CN114169400A - 饮用水源地土壤环境参数预警方法、系统、装置及存储介质 - Google Patents

饮用水源地土壤环境参数预警方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN114169400A
CN114169400A CN202111341074.8A CN202111341074A CN114169400A CN 114169400 A CN114169400 A CN 114169400A CN 202111341074 A CN202111341074 A CN 202111341074A CN 114169400 A CN114169400 A CN 114169400A
Authority
CN
China
Prior art keywords
soil
value
standard
sample data
early warning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111341074.8A
Other languages
English (en)
Inventor
何纯伟
黄�俊
谭伟
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.)
Shenzhen Green En Environmental Protection Technology Co ltd
Original Assignee
Shenzhen Green En 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 Shenzhen Green En Environmental Protection Technology Co ltd filed Critical Shenzhen Green En Environmental Protection Technology Co ltd
Priority to CN202111341074.8A priority Critical patent/CN114169400A/zh
Publication of CN114169400A publication Critical patent/CN114169400A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明公开了一种饮用水源地土壤环境参数预警方法、系统、装置及存储介质，属于土壤检测领域。该方法包括获取目标采集区域在第一时刻的第一土壤样本数据和目标采集区域在第二时刻的第二土壤样本数据；对第一土壤样本数据和第二土壤样本数据进行筛选处理，生成第一标准样本数据和第二标准样本数据；根据第一标准样本数据和第二标准样本数据训练土壤预测模型，以得到标准预测模型；获取待测土壤数据；根据筛选模型对待测土壤数据进行筛选处理，生成标准待测土壤数据；通过标准预测模型对标准待测土壤进行预测处理，生成土壤的预测参数值；根据预测参数值和预设的标准值之间的大小关系，生成预警信息。该方法实现了不同检测区域内土壤环境参数的准确预警。

Description

饮用水源地土壤环境参数预警方法、系统、装置及存储介质
技术领域
本发明涉及土壤检测领域，尤其是一种饮用水源地土壤环境参数预警方法、系统、装置及存储介质。
背景技术
相关技术中，往往采用固定模型对土壤参数进行分析，这种方法无法根据土壤的变化情况准确预测土壤环境的参数。因此，如何提供一种可以适应不同土壤情况的饮用水源地土壤环境参数预警方法，成为了亟待解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种饮用水源地土壤环境参数预警方法，能够根据不同土壤情况，有效对土壤环境参数进行预警。
本发明还提出一种具有上述饮用水源地土壤环境参数预警方法的饮用水源地土壤环境参数预警系统。
本发明还提出一种具有上述饮用水源地土壤环境参数预警方法的饮用水源地土壤环境参数预警装置。
本发明还提出一种计算机可读存储介质。
根据本发明的第一方面实施例的饮用水源地土壤环境参数预警方法，包括：
获取目标采集区域在第一时刻的第一土壤样本数据和所述目标采集区域在第二时刻的第二土壤样本数据；
对所述第一土壤样本数据和所述第二土壤样本数据进行筛选处理，生成第一标准样本数据和第二标准样本数据；
根据所述第一标准样本数据和所述第二标准样本数据训练土壤预测模型，以得到标准预测模型；
获取待测土壤数据；
根据筛选模型对所述待测土壤数据进行筛选处理，生成标准待测土壤数据；
通过所述标准预测模型对所述标准待测土壤进行预测处理，生成土壤预测参数值，其中，所述土壤预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种；
根据所述预测参数值和预设的标准值之间的大小关系，生成预警信息。
