CN116819029A - 一种河道水污染监测方法及系统 - Google Patents
一种河道水污染监测方法及系统 Download PDFInfo
- Publication number
- CN116819029A CN116819029A CN202310998482.3A CN202310998482A CN116819029A CN 116819029 A CN116819029 A CN 116819029A CN 202310998482 A CN202310998482 A CN 202310998482A CN 116819029 A CN116819029 A CN 116819029A
- Authority
- CN
- China
- Prior art keywords
- node
- sensing data
- water quality
- pollution
- sensor
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003903 river water pollution Methods 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 130
- 230000006866 deterioration Effects 0.000 claims abstract description 96
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 43
- 238000003062 neural network model Methods 0.000 claims description 36
- 230000015556 catabolic process Effects 0.000 claims description 33
- 238000006731 degradation reaction Methods 0.000 claims description 33
- 230000002285 radioactive effect Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 10
- ZSLUVFAKFWKJRC-IGMARMGPSA-N 232Th Chemical compound [232Th] ZSLUVFAKFWKJRC-IGMARMGPSA-N 0.000 claims description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical compound [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 claims description 5
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 5
- 241000195493 Cryptophyta Species 0.000 claims description 5
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 claims description 5
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 5
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 claims description 5
- 229910052776 Thorium Inorganic materials 0.000 claims description 5
- 229910052770 Uranium Inorganic materials 0.000 claims description 5
- 230000005260 alpha ray Effects 0.000 claims description 5
- 230000001580 bacterial effect Effects 0.000 claims description 5
- 230000005250 beta ray Effects 0.000 claims description 5
- 229910052705 radium Inorganic materials 0.000 claims description 5
- HCWPIIXVSYCSAN-UHFFFAOYSA-N radium atom Chemical compound [Ra] HCWPIIXVSYCSAN-UHFFFAOYSA-N 0.000 claims description 5
