CN114492193A - 用于水域监测的计算机服务系统及方法 - Google Patents

用于水域监测的计算机服务系统及方法 Download PDF

Info

Publication number
CN114492193A
CN114492193A CN202210127232.8A CN202210127232A CN114492193A CN 114492193 A CN114492193 A CN 114492193A CN 202210127232 A CN202210127232 A CN 202210127232A CN 114492193 A CN114492193 A CN 114492193A
Authority
CN
China
Prior art keywords
water area
water
neural network
pollution
component
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Withdrawn
Application number
CN202210127232.8A
Other languages
English (en)
Inventor
浦巧南
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210127232.8A priority Critical patent/CN114492193A/zh
Publication of CN114492193A publication Critical patent/CN114492193A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种用于水域监测的计算机服务系统，所述系统包括：水域监控组件，包括多个水域监控单元，设置在同一水域的各个不同监控位置，用于分别实现对各个监控位置的设定污染参数的实时测量；计算机处理组件，用于对各个污染参数数值执行数值分析以获得水域整体污染参数；分时录入组件，用于将估测时间点的水域整体污染参数作为DNN神经网络的输出数据以建立DNN神经网络。本发明还涉及一种用于水域监测的计算机服务方法。通过本发明，能够在采用分时分处执行同一水域的各个不同监控位置的设定污染参数的实时测量的基础上，引入DNN神经网络执行对任一水域未来某一时刻的水质数据的可靠预测，从而提升了未来时刻的水质管理效果。

