CN115861821B - 一种基于多目标优化的生态环境监测保护方法 - Google Patents
一种基于多目标优化的生态环境监测保护方法 Download PDFInfo
- Publication number
- CN115861821B CN115861821B CN202310033210.XA CN202310033210A CN115861821B CN 115861821 B CN115861821 B CN 115861821B CN 202310033210 A CN202310033210 A CN 202310033210A CN 115861821 B CN115861821 B CN 115861821B
- Authority
- CN
- China
- Prior art keywords
- animal
- plant
- reservoir
- animals
- plants
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 94
- 238000012544 monitoring process Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 26
- 241001465754 Metazoa Species 0.000 claims abstract description 344
- 230000000694 effects Effects 0.000 claims abstract description 88
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000013433 optimization analysis Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多目标优化的生态环境监测保护方法，包括：对水电站库区动植物生存活动范围进行信息采集，并建立库区动植物数据库；根据库区动植物数据库中的动植物构建人工智能动植物识别模型；利用人工智能动植物识别模型针对水电站库区进行识别与监测，获得动植物监测数据信息；分析动植物监测数据信息在水电站库区中的分布情况，确定库区动植物生存活动点；针对生存活动点结合动植物增减状况和生态环境变化进行多目标优化分析，确定最优化保护方案；按照最优化保护方案对生态环境进行调整与改善。本发明提出的一种基于多目标优化的生态环境监测保护方法采用多目标优化使得多个目标条件达到相对较好状态，实现较为全面的把控。
Description
技术领域
本发明涉及生态环境监测技术领域，特别涉及一种基于多目标优化的生态环境监测保护方法。
背景技术
近些年以来，人类也逐步认识到地球生态环境保护的重要性，并且投入大量资金、人力和物力到生态环境的保护中来，随着生态保护的不断努力，环境改善的效果也逐渐凸显出来。
生态系统是指在自然界一定的空间内、生物与环境构成的统一整体，在这个统一整体中，生物与环境之间相互影响、相互制约，并在一定时期内处于相对稳定的动态平衡状态。整个生态环境是一个相互影响的关系，植物增加可能带动动物增加反之减少，环境噪音大可能会导致动物减少，温度变化、空气质量变化会导致动植物的变化。
目前，在现有技术方案中只能实现单个动植物的监测，无法将单个动植物与环境变化或其它动植物变化的影响联系起来，对于整个生态的恢复无法做到较为全面的把控，因此，本发明提出一种基于多目标优化的生态环境监测保护方法，采用多目标优化使得多个目标条件达到相对较好状态，实现较为全面的把控。
发明内容
本发明的目的在于提供一种基于多目标优化的生态环境监测保护方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于多目标优化的生态环境监测保护方法，包括：
对水电站库区动植物生存活动范围进行信息采集，并建立库区动植物数据库；
根据库区动植物数据库中的动植物构建人工智能动植物识别模型；
利用人工智能动植物识别模型针对水电站库区进行识别与监测，获得动植物监测数据信息；
分析动植物监测数据信息在水电站库区中的分布情况，确定库区动植物生存活动点；
针对生存活动点结合动植物增减状况和生态环境变化进行多目标优化分析，确定最优化保护方案；
按照最优化保护方案对生态环境进行调整与改善。
