CN116310831A - 基于大数据的水源环境监测方法及系统 - Google Patents
基于大数据的水源环境监测方法及系统 Download PDFInfo
- Publication number
- CN116310831A CN116310831A CN202310294636.0A CN202310294636A CN116310831A CN 116310831 A CN116310831 A CN 116310831A CN 202310294636 A CN202310294636 A CN 202310294636A CN 116310831 A CN116310831 A CN 116310831A
- Authority
- CN
- China
- Prior art keywords
- monitored
- water source
- environment
- source environment
- data
- 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 263
- 238000012544 monitoring process Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 82
- 238000011156 evaluation Methods 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012806 monitoring device Methods 0.000 claims abstract description 26
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000011282 treatment Methods 0.000 claims description 19
- 241001465754 Metazoa Species 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000000586 desensitisation Methods 0.000 claims description 5
- 230000009545 invasion Effects 0.000 claims description 4
- 238000003911 water pollution Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000007726 management method Methods 0.000 description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005067 remediation Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 241000218642 Abies Species 0.000 description 1
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 244000020518 Carthamus tinctorius Species 0.000 description 1
- 235000003255 Carthamus tinctorius Nutrition 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 240000004658 Medicago sativa Species 0.000 description 1
- 235000017587 Medicago sativa ssp. sativa Nutrition 0.000 description 1
- 240000007695 Nandina domestica Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 244000020191 Salix babylonica Species 0.000 description 1
- 235000002493 Salix babylonica Nutrition 0.000 description 1
- 244000284012 Vetiveria zizanioides Species 0.000 description 1
- 235000007769 Vetiveria zizanioides Nutrition 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
Abstract
本公开提出了一种基于大数据的水源环境监测方法及系统,涉及人工智能技术领域,包括:基于各个监测装置,获取待监测水源环境对应的各个待监测数据,基于监测指标,对待监测数据进行评估,以生成第一矩阵;获取当前水源环境的气象环境信息、地质条件信息和卫星遥感信息,生成对应的第二矩阵;对第一矩阵和第二矩阵进行处理,以获取第一特征向量;获取与待监测水源环境的标签对应的第二特征向量,并根据第二特征向量、第一特征向量和预设的各个评估指标,生成对待监测水源环境的评分;将评分及参考策略发送给终端设备。可以实时、准确、可靠地对水源环境进行监测,从而及时给管理人员进行反映,可以及时的起到预警作用。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种基于大数据的水源环境监测方法及系统。
背景技术
大数据技术的战略意义不在于掌握庞大的数据信息,而在于对这些含有意义的数据进行专业化处理,从技术上看,大数据与云计算的关系就像一枚硬币的正反面一样密不可分,大数据必然无法用单台的计算机进行处理,必须采用分布式架构,它的特色在于对海量数据进行分布式数据挖掘,但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。水环境是指自然界中水的形成、分布和转化所处空间的环境,是指围绕人群空间及可直接或间接影响人类生活和发展的水体,其正常功能的各种自然因素和有关的社会因素的总体,也有的指相对稳定的、以陆地为边界的天然水域所处空间的环境。