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 claims description 5
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 claims description 3
- JLVVSXFLKOJNIY-UHFFFAOYSA-N Magnesium ion Chemical compound [Mg+2] JLVVSXFLKOJNIY-UHFFFAOYSA-N 0.000 claims description 3
- NPYPAHLBTDXSSS-UHFFFAOYSA-N Potassium ion Chemical compound [K+] NPYPAHLBTDXSSS-UHFFFAOYSA-N 0.000 claims description 3
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 claims description 3
- 229910001424 calcium ion Inorganic materials 0.000 claims description 3
- 229910001425 magnesium ion Inorganic materials 0.000 claims description 3
- 229940005654 nitrite ion Drugs 0.000 claims description 3
- 229910001414 potassium ion Inorganic materials 0.000 claims description 3
- 229910001415 sodium ion Inorganic materials 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 18
- 238000003911 water pollution Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 2
- 229910002651 NO3 Inorganic materials 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000011777 magnesium Substances 0.000 description 2
- 229910052749 magnesium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种河道水污染监测方法及系统,该方法包括:获取由设置在目标河道区域的水质传感器网络获取的水质传感数据;所述水质传感器网络包括在所述目标河道区域等距设置的多个传感器节点;根据所述水质传感数据,和所述传感器节点对应的节点位置,计算每个所述传感器节点对应的节点恶化参数;根据每一所述传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定所述目标河道区域对应的污染预测区域和污染预测程度;根据所述目标河道区域对应的污染预测区域和污染预测程度,生成警报信息。可见,本发明能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
Description
技术领域
本发明涉及智能监测技术领域,尤其涉及一种河道水污染监测方法及系统。
背景技术
水污染问题已经成为城市问题中的一大部分,日益得到公众的注视,也日益成为城市管理部门的重要任务。但现有技术对于水污染的监测仍然过于依赖简单的单一传感器的监测,没有考虑到引入更加先进的算法来提高监测效果。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种河道水污染监测方法及系统,能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
为了解决上述技术问题,本发明第一方面公开了一种河道水污染监测方法,所述方法包括:
获取由设置在目标河道区域的水质传感器网络获取的水质传感数据;所述水质传感器网络包括在所述目标河道区域等距设置的多个传感器节点;
根据所述水质传感数据,和所述传感器节点对应的节点位置,计算每个所述传感器节点对应的节点恶化参数;
根据每一所述传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定所述目标河道区域对应的污染预测区域和污染预测程度;
