CN113297297A - 基于物联网与大数据分析的水环境监测数据处理方法、系统及计算机存储介质 - Google Patents

基于物联网与大数据分析的水环境监测数据处理方法、系统及计算机存储介质 Download PDF

Info

Publication number
CN113297297A
CN113297297A CN202110618536.XA CN202110618536A CN113297297A CN 113297297 A CN113297297 A CN 113297297A CN 202110618536 A CN202110618536 A CN 202110618536A CN 113297297 A CN113297297 A CN 113297297A
Authority
CN
China
Prior art keywords
water
lake
self
cleaning
growth
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.)
Granted
Application number
CN202110618536.XA
Other languages
English (en)
Other versions
CN113297297B (zh
Inventor
李开明
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.)
Shanghai Boqu Instrument Co ltd
Original Assignee
Hubei Mingyi Energy Saving And Environmental Protection Technology Co ltd
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 Hubei Mingyi Energy Saving And Environmental Protection Technology Co ltd filed Critical Hubei Mingyi Energy Saving And Environmental Protection Technology Co ltd
Priority to CN202110618536.XA priority Critical patent/CN113297297B/zh
Publication of CN113297297A publication Critical patent/CN113297297A/zh
Application granted granted Critical
Publication of CN113297297B publication Critical patent/CN113297297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fuzzy Systems (AREA)
  • Immunology (AREA)
  • Marketing (AREA)
  • Biochemistry (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)

Abstract

本发明公开基于物联网与大数据分析的水环境监测数据处理方法、系统及计算机存储介质，通过对城市内存在的各湖泊水域的水体水质参数进行检测，进而从中筛选出自净湖泊，并对自净湖泊内存在的所有水生植物进行植物种类识别，同时分别对各种水生植物对应的长势品质系数和水体自净能力系数进行分析评估，进而将各种水生植物分别按照其对应的长势品质系数和水体自净能力系数进行排序，得到各种水生植物的长势品质系数排序结果和水体自净能力排序结果，从而将各种水生植物的长势品质系数排序结果和自净能力排序结果进行对比，根据对比结果对自净湖泊内存在的水生植物进行针对性人工处理，实现了对自净湖泊水域自净能力的优化。

