CN116233865B - 一种新污染物监测设备的布点方法及系统 - Google Patents

一种新污染物监测设备的布点方法及系统 Download PDF

Info

Publication number
CN116233865B
CN116233865B CN202310511762.7A CN202310511762A CN116233865B CN 116233865 B CN116233865 B CN 116233865B CN 202310511762 A CN202310511762 A CN 202310511762A CN 116233865 B CN116233865 B CN 116233865B
Authority
CN
China
Prior art keywords
information
data
pollution source
new
acquiring
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
Application number
CN202310511762.7A
Other languages
English (en)
Other versions
CN116233865A (zh
Inventor
李书鹏
王蓓丽
王潇楠
郭丽莉
韩亚萌
李嘉晨
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.)
Plant Protection Research Institute Guangdong Academy of Agricultural Sciences
BCEG Environmental Remediation Co Ltd
Original Assignee
Plant Protection Research Institute Guangdong Academy of Agricultural Sciences
BCEG Environmental Remediation 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 Plant Protection Research Institute Guangdong Academy of Agricultural Sciences, BCEG Environmental Remediation Co Ltd filed Critical Plant Protection Research Institute Guangdong Academy of Agricultural Sciences
Priority to CN202310511762.7A priority Critical patent/CN116233865B/zh
Publication of CN116233865A publication Critical patent/CN116233865A/zh
Application granted granted Critical
Publication of CN116233865B publication Critical patent/CN116233865B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y30/00—IoT infrastructure
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/18—Negotiating wireless communication parameters
    • H04W28/22—Negotiating communication rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明涉及一种新污染物监测设备的布点方法及系统，属于污染物监测技术领域，本发明通过根据相应的监测设备布点图确定相应的信息汇聚节点，并基于相应的信息汇聚节点构建信息传输网络。通过本方法能够根据地图资源数据上的实时污染源以及疑似污染源进行筛选，使得污染源均能够被监测得到，充分考虑了存在过相应行为的污染源并未列入到新污染物的监测目标，能够提高土壤监测的合理性。另一方面，新污染物监测设备的布点充分考虑其布设点的实际情况以及根据无线监测点的数量来调整信息传输速率，使得在新污染物监测设备的布点更加合理以及使得监测数据能够实时地被采集到。

Description

一种新污染物监测设备的布点方法及系统
技术领域
本发明涉及污染物监测技术领域，尤其涉及一种新污染物监测设备的布点方法及系统。
背景技术
新污染物是指具有生物毒性、环境持久性、生物累积性等特征的有毒有害化学物质，这些物质对生态环境或人体健康存在较大风险，由于这些物质种类繁多、涉及行业广泛，且具有污染隐蔽性、治理复杂性等特点，治理能力亟待提升。随着我国经济社会的快速发展，以及产业结构调整、优化，城市功能区布局不断调整，城市中心区的大中型企业陆续搬离，原有企业的用地被再次开发，但由于原有企业用地在企业多年的生产经营过程中受到污染，需要对其进行治理和修复，消除城市发展潜在环境污染隐患问题。其中，污染场地调查中土壤环境污染状况调查是最重要和核心关注内容。在前期基础信息调查基础上，做好现场土壤取样、分析及监测，其中土壤监测点位的布设成为直接影响污染场地调查结果的关键和核心要素，点位布设的科学、合理与否直接关系到后期土壤取样的质量，因此，探讨污染场地土壤监测点位布设具有积极的现实意义。现有技术中，在污染场地的土壤监测点的布设中，没有充分考虑某些场地是否存在污染，如存在过相应行为的污染源并未列入到新污染物的监测目标，使得土壤污染源没有及时被监测，导致附近的土壤进一步被污染，加大了土壤治理的难度；另一方面，现有技术中，新污染物监测设备的布点没有考虑其布设点的实际情况以及无法根据无线监测点的数量来调整信息传输速率，导致监测网络的监测数据不能够实时地采集到。
发明内容
