CN116720666B - 一种基于大数据的海洋牧场自动化监测方法及系统 - Google Patents
一种基于大数据的海洋牧场自动化监测方法及系统 Download PDFInfo
- Publication number
- CN116720666B CN116720666B CN202311004049.XA CN202311004049A CN116720666B CN 116720666 B CN116720666 B CN 116720666B CN 202311004049 A CN202311004049 A CN 202311004049A CN 116720666 B CN116720666 B CN 116720666B
- Authority
- CN
- China
- Prior art keywords
- water quality
- characteristic data
- treatment
- warning
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 443
- 238000003908 quality control method Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 10
- 238000012097 association analysis method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 239000000126 substance Substances 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 238000006213 oxygenation reaction Methods 0.000 description 6
- 239000013535 sea water Substances 0.000 description 6
- 241000894007 species Species 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000009304 pastoral farming Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 2
- 241000238557 Decapoda Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- 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 2
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 241000237519 Bivalvia Species 0.000 description 1
- 241001474374 Blennius Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 240000007058 Halophila ovalis Species 0.000 description 1
- 241000233855 Orchidaceae Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 241000238552 Penaeus monodon Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 235000020639 clam Nutrition 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及海洋牧场监测技术领域,特别是一种基于大数据的海洋牧场自动化监测方法及系统,根据大数据网络获取海洋经济生物的生长影响要素阈值范围,获取海洋牧场中的实时水质特征数据,基于所述生长影响要素阈值范围对所述实时水质特征数据进行分筛,得到初步预警的水质特征数据合集,获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出,通过本方法能够快速有效的筛选出会对海洋牧场中当前所养殖的海洋经济生物品种造成影响的最终预警的水质特征数据,避免出现牧场中经济物种大规模死亡现象,避免造成经济损失。
Description
技术领域
本发明涉及海洋牧场监测技术领域,特别是一种基于大数据的海洋牧场自动化监测方法及系统。
背景技术
海洋牧场是指在一定海域内,采用规模化渔业设施和系统化管理体制,将人工放流的海洋经济生物聚集起来,像在陆地放牧牛羊一样,对鱼、虾、贝、藻等海洋资源进行有计划和有目的的在海上放养。海洋牧场监测自动化是海洋牧场生产管理的重要内容,贯穿于整个海洋牧场的建设、生产、经营与安全保障等各个环节。通过建立海洋牧场自动化监测系统,实时获取海域的生态、水质、气象、水文动力等海洋环境与海底生物相关数据,监控海洋牧场的动态变化,掌握海洋灾害的发生规律和生物资源变化趋势。
为了实现对海洋牧场进行自动化监测,需要开发一款系统与之配合实现,该系统能够对海洋牧场中的溶解氧、叶绿素、浊度、PH等众多水质特征数据进行实时监测,而如何快速有效的在众多的水质特征数据中筛选出会对牧场中当前所养殖的海洋经济生物品种造成影响的预警水质特征数据是整个系统的关键,这是由于若能够快速有效的筛选相关的预警水质特征数据,便能够快速为实现生态系统评估、生态承载力评估、渔业资源产量预估等提供数据支撑,进而实现海洋牧场生态灾害的预报预警,从而制定相关防治措施。
发明内容
本发明克服了现有技术的不足,提供了一种基于大数据的海洋牧场自动化监测方法及系统。
为达到上述目的本发明采用的技术方案为:
本发明公开了一种基于大数据的海洋牧场自动化监测方法,包括以下步骤:
根据大数据网络获取海洋经济生物的生长影响要素阈值范围,获取海洋牧场中的实时水质特征数据,基于所述生长影响要素阈值范围对所述实时水质特征数据进行分筛,得到初步预警的水质特征数据合集;
获取海洋牧场中当前养殖的海洋经济生物种类信息,基于所述初步预警的水质特征数据合集与当前养殖的海洋经济生物种类信息进行评价,得到最终预警的水质特征数据合集;
基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出;
获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出。