现今,一般使用水环境监测一般是由安装在水源的附近的检测装置进行监测,可以检测的指标很少,并且对水源环境的监测不够体系化,很难作为对水源环境的整体性进行监测和考量。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面实施例提出了一种基于大数据的水源环境监测方法,包括:
基于在待监测水源环境中设置的各个监测装置,获取所述待监测水源环境对应的各个待监测数据,所述监测装置中包含激光雷达和图像采集装置;
基于预设的各个监测指标,对所述各个待监测数据进行评估,以生成第一矩阵,所述监测指标为专家对所述待监测数据设置的各个评估指标;
获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,生成对应的第二矩阵;
对所述第一矩阵和所述第二矩阵进行处理,以获取所述待监测水源环境的第一特征向量;
获取与所述待监测水源环境的标签对应的第二特征向量,并根据所述第二特征向量、所述第一特征向量和预设的各个评估指标,生成对所述待监测水源环境的评分;
将所述评分及与所述评分关联的水源环境治理参考策略发送给终端设备。
本公开第二方面实施例提出了一种基于大数据的水源环境监测系统,包括:
第一获取模块,用于基于在待监测水源环境中设置的各个监测装置,获取所述待监测水源环境对应的各个待监测数据,所述监测装置中包含激光雷达和图像采集装置;
第一生成模块,用于基于预设的各个监测指标,对所述各个待监测数据进行评估,以生成第一矩阵,所述监测指标为专家对所述待监测数据设置的各个评估指标;
第二获取模块,用于获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,生成对应的第二矩阵;
第三获取模块,用于对所述第一矩阵和所述第二矩阵进行处理,以获取所述待监测水源环境的第一特征向量;
第四获取模块,用于获取与所述待监测水源环境的标签对应的第二特征向量,并根据所述第二特征向量、所述第一特征向量和预设的各个评估指标,生成对所述待监测水源环境的评分;
发送模块,用于将所述评分及与所述评分关联的水源环境治理参考策略发送给终端设备。
本公开第三方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本公开第一方面实施例提出的基于大数据的水源环境监测方法。
本公开第四方面实施例提出了一种非临时性计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如本公开第一方面实施例提出的基于大数据的水源环境监测方法。
本公开提供的基于大数据的水源环境监测方法及系统,存在如下有益效果:
本公开实施例中,首先基于在待监测水源环境中设置的各个监测装置,获取所述待监测水源环境对应的各个待监测数据,所述监测装置中包含激光雷达和图像采集装置,然后基于预设的各个监测指标,对所述各个待监测数据进行评估,以生成第一矩阵,所述监测指标为专家对所述待监测数据设置的各个评估指标,之后获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,生成对应的第二矩阵,之后对所述第一矩阵和所述第二矩阵进行处理,以获取所述待监测水源环境的第一特征向量,之后获取与所述待监测水源环境的标签对应的第二特征向量,并根据所述第二特征向量、所述第一特征向量和预设的各个评估指标,生成对所述待监测水源环境的评分,之后将所述评分及与所述评分关联的水源环境治理参考策略发送给终端设备。由此,可以实时、准确、可靠地对水源环境进行监测,从而及时给管理人员进行反映,可以及时的起到预警作用,由于是基于在待监测水源环境中设置的各个监测装置,包含激光雷达和图像采集装置,采集到的监测数据非常的全,并且考量到了气象环境信息、地质条件信息和卫星遥感信息,来对待监测水源环境进行评分,使得该评分非常的准确可靠,并且能够提供给管理人员关联的水源环境治理参考策略,减少人员进行策略制定所需时间,体系性很强,利用大数据技术,降低了水源环境中可能存在的安全隐患,减少了人力投入,成本低,精细化。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本公开实施例所提供的一种基于大数据的水源环境监测方法的流程示意图;
图2为本公开实施例所提供的一种基于大数据的水源环境监测系统的结构框图;
图3示出了适于用来实现本公开实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的基于大数据的水源环境监测方法及系统。
需要说明的是,本公开实施例中的基于大数据的水源环境监测方法的执行主体为基于大数据的水源环境监测系统,该装置可以由软件和/或硬件的方式实现,下面将以“基于大数据的水源环境监测系统”作为执行主体对本公开实施例中提出的基于大数据的水源环境监测方法进行说明,在此不进行限定。
图1为本公开实施例所提供的基于大数据的水源环境监测方法的流程示意图。
如图1所示,该基于大数据的水源环境监测方法可以包括以下步骤:
步骤101,基于在待监测水源环境中设置的各个监测装置,获取待监测水源环境对应的各个待监测数据,监测装置中包含激光雷达和图像采集装置。
其中,监测装置可以包含有激光雷达和图像采集装置,及各类传感器。
可选的,可以基于无人机中的激光雷达获取待监测水源环境的第一环境图像,然后基于待监测水源环境中设置的水下图像采集装置和水上图像采集装置,分别获取待监测水源环境的第二环境图像和第三环境图像,然后基于在待监测水源环境中设置的各个传感器,获取待监测水源环境对应的各个第一监测信息,之后对第一环境图像进行处理,以得到关于待监测水源环境的第一监测数据,之后对第二环境图像进行处理,以得到关于待监测水源环境的第二监测数据,对第三环境图像进行处理,以得到关于待监测水源环境的第三监测数据,对各个第一监测信息进行处理,以得到关于待监测水源环境的第四监测数据。
