CN115206040B - 核电取水口的生物入侵预警方法、装置及终端 - Google Patents
核电取水口的生物入侵预警方法、装置及终端 Download PDFInfo
- Publication number
- CN115206040B CN115206040B CN202110387864.3A CN202110387864A CN115206040B CN 115206040 B CN115206040 B CN 115206040B CN 202110387864 A CN202110387864 A CN 202110387864A CN 115206040 B CN115206040 B CN 115206040B
- Authority
- CN
- China
- Prior art keywords
- biological
- water
- information
- nuclear power
- invasion
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本申请适用于生物入侵预警技术领域,提供一种核电取水口的生物入侵预警方法、装置及终端,其中方法包括:监测核电取水口外第一水域范围的水体表层生物信息,预测水体中层生物信息;结合水体表层生物信息及水体中层生物信息,对生物入侵情况进行预测;采集第一水文数据,基于第一水文数据,通过机器学习模型对生物入侵情况进行预测;基于预测结果,确定第一水域范围内的生物入侵预测信息;采集核电取水口外第二水域范围内的第二水文数据;基于生物入侵预测信息及第二水文数据,确定核电取水口外的生物入侵警报信息,在生物入侵警报信息达到预设条件时发出生物入侵警报。该方案确保生物入侵预警的准确性与前瞻性。
Description
技术领域
本申请属于生物入侵预警技术领域,尤其涉及一种核电取水口的生物入侵预警方法、装置及终端。
背景技术
核电站冷源系统是一个很重要的部分,只有持续不断的冷却才能保证核电机组正常运行。因此,核电站一般建立在海边或者湖泊附近,以获得持续冷源。然而,随着全球大环境的变化,生物堵塞取水口事件频繁发生。自2011年以来,国内外众多核电机组发生因水母、棕囊藻、小鱼、毛球虾等影响循环水系统安全可靠运行的事件,堵塞了取水口导致电厂停堆,严重影响机组安全。
为了确保核电站取水口的正常运行,对取水口附近的生物进行监测是有必要的。现有的监测预警系统更多的是一种短期预警方法,在取水口附近设立观测点或者观测站,利用光学或者声学仪器对特定的生物目标进行监测。或者是采用近雷达监测大型生物的数量。或者是就近设立拦污网。
虽然这些措施能够缓解部分生物入侵的问题,现有的预警模型更多的是针对特定生物,面对变化多样的湖泊、海洋等水域环境和生物种类会存在缺陷和不足,且提前预警时间不够,无法留给电厂工作人员足够多的处置时间。
发明内容
本申请实施例提供了一种核电取水口的生物入侵预警方法、装置及终端,以解决现有技术中预警模型更多的是针对特定生物,面对变化多样的湖泊、海洋等水域环境和生物种类会存在缺陷和不足,且提前预警时间不够,无法留给电厂工作人员足够多的处置时间的问题。
本申请实施例的第一方面提供了一种核电取水口的生物入侵预警方法,包括:
监测核电取水口外第一水域范围的水体表层生物信息,并基于所述水体表面生物信息预测所述第一水域范围的水体中层生物信息;
结合所述水体表层生物信息及所述水体中层生物信息,对生物入侵情况进行预测,得到第一预测结果;
采集所述第一水域范围内的第一水文数据,基于所述第一水文数据,通过机器学习模型对生物入侵情况进行预测,得到第二预测结果;
基于所述第一预测结果及所述第二预测结果,确定所述第一水域范围内的生物入侵预测信息;
采集所述核电取水口外第二水域范围内的第二水文数据,其中所述第二水域范围处于所述第一水域范围与所述核电取水口之间;
基于所述生物入侵预测信息及所述第二水文数据,确定所述核电取水口外的生物入侵警报信息,并在所述生物入侵警报信息达到预设条件时发出生物入侵警报。
本申请实施例的第二方面提供了一种核电取水口的生物入侵预警装置,包括:
监测模块,用于监测核电取水口外第一水域范围的水体表层生物信息,并基于所述水体表面生物信息预测所述第一水域范围的水体中层生物信息;
第一预测模块,用于结合所述水体表层生物信息及所述水体中层生物信息,对生物入侵情况进行预测,得到第一预测结果;
第二预测模块,用于采集所述第一水域范围内的第一水文数据,基于所述第一水文数据,通过机器学习模型对生物入侵情况进行预测,得到第二预测结果;
信息确定模块,用于基于所述第一预测结果及所述第二预测结果,确定所述第一水域范围内的生物入侵预测信息;
信息采集模块,用于采集所述核电取水口外第二水域范围内的第二水文数据,其中所述第二水域范围处于所述第一水域范围与所述核电取水口之间;
警报模块,用于基于所述生物入侵预测信息及所述第二水文数据,确定所述核电取水口外的生物入侵警报信息,并在所述生物入侵警报信息达到预设条件时发出生物入侵警报。
本申请实施例的第三方面提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
本申请实施例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存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本申请的第五方面提供了一种计算机程序产品,当所述计算机程序产品在终端上运行时,使得所述终端执行上述第一方面所述方法的步骤。
