CN116502170A - 基于云平台的农业水利监测方法及相关装置 - Google Patents
基于云平台的农业水利监测方法及相关装置 Download PDFInfo
- Publication number
- CN116502170A CN116502170A CN202310776720.6A CN202310776720A CN116502170A CN 116502170 A CN116502170 A CN 116502170A CN 202310776720 A CN202310776720 A CN 202310776720A CN 116502170 A CN116502170 A CN 116502170A
- Authority
- CN
- China
- Prior art keywords
- data
- water conservancy
- sequence
- time point
- radius
- 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 96
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000002689 soil Substances 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000015654 memory Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 4
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域，提供一种基于云平台的农业水利监测方法及相关装置，基于云平台的农业水利监测方法，包括：获取监测参数，所述监测参数包括土壤湿度数据、空气湿度数据、土壤PH值数据以及温度数据；根据历史水利数据得到聚类半径；利用DBSCAN聚类算法基于所述聚类半径对所述监测参数进行聚类，得到多个类簇；如果所述监测参数中某些参数未分配到任一类簇中，则确定所述参数为异常数据。
Description
技术领域
本发明涉及数据处理领域，具体涉及一种基于云平台的农业水利监测方法及相关装置。
背景技术
云平台是一种基于云计算技术的服务平台，可以提供云计算、云存储等云服务，具有安全、可靠、灵活等特点；农业水利监测系统通过监测农业水利相关数据，如土壤湿度、土壤pH值等，为农业生产提供科学的决策依据。基于云平台的农业水利监测系统能够更快捷方便的根据农业水利相关数据提供决策依据，更能达到实时监测的要求。
农业水利数据具有多样性、数据量大、数据处理质量高、数据处理和分析难度大的特点，传统的异常检测算法如基于统计学的异常检测算法，检测效率高，但对于数据分布的假设较为严格；基于距离的异常检测算法，对于数据分布不均匀情况的检测效果较好，但对于高维数据处理效率较低；基于分类的异常检测算法，简单易于实现，但对于分类器的参数选择和设置要求较高，需要不断调试找到最优参数；基于聚类的异常检测算法，可以自动发现数据中的类结构，不需要知道数据的分布形态，但对于算法中用到的参数需要设定准确。
发明内容
本发明提供一种基于云平台的农业水利监测方法及相关装置。
第一方面，本申请提供一种基于云平台的农业水利监测方法，包括：
获取监测参数，所述监测参数包括土壤湿度数据、空气湿度数据、土壤PH值数据以及温度数据；
根据历史水利数据得到聚类半径；
利用DBSCAN聚类算法基于所述聚类半径对所述监测参数进行聚类，得到多个类簇；
如果所述监测参数中某些参数未分配到任一类簇中，则确定所述参数为异常数据。
在一可选实施例中，所述根据历史水利数据得到聚类半径，包括：
根据历史水利数据的变化趋势以及时间序列将历史水利数据分为多个子数据，所述历史水利数据包括：历史土壤湿度数据、历史空气湿度数据、历史土壤PH值数据以及历史温度数据；
基于所述子数据计算聚类半径特征约束子；
基于所述聚类半径特征约束子中各个元素的特点计算每一时间点的聚类半径约束特征值；
基于所述聚类半径约束特征值确定所述聚类半径。
在一可选实施例中，所述根据历史水利数据的变化趋势以及时间序列将历史水利数据分为多个子数据，包括：
基于时间序列模型根据历史水利数据的变化趋势将历史水利数据分为多个子数据，每一子数据表征一个时间段中历史水利数据的变化趋势。
在一可选实施例中，基于所述子数据计算聚类半径特征约束子，包括：
基于所述子数据计算每一时间点对应的历史水利数据的k近邻距离数据序列；
基于每一时间点对应的历史水利数据的k近邻距离数据序列的序列极差、序列均值以及各个时间点的标记次数构建每一时间点对应的聚类半径特征约束子。
在一可选实施例中，所述基于所述子数据计算每一时间点对应的历史水利数据的k近邻距离数据序列，包括：
计算每一子数据中参考时间点对应的历史水利数据与其余时间点对应的历史水利数据的欧式距离；
