CN116362571A - 一种基于深度学习的多源污染时空特征分析方法及系统 - Google Patents
一种基于深度学习的多源污染时空特征分析方法及系统 Download PDFInfo
- Publication number
- CN116362571A CN116362571A CN202310644864.6A CN202310644864A CN116362571A CN 116362571 A CN116362571 A CN 116362571A CN 202310644864 A CN202310644864 A CN 202310644864A CN 116362571 A CN116362571 A CN 116362571A
- Authority
- CN
- China
- Prior art keywords
- pollution
- data
- monitoring
- soil
- subarea
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 111
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 276
- 230000033228 biological regulation Effects 0.000 claims abstract description 138
- 238000003900 soil pollution Methods 0.000 claims abstract description 123
- 238000009792 diffusion process Methods 0.000 claims abstract description 96
- 230000007613 environmental effect Effects 0.000 claims abstract description 79
- 239000002689 soil Substances 0.000 claims description 69
- 229910001385 heavy metal Inorganic materials 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005527 soil sampling Methods 0.000 claims description 6
- 238000011109 contamination Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 description 10
- 230000020477 pH reduction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
Abstract
本发明公开了一种基于深度学习的多源污染时空特征分析方法及系统。在一个监测周期内，将土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域，在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域，根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息。通过本发明，能够从时空特征上对污染区域进行扩散模拟的精准分析与预测，并且在每个监测周期中筛选出优选监测点，从而减少监测中消耗的人力物力，并基于优选监测点实现对污染区域的高效分析、污染预测和方案调控分析。
Description
技术领域
本发明涉及深度学习领域，更具体的，涉及一种基于深度学习的多源污染时空特征分析方法及系统。
背景技术
近几年来，随着农业现代化的深入推进，农业取得了非常大的成就，质量和产量双双提升。然而，在取得巨大发展的同时，也发现了土壤和环境受到了一定的破坏和污染，尤其是土壤的重金属、酸化等污染情况较为突出，导致土壤土质变差，土壤退化等问题。土壤的污染情况持续，不仅降低了土壤的肥度，同时也对人的身体健康造成很大的危害，并且土壤的污染扩散会进一步导致邻近非污染区受影响。
但受制于传统的污染监测方法，对土壤的污染分析较为简单，缺少对土壤污染预测扩散与污染数据特征的精准分析，也缺少对多源污染数据的分析，这严重阻碍了土壤污染的有效分析与精准防治工作。因此，现在亟需一种多源污染分析方法。
发明内容
本发明克服了现有技术的缺陷，提出了一种基于深度学习的多源污染时空特征分析方法及系统。
本发明第一方面提供了一种基于深度学习的多源污染时空特征分析方法，包括：
获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域；
在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据；
将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域；
在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域；
根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息，将所述调控方案信息发送至预设终端设备。
本方案中，所述获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域，具体为：
获取土壤污染区域中的区域面积、区域轮廓信息；
基于所述区域面积、区域轮廓信息构建污染区域地图模型；
基于污染区域地图模型，对污染区域进行网格划分，得到多个污染子区域，且保证每个污染子区域之间的面积差在预设范围内。
本方案中，所述在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据，具体为：
对每一个污染子区域进行土壤采样检测，并得到每一个污染子区域对应的子区域污染监测数据；
将所有子区域污染监测数据进行数据整合得到土壤污染监测数据；
所述土壤污染监测数据包括酸碱度、重金属含量、土壤湿度、土壤颜色信息；
获取土壤污染区域的天气、湿度、风向信息；
将所述天气、湿度、风向信息进行环境信息特征提取，得到环境特征数据。
