CN113917107A - 一种农田土壤重金属污染决策系统及方法 - Google Patents
一种农田土壤重金属污染决策系统及方法 Download PDFInfo
- Publication number
- CN113917107A CN113917107A CN202110912185.3A CN202110912185A CN113917107A CN 113917107 A CN113917107 A CN 113917107A CN 202110912185 A CN202110912185 A CN 202110912185A CN 113917107 A CN113917107 A CN 113917107A
- Authority
- CN
- China
- Prior art keywords
- soil
- module
- early warning
- data
- analysis
- 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.)
- Withdrawn
Links
- 239000002689 soil Substances 0.000 title claims abstract description 98
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 24
- 229910052751 metal Inorganic materials 0.000 claims abstract description 20
- 239000002184 metal Substances 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000004856 soil analysis Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005527 soil sampling Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000002372 labelling Methods 0.000 abstract description 2
- 238000003900 soil pollution Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
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
- G01N33/24—Earth materials
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09C—RECLAMATION OF CONTAMINATED SOIL
- B09C1/00—Reclamation of contaminated soil
-
- 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
- G01N33/245—Earth materials for agricultural purposes
-
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Medicinal Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Soil Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于农田土壤污染防治领域，公开了一种农田土壤重金属污染决策系统及方法，包括土壤采集模块；分析预警模块，用于通过评判程序分析土壤当前的金属含量，服务其根据分析数据进行分级预警；应急处理模块，根据分析预警模块中的分级预警来生成相应的应急方案；人机交互模块，用于显示预警信息以及工作人员调整应急措施；本地存储模块；云存储模块；决策方法包括利用土壤采集设备对区域土地进行分批采样，并进行样本标号；对土壤进行分析，将得到的数据进行存储，根据分析结果确定预警等级；根据预警等级，采取相应的应急措施；根据分析结果，预警等级，以及应急措施建立自动应急模型，且每一此的应急启动都将作为新的数据源输入模型中。
Description
技术领域
本发明属于农田土壤污染防治技术领域，尤其涉及一种农田土壤重金属污染决策系统及方法。
背景技术