本公开实施例中的待监测水源环境可以是有一定的范围的水源地区,其可以包含水源地以及附近的部分区域。举例来说,待监测水源环境的面积可以为10平方千米,其中,8.66平方千米可以为水源面积。其中,无人机中的激光雷达可以用于采集待监测水源环境的三维点云数据。其中,第一环境图像可以是由无人机采集的很多个图像所拼接成的鸟瞰图像,该鸟瞰图像可以为待监测水源环境的整体视野图像,包含了里面各个物体的空间相对位置关系。
其中,第二环境图像可以为水下图像采集装置(underwater movie camera)采集的水下的待监测水源环境的图像。其中,第三环境图像可以为水上图像采集装置采集的水上的待监测水源环境的图像,也即陆地上视野的图像。
作为一种可能实现的方式,可以将第二环境图像和无人机中的摄像装置,以及激光雷达拍摄的第一环境图像进行拼接和融合,从而可以得到关于地面的更加精细的数据,比如不规则的树木植被。具体的,之后可以通过对采集的到的环境图像进行图像处理和分析,并利用各种类型的神经网络模型进行处理,从而可以得到待监测数据。另外,还可以包含有各类成分分析仪器。
其中,第一监测数据中至少可以包含有当前待监测水源环境当前的植被类型,植被覆盖率,以及人流量,是否由非法捕捞、非法入侵、非法砍伐等等。
其中,第二监测数据中至少可以包含有水下的动物类型、水下的植物类型、动物数量估算、能见度、以及水温等等,在此不做限定。
其中,第三监测数据中至少可以包含有水上的植物类型、水上的动物类型、水上是否有排污装置、是否有非法捕捞机器设备,在此不做限定。
其中,第四监测数据中至少可以包含有氨氮、溶解氧、化学需氧量、总磷、环境温湿度、pH、空气主要成分、石油、含氧量、含氮量、土壤的成分、重金属污染程度、受辐射程度等等,在此不做限定。
需要说明的是,湖泊、水库等水源环境通常设置监测点位/垂线,如有特殊情况可参照河流的有关规定设置监测断面。湖(库)区的不同水域,如进水区、出水区、深水区、浅水区、湖心区、岸边区,按水体类别设置监测点位/垂线。湖(库)区若无明显功能区别,可用网格法均匀设置监测垂线。
具体的,各个监测装置在数据收集之后,可以通过无线网络或毫米波、或者蓝牙通讯模块,将各个待监测数据进行上传,从而该装置可以获取到各个待监测数据。
需要说明的是,在得到各个待监测数据之后,由于数据量非常大、非常庞杂,可以对其进行数据清洗处理,从而可以去除空数据、以及可能出现错误的数据,并进行去重处理,以及数据的检验转换和标准化,从而使得待监测数据可以成为可供分析使用的数据,另外,还可以进行噪声数据的清除,通过数据转换,可以使得将待监测数据转换为可以更好地表达数据特征的格式,清洗可以帮助改善数据质量,从而更好地支持决策分析。需要说明的是,在待监测数据中存在有很多敏感数据,比如一些检测数据是需要要求保密的,比如卫星遥感数据、三维地貌数据、水质成分数据,等等,因而可以对待监测数据进行数据脱敏处理,其中,数据脱敏可以包含有数据替换,也即可以利用规律字符对敏感内容进行替换,从而破坏数据的可读性,并不保留原有语义和格式,例如特殊字符、随机字符、固定值字符等,或者,也可以利用通过加密算法(包括国密算法)进行加密。例如Hash(密码算法)算法是指对于完整的数据进行Hash加密。
步骤102,基于预设的各个监测指标,对各个待监测数据进行评估,以生成第一矩阵,监测指标为专家对待监测数据设置的各个评估指标。
其中,监测指标可以包含多种指标,比如可以是国家规定的一些对水环境监测需要评估分析的指标,还可以包含有各个环保监测机构以及监测中心进行水源环境监测时所需要考察的指标,另外,还可以包含有世界各国的专家学者在对水源环境进行监测时通常会考察的一些指标,由此,可以为了使监测指标能准确反映水环境的质量现况,预测水环境污染发展趋势,便于对其中的污染物及其有关的组成成分进行定性、定量和系统的综合分析。举例来说,水质监测中可以包含有水体的温度、色度、浊度、pH值、电导率、悬浮物、溶解氧、化学需氧物、生物需氧量、以及各类有毒物质,比如铅、镉、汞、有机农药、细菌总数,还有鱼群数量,鱼群种类,在此不做限定。
其中,监测指标中包含有要监测的内容,以及对应的参考范围,也即合理的区间。举例来说,对于任一待监测数据X,其对应的参考范围可能有多个,比如A、B、C,其中,可以根据任一待监测数据X当前对应的参数值,确定对应的评分,也即若任一待监测数据X当前对应的参数值位于A、B或C时,其对应的评估得分也不一样。其中,第一矩阵中可以包含有各个监测指标,以及对应的各个待监测数据的评估得分。以Cm*u代表第一矩阵,其中,m表示监测指标,u表示监测指标对应的评估得分。
步骤103,获取当前水源环境的气象环境信息、地质条件信息和卫星遥感信息,生成对应的第二矩阵。
可选的,可以获取当前水源环境的气象环境信息、地质条件信息和卫星遥感信息,并进行特征提取,以分别得到气象环境特征、地质特征和卫星遥感特征,之后获取与所述气象环境特征、地质特征和卫星遥感特征关联的权重系数,并基于所述权重系数,生成所述第二矩阵。其中,气象环境信息可以是从互联网获取的,比如可以从天气预报数据或者气象台的数据中得知当前水源环境的气象环境信息。其中,地质条件信息可以为当前水源环境所在的地理位置的地质信息。其中,卫星遥感信息可以是从卫星采集的地面遥感数据中得到的当前水源环境的信息。可以理解的是,在得到了当前水源环境的气象环境信息、地质条件信息和卫星遥感信息之后,可以进行特征提取,从而可以得到对应的气象环境特征、地质特征和卫星遥感特征。需要说明的是,在得到了对应的气象环境特征、地质特征和卫星遥感特征之后,可以查询预设的映射关系表,之后可以得到与气象环境特征、地质特征和卫星遥感特征关联的权重系数。其中,权重系数是对第一矩阵的权重系数,第二矩阵是对第一矩阵的权重系数矩阵。
可以理解的是,对于不同的气象环境特征、地质特征和卫星遥感特征,在对待监测水源环境进行评估时,需要考察的权重也是不同的,也即可以根据待监测水源环境的气象环境特征、地质特征和卫星遥感特征,为其各个监测指标配置对应的权重系数,以Km*P代表第一矩阵,其中,m表示监测指标,P表示监测指标对应的权重。
步骤104,对第一矩阵和第二矩阵进行处理,以获取待监测水源环境的第一特征向量。
可选的,可以将第一矩阵和第二矩阵进行相乘,从而可以得到第三矩阵,并对第三矩阵进行处理,从而能够得到对应的第一特征向量。其中,第一特征向量中包含有待监测水源环境的待监测数据最终量化后得到的特征值。
步骤105,获取与待监测水源环境的标签对应的第二特征向量,并根据第二特征向量、第一特征向量和预设的各个评估指标,生成对待监测水源环境的评分。