根据所述目标河道区域对应的污染预测区域和污染预测程度,生成所述目标河道区域对应的警报信息。
作为一种可选的实施方式,在本发明第一方面中,所述水质传感数据包括物理传感数据、化学物质含量传感数据、生物指标传感数据和放射性指标传感数据中的一种或多种;所述物理传感数据包括气味传感数据、温度传感数据、浑浊度传感数据、透明度传感数据、颜色传感数据中的至少一种;所述化学物质含量传感数据包括氯离子含量传感数据、铵离子含量传感数据、硝酸根离子含量传感数据、亚硝酸根离子含量传感数据、钾离子含量传感数据、钙离子含量传感数据、镁离子含量传感数据、钠离子含量传感数据、氟化物含量传感数据中的至少一种;所述生物指标传感数据包括细菌指标传感数据、大肠菌群指标传感数据、藻类指标传感数据中的至少一种;所述放射性指标传感数据包括α射线放射性指标传感数据、β射线放射性指标传感数据、铀放射性指标传感数据、镭放射性指标传感数据、钍放射性指标传感数据中的至少一种。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述水质传感数据,和所述传感器节点对应的节点位置,计算每个所述传感器节点对应的节点恶化参数,包括:
对于每一所述传感器节点获取到的每一所述水质传感数据,根据该传感器节点的节点位置和所述水质传感数据的数据类型,确定对应的恶化传播速度权重;
根据该水质传感数据的数据类型和在预设历史时间段内的数据数值,确定该水质传感数据对应的恶化程度参数;
计算该水质传感数据的所述恶化程度参数和所述恶化传播速度权重的乘积,得到该水质传感数据对应的恶化参数;
计算每一所述传感器节点获取到的所有所述水质传感数据的所述恶化参数的平均值,得到每一所述传感器节点对应的节点恶化参数。
作为一种可选的实施方式,在本发明第一方面中,所述根据该传感器节点的节点位置和所述水质传感数据的数据类型,确定对应的恶化传播速度权重,包括:
确定所述目标河道区域的以该传感器节点的节点位置为圆心,以预设数值为半径的圆形范围内的河道图像;
计算所述河道图像中河道边缘曲线对应的所有曲线点的曲率的平均值;
计算所述节点位置与所述河道边缘曲线中曲率最高的曲线点的距离值;
将所述平均值、所述距离值和所述数据类型输入至训练好的第一神经网络模型中,以得到输出的恶化传播速度权重;所述第一神经网络模型通过包括有多个训练用的所述数据类型、所述平均值和所述距离值和对应的水质恶化传播速度标注的训练数据集训练得到;所述水质恶化传播速度标注为水质影响因素在所述数据类型、所述平均值和所述距离值对应的环境中传播的速度。
作为一种可选的实施方式,在本发明第一方面中,所述根据该水质传感数据的数据类型和在预设历史时间段内的数据数值,确定该水质传感数据对应的恶化程度参数,包括:
将该水质传感数据在预设历史时间段内的数据数值输入至所述数据类型对应的训练好的第二神经网络模型中,以得到输出的该水质传感数据对应的恶化程度参数;所述第二神经网络模型通过包括有多个同一所述数据类型的历史时间段内的训练数据数值和对应的水质恶化标注的训练数据集训练得到。
作为一种可选的实施方式,在本发明第一方面中,所述根据每一所述传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定所述目标河道区域对应的污染预测区域和污染预测程度,包括:
根据所述节点恶化参数和所述节点位置,基于动态规划算法,对所有所述传感器节点进行分组,以得到多个节点组;
将每一所述节点组中所有所述传感器节点对应的节点恶化参数输入至训练好的第三神经网络模型中,以得到输出每一所述节点组对应的污染预测参数;所述第三神经网络模型通过包括有多个训练节点恶化参数和对应的污染预测标注的训练数据集训练得到;
将所述污染预测参数最高的所述节点组,确定为目标节点组;
根据所述目标节点组,确定所述目标河道区域对应的污染预测区域和污染预测程度。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述节点恶化参数和所述节点位置,基于动态规划算法,对所有所述传感器节点进行分组,以得到多个节点组,包括:
确定目标函数为输出的每一节点组中所有所述传感器节点的节点位置之间的距离总和达到最小,以及输出的每一节点组中所有所述传感器节点的所述节点恶化参数之间的差值总和达到最大;
基于动态规划算法,以及所述目标函数,对所有所述传感器进行分组演算,直至得到最优的多个节点组。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述目标节点组,确定所述目标河道区域对应的污染预测区域和污染预测程度,包括:
根据线性拟合算法,将所述目标节点组中所有所述传感器节点对应的节点位置进行拟合得到传播位置路线;
计算所述目标节点组中所有所述传感器节点对应的所述节点恶化参数的平均值,得到所述目标河道区域对应的污染预测程度;