Description

用于水域监测的计算机服务系统及方法
技术领域
本发明涉及水质检测领域，更具体地，涉及一种用于水域监测的计算机服务系统及方法。
背景技术
水是生命之源，人类在生活和生产活动中都离不开水，生活饮用水水质的优劣与人类健康密切相关。随着社会经济发展、科学进步和人民生活水平的提高，人们对生活饮用水的水质要求不断提高，饮用水水质标准也相应地不断发展和完善。由于生活饮用水水质标准的制定与人们的生活习惯、文化、经济条件、科学技术发展水平、水资源及其水质现状等多种因素有关，不仅各国之间，而且同一国家的不同地区之间，对饮用水水质的要求都存在着差异。
当前，在对每一片水域执行水质检测时，只能获取历史水质数据和实时水质数据，无法获取未来某一时刻的水质数据，导致在未来执行水质应对措施时只能等待测量数据的到达才能执行，显然，这种水质应对模式较为滞后，水质管理能力低下。
发明内容
为了解决相关领域的技术问题，本发明提供了一种用于水域监测的计算机服务系统及方法，能够在采用分时分处执行同一水域的各个不同监控位置的设定污染参数的实时测量的基础上，引入DNN神经网络执行对任一水域未来某一时刻的水质数据的可靠预测，从而增强了水质应对机制的实时性和有效性。
为此，本发明至少需要具备以下三处关键的发明点：
(1)采用包括多个水域监控单元的水域监控组件，用于分时分地完成同一水域的各个不同监控位置的设定污染参数的实时测量，并使用计算机处理组件用于对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数；
(2)将估测时间点的水域整体污染参数作为DNN神经网络的输出数据，将估测时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为DNN神经网络的多个输入数据，建立执行水质估测的DNN神经网络，从而实现对固定水域的未来时刻的水质估测；
(3)针对不同水域的分布面积，建立不同结构的执行水质估测的DNN神经网络，其中，建立的DNN神经网络的输入数据的数量与水域的面积的数值单调正向关联。
根据本发明的一方面，提供了一种用于水域监测的计算机服务系统，所述系统包括：
水域监控组件，包括多个水域监控单元，设置在同一水域的各个不同监控位置，用于分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值，所述水域监控组件每隔设定时长执行一次设定污染参数的实时测量；
计算机处理组件，与所述水域监控组件连接，用于对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数；
分时录入组件，分别与所述水域监控组件和所述计算机处理组件连接，用于将估测时间点的水域整体污染参数作为DNN神经网络的输出数据，将估测时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为DNN神经网络的多个输入数据，建立执行水质估测的DNN神经网络；
重建执行组件，与所述分时录入组件连接，用于采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络；
水质鉴定组件，与所述重建执行组件连接，用于将未来某一时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为重建后的DNN神经网络的多个输入数据以执行所述重建后的DNN神经网络，并将所述重建后的DNN神经网络的输出数据作为所述某一时间点的估测的水域整体污染参数；
其中，对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数包括：将获取到的各个污染参数数值中的最大值和最小值去除，对剩余的多个污染参数数值执行均值计算处理，以获得水域整体污染参数；
其中，在所述分时录入组件中，所述固定数目的取值与所述水域的面积的数值单调正向关联。
根据本发明的另一方面，还提供了一种用于水域监测的计算机服务方法，所述方法包括：
使用水域监控组件，包括多个水域监控单元，设置在同一水域的各个不同监控位置，用于分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值，所述水域监控组件每隔设定时长执行一次设定污染参数的实时测量；
使用计算机处理组件，与所述水域监控组件连接，用于对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数；
使用分时录入组件，分别与所述水域监控组件和所述计算机处理组件连接，用于将估测时间点的水域整体污染参数作为DNN神经网络的输出数据，将估测时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为DNN神经网络的多个输入数据，建立执行水质估测的DNN神经网络；
使用重建执行组件，与所述分时录入组件连接，用于采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络；
使用水质鉴定组件，与所述重建执行组件连接，用于将未来某一时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为重建后的DNN神经网络的多个输入数据以执行所述重建后的DNN神经网络，并将所述重建后的DNN神经网络的输出数据作为所述某一时间点的估测的水域整体污染参数；
其中，对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数包括：将获取到的各个污染参数数值中的最大值和最小值去除，对剩余的多个污染参数数值执行均值计算处理，以获得水域整体污染参数；
其中，在所述分时录入组件中，所述固定数目的取值与所述水域的面积的数值单调正向关联。
本发明的用于水域监测的计算机服务系统及方法操控智能、应对及时。由于能够在采用分时分处执行同一水域的各个不同监控位置的设定污染参数的实时测量的基础上，引入DNN神经网络执行对任一水域未来某一时刻的水质数据的可靠预测，从而提升了未来时刻的水质管理效果。
具体实施方式