根据本发明实施例的饮用水源地土壤环境参数预警方法，至少具有如下有益效果：本发明提供的饮用水源地土壤环境参数预警方法，可以获取所需检测的目标采集区域内第一时刻下对应的第一土壤样本数据和第二时刻下对应的第二土壤样本数据，并对第一土壤样本数据和第二土壤样本数据进行筛选，以得到第一标准样本数据和第二标准样本数据；通过第一标准样本数据和第二标准样本数据，本发明所提供的饮用水源地土壤环境参数预警方法可以训练预设的土壤预测模型，从而得到标准预测模型；通过获取当前目标采集区域内的待测土壤数据，并将待测土壤数据进行筛选，得到标准待测土壤数据；通过标准预测模型对标准待测土壤进行预测处理，以得到在所需预测的时段内的土壤的预测参数值。其中预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种，并根据预测参数值和预设的土壤的标准值得到对应的预警信息。这一方法可以通过获取的历史数据对预设的土壤预测模型进行训练，以生成标准预测模型；通过获取当前所需检测的目标采集区域内的待测土壤数据，并将对待测土壤数据进行筛选得到的标准待测土壤数据输入至标准预测模型中，本方法可以获取到目标采集区域内土壤的预测参数值，从而将预测参数值与预设的标准值进行比对，以生成对应的预警信息。这一方法可以针对不同目标采集区域内的土壤信息有效的优化预设的土壤预测模型，生成标准预测模型，通过标准预测模型对目标区域的土壤环境参数进行预测，在不同的目标采集区域有效的提高了预警方法的精度。
根据本发明的一些实施例，所述对所述第一土壤样本数据和所述第二土壤样本数据进行筛选处理，生成第一标准样本数据和第二标准样本数据，包括：
对所述第一土壤样本数据求取平均值，得到所述第一标准样本数据；
对所述第二土壤样本数据求取平均值，得到所述第二标准样本数据。
根据本发明的一些实施例，所述根据所述第一标准样本数据和所述第二标准样本数据训练土壤预测模型，以得到标准预测模型，包括：
第一预期值获取步骤：将所述第一标准样本数据输入至所述土壤预测模型中进行特征提取，得到第一预期值；
根据所述第一预期值与所述第二标准样本数据生成收敛值；
根据所述收敛值和预设的收敛阈值执行以下步骤之一：
若所述收敛值大于或者等于所述收敛阈值，则根据所述收敛值更新所述土壤预测模型，并重新执行所述第一预期值获取步骤；
或者，
若所述收敛值小于所述收敛阈值，则根据当前的所述土壤预测模型生成标准预测模型。
根据本发明的一些实施例，所述若所述收敛值大于或者等于所述收敛阈值，则根据所述收敛值更新所述土壤预测模型，并重新执行第一预期值获取步骤，包括：
通过全连接层对所述收敛值进行处理，得到误差信息；
对所述误差信息进行分类处理，得到修正数据；
对所述修正数据进行反向传播以更新所述土壤预测模型，并重新执行所述第一预期值获取步骤。
根据本发明的一些实施例，所述根据所述预测参数值和预设的标准值之间的大小关系，生成预警信息，包括：
根据所述预测参数值和所述标准值，执行以下步骤之一：
若所述预测参数值与所述标准值的差值小于或者等于第一阈值，则生成第一预警信息；
或者，
若所述预测参数值与所述标准值的差值大于第一阈值且小于或者等于第二阈值，则生成第二预警信息；
或者，
若所述预测参数值与所述标准值的差值大于第二阈值，则生成第三预警信息。
根据本发明的一些实施例，所述方法还包括：
若连续输出十次所述第一预警信息，则返回所述第一预测值获取步骤，以更新所述标准预测模型。
根据本发明的第二方面实施例的饮用水源地土壤环境参数预警系统，包括：
第一参数获取模块，用于获取目标采集区域第一时刻的第一土壤样本参数和所述目标采集区域第二时刻的第二土壤样本参数；
参数筛选模块，用于根据预设的第一筛选模型、所述第一土壤样本参数和所述第二土壤样本参数，生成第一参数数据和第二参数数据；
模型训练模块，用于根据所述第一参数数据和所述第二参数数据训练土壤预测模型，以得到标准预测模型；
第二参数获取模块，用于获取待测土壤参数；
数据生成模块，用于将所述第二参数数据输入所述标准预测模型，生成预测参数值；
预警信息生成模块，用于根据所述预测参数值和预设的标准值，生成预警信息。
根据本发明实施例的饮用水源地土壤环境参数预警系统，至少具有如下有益效果：本发明提供的饮用水源地土壤环境参数预警装置，可以通过第一参数获取模块获取所需检测的目标采集区域内第一时刻下对应的第一土壤样本数据和第二时刻下对应的第二土壤样本数据，并通过第一参数筛选模块对第一土壤样本数据和第二土壤样本数据进行筛选，以得到第一标准样本数据和第二标准样本数据；通过模型训练模块可以将第一标准样本数据和第二标准样本数据输入至预设的土壤预测模型，从而通过训练模型得到标准预测模型；通过第二参数获取模块可以获取当前目标采集区域内的待测土壤数据，并通过第二参数筛选模块待测土壤数据进行筛选，得到标准待测土壤数据；通过预测参数值生成模块，标准预测模型可以对标准待测土壤进行预测处理，以得到在所需预测的时段内的土壤的预测参数值，其中预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种，并通过预警信息生成模块对预测参数值和预设的土壤的标准值之间的大小关系进行比对，从而得到对应的预警信息。这一装置可以通过获取历史数据对预设的土壤预测模型进行训练，以生成标准预测模型，并通过获取当前所需检测的目标采集区域内的待测土壤数据，且将待测土壤数据进行筛选得到的标准待测土壤数据输入至标准预测模型中，生成对应目标采集区域内参数预测值；通过将预测参数值与预设的标准值进行比对，生成对应的预警信息从而针对不同目标采集区域内的土壤信息有效的优化其预设的土壤预测模型，并根据优化结果生成的标准预测模型对目标区域的土壤环境参数进行预测，提高了不同的目标采集区域下预警方法的精度。
根据本发明的一些实施例，所述模型训练模块包括：
收敛值生成单元，用于根据第一预期值与所述第二参数数据生成收敛值；
判断模块，用于根据所述收敛值和预设的有效阈值执行以下步骤之一：
若所述收敛值大于等于所述有效阈值，则根据所述收敛值更新所述土壤预测模型，以重新执行第一预期值获取步骤；