其中,待监测水源环境的标签,可以为预先标注好的,或者,也可以将各个待监测数据输入至预先构建好的神经网络模型中所输出的对应标签。
其中,待监测水源环境的标签可以包含至少一个:比如待监测水源环境的面积、地理位置信息、气候信息、年度气象信息、功能信息、类型信息,在此不做限定。需要说明的是,对于特定面积,特定地理位置、特定气候、特定年度气象、特定功能、特定类型的待监测水源环境可以预先根据互联网大数据以及各个国家的公开实验数据进行计算,从而得到不同的标签,对应的一个参考特征向量。可以理解的是,第二特征向量可以是预先在数据库中存储好的,不同的标签可以对应有不同的第二特征向量。本公开中,可以基于待监测水源环境的标签,为之确定一个符合待监测水源环境的相关特征的参考特征向量,也即第二特征向量。需要说明的是,若第一特征向量和第二特征向量之间的相似度越高,则说明待监测水源环境当前的环境质量状况越好、污染程度越小、生态环境保护的越好,并且可利用性比较好,功能性越全。
可选的,可以首先计算第一特征向量和第二特征向量之间的相似度评分,然后根据第一特征向量和各个评估指标,计算第一评分,然后将相似度评分和第一评分进行加权相加,以得到第二评分,之后将相似度评分、第一评分和第二评分共同作为对待监测水源环境的评分。
可选的,可以基于欧式距离(Euclidean Distance),计算第一特征向量和第二特征向量之间的相似度,或者,也可以基于曼哈顿距离(Manhattan Distance),计算第一特征向量和第二特征向量之间的相似度。或者,也可以计算第一特征向量和第二特征向量之间的夹角余弦(Cosine)相似度,或者,也可以利用相关系数法,比如皮尔逊相关系数(PearsonCorrelation Coefficient),计算第一特征向量和第二特征向量之间的相似度。可选的,可以在计算第一特征向量和第二特征向量之间的相似度之后,可以将其归一化在0-1的区间,进而根据该相似度值确定对应的相似度分值。比如相似度为0.6,相似度评分即为60分,在此不做限定。
可选的,可以根据第一特征向量和各个评估指标,计算第一评分。
其中,评估指标可以为第一特征向量中每个特征值对应的评估指标。
可以理解的是,特征值的大小可以反映监测指标的情况,比如说,该待监测水源环境的pH值有对应的评估指标,色度有色度对应的评估指标,还可以包含水源地水质安全状况评估指标、水源地污染状况评估指标、水源地植物覆盖面积评估指标、水源地人员入侵评估指标、水源地野生动物评估指标,在此不做限定。该装置可以利用第一特征向量,计算与每个评估指标对应的评分,进而确定第一评分。
或者,也可以将使用历史经验数据训练神经网络,生成分类器,该分类器输入为第一特征向量和各个评估指标,输出为第一评分。其中,神经网络采用RBF神经网络,将高斯函数作为RBF神经网络的径向基函数。或者,也可以根据各个评估指标,确定第一特征向量中每个特征值对应的评分,进而计算第一评分。
或者,也可以采用特征值标准差和欧式距离分布熵方法,构造以各个评估指标为基础的评价模型,然后将第一特征向量代入该评价模型进行计算,从而可以得到第一评分。在所述第一特征向量为特征图的情况下,还可以对特征图进行聚类分析,以得到第一评分,也即可以用差分滤波器提取第一特征向量,将第一特征向量聚类,根据第一特征向量与聚类中心的距离计算第一评分。
进一步地,可以将相似度评分和第一评分进行加权相加,以得到第二评分。其中,第二评分也即综合评分,也即总评分。作为一种示例,相似度评分和第一评分对应的权重分别为0.6和0.4,也即将相似度评分和第一评分分别乘以0.6和0.4进行相加,以得到第二评分。
步骤106,将评分及与评分关联的水源环境治理参考策略发送给终端设备。
需要说明的是,可以预先对评分进行分段,比如若评分总分为100分,则可以将0-20分作为一个分段,将20-40、40-60、60-80、80-100分别作为4个分段。也即可以分为5个分段,然后不同的分段可以对应有不同的水源环境治理参考策略。需要说明的是,由于相似度评分、第一评分和第二评分均为对待监测水源环境的评分,因而,可以分别对相似度评分、第一评分和第二评分进行分段。举例来说,相似度评分、第一评分和第二评分均可以分为5段,也即0-20,20-40、40-60、60-80、80-100,然后可以根据待监测水源环境当前所对应的相似度评分、第一评分和第二评分,分别计算好其所在的分段。可以理解的是,相似度评分、第一评分和第二评分所在的分段可以是相同的,也可以是不同的。
可以理解的是,不同的评分说明的问题也不相同,因而可以分别为相似度评分、第一评分和第二评分的不同分段预先设置不同的水源环境治理参考策略。举例来说,若相似度评分包含了3个分段,分别为A1、A2、A3,第一评分包含了3个分段,分别为B1、B2、B3,第二评分包含了3个分段,分别为C1、C2、C3。其中,A1、A2、A3、B1、B2、B3、C1、C2、C3分别对应有不同的水源环境治理参考策略X1、X2、X3、X4、X5、X6、X7、X8、X9,其中,X1、X2、X3、X4、X5、X6、X7、X8、X9可以是部分相同的,比如说A1和B1所对应的水源环境治理参考策略可能会有一部分是相同的,但不完全相同。因而,在将评分及与评分关联的水源环境治理参考策略发送给终端设备时,还可以将相似度评分、第一评分和第二评分分别对应的水源环境治理参考策略发送给终端设备。比如,待监测水源环境当前所对应的相似度评分、第一评分和第二评分所对应的水源环境治理参考策略分别为X2、X5、X8,则可以将X2、X5、X8均发送给终端设备,并标注好X2、X5、X8分别对应的相似度评分、第一评分和第二评分。可选的,也可以将X2、X5、X8进行合并,然后发送给终端设备,在此不做限定。
