CN114864015A - 水体富营养化检测方法、装置、设备及存储介质 - Google Patents

水体富营养化检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114864015A
CN114864015A CN202210282959.3A CN202210282959A CN114864015A CN 114864015 A CN114864015 A CN 114864015A CN 202210282959 A CN202210282959 A CN 202210282959A CN 114864015 A CN114864015 A CN 114864015A
Authority
CN
China
Prior art keywords
chlorophyll
eutrophication
concentration
data
water
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
CN202210282959.3A
Other languages
English (en)
Inventor
衷平平
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.)
Ping An Puhui Enterprise Management Co Ltd
Original Assignee
Ping An Puhui Enterprise Management 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 Ping An Puhui Enterprise Management Co Ltd filed Critical Ping An Puhui Enterprise Management Co Ltd
Priority to CN202210282959.3A priority Critical patent/CN114864015A/zh
Publication of CN114864015A publication Critical patent/CN114864015A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及环境监测领域，公开了一种水体富营养化检测方法、装置、设备及存储介质，用于提高水体富营养化的检测准确度。水体富营养化检测方法包括：获取水体数据，其中，所述水体数据包括叶绿素a数据、总氮数据、总磷数据；对所述水体数据进行提取，得到所述叶绿素a数据中的叶绿素a浓度；调用预置的水体富营养化检测模型对所述叶绿素a浓度进行检测，得到目标检测结果，其中，所述水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；若所述目标检测结果为水体富营养化，则对所述总氮数据和所述总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端。

Description

水体富营养化检测方法、装置、设备及存储介质
技术领域
本发明涉及环境监测领域，尤其涉及一种水体富营养化检测方法、装置、设备及存储介质。
背景技术
随着社会经济的快速发展，人类活动不可避免的对河流、湖泊、海洋等水体造成影响，各种水环境问题不断发生。过量的氮、磷等营养物质的输入已经极大超出了水体能够正常承载的范围，使得藻类等浮游植物和部分浮游动物大量繁殖，造成水体富营养化等一系列环境问题。氮、磷作为浮游植物赖以生长的重要营养物质，参与光能转化代谢过程，而叶绿素a是浮游植物光合作用的主要物质，利用叶绿素a来评估浮游植物生长状况，从而反映水体理化性质的动态变化和水体富营养化状况。
现有水体富营养化的检测是通过构建BP人工神经网络富营养化预测模型，并采用粒子群算法(Particle Swarm Optimization，PSO)对富营养化预测模型进行优化，通过BP人工神经网络富营养化预测模型对水体中的叶绿素a浓度进行检测，得到水体富营养化状况。
采用粒子群算法对BP人工神经网络富营养化预测模型进行优化的过程中，多个叶绿素a浓度的迭代容易陷入局部最优解中，难以得到精确的叶绿素a浓度预警值，导致水体富营养化的检测准确度较低。
发明内容
本发明提供了一种水体富营养化检测方法、装置、设备及存储介质，用于提高水体富营养化的检测准确度。
本发明第一方面提供了一种水体富营养化检测方法，包括：获取水体数据，其中，所述水体数据包括叶绿素a数据、总氮数据、总磷数据；对所述水体数据进行提取，得到所述叶绿素a数据中的叶绿素a浓度；调用预置的水体富营养化检测模型对所述叶绿素a浓度进行检测，得到目标检测结果，其中，所述水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；若所述目标检测结果为水体富营养化，则对所述总氮数据和所述总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端。
可选的，在本发明第一方面的第一种实现方式中，所述对所述水体数据进行提取，得到所述叶绿素a数据中的叶绿素a浓度，包括：获取所述水体数据在λ1、λ2、λ3三个谱段的反射率数据，所述反射率数据包括D1、D2和D3；基于所述D1、所述D2和所述D3进行波段组合，构建叶绿素a浓度指数；根据所述叶绿素a浓度指数反演得到叶绿素a浓度。
可选的，在本发明第一方面的第二种实现方式中，所述调用预置的水体富营养化检测模型对所述叶绿素a浓度进行检测，得到目标检测结果，包括：通过预置的水体富营养化检测模型判断所述叶绿素a浓度是否大于或等于预置的叶绿素a预警浓度；若所述叶绿素a浓度大于或等于所述预置的叶绿素a预警浓度，则将水体富营养化确定为目标检测结果；若所述叶绿素a浓度小于所述预置的叶绿素a预警浓度，则将水体未存在富营养化确定为目标检测结果。
可选的，在本发明第一方面的第三种实现方式中，所述若所述目标检测结果为水体富营养化，则对所述总氮数据和所述总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端，包括：若所述目标检测结果为水体富营养化，则对所述总氮数据进行提取，得到总氮浓度，并对所述总磷数据进行提取，得到总磷浓度；若所述总氮浓度大于或等于预置的总氮预警浓度，则生成降低总氮浓度的富营养化应对措施信息，并发送至水体富营养化应对终端；若所述总磷浓度大于或等于预置的总磷预警浓度，则生成降低总磷浓度的富营养化应对措施信息，并发送至水体富营养化应对终端。
