CN114862062A - 环境承载力的预警方法、装置、电子设备和可读存储介质 - Google Patents
环境承载力的预警方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN114862062A CN114862062A CN202210754477.3A CN202210754477A CN114862062A CN 114862062 A CN114862062 A CN 114862062A CN 202210754477 A CN202210754477 A CN 202210754477A CN 114862062 A CN114862062 A CN 114862062A
- Authority
- CN
- China
- Prior art keywords
- index
- bearing capacity
- target
- index data
- value
- 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
Links
- 230000007613 environmental effect Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 92
- 244000144972 livestock Species 0.000 claims abstract description 52
- 238000009395 breeding Methods 0.000 claims abstract description 49
- 230000001488 breeding effect Effects 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 244000144977 poultry Species 0.000 claims abstract description 26
- 238000011161 development Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 239000010865 sewage Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 241001465754 Metazoa Species 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000013475 authorization Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了环境承载力的预警方法、装置、电子设备和可读存储介质,所述方法包括:获取畜禽养殖的当前指标数据;通过皮尔逊相关系数计算方案对所述当前指标数据和预设环境承载力进行分析,构建目标矩阵数据集,其中,所述目标矩阵数据集中的每个矩阵值指示一个指标;将所述目标矩阵数据集输入目标预测模型,得到所述目标预测模型输出的目标预测值,其中,所述目标预测模型为环境承载力预测模型,所述目标预测值指示预测的环境承载力;在所述目标预测值大于预测阈值的情况下,进行承载力预警,其中,所述承载力预警指示当前的环境承载力无法承载当前的畜禽养殖。本申请提高了环境承载力预测的准确性。
Description
技术领域
本申请涉及神经网络技术领域,尤其涉及一种环境承载力的预警方法、装置、电子设备和可读存储介质。
背景技术
随着人口的增多,畜牧养殖成为农业中不可或缺的一个产业。如何实现畜牧业持续稳定的发展以满足人们需求的同时,又能与环境相协调,这是一个亟待解决的问题。
目前关于畜牧区域空间环境承载力的预测预警的方法有灰色系统理论、突变理论、德尔菲法(专家预警方法)、系统动力学等,上述方法主要基于人力进行预测预警,预警准确性低。
发明内容
本申请实施例的目的在于提供一种环境承载力的预警方法、装置、电子设备和可读存储介质,以解决缺乏禽畜养殖的环境承载力的预警的问题。具体技术方案如下:
第一方面,提供了一种环境承载力的预警方法,所述方法包括:
获取畜禽养殖的当前指标数据,其中,所述当前指标数据包括当前禽畜养殖发展状况类的指标数据、当前自然环境状况类的指标数据和当前经济发展综合类的指标数据;
通过皮尔逊相关系数计算方案对所述当前指标数据和预设环境承载力进行分析,构建目标矩阵数据集,其中,所述目标矩阵数据集中的每个矩阵值指示一个指标;
将所述目标矩阵数据集输入目标预测模型,得到所述目标预测模型输出的目标预测值,其中,所述目标预测模型为环境承载力预测模型,所述目标预测值指示预测的环境承载力;
在所述目标预测值大于预测阈值的情况下,进行承载力预警,其中,所述承载力预警指示当前的环境承载力无法承载当前的畜禽养殖。
可选地,所述通过皮尔逊相关系数计算方案对所述当前指标数据和预设环境承载力进行分析,构建目标矩阵数据集包括:
对所述当前指标数据进行归一化处理;
通过皮尔逊相关系数计算方案,根据归一化处理后的每个指标数据和预设环境承载力,得到每个指标的指标权重,其中,所述指标权重指示所述指标数据和所述预设环境承载力之间的关联程度;
将所述指标权重和对应的指标数据的乘积值作为所述指标的矩阵值;
根据每个指标的矩阵值构建所述目标矩阵数据集。
可选地,通过皮尔逊相关系数计算方案,根据归一化处理后的每个指标数据和预设环境承载力,得到每个指标的指标权重包括:
针对每个指标执行如下操作:
获取每个设定时段的预设环境承载力和指标数据,其中,每个设定时段对应一个预设环境承载力和一个指标数据;
