0002739105030000021
(表示第l个高度层级的SO2浓度)的SO2浓度序列作为带有自适应权值的量子粒子群优化的小波神经网络SO2浓度预测模型的输入，样本a″中t+Δt时刻、高度层级为
Figure GDA0002739105030000022
的SO2浓度序列作为预测模型的输出，得到高度层级为
Figure GDA0002739105030000023
步长为Δt的SO2浓度预测模型；同理共得到ρ个SO2预测模型，ρ为SO2浓度对应的高度层级数；
3.2)将样本b″中t时刻、高度层级为
Figure GDA0002739105030000024
的NOx浓度序列作为水循环WCA算法优化的极限学习机NOx浓度预测模型的输入，对应样本b″中t+Δt时刻、高度层级为
Figure GDA0002739105030000025
的浓度序列作为预测模型的输出，得到高度层级为
Figure GDA0002739105030000026
步长为Δt的NOx浓度预测模型；同理共得到σ个NOx预测模型，σ为NOx浓度对应的高度层级数；
3.3)将样本c″中t时刻、高度层级为
Figure GDA0002739105030000027
的CO浓度序列作为布谷鸟搜索算法优化的随机森林CO浓度预测模型的输入，对应样本c″中t+Δt时刻、高度层级为
Figure GDA0002739105030000028
的浓度序列作为预测模型的输出，得到高度层级为
Figure GDA0002739105030000029
步长为Δt的CO浓度预测模型；同理共得到τ个CO预测模型，τ为CO浓度对应的高度层级数；
3.4)将样本d″中t时刻、高度层级为
Figure GDA00027391050300000210
的O3浓度序列作为基于猴群爬过程的人工蜂群优化的支持向量机O3浓度预测模型的输入，对应样本d″中t+Δt时刻、高度层级为
Figure GDA00027391050300000211
的O3浓度序列作为预测模型的输出，得到高度层级为
Figure GDA00027391050300000212
步长为Δt的O3浓度预测模型；同理共得到ω个O3预测模型，ω为O3浓度对应的高度层级数；
(4)利用训练完成的ρ个SO2预测模型、σ个NOx预测模型、τ个CO预测模型、ω个O3预测模型实现目标农作物区域的四种大气污染物浓度分层次、全覆盖的空间立体网络预测，对不同种类农作物进行针对不同种类大气污染物、不同生长高度的多层级分类预警。
在一个具体实施方式中，步骤(1)中，高度层级的划分依据如下：
1.1)利用若干台无人机分布在目标农作物种植区域的若干个随机子区域，每台无人机测量覆盖1个子区域，每台无人机搭载SO2、NOx、CO、O3四种大气污染物浓度传感器，在阳光、水分等自然因素正常且基本一致的条件下进行匀速自主升降实时测量每一高度元素的4种大气污染物浓度，采样间隔为Δt，高度元素为hΔt＝{h1，h2，...，hn}，即每一台无人机均采样n次；
1.2)对不同种类、不同高度元素的大气污染物浓度进行标签化处理，SO2对应于不同高度元素的浓度分别记为
Figure GDA0002739105030000031
NOx对应于不同高度元素的浓度分别记为
Figure GDA0002739105030000032
CO对应于不同高度元素的浓度分别记为
Figure GDA0002739105030000033
O3对应于不同高度元素的浓度分别记为
Figure GDA0002739105030000034
1.3)利用先验知识获取目标农作物种植区域内所有农作物对4种大气污染物浓度的敏感高度值，记目标农作物对SO2浓度、NOx浓度、CO浓度和O3浓度的敏感高度元素集分别为：
Figure GDA0002739105030000035
Figure GDA0002739105030000036
Figure GDA0002739105030000037
1.4)对SO2浓度值序列，计算
Figure GDA0002739105030000038
中每两个相邻的浓度值之间的变化率，即
Figure GDA0002739105030000039
若当
Figure GDA00027391050300000310
第一次超过阈值
Figure GDA00027391050300000311
时，记录此时的有效高度元素值hi，第二次超过阈值