将计算得到的欧氏距离按照从小到大的顺序排列，取前k个值所组成的序列作为每一时间点对应的历史水利数据的k近邻距离数据序列，并对所述k近邻距离数据序列对应的时间点进行标记，得到标记次数。
在一可选实施例中，所述基于所述聚类半径特征约束子中各个元素的特点计算聚类半径约束特征值，包括：
利用如下公式（1）和（2）计算聚类半径约束特征值：
（1）；
（2）；
其中表示t时间点的聚类半径约束特征值，sign(*)表示反符号函数，/>、/>分别表示t时间点的标记次数数据放入标记次数序列前、后的序列熵，/>表示t时间点的标记次数振荡指数，/>表示t时间点的标记次数数据放入标记次数序列前，标记次数序列中频率最大的标记次数，/>表示t时间点的标记次数，/>表示t时间点的标记次数数据放入标记次数序列前后，t时间点标记次数频率的变化，/>表示均值序列具有趋势性的可靠程度，/>表示将t时间点的极差数据放入极差序列前后，极差序列的方差比。
在一可选实施例中，基于所述聚类半径约束特征值确定所述聚类半径，包括：
利用如下公式（3）确定所述聚类半径：
（3）
其中r(t)表示t时间点农业水利数据的聚类半径，表示聚类半径初始值，通常取第一个时间点农业水利数据K近邻序列的序列均值/>，/>表示t时间点农业水利数据的聚类半径约束特征值。
第一方面，本申请提供一种基于云平台的农业水利监测装置，包括：
获取模块，用于获取监测参数，所述监测参数包括土壤湿度数据、空气湿度数据、土壤PH值数据以及温度数据；
聚类半径确定模块，用于根据历史水利数据得到聚类半径；
聚类模块，用于利用DBSCAN聚类算法基于所述聚类半径对所述监测参数进行聚类，得到多个类簇；
监测模块，用于监测聚类结果，如果所述监测参数中某些参数未分配到任一类簇中，则确定所述参数为异常数据。
第三方面，本申请提供一种电子设备，包括相互藕接的处理器及存储器，其中，所述存储器用于存储实现上述任意一项所述的方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令。
第四方面，本申请提供一种存储介质，存储有程序文件，所述程序文件能够被执行以实现上述任意一项所述的方法。
本发明的有益效果是：区别于现有技术，本发明提出的基于云平台的农业水利监测方法，包括：获取监测参数，所述监测参数包括土壤湿度数据、空气湿度数据、土壤PH值数据以及温度数据；根据历史水利数据得到聚类半径；利用DBSCAN聚类算法基于所述聚类半径对所述监测参数进行聚类，得到多个类簇；如果所述监测参数中某些参数未分配到任一类簇中，则确定所述参数为异常数据。
附图说明
图1是本发明基于云平台的农业水利监测方法的第一实施例的流程示意图；
图2是图1中步骤S12的第一实施例的流程示意图；
图3是本发明基于云平台的农业水利监测装置的一实施例的结构示意图；
图4是本发明电子设备的一实施例的结构示意图；
图5是本发明存储介质的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中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的一部分实施例，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。
下面结合附图和实施例对本发明进行详细的说明。
请参见图1，为本申请基于云平台的农业水利监测方法的一实施例的流程示意图，具体包括：
步骤S11：获取监测参数，所述监测参数包括土壤湿度数据、空气湿度数据、土壤PH值数据以及温度数据。
具体的，通过传感器采集农业水利数据并进行预处理，进而得到监测参数。
通过当地水利监测部门中心获取到各农田土地数量、位置信息，通过土壤及空气中的湿度传感器分别获取土壤湿度数据及空气湿度数据，通过温度传感器获取各农田的温度数据，通过电位法获取土壤pH值数据。每隔时间t0(本发明中取经验值30min)采集一次数据，共采集N次(本发明中取经验值480)，本发明中数据维度为4，故最终得到的数据总量为4N。
由于原始数据中可能存在缺失值等情况，为避免缺失值对后续步骤产生影响，需要对缺失值进行填充，常用的缺失值填充方法有均值填充、中位数填充、众数填充、插值填充等，为使填充值更符合数据规律，本发明使用线性插值法对缺失值进行填充，同时为避免量纲不同带来的影响，本发明对所获农业水利数据进行线性归一化处理，得到监测参数，记为监测参数D，可具体表示为：
其中矩阵第一行表示经过预处理的土壤湿度数据，矩阵第二行表示经过预处理的空气湿度数据，矩阵第三行表示经过预处理的土壤pH值数据，矩阵第四行表示经过预处理的温度数据，如表示第3个时间点的经过预处理的空气湿度数据。
步骤S12：根据历史水利数据得到聚类半径。