计算所述传播位置路线上任意两个相邻的所述传感器节点对应的节点恶化参数的参数平均值,并确定所述参数平均值最高的两个所述传感器节点的连线中点;
以所述连线中点为圆心,以所述预设数值为半径建立圆区域;
将所述圆区域与所述目标河道区域的交集区域,确定所述目标河道区域对应的污染预测区域。
本发明第二方面公开了一种河道水污染监测系统,所述系统包括:
获取模块,用于获取由设置在目标河道区域的水质传感器网络获取的水质传感数据;所述水质传感器网络包括在所述目标河道区域等距设置的多个传感器节点;
计算模块,用于根据所述水质传感数据,和所述传感器节点对应的节点位置,计算每个所述传感器节点对应的节点恶化参数;
确定模块,用于根据每一所述传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定所述目标河道区域对应的污染预测区域和污染预测程度;
生成模块,用于根据所述目标河道区域对应的污染预测区域和污染预测程度,生成所述目标河道区域对应的警报信息。
作为一种可选的实施方式,在本发明第二方面中,所述水质传感数据包括物理传感数据、化学物质含量传感数据、生物指标传感数据和放射性指标传感数据中的一种或多种;所述物理传感数据包括气味传感数据、温度传感数据、浑浊度传感数据、透明度传感数据、颜色传感数据中的至少一种;所述化学物质含量传感数据包括氯离子含量传感数据、铵离子含量传感数据、硝酸根离子含量传感数据、亚硝酸根离子含量传感数据、钾离子含量传感数据、钙离子含量传感数据、镁离子含量传感数据、钠离子含量传感数据、氟化物含量传感数据中的至少一种;所述生物指标传感数据包括细菌指标传感数据、大肠菌群指标传感数据、藻类指标传感数据中的至少一种;所述放射性指标传感数据包括α射线放射性指标传感数据、β射线放射性指标传感数据、铀放射性指标传感数据、镭放射性指标传感数据、钍放射性指标传感数据中的至少一种。
作为一种可选的实施方式,在本发明第二方面中,所述计算模块根据所述水质传感数据,和所述传感器节点对应的节点位置,计算每个所述传感器节点对应的节点恶化参数的具体方式,包括:
对于每一所述传感器节点获取到的每一所述水质传感数据,根据该传感器节点的节点位置和所述水质传感数据的数据类型,确定对应的恶化传播速度权重;
根据该水质传感数据的数据类型和在预设历史时间段内的数据数值,确定该水质传感数据对应的恶化程度参数;
计算该水质传感数据的所述恶化程度参数和所述恶化传播速度权重的乘积,得到该水质传感数据对应的恶化参数;
计算每一所述传感器节点获取到的所有所述水质传感数据的所述恶化参数的平均值,得到每一所述传感器节点对应的节点恶化参数。
作为一种可选的实施方式,在本发明第二方面中,所述计算模块根据该传感器节点的节点位置和所述水质传感数据的数据类型,确定对应的恶化传播速度权重的具体方式,包括:
确定所述目标河道区域的以该传感器节点的节点位置为圆心,以预设数值为半径的圆形范围内的河道图像;
计算所述河道图像中河道边缘曲线对应的所有曲线点的曲率的平均值;
计算所述节点位置与所述河道边缘曲线中曲率最高的曲线点的距离值;
将所述平均值、所述距离值和所述数据类型输入至训练好的第一神经网络模型中,以得到输出的恶化传播速度权重;所述第一神经网络模型通过包括有多个训练用的所述数据类型、所述平均值和所述距离值和对应的水质恶化传播速度标注的训练数据集训练得到;所述水质恶化传播速度标注为水质影响因素在所述数据类型、所述平均值和所述距离值对应的环境中传播的速度。
作为一种可选的实施方式,在本发明第二方面中,所述计算模块根据该水质传感数据的数据类型和在预设历史时间段内的数据数值,确定该水质传感数据对应的恶化程度参数的具体方式,包括:
将该水质传感数据在预设历史时间段内的数据数值输入至所述数据类型对应的训练好的第二神经网络模型中,以得到输出的该水质传感数据对应的恶化程度参数;所述第二神经网络模型通过包括有多个同一所述数据类型的历史时间段内的训练数据数值和对应的水质恶化标注的训练数据集训练得到。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据每一所述传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定所述目标河道区域对应的污染预测区域和污染预测程度的具体方式,包括:
根据所述节点恶化参数和所述节点位置,基于动态规划算法,对所有所述传感器节点进行分组,以得到多个节点组;
将每一所述节点组中所有所述传感器节点对应的节点恶化参数输入至训练好的第三神经网络模型中,以得到输出每一所述节点组对应的污染预测参数;所述第三神经网络模型通过包括有多个训练节点恶化参数和对应的污染预测标注的训练数据集训练得到;
将所述污染预测参数最高的所述节点组,确定为目标节点组;