或者，
若所述收敛值小于所述有效阈值，则根据当前的所述土壤预测模型生成标准预测模型。
根据本发明的第三方面实施例的饮用水源地土壤环境参数预警装置，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时，实现如本发明第一方面实施例所述的饮用水源地土壤环境参数预警方法。
根据本发明实施例的饮用水源地土壤环境参数预警装置，至少具有如下有益效果：本发明所提供的饮用水源地土壤环境参数预警装置可以通过至少一个处理器执行至少一个存储器中存储的指令，以实现如本发明第一方面实施例的饮用水源地土壤环境参数预警方法，从而实现获取所需检测的目标采集区域内第一时刻下对应的第一土壤样本数据和第二时刻下对应的第二土壤样本数据，并对第一土壤样本数据和第二土壤样本数据进行筛选，以得到第一标准样本数据和第二标准样本数据；通过第一标准样本数据和第二标准样本数据，本发明所提供的饮用水源地土壤环境参数预警方法可以训练预设的土壤预测模型，从而得到标准预测模型；通过获取当前目标采集区域内的待测土壤数据，并将待测土壤数据进行筛选，得到标准待测土壤数据；通过标准预测模型对标准待测土壤进行预测处理，以得到在所需预测的时段内的土壤的预测参数值。其中预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种，并根据预测参数值和预设的土壤的标准值得到对应的预警信息。这一方法可以通过对历史数据的获取对预设的土壤预测模型进行训练，以生成标准预测模型；通过获取当前所需检测的目标采集区域内的待测土壤数据，并将待测土壤数据进行筛选得到的标准待测土壤数据输入值标准预测模型中，本方法可以获取到目标采集区域内土壤的预测参数值，从而将预测参数值与预设的标准值进行比对，以生成对应的预警信息。这一方法可以针对不同目标采集区域内的土壤信息有效的优化其预设的土壤预测模型，并根据优化结果生成的标准预测模型对目标区域的土壤环境参数进行预测，提高了不同的目标采集区域下预警方法的精度。
根据本发明的第四方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，可用于执行如本发明第一方面实施例所述的饮用水源地土壤环境参数预警方法。
根据本发明实施例的计算机可读存储介质，至少具有如下有益效果：通过执行计算机可读存储介质中的计算机可执行指令，本发明可以获取所需检测的目标采集区域内第一时刻下对应的第一土壤样本数据和第二时刻下对应的第二土壤样本数据，并对第一土壤样本数据和第二土壤样本数据进行筛选，以得到第一标准样本数据和第二标准样本数据；通过第一标准样本数据和第二标准样本数据，本发明所提供的饮用水源地土壤环境参数预警方法可以训练预设的土壤预测模型，从而得到标准预测模型；通过获取当前目标采集区域内的待测土壤数据，并将待测土壤数据进行筛选，得到标准待测土壤数据；通过标准预测模型对标准待测土壤进行预测处理，以得到在所需预测的时段内的土壤的预测参数值。其中预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种，并根据预测参数值和预设的土壤的标准值得到对应的预警信息。这一方法可以通过对历史数据的获取对预设的土壤预测模型进行训练，以生成标准预测模型；通过获取当前所需检测的目标采集区域内的待测土壤数据，并将待测土壤数据进行筛选得到的标准待测土壤数据输入值标准预测模型中，本方法可以获取到目标采集区域内土壤的预测参数值，从而将预测参数值与预设的标准值进行比对，以生成对应的预警信息。这一方法可以针对不同目标采集区域内的土壤信息有效的优化其预设的土壤预测模型，并根据优化结果生成的标准预测模型对目标区域的土壤环境参数进行预测，提高了不同的目标采集区域下预警方法的精度。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明，其中：
图1为本发明实施例饮用水源地土壤环境参数预警方法的流程图。
图2为图1中步骤S200的具体流程图。
图3为图1中步骤S300的具体流程图。
图4为图3中步骤S340的具体流程图。
图5为图1中步骤S700的具体流程图。
图6为本发明实施例饮用水源地土壤环境参数预警装置的结构图。
图7为图6中第一参数获取模块300的具体结构图。
附图标记：100、第一参数获取模块；200、第一参数筛选模块；300、模型训练模块；400、第二参数获取模块；500、第二参数筛选模块；600、预测参数值生成模块；700、预警信息生成模块；310、收敛值生成单元；320、判断模块。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
第一方面，参照图1，本发明提供了一种饮用水源地土壤环境参数预警方法，包括：
S100，获取目标采集区域在第一时刻的第一土壤样本数据和目标采集区域在第二时刻的第二土壤样本数据；
S200，对第一土壤样本数据和第二土壤样本数据进行筛选处理，生成第一标准样本数据和第二标准样本数据；
S300，根据第一标准样本数据和第二标准样本数据训练土壤预测模型，以得到标准预测模型；
S400，获取待测土壤数据；
S500，根据筛选模型对待测土壤数据进行筛选处理，生成标准待测土壤数据；
S600，通过标准预测模型对标准待测土壤进行预测处理，生成土壤的预测参数值，其中，预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种；
