CN115713232B - 一种刺参底播增殖风险联防预警系统 - Google Patents
一种刺参底播增殖风险联防预警系统 Download PDFInfo
- Publication number
- CN115713232B CN115713232B CN202211416979.1A CN202211416979A CN115713232B CN 115713232 B CN115713232 B CN 115713232B CN 202211416979 A CN202211416979 A CN 202211416979A CN 115713232 B CN115713232 B CN 115713232B
- Authority
- CN
- China
- Prior art keywords
- early warning
- module
- stichopus japonicus
- risk
- joint defense
- 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
- 241000965254 Apostichopus japonicus Species 0.000 title claims abstract description 92
- 230000007123 defense Effects 0.000 title claims abstract description 62
- 230000035755 proliferation Effects 0.000 title claims abstract description 49
- 238000009331 sowing Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 238000009395 breeding Methods 0.000 description 10
- 230000001488 breeding effect Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 241000251511 Holothuroidea Species 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008621 organismal health Effects 0.000 description 5
- 239000000090 biomarker Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000013535 sea water Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108010014173 Factor X Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005183 environmental health Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 150000003568 thioethers Chemical class 0.000 description 1
Classifications
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及底播增殖风险预警技术领域，具体公开了一种刺参底播增殖风险联防预警系统，包括指标设定模块、数据采集模块、正负标准化模块、权重分配模块、联防计算模块和预警模块。设定刺参养殖海域生态环境评价指标，采集各个指标对应的影响因子基础数据，对基础数据进行正负标准化处理，为每个刺参养殖海域生态环境评价指标分配权重；对刺参底播增殖影响因子进行单独预警和联合预警，构建风险联防预警神经网络模型，确认是否需要进行预警，并确定风险类型和等级。本发明解决了现有技术没有做到单独预警与联合预警相结合的高效预警方法，缺乏智能化，风险联防预警的效率有待提高的问题。
Description
技术领域
本发明涉及底播增殖风险预警技术领域，尤其涉及一种刺参底播增殖风险联防预警系统。
背景技术
目前，海参市场上，高质量的天然海参远远无法满足市场需求。很多海参养殖企业以建设海洋牧场、原生态底播增殖为主攻方向，坚持从近海向远海积极推进、从浅海向深海深度拓展的原则，规划建设好海参增养殖基地；刺参底播增殖是在适宜养殖的海域按一定密度投放一定规格的刺参苗种，使之在海底自然生长、不断增殖的一种养殖方式；但是现有技术重点在于刺参底播增殖的养殖方法，对于风险预警技术研究很少，无法及时对刺参养殖礁区环境作出预警，将造成严重的经济损失。