本方案中，所述将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域，之前包括：
基于预设深度学习算法，构建污染扩散模型；
获取预设历史时间段内的历史土壤监测数据与历史环境特征数据；
将历史土壤监测数据与历史环境特征数据进行数据归一化、标准化与数据整合，得到污染数据集；
将污染数据集按照预设比例划分为训练数据集、验证数据集、测试数据集；
将训练数据集、验证数据集、测试数据集导入污染扩散模型进行重复污染预测训练，直至得到的污染预测数据通过所有测试数据集。
本方案中，所述将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域，具体为：
将所述土壤污染监测数据与环境特征数据导入污染扩散模型；
基于土壤污染监测数据，对每个污染子区域进行基础污染程度分析，得到初始污染指数；
基于初始污染指数计算出每个污染子区域的预测扩散速率；
污染扩散模型根据预测扩散速率与环境特征数据，对所有污染子区域进行污染扩散预测，得到污染预测数据；
基于污染预测数据分析出每个污染子区域的预测污染指数；
判断污染子区域中的预测污染指数与预测扩散速率，若所述预测污染指数大于第一预设阈值且所述预测扩散速率大于第二预设阈值，则将对应的污染子区域标记为优选监测子区域。
本方案中，所述在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域，具体为：
在下一个监测周期内，对优选监测子区域进行污染监测并得到每个优选监测子区域的优选污染监测数据；
在下一个监测周期内，分析并获取土壤污染区域的二次环境特征数据；
将所述优选污染监测数据与二次环境特征数据导入污染扩散模型进行二次污染分析与二次污染预测，得到二次污染预测数据与二次优选监测子区域。
本方案中，所述根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息，将所述调控方案信息发送至预设终端设备，具体为：
对所有污染子区域中进行调控区域划分，划分方法为将二次优选监测子区域作为第一调控子区域，将其余污染子区域标记为第二调控子区域；
基于第一调控子区域与第二调控子区域，将二次污染预测数据划分为第一预测数据与第二预测数据；
根据第一预测数据，对第一调控子区域进行污染调控分析并生成第一调控方案；
根据第二预测数据，对第二调控子区域进行污染调控分析并生成第二调控方案；
将所述第一调控方案与第二调控方案整合为调控方案信息发送至预设终端设备。
本发明第二方面还提供了一种基于深度学习的多源污染时空特征分析系统，该系统包括：存储器、处理器，所述存储器中包括基于深度学习的多源污染时空特征分析程序，所述基于深度学习的多源污染时空特征分析程序被所述处理器执行时实现如下步骤：
获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域；
在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据；
将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域；
在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域；
根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息，将所述调控方案信息发送至预设终端设备。
本方案中，所述所述获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域，具体为：
获取土壤污染区域中的区域面积、区域轮廓信息；
基于所述区域面积、区域轮廓信息构建污染区域地图模型；
基于污染区域地图模型，对污染区域进行网格划分，得到多个污染子区域，且保证每个污染子区域之间的面积差在预设范围内。
本方案中，所述在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据，具体为：
对每一个污染子区域进行土壤采样检测，并得到每一个污染子区域对应的子区域污染监测数据；
将所有子区域污染监测数据进行数据整合得到土壤污染监测数据；
所述土壤污染监测数据包括酸碱度、重金属含量、土壤湿度、土壤颜色信息；
获取土壤污染区域的天气、湿度、风向信息；
将所述天气、湿度、风向信息进行环境信息特征提取，得到环境特征数据。
本发明公开了一种基于深度学习的多源污染时空特征分析方法及系统。在一个监测周期内，将土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域，在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域，根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息。通过本发明，能够从时空特征上对污染区域进行扩散模拟的精准分析与预测，并且在每个监测周期中筛选出优选监测点，从而减少监测中消耗的人力物力，并基于优选监测点实现对污染区域的高效分析、污染预测和方案调控分析。
附图说明
图1示出了本发明一种基于深度学习的多源污染时空特征分析方法的流程图；
图2示出了本发明多个污染子区域获取流程图；
图3示出了本发明环境特征数据获取流程图；
图4示出了本发明一种基于深度学习的多源污染时空特征分析系统的框图。
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。
图1示出了本发明一种基于深度学习的多源污染时空特征分析方法的流程图。
如图1所示，本发明第一方面提供了一种基于深度学习的多源污染时空特征分析方法，包括：
S102，获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域；
S104，在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据；
S106，将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域；
S108，在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域；
