CN113702612A - 基于人工智能的河岸污染检测及考察地点选址方法及系统 - Google Patents

基于人工智能的河岸污染检测及考察地点选址方法及系统 Download PDF

Info

Publication number
CN113702612A
CN113702612A CN202111260657.8A CN202111260657A CN113702612A CN 113702612 A CN113702612 A CN 113702612A CN 202111260657 A CN202111260657 A CN 202111260657A CN 113702612 A CN113702612 A CN 113702612A
Authority
CN
China
Prior art keywords
soil
sensor
matching
optimal
state data
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
CN202111260657.8A
Other languages
English (en)
Other versions
CN113702612B (zh
Inventor
方志艺
赖巧华
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.)
Jiangsu Ruili Environmental Protection Engineering Co ltd
Original Assignee
Jiangsu Ruili Environmental Protection Engineering 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 Jiangsu Ruili Environmental Protection Engineering Co ltd filed Critical Jiangsu Ruili Environmental Protection Engineering Co ltd
Priority to CN202111260657.8A priority Critical patent/CN113702612B/zh
Publication of CN113702612A publication Critical patent/CN113702612A/zh
Application granted granted Critical
Publication of CN113702612B publication Critical patent/CN113702612B/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
    • G01N33/18—Water
    • 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
    • G01N33/24—Earth materials

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Pathology (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及基于人工智能的河岸污染检测及考察地点选址方法及系统。该方法根据待选区域内的水体状态数据序列进行初次区域分配，获得多个第一区域匹配对。根据第一区域匹配对内每个土壤传感器的数据差异获得最优土壤传感器。根据最优土壤传感器的土壤含水量序列的变化特征进行匹配，获得最优协同传感器对，获得最优协同传感器对的协同传感器平均数据序列，进一步获得第一区域匹配对内待选区域的平均土壤状态数据序列进行二次区域匹配，获得最优第二区域匹配对，根据多次采样时间段的分析获得最优区域匹配对。本发明实现了科学公正的河岸污染检测及考察地点选址，使得选址过程更具有客观性和便捷性。