由上可见,本申请实施例中,通过监测核电取水口外第一水域范围的水体表层生物信息,基于水体表面生物信息预测第一水域范围的水体中层生物信息,结合水体表层生物信息及水体中层生物信息,得到第一预测结果,采集第一水文数据,通过机器学习模型得到第二预测结果,基于第一预测结果及第二预测结果,确定第一水域范围内的生物入侵预测信息,实现对远取水口水域中生物入侵的先一步预测,同步地采集核电取水口外第二水域范围内的第二水文数据,基于远距离水域的生物入侵预测信息及第二水文数据,确定近取水口水域中生物入侵警报信息,在生物入侵警报信息达到预设条件时发出生物入侵警报,通过将水体表层与水体中层生物信息相结合,远水域与近水域生物预测信息相结合,实现对多样的水域环境下生物可能爆发情况进行全方位的提前预警,且预警时间充足,留给电厂工作人员足够多的处置时间,确保生物入侵预警的准确性与前瞻性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种核电取水口的生物入侵预警方法的流程图一;
图2是本申请实施例提供的一种核电取水口的生物入侵预警方法的流程图二;
图3是本申请实施例提供的一种核电取水口的生物入侵预警装置的结构图;
图4是本申请实施例提供的一种终端的结构图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中,本申请实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端。然而,应当理解的是,终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
参见图1,图1是本申请实施例提供的一种核电取水口的生物入侵预警方法的流程图一。如图1所示,核电取水口的生物入侵预警方法,该方法包括以下步骤:
步骤101,监测核电取水口外第一水域范围的水体表层生物信息,并基于水体表面生物信息预测第一水域范围的水体中层生物信息。
该第一水域范围与核电取水口间的距离具体为事先设定的距离。本申请各实施例中所描述的水域可以是湖泊水域或者是海洋水域。在一个具体实施中,该第一水域范围可以是处于远海海域中的一设定范围。
该步骤中,为了实现对水体表层与水体中层生物的信息采集,具体基于容易采集的水体表层生物信息实现对中层生物信息的预测,可以是基于生态系统关系进行的预测,预测方法例如为结合食物链关系进行预测,或者依据水体表层生物信息所反映出的水体温度、水体盐度等水文生态信息对中层可能存在的生物信息进行预测。
作为一具体的实施方式,其中,该监测核电取水口外第一水域范围的水体表层生物信息,并基于水体表面生物信息预测第一水域范围的水体中层生物信息,包括:
采用成像设备获取核电取水口外第一水域范围水体表层的叶绿素分布图;
基于叶绿素分布图,获取第一水域范围水体表层的藻类聚集信息,并根据藻类聚集信息结合生态系统关系,预测第一水域范围水体中层的生物种类信息及生物分布信息。
该藻类聚集信息例如为藻类密度信息、藻类分布信息等。生物分布信息例如为生物分布区域、生物分布密度等。
在具体实现过程中,成像设备可以是高光谱相机或成像仪。利用搭载高光谱相机或成像仪的无人设备(包括但不限于固定翼飞机、无人机、水下机器人或者无人船等载体)获得远取水口水域例如20海里外的叶绿素分布图,或者使用遥感卫星成像技术获取第一水域范围水体表层的叶绿素分布图,利用该分布图反演出第一水域范围内水体表层的藻类分布聚集情况。
具体在获取叶绿素分布图时,可以是借助生物光学模型分析并得到遥感辐照度比与水体叶绿素的吸收系数和后向散射系数之间的关系,利用遥感数据反演出水体中叶绿素浓度。叶绿素在红波段反射率低、而在近红外反射率高的这一特征使生物光学模型用于评估叶绿素浓度成为可能。通过叶绿素浓度信息的获取进而反演出水体表层藻类聚集信息,例如藻类分布区域及在不同的分布区域中的分布密度。
在获取到水体表层生物信息后,由于生态系统的关系,生产者(藻类等)聚集的地方往往会容易造成大规模的低级消费者爆发生长,本实施例中,通过对水体表层初级生产力的分布情况实现对水体中层生物种类信息及生物分布信息进行反演获取。
步骤102,结合水体表层生物信息及水体中层生物信息,对生物入侵情况进行预测,得到第一预测结果。
在反演得到水体中层生物种类信息及生物分布信息后,可以结合水体表层生物信息及水体中层生物信息,具体结合水体表层、水体中层生物的分布区域及分布密度,确定该第一水域范围中是否可能存在生物爆发的高风险区域,并对其进行标记,具体可以根据水体表层、水体中层生物的分布区域及分布密度,预估对应区域的尺寸大小及生物数量将确定出的高风险区域划分为不同的风险标记等级。
该实施步骤中,实现对水域表面生物分布区域及分布密度的获取,同时得到对应的中层低级消费者的分布及密度,实现对非表层生物的分布、数量及密度等信息的反演获取,减少远水区域致灾物检测的人力物力消耗,且通过定期对水体表层生物信息及中层生物信息的获取,可以实现对入侵生物累积性增长爆发情况(例如由于食物充足造成的生物生长周期内的数量爆发)的及时准确监测。
步骤103,采集第一水域范围内的第一水文数据,基于第一水文数据,通过机器学习模型对生物入侵情况进行预测,得到第二预测结果。
该机器学习模型中可以是已经学习有海域或湖泊水文数据与生物入侵之间的关联关系,进而基于该机器学习模型集合最新采集的第一水域范围内的水文数据,对可能发生的生物入侵情况进行预测。