在水质分析中，首先是水温，如果地表水温变化太大会影响鱼虾贝类的进食速度，进而还会对他们的繁殖时间和效率造成影响，不仅如此，水温变化还会影响水生植物、微生物的正常生长；
其次是PH，PH值是水质的重要指标，不仅直接影响鱼虾壳类水生物的生理活动，而且还通过改变水体环境中的其他理化及生物因子间接作用于鱼虾壳类，在水体中PH值可以十分直观的反映着水质的变化，比如藻类的活力、二氧化碳的存在状态等；
第三是溶解氧，溶解氧的饱和含量和空气中的氧的分压、大气压力、水温有密切关系，水体受有机物、无机还原性物质污染时溶解氧降低。当大气中的氧来不及补充时，水中溶解氧逐渐降低，以至趋近于零，此厌氧菌繁殖，水质恶化，导致鱼虾死亡；
第四是电导率，电导率是指水体中传到电流的能力，纯水的电导率很小，当水中无机酸、碱或盐等化学物质以及重金属、杂质增加时时，电导率会增大，因而电导率是反应水质质量的重要指标之一；
最后是浊度，浊度是由于水中含有泥沙、黏土、有机物、无机物、浮游生物和微生物等悬浮物质所造成的，可是光散射或吸收，浊度的超标会引发多种疾病，严重影响人们的健康。
当前，在对每一片水域执行水质检测时，只能获取历史水质数据和实时水质数据，无法获取未来某一时刻的水质数据，导致在未来执行水质应对措施时只能等待测量数据的到达才能执行，显然，这种水质应对模式较为滞后，水质管理能力低下。
现在，将针对公开的主题对本发明进行具体的说明。
<实施例A>
本发明的用于水域监测的计算机服务系统可以包括：
水域监控组件，包括多个水域监控单元，设置在同一水域的各个不同监控位置，用于分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值，所述水域监控组件每隔设定时长执行一次设定污染参数的实时测量；
计算机处理组件，与所述水域监控组件连接，用于对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数；
分时录入组件，分别与所述水域监控组件和所述计算机处理组件连接，用于将估测时间点的水域整体污染参数作为DNN神经网络的输出数据，将估测时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为DNN神经网络的多个输入数据，建立执行水质估测的DNN神经网络；
重建执行组件，与所述分时录入组件连接，用于采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络；
水质鉴定组件，与所述重建执行组件连接，用于将未来某一时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为重建后的DNN神经网络的多个输入数据以执行所述重建后的DNN神经网络，并将所述重建后的DNN神经网络的输出数据作为所述某一时间点的估测的水域整体污染参数；
其中，对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数包括：将获取到的各个污染参数数值中的最大值和最小值去除，对剩余的多个污染参数数值执行均值计算处理，以获得水域整体污染参数；
其中，在所述分时录入组件中，所述固定数目的取值与所述水域的面积的数值单调正向关联；
所述水质管理服务器为大数据网元或者云计算网元，用于内置有数据库以保存所述某一时间点的估测的水域整体污染参数；
采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络包括：所述多个水域监控单元的数量越多，选择的预设训练次数的取值越大；
分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值包括：所述设定污染参数为溶解氧量、水温、水质电导率、PH值或者水质浊度。
<实施例B>
本发明的用于水域监测的计算机服务系统可以包括：
水域监控组件，包括多个水域监控单元，设置在同一水域的各个不同监控位置，用于分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值，所述水域监控组件每隔设定时长执行一次设定污染参数的实时测量；
计算机处理组件，与所述水域监控组件连接，用于对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数；
分时录入组件，分别与所述水域监控组件和所述计算机处理组件连接，用于将估测时间点的水域整体污染参数作为DNN神经网络的输出数据，将估测时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为DNN神经网络的多个输入数据，建立执行水质估测的DNN神经网络；
重建执行组件，与所述分时录入组件连接，用于采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络；
水质鉴定组件，与所述重建执行组件连接，用于将未来某一时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为重建后的DNN神经网络的多个输入数据以执行所述重建后的DNN神经网络，并将所述重建后的DNN神经网络的输出数据作为所述某一时间点的估测的水域整体污染参数；
其中，对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数包括：将获取到的各个污染参数数值中的最大值和最小值去除，对剩余的多个污染参数数值执行均值计算处理，以获得水域整体污染参数；
其中，在所述分时录入组件中，所述固定数目的取值与所述水域的面积的数值单调正向关联；
时间供应组件，与所述水域监控组件连接，用于每隔设定时长向所述水域监控组件发送一次策略启动命令以驱动所述水域监控组件执行一次设定污染参数的实时测量；
参数传输组件，与所述水质鉴定组件连接，用于将接收到的所述某一时间点的估测的水域整体污染参数作为水质估测数据无线传输到远端的水质管理服务器；
所述水质管理服务器为大数据网元或者云计算网元，用于内置有数据库以保存所述某一时间点的估测的水域整体污染参数；