我国专利申请号：CN201910901953.8，公开了一种基于生物体响应监测评价莱州湾海洋牧场环境质量的方法，选择了莱州湾海洋牧场中4种不同生活习性的关键物种作为指示生物，从每个指示生物靶组织中筛选出1个基因表达或酶活水平的生物标志物，利用多生物标志物污染指数法MPI整合各类生物标志物数据，实现多物种多层次生物标志物的监测与评价；弥补了传统化学检测的间接性，二次污染等缺点；克服了用生物群落多样性检测的滞后性；是一种有效、灵敏的生物监测方法，而且此方法对操作人员专业要求低，检测速度快、成本低，能够为海洋牧场环境的早期预警和生物监测体系构建提供技术支撑。
但上述技术至少存在如下技术问题：现有技术重点在于刺参底播增殖的养殖方法，对于风险预警技术研究很少，而且在进行风险评估时没有全方面了解影响因子，没有做到单独预警与联合预警相结合的高效预警方法，缺乏智能化，风险联防预警的效率有待提高。
发明内容
本发明通过提供一种刺参底播增殖风险联防预警系统，解决了现有技术重点在于刺参底播增殖的养殖方法，对于风险预警技术研究很少，而且在进行风险评估时没有全方面了解影响因子，没有做到单独预警与联合预警相结合的高效预警方法，缺乏智能化，风险联防预警的效率有待提高的问题，实现了了解刺参生长的全方面影响因素，实现海底环境信息的可视化，快速、方便、智能的对刺参底播增殖风险进行联防预警。
本发明具体包括以下技术方案：
一种刺参底播增殖风险联防预警系统，包括以下部分：
指标设定模块、数据采集模块、正负标准化模块、权重分配模块、联防计算模块和预警模块；
所述正负标准化模块，用于将刺参养殖海域生态环境评价指标划分为正指标和负指标，对正负指标的影响因子基础数据进行标准化处理，所述正负标准化模块通过数据连接的方式与所述权重分配模块和联防计算模块相连；
所述权重分配模块，用于为每个刺参养殖海域生态环境评价指标分配权重；根据信息熵判断每个影响因子的离散程度，根据离散程度得到每个影响因子的第一权重，再根据专家经验法给出每个影响因子的重要程度，得到每个影响因子的第二权重，将第一权重与第二权重相结合，得到每个影响因子的权重；所述权重分配模块通过数据连接的方式与所述联防计算模块相连；
所述联防计算模块，用于构建对刺参底播增殖影响因子进行单独预警和联合预警，所述单独预警是对每个影响因子的实际数据进行单独监测，若影响因子的实际数据超出预先设立的安全范围，则向所述预警模块发送预警指令；所述联合预警是通过构建风险联防预警神经网络模型，将所有刺参底播增殖风险影响因子进行联合计算，根据联合结构判断是否进行预警；所述联防计算模块通过数据连接的方式与所述预警模块相连，所述预警模块通过数据连接的方式与所述数据采集模块相连。
一种刺参底播增殖风险联防预警方法，包括以下步骤：
S1.设定刺参养殖海域生态环境评价指标，采集各个指标对应的影响因子基础数据，对基础数据进行正负标准化处理，为每个刺参养殖海域生态环境评价指标分配权重；
S2.对刺参底播增殖影响因子进行单独预警和联合预警，构建风险联防预警神经网络模型，确认是否需要进行预警，并确定风险类型和等级。
进一步，所述步骤S1具体包括：
将刺参养殖海域生态环境评价指标划分为正指标和负指标，对构成刺参养殖海域生态环境评价指标的影响因子基础数据进行正负标准化处理。
进一步，所述步骤S1具体包括：
为每个刺参养殖海域生态环境评价指标分配权重，根据信息熵判断每个影响因子的离散程度，根据离散程度得到每个影响因子的第一权重，再根据专家经验法给出每个影响因子的重要程度，得到每个影响因子的第二权重，将第一权重与第二权重相结合，得到每个影响因子的权重。
进一步，所述步骤S2具体包括：
对刺参底播增殖影响因子进行单独预警和联合预警，所述单独预警是对每个影响因子的实际数据进行单独监测，若影响因子的实际数据超出预先设立的安全范围，则像预警模块发送预警指令；所述联合预警是通过构建风险联防预警神经网络模型，将所有刺参底播增殖风险影响因子进行联合计算，根据联合结构判断是否进行预警。
进一步，所述步骤S2具体包括：
风险联防预警神经网络包括前项神经网络、后项神经网络和生成器。
进一步，所述步骤S2具体包括：
前项神经网络包括输入层、隶属层、关联层和全连接层。
进一步，所述步骤S2具体包括：
后项神经网络由N个结构相同的子网络组成。
本发明至少具有如下技术效果或优点：
1、本发明构建的指标体系涵盖了礁区生态环境、生物体健康方面不同的内容，能够了解刺参生长的全方面影响因素，实现海底环境信息的可视化；同时，本发明对权重的获得采取了专家经验法与熵权法结合的双权重赋予的方式，操作简单易行，便于实施，使组合赋权更具合理性。
2、对刺参底播增殖影响因子进行单独预警和联合预警，既针对海水物理信息变化趋势进行预测，能够更加直观的了解刺参养殖礁区环境；同时还构建风险联防预警神经网络模型，结合了前项神经网络、后项神经网络和生成器判断影响因子之间的相关性，并以多角度影响因子进行联防判断是否需要进行风险预警，能够快速、方便、智能的对刺参底播增殖风险进行联防预警。
附图说明
图1为本发明所述的一种刺参底播增殖风险联防预警系统结构图；
图2为本发明所述的一种刺参底播增殖风险联防预警方法流程图。
具体实施方式
本申请实施例中的技术方案为解决上述问题，总体思路如下：