Figure GDA00027391050300000312
时，记录此时的有效高度元素值hj，将所有有效高度元素值重新编号，记为有效高度元素集
Figure GDA00027391050300000313
1.5)与步骤1.4)中同理，得到NOx、CO、O3的有效高度元素集
Figure GDA00027391050300000314
1.6)将步骤1.3)中得到的敏感高度与步骤1.4)、1.5)中得到的有效高度元素进行融合，具体过程如下：
S1.以SO2浓度为例，当α＞n1时，高度层级划分取为目标农作物的敏感高度元素集；
S2.当α＝n1且
Figure GDA00027391050300000315
与
Figure GDA00027391050300000316
的差值在阈值范围内时，高度层级划分取为敏感高度元素集与有效高度元素集的算数平均数；
S3.当α＝n1但
Figure GDA00027391050300000317
与
Figure GDA00027391050300000318
的差值超出阈值范围时，高度层级划分取为目标农作物的敏感高度元素集；
S4.当α＜n1时，高度层级划分取为有效高度元素集；
S5.得到SO2的高度层级划分
Figure GDA0002739105030000041
同理可得到NOx、CO、O3的高度层级划分
Figure GDA0002739105030000042
在一个具体实施方式中，步骤(2)中，所述异常值剔除与去噪处理过程，具体为：
2.1)设
Figure GDA0002739105030000043
表示传感器ID为j的第i时刻第k高度层级的SO2浓度值，
Figure GDA0002739105030000044
为任意传感器ID中的第i时刻第k高度层级的SO2浓度值，通过对样本中的所有SO2浓度数据进行判断，识别潜在异常值：
Figure GDA0002739105030000045
2.2)若对于
Figure GDA0002739105030000046
存在
Figure GDA0002739105030000049
，使得：
Figure GDA0002739105030000047
则该点为异常值点，对该点的样本浓度值进行重新赋值：
Figure GDA0002739105030000048
将样本数据进行异常值处理后的SO2浓度样本记为a′；
2.3)利用傅里叶变换将步骤2.2)得到的样本a′分解为低频和高频信号，利用滤波器滤去高频信号，使处理后的浓度数据更加平稳，将浓度样本a′经去噪之后的样本数据记为a″；
2.4)对NOx、CO、O3三种污染物浓度原始样本b、c、d同样进行上述步骤2.1)～2.3)的操作，得到此三种污染物浓度的处理后样本b″、c″、d″。
本发明具有以下有益技术效果：
本发明针对与农作物生产过程相关的大气污染物，并基于不同农作物在不同生长高度对不同种类大气污染物浓度敏感程度的差异性，提出一种智慧农业大气污染浓度层次预警方法。该方法能够优化农作物种植区域关于大气污染物浓度管控与决策的有效资源配置，为各种农作物在大气污染物安全浓度环境下健康生长提供保证，助推智慧农业稳健发展。
本发明提出了在目标农作物种植区域内利用均匀分布的无人机匀速升降的方法对该区域内的4种大气污染物SO2、NOx、CO、O3浓度进行随高度变化的实时离散点采样，在一定程度上保证了测量过程的时效性和准确性，避免了不同子区域大气污染物浓度随高度变化的随机性和偶然性，有利于农业种植的智能化管控。
附图说明
图1是智慧农业大气污染物浓度分层次预警方法流程示意图。
图2是目标农作物种植区域无人机测量区域划分情况。
图3是大气污染物浓度无人机自主升降测量过程示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合具体实施例和附图对本发明进行详细的说明：
本实施例一种智慧农业大气污染浓度分层次预警方法，如图1所示，包括以下步骤：
步骤一、对目标农作物种植区域进行高度层级划分，每一层级分别设置若干大气污染物浓度传感器实时监测并采集该高度层级的多种类大气污染物浓度，大气污染物包括SO2、NOx、CO、O3，获取四种大气污染物的高度层级划分，高度层级的划分依据如下：