采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络包括：所述多个水域监控单元的数量越多，选择的预设训练次数的取值越大；
分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值包括：所述设定污染参数为溶解氧量、水温、水质电导率、PH值或者水质浊度。
<实施例C>
本发明的用于水域监测的计算机服务方法可以包括：
使用水域监控组件，包括多个水域监控单元，设置在同一水域的各个不同监控位置，用于分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值，所述水域监控组件每隔设定时长执行一次设定污染参数的实时测量；
使用计算机处理组件，与所述水域监控组件连接，用于对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数；
使用分时录入组件，分别与所述水域监控组件和所述计算机处理组件连接，用于将估测时间点的水域整体污染参数作为DNN神经网络的输出数据，将估测时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为DNN神经网络的多个输入数据，建立执行水质估测的DNN神经网络；
使用重建执行组件，与所述分时录入组件连接，用于采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络；
使用水质鉴定组件，与所述重建执行组件连接，用于将未来某一时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为重建后的DNN神经网络的多个输入数据以执行所述重建后的DNN神经网络，并将所述重建后的DNN神经网络的输出数据作为所述某一时间点的估测的水域整体污染参数；
其中，对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数包括：将获取到的各个污染参数数值中的最大值和最小值去除，对剩余的多个污染参数数值执行均值计算处理，以获得水域整体污染参数；
其中，在所述分时录入组件中，所述固定数目的取值与所述水域的面积的数值单调正向关联；
所述水质管理服务器为大数据网元或者云计算网元，用于内置有数据库以保存所述某一时间点的估测的水域整体污染参数；
采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络包括：所述多个水域监控单元的数量越多，选择的预设训练次数的取值越大；
分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值包括：所述设定污染参数为溶解氧量、水温、水质电导率、PH值或者水质浊度。
<实施例D>
本发明的用于水域监测的计算机服务方法可以包括：
水域监控组件，包括多个水域监控单元，设置在同一水域的各个不同监控位置，用于分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值，所述水域监控组件每隔设定时长执行一次设定污染参数的实时测量；
计算机处理组件，与所述水域监控组件连接，用于对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数；
分时录入组件，分别与所述水域监控组件和所述计算机处理组件连接，用于将估测时间点的水域整体污染参数作为DNN神经网络的输出数据，将估测时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为DNN神经网络的多个输入数据，建立执行水质估测的DNN神经网络；
重建执行组件，与所述分时录入组件连接，用于采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络；
水质鉴定组件，与所述重建执行组件连接，用于将未来某一时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为重建后的DNN神经网络的多个输入数据以执行所述重建后的DNN神经网络，并将所述重建后的DNN神经网络的输出数据作为所述某一时间点的估测的水域整体污染参数；
其中，对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数包括：将获取到的各个污染参数数值中的最大值和最小值去除，对剩余的多个污染参数数值执行均值计算处理，以获得水域整体污染参数；
其中，在所述分时录入组件中，所述固定数目的取值与所述水域的面积的数值单调正向关联；
时间供应组件，与所述水域监控组件连接，用于每隔设定时长向所述水域监控组件发送一次策略启动命令以驱动所述水域监控组件执行一次设定污染参数的实时测量；
参数传输组件，与所述水质鉴定组件连接，用于将接收到的所述某一时间点的估测的水域整体污染参数作为水质估测数据无线传输到远端的水质管理服务器；
所述水质管理服务器为大数据网元或者云计算网元，用于内置有数据库以保存所述某一时间点的估测的水域整体污染参数；
采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络包括：所述多个水域监控单元的数量越多，选择的预设训练次数的取值越大；
分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值包括：所述设定污染参数为溶解氧量、水温、水质电导率、PH值或者水质浊度。
另外，在所述用于水域监测的计算机服务系统及方法中，替换地，对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数包括：将获取到的各个污染参数数值中出现次数最多的数值作为水域整体污染参数；
或者，对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数包括：将获取到的各个污染参数数值的均值作为水域整体污染参数。
在此描述的数个实施例仅用于示例性的目的。可以以仅通过权利要求书所限制的修改和改变来实行其他实施例。