Description

基于物联网与大数据分析的水环境监测数据处理方法、系统 及计算机存储介质
技术领域
本发明属于水环境监测技术领域，具体涉及基于物联网与大数据分析的水环境监测数据处理方法、系统及计算机存储介质。
背景技术
城市区域中的天然湖泊水域是人类生产活动与生态环境互相作用最强烈的地带，城市的许多住宅建筑、商业体建筑大多喜欢傍湖而建，湖泊水域对周边人们的生活休闲及城市环境生态改善起到了重大作用。然而,随着城市化的不断发展,城市湖泊水域周边建筑物的增多，一些城市污水的排放导致湖泊水域的生态环境也受到了一定程度的影响,致使湖泊水域的水体水质受到污染。但有些湖泊水域水面具有一些能够净化污染的水生植物，使得该湖泊水域水体的水质污染情况随着时间的积累得到改善，这一类湖泊即为具有自净能力的湖泊，但是由于这一类湖泊的天然自净能力有限，如果只单纯依靠自身的自净能力对水质污染情况进行净化，很大程度会使得净化周期延长。因此对这一类具有自净能力的湖泊进行水环境自净监测，以通过人工处理方式对该类湖泊水域的自净能力进行优化，是非常有必要的。
发明内容
为了实现上述目的，本发明提出基于物联网与大数据分析的水环境监测数据处理方法，通过对城市内存在的各湖泊水域的水体水质参数进行检测，进而从中筛选出自净湖泊，并对自净湖泊内存在的所有水生植物进行植物种类识别，同时分别对各种水生植物对应的长势品质系数和水体自净能力系数进行分析评估，进而将各种水生植物分别按照其对应的长势品质系数和水体自净能力系数进行排序，得到各种水生植物的长势品质系数排序结果和水体自净能力排序结果，从而将各种水生植物的长势品质系数排序结果和自净能力排序结果进行对比，根据对比结果对自净湖泊内存在的水生植物进行针对性人工处理，实现了对自净湖泊水域自净能力的优化。
本发明的目的可以通过以下技术方案来实现：
第一方面，本发明提出基于物联网与大数据分析的水环境监测数据处理方法，包括以下步骤：
S1.城市湖泊水域统计：通过城市湖泊水域统计模块对城市内存在的湖泊水域进行统计，并对各湖泊水域进行编号，分别标记为1,2,...,i,...,n；
S2.湖泊水域水质污染系数统计：通过湖泊水域水质污染分析模块根据设置的采集时间段对各湖泊水域的水体水质参数进行检测，并据此统计各湖泊水域在各采集时间段的水质污染系数；
S3.自净湖泊筛选：通过自净湖泊筛选模块根据各湖泊水域在各采集时间段的水质污染系数从各湖泊水域中筛选出具有自净能力的湖泊水域，并将具有自净能力的湖泊水域记为自净湖泊；
S4.水生植物种类识别及生长区域位置定位：通过自净湖泊水生植物统计模块对自净湖泊内存在的所有水生植物进行植物种类识别，并定位各种水生植物在该湖泊水域的生长区域位置；
S5.水生植物长势品质分析：通过自净湖泊水生植物长势分析模块分析该自净湖泊内各种水生植物对应的长势品质系数；
S6.水生植物自净能力评估：通过自净湖泊水生植物自净能力评估模块对该自净湖泊内各种水生植物所在生长区域位置的水体按照设置的采集时间段进行水体水质参数采集，并以此统计该自净湖泊内各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数，进而据此评估各种水生植物所在生长区域位置水体的自净能力系数；
S7.水生植物双向排序：通过数据分析平台将各种水生植物按照其对应的长势品质系数由小到大的顺序进行排序，得到各种水生植物对应的长势品质排序结果，同时将各种水生植物按照其所在生长区域位置水体的自净能力系数由小到大的顺序进行排序，得到各种水生植物对应的水体自净能力排序结果；
S8.水生植物针对性人工处理：通过智能处理终端将各种水生植物对应的长势品质系数排序结果与各种水生植物对应的水体自净能力排序结果进行对比，判断各种水生植物的长势品质与水体自净能力之间的关系类型，若某种水生植物的长势品质与水体自净能力成正比例关系类型，则在该自净湖泊中增加该种水生植物的数量，若某种水生植物的长势品质与水体自净能力成反比例关系类型，则在该自净湖泊中减少该种水生植物的数量。
根据本发明第一方面的一种优选实施方式，所述水体水质参数包括酸碱度、浑浊度、总氮含量、总磷含量、生化需氧量、化学需氧量和细菌总数。
根据本发明第一方面的一种优选实施方式，所述S2中统计各湖泊水域在各采集时间段的水质污染系数，其具体统计方法执行以下步骤：
H1:将各湖泊水域在各采集时间段的水体水质参数构成湖泊水域采集时间段水体水质参数集合Qi w(qi w1,qi w2,...,qi wk,...,qi wt)，qi wk表示为第i个湖泊水域在第k个采集时间段的水体水质参数对应的数值，w表示为水体水质参数，w＝d1,d2,d3,d4,d5,d6,d7,分别表示为酸碱度，浑浊度，总氮含量，总磷含量，生化需氧量，化学需氧量，细菌总数，k表示为采集时间段，k＝1,2,...,t；
H2:将湖泊水域采集时间段水体水质参数集合与参数数据库中湖泊水域对应的标准水体水质参数进行对比，得到湖泊水域采集时间段水体水质参数对比集合ΔQi w(Δqi w1,Δqi w2,...,Δqi wk,...,Δqi wt)，进而根据湖泊水域采集时间段水体水质参数对比集合统计各湖泊水域在各采集时间段的水质污染系数，其计算公式为
Figure BDA0003098753460000041
ηik表示为第i个湖泊水域在第k个采集时间段的水质污染系数，Δqi wt表示为第i个湖泊水域在第k个采集时间段的水体水质参数与湖泊水域对应的标准水体水质参数之间的差值，qw标准表示为湖泊水域对应的标准水体水质参数。
根据本发明第一方面的一种优选实施方式，所述S3中根据各湖泊水域在各采集时间段的水质污染系数从各湖泊水域中筛选出具有自净能力的湖泊水域，其具体筛选过程为将各湖泊水域在各采集时间段的水质污染系数从第2个采集时间段开始进行当前采集时间段与前一个采集时间段的水质污染系数对比，得到各湖泊水域在各相邻采集时间段的水质污染系数对比值，若某湖泊水域在各相邻采集时间段的水质污染系数对比值均小于零，则表明该湖泊水域从第2个采集时间段开始当前采集时间段的水质污染系数均小于前一个采集时间段的水质污染系数，该湖泊水域即为具有自净能力的湖泊水域。