其中,水源环境治理参考策略可以为预先根据评分制定的对水源环境的治理策略。可以理解的是,水源环境治理参考策略可以包含有优化水资源配置、建设生态护岸、污水管网治理、水体质量治理、河道源头治理,更细化的,可以为在城市景观水体的周边进行调查,使向水体排污的工厂或生活垃圾停止排入,从而切断污染源,将城市景观水体的岸边进行垃圾清理,之后种植上加固土壤的防护林,避免由于土壤的松动导致被水体侵蚀;在水体的上游处流速较快的区域设置隔栏网,用于过滤水体中悬浮或漂浮的垃圾,在水体的下游处流速较慢的区域定点围起数片净化区域,用于净化水体中的有机污染物,将水体中悬浮或漂浮的垃圾进行分类处理;在净化区域的前后均设置监测点,用于检测净化前后水体中的污染物的含量;在水体上中下游处均设置增氧装置,且在水体靠近岸边的两侧种植水生植物,并合理投放水生微生物。防护林包括水杉、垂柳、湿地松、红花继木、南天竹、灯芯草、紫花苜宿、香根草中的任意搭配。其中,对于不同分段的水源环境治理参考策略的治理强度和治理区域等等均为不同的,可以根据实际经验进行设定。
其中,终端设备可以是水源环境监测的相关负责人员的终端设备,比如手机、平板、电脑,在此不做限定。
本公开实施例中,首先基于在待监测水源环境中设置的各个监测装置,获取所述待监测水源环境对应的各个待监测数据,所述监测装置中包含激光雷达和图像采集装置,然后基于预设的各个监测指标,对所述各个待监测数据进行评估,以生成第一矩阵,所述监测指标为专家对所述待监测数据设置的各个评估指标,之后获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,生成对应的第二矩阵,之后对所述第一矩阵和所述第二矩阵进行处理,以获取所述待监测水源环境的第一特征向量,之后获取与所述待监测水源环境的标签对应的第二特征向量,并根据所述第二特征向量、所述第一特征向量和预设的各个评估指标,生成对所述待监测水源环境的评分,之后将所述评分及与所述评分关联的水源环境治理参考策略发送给终端设备。由此,可以实时的对水源环境进行监测,从而及时给管理人员进行反映,可以及时的起到预警作用,由于是基于在待监测水源环境中设置的各个监测装置,包含激光雷达和图像采集装置,采集到的监测数据非常的全,并且考量到了气象环境信息、地质条件信息和卫星遥感信息,来对待监测水源环境进行评分,使得该评分非常的准确可靠,并且能够提供给管理人员关联的水源环境治理参考策略,减少人员进行策略制定所需时间,体系性很强,利用大数据技术,降低了水源环境中可能存在的安全隐患,减少了人力投入,成本低,精细化。为了实现上述实施例,本公开还提出一种基于大数据的水源环境监测系统。
图2为本公开第二施例所提供的基于大数据的水源环境监测系统的结构框图。
如图2所示,该基于大数据的水源环境监测系统200可以包括:
第一获取模块210,用于基于在待监测水源环境中设置的各个监测装置,获取所述待监测水源环境对应的各个待监测数据,所述监测装置中包含激光雷达和图像采集装置;
第一生成模块220,用于基于预设的各个监测指标,对所述各个待监测数据进行评估,以生成第一矩阵,所述监测指标为专家对所述待监测数据设置的各个评估指标;
第二获取模块230,用于获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,生成对应的第二矩阵;
第三获取模块240,用于对所述第一矩阵和所述第二矩阵进行处理,以获取所述待监测水源环境的第一特征向量;
第四获取模块250,用于获取与所述待监测水源环境的标签对应的第二特征向量,并根据所述第二特征向量、所述第一特征向量和预设的各个评估指标,生成对所述待监测水源环境的评分;
发送模块260,用于将所述评分及与所述评分关联的水源环境治理参考策略发送给终端设备。
可选的,所述第一获取模块,具体用于:
基于无人机中的所述激光雷达获取所述待监测水源环境的第一环境图像;
基于所述待监测水源环境中设置的水下图像采集装置和水上图像采集装置,分别获取所述待监测水源环境的第二环境图像和第三环境图像;
基于在所述待监测水源环境中设置的各个传感器,获取所述待监测水源环境对应的各个第一监测信息;
对所述第一环境图像进行处理,以得到关于所述待监测水源环境的第一监测数据;
对所述第二环境图像进行处理,以得到关于所述待监测水源环境的第二监测数据;
对所述第三环境图像进行处理,以得到关于所述待监测水源环境的第三监测数据;
对各个所述第一监测信息进行处理,以得到关于所述待监测水源环境的第四监测数据。
可选的,所述各个评估指标至少包含有水源地水质安全状况评估指标、水源地污染状况评估指标、水源地植物覆盖面积评估指标、水源地人员入侵评估指标、水源地野生动物评估指标,所述根据第四获取模块,具体用于:
计算所述第一特征向量和所述第二特征向量之间的相似度评分;
根据所述第一特征向量和所述各个评估指标,计算第一评分;
将所述相似度评分和所述第一评分进行加权相加,以得到第二评分;
将所述相似度评分、所述第一评分和所述第二评分共同作为对所述待监测水源环境的评分。
可选的,所述第一生成模块,还用于:
对所述各个待监测数据进行数据清洗和数据脱敏处理。
可选的,所述第二获取模块,具体用于:
获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,并进行特征提取,以分别得到气象环境特征、地质特征和卫星遥感特征;
获取与所述气象环境特征、地质特征和卫星遥感特征关联的权重系数,并基于所述权重系数,生成所述第二矩阵。
本公开实施例中,首先基于在待监测水源环境中设置的各个监测装置,获取所述待监测水源环境对应的各个待监测数据,所述监测装置中包含激光雷达和图像采集装置,然后基于预设的各个监测指标,对所述各个待监测数据进行评估,以生成第一矩阵,所述监测指标为专家对所述待监测数据设置的各个评估指标,之后获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,生成对应的第二矩阵,之后对所述第一矩阵和所述第二矩阵进行处理,以获取所述待监测水源环境的第一特征向量,之后获取与所述待监测水源环境的标签对应的第二特征向量,并根据所述第二特征向量、所述第一特征向量和预设的各个评估指标,生成对所述待监测水源环境的评分,之后将所述评分及与所述评分关联的水源环境治理参考策略发送给终端设备。由此,可以实时的对水源环境进行监测,从而及时给管理人员进行反映,可以及时的起到预警作用,由于是基于在待监测水源环境中设置的各个监测装置,包含激光雷达和图像采集装置,采集到的监测数据非常的全,并且考量到了气象环境信息、地质条件信息和卫星遥感信息,来对待监测水源环境进行评分,使得该评分非常的准确可靠,并且能够提供给管理人员关联的水源环境治理参考策略,减少人员进行策略制定所需时间,体系性很强,利用大数据技术,降低了水源环境中可能存在的安全隐患,减少了人力投入,成本低,精细化。