可选的，在本发明第一方面的第四种实现方式中，在所述获取水体数据之前，还包括：获取多个叶绿素a浓度，其中，每个叶绿素a浓度对应一次历史的水体富营养化；根据所述多个叶绿素a浓度对预置的网络训练模型进行训练，得到初始的水体富营养化检测模型；通过模拟退火算法SA和精英遗传算法EGA对所述初始的水体富营养化检测模型进行优化，生成预置的水体富营养化检测模型。
可选的，在本发明第一方面的第五种实现方式中，所述根据所述多个叶绿素a浓度对预置的网络训练模型进行训练，得到初始的水体富营养化检测模型，包括：对所述多个叶绿素a浓度进行预处理，得到预处理的多个叶绿素a浓度；根据所述预置的网络训练模型中输入层与隐含层间的连接权值、隐含层的偏置，生成候选的网络训练模型；通过所述候选的网络训练模型对所述预处理的多个叶绿素a浓度进行预测，得到初始的水体富营养化检测模型。
可选的，在本发明第一方面的第六种实现方式中，所述通过模拟退火算法SA和精英遗传算法EGA对所述初始的水体富营养化检测模型进行优化，生成预置的水体富营养化检测模型，包括：通过所述模拟退火算法SA对所述初始的水体富营养化检测模型进行退火处理，得到多个候选的叶绿素a浓度；通过所述精英遗传算法EGA对所述多个候选的叶绿素a浓度进行遗传优化处理，得到目标叶绿素a浓度；对所述目标叶绿素a浓度进行解码，生成预置的水体富营养化检测模型。
本发明第二方面提供了一种水体富营养化检测装置，包括：第一获取模块，用于获取水体数据，其中，所述水体数据包括叶绿素a数据、总氮数据、总磷数据；提取模块，用于对所述水体数据进行提取，得到所述叶绿素a数据中的叶绿素a浓度；检测模块，用于调用预置的水体富营养化检测模型对所述叶绿素a浓度进行检测，得到目标检测结果，其中，所述水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；发送模块，用于若所述目标检测结果为水体富营养化，则对所述总氮数据和所述总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端。
可选的，在本发明第二方面的第一种实现方式中，所述提取模块具体用于：获取所述水体数据在λ1、λ2、λ3三个谱段的反射率数据，所述反射率数据包括D1、D2和D3；基于所述D1、所述D2和所述D3进行波段组合，构建叶绿素a浓度指数；根据所述叶绿素a浓度指数反演得到叶绿素a浓度。
可选的，在本发明第二方面的第二种实现方式中，所述检测模块具体用于：通过预置的水体富营养化检测模型判断所述叶绿素a浓度是否大于或等于预置的叶绿素a预警浓度；若所述叶绿素a浓度大于或等于所述预置的叶绿素a预警浓度，则将水体富营养化确定为目标检测结果；若所述叶绿素a浓度小于所述预置的叶绿素a预警浓度，则将水体未存在富营养化确定为目标检测结果。
可选的，在本发明第二方面的第三种实现方式中，所述发送模块具体用于：若所述目标检测结果为水体富营养化，则对所述总氮数据进行提取，得到总氮浓度，并对所述总磷数据进行提取，得到总磷浓度；若所述总氮浓度大于或等于预置的总氮预警浓度，则生成降低总氮浓度的富营养化应对措施信息，并发送至水体富营养化应对终端；若所述总磷浓度大于或等于预置的总磷预警浓度，则生成降低总磷浓度的富营养化应对措施信息，并发送至水体富营养化应对终端。
可选的，在本发明第二方面的第四种实现方式中，所述水体富营养化检测装置，还包括：第二获取模块，用于获取多个叶绿素a浓度，其中，每个叶绿素a浓度对应一次历史的水体富营养化；训练模块，用于根据所述多个叶绿素a浓度对预置的网络训练模型进行训练，得到初始的水体富营养化检测模型；生成模块，用于通过模拟退火算法SA和精英遗传算法EGA对所述初始的水体富营养化检测模型进行优化，生成预置的水体富营养化检测模型。
可选的，在本发明第二方面的第五种实现方式中，所述训练模块包括：预处理单元，用于对所述多个叶绿素a浓度进行预处理，得到预处理的多个叶绿素a浓度；生成单元，用于根据所述预置的网络训练模型中输入层与隐含层间的连接权值、隐含层的偏置，生成候选的网络训练模型；预测单元，用于通过所述候选的网络训练模型对所述预处理的多个叶绿素a浓度进行预测，得到初始的水体富营养化检测模型。
可选的，在本发明第二方面的第六种实现方式中，所述生成模块包括：退火处理单元，用于通过所述模拟退火算法SA对所述初始的水体富营养化检测模型进行退火处理，得到多个候选的叶绿素a浓度；遗传处理单元，用于通过所述精英遗传算法EGA对所述多个候选的叶绿素a浓度进行遗传优化处理，得到目标叶绿素a浓度；解码单元，用于对所述目标叶绿素a浓度进行解码，生成预置的水体富营养化检测模型。
本发明第三方面提供了一种水体富营养化检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述水体富营养化检测设备执行上述的水体富营养化检测方法。
本发明的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中存储有指令，当其在计算机上运行时，使得计算机执行上述的水体富营养化检测方法。
本发明提供的技术方案中，获取水体数据，其中，水体数据包括叶绿素a数据、总氮数据、总磷数据；对水体数据进行提取，得到叶绿素a数据中的叶绿素a浓度；调用预置的水体富营养化检测模型对叶绿素a浓度进行检测，得到目标检测结果，其中，水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；若目标检测结果为水体富营养化，则对总氮数据和总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端。本发明实施例中，通过构建网络训练模型ELM，并运用模拟退火算法SA和精英遗传算法EGA对网络训练模型ELM进行优化，通过网络训练模型ELM对水体中叶绿素a的浓度进行检测，当叶绿素a的浓度大于或等于叶绿素a预警浓度时，确定水体存在富营养化，再对总氮数据和总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端，提高了水体富营养化的检测准确度。
附图说明
图1为本发明实施例中水体富营养化检测方法的一个实施例示意图；
图2为本发明实施例中水体富营养化检测方法的另一个实施例示意图；
图3为本发明实施例中水体富营养化检测装置的一个实施例示意图；
图4为本发明实施例中水体富营养化检测装置的另一个实施例示意图；
图5为本发明实施例中水体富营养化检测设备的一个实施例示意图。