S110，根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息，将所述调控方案信息发送至预设终端设备。
需要说明的是，本发明中的时空特征分析具体为通过不同监测周期的分析与土壤的污染扩散分析对土壤污染区域进行时空特征维度的污染分析。
图2示出了本发明多个污染子区域获取流程图。
根据本发明实施例，所述获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域，具体为：
S202，获取土壤污染区域中的区域面积、区域轮廓信息；
S204，基于所述区域面积、区域轮廓信息构建污染区域地图模型；
S206，基于污染区域地图模型，对污染区域进行网格划分，得到多个污染子区域，且保证每个污染子区域之间的面积差在预设范围内。
需要说明的是，所述污染区域地图模型具体为一种三维可视化的地图模型，通过该模型，能够向用户展示区域的污染状况和对污染扩散的动态展示。所述多个污染子区域中，具体子区域的个数由土壤污染区域中的区域面积大小决定，面积越大，划分的子区域数量越多大。所述保证每个污染子区域之间的面积差在预设范围内中，所述预设范围一般为用户根据土壤污染区域面积的大小决定。
图3示出了本发明环境特征数据获取流程图。
根据本发明实施例，所述在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据，具体为：
S302，对每一个污染子区域进行土壤采样检测，并得到每一个污染子区域对应的子区域污染监测数据；
S304，将所有子区域污染监测数据进行数据整合得到土壤污染监测数据；
S306，所述土壤污染监测数据包括酸碱度、重金属含量、土壤湿度、土壤颜色信息；
S308，获取土壤污染区域的天气、湿度、风向信息；
S310，将所述天气、湿度、风向信息进行环境信息特征提取，得到环境特征数据。
需要说明的是，所述环境特征数据即所述天气、湿度、风向信息中的主要数据特征，且所述环境特征数据可以导入污染扩散模型进行特征分析。所述土壤污染监测数据包括酸碱度、重金属含量、土壤湿度、土壤颜色等信息。所述土壤颜色具体为通过无人机对每个污染子区域进行航拍得到土壤图像数据，进一步对图像数据进行颜色特征特区得到的土壤颜色信息。
根据本发明实施例，所述将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域，之前包括：
基于预设深度学习算法，构建污染扩散模型；
获取预设历史时间段内的历史土壤监测数据与历史环境特征数据；
将历史土壤监测数据与历史环境特征数据进行数据归一化、标准化与数据整合，得到污染数据集；
将污染数据集按照预设比例划分为训练数据集、验证数据集、测试数据集；
将训练数据集、验证数据集、测试数据集导入污染扩散模型进行重复污染预测训练，直至得到的污染预测数据通过所有测试数据集。
需要说明的是，所述预设深度学习算法具体为多种预测模型算法的组合，所述多种预测模型算法包括线性回归、逻辑回归、神经网络、贝叶斯网络等预测模型算法，且污染扩散模型包括至少一种预测模型算法。所述预设历史时间段一般为最近的1-3年时间段。所述预设比例一般为2:2:1，即训练数据集、验证数据集各占40%，测试数据集占20%。
根据本发明实施例，所述将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域，具体为：
将所述土壤污染监测数据与环境特征数据导入污染扩散模型；
基于土壤污染监测数据，对每个污染子区域进行基础污染程度分析，得到初始污染指数；
基于初始污染指数计算出每个污染子区域的预测扩散速率；
污染扩散模型根据预测扩散速率与环境特征数据，对所有污染子区域进行污染扩散预测，得到污染预测数据；
基于污染预测数据分析出每个污染子区域的预测污染指数；
判断污染子区域中的预测污染指数与预测扩散速率，若所述预测污染指数大于第一预设阈值且所述预测扩散速率大于第二预设阈值，则将对应的污染子区域标记为优选监测子区域。
需要说明的是，所述初始污染指数具体为通过分析土壤污染监测数据得到的，分析维度包括酸碱度、重金属含量、土壤湿度、土壤颜色信息等，初始污染指数越大，代表对应污染子区域的污染程度越严重，具体表现为土壤酸碱度数值较低、重金属含量较多、重金属浓度较高、土壤颜色偏离正常颜色等。
另外，所述预测扩散速率具体为通过初始污染指数与污染系数相乘得到，即初始污染指数正比于预测扩散速率，初始污染指数越大，预测扩散速率就越大，对应的污染子区域的污染扩散影响越大。所述第一预设阈值与第二预设阈值具体为有用户进行设定，所述预设阈值用于筛选出优选监测子区域。在较大的污染区域范围内进行污染监测与分析任务中，由于区域越大，需要的监测工作则越大，对应需要的人力与物力消耗的资源也越大。本发明通过选取出优选监测子区域，在下一个监测周期内对优选监测子区域进行监测，能够在保证数据监测与污染扩散模型的数据需求的情况下，较少监测点，通过监测优选监测子区域，能够进一步精确分析出土壤污染区域的扩散情况，实现对土壤污染区域的精确监测与扩散分析。所述污染预测数据包括土壤的酸碱度、重金属含量、土壤湿度、土壤颜色等预测信息。
根据本发明实施例，所述在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域，具体为：
在下一个监测周期内，对优选监测子区域进行污染监测并得到每个优选监测子区域的优选污染监测数据；
在下一个监测周期内，分析并获取土壤污染区域的二次环境特征数据；
将所述优选污染监测数据与二次环境特征数据导入污染扩散模型进行二次污染分析与二次污染预测，得到二次污染预测数据与二次优选监测子区域。
需要说明的是，本发明通过分析每一个监测周期内的污染监测数据进行污染扩散预测，并基于预测数据筛选出下一个周期的优选监测子区域，受污染扩散影响，每个周期的优选监测子区域一般有所差异。
根据本发明实施例，所述根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息，将所述调控方案信息发送至预设终端设备，具体为：
对所有污染子区域中进行调控区域划分，划分方法为将二次优选监测子区域作为第一调控子区域，将其余污染子区域标记为第二调控子区域；
基于第一调控子区域与第二调控子区域，将二次污染预测数据划分为第一预测数据与第二预测数据；
根据第一预测数据，对第一调控子区域进行污染调控分析并生成第一调控方案；
根据第二预测数据，对第二调控子区域进行污染调控分析并生成第二调控方案；