本发明构建的指标体系涵盖了礁区生态环境、生物体健康方面不同的内容，能够了解刺参生长的全方面影响因素，实现海底环境信息的可视化；同时，本发明对权重的获得采取了专家经验法与熵权法结合的双权重赋予的方式，操作简单易行，便于实施，使组合赋权更具合理性；对刺参底播增殖影响因子进行单独预警和联合预警，既针对海水物理信息变化趋势进行预测，能够更加直观的了解刺参养殖礁区环境；同时还构建风险联防预警神经网络模型，结合了前项神经网络、后项神经网络和生成器判断影响因子之间的相关性，并以多角度影响因子进行联防判断是否需要进行风险预警，能够快速、方便、智能的对刺参底播增殖风险进行联防预警。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本发明所述的一种刺参底播增殖风险联防预警系统包括以下部分：
指标设定模块10、数据采集模块20、正负标准化模块30、权重分配模块 40、联防计算模块50和预警模块60。
指标设定模块10，用于设定刺参养殖海域生态环境评价指标，设定内容包括写入的刺参养殖海域生态环境评价指标的具体内容、计算方法以及指标对应的影响因子，指标设定模块10通过数据连接的方式与数据采集模块20相连；
数据采集模块20，用于根据影响因子形成采集指令，发送给数据采集设备进行采集，并汇总各个数据采集设备根据采集指令所采集的影响因子基础数据，数据采集模块20通过数据连接的方式与正负标准化模块30相连；
正负标准化模块30，用于将刺参养殖海域生态环境评价指标划分为正指标和负指标，对正负指标的影响因子基础数据进行标准化处理，正负标准化模块 30通过数据连接的方式与权重分配模块40和联防计算模块50相连；
权重分配模块40，用于为每个刺参养殖海域生态环境评价指标分配权重；根据信息熵判断每个影响因子的离散程度，根据离散程度得到每个影响因子的第一权重，再根据专家经验法给出每个影响因子的重要程度，得到每个影响因子的第二权重，将第一权重与第二权重相结合，得到每个影响因子的权重；权重分配模块40通过数据连接的方式与联防计算模块50相连；
联防计算模块50，用于构建对刺参底播增殖影响因子进行单独预警和联合预警，单独预警是对每个影响因子的实际数据进行单独监测，若影响因子的实际数据超出预先设立的安全范围，则像预警模块60发送预警指令；联合预警是通过构建风险联防预警神经网络模型，将所有刺参底播增殖风险影响因子进行联合计算，根据联合结构判断是否进行预警；联防计算模块50通过数据连接的方式与预警模块60相连；
预警模块60，用于通过声音、灯光等途径向用户进行警告，预警模块60 通过数据连接的方式与数据采集模块20相连。
参照附图2，本发明所述的一种刺参底播增殖风险联防预警系统包括以下步骤：
S1.设定刺参养殖海域生态环境评价指标，采集各个指标对应的影响因子基础数据，对基础数据进行正负标准化处理，为每个刺参养殖海域生态环境评价指标分配权重；
针对刺参礁区生态养殖模式，开展刺参养殖海域生态环境评估方法的研究与应用，构建一种刺参底播增殖风险联防预警系统；利用物联网技术打通风险联防预警各环节，借助现代数字化等先进的技术手段，实现硬件与软件的融合、数据互联互通，使刺参底播增殖风险联防预警系统达到数字化、智能化管理，提高海参养殖的机械化、自动化、智能化水平。
构建刺参养殖海域生态环境评价模型，选取刺参养殖海域生态环境评价指标，刺参养殖海域生态环境评价指标以水环境生态指标为主，环境健康指标和生物体健康指标为辅，对刺参底播增殖进行风险联防。
刺参养殖海域生态环境评价指标由用户通过指标设定模块10进行人为设定，设定内容包括写入的刺参养殖海域生态环境评价指标的具体内容、计算方法以及指标对应的影响因子，影响因子为刺参养殖海域中对刺参生长产生影响的因素。
根据刺参生长习性，水环境生态指标的影响因子主要包括溶解氧、水温(深水底部水温、表层水温)、盐度、水深、pH值、温跃层高度和沉积物分类；环境健康指标的影响因子主要包括悬浮物、化学需氧量、石油类、重金属、硫化物、有机碳等；生物体健康指标的影响因子主要包括浮游动植物群落结构、底栖动植物群落结构。
以礁区影响刺参生长的各种因子变化为依据，通过采集和分析，在相关因子剧变或变至刺参生长不适状态下，提供风险预警，减少损失。刺参底播增殖风险影响因子的基础数据主要通过三种途径获得，一是通过定点设置在刺参养殖海域的数据采集设备，对刺参养殖海域的海洋生态环境进行监测，采集水环境生态指标、环境健康指标和生物体健康指标计算所需的影响因子；数据采集设备包含各类传感器，根据采集设备、设备所在区域、传输设备三者的定义捆绑，按照数据采集时间间隔以及传输要求，进行数据采集、整理、上传、存储；二是通过海水采集设备获取刺参养殖海域的海水，在实验室中进行化验获取相关数据，写入数据采集模块20中；三是通过工作人员进行潜水观察，人为获得相关数据，写入数据采集模块20中。
数据采集模块20根据指标设定模块10中设定的影响因子形成采集指令，发送给数据采集设备，并汇总各个数据采集设备根据采集指令所采集的影响因子基础数据。