根据皮尔逊相关系数计算方案,根据每个设定时段的预设环境承载力和指标数据得到所述指标的指标系数;
将所述指标系数映射为预设数值范围内的指标权重。
可选地,将所述目标矩阵数据集输入目标预测模型之前,所述方法还包括:
通过状态空间方案,得到不同时段的样本预测值,其中,所述样本预测值指示预设环境承载力;
通过皮尔逊相关系数计算方案对样本指标数据和所述预设环境承载力进行分析,构建样本矩阵数据集,其中,所述样本指标数据包括样本禽畜养殖发展状况类的指标数据、样本自然环境状况类的指标数据和样本经济发展综合类的指标数据,所述样本矩阵数据集中的每个矩阵值指示一个指标;
将设定时段的样本矩阵数据集输入初始预测模型训练,得到初始预测模型训练输出的预测结果;
在所述预测结果和所述设定时段的样本预测值不相同的情况下,调整所述初始预测模型的权重系数,直至预测结果和所述样本预测值相同,得到目标预测模型。
可选地,将设定时段的样本矩阵数据集输入初始预测模型训练,得到初始预测模型训练输出的预测结果包括:
根据输入层、隐藏层和输出层构建初始预测模型,其中,所述隐藏层包括5层高斯层和2层Dense层,所述高斯层中的神经元引入了高斯函数;
将所述样本矩阵数据集从所述输入层输入至所述隐藏层,得到输出向量;
对所述输出向量进行欧式距离计算,得到输出层输出的预测结果。
可选地,所述禽畜养殖发展状况类的指标包括年末畜禽存栏量、牧业总产值和养殖结构中的至少一个;
所述自然环境状况类的指标包括养殖污水处理设施完成率、河流水质达标率、生活污水排放量和年末耕地资源中的至少一个;
所述经济发展综合类的指标包括城市居民人均可支配收入、农村居民人均总收入、专利授权量、平均每万人口在校大学生数和能源消费强度中的至少一个。
第二方面,提供了一种环境承载力的预警装置,所述装置包括:
获取模块,用于获取畜禽养殖的当前指标数据,其中,所述当前指标数据包括当前禽畜养殖发展状况类的指标数据、当前自然环境状况类的指标数据和当前经济发展综合类的指标数据;
构建模块,用于通过皮尔逊相关系数计算方案对所述当前指标数据和预设环境承载力进行分析,构建目标矩阵数据集,其中,所述目标矩阵数据集中的每个矩阵值指示一个指标;
输入输出模块,用于将所述目标矩阵数据集输入目标预测模型,得到所述目标预测模型输出的目标预测值,其中,所述目标预测模型为环境承载力预测模型,所述目标预测值指示预测的环境承载力;
预警模块,用于在所述目标预测值大于预测阈值的情况下,进行承载力预警,其中,所述承载力预警指示当前的环境承载力无法承载当前的畜禽养殖。
可选地,所述构建模块用于:
对所述当前指标数据进行归一化处理;
通过皮尔逊相关系数计算方案,根据归一化处理后的每个指标数据和预设环境承载力,得到每个指标的指标权重,其中,所述指标权重指示所述指标数据和所述预设环境承载力之间的关联程度;
将所述指标权重和对应的指标数据的乘积值作为所述指标的矩阵值;
根据每个指标的矩阵值构建所述目标矩阵数据集。
第三方面,提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现任一所述的环境承载力的预警方法步骤。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现任一所述的环境承载力的预警方法步骤。
本申请实施例有益效果:
本申请实施例提供了一种环境承载力的预警方法,本申请将畜禽养殖的所处的环境当成一个有机联系的整体,综合考虑禽畜养殖、自然环境与经济发展之间的相互关系,并通过皮尔逊相关系数计算方案,抽象出环境承载力与各个指标(影响因子)之间的关系,得到不同的指标对畜禽养殖的环境承载力的影响。采用环境承载力预测模型得到目标预测值,并在目标预测值大于预测阈值时进行承载力预警,提前预判畜禽养殖的环境承载力,可以避免环境承载力过大带来的经济损失、安全事故或生态影响。本申请通过皮尔逊相关系数计算方案将环境承载力的预测转化为符合实际问题的数学模型,并通过目标预测模型进行环境承载力预测,提高了环境承载力预测的准确性。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种环境承载力的预警方法流程图;
图2为本申请实施例提供的禽畜养殖指标体系示意图;
图3为本申请实施例提供的环境承载力的概念模型示意图;
图4为本申请实施例提供的确定目标预测值的处理流程图;
图5为本申请实施例提供的初始预测模型的网络结构示意图;
图6为本申请实施例提供的不同年份的环境承载力预测结果示意图;
图7为本申请实施例提供的一种环境承载力的预警装置的结构示意图;
图8为本申请实施例提供的电子设备示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明,其本身并没有特定的意义。因此,“模块”与“部件”可以混合地使用。
为了解决背景技术中提及的问题,根据本申请实施例的一方面,提供了一种环境承载力的预警方法,可以应用于服务器,用于针对畜禽养殖的环境承载力进行预警。
下面将结合具体实施方式,对本申请实施例提供的一种环境承载力的预警方法进行详细的说明,如图1所示,具体步骤如下:
步骤101:获取畜禽养殖的当前指标数据。
其中,当前指标数据包括当前禽畜养殖发展状况类的指标数据、当前自然环境状况类的指标数据和当前经济发展综合类的指标数据。
在本申请实施例中,服务器获取畜禽养殖的当前指标,指标分为三大类,每类包括至少一个指标,每个指标对应一个指标数据。禽畜养殖指标体系示意图如图2所示。