S700，根据预测参数值和预设的标准值之间的大小关系，生成预警信息。
本发明提供的饮用水源地土壤环境参数预警方法可以获取所需检测的目标采集区域内第一时刻下对应的第一土壤样本数据和第二时刻下对应的第二土壤样本数据，并对第一土壤样本数据和第二土壤样本数据进行筛选，以得到第一标准样本数据和第二标准样本数据；通过第一标准样本数据和第二标准样本数据，本发明所提供的饮用水源地土壤环境参数预警方法可以训练预设的土壤预测模型，从而得到标准预测模型；在一些具体的实施例中，预设的土壤预测模型可以是BP神经网络，也可以是其它，不做限制。通过获取当前目标采集区域内的待测土壤数据，并对待测土壤数据进行筛选，得到标准待测土壤数据；在一些具体的实施例中，本方法对目标采集区域内的同一地点的土壤环境参数会采用多次采集的方式，以降低偶然性因素导致的参数偏差。通过标准预测模型对标准待测土壤进行预测处理，以得到在所需预测的时段内的土壤的预测参数值。其中预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种，根据预测参数值和预设的土壤的标准值得到对应的预警信息。这一方法可以通过对历史数据的获取对预设的土壤预测模型进行训练，以生成标准预测模型；通过获取当前所需检测的目标采集区域内的待测土壤数据，并将待测土壤数据进行筛选得到的标准待测土壤数据输入值标准预测模型中，本方法可以获取到目标采集区域内土壤的预测参数值，从而将预测参数值与预设的标准值进行比对，以生成对应的预警信息。这一方法可以针对不同目标采集区域内的土壤信息有效的优化其预设的土壤预测模型，并根据优化结果生成的标准预测模型对目标区域的土壤环境参数进行预测，在不同的目标采集区域有效的提高了预警方法的精度。
参照图2，在一些实施例中，步骤S200包括：
S210，对第一土壤样本数据求取平均值，得到第一标准样本数据；
S220，对第二土壤样本数据求取平均值，得到第二标准样本数据。
本发明中所提供的饮用水源地土壤环境参数预警方法，可以对目标采集区域内采集到的历史数据进行筛选，具体的，本方法将第一时刻下获取到的第一土壤样本数据进行取平均值计算，生成偏差较小的第一标准样本数据，并将第二时刻下获取到的第二样本数据进行取平均值计算，得到偏差较小的第二标准样本数据。通过对第一样本数据和第二样本数据进行求取平均值计算，本发明所提供的方法可以有效降低由于某一或某几个测量数据或存储的历史数据的数值偏差导致的模型训练不准确导致预警失效的风险，保证了饮用水源地土壤环境参数预警方法的准确性和稳定性，也实现了标准预测模型针对目标采集区域的土壤环境参数的针对预测。
参照图3，在一些实施例中，步骤S300包括：
S310，第一预期值获取步骤：将第一标准样本数据输入至土壤预测模型中进行特征提取，得到第一预期值；
S320，根据第一预期值与第二标准样本数据生成收敛值；
S330，根据收敛值和预设的收敛阈值执行以下步骤之一：
S340，若收敛值大于或者等于收敛阈值，则根据收敛值更新土壤预测模型，并重新执行第一预期值获取步骤；
或者，
S350，若收敛值小于收敛阈值，则根据当前的土壤预测模型生成标准预测模型。
本发明通过执行第一预期值获取步骤可以获取第一标准样本数据，并将第一标准样本数据输入土壤预测模型，实现对土壤环境参数在目标采集区域内的特征提取，并根据特征提取结果生成第一预期值；通过将第一预期值与第二标准样本数据进行比较，可以得到第一预期值与第二标准样本数据之间的偏差值，并将偏差值作为收敛值与预设的收敛阈值进行比对，若收敛值大于等于收敛阈值，则证明当前的土壤预测模型无法准确的估算在第二时刻下的土壤环境参数，故根据第一预测值与第二标准样本数据之间进行比对生成的收敛值更新土壤预测模型，并重新执行第一预期值获取步骤；若收敛值小于收敛阈值，则证明当前的土壤预测模型可以有效的针对目标采集区域的土壤特性对其土壤环境参数进行预测，故将当前的如让预测模型作为标准预测模型。通过这一方法，本发明可以有效的根据目标采集区域内的历史数据对预设的土壤预测模型进行修正更新，以实现生成标准预测模型，从而通过标准预测模型对目标采集区域进行土壤环境参数的预警。
参照图4，在一些实施例中，步骤S340包括：
S341，通过全连接层对收敛值进行处理，得到误差信息；
S342，对误差信息进行分类处理，得到修正数据；
S343，对修正数据进行反向传播以更新土壤预测模型，并重新执行第一预期值获取步骤。
本发明可以将收敛值中所包含的当前土壤预测模型的误差信息进行提取，并通过全连接层进行处理，以提取误差信息。通过对误差信息进行分类处理，获取修正数据，以通过修正数据采用反向传播更新的手段对当前的土壤预测模型进行更新，并重新执行第一预期值获取步骤。通过这一方法，本发明可以更新当前的土壤预测模型，从而使更新后的土壤预测模型生成的预测值更加贴近正确结果，从而更加准确的体现目标采集区域内的土壤特征，以预测目标采集区域内的土壤参数变化情况。
参照图5，在一些实施例中，步骤S700包括：
S710，根据预测参数值和标准值，执行以下步骤之一：
S720，若预测参数值与标准值的差值小于或者等于第一阈值，则生成第一预警信息；
或者，
S730，若预测参数值与标准值的差值大于第一阈值且小于或者等于第二阈值，则生成第二预警信息；
或者，
S740，若预测参数值与标准值的差值大于第二阈值，则生成第三预警信息。