该水文数据例如为:风向、风速、天气现象、水流方向、水流速度、海况等水文环境数据,或者是水体酸碱度、盐度、溶解氧、叶绿素数量、磷酸盐浓度、硝酸盐浓度、氮浓度等水文理化要素数据。
将该第一水文数据作为输入数据,输入至机器学习模型中,得到生物爆发情况的预测结果。
该预测结果可以包括基于水文数据预测得到的入侵生物种类、入侵生物的分布区域、入侵生物数量、生物入侵时间等。
作为一可选的实施方式,其中该采集第一水域范围内的第一水文数据,基于第一水文数据,通过机器学习模型对生物入侵情况进行预测,得到第二预测结果,包括:
构建历史数据库,该历史数据库中包括:核电站所处水域范围的历史水文数据,及核电站的历史生物入侵事件中历史生物入侵时间和入侵生物种类;基于历史数据库中的数据,对机器学习模型进行训练,得到训练完成的机器学习模型;采集第一水域范围内的当前水文数据作为第一水文数据;基于第一水文数据,通过训练完成的机器学习模型对当前生物入侵时间和入侵生物种类进行预测,得到第二预测结果。
具体地,可以利用水利局、海事局或者由当地的核电站等其他渠道获得核电站所处水域或海域的水文地理数据和核电站历史入侵事件的时间、生物类型等信息,建立历史数据库。或者通过定点设置观测站对完整周期内的水域数据(水文数据、地理数据和海况等)进行记录获取相关信息,建立历史数据库。通过历史数据库中的数据训练模型,以通过模型预测生物入侵事件可能出现的地点、数量、爆发可能性等信息。
该机器学习模型可以是卷积神经网络、循环神经网络等模型,可以借助实时数据预测突发性增长爆发的物种类型、物种尺寸以及爆发区域,利用学习过历史生物爆发时间信息的机器学习模型,预测当前可能面临的生物入侵。
该突发性增长例如是受季节、季风、洋流等因素使生物漂移而来造成的短时间内突发式增长。
其中,对第一水域范围内第一水文数据的获取,可以是在远离取水口水域设置水上浮标定点组网监测或者无人船设备实时监测获取。
步骤104,基于第一预测结果及第二预测结果,确定第一水域范围内的生物入侵预测信息。
具体地,该第一预测结果可以是对应于核电站取水口外远距离预警中针对生物累积性增长爆发的检测过程,第二预测结果可以是对应于核电站取水口外远距离预警中针对生物突发性增长爆发的检测过程。
在获取到第一预测结果及第二预测结果之后,结合两者信息,可以对第一水域范围内的生物入侵事件进行预测,得到生物入侵预测信息。
例如,可以是将第一预测结果与第二预测结果进行叠加整合,得到生物入侵预测信息,使该生物入侵预测信息可以同时包含生物累积性增长爆发预测信息和生物突发性增长爆发预测信息。或者,将第一预测结果与第二预测结果中的共性信息进行抽取,得到生物入侵预测信息,例如,如果第一预测结果与第二预测结果中均包含相同或同类的入侵生物种类、生物入侵事件等,则将该些信息进行抽取,得到生物入侵预测信息。
步骤105,采集核电取水口外第二水域范围内的第二水文数据。
其中,第二水域范围处于第一水域范围与核电取水口之间。即,该第二水域范围相对第一水域范围为近取水口水域范围。
具体地,在对第二水域范围内的第二水文数据进行采集时,可以基于生物入侵预测信息去布置监测点,例如基于生物入侵预测信息中的入侵生物的分布区域确定监测点的设置位置,基于入侵生物的预测入侵数量、生物种类等设置监测点的监测方式等。
该第二水文数据可以包括:风向、风速、天气现象、水流方向、水流速度、海况等水文环境数据,或者是水体酸碱度、盐度、溶解氧、叶绿素数量、磷酸盐浓度、硝酸盐浓度、氮浓度等水文理化要素数据,或者是水体图像数据。
作为一可选的实施方式,该采集核电取水口外第二水域范围内的第二水文数据,包括:
检测核电取水口外第二水域范围的洋流来向;设置朝向洋流来向的水下图像采集设备,通过水下图像采集设备采集水下环境图像。
将水下图像采集设备设置为朝向洋流来向以能够及时对第一水域范围即远海海域范围中顺应洋流而来的海洋生物进行图像采集。
其中对于水下图像采集设备的朝向可以根据监测到的洋流来向进行角度调节,例如在监测到当前洋流来向比较前一洋流来向具有角度差时,则基于该角度差计算得到水下图像采集设备的对应调节角度,基于该对应调节角度,将水下图像采集设备的当前朝向依照该对应调节角度进行调整。
该水下图像采集设备的设置可以利用多功能水上浮标建立观测点,同时浮标搭载水下摄像机、声呐等图像采集设备,朝向洋流来向采集水下环境图像。
其中,水下摄像机和声呐的设置,可以是采用声呐成像结合水下摄像辅助确认,利用水下环境图像可以识别区域内的生物种类、生物形态、目标生物密度等数据。
该第二水文数据对应于核电站取水口外近距离预警过程中的数据采集过程。
步骤106,基于生物入侵预测信息及第二水文数据,确定核电取水口外的生物入侵警报信息,并在生物入侵警报信息达到预设条件时发出生物入侵警报。
生物入侵警报信息的生成共同结合了核电站取水口外远距离水域生物入侵预警信息与近距离水域的具体水文数据,使得生物入侵警报信息更具有准确性及预警性。
该生物入侵警报信息的生成具体为结合第二水文数据,对生物入侵预测信息进行进一步的确定,增加近距离水域中数据作为参考及信息验证,以更准确地对生物入侵爆发迹象进行全方位捕捉及参照,提升生物入侵警报信息的可信度及前瞻性。
其中,作为一可选的实施方式,该生物入侵预测信息包括入侵生物种类;该基于生物入侵预测信息及第二水文数据,确定核电取水口外的生物入侵警报信息,并在生物入侵警报信息达到预设条件时发出生物入侵警报,包括:
基于生物入侵预测信息,检测水下环境图像中是否包含与入侵生物种类相符的入侵生物;若包含,则将入侵生物作为生物入侵警报信息;基于设定时长内采集到的水下环境图像,预测入侵生物的入侵数量,并在确定入侵数量超出数量阈值时,发出生物入侵警报。