将所述第一调控方案与第二调控方案整合为调控方案信息发送至预设终端设备。
需要说明的是，所述预设终端设备包括移动终端设备与计算机终端设备。所述二次污染预测数据包括所有污染子区域的预测数据。所述进行污染调控分析中，具体包括对土壤的酸化、重金属等污染进行调控方案分析，所述方案包括使用化学试剂调控、微生物菌肥施用调控、植被调控等方法。由于第一调控子区域具体为二次优选监测子区域，其受污染程度一般较高，且具体为核心的监测点，因此，所述第一调控子区域为重点调控区域，所对应的调控方案一般包括多种调控方法的组合，所述第二调控子区域为非重点调控区域，一般对应一种调控方法。
根据本发明实施例，还包括：
获取第一个监测周期内的污染预测数据、土壤污染监测数据与环境特征数据；
获取第二个周期内的优选污染监测数据；
将污染预测数据与优选污染监测数据进行数据对比分析并计算两者的数据差异度；
根据数据差异度进行预测周期数分析，得到最优预测周期数N；
将第一个监测周期作为基准点，从历史环境特征数据中，获取前N个周期的环境特征数据，并将所述环境特征数据标记为历史周期环境特征数据；
将土壤污染监测数据、环境特征数据与历史周期环境特征数据导入污染扩散模型进行N个周期的反向数据预测，得到反向污染预测数据；
基于N个周期，将反向污染预测数据划分为N个监测数据；
将N个监测数据作为N个周期的调控监测指标；
根据调控方案信息对土壤污染区域进行污染调控，并在在第二个周期后的N个周期时间段内，获取每个周期的土壤监测数据；
将每个周期的土壤监测数据与对应周期的调控监测指标进行对比，得到每个周期的调控评估信息。
需要说明的是，所述数据差异度能够反映污染扩散模型预测数据的准确率，通过数据差异度，能够合理推算出最优预测周期数N，即污染扩散模型在预测N个周期内的数据具有较高准确率。所述反向污染预测数据具体为模拟分析在前N个周期内土壤污染区域的监测数据，根据反向污染预测数据，能够掌握土壤污染区域中在第一期周期之内的土壤监测情况，且反向污染预测数据对土壤污染调控具有较高的参考与指导价值。所述每个周期的调控评估信息一共包括N个周期的调控评估信息，即N个调控评估信息，根据N个调控评估信息能够精准掌握土壤污染区域在N个周期内的污染调控情况。
根据本发明实施例，还包括：
获取优选监测子区域的优选污染监测数据；
基于优选污染监测数据，对每个优选监测子区域进行基础污染程度分析，得到初始污染指数；
基于所述初始污染指数计算出每个优选监测子区域的预测扩散速率；
获取二次污染预测数据与二次环境特征数据；
基于二次污染预测数据分析出每个优选监测子区域的预测污染指数；
判断优选监测子区域的预测污染指数与预测扩散速率，若所述预测污染指数大于预警指数且所述预测扩散速率大于预警速率，则将对应的优选监测子区域标记为预警监测子区域；
以预警监测子区域为中心，将邻近的非优选监测子区域标记为污染预警子区域；
在下一个检测周期内获取污染预警子区域中的污染监测数据并标记为预警监测数据；
基于预警监测数据，计算出每个污染预警子区域的初始污染指数；
将初始污染指数大于预警指数的污染预警子区域标记为突发污染源；
获取所有的突发污染源的位置信息并汇总为突发污染源信息；
将所述突发污染源信息发送至预设终端设备。
需要说明的是，所述预警指数、预警速率为用户设定预警值，且所述预警指数大于第一预设阈值，所述预警速率大于第二预设阈值。当出现预测污染指数大于预警指数且所述预测扩散速率大于预警速率时，代表对应的优选监测子区域中存在突发性的较严重的污染扩散情况，且突发污染源一般存在于非优选监测子区域中，此时，本发明通过对非优选监测子区域进行污染情况分析，能够精准地分析出突发性的污染源地点，并将对应突发污染源信息发送至预设终端设备，使用户能够实时掌握土壤污染区域的突发污染情况。
图4示出了本发明一种基于深度学习的多源污染时空特征分析系统的框图。
本发明第二方面还提供了一种基于深度学习的多源污染时空特征分析系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于深度学习的多源污染时空特征分析程序，所述基于深度学习的多源污染时空特征分析程序被所述处理器执行时实现如下步骤：
获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域；
在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据；
将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域；
在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域；
根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息，将所述调控方案信息发送至预设终端设备。
根据本发明实施例，所述获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域，具体为：
获取土壤污染区域中的区域面积、区域轮廓信息；
基于所述区域面积、区域轮廓信息构建污染区域地图模型；
基于污染区域地图模型，对污染区域进行网格划分，得到多个污染子区域，且保证每个污染子区域之间的面积差在预设范围内。
需要说明的是，所述污染区域地图模型具体为一种三维可视化的地图模型，通过该模型，能够向用户展示区域的污染状况和对污染扩散的动态展示。所述多个污染子区域中，具体子区域的个数由土壤污染区域中的区域面积大小决定，面积越大，划分的子区域数量越多大。所述保证每个污染子区域之间的面积差在预设范围内中，所述预设范围一般为用户根据土壤污染区域面积的大小决定。
根据本发明实施例，所述在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据，具体为：
对每一个污染子区域进行土壤采样检测，并得到每一个污染子区域对应的子区域污染监测数据；
将所有子区域污染监测数据进行数据整合得到土壤污染监测数据；
所述土壤污染监测数据包括酸碱度、重金属含量、土壤湿度、土壤颜色信息；
获取土壤污染区域的天气、湿度、风向信息；
将所述天气、湿度、风向信息进行环境信息特征提取，得到环境特征数据。