传统的DBSCAN聚类算法较依赖于邻域半径与最小邻居数这两个参数的选取，其中最小邻居数通常在3-10之间，本发明取经验值5，邻域半径决定了聚类簇中各点的紧密程度，当邻域半径较小时，可能会将一个簇划分为多个簇，当邻域半径较大时，可能会将多个簇合并成一个，且将异常点纳入正常簇中，不易进行异常数据的识别。据此本发明通过构建聚类半径约束特征值，自适应的选取合适的邻域半径，达到更好的聚类效果，本申请据各时间点的K近邻距离序列，构建各时间点的聚类半径特征约束子，并根据聚类半径特征约束子中各元素的特点计算得到各时间点的聚类半径约束特征值，用于反映聚类半径与当前时间点水利数据特征的关系，基于此计算聚类半径。
具体的，请结合图2，计算聚类半径包括：
步骤S21：根据历史水利数据的变化趋势以及时间序列将历史水利数据分为多个子数据，所述历史水利数据包括：历史土壤湿度数据、历史空气湿度数据、历史土壤PH值数据以及历史温度数据。
在一实施例中，基于时间序列模型根据历史水利数据的变化趋势将历史水利数据分为多个子数据，每一子数据表征一个时间段中历史水利数据的变化趋势。具体的，通过时间序列分析算法，对各农田历史水利数据的周期性进行阶段划分。根据经验所得，农田所种农作物在生长发育的不同阶段具有不同的特点，即农业水利数据具有周期性、趋势性等特点，故可以通过历史土壤湿度数据、历史空气湿度数据、历史土壤pH值数据、历史温度数据随时间的变化趋势，使用ARIMA时间序列模型进行建模，将农业水利数据分解为周期特征、趋势特征，根据分解所得到的周期特征，将农业水利数据分为若干阶段，阶段数即为ARIMA时间序列模型分解得到的周期数。每一个周期对应一个得到一个子数据。
步骤S22：基于所述子数据计算聚类半径特征约束子。
具体的，基于所述子数据计算每一时间点对应的历史水利数据的k近邻距离数据序列。在一具体实施例中，计算每一子数据中参考时间点对应的历史水利数据与其余时间点对应的历史水利数据的欧式距离；将计算得到的欧氏距离按照从小到大的顺序排列，取前k个值所组成的序列作为每一时间点对应的历史水利数据的k近邻距离数据序列，并对所述k近邻距离数据序列对应的时间点进行标记，得到标记次数。
具体的，通过对不同周期内农业水利数据的分析，即对每一子数据中的历史农业水利数据进行分析，获取不同周期内各时间点水利数据的K近邻距离数据序列。以时间点t1为例，计算其余时间点农业水利数据与时间点t1农业水利数据的欧式距离，按从小到大的顺序取前K个值(通常取经验值7)所组成的序列即为时间点t1对应的历史水利数据的K近邻距离数据序列，记为S1，并将取到时间点的标记次数记为1，后续获取其余时间点的K近邻距离数据序列时，若存在某时间点的标记次数不为0，则进行累加。如时间点t1的K近邻距离数据序列为[1.5,2.3,3.1,4.7,5.2,6.9,7.4]，其对应的时间点分别为[t3,t10,t4,t9,t7,t6,t12]，则将这些时间点的标记次数记为1，若时间点t2的K近邻距离数据序列中，时间点t3又出现了一次，则时间点t3的标记次数记为2。
基于每一时间点对应的历史水利数据的k近邻距离数据序列的序列极差、序列均值以及各个时间点的标记次数构建每一时间点对应的聚类半径特征约束子。
通过上述步骤，可以得到各时间点水利数据的K近邻距离数据序列，则可以计算各时间点所在历史水利数据K近邻距离数据序列的序列极差R、序列均值m，以及各时间点的标记次数n，则可以构建聚类半径特征约束子。
需要说明的是，在作物生长的一个周期内，生长环境变化相对较小，故处于作物同一生长周期的农业水利数据应当变化较小，则聚类半径特征约束子中，序列极差R应当稳定较小，序列均值m应当比较稳定，标记次数n不会出现过小甚至为0的情况。当农作物生长到下一周期时，生长环境会发生一定变化，如所需水分增加等，对应的农业水利数据会发生一定变化，即从当前周期到下一周期的过渡过程中，序列极差R会从逐渐增大到逐渐变小，直至完全到下一周期，序列极差恢复为稳定较小状态，序列均值m则会从一个周期的均值逐渐变化到下一周期的均值，变化率会从逐渐增大到逐渐变小，直至完全到下一周期，标记次数n会从逐渐变小到逐渐变大，直至完全到下一周期。
步骤S23：基于所述聚类半径特征约束子中各个元素的特点计算每一时间点的聚类半径约束特征值。
将当前时间点历史农业水利数据之前所有未分类时间点农业水利数据聚类半径特征约束子中的各元素分别组成均值序列M、极差序列RL与标记次数序列NL，如第10个时间点t10之前的所有未分类时间点为t1-t9，则对应的均值序列M为t1-t9时间点均值所组成的序列。
根据聚类半径特征约束子中各元素的特点，可以计算聚类半径约束特征值，用于对聚类半径进行一定约束，在聚类时根据当前时间点农业水利数据与之前时间点农业水利数据的分布特征动态调整聚类半径，使聚类效果更好。
在一实施例中，利用如下公式（1）和（2）计算聚类半径约束特征值：
（1）；
（2）；