从图2可以看出,指标包括禽畜养殖发展状况类C1、自然环境状况类C2和经济发展综合类C3三大类,禽畜养殖发展状况类C1的指标包括年末畜禽存栏量、牧业总产值和养殖结构中的至少一个;自然环境状况类C2的指标包括养殖污水处理设施完成率、河流水质达标率、生活污水排放量和年末耕地资源中的至少一个;经济发展综合类C3的指标包括城市居民人均可支配收入、农村居民人均总收入、专利授权量、平均每万人口在校大学生数和能源消费强度中的至少一个。本申请对方案层p的指标不做具体限制。
步骤102:通过皮尔逊相关系数计算方案对当前指标数据和预设环境承载力进行分析,构建目标矩阵数据集。
其中,目标矩阵数据集中的每个矩阵值指示一个指标。
在本申请实施例中,服务器通过状态空间方案得到预设环境承载力,然后通过皮尔逊相关系数计算方案,对当前指标数据和预设环境承载力进行分析,构建目标矩阵数据集,目标矩阵数据集中的每个矩阵值指示一个指标。
步骤103:将目标矩阵数据集输入目标预测模型,得到目标预测模型输出的目标预测值。
其中,目标预测模型为环境承载力预测模型,目标预测值指示预测的环境承载力。
在本申请实施例中,服务器根据初始预测模型生成目标预测模型,目标预测模型可以为环境承载力预测模型(PMECC,Prediction model of environmental carryingcapacity)。服务器将目标矩阵数据集输入目标预测模型,得到目标预测模型输出的目标预测值,该目标预测值指示预测的环境承载力。
服务器判断目标预测值是否大于预测阈值,若否,表明当前的环境承载力能够承载当前的畜禽养殖,则等过段时长再继续执行步骤101。若是,则执行步骤104。其中,预测阈值可以用户根据以往农场情况进行评估得到的,或者以往的环境承载力评估进行评估得到的。
步骤104:在目标预测值大于预测阈值的情况下,进行承载力预警。
其中,承载力预警指示当前的环境承载力无法承载当前的畜禽养殖。
在本申请实施例中,服务器若判定目标预测值大于预测阈值,表明根据当前禽畜养殖预测出的环境承载力大于设定的环境承载力,那么当前的环境承载力无法承载当前的畜禽养殖,则进行承载力预警。预警方式可以是服务器给用户终端发送短信、打电话等方式,本申请对预警方式不做具体限定。
本申请中,把畜禽养殖的所在环境当成一个有机联系的整体,综合考虑禽畜养殖、自然环境与经济发展之间的相互关系,并通过皮尔逊相关系数计算方案,抽象出环境承载力与各个指标(影响因子)之间的关系,得到不同的指标对畜禽养殖的环境承载力的影响。采用环境承载力预测模型得到目标预测值,并在目标预测值大于预测阈值时进行承载力预警,提前预判畜禽养殖的环境承载力,可以避免环境承载力过大带来的经济损失、安全事故或生态影响。本申请通过皮尔逊相关系数计算方案将环境承载力的预测转化为符合实际问题的数学模型,并通过目标预测模型进行环境承载力预测,提高了环境承载力预测的准确性。
作为一种可选的实施方式,通过皮尔逊相关系数对当前指标数据和预设环境承载力进行分析,构建目标矩阵数据集包括:对当前指标数据进行归一化处理;通过皮尔逊相关系数计算方案,根据归一化处理后的每个指标数据和预设环境承载力,得到每个指标的指标权重,其中,指标权重指示指标数据和预设环境承载力之间的关联程度;将指标权重和对应的指标数据的乘积值作为指标的矩阵值;根据每个指标的矩阵值构建目标矩阵数据集。
在本申请实施例中,服务器对当前指标数据进行归一化处理,得到归一化处理后的每个指标数据,然后通过皮尔逊相关系数计算方案,根据归一化处理后的每个指标数据和预设环境承载力,得到每个指标的指标权重w,指标权重w指示指标数据和预设环境承载力之间的关联程度,最后服务器将指标权重w和对应的指标数据F的乘积值作为指标的矩阵值,然后根据每个指标的矩阵值构建目标矩阵数据集。
假设有两个变量X、Y(分别表示指标数据和预设环境承载力),那么两变量间的皮尔逊相关系数可通过以下公式计算:
目标矩阵数据集的矩阵如下所示:
从该矩阵可以看出,每个矩阵值融合了指标权重w和指标数据F,指标权重指示对应的指标数据和预设环境承载力之间的关联程度,那么该目标矩阵数据集实质为皮尔逊相关系数权重数据集(PCCWDE,Pearson correlation coefficient weight data set)。
作为一种可选的实施方式,通过皮尔逊相关系数计算方案,根据归一化处理后的每个指标数据和预设环境承载力,得到每个指标的指标权重包括:针对每个指标执行如下操作:获取每个设定时段的预设环境承载力和指标数据,其中,每个设定时段对应一个预设环境承载力和一个指标数据;根据皮尔逊相关系数计算方案,根据每个设定时段的预设环境承载力和指标数据得到指标的指标系数;将指标系数映射为预设数值范围内的指标权重。
在本申请实施例中,服务器针对每个指标执行如下操作:服务器将整个时段划分为多个预设时段,每个设定时段对应一个预设环境承载力和一个指标数据,服务器根据皮尔逊相关系数计算方案,根据每个设定时段的预设环境承载力和指标数据,得到该指标在整个时段中的指标系数,将指标系数进行归一化,映射为预设数值范围内的指标权重。
示例性地,针对指标,整个时段为一年,每个预设时段为一个月,每个月对应一个预设环境承载力和在该月的指标数据。服务器将每个月的预设环境承载力和指标数据,按照皮尔逊相关系数计算方案进行计算,得到指标在该一年内的指标权重。
其中,计算设定时段的预设环境承载力的公式为:
其中,(regional carrying capacity,区域承载力)为预设环境承载力;为代表预设环境承载力的有向矢量的模,如图3中OD的模;为区域人类活动与资源环境处于理想状态时在状态空间中的坐标值i=(1,2……n)。示例性地,i表示每个月份,那么RCC表示每个月份的预设环境承载力。
本申请采用空间状态法得到预设环境承载力。状态空间通常由表示系统各要素状态向量的三维状态空间轴组成,该研究中心为人类活动轴、资源轴及环境轴,如图3所示,图3为环境承载力的概念模型示意图。