为了实现上述实施例,本公开还提出一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如本公开前述实施例提出的基于大数据的水源环境监测方法。
为了实现上述实施例,本公开还提出一种非临时性计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现如本公开前述实施例提出的基于大数据的水源环境监测方法。
图3示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图3显示的计算机设备12仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于大数据的水源环境监测方法,其特征在于,包括:
基于在待监测水源环境中设置的各个监测装置,获取所述待监测水源环境对应的各个待监测数据,所述监测装置中包含激光雷达和图像采集装置;
基于预设的各个监测指标,对所述各个待监测数据进行评估,以生成第一矩阵,所述监测指标为专家对所述待监测数据设置的各个评估指标;
获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,生成对应的第二矩阵;
对所述第一矩阵和所述第二矩阵进行处理,以获取所述待监测水源环境的第一特征向量;
获取与所述待监测水源环境的标签对应的第二特征向量,并根据所述第二特征向量、所述第一特征向量和预设的各个评估指标,生成对所述待监测水源环境的评分;
将所述评分及与所述评分关联的水源环境治理参考策略发送给终端设备。
2.根据权利要求1所述的方法,其特征在于,所述基于在待监测水源环境中设置的各个监测装置,获取所述待监测水源环境对应的各个待监测数据,包括:
基于无人机中的所述激光雷达获取所述待监测水源环境的第一环境图像;
基于所述待监测水源环境中设置的水下图像采集装置和水上图像采集装置,分别获取所述待监测水源环境的第二环境图像和第三环境图像;
基于在所述待监测水源环境中设置的各个传感器,获取所述待监测水源环境对应的各个第一监测信息;
对所述第一环境图像进行处理,以得到关于所述待监测水源环境的第一监测数据;
对所述第二环境图像进行处理,以得到关于所述待监测水源环境的第二监测数据;
对所述第三环境图像进行处理,以得到关于所述待监测水源环境的第三监测数据;
对各个所述第一监测信息进行处理,以得到关于所述待监测水源环境的第四监测数据。
3.根据权利要求1所述的方法,其特征在于,所述各个评估指标至少包含有水源地水质安全状况评估指标、水源地污染状况评估指标、水源地植物覆盖面积评估指标、水源地人员入侵评估指标、水源地野生动物评估指标,所述根据所述第二特征向量、所述第一特征向量和预设的各个评估指标,生成对所述待监测水源环境的评分,包括:
计算所述第一特征向量和所述第二特征向量之间的相似度评分;
根据所述第一特征向量和所述各个评估指标,计算第一评分;
将所述相似度评分和所述第一评分进行加权相加,以得到第二评分;
将所述相似度评分、所述第一评分和所述第二评分共同作为对所述待监测水源环境的评分。
4.根据权利要求1所述的方法,其特征在于,在所述基于预设的各个监测指标,对所述各个待监测数据进行评估,以生成第一矩阵之前,还包括:
对所述各个待监测数据进行数据清洗和数据脱敏处理。
5.根据权利要求1所述的方法,其特征在于,所述获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,生成对应的第二矩阵,包括:
获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,并进行特征提取,以分别得到气象环境特征、地质特征和卫星遥感特征;
获取与所述气象环境特征、地质特征和卫星遥感特征关联的权重系数,并基于所述权重系数,生成所述第二矩阵。
6.一种基于大数据的水源环境监测系统,其特征在于,包括:
第一获取模块,用于基于在待监测水源环境中设置的各个监测装置,获取所述待监测水源环境对应的各个待监测数据,所述监测装置中包含激光雷达和图像采集装置;
第一生成模块,用于基于预设的各个监测指标,对所述各个待监测数据进行评估,以生成第一矩阵,所述监测指标为专家对所述待监测数据设置的各个评估指标;
第二获取模块,用于获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,生成对应的第二矩阵;
第三获取模块,用于对所述第一矩阵和所述第二矩阵进行处理,以获取所述待监测水源环境的第一特征向量;
第四获取模块,用于获取与所述待监测水源环境的标签对应的第二特征向量,并根据所述第二特征向量、所述第一特征向量和预设的各个评估指标,生成对所述待监测水源环境的评分;
发送模块,用于将所述评分及与所述评分关联的水源环境治理参考策略发送给终端设备。
7.根据权利要求6所述的系统,其特征在于,所述第一获取模块,具体用于:
基于无人机中的所述激光雷达获取所述待监测水源环境的第一环境图像;
基于所述待监测水源环境中设置的水下图像采集装置和水上图像采集装置,分别获取所述待监测水源环境的第二环境图像和第三环境图像;
基于在所述待监测水源环境中设置的各个传感器,获取所述待监测水源环境对应的各个第一监测信息;
对所述第一环境图像进行处理,以得到关于所述待监测水源环境的第一监测数据;
对所述第二环境图像进行处理,以得到关于所述待监测水源环境的第二监测数据;
对所述第三环境图像进行处理,以得到关于所述待监测水源环境的第三监测数据;
对各个所述第一监测信息进行处理,以得到关于所述待监测水源环境的第四监测数据。
8.根据权利要求6所述的系统,其特征在于,所述各个评估指标至少包含有水源地水质安全状况评估指标、水源地污染状况评估指标、水源地植物覆盖面积评估指标、水源地人员入侵评估指标、水源地野生动物评估指标,所述根据第四获取模块,具体用于:
计算所述第一特征向量和所述第二特征向量之间的相似度评分;
根据所述第一特征向量和所述各个评估指标,计算第一评分;
将所述相似度评分和所述第一评分进行加权相加,以得到第二评分;
将所述相似度评分、所述第一评分和所述第二评分共同作为对所述待监测水源环境的评分。