1.1)利用若干台无人机分布在目标农作物种植区域的若干个随机子区域，每台无人机测量覆盖1个子区域，每台无人机搭载SO2、NOx、CO、O3四种大气污染物浓度传感器，在阳光、水分等自然因素正常且基本一致的条件下进行匀速自主升降实时测量每一高度元素的4种大气污染物浓度，采样间隔为Δt，高度元素为hΔt＝{h1，h2，...，hn}，即每一台无人机均采样n次；无人机分布的子区域划分结果如图2所示，无人机自主升降测量过程如图3所示；
1.2)对不同种类、不同高度元素的大气污染物浓度进行标签化处理，SO2对应于不同高度元素的浓度分别记为
Figure GDA0002739105030000061
NOx对应于不同高度元素的浓度分别记为
Figure GDA0002739105030000062
CO对应于不同高度元素的浓度分别记为
Figure GDA0002739105030000063
O3对应于不同高度元素的浓度分别记为
Figure GDA0002739105030000064
1.3)利用先验知识获取目标农作物种植区域内所有农作物对4种大气污染物浓度的敏感高度值，记目标农作物对SO2浓度、NOx浓度、CO浓度和O3浓度的敏感高度元素集分别为：
Figure GDA0002739105030000065
Figure GDA0002739105030000066
Figure GDA0002739105030000067
1.4)对SO2浓度值序列，计算
Figure GDA0002739105030000068
中每两个相邻的浓度值之间的变化率，即
Figure GDA0002739105030000069
若当
Figure GDA00027391050300000610
第一次超过阈值
Figure GDA00027391050300000611
时，记录此时的有效高度元素值hi，第二次超过阈值
Figure GDA00027391050300000612
时，记录此时的有效高度元素值hj，将所有有效高度元素值重新编号，记为有效高度元素集
Figure GDA00027391050300000613
1.5)与步骤1.4)中同理，得到NOx、CO、O3的有效高度元素集
Figure GDA00027391050300000614
1.6)将步骤1.3)中得到的敏感高度与步骤1.4)、1.5)中得到的有效高度元素进行融合，具体过程如下：
S1.以SO2浓度为例，当α＞n1时，高度层级划分取为目标农作物的敏感高度元素集；
S2.当α＝n1且
Figure GDA00027391050300000615
与
Figure GDA00027391050300000616
的差值在阈值范围内时，高度层级划分取为敏感高度元素集与有效高度元素集的算数平均数；
S3.当α＝n1但
Figure GDA00027391050300000617
与
Figure GDA00027391050300000618
的差值超出阈值范围时，高度层级划分取为目标农作物的敏感高度元素集；
S4.当α＜n1时，高度层级划分取为有效高度元素集；
S5.得到SO2的高度层级划分
Figure GDA0002739105030000071
同理可得到NOx、CO、O3的高度层级划分
Figure GDA0002739105030000072
步骤二、利用每一高度层级的均匀分布大气污染物浓度传感器分别对SO2、NOx、CO、O3浓度进行采集，分别形成目标大气污染物浓度样本a、b、c、d，对原始浓度样本进行异常值剔除与去噪处理，具体为：
2.1)设
Figure GDA0002739105030000073
表示传感器ID为j的第i时刻第k高度层级的SO2浓度值，
Figure GDA0002739105030000074
为任意传感器ID中的第i时刻第k高度层级的SO2浓度值，通过对样本中的所有SO2浓度数据进行判断，识别潜在异常值：
Figure GDA0002739105030000075
2.2)若对于
Figure GDA0002739105030000076
存在CSO2，使得：
Figure GDA0002739105030000077
则该点为异常值点，对该点的样本浓度值进行重新赋值：
Figure GDA0002739105030000078
将样本数据进行异常值处理后的SO2浓度样本记为a′；
2.3)利用傅里叶变换将步骤2.2)得到的样本a′分解为低频和高频信号，利用滤波器滤去高频信号，使处理后的浓度数据更加平稳，将浓度样本a′经去噪之后的样本数据记为a″；