本发明克服了现有技术的不足，提供了一种新污染物监测设备的布点方法及系统。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种新污染物监测设备的布点方法，其特征在于，包括以下步骤：
通过大数据获取新污染物的成分数据信息，并根据新污染物的成分数据信息获取新污染物相关的历史污染源数据；
通过大数据获取目标区域的地图资源数据，并根据目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，获取污染源的位置信息；
获取污染源的位置信息对应的影像数据信息，并根据影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图；
根据相应的监测设备布点图确定相应的信息汇聚节点，并基于相应的信息汇聚节点构建信息传输网络。
进一步地，本发明的一个较佳实施例中，通过大数据获取新污染物的成分数据信息，并根据新污染物的成分数据信息获取新污染物相关的历史污染源数据，具体包括：
通过对新污染物的成分数据信息设置关键词，根据关键词通过大数据网络进行数据检索，获取新污染物的成分数据信息；
根据新污染物的成分数据信息进行新污染物的成分数据信息相关联的污染源进行检索，获取新污染物相关的历史污染源数据，并构建污染源数据库；
通过注意力机制计算出每一组新污染物相关的历史污染源数据的注意力分数，并将污染源数据库分为若干个空间，将相同注意力分数的新污染物相关的历史污染源数据合并，输入到污染源数据库中进行存储；
将不同注意力分数的新污染物相关的历史污染源数据输入到污染源数据库的不同空间中进行存储，并定期更新污染源数据库。
进一步地，本发明的一个较佳实施例中，通过大数据获取目标区域的地图资源数据，并根据目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，具体包括以下步骤：
通过大数据获取目标区域的地图资源数据，并通过灰色关联分析法分析目标区域的地图资源数据与新污染物相关的历史污染源数据进行数据分析，获取关联程度信息；
获取关联程度信息大于预设关联程度信息的地图资源数据，并将关联程度信息大于预设关联程度信息的地图资源数据作为实时的污染源；
获取关联程度信息不大于预设关联程度信息的地图资源数据，并根据关联程度信息不大于预设关联程度信息的地图资源数据进行检索，获取关联程度信息不大于预设关联程度信息的地图资源数据在预设时间之内的历史行为信息；
计算历史行为信息与新污染物相关的历史污染源数据的二次关联程度信息，若二次关联程度信息大于预设关联程度信息，则将该地图资源数据作为疑似性污染源，并将实时的污染源以及疑似性污染源作为污染源。
进一步地，本发明的一个较佳实施例中，获取污染源的位置信息对应的影像数据信息，并根据影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图，具体包括：
获取污染源的位置信息对应的影像数据信息，并根据影像数据信息进行识别，获取污染源的用地分区情况，根据污染源的用地分区情况进行初始化规划，生成若干个新污染物监测设备布局点；
获取每个新污染物检测设备布点位置，并通过对每个新污染物检测设备布点位置进行数据检索，判断是否存在新污染物检测设备布点位置中埋设有其它设备的情况出现；
若存在新污染物检测设备布点位置中埋设有其它设备的情况出现，则对该新污染物检测设备布局点进行重新调整，生成新的新污染物检测设备布点，并根据新的新污染物检测设备布点构建相应的监测设备布点图；
若不存在新污染物检测设备布点位置中埋设有其它设备的情况出现，则根据新污染物监测设备布点构建相应的监测设备布点图。
进一步地，本发明的一个较佳实施例中，根据相应的监测设备布点图确定相应的信息汇聚节点，具体包括以下步骤：
根据相应的监测设备布点图对信息汇聚节点进行初始化，获取初始化后信息汇聚节点的所在位置，并基于信息汇聚节点的所在位置以及相应的监测设备布点图中的布点位置获取每一条信息传输路线；
计算每一条信息传输路线的能耗值，并根据信息汇聚节点的所在位置以及每一条信息传输路线的能耗值获取能量损耗值与距离的相关性；
基于能耗值与距离的相关性确定相应的监测设备布点图中布点位置的能耗分布数据，并预设布点位置的预定能耗值；
根据预定能耗值以及相应的监测设备布点图中布点位置的能耗分布数据通过遗传算法进行最优求解，并重新设定信息汇聚节点，并定期对信息汇聚节点进行优化。
进一步地，本发明的一个较佳实施例中，在基于相应的信息汇聚节点构建信息传输网络的步骤中，具体包括：
获取信息汇聚点在目标区域中分布数据信息，并预设目标信息传输速率，初始化发射基站以及接收基站的数量信息，根据信息汇聚点在目标区域中分布数据信息、发射基站以及接收基站的数量信息计算出初始化信息传输速率；
判断初始化信息传输速率是否大于目标信息传输速率，若初始化信息传输速率大于初始化信息传输速率，根据发射基站以及接收基站的数量信息构建信息传输网络；
若初始化信息传输速率不大于初始化信息传输速率，均匀增加发射基站以及接收基站的数量信息，直至初始化信息传输速率大于初始化信息传输速率；
根据增加后的发射基站以及接收基站的数量信息构建信息传输网络，并基于初始化信息传输速率以及目标信息传输速率对信息传输网络定期调整。
本发明第二方面提供了一种新污染物监测设备的布点系统，布点系统包括存储器以及处理器，存储器中包含新污染物监测设备的布点方法程序，新污染物监测设备的布点方法程序被处理器执行时，实现如下步骤：
通过大数据获取新污染物的成分数据信息，并根据新污染物的成分数据信息获取新污染物相关的历史污染源数据；
通过大数据获取目标区域的地图资源数据，并根据目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，获取污染源的位置信息；
获取污染源的位置信息对应的影像数据信息，并根据影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图；
根据相应的监测设备布点图确定相应的信息汇聚节点，并基于相应的信息汇聚节点构建信息传输网络。