公式（1）中，表示t时间点的聚类半径约束特征值，sign(*)表示反符号函数，当括号内元素大于等于0时，函数值取-1，当括号内元素小于0时，函数值取1；/>、/>分别表示t时间点的标记次数数据放入标记次数序列前、后的序列熵，反映了标记次数序列的混乱程度，二者之差反映了标记次数序列混乱程度的变化，二者之差大于等于0时，表明t时间点的标记次数放入标记次数序列后，标记次数序列的熵变大，此时可能处于阶段分界处，为避免出现将下一阶段数据与当前阶段数据聚为一类，聚类半径应当较小，故对反符号函数值取-1，同理，当t时间点的标记次数放入标记次数序列后，序列熵的变化小于0，表明此时不处于阶段分界处，为加快聚类速度，可以适当增大聚类半径，故对反符号函数值取1。
公式（2）中，表示t时间点的标记次数振荡指数，/>表示t时间点的标记次数数据放入标记次数序列前，标记次数序列中频率最大的标记次数，/>表示t时间点的标记次数，/>表示t时间点的标记次数数据放入标记次数序列前后，t时间点标记次数频率的变化，/>越大，表明t时间点标记次数在原标记次数序列中出现次数越少，t时间点越不可能与前面时间点属于同一簇，/>越小，表明t时间点标记次数在原标记次数序列中出现次数越多，t时间点越可能与前面时间点属于同一簇。
公式（1）中，表示均值序列具有趋势性的可靠程度。具体的，表示将t时间点的均值数据放入均值序列后，将均值序列均分为两个均值子序列，分别记为第一子序列与第二子序列，当均值序列长度为奇数时，将序列中间值归为第一子序列，对两个均值子序列使用Wilcoxon符号秩和检验，检验其是否具有趋势性，检验结果的p值即为/>，其大小反映了均值序列具有趋势性的可靠程度。/>表示将t时间点的极差数据放入极差序列前后，极差序列的方差比。
步骤S24：基于所述聚类半径约束特征值确定所述聚类半径。
通常情况下，在开始的几天时间内采集相关农业水利数据时，不会发生较大的异常情况，若在数据采集开始阶段发生较大的数据异常情况，相关工作人员能够及时发现并解决，据此本发明以采集到的第一个时间点农业水利数据的K近邻序列的序列均值作为聚类半径的初始值/>，并基于上述步骤所得聚类半径约束特征值可以计算得到动态的聚类半径。具体的，利用如下公式（3）确定所述聚类半径：
（3）
其中r(t)表示t时间点农业水利数据的聚类半径，表示聚类半径初始值，通常取第一个时间点农业水利数据K近邻序列的序列均值/>，/>表示t时间点农业水利数据的聚类半径约束特征值。
聚类半径随着时间点的不同动态变化，当t时间点的农业水利数据特征与之前时间点的农业水利数据特征相差较大时，聚类半径适当减小，避免将异常的农业水利数据与正常的农业水利数据聚为一类，造成无法进行异常检测的结果；当t时间点的水利数据特征与之前时间点的水利数据特征相似时，聚类半径适当增大，将较多的时间点聚为一簇，提高聚类速度。
步骤S13：利用DBSCAN聚类算法基于所述聚类半径对所述监测参数进行聚类，得到多个类簇。
将上述操作步骤在云平台中进行实时计算，得到聚类半径，以及根据经验值所取最小邻居数，使用DBSCAN聚类算法对监测参数进行聚类，得到多个类簇。
步骤S14：如果所述监测参数中某些参数未分配到任一类簇中，则确定所述参数为异常数据。
若监测参数通过上述步骤操作后，未分配到任何类簇中，则将该点标记为异常数据点，将异常数据上传至农业水利监测系统，方便相关部门工作人员及时发现异常数据，并根据实际异常情况做出合理的应对措施。
本发明通过各时间点的K近邻距离数据序列所构建的聚类半径特征约束子，反映了与聚类半径相关的影响因素，基于此计算出的聚类半径约束特征值反映出聚类半径的缩放程度，并结合第一个时间点的K近邻距离均值，动态计算各时间点的聚类半径，提高DBSCAN算法聚类效果的准确率与聚类效率。
请参见图3，为本发明基于云平台的农业水利监测装置的一实施例的结构示意图，包括：获取模块31、聚类半径确定模块32、聚类模块33以及监测模块34。获取模块31用于获取监测参数，所述监测参数包括土壤湿度数据、空气湿度数据、土壤PH值数据以及温度数据。聚类半径确定模块32用于根据历史水利数据得到聚类半径；聚类模块33用于利用DBSCAN聚类算法基于所述聚类半径对所述监测参数进行聚类，得到多个类簇；监测模块34用于监测聚类结果，如果所述监测参数中某些参数未分配到任一类簇中，则确定所述参数为异常数据。
本实施例的各个模块的具体执行步骤请参见图1和图2，在此不再赘述。
请参见图4，为本发明电子设备的一实施例的结构示意图。电子设备包括相互连接的存储器52和处理器51。
存储器52用于存储实现上述任意一项的方法的程序指令。
处理器51用于执行存储器52存储的程序指令。