2.4)对NOx、CO、O3三种污染物浓度原始样本b、c、d同样进行上述步骤2.1)～2.3)的操作，得到此三种污染物浓度的处理后样本b″、c″、d″。
步骤三、分层次大气污染物浓度预测模型建立：
3.1)将样本a″中t时刻、高度层级为
Figure GDA0002739105030000079
(表示第l个高度层级的SO2浓度)的SO2浓度序列作为带有自适应权值的量子粒子群优化的小波神经网络SO2浓度预测模型的输入，样本a″中t+Δt时刻、高度层级为
Figure GDA00027391050300000710
的SO2浓度序列作为预测模型的输出，得到高度层级为
Figure GDA00027391050300000711
步长为Δt的SO2浓度预测模型；同理共得到ρ个SO2预测模型，ρ为SO2浓度对应的高度层级数；
小波神经网络的输入层包含10个节点，隐含层包含3个节点，输出层包含1个结点。最大迭代次数设置为200，训练学习率为0.1。
小波神经网络使用的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得的过程如下：
C1：以量子粒子群中每个量子粒子个体的位置向量作为所述小波神经网络的权值和阈值，将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数；
量子粒子群种群的个数的取值范围为[25,70]，量子粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400,1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01,0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；
C2：设定适应度函数，确定初始最优量子粒子个体位置向量和迭代次数t，t＝1；
将量子粒子个体位置向量对应的权值和阈值代入SO2浓度预测模型中，并利用量子粒子个体位置向量确定的SO2浓度预测模型计算超前1步的SO2浓度，将SO2浓度预测值和SO2浓度实际值均方差和的倒数作为适应度函数；
C3：计算每个量子粒子群的群体适应度方差，进行早熟收敛判断；
若量子粒子群群体适应度方差小于早熟收敛判断阈值γ，则对量子粒子群中δ％的适应度最差粒子和群体极值粒子进行变异，并以当前适应度最好的粒子作为全局最优量子粒子个体；
C4：判断是否组建精英种群；
当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值组建精英种群，转入步骤C8，否则转入步骤C5；
C5：更新各种群粒子参数；
C6：重新计算并比较每个粒子的适应度值，如果优于当前的个体极值，则更新个体极值；比较全局极值粒子，如果存在粒子适应度值优于当前的群体极值，则更新全局极值粒子，令t＝t+1，转入步骤C3；
C7：精英种群继续进化；
C8：判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤C3，直到找到全局最优值，输出所述小波神经网络的权值和阈值。
3.2)将样本b″中t时刻、高度层级为
Figure GDA0002739105030000091
的NOx浓度序列作为水循环WCA算法优化的极限学习机NOx浓度预测模型的输入，对应样本b″中t+Δt时刻、高度层级为
Figure GDA0002739105030000092
的浓度序列作为预测模型的输出，得到高度层级为
Figure GDA0002739105030000093
步长为Δt的NOx浓度预测模型；同理共得到σ个NOx预测模型，σ为NOx浓度对应的高度层级数；
极限学习机的输入层包含10个节点，隐含层包含3个节点，输出层包含1个节点，最大迭代次数设置为200，输入权值w和隐含层神经元偏置量d最初随机赋值，之后通过水循环算法WCA算法优化得到。
极限学习机使用的权值w和隐含层神经元偏置量d采用水循环算法WCA算法进行寻优获得的过程如下：
D1：每个降雨层作为用于获取极限学习机的权值、隐含层神经元偏置量d，初始化降雨层种群；
设定降雨层种群数量的取值范围为[20,100]，海洋数量为1，河流数量的取值范围为[5,30]，最大迭代次数的取值范围为[200,1000]、极小值的取值范围为[0.005,0.1]；