将刺参养殖海域生态环境评价指标划分为正指标和负指标，正负标准化模块30对正负指标的影响因子基础数据进行标准化处理，其中，如果某项指标对应的指标数值越大则对刺参养殖越有利，则定义当前指标为正指标；如果某项指标对应的指标数值越小则对刺参养殖越有利，则定义当前指标为负指标。
对构成刺参养殖海域生态环境评价指标的影响因子基础数据进行正负标准化处理，具体公式为：
其中，表示正指标的影响因子标准值，/>表示负指标的影响因子标准值，k 表示标准化参数，xij表示第i个影响因子第j次采集的基础数据，/>分别表示第i个影响因子所有采集的基础数据中的最大值和最小值。
权重分配模块40为每个刺参养殖海域生态环境评价指标分配权重。根据信息熵判断每个影响因子的离散程度，根据离散程度得到每个影响因子的第一权重，再根据专家经验法给出每个影响因子的重要程度，得到每个影响因子的第二权重，将第一权重与第二权重相结合，得到每个影响因子的权重。
第一权重的计算公式为：
其中，为第i个影响因子的第一权重，x′ij表示影响因子标准值，/>n表示共采集n次，j∈[1,n]，m表示影响因子的总数，i∈[1,m]。
第二权重的计算公式为：
其中，为第i个影响因子的第二权重，α是专家给出的重要程度参数，当根据专家经验认为当前影响因子重要时，第二权重为/>对于数据波动较大的影响因子需要重点关注；当根据专家经验认为当前影响因子一般时，第二权重为α；当根据专家经验认为当前影响因子不重要时，第二权重为/>
将第一权重与第二权重相结合，得到每个影响因子的权重ωi，具体计算公式为：
S2.对刺参底播增殖影响因子进行单独预警和联合预警，构建风险联防预警神经网络模型，确认是否需要进行预警，并确定风险类型和等级。
联防计算模块50对刺参底播增殖影响因子进行单独预警和联合预警，单独预警是对每个影响因子的实际数据进行单独监测，若影响因子的实际数据超出预先设立的安全范围，则像预警模块60发送预警指令；联合预警是通过构建风险联防预警神经网络模型，将所有刺参底播增殖风险影响因子进行联合计算，根据联合结构判断是否进行预警。
构建风险联防预警神经网络模型，刺参底播增殖风险影响因子的N组样本数据和对应的风险参数输出表示如下：
{X,Y}＝[(X1,Y1),(X2,Y2),…,(XN,YN)]
其中，X表示刺参底播增殖风险影响因子数据集，Y表示风险参数数据集。风险联防预警神经网络包含前项神经网络和后项神经网络，前项为X，后项为Y；前项神经网络通过输入N组样本数据{X,Y}，经过神经网络的深度学习，得到前项输出；后项神经网络通过输入N组样本数据{X,Y}，经过神经网络的深度学习，得到后项输出。从而根据前项影响因子的实际数据可以获得后项风险参数，根据风险参数得到刺参底播增殖的风险类型和等级，从而进行预警。
风险联防预警神经网络模型的具体构建步骤如下：
风险联防预警神经网络包括前项神经网络、后项神经网络和生成器。
前项神经网络包括输入层、隶属层、关联层和全连接层；
将X输入到风险联防预警神经网络的输入层，输入层将数据输入到隶属层。
隶属层计算各神经元内数据的隶属度，具体公式为：
其中，μr表示第r组数据的隶属度，Xr表示第r组数据，r∈[1,N]，ωr表示第r 个影响因子的权重，c表示隶属中心，σr表示隶属宽度。隶属层将数据输入到互联层。
互联层反映了各个影响因子与风险之间的互联程度，计算公式为：
其中，K(Xr)表示影响因子Xr与风险之间的互联程度，表示Xr到标准范围的距离，/>表示第r个影响因子的标准范围，ε表示隶属阈值。互联层将数据输入到全连接层。
全连接层得到前项神经网络的输出δr为：
后项神经网络由N个结构相同的子网络组成，将(Xr,Yr)输入到后项神经网络中，得到后项神经网络的输出：
其中，yr是后项神经网络的输出，Pr表示第r个子网络的输出。
前项神经网络和后项神经网络将输出输送到生成器，生成器的输出为：
Yr＝δr×yr
预先将风险参数、风险类型和等级制成对照表，根据风险参数Yr从对照表中查找是否需要预警，并匹配出对应的刺参底播增殖风险类型和等级，发送预警指令给预警模块60。预警模块60为了进一步核实风险预估的准确性，需要像数据采集模块20发送预警风险对应的影响因子，由数据采集模块20再次采集当前影响因子的实时数据，并再次进行分析。
综上所述，便完成了本发明所述的一种刺参底播增殖风险联防预警系统。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种刺参底播增殖风险联防预警系统，其特征在于，包括以下部分：
指标设定模块、数据采集模块、正负标准化模块、权重分配模块、联防计算模块和预警模块；
所述正负标准化模块，用于将刺参养殖海域生态环境评价指标划分为正指标和负指标，对正负指标的影响因子基础数据进行标准化处理，所述正负标准化模块通过数据连接的方式与所述权重分配模块和联防计算模块相连；
所述权重分配模块，用于为每个刺参养殖海域生态环境评价指标分配权重；根据信息熵判断每个影响因子的离散程度，根据离散程度得到每个影响因子的第一权重，再根据专家经验法给出每个影响因子的重要程度，得到每个影响因子的第二权重，将第一权重与第二权重相结合，得到每个影响因子的权重；所述权重分配模块通过数据连接的方式与所述联防计算模块相连；