其中，处理器51还可以称为CPU（Central Processing Unit，中央处理单元）。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以为内存条、TF卡等，可以存储电子设备中全部信息，包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器中。它根据控制器指定的位置存入和取出信息。有了存储器，电子设备才有记忆功能，才能保证正常工作。电子设备中的存储器按用途存储器可分为主存储器(内存)和辅助存储器(外存),也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等，能长期保存信息。内存指主板上的存储部件，用来存放当前正在执行的数据和程序，但仅用于暂时存放程序和数据，关闭电源或断电，数据会丢失。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，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，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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，系统服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。
请参阅图5，为本发明存储介质的结构示意图。本申请的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，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）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、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，或者是计算机、服务器、手机、平板等终端设备。
以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于云平台的农业水利监测方法，其特征在于，包括：
获取监测参数，所述监测参数包括土壤湿度数据、空气湿度数据、土壤PH值数据以及温度数据；
根据历史水利数据得到聚类半径；
利用DBSCAN聚类算法基于所述聚类半径对所述监测参数进行聚类，得到多个类簇；
如果所述监测参数中某些参数未分配到任一类簇中，则确定所述参数为异常数据。
2.根据权利要求1所述的方法，其特征在于，所述根据历史水利数据得到聚类半径，包括：
根据历史水利数据的变化趋势以及时间序列将历史水利数据分为多个子数据，所述历史水利数据包括：历史土壤湿度数据、历史空气湿度数据、历史土壤PH值数据以及历史温度数据；
基于所述子数据计算聚类半径特征约束子；
基于所述聚类半径特征约束子中各个元素的特点计算每一时间点的聚类半径约束特征值；
基于所述聚类半径约束特征值确定所述聚类半径。
3.根据权利要求2所述的方法，其特征在于，所述根据历史水利数据的变化趋势以及时间序列将历史水利数据分为多个子数据，包括：
基于时间序列模型根据历史水利数据的变化趋势将历史水利数据分为多个子数据，每一子数据表征一个时间段中历史水利数据的变化趋势。
4.根据权利要求2所述的方法，其特征在于，基于所述子数据计算聚类半径特征约束子，包括：
基于所述子数据计算每一时间点对应的历史水利数据的k近邻距离数据序列；
基于每一时间点对应的历史水利数据的k近邻距离数据序列的序列极差、序列均值以及各个时间点的标记次数构建每一时间点对应的聚类半径特征约束子。
5.根据权利要求4所述的方法，其特征在于，所述基于所述子数据计算每一时间点对应的历史水利数据的k近邻距离数据序列，包括：
计算每一子数据中参考时间点对应的历史水利数据与其余时间点对应的历史水利数据的欧式距离；
将计算得到的欧氏距离按照从小到大的顺序排列，取前k个值所组成的序列作为每一时间点对应的历史水利数据的k近邻距离数据序列，并对所述k近邻距离数据序列对应的时间点进行标记，得到标记次数。
6.根据权利要求4所述的方法，其特征在于，所述基于所述聚类半径特征约束子中各个元素的特点计算聚类半径约束特征值，包括：
利用如下公式（1）和（2）计算聚类半径约束特征值：
（1）；
（2）；
其中表示t时间点的聚类半径约束特征值，sign(*)表示反符号函数，/>、/>分别表示t时间点的标记次数数据放入标记次数序列前、后的序列熵，/>表示t时间点的标记次数振荡指数，/>表示t时间点的标记次数数据放入标记次数序列前，标记次数序列中频率最大的标记次数，/>表示t时间点的标记次数，/>表示t时间点的标记次数数据放入标记次数序列前后，t时间点标记次数频率的变化，/>表示均值序列具有趋势性的可靠程度，/>表示将t时间点的极差数据放入极差序列前后，极差序列的方差比。
7.根据权利要求2所述的方法，其特征在于，基于所述聚类半径约束特征值确定所述聚类半径，包括：
利用如下公式（3）确定所述聚类半径：
（3）
其中r(t)表示t时间点农业水利数据的聚类半径，表示聚类半径初始值，通常取第一个时间点农业水利数据K近邻序列的序列均值/>，/>表示t时间点农业水利数据的聚类半径约束特征值。
8.一种基于云平台的农业水利监测装置，其特征在于，包括：
获取模块，用于获取监测参数，所述监测参数包括土壤湿度数据、空气湿度数据、土壤PH值数据以及温度数据；