优选的,本发明的一个较佳实施例中,根据大数据网络获取海洋经济生物的生长影响要素阈值范围,获取海洋牧场中的实时水质特征数据,基于所述生长影响要素阈值范围对所述实时水质特征数据进行分筛,得到初步预警的水质特征数据合集,具体为:
通过大数据网络获取海洋经济生物的生长影响要素阈值范围,构建数据库,并将所述海洋经济生物的生长影响要素阈值范围导入所述数据库中,得到特征数据库;
获取海洋牧场中的实时水质特征数据,并将所述海洋牧场中的实时水质特征数据输入所述特征数据库中,以将所述实时水质特征数据与所述生长影响要素阈值范围进行配对,得到配对率;
获取配对率大于预设配对率的实时水质特征数据,并将所述配对率大于预设配对率的实时水质特征数据汇集,得到初步预警的水质特征数据合集。
优选的,本发明的一个较佳实施例中,获取海洋牧场中当前养殖的海洋经济生物种类信息,基于所述初步预警的水质特征数据合集与当前养殖的海洋经济生物种类信息进行评价,得到最终预警的水质特征数据合集,具体为:
获取海洋牧场中当前养殖的海洋经济生物种类信息以及获取初步预警的水质特征数据合集;
基于所述初步预警的水质特征数据合集确定出各个水质特征数据的评判指数,并基于层次分析法对所述初步预警的水质特征数据合集进行分析,得到初步预警的水质特征数据合集的评判分数;基于所述初步预警的水质特征数据合集的评判分数得到各个水质特征数据的评判指数的权重值;
提取权重值大于预设权重值所对应的水质特征数据,并将所述权重值大于预设权重值所对应的水质特征数据进行汇聚,得到最终预警的水质特征数据合集。
优选的,本发明的一个较佳实施例中,基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出,具体为:
基于卷积神经网络构建灾害预警模型,并获取预设不同组合类型的预警水质特征数据所对应灾害等级的数据本,将所述数据本分为训练集与测试集;
将所述训练集导入所述灾害预警模型的卷积层中,并使用若干个预设大小的卷积核对所述训练集进行卷积运算,得到卷积值,并将所述卷积值输入到池化层中;利用最大池化法,在各个预设大小的卷积核中选取出最大数字作为当前卷积值所在区域的特征值,并将所述当前卷积值所在区域的特征值进行融合;
通过交叉熵损失函数进行参数反向传播训练,当模型误差收敛至预设值后,保存模型数据;通过所述测试集对所述灾害预警模型进行测试,直至所述灾害预警模型满足预设要求;
将所述最终预警的水质特征数据合集导入所述灾害预警模型中,通过灰色关联分析法对所述最终预警的水质特征数据合集与所述预设不同组合类型的预警水质特征数据所对应灾害等级进行关联度计算,得到若干个关联度;
建立排序表,将所述若干个关联度导入所述排序表中进行大小排序,并提取出最大关联度;获取与所述最大关联度相对应的灾害等级,并将与所述最大关联度相对应的灾害等级作为预警等级输出。
优选的,本发明的一个较佳实施例中,获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出,具体为:
获取最终预警的水质特征数据合集,并基于所述最终预警的水质特征数据合集生成相关检索关键词;基于所述相关检索关键词对大数据网络进行检索,得到相关联的水质治理措施合集;
获取所述相关联的水质治理措施合集各个水质治理措施所对应的历史治理成功率,并将所述相关联的水质治理措施合集各个水质治理措施所对应的历史治理成功率与预设治理成功率进行比较;
若所述相关联的水质治理措施合集中存在历史治理成功率大于预设治理成功率的水质治理措施,则对历史治理成功率大于预设治理成功率的水质治理措施进行标记并提取,得到初始的水质治理措施合集;
获取所述初始的水质治理措施合集中各个水质治理措施所对应的特征属性,并判断所述各个水质治理措施所对应的特征属性是否为预设属性;若为预设属性,则将特征属性为预设属性的水质治理措施由所述初始的水质治理措施合集中剔除,得到筛选后的水质治理措施合集;
获取所述筛选后的水质治理措施合集中历史治理成功率最高的水质治理措施,并将所述历史治理成功率最高的水质治理措施作为最终的水质治理措施输出。
优选的,本发明的一个较佳实施例中,还包括以下步骤:
若所述相关联的水质治理措施合集中不存在历史治理成功率大于预设治理成功率的水质治理措施,则建立大小排序表;
获取所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率;
将所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率导入所述大小排序表中进行大小排序,并提取出最大历史治理成功率;
获取所述相关联的水质治理措施合集中最大历史治理成功率所对应的水质治理措施,并将所述最大历史治理成功率所对应的水质治理措施作为最终的水质治理措施输出。
本发明另一方面公开了一种基于大数据的海洋牧场自动化监测系统,所述系统包括储存器与处理器,所述储存器中储存基于大数据的海洋牧场自动化监测方法程序,所述基于大数据的海洋牧场自动化监测方法程序被所述处理器执行时,实现如下步骤:
根据大数据网络获取海洋经济生物的生长影响要素阈值范围,获取海洋牧场中的实时水质特征数据,基于所述生长影响要素阈值范围对所述实时水质特征数据进行分筛,得到初步预警的水质特征数据合集;
获取海洋牧场中当前养殖的海洋经济生物种类信息,基于所述初步预警的水质特征数据合集与当前养殖的海洋经济生物种类信息进行评价,得到最终预警的水质特征数据合集;
基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出;
获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出。
优选的,本发明的一个较佳实施例中,基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出,具体为:
基于卷积神经网络构建灾害预警模型,并获取预设不同组合类型的预警水质特征数据所对应灾害等级的数据本,将所述数据本分为训练集与测试集;
将所述训练集导入所述灾害预警模型的卷积层中,并使用若干个预设大小的卷积核对所述训练集进行卷积运算,得到卷积值,并将所述卷积值输入到池化层中;利用最大池化法,在各个预设大小的卷积核中选取出最大数字作为当前卷积值所在区域的特征值,并将所述当前卷积值所在区域的特征值进行融合;
通过交叉熵损失函数进行参数反向传播训练,当模型误差收敛至预设值后,保存模型数据;通过所述测试集对所述灾害预警模型进行测试,直至所述灾害预警模型满足预设要求;
将所述最终预警的水质特征数据合集导入所述灾害预警模型中,通过灰色关联分析法对所述最终预警的水质特征数据合集与所述预设不同组合类型的预警水质特征数据所对应灾害等级进行关联度计算,得到若干个关联度;