需要说明的是，所述环境特征数据即所述天气、湿度、风向信息中的主要数据特征，且所述环境特征数据可以导入污染扩散模型进行特征分析。所述土壤污染监测数据包括酸碱度、重金属含量、土壤湿度、土壤颜色等信息。所述土壤颜色具体为通过无人机对每个污染子区域进行航拍得到土壤图像数据，进一步对图像数据进行颜色特征特区得到的土壤颜色信息。
根据本发明实施例，所述将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域，之前包括：
基于预设深度学习算法，构建污染扩散模型；
获取预设历史时间段内的历史土壤监测数据与历史环境特征数据；
将历史土壤监测数据与历史环境特征数据进行数据归一化、标准化与数据整合，得到污染数据集；
将污染数据集按照预设比例划分为训练数据集、验证数据集、测试数据集；
将训练数据集、验证数据集、测试数据集导入污染扩散模型进行重复污染预测训练，直至得到的污染预测数据通过所有测试数据集。
需要说明的是，所述预设深度学习算法具体为多种预测模型算法的组合，所述多种预测模型算法包括线性回归、逻辑回归、神经网络、贝叶斯网络等预测模型算法，且污染扩散模型包括至少一种预测模型算法。所述预设历史时间段一般为最近的1-3年时间段。所述预设比例一般为2:2:1，即训练数据集、验证数据集各占40%，测试数据集占20%。
根据本发明实施例，所述将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域，具体为：
将所述土壤污染监测数据与环境特征数据导入污染扩散模型；
基于土壤污染监测数据，对每个污染子区域进行基础污染程度分析，得到初始污染指数；
基于初始污染指数计算出每个污染子区域的预测扩散速率；
污染扩散模型根据预测扩散速率与环境特征数据，对所有污染子区域进行污染扩散预测，得到污染预测数据；
基于污染预测数据分析出每个污染子区域的预测污染指数；
判断污染子区域中的预测污染指数与预测扩散速率，若所述预测污染指数大于第一预设阈值且所述预测扩散速率大于第二预设阈值，则将对应的污染子区域标记为优选监测子区域。
需要说明的是，所述初始污染指数具体为通过分析土壤污染监测数据得到的，分析维度包括酸碱度、重金属含量、土壤湿度、土壤颜色信息等，初始污染指数越大，代表对应污染子区域的污染程度越严重，具体表现为土壤酸碱度数值较低、重金属含量较多、重金属浓度较高、土壤颜色偏离正常颜色等。
另外，所述预测扩散速率具体为通过初始污染指数与污染系数相乘得到，即初始污染指数正比于预测扩散速率，初始污染指数越大，预测扩散速率就越大，对应的污染子区域的污染扩散影响越大。所述第一预设阈值与第二预设阈值具体为有用户进行设定，所述预设阈值用于筛选出优选监测子区域。在较大的污染区域范围内进行污染监测与分析任务中，由于区域越大，需要的监测工作则越大，对应需要的人力与物力消耗的资源也越大。本发明通过选取出优选监测子区域，在下一个监测周期内对优选监测子区域进行监测，能够在保证数据监测与污染扩散模型的数据需求的情况下，较少监测点，通过监测优选监测子区域，能够进一步精确分析出土壤污染区域的扩散情况，实现对土壤污染区域的精确监测与扩散分析。所述污染预测数据包括土壤的酸碱度、重金属含量、土壤湿度、土壤颜色等预测信息。
根据本发明实施例，所述在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域，具体为：
在下一个监测周期内，对优选监测子区域进行污染监测并得到每个优选监测子区域的优选污染监测数据；
在下一个监测周期内，分析并获取土壤污染区域的二次环境特征数据；
将所述优选污染监测数据与二次环境特征数据导入污染扩散模型进行二次污染分析与二次污染预测，得到二次污染预测数据与二次优选监测子区域。
需要说明的是，本发明通过分析每一个监测周期内的污染监测数据进行污染扩散预测，并基于预测数据筛选出下一个周期的优选监测子区域，受污染扩散影响，每个周期的优选监测子区域一般有所差异。
根据本发明实施例，所述根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息，将所述调控方案信息发送至预设终端设备，具体为：
对所有污染子区域中进行调控区域划分，划分方法为将二次优选监测子区域作为第一调控子区域，将其余污染子区域标记为第二调控子区域；
基于第一调控子区域与第二调控子区域，将二次污染预测数据划分为第一预测数据与第二预测数据；
根据第一预测数据，对第一调控子区域进行污染调控分析并生成第一调控方案；
根据第二预测数据，对第二调控子区域进行污染调控分析并生成第二调控方案；
将所述第一调控方案与第二调控方案整合为调控方案信息发送至预设终端设备。
需要说明的是，所述预设终端设备包括移动终端设备与计算机终端设备。所述二次污染预测数据包括所有污染子区域的预测数据。所述进行污染调控分析中，具体包括对土壤的酸化、重金属等污染进行调控方案分析，所述方案包括使用化学试剂调控、微生物菌肥施用调控、植被调控等方法。由于第一调控子区域具体为二次优选监测子区域，其受污染程度一般较高，且具体为核心的监测点，因此，所述第一调控子区域为重点调控区域，所对应的调控方案一般包括多种调控方法的组合，所述第二调控子区域为非重点调控区域，一般对应一种调控方法。
根据本发明实施例，还包括：
获取第一个监测周期内的污染预测数据、土壤污染监测数据与环境特征数据；
获取第二个周期内的优选污染监测数据；
将污染预测数据与优选污染监测数据进行数据对比分析并计算两者的数据差异度；
根据数据差异度进行预测周期数分析，得到最优预测周期数N；
将第一个监测周期作为基准点，从历史环境特征数据中，获取前N个周期的环境特征数据，并将所述环境特征数据标记为历史周期环境特征数据；
将土壤污染监测数据、环境特征数据与历史周期环境特征数据导入污染扩散模型进行N个周期的反向数据预测，得到反向污染预测数据；
基于N个周期，将反向污染预测数据划分为N个监测数据；
将N个监测数据作为N个周期的调控监测指标；
根据调控方案信息对土壤污染区域进行污染调控，并在在第二个周期后的N个周期时间段内，获取每个周期的土壤监测数据；
将每个周期的土壤监测数据与对应周期的调控监测指标进行对比，得到每个周期的调控评估信息。
需要说明的是，所述数据差异度能够反映污染扩散模型预测数据的准确率，通过数据差异度，能够合理推算出最优预测周期数N，即污染扩散模型在预测N个周期内的数据具有较高准确率。所述反向污染预测数据具体为模拟分析在前N个周期内土壤污染区域的监测数据，根据反向污染预测数据，能够掌握土壤污染区域中在第一期周期之内的土壤监测情况，且反向污染预测数据对土壤污染调控具有较高的参考与指导价值。所述每个周期的调控评估信息一共包括N个周期的调控评估信息，即N个调控评估信息，根据N个调控评估信息能够精准掌握土壤污染区域在N个周期内的污染调控情况。