Description

基于人工智能的河岸污染检测及考察地点选址方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及基于人工智能的河岸污染检测及考察地点选址方法及系统。
背景技术
水污染的监控与治理是重要的民生问题。流域水资源具有跨域性、外部性特征。对于流域水资源的水污染的监控往往需要两个区域的相关人员共同进行协同监管。实现两个区域的协同监管是扩大水环境治理的正外部性、阻滞跨域水环境负外部性扩散的必然选择。
目前水环境协同监管治理需要实地采集多种状态指标。对于一个区域而言，选择采集状态指标的地点可以根据区域特点快速选择，而对于上下游两个区域或者河岸两侧区域而言，两个区域治理部门对所监管区域的选址无法很好的证明数据正确协同性，达不到两区域数据协同的目的。因此检测选址不当会使得两个区域在监管过程中造成数据选取不当、工作出现失误，造成决策内容出现缺陷无法正确引导水污染的治理。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于人工智能的河岸污染检测及考察地点选址方法及系统，所采用的技术方案具体如下：
本发明提出了一种基于人工智能的河岸污染检测及考察地点选址方法，所述方法包括：
在河岸两侧预设多个待选区域；每个所述待选区域中设置有多个土壤传感器；通过每个所述土壤传感器获得预设采样时间段内的土壤状态数据序列；所述土壤状态数据序列包括土壤含水量序列和土壤酸碱度序列；
通过每个所述待选区域内设置的水污染传感器获得水体状态数据序列；根据不同所述待选区域内所述水体状态数据序列的差异进行初次区域匹配，获得多个第一区域匹配对；
获得所述第一区域匹配对之间每个所述土壤传感器的土壤状态数据序列差异；根据所述土壤状态数据序列差异对所述土壤传感器进行剔除，使所述第一区域匹配对中两个所述待选区域的所述土壤传感器数量相同，将余下的所述土壤传感器作为最优土壤传感器；
通过所述最优土壤传感器的所述土壤含水量序列的变化特征对每个所述待选区域内所述最优土壤传感器进行匹配，获得最优协同传感器对；以所述最优协同传感器对之间的所述土壤酸碱度序列的差异获得土壤环境权值，根据所述土壤环境权值获得所述最优协同传感器对的协同传感器平均数据序列；所有所述协同传感器平均数据序列组成所述待选区域的平均土壤状态数据序列；
根据所述第一区域匹配对内所述待选区域的所述平均土壤状态数据序列进行二次区域匹配，获得最优第二区域匹配对；以多个所述采样时间段内出现次数最多的所述最优第二区域匹配对作为最优区域匹配对；以所述最优区域匹配对作为选址结果。
进一步地，所述根据不同所述待选区域内所述水体状态数据序列的差异进行初次区域匹配包括：
以不同所述待选区域内所述水体状态数据序列的向量距离作为差异。
进一步地，所述根据不同所述待选区域内所述水体状态数据序列的差异进行初次区域匹配，获得多个第一区域匹配对包括：
利用全局KM算法进行所述初次区域匹配，获得所述第一区域匹配对。
进一步地，所述获得所述第一区域匹配对之间每个所述土壤传感器的土壤状态数据序列差异；根据所述土壤状态数据序列差异对所述土壤传感器进行剔除包括：
以所述第一区域匹配对之间每个所述土壤传感器的土壤状态数据序列的向量距离作为所述土壤状态数据序列差异；
根据所述土壤状态数据序列差异获得土壤传感器匹配置信度；所述土壤传感器匹配置信度与所述土壤状态数据序列差异为反比例关系；根据所述土壤传感器匹配置信度对所述土壤传感器进行KM算法匹配；剔除不匹配的所述土壤传感器，使所述第一区域匹配对中两个所述待选区域的所述土壤传感器数量相同。
进一步地，所述根据所述土壤状态数据序列差异获得土壤传感器匹配置信度包括：通过土壤传感器匹配置信度公式获得所述土壤传感器匹配置信度；所述土壤传感器匹配置信度公式为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为所述第一区域匹配对之间第
Figure 100002_DEST_PATH_IMAGE006
个所述土壤传感器和第
Figure 100002_DEST_PATH_IMAGE008
个所述土壤传感器的所述土壤传感器匹配置信度，
Figure 100002_DEST_PATH_IMAGE010
为所述土壤传感器获得的土壤状态数据种类总数量，
Figure 100002_DEST_PATH_IMAGE012
为第
Figure 516914DEST_PATH_IMAGE006
个所述土壤传感器和第个所述土壤传感器的第
Figure 100002_DEST_PATH_IMAGE014
种所述土壤状态数据序列差异。
进一步地，所述通过所述最优土壤传感器的所述土壤含水量序列的变化特征对每个所述待选区域内所述最优土壤传感器进行匹配，获得最优协同传感器对包括：
以两个所述最优土壤传感器的所述土壤含水量序列的皮尔逊相关系数作为所述变化特征；根据所述变化特征利用KM匹配算法进行匹配，获得最优协同传感器对。