对应地,若检测水下环境图像中不包含与入侵生物种类相符的入侵生物,则返回执行采集核电取水口外第二水域范围内的第二水文数据的步骤,循环执行基于生物入侵预测信息,检测水下环境图像中是否包含与入侵生物种类相符的入侵生物的步骤,直至检测出水下环境图像中包含与入侵生物种类相符的入侵生物,随后执行将入侵生物作为生物入侵警报信息,基于设定时长内采集到的水下环境图像,预测入侵生物的入侵数量,并在确定入侵数量超出数量阈值时,发出生物入侵警报的步骤。
其中,基于设定时长内采集到的水下环境图像,预测入侵生物的入侵数量的过程,具体依次对设定时长内采集到的水下环境图像中所包含的与入侵生物种类相符的入侵生物的数量值,统计设定时长内入侵生物的总数量值,得到入侵生物的入侵数量。
本申请实施例中,本申请实施例中,通过监测核电取水口外第一水域范围的水体表层生物信息,基于水体表面生物信息预测第一水域范围的水体中层生物信息,结合水体表层生物信息及水体中层生物信息,得到第一预测结果,采集第一水文数据,通过机器学习模型得到第二预测结果,基于第一预测结果及第二预测结果,确定第一水域范围内的生物入侵预测信息,实现对远取水口水域中生物入侵的先一步预测,同步地采集核电取水口外第二水域范围内的第二水文数据,基于远距离水域的生物入侵预测信息及第二水文数据,确定近取水口水域中生物入侵警报信息,在生物入侵警报信息达到预设条件时发出生物入侵警报,通过将水体表层与水体中层生物信息相结合,远距离水域与近距离水域生物预测信息相结合,实现对多样的湖泊、海洋等环境下生物可能爆发情况进行全方位多层次的立体监测,实现更加准确、报警时间更加充裕的生物入侵预警,有效帮助电厂制定应急方案,且监测具有较高的自动化,可以在保证预警结果正确有效的同时,减少人力投入。
本申请实施例中还提供了核电取水口的生物入侵预警方法的不同实施方式。
参见图2,图2是本申请实施例提供的一种核电取水口的生物入侵预警方法的流程图二。如图2所示,核电取水口的生物入侵预警方法,该方法包括以下步骤:
步骤201,监测核电取水口外第一水域范围的水体表层生物信息,并基于水体表面生物信息预测第一水域范围的水体中层生物信息。
该步骤的实现过程与前述实施方式中的步骤101的实现过程相同,此处不再赘述。
步骤202,结合水体表层生物信息及水体中层生物信息,对生物入侵情况进行预测,得到第一预测结果。
该步骤的实现过程与前述实施方式中的步骤102的实现过程相同,此处不再赘述。
步骤203,采集第一水域范围内的第一水文数据,基于第一水文数据,通过机器学习模型对生物入侵情况进行预测,得到第二预测结果。
该步骤的实现过程与前述实施方式中的步骤103的实现过程相同,此处不再赘述。
步骤204,基于第一预测结果及第二预测结果,确定第一水域范围内的生物入侵预测信息。
该步骤的实现过程与前述实施方式中的步骤104的实现过程相同,此处不再赘述。
步骤205,采集核电取水口外第二水域范围内的第二水文数据。
其中第二水域范围处于第一水域范围与核电取水口之间。
该步骤的实现过程与前述实施方式中的步骤105的实现过程相同,此处不再赘述。
步骤206,基于生物入侵预测信息及第二水文数据,确定核电取水口外的生物入侵警报信息,并在生物入侵警报信息达到预设条件时发出生物入侵警报。
该步骤的实现过程与前述实施方式中的步骤106的实现过程相同,此处不再赘述。
可选地,生物入侵预测信息包括入侵生物的分布区域。这种情况下,后续步骤中对应还包括:
步骤207,控制无人设备抵达入侵生物的分布区域,并在分布区域对入侵生物进行密度检测。
该无人设备例如为无人船、无人飞机等。
在分布区域对入侵生物进行密度检测可以是对分布区域进行图像采集,通过图像识别,实现对生物数量及生物密度的检测,或者通过声呐等设备进行生物数量及密度进行识别。
步骤208,若检测到入侵生物的密度超出密度阈值,则触发对生物入侵警报的响应操作。
该响应操作例如为基于生物入侵警报所提示的生物入侵信息进行防护网布置、生物驱赶等方案的制定及线上提交。
步骤209,若检测到入侵生物的密度未超出密度阈值,则解除生物入侵警报。
上述步骤,在具体实施过程中,一旦模型发生生物入侵警报,则启动主动感知程序,即刻派出无人设备,无人船或者无人机前往报警区域,实现勘探,核实报警信息。如果实际测得某生物的密度大于报警阈值,马上反馈启动预案;如果实际阈值在报警阈值以下,那么将会持续监测一段时间,直至报警解除。
本申请实施例中,通过监测核电取水口外第一水域范围的水体表层生物信息,基于水体表面生物信息预测第一水域范围的水体中层生物信息,结合水体表层生物信息及水体中层生物信息,得到第一预测结果,采集第一水文数据,通过机器学习模型得到第二预测结果,基于第一预测结果及第二预测结果,确定第一水域范围内的生物入侵预测信息,实现对远取水口水域中生物入侵的先一步预测,同步地采集核电取水口外第二水域范围内的第二水文数据,基于远距离水域的生物入侵预测信息及第二水文数据,确定近取水口水域中生物入侵警报信息,在生物入侵警报信息达到预设条件时发出生物入侵警报,并结合主动感知过程进行警情勘测验证,及时确认警情并实时应对,整个过程通过将水体表层与水体中层生物信息相结合,远距离水域与近距离水域生物预测信息相结合,实现对多样的水域环境下生物可能爆发情况进行全方位的提前预警,且预警时间充足,留给电厂工作人员足够多的处置时间,确保生物入侵预警的准确性与前瞻性。
参见图3,图3是本申请实施例提供的一种核电取水口的生物入侵预警装置的结构图,为了便于说明,仅示出了与本申请实施例相关的部分。