进一步地，对水电站库区动植物生存活动范围进行信息采集时采用无人机对区域内生态环境植物数据进行拍照采集，针对无人机进行控制设置，利用无人机针对水电站库区进行图像采集，获得库区图像，然后针对库区图像进行数据处理建立库区动植物数据库，在针对库区图像进行数据处理时针对水电站库区进行网格化处理，将库区图像按照网格进行分析。
进一步地，根据库区动植物数据库中的动植物构建人工智能动植物识别模型，包括：
针对库区动植物数据库中的动植物按照网格进行分析，确定网格内库区动植物的品种；
根据网格内库区动植物的品种获取库区网格动植物的信息，并通过对库区网格动植物的信息进行分析与特征提取得到库区网格动植物特征；
利用库区网格动植物特征分别构建库区动植物结构模型，得到多个库区动植物结构化模型；
基于多个库区动植物结构化模型进行组合与构建，得到库区动植物识别模型。
进一步地，得到库区动植物识别模型之后还采用多元神经网络对库区动植物识别模型进行结构参数学习，获取梯度数据，并根据梯度数据分析优化训练过程，确定参数最优数据值，得到优化训练后的库区动植物识别模型。
进一步地，利用人工智能动植物识别模型针对水电站库区进行识别与监测时按照预设频率定期进行自动化识别与监测，获得动植物监测数据信息。
进一步地，分析动植物监测数据信息在水电站库区中的分布情况时，根据动植物监测信息利用邻近算法模型进行推算，确定库区动植物生存活动点，包括：
构建邻近算法模型；
针对动植物监测信息进行分析确定库区动植物位置信息；
根据库区动植物位置信息通过临近算法模型分析区域内出现动植物的概率；
根据区域内出现动植物的概率确定库区动植物生存活动点。
进一步地，确定库区动植物生存活动点之后还将库区动植物生存活动点结合上一次动植物监测数据信息确定的库区动植物生存活动点进行分析，将当前动植物监测数据信息确定的定库区动植物生存活动点与上一次动植物监测数据信息确定的库区动植物生存活动点进行比较，确定当前动植物监测数据信息确定的定库区动植物生存活动点较上一次动植物监测数据信息确定的库区动植物生存活动点是否新增的生存活动点，得到生存活动点分析结果，并根据生存活动点分析结果获取库区动植物新的生存活动点。
进一步地，根据生存活动点分析结果获取库区动植物新的生存活动点，得到库区动植物新的生存活动点，并针对库区动植物新的生存活动点进行上报提醒。
进一步地，针对生存活动点结合动植物增减状况和生态环境变化进行多目标优化分析，包括：
针对生态环境确定优化目标指标；
根据优化目标指标分别对生存活动点进行单目标规划分析，获取生存活动点范围内容的动植物增减状况和生态环境变化，并根据动植物增减状况和生态环境变化得到单目标优化模型；
将单目标优化模型组合构建多目标优化模型，把单目标优化模型中关于目标指标的决策目标函数按照权重结合到一起形成多目标优化模型的决策目标函数，将目标优化模型中的约束条件合并到一起形成多目标优化模型的约束条件，从而得到多目标优化模型；
针对多目标优化模型进行最优化求解获得最优化保护方案。
进一步地，动植物增减状况是当前动植物监测数据信息与上一次动植物监测数据信息之间的变化，生态环境变化是按照预设频率进行生态环境获取与比较得到的，而且生态环境按照的预设频率与自动化识别与监测时按照的预设频率是相同的。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明所述的一种基于多目标优化的生态环境监测保护方法的步骤示意图；
图2为本发明所述的一种基于多目标优化的生态环境监测保护方法中步骤二的示意图；
图3为本发明所述的一种基于多目标优化的生态环境监测保护方法中步骤五的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供了一种基于多目标优化的生态环境监测保护方法，包括：
步骤一、对水电站库区动植物生存活动范围进行信息采集，并建立库区动植物数据库；
步骤二、根据库区动植物数据库中的动植物构建人工智能动植物识别模型；
步骤三、利用人工智能动植物识别模型针对水电站库区进行识别与监测，获得动植物监测数据信息；
步骤四、分析动植物监测数据信息在水电站库区中的分布情况，确定库区动植物生存活动点；
步骤五、针对生存活动点结合动植物增减状况和生态环境变化进行多目标优化分析，确定最优化保护方案；
步骤六、按照最优化保护方案对生态环境进行调整与改善。