建立排序表,将所述若干个关联度导入所述排序表中进行大小排序,并提取出最大关联度;获取与所述最大关联度相对应的灾害等级,并将与所述最大关联度相对应的灾害等级作为预警等级输出。
优选的,本发明的一个较佳实施例中,获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出,具体为:
获取最终预警的水质特征数据合集,并基于所述最终预警的水质特征数据合集生成相关检索关键词;基于所述相关检索关键词对大数据网络进行检索,得到相关联的水质治理措施合集;
获取所述相关联的水质治理措施合集各个水质治理措施所对应的历史治理成功率,并将所述相关联的水质治理措施合集各个水质治理措施所对应的历史治理成功率与预设治理成功率进行比较;
若所述相关联的水质治理措施合集中存在历史治理成功率大于预设治理成功率的水质治理措施,则对历史治理成功率大于预设治理成功率的水质治理措施进行标记并提取,得到初始的水质治理措施合集;
获取所述初始的水质治理措施合集中各个水质治理措施所对应的特征属性,并判断所述各个水质治理措施所对应的特征属性是否为预设属性;若为预设属性,则将特征属性为预设属性的水质治理措施由所述初始的水质治理措施合集中剔除,得到筛选后的水质治理措施合集;
获取所述筛选后的水质治理措施合集中历史治理成功率最高的水质治理措施,并将所述历史治理成功率最高的水质治理措施作为最终的水质治理措施输出。
优选的,本发明的一个较佳实施例中,还包括以下步骤:
若所述相关联的水质治理措施合集中不存在历史治理成功率大于预设治理成功率的水质治理措施,则建立大小排序表;
获取所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率;
将所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率导入所述大小排序表中进行大小排序,并提取出最大历史治理成功率;
获取所述相关联的水质治理措施合集中最大历史治理成功率所对应的水质治理措施,并将所述最大历史治理成功率所对应的水质治理措施作为最终的水质治理措施输出。
本发明解决了背景技术中存在的技术缺陷,本发明具备以下有益效果:通过本方法能够快速有效的筛选出会对海洋牧场中当前所养殖的海洋经济生物品种造成影响的最终预警的水质特征数据,以使得系统快速的生成相应的预警等级与治理方案,避免出现牧场中经济物种大规模死亡现象,避免造成经济损失。综上所述,通过本方法能够自动根据最终预警的水质特征数据合集生成相应的牧场海水治理措施,以使得养殖人员能够根据治理措施执行相应的治理方案,以消除人为经验治理所造成的治理失误,提高养殖成功率,并且能够降低对养殖人员养殖经验的依赖,减少海洋牧场对人工经验技术的依赖。并且在确保治理成功率的前提下,能够减少对化学治理措施的使用,能够进一步降低对海洋生态环境的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他实施例的附图。
图1为一种基于大数据的海洋牧场自动化监测方法的第一方法流程图;
图2为一种基于大数据的海洋牧场自动化监测方法的第二方法流程图;
图3为一种基于大数据的海洋牧场自动化监测方法的第三方法流程图;
图4为一种基于大数据的海洋牧场自动化监测系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明公开了一种基于大数据的海洋牧场自动化监测方法,包括以下步骤:
S102:根据大数据网络获取海洋经济生物的生长影响要素阈值范围,获取海洋牧场中的实时水质特征数据,基于所述生长影响要素阈值范围对所述实时水质特征数据进行分筛,得到初步预警的水质特征数据合集;
S104:获取海洋牧场中当前养殖的海洋经济生物种类信息,基于所述初步预警的水质特征数据合集与当前养殖的海洋经济生物种类信息进行评价,得到最终预警的水质特征数据合集;
S106:基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出;
S108:获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出。
优选的,本发明的一个较佳实施例中,根据大数据网络获取海洋经济生物的生长影响要素阈值范围,获取海洋牧场中的实时水质特征数据,基于所述生长影响要素阈值范围对所述实时水质特征数据进行分筛,得到初步预警的水质特征数据合集,具体为:
通过大数据网络获取海洋经济生物的生长影响要素阈值范围,构建数据库,并将所述海洋经济生物的生长影响要素阈值范围导入所述数据库中,得到特征数据库;
获取海洋牧场中的实时水质特征数据,并将所述海洋牧场中的实时水质特征数据输入所述特征数据库中,以将所述实时水质特征数据与所述生长影响要素阈值范围进行配对,得到配对率;
获取配对率大于预设配对率的实时水质特征数据,并将所述配对率大于预设配对率的实时水质特征数据汇集,得到初步预警的水质特征数据合集。
需要说明的是,所述水质特征数据包括但不限于海水的溶氧度、叶绿素值、浊度、PH值、温度、盐度等。所述生长影响要素阈值范围包括但不限于预设溶氧度的阈值范围、预设温度的阈值范围、预设盐度的阈值范围等。通过各类传感器获取海洋牧场中的实时水质特征数据,如通过温度传感器获取实时水温特征值,通过盐度传感器获取实时水体盐度值等。通过本方法能够对可能影响海洋牧场中的经济物种正常生长的实时水质特征数据进行初步筛选,以对众多的实时水质特征数据进行有效筛选出有可能影响当前海洋牧场中经济物种正常生长的水质特征数据,进而提高系统在后续数据的识别与提取效率。
优选的,本发明的一个较佳实施例中,获取海洋牧场中当前养殖的海洋经济生物种类信息,基于所述初步预警的水质特征数据合集与当前养殖的海洋经济生物种类信息进行评价,得到最终预警的水质特征数据合集,如图2所示,具体为:
S202:获取海洋牧场中当前养殖的海洋经济生物种类信息以及获取初步预警的水质特征数据合集;
S204:基于所述初步预警的水质特征数据合集确定出各个水质特征数据的评判指数,并基于层次分析法对所述初步预警的水质特征数据合集进行分析,得到初步预警的水质特征数据合集的评判分数;基于所述初步预警的水质特征数据合集的评判分数得到各个水质特征数据的评判指数的权重值;
S206:提取权重值大于预设权重值所对应的水质特征数据,并将所述权重值大于预设权重值所对应的水质特征数据进行汇聚,得到最终预警的水质特征数据合集。