该核电取水口的生物入侵预警装置300包括:
监测模块301,用于监测核电取水口外第一水域范围的水体表层生物信息,并基于所述水体表面生物信息预测所述第一水域范围的水体中层生物信息;
第一预测模块302,用于结合所述水体表层生物信息及所述水体中层生物信息,对生物入侵情况进行预测,得到第一预测结果;
第二预测模块303,用于采集所述第一水域范围内的第一水文数据,基于所述第一水文数据,通过机器学习模型对生物入侵情况进行预测,得到第二预测结果;
信息确定模块304,用于基于所述第一预测结果及所述第二预测结果,确定所述第一水域范围内的生物入侵预测信息;
信息采集模块305,用于采集所述核电取水口外第二水域范围内的第二水文数据,其中所述第二水域范围处于所述第一水域范围与所述核电取水口之间;
警报模块306,用于基于所述生物入侵预测信息及所述第二水文数据,确定所述核电取水口外的生物入侵警报信息,并在所述生物入侵警报信息达到预设条件时发出生物入侵警报。
其中,监测模块,具体用于:
采用成像设备获取所述核电取水口外第一水域范围水体表层的叶绿素分布图;
基于所述叶绿素分布图,获取所述第一水域范围水体表层的藻类聚集信息,并根据所述藻类聚集信息结合生态系统关系,预测所述第一水域范围水体中层的生物种类信息及生物分布信息。
其中,第二预测模块,具体用于:
构建历史数据库,所述历史数据库中包括:核电站所处水域范围的历史水文数据,及所述核电站的历史生物入侵事件中历史生物入侵时间和入侵生物种类;
基于所述历史数据库中的数据,对所述机器学习模型进行训练,得到训练完成的所述机器学习模型;
采集所述第一水域范围内的当前水文数据作为所述第一水文数据;
基于所述第一水文数据,通过训练完成的所述机器学习模型对当前生物入侵时间和入侵生物种类进行预测,得到所述第二预测结果。
其中,信息采集模块,具体用于:
检测所述核电取水口外第二水域范围的洋流来向;
设置朝向所述洋流来向的水下图像采集设备,通过所述水下图像采集设备采集水下环境图像。
其中,所述生物入侵预测信息包括入侵生物种类;所述警报模块,具体用于:
基于所述生物入侵预测信息,检测所述水下环境图像中是否包含与所述入侵生物种类相符的入侵生物;
若包含,则将所述入侵生物作为所述生物入侵警报信息;
基于设定时长内采集到的所述水下环境图像,预测所述入侵生物的入侵数量,并在确定所述入侵数量超出数量阈值时,发出生物入侵警报。
其中,所述生物入侵预测信息包括入侵生物的分布区域;该装置还包括:
主动感知模块,用于控制无人设备抵达所述入侵生物的分布区域,在所述分布区域对所述入侵生物进行密度检测;若检测到所述入侵生物的密度超出密度阈值,则触发对所述生物入侵警报的响应操作。
其中,主动感知模块,还用于:
若检测到所述入侵生物的密度未超出密度阈值,则解除所述生物入侵警报。
本申请实施例提供的核电取水口的生物入侵预警装置能够实现上述核电取水口的生物入侵预警方法的实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
图4是本申请实施例提供的一种终端的结构图。如该图所示,该实施例的终端4包括:至少一个处理器40(图4中仅示出一个)、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42,所述处理器40执行所述计算机程序42时实现上述任意各个方法实施例中的步骤。
所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端4的示例,并不构成对终端4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,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所述处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端4的内部存储单元,例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备,例如所述终端4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/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,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序产品来实现,当计算机程序产品在终端上运行时,使得所述终端执行时实现可实现上述各个方法实施例中的步骤。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种核电取水口的生物入侵预警方法,其特征在于,包括:
监测核电取水口外第一水域范围的水体表层生物信息,并基于所述水体表层生物信息预测所述第一水域范围的水体中层生物信息;所述水体表层生物信息中包含水体表层的藻类聚集信息,所述水体中层生物信息为根据所述藻类聚集信息结合生态系统关系预测得到;
结合所述水体表层生物信息及所述水体中层生物信息,对生物入侵情况进行预测,得到第一预测结果;
采集所述第一水域范围内的第一水文数据,基于所述第一水文数据,通过机器学习模型对生物入侵情况进行预测,得到第二预测结果;
基于所述第一预测结果及所述第二预测结果,确定所述第一水域范围内的生物入侵预测信息;