进一步地，所述以所述最优协同传感器对之间所述土壤酸碱度序列的差异获得土壤环境权值包括：
以所述最优协同传感器对之间的所述土壤酸碱度序列的差值平方和作为第一土壤环境权值；将所述差值平方和归一化处理获得第二土壤环境权值；以所述第一土壤环境权值和所述第二土壤环境权值的乘积作为所述土壤环境权值。
进一步地，所述根据所述土壤环境权值获得所述最优协同传感器对的协同传感器平均数据序列包括：通过平均土壤状态数据计算公式获得所述协同传感器平均数据序列；所述平均土壤状态数据计算公式包括：
Figure 100002_DEST_PATH_IMAGE016
其中，
Figure 100002_DEST_PATH_IMAGE018
为第
Figure 100002_DEST_PATH_IMAGE020
个所述土壤传感器和第
Figure 100002_DEST_PATH_IMAGE022
个所述土壤传感器组成的所述最优协同传感器对的第
Figure 379566DEST_PATH_IMAGE014
种所述协同传感器平均数据序列，
Figure 100002_DEST_PATH_IMAGE024
为第个所述土壤传感器和第
Figure 987351DEST_PATH_IMAGE022
个所述土壤传感器组成的所述最优协同传感器对的所述土壤环境权值，
Figure 100002_DEST_PATH_IMAGE026
为第
Figure 838633DEST_PATH_IMAGE020
个所述土壤传感器的第
Figure 65215DEST_PATH_IMAGE014
种所述土壤状态数据序列，
Figure 100002_DEST_PATH_IMAGE028
为第
Figure 900315DEST_PATH_IMAGE022
个所述土壤传感器的第
Figure 972177DEST_PATH_IMAGE014
种所述土壤状态数据序列。
进一步地，所述根据所述第一区域匹配对内所述待选区域的所述平均土壤状态数据序列进行二次区域匹配，获得最优第二区域匹配对包括：
通过KM算法进行所述二次区域匹配，获得多个第二区域匹配对，以边权值最大的所述第二区域匹配对作为所述最优第二区域匹配对。
本发明还提出了一种基于人工智能的河岸污染检测及考察地点选址系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于人工智能的河岸污染检测及考察地点选址方法的步骤。
本发明具有如下有益效果：
1.本发明实施例通过水体状态数据对待选区域进行初次匹配获得水污染情况相同的第一区域匹配对。然后将第一区域匹配对中相匹配的区域内土壤传感器数量进行调整，使得第一匹配对中相匹配的土壤传感器数量相等。保证了两个区域内数据数量的匹配性。通过第一区域匹配对中待选区域的平均土壤状态数据序列进行二次区域分配，获得作为最终匹配结果。对多个采样时间下的最优第二区域匹配对进行统计获得最优区域匹配对，保证了最优区域匹配对中两个区域内数据内容协同性，使得两个区域在水体状态数据和土壤状态数据中都存在一致性和协同性，实现了科学公正的河岸污染检测及考察地点选址。
2.本发明实施例通过最优土壤传感器中土壤含水量序列的变化特征进行匹配，表示了最优土壤传感器的位置相似性，获得最优协同传感器对。根据最优协同传感器对的土壤酸碱度序列的差异获得土壤环境权值，土壤环境权值表示了协同传感器中土壤环境的不同，通过土壤环境权值可以有效的将最优协同传感器对的数据进行调整，从而获得参考性强的协同传感器平均数据序列，根据协同传感器平均数据序列获得数据量小的第一区域匹配对内待选区域的平均土壤状态数据序列，进行二次区域匹配。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的基于人工智能的河岸污染检测及考察地点选址方法流程图；
图2为本发明一个实施例所提供的一个河岸两侧监管区域分布示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的河岸污染检测及考察地点选址方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的河岸污染检测及考察地点选址方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于人工智能的河岸污染检测及考察地点选址方法流程图，该方法包括：
步骤S1：在河岸两侧预设多个待选区域；每个待选区域中设置有多个土壤传感器；通过每个土壤传感器获得预设采样时间段内的土壤状态数据序列。
水污染监管需要对河流两岸土壤环境和所处水域环境进行状态数据的监测。针对水污染监管往往会在河流两岸设置多个监测站点，选定多个监测站点作为待选区域。请参阅图2，其示出了本发明一个实施例所提供的一个河岸两侧监管区域分布示意图，图2示出了A，B，C，D四个待选区域。待选区域A和待选区域B为河流上游区域，待选区域C和待选区域D为河流下游区域，上下游区域由图2中虚线进行分割。需要说明的是，在最终实施过程中，待选区域数量远大于本发明实施例所提供的四个待选区域，本发明实施例提供四个待选区域仅为了方便说明，对待选区域数量并不做限定。