具体实施方式
本发明提供了一种水体富营养化检测方法、装置、设备及存储介质，用于提高水体富营养化的检测准确度。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中水体富营养化检测方法的一个实施例包括：
101、获取水体数据，其中，水体数据包括叶绿素a数据、总氮数据、总磷数据；
可以理解的是，本发明的执行主体可以为水体富营养化检测装置，还可以是终端，具体此处不做限定。本发明实施例以水体富营养化检测装置为执行主体为例进行说明。
其中，水体数据包括多种数据，例如，PH值、溶氧量、总氮、总磷、叶绿素a、叶绿素b、叶绿素c等数据。叶绿素a数据用于指示水体的富营养化状况，例如，叶绿素a是浮游植物光合作用的主要物质，利用叶绿素a来评估浮游植物生长状况，从而反映水体的富营养化状况。
102、对水体数据进行提取，得到叶绿素a数据中的叶绿素a浓度；
其中，水体富营养化检测装置对叶绿素a浓度的测定方式为遥感反演，遥感反演方式包括经验模型、半经验/半分析模型、分析模型，其中，经验模型是根据叶绿素a浓度和遥感参数之间的统计关系，对水体叶绿素a浓度进行遥感反演；半经验/半分析模型是根据电磁辐射在水体中传输的特征，建立辐射传输模型，采用三波段方式和光谱平滑方式对辐射传输模型进行优化，从而对水体叶绿素a浓度进行遥感反演；分析模型是通过辐射传输模型来模拟电磁波在水体中的传播过程，并根据生物光学模型，得到遥感辐照度比、水体叶绿素a的吸收系数和后向散射系数，并利用遥感数据反演出水体中叶绿素a浓度。
103、调用预置的水体富营养化检测模型对叶绿素a浓度进行检测，得到目标检测结果，其中，水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；
其中，预置的水体富营养化检测模型包括多种网络预测模型，例如，BP神经网络预测模型、SPSS神经网络预测模型、卷积神经网络预测模型、详尽可能性模型(ElaborationLikelihood Model，ELM)，预置的水体富营养化检测模型可以是ELM模型，ELM模型是一种单隐层前馈神经网络算法，ELM模型包括输入层，隐含层，输出层，通过特征映射函数对每层进行连接，ELM模型的训练过程包括数据预处理、训练ELM模型、数据预测。
模拟退火算法(Simulated Annealing，SA)，模拟退火算法模拟的是退火过程，例如，将金属试件加热到指定温度后在另一较低温度下冷却，如果冷却速度足够低，则冷却过程中任一温度下该试件都处于热平衡状态，试件最终会达到热稳定状态，此时试件的内能最低，即在模拟退火算法SA应用时，将控制参数视为温度，将目标函数值视为内能，控制参数足够大且在循环过程中不断变小，目标函数值不断朝向“最小”的方向变化，直至最终达到稳定为止，得到近似全局最优解的数值。
精英遗传算法(Elitist Model of Genetic Algorithm，EGA)，是将要解决的问题模拟成一个生物进化的过程，通过选择、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解，经过N代的进化后将进化出适应度函数值很高的解。例如，使用遗传算法解决“0-1背包问题”，将0-1背包的解编码为一串0-1字符串(0：不取，1：取)；随机产生M个0-1字符串，并评价M个0-1字符串作为0-1背包问题的解的优劣；随机选择多个字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高，经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。
104、若目标检测结果为水体富营养化，则对总氮数据和总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端。
其中，水体富营养化检测装置对总氮数据和总磷数据进行分析，得到水体富营养化的原因，水体富营养化的原因包括多种原因，例如，受污染的水体流入、水力停留时间较长、供气量不足、污泥老化、污泥负荷较大、水力停留时间较短等原因。其中，富营养化应对措施信息包括多种应对措施信息，例如，“控制外源性营养物质输入”、“去除营养物”、“减少内源性营养物质负荷”等应对措施信息，其中，“控制外源性营养物质输入”包括“减少上游支流污染流入”；“去除营养物”包括“去除氮营养元素”和“去除磷营养元素”，“去除氮营养元素”的富营养化应对措施信息包括“传统生物脱氮”、“氨吹脱”、“离子交换”、“折点氯化”和“氧化方式”，“去除磷营养元素”的富营养化应对措施信息包括“生物除磷”、“离子交换”、“吸附方式”、“膜分离方式”和“化学沉淀”。
本发明实施例中，获取水体数据，其中，水体数据包括叶绿素a数据、总氮数据、总磷数据；对水体数据进行提取，得到叶绿素a数据中的叶绿素a浓度；调用预置的水体富营养化检测模型对叶绿素a浓度进行检测，得到目标检测结果，其中，水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；若目标检测结果为水体富营养化，则对总氮数据和总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端，提高了水体富营养化的检测准确度。
请参阅图2，本发明实施例中水体富营养化检测方法的另一个实施例包括：
201、根据多个叶绿素a浓度，生成预置的水体富营养化检测模型，其中，每个叶绿素a浓度对应一次历史的水体富营养化；
其中，(1)水体富营养化检测装置获取多个叶绿素a浓度，其中，每个叶绿素a浓度对应一次历史的水体富营养化；(2)根据多个叶绿素a浓度对预置的网络训练模型进行训练，得到初始的水体富营养化检测模型；(3)通过模拟退火算法SA和精英遗传算法EGA对初始的水体富营养化检测模型进行优化，生成预置的水体富营养化检测模型。例如，水体富营养化检测装置获取多个叶绿素a浓度，多个叶绿素a浓度包括6.0ug/L、7.0ug/L、8.0ug/L、9.0ug/L、10.0ug/L，根据多个叶绿素a浓度对预置的网络训练模型进行训练，得到初始的水体富营养化检测模型，通过模拟退火算法SA对多个叶绿素a浓度进行退火处理，得到多个候选叶绿素a浓度7.0ug/L、8.0ug/L、9.0ug/L，通过精英遗传算法EGA对多个候选叶绿素a浓度进行遗传优化处理，得到目标叶绿素a浓度为8.0ug/L，生成预置的水体富营养化检测模型。