根据本发明第一方面的一种优选实施方式，所述S4中对自净湖泊内存在的所有水生植物进行植物种类识别，其具体识别过程如下：
A1:对自净湖泊内存在的所有水生植物进行图像采集，得到自净湖泊内所有水生植物的图像；
A2:从自净湖泊内所有水生植物的图像中提取所有水生植物的外形特征，并将其与参数数据库中各种水生植物对应的外形特征进行匹配，从中识别出自净湖泊内所有水生植物对应的植物种类。
根据本发明第一方面的一种优选实施方式，所述S5中分析该自净湖泊内各种水生植物对应的长势品质系数，其具体分析方法包括以下步骤：
B1:对该自净湖泊内识别到的所有水生植物种类进行编号，分别标记为1,2,...,j,...,m；
B2:从各水生植物的图像中采集该自净湖泊内各种水生植物对应的长势参数，并将其构成自净湖泊水生植物长势参数集合Gu(gu1,gu2,...,guj,...,gum)，guj表示为该自净湖泊内第j种水生植物对应的长势参数,u表示为长势参数，u＝r1,r2,r3,r4,分别表示为植株数量，植株高度，叶片颜色色度，叶片面积；
B3:将自净湖泊水生植物长势参数集合中各种水生植物对应的植株高度、叶片颜色色度和叶片面积分别与参数数据库中该种水生植物的各种植株高度、各种叶片颜色色度和各种叶片面积对应的株高长势影响系数、叶色度长势影响系数和叶面积长势影响系数进行比对，得到各种水生植物对应的株高长势影响系数、叶色度长势影响系数和叶面积长势影响系数；
B4:根据该自净湖泊内各种水生植物对应的株高长势影响系数、叶色度长势影响系数、叶面积长势影响系数和植株数量统计该自净湖泊内各种水生植物对应的长势品质系数，其计算公式为
Figure BDA0003098753460000051
ξj表示为该自净湖泊内第j种水生植物对应的长势品质系数,αj、βj、δj、xj分别表示为该自净湖泊内第j种水生植物对应的株高长势影响系数、叶色度长势影响系数、叶面积长势影响系数、植株数量。
根据本发明第一方面的一种优选实施方式，所述S6中统计该自净湖泊内各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数，其具体统计过程如下：
C1:将该自净湖泊内各种水生植物所在生长区域位置各采集时间段的水体水质参数构成水生植物生长区域位置采集时间段水体水质参数集合Pw(pw j1,pw j2,...,pw jk,...,pw jt)，pw jk表示为该自净湖泊内第j种水生植物所在生长区域位置第k个采集时间段的水体水质参数对应的数值；
C2:将水生植物生长区域位置采集时间段水体水质参数集合与参数数据库中湖泊水域对应的标准水体水质参数进行对比，得到水生植物生长区域位置采集时间段水体水质参数对比集合ΔPw(Δpw j1,Δpw j2,...,Δpw jk,...,Δpw jt)，并根据水生植物生长区域位置采集时间段水体水质参数对比集合统计该自净湖泊内各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数，其计算公式为
Figure BDA0003098753460000061
λjk表示为该自净湖泊内第j种水生植物所在生长区域位置的水体在第k个采集时间段的水质污染系数，Δpw jk表示为该自净湖泊内第j种水生植物所在生长区域位置第k个采集时间段的水体水质参数与湖泊水域对应的标准水体水质参数之间的差值。
根据本发明第一方面的一种优选实施方式，所述S6中评估各种水生植物所在生长区域位置水体的自净能力系数，其具体评估过程如下：
D1:将各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数从第2个采集时间段开始进行当前采集时间段与前一个采集时间段的水质污染系数对比，得到各种水生植物所在生长区域位置的水体在各相邻采集时间段的水质污染系数对比值，并将其构成水生植物所在生长区域水体相邻采集时间段水质污染系数对比集合Δλj[Δλj1,Δλj2,...,Δλjk,...,Δλj(t-1)]，Δλjk表示为第j种水生植物所在生长区域位置的水体第k+1个采集时间段的水质污染系数与第k个采集时间段的水质污染系数之间的对比差值；
D2:根据水生植物所在生长区域水体相邻采集时间段水质污染系数对比集合评估各种水生植物所在生长区域位置水体的自净能力系数，其评估计算公式为
Figure BDA0003098753460000071
Figure BDA0003098753460000072
表示为第j种水生植物所在生长区域位置水体的自净能力系数。
第二方面，本发明提出一种基于物联网与大数据分析的水环境监测数据处理系统，包括城市湖泊水域统计模块、湖泊水域水质污染分析模块、自净湖泊筛选模块、自净湖泊水生植物统计模块、自净湖泊水生植物长势分析模块、自净湖泊水生植物自净能力评估模块、数据分析平台、参数数据库和智能处理终端，其中城市湖泊水域统计模块与湖泊水域水质污染分析模块连接，湖泊水域水质污染分析模块与自净湖泊筛选模块连接，自净湖泊筛选模块与自净湖泊水生植物统计模块连接，自净湖泊水生植物统计模块分别与自净湖泊水生植物长势分析模块和自净湖泊水生植物自净能力评估模块连接，自净湖泊水生植物长势分析模块和自净湖泊水生植物自净能力评估模块均与数据分析平台连接，数据分析平台与智能处理终端连接。
第三方面，本发明提出一种计算机存储介质，所述计算机存储介质烧录有计算机程序，所述计算机程序在服务器的内存中运行时实现本发明所述的基于物联网与大数据分析的水环境监测数据处理方法。
基于上述任一方面，本发明的有益效果为：