上述技术方案一种基于多目标优化的生态环境监测保护方法，在对水电站库区进行生态环境保护优化时，首先对水电站库区动植物生存活动范围进行信息采集，确定水电站库区中存在的动植物，并针对水电站库区中存在的动植物构建库区动植物数据库；然后根据库区动植物数据库中的动植物构建人工智能动植物识别模型，使得人工智能动植物识别模型能够识别出来水电站库区中存在的动植物，接着利用人工智能动植物识别模型在水电站库区中进行识别与监测，得到动植物识别结果，同时获得对于水电站库区的水电站动植物监测数据信息；然后再分析动植物监测数据信息，确定人工智能动植物识别模型识别出来的动植物在水电站库区中的分布情况，从而明确库区动植物生存活动点；接着再针对生存活动点结合动植物增减状况和生态环境变化采用JMetal多目标优化算法框架进行多目标优化分析，确定最优化保护方案；最后按照最优化保护方案对生态环境进行调整与改善。
上述技术方案通过根据库区动植物数据库中的动植物构建人工智能动植物识别模型能够针对水电站库区中所有的动植物进行识别与监测，从而能够将动植物与环境变化或其它动植物变化的影响联系起来，使得能够根据水电站库区中的所有动植物增减状况和生态环境变化进行生态环境优化，进而实现对生态环境的保护，而且针对生存活动点结合动植物增减状况和生态环境变化进行多目标优化分析确定最优化保护方案使得最优化保护方案能够同时使得多个目标条件达到相对较好状态，实现较为全面的把控。
本发明提供的一个实施例中，对水电站库区动植物生存活动范围进行信息采集时采用无人机对区域内生态环境植物数据进行拍照采集，针对无人机进行控制设置，利用无人机针对水电站库区进行图像采集，获得库区图像，然后针对库区图像进行数据处理建立库区动植物数据库，在针对库区图像进行数据处理时针对水电站库区进行网格化处理，将库区图像按照网格进行分析。
上述技术方案在对水电站库区动植物生存活动范围进行信息采集时采用无人机对区域内生态环境植物数据进行拍照采集，针对无人机进行控制设置，例如将无人机拍照高度设定为60米，无人机镜头视角为80°，则航拍采集范围约为长宽100米，覆盖地表面积为10000平方米，然后利用无人机针对水电站库区进行图像采集，获得库区图像，针对库区图像进行数据处理建立库区动植物数据库，在针对库区图像进行数据处理时，针对水电站库区进行网格化处理，把库区图像按照100*100米进行网格化，同时通过经纬度+距离(100米)换算得到每一个网格的4个顶点经纬度坐标；提取无人机上传至系统的照片携带的经纬度信息，照片的经纬度信息在某一个网格的经纬度范围内，则将该原始照片记录在这个网格下；对原始照片进分割，原始照片按100*100进行分割得到10000张小图片，每张小图片所代表的为1*1米的1平方米地表面积，每张小图片的经纬度坐标，按原始照片的经纬度上下左右偏移多少米换算得出，每张小图片超出原始照片所在网格范围的自动忽略，剩余小图片记录在原始照片所在网格中，则确保每一个网格的每一平方米均至少有一个小图片。
上述技术方案通过无人机对区域内生态环境植物数据进行拍照采集不仅能够提高信息采集的准确性，使得库区动植物数据库中能够具有水电站库区的全面动植物信息，而且还能够有效避免人员采集费时费力的问题，此外，针对库区图像进行数据处理时通过针对水电站库区进行网格化处理使得能够按照网格进行分析，不仅为分析提供便捷，还能够提高分析效率。
如图2所示，本发明提供的一个实施例中，根据库区动植物数据库中的动植物构建人工智能动植物识别模型，包括：
S201、针对库区动植物数据库中的动植物按照网格进行分析，确定网格内库区动植物的品种；
S202、根据网格内库区动植物的品种获取库区网格动植物的信息，并通过对库区网格动植物的信息进行分析与特征提取得到库区网格动植物特征；
S203、利用库区网格动植物特征分别构建库区动植物结构模型，得到多个库区动植物结构化模型；
S204、基于多个库区动植物结构化模型进行组合与构建，得到库区动植物识别模型。
上述技术方案在根据库区动植物数据库中的动植物构建人工智能动植物识别模型时，首先，针对库区动植物数据库中的动植物按照网格进行分析，确定网格内库区动植物的品种；然后，根据网格内库区动植物的品种获取库区网格动植物的信息，并通过对库区网格动植物的信息进行分析与特征提取得到库区网格动植物特征；接着，利用库区网格动植物特征分别构建库区动植物结构模型，得到多个库区动植物结构化模型；最后，基于多个库区动植物结构化模型进行组合与构建，得到库区动植物识别模型。
其中，在基于多个库区动植物结构化模型进行组合与构建时，首先根据库区网格动植物特征进行初步分析；
其中，Di.j表示第i个库区动植物结构化模型与第j库区动植物结构化模型之间的初步识别判断值，Lilm表示第i个库区动植物结构化模型中第l个库区网格动植物特征的m信息数据，Ljlm表示第j个库区动植物结构化模型中第l个库区网格动植物特征的m信息数据，p表示参数，取值为1,2或∞；