具体的，步骤(2)包括：水体富营养化检测装置对多个叶绿素a浓度进行预处理，得到预处理的多个叶绿素a浓度；例如，预处理的方式可以是线性函数归一化(Min-Maxscaling)，线性函数将原始数据进行线性转换，得到[0，1]的范围，线性函数归一化的公式为
Figure BDA0003558707940000081
其中，Xi为归一化后的数据，X为原始数据，Xmax为原始数据集的最大值，Xmin为原始数据集的最小值，若集合S是一张CT图像，最小值和最大值分别为0和255，选择其中一个像素点的值为90，根据线性函数归一化的公式，得到
Figure BDA0003558707940000091
又例如，若多个叶绿素a浓度包括6.0ug/L、7.0ug/L、8.0ug/L、9.0ug/L、10.0ug/L，则最小值为6，最大值为10，6.0ug/L对应的归一化数据为
Figure BDA0003558707940000092
7.0ug/L对应的归一化数据为
Figure BDA0003558707940000093
8.0ug/L对应的归一化数据为
Figure BDA0003558707940000094
9.0ug/L对应的归一化数据为
Figure BDA0003558707940000095
10.0ug/L对应的归一化数据为
Figure BDA0003558707940000096
得到预处理的多个叶绿素a浓度[0，0.25，0.5，0.75，1]。
水体富营养化检测装置根据预置的网络训练模型中输入层与隐含层间的连接权值、隐含层的偏置，生成候选的网络训练模型；例如，若输入层有n个神经元输入端子，输出层有m个神经元，隐含层有s个神经元，输入层与隐含层间的连接权值为w，w对应的权值矩阵为s*n的矩阵，其中，权值矩阵的元素为[-1，1]之间的随机数，隐含层的偏置为b，对应隐含层的s个神经元，偏置向量b的大小为s*1的列向量，其中，偏置向量b的元素为[0，1]之间的随机数，根据输入层与隐含层间的连接权值w和隐含层的偏置b，生成输出层的权值矩阵β，β大小为s*m的矩阵，得到候选的网络训练模型。
水体富营养化检测装置通过候选的网络训练模型对预处理的多个叶绿素a浓度进行预测，得到初始的水体富营养化检测模型。例如，通过候选的网络训练模型对预处理的多个叶绿素a浓度[0，0.25，0.5，0.75，1]进行预测，得到多个叶绿素a浓度预测值[0，0.3，0.6，0.8，1]，从而得到初始的水体富营养化检测模型。
具体的，步骤(3)包括：水体富营养化检测装置通过模拟退火算法SA对初始的水体富营养化检测模型进行退火处理，得到多个候选的叶绿素a浓度；例如，模拟退火温度初始值为c0，进化代数的初始值为k，对初始的水体富营养化检测模型中多个叶绿素a浓度预测值[0，0.3，0.6，0.8，1]进行编码，生成初始群体，根据退火惩罚因子和性能指标函数，得到适应度函数，通过适应度函数对初始群体中的个体进行评价，得到初始群体中每个个体的评价函数值，从而得到多个候选的叶绿素a浓度。
水体富营养化检测装置通过精英遗传算法EGA对多个候选的叶绿素a浓度进行遗传优化处理，得到目标叶绿素a浓度；例如，精英遗传算法EGA包括精英主义选择、交叉和变异，精英主义选择是选择多个个体生成下一代，精英主义选择对每一代的最优个体进行保护，即最优个体在遗传过程中不产生交叉和变异，再将每一代的最优个体进行精英主义选择，直到得到一个最优个体。若群体大小为M，个体i的适应度为Fi，则个体i被选中的概率Pi为
Figure BDA0003558707940000101
其中，i＝1，2，···，M，即适应度越高的个体被选中的概率也越大，该个体的累计概率为Qi，根据Qi和[0,1]之间产生的随机数r确定参加交配的目标个体，
Figure BDA0003558707940000102
其中，j＝1，2，···，i，若Qi-1≤r≤Qi，则选择第i个个体。若多个候选的叶绿素a浓度为0，0.3，0.6，0.8，1，即是规模为5的种群P＝{0，0.3，0.6，0.8，1}，个体适应度F(0)＝10，F(0.3)＝20，F(0.6)＝30，F(0.8)＝40，F(1)＝50，个体的选择概率Pi(i＝1，2，3，4，5)为
Figure BDA0003558707940000103
即每个个体的累加概率Qi为
Figure BDA0003558707940000104
Q5＝1，进行5次选择，每次选择种群中的一个个体，在[0，1]之间生成5次随机数为r1＝0.19，r2＝0.5，r3＝0.6，r4＝0.8，r5＝0.9，即新种群为Pnew＝{0.3，0.8，0.8，1，1}。再对新种群的个体进行第二次选择，重复进行选择直到得到一个最优解，即得到目标叶绿素a浓度。
水体富营养化检测装置对目标叶绿素a浓度进行解码，生成预置的水体富营养化检测模型。例如，若目标叶绿素a浓度的二进制数值为101，则经过解码得到5，即预置的叶绿素a预警浓度为5.0ug/L，得到预置的水体富营养化检测模型；若目标叶绿素a浓度的二进制数值为1100，则经过解码得到12，即预置的叶绿素a预警浓度为12.0ug/L，得到预置的水体富营养化检测模型；若目标叶绿素a浓度的二进制数值为1000，则经过解码得到8，即预置的叶绿素a预警浓度为8.0ug/L，得到预置的水体富营养化检测模型。
202、获取水体数据，其中，水体数据包括叶绿素a数据、总氮数据、总磷数据；
其中，水体数据包括多种数据，例如，PH值、溶氧量、总氮、总磷、叶绿素a、叶绿素b、叶绿素c等数据。叶绿素a数据用于指示水体的富营养化状况，例如，叶绿素a是浮游植物光合作用的主要物质，利用叶绿素a来评估浮游植物生长状况，从而反映水体的富营养化状况。
总氮数据和总磷数据用于对水体富营养化的原因进行分析，例如，水体中氮营养元素的来源可以是化学肥料，大量未被农作物利用的氮化合物被农田排水和地表径流带入地下水和地表水中，水中大量的氮营养元素导致水体富营养化，水体中氮营养元素的来源也可以是城市生活污水，大量含氮的生活污水进入地下水和地表水，水中大量的氮营养元素导致水体富营养化；水体中磷营养元素的来源可以是工业废水，也可以是有机磷农药，工业废水或有机磷农药大量进入地下水和地表水，导致水体中磷营养元素大量增加，从而导致水体富营养化。
203、对水体数据进行提取，得到叶绿素a数据中的叶绿素a浓度；
其中，水体富营养化检测装置对叶绿素a浓度的测定方式为遥感反演，遥感反演方式包括经验模型、半经验/半分析模型、分析模型，其中，经验模型是根据叶绿素a浓度和遥感参数之间的统计关系，对水体叶绿素a浓度进行遥感反演；半经验/半分析模型是根据电磁辐射在水体中传输的特征，建立辐射传输模型，采用三波段方式和光谱平滑方式对辐射传输模型进行优化，从而对水体叶绿素a浓度进行遥感反演；分析模型是通过辐射传输模型来模拟电磁波在水体中的传播过程，并根据生物光学模型，得到遥感辐照度比、水体叶绿素a的吸收系数和后向散射系数，并利用遥感数据反演出水体中叶绿素a浓度。