本发明通过对城市内存在的各湖泊水域的水体水质参数进行检测，进而从中筛选出自净湖泊，并对自净湖泊内存在的所有水生植物进行植物种类识别，同时对各种水生植物对应的长势品质系数进行分析，以此将各种水生植物根据其对应的长势品质系数进行排序，与此同时对各种水生植物所在生长区域位置水体的水质参数进行采集，进而据此评估各种水生植物所在生长区域位置水体的自净能力系数，以此将各种水生植物按照其所在生长区域位置水体的自净能力系数进行排序，最后根据各种水生植物的长势品质系数排序结果和各种水生植物的水体自净能力排序结果的对比结果对自净湖泊内存在的水生植物进行针对性人工处理，实现了对自净湖泊水域自净能力的优化，有效缩短了净化周期，有利于保障自净湖泊水域的水体水质。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的方法实施步骤流程图；
图2为本发明的系统模块连接示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
参照图1所示，第一方面，本发明提出基于物联网与大数据分析的水环境监测数据处理方法，包括以下步骤：
S1.城市湖泊水域统计：通过城市湖泊水域统计模块对城市内存在的湖泊水域进行统计，并对各湖泊水域进行编号，分别标记为1,2,...,i,...,n；
S2.湖泊水域水质污染系数统计：通过湖泊水域水质污染分析模块根据设置的采集时间段对各湖泊水域的水体水质参数进行检测，其中水体水质参数包括酸碱度、浑浊度、总氮含量、总磷含量、生化需氧量、化学需氧量和细菌总数，并据此统计各湖泊水域在各采集时间段的水质污染系数，其具体统计方法执行以下步骤：
H1:将各湖泊水域在各采集时间段的水体水质参数构成湖泊水域采集时间段水体水质参数集合Qi w(qi w1,qi w2,...,qi wk,...,qi wt)，qi wk表示为第i个湖泊水域在第k个采集时间段的水体水质参数对应的数值，w表示为水体水质参数，w＝d1,d2,d3,d4,d5,d6,d7,分别表示为酸碱度，浑浊度，总氮含量，总磷含量，生化需氧量，化学需氧量，细菌总数，k表示为采集时间段，k＝1,2,...,t；
H2:将湖泊水域采集时间段水体水质参数集合与参数数据库中湖泊水域对应的标准水体水质参数进行对比，得到湖泊水域采集时间段水体水质参数对比集合ΔQi w(Δqi w1,Δqi w2,...,Δqi wk,...,Δqi wt)，进而根据湖泊水域采集时间段水体水质参数对比集合统计各湖泊水域在各采集时间段的水质污染系数，其计算公式为
Figure BDA0003098753460000091
ηik表示为第i个湖泊水域在第k个采集时间段的水质污染系数，Δqi wt表示为第i个湖泊水域在第k个采集时间段的水体水质参数与湖泊水域对应的标准水体水质参数之间的差值，qw标准表示为湖泊水域对应的标准水体水质参数，其中水质污染系数越大，表明水质污染越严重；
本发明通过对城市内各湖泊水域的水质污染系数进行统计，为后续进行自净湖泊筛选提供了筛选依据；
S3.自净湖泊筛选：通过自净湖泊筛选模块根据各湖泊水域在各采集时间段的水质污染系数从各湖泊水域中筛选出具有自净能力的湖泊水域，其具体筛选过程为将各湖泊水域在各采集时间段的水质污染系数从第2个采集时间段开始进行当前采集时间段与前一个采集时间段的水质污染系数对比，得到各湖泊水域在各相邻采集时间段的水质污染系数对比值，若某湖泊水域在各相邻采集时间段的水质污染系数对比值均小于零，则表明该湖泊水域从第2个采集时间段开始当前采集时间段的水质污染系数均小于前一个采集时间段的水质污染系数，该湖泊水域即为具有自净能力的湖泊水域，并将具有自净能力的湖泊水域记为自净湖泊；
本实施例在筛选自净湖泊过程中，通过将各湖泊水域在各采集时间段的水质污染系数进行相邻采集时间段的对比，从中得到各湖泊水域随采集时间段的的水质污染变化状况，进而据此筛选自净湖泊，该筛选方式能够较好地结合实际，使得筛选出来的自净湖泊可靠度更高；
S4.水生植物种类识别及生长区域位置定位：通过自净湖泊水生植物统计模块对自净湖泊内存在的所有水生植物进行植物种类识别，并定位各种水生植物在该湖泊水域的生长区域位置，其具体识别过程如下：
A1:对自净湖泊内存在的所有水生植物进行图像采集，得到自净湖泊内所有水生植物的图像；
A2:从自净湖泊内所有水生植物的图像中提取所有水生植物的外形特征，并将其与参数数据库中各种水生植物对应的外形特征进行匹配，其中外形特征包括叶片颜色、叶片形状、茎的形状等，从中识别出自净湖泊内所有水生植物对应的植物种类；
S5.水生植物长势品质分析：通过自净湖泊水生植物长势分析模块分析该自净湖泊内各种水生植物对应的长势品质系数，其具体分析方法包括以下步骤：
B1:对该自净湖泊内识别到的所有水生植物种类进行编号，分别标记为1,2,...,j,...,m；
B2:从各水生植物的图像中采集该自净湖泊内各种水生植物对应的长势参数，其具体采集方法为先从各水生植物的图像中统计各种水生植物的植株数量，然后再聚焦在单个植株上，提取单个植株的外形轮廓，以此得到各种水生植物对应的植株高度，再聚焦在单个植株的叶片区域，提取叶片颜色特征，以此得到各种水生植物对应的叶片颜色色度，最后对聚焦的单个植株的叶片区域进行叶片外形轮廓提取，以此得到各种水生植物对应的叶片面积，并将采集的各种水生植物对应的长势参数构成自净湖泊水生植物长势参数集合Gu(gu1,gu2,...,guj,...,gum)，guj表示为该自净湖泊内第j种水生植物对应的长势参数,u表示为长势参数，u＝r1,r2,r3,r4,分别表示为植株数量，植株高度，叶片颜色色度，叶片面积；
B3:将自净湖泊水生植物长势参数集合中各种水生植物对应的植株高度、叶片颜色色度和叶片面积分别与参数数据库中该种水生植物的各种植株高度、各种叶片颜色色度和各种叶片面积对应的株高长势影响系数、叶色度长势影响系数和叶面积长势影响系数进行比对，得到各种水生植物对应的株高长势影响系数、叶色度长势影响系数和叶面积长势影响系数；
B4:根据该自净湖泊内各种水生植物对应的株高长势影响系数、叶色度长势影响系数、叶面积长势影响系数和植株数量统计该自净湖泊内各种水生植物对应的长势品质系数，其计算公式为
Figure BDA0003098753460000111