进一步分析库区网格动植物特征中出现差异性的是否为生长时期，当生长时期存在差异性且初步识别判断值时，n为库区网格动植物特征的数量，将此时对应的两个库区动植物结构化模型合并成一个库区动植物结构化模型，得到合并后的库区动植物结构化模型；
然后针对合并后的库区动植物结构化模型通过如下公式进行再次分析：
T＝∩Wk
其中，T表示合并后的库区动植物结构化模型相同的步骤，Wk表示第k个合并后的库区动植物结构化模型的步骤集；
接着将合并后的库区动植物结构化模型相同的步骤合并，把不同的步骤作为分支形成库区动植物识别模型。
上述技术方案得到的库区动植物识别模型能够针对水电站库区中所有的动植物进行识别，使得能够将整个生态环境结合起来进行分析，同时还有效解决了现有技术方案中只能实现单个动植物的监测，使得能够同时针对水电站库区中所有的动植物进行监测，而且通过根据库区动植物的品种获取库区动植物的信息使得库区动植物识别模型在识别动植物时能够更加全面的针对动植物进行识别，从而避免动植物生长阶段不同导致识别出错，提高了库区动植物识别模型的识别准确性。此外，在基于多个库区动植物结构化模型进行组合与构建时，通过根据库区网格动植物特征进行初步分析使得明确库区动植物结构化模型中是否存在相似的库区动植物结构化模型，从而将相似的库区动植物结构化模型合并成一个库区动植物结构化模型，从而减少库区动植物结构化模型的数量，降低库区动植物识别模型的复杂程度，而且通过分析合并后的库区动植物结构化模型相同的步骤使得多个合并后的库区动植物结构化模型能够合并成一个库区动植物识别模型，从而使得在进行识别时能够利用一个库区动植物识别模型就能够进行识别，避免多个库区动植物结构化模型依次进行识别，提高了识别效率。
本发明提供的一个实施例中，得到库区动植物识别模型之后还采用多元神经网络对库区动植物识别模型进行结构参数学习，获取梯度数据，并根据梯度数据分析优化训练过程，确定参数最优数据值，得到优化训练后的库区动植物识别模型。
上述技术方案在得到库区动植物识别模型之后还采用多元神经网络对库区动植物识别模型进行结构参数学习，获取梯度数据，并根据梯度数据分析优化训练过程，确定参数最优数据值，得到优化训练后的库区动植物识别模型。
上述技术方案通过采用多元神经网络对库区动植物识别模型进行结构参数学习实现了对库区动植物识别模型中的参数的优化，使得优化后的参数能够让库区动植物识别模型具有较小的误差，提高库区动植物识别模型的精准度。
本发明提供的一个实施例中，利用人工智能动植物识别模型针对水电站库区进行识别与监测时按照预设频率定期进行自动化识别与监测，获得动植物监测数据信息。
上述技术方案利用人工智能动植物识别模型针对水电站库区进行识别与监测时，预先设定好预设频率，然后按照预设频率定期进行自动化识别与监测，获得动植物监测数据信息，这里的预设频率可以根据需求进行调整。
上述技术方案预先设定预设频率使得能够定期对水电站库区进行生态环境监测，从而及时对水电站库区的生态环境进行优化与改进，进而及时实现对生态环境的保护。
本发明提供的一个实施例中，分析动植物监测数据信息在水电站库区中的分布情况时，根据动植物监测信息利用邻近算法模型进行推算，确定库区动植物生存活动点，包括：
构建邻近算法模型；
针对动植物监测信息进行分析确定库区动植物位置信息；
根据库区动植物位置信息通过临近算法模型分析区域内出现动植物的概率；
根据区域内出现动植物的概率确定库区动植物生存活动点。
上述技术方案在分析动植物监测数据信息在水电站库区中的分布情况时，根据动植物监测信息利用邻近算法模型进行推算，确定库区动植物生存活动点，利用邻近算法模型进行推算时，首先构建邻近算法模型；
然后，针对动植物监测信息进行分析确定库区动植物位置信息；
接着，根据库区动植物位置信息通过临近算法模型计算动植物之间的距离，分析区域内出现动植物的概率；
然后再根据区域内出现动植物的概率确定库区动植物生存活动点。
上述技术方案通过邻近算法模型根据动植物的位置进行区域内出现动植物的概率预测，从而明确区域范围内动植物的分布情况，进而明确库区动植物生存活动点。
本发明提供的一个实施例中，确定库区动植物生存活动点之后还将库区动植物生存活动点结合上一次动植物监测数据信息确定的库区动植物生存活动点进行分析，将当前动植物监测数据信息确定的定库区动植物生存活动点与上一次动植物监测数据信息确定的库区动植物生存活动点进行比较，确定当前动植物监测数据信息确定的定库区动植物生存活动点较上一次动植物监测数据信息确定的库区动植物生存活动点是否新增的生存活动点，得到生存活动点分析结果，并根据生存活动点分析结果获取库区动植物新的生存活动点。