本发明通过将预测参数值与标准值进行比对，可以实现对目标采集区域内未来的土壤环境参数情况是否符合预期要求进行预警操作，具体的，当本发明所提供的预警方法检测到预测参数值与标准值之间的差值小于或者等于第一阈值，则判定在规定的预测时间范围内目标采集区域内的土壤环境参数没有超过第一阈值，故输出第一预警信息；在一些具体的实施例中，第一预警信息可以是土壤环境等级为优，也可以是其它；当本发明所提供的预警方法检测到预测参数值与标准值之间的差值大于第一阈值且小于或者等于第二阈值时，则判定在规定的预测时间范围内目标采集区域内的土壤环境参数没有达到第一阈值要求下的土壤环境，但也并没有超出第二阈值要求的最低土壤环境，故输出第二预警信息；在一些具体的实施例中，第二预警信息可以是土壤环境等级为良，也可以是其它；当本发明所提供的预警方法检测到预测参数值与标准值之间的差值大于或者等于第二阈值时，则判定在规定的预测时间范围内目标采集区域内的土壤环境参数已经超出第二阈值所代表的最低土壤环境，故输出第三预警信息；在一些具体的实施例中，第三预警信息可以是土壤环境等级为差，也可以是其他，不做限制。通过这一方法，本发明可以将目标采集区域内的土壤环境参数进行分类，并根据不同的分类结果对土壤环境进行预测，根据预测结果生成不同的预警信息，以实现对目标采集区域内的土壤环境参数的预警。
在一些具体的实施例中，本发明所提供的土壤环境预警方法还包括：
若连续输出十次第一预警信息，则返回第一预测值获取步骤，以更新标准预测模型。
本发明通过检测输出的第一预警信息的次数实现对当前的标准预测模型工作状态的监控，当本发明所提供的预警方法检测到连续十次输出第一预警信息时，则判断当前的标准预测模型可能存在误差或运算错误，进而返回第一预测值获取步骤，将当前的标准预测模型作为预设的土壤预测模型以实现对土壤预测模型的更新，并将更新后的土壤预测模型作为标准预测模型。通过这一方法，本发明可以通过检测输出的预警信息判断当前的标准预测模型是否出现工作偏差，并通过重新执行第一预测值获取步骤以及其后续步骤实现对标准预测模型的更新，从而有效的提高了标准预测模型的预测准确度。
第二方面，参照图6，本发明提供了一种饮用水源地土壤环境参数预警系统，包括：
第一参数获取模块100，用于获取目标采集区域在第一时刻的第一土壤样本数据和目标采集区域在第二时刻的第二土壤样本数据；
第一参数筛选模块200，用于对第一土壤样本数据和第二土壤样本数据进行筛选处理，生成第一标准样本数据和第二标准样本数据；
模型训练模块300，用于根据第一标准样本数据和第二标准样本数据训练土壤预测模型，以得到标准预测模型；
第二参数获取模块400，用于获取待测土壤数据；
第二参数筛选模块500，用于根据筛选模型对待测土壤数据进行筛选处理，生成标准待测土壤数据；
预测参数值生成模块600，用于通过标准预测模型对标准待测土壤进行预测处理，生成土壤的预测参数值，其中，预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种；
预警信息生成模块700，用于根据预测参数值和预设的标准值之间的大小关系，生成预警信息。
本发明所提供的饮用水源地土壤环境参数预警系统，可以通过第一参数获取模块100获取所需检测的目标采集区域内第一时刻下对应的第一土壤样本数据和第二时刻下对应的第二土壤样本数据，并通过第一参数筛选模块200对第一土壤样本数据和第二土壤样本数据进行筛选，以得到第一标准样本数据和第二标准样本数据；通过模型训练模块300可以将第一标准样本数据和第二标准样本数据输入至预设的土壤预测模型，从而通过训练模型得到标准预测模型；通过第二参数400获取模块可以获取当前目标采集区域内的待测土壤数据，并通过第二参数筛选模块500待测土壤数据进行筛选，得到标准待测土壤数据；通过预测参数值生成模块600，标准预测模型可以对标准待测土壤进行预测处理，以得到在所需预测的时段内的土壤的预测参数值，其中预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种，并通过预警信息生成模块700对预测参数值和预设的土壤的标准值之间的大小关系进行比对，从而得到对应的预警信息。这一装置可以通过获取历史数据对预设的土壤预测模型进行训练，以生成标准预测模型，并通过获取当前所需检测的目标采集区域内的待测土壤数据，且将待测土壤数据进行筛选得到的标准待测土壤数据输入至标准预测模型中，生成对应目标采集区域内参数预测值；通过将预测参数值与预设的标准值进行比对，生成对应的预警信息从而针对不同目标采集区域内的土壤信息有效的优化其预设的土壤预测模型，并根据优化结果生成的标准预测模型对目标区域的土壤环境参数进行预测，提高了不同的目标采集区域下预警系统的精度。
参照图7，在一些实施例中，模型训练模块300包括：
收敛值生成单元310，用于根据第一预期值与第二参数数据生成收敛值；
判断模块320，用于根据收敛值和预设的有效阈值执行以下步骤之一：
若收敛值大于等于有效阈值，则根据收敛值更新土壤预测模型，以重新执行第一预期值获取步骤；
或者，
若收敛值小于有效阈值，则根据当前的土壤预测模型生成标准预测模型。
本发明所提供的模型训练模块300通过收敛值生成模块310，可以实现对第一预期值和第二参数数据的获取，并根据第一预期值和第二阐述数据生成收敛值。具体的，本发明所提供的收敛值生成单元310可以获取第一预期值和第二参数数据的数值大小，并取两者数值之间的差值的绝对值，以生成收敛值；通过判断模块320获取收敛值和收敛阈值，并对收敛值和收敛阈值的数值大小进行判断，若收敛值大于等于有效阈值，则根据收敛值更新土壤预测模型，以重新执行第一预期值获取步骤；或者，若收敛值小于有效阈值，则根据当前的土壤预测模型生成标准预测模型，从而实现根据目标采集区域内的历史数据对预设的土壤预测模型进行更新，以生成包含目标采集区域的特征信息的标准预测模型，进而实现通过标准预测模型对目标采集区域内的土壤环境参数进行预测和预警。