图3所表示的三维状态空间包括为受载体的人口及其经济社会活动和作为承载体的区域资源和环境三个轴。利用状态空间法中的承载状态点,可表示在一定时间尺度内区域的不同承载状态。不仅不同的人类活动强度对资源环境的影响程度差别悬殊,而且不同的资源环境组合所对应的人类活动强度也不相同,如D、E点代表了两种资源环境组合下的区域承载力。所有这些状态空间中由不同资源环境组合形成的区域承载力点构成了区域承载力曲面DYmax和CXmax。根据区域承载力在状态空间中的含义,任何低于该曲面的点(如A点)代表在某一特定资源环境组合下,人类的经济社会活动低于其承载力能力,而任何高于该曲面的点(如B点)则表明人类的经济社会活动已超出该特定资源换环境组合的承载能力。据此,可采用状态空间中的原点同系统状态点所构成的矢量模表示其大小,如图中的OC和OD,由此得出上文中区域承载力RCC的数学公式。
作为一种可选的实施方式,将目标矩阵数据集输入目标预测模型之前,方法还包括:服务器通过状态空间方案,得到不同时段的样本预测值,其中,样本预测值指示预设环境承载力。然后通过皮尔逊相关系数计算方案对样本指标数据和预设环境承载力进行分析,构建样本矩阵数据集,其中,样本指标数据包括样本禽畜养殖发展状况类的指标数据、样本自然环境状况类的指标数据和样本经济发展综合类的指标数据,样本矩阵数据集中的每个矩阵值指示一个指标。服务器将设定时段的样本矩阵数据集输入初始预测模型训练,得到初始预测模型训练输出的预测结果,在预测结果和设定时段的样本预测值不相同时,服务器调整初始预测模型的权重系数,直至预测结果和样本预测值相同,得到目标预测模型。
可选的,本申请实施例还提供了一种环境承载力的预警处理流程,具体步骤如下。
2.通过状态空间方案得到不同设定时段的预设环境承载力RCC;
3.通过皮尔逊相关系数计算方案,对每个样本指标数据和预设环境承载力进行分析,得到每个指标的指标权重;
4.根据指标权重和指标数据的乘积值得到指标的矩阵值;
5.根据每个指标的矩阵值构建样本矩阵数据集。
6.根据样本矩阵数据集和预设环境承载力进行模型训练,得到目标预测模型。
7.通过目标预测模型对目标矩阵数据集进行分析,得到目标预测值;
8.若目标预测值大于预测阈值,进行承载力预警。
图4为确定目标预测值的处理流程图,服务器先搭建PMECC,然后通过样本指标数据生成样本矩阵数据集PCCWDE,再根据PCCWDE进行模型训练,采用训练好的PMECC进行环境承载力的预测,输出目标预测值。
作为一种可选的实施方式,将设定时段的样本矩阵数据集输入初始预测模型训练,得到初始预测模型训练输出的预测结果包括:根据输入层、隐藏层和输出层构建初始预测模型,其中,隐藏层包括5层高斯层和2层Dense层,高斯层中的神经元引入了高斯函数;将样本矩阵数据集从输入层输入至隐藏层,得到输出向量;对输出向量进行欧式距离计算,得到输出层输出的预测结果。
初始预测模型也是通过PMECC得到的,图5为初始预测模型的网络结构示意图。可以看出,初始预测模型包括输入层、隐藏层和输出层,隐藏层包括5层高斯层和2层Dense层,隐藏层的每层节点数为5。样本矩阵数据集作为输入向量,从输入层输入至隐藏层,得到输出向量,输出向量进行欧式距离计算,得到输出层输出的预测结果。
其中,高斯层中的神经元引入了高斯函数,这样可以提供拟合精准度,输出向量的计算公式为:
初始预测模型在生成目标预测模型的过程中,采用损失函数,损失函数的公式如下:
本申请基于局部极小值局限性,学习过程收敛速度,精度综合考虑网络结构的隐藏层、隐藏层节点数和Loss函数。
开发与运行环境如下所示。
操作系统--win10,集成开发环境--Pycharm2017.03,基础平台--Tensorflow2.0,机器视觉库--OpenCV2.4.7,开发语言--Python2.7,CPU--Intel(R)Core(TM)i7-10700KFCPU@3.80GHz3.79GHz,内存--16.0GB,GPU--NvidiaGeForce3060。
图6为不同年份的环境承载力预测结果示意图。可以看出,随着年份的增长,禽畜养殖环境承载力也逐年下降。
基于相同的技术构思,本申请实施例还提供了一种环境承载力的预警装置,如图7所示,该装置包括:
获取模块701,用于获取畜禽养殖的当前指标数据,其中,当前指标数据包括当前禽畜养殖发展状况类的指标数据、当前自然环境状况类的指标数据和当前经济发展综合类的指标数据;
构建模块702,用于通过皮尔逊相关系数计算方案对当前指标数据和预设环境承载力进行分析,构建目标矩阵数据集,其中,目标矩阵数据集中的每个矩阵值指示一个指标;
输入输出模块703,用于将目标矩阵数据集输入目标预测模型,得到目标预测模型输出的目标预测值,其中,目标预测模型为环境承载力预测模型,目标预测值指示预测的环境承载力;
预警模块704,用于在目标预测值大于预测阈值的情况下,进行承载力预警,其中,承载力预警指示当前的环境承载力无法承载当前的畜禽养殖。
可选地,构建模块702用于:
处理单元,用于对当前指标数据进行归一化处理;
得到单元,用于通过皮尔逊相关系数计算方案,根据归一化处理后的每个指标数据和预设环境承载力,得到每个指标的指标权重,其中,指标权重指示指标数据和预设环境承载力之间的关联程度;
作为单元,用于将指标权重和对应的指标数据的乘积值作为指标的矩阵值;
构建单元,用于根据每个指标的矩阵值构建目标矩阵数据集。
可选地,得到单元用于:
针对每个指标执行如下操作:
获取每个设定时段的预设环境承载力和指标数据,其中,每个设定时段对应一个预设环境承载力和一个指标数据;
根据皮尔逊相关系数计算方案,根据每个设定时段的预设环境承载力和指标数据得到指标的指标系数;
将指标系数映射为预设数值范围内的指标权重。
