CN116308952A - 一种基于无人船的水质监测方法及设备 - Google Patents
一种基于无人船的水质监测方法及设备 Download PDFInfo
- Publication number
- CN116308952A CN116308952A CN202310231281.0A CN202310231281A CN116308952A CN 116308952 A CN116308952 A CN 116308952A CN 202310231281 A CN202310231281 A CN 202310231281A CN 116308952 A CN116308952 A CN 116308952A
- Authority
- CN
- China
- Prior art keywords
- sampling
- point
- sampling point
- historical
- unmanned ship
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 434
- 230000002159 abnormal effect Effects 0.000 claims abstract description 91
- 238000003911 water pollution Methods 0.000 claims description 30
- 230000000875 corresponding effect Effects 0.000 claims description 28
- 238000005286 illumination Methods 0.000 claims description 11
- 230000000903 blocking effect Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 7
- 239000004973 liquid crystal related substance Substances 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000011109 contamination Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000003208 petroleum Substances 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000192700 Cyanobacteria Species 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 231100001240 inorganic pollutant Toxicity 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- -1 salinity Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Biochemistry (AREA)
- Animal Behavior & Ethology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Databases & Information Systems (AREA)
- Food Science & Technology (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Immunology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种基于无人船的水质监测方法及设备，方法包括：确定由多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；关联边包括不同水质污染类型所对应的水域深度污染关系、水域表面污染关系；获取无人船在最近一次周期内的历史采样序列，历史采样序列包括无人船在若干历史采样点位的历史采样子序列，历史采样子序列通过无人船在每个历史采样点位连续监测采样生成，若历史采样序列中具有异常历史采样点位，根据关系图谱与异常历史采样点位的历史采样子序列，得到关联点位；在历史采样序列中，判断是否具有关联点位的历史采样子序列；若否，根据关联点位，对下一个周期的采样点位组合进行更新。提高水质监测准确率。
Description
技术领域
本申请涉及水质监测技术领域，尤其涉及一种基于无人船的水质监测方法及设备。
背景技术
随着人们生态保护意识逐渐增强，水资源问题得到了广泛的关注。为了有效地保护水资源，需要通过合理的监测方式，定期对河流湖泊等水域进行水体参数监测和水质样本采样，快速精准地掌握水质变化数据，对水质状况进行评估和治理。
目前，无人船已被广泛应用于水域水质监测。但是，水质监测无人船在测量水域的水质参数时存在智能化程度低、设置目标点不灵活等不足，常常采用随机取点采样的方式进行水质监测。这种方式的水质监测，并不能对整个水域有良好的数据体现，从而导致无人船在进行水质监测时，监测准确率低下。
发明内容
本申请实施例提供一种基于无人船的水质监测方法及设备，用于解决无人船在进行水质监测时，监测准确率低下的问题。
本申请实施例采用下述技术方案：
一方面，本申请实施例提供了一种一种基于无人船的水质监测方法，该方法包括：确定无人船在预设水域的预先设定的多个样本采样点位，以及确定由所述多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；所述关联边包括不同水质污染类型所对应的水域深度污染关系、水域表面污染关系；在所述预设水域，获取无人船在最近一次周期内的历史采样序列，所述历史采样序列包括无人船在若干历史采样点位的历史采样子序列，所述历史采样子序列通过所述无人船在每个历史采样点位连续监测采样生成，所述历史采样子序列包括不同时间点对应的采样参数，每个时间点的采样参数对应不同的采样深度；若所述历史采样序列中具有异常历史采样点位，根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位；所述关联点位与所述异常历史采样点位之间的水质污染浓度值呈现正相关；在所述历史采样序列中，判断是否具有所述关联点位的历史采样子序列；若否，根据所述关联点位，对下一个周期的采样点位组合进行更新。