目前：重金属污染指由重金属或其化合物造成的环境污染。主要由采矿、废气排放、污水灌溉和使用重金属超标制品等人为因素所致。因人类活动导致环境中的重金属含量增加，超出正常范围，直接危害人体健康，并导致环境质量恶化。农田土壤重金属污染的管理手段仍十分落后，管理工作主要是依靠人工为主，管理模式往往都是采用临时抽查或巡查的方式进行，管理成本高、效率低、管理到位难，且重金属分布的并不均匀，抽查时没有不代表这一大片土壤都没有，因此针对大规模的高效的，准确的分析预警系统非常需要；目前现有的一种农田土壤重金属污染决策系统及方法,该方法基于监测区域内的农田土壤重金属污染监测数据,构建农田土壤重金属污染风险综合评估指标体系、分级预警模型、应急处置模型和农作物种植调整模型,用以对农田土壤重金属污染进行风险评估并快速做出应急响应，同时还能够对严重污染的区域进行农作物种植结构调整；该系统包括数据采集、数据管理、风险评估、分级预警、应急处置、种植调整和信息可视化模块,用于对农田土壤重金属污染的监测、评估和快速响应。本发明提供的农田土壤重金属；显然，现有的针对土壤金属预测分析系统没有具体说明土壤采集的具体过程，并没有说明会覆盖到土地中的每一个区域，可能导致分析结果具有很大的反差，第一是可能是抽查的土壤，第二可能覆盖到大部分区域，但是结果并不知道是哪一区域的土壤，且分析模块采用普通的权重进行分析，误差性较大，若不能保证相同的环境下进行分析，则结果也不具有参考性，现有的系统中没有云端存储，那么在本地数据不小心丢失的情况下会造成巨大的损失，且没有人机交互模块，可以使工作人员对应急措施进行调整，包容性较差。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有系统没有具体说明土壤采集的具体过程，并没有说明会覆盖到土地中的每一个区域。
(2)现有系统采用普通的权重进行分析，误差性较大，若不能保证相同的环境下进行分析，则结果也不具有参考性。
(3)现有系统没有云端存储，那么在本地数据不小心丢失的情况下会造成巨大的损失。
(4)现有系统没有人机交互模块，可以使工作人员对应急措施进行调整，包容性较差。
发明内容
针对现有技术存在的问题，本发明提供了一种农田土壤重金属污染决策系统及方法。
本发明是这样实现的，一种农田土壤重金属污染决策系统包括：
土壤采集模块，包括土壤采集设备和土壤存储容器，所述土壤采集设备按区域进行土壤采集，采集后由土壤存储容器进行收集，并进行土壤样本编号，以备分析模块进行分析使用；
分析预警模块，由成分分析仪、服务器以及评估单元构成，成分分析仪将土壤存储容器中的土壤样本取出进行成分分析，分析出的结果直接传送至评估单元，评估单元使用训练过的深度卷积神经网络对数据进行计算评估，用于通过评判程序分析土壤当前的金属含量，服务其根据分析数据进行分级预警；
应急处理模块，根据分析预警模块中的分级预警来生成相应的应急方案；
中央处理模块，用于通过主控制器对各个受控模块传输的数据以及请求进行采集，通过分析处理后输出给输出通道，当外部需要模拟量输出时，系统经过D/A转换器转换成标准电信号进行输出用于控制各个模块正常工作；
供电模块，用于给各个模块的设备进行供电，供电模块由太阳能组和蓄电池组构成；
人机交互模块，用于显示预警信息以及工作人员调整应急措施，将数字信号进行解析显示到显示屏幕上；
本地存储模块，与中央处理模块连接，用于存储土壤分析的结果、预警结果以及应急处理措施；
云存储模块，与中央处理模块连接，用于通过云服务器对采集数据和分析结果进行云存储。
进一步，所述土壤采集设备按区域进行土壤采集中，所述区域基于土壤重金属含量历史数据的空间分布确定农田土壤的分区，具体分区方法包括：
根据农田土壤重金属含量的历史数据划分轻量区、重度区和不确定区，在不同的分区内按照不同的均分程度将其划分为不同指定大小的网格；
将每个网格中心点确定为采样点，按照相同比例尺生成土壤采样点分布图；
将土壤采样点分布图与农田实际图重叠，根据实际图上设定的标志物进行标定，划分每个采样点的经纬度坐标。
进一步，所述分析预警模块中的预警等级根据土壤中的金属总量判别，若金属含量不高，没有达到国家判别准则，则为低级预警，若金属含量接近国家判别准则，则为低级预警，若金属含量超过国家判别准则，则为高级预警，立刻采取措施。
进一步，所述本地存储模块中所使用的存储服务使用的是SQL服务，在使用前对本地计算机进行SQL服务的配置，云存储模块云服务器的连接方式为3G、 4G、5G、WIFI或有线连接。
进一步，所述供电模块在阳光充足的时候，由太阳能直接进行供电，并向蓄电池内存储电量，当阳光不充足的时候，由蓄电池提供电量，若蓄电池中的电量不足，则使用直流电源进行供电。
进一步，所述分析预警模块的评估单元中的深度卷积神经网络建立过程为：
S1：对网络上的重金属信息以及金属含量超标准则进行采集；
S2：建立初始模型，骨架为卷积神经网络，将模型的参数初始化，初始化方式为随机取值；
S3：将采集的数据输入初始模型中进行训练，通过数据的不断训练对参数不断优化，直至参数变化不明显，稳定；