具体的，(1)获取水体数据在λ1、λ2、λ3三个谱段的反射率数据，反射率数据包括D1、D2和D3；(2)基于D1、D2和D3进行波段组合，构建叶绿素a浓度指数；(3)根据叶绿素a浓度指数反演得到叶绿素a浓度。例如，水体富营养化检测装置获取水体数据在650nm、675nm、700nm三个谱段的反射率数据，反射率数据包括D1、D2和D3，根据叶绿素a浓度指数IC(IC＝D1+D3-k1*D2)，建立叶绿素a的反演算法[Chl-a]＝f(IC)，其默认形式为[Chl-a]＝k2*IC，其中，系数k1值默认值为2，k2为常数，根据D1、D2和D3以及反演算法[Chl-a]＝f(IC)，得到叶绿素a浓度。
204、调用预置的水体富营养化检测模型对叶绿素a浓度进行检测，得到目标检测结果，其中，水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；
其中，预置的水体富营养化检测模型包括多种网络预测模型，例如，BP神经网络预测模型、SPSS神经网络预测模型、卷积神经网络预测模型、详尽可能性模型(ElaborationLikelihood Model，ELM)，预置的水体富营养化检测模型可以是ELM模型，ELM模型是一种单隐层前馈神经网络算法，ELM模型包括输入层，隐含层，输出层，通过特征映射函数对每层进行连接，ELM模型的训练过程包括数据预处理、训练ELM模型、数据预测。
模拟退火算法(Simulated Annealing，SA)，模拟退火算法模拟的是退火过程，例如，将金属试件加热到指定温度后在另一较低温度下冷却，如果冷却速度足够低，则冷却过程中任一温度下该试件都处于热平衡状态，试件最终会达到热稳定状态，此时试件的内能最低，即在模拟退火算法SA应用时，将控制参数视为温度，将目标函数值视为内能，控制参数足够大且在循环过程中不断变小，目标函数值不断朝向“最小”的方向变化，直至最终达到稳定为止，得到近似全局最优解的数值。
精英遗传算法(Elitist Model of Genetic Algorithm，EGA)，是将要解决的问题模拟成一个生物进化的过程，通过选择、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解，经过N代的进化后将进化出适应度函数值很高的解。例如，使用遗传算法解决“0-1背包问题”，将0-1背包的解编码为一串0-1字符串(0：不取，1：取)；随机产生M个0-1字符串，并评价M个0-1字符串作为0-1背包问题的解的优劣；随机选择多个字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高，经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。
具体的，水体富营养化检测装置通过预置的水体富营养化检测模型判断叶绿素a浓度是否大于或等于预置的叶绿素a预警浓度；若叶绿素a浓度大于或等于预置的叶绿素a预警浓度，则将水体富营养化确定为目标检测结果；若叶绿素a浓度小于预置的叶绿素a预警浓度，则将水体未存在富营养化确定为目标检测结果。
例如，叶绿素a浓度为8.0ug/L，或者叶绿素a浓度为6.0ug/L，或者叶绿素a浓度为10.0ug/L，或者叶绿素a浓度为4.0ug/L；预置的叶绿素a预警浓度为8.0ug/L，水体富营养化检测装置通过预置的水体富营养化检测模型判断叶绿素a浓度是否大于或等于8.0ug/L；若叶绿素a浓度为8.0ug/L，即叶绿素a浓度等于预置的叶绿素a预警浓度，则将水体富营养化确定为目标检测结果；若叶绿素a浓度为10.0ug/L，即叶绿素a浓度大于预置的叶绿素a预警浓度，则将水体富营养化确定为目标检测结果。若叶绿素a浓度为6.0ug/L，即叶绿素a浓度小于预置的叶绿素a预警浓度，则将水体未存在富营养化确定为目标检测结果；若叶绿素a浓度为4.0ug/L，即叶绿素a浓度小于预置的叶绿素a预警浓度，则将水体未存在富营养化确定为目标检测结果。
205、若目标检测结果为水体富营养化，则对总氮数据和总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端。
其中，水体富营养化检测装置对总氮数据和总磷数据进行分析，得到水体富营养化的原因，水体富营养化的原因包括多种原因，例如，受污染的水体流入、水力停留时间较长、供气量不足、污泥老化、污泥负荷较大、水力停留时间较短等原因。其中，富营养化应对措施信息包括多种应对措施信息，例如，“控制外源性营养物质输入”、“去除营养物”、“减少内源性营养物质负荷”等应对措施信息，其中，“控制外源性营养物质输入”包括“减少上游支流污染流入”；“去除营养物”包括“去除氮营养元素”和“去除磷营养元素”，“去除氮营养元素”的富营养化应对措施信息包括“传统生物脱氮”、“氨吹脱”、“离子交换”、“折点氯化”和“氧化方式”，“去除磷营养元素”的富营养化应对措施信息包括“生物除磷”、“离子交换”、“吸附方式”、“膜分离方式”和“化学沉淀”。
具体的，若目标检测结果为水体富营养化，则水体富营养化检测装置对总氮数据进行提取，得到总氮浓度，并对总磷数据进行提取，得到总磷浓度；若总氮浓度大于或等于预置的总氮预警浓度，则生成降低总氮浓度的富营养化应对措施信息，并发送至水体富营养化应对终端；若总磷浓度大于或等于预置的总磷预警浓度，则生成降低总磷浓度的富营养化应对措施信息，并发送至水体富营养化应对终端。
例如，若目标检测结果为水体富营养化，则水体富营养化检测装置对总氮数据进行提取，得到总氮浓度为0.5mg/L，对总磷数据进行提取，得到总磷浓度为0.1mg/L；若预置的总氮预警浓度为0.2mg/L，则总氮浓度0.5mg/L大于预置的总氮预警浓度，生成降低总氮浓度的富营养化应对措施信息，并发送至水体富营养化应对终端，其中，降低总氮浓度的富营养化应对措施信息包括“传统生物脱氮”、“氨吹脱”、“离子交换”、“折点氯化”和“氧化方式”；若预置的总磷预警浓度为0.02mg/L，则总磷浓度0.1mg/L大于预置的总磷预警浓度，生成降低总磷浓度的富营养化应对措施信息，并发送至水体富营养化应对终端，其中，降低总磷浓度的富营养化应对措施信息包括“生物除磷”、“离子交换”、“吸附方式”、“膜分离方式”和“化学沉淀”。