每个待选区域中设置有多个土壤传感器。土壤传感器可检测土壤的多种土壤状态数据，通过每个土壤传感器获得预设采样时间段内的土壤状态数据序列。其中土壤状态数据需要包括土壤含水量序列和土壤酸碱度序列，土壤含水量序列可用于表示不同土壤传感器距离河岸的相对位置，土壤酸碱度序列可用于表示不同土壤传感器所处土壤的环境差异，对土壤含水量序列和土壤酸碱度序列的具体分析在后续步骤进行说明。需要说明的是，土壤状态数据在包含土壤含水量和土壤酸碱度的基础上还可以包含其他数据，在本发明实施例中土壤传感器检测的土壤状态数据包括土壤含水量
Figure DEST_PATH_IMAGE030
、土壤温度
Figure DEST_PATH_IMAGE032
和土壤酸碱度
Figure DEST_PATH_IMAGE034
。
在本发明实施例中，设置采样频率为一小时一次，采样时间段为30小时。即在采样时间段内获得了30个采样样本，每个采样样本拥有各自时间信息。若A区域设置10个土壤传感器，则A区域一个采样样本为序列形式：
Figure DEST_PATH_IMAGE036
，表示10个土壤传感器的土壤状态数据序列。
步骤S2：通过每个待选区域内设置的水污染传感器获得水体状态数据序列；根据不同待选区域内水体状态数据序列的差异进行初次区域匹配，获得多个第一区域匹配对。
对于水污染来说，土壤状态数据可表现出污染对土壤的渗透作用，土壤状态数据容易获得但属于间接数据。水体状态数据为河流的直接数据，可用于直接判断水体质量。通过每个待选区域内设置的水污染传感器获得水体状态数据序列。
在本发明实施例中，水污染传感器可采集水体含氧量
Figure DEST_PATH_IMAGE038
、水体含氨氮量
Figure DEST_PATH_IMAGE040
、水体含氰化物量
Figure DEST_PATH_IMAGE042
。为了更直观表现待选区域所处环境的水体状态数据的异常特征，可设置标准水体状态阈值，以水污染传感器采集的数据与标准水体状态阈值的差值作为最终水体状态数据序列
Figure DEST_PATH_IMAGE044
。
需要说明的是，水污染传感器与土壤传感器的采样频率和采样时间相同。
水体状态数据序列可视为向量形式，以不同待选区域内水体状态数据序列的向量距离作为两个待选区域水体状态数据的差异。以待选区域A与待选区域D为例，向量距离
Figure DEST_PATH_IMAGE046
可表示为：
Figure DEST_PATH_IMAGE048
。水体状态数据序列的向量距离越大表示两个待选区域的污染情况不同，不属于同一类型的参考数据，向量距离越大表示两个待选区域的水体状态数据有相同的数据特征。
根据待选区域之间的向量差异利用全局KM算法进行初次区域匹配，获得多个第一区域匹配对。KM算法为常用匹配算法，通过匹配对象之间的边权值获得匹配结果，在此不多赘述。
步骤S3：获得第一区域匹配对之间每个土壤传感器的土壤状态数据序列差异；根据土壤状态数据序列差异对土壤传感器进行剔除，使第一区域匹配对中两个待选区域的土壤传感器数量相同，将剩下的土壤传感器作为最优土壤传感器。
第一区域匹配对可能存在多个匹配结果，如A-C、A-D等，第一区域匹配对表现了待选区域水体数据的一致性。为了进一步体现水污染监管的协同性，对于土壤状态数据也应需要体现出数据的一致性，但是对于不同待选区域而言，因为检测站点的规模或者其他原因，两个待选区域的土壤传感器数量会不同，不利于分析土壤状态数据的一致性，因此需要根据第一区域匹配对之间每个土壤传感器的土壤状态数据序列差异将对所述土壤传感器进行剔除，使第一区域匹配对中两个待选区域的土壤传感器数量相同，从而修正两个待选区域内的数据。具体包括：
以第一区域匹配对之间每个土壤传感器的土壤状态数据序列的向量距离作为土壤状态数据序列差异。根据土壤状态数据序列差异获得土壤传感器匹配置信度，土壤传感器匹配置信度与土壤状态数据序列差异为反比例关系，具体包括：根据反比例关系通过数学拟合方法对土壤状态数据进行拟合，获得土壤传感器匹配置信度公式，通过土壤传感器匹配置信度公式获得土壤传感器匹配置信度。土壤传感器匹配置信度公式为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 707658DEST_PATH_IMAGE004
为第一区域匹配对之间第
Figure 839562DEST_PATH_IMAGE006
个土壤传感器和第
Figure 365221DEST_PATH_IMAGE008
个土壤传感器的土壤传感器匹配置信度，
Figure 975194DEST_PATH_IMAGE010
为土壤传感器获得的土壤状态数据种类总数量，
Figure 269909DEST_PATH_IMAGE012