聚类半径确定模块，用于根据历史水利数据得到聚类半径；
聚类模块，用于利用DBSCAN聚类算法基于所述聚类半径对所述监测参数进行聚类，得到多个类簇；
监测模块，用于监测聚类结果，如果所述监测参数中某些参数未分配到任一类簇中，则确定所述参数为异常数据。
9.一种电子设备，其特征在于，所述电子设备包括：相互藕接的处理器及存储器；
所述存储器用于存储实现如权利要求1~7任意一项所述的方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令。
10.一种存储介质，其特征在于，存储有程序文件，所述程序文件能够被执行以实现如权利要求1~7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310776720.6A CN116502170B (zh) | 2023-06-29 | 2023-06-29 | 基于云平台的农业水利监测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310776720.6A CN116502170B (zh) | 2023-06-29 | 2023-06-29 | 基于云平台的农业水利监测方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502170A true CN116502170A (zh) | 2023-07-28 |
| CN116502170B CN116502170B (zh) | 2023-09-22 |
Family
ID=87321696
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310776720.6A Active CN116502170B (zh) | 2023-06-29 | 2023-06-29 | 基于云平台的农业水利监测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502170B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272216A (zh) * | 2023-11-22 | 2023-12-22 | 中国建材检验认证集团湖南有限公司 | 一种自动流量监测站和人工水尺观测站的数据分析方法 |
| CN117370823A (zh) * | 2023-12-05 | 2024-01-09 | 恒健达(辽宁)医学科技有限公司 | 一种用于农业种植的喷淋控制方法及系统 |
| CN117633697A (zh) * | 2024-01-26 | 2024-03-01 | 西安艺琳农业发展有限公司 | 基于物联网的生猪智能监测方法及系统 |
| CN117951631A (zh) * | 2024-03-26 | 2024-04-30 | 广东统一机器人智能股份有限公司 | 一种高效能智能恒温恒压冷却水循环系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100223276A1 (en) * | 2007-03-27 | 2010-09-02 | Faleh Jassem Al-Shameri | Automated Generation of Metadata for Mining Image and Text Data |
| CN115454779A (zh) * | 2022-09-28 | 2022-12-09 | 建信金融科技有限责任公司 | 基于聚类分析的云监控流数据检测方法、装置及存储介质 |
| CN115905990A (zh) * | 2022-11-21 | 2023-04-04 | 国网四川省电力公司电力科学研究院 | 一种基于密度聚集算法的变压器油温异常监测方法 |
-
2023
- 2023-06-29 CN CN202310776720.6A patent/CN116502170B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100223276A1 (en) * | 2007-03-27 | 2010-09-02 | Faleh Jassem Al-Shameri | Automated Generation of Metadata for Mining Image and Text Data |
| CN115454779A (zh) * | 2022-09-28 | 2022-12-09 | 建信金融科技有限责任公司 | 基于聚类分析的云监控流数据检测方法、装置及存储介质 |