在本实施例中，通过大数据获取目标区域的地图资源数据，并根据目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，具体包括以下步骤：
通过大数据获取目标区域的地图资源数据，并通过灰色关联分析法分析目标区域的地图资源数据与新污染物相关的历史污染源数据进行数据分析，获取关联程度信息；
获取关联程度信息大于预设关联程度信息的地图资源数据，并将关联程度信息大于预设关联程度信息的地图资源数据作为实时的污染源；
获取关联程度信息不大于预设关联程度信息的地图资源数据，并根据关联程度信息不大于预设关联程度信息的地图资源数据进行检索，获取关联程度信息不大于预设关联程度信息的地图资源数据在预设时间之内的历史行为信息；
计算历史行为信息与新污染物相关的历史污染源数据的二次关联程度信息，若二次关联程度信息大于预设关联程度信息，则将该地图资源数据作为疑似性污染源，并将实时的污染源以及疑似性污染源作为污染源。
在本实施例中，获取污染源的位置信息对应的影像数据信息，并根据影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图，具体包括：
获取污染源的位置信息对应的影像数据信息，并根据影像数据信息进行识别，获取污染源的用地分区情况，根据污染源的用地分区情况进行初始化规划，生成若干个新污染物监测设备布局点；
获取每个新污染物检测设备布点位置，并通过对每个新污染物检测设备布点位置进行数据检索，判断是否存在新污染物检测设备布点位置中埋设有其它设备的情况出现；
若存在新污染物检测设备布点位置中埋设有其它设备的情况出现，则对该新污染物检测设备布局点进行重新调整，生成新的新污染物检测设备布点，并根据新的新污染物检测设备布点构建相应的监测设备布点图；
若不存在新污染物检测设备布点位置中埋设有其它设备的情况出现，则根据新污染物监测设备布点构建相应的监测设备布点图。
在本实施例中，根据相应的监测设备布点图确定相应的信息汇聚节点，具体包括以下步骤：
根据相应的监测设备布点图对信息汇聚节点进行初始化，获取初始化后信息汇聚节点的所在位置，并基于信息汇聚节点的所在位置以及相应的监测设备布点图中的布点位置获取每一条信息传输路线；
计算每一条信息传输路线的能耗值，并根据信息汇聚节点的所在位置以及每一条信息传输路线的能耗值获取能量损耗值与距离的相关性；
基于能耗值与距离的相关性确定相应的监测设备布点图中布点位置的能耗分布数据，并预设布点位置的预定能耗值；
根据预定能耗值以及相应的监测设备布点图中布点位置的能耗分布数据通过遗传算法进行最优求解，并重新设定信息汇聚节点，并定期对信息汇聚节点进行优化。
本发明解决了背景技术中存在的缺陷，具备以下有益效果：
本发明通过大数据获取新污染物的成分数据信息，并根据新污染物的成分数据信息获取新污染物相关的历史污染源数据，进一步通过大数据获取目标区域的地图资源数据，并根据目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，获取污染源的位置信息，进而获取污染源的位置信息对应的影像数据信息，并根据影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图，最后根据相应的监测设备布点图确定相应的信息汇聚节点，并基于相应的信息汇聚节点构建信息传输网络。通过本方法能够根据地图资源数据上的实时污染源以及疑似污染源进行筛选，使得污染源均能够被监测得到，充分考虑了存在过相应行为的污染源并未列入到新污染物的监测目标，能够提高土壤监测的合理性。另一方面，新污染物监测设备的布点充分考虑其布设点的实际情况以及根据无线监测点的数量来调整信息传输速率，使得在新污染物监测设备的布点更加合理以及使得监测数据能够实时地被采集到。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，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实施例的附图。
图1示出了一种新污染物监测设备的布点方法的具体方法流程图；
图2示出了一种新污染物监测设备的布点方法的第一方法流程图；
图3示出了一种新污染物监测设备的布点方法的第一方法流程图；
图4示出了一种新污染物监测设备的布点系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种新污染物监测设备的布点方法，其特征在于，包括以下步骤：
S102:通过大数据获取新污染物的成分数据信息，并根据新污染物的成分数据信息获取新污染物相关的历史污染源数据；
S104:通过大数据获取目标区域的地图资源数据，并根据目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，获取污染源的位置信息；
S106:获取污染源的位置信息对应的影像数据信息，并根据影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图；
S108:根据相应的监测设备布点图确定相应的信息汇聚节点，并基于相应的信息汇聚节点构建信息传输网络。
需要说明的是，通过本方法能够根据地图资源数据上的实时污染源以及疑似污染源进行筛选，使得污染源均能够被监测得到，充分考虑了存在过相应行为的污染源并未列入到新污染物的监测目标，能够提高土壤监测的合理性。另一方面，新污染物监测设备的布点充分考虑其布设点的实际情况以及根据无线监测点的数量来调整信息传输速率，使得在新污染物监测设备的布点更加合理以及使得监测数据能够实时地被采集到。
进一步地，本发明的一个较佳实施例中，通过大数据获取新污染物的成分数据信息，并根据新污染物的成分数据信息获取新污染物相关的历史污染源数据，具体包括：
通过对新污染物的成分数据信息设置关键词，根据关键词通过大数据网络进行数据检索，获取新污染物的成分数据信息；
示例性的，新污染物的成分数据信息为污染物的组成成分，如重金属污染包括镉元素相关的单质或者化合物、汞元素相关的单质或者化合物等。
根据新污染物的成分数据信息进行新污染物的成分数据信息相关联的污染源进行检索，获取新污染物相关的历史污染源数据，并构建污染源数据库；