根据所述目标节点组,确定所述目标河道区域对应的污染预测区域和污染预测程度。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据所述节点恶化参数和所述节点位置,基于动态规划算法,对所有所述传感器节点进行分组,以得到多个节点组的具体方式,包括:
确定目标函数为输出的每一节点组中所有所述传感器节点的节点位置之间的距离总和达到最小,以及输出的每一节点组中所有所述传感器节点的所述节点恶化参数之间的差值总和达到最大;
基于动态规划算法,以及所述目标函数,对所有所述传感器进行分组演算,直至得到最优的多个节点组。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据所述目标节点组,确定所述目标河道区域对应的污染预测区域和污染预测程度的具体方式,包括:
根据线性拟合算法,将所述目标节点组中所有所述传感器节点对应的节点位置进行拟合得到传播位置路线;
计算所述目标节点组中所有所述传感器节点对应的所述节点恶化参数的平均值,得到所述目标河道区域对应的污染预测程度;
计算所述传播位置路线上任意两个相邻的所述传感器节点对应的节点恶化参数的参数平均值,并确定所述参数平均值最高的两个所述传感器节点的连线中点;
以所述连线中点为圆心,以所述预设数值为半径建立圆区域;
将所述圆区域与所述目标河道区域的交集区域,确定所述目标河道区域对应的污染预测区域。
本发明第三方面公开了另一种河道水污染监测系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的河道水污染监测方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明能够利用水质传感器网络获取的水质传感数据,基于神经网络模型来确定河道区域的污染情况和污染区域,从而能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的附图。
图1是本发明实施例公开的一种河道水污染监测方法的流程示意图;
图2是本发明实施例公开的一种河道水污染监测系统的结构示意图;
图3是本发明实施例公开的另一种河道水污染监测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种河道水污染监测方法及系统,能够利用水质传感器网络获取的水质传感数据,基于神经网络模型来确定河道区域的污染情况和污染区域,从而能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种河道水污染监测方法的流程示意图。其中,图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该河道水污染监测方法可以包括以下操作:
101、获取由设置在目标河道区域的水质传感器网络获取的水质传感数据。
可选的,水质传感器网络包括在目标河道区域等距设置的多个传感器节点。
可选的,水质传感数据包括物理传感数据、化学物质含量传感数据、生物指标传感数据和放射性指标传感数据中的一种或多种。
可选的,物理传感数据包括气味传感数据、温度传感数据、浑浊度传感数据、透明度传感数据、颜色传感数据中的至少一种。
可选的,化学物质含量传感数据包括氯离子含量传感数据、铵离子含量传感数据、硝酸根离子含量传感数据、亚硝酸根离子含量传感数据、钾离子含量传感数据、钙离子含量传感数据、镁离子含量传感数据、钠离子含量传感数据、氟化物含量传感数据中的至少一种。
可选的,生物指标传感数据包括细菌指标传感数据、大肠菌群指标传感数据、藻类指标传感数据中的至少一种。
可选的,放射性指标传感数据包括α射线放射性指标传感数据、β射线放射性指标传感数据、铀放射性指标传感数据、镭放射性指标传感数据、钍放射性指标传感数据中的至少一种。
102、根据水质传感数据,和传感器节点对应的节点位置,计算每个传感器节点对应的节点恶化参数。
103、根据每一传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定目标河道区域对应的污染预测区域和污染预测程度。
104、根据目标河道区域对应的污染预测区域和污染预测程度,生成目标河道区域对应的警报信息。
可见,实施本发明实施例所描述的方法能够利用水质传感器网络获取的水质传感数据,基于神经网络模型来确定河道区域的污染情况和污染区域,从而能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,上述步骤中的,根据水质传感数据,和传感器节点对应的节点位置,计算每个传感器节点对应的节点恶化参数,包括:
对于每一传感器节点获取到的每一水质传感数据,根据该传感器节点的节点位置和水质传感数据的数据类型,确定对应的恶化传播速度权重;