本发明实施例中，获取水体数据，其中，水体数据包括叶绿素a数据、总氮数据、总磷数据；对水体数据进行提取，得到叶绿素a数据中的叶绿素a浓度；调用预置的水体富营养化检测模型对叶绿素a浓度进行检测，得到目标检测结果，其中，水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；若目标检测结果为水体富营养化，则对总氮数据和总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端，提高了水体富营养化的检测准确度。
上面对本发明实施例中水体富营养化检测方法进行了描述，下面对本发明实施例中水体富营养化检测装置进行描述，请参阅图3，本发明实施例中水体富营养化检测装置一个实施例包括：
第一获取模块301，用于获取水体数据，其中，水体数据包括叶绿素a数据、总氮数据、总磷数据；
提取模块302，用于对水体数据进行提取，得到叶绿素a数据中的叶绿素a浓度；
检测模块303，用于调用预置的水体富营养化检测模型对叶绿素a浓度进行检测，得到目标检测结果，其中，水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；
发送模块304，用于若目标检测结果为水体富营养化，则对总氮数据和总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端。
本发明实施例中，获取水体数据，其中，水体数据包括叶绿素a数据、总氮数据、总磷数据；对水体数据进行提取，得到叶绿素a数据中的叶绿素a浓度；调用预置的水体富营养化检测模型对叶绿素a浓度进行检测，得到目标检测结果，其中，水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；若目标检测结果为水体富营养化，则对总氮数据和总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端，提高了水体富营养化的检测准确度。
请参阅图4，本发明实施例中水体富营养化检测装置的另一个实施例包括：
第一获取模块301，用于获取水体数据，其中，水体数据包括叶绿素a数据、总氮数据、总磷数据；
提取模块302，用于对水体数据进行提取，得到叶绿素a数据中的叶绿素a浓度；
检测模块303，用于调用预置的水体富营养化检测模型对叶绿素a浓度进行检测，得到目标检测结果，其中，水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；
发送模块304，用于若目标检测结果为水体富营养化，则对总氮数据和总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端。
可选的，提取模块302还可以具体用于：
获取水体数据在λ1、λ2、λ3三个谱段的反射率数据，反射率数据包括D1、D2和D3；
基于D1、D2和D3进行波段组合，构建叶绿素a浓度指数；
根据叶绿素a浓度指数反演得到叶绿素a浓度。
可选的，检测模块303还可以具体用于：
通过预置的水体富营养化检测模型判断叶绿素a浓度是否大于或等于预置的叶绿素a预警浓度；
若叶绿素a浓度大于或等于预置的叶绿素a预警浓度，则将水体富营养化确定为目标检测结果；
若叶绿素a浓度小于预置的叶绿素a预警浓度，则将水体未存在富营养化确定为目标检测结果。
可选的，发送模块304还可以具体用于：
若目标检测结果为水体富营养化，则对总氮数据进行提取，得到总氮浓度，并对总磷数据进行提取，得到总磷浓度；
若总氮浓度大于或等于预置的总氮预警浓度，则生成降低总氮浓度的富营养化应对措施信息，并发送至水体富营养化应对终端；
若总磷浓度大于或等于预置的总磷预警浓度，则生成降低总磷浓度的富营养化应对措施信息，并发送至水体富营养化应对终端。
可选的，水体富营养化检测装置还包括：
第二获取模块305，用于获取多个叶绿素a浓度，其中，每个叶绿素a浓度对应一次历史的水体富营养化；
训练模块306，用于根据多个叶绿素a浓度对预置的网络训练模型进行训练，得到初始的水体富营养化检测模型；
生成模块307，用于通过模拟退火算法SA和精英遗传算法EGA对初始的水体富营养化检测模型进行优化，生成预置的水体富营养化检测模型。
可选的，训练模块306包括：
预处理单元3061，用于对多个叶绿素a浓度进行预处理，得到预处理的多个叶绿素a浓度；
生成单元3062，用于根据预置的网络训练模型中输入层与隐含层间的连接权值、隐含层的偏置，生成候选的网络训练模型；
预测单元3063，用于通过候选的网络训练模型对预处理的多个叶绿素a浓度进行预测，得到初始的水体富营养化检测模型。
可选的，生成模块307包括：
退火处理单元3071，用于通过模拟退火算法SA对初始的水体富营养化检测模型进行退火处理，得到多个候选的叶绿素a浓度；
遗传处理单元3072，用于通过精英遗传算法EGA对多个候选的叶绿素a浓度进行遗传优化处理，得到目标叶绿素a浓度；
解码单元3073，用于对目标叶绿素a浓度进行解码，生成预置的水体富营养化检测模型。
本发明实施例中，获取水体数据，其中，水体数据包括叶绿素a数据、总氮数据、总磷数据；对水体数据进行提取，得到叶绿素a数据中的叶绿素a浓度；调用预置的水体富营养化检测模型对叶绿素a浓度进行检测，得到目标检测结果，其中，水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；若目标检测结果为水体富营养化，则对总氮数据和总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端，提高了水体富营养化的检测准确度。
上面图3和图4从模块化功能实体的角度对本发明实施例中的水体富营养化检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中水体富营养化检测设备进行详细描述。
图5是本发明实施例提供的一种水体富营养化检测设备的结构示意图，该水体富营养化检测设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对水体富营养化检测设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在水体富营养化检测设备500上执行存储介质530中的一系列指令操作。