为第
Figure 838294DEST_PATH_IMAGE006
个土壤传感器和第
Figure 585670DEST_PATH_IMAGE008
个土壤传感器的第
Figure 264913DEST_PATH_IMAGE014
种土壤状态数据序列差异。在本发明实施例中，土壤状态数据为土壤含水量
Figure 414135DEST_PATH_IMAGE030
、土壤温度
Figure 887841DEST_PATH_IMAGE032
和土壤酸碱度三种，即
Figure 122514DEST_PATH_IMAGE010
为3。
土壤传感器匹配置信度表示了在第一区域匹配对中属于不同待选区域的土壤传感器之间的数据相似度。根据土壤传感器匹配置信度对土壤传感器进行KM算法匹配，剔除不匹配的，使第一区域匹配对中两个待选区域的土壤传感器数量相同，余下的土壤传感器作为最优土壤传感器。通过将不匹配的土壤传感器剔除，降低了两个待选区域内土壤状态数据的错误判断，保证数据的可参考性，方便后续进行二次区域匹配。如待选区域A设置有12个土壤传感器，待选区域C设置有20个土壤传感器，则将待选区域C中与待选区域A中不匹配的8个土壤传感器剔除，余下的土壤传感器作为最优土壤传感器。
步骤S4：通过最优土壤传感器的土壤含水量序列的变化特征对每个待选区域内最优土壤传感器进行匹配，获得最优协同传感器对；以最优协同传感器对之间的土壤酸碱度序列的差异获得土壤环境权值，根据土壤环境权值获得最优协同传感器对的协同传感器平均数据序列；所有协同传感器平均数据序列组成待选区域的平均土壤状态数据序列。
经过步骤S3对每个第一区域匹配对内土壤传感器的筛选，每个第一区域匹配对内的待选区域都存在对应的最优土壤传感器。河流水污染对于两岸土壤的影响是根据水体渗透土壤过程实现的，为了方便分析土壤状态数据，简化数据量，将相同渗透能力的土壤区域内的最优土壤传感器进行合并分析。
相同渗透能力表示了土壤与水体的交换能力，因此可根据土壤含水量表示渗透能力。含水量越大的土壤传感器代表所处区域与河岸距离相对较近，含水量越小的土壤传感器代表所处区域与河岸距离相对较远。
因此通过最优土壤传感器的土壤含水量序列的变化特征对每个待选区域内最优土壤传感器进行匹配，获得最优协同传感器对，具体包括：
以两个最优土壤传感器的土壤含水量序列的皮尔逊相关系数作为变化特征。根据变化特征利用KM匹配算法进行匹配，获得最优协同传感器对。皮尔逊相关系数用于评价最优土壤传感器的土壤含水量序列之间的数据变化值是否统一。变化越统一则代表两个最优土壤传感器的河岸距离相似，能够统一地表示与河岸的该距离下的土壤区域的其他状态数据。
同一个待选区域内，不同位置的土壤可能存在不同的土壤环境，可利用土壤酸碱度表示土壤环境的状态。对于最优协同传感器对内两个最优土壤传感器而言，所处的土壤环境也可能不同，即两个最优土壤传感器的土壤酸碱度序列存在差异，为了将两个最优土壤传感器的数据合并分析，需要根据土壤酸碱度序列的差异土壤环境权值，根据土壤环境权值获得最优协同传感器对的协同传感器平均数据序列，具体包括：
以最优协同传感器对之间的土壤酸碱度序列的差值平方和作为第一土壤环境权值。将差值平方和归一化处理获得第二土壤环境权值。以第一土壤环境权值和第二土壤环境权值的乘积作为土壤环境权值。
通过平均土壤状态数据计算公式获得协同传感器平均数据序列。平均土壤状态数据计算公式包括：
Figure DEST_PATH_IMAGE016A
其中，
Figure 198923DEST_PATH_IMAGE018
为第
Figure 202651DEST_PATH_IMAGE020
个土壤传感器和第
Figure 112838DEST_PATH_IMAGE022
个土壤传感器组成的最优协同传感器对的第
Figure 834807DEST_PATH_IMAGE014
种协同传感器平均数据序列，
Figure 855852DEST_PATH_IMAGE024
为第
Figure 714087DEST_PATH_IMAGE020
个土壤传感器和第
Figure 529596DEST_PATH_IMAGE022
个土壤传感器组成的最优协同传感器对的土壤环境权值，
Figure 738860DEST_PATH_IMAGE026
为第
Figure 563597DEST_PATH_IMAGE020
个土壤传感器的第
Figure 541917DEST_PATH_IMAGE014
种土壤状态数据序列，
Figure 528328DEST_PATH_IMAGE028
为第
Figure 236607DEST_PATH_IMAGE022
个土壤传感器的第
Figure 333876DEST_PATH_IMAGE014
种土壤状态数据序列。
通过第一区域匹配对内待选区域中多个最优协同传感器对的协同传感器平均数据序列组成该待选区域内的平均土壤状态数据序列。需要说明的是，因为不同第一区域匹配对内的待选区域组合方式不同，因此对应的最优土壤传感器也不同，即平均土壤状态数据序列也不用，与第一区域匹配对存在对应关系。