可选地,该装置还用于:
通过状态空间方案,得到不同时段的样本预测值,其中,样本预测值指示预设环境承载力;
通过皮尔逊相关系数计算方案对样本指标数据和预设环境承载力进行分析,构建样本矩阵数据集,其中,样本指标数据包括样本禽畜养殖发展状况类的指标数据、样本自然环境状况类的指标数据和样本经济发展综合类的指标数据,样本矩阵数据集中的每个矩阵值指示一个指标;
将设定时段的样本矩阵数据集输入初始预测模型训练,得到初始预测模型训练输出的预测结果;
在预测结果和设定时段的样本预测值不相同的情况下,调整初始预测模型的权重系数,直至预测结果和样本预测值相同,得到目标预测模型。
可选地,该装置还用于:
根据输入层、隐藏层和输出层构建初始预测模型,其中,隐藏层包括5层高斯层和2层Dense层,高斯层中的神经元引入了高斯函数;
将样本矩阵数据集从输入层输入至隐藏层,得到输出向量;
对输出向量进行欧式距离计算,得到输出层输出的预测结果。
可选地,
禽畜养殖发展状况类的指标包括年末畜禽存栏量、牧业总产值和养殖结构中的至少一个;
自然环境状况类的指标包括养殖污水处理设施完成率、河流水质达标率、生活污水排放量和年末耕地资源中的至少一个;
经济发展综合类的指标包括城市居民人均可支配收入、农村居民人均总收入、专利授权量、平均每万人口在校大学生数和能源消费强度中的至少一个。
根据本申请实施例的另一方面,本申请提供了一种电子设备,如图8所示,包括存储器803、处理器801、通信接口802及通信总线804,存储器803中存储有可在处理器801上运行的计算机程序,存储器803、处理器801通过通信接口802和通信总线804进行通信,处理器801执行计算机程序时实现上述方法的步骤。
上述电子设备中的存储器、处理器通过通信总线和通信接口进行通信。所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
根据本申请实施例的又一方面还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质。
可选地,在本申请实施例中,计算机可读介质被设置为存储用于所述处理器执行上述方法的程序代码。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本申请实施例在具体实现时,可以参阅上述各个实施例,具有相应的技术效果。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种环境承载力的预警方法,其特征在于,所述方法包括:
获取畜禽养殖的当前指标数据,其中,所述当前指标数据包括当前禽畜养殖发展状况类的指标数据、当前自然环境状况类的指标数据和当前经济发展综合类的指标数据;
通过皮尔逊相关系数计算方案对所述当前指标数据和预设环境承载力进行分析,构建目标矩阵数据集,其中,所述目标矩阵数据集中的每个矩阵值指示一个指标;
将所述目标矩阵数据集输入目标预测模型,得到所述目标预测模型输出的目标预测值,其中,所述目标预测模型为环境承载力预测模型,所述目标预测值指示预测的环境承载力;
在所述目标预测值大于预测阈值的情况下,进行承载力预警,其中,所述承载力预警指示当前的环境承载力无法承载当前的畜禽养殖。
2.根据权利要求1所述的方法,其特征在于,所述通过皮尔逊相关系数计算方案对所述当前指标数据和预设环境承载力进行分析,构建目标矩阵数据集包括:
对所述当前指标数据进行归一化处理;
通过皮尔逊相关系数计算方案,根据归一化处理后的每个指标数据和预设环境承载力,得到每个指标的指标权重,其中,所述指标权重指示所述指标数据和所述预设环境承载力之间的关联程度;
将所述指标权重和对应的指标数据的乘积值作为所述指标的矩阵值;
根据每个指标的矩阵值构建所述目标矩阵数据集。
3.根据权利要求2所述的方法,其特征在于,通过皮尔逊相关系数计算方案,根据归一化处理后的每个指标数据和预设环境承载力,得到每个指标的指标权重包括:
针对每个指标执行如下操作:
获取每个设定时段的预设环境承载力和指标数据,其中,每个设定时段对应一个预设环境承载力和一个指标数据;
根据皮尔逊相关系数计算方案,根据每个设定时段的预设环境承载力和指标数据得到所述指标的指标系数;
将所述指标系数映射为预设数值范围内的指标权重。
4.根据权利要求1所述的方法,其特征在于,将所述目标矩阵数据集输入目标预测模型之前,所述方法还包括:
通过状态空间方案,得到不同时段的样本预测值,其中,所述样本预测值指示预设环境承载力;
通过皮尔逊相关系数计算方案对样本指标数据和所述预设环境承载力进行分析,构建样本矩阵数据集,其中,所述样本指标数据包括样本禽畜养殖发展状况类的指标数据、样本自然环境状况类的指标数据和样本经济发展综合类的指标数据,所述样本矩阵数据集中的每个矩阵值指示一个指标;
将设定时段的样本矩阵数据集输入初始预测模型训练,得到初始预测模型训练输出的预测结果;
在所述预测结果和所述设定时段的样本预测值不相同的情况下,调整所述初始预测模型的权重系数,直至预测结果和所述样本预测值相同,得到目标预测模型。
5.根据权利要求4所述的方法,其特征在于,将设定时段的样本矩阵数据集输入初始预测模型训练,得到初始预测模型训练输出的预测结果包括:
根据输入层、隐藏层和输出层构建初始预测模型,其中,所述隐藏层包括5层高斯层和2层Dense层,所述高斯层中的神经元引入了高斯函数;
将所述样本矩阵数据集从所述输入层输入至所述隐藏层,得到输出向量;
对所述输出向量进行欧式距离计算,得到输出层输出的预测结果。
6.根据权利要求1所述的方法,其特征在于,
所述禽畜养殖发展状况类的指标包括年末畜禽存栏量、牧业总产值和养殖结构中的至少一个;