一个示例中，所述根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位，具体包括：在所述关系图谱中，检索异常历史采样点位；确定所述异常历史点位的邻接节点；在所述历史采样子序列中，确定所述异常历史采样点位的异常采样参数，以及所述异常采样参数对应的采样深度；根据所述异常历史采样点位的水质污染类型以及所述采样深度，确定所述邻接节点与所述异常历史采样点位之间的依赖关系；根据所述依赖关系，确定所述异常历史采样点位的关联点位。
一个示例中，所述根据所述依赖关系，确定所述异常历史采样点位的关联点位，具体包括：根据所述依赖关系，确定所述异常历史采样点位的初始关联点位；若所述初始关联点位为多个，则根据所述关系图谱，确定所述异常历史采样点位与每个初始关联点位分别对应关联边的权重值；所述权重值越高，所述异常历史采样点位与所述初始关联点位之间的正相关程度越高；将权重值超过预设权重阈值的初始关联点位，确定为所述异常历史采样点位的关联点位。
一个示例中，所述根据所述关联点位，对下一个周期的采样点位组合进行更新，具体包括：确定下一个周期的采样点位组合；判断在所述采样点位组合中，是否存在所述关联点位；若否，则在所述采样点位组合中，根据所述关系图谱，检索除了所述异常历史采样点位外，所述关联点位的邻接节点；判断在所述采样点位组合中，是否存在所述邻接节点；若否，则将所述关联点位补充至所述采样点位组合。
一个示例中，所述关联点位为多个，所述方法还包括：若具有所述关联点位的历史采样子序列，则判断在下一个周期的采样点位组合中，是否存在所述关联点位；若否，则在所述关系图谱中，检索除了所述异常历史采样点位外，所述关联点位的邻接节点；判断在所述采样点位组合中，是否存在所述邻接节点；若否，则在所述关联点位的邻接节点中，选取关联边权重值最高的邻接节点，作为待更新采样点位；在所述采样点位组合中，确定与所述待更新采样点位关联边权重值最高的待监测采样点位；将所述待更新采样点位替换所述待监测采样点位。
一个示例中，所述根据所述关联点位，对下一个周期的采样点位组合进行更新之后，所述方法还包括：通过获取气象信息，确定所述水域的水面场景光照条件；根据更新的采样点位组合，生成所述无人船的路径导航信息；在所述无人船到达所述路径导航信息中的第一采样点位后，在预设时间间隔内，获取所述无人船在预设范围内的图像信息；对所述图像信息进行识别，确定阻碍所述无人船将要到达所述路径导航信息中第二采样点位的影响等级；所述影响等级越高，所述无人船的阻碍程度越高；若所述水面场景光照条件不符合预设要求，根据所述水面场景光照条件对所述影响等级进行补偿；所述水面光照条件越降低图像信息的识别度时，补偿的程度越高；根据补偿的影响等级与所述路径导航信息，确定所述无人船将要到达所述第二采样点位的导航信息。
一个示例中，所述根据补偿的影响等级与所述路径导航信息，确定所述无人船将要到达所述第二采样点位的导航信息，具体包括：若所述补偿的影响等级高于预设等级，则确定所述无人船的阻碍类型；根据所述阻碍类型，确定阻碍所述无人船到达所述第二采样点位的阻碍时长；若所述阻碍时长大于预设时长，则判断阻碍物是否处于所述第二采样点位；若否，则根据所述阻碍物的位置信息与所述路径导航信息，确定所述无人船将要到达所述第二采样点位的导航信息。
一个示例中，所述方法还包括：若所述阻碍物处于所述第二采样点位，则确定所述无人船在预设时间段内无法到达所述第二采样点位；则在所述路径导航信息中，确定所述无人船将要到达的第三采样点位；所述第三采样点位处于所述第二采样点位的下一个采样点位；若确定所述无人船能够到达所述第三采样点位，则根据所述路径导航信息，生成所述无人船将要到达所述第三采样点位的导航信息。
一个示例中，所述方法还包括：获取所述第一采样点位的采样序列；将所述采样序列输入预先构建的水质污染监测神经网络模型，确定所述第一采样点位的水质污染浓度值；若所述水质污染浓度值大于预设污染阈值，则生成所述第一采样点位的预警信息，将所述采样点位的预警信息发送至用户终端设备。
另一方面，本申请实施例提供了一种基于无人船的水质监测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：确定无人船在预设水域的预先设定的多个样本采样点位，以及确定由所述多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；所述关联边包括不同水质污染类型所对应的深度污染关系、表面污染关系；在所述预设水域，获取无人船在最近一次周期内的历史采样序列，所述历史采样序列包括无人船在若干历史采样点位的历史采样子序列，所述历史采样子序列通过所述无人船在每个历史采样点位连续监测采样生成，所述历史采样子序列包括不同时间点对应的采样参数，每个时间点的采样参数对应不同的采样深度；若所述历史采样序列中具有异常历史采样点位，根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位；所述关联点位与所述异常历史采样点位之间的水质污染浓度值呈现正相关；在所述历史采样序列中，判断是否具有所述关联点位的历史采样子序列；若否，根据所述关联点位，对下一个周期的采样点位组合进行更新。