上述技术方案在确定库区动植物生存活动点之后将库区动植物生存活动点结合上一次动植物监测数据信息确定的库区动植物生存活动点进行分析，将当前动植物监测数据信息确定的定库区动植物生存活动点与上一次动植物监测数据信息确定的库区动植物生存活动点进行比较，确定当前动植物监测数据信息确定的定库区动植物生存活动点较上一次动植物监测数据信息确定的库区动植物生存活动点是否新增的生存活动点，得到生存活动点分析结果，并根据生存活动点分析结果获取库区动植物新的生存活动点。
上述技术方案通过将当前动植物监测数据信息确定的定库区动植物生存活动点与上一次动植物监测数据信息确定的库区动植物生存活动点进行比较从而明确相邻两次动植物监测数据信息之间的差异性，进而反映水电站库区动植物的生态环境是否发生了变化，而且通过借助库区动植物生存活动点来进行分析，能够将水电站库区动植物变化具体放大化，使得更加明显反映出发生了变化，进而以库区动植物新的生存活动点反映出生态环境是否发生了变化。
本发明提供的一个实施例中，根据生存活动点分析结果获取库区动植物新的生存活动点，得到库区动植物新的生存活动点，并针对库区动植物新的生存活动点进行上报提醒。
上述技术方案在根据生存活动点分析结果获取库区动植物新的生存活动点得到库区动植物新的生存活动点之后还针对库区动植物新的生存活动点进行上报提醒，将库区动植物新的生存活动点以提醒的方式发出。
上述技术方案通过进行上报提醒使得工作人员能够发现水电站库区发生变化，而且将库区动植物新的生存活动点以提醒的方式发出不仅能够提高工作人员的警惕性，还能够使得工作人员明确库区动植物新的生存活动点。
如图3所示，本发明提供的一个实施例中，针对生存活动点结合动植物增减状况和生态环境变化进行多目标优化分析，包括：
S501、针对生态环境确定优化目标指标；
S502、根据优化目标指标分别对生存活动点进行单目标规划分析，获取生存活动点范围内容的动植物增减状况和生态环境变化，并根据动植物增减状况和生态环境变化得到单目标优化模型；
S503、将单目标优化模型组合构建多目标优化模型，把单目标优化模型中关于目标指标的决策目标函数按照权重结合到一起形成多目标优化模型的决策目标函数，将目标优化模型中的约束条件合并到一起形成多目标优化模型的约束条件，从而得到多目标优化模型；
S504、针对多目标优化模型进行最优化求解获得最优化保护方案。
上述技术方案在针对生存活动点结合动植物增减状况和生态环境变化进行多目标优化分析时，首先针对生态环境确定优化目标指标，明确生态环境的评价指标中需要进行优化的优化目标指标，并且确定优化目标指标是越大越好型还是越小越好型还是中间越好型，然后根据优化目标指标分别对生存活动点进行单目标规划分析，获取生存活动点范围内容的动植物增减状况和生态环境变化，并根据动植物增减状况和生态环境变化确定每个优化目标指标的影响因素，根据优化目标指标的影响因素确定优化目标指标的决策目标函数以及约束条件，从而得到单目标优化模型；接着将单目标优化模型组合在一起构建多目标优化模型，把单目标优化模型中关于目标指标的决策目标函数按照权重结合到一起形成多目标优化模型的决策目标函数，将目标优化模型中的约束条件合并到一起形成多目标优化模型的约束条件，从而得到多目标优化模型；最后针对多目标优化模型进行最优化求解获得最优化保护方案。
上述技术方案通过将单目标优化模型组合在一起构建多目标优化模型使得在多目标优化模型中综合考虑单目标优化模型中的优化目标指标使得多个优化目标指标都能够取得较好数据的情况下形成一个最优化的方案，而且针对多目标优化模型进行最优化求解获得最优化保护方案时无需人为参与分析与计算直接就能得到最优化的策略，进而能够直接得到最优化保护方案，不仅效率高，还不会对相关人员造成难度。
本发明提供的一个实施例中，动植物增减状况是当前动植物监测数据信息与上一次动植物监测数据信息之间的变化，生态环境变化是按照预设频率进行生态环境获取与比较得到的，而且生态环境按照的预设频率与自动化识别与监测时按照的预设频率是相同的。
上述技术方案中的动植物增减状况和生态环境变化都是将当前信息与上一次的信息进行比较获得的变化数据，其中动植物增减状况是当前动植物监测数据信息与上一次动植物监测数据信息之间的变化，生态环境变化是按照预设频率进行生态环境获取与比较得到的，特别地生态环境按照的预设频率与自动化识别与监测时按照的预设频率是相同的。