Claims (10)

1.一种用于水域监测的计算机服务系统，其特征在于，所述系统包括：
水域监控组件，包括多个水域监控单元，设置在同一水域的各个不同监控位置，用于分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值，所述水域监控组件每隔设定时长执行一次设定污染参数的实时测量；
计算机处理组件，与所述水域监控组件连接，用于对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数；
分时录入组件，分别与所述水域监控组件和所述计算机处理组件连接，用于将估测时间点的水域整体污染参数作为DNN神经网络的输出数据，将估测时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为DNN神经网络的多个输入数据，建立执行水质估测的DNN神经网络；
重建执行组件，与所述分时录入组件连接，用于采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络；
水质鉴定组件，与所述重建执行组件连接，用于将未来某一时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为重建后的DNN神经网络的多个输入数据以执行所述重建后的DNN神经网络，并将所述重建后的DNN神经网络的输出数据作为所述某一时间点的估测的水域整体污染参数；
其中，对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数包括：将获取到的各个污染参数数值中的最大值和最小值去除，对剩余的多个污染参数数值执行均值计算处理，以获得水域整体污染参数；
其中，在所述分时录入组件中，所述固定数目的取值与所述水域的面积的数值单调正向关联。
2.如权利要求1所述的用于水域监测的计算机服务系统，其特征在于，所述系统进一步包括：
时间供应组件，与所述水域监控组件连接，用于每隔设定时长向所述水域监控组件发送一次策略启动命令以驱动所述水域监控组件执行一次设定污染参数的实时测量；
参数传输组件，与所述水质鉴定组件连接，用于将接收到的所述某一时间点的估测的水域整体污染参数作为水质估测数据无线传输到远端的水质管理服务器。
3.如权利要求2所述的用于水域监测的计算机服务系统，其特征在于：
所述水质管理服务器为大数据网元或者云计算网元，用于内置有数据库以保存所述某一时间点的估测的水域整体污染参数。
4.如权利要求1-3任一所述的用于水域监测的计算机服务系统，其特征在于：
采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络包括：所述多个水域监控单元的数量越多，选择的预设训练次数的取值越大。
5.如权利要求1-3任一所述的用于水域监测的计算机服务系统，其特征在于：
分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值包括：所述设定污染参数为溶解氧量、水温、水质电导率、PH值或者水质浊度。
6.一种用于水域监测的计算机服务方法，其特征在于，所述方法包括：
使用水域监控组件，包括多个水域监控单元，设置在同一水域的各个不同监控位置，用于分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值，所述水域监控组件每隔设定时长执行一次设定污染参数的实时测量；
使用计算机处理组件，与所述水域监控组件连接，用于对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数；
使用分时录入组件，分别与所述水域监控组件和所述计算机处理组件连接，用于将估测时间点的水域整体污染参数作为DNN神经网络的输出数据，将估测时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为DNN神经网络的多个输入数据，建立执行水质估测的DNN神经网络；
使用重建执行组件，与所述分时录入组件连接，用于采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络；
使用水质鉴定组件，与所述重建执行组件连接，用于将未来某一时间点之前的固定数目的多个时间点分别对应的多个水域整体污染参数作为重建后的DNN神经网络的多个输入数据以执行所述重建后的DNN神经网络，并将所述重建后的DNN神经网络的输出数据作为所述某一时间点的估测的水域整体污染参数；
其中，对获取到的各个污染参数数值执行数值分析以获得水域整体污染参数包括：将获取到的各个污染参数数值中的最大值和最小值去除，对剩余的多个污染参数数值执行均值计算处理，以获得水域整体污染参数；
其中，在所述分时录入组件中，所述固定数目的取值与所述水域的面积的数值单调正向关联。
7.如权利要求6所述的用于水域监测的计算机服务方法，其特征在于，所述方法进一步包括：
使用时间供应组件，与所述水域监控组件连接，用于每隔设定时长向所述水域监控组件发送一次策略启动命令以驱动所述水域监控组件执行一次设定污染参数的实时测量；
使用参数传输组件，与所述水质鉴定组件连接，用于将接收到的所述某一时间点的估测的水域整体污染参数作为水质估测数据无线传输到远端的水质管理服务器。
8.如权利要求7所述的用于水域监测的计算机服务方法，其特征在于：
所述水质管理服务器为大数据网元或者云计算网元，用于内置有数据库以保存所述某一时间点的估测的水域整体污染参数。
9.如权利要求6-8任一所述的用于水域监测的计算机服务方法，其特征在于：
采用过往的各个时间点分别对应的各个水域整体污染参数作为所述分时录入组件建立的DNN神经网络的用于训练的输入数据和输出数据，完成对DNN神经网络的预设训练次数的多次训练处理，以获得重建后的DNN神经网络包括：所述多个水域监控单元的数量越多，选择的预设训练次数的取值越大。
10.如权利要求6-8任一所述的用于水域监测的计算机服务方法，其特征在于：
分别实现对所述各个监控位置的设定污染参数的实时测量，以获得各个污染参数数值包括：所述设定污染参数为溶解氧量、水温、水质电导率、PH值或者水质浊度。
CN202210127232.8A 2022-02-11 2022-02-11 用于水域监测的计算机服务系统及方法 Withdrawn CN114492193A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210127232.8A CN114492193A (zh) 2022-02-11 2022-02-11 用于水域监测的计算机服务系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210127232.8A CN114492193A (zh) 2022-02-11 2022-02-11 用于水域监测的计算机服务系统及方法