另一方面，本申请实施例提供了一种基于无人船的水质监测非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：确定无人船在预设水域的预先设定的多个样本采样点位，以及确定由所述多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；所述关联边包括不同水质污染类型所对应的深度污染关系、表面污染关系；在所述预设水域，获取无人船在最近一次周期内的历史采样序列，所述历史采样序列包括无人船在若干历史采样点位的历史采样子序列，所述历史采样子序列通过所述无人船在每个历史采样点位连续监测采样生成，所述历史采样子序列包括不同时间点对应的采样参数，每个时间点的采样参数对应不同的采样深度；若所述历史采样序列中具有异常历史采样点位，根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位；所述关联点位与所述异常历史采样点位之间的水质污染浓度值呈现正相关；在所述历史采样序列中，判断是否具有所述关联点位的历史采样子序列；若否，根据所述关联点位，对下一个周期的采样点位组合进行更新。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
能够通过预先设定多个样本采样点位，以及构建样本采样点位的关系图谱，考虑到不同水质污染类型所对应的水域深度污染关系、水域表面污染关系，能够基于上周期的异常采样点位，挖掘出潜在污染的采样点位，从而能精确地自动对下一周期的的采样点位进行更新，无人船每次进行水质监测的过程中，均能够更准确地监测水域的水质污染区域，提高监测准确率。
附图说明
为了更清楚地说明本申请的技术方案，下面将结合附图来对本申请的部分实施例进行详细说明，附图中：
图1为本申请实施例提供的一种基于无人船的水质监测方法的流程示意图；
图2为本申请实施例提供的一种基于无人船的水质监测设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面参照附图来对本申请的一些实施例进行详细说明。
图1为本申请实施例提供的一种基于无人船的水质监测方法的流程示意图。该流程中的某些输入参数或者中间结果允许人工干预调节，以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为无人船设备，也可以为服务器，本申请对此不作特殊限制。为了方便理解和描述，以下实施例均以服务器为例进行详细描述。
需要说明的是，该服务器可以是单独的一台设备，可以是有多台设备组成的系统，即，分布式服务器，本申请对此不做具体限定。
图1中的流程可以包括以下步骤：
S101：确定无人船在预设水域的预先设定的多个样本采样点位，以及确定由所述多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；所述关联边包括不同水质污染类型所对应的水域深度污染关系、水域表面污染关系。
其中，水质污染类型是指原水感官性状、无机污染物、有机污染物、微生物、放射性等五大类指标异常，比如，包括生理性污染、物理性污染、化学性污染、生物性污染。而不同的污染类型，具有不同的水域污染扩散性质。比如，物理性污染的石油泄露，则主要涉及水域表面污染，比如，A样本采样点位出现石油泄漏，则将向周围的水域表面进行石油扩散，造成附近范围内的水域表面出现石油泄漏污染。又比如，生物性污染的病原微生物，则主要涉及水域深度污染，或者水域深度污染以及水域表面污染。
基于此，不同的样本采样点位之间的空间直线距离不同，则水域深度污染与水域表面污染分别对应的相互之间的关联程度不同。其中，空间距离越近，则关联程度越高。
可以理解的是，在关系图谱中，样本采样点位与邻接节点之间的空间距离，相对于与其他样本采样点位之间的空间距离，是最近的。而针对于与每个邻接节点之间的空间距离，可能存在相同，也可能存在不同。其中，对于样本采样点位的邻接节点可以根据实际需要进行设置，比如，将空间距离作为参考标准，将预设距离范围内的样本采样点位作为该样本采样点位的邻接节点。
S102：在所述预设水域，获取无人船在最近一次周期内的历史采样序列，所述历史采样序列包括无人船在若干历史采样点位的历史采样子序列，所述历史采样子序列通过所述无人船在每个历史采样点位连续监测采样生成，所述历史采样子序列包括不同时间点对应的采样参数，每个时间点的采样参数对应不同的采样深度。
从而可以采集同一深度不同位置的水质参数。其中，采样参数包括水温、pH值、ORP、电导率、浊度、溶解氧、盐度、COD、氨氮、总悬浮颗粒物、总溶解固体、溶解性有机物、叶绿素、蓝绿藻等水质指标的浓度值。
需要说明的是，无人船在进行水质监测时，所监测的采样点位组合，属于样本采样点位的子集合。此外，在每个周期结束后，则获取刚结束的周期所产生的历史采样序列，以对下一个周期的采样点位组合进行参考。
S103：若所述历史采样序列中具有异常历史采样点位，根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位；所述关联点位与所述异常历史采样点位之间的水质污染浓度值呈现正相关。
具体地，由于在历史采样序列中，对于异常历史采样点位会被异常标记。因此，可以在历史采样序列中查找是否具有异常标记，从而能够查找到是否具有异常历史采样点位。
基于此，在关系图谱中，检索异常历史采样点位。然后，确定异常历史点位的邻接节点。然后，在历史采样子序列中，确定异常历史采样点位的异常采样参数，以及异常采样参数对应的采样深度。然后，根据异常历史采样点位的水质污染类型以及采样深度，确定邻接节点与异常历史采样点位之间的依赖关系。最后，根据依赖关系，确定异常历史采样点位的关联点位。
需要说明的是，在确定采样深度时，能够得到异常历史采样点位的水域污染深度。对于同一水质污染类型，如果不同的污染深度，那么可能导致对邻接节点不同的污染扩散程度，而对于不同的水质污染类型，如果不同的污染深度，仍然可能导致对邻接节点不同的污染扩散程度。
依赖关系则是指从关联关系中，选取异常历史采样点位的水质污染类型以及采样深度的条件下，邻接节点与异常历史采样点位之间的关系。
在本申请的一些实施例中，关联点位可能存在一个或多个，而在多个情况下，选取受污染影响大的关联点位。
基于此，首先，根据依赖关系，确定异常历史采样点位的初始关联点位。若初始关联点位为多个，则根据关系图谱，确定异常历史采样点位与每个初始关联点位分别对应关联边的权重值。其中，权重值越高，异常历史采样点位与所述初始关联点位之间的正相关程度越高。也就是说，权重值越高，异常历史采样点位的水质污染程度越高，则初始关联点位的水质被污染的可能性越高。最后，将权重值超过预设权重阈值的初始关联点位，确定为异常历史采样点位的关联点位。