第三方面，本发明提供了一种饮用水源地土壤环境参数预警装置，包括：
至少一个处理器，以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时，实现如本发明第一方面实施例的饮用水源地土壤环境参数预警方法。
本发明所提供的饮用水源地土壤环境参数预警装置可以通过至少一个处理器执行至少一个存储器中存储的指令，以实现如本发明第一方面实施例的饮用水源地土壤环境参数预警方法，从而实现获取所需检测的目标采集区域内第一时刻下对应的第一土壤样本数据和第二时刻下对应的第二土壤样本数据，并对第一土壤样本数据和第二土壤样本数据进行筛选，以得到第一标准样本数据和第二标准样本数据；通过第一标准样本数据和第二标准样本数据，本发明所提供的饮用水源地土壤环境参数预警方法可以训练预设的土壤预测模型，从而得到标准预测模型；通过获取当前目标采集区域内的待测土壤数据，并将待测土壤数据进行筛选，得到标准待测土壤数据；通过标准预测模型对标准待测土壤进行预测处理，以得到在所需预测的时段内的土壤的预测参数值。其中预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种，并根据预测参数值和预设的土壤的标准值得到对应的预警信息。这一方法可以通过对历史数据的获取对预设的土壤预测模型进行训练，以生成标准预测模型；通过获取当前所需检测的目标采集区域内的待测土壤数据，并将待测土壤数据进行筛选得到的标准待测土壤数据输入值标准预测模型中，本方法可以获取到目标采集区域内土壤的预测参数值，从而将预测参数值与预设的标准值进行比对，以生成对应的预警信息。这一方法可以针对不同目标采集区域内的土壤信息有效的优化其预设的土壤预测模型，并根据优化结果生成的标准预测模型对目标区域的土壤环境参数进行预测，提高了不同的目标采集区域下预警方法的精度。
第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，可用于执行如本发明第一方面实施例的饮用水源地土壤环境参数预警方法。
通过执行计算机可读存储介质中的计算机可执行指令，本发明可以获取所需检测的目标采集区域内第一时刻下对应的第一土壤样本数据和第二时刻下对应的第二土壤样本数据，并对第一土壤样本数据和第二土壤样本数据进行筛选，以得到第一标准样本数据和第二标准样本数据；通过第一标准样本数据和第二标准样本数据，本发明所提供的饮用水源地土壤环境参数预警方法可以训练预设的土壤预测模型，从而得到标准预测模型；通过获取当前目标采集区域内的待测土壤数据，并将待测土壤数据进行筛选，得到标准待测土壤数据；通过标准预测模型对标准待测土壤进行预测处理，以得到在所需预测的时段内的土壤的预测参数值。其中预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种，并根据预测参数值和预设的土壤的标准值得到对应的预警信息。这一方法可以通过对历史数据的获取对预设的土壤预测模型进行训练，以生成标准预测模型；通过获取当前所需检测的目标采集区域内的待测土壤数据，并将待测土壤数据进行筛选得到的标准待测土壤数据输入值标准预测模型中，本方法可以获取到目标采集区域内土壤的预测参数值，从而将预测参数值与预设的标准值进行比对，以生成对应的预警信息。这一方法可以针对不同目标采集区域内的土壤信息有效的优化其预设的土壤预测模型，并根据优化结果生成的标准预测模型对目标区域的土壤环境参数进行预测，提高了不同的目标采集区域下预警方法的精度。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (10)

1.饮用水源地土壤环境参数预警方法，其特征在于，包括：
获取目标采集区域在第一时刻的第一土壤样本数据和所述目标采集区域在第二时刻的第二土壤样本数据；
对所述第一土壤样本数据和所述第二土壤样本数据进行筛选处理，生成第一标准样本数据和第二标准样本数据；
根据所述第一标准样本数据和所述第二标准样本数据训练土壤预测模型，以得到标准预测模型；
获取待测土壤数据；
根据筛选模型对所述待测土壤数据进行筛选处理，生成标准待测土壤数据；
通过所述标准预测模型对所述标准待测土壤进行预测处理，生成土壤的预测参数值，其中，所述预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种；
根据所述预测参数值和预设的标准值之间的大小关系，生成预警信息。
2.根据权利要求1所述的饮用水源地土壤环境参数预警方法，其特征在于，所述对所述第一土壤样本数据和所述第二土壤样本数据进行筛选处理，生成第一标准样本数据和第二标准样本数据，包括：
对所述第一土壤样本数据求取平均值，得到所述第一标准样本数据；
对所述第二土壤样本数据求取平均值，得到所述第二标准样本数据。
3.根据权利要求1所述的饮用水源地土壤环境参数预警方法，其特征在于，所述根据所述第一标准样本数据和所述第二标准样本数据训练土壤预测模型，以得到标准预测模型，包括：
第一预期值获取步骤：将所述第一标准样本数据输入至所述土壤预测模型中进行特征提取，得到第一预期值；
根据所述第一预期值与所述第二标准样本数据生成收敛值；