采集所述核电取水口外第二水域范围内的第二水文数据,其中所述第二水域范围处于所述第一水域范围与所述核电取水口之间;
基于所述生物入侵预测信息及所述第二水文数据,确定所述核电取水口外的生物入侵警报信息,并在所述生物入侵警报信息达到预设条件时发出生物入侵警报。
2.根据权利要求1所述的生物入侵预警方法,其特征在于,所述监测核电取水口外第一水域范围的水体表层生物信息,并基于所述水体表层生物信息预测所述第一水域范围的水体中层生物信息,包括:
采用成像设备获取所述核电取水口外第一水域范围水体表层的叶绿素分布图;
基于所述叶绿素分布图,获取所述第一水域范围水体表层的藻类聚集信息,并根据所述藻类聚集信息结合生态系统关系,预测所述第一水域范围水体中层的生物种类信息及生物分布信息。
3.根据权利要求1所述的生物入侵预警方法,其特征在于,所述采集所述第一水域范围内的第一水文数据,基于所述第一水文数据,通过机器学习模型对生物入侵情况进行预测,得到第二预测结果,包括:
构建历史数据库,所述历史数据库中包括:核电站所处水域范围的历史水文数据,及所述核电站的历史生物入侵事件中历史生物入侵时间和入侵生物种类;
基于所述历史数据库中的数据,对所述机器学习模型进行训练,得到训练完成的所述机器学习模型;
采集所述第一水域范围内的当前水文数据作为所述第一水文数据;
基于所述第一水文数据,通过训练完成的所述机器学习模型对当前生物入侵时间和入侵生物种类进行预测,得到所述第二预测结果。
4.根据权利要求1所述的生物入侵预警方法,其特征在于,所述采集所述核电取水口外第二水域范围内的第二水文数据,包括:
检测所述核电取水口外第二水域范围的洋流来向;
设置朝向所述洋流来向的水下图像采集设备,通过所述水下图像采集设备采集水下环境图像。
5.根据权利要求4所述的生物入侵预警方法,其特征在于,所述生物入侵预测信息包括入侵生物种类;所述基于所述生物入侵预测信息及所述第二水文数据,确定所述核电取水口外的生物入侵警报信息,并在所述生物入侵警报信息达到预设条件时发出生物入侵警报,包括:
基于所述生物入侵预测信息,检测所述水下环境图像中是否包含与所述入侵生物种类相符的入侵生物;
若包含,则将所述入侵生物作为所述生物入侵警报信息;
基于设定时长内采集到的所述水下环境图像,预测所述入侵生物的入侵数量,并在确定所述入侵数量超出数量阈值时,发出生物入侵警报。
6.根据权利要求1所述的生物入侵预警方法,其特征在于,所述生物入侵预测信息包括入侵生物的分布区域;所述在所述生物入侵警报信息达到预设条件时发出生物入侵警报之后,还包括:
控制无人设备抵达所述入侵生物的分布区域,在所述分布区域对所述入侵生物进行密度检测;
若检测到所述入侵生物的密度超出密度阈值,则触发对所述生物入侵警报的响应操作。
7.根据权利要求6所述的生物入侵预警方法,其特征在于,所述控制无人设备抵达所述入侵生物的分布区域,并在所述分布区域对所述入侵生物进行密度检测之后,还包括:
若检测到所述入侵生物的密度未超出密度阈值,则解除所述生物入侵警报。
8.一种核电取水口的生物入侵预警装置,其特征在于,包括:
监测模块,用于监测核电取水口外第一水域范围的水体表层生物信息,并基于所述水体表层生物信息预测所述第一水域范围的水体中层生物信息;所述水体表层生物信息中包含水体表层的藻类聚集信息,所述水体中层生物信息为根据所述藻类聚集信息结合生态系统关系预测得到;
第一预测模块,用于结合所述水体表层生物信息及所述水体中层生物信息,对生物入侵情况进行预测,得到第一预测结果;
第二预测模块,用于采集所述第一水域范围内的第一水文数据,基于所述第一水文数据,通过机器学习模型对生物入侵情况进行预测,得到第二预测结果;
信息确定模块,用于基于所述第一预测结果及所述第二预测结果,确定所述第一水域范围内的生物入侵预测信息;
信息采集模块,用于采集所述核电取水口外第二水域范围内的第二水文数据,其中所述第二水域范围处于所述第一水域范围与所述核电取水口之间;
警报模块,用于基于所述生物入侵预测信息及所述第二水文数据,确定所述核电取水口外的生物入侵警报信息,并在所述生物入侵警报信息达到预设条件时发出生物入侵警报。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110387864.3A CN115206040B (zh) | 2021-04-12 | 2021-04-12 | 核电取水口的生物入侵预警方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110387864.3A CN115206040B (zh) | 2021-04-12 | 2021-04-12 | 核电取水口的生物入侵预警方法、装置及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115206040A CN115206040A (zh) | 2022-10-18 |
CN115206040B true CN115206040B (zh) | 2023-08-04 |
Family
ID=83571039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110387864.3A Active CN115206040B (zh) | 2021-04-12 | 2021-04-12 | 核电取水口的生物入侵预警方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115206040B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503335B (zh) * | 2023-03-31 | 2024-02-20 | 江苏省秦淮河水利工程管理处 | 一种水生物监测系统、方法、装置和存储介质 |