所述自然环境状况类的指标包括养殖污水处理设施完成率、河流水质达标率、生活污水排放量和年末耕地资源中的至少一个;
所述经济发展综合类的指标包括城市居民人均可支配收入、农村居民人均总收入、专利授权量、平均每万人口在校大学生数和能源消费强度中的至少一个。
7.一种环境承载力的预警装置,其特征在于,所述装置包括:
获取模块,用于获取畜禽养殖的当前指标数据,其中,所述当前指标数据包括当前禽畜养殖发展状况类的指标数据、当前自然环境状况类的指标数据和当前经济发展综合类的指标数据;
构建模块,用于通过皮尔逊相关系数计算方案对所述当前指标数据和预设环境承载力进行分析,构建目标矩阵数据集,其中,所述目标矩阵数据集中的每个矩阵值指示一个指标;
输入输出模块,用于将所述目标矩阵数据集输入目标预测模型,得到所述目标预测模型输出的目标预测值,其中,所述目标预测模型为环境承载力预测模型,所述目标预测值指示预测的环境承载力;
预警模块,用于在所述目标预测值大于预测阈值的情况下,进行承载力预警,其中,所述承载力预警指示当前的环境承载力无法承载当前的畜禽养殖。
8.根据权利要求7所述的装置,其特征在于,所述构建模块用于:
对所述当前指标数据进行归一化处理;
通过皮尔逊相关系数计算方案,根据归一化处理后的每个指标数据和预设环境承载力,得到每个指标的指标权重,其中,所述指标权重指示所述指标数据和所述预设环境承载力之间的关联程度;
将所述指标权重和对应的指标数据的乘积值作为所述指标的矩阵值;
根据每个指标的矩阵值构建所述目标矩阵数据集。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一的方法步骤。
10.一种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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210754477.3A CN114862062B (zh) | 2022-06-30 | 2022-06-30 | 环境承载力的预警方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210754477.3A CN114862062B (zh) | 2022-06-30 | 2022-06-30 | 环境承载力的预警方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114862062A true CN114862062A (zh) | 2022-08-05 |
CN114862062B CN114862062B (zh) | 2022-11-15 |
Family
ID=82626466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210754477.3A Active CN114862062B (zh) | 2022-06-30 | 2022-06-30 | 环境承载力的预警方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862062B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738185A (zh) * | 2023-07-18 | 2023-09-12 | 汇链通产业供应链数字科技(厦门)有限公司 | 一种用于智慧养殖的ai算法构建方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327019A (zh) * | 2016-08-30 | 2017-01-11 | 杨渺 | 资源环境承载力预警方法及系统 |
CN107578146A (zh) * | 2017-08-10 | 2018-01-12 | 大连理工大学 | 一种农药应用的土壤环境承载力的定量评价方法 |
CN108875290A (zh) * | 2017-05-09 | 2018-11-23 | 深圳市环境科学研究院 | 资源环境承载力预警方法 |
CN109685318A (zh) * | 2018-11-26 | 2019-04-26 | 大连海洋大学 | 基于生态系统完整性的河流水生态健康评价方法及其应用 |
CN110276556A (zh) * | 2019-06-26 | 2019-09-24 | 中国环境科学研究院 | 一种基于多策略的环境承载力指标权重计算方法及装置 |
CN110533326A (zh) * | 2019-08-30 | 2019-12-03 | 河海大学 | 一种与水相关的生态环境承载力预估调控系统 |
CN111861193A (zh) * | 2020-07-16 | 2020-10-30 | 浙江省生态环境低碳发展中心 | 一种平原河网水环境承载力评估及预警指标体系构建方法 |
CN111914217A (zh) * | 2020-07-31 | 2020-11-10 | 南京航空航天大学 | 一种机场环境承载力评价与预测方法 |
CN112288192A (zh) * | 2020-11-23 | 2021-01-29 | 深圳市维度数据科技股份有限公司 | 一种环保监测预警方法及系统 |
US20210035034A1 (en) * | 2019-08-02 | 2021-02-04 | Toyota Jidosha Kabushiki Kaisha | Crop characteristic prediction system, crop characteristic prediction method, and non-transitory computer-readable storage medium storing crop characteristic prediction program |