D2：设定适应度函数。将降雨层对应的用于获取极限学习机的权值和隐含层神经元偏置量代入NOx浓度预测模型中，并利用降雨层确定的NOx浓度预测模型计算超前1步的NOx浓度，将NOx浓度预测值和NOx浓度实际值的均方差的倒数作为适应度函数；
D3：以适应度大的降雨层作为大海，以适应度次小的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；
D4：如果溪流解优于河流解，则溪流与河流交换位置，如果河流解优于海洋解，则河流与海洋交换位置；然后使溪流流入河流，使河流汇入海洋；
D5：判断河流解与海洋解之间的差值绝对值是否小于设定的极小值，如果小于，则认为满足降雨条件，从种群中去掉该河流，并重新进行降雨过程，随机生成新的降雨层加入种群，返回步骤D3继续一次迭代，否则，进入步骤D6；
D6：判断是否到达最大迭代次数，若满足则输出最优的降雨层对应的参数，输出用于获取极限学习机的权值和隐含层神经元偏置量d，若不满足则进入步骤D3继续下一次迭代。
3.3)将样本c″中t时刻、高度层级为
Figure GDA0002739105030000101
的CO浓度序列作为布谷鸟搜索算法优化的随机森林CO浓度预测模型的输入，对应样本c″中t+Δt时刻、高度层级为
Figure GDA0002739105030000102
的浓度序列作为预测模型的输出，得到高度层级为
Figure GDA0002739105030000103
步长为Δt的CO浓度预测模型；同理共得到τ个CO预测模型，τ为CO浓度对应的高度层级数；
从CO浓度样本集中有放回随机采样选出500个样本并根据随机选取的特征建立决策树。重复以上步骤20次，得到20棵决策树，形成随机森林。
随机森林用到的树的最大深度、叶子节点最少记录数利用布谷鸟搜索算法进行寻优获得的过程如下：
E1：定义目标函数f(X)，X＝(x1，x2，…xd)T，函数初始化。随机生成N个鸟窝的初始位置Xi(i＝1，2，…，n)，作为随机森林中树的最大深度和叶子节点最少记录。
设定布谷鸟种群数量的取值范围为[20，100]，问题维数为2，最大发现概率的取值范围为[0.8,0.9]，最大迭代次数的取值范围为[200,1000]；
E2：设定适应度函数。将鸟窝位置对应的用于获取随机森林的树的最大深度和叶子节点最少记录代入CO浓度预测模型中，并利用鸟窝位置确定的CO浓度预测模型计算超前1步的CO浓度，将CO浓度预测值和CO浓度实际值均方差的倒数作为适应度函数；并计算每个鸟窝位置的目标函数值，得到当前的最优函数值；
E3：记录上一代最优函数值，进行莱维飞行对其他位置的鸟窝和状态进行更新；
E4：现有函数位置值与上一代最优函数值进行比较，若较好，则改变当前最优函数值；
E5：通过位置更新后，用随机数r∈[0，1]与最大发现概率P进行对比，若r＞P，则对
Figure GDA0002739105030000104
进行随机改变，反之则不变。最后保留最好的一组鸟窝位置。
E6：若未达到最大迭代次数或最小误差要求，则返回步骤E2，否则，继续下一步。
E7：输出全局最优位置，即为最优的随机森林用到的树的最大深度和叶子节点最少记录。
3.4)将样本d″中t时刻、高度层级为
Figure GDA0002739105030000111
的O3浓度序列作为基于猴群爬过程的人工蜂群优化的支持向量机O3浓度预测模型的输入，对应样本d″中t+Δt时刻、高度层级为
Figure GDA0002739105030000112
O3浓度序列作为预测模型的输出，得到高度层级为
Figure GDA0002739105030000113
步长为Δt的O3浓度预测模型；同理共得到ω个O3预测模型，ω为O3浓度对应的高度层级数；
支持向量机SVM模型输入层包含10个节点，输出层包含一个节点，选择高斯函数作为核函数，SVM模型的参数c和g采用基于猴群爬过程的人工蜂群优化算法进行寻优的过程如下：
F1：算法初始化，随机初始化N个蜜源作为支持向量机模型的参数c和g，并与N个采蜜蜂对应，计算各个蜜源的质量，记录最优解。
设定蜜蜂种群数量的取值范围为[20,100]，最大迭代次数的取值范围为[200,1000]，搜索次数阈值为500；
F2：采蜜蜂搜索新的蜜源，计算其适应度值，并在当前蜜源和新蜜源之间进行贪婪选择。