S4：选取在训练样本之外的土壤分析数据输入模型中验证其准确性，若准确则训练结束，若不准确，则重复S3。
进一步，步骤S3中，所述将采集的数据输入初始模型中进行训练，包括：
利用采集的数据构建目标数据库，根据目标数据库确定用于模型训练的训练集和测试集；
根据训练集对深度卷积神经网络进行训练，得到所述深度卷积神经网络的训练参数；
根据所述测试集中的目标数据和所述训练参数，对所述深度卷积神经网络进行测试，得到类激活值；
将类激活值映射至所述目标数据库库对应的原始序列，得到类激活可视化图；
根据类激活可视化图对训练好的深度卷积神经网络输出的目标结果进行验证。
进一步，所述应急处理模块中，应急处理措施为服务器通过垂直搜索引擎在互联网中搜索最佳方案，针对低中高预警分别采取相应措施。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
(1)本发明操作方法清晰，明确说明了土壤采集的方法以及土壤采集的区域以及存储，减少后续的操作误差性，因为重金属分布可能并不均匀，所以明确的对土壤进行编号是必需的，提高了分析效率；
(2)本发明的分析模块中采用神经网络进行分析，采集现有的相关数据，满足了大数据时代情况下的数据利用率，且不会受环境情况所影响；
(3)本发明设定了云存储模块，保证了数据的备份，且可以节省本地的存储空间，在后续有需要时可以直接在云端操作，有利于大数据和监测行业的发展。
(4)本发明设定了人机交互模块，保证在工作人员可以根据土壤的实际情况进行措施调整，包容性强。
附图说明
图1是本发明实施例提供的农田土壤重金属污染决策系统结构示意图。
图2是本发明实施例提供的评估单元中的深度卷积神经网络建立过程的方法流程图。
图3是本发明实施例提供的将采集的数据输入初始模型中进行训练的方法流程图。
图4是本发明实施例提供的农田土壤重金属污染决策方法的流程图。
图5是本发明实施例提供的分区方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种农田土壤重金属污染决策系统及方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的农田土壤重金属污染决策系统包括：
土壤采集模块1，包括土壤采集设备，土壤存储容器，土壤采集设备按区域进行土壤采集，采集后由土壤存储容器进行收集，并进行土壤样本编号，以备分析模块进行分析使用；
分析预警模块2，由成分分析仪、服务器以及评估单元构成，成分分析仪将土壤存储容器中的土壤样本取出进行成分分析，分析出的结果直接传送至评估单元，评估单元使用训练过的深度卷积神经网络对数据进行计算评估，用于通过评判程序分析土壤当前的金属含量，服务其根据分析数据进行分级预警；
应急处理模块3，根据分析预警模块中的分级预警来生成相应的应急方案；
中央处理模块4，主控制器对外部信号(各模块传输的数据以及请求)进行采集，通过分析处理后输出给输出通道。当外部需要模拟量输出时，系统经过 D/A转换器转换成标准电信号进行输出用于控制各个模块正常工作；
供电模块5，用于给各个模块的设备进行供电，供电模块由太阳能组和蓄电池组构成，在阳光充足的时候，由太阳能直接进行供电，并向蓄电池内存储电量，当阳光不充足的时候，由蓄电池提供电量；
人机交互模块6，用于显示预警信息以及工作人员调整应急措施，将数字信号进行解析显示到显示屏幕上。工作人员在显示界面进行指令输入，提交的数据指令表单经由中央处理器CPU通过互联网上传到服务器中，再由服务器传输至中央处理模块，中央处理模块将要执行的指令传送至数据采集模块，若是用户对存储的数据进行增删改查，则调用SQL服务器生成SQL语句进行数据库操作，对数据的操作记录会自动保存至日志记录；
本地存储模块7，与中央处理模块连接，用于存储土壤分析的结果以及预警结果以及应急处理措施，分析预警模块将转换好的数字信号打包发送至中央处理模块，经由中央处理模块进行标签操作传送至本地存储模块和云存储模块；
云存储模块8，与中央处理模块连接，使用云存储服务，首先要在本地服务器部署数据中心中创建云存储平台，通过第三方网关来实现存储协议，此存储协议可以实现从NFS到SMB的转换，用户将本地数据通过网线写入云存储网关中，云存储网关将数据传输至边界路由，边界路由通过专线公网将数据传入至云平台，在云平台中发起对象存储的请求，将数据传送至云平台内的云存储网关，云存储网关通过vSwitch将数据发送到云存储可用区中，完成数据云存储。
本发明实施例中的分析预警模块2中的预警等级根据土壤中的金属总量判别，若金属含量不高，远远没有达到国家判别准则，则为低级预警，若金属含量接近国家判别准则，则为低级预警，若金属含量超过国家判别准则，则为高级预警，需要立刻采取措施。