需要说明的是，若历史采样序列中不具有异常历史采样点位，则不再执行S104-S105，不再对下一个周期的采样点组合进行更新。
S104：在所述历史采样序列中，判断是否具有所述关联点位的历史采样子序列。
需要说明的是，在关联点位为多个时，由于关联点位可能既存在于历史采样序列中，也可能存在于下一个周期的采样点位组合，因此，若具有关联点位的历史采样子序列，为了更加准确地挖掘出潜在污染的采样点位，继续对下一个周期的采样点位组合进行筛选。
基于此，判断在下一个周期的采样点位组合中，是否存在关联点位。若否，则在关系图谱中，检索除了异常历史采样点位外，关联点位的邻接节点。然后判断在采样点位组合中，是否存在邻接节点。若否，则在关联点位的邻接节点中，选取关联边权重值最高的邻接节点，作为待更新采样点位。然后，在采样点位组合中，确定与待更新采样点位关联边权重值最高的待监测采样点位。最后，将待更新采样点位替换待监测采样点位。其中，若在采样点位组合中，存在邻接节点，则不再对采样点位组合进行更新。
可以理解的是，此时部分关联点位已经存在于历史采样序列中，但是，采集的采样参数中，并未发生异常，说明此时异常历史采样点位的水质污染在采集时，可能刚发生，还未影响到关联点位。
但是，随着时间的流逝，可能已经影响到关联点位。又或者异常历史采样点位的水质污染程度较低，不足以扩散影响到周围的水域环境。因此，关联点位的邻接点位出现污染的可能性相对性较小。那么此时邻接节点对周围产生的污染影响也不大。
因此，为了减少无人船的工作量，将待更新采样点位替换采样点位组合中的一个待监测采样点位。即，待更新采样点位出现污染的可能性较低，对待监测采样点位的污染影响也低，但是，待更新采样点位的受污染可能性大于待监测采样点位受污染可能性，因此，无人船监测可能性更大的待更新采样点位。
需要说明的是，若在采样点位组合中存在关联点位，则不再对采样点位组合进行更新。
S105：若否，根据所述关联点位，对下一个周期的采样点位组合进行更新。
在本申请的一些实施例中，在不具有关联点位的历史采样子序列时，说明此时关联点位的受影响的水质污染程度是不确定的，同时需要对下一个周期的采样点位组合进行筛选。
基于此，确定下一个周期的采样点位组合，然后在采样点位组合中，首先判断在采样点位组合中，是否存在关联点位。若否，则在采样点位组合中，根据关系图谱，检索除了异常历史采样点位外，关联点位的邻接节点。然后，判断在采样点位组合中，是否存在邻接节点。若否，则将所述关联点位补充至采样点位组合。
需要说明的是，由于此时关联点位的受影响的水质污染程度是不确定的，因此为了准确地挖掘出潜在水域污染，将关联点位补充至采样点位组合。
在本申请的一些实施例中，在得到准确地采样点位组合后，将依次进行采样。
具体地，首先，通过获取气象信息，确定水域的水面场景光照条件。然后，根据更新的采样点位组合，生成无人船的路径导航信息。需要说明的是，采样点不需要更新时，则根据采样点位组合，生成无人船的路径导航信息。
然后，在无人船到达路径导航信息中的第一采样点位后，在预设时间间隔内，获取无人船在预设范围内的图像信息。然后，对图像信息进行识别，确定阻碍无人船将要到达所述路径导航信息中第二采样点位的影响等级。其中，影响等级越高，无人船的阻碍程度越高。
若水面场景光照条件不符合预设要求，根据水面场景光照条件对影响等级进行补偿。其中，水面光照条件越降低图像信息的识别度时，补偿的程度越高。
也就是说，补偿的目的是为了更好地识别出图像信息中的阻碍物。比如，光线很暗或者光线很亮时，对于阻碍物的大小以及形状判断可能出现较大的误差，比如，将阻碍物的尺寸识别过小，实际阻碍物的实际尺寸要大，那么此时，通过补偿，则会将阻碍物的识别尺寸进行增加，从而能够更加接近实际的尺寸。
最后，根据补偿的影响等级与路径导航信息，确定无人船将要到达第二采样点位的导航信息。
进一步地，若补偿的影响等级高于预设等级，则确定无人船的阻碍类型。其中，阻碍类型包括静态阻碍类型和动态阻碍类型。静态阻碍类型包括静止的船、漂浮物等。动态阻碍类型包括行驶的船。
然后，根据阻碍类型，确定阻碍无人船到达第二采样点位的阻碍时长。若阻碍时长大于预设时长，则判断阻碍物是否处于第二采样点位。
若否，则根据阻碍物的位置信息与路径导航信息，确定无人船将要到达第二采样点位的导航信息。即，此时可以通过避开阻碍物，到达第二采样点位。
若阻碍物处于第二采样点位，则确定无人船在预设时间段内无法到达第二采样点位。
则在路径导航信息中，确定无人船将要到达的第三采样点位；第三采样点位处于第二采样点位的下一个采样点位。
若确定无人船能够到达第三采样点位，则根据路径导航信息，生成无人船将要到达第三采样点位的导航信息。
需要说明的是，若确定无人船无法到达第三采样点位，则向用户终端进行预警，并确认是继续等待，还是查找第四采样点位。第四采样点位处于第三采样点位的下一个采样点位。
能够按照预设航路进行自主航行、避免障碍物，自动进行水质采集。
在本申请的一些实施例中，需要对采样点位的采样参数进行分析，得到水质是否被污染。
基于此，首先获取第一采样点位的采样序列。然后，将采样序列输入预先构建的水质污染监测神经网络模型，确定第一采样点位的水质污染浓度值。
最后，若水质污染浓度值大于预设污染阈值，则生成第一采样点位的预警信息，将采样点位的预警信息发送至用户终端设备。
需要说明的是，虽然本申请实施例是参照图1来对步骤S101至步骤S105依次进行介绍说明的，但这并不代表步骤S101至步骤S105必须按照严格的先后顺序执行。本申请实施例之所以按照图1中所示的顺序对步骤S101至步骤S105依次进行介绍说明，是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说，在本申请实施例中，步骤S101至步骤S105之间的先后顺序可以根据实际需要进行适当调整。
通过图1的方法，能够通过预先设定多个样本采样点位，以及构建样本采样点位的关系图谱，考虑到不同水质污染类型所对应的水域深度污染关系、水域表面污染关系，能够基于上周期的异常采样点位，挖掘出潜在污染的采样点位，从而能精确地自动对下一周期的的采样点位进行更新，无人船每次进行水质监测的过程中，均能够更准确地监测水域的水质污染区域，提高监测准确率。