平均土壤状态数据序列中的数据参考性强，且经过最优协同传感器对的匹配，数据量小，使得在后续数据分析过程中有效快速的达到分析目的。
步骤S5：根据第一区域匹配对内待选区域的平均土壤状态数据序列进行二次区域匹配，获得最优第二区域匹配对；以多个采样时间段内出现次数最多的最优第二区域匹配对结果作为最优区域匹配对；以最优区域匹配对作为选址结果。
经过步骤S3的数据分析后，每个第一区域匹配对中两个待选区域的土壤传感器数量相同，并经过S4的数据整合后，平均土壤状态数据序列数据量小，可以根据第一区域匹配对内待选区域的平均土壤状态数据序列通过KM算法进行二次区域匹配，快速准确的获得第二区域匹配对，以边权值最大的第二区域匹配对作为最优第二区域匹配对。
统计多个采样时间段内的匹配结果，以出现次数最多的最优第二区域匹配对作为最优区域匹配对，以最优区域匹配对内两个待选区域作为选址结果。最优区域匹配对内两个待选区域在水体状态数据和土壤状态数据中都具有一致性、协同性，因此两个区域可以协同监管水污染情况。
综上所述，本发明实施例根据待选区域内的水体状态数据序列进行初次区域分配，获得多个第一区域匹配对。根据第一区域匹配对内每个土壤传感器的数据差异对土壤传感器进行筛选，使第一区域匹配对中两个待选区域的土壤传感器数量相同，将余下的土壤传感器作为最优土壤传感器。根据最优土壤传感器的土壤含水量序列的变化特征进行匹配，获得最优协同传感器对，以最优协同传感器对内土壤酸碱度序列的差异获得土壤环境权值，根据土壤环境权值获得最优协同传感器对的协同传感器平均数据序列，进一步获得第一区域匹配对内待选区域的平均土壤状态数据序列进行二次区域匹配，获得最优第二区域匹配对，根据多次采样时间段的分析获得最优区域匹配对。本发明实施例实现了科学公正的河岸污染检测及考察地点选址，使得选址过程更具有客观性和便捷性。
本发明还提出了一种基于人工智能的河岸污染检测及考察地点选址系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现任意一项一种基于人工智能的河岸污染检测及考察地点选址方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的河岸污染检测及考察地点选址方法，其特征在于，所述方法包括：
在河岸两侧预设多个待选区域；每个所述待选区域中设置有多个土壤传感器；通过每个所述土壤传感器获得预设采样时间段内的土壤状态数据序列；所述土壤状态数据序列包括土壤含水量序列和土壤酸碱度序列；
通过每个所述待选区域内设置的水污染传感器获得水体状态数据序列；根据不同所述待选区域内所述水体状态数据序列的差异进行初次区域匹配，获得多个第一区域匹配对；
获得所述第一区域匹配对之间每个所述土壤传感器的土壤状态数据序列差异；根据所述土壤状态数据序列差异对所述土壤传感器进行剔除，使所述第一区域匹配对中两个所述待选区域的所述土壤传感器数量相同，将余下的所述土壤传感器作为最优土壤传感器；
通过所述最优土壤传感器的所述土壤含水量序列的变化特征对每个所述待选区域内所述最优土壤传感器进行匹配，获得最优协同传感器对；以所述最优协同传感器对之间的所述土壤酸碱度序列的差异获得土壤环境权值，根据所述土壤环境权值获得所述最优协同传感器对的协同传感器平均数据序列；所有所述协同传感器平均数据序列组成所述待选区域的平均土壤状态数据序列；
根据所述第一区域匹配对内所述待选区域的所述平均土壤状态数据序列进行二次区域匹配，获得最优第二区域匹配对；以多个所述采样时间段内出现次数最多的所述最优第二区域匹配对作为最优区域匹配对；以所述最优区域匹配对作为选址结果。
2.根据权利要求1所述的一种基于人工智能的河岸污染检测及考察地点选址方法，其特征在于，所述根据不同所述待选区域内所述水体状态数据序列的差异进行初次区域匹配包括：
以不同所述待选区域内所述水体状态数据序列的向量距离作为差异。
3.根据权利要求1所述的一种基于人工智能的河岸污染检测及考察地点选址方法，其特征在于，所述根据不同所述待选区域内所述水体状态数据序列的差异进行初次区域匹配，获得多个第一区域匹配对包括：
利用全局KM算法进行所述初次区域匹配，获得所述第一区域匹配对。
4.根据权利要求1所述的一种基于人工智能的河岸污染检测及考察地点选址方法，其特征在于，所述获得所述第一区域匹配对之间每个所述土壤传感器的土壤状态数据序列差异；根据所述土壤状态数据序列差异对所述土壤传感器进行剔除包括：
以所述第一区域匹配对之间每个所述土壤传感器的土壤状态数据序列的向量距离作为所述土壤状态数据序列差异；
根据所述土壤状态数据序列差异获得土壤传感器匹配置信度；所述土壤传感器匹配置信度与所述土壤状态数据序列差异为反比例关系；根据所述土壤传感器匹配置信度对所述土壤传感器进行KM算法匹配；剔除不匹配的所述土壤传感器，使所述第一区域匹配对中两个所述待选区域的所述土壤传感器数量相同。