本发明公开了一种基于深度学习的多源污染时空特征分析方法及系统。在一个监测周期内，将土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域，在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域，根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息。通过本发明，能够从时空特征上对污染区域进行扩散模拟的精准分析与预测，并且在每个监测周期中筛选出优选监测点，从而减少监测中消耗的人力物力，并基于优选监测点实现对污染区域的高效分析、污染预测和方案调控分析。
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所述方法的全部或部分。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。
以上所述，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所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的多源污染时空特征分析方法，其特征在于，包括：
获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域；
在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据；
将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域；
在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域；
根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息，将所述调控方案信息发送至预设终端设备。
2.根据权利要求1所述的一种基于深度学习的多源污染时空特征分析方法，其特征在于，所述获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域，具体为：
获取土壤污染区域中的区域面积、区域轮廓信息；
基于所述区域面积、区域轮廓信息构建污染区域地图模型；
基于污染区域地图模型，对污染区域进行网格划分，得到多个污染子区域，且保证每个污染子区域之间的面积差在预设范围内。
3.根据权利要求1所述的一种基于深度学习的多源污染时空特征分析方法，其特征在于，所述在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据，具体为：
对每一个污染子区域进行土壤采样检测，并得到每一个污染子区域对应的子区域污染监测数据；
将所有子区域污染监测数据进行数据整合得到土壤污染监测数据；
所述土壤污染监测数据包括酸碱度、重金属含量、土壤湿度、土壤颜色信息；
获取土壤污染区域的天气、湿度、风向信息；
将所述天气、湿度、风向信息进行环境信息特征提取，得到环境特征数据。
4.根据权利要求1所述的一种基于深度学习的多源污染时空特征分析方法，其特征在于，所述将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域，之前包括：
基于预设深度学习算法，构建污染扩散模型；
获取预设历史时间段内的历史土壤监测数据与历史环境特征数据；
将历史土壤监测数据与历史环境特征数据进行数据归一化、标准化与数据整合，得到污染数据集；
将污染数据集按照预设比例划分为训练数据集、验证数据集、测试数据集；
将训练数据集、验证数据集、测试数据集导入污染扩散模型进行重复污染预测训练，直至得到的污染预测数据通过所有测试数据集。
5.根据权利要求4所述的一种基于深度学习的多源污染时空特征分析方法，其特征在于，所述将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域，具体为：
将所述土壤污染监测数据与环境特征数据导入污染扩散模型；
基于土壤污染监测数据，对每个污染子区域进行基础污染程度分析，得到初始污染指数；
基于初始污染指数计算出每个污染子区域的预测扩散速率；
污染扩散模型根据预测扩散速率与环境特征数据，对所有污染子区域进行污染扩散预测，得到污染预测数据；
基于污染预测数据分析出每个污染子区域的预测污染指数；
判断污染子区域中的预测污染指数与预测扩散速率，若所述预测污染指数大于第一预设阈值且所述预测扩散速率大于第二预设阈值，则将对应的污染子区域标记为优选监测子区域。
6.根据权利要求1所述的一种基于深度学习的多源污染时空特征分析方法，其特征在于，所述在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域，具体为：
在下一个监测周期内，对优选监测子区域进行污染监测并得到每个优选监测子区域的优选污染监测数据；
在下一个监测周期内，分析并获取土壤污染区域的二次环境特征数据；
将所述优选污染监测数据与二次环境特征数据导入污染扩散模型进行二次污染分析与二次污染预测，得到二次污染预测数据与二次优选监测子区域。
7.根据权利要求6所述的一种基于深度学习的多源污染时空特征分析方法，其特征在于，所述根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息，将所述调控方案信息发送至预设终端设备，具体为：
对所有污染子区域中进行调控区域划分，划分方法为将二次优选监测子区域作为第一调控子区域，将其余污染子区域标记为第二调控子区域；
基于第一调控子区域与第二调控子区域，将二次污染预测数据划分为第一预测数据与第二预测数据；
根据第一预测数据，对第一调控子区域进行污染调控分析并生成第一调控方案；
根据第二预测数据，对第二调控子区域进行污染调控分析并生成第二调控方案；
将所述第一调控方案与第二调控方案整合为调控方案信息发送至预设终端设备。