ξj表示为该自净湖泊内第j种水生植物对应的长势品质系数,αj、βj、δj、xj分别表示为该自净湖泊内第j种水生植物对应的株高长势影响系数、叶色度长势影响系数、叶面积长势影响系数、植株数量，其中长势品质系数越大，表明长势越好；
S6.水生植物自净能力评估：通过自净湖泊水生植物自净能力评估模块对该自净湖泊内各种水生植物所在生长区域位置的水体按照设置的采集时间段进行水体水质参数采集，并以此统计该自净湖泊内各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数，其具体统计过程如下：
C1:将该自净湖泊内各种水生植物所在生长区域位置各采集时间段的水体水质参数构成水生植物生长区域位置采集时间段水体水质参数集合Pw(pw j1,pw j2,...,pw jk,...,pw jt)，pw jk表示为该自净湖泊内第j种水生植物所在生长区域位置第k个采集时间段的水体水质参数对应的数值；
C2:将水生植物生长区域位置采集时间段水体水质参数集合与参数数据库中湖泊水域对应的标准水体水质参数进行对比，得到水生植物生长区域位置采集时间段水体水质参数对比集合ΔPw(Δpw j1,Δpw j2,...,Δpw jk,...,Δpw jt)，并根据水生植物生长区域位置采集时间段水体水质参数对比集合统计该自净湖泊内各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数，其计算公式为
Figure BDA0003098753460000121
λjk表示为该自净湖泊内第j种水生植物所在生长区域位置的水体在第k个采集时间段的水质污染系数，Δpw jk表示为该自净湖泊内第j种水生植物所在生长区域位置第k个采集时间段的水体水质参数与湖泊水域对应的标准水体水质参数之间的差值；
进而根据该自净湖泊内各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数评估各种水生植物所在生长区域位置水体的自净能力系数，其具体评估过程如下：
D1:将各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数从第2个采集时间段开始进行当前采集时间段与前一个采集时间段的水质污染系数对比，得到各种水生植物所在生长区域位置的水体在各相邻采集时间段的水质污染系数对比值，并将其构成水生植物所在生长区域水体相邻采集时间段水质污染系数对比集合Δλj[Δλj1,Δλj2,...,Δλjk,...,Δλj(t-1)]，Δλjk表示为第j种水生植物所在生长区域位置的水体第k+1个采集时间段的水质污染系数与第k个采集时间段的水质污染系数之间的对比差值；
D2:根据水生植物所在生长区域水体相邻采集时间段水质污染系数对比集合评估各种水生植物所在生长区域位置水体的自净能力系数，其评估计算公式为
Figure BDA0003098753460000131
Figure BDA0003098753460000132
表示为第j种水生植物所在生长区域位置水体的自净能力系数；
本实施例统计的自净能力系数的取值可以为正值、零和负值，若某水生植物所在生长区域位置水体的自净能力系数为负值，表明该水生植物所在生长区域位置的水体不具有自净能力，且还会加重水体的污染，若某水生植物所在生长区域位置水体的自净能力系数为零，表明该水生植物所在生长区域位置的水体不具有自净能力，并保持原来水体的污染状况，若某水生植物所在生长区域位置水体的自净能力系数为正值，表明该水生植物所在生长区域位置的水体具有自净能力，且自净能力系数越大，表明自净能力越好；
S7.水生植物双向排序：通过数据分析平台将各种水生植物按照其对应的长势品质系数由小到大的顺序进行排序，得到各种水生植物对应的长势品质排序结果，其中排序编号越大，表明长势品质越好，同时将各种水生植物按照其所在生长区域位置水体的自净能力系数由小到大的顺序进行排序，得到各种水生植物对应的水体自净能力排序结果，其中排序编号越大，表明水体自净能力越好；
S8.水生植物针对性人工处理：通过智能处理终端将各种水生植物对应的长势品质系数排序结果与各种水生植物对应的水体自净能力排序结果进行对比，判断各种水生植物的长势品质与水体自净能力之间的关系类型，其具体判断方法为将各种水生植物对应的长势品质系数排序编号与该种水生植物对应的水体自净能力排序编号进行对比，判断大小关系，若某种水生植物对应的水体自净能力排序编号和长势品质系数排序编号均比较大，则表明该种水生植物的长势品质与水体自净能力成正比例关系类型，则在该自净湖泊中增加该种水生植物的数量，若某种水生植物对应的水体自净能力排序编号较小，而长势品质系数排序编号较大，则表明该种水生植物的长势品质与水体自净能力成反比例关系类型，则在该自净湖泊中减少该种水生植物的数量。
本实施例所述的关系类型包括正比例关系类型和反比例关系类型，其中正比例关系类型是指水生植物的长势越好，该水生植物所在生长区域位置的水体自净能力也越好，反比例关系类型是指水生植物的长势越好，该水生植物所在生长区域位置的水体自净能力越差。
本发明通过对城市内存在的各湖泊水域的水体水质参数进行检测，进而从中筛选出自净湖泊，并对自净湖泊内存在的所有水生植物进行植物种类识别，同时对各种水生植物对应的长势品质系数进行分析，以此将各种水生植物根据其对应的长势品质系数进行排序，与此同时对各种水生植物所在生长区域位置水体的水质参数进行采集，进而据此评估各种水生植物所在生长区域位置水体的自净能力系数，以此将各种水生植物按照其所在生长区域位置水体的自净能力系数进行排序，最后根据各种水生植物的长势品质系数排序结果和各种水生植物的水体自净能力排序结果的对比结果对自净湖泊内存在的水生植物进行针对性人工处理，实现了对自净湖泊水域自净能力的优化，有效缩短了净化周期，有利于保障自净湖泊水域的水体水质。