基于同样的思路，本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图2为本申请实施例提供的一种基于无人船的水质监测设备的一种结构示意图，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
确定无人船在预设水域的预先设定的多个样本采样点位，以及确定由所述多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；所述关联边包括不同水质污染类型所对应的深度污染关系、表面污染关系；
在所述预设水域，获取无人船在最近一次周期内的历史采样序列，所述历史采样序列包括无人船在若干历史采样点位的历史采样子序列，所述历史采样子序列通过所述无人船在每个历史采样点位连续监测采样生成，所述历史采样子序列包括不同时间点对应的采样参数，每个时间点的采样参数对应不同的采样深度；
若所述历史采样序列中具有异常历史采样点位，根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位；所述关联点位与所述异常历史采样点位之间的水质污染浓度值呈现正相关；
在所述历史采样序列中，判断是否具有所述关联点位的历史采样子序列；
若否，根据所述关联点位，对下一个周期的采样点位组合进行更新。
本申请的一些实施例提供的一种基于无人船的水质监测非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
确定无人船在预设水域的预先设定的多个样本采样点位，以及确定由所述多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；所述关联边包括不同水质污染类型所对应的深度污染关系、表面污染关系；
在预设水域，获取无人船在最近一次周期内的历史采样序列，所述历史采样序列包括无人船在若干历史采样点位的历史采样子序列，所述历史采样子序列通过所述无人船在每个历史采样点位连续监测采样生成，所述历史采样子序列包括不同时间点对应的采样参数，每个时间点的采样参数对应不同的采样深度；
若所述历史采样序列中具有异常历史采样点位，根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位；所述关联点位与所述异常历史采样点位之间的水质污染浓度值呈现正相关；
在所述历史采样序列中，判断是否具有所述关联点位的历史采样子序列；
若否，根据所述关联点位，对下一个周期的采样点位组合进行更新。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等，均应落入本申请的保护范围之内。
Claims (10)
1.一种基于无人船的水质监测方法，其特征在于，所述方法包括：
确定无人船在预设水域的预先设定的多个样本采样点位，以及确定由所述多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；所述关联边包括不同水质污染类型所对应的水域深度污染关系、水域表面污染关系；
在所述预设水域，获取无人船在最近一次周期内的历史采样序列，所述历史采样序列包括无人船在若干历史采样点位的历史采样子序列，所述历史采样子序列通过所述无人船在每个历史采样点位连续监测采样生成，所述历史采样子序列包括不同时间点对应的采样参数，每个时间点的采样参数对应不同的采样深度；
若所述历史采样序列中具有异常历史采样点位，根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位；所述关联点位与所述异常历史采样点位之间的水质污染浓度值呈现正相关；
在所述历史采样序列中，判断是否具有所述关联点位的历史采样子序列；
若否，根据所述关联点位，对下一个周期的采样点位组合进行更新。
2.根据权利要求1所述的方法，其特征在于，所述根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位，具体包括：
在所述关系图谱中，检索异常历史采样点位；
确定所述异常历史点位的邻接节点；
在所述历史采样子序列中，确定所述异常历史采样点位的异常采样参数，以及所述异常采样参数对应的采样深度；
根据所述异常历史采样点位的水质污染类型以及所述采样深度，确定所述邻接节点与所述异常历史采样点位之间的依赖关系；
根据所述依赖关系，确定所述异常历史采样点位的关联点位。
3.根据权利要求2所述的方法，其特征在于，所述根据所述依赖关系，确定所述异常历史采样点位的关联点位，具体包括：
根据所述依赖关系，确定所述异常历史采样点位的初始关联点位；
若所述初始关联点位为多个，则根据所述关系图谱，确定所述异常历史采样点位与每个初始关联点位分别对应关联边的权重值；所述权重值越高，所述异常历史采样点位与所述初始关联点位之间的正相关程度越高；
将权重值超过预设权重阈值的初始关联点位，确定为所述异常历史采样点位的关联点位。
4.根据权利要求1所述的方法，其特征在于，所述根据所述关联点位，对下一个周期的采样点位组合进行更新，具体包括：
确定下一个周期的采样点位组合；
判断在所述采样点位组合中，是否存在所述关联点位；
若否，则在所述采样点位组合中，根据所述关系图谱，检索除了所述异常历史采样点位外，所述关联点位的邻接节点；
判断在所述采样点位组合中，是否存在所述邻接节点；
若否，则将所述关联点位补充至所述采样点位组合。
5.根据权利要求1所述的方法，其特征在于，所述关联点位为多个，所述方法还包括：
若具有所述关联点位的历史采样子序列，则判断在下一个周期的采样点位组合中，是否存在所述关联点位；
若否，则在所述关系图谱中，检索除了所述异常历史采样点位外，所述关联点位的邻接节点；
判断在所述采样点位组合中，是否存在所述邻接节点；
若否，则在所述关联点位的邻接节点中，选取关联边权重值最高的邻接节点，作为待更新采样点位；
在所述采样点位组合中，确定与所述待更新采样点位关联边权重值最高的待监测采样点位；
将所述待更新采样点位替换所述待监测采样点位。