所述联防计算模块，用于构建对刺参底播增殖影响因子进行单独预警和联合预警，所述单独预警是对每个影响因子的实际数据进行单独监测，若影响因子的实际数据超出预先设立的安全范围，则向所述预警模块发送预警指令；所述联合预警是通过构建风险联防预警神经网络模型，将所有刺参底播增殖风险影响因子进行联合计算，根据联合结构判断是否进行预警；风险联防预警神经网络包括前项神经网络、后项神经网络和生成器；所述联防计算模块通过数据连接的方式与所述预警模块相连，所述预警模块通过数据连接的方式与所述数据采集模块相连。
2.一种刺参底播增殖风险联防预警方法，其特征在于，包括以下步骤：
S1.设定刺参养殖海域生态环境评价指标，采集各个指标对应的影响因子基础数据，对基础数据进行正负标准化处理，为每个刺参养殖海域生态环境评价指标分配权重，根据信息熵判断每个影响因子的离散程度，根据离散程度得到每个影响因子的第一权重，再根据专家经验法给出每个影响因子的重要程度，得到每个影响因子的第二权重，将第一权重与第二权重相结合，得到每个影响因子的权重；
S2.对刺参底播增殖影响因子进行单独预警和联合预警，所述单独预警是对每个影响因子的实际数据进行单独监测，若影响因子的实际数据超出预先设立的安全范围，则向预警模块发送预警指令；所述联合预警是通过构建风险联防预警神经网络模型，将所有刺参底播增殖风险影响因子进行联合计算，根据联合结构判断是否进行预警；构建风险联防预警神经网络模型，确认是否需要进行预警，并确定风险类型和等级；风险联防预警神经网络包括前项神经网络、后项神经网络和生成器。
3.如权利要求2所述的一种刺参底播增殖风险联防预警方法，其特征在于，所述步骤S1具体包括：
将刺参养殖海域生态环境评价指标划分为正指标和负指标，对构成刺参养殖海域生态环境评价指标的影响因子基础数据进行正负标准化处理。
4.如权利要求2所述的一种刺参底播增殖风险联防预警方法，其特征在于，所述步骤S2具体包括：
前项神经网络包括输入层、隶属层、关联层和全连接层。
5.如权利要求2所述的一种刺参底播增殖风险联防预警方法，其特征在于，所述步骤S2具体包括：
后项神经网络由N个结构相同的子网络组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211416979.1A CN115713232B (zh) | 2022-11-12 | 2022-11-12 | 一种刺参底播增殖风险联防预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211416979.1A CN115713232B (zh) | 2022-11-12 | 2022-11-12 | 一种刺参底播增殖风险联防预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115713232A CN115713232A (zh) | 2023-02-24 |
| CN115713232B true CN115713232B (zh) | 2024-04-23 |
Family
ID=85232930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211416979.1A Active CN115713232B (zh) | 2022-11-12 | 2022-11-12 | 一种刺参底播增殖风险联防预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115713232B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818642A (zh) * | 2012-07-18 | 2012-12-12 | 辽宁省海洋水产科学研究院 | 刺参病害预警系统 |
| CN103053454A (zh) * | 2013-01-05 | 2013-04-24 | 山东蓝色海洋科技股份有限公司 | 一种适用于多元混养的海珍品增殖礁体及其使用方法 |
| CN105279556A (zh) * | 2015-11-05 | 2016-01-27 | 国家卫星海洋应用中心 | 一种浒苔检测方法和装置 |
| CN106446209A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种海洋环境监测要素短期预测方法 |
| 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 |
| CN110174469A (zh) * | 2019-04-24 | 2019-08-27 | 山东省海洋资源与环境研究院 | 海藻中oa、dtx1和dtx2三种腹泻性贝毒的检测方法 |