示例性的，如重金属相关的污染源可以是某个位置中堆放废弃电池的土壤区域，又如原配电开关控制设备制造企业危废暂存区等情况，在本实施例中不做多余的限制。
通过注意力机制计算出每一组新污染物相关的历史污染源数据的注意力分数，并将污染源数据库分为若干个空间，将相同注意力分数的新污染物相关的历史污染源数据合并，输入到污染源数据库中进行存储；
将不同注意力分数的新污染物相关的历史污染源数据输入到污染源数据库的不同空间中进行存储，并定期更新污染源数据库。
需要说明的是，在本实施例中，注意力机制采用的是多头注意力机制，通过多头注意力机制能够计算出每一组新污染物相关的历史污染源数据的注意力分数，将相同注意力分数的新污染物相关的历史污染源数据合并，输入到污染源数据库中进行存储，将不同注意力分数的新污染物相关的历史污染源数据输入到污染源数据库的不同空间中进行存储，并定期更新污染源数据库，能够有效地提高对历史污染源数据的查询速度以及数据识别速度，从而降低污染源数据库的识别复杂度。
进一步地，本发明的一个较佳实施例中，通过大数据获取目标区域的地图资源数据，并根据目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，具体包括以下步骤：
S202:通过大数据获取目标区域的地图资源数据，并通过灰色关联分析法分析目标区域的地图资源数据与新污染物相关的历史污染源数据进行数据分析，获取关联程度信息；
在该实施例中，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。其中，地图资源数据可以通过百度地图软件、高德地图软件等获取，地图资源数据包括目标区域中所有地理位置相关的名称，如某某企业、某某垃圾场、某某工业区、某某商场等。
S204:获取关联程度信息大于预设关联程度信息的地图资源数据，并将关联程度信息大于预设关联程度信息的地图资源数据作为实时的污染源；
示例性的，在该步骤中，若当前的地图资源数据中存在关联程度信息大于预设关联程度信息的地图资源数据，说明该地图资源数据中存在与新污染物关联程度很高的相关数据，如某某企业、某某垃圾场、某某工业区等，则该类数据就会被作为实时的污染源数据。
S206:获取关联程度信息不大于预设关联程度信息的地图资源数据，并根据关联程度信息不大于预设关联程度信息的地图资源数据进行检索，获取关联程度信息不大于预设关联程度信息的地图资源数据在预设时间之内的历史行为信息；
示例性的，在该步骤中，其中的历史行为信息，如某某区域为原橡胶企业公司原料仓库，历史上存在过沟渠填埋；又如原采矿采石设备制造企业危废暂存区，历史上存在过沟渠填埋；再如原配电开关控制设备制造企业生产和仓储区，后用于重型卡车停车区域，历史上存在过沟渠填埋。该类区域都会被作为疑似性的污染源。
S208:计算历史行为信息与新污染物相关的历史污染源数据的二次关联程度信息，若二次关联程度信息大于预设关联程度信息，则将该地图资源数据作为疑似性污染源，并将实时的污染源以及疑似性污染源作为污染源。
需要说明的是，在S202到S208的步骤中，通过该四项方法能够根据地图资源数据上的实时污染源以及疑似污染源进行筛选，使得污染源均能够被监测得到，充分考虑了存在过相应行为的污染源并未列入到新污染物的监测目标，能够提高土壤监测的合理性。
进一步地，本发明的一个较佳实施例中，获取污染源的位置信息对应的影像数据信息，并根据影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图，具体包括：
S302:获取污染源的位置信息对应的影像数据信息，并根据影像数据信息进行识别，获取污染源的用地分区情况，根据污染源的用地分区情况进行初始化规划，生成若干个新污染物监测设备布局点；
示例性的，可以通过遥感技术或者无人机遥感技术来获取污染源的位置信息对应的影像数据信息、
S304:获取每个新污染物检测设备布点位置，并通过对每个新污染物检测设备布点位置进行数据检索，判断是否存在新污染物检测设备布点位置中埋设有其它设备的情况出现；
S306:若存在新污染物检测设备布点位置中埋设有其它设备的情况出现，则对该新污染物检测设备布局点进行重新调整，生成新的新污染物检测设备布点，并根据新的新污染物检测设备布点构建相应的监测设备布点图；
S308:若不存在新污染物检测设备布点位置中埋设有其它设备的情况出现，则根据新污染物监测设备布点构建相应的监测设备布点图。
示例性的，在步骤302到308中，污染源的用地分区情况包括绿化区域、某某企业的废弃物品堆放区域、办公区域等，进行初始化规划可以通过网格布点法、环状布点法等进行初始化布点规划；其中，埋设有其它设备包括电线设备、电缆设备等。通过本方法能够进一步提高新污染物监测设备布点的合理性。
进一步地，本发明的一个较佳实施例中，根据相应的监测设备布点图确定相应的信息汇聚节点，具体包括以下步骤：
根据相应的监测设备布点图对信息汇聚节点进行初始化，获取初始化后信息汇聚节点的所在位置，并基于信息汇聚节点的所在位置以及相应的监测设备布点图中的布点位置获取每一条信息传输路线；
计算每一条信息传输路线的能耗值，并根据信息汇聚节点的所在位置以及每一条信息传输路线的能耗值获取能量损耗值与距离的相关性；
基于能耗值与距离的相关性确定相应的监测设备布点图中布点位置的能耗分布数据，并预设布点位置的预定能耗值；
根据预定能耗值以及相应的监测设备布点图中布点位置的能耗分布数据通过遗传算法进行最优求解，并重新设定信息汇聚节点，并定期对信息汇聚节点进行优化。
需要说明的是，在本实施例中，新污染物监测设备可以是无线传感器、新型的监测设备等，实际上在一个区域中布设新污染物监测设备时，常常会选择一个信息汇聚点对新污染物监测设备所采集到的信息进行信息汇集，从而通过信息汇集之后在传输到无线监测网络终端处。遗传算法是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。通过遗传算法对预定能耗值以及相应的监测设备布点图中布点位置的能耗分布数据进行最佳信息汇集点进行搜索，从而降低新污染物监测设备对应的信息汇聚点传输信息的能耗值，进一步提高了新污染物监测设备布点的合理性。