| CN115905990A (zh) * | 2022-11-21 | 2023-04-04 | 国网四川省电力公司电力科学研究院 | 一种基于密度聚集算法的变压器油温异常监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 余;邓丽;庞洪霖;费敏锐;: "基于分布式聚类的作物生长环境异常检测方法", 应用科学学报, no. 06 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272216A (zh) * | 2023-11-22 | 2023-12-22 | 中国建材检验认证集团湖南有限公司 | 一种自动流量监测站和人工水尺观测站的数据分析方法 |
| CN117272216B (zh) * | 2023-11-22 | 2024-02-09 | 中国建材检验认证集团湖南有限公司 | 一种自动流量监测站和人工水尺观测站的数据分析方法 |
| CN117370823A (zh) * | 2023-12-05 | 2024-01-09 | 恒健达(辽宁)医学科技有限公司 | 一种用于农业种植的喷淋控制方法及系统 |
| CN117370823B (zh) * | 2023-12-05 | 2024-02-20 | 恒健达(辽宁)医学科技有限公司 | 一种用于农业种植的喷淋控制方法及系统 |
| CN117633697A (zh) * | 2024-01-26 | 2024-03-01 | 西安艺琳农业发展有限公司 | 基于物联网的生猪智能监测方法及系统 |
| CN117633697B (zh) * | 2024-01-26 | 2024-05-03 | 西安艺琳农业发展有限公司 | 基于物联网的生猪智能监测方法及系统 |
| CN117951631A (zh) * | 2024-03-26 | 2024-04-30 | 广东统一机器人智能股份有限公司 | 一种高效能智能恒温恒压冷却水循环系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502170B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116502170B (zh) | 基于云平台的农业水利监测方法及相关装置 | |
| CN110851338B (zh) | 异常检测方法、电子设备及存储介质 | |
| CN109726503B (zh) | 缺失数据填补方法及装置 | |
| CN113937763B (zh) | 风电功率预测方法、装置、设备及存储介质 | |
| WO2023093177A1 (zh) | 设备故障诊断方法、装置、电子设备及存储介质 | |
| CN110362612A (zh) | 由电子设备执行的异常数据检测方法、装置和电子设备 | |
| CN116414076B (zh) | 一种回收醇生产数据智能监控系统 | |
| CN112445690B (zh) | 信息获取方法、装置及电子设备 | |
| CN108175389A (zh) | 一种多源信息融合奶牛行为监测系统及方法 | |
| CN116760908A (zh) | 基于数字孪生的农业信息优化管理方法及系统 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| CN116613895A (zh) | 一种智能电网电力数据异常检测方法和系统 | |
| CN114077929A (zh) | 基于is-arima-lstm预测模型的风电功率预测方法及系统 | |
| CN102708172B (zh) | 一种用于挖掘rfid数据孤立点的方法 | |
| CN112115984A (zh) | 基于深度学习的茶园异常数据校正方法、系统和存储介质 | |
| CN116662904A (zh) | 数据类型的变异检测方法、装置、计算机设备及介质 | |
| CN108429632B (zh) | 一种业务监控方法和装置 | |
| CN115809242A (zh) | 气象数据存储方法及系统 | |
| CN111866128B (zh) | 一种基于双lstm迭代学习的物联网数据流检测方法 | |
| CN114840581A (zh) | 基于统计模型生成用于设备预警的动态阈值的方法及装置 | |
| CN113420070A (zh) | 排污监测数据处理方法、装置、电子设备及存储介质 | |
| WO2020223278A1 (en) | Data sparsity monitoring during neural network training | |
| CN114971110A (zh) | 一种根因组合确定的方法、相关装置、设备以及存储介质 | |
| CN112085926A (zh) | 一种河道水污染预警方法及系统 | |
| CN112879216A (zh) | 风电场的风速修正方法和装置 |
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 |