参照图2所示，第二方面，本发明提出一种基于物联网与大数据分析的水环境监测数据处理系统，包括城市湖泊水域统计模块、湖泊水域水质污染分析模块、自净湖泊筛选模块、自净湖泊水生植物统计模块、自净湖泊水生植物长势分析模块、自净湖泊水生植物自净能力评估模块、数据分析平台、参数数据库和智能处理终端，所述参数数据库用于存储湖泊水域对应的标准水体水质参数，其中标准水体水质参数包括标准酸碱度、标准浑浊度、标准总氮含量、标准总磷含量、标准生化需氧量、标准化学需氧量和标准细菌总数，。存储各种水生植物对应的外形特征，并存储各种水生植物的各种植株高度、各种叶片颜色色度和各种叶片面积对应的株高长势影响系数、叶色度长势影响系数和叶面积长势影响系数。
其中城市湖泊水域统计模块与湖泊水域水质污染分析模块连接，湖泊水域水质污染分析模块与自净湖泊筛选模块连接，自净湖泊筛选模块与自净湖泊水生植物统计模块连接，自净湖泊水生植物统计模块分别与自净湖泊水生植物长势分析模块和自净湖泊水生植物自净能力评估模块连接，自净湖泊水生植物长势分析模块和自净湖泊水生植物自净能力评估模块均与数据分析平台连接，数据分析平台与智能处理终端连接。
第三方面，本发明提出一种计算机存储介质，所述计算机存储介质烧录有计算机程序，所述计算机程序在服务器的内存中运行时实现本发明所述的基于物联网与大数据分析的水环境监测数据处理方法。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.基于物联网与大数据分析的水环境监测数据处理方法，其特征在于，包括以下步骤：
S1.城市湖泊水域统计：通过城市湖泊水域统计模块对城市内存在的湖泊水域进行统计，并对各湖泊水域进行编号，分别标记为1,2,...,i,...,n；
S2.湖泊水域水质污染系数统计：通过湖泊水域水质污染分析模块根据设置的采集时间段对各湖泊水域的水体水质参数进行检测，并据此统计各湖泊水域在各采集时间段的水质污染系数；
S3.自净湖泊筛选：通过自净湖泊筛选模块根据各湖泊水域在各采集时间段的水质污染系数从各湖泊水域中筛选出具有自净能力的湖泊水域，并将具有自净能力的湖泊水域记为自净湖泊；
S4.水生植物种类识别及生长区域位置定位：通过自净湖泊水生植物统计模块对自净湖泊内存在的所有水生植物进行植物种类识别，并定位各种水生植物在该湖泊水域的生长区域位置；
S5.水生植物长势品质分析：通过自净湖泊水生植物长势分析模块分析该自净湖泊内各种水生植物对应的长势品质系数；
S6.水生植物自净能力评估：通过自净湖泊水生植物自净能力评估模块对该自净湖泊内各种水生植物所在生长区域位置的水体按照设置的采集时间段进行水体水质参数采集，并以此统计该自净湖泊内各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数，进而据此评估各种水生植物所在生长区域位置水体的自净能力系数；
S7.水生植物双向排序：通过数据分析平台将各种水生植物按照其对应的长势品质系数由小到大的顺序进行排序，得到各种水生植物对应的长势品质排序结果，同时将各种水生植物按照其所在生长区域位置水体的自净能力系数由小到大的顺序进行排序，得到各种水生植物对应的水体自净能力排序结果；
S8.水生植物针对性人工处理：通过智能处理终端将各种水生植物对应的长势品质系数排序结果与各种水生植物对应的水体自净能力排序结果进行对比，判断各种水生植物的长势品质与水体自净能力之间的关系类型，若某种水生植物的长势品质与水体自净能力成正比例关系类型，则在该自净湖泊中增加该种水生植物的数量，若某种水生植物的长势品质与水体自净能力成反比例关系类型，则在该自净湖泊中减少该种水生植物的数量。
2.根据权利要求1所述的基于物联网与大数据分析的水环境监测数据处理方法，其特征在于：所述水体水质参数包括酸碱度、浑浊度、总氮含量、总磷含量、生化需氧量、化学需氧量和细菌总数。
3.根据权利要求1所述的基于物联网与大数据分析的水环境监测数据处理方法，其特征在于：所述S2中统计各湖泊水域在各采集时间段的水质污染系数，其具体统计方法执行以下步骤：
H1:将各湖泊水域在各采集时间段的水体水质参数构成湖泊水域采集时间段水体水质参数集合Qi w(qi w1,qi w2,...,qi wk,...,qi wt)，qi wk表示为第i个湖泊水域在第k个采集时间段的水体水质参数对应的数值，w表示为水体水质参数，w＝d1,d2,d3,d4,d5,d6,d7,分别表示为酸碱度，浑浊度，总氮含量，总磷含量，生化需氧量，化学需氧量，细菌总数，k表示为采集时间段，k＝1,2,...,t；
H2:将湖泊水域采集时间段水体水质参数集合与参数数据库中湖泊水域对应的标准水体水质参数进行对比，得到湖泊水域采集时间段水体水质参数对比集合ΔQi w(Δqi w1,Δqi w2,...,Δqi wk,...,Δqi wt)，进而根据湖泊水域采集时间段水体水质参数对比集合统计各湖泊水域在各采集时间段的水质污染系数，其计算公式为
Figure FDA0003098753450000031
ηik表示为第i个湖泊水域在第k个采集时间段的水质污染系数，Δqi wt表示为第i个湖泊水域在第k个采集时间段的水体水质参数与湖泊水域对应的标准水体水质参数之间的差值，qw标准表示为湖泊水域对应的标准水体水质参数。
4.根据权利要求1所述的基于物联网与大数据分析的水环境监测数据处理方法，其特征在于：所述S3中根据各湖泊水域在各采集时间段的水质污染系数从各湖泊水域中筛选出具有自净能力的湖泊水域，其具体筛选过程为将各湖泊水域在各采集时间段的水质污染系数从第2个采集时间段开始进行当前采集时间段与前一个采集时间段的水质污染系数对比，得到各湖泊水域在各相邻采集时间段的水质污染系数对比值，若某湖泊水域在各相邻采集时间段的水质污染系数对比值均小于零，则表明该湖泊水域从第2个采集时间段开始当前采集时间段的水质污染系数均小于前一个采集时间段的水质污染系数，该湖泊水域即为具有自净能力的湖泊水域。
5.根据权利要求1所述的基于物联网与大数据分析的水环境监测数据处理方法，其特征在于：所述S4中对自净湖泊内存在的所有水生植物进行植物种类识别，其具体识别过程如下：
A1:对自净湖泊内存在的所有水生植物进行图像采集，得到自净湖泊内所有水生植物的图像；