需要说明的是,层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构,然后得用求解判断矩阵特征向量的办法,求得每一层次的各元素对上一层次某元素的优先权重,最后再加权和的方法递阶归并各备择方案对总目标的最终权重值,此最终权重值最大者即为最优方案。当得到初步预警的水质特征数据合集后,再基于层次分析法对初步预警的水质特征数据合集进行解析,从而在初步预警的水质特征数据合集中进一步筛选出权重值大于预设权重值所对应的水质特征数据,进而得到最终预警的水质特征数据合集。通过本方法能够快速有效的筛选出会对海洋牧场中当前所养殖的海洋经济生物品种造成影响的最终预警的水质特征数据,以使得系统快速的生成相应的预警等级与治理方案,避免出现牧场中经济物种大规模死亡现象,避免造成经济损失。
优选的,本发明的一个较佳实施例中,基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出,具体为:
基于卷积神经网络构建灾害预警模型,并获取预设不同组合类型的预警水质特征数据所对应灾害等级的数据本,将所述数据本分为训练集与测试集;
将所述训练集导入所述灾害预警模型的卷积层中,并使用若干个预设大小的卷积核对所述训练集进行卷积运算,得到卷积值,并将所述卷积值输入到池化层中;利用最大池化法,在各个预设大小的卷积核中选取出最大数字作为当前卷积值所在区域的特征值,并将所述当前卷积值所在区域的特征值进行融合;
通过交叉熵损失函数进行参数反向传播训练,当模型误差收敛至预设值后,保存模型数据;通过所述测试集对所述灾害预警模型进行测试,直至所述灾害预警模型满足预设要求;
将所述最终预警的水质特征数据合集导入所述灾害预警模型中,通过灰色关联分析法对所述最终预警的水质特征数据合集与所述预设不同组合类型的预警水质特征数据所对应灾害等级进行关联度计算,得到若干个关联度;
建立排序表,将所述若干个关联度导入所述排序表中进行大小排序,并提取出最大关联度;获取与所述最大关联度相对应的灾害等级,并将与所述最大关联度相对应的灾害等级作为预警等级输出。
需要说明的是,所述不同组合类型的预警水质特征数据所对应灾害等级由技术人员提前制定得到,如当海洋牧场中所养殖的物种有斑节对虾、蛤蜊、兰花蟹时,当海水中的溶氧度过低时,其灾害等级可以是一级;当海水的溶氧度过低且温度过高时,其灾害等级可以是二级;当海水的溶氧度过低、温度过高且盐度过高时时,其灾害等级可以是三级。
需要说明的是,对于两个系统之间的因素,其随时间或不同对象而变化的关联性大小的量度,称为关联度。在灾害预警模型中,若两个因素变化的趋势具有一致性,即同步变化程度较高,即可谓二者关联程度较高;反之,则较低,因此,灰色关联分析方法,是根据因素之间发展趋势的相似或相异程度,亦即“灰色关联度”,作为衡量因素间关联程度的一种方法。通过灰色关联分析法对所述最终预警的水质特征数据合集与所述预设不同组合类型的预警水质特征数据所对应灾害等级进行关联度计算,得到若干个关联度,并提取出最大关联度;接着获取与所述最大关联度相对应的灾害等级,并将与所述最大关联度相对应的灾害等级作为预警等级输出,以使得养殖人员能够根据预警等级判断是否需要立即对海洋牧场中的异常水质数据进行调控治理,如灾害等级为一级时,此时海洋牧场的水质还处于相对安全范围内,此时可以通过继续观察水质情况进一步判断是否需要进行人为干预治理;而若灾害等级为三级时,此时海洋牧场的水质处于高风险范围内,牧场中经济品种极有可能在极短的时间内发生大规模死亡的现象,此时需要立即进行人为干预治理。通过本方法能够快速为海洋牧场生态系统进行评估,进而实现海洋牧场生态灾害的预报预警,从而制定相关防治措施。
优选的,本发明的一个较佳实施例中,获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出,具体为:
获取最终预警的水质特征数据合集,并基于所述最终预警的水质特征数据合集生成相关检索关键词;基于所述相关检索关键词对大数据网络进行检索,得到相关联的水质治理措施合集;
获取所述相关联的水质治理措施合集各个水质治理措施所对应的历史治理成功率,并将所述相关联的水质治理措施合集各个水质治理措施所对应的历史治理成功率与预设治理成功率进行比较;
若所述相关联的水质治理措施合集中存在历史治理成功率大于预设治理成功率的水质治理措施,则对历史治理成功率大于预设治理成功率的水质治理措施进行标记并提取,得到初始的水质治理措施合集;
获取所述初始的水质治理措施合集中各个水质治理措施所对应的特征属性,并判断所述各个水质治理措施所对应的特征属性是否为预设属性;若为预设属性,则将特征属性为预设属性的水质治理措施由所述初始的水质治理措施合集中剔除,得到筛选后的水质治理措施合集;
获取所述筛选后的水质治理措施合集中历史治理成功率最高的水质治理措施,并将所述历史治理成功率最高的水质治理措施作为最终的水质治理措施输出。
需要说明的是,如当某一时间内海洋牧场中溶氧度过低时,其治理方案大致可以分为通过增氧泵增氧的物理治理措施、投撒化学增氧剂增氧的化学治理措施、投放增氧藻类增氧的生物治理措施。其中所述特征属性即为物理治理属性或化学治理属性或生物治疗属性。所述预设属性即为化学治理属性。所述预设治理成功率可以设置为90%、95%、98%、100%等,可以依据实际情况设定。
根据所述最终预警的水质特征数据合集在大数据网络中进行检索,从而得到多个相关联的水质治理措施。并且获取所述相关联的水质治理措施合集各个水质治理措施所对应的历史治理成功率,若所述相关联的水质治理措施合集中存在历史治理成功率大于预设治理成功率的水质治理措施,则对历史治理成功率大于预设治理成功率的水质治理措施进行标记并提取,得到初始的水质治理措施合集;并且当得到的初始的水质治理措施合集中存在多个水质治理措施时,在能够确保水质治理成功率的前提下,为了保护海洋生态环境,应当尽量的减少化学治理措施的使用,此时则需要将化学治理措施由初始的水质治理措施合集中剔除,从而得到筛选后的水质治理措施合集;并且获取所述筛选后的水质治理措施合集中历史治理成功率最高的水质治理措施,并将所述历史治理成功率最高的水质治理措施作为最终的水质治理措施输出,使得养殖人员能够根据最终的水质治理措施执行相应的治理行动。综上所述,本系统能够一方面自动根据最终预警的水质特征数据合集生成相应的牧场海水治理措施,以使得养殖人员能够根据治理措施执行相应的治理方案,以消除人为经验治理所造成的治理失误,提高养殖成功率,并且能够降低对养殖人员养殖经验的依赖,减少海洋牧场对人工经验技术的依赖。另一方面,本系统在确保治理成功率的前提下,能够减少对化学治理措施的使用。
优选的,本发明的一个较佳实施例中,如图3所示,还包括以下步骤:
S302:若所述相关联的水质治理措施合集中不存在历史治理成功率大于预设治理成功率的水质治理措施,则建立大小排序表;
S304:获取所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率;