9.根据权利要求6所述的系统,其特征在于,所述第一生成模块,还用于:
对所述各个待监测数据进行数据清洗和数据脱敏处理。
10.根据权利要求6所述的系统,其特征在于,所述第二获取模块,具体用于:
获取当前所述水源环境的气象环境信息、地质条件信息和卫星遥感信息,并进行特征提取,以分别得到气象环境特征、地质特征和卫星遥感特征;
获取与所述气象环境特征、地质特征和卫星遥感特征关联的权重系数,并基于所述权重系数,生成所述第二矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294636.0A CN116310831B (zh) | 2023-03-23 | 2023-03-23 | 基于大数据的水源环境监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294636.0A CN116310831B (zh) | 2023-03-23 | 2023-03-23 | 基于大数据的水源环境监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116310831A true CN116310831A (zh) | 2023-06-23 |
CN116310831B CN116310831B (zh) | 2023-11-03 |
Family
ID=86816514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294636.0A Active CN116310831B (zh) | 2023-03-23 | 2023-03-23 | 基于大数据的水源环境监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310831B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565294A (zh) * | 2011-02-01 | 2012-07-11 | 环境保护部卫星环境应用中心 | 水源地监测评价方法 |
CN110889196A (zh) * | 2019-10-31 | 2020-03-17 | 广东工业大学 | 水环境承载力评估方法、装置及存储介质 |
CN111950867A (zh) * | 2020-07-24 | 2020-11-17 | 中日友好环境保护中心(生态环境部环境发展中心) | 一种突发水环境污染应急的技术评估方法 |
CN113128105A (zh) * | 2021-03-31 | 2021-07-16 | 北京工业大学 | 突发性流域水污染事故监测方法及装置 |
CN113327071A (zh) * | 2021-08-04 | 2021-08-31 | 深圳市深水水务咨询有限公司 | 基于5g的环境管理方法、装置、计算机设备及存储介质 |
CN115239070A (zh) * | 2022-06-23 | 2022-10-25 | 邵芹 | 一种流域水环境有机污染物监测全过程质控指标评价系统 |
-
2023
- 2023-03-23 CN CN202310294636.0A patent/CN116310831B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565294A (zh) * | 2011-02-01 | 2012-07-11 | 环境保护部卫星环境应用中心 | 水源地监测评价方法 |
CN110889196A (zh) * | 2019-10-31 | 2020-03-17 | 广东工业大学 | 水环境承载力评估方法、装置及存储介质 |
CN111950867A (zh) * | 2020-07-24 | 2020-11-17 | 中日友好环境保护中心(生态环境部环境发展中心) | 一种突发水环境污染应急的技术评估方法 |
CN113128105A (zh) * | 2021-03-31 | 2021-07-16 | 北京工业大学 | 突发性流域水污染事故监测方法及装置 |
CN113327071A (zh) * | 2021-08-04 | 2021-08-31 | 深圳市深水水务咨询有限公司 | 基于5g的环境管理方法、装置、计算机设备及存储介质 |
CN115239070A (zh) * | 2022-06-23 | 2022-10-25 | 邵芹 | 一种流域水环境有机污染物监测全过程质控指标评价系统 |
Non-Patent Citations (1)
Title |
---|
马英等: "基于模糊层次分析法的水环境承载力评价", 《安徽农业科学》, pages 1 - 3 * |
Also Published As
Publication number | Publication date |
---|---|
CN116310831B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Flood disaster risk assessment based on random forest algorithm | |
Bedri et al. | Evaluating a microbial water quality prediction model for beach management under the revised EU Bathing Water Directive | |
Binding et al. | EOLakeWatch; delivering a comprehensive suite of remote sensing algal bloom indices for enhanced monitoring of Canadian eutrophic lakes | |
Mubea et al. | Assessing application of Markov chain analysis in predicting land cover change: a case study of Nakuru municipality | |