水体富营养化检测设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的水体富营养化检测设备结构并不构成对水体富营养化检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种水体富营养化检测设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述水体富营养化检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述水体富营养化检测方法的步骤。
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。
所述集成的单元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，本发明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全部或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)执行本发明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、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种水体富营养化检测方法，其特征在于，所述水体富营养化检测方法包括：
获取水体数据，其中，所述水体数据包括叶绿素a数据、总氮数据、总磷数据；
对所述水体数据进行提取，得到所述叶绿素a数据中的叶绿素a浓度；
调用预置的水体富营养化检测模型对所述叶绿素a浓度进行检测，得到目标检测结果，其中，所述水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；
若所述目标检测结果为水体富营养化，则对所述总氮数据和所述总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端。
2.根据权利要求1所述的水体富营养化检测方法，其特征在于，所述对所述水体数据进行提取，得到所述叶绿素a数据中的叶绿素a浓度，包括：
获取所述水体数据在λ1、λ2、λ3三个谱段的反射率数据，所述反射率数据包括D1、D2和D3；
基于所述D1、所述D2和所述D3进行波段组合，构建叶绿素a浓度指数；
根据所述叶绿素a浓度指数反演得到叶绿素a浓度。
3.根据权利要求1所述的水体富营养化检测方法，其特征在于，所述调用预置的水体富营养化检测模型对所述叶绿素a浓度进行检测，得到目标检测结果，包括：
通过预置的水体富营养化检测模型判断所述叶绿素a浓度是否大于或等于预置的叶绿素a预警浓度；
若所述叶绿素a浓度大于或等于所述预置的叶绿素a预警浓度，则将水体富营养化确定为目标检测结果；
若所述叶绿素a浓度小于所述预置的叶绿素a预警浓度，则将水体未存在富营养化确定为目标检测结果。
4.根据权利要求1所述的水体富营养化检测方法，其特征在于，所述若所述目标检测结果为水体富营养化，则对所述总氮数据和所述总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端，包括：
若所述目标检测结果为水体富营养化，则对所述总氮数据进行提取，得到总氮浓度，并对所述总磷数据进行提取，得到总磷浓度；
若所述总氮浓度大于或等于预置的总氮预警浓度，则生成降低总氮浓度的富营养化应对措施信息，并发送至水体富营养化应对终端；
若所述总磷浓度大于或等于预置的总磷预警浓度，则生成降低总磷浓度的富营养化应对措施信息，并发送至水体富营养化应对终端。
5.根据权利要求1所述的水体富营养化检测方法，其特征在于，在所述获取水体数据之前，还包括：
获取多个叶绿素a浓度，其中，每个叶绿素a浓度对应一次历史的水体富营养化；
根据所述多个叶绿素a浓度对预置的网络训练模型进行训练，得到初始的水体富营养化检测模型；
通过模拟退火算法SA和精英遗传算法EGA对所述初始的水体富营养化检测模型进行优化，生成预置的水体富营养化检测模型。
6.根据权利要求1-5中任意一项所述的水体富营养化检测方法，其特征在于，所述根据所述多个叶绿素a浓度对预置的网络训练模型进行训练，得到初始的水体富营养化检测模型，包括：
对所述多个叶绿素a浓度进行预处理，得到预处理的多个叶绿素a浓度；
根据所述预置的网络训练模型中输入层与隐含层间的连接权值、隐含层的偏置，生成候选的网络训练模型；
通过所述候选的网络训练模型对所述预处理的多个叶绿素a浓度进行预测，得到初始的水体富营养化检测模型。
7.根据权利要求1-5中任意一项所述的水体富营养化检测方法，其特征在于，所述通过模拟退火算法SA和精英遗传算法EGA对所述初始的水体富营养化检测模型进行优化，生成预置的水体富营养化检测模型，包括：
通过所述模拟退火算法SA对所述初始的水体富营养化检测模型进行退火处理，得到多个候选的叶绿素a浓度；
通过所述精英遗传算法EGA对所述多个候选的叶绿素a浓度进行遗传优化处理，得到目标叶绿素a浓度；
对所述目标叶绿素a浓度进行解码，生成预置的水体富营养化检测模型。
8.一种水体富营养化检测装置，其特征在于，所述水体富营养化检测装置包括：
第一获取模块，用于获取水体数据，其中，所述水体数据包括叶绿素a数据、总氮数据、总磷数据；
提取模块，用于对所述水体数据进行提取，得到所述叶绿素a数据中的叶绿素a浓度；
检测模块，用于调用预置的水体富营养化检测模型对所述叶绿素a浓度进行检测，得到目标检测结果，其中，所述水体富营养化检测模型通过模拟退火算法SA和精英遗传算法EGA进行模型优化；
发送模块，用于若所述目标检测结果为水体富营养化，则对所述总氮数据和所述总磷数据进行分析，生成对应的富营养化应对措施信息，并发送至水体富营养化应对终端。
9.一种水体富营养化检测设备，其特征在于，所述水体富营养化检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述水体富营养化检测设备执行如权利要求1-7中任意一项所述的水体富营养化检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述水体富营养化检测方法。
CN202210282959.3A 2022-03-22 2022-03-22 水体富营养化检测方法、装置、设备及存储介质 Pending CN114864015A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210282959.3A CN114864015A (zh) 2022-03-22 2022-03-22 水体富营养化检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210282959.3A CN114864015A (zh) 2022-03-22 2022-03-22 水体富营养化检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114864015A true CN114864015A (zh) 2022-08-05