Publications (1)

Publication Number Publication Date
CN114492193A true CN114492193A (zh) 2022-05-13

Family

ID=81477876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210127232.8A Withdrawn CN114492193A (zh) 2022-02-11 2022-02-11 用于水域监测的计算机服务系统及方法

Country Status (1)

Country Link
CN (1) CN114492193A (zh)

Similar Documents

Publication Publication Date Title
Wang et al. Intelligent fish farm—the future of aquaculture
Tsai et al. IoT based smart aquaculture system with automatic aerating and water quality monitoring
Jain et al. Exploring biodiversity as bioindicators for water pollution
CN107065984B (zh) 基于物联网的水产养殖水质监测和预警系统
Brand et al. Genetic variability and differentiation in the temperature niche component of the diatom Thalassiosira pseudonana
CN110045771B (zh) 一种鱼塘水质智能监测系统
CN109657200B (zh) 一种确定湖泊水库蓝藻水华爆发几率的方法
CN111777138A (zh) 一种基于物联网的污水处理精细化控制系统及控制方法
CN116884523B (zh) 一种海洋牧场水质多参数预测方法
CN112784394A (zh) 一种基于人工智能的生态养殖模拟系统
CN118071029B (zh) 一种基于水质数字信息的水务监测治理管理平台
Abdullah et al. Development of aquaculture water quality real-time monitoring using multi-sensory system and internet of things
CN114492193A (zh) 用于水域监测的计算机服务系统及方法
CN103964579A (zh) 远程控制智能环境生态平衡系统及其修复水体的方法
CN116491464A (zh) 一种基于大数据技术的智能化监测系统
CN117023863A (zh) 一种养殖尾水监管系统及方法
CN113678783B (zh) 一种基于多点pH统计的鱼池水质检测和调节系统
Thenius et al. Biohybrid entities for environmental monitoring
CN203173891U (zh) 远程控制智能环境生态平衡系统
Song et al. Fishery internet of things and big data industry in China
Prapti et al. An overview of water quality monitoring in IoT based aquaculture.
CN116840167A (zh) 一种水质监测与维护系统
CN215836578U (zh) 一种基于物联网的水产养殖系统
TWI785737B (zh) 養殖水質氨氮值智慧控制方法及其設備
Mathew et al. Oxygen consumption in tropical bivalves Perna viridis (Linn.) and Meretrix casta (Chem.) exposed to heavy metals

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220513