上述技术方案通过植物监测数据信息与生态环境信息采用相同的预设频率进行获取使得动植物增减状况和生态环境变化是同步时间的，避免出现混乱现象，确保了多目标优化模型的正确的。
本领域技术人员应当理解的是，本发明中的第一、第二仅仅指的是不同应用阶段而已。
本领域技术客户员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (5)
1.一种基于多目标优化的生态环境监测保护方法，其特征在于，包括：
对水电站库区动植物生存活动范围进行信息采集，并建立库区动植物数据库；
根据库区动植物数据库中的动植物构建人工智能动植物识别模型；
利用人工智能动植物识别模型针对水电站库区进行识别与监测，获得动植物监测数据信息；
分析动植物监测数据信息在水电站库区中的分布情况，确定库区动植物生存活动点；
针对生存活动点结合动植物增减状况和生态环境变化进行多目标优化分析，确定最优化保护方案；
按照最优化保护方案对生态环境进行调整与改善；
其中，对水电站库区动植物生存活动范围进行信息采集时采用无人机对区域内生态环境植物数据进行拍照采集，针对无人机进行控制设置，利用无人机针对水电站库区进行图像采集，获得库区图像，然后针对库区图像进行数据处理建立库区动植物数据库，在针对库区图像进行数据处理时针对水电站库区进行网格化处理，将库区图像按照网格进行分析；
其中，根据库区动植物数据库中的动植物构建人工智能动植物识别模型，包括：
针对库区动植物数据库中的动植物按照网格进行分析，确定网格内库区动植物的品种；
根据网格内库区动植物的品种获取库区网格动植物的信息，并通过对库区网格动植物的信息进行分析与特征提取得到库区网格动植物特征；
利用库区网格动植物特征分别构建库区动植物结构模型，得到多个库区动植物结构化模型；
基于多个库区动植物结构化模型进行组合与构建，得到库区动植物识别模型；
其中，利用人工智能动植物识别模型针对水电站库区进行识别与监测时按照预设频率定期进行自动化识别与监测，获得动植物监测数据信息；
其中，分析动植物监测数据信息在水电站库区中的分布情况时，根据动植物监测信息利用邻近算法模型进行推算，确定库区动植物生存活动点，包括：
构建邻近算法模型；
针对动植物监测信息进行分析确定库区动植物位置信息；
根据库区动植物位置信息通过临近算法模型分析区域内出现动植物的概率；
根据区域内出现动植物的概率确定库区动植物生存活动点；
其中，针对生存活动点结合动植物增减状况和生态环境变化进行多目标优化分析，包括：
针对生态环境确定优化目标指标；
根据优化目标指标分别对生存活动点进行单目标规划分析，获取生存活动点范围内容的动植物增减状况和生态环境变化，并根据动植物增减状况和生态环境变化得到单目标优化模型；
将单目标优化模型组合构建多目标优化模型，把单目标优化模型中关于目标指标的决策目标函数按照权重结合到一起形成多目标优化模型的决策目标函数，将单目标优化模型中的约束条件合并到一起形成多目标优化模型的约束条件，从而得到多目标优化模型；
针对多目标优化模型进行最优化求解获得最优化保护方案。
2.根据权利要求1所述的生态环境监测保护方法，其特征在于，得到库区动植物识别模型之后还采用多元神经网络对库区动植物识别模型进行结构参数学习，获取梯度数据，并根据梯度数据分析优化训练过程，确定参数最优数据值，得到优化训练后的库区动植物识别模型。
3.根据权利要求1所述的生态环境监测保护方法，其特征在于，确定库区动植物生存活动点之后还将库区动植物生存活动点结合上一次动植物监测数据信息确定的库区动植物生存活动点进行分析，将当前动植物监测数据信息确定的定库区动植物生存活动点与上一次动植物监测数据信息确定的库区动植物生存活动点进行比较，确定当前动植物监测数据信息确定的定库区动植物生存活动点较上一次动植物监测数据信息确定的库区动植物生存活动点是否新增的生存活动点，得到生存活动点分析结果，并根据生存活动点分析结果获取库区动植物新的生存活动点。
4.根据权利要求3所述的生态环境监测保护方法，其特征在于，根据生存活动点分析结果获取库区动植物新的生存活动点，得到库区动植物新的生存活动点，并针对库区动植物新的生存活动点进行上报提醒。