CN112561235A (zh) * | 2020-11-23 | 2021-03-26 | 中铁二十四局集团福建铁路建设有限公司 | 一种适于高速公路路域的生态脆弱性评价方法 |
CN113393063A (zh) * | 2021-08-17 | 2021-09-14 | 深圳市信润富联数字科技有限公司 | 比赛结果预测方法、系统、程序产品及存储介质 |
CN113887866A (zh) * | 2021-08-30 | 2022-01-04 | 北京建筑大学 | 一种人居环境评价指数的生成方法以及装置 |
CN114580691A (zh) * | 2020-12-01 | 2022-06-03 | 中国石油天然气股份有限公司 | 燃气使用需求的预测方法、装置、计算机设备及存储介质 |
-
2022
- 2022-06-30 CN CN202210754477.3A patent/CN114862062B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327019A (zh) * | 2016-08-30 | 2017-01-11 | 杨渺 | 资源环境承载力预警方法及系统 |
CN108875290A (zh) * | 2017-05-09 | 2018-11-23 | 深圳市环境科学研究院 | 资源环境承载力预警方法 |
CN107578146A (zh) * | 2017-08-10 | 2018-01-12 | 大连理工大学 | 一种农药应用的土壤环境承载力的定量评价方法 |
CN109685318A (zh) * | 2018-11-26 | 2019-04-26 | 大连海洋大学 | 基于生态系统完整性的河流水生态健康评价方法及其应用 |
CN110276556A (zh) * | 2019-06-26 | 2019-09-24 | 中国环境科学研究院 | 一种基于多策略的环境承载力指标权重计算方法及装置 |
US20210035034A1 (en) * | 2019-08-02 | 2021-02-04 | Toyota Jidosha Kabushiki Kaisha | Crop characteristic prediction system, crop characteristic prediction method, and non-transitory computer-readable storage medium storing crop characteristic prediction program |
CN110533326A (zh) * | 2019-08-30 | 2019-12-03 | 河海大学 | 一种与水相关的生态环境承载力预估调控系统 |
CN111861193A (zh) * | 2020-07-16 | 2020-10-30 | 浙江省生态环境低碳发展中心 | 一种平原河网水环境承载力评估及预警指标体系构建方法 |
CN111914217A (zh) * | 2020-07-31 | 2020-11-10 | 南京航空航天大学 | 一种机场环境承载力评价与预测方法 |
CN112288192A (zh) * | 2020-11-23 | 2021-01-29 | 深圳市维度数据科技股份有限公司 | 一种环保监测预警方法及系统 |
CN112561235A (zh) * | 2020-11-23 | 2021-03-26 | 中铁二十四局集团福建铁路建设有限公司 | 一种适于高速公路路域的生态脆弱性评价方法 |
CN114580691A (zh) * | 2020-12-01 | 2022-06-03 | 中国石油天然气股份有限公司 | 燃气使用需求的预测方法、装置、计算机设备及存储介质 |
CN113393063A (zh) * | 2021-08-17 | 2021-09-14 | 深圳市信润富联数字科技有限公司 | 比赛结果预测方法、系统、程序产品及存储介质 |
CN113887866A (zh) * | 2021-08-30 | 2022-01-04 | 北京建筑大学 | 一种人居环境评价指数的生成方法以及装置 |
Non-Patent Citations (7)
Title |
---|
YING LYU; SHUMING SUN; PINGLIANG ZENG: "Capacity credit value calculation for centralized wind and PV bundled power", <10TH INTERNATIONAL CONFERENCE ON ADVANCES IN POWER SYSTEM CONTROL, OPERATION & MANAGEMENT (APSCOM 2015)> * |
张绪良等: "黄河三角洲海岸带生态承载力综合评价", 《安全与环境学报》 * |
曹茂林: "基于状态空间法的扬州市生态承载力定量评价", 《三峡环境与生态》 * |
田海兰等: "基于供需平衡法的河北省海域承载力测算", 《海洋湖沼通报》 * |
管羊炀: "旅游活动对三清山景区生态足迹的影响分析", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 * |
董法秀等: "基于灰色理论的长沙市畜禽养殖环境承载力研究", 《江西农业学报》 * |