6.根据权利要求1所述的方法，其特征在于，所述根据所述关联点位，对下一个周期的采样点位组合进行更新之后，所述方法还包括：
通过获取气象信息，确定所述水域的水面场景光照条件；
根据更新的采样点位组合，生成所述无人船的路径导航信息；
在所述无人船到达所述路径导航信息中的第一采样点位后，在预设时间间隔内，获取所述无人船在预设范围内的图像信息；
对所述图像信息进行识别，确定阻碍所述无人船将要到达所述路径导航信息中第二采样点位的影响等级；所述影响等级越高，所述无人船的阻碍程度越高；
若所述水面场景光照条件不符合预设要求，根据所述水面场景光照条件对所述影响等级进行补偿；所述水面光照条件越降低图像信息的识别度时，补偿的程度越高；
根据补偿的影响等级与所述路径导航信息，确定所述无人船将要到达所述第二采样点位的导航信息。
7.根据权利要求6所述的方法，其特征在于，所述根据补偿的影响等级与所述路径导航信息，确定所述无人船将要到达所述第二采样点位的导航信息，具体包括：
若所述补偿的影响等级高于预设等级，则确定所述无人船的阻碍类型；
根据所述阻碍类型，确定阻碍所述无人船到达所述第二采样点位的阻碍时长；
若所述阻碍时长大于预设时长，则判断阻碍物是否处于所述第二采样点位；
若否，则根据所述阻碍物的位置信息与所述路径导航信息，确定所述无人船将要到达所述第二采样点位的导航信息。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
若所述阻碍物处于所述第二采样点位，则确定所述无人船在预设时间段内无法到达所述第二采样点位；
则在所述路径导航信息中，确定所述无人船将要到达的第三采样点位；所述第三采样点位处于所述第二采样点位的下一个采样点位；
若确定所述无人船能够到达所述第三采样点位，则根据所述路径导航信息，生成所述无人船将要到达所述第三采样点位的导航信息。
9.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取所述第一采样点位的采样序列；
将所述采样序列输入预先构建的水质污染监测神经网络模型，确定所述第一采样点位的水质污染浓度值；
若所述水质污染浓度值大于预设污染阈值，则生成所述第一采样点位的预警信息，将所述采样点位的预警信息发送至用户终端设备。
10.一种基于无人船的水质监测设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
确定无人船在预设水域的预先设定的多个样本采样点位，以及确定由所述多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；所述关联边包括不同水质污染类型所对应的深度污染关系、表面污染关系；
在所述预设水域，获取无人船在最近一次周期内的历史采样序列，所述历史采样序列包括无人船在若干历史采样点位的历史采样子序列，所述历史采样子序列通过所述无人船在每个历史采样点位连续监测采样生成，所述历史采样子序列包括不同时间点对应的采样参数，每个时间点的采样参数对应不同的采样深度；
若所述历史采样序列中具有异常历史采样点位，根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位；所述关联点位与所述异常历史采样点位之间的水质污染浓度值呈现正相关；
在所述历史采样序列中，判断是否具有所述关联点位的历史采样子序列；
若否，根据所述关联点位，对下一个周期的采样点位组合进行更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310231281.0A CN116308952B (zh) | 2023-03-08 | 2023-03-08 | 一种基于无人船的水质监测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310231281.0A CN116308952B (zh) | 2023-03-08 | 2023-03-08 | 一种基于无人船的水质监测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116308952A true CN116308952A (zh) | 2023-06-23 |
| CN116308952B CN116308952B (zh) | 2023-09-22 |
Family
ID=86779165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310231281.0A Active CN116308952B (zh) | 2023-03-08 | 2023-03-08 | 一种基于无人船的水质监测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116308952B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703004A (zh) * | 2023-07-19 | 2023-09-05 | 共享数据(福建)科技有限公司 | 一种基于预训练模型的水系流域智慧巡护方法和装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111858712A (zh) * | 2020-07-20 | 2020-10-30 | 上海仪电（集团）有限公司中央研究院 | 原位水质巡检数据时空分析与异常检测方法和系统 |
| CN111897318A (zh) * | 2020-06-12 | 2020-11-06 | 中国环境科学研究院 | 基于无人船的水体污染智能调查方法及装置 |
| JP2021060363A (ja) * | 2019-10-09 | 2021-04-15 | 昭和電工マテリアルズ株式会社 | 水質監視システム |
| CN113409167A (zh) * | 2021-08-19 | 2021-09-17 | 中国环境监测总站 | 一种水质异常分析方法及装置 |