进一步地，本发明的一个较佳实施例中，在基于相应的信息汇聚节点构建信息传输网络的步骤中，具体包括：
获取信息汇聚点在目标区域中分布数据信息，并预设目标信息传输速率，初始化发射基站以及接收基站的数量信息，根据信息汇聚点在目标区域中分布数据信息、发射基站以及接收基站的数量信息计算出初始化信息传输速率；
判断初始化信息传输速率是否大于目标信息传输速率，若初始化信息传输速率大于初始化信息传输速率，根据发射基站以及接收基站的数量信息构建信息传输网络；
若初始化信息传输速率不大于初始化信息传输速率，均匀增加发射基站以及接收基站的数量信息，直至初始化信息传输速率大于初始化信息传输速率；
根据增加后的发射基站以及接收基站的数量信息构建信息传输网络，并基于初始化信息传输速率以及目标信息传输速率对信息传输网络定期调整。
需要说明的是，实际上监测设备的监测不但要涉及监测点的布设，还需要涉及发射基站以及接收基站的数量的布设，由于发射基站以及接收基站的数量影响，此时就会影响监测设备MIMO网络的形成。当信息汇聚点在目标区域中分布数据信息很庞大（即信息汇聚点的数据很庞大）时，监测设备对应的发射基站以及接收基站的数量越小，信息传输速率就会越小；当信息汇聚点的数据很庞大时，此时就需要调整信息传输网络中的发射基站以及接收基站的数量来提高信息汇聚点的信息传输速率。通过本方法能够提高监测设备布点的合理性。
此外，本方法还可以包括以下步骤：
获取相应的监测设备布点图中的每一个布点位置，并通过遥感技术获取每一个布点位置的地形结构信息；
通过大数据网络获取目标区域中地质灾害的历史发生情况，并根据所述目标区域中地质灾害的历史发生情况对每一个布点位置的地形结构信息进行模拟研判，以获取目标区域中被地质灾害所波及的位置信息；
判断每一个所述布点位置是否与所述目标区域中被地质灾害所波及的位置信息重合；
若布点位置与所述目标区域中被地质灾害所波及的位置信息重合，则从所述目标区域中被地质灾害未所波及的位置中选择任意一个布点位置作为布点修正位置，并根据所述布点修正位置对相应的监测设备布点图进行调整。
需要说明的是，布点位置可能是经常发生地质灾害的位置，如容易发生洪灾或者山体滑坡的区域，该类区域不利于新污染物监测设备的维护以及容易导致新污染物监测设备损坏，其中地形结构信息是指地表各种各样的形态，具体指地表以上分布的固定性物体共同呈现出的高低起伏的各种状态。通过本方法能够有效地提高监测设备布点的合理性。其中，根据所述目标区域中地质灾害的历史发生情况对每一个布点位置的地形结构信息进行模拟研判，可以通过数字孪生技术、VR技术对地质灾害进行动态研判。
此外，本方法还可以包括以下步骤：
获取相应的监测设备布点图中的每一个布点位置，并通过遥感技术获取每一个所述布点位置附近范围之内的安装设备信息；
通过对所述安装设备信息进行识别，判断所述安装设备信息是否为干扰性的设备类型；
若所述安装设备信息为干扰性的设备类型，则通过电磁波测试仪获取所述布点位置的干扰电磁波分布数据；
根据所述布点位置的干扰电磁波分布数据获取干扰电磁波不在预设范围之内的位置区域，并将干扰电磁波不在预设范围之内的位置区域从中随机选取一个布点位置作为布点修正位置，并根据所述布点修正位置对相应的监测设备布点图进行调整。
需要说明的是，在实际的监测设备安装的过程中，布点位置的附近可能安装有干扰监测设备信息传输的设备，如通信基站、天线设备等，通过本方法能够充分考虑到干扰电磁波的影响，提高了监测设备的布点合理性。
本发明第二方面提供了一种新污染物监测设备的布点系统4，布点系统包括存储器41以及处理器62，存储器41中包含新污染物监测设备的布点方法程序，新污染物监测设备的布点方法程序被处理器62执行时，实现如下步骤：
通过大数据获取新污染物的成分数据信息，并根据新污染物的成分数据信息获取新污染物相关的历史污染源数据；
通过大数据获取目标区域的地图资源数据，并根据目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，获取污染源的位置信息；
获取污染源的位置信息对应的影像数据信息，并根据影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图；
根据相应的监测设备布点图确定相应的信息汇聚节点，并基于相应的信息汇聚节点构建信息传输网络。
在本实施例中，通过大数据获取目标区域的地图资源数据，并根据目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，具体包括以下步骤：
通过大数据获取目标区域的地图资源数据，并通过灰色关联分析法分析目标区域的地图资源数据与新污染物相关的历史污染源数据进行数据分析，获取关联程度信息；
获取关联程度信息大于预设关联程度信息的地图资源数据，并将关联程度信息大于预设关联程度信息的地图资源数据作为实时的污染源；
获取关联程度信息不大于预设关联程度信息的地图资源数据，并根据关联程度信息不大于预设关联程度信息的地图资源数据进行检索，获取关联程度信息不大于预设关联程度信息的地图资源数据在预设时间之内的历史行为信息；
计算历史行为信息与新污染物相关的历史污染源数据的二次关联程度信息，若二次关联程度信息大于预设关联程度信息，则将该地图资源数据作为疑似性污染源，并将实时的污染源以及疑似性污染源作为污染源。
在本实施例中，获取污染源的位置信息对应的影像数据信息，并根据影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图，具体包括：
获取污染源的位置信息对应的影像数据信息，并根据影像数据信息进行识别，获取污染源的用地分区情况，根据污染源的用地分区情况进行初始化规划，生成若干个新污染物监测设备布局点；
获取每个新污染物检测设备布点位置，并通过对每个新污染物检测设备布点位置进行数据检索，判断是否存在新污染物检测设备布点位置中埋设有其它设备的情况出现；
若存在新污染物检测设备布点位置中埋设有其它设备的情况出现，则对该新污染物检测设备布局点进行重新调整，生成新的新污染物检测设备布点，并根据新的新污染物检测设备布点构建相应的监测设备布点图；