根据所述收敛值和预设的收敛阈值执行以下步骤之一：
若所述收敛值大于或者等于所述收敛阈值，则根据所述收敛值更新所述土壤预测模型，并重新执行所述第一预期值获取步骤；
或者，
若所述收敛值小于所述收敛阈值，则根据当前的所述土壤预测模型生成标准预测模型。
4.根据权利要求3所述的饮用水源地土壤环境参数预警方法，其特征在于，所述若所述收敛值大于或者等于所述收敛阈值，则根据所述收敛值更新所述土壤预测模型，并重新执行第一预期值获取步骤，包括：
通过全连接层对所述收敛值进行处理，得到误差信息；
对所述误差信息进行分类处理，得到修正数据；
对所述修正数据进行反向传播以更新所述土壤预测模型，并重新执行所述第一预期值获取步骤。
5.根据权利要求4所述的饮用水源地土壤环境参数预警方法，其特征在于，所述根据所述预测参数值和预设的标准值之间的大小关系，生成预警信息，包括：
根据所述预测参数值和所述标准值，执行以下步骤之一：
若所述预测参数值与所述标准值的差值小于或者等于第一阈值，则生成第一预警信息；
或者，
若所述预测参数值与所述标准值的差值大于第一阈值且小于或者等于第二阈值，则生成第二预警信息；
或者，
若所述预测参数值与所述标准值的差值大于第二阈值，则生成第三预警信息。
6.根据权利要求5所述的饮用水源地土壤环境参数预警方法，其特征在于，所述方法还包括：
若连续输出十次所述第一预警信息，则返回所述第一预测值获取步骤，以更新所述标准预测模型。
7.饮用水源地土壤环境参数预警系统，其特征在于，包括：
第一参数获取模块，用于获取目标采集区域在第一时刻的第一土壤样本数据和所述目标采集区域在第二时刻的第二土壤样本数据；
第一参数筛选模块，用于对所述第一土壤样本数据和所述第二土壤样本数据进行筛选处理，生成第一标准样本数据和第二标准样本数据；
模型训练模块，用于根据所述第一标准样本数据和所述第二标准样本数据训练土壤预测模型，以得到标准预测模型；
第二参数获取模块，用于获取待测土壤数据；
第二参数筛选模块，用于根据筛选模型对所述待测土壤数据进行筛选处理，生成标准待测土壤数据；
预测参数值生成模块，用于通过所述标准预测模型对所述标准待测土壤进行预测处理，生成土壤的预测参数值，其中，所述预测参数值包括土壤酸碱度、土壤稀土含量、土壤有害化合物含量中的至少一种；
预警信息生成模块，用于根据所述预测参数值和预设的标准值之间的大小关系，生成预警信息。
8.根据权利要求7所述的饮用水源地土壤环境参数预警系统，其特征在于，所述模型训练模块包括：
收敛值生成单元，用于根据第一预期值与所述第二参数数据生成收敛值；
判断模块，用于根据所述收敛值和预设的有效阈值执行以下步骤之一：
若所述收敛值大于等于所述有效阈值，则根据所述收敛值更新所述土壤预测模型，以重新执行第一预期值获取步骤；
或者，
若所述收敛值小于所述有效阈值，则根据当前的所述土壤预测模型生成标准预测模型。
9.饮用水源地土壤环境参数预警装置，其特征在于，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时，实现如权利要求1至6任一项所述的饮用水源地土壤环境参数预警方法。
10.计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，可用于执行如权利要求1至6任一项所述的饮用水源地土壤环境参数预警方法。
CN202111341074.8A 2021-11-12 2021-11-12 饮用水源地土壤环境参数预警方法、系统、装置及存储介质 Pending CN114169400A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111341074.8A CN114169400A (zh) 2021-11-12 2021-11-12 饮用水源地土壤环境参数预警方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111341074.8A CN114169400A (zh) 2021-11-12 2021-11-12 饮用水源地土壤环境参数预警方法、系统、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114169400A true CN114169400A (zh) 2022-03-11

Family

ID=80478816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111341074.8A Pending CN114169400A (zh) 2021-11-12 2021-11-12 饮用水源地土壤环境参数预警方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114169400A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114894163A (zh) * 2022-05-24 2022-08-12 中国地质科学院岩溶地质研究所 面向多无人机协同摄影测量的地质灾害隐患探测方法
CN116484287A (zh) * 2023-06-21 2023-07-25 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) 基于误差修正的土壤水分预测方法、系统、终端及介质