| CN110616269A (zh) * | 2019-09-24 | 2019-12-27 | 鲁东大学 | 一种基于生物体响应监测评价莱州湾海洋牧场环境质量的方法 |
| CN112149612A (zh) * | 2020-10-12 | 2020-12-29 | 海略(连云港)科技有限公司 | 一种基于深度神经网络的海洋生物识别系统及识别方法 |
| CN112613239A (zh) * | 2020-11-24 | 2021-04-06 | 国家海洋局北海环境监测中心(中国海监北海区检验鉴定中心） | 一种水母灾害预警模型的构建方法 |
| CN113278728A (zh) * | 2021-07-15 | 2021-08-20 | 中国科学院海洋研究所 | 一种浒苔漂浮生态型叶绿体基因组特异分子标记及其应用 |
| CN113310927A (zh) * | 2020-02-27 | 2021-08-27 | 布鲁克·道尔顿有限及两合公司 | 用于微生物的光谱表征的方法 |
| CN114199305A (zh) * | 2021-11-09 | 2022-03-18 | 深圳市衡兴安全检测技术有限公司 | 近岸海域生态环境风险监测方法、装置、设备及存储介质 |
| CN114615252A (zh) * | 2022-03-25 | 2022-06-10 | 广东海洋大学 | 一种鱼类增殖放流用在线监测系统 |
| CN115240060A (zh) * | 2022-09-22 | 2022-10-25 | 海南浙江大学研究院 | 一种海星灾害预警方法及系统 |
-
2022
- 2022-11-12 CN CN202211416979.1A patent/CN115713232B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818642A (zh) * | 2012-07-18 | 2012-12-12 | 辽宁省海洋水产科学研究院 | 刺参病害预警系统 |
| CN103053454A (zh) * | 2013-01-05 | 2013-04-24 | 山东蓝色海洋科技股份有限公司 | 一种适用于多元混养的海珍品增殖礁体及其使用方法 |
| CN105279556A (zh) * | 2015-11-05 | 2016-01-27 | 国家卫星海洋应用中心 | 一种浒苔检测方法和装置 |
| CN106446209A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种海洋环境监测要素短期预测方法 |
| 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 |
| CN110174469A (zh) * | 2019-04-24 | 2019-08-27 | 山东省海洋资源与环境研究院 | 海藻中oa、dtx1和dtx2三种腹泻性贝毒的检测方法 |
| CN110616269A (zh) * | 2019-09-24 | 2019-12-27 | 鲁东大学 | 一种基于生物体响应监测评价莱州湾海洋牧场环境质量的方法 |
| CN113310927A (zh) * | 2020-02-27 | 2021-08-27 | 布鲁克·道尔顿有限及两合公司 | 用于微生物的光谱表征的方法 |
| CN112149612A (zh) * | 2020-10-12 | 2020-12-29 | 海略(连云港)科技有限公司 | 一种基于深度神经网络的海洋生物识别系统及识别方法 |
| CN112613239A (zh) * | 2020-11-24 | 2021-04-06 | 国家海洋局北海环境监测中心(中国海监北海区检验鉴定中心） | 一种水母灾害预警模型的构建方法 |
| CN113278728A (zh) * | 2021-07-15 | 2021-08-20 | 中国科学院海洋研究所 | 一种浒苔漂浮生态型叶绿体基因组特异分子标记及其应用 |
| CN114199305A (zh) * | 2021-11-09 | 2022-03-18 | 深圳市衡兴安全检测技术有限公司 | 近岸海域生态环境风险监测方法、装置、设备及存储介质 |
| CN114615252A (zh) * | 2022-03-25 | 2022-06-10 | 广东海洋大学 | 一种鱼类增殖放流用在线监测系统 |
| CN115240060A (zh) * | 2022-09-22 | 2022-10-25 | 海南浙江大学研究院 | 一种海星灾害预警方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| "The effect of yeast immunity polysaccharide (YSP) on the immunity function in sea cucumber, Apostichopus japonicus selenka";Wen Zhao等;《2011 International Conference on Remote Sensing, Environment and Transportation Engineering》;20110728;全文 * |