5.根据权利要求4所述的一种基于人工智能的河岸污染检测及考察地点选址方法，其特征在于，所述根据所述土壤状态数据序列差异获得土壤传感器匹配置信度包括：通过土壤传感器匹配置信度公式获得所述土壤传感器匹配置信度；所述土壤传感器匹配置信度公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为所述第一区域匹配对之间第
Figure DEST_PATH_IMAGE006
个所述土壤传感器和第
Figure DEST_PATH_IMAGE008
个所述土壤传感器的所述土壤传感器匹配置信度，
Figure DEST_PATH_IMAGE010
为所述土壤传感器获得的土壤状态数据种类总数量，
Figure DEST_PATH_IMAGE012
为第
Figure 666699DEST_PATH_IMAGE006
个所述土壤传感器和第
Figure 114998DEST_PATH_IMAGE008
个所述土壤传感器的第
Figure DEST_PATH_IMAGE014
种所述土壤状态数据序列差异。
6.根据权利要求1所述的一种基于人工智能的河岸污染检测及考察地点选址方法，其特征在于，所述通过所述最优土壤传感器的所述土壤含水量序列的变化特征对每个所述待选区域内所述最优土壤传感器进行匹配，获得最优协同传感器对包括：
以两个所述最优土壤传感器的所述土壤含水量序列的皮尔逊相关系数作为所述变化特征；根据所述变化特征利用KM匹配算法进行匹配，获得最优协同传感器对。
7.根据权利要求1所述的一种基于人工智能的河岸污染检测及考察地点选址方法，其特征在于，所述以所述最优协同传感器对之间所述土壤酸碱度序列的差异获得土壤环境权值包括：
以所述最优协同传感器对之间的所述土壤酸碱度序列的差值平方和作为第一土壤环境权值；将所述差值平方和归一化处理获得第二土壤环境权值；以所述第一土壤环境权值和所述第二土壤环境权值的乘积作为所述土壤环境权值。
8.根据权利要求1所述的一种基于人工智能的河岸污染检测及考察地点选址方法，其特征在于，所述根据所述土壤环境权值获得所述最优协同传感器对的协同传感器平均数据序列包括：通过平均土壤状态数据计算公式获得所述协同传感器平均数据序列；所述平均土壤状态数据计算公式包括：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
为第
Figure DEST_PATH_IMAGE020
个所述土壤传感器和第
Figure DEST_PATH_IMAGE022
个所述土壤传感器组成的所述最优协同传感器对的第
Figure 940740DEST_PATH_IMAGE014
种所述协同传感器平均数据序列，
Figure DEST_PATH_IMAGE024
为第
Figure 663845DEST_PATH_IMAGE020
个所述土壤传感器和第
Figure 9376DEST_PATH_IMAGE022
个所述土壤传感器组成的所述最优协同传感器对的所述土壤环境权值，
Figure DEST_PATH_IMAGE026
为第
Figure 159735DEST_PATH_IMAGE020
个所述土壤传感器的第
Figure 957926DEST_PATH_IMAGE014
种所述土壤状态数据序列，
Figure DEST_PATH_IMAGE028
为第
Figure 484723DEST_PATH_IMAGE022
个所述土壤传感器的第
Figure 950339DEST_PATH_IMAGE014
种所述土壤状态数据序列。
9.根据权利要求1所述的一种基于人工智能的河岸污染检测及考察地点选址方法，其特征在于，所述根据所述第一区域匹配对内所述待选区域的所述平均土壤状态数据序列进行二次区域匹配，获得最优第二区域匹配对包括：
通过KM算法进行所述二次区域匹配，获得多个第二区域匹配对，以边权值最大的所述第二区域匹配对作为所述最优第二区域匹配对。
10.一种基于人工智能的河岸污染检测及考察地点选址系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
CN202111260657.8A 2021-10-28 2021-10-28 基于人工智能的河岸污染检测及考察地点选址方法及系统 Active CN113702612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111260657.8A CN113702612B (zh) 2021-10-28 2021-10-28 基于人工智能的河岸污染检测及考察地点选址方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111260657.8A CN113702612B (zh) 2021-10-28 2021-10-28 基于人工智能的河岸污染检测及考察地点选址方法及系统