本发明实施例中的本地存储模块7中所使用的存储服务使用的是SQL服务，需要在使用前对本地计算机进行SQL服务的配置，云存储模块8云服务器的连接方式至少包括但不限于3G、4G、5G、WIFI、网线连接。
本发明实施例中的供电模块5中若蓄电池中的电量不足，则使用直流电源进行供电。
本发明实施例中的应急处理模块3中，应急处理措施为服务器通过垂直搜索引擎在互联网中搜索最佳方案，针对低中高预警分别采取相应措施。
如图2所示，本发明实施例中的分析预警模块2的评估单元中的深度卷积神经网络建立过程为：
S101，对网络上的重金属信息以及金属含量超标准则进行采集；
S102，建立初始模型，骨架为卷积神经网络，将模型的参数初始化，初始化方式为随机取值；
S103，将采集的数据输入初始模型中进行训练，通过数据的不断训练对参数不断优化，直至参数变化不明显，稳定；
S104，选取在训练样本之外的土壤分析数据输入模型中验证其准确性，若准确则训练结束，若不准确，则重复S103。
如图3所示，本发明实施例中的步骤S103中，所述将采集的数据输入初始模型中进行训练，包括：
S201，利用采集的数据构建目标数据库，根据目标数据库确定用于模型训练的训练集和测试集；
S202，根据训练集对深度卷积神经网络进行训练，得到所述深度卷积神经网络的训练参数；
S203，根据所述测试集中的目标数据和所述训练参数，对所述深度卷积神经网络进行测试，得到类激活值；
S204，将类激活值映射至所述目标数据库库对应的原始序列，得到类激活可视化图；
S205，根据类激活可视化图对训练好的深度卷积神经网络输出的目标结果进行验证。
如图4所示，本发明实施例中的农田土壤重金属污染决策方法包括如下步骤：
S301，利用土壤采集设备对区域土地进行分批采样，并进行样本标号；
S302，对土壤进行分析，将得到的数据进行存储，根据分析结果确定预警等级；
S303，根据预警等级，采取相应的应急措施，包括移植等；
S304，根据分析结果，预警等级，以及应急措施建立自动应急模型，且每一此的应急启动都将作为新的数据源输入模型中。
如图5所示，本发明实施例中的土壤采集设备按区域进行土壤采集中，所述区域基于土壤重金属含量历史数据的空间分布确定农田土壤的分区，具体分区方法包括：
S401，根据农田土壤重金属含量的历史数据划分轻量区、重度区和不确定区，在不同的分区内按照不同的均分程度将其划分为不同指定大小的网格；
S402，将每个网格中心点确定为采样点，按照相同比例尺生成土壤采样点分布图；
S403，将土壤采样点分布图与农田实际图重叠，根据实际图上设定的标志物进行标定，划分每个采样点的经纬度坐标。
本发明中的云存储模块工作原理为使用云存储服务，首先要在本地服务器部署数据中心中创建云存储平台，通过第三方网关来实现存储协议，用户将本地数据通过网线写入云存储网关中，云存储网关将数据传输至边界路由，边界路由通过专线公网将数据传入至云平台，在云平台中发起对象存储的请求，将数据传送至云平台内的云存储网关，云存储网关通过vSwitch将数据发送到云存储可用区中，完成数据云存储，所述VSwitch指虚拟交换机或虚拟网络交换机，工作在二层数据网络，通过软件方式实现物理交换机的二层(和部分三层)网络功能。与传统物理交换机相比，虚拟交换机具备配置灵活、扩展性强的优点。一台普通的服务器可以配置几十台甚至上百台虚拟交换机，且端口数目可以灵活选择。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，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，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，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种农田土壤重金属污染决策系统，其特征在于，所述农田土壤重金属污染决策系统包括：
土壤采集模块，包括土壤采集设备和土壤存储容器，所述土壤采集设备按区域进行土壤采集，采集后由土壤存储容器进行收集，并进行土壤样本编号，以备分析模块进行分析使用；
分析预警模块，由成分分析仪、服务器以及评估单元构成，成分分析仪将土壤存储容器中的土壤样本取出进行成分分析，分析出的结果直接传送至评估单元，评估单元使用训练过的深度卷积神经网络对数据进行计算评估，用于通过评判程序分析土壤当前的金属含量，服务其根据分析数据进行分级预警；
应急处理模块，根据分析预警模块中的分级预警来生成相应的应急方案；
中央处理模块，用于通过主控制器对各个受控模块传输的数据以及请求进行采集，通过分析处理后输出给输出通道，当外部需要模拟量输出时，系统经过D/A转换器转换成标准电信号进行输出用于控制各个模块正常工作；