将蜜源对应的用于获取支持向量机的c和g代入O3浓度预测模型中，并利用蜜源确定的O3浓度预测模型计算超前1步的O3浓度，将O3浓度预测值和O3浓度实际值均方差的倒数作为适应度函数；
F3：采用猴群算法中的爬过程加强在已选择的蜜源附近的局部搜索，即采蜜蜂以步长的形式改变自己的位置去搜索蜜源，直至找到更优的蜜源；
F4：计算每个蜜源被选择的概率，观察蜂以轮盘赌机制选择要跟随的蜜源进行采蜜，成为采蜜蜂；
F5：搜索次数js＝js+1；若js小于搜索次数阈值，则返回步骤F2继续循环；否则执行步骤F6；
F6：判断是否存在要放弃的蜜源，若存在，被放弃蜜源对应的采蜜蜂成为侦察蜂，随机侦查新的蜜源；
F7：循环次数ωc＝ωc+1，若满足条件ωc小于最大迭代次数，则返回步骤F1；否则算法结束，输出最优解，用于获取支持向量机的c和g。
步骤四、利用训练完成的ρ个SO2预测模型、σ个NOx预测模型、τ个CO预测模型、ω个O3预测模型实现目标农作物区域的四种大气污染物浓度分层次、全覆盖的空间立体网络预测，对不同种类农作物进行针对不同种类大气污染物、不同生长高度的多层级分类预警。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种智慧农业大气污染物浓度分层次预警方法，其特征在于，包括以下步骤：
(1)对目标农作物种植区域进行高度层级划分，每一层级分别设置若干大气污染物浓度传感器实时监测并采集该高度层级的多种类大气污染物浓度，大气污染物包括SO2、NOx、CO、O3，获取四种大气污染物的高度层级划分，分别记为：
Figure FDA0002900497830000011
HeightCO、
Figure FDA0002900497830000012
(2)利用每一高度层级的均匀分布大气污染物浓度传感器分别对SO2、NOx、CO、O3浓度进行采集，分别形成目标大气污染物浓度样本a、b、c、d，对原始浓度样本进行异常值剔除与去噪处理，得到四种污染物浓度的处理后样本a″、b″、c″、d″；
(3)分层次大气污染物浓度预测模型建立：
3.1)将样本a″中t时刻、高度层级为
Figure FDA0002900497830000013
的SO2浓度序列作为带有自适应权值的量子粒子群优化的小波神经网络SO2浓度预测模型的输入，样本a″中t+Δt时刻、高度层级为
Figure FDA0002900497830000014
的SO2浓度序列作为预测模型的输出，得到高度层级为
Figure FDA0002900497830000015
步长为Δt的SO2浓度预测模型；同理共得到ρ个SO2预测模型，ρ为SO2浓度对应的高度层级数；
3.2)将样本b″中t时刻、高度层级为
Figure FDA0002900497830000016
的NOx浓度序列作为水循环WCA算法优化的极限学习机NOx浓度预测模型的输入，对应样本b″中t+Δt时刻、高度层级为
Figure FDA0002900497830000017
的浓度序列作为预测模型的输出，得到高度层级为
Figure FDA0002900497830000018
步长为Δt的NOx浓度预测模型；同理共得到σ个NOx预测模型，σ为NOx浓度对应的高度层级数；
3.3)将样本c″中t时刻、高度层级为
Figure FDA0002900497830000019
的CO浓度序列作为布谷鸟搜索算法优化的随机森林CO浓度预测模型的输入，对应样本c″中t+Δt时刻、高度层级为
Figure FDA00029004978300000110
的浓度序列作为预测模型的输出，得到高度层级为
Figure FDA00029004978300000111
步长为Δt的CO浓度预测模型；同理共得到τ个CO预测模型，τ为CO浓度对应的高度层级数；
3.4)将样本d″中t时刻、高度层级为
Figure FDA00029004978300000112
的O3浓度序列作为基于猴群爬过程的人工蜂群优化的支持向量机O3浓度预测模型的输入，对应样本d″中t+Δt时刻、高度层级为
Figure FDA00029004978300000113
的O3浓度序列作为预测模型的输出，得到高度层级为
Figure FDA0002900497830000021
步长为Δt的O3浓度预测模型；同理共得到ω个O3预测模型，ω为O3浓度对应的高度层级数；