若不存在新污染物检测设备布点位置中埋设有其它设备的情况出现，则根据新污染物监测设备布点构建相应的监测设备布点图。
在本实施例中，根据相应的监测设备布点图确定相应的信息汇聚节点，具体包括以下步骤：
根据相应的监测设备布点图对信息汇聚节点进行初始化，获取初始化后信息汇聚节点的所在位置，并基于信息汇聚节点的所在位置以及相应的监测设备布点图中的布点位置获取每一条信息传输路线；
计算每一条信息传输路线的能耗值，并根据信息汇聚节点的所在位置以及每一条信息传输路线的能耗值获取能量损耗值与距离的相关性；
基于能耗值与距离的相关性确定相应的监测设备布点图中布点位置的能耗分布数据，并预设布点位置的预定能耗值；
根据预定能耗值以及相应的监测设备布点图中布点位置的能耗分布数据通过遗传算法进行最优求解，并重新设定信息汇聚节点，并定期对信息汇聚节点进行优化。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种新污染物监测设备的布点方法，其特征在于，包括以下步骤：
通过大数据获取新污染物的成分数据信息，并根据所述新污染物的成分数据信息获取新污染物相关的历史污染源数据；
通过大数据获取目标区域的地图资源数据，并根据所述目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，获取污染源的位置信息；
获取所述污染源的位置信息对应的影像数据信息，并根据所述影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图；
根据所述相应的监测设备布点图确定相应的信息汇聚节点，并基于所述相应的信息汇聚节点构建信息传输网络；
其中，通过大数据获取目标区域的地图资源数据，并根据所述目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，具体包括以下步骤：
通过大数据获取目标区域的地图资源数据，并通过灰色关联分析法分析所述目标区域的地图资源数据与所述新污染物相关的历史污染源数据进行数据分析，获取关联程度信息；
获取关联程度信息大于预设关联程度信息的地图资源数据，并将所述关联程度信息大于预设关联程度信息的地图资源数据作为实时的污染源；
获取关联程度信息不大于预设关联程度信息的地图资源数据，并根据所述关联程度信息不大于预设关联程度信息的地图资源数据进行检索，获取所述关联程度信息不大于预设关联程度信息的地图资源数据在预设时间之内的历史行为信息；
计算所述历史行为信息与新污染物相关的历史污染源数据的二次关联程度信息，若所述二次关联程度信息大于所述预设关联程度信息，则将该地图资源数据作为疑似性污染源，并将所述实时的污染源以及疑似性污染源作为污染源。
2.根据权利要求1所述的一种新污染物监测设备的布点方法，其特征在于，通过大数据获取新污染物的成分数据信息，并根据所述新污染物的成分数据信息获取新污染物相关的历史污染源数据，具体包括：
通过对新污染物的成分数据信息设置关键词，根据所述关键词通过大数据网络进行数据检索，获取新污染物的成分数据信息；
根据所述新污染物的成分数据信息进行新污染物的成分数据信息相关联的污染源进行检索，获取新污染物相关的历史污染源数据，并构建污染源数据库；
通过注意力机制计算出每一组新污染物相关的历史污染源数据的注意力分数，并将所述污染源数据库分为若干个空间，将相同注意力分数的新污染物相关的历史污染源数据合并，输入到所述污染源数据库中进行存储；
将不同注意力分数的新污染物相关的历史污染源数据输入到所述污染源数据库的不同空间中进行存储，并定期更新所述污染源数据库。
3.根据权利要求1所述的一种新污染物监测设备的布点方法，其特征在于，获取所述污染源的位置信息对应的影像数据信息，并根据所述影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图，具体包括：
获取所述污染源的位置信息对应的影像数据信息，并根据所述影像数据信息进行识别，获取污染源的用地分区情况，根据所述污染源的用地分区情况进行初始化规划，生成若干个新污染物监测设备布局点；
获取每个新污染物检测设备布点位置，并通过对所述每个新污染物检测设备布点位置进行数据检索，判断是否存在所述新污染物检测设备布点位置中埋设有其它设备的情况出现；
若存在所述新污染物检测设备布点位置中埋设有其它设备的情况出现，则对该新污染物检测设备布局点进行重新调整，生成新的新污染物检测设备布点，并根据所述新的新污染物检测设备布点构建相应的监测设备布点图；
若不存在所述新污染物检测设备布点位置中埋设有其它设备的情况出现，则根据所述新污染物监测设备布点构建相应的监测设备布点图。
4.根据权利要求1所述的一种新污染物监测设备的布点方法，其特征在于，根据所述相应的监测设备布点图确定相应的信息汇聚节点，具体包括以下步骤：
根据所述相应的监测设备布点图对信息汇聚节点进行初始化，获取初始化后信息汇聚节点的所在位置，并基于信息汇聚节点的所在位置以及相应的监测设备布点图中的布点位置获取每一条信息传输路线；
计算每一条信息传输路线的能耗值，并根据信息汇聚节点的所在位置以及每一条信息传输路线的能耗值获取能量损耗值与距离的相关性；
基于所述能耗值与距离的相关性确定相应的监测设备布点图中布点位置的能耗分布数据，并预设布点位置的预定能耗值；
根据所述预定能耗值以及所述相应的监测设备布点图中布点位置的能耗分布数据通过遗传算法进行最优求解，并重新设定信息汇聚节点，并定期对信息汇聚节点进行优化。
5.根据权利要求1所述的一种新污染物监测设备的布点方法，其特征在于，在基于所述相应的信息汇聚节点构建信息传输网络的步骤中，具体包括：
获取信息汇聚点在目标区域中分布数据信息，并预设目标信息传输速率，初始化发射基站以及接收基站的数量信息，根据所述信息汇聚点在目标区域中分布数据信息、发射基站以及接收基站的数量信息计算出初始化信息传输速率；
判断所述初始化信息传输速率是否大于目标信息传输速率，若所述初始化信息传输速率大于初始化信息传输速率，根据所述发射基站以及接收基站的数量信息构建信息传输网络；