| CN113777256A (zh) * | 2021-08-09 | 2021-12-10 | 力合科技（湖南）股份有限公司 | 环境监测点位的自动化布点方法及系统、设备、存储介质 |
| KR102386222B1 (ko) * | 2021-09-02 | 2022-04-15 | 주식회사 에스티엔인포텍 | Ai를 이용한 무인보트 제어를 통한 수변 모니터링 시스템 |
| CN114511233A (zh) * | 2022-02-16 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 水质异常成因分析方法、装置及计算机设备 |
| CN114624411A (zh) * | 2022-04-15 | 2022-06-14 | 南京邮电大学 | 一种水源地取水口附近水域的水质预警方法 |
| WO2022141746A1 (zh) * | 2020-12-30 | 2022-07-07 | 佛山科学技术学院 | 一种水质异常检测方法及电子设备 |
-
2023
- 2023-03-08 CN CN202310231281.0A patent/CN116308952B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021060363A (ja) * | 2019-10-09 | 2021-04-15 | 昭和電工マテリアルズ株式会社 | 水質監視システム |
| CN111897318A (zh) * | 2020-06-12 | 2020-11-06 | 中国环境科学研究院 | 基于无人船的水体污染智能调查方法及装置 |
| US20210389766A1 (en) * | 2020-06-12 | 2021-12-16 | Chinese Research Academy Of Environmental Sciences | Methods and Apparatuses for Water Body Pollution Intelligent Investigation Utilizing Unmanned Ships |
| CN111858712A (zh) * | 2020-07-20 | 2020-10-30 | 上海仪电（集团）有限公司中央研究院 | 原位水质巡检数据时空分析与异常检测方法和系统 |
| WO2022141746A1 (zh) * | 2020-12-30 | 2022-07-07 | 佛山科学技术学院 | 一种水质异常检测方法及电子设备 |
| CN113777256A (zh) * | 2021-08-09 | 2021-12-10 | 力合科技（湖南）股份有限公司 | 环境监测点位的自动化布点方法及系统、设备、存储介质 |
| CN113409167A (zh) * | 2021-08-19 | 2021-09-17 | 中国环境监测总站 | 一种水质异常分析方法及装置 |
| KR102386222B1 (ko) * | 2021-09-02 | 2022-04-15 | 주식회사 에스티엔인포텍 | Ai를 이용한 무인보트 제어를 통한 수변 모니터링 시스템 |
| CN114511233A (zh) * | 2022-02-16 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 水质异常成因分析方法、装置及计算机设备 |
| CN114624411A (zh) * | 2022-04-15 | 2022-06-14 | 南京邮电大学 | 一种水源地取水口附近水域的水质预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宗陈;于家斌;王小艺;许继平;: "巡航船污染水质采集路径规划仿真研究", 计算机仿真, no. 09 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703004A (zh) * | 2023-07-19 | 2023-09-05 | 共享数据(福建)科技有限公司 | 一种基于预训练模型的水系流域智慧巡护方法和装置 |
| CN116703004B (zh) * | 2023-07-19 | 2023-09-29 | 共享数据(福建)科技有限公司 | 一种基于预训练模型的水系流域智慧巡护方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116308952B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| De Souza et al. | Improving fishing pattern detection from satellite AIS using data mining and machine learning | |
| CN116308952B (zh) | 一种基于无人船的水质监测方法及设备 | |
| Bevilacqua et al. | A regional assessment of cumulative impact mapping on Mediterranean coralligenous outcrops | |
| Francis et al. | Predicting patterns of richness, occurrence and abundance of small fish in New Zealand estuaries | |
| JP2019215743A (ja) | データベースの製造方法、及び水処理または汚泥処理システム | |
| Yuan et al. | Classifying lakes to improve precision of nutrient–chlorophyll relationships | |
| CN113034013A (zh) | 污染溯源方法、装置、电子设备及存储介质 | |
| Przeslawski et al. | Field manuals for marine sampling to monitor Australian waters | |