(4)利用训练完成的ρ个SO2预测模型、σ个NOx预测模型、τ个CO预测模型、ω个O3预测模型实现目标农作物区域的四种大气污染物浓度分层次、全覆盖的空间立体网络预测，对不同种类农作物进行针对不同种类大气污染物、不同生长高度的多层级分类预警。
2.根据权利要求1所述的智慧农业大气污染物浓度分层次预警方法，其特征在于，步骤(1)中，高度层级的划分依据如下：
1.1)利用若干台无人机分布在目标农作物种植区域的若干个随机子区域，每台无人机测量覆盖1个子区域，每台无人机搭载SO2、NOx、CO、O3四种大气污染物浓度传感器，在阳光、水分一致的条件下进行匀速自主升降实时测量每一高度元素的四种大气污染物浓度，采样间隔为Δt，高度元素为hΔt＝{h1，h2，...，hn}，即每一台无人机均采样n次；
1.2)对不同种类、不同高度元素的大气污染物浓度进行标签化处理，SO2对应于不同高度元素的浓度分别记为
Figure FDA0002900497830000022
NOx对应于不同高度元素的浓度分别记为
Figure FDA0002900497830000023
CO对应于不同高度元素的浓度分别记为
Figure FDA0002900497830000024
O3对应于不同高度元素的浓度分别记为
Figure FDA0002900497830000025
1.3)利用先验知识获取目标农作物种植区域内所有农作物对四种大气污染物浓度的敏感高度值，记目标农作物对SO2浓度、NOx浓度、CO浓度和O3浓度的敏感高度元素集分别为：
Figure FDA0002900497830000026
Figure FDA0002900497830000027
Figure FDA0002900497830000028
1.4)对SO2浓度值序列，计算
Figure FDA0002900497830000029
中每两个相邻的浓度值之间的变化率，即
Figure FDA00029004978300000210
若当
Figure FDA00029004978300000211
第一次超过阈值
Figure FDA00029004978300000212
时，记录此时的有效高度元素值hi，第二次超过阈值
Figure FDA00029004978300000213
时，记录此时的有效高度元素值hj，将所有有效高度元素值重新编号，记为有效高度元素集
Figure FDA0002900497830000031
1.5)与步骤1.4)中同理，得到NOx、CO、O3的有效高度元素集
Figure FDA0002900497830000032
1.6)将步骤1.3)中得到的敏感高度与步骤1.4)、1.5)中得到的有效高度元素进行融合，具体过程如下：
S1.以SO2浓度为例，当α＞n1时，高度层级划分取为目标农作物的敏感高度元素集；
S2.当α＝n1且
Figure FDA0002900497830000033
与
Figure FDA0002900497830000034
的差值在阈值范围内时，高度层级划分取为敏感高度元素集与有效高度元素集的算数平均数；
S3.当α＝n1但
Figure FDA0002900497830000035
与
Figure FDA0002900497830000036
的差值超出阈值范围时，高度层级划分取为目标农作物的敏感高度元素集；
S4.当α＜n1时，高度层级划分取为有效高度元素集；
S5.得到SO2的高度层级划分
Figure FDA0002900497830000037
同理可得到NOx、CO、O3的高度层级划分
Figure FDA0002900497830000038
HeightCO、
Figure FDA0002900497830000039
CN201910616614.5A 2019-07-09 2019-07-09 一种智慧农业大气污染物浓度分层次预警方法 Active CN110334452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910616614.5A CN110334452B (zh) 2019-07-09 2019-07-09 一种智慧农业大气污染物浓度分层次预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910616614.5A CN110334452B (zh) 2019-07-09 2019-07-09 一种智慧农业大气污染物浓度分层次预警方法