若所述初始化信息传输速率不大于初始化信息传输速率，均匀增加发射基站以及接收基站的数量信息，直至所述初始化信息传输速率大于初始化信息传输速率；
根据增加后的发射基站以及接收基站的数量信息构建信息传输网络，并基于所述初始化信息传输速率以及目标信息传输速率对信息传输网络定期调整。
6.一种新污染物监测设备的布点系统，其特征在于，所述布点系统包括存储器以及处理器，所述存储器中包含新污染物监测设备的布点方法程序，所述新污染物监测设备的布点方法程序被处理器执行时，实现如下步骤：
通过大数据获取新污染物的成分数据信息，并根据所述新污染物的成分数据信息获取新污染物相关的历史污染源数据；
通过大数据获取目标区域的地图资源数据，并根据所述目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，获取污染源的位置信息；
获取所述污染源的位置信息对应的影像数据信息，并根据所述影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图；
根据所述相应的监测设备布点图确定相应的信息汇聚节点，并基于所述相应的信息汇聚节点构建信息传输网络；
通过大数据获取目标区域的地图资源数据，并根据所述目标区域的地图资源数据以及新污染物相关的历史污染源数据对污染源数据进行筛选，具体包括以下步骤：
通过大数据获取目标区域的地图资源数据，并通过灰色关联分析法分析所述目标区域的地图资源数据与所述新污染物相关的历史污染源数据进行数据分析，获取关联程度信息；
获取关联程度信息大于预设关联程度信息的地图资源数据，并将所述关联程度信息大于预设关联程度信息的地图资源数据作为实时的污染源；
获取关联程度信息不大于预设关联程度信息的地图资源数据，并根据所述关联程度信息不大于预设关联程度信息的地图资源数据进行检索，获取所述关联程度信息不大于预设关联程度信息的地图资源数据在预设时间之内的历史行为信息；
计算所述历史行为信息与新污染物相关的历史污染源数据的二次关联程度信息，若所述二次关联程度信息大于所述预设关联程度信息，则将该地图资源数据作为疑似性污染源，并将所述实时的污染源以及疑似性污染源作为污染源。
7.根据权利要求6所述的一种新污染物监测设备的布点系统，其特征在于，获取所述污染源的位置信息对应的影像数据信息，并根据所述影像数据信息对新污染物监测设备进行布点，以获取相应的监测设备布点图，具体包括：
获取所述污染源的位置信息对应的影像数据信息，并根据所述影像数据信息进行识别，获取污染源的用地分区情况，根据所述污染源的用地分区情况进行初始化规划，生成若干个新污染物监测设备布局点；
获取每个新污染物检测设备布点位置，并通过对所述每个新污染物检测设备布点位置进行数据检索，判断是否存在所述新污染物检测设备布点位置中埋设有其它设备的情况出现；
若存在所述新污染物检测设备布点位置中埋设有其它设备的情况出现，则对该新污染物检测设备布局点进行重新调整，生成新的新污染物检测设备布点，并根据所述新的新污染物检测设备布点构建相应的监测设备布点图；
若不存在所述新污染物检测设备布点位置中埋设有其它设备的情况出现，则根据所述新污染物监测设备布点构建相应的监测设备布点图。
8.根据权利要求6所述的一种新污染物监测设备的布点系统，其特征在于，根据所述相应的监测设备布点图确定相应的信息汇聚节点，具体包括以下步骤：根据所述相应的监测设备布点图对信息汇聚节点进行初始化，获取初始化后信息汇聚节点的所在位置，并基于信息汇聚节点的所在位置以及相应的监测设备布点图中的布点位置获取每一条信息传输路线；
计算每一条信息传输路线的能耗值，并根据信息汇聚节点的所在位置以及每一条信息传输路线的能耗值获取能量损耗值与距离的相关性；
基于所述能耗值与距离的相关性确定相应的监测设备布点图中布点位置的能耗分布数据，并预设布点位置的预定能耗值；
根据所述预定能耗值以及所述相应的监测设备布点图中布点位置的能耗分布数据通过遗传算法进行最优求解，并重新设定信息汇聚节点，并定期对信息汇聚节点进行优化。
CN202310511762.7A 2023-05-09 2023-05-09 一种新污染物监测设备的布点方法及系统 Active CN116233865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310511762.7A CN116233865B (zh) 2023-05-09 2023-05-09 一种新污染物监测设备的布点方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310511762.7A CN116233865B (zh) 2023-05-09 2023-05-09 一种新污染物监测设备的布点方法及系统

Publications (2)

Publication Number Publication Date
CN116233865A CN116233865A (zh) 2023-06-06
CN116233865B true CN116233865B (zh) 2023-07-04

Family

ID=86584697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310511762.7A Active CN116233865B (zh) 2023-05-09 2023-05-09 一种新污染物监测设备的布点方法及系统

Country Status (1)

Country Link
CN (1) CN116233865B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882638B (zh) * 2023-09-07 2023-12-01 北京建工环境修复股份有限公司 一种全氟化合物污染监测设备的管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711840A (zh) * 2020-12-24 2021-04-27 武汉大学 一种基于云边协同的流域突发水污染溯源方法