根据该水质传感数据的数据类型和在预设历史时间段内的数据数值,确定该水质传感数据对应的恶化程度参数;
计算该水质传感数据的恶化程度参数和恶化传播速度权重的乘积,得到该水质传感数据对应的恶化参数;
计算每一传感器节点获取到的所有水质传感数据的恶化参数的平均值,得到每一传感器节点对应的节点恶化参数。
可见,实施该可选的实施例可以通过恶化程度参数和恶化传播速度权重的计算,来综合确定每一传感器节点对应的节点恶化参数,从而能够在后续能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,上述步骤中的,根据该传感器节点的节点位置和水质传感数据的数据类型,确定对应的恶化传播速度权重,包括:
确定目标河道区域的以该传感器节点的节点位置为圆心,以预设数值为半径的圆形范围内的河道图像;
计算河道图像中河道边缘曲线对应的所有曲线点的曲率的平均值;
计算节点位置与河道边缘曲线中曲率最高的曲线点的距离值;
将平均值、距离值和数据类型输入至训练好的第一神经网络模型中,以得到输出的恶化传播速度权重;第一神经网络模型通过包括有多个训练用的数据类型、平均值和距离值和对应的水质恶化传播速度标注的训练数据集训练得到;水质恶化传播速度标注为水质影响因素在数据类型、平均值和距离值对应的环境中传播的速度。
可见,实施该可选的实施例可以通过河道图像中河道边缘曲线和节点位置之间的参数计算,以及神经网络算法,来综合确定恶化传播速度权重,从而能够在后续能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,上述步骤中的,根据该水质传感数据的数据类型和在预设历史时间段内的数据数值,确定该水质传感数据对应的恶化程度参数,包括:
将该水质传感数据在预设历史时间段内的数据数值输入至数据类型对应的训练好的第二神经网络模型中,以得到输出的该水质传感数据对应的恶化程度参数;第二神经网络模型通过包括有多个同一数据类型的历史时间段内的训练数据数值和对应的水质恶化标注的训练数据集训练得到。
可见,实施该可选的实施例可以通过将该水质传感数据在预设历史时间段内的数据数值输入至数据类型对应的训练好的第二神经网络模型中,来确定水质传感数据对应的恶化程度参数,从而能够在后续能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,上述步骤中的,根据每一传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定目标河道区域对应的污染预测区域和污染预测程度,包括:
根据节点恶化参数和节点位置,基于动态规划算法,对所有传感器节点进行分组,以得到多个节点组;
将每一节点组中所有传感器节点对应的节点恶化参数输入至训练好的第三神经网络模型中,以得到输出每一节点组对应的污染预测参数;第三神经网络模型通过包括有多个训练节点恶化参数和对应的污染预测标注的训练数据集训练得到;
将污染预测参数最高的节点组,确定为目标节点组;
根据目标节点组,确定目标河道区域对应的污染预测区域和污染预测程度。
可见,实施该可选的实施例可以通过基于动态规划算法,对所有传感器节点进行分组,以得到多个节点组,并结合神经网络算法来确定出污染预测参数最高的节点组,从而能够在后续能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,上述步骤中的,根据节点恶化参数和节点位置,基于动态规划算法,对所有传感器节点进行分组,以得到多个节点组,包括:
确定目标函数为输出的每一节点组中所有传感器节点的节点位置之间的距离总和达到最小,以及输出的每一节点组中所有传感器节点的节点恶化参数之间的差值总和达到最大;
基于动态规划算法,以及目标函数,对所有传感器进行分组演算,直至得到最优的多个节点组。
可选的,该动态规划算法可以为免疫粒子群算法。
可见,实施该可选的实施例可以基于动态规划算法,以及目标函数,对所有传感器进行分组演算,直至得到最优的多个节点组,从而能够在后续能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,上述步骤中的,根据目标节点组,确定目标河道区域对应的污染预测区域和污染预测程度,包括:
根据线性拟合算法,将目标节点组中所有传感器节点对应的节点位置进行拟合得到传播位置路线;
计算目标节点组中所有传感器节点对应的节点恶化参数的平均值,得到目标河道区域对应的污染预测程度;
计算传播位置路线上任意两个相邻的传感器节点对应的节点恶化参数的参数平均值,并确定参数平均值最高的两个传感器节点的连线中点;
以连线中点为圆心,以预设数值为半径建立圆区域;
将圆区域与目标河道区域的交集区域,确定目标河道区域对应的污染预测区域。