Publications (2)

Publication Number Publication Date
CN110334452A CN110334452A (zh) 2019-10-15
CN110334452B true CN110334452B (zh) 2021-03-16

Family

ID=68144980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910616614.5A Active CN110334452B (zh) 2019-07-09 2019-07-09 一种智慧农业大气污染物浓度分层次预警方法

Country Status (1)

Country Link
CN (1) CN110334452B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766222B (zh) * 2019-10-22 2023-09-19 太原科技大学 基于粒子群参数优化和随机森林的pm2.5浓度预测方法
CN112680501B (zh) * 2020-12-30 2023-02-24 中南大学 基于微生物的列车车厢空气调控方法、系统及存储介质
CN116125007B (zh) * 2023-04-04 2023-08-25 云南碧翔物联网科技有限公司 一种环境污染物的自动监测系统及其监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101932608B1 (ko) * 2017-09-21 2018-12-27 충남대학교산학협력단 자전거 대여 시스템 관리 방법, 자전거 대여 시스템의 관리 서버, 및 컴퓨터 판독가능 기록 매체
CN109242194A (zh) * 2018-09-25 2019-01-18 东北大学 一种基于混合模型的浓密机底流浓度预测方法
CN109657730A (zh) * 2018-12-27 2019-04-19 中国农业大学 预测温室作物蒸腾量的方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2831666B1 (fr) * 2001-10-25 2004-03-12 Air Liquide Capteur logiciel nox en sortie des cheminees des fours utilisant l'air enrichi en oxygene ou de l'oxygene pur comme comburant
CN106153510B (zh) * 2015-03-25 2019-06-21 日本电气株式会社 大气污染物浓度的估算方法和装置
US20180284746A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for data collection optimization in an industrial internet of things environment
US10796036B2 (en) * 2016-08-08 2020-10-06 International Business Machines Corporation Prediction of inhalable particles concentration
CN108734189A (zh) * 2017-04-20 2018-11-02 天津工业大学 浓雾天气下基于大气散射模型和深度学习的车牌识别系统
CN108072597A (zh) * 2017-11-28 2018-05-25 南京大学 基于支持向量机和树叶磁学的大气颗粒物浓度监测方法
CN109117549B (zh) * 2018-08-08 2023-09-05 浙江航天恒嘉数据科技有限公司 一种污染物扩散预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101932608B1 (ko) * 2017-09-21 2018-12-27 충남대학교산학협력단 자전거 대여 시스템 관리 방법, 자전거 대여 시스템의 관리 서버, 및 컴퓨터 판독가능 기록 매체
CN109242194A (zh) * 2018-09-25 2019-01-18 东北大学 一种基于混合模型的浓密机底流浓度预测方法
CN109657730A (zh) * 2018-12-27 2019-04-19 中国农业大学 预测温室作物蒸腾量的方法及系统

Also Published As

Publication number Publication date
CN110334452A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN110334452B (zh) 一种智慧农业大气污染物浓度分层次预警方法
Xu et al. Aerial images and convolutional neural network for cotton bloom detection
Hengeveld Dynamics of biological invasions
Khajavi et al. Predicting the carbon dioxide emission caused by road transport using a Random Forest (RF) model combined by Meta-Heuristic Algorithms
CN108064047B (zh) 一种基于粒子群的水质传感器网络优化部署方法
US20210208307A1 (en) Training a machine learning algorithm and predicting a value for a weather data variable, especially at a field or sub-field level
Hunter et al. Divergent forecasts for two salt marsh specialists in response to sea level rise
CN115308101B (zh) 水质监测管理方法及系统
CN109299778B (zh) 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法
CN111612055A (zh) 天气形势的分型方法、空气污染状况的预测方法及装置
CN116625327A (zh) 一种大数据驱动的海洋环境监测与预警方法
KR20190027567A (ko) 데이터마이닝과 공간분석에 기반한 하천수 클로로필-a 농도 예측 방법
Csercsa et al. Seasonal changes in relative contribution of environmental control and spatial structuring on different dispersal groups of stream macroinvertebrates
CN113947033B (zh) 基于人工智能排水管网污染物溯源系统及方法
Muniz et al. Spatial and environmental factors predict the composition of non-native fish assemblages in Neotropical reservoirs
Baker et al. Invasion genetics of Microstegium vimineum (Poaceae) within the James River Basin of Virginia, USA
Lee et al. Multivariate analysis and self-organizing mapping applied to analysis of nest-site selection in Black-tailed Gulls
Adavodi et al. Topographical features and forest cover influence landscape connectivity and gene flow of the Caucasian pit viper, Gloydius caucasicus (Nikolsky, 1916), in Iran
Azimah et al. Habitat requirements of migratory birds in the Matang Mangrove Forest Reserve, Perak
CN105184234B (zh) 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置
Tang et al. Development and spatial application of a submerged aquatic vegetation model for Cootes Paradise Marsh, Ontario, Canada
CN114372611A (zh) 水资源优化分配方法和装置
Kippers et al. Automatic Modelling of 3D Trees Using Aerial Lidar Point Cloud Data and Deep Learning
CN116502912B (zh) 药用植物潜在分布探测方法、装置、存储介质及电子设备
Utami et al. Environmental quality of Prambanan Temple and Ratu Boko Temple’s green open space based on soundscape and guild of bird

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
TR01 Transfer of patent right

Effective date of registration: 20240123

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Country or region after: China

Address before: Yuelu District City, Hunan province 410083 Changsha Lushan Road No. 932

Patentee before: CENTRAL SOUTH University

Country or region before: China

TR01 Transfer of patent right