5.根据权利要求1所述的生态环境监测保护方法，其特征在于，动植物增减状况是当前动植物监测数据信息与上一次动植物监测数据信息之间的变化，生态环境变化是按照预设频率进行生态环境获取与比较得到的，而且生态环境按照的预设频率与自动化识别与监测时按照的预设频率是相同的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310033210.XA CN115861821B (zh) | 2023-01-10 | 2023-01-10 | 一种基于多目标优化的生态环境监测保护方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310033210.XA CN115861821B (zh) | 2023-01-10 | 2023-01-10 | 一种基于多目标优化的生态环境监测保护方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115861821A CN115861821A (zh) | 2023-03-28 |
| CN115861821B true CN115861821B (zh) | 2024-04-26 |
Family
ID=85657207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310033210.XA Active CN115861821B (zh) | 2023-01-10 | 2023-01-10 | 一种基于多目标优化的生态环境监测保护方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115861821B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109587153A (zh) * | 2018-12-14 | 2019-04-05 | 中国人民解放军国防科技大学 | 基于数据流定制的通用生态安全监测数据采集方法与装置 |
| CN111103399A (zh) * | 2019-12-12 | 2020-05-05 | 福建睿思特科技股份有限公司 | 一种变电站环境参量自动巡检方法 |
| CN111123746A (zh) * | 2019-12-12 | 2020-05-08 | 福建睿思特科技股份有限公司 | 一种变电站环境参量在线监测系统 |
| CN111854847A (zh) * | 2020-08-12 | 2020-10-30 | 中国科学院城市环境研究所 | 基于景感生态学的生态环境物联网监测方法及系统 |
| CN112649002A (zh) * | 2020-12-11 | 2021-04-13 | 南京邮电大学 | 一种基于边缘计算的野保无人机监测系统 |
| CN112990262A (zh) * | 2021-02-08 | 2021-06-18 | 内蒙古大学 | 一种草原生态数据监测与智能决策一体化解决系统 |
| CN113095555A (zh) * | 2021-03-31 | 2021-07-09 | 佛山一本农业科技有限公司 | 基于物联网的农作物病虫害监控方法、系统及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886608A (zh) * | 2019-03-28 | 2019-06-14 | 交通运输部水运科学研究所 | 一种基于机理分析的航道工程生态环境影响及对策评价方法 |
-
2023
- 2023-01-10 CN CN202310033210.XA patent/CN115861821B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109587153A (zh) * | 2018-12-14 | 2019-04-05 | 中国人民解放军国防科技大学 | 基于数据流定制的通用生态安全监测数据采集方法与装置 |
| CN111103399A (zh) * | 2019-12-12 | 2020-05-05 | 福建睿思特科技股份有限公司 | 一种变电站环境参量自动巡检方法 |
| CN111123746A (zh) * | 2019-12-12 | 2020-05-08 | 福建睿思特科技股份有限公司 | 一种变电站环境参量在线监测系统 |
| CN111854847A (zh) * | 2020-08-12 | 2020-10-30 | 中国科学院城市环境研究所 | 基于景感生态学的生态环境物联网监测方法及系统 |
| CN112649002A (zh) * | 2020-12-11 | 2021-04-13 | 南京邮电大学 | 一种基于边缘计算的野保无人机监测系统 |