| "水资源开发利用对汉江流域水生态环境影响及生态系统健康评价研究";李柏山;《中国博士学位论文全文数据库工程科技Ⅰ辑》;20170315;B027-4 * |
| "江苏滨海土地利用/覆盖变化及其生态环境效应研究";贺秋华;《中国博士学位论文全文数据库工程科技Ⅰ辑》;20120615;B027-36 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115713232A (zh) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Marques et al. | Analysis of the properties of exergy and biodiversity along an estuarine gradient of eutrophication | |
| CN110969346B (zh) | 基于指标筛选的流域水生态功能分区治理需求评价方法 | |
| CN112613239B (zh) | 一种水母灾害预警模型的构建方法 | |
| CN102818642B (zh) | 刺参病害预警系统 | |
| CN110402880A (zh) | 一种水产养殖中水质环境原位修复信息处理系统及方法 | |
| CN102436541A (zh) | 基于浮游生物群落变化的生态学基准值计算方法 | |
| CN102124964B (zh) | 海水养殖智能化管理系统 | |
| CN114329957A (zh) | 一种快速识别内陆河流鱼类群落适宜栖息地的模型构建方法 | |
| CN109657200B (zh) | 一种确定湖泊水库蓝藻水华爆发几率的方法 | |
| Sudaryanti et al. | Assessment of the biological health of the Brantas River, East Java, Indonesia using the Australian River Assessment System (AUSRIVAS) methodology | |
| CN117592662B (zh) | 基于数据分析的生态渔业资源评估系统 | |
| CN115713232B (zh) | 一种刺参底播增殖风险联防预警系统 | |
| Peng et al. | Current status and prospects of algal bloom early warning technologies: A Review | |
| CN117035227A (zh) | 一种扇贝养殖容量的快速评估方法和系统 | |
| CN105527398A (zh) | 一种凡纳滨对虾养殖池塘水质的评价方法 | |
| CN114357877A (zh) | 一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统及方法 | |
| CN102707025B (zh) | 一种湖库营养状态的智能判别系统 | |
| Summers et al. | A sensitivity analysis of an ecosystem model of estuarine carbon flow | |
| CN111090923B (zh) | 具有预测农地土壤状态的物联网系统与建模方式 | |
| CN109781951B (zh) | 一种鱼塘水质监测系统及监测方法 | |
| Caubet et al. | NEIGHBOUR-IN: Image processing software for spatial analysis of animal grouping | |
| Chamberlain et al. | Modeling approaches to assess the potential effects of shellfish aquaculture on the marine environment | |
| CN112001641B (zh) | 一种扇贝养殖区适宜性遥感评估系统 | |
| Gray et al. | Freshwater conservation and biomonitoring of structure and function: genes to ecosystems | |
| CN116502903A (zh) | 基于层次分析法的底播扇贝养殖区选址适宜性评价方法 |
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 |