可见,实施该可选的实施例可以根据线性拟合算法和目标节点组中的节点参数,确定目标河道区域对应的污染预测区域和污染预测程度,从而能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
实施例二
请参阅图2,图2是本发明实施例公开的一种河道水污染监测系统的结构示意图。其中,图2所描述的装置可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该装置可以包括:
获取模块201,用于获取由设置在目标河道区域的水质传感器网络获取的水质传感数据。
可选的,水质传感器网络包括在目标河道区域等距设置的多个传感器节点。
可选的,水质传感数据包括物理传感数据、化学物质含量传感数据、生物指标传感数据和放射性指标传感数据中的一种或多种。
可选的,物理传感数据包括气味传感数据、温度传感数据、浑浊度传感数据、透明度传感数据、颜色传感数据中的至少一种。
可选的,化学物质含量传感数据包括氯离子含量传感数据、铵离子含量传感数据、硝酸根离子含量传感数据、亚硝酸根离子含量传感数据、钾离子含量传感数据、钙离子含量传感数据、镁离子含量传感数据、钠离子含量传感数据、氟化物含量传感数据中的至少一种。
可选的,生物指标传感数据包括细菌指标传感数据、大肠菌群指标传感数据、藻类指标传感数据中的至少一种。
可选的,放射性指标传感数据包括α射线放射性指标传感数据、β射线放射性指标传感数据、铀放射性指标传感数据、镭放射性指标传感数据、钍放射性指标传感数据中的至少一种。
计算模块202,用于根据水质传感数据,和传感器节点对应的节点位置,计算每个传感器节点对应的节点恶化参数。
确定模块203,用于根据每一传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定目标河道区域对应的污染预测区域和污染预测程度。
生成模块204,用于根据目标河道区域对应的污染预测区域和污染预测程度,生成目标河道区域对应的警报信息。
可见,实施本发明实施例所描述的装置能够利用水质传感器网络获取的水质传感数据,基于神经网络模型来确定河道区域的污染情况和污染区域,从而能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,计算模块202根据水质传感数据,和传感器节点对应的节点位置,计算每个传感器节点对应的节点恶化参数的具体方式,包括:
对于每一传感器节点获取到的每一水质传感数据,根据该传感器节点的节点位置和水质传感数据的数据类型,确定对应的恶化传播速度权重;
根据该水质传感数据的数据类型和在预设历史时间段内的数据数值,确定该水质传感数据对应的恶化程度参数;
计算该水质传感数据的恶化程度参数和恶化传播速度权重的乘积,得到该水质传感数据对应的恶化参数;
计算每一传感器节点获取到的所有水质传感数据的恶化参数的平均值,得到每一传感器节点对应的节点恶化参数。
可见,实施该可选的实施例可以通过恶化程度参数和恶化传播速度权重的计算,来综合确定每一传感器节点对应的节点恶化参数,从而能够在后续能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,计算模块202根据该传感器节点的节点位置和水质传感数据的数据类型,确定对应的恶化传播速度权重的具体方式,包括:
确定目标河道区域的以该传感器节点的节点位置为圆心,以预设数值为半径的圆形范围内的河道图像;
计算河道图像中河道边缘曲线对应的所有曲线点的曲率的平均值;
计算节点位置与河道边缘曲线中曲率最高的曲线点的距离值;
将平均值、距离值和数据类型输入至训练好的第一神经网络模型中,以得到输出的恶化传播速度权重;第一神经网络模型通过包括有多个训练用的数据类型、平均值和距离值和对应的水质恶化传播速度标注的训练数据集训练得到;水质恶化传播速度标注为水质影响因素在数据类型、平均值和距离值对应的环境中传播的速度。
可见,实施该可选的实施例可以通过河道图像中河道边缘曲线和节点位置之间的参数计算,以及神经网络算法,来综合确定恶化传播速度权重,从而能够在后续能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,计算模块202根据该水质传感数据的数据类型和在预设历史时间段内的数据数值,确定该水质传感数据对应的恶化程度参数的具体方式,包括:
将该水质传感数据在预设历史时间段内的数据数值输入至数据类型对应的训练好的第二神经网络模型中,以得到输出的该水质传感数据对应的恶化程度参数;第二神经网络模型通过包括有多个同一数据类型的历史时间段内的训练数据数值和对应的水质恶化标注的训练数据集训练得到。