S306:将所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率导入所述大小排序表中进行大小排序,并提取出最大历史治理成功率;
S308:获取所述相关联的水质治理措施合集中最大历史治理成功率所对应的水质治理措施,并将所述最大历史治理成功率所对应的水质治理措施作为最终的水质治理措施输出。
需要说明的是,若所述相关联的水质治理措施合集中不存在历史治理成功率大于预设治理成功率的水质治理措施,此时则获取所述相关联的水质治理措施合集中最大历史治理成功率所对应的水质治理措施,并将所述最大历史治理成功率所对应的水质治理措施作为最终的水质治理措施输出,以在最大程度上确保治理成功率,降低牧场中经济生物发生死亡的现象,提高养殖成功率,确保经济效益。
此外,所述一种基于大数据的海洋牧场自动化监测方法,还包括以下步骤:
获取海洋牧场中目标水域的在预设时间内的水动力学特性数据,基于所述在预设时间内的水动力特性数据构建实际特性数据曲线图;
通过大数据网络获取预设水文状况所对应的预设特性数据图线图,构建知识图谱,并将所述各水文状况所对应的预设特性数据图线图导入所述知识图谱中进行训练,得到训练好的知识图谱;
将所述实际特性数据曲线图导入所述训练好的知识图谱中进行匹配,得到匹配度;
若所述匹配度大于预设匹配,则获取目标水域中预设建筑的图像信息,并对所述图像信息进行预处理,得到预处理后的图像信息,对所述预处理后的图像信息进行特征提取,得到若干特征匹配点,并获取所述特征匹配点的坐标值,基于所述特征匹配点的坐标值构建预设建筑模拟三维模型图;
将所述建预设建筑模拟三维模型图的预设区域与各个预设模型图进行比较,得到模型偏差值,判断所述模型偏差值是否大于预设偏差阈值;
若大于,则基于所述模型偏差值生成建设修复方案,并将所述建设修复方案输出。
需要说明的是,现代化海洋牧场广泛通过投放人工鱼礁、构建海藻床及海草床生境修复等工程,实现适合海洋生物繁殖、生长、索饵和避敌场所的生境营造、生境修复和生境优化。而相关工程的建设可能会改变建设海域的水动力学特性,形成复杂多变的水文状况,进而对海洋生物生存与栖息产生不利的影响,破坏原本脆弱的海洋生态环境。所述水动力学特性数据包括水流流速信息、水流流向信息、水压信息等。且所述水动力学特性数据可以由相应的传感器获得,如水压信息可以通过水压传感器获取。所述预设水文状况包括但不限与漩涡、内波等。当判断出海洋牧场中发生异常的水文状况时(即预设水文状况),说明因相关工程的建设可能导致改变了建设海域的水动力学特性,从而引发了该异常现象,此时可以通过水下无人勘查机拍摄目标水域内的预设建筑的图像信息,然后通过SolidWorks、UG等三维建模软件并基于特征匹配点的坐标值构建预设建筑模拟三维模型图,并且通过将预设建筑模拟三维模型图各个预设区域与预设模型图进行比较,而当预设建筑模拟三维模型图中某一区域与对应的预设模型图之间的模型偏差值大于预设偏差阈值时,此时说明该预设建筑的该区域在建设时出现了较大的建设偏差,从而改变了该水域的水动力学特性,进而造成该水域出现异常水文状况,此时则基于所述模型偏差值生成建设修复方案,并将所述建设修复方案输出,以对该出现建设偏差的建设区域进行修复,从而改善该水域的水文状况,进而对避免海洋经济生物生存与栖息产生不利的影响,避免破坏原本脆弱的海洋生态环境。
如图4所示,本发明另一方面公开了一种基于大数据的海洋牧场自动化监测系统,所述系统包括储存器41与处理器62,所述储存器41中储存基于大数据的海洋牧场自动化监测方法程序,所述基于大数据的海洋牧场自动化监测方法程序被所述处理器62执行时,实现如下步骤:
根据大数据网络获取海洋经济生物的生长影响要素阈值范围,获取海洋牧场中的实时水质特征数据,基于所述生长影响要素阈值范围对所述实时水质特征数据进行分筛,得到初步预警的水质特征数据合集;
获取海洋牧场中当前养殖的海洋经济生物种类信息,基于所述初步预警的水质特征数据合集与当前养殖的海洋经济生物种类信息进行评价,得到最终预警的水质特征数据合集;
基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出;
获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出。
优选的,本发明的一个较佳实施例中,基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出,具体为:
基于卷积神经网络构建灾害预警模型,并获取预设不同组合类型的预警水质特征数据所对应灾害等级的数据本,将所述数据本分为训练集与测试集;
将所述训练集导入所述灾害预警模型的卷积层中,并使用若干个预设大小的卷积核对所述训练集进行卷积运算,得到卷积值,并将所述卷积值输入到池化层中;利用最大池化法,在各个预设大小的卷积核中选取出最大数字作为当前卷积值所在区域的特征值,并将所述当前卷积值所在区域的特征值进行融合;
通过交叉熵损失函数进行参数反向传播训练,当模型误差收敛至预设值后,保存模型数据;通过所述测试集对所述灾害预警模型进行测试,直至所述灾害预警模型满足预设要求;
将所述最终预警的水质特征数据合集导入所述灾害预警模型中,通过灰色关联分析法对所述最终预警的水质特征数据合集与所述预设不同组合类型的预警水质特征数据所对应灾害等级进行关联度计算,得到若干个关联度;
建立排序表,将所述若干个关联度导入所述排序表中进行大小排序,并提取出最大关联度;获取与所述最大关联度相对应的灾害等级,并将与所述最大关联度相对应的灾害等级作为预警等级输出。
优选的,本发明的一个较佳实施例中,获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出,具体为:
获取最终预警的水质特征数据合集,并基于所述最终预警的水质特征数据合集生成相关检索关键词;基于所述相关检索关键词对大数据网络进行检索,得到相关联的水质治理措施合集;
获取所述相关联的水质治理措施合集各个水质治理措施所对应的历史治理成功率,并将所述相关联的水质治理措施合集各个水质治理措施所对应的历史治理成功率与预设治理成功率进行比较;
若所述相关联的水质治理措施合集中存在历史治理成功率大于预设治理成功率的水质治理措施,则对历史治理成功率大于预设治理成功率的水质治理措施进行标记并提取,得到初始的水质治理措施合集;
获取所述初始的水质治理措施合集中各个水质治理措施所对应的特征属性,并判断所述各个水质治理措施所对应的特征属性是否为预设属性;若为预设属性,则将特征属性为预设属性的水质治理措施由所述初始的水质治理措施合集中剔除,得到筛选后的水质治理措施合集;