CN116228499B (zh) * | 2023-04-26 | 2023-08-04 | 四川省林业科学研究院 | 一种基于关联关系的物种入侵检测方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04329300A (ja) * | 1991-04-30 | 1992-11-18 | Hitachi Zosen Corp | 取水路水中生物侵入防止装置 |
RU2010100191A (ru) * | 2010-01-11 | 2011-07-20 | Сергей Алексеевич Бахарев (RU) | Способ обнаружения, распознавания и вытеснения подводных объектов от морской нефтегазовой платформы |
CN104112080A (zh) * | 2014-07-29 | 2014-10-22 | 武汉大学 | 水体水华风险快速预警方法 |
CN106441434A (zh) * | 2016-10-09 | 2017-02-22 | 苏州热工研究院有限公司 | 一种核电厂冷源海域探测预警系统 |
CN108230302A (zh) * | 2017-12-21 | 2018-06-29 | 岭东核电有限公司 | 一种核电厂冷源海域入侵海洋生物探测及处置方法 |
CN109190718A (zh) * | 2018-11-07 | 2019-01-11 | 苏州热工研究院有限公司 | 一种核电厂海生物探测预警多源信息融合算法 |
CN109354269A (zh) * | 2018-10-17 | 2019-02-19 | 中国船舶重工集团公司第七〇九研究所 | 用于浮动核电站的水源安全防控装置 |
CN109934419A (zh) * | 2019-04-11 | 2019-06-25 | 苏州热工研究院有限公司 | 一种核电厂取水口海洋生物量变化预测方法 |
CN110926433A (zh) * | 2019-11-28 | 2020-03-27 | 中国船舶重工集团公司第七一九研究所 | 一种用于滨海核电站海洋致灾物预警系统 |
-
2021
- 2021-04-12 CN CN202110387864.3A patent/CN115206040B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04329300A (ja) * | 1991-04-30 | 1992-11-18 | Hitachi Zosen Corp | 取水路水中生物侵入防止装置 |
RU2010100191A (ru) * | 2010-01-11 | 2011-07-20 | Сергей Алексеевич Бахарев (RU) | Способ обнаружения, распознавания и вытеснения подводных объектов от морской нефтегазовой платформы |
CN104112080A (zh) * | 2014-07-29 | 2014-10-22 | 武汉大学 | 水体水华风险快速预警方法 |
CN106441434A (zh) * | 2016-10-09 | 2017-02-22 | 苏州热工研究院有限公司 | 一种核电厂冷源海域探测预警系统 |
CN108230302A (zh) * | 2017-12-21 | 2018-06-29 | 岭东核电有限公司 | 一种核电厂冷源海域入侵海洋生物探测及处置方法 |
CN109354269A (zh) * | 2018-10-17 | 2019-02-19 | 中国船舶重工集团公司第七〇九研究所 | 用于浮动核电站的水源安全防控装置 |
CN109190718A (zh) * | 2018-11-07 | 2019-01-11 | 苏州热工研究院有限公司 | 一种核电厂海生物探测预警多源信息融合算法 |
CN109934419A (zh) * | 2019-04-11 | 2019-06-25 | 苏州热工研究院有限公司 | 一种核电厂取水口海洋生物量变化预测方法 |
CN110926433A (zh) * | 2019-11-28 | 2020-03-27 | 中国船舶重工集团公司第七一九研究所 | 一种用于滨海核电站海洋致灾物预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115206040A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Corbane et al. | A complete processing chain for ship detection using optical satellite imagery | |
Magurran et al. | Long-term datasets in biodiversity research and monitoring: assessing change in ecological communities through time | |