Publications (2)

Publication Number Publication Date
CN113702612A true CN113702612A (zh) 2021-11-26
CN113702612B CN113702612B (zh) 2022-02-22

Family

ID=78647310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111260657.8A Active CN113702612B (zh) 2021-10-28 2021-10-28 基于人工智能的河岸污染检测及考察地点选址方法及系统

Country Status (1)

Country Link
CN (1) CN113702612B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757601A (zh) * 2022-06-16 2022-07-15 江苏瑞立环保工程股份有限公司 一种基于人工智能的水环境异常排放监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101557647A (zh) * 2009-05-15 2009-10-14 广东工业大学 无线传感器网络农田污染区域跟踪系统及其方法
WO2019076078A1 (zh) * 2017-10-16 2019-04-25 中国环境科学研究院 地下水污染监测网多目标优化方法
CN113030431A (zh) * 2021-02-23 2021-06-25 北京农业智能装备技术研究中心 一种土壤田间持水量的测定方法及系统
CN113485218A (zh) * 2021-08-04 2021-10-08 广德绿巨人环境管理咨询有限公司 一种基于5g的智慧物联监管平台

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101557647A (zh) * 2009-05-15 2009-10-14 广东工业大学 无线传感器网络农田污染区域跟踪系统及其方法
WO2019076078A1 (zh) * 2017-10-16 2019-04-25 中国环境科学研究院 地下水污染监测网多目标优化方法
CN113030431A (zh) * 2021-02-23 2021-06-25 北京农业智能装备技术研究中心 一种土壤田间持水量的测定方法及系统
CN113485218A (zh) * 2021-08-04 2021-10-08 广德绿巨人环境管理咨询有限公司 一种基于5g的智慧物联监管平台

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757601A (zh) * 2022-06-16 2022-07-15 江苏瑞立环保工程股份有限公司 一种基于人工智能的水环境异常排放监测方法及系统
CN114757601B (zh) * 2022-06-16 2022-08-26 江苏瑞立环保工程股份有限公司 一种基于人工智能的水环境异常排放监测方法及系统

Also Published As

Publication number Publication date
CN113702612B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN110634080B (zh) 异常用电检测方法、装置、设备及计算机可读存储介质
Cardina et al. Analysis of spatial distribution of common lambsquarters (Chenopodium album) in no-till soybean (Glycine max)
CN116186634B (zh) 一种建筑工程施工数据智能管理系统
WO2016179864A1 (zh) 一种基于金属定量构效关系的淡水急性基准预测方法
CN107395301A (zh) 一种基于k均值算法的频谱感知方法
CN109508881B (zh) 海岛区域分类及生态资源价值评估方法
CN110909652B (zh) 纹理特征优选的农作物种植结构月尺度动态提取方法
CN113702612B (zh) 基于人工智能的河岸污染检测及考察地点选址方法及系统
CN107256409B (zh) 基于sae和显著性检测的高分辨sar图像变化检测方法
CN112348290A (zh) 河流水质预测方法、装置、存储介质及设备
CN113378473A (zh) 一种基于机器学习模型的地下水砷风险预测方法
CN114817851A (zh) 水质监测方法及设备
CN111967717A (zh) 一种基于信息熵值的数据质量评价方法
CN114444914A (zh) 流域综合治理绩效评估的关键水质因子变化趋势分析方法
CN111784379B (zh) 追缴电费的估算方法、装置和异常案例的筛选方法、装置
CN117540325A (zh) 基于数据变化量捕获的业务数据库异常检测方法及系统
CN115239156B (zh) 一种城镇化指标对水系结构的影响警示方法和装置
CN114493346B (zh) 一种乡村产业集聚化布局方法、系统、装置及存储介质
Arora et al. Use of cluster analysis-A data mining tool for improved water quality monitoring of river Satluj
Bąk et al. An analysis of dynamic changes in selected areas of sustainable development of the European Union countries
Favenza et al. A machine learning approach to GNSS scintillation detection: Automatic soft inspection of the events
CN113190851A (zh) 恶意文档检测模型的主动学习方法、电子设备及存储介质
CN108959084B (zh) 一种基于平滑法与相似度的马尔可夫预测漏洞数量的方法
CN107506824B (zh) 一种配电网的不良观测数据检测方法及装置
CN111768101A (zh) 一种顾及物候特征的遥感耕地变化检测方法及系统

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