获取所述筛选后的水质治理措施合集中历史治理成功率最高的水质治理措施,并将所述历史治理成功率最高的水质治理措施作为最终的水质治理措施输出。
优选的,本发明的一个较佳实施例中,还包括以下步骤:
若所述相关联的水质治理措施合集中不存在历史治理成功率大于预设治理成功率的水质治理措施,则建立大小排序表;
获取所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率;
将所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率导入所述大小排序表中进行大小排序,并提取出最大历史治理成功率;
获取所述相关联的水质治理措施合集中最大历史治理成功率所对应的水质治理措施,并将所述最大历史治理成功率所对应的水质治理措施作为最终的水质治理措施输出。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于大数据的海洋牧场自动化监测方法,其特征在于,包括以下步骤:
根据大数据网络获取海洋经济生物的生长影响要素阈值范围,获取海洋牧场中的实时水质特征数据,基于所述生长影响要素阈值范围对所述实时水质特征数据进行分筛,得到初步预警的水质特征数据合集;
获取海洋牧场中当前养殖的海洋经济生物种类信息,基于所述初步预警的水质特征数据合集与当前养殖的海洋经济生物种类信息进行评价,得到最终预警的水质特征数据合集;
基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出;
获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出;
其中,获取海洋牧场中当前养殖的海洋经济生物种类信息,基于所述初步预警的水质特征数据合集与当前养殖的海洋经济生物种类信息进行评价,得到最终预警的水质特征数据合集,具体为:
获取海洋牧场中当前养殖的海洋经济生物种类信息以及获取初步预警的水质特征数据合集;
基于所述初步预警的水质特征数据合集确定出各个水质特征数据的评判指数,并基于层次分析法对所述初步预警的水质特征数据合集进行分析,得到初步预警的水质特征数据合集的评判分数;基于所述初步预警的水质特征数据合集的评判分数得到各个水质特征数据的评判指数的权重值;
提取权重值大于预设权重值所对应的水质特征数据,并将所述权重值大于预设权重值所对应的水质特征数据进行汇聚,得到最终预警的水质特征数据合集;
其中,基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出,具体为:
基于卷积神经网络构建灾害预警模型,并获取预设不同组合类型的预警水质特征数据所对应灾害等级的数据本,将所述数据本分为训练集与测试集;
将所述训练集导入所述灾害预警模型的卷积层中,并使用若干个预设大小的卷积核对所述训练集进行卷积运算,得到卷积值,并将所述卷积值输入到池化层中;利用最大池化法,在各个预设大小的卷积核中选取出最大数字作为当前卷积值所在区域的特征值,并将所述当前卷积值所在区域的特征值进行融合;
通过交叉熵损失函数进行参数反向传播训练,当模型误差收敛至预设值后,保存模型数据;通过所述测试集对所述灾害预警模型进行测试,直至所述灾害预警模型满足预设要求;
将所述最终预警的水质特征数据合集导入所述灾害预警模型中,通过灰色关联分析法对所述最终预警的水质特征数据合集与所述预设不同组合类型的预警水质特征数据所对应灾害等级进行关联度计算,得到若干个关联度;
建立排序表,将所述若干个关联度导入所述排序表中进行大小排序,并提取出最大关联度;获取与所述最大关联度相对应的灾害等级,并将与所述最大关联度相对应的灾害等级作为预警等级输出;
其中,获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出,具体为:
获取最终预警的水质特征数据合集,并基于所述最终预警的水质特征数据合集生成相关检索关键词;基于所述相关检索关键词对大数据网络进行检索,得到相关联的水质治理措施合集;
获取所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率,并将所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率与预设治理成功率进行比较;
若所述相关联的水质治理措施合集中存在历史治理成功率大于预设治理成功率的水质治理措施,则对历史治理成功率大于预设治理成功率的水质治理措施进行标记并提取,得到初始的水质治理措施合集;
获取所述初始的水质治理措施合集中各个水质治理措施所对应的特征属性,并判断所述各个水质治理措施所对应的特征属性是否为预设属性;若为预设属性,则将特征属性为预设属性的水质治理措施由所述初始的水质治理措施合集中剔除,得到筛选后的水质治理措施合集;
获取所述筛选后的水质治理措施合集中历史治理成功率最高的水质治理措施,并将所述历史治理成功率最高的水质治理措施作为最终的水质治理措施输出。
2.根据权利要求1所述的一种基于大数据的海洋牧场自动化监测方法,其特征在于,根据大数据网络获取海洋经济生物的生长影响要素阈值范围,获取海洋牧场中的实时水质特征数据,基于所述生长影响要素阈值范围对所述实时水质特征数据进行分筛,得到初步预警的水质特征数据合集,具体为:
通过大数据网络获取海洋经济生物的生长影响要素阈值范围,构建数据库,并将所述海洋经济生物的生长影响要素阈值范围导入所述数据库中,得到特征数据库;
获取海洋牧场中的实时水质特征数据,并将所述海洋牧场中的实时水质特征数据输入所述特征数据库中,以将所述实时水质特征数据与所述生长影响要素阈值范围进行配对,得到配对率;
获取配对率大于预设配对率的实时水质特征数据,并将所述配对率大于预设配对率的实时水质特征数据汇集,得到初步预警的水质特征数据合集。
3.根据权利要求1所述的一种基于大数据的海洋牧场自动化监测方法,其特征在于,还包括以下步骤:
若所述相关联的水质治理措施合集中不存在历史治理成功率大于预设治理成功率的水质治理措施,则建立大小排序表;
获取所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率;
将所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率导入所述大小排序表中进行大小排序,并提取出最大历史治理成功率;
获取所述相关联的水质治理措施合集中最大历史治理成功率所对应的水质治理措施,并将所述最大历史治理成功率所对应的水质治理措施作为最终的水质治理措施输出。
4.一种基于大数据的海洋牧场自动化监测系统,其特征在于,所述系统包括储存器与处理器,所述储存器中储存基于大数据的海洋牧场自动化监测方法程序,所述基于大数据的海洋牧场自动化监测方法程序被所述处理器执行时,实现如下步骤:
根据大数据网络获取海洋经济生物的生长影响要素阈值范围,获取海洋牧场中的实时水质特征数据,基于所述生长影响要素阈值范围对所述实时水质特征数据进行分筛,得到初步预警的水质特征数据合集;
获取海洋牧场中当前养殖的海洋经济生物种类信息,基于所述初步预警的水质特征数据合集与当前养殖的海洋经济生物种类信息进行评价,得到最终预警的水质特征数据合集;
基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出;
获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出;
其中,获取海洋牧场中当前养殖的海洋经济生物种类信息,基于所述初步预警的水质特征数据合集与当前养殖的海洋经济生物种类信息进行评价,得到最终预警的水质特征数据合集,具体为:
获取海洋牧场中当前养殖的海洋经济生物种类信息以及获取初步预警的水质特征数据合集;
基于所述初步预警的水质特征数据合集确定出各个水质特征数据的评判指数,并基于层次分析法对所述初步预警的水质特征数据合集进行分析,得到初步预警的水质特征数据合集的评判分数;基于所述初步预警的水质特征数据合集的评判分数得到各个水质特征数据的评判指数的权重值;
提取权重值大于预设权重值所对应的水质特征数据,并将所述权重值大于预设权重值所对应的水质特征数据进行汇聚,得到最终预警的水质特征数据合集;
其中,基于所述最终预警的水质特征数据合集确定预警等级,并将所述预警等级输出,具体为:
基于卷积神经网络构建灾害预警模型,并获取预设不同组合类型的预警水质特征数据所对应灾害等级的数据本,将所述数据本分为训练集与测试集;
将所述训练集导入所述灾害预警模型的卷积层中,并使用若干个预设大小的卷积核对所述训练集进行卷积运算,得到卷积值,并将所述卷积值输入到池化层中;利用最大池化法,在各个预设大小的卷积核中选取出最大数字作为当前卷积值所在区域的特征值,并将所述当前卷积值所在区域的特征值进行融合;
通过交叉熵损失函数进行参数反向传播训练,当模型误差收敛至预设值后,保存模型数据;通过所述测试集对所述灾害预警模型进行测试,直至所述灾害预警模型满足预设要求;
将所述最终预警的水质特征数据合集导入所述灾害预警模型中,通过灰色关联分析法对所述最终预警的水质特征数据合集与所述预设不同组合类型的预警水质特征数据所对应灾害等级进行关联度计算,得到若干个关联度;
建立排序表,将所述若干个关联度导入所述排序表中进行大小排序,并提取出最大关联度;获取与所述最大关联度相对应的灾害等级,并将与所述最大关联度相对应的灾害等级作为预警等级输出;
其中,获取最终预警的水质特征数据合集,基于所述最终预警的水质特征数据合集生成最终的水质治理措施,并将所述最终的水质治理措施输出,具体为:
获取最终预警的水质特征数据合集,并基于所述最终预警的水质特征数据合集生成相关检索关键词;基于所述相关检索关键词对大数据网络进行检索,得到相关联的水质治理措施合集;
获取所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率,并将所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率与预设治理成功率进行比较;
若所述相关联的水质治理措施合集中存在历史治理成功率大于预设治理成功率的水质治理措施,则对历史治理成功率大于预设治理成功率的水质治理措施进行标记并提取,得到初始的水质治理措施合集;
获取所述初始的水质治理措施合集中各个水质治理措施所对应的特征属性,并判断所述各个水质治理措施所对应的特征属性是否为预设属性;若为预设属性,则将特征属性为预设属性的水质治理措施由所述初始的水质治理措施合集中剔除,得到筛选后的水质治理措施合集;
获取所述筛选后的水质治理措施合集中历史治理成功率最高的水质治理措施,并将所述历史治理成功率最高的水质治理措施作为最终的水质治理措施输出。
5.根据权利要求4所述的一种基于大数据的海洋牧场自动化监测系统,其特征在于,还包括以下步骤:
若所述相关联的水质治理措施合集中不存在历史治理成功率大于预设治理成功率的水质治理措施,则建立大小排序表;
获取所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率;
将所述相关联的水质治理措施合集中各个水质治理措施所对应的历史治理成功率导入所述大小排序表中进行大小排序,并提取出最大历史治理成功率;
获取所述相关联的水质治理措施合集中最大历史治理成功率所对应的水质治理措施,并将所述最大历史治理成功率所对应的水质治理措施作为最终的水质治理措施输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311004049.XA CN116720666B (zh) | 2023-08-10 | 2023-08-10 | 一种基于大数据的海洋牧场自动化监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311004049.XA CN116720666B (zh) | 2023-08-10 | 2023-08-10 | 一种基于大数据的海洋牧场自动化监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116720666A CN116720666A (zh) | 2023-09-08 |
CN116720666B true CN116720666B (zh) | 2024-03-22 |
Family
ID=87870202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311004049.XA Active CN116720666B (zh) | 2023-08-10 | 2023-08-10 | 一种基于大数据的海洋牧场自动化监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720666B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000298069A (ja) * | 1999-04-14 | 2000-10-24 | Oki Electric Ind Co Ltd | 海洋音響トモグラフィデータ処理・表示装置 |
DE102004051381A1 (de) * | 2004-10-21 | 2006-05-11 | Oliver Holzner | Verfahren zur Zuverlässigkeitsbewertung hinreichend determinierter komplexer dynamischer Systeme |