供电模块，用于给各个模块的设备进行供电，供电模块由太阳能组和蓄电池组构成；
人机交互模块，用于显示预警信息以及工作人员调整应急措施，将数字信号进行解析显示到显示屏幕上；
本地存储模块，与中央处理模块连接，用于存储土壤分析的结果、预警结果以及应急处理措施；
云存储模块，与中央处理模块连接，用于通过云服务器对采集数据和分析结果进行云存储。
2.如权利要求1所述的农田土壤重金属污染决策系统，其特征在于，所述土壤采集设备按区域进行土壤采集中，所述区域基于土壤重金属含量历史数据的空间分布确定农田土壤的分区，具体分区方法包括：
根据农田土壤重金属含量的历史数据划分轻量区、重度区和不确定区，在不同的分区内按照不同的均分程度将其划分为不同指定大小的网格；
将每个网格中心点确定为采样点，按照相同比例尺生成土壤采样点分布图；
将土壤采样点分布图与农田实际图重叠，根据实际图上设定的标志物进行标定，划分每个采样点的经纬度坐标。
3.如权利要求1所述的农田土壤重金属污染决策系统，其特征在于，所述分析预警模块中的预警等级根据土壤中的金属总量判别，若金属含量不高，没有达到国家判别准则，则为低级预警，若金属含量接近国家判别准则，则为低级预警，若金属含量超过国家判别准则，则为高级预警，立刻采取措施。
4.如权利要求1所述的农田土壤重金属污染决策系统，其特征在于，所述本地存储模块中所使用的存储服务使用的是SQL服务，在使用前对本地计算机进行SQL服务的配置，云存储模块云服务器的连接方式为3G、4G、5G、WIFI或有线连接。
5.如权利要求1所述的农田土壤重金属污染决策系统，其特征在于，所述供电模块在阳光充足的时候，由太阳能直接进行供电，并向蓄电池内存储电量，当阳光不充足的时候，由蓄电池提供电量，若蓄电池中的电量不足，则使用直流电源进行供电。
6.如权利要求1所述的农田土壤重金属污染决策系统，其特征在于，所述分析预警模块的评估单元中的深度卷积神经网络建立过程为：
S1：对网络上的重金属信息以及金属含量超标准则进行采集；
S2：建立初始模型，骨架为卷积神经网络，将模型的参数初始化，初始化方式为随机取值；
S3：将采集的数据输入初始模型中进行训练，通过数据的不断训练对参数不断优化，直至参数变化不明显，稳定；
S4：选取在训练样本之外的土壤分析数据输入模型中验证其准确性，若准确则训练结束，若不准确，则重复S3。
7.如权利要求6所述的农田土壤重金属污染决策系统，其特征在于，步骤S3中，所述将采集的数据输入初始模型中进行训练，包括：
利用采集的数据构建目标数据库，根据目标数据库确定用于模型训练的训练集和测试集；
根据训练集对深度卷积神经网络进行训练，得到所述深度卷积神经网络的训练参数；
根据所述测试集中的目标数据和所述训练参数，对所述深度卷积神经网络进行测试，得到类激活值；
将类激活值映射至所述目标数据库库对应的原始序列，得到类激活可视化图；
根据类激活可视化图对训练好的深度卷积神经网络输出的目标结果进行验证。
8.如权利要求1所述的农田土壤重金属污染决策系统，其特征在于，所述应急处理模块中，应急处理措施为服务器通过垂直搜索引擎在互联网中搜索最佳方案，针对低中高预警分别采取相应措施。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用如权利要求1～8任意一项所述的农田土壤重金属污染决策系统。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用如权利要求1～8任意一项所述的农田土壤重金属污染决策系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110912185.3A CN113917107A (zh) | 2021-08-10 | 2021-08-10 | 一种农田土壤重金属污染决策系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110912185.3A CN113917107A (zh) | 2021-08-10 | 2021-08-10 | 一种农田土壤重金属污染决策系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113917107A true CN113917107A (zh) | 2022-01-11 |
Family