8.一种基于深度学习的多源污染时空特征分析系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于深度学习的多源污染时空特征分析程序，所述基于深度学习的多源污染时空特征分析程序被所述处理器执行时实现如下步骤：
获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域；
在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据；
将所述土壤污染监测数据与环境特征数据导入污染扩散模型进行基于时空特征的污染分析与污染预测，得到污染预测数据与优选监测子区域；
在下一个监测周期内，对优选监测子区域进行污染分析与污染预测，得到二次污染预测数据与二次优选监测子区域；
根据二次污染预测数据对土壤污染区域进行污染调控分析并生成调控方案信息，将所述调控方案信息发送至预设终端设备。
9.根据权利要求8所述的一种基于深度学习的多源污染时空特征分析系统，其特征在于，所述所述获取土壤污染区域，基于所述土壤污染区域进行区域划分，得到多个污染子区域，具体为：
获取土壤污染区域中的区域面积、区域轮廓信息；
基于所述区域面积、区域轮廓信息构建污染区域地图模型；
基于污染区域地图模型，对污染区域进行网格划分，得到多个污染子区域，且保证每个污染子区域之间的面积差在预设范围内。
10.根据权利要求8所述的一种基于深度学习的多源污染时空特征分析系统，其特征在于，所述在一个监测周期内，获取多个污染子区域中的土壤污染监测数据与环境特征数据，具体为：
对每一个污染子区域进行土壤采样检测，并得到每一个污染子区域对应的子区域污染监测数据；
将所有子区域污染监测数据进行数据整合得到土壤污染监测数据；
所述土壤污染监测数据包括酸碱度、重金属含量、土壤湿度、土壤颜色信息；
获取土壤污染区域的天气、湿度、风向信息；
将所述天气、湿度、风向信息进行环境信息特征提取，得到环境特征数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310644864.6A CN116362571B (zh) | 2023-06-02 | 2023-06-02 | 一种基于深度学习的多源污染时空特征分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310644864.6A CN116362571B (zh) | 2023-06-02 | 2023-06-02 | 一种基于深度学习的多源污染时空特征分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116362571A true CN116362571A (zh) | 2023-06-30 |
| CN116362571B CN116362571B (zh) | 2023-08-08 |
Family
ID=86928581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310644864.6A Active CN116362571B (zh) | 2023-06-02 | 2023-06-02 | 一种基于深度学习的多源污染时空特征分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116362571B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757509A (zh) * | 2023-08-18 | 2023-09-15 | 长春市辰奇农业科技有限公司 | 一种生态农业信息化用信息服务管理方法及管理系统 |
| CN116773465A (zh) * | 2023-08-25 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种全氟化合物污染在线监测方法及系统 |
| CN117172995A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于微生物的污染评估分析方法、系统及存储介质 |
| CN117875559A (zh) * | 2024-01-16 | 2024-04-12 | 广东博创佳禾科技有限公司 | 基于城市环境介质的重金属负载容量分析方法及系统 |
| CN118067960A (zh) * | 2024-02-27 | 2024-05-24 | 镇江苏鹤环境科技有限公司 | 一种基于多源数据的土壤环境污染监测系统及方法 |
| CN118314482A (zh) * | 2024-06-07 | 2024-07-09 | 山东益来环保科技有限公司 | 一种无人机智能环保监测系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767032A (zh) * | 2017-09-27 | 2018-03-06 | 北京农业信息技术研究中心 | 一种农田土壤重金属污染决策系统及方法 |
| KR102051791B1 (ko) * | 2018-11-16 | 2020-01-08 | 고려대학교 산학협력단 | 토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법 |
| CN110969345A (zh) * | 2019-11-20 | 2020-04-07 | 北京淖尔科技有限公司 | 一种基于土壤重金属污染途径分析的风险评估方法 |
| CN116186566A (zh) * | 2023-04-27 | 2023-05-30 | 北京建工环境修复股份有限公司 | 基于深度学习的扩散预测方法及系统 |
-
2023
- 2023-06-02 CN CN202310644864.6A patent/CN116362571B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767032A (zh) * | 2017-09-27 | 2018-03-06 | 北京农业信息技术研究中心 | 一种农田土壤重金属污染决策系统及方法 |
| KR102051791B1 (ko) * | 2018-11-16 | 2020-01-08 | 고려대학교 산학협력단 | 토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법 |