CN116500240A (zh) * 2023-06-21 2023-07-28 江西索立德环保服务有限公司 一种土壤环境质量监测方法、系统及可读存储介质
CN116930459A (zh) * 2023-07-25 2023-10-24 江苏龙环环境科技有限公司 一种土壤原位探测装置及其探测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114894163A (zh) * 2022-05-24 2022-08-12 中国地质科学院岩溶地质研究所 面向多无人机协同摄影测量的地质灾害隐患探测方法
CN116484287A (zh) * 2023-06-21 2023-07-25 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) 基于误差修正的土壤水分预测方法、系统、终端及介质
CN116500240A (zh) * 2023-06-21 2023-07-28 江西索立德环保服务有限公司 一种土壤环境质量监测方法、系统及可读存储介质
CN116484287B (zh) * 2023-06-21 2023-09-01 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) 基于误差修正的土壤水分预测方法、系统、终端及介质
CN116500240B (zh) * 2023-06-21 2023-12-29 江西索立德环保服务有限公司 一种土壤环境质量监测方法、系统及可读存储介质
CN116930459A (zh) * 2023-07-25 2023-10-24 江苏龙环环境科技有限公司 一种土壤原位探测装置及其探测方法
CN116930459B (zh) * 2023-07-25 2024-03-12 江苏龙环环境科技有限公司 一种土壤原位探测装置及其探测方法

Similar Documents

Publication Publication Date Title
CN114169400A (zh) 饮用水源地土壤环境参数预警方法、系统、装置及存储介质
Sarmadi et al. Bridge health monitoring in environmental variability by new clustering and threshold estimation methods
CN112419712B (zh) 道路断面车速检测方法及系统
CN117217627B (zh) 基于机器学习的汽车零部件生产质量优化方法及系统
CN112147638A (zh) 基于激光点云反射强度的地面信息获取方法、装置和系统
CN115900838A (zh) 一种边坡预警方法、系统、计算机设备及可读存储介质
Sciuto et al. Quality control of daily rainfall data with neural networks
Johnson et al. Mitigating spatial differences in observation rate of automated telemetry systems
CN115063017A (zh) 一种中小跨径桥梁结构监测和评估系统及方法
US11823571B2 (en) Device and method for predicting traffic information
CN109856637B (zh) 汽车以及基于恒虚警的汽车雷达目标检测方法和装置
CN112541161B (zh) 一种区域多源降水数据质量控制方法及系统
CN112906514A (zh) 一种顾及不同极化的时序sar影像地物类别变化检测方法
DE112019007519B4 (de) Sensordiagnoseeinrichtung und sensordiagnoseprogramm
CN117787684A (zh) 一种基于视觉检测的隧道围岩坍塌风险分析方法及系统
US20230314169A1 (en) Method and apparatus for generating map data, and non-transitory computer-readable storage medium
CN115512098B (zh) 一种桥梁电子化巡检系统及巡检方法
CN116699093A (zh) 一种地下水质检测方法、系统及可读存储介质
Piao et al. Enhancing groundwater management using aggregated-data analysis and segmented robust regression: A case study on spatiotemporal changes in water quality
CN113255820B (zh) 落石检测模型训练方法、落石检测方法及相关装置
CN115166874A (zh) 基于机器学习的气象干旱指数spi构建方法
CN114511088A (zh) 一种用于结构损伤识别的贝叶斯模型更新方法及系统
CN117235434B (zh) 林业碳汇项目基线构建方法、系统、终端及介质
CN114299231A (zh) 一种河道水污染3d模型的构建方法
CN113610781B (zh) 一种时序sar图形的变化检测方法及装置

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