赵雪雁: "甘肃省生态承载力评价", 《干旱区研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738185A (zh) * | 2023-07-18 | 2023-09-12 | 汇链通产业供应链数字科技(厦门)有限公司 | 一种用于智慧养殖的ai算法构建方法 |
CN116738185B (zh) * | 2023-07-18 | 2024-03-19 | 汇链通产业供应链数字科技(厦门)有限公司 | 一种用于智慧养殖的ai算法构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114862062B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Water quality modeling in reservoirs using multivariate linear regression and two neural network models | |
Ren et al. | A method for predicting dissolved oxygen in aquaculture water in an aquaponics system | |
Wang et al. | A multidimension cloud model-based approach for water quality assessment | |
CN105676814B (zh) | 基于sfla‑svm的数字化水岛在线加药控制方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN104155423B (zh) | 一种变权组合的景观水水质预警方法 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
Noori et al. | Active and online prediction of BOD 5 in river systems using reduced-order support vector machine | |
CN115774953B (zh) | 一种基于数据处理的污染时空风险监管评估系统及方法 | |
Lotfi et al. | Wind power forecasting using emotional neural networks | |
CN114862062B (zh) | 环境承载力的预警方法、装置、电子设备和可读存储介质 | |
CN113592144A (zh) | 一种中长期径流概率预报方法及系统 | |
CN109215344A (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
Shin et al. | Prediction of cyanobacteria blooms in the lower Han River (South Korea) using ensemble learning algorithms | |
CN105160422B (zh) | 基于自组织级联神经网络的污水处理出水总磷预测方法 | |
Schleiter et al. | Bioindication of chemical and hydromorphological habitat characteristics with benthic macro-invertebrates based on artificial neural networks | |
Du | Prediction of consumer price index based on RBF neural network | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
Carbajal et al. | Classification based on fuzzy inference systems for artificial habitat quality in shrimp farming | |
CN118052373B (zh) | 海洋资源环境承载力评估方法 | |
Santoni et al. | The mapping of water quality prediction using adaptive neuro-fuzzy inference system | |
Yao | Simulating the Total Ecological Footprint of Suzhou from 1990 to 2009 by BPANN. | |
Sylaios et al. | CHLfuzzy: a spreadsheet tool for the fuzzy modeling of chlorophyll concentrations in coastal lagoons | |
Strelchenko et al. | Neuromodelling of financial and economic security of the region | |
NTSHAKO | AN INTELLIGENT INTERNET OF THINGS MONITORING SYSTEM FOR POTABLE QUALITY WATER: A CASE STUDY IN MANGAUNG AREA |
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 |