| CN112990262A (zh) * | 2021-02-08 | 2021-06-18 | 内蒙古大学 | 一种草原生态数据监测与智能决策一体化解决系统 |
| CN113095555A (zh) * | 2021-03-31 | 2021-07-09 | 佛山一本农业科技有限公司 | 基于物联网的农作物病虫害监控方法、系统及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Low altitude spatial assessment and monitoring of intertidal seagrass meadows beyond the visible spectrum using a remotely piloted aircraft system;Subhash Chand et al;《Estuarine, Coastal and Shelf Science》;第255卷;1-10 * |
| 遥感技术在现代环境监测中的应用;任英浩;《清洗世界》;第38卷(第7期);158-160 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115861821A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
| CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 | |
| CN116051996A (zh) | 一种基于多模态信息的二阶段农作物生长预测方法 | |
| CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
| CN115331124A (zh) | 一种基于无人机遥感的入侵植物生物量估算方法 | |
| CN117746251A (zh) | 一种云杉人工林立地类型摸排标记方法及系统 | |
| CN115629160A (zh) | 一种基于时空图的空气污染物浓度预测方法及系统 | |
| CN117809297B (zh) | 基于三维重建的输电线路危险源智能识别方法 | |
| CN117789037B (zh) | 作物生长期预测方法及装置 | |
| CN114118511B (zh) | 一种基于云量预测信息的大区域多星联合覆盖有效性评估方法 | |
| CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
| CN117079130B (zh) | 一种基于红树林生境的智能信息管理方法及系统 | |
| CN115861821B (zh) | 一种基于多目标优化的生态环境监测保护方法 | |
| CN113988351A (zh) | 一种基于时空局部模型的数值模式气温预报产品释用方法 | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
| CN113506017B (zh) | 一种校园用数字园林管养系统 | |
| US20230368312A1 (en) | Method for automated weed control of agricultural land and associated stand-alone system | |
| CN115761265A (zh) | 一种用于提取激光雷达点云中变电站设备的方法及装置 | |
| Colak et al. | Automatic sunspot classification for real-time forecasting of solar activities | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
| CN118050729B (zh) | 一种基于改进U-Net的雷达回波时间降尺度订正方法 | |
| CN114662274B (zh) | 一种基于零膨胀时空回归模型的雪水当量建模和预测方法 | |
| CN116842351B (zh) | 滨海湿地碳汇评估模型构建方法、评估方法和电子设备 | |
| CN117274359B (zh) | 一种作物群体的株高测算方法和系统 | |
| CN117152561B (zh) | 一种洪涝灾害重置成本遥感样本集构建及更新方法 |
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 |