CN114997546A (zh) * 2022-08-05 2022-09-02 天津市地质研究和海洋地质中心 基于多源数据的监测井综合调查评价方法、系统及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2133080C3 (de) * 1971-07-02 1974-10-17 Siemens Ag, 1000 Berlin Und 8000 Muenchen System zur optischen Kontrolle von Luftverunreinigungen in einem Großraum
CN106845371B (zh) * 2016-12-31 2019-10-25 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN112557598B (zh) * 2020-12-03 2022-12-02 周进 一种基于物联网的城市空气质量监控管理方法
CN113222328B (zh) * 2021-03-25 2022-02-25 中国科学技术大学先进技术研究院 基于路段污染相似性的空气质量监测设备布点选址方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711840A (zh) * 2020-12-24 2021-04-27 武汉大学 一种基于云边协同的流域突发水污染溯源方法
CN114997546A (zh) * 2022-08-05 2022-09-02 天津市地质研究和海洋地质中心 基于多源数据的监测井综合调查评价方法、系统及介质

Also Published As

Publication number Publication date
CN116233865A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Kang et al. Air quality prediction: Big data and machine learning approaches
CN108876027B (zh) 一种基于gis的农村居民点集中居住区选址和优化方法
CN116186566B (zh) 基于深度学习的扩散预测方法及系统
Inman et al. Comparing sample bias correction methods for species distribution modeling using virtual species
Tessarolo et al. Uncertainty associated with survey design in species distribution models
Bellamy et al. Multiscale, presence‐only habitat suitability models: Fine‐resolution maps for eight bat species
Jafari et al. Groundwater risk assessment based on optimization framework using DRASTIC method
Jakiel et al. Spatial and temporal distribution of illegal dumping sites in the nature protected area: The Ojców National Park, Poland
KR100982447B1 (ko) 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법
CN116109462B (zh) 一种自然灾害后饮水水源地污染监测预警方法及系统
CN116233865B (zh) 一种新污染物监测设备的布点方法及系统
CN112288247B (zh) 一种基于空间交互关系的土壤重金属风险识别方法
Van Groenigen et al. Optimizing spatial sampling for multivariate contamination in urban areas
Heyns et al. Multi‐type, multi‐zone facility location
CN115170980B (zh) 一种基于卫星影像识别的输气管道高后果区智能识别方法
CN116362569B (zh) 一种场地污染的多维度评估方法及系统
CN115856961A (zh) 一种卫星林火伪热源确定方法
CN110399537B (zh) 一种基于人工智能技术的警情时空预测方法
CN113408867A (zh) 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法
Zhang et al. Interaction of interregional O3 pollution using complex network analysis
CN114066077B (zh) 基于应急事件空间警兆分析的环卫风险预测方法
Liu et al. Application of convolutional neural network to GIS and physics
CN115049180A (zh) 一种基于标准地址上实有人口、房屋以及单位数据分析的风险预估方法
Chu et al. A hybrid intelligent model for urban seismic risk assessment from the perspective of possibility and vulnerability based on Particle Swarm Optimization
Kolovos et al. Emerging patterns in multi-sourced data modeling uncertainty

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