CN108244003A (zh) * | 2018-01-18 | 2018-07-06 | 中国农业大学 | 一种水产病害流行趋势预测及展示方法和系统 |
CN110161981A (zh) * | 2018-04-08 | 2019-08-23 | 山东省海洋资源与环境研究院 | 一种集养殖、环保、休闲于一体的智能化海洋牧场 |
-
2023
- 2023-08-10 CN CN202311004049.XA patent/CN116720666B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000298069A (ja) * | 1999-04-14 | 2000-10-24 | Oki Electric Ind Co Ltd | 海洋音響トモグラフィデータ処理・表示装置 |
DE102004051381A1 (de) * | 2004-10-21 | 2006-05-11 | Oliver Holzner | Verfahren zur Zuverlässigkeitsbewertung hinreichend determinierter komplexer dynamischer Systeme |
CN108244003A (zh) * | 2018-01-18 | 2018-07-06 | 中国农业大学 | 一种水产病害流行趋势预测及展示方法和系统 |
CN110161981A (zh) * | 2018-04-08 | 2019-08-23 | 山东省海洋资源与环境研究院 | 一种集养殖、环保、休闲于一体的智能化海洋牧场 |
Also Published As
Publication number | Publication date |
---|---|
CN116720666A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gladju et al. | Applications of data mining and machine learning framework in aquaculture and fisheries: A review | |
Føre et al. | Precision fish farming: A new framework to improve production in aquaculture | |
Fdez-Riverola et al. | CBR based system for forecasting red tides | |
CN112578725B (zh) | 一种基于物联网的渔业水上养殖设施安全预警系统及方法 | |
Carter et al. | Automated marine turtle photograph identification using artificial neural networks, with application to green turtles | |
CN113938503A (zh) | 一种通过生猪行为体征监测对疾病的预警系统及构建方法 | |
CN115240060B (zh) | 一种海星灾害预警方法及系统 | |
CN115797844A (zh) | 一种基于神经网络的鱼体鱼病检测方法及系统 | |
CN111062511A (zh) | 基于决策树与神经网络的水产养殖病害预测方法及系统 | |
Kumar et al. | A systematic ML based approach for quality analysis of fruits impudent | |
Chen et al. | Underwater abnormal classification system based on deep learning: A case study on aquaculture fish farm in Taiwan | |
CN114895731A (zh) | 一种基于数字孪生的养殖监测系统及方法 | |
CN116720666B (zh) | 一种基于大数据的海洋牧场自动化监测方法及系统 | |
CN116884523B (zh) | 一种海洋牧场水质多参数预测方法 | |
Shipley et al. | Artificial reef placement: a red snapper, Lutjanus campechanus, ecosystem and fuzzy rule‐based model | |
CN109359624B (zh) | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 | |
Zhou et al. | Bibliometric analysis of smart livestock from 1998-2022 | |
CN112395810B (zh) | 基于人工神经网络的鱼类攻击行为量化方法、装置及存储介质 | |
Kumar et al. | Estimating fish weight growth in aquaponic farming through machine learning techniques | |
CN113743461A (zh) | 无人机集群健康度评估方法及装置 | |
Paudel et al. | Individual pigs’ identification using deep learning. | |
MYNETT | Hydroinformatics tools for ecohydraulics modelling | |
Lopez-Marcano et al. | Computer vision reveals fish behaviour through structural equation modelling of movement patterns | |
CN112001641B (zh) | 一种扇贝养殖区适宜性遥感评估系统 | |
Njubi et al. | Milk yield prediction in Kenyan Holstein-Friesian cattle using computer neural networks system |
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 |