CN115206040B (zh) | 核电取水口的生物入侵预警方法、装置及终端 | |
CN108230302B (zh) | 一种核电厂冷源海域入侵海洋生物探测及处置方法 | |
de Silva et al. | Automated rip current detection with region based convolutional neural networks | |
Chen et al. | Spatial–temporal convolutional gated recurrent unit network for significant wave height estimation from shipborne marine radar data | |
Kim et al. | Deep learning-based monitoring of overshooting cloud tops from geostationary satellite data | |
Thackeray et al. | Quantitative analysis of the importance of wind‐induced circulation for the spatial structuring of planktonic populations | |
Gašparović et al. | Deep learning approach for objects detection in underwater pipeline images | |
Anderson et al. | Quantifying optically derived two-dimensional wave-averaged currents in the surf zone | |
CN116187398B (zh) | 一种无人机海洋图像检测用轻量神经网络搭建方法及设备 | |
Choi et al. | Deep-learning model for sea surface temperature prediction near the Korean Peninsula | |
Orue et al. | Comparing the distribution of tropical tuna associated with drifting fish aggregating devices (DFADs) resulting from catch dependent and independent data | |
CN206573887U (zh) | 一种渔船环境监控系统 | |
Kong et al. | Lightweight algorithm for multi-scale ship detection based on high-resolution SAR images | |
CN116306318A (zh) | 基于深度学习的三维海洋温盐场预报方法、系统及设备 | |
Xu et al. | A deep learning approach to predict sea surface temperature based on multiple modes | |
Zheng et al. | Stripe segmentation of oceanic internal waves in SAR images based on SegNet | |
Castellani | Identification of eddies from sea surface temperature maps with neural networks | |
CN116562467B (zh) | 一种海洋鱼类目标种类识别及分布预测方法及系统 | |
CN115984269B (zh) | 一种非侵入式局部水生态安全检测方法与系统 | |
Newlands et al. | Measurement of the size, shape and structure of Atlantic bluefin tuna schools in the open ocean | |
Han et al. | Response of the Northwest Indian Ocean purpleback flying squid (Sthenoteuthis oualaniensis) fishing grounds to marine environmental changes and its prediction model construction based on multi-models and multi-spatial and temporal scales | |
Choung et al. | Comparison of machine learning methods for mapping sea farms with high spatial resolution imagery | |
CN115273439A (zh) | 海域赤潮灾害预警方法、计算机设备及存储介质 |
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 |