Family

ID=82627135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210282959.3A Pending CN114864015A (zh) 2022-03-22 2022-03-22 水体富营养化检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114864015A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859770A (zh) * 2022-10-25 2023-03-28 浙江问源环保科技股份有限公司 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859770A (zh) * 2022-10-25 2023-03-28 浙江问源环保科技股份有限公司 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置
CN115859770B (zh) * 2022-10-25 2023-08-04 浙江问源环保科技股份有限公司 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置

Similar Documents

Publication Publication Date Title
Li et al. Application of feature selection and regression models for chlorophyll-a prediction in a shallow lake
CN111553468A (zh) 一种准确预测污水处理厂出水水质的方法
Liu et al. Projection pursuit evaluation model of a regional surface water environment based on an Ameliorative Moth-Flame Optimization algorithm
CN112989704B (zh) 一种基于de算法的irfm-cmnn出水bod浓度预测方法
CN108595892A (zh) 基于时间差分模型的软测量建模方法
CN114037163A (zh) 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法
Wang et al. A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants
CN115049019B (zh) 金属有机框架对砷的吸附性能评估方法、装置及相关设备
CN112765902A (zh) 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用
Aldrees et al. Evolutionary and ensemble machine learning predictive models for evaluation of water quality
Teles et al. Time series forecasting of cyanobacteria blooms in the Crestuma Reservoir (Douro River, Portugal) using artificial neural networks
CN114864015A (zh) 水体富营养化检测方法、装置、设备及存储介质
CN112666328B (zh) 基于遗传神经网络模型的叶绿素a遥感反演方法和装置
CN117164103A (zh) 生活污水处理系统的智能控制方法、终端及系统
CN114626771B (zh) 一种城市区域水生态状态反应器构建方法、装置及反应器
CN115775042A (zh) 基于贝叶斯理论的农作物重金属富集风险预测方法及系统
In Ieong et al. Using principle component regression, artificial neural network, and hybrid models for predicting phytoplankton abundance in Macau storage reservoir
CN114624411A (zh) 一种水源地取水口附近水域的水质预警方法
Putro et al. Modeling methane emission of wastewater Anaerobic pond at Palm oil mill using radial basis function neural network
Han et al. Intelligent modeling approach to predict effluent quality of wastewater treatment process
CN114417227A (zh) 一种水体中叶绿素a浓度预测方法
Liu et al. Soft-sensors based on Gaussian process regression for wastewater treatment plants
Chu et al. A PSO-RRBF neural network for BOD prediction in sewage treatment
Bertoni et al. A non-deterministic approach to forecasting the trophic evolution of lakes
Li et al. Long short-term memory network-based wastewater quality prediction model with sparrow search algorithm

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