A2:从自净湖泊内所有水生植物的图像中提取所有水生植物的外形特征，并将其与参数数据库中各种水生植物对应的外形特征进行匹配，从中识别出自净湖泊内所有水生植物对应的植物种类。
6.根据权利要求1所述的基于物联网与大数据分析的水环境监测数据处理方法，其特征在于：所述S5中分析该自净湖泊内各种水生植物对应的长势品质系数，其具体分析方法包括以下步骤：
B1:对该自净湖泊内识别到的所有水生植物种类进行编号，分别标记为1,2,...,j,...,m；
B2:从各水生植物的图像中采集该自净湖泊内各种水生植物对应的长势参数，并将其构成自净湖泊水生植物长势参数集合Gu(gu1,gu2,...,guj,...,gum)，guj表示为该自净湖泊内第j种水生植物对应的长势参数,u表示为长势参数，u＝r1,r2,r3,r4,分别表示为植株数量，植株高度，叶片颜色色度，叶片面积；
B3:将自净湖泊水生植物长势参数集合中各种水生植物对应的植株高度、叶片颜色色度和叶片面积分别与参数数据库中该种水生植物的各种植株高度、各种叶片颜色色度和各种叶片面积对应的株高长势影响系数、叶色度长势影响系数和叶面积长势影响系数进行比对，得到各种水生植物对应的株高长势影响系数、叶色度长势影响系数和叶面积长势影响系数；
B4:根据该自净湖泊内各种水生植物对应的株高长势影响系数、叶色度长势影响系数、叶面积长势影响系数和植株数量统计该自净湖泊内各种水生植物对应的长势品质系数，其计算公式为
Figure FDA0003098753450000041
ξj表示为该自净湖泊内第j种水生植物对应的长势品质系数,αj、βj、δj、xj分别表示为该自净湖泊内第j种水生植物对应的株高长势影响系数、叶色度长势影响系数、叶面积长势影响系数、植株数量。
7.根据权利要求1所述的基于物联网与大数据分析的水环境监测数据处理方法，其特征在于：所述S6中统计该自净湖泊内各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数，其具体统计过程如下：
C1:将该自净湖泊内各种水生植物所在生长区域位置各采集时间段的水体水质参数构成水生植物生长区域位置采集时间段水体水质参数集合Pw(pw j1,pw j2,...,pw jk,...,pw jt)，pw jk表示为该自净湖泊内第j种水生植物所在生长区域位置第k个采集时间段的水体水质参数对应的数值；
C2:将水生植物生长区域位置采集时间段水体水质参数集合与参数数据库中湖泊水域对应的标准水体水质参数进行对比，得到水生植物生长区域位置采集时间段水体水质参数对比集合ΔPw(Δpw j1,Δpw j2,...,Δpw jk,...,Δpw jt)，并根据水生植物生长区域位置采集时间段水体水质参数对比集合统计该自净湖泊内各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数，其计算公式为
Figure FDA0003098753450000051
λjk表示为该自净湖泊内第j种水生植物所在生长区域位置的水体在第k个采集时间段的水质污染系数，Δpw jk表示为该自净湖泊内第j种水生植物所在生长区域位置第k个采集时间段的水体水质参数与湖泊水域对应的标准水体水质参数之间的差值。
8.根据权利要求1所述的基于物联网与大数据分析的水环境监测数据处理方法，其特征在于：所述S6中评估各种水生植物所在生长区域位置水体的自净能力系数，其具体评估过程如下：
D1:将各种水生植物所在生长区域位置的水体在各采集时间段的水质污染系数从第2个采集时间段开始进行当前采集时间段与前一个采集时间段的水质污染系数对比，得到各种水生植物所在生长区域位置的水体在各相邻采集时间段的水质污染系数对比值，并将其构成水生植物所在生长区域水体相邻采集时间段水质污染系数对比集合Δλj[Δλj1,Δλj2,...,Δλjk,...,Δλj(t-1)]，Δλjk表示为第j种水生植物所在生长区域位置的水体第k+1个采集时间段的水质污染系数与第k个采集时间段的水质污染系数之间的对比差值；
D2:根据水生植物所在生长区域水体相邻采集时间段水质污染系数对比集合评估各种水生植物所在生长区域位置水体的自净能力系数，其评估计算公式为
Figure FDA0003098753450000061
Figure FDA0003098753450000062
表示为第j种水生植物所在生长区域位置水体的自净能力系数。
9.一种基于物联网与大数据分析的水环境监测数据处理系统，其特征在于：包括城市湖泊水域统计模块、湖泊水域水质污染分析模块、自净湖泊筛选模块、自净湖泊水生植物统计模块、自净湖泊水生植物长势分析模块、自净湖泊水生植物自净能力评估模块、数据分析平台、参数数据库和智能处理终端，其中城市湖泊水域统计模块与湖泊水域水质污染分析模块连接，湖泊水域水质污染分析模块与自净湖泊筛选模块连接，自净湖泊筛选模块与自净湖泊水生植物统计模块连接，自净湖泊水生植物统计模块分别与自净湖泊水生植物长势分析模块和自净湖泊水生植物自净能力评估模块连接，自净湖泊水生植物长势分析模块和自净湖泊水生植物自净能力评估模块均与数据分析平台连接，数据分析平台与智能处理终端连接。
10.一种计算机存储介质，其特征在于：所述计算机存储介质烧录有计算机程序，所述计算机程序在服务器的内存中运行时实现上述权利要求1-8任一项所述的方法。
CN202110618536.XA 2021-06-03 2021-06-03 基于物联网与大数据分析的水环境监测数据处理方法 Active CN113297297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110618536.XA CN113297297B (zh) 2021-06-03 2021-06-03 基于物联网与大数据分析的水环境监测数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110618536.XA CN113297297B (zh) 2021-06-03 2021-06-03 基于物联网与大数据分析的水环境监测数据处理方法