| CN110969345A (zh) * | 2019-11-20 | 2020-04-07 | 北京淖尔科技有限公司 | 一种基于土壤重金属污染途径分析的风险评估方法 |
| CN116186566A (zh) * | 2023-04-27 | 2023-05-30 | 北京建工环境修复股份有限公司 | 基于深度学习的扩散预测方法及系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757509A (zh) * | 2023-08-18 | 2023-09-15 | 长春市辰奇农业科技有限公司 | 一种生态农业信息化用信息服务管理方法及管理系统 |
| CN116757509B (zh) * | 2023-08-18 | 2023-10-27 | 长春市辰奇农业科技有限公司 | 一种生态农业信息化用信息服务管理方法及管理系统 |
| CN116773465A (zh) * | 2023-08-25 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种全氟化合物污染在线监测方法及系统 |
| CN116773465B (zh) * | 2023-08-25 | 2023-10-27 | 北京建工环境修复股份有限公司 | 一种全氟化合物污染在线监测方法及系统 |
| CN117172995A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于微生物的污染评估分析方法、系统及存储介质 |
| CN117172995B (zh) * | 2023-11-02 | 2024-01-02 | 北京建工环境修复股份有限公司 | 基于微生物的污染评估分析方法、系统及存储介质 |
| CN117875559A (zh) * | 2024-01-16 | 2024-04-12 | 广东博创佳禾科技有限公司 | 基于城市环境介质的重金属负载容量分析方法及系统 |
| CN118067960A (zh) * | 2024-02-27 | 2024-05-24 | 镇江苏鹤环境科技有限公司 | 一种基于多源数据的土壤环境污染监测系统及方法 |
| CN118067960B (zh) * | 2024-02-27 | 2024-07-30 | 镇江苏鹤环境科技有限公司 | 一种基于多源数据的土壤环境污染监测系统及方法 |
| CN118314482A (zh) * | 2024-06-07 | 2024-07-09 | 山东益来环保科技有限公司 | 一种无人机智能环保监测系统及方法 |
| CN118314482B (zh) * | 2024-06-07 | 2024-08-27 | 山东益来环保科技有限公司 | 一种无人机智能环保监测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116362571B (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116362571B (zh) | 一种基于深度学习的多源污染时空特征分析方法及系统 | |
| CN116702047B (zh) | 一种地下水实时监测方法、系统及介质 | |
| CN116362570B (zh) | 一种基于大数据平台的多维度污染分析方法及系统 | |
| CN116882637B (zh) | 一种农田碳排放分析方法及系统 | |
| CN114170513A (zh) | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 | |
| CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
| CN110827269B (zh) | 农作物生长变化状况检测方法、装置、设备及介质 | |
| US20230140289A1 (en) | Traffic accident prediction systems and methods | |
| CN112001520B (zh) | 天气预报方法、装置、计算机设备及存储介质 | |
| CN114494837A (zh) | 一种渔业资源的密度智能识别方法及系统 | |
| CN116363440A (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 | |
| CN116307268A (zh) | 一种基于污染场地修复过程中的碳排放预测方法及系统 | |
| CN113485218B (zh) | 一种基于5g的智慧物联监管平台 | |
| CN115471794A (zh) | 一种基于YOLOv5的智能电厂小目标检测方法及系统 | |
| CN111178756A (zh) | 一种基于环境大数据的多元线性回归火灾风险评估方法 | |
| CN107589063B (zh) | 一种动态大气腐蚀区域地图数据处理方法、装置及系统 | |
| CN116189010B (zh) | 一种基于卫星图谱的矿山生态识别预警方法及系统 | |
| CN117726978A (zh) | 基于化工区域排放废水的水体检测方法及装置 | |
| CN117491295A (zh) | 基于遥感影像的工业园区有毒有害气体污染预警处置方法 | |
| CN109978617A (zh) | 农产品大数据预测方法、系统、终端及存储介质 | |
| CN114663731B (zh) | 车牌检测模型的训练方法及系统、车牌检测方法及系统 | |
| CN110807174A (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 | |
| CN114119531A (zh) | 应用于校园智慧平台的火灾检测方法、装置及计算机设备 | |
| CN114297027A (zh) | 一种基于机器学习的日志巡检方法、装置和电子设备 | |
| CN117172990B (zh) | 一种地下水环境中抗生素污染迁移预测方法及系统 |
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 |