ID=79233102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110912185.3A Withdrawn CN113917107A (zh) | 2021-08-10 | 2021-08-10 | 一种农田土壤重金属污染决策系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113917107A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116400049A (zh) * | 2023-04-19 | 2023-07-07 | 皖江新兴产业技术发展中心 | 一种土壤监测数据采集系统 |
-
2021
- 2021-08-10 CN CN202110912185.3A patent/CN113917107A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116400049A (zh) * | 2023-04-19 | 2023-07-07 | 皖江新兴产业技术发展中心 | 一种土壤监测数据采集系统 |
| CN116400049B (zh) * | 2023-04-19 | 2024-05-17 | 皖江新兴产业技术发展中心 | 一种土壤监测数据采集系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210389766A1 (en) | Methods and Apparatuses for Water Body Pollution Intelligent Investigation Utilizing Unmanned Ships | |
| CN114371260B (zh) | 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法 | |
| CN114155129B (zh) | 一种基于工业园区的大气环境溯评方法和系统 | |
| CN101937214B (zh) | 基于工业以太网的跨海悬索桥结构监测系统 | |
| CN104103005B (zh) | 一种有限条件下突发性水环境事件污染源的溯源方法 | |
| CN112734694A (zh) | 一种基于大数据的水质监测方法 | |
| CN106841525A (zh) | 一种工业区大气特征污染在线监控系统构建的方法 | |
| CN113917107A (zh) | 一种农田土壤重金属污染决策系统及方法 | |
| CN115730852A (zh) | 一种化工企业土壤污染管控方法及系统 | |
| CN109764795A (zh) | 基于NB-iot的高速铁路轨道板上拱自动化监测系统 | |
| CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库系统 | |
| CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
| CN110148290B (zh) | 智能感知矿山安全生产预警与防控监管信息化大数据系统 | |
| CN111323537A (zh) | 一种基于NB-IoT技术的节点式空气质量监测设备 | |
| CN117934212A (zh) | 基于iot技术数字可视化平台的施工过程监控方法 | |
| CN105787203A (zh) | 一种预测小区经纬度是否异常的方法 | |
| CN112819365A (zh) | 碳汇检测方法、装置及存储介质和电子设备 | |
| KR102034190B1 (ko) | 태양광 패널의 표면을 관리하는 장치 및 방법 | |
| CN111027827A (zh) | 保底通信网运行风险分析的方法、装置及计算机设备 | |
| CN113255593B (zh) | 面向时空解析模型的传感器信息异常检测方法 | |
| CN113607710B (zh) | 一种在线监测水质的方法及其应用的装置和系统 | |
| CN113919810A (zh) | 一种用于国土空间规划的数据收集系统及其使用方法 | |
| CN114739876A (zh) | 一种空气质量监测方法、系统及其装置 | |
| Fang et al. | Prediction and evaluation of groundwater environmental impact based on numerical simulation model | |
| KR20150036965A (ko) | 전력설비의 고장 분석 장치 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220111 |
|
| WW01 | Invention patent application withdrawn after publication |