Publications (2)

Publication Number Publication Date
CN113297297A true CN113297297A (zh) 2021-08-24
CN113297297B CN113297297B (zh) 2022-07-05

Family

ID=77326928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110618536.XA Active CN113297297B (zh) 2021-06-03 2021-06-03 基于物联网与大数据分析的水环境监测数据处理方法

Country Status (1)

Country Link
CN (1) CN113297297B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034693A (zh) * 2022-08-11 2022-09-09 深圳市宝安区石岩人民医院 基于物联网的生物信息数据安全管理方法、系统及存储介质
CN115112173A (zh) * 2022-06-27 2022-09-27 西安理工大学 一种淤地坝间歇性蓄水水体水质净化与水生态修复系统
CN115219682A (zh) * 2022-07-14 2022-10-21 武汉鸿榛园林绿化工程有限公司 一种基于人工智能的河道水环境治理监测分析系统
CN117361757A (zh) * 2023-12-07 2024-01-09 山东昆仲信息科技有限公司 一种水库大水面污染治理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007187575A (ja) * 2006-01-13 2007-07-26 Shikoku Res Inst Inc 水質監視装置および水質監視方法
CN109815608A (zh) * 2019-01-31 2019-05-28 湖北省水利水电规划勘测设计院 一种浅水湖泊群水质水量水生态耦合调度分析方法
CN110516343A (zh) * 2019-08-22 2019-11-29 中国水利水电科学研究院 基于水功能区水质目标的湖库水环境容量精细化调控方法
CN112379070A (zh) * 2020-11-09 2021-02-19 安庆中春自动化技术有限公司 一种基于大数据的河道水环境环保治理污染源监测管理系统
CN112394152A (zh) * 2020-10-27 2021-02-23 范玲珍 一种基于大数据的水质实时智能监测分析管理系统
CN112488733A (zh) * 2020-12-02 2021-03-12 南京雄雉电子商务有限公司 一种基于云计算的生鲜产品品质安全溯源智能管理系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007187575A (ja) * 2006-01-13 2007-07-26 Shikoku Res Inst Inc 水質監視装置および水質監視方法
CN109815608A (zh) * 2019-01-31 2019-05-28 湖北省水利水电规划勘测设计院 一种浅水湖泊群水质水量水生态耦合调度分析方法
CN110516343A (zh) * 2019-08-22 2019-11-29 中国水利水电科学研究院 基于水功能区水质目标的湖库水环境容量精细化调控方法
CN112394152A (zh) * 2020-10-27 2021-02-23 范玲珍 一种基于大数据的水质实时智能监测分析管理系统
CN112379070A (zh) * 2020-11-09 2021-02-19 安庆中春自动化技术有限公司 一种基于大数据的河道水环境环保治理污染源监测管理系统
CN112488733A (zh) * 2020-12-02 2021-03-12 南京雄雉电子商务有限公司 一种基于云计算的生鲜产品品质安全溯源智能管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙霖: "水生植物在景观水体提高自净能力的应用研究", 《万方数据》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115112173A (zh) * 2022-06-27 2022-09-27 西安理工大学 一种淤地坝间歇性蓄水水体水质净化与水生态修复系统
CN115219682A (zh) * 2022-07-14 2022-10-21 武汉鸿榛园林绿化工程有限公司 一种基于人工智能的河道水环境治理监测分析系统
CN115219682B (zh) * 2022-07-14 2024-02-20 武汉鸿榛园林绿化工程有限公司 一种基于人工智能的河道水环境治理监测分析系统
CN115034693A (zh) * 2022-08-11 2022-09-09 深圳市宝安区石岩人民医院 基于物联网的生物信息数据安全管理方法、系统及存储介质
CN117361757A (zh) * 2023-12-07 2024-01-09 山东昆仲信息科技有限公司 一种水库大水面污染治理方法及系统
CN117361757B (zh) * 2023-12-07 2024-02-20 山东昆仲信息科技有限公司 一种水库大水面污染治理方法及系统

Also Published As

Publication number Publication date
CN113297297B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN113297297B (zh) 基于物联网与大数据分析的水环境监测数据处理方法
CN107480775B (zh) 一种基于数据修复的池塘溶解氧预测方法
CN112394152A (zh) 一种基于大数据的水质实时智能监测分析管理系统
Gökçe Algae as an indicator of water quality
CN106600509B (zh) 一种基于基础数据分析判断企业兑水排污行为的方法
CN110378520A (zh) 一种pm2.5浓度预测和预警方法
CN108629502A (zh) 一种基于微生物完整性指数的湿地生态系统健康评价方法
CN109558467B (zh) 用电用户类别识别方法及系统
CN113109533B (zh) 基于物联网和大数据的水质在线智能监测分析处理方法
CN114943917A (zh) 一种视觉识别污水厂好氧池曝气量的算法
CN111652528B (zh) 一种水缸型水库总磷水质级别评价方法及系统
CN115691670B (zh) 一种基于微生物群落特异性响应的河流生态系统健康评价方法
CN111339499B (zh) 一种基于时间轨迹相似度的污水处理厂运行状态评估方法
CN114372642B (zh) 一种城市节假日旅游景区风险评估的方法
CN110334767B (zh) 一种用于空气质量分类的改进随机森林方法
CN116384591A (zh) 一种基于大数据的旱情预测方法、系统和介质
CN113658640B (zh) 一种淡水生态系统健康评价方法
CN110885132B (zh) 一种农村生活污水处理设施优先监管集的识别方法
Ibezute et al. Ecological assessment of brewery effluent impact on the macrobenthic invertebrates of Ikpoba River, Edo State, Nigeria
CN116523174A (zh) 基于自组织神经网络的污水处理厂工况评估方法及系统
CN114693493B (zh) 一种基于IoT的污染河流水生态修复系统
CN111340872B (zh) 一种生物质类固废用分析处理系统及方法
Liao et al. Water quality during development and apportionment of pollution from rivers in Tapeng Lagoon, Taiwan
Gopinathan et al. Studies on the phytoplankton of the Cochin backwater A tropical estuary
CN111161802A (zh) 一种利用微生物生物标记的湖泊水体污染来源解析方法

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
TA01 Transfer of patent application right

Effective date of registration: 20220615

Address after: 200120 room 5006, building 1, Lane 1888, Hongyin Road, Lingang New District, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai

Applicant after: SHANGHAI BOQU INSTRUMENT CO.,LTD.

Address before: 430223 business incubation base, 129 Gaoxin 2nd Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province

Applicant before: Hubei Mingyi energy saving and Environmental Protection Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A data processing method for water environment monitoring based on the Internet of Things and big data analysis

Effective date of registration: 20231219

Granted publication date: 20220705

Pledgee: Industrial Bank Co.,Ltd. Shanghai pilot Free Trade Zone Lingang New District sub branch

Pledgor: SHANGHAI BOQU INSTRUMENT CO.,LTD.

Registration number: Y2023310000889

PE01 Entry into force of the registration of the contract for pledge of patent right