Delalay et al. | Land-use and land-cover classification using Sentinel-2 data and machine-learning algorithms: operational method and its implementation for a mountainous area of Nepal | |
Samela et al. | Safer_RAIN: A DEM-based hierarchical filling-&-Spilling algorithm for pluvial flood hazard assessment and mapping across large urban areas | |
Gonçalves et al. | Beach litter survey by drones: Mini-review and discussion of a potential standardization | |
Li et al. | Predictive model of spatial scale of forest fire driving factors: A case study of Yunnan Province, China | |
Baalousha et al. | Comparison of the fuzzy analytic hierarchy process (F-AHP) and fuzzy logic for flood exposure risk assessment in arid regions | |
CN116310831B (zh) | 基于大数据的水源环境监测方法及系统 | |
Cerbelaud et al. | Proxy data of surface water floods in rural areas: Application to the evaluation of the IRIP intense runoff mapping method based on satellite remote sensing and rainfall radar | |
O’tega et al. | Exploring the feasibility of robotic pipeline surveillance for detecting crude oil spills in the Niger delta | |
CN116384844B (zh) | 基于地理信息云平台的决策方法及装置 | |
CN115147011B (zh) | 一种地表水与林地损害鉴定评估方法及装置、设备和介质 | |
Rehman et al. | GIS based coastal vulnerability assessment and adaptation barriers to coastal regulations in Dakshina Kannada district, India | |
Kitalika et al. | Land-use and land cover changes on the slopes of Mount Meru-Tanzania | |
Pijanowski et al. | Using GIS, artificial neural networks and remote sensing to model urban change in the Minneapolis–St. Paul and Detroit Metropolitan areas | |
Mensa et al. | JMarinas: a simple tool for the environmentally sound management of small marinas | |
Brill et al. | Extrapolating satellite-based flood masks by one-class classification—a test case in houston | |
Mahmoud | Integrating geoinformation and socioeconomic data for assessing urban land-use vulnerability to potential climate-change impacts of Abuja | |
Chang et al. | Comparative data mining analysis for information retrieval of MODIS images: Monitoring lake turbidity changes at Lake Okeechobee, Florida | |
Das et al. | Impact of Urban Expansion on Wetlands: A Case Study of Bhoj Wetland, India | |
Prasad et al. | Simulating the spatial and temporal distribution of oil spill over the coral reef environs along the southeast coast of Mauritius: A case study on MV Wakashio vessel wreckage, August 2020 | |
Hossain et al. | Flood Susceptibility Assessment in Southwest Coastal Region of Bangladesh Using an AHP-GIS Based Approach | |
Muche | Surface water hydrologic modeling using remote sensing data for natural and disturbed lands |
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 |