| Moritsch et al. | How might sea level change affect arthropod biodiversity in anchialine caves: a comparison of Remipedia and Atyidae taxa (Arthropoda: Altocrustacea) | |
| Konzen et al. | History of water quality parameters–a study on the Sinos River/Brazil | |
| Brüsecke et al. | Drainage‐induced browning causes both loss and change of benthic biodiversity in headwater streams | |
| Hacısalihoğlu et al. | Applications of geographic information system (GIS) analysis of lake Uluabat | |
| KR101795910B1 (ko) | 유기성 막 오염의 예측 방법 | |
| US20230341370A1 (en) | Detection of change in physicochemical composition of a liquid | |
| Twiss et al. | Tributary impacts on nearshore surface water quality detected during a late summer circumnavigation along the 20 m isopleth of Lake Ontario | |
| KR20220039595A (ko) | IoT와 AI를 이용한 유독성 하수 무단방류를 감시하는 다점형 블록 원격 감시 시스템 | |
| Alvard et al. | Identifying patch types using movement data from artisanal fishers from the commonwealth of dominica | |
| Zhukovskaya et al. | Determination of Mn, Cu and Pb background level in higher aquatic plants within Belarusian reservoirs based on National Monitoring System Data | |
| Boogaard et al. | Innovative approaches in monitoring rapidly changing environments in different socio-economic contexts around the globe | |
| Preetham et al. | Improving Water Quality Prediction and Monitoring Using Machine Learning Algorithms | |
| Koudenoukpo et al. | Understanding the patterns and processes underlying water quality and pollution risk in West–Africa River using self-organizing maps and multivariate analyses | |
| Pardo et al. | Implementation of a portable module for assessing the eutrophication risk: initial evaluation in the upwelling-driven bay of Ria de Arousa (NW-Iberian Peninsula) | |
| Van Daele et al. | Microplastic distribution in a meandering river bed and its sedimentary predictors | |
| Sarma et al. | A Geospatially Analysed Method for Retrieval of Water Quality Parameters Through Machine Learning Techniques | |
| Engblom et al. | Scenario management and expert system for the Dösebacka AR plant |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240416 Address after: S01 Building, 1036 Inspur Road, Jinan Area, China (Shandong) Pilot Free Trade Zone, Jinan City, Shandong Province, 250013 Patentee after: Inspur Smart Technology Innovation (Shandong) Co.,Ltd. Country or region after: China Address before: Room S01, No. 1036, Langchao Road, Jinan Area, Jinan Free Trade Pilot Zone, Shandong Province, 250101 Patentee before: Inspur Smart Technology Co.,Ltd. Country or region before: China |