可见,实施该可选的实施例可以通过将该水质传感数据在预设历史时间段内的数据数值输入至数据类型对应的训练好的第二神经网络模型中,来确定水质传感数据对应的恶化程度参数,从而能够在后续能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,确定模块203根据每一传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定目标河道区域对应的污染预测区域和污染预测程度的具体方式,包括:
根据节点恶化参数和节点位置,基于动态规划算法,对所有传感器节点进行分组,以得到多个节点组;
将每一节点组中所有传感器节点对应的节点恶化参数输入至训练好的第三神经网络模型中,以得到输出每一节点组对应的污染预测参数;第三神经网络模型通过包括有多个训练节点恶化参数和对应的污染预测标注的训练数据集训练得到;
将污染预测参数最高的节点组,确定为目标节点组;
根据目标节点组,确定目标河道区域对应的污染预测区域和污染预测程度。
可见,实施该可选的实施例可以通过基于动态规划算法,对所有传感器节点进行分组,以得到多个节点组,并结合神经网络算法来确定出污染预测参数最高的节点组,从而能够在后续能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,确定模块203根据节点恶化参数和节点位置,基于动态规划算法,对所有传感器节点进行分组,以得到多个节点组的具体方式,包括:
确定目标函数为输出的每一节点组中所有传感器节点的节点位置之间的距离总和达到最小,以及输出的每一节点组中所有传感器节点的节点恶化参数之间的差值总和达到最大;
基于动态规划算法,以及目标函数,对所有传感器进行分组演算,直至得到最优的多个节点组。
可见,实施该可选的实施例可以基于动态规划算法,以及目标函数,对所有传感器进行分组演算,直至得到最优的多个节点组,从而能够在后续能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
作为一种可选的实施例,确定模块203根据目标节点组,确定目标河道区域对应的污染预测区域和污染预测程度的具体方式,包括:
根据线性拟合算法,将目标节点组中所有传感器节点对应的节点位置进行拟合得到传播位置路线;
计算目标节点组中所有传感器节点对应的节点恶化参数的平均值,得到目标河道区域对应的污染预测程度;
计算传播位置路线上任意两个相邻的传感器节点对应的节点恶化参数的参数平均值,并确定参数平均值最高的两个传感器节点的连线中点;
以连线中点为圆心,以预设数值为半径建立圆区域;
将圆区域与目标河道区域的交集区域,确定目标河道区域对应的污染预测区域。
可见,实施该可选的实施例可以根据线性拟合算法和目标节点组中的节点参数,确定目标河道区域对应的污染预测区域和污染预测程度,从而能够实现更加精确和智能的河道水污染检测,使得河道污染监测结果更加明确,有利于后续污染治理措施的实施。
实施例三
请参阅图3,图3是本发明实施例公开的另一种河道水污染监测系统的结构示意图。如图3所示,该装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的河道水污染监测方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的河道水污染监测方法中的部分或全部步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种河道水污染监测方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种河道水污染监测方法,其特征在于,所述方法包括:
获取由设置在目标河道区域的水质传感器网络获取的水质传感数据;所述水质传感器网络包括在所述目标河道区域等距设置的多个传感器节点;
根据所述水质传感数据,和所述传感器节点对应的节点位置,计算每个所述传感器节点对应的节点恶化参数;
根据每一所述传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定所述目标河道区域对应的污染预测区域和污染预测程度;
根据所述目标河道区域对应的污染预测区域和污染预测程度,生成所述目标河道区域对应的警报信息。
2.根据权利要求1所述的河道水污染监测方法,其特征在于,所述水质传感数据包括物理传感数据、化学物质含量传感数据、生物指标传感数据和放射性指标传感数据中的一种或多种;所述物理传感数据包括气味传感数据、温度传感数据、浑浊度传感数据、透明度传感数据、颜色传感数据中的至少一种;所述化学物质含量传感数据包括氯离子含量传感数据、铵离子含量传感数据、硝酸根离子含量传感数据、亚硝酸根离子含量传感数据、钾离子含量传感数据、钙离子含量传感数据、镁离子含量传感数据、钠离子含量传感数据、氟化物含量传感数据中的至少一种;所述生物指标传感数据包括细菌指标传感数据、大肠菌群指标传感数据、藻类指标传感数据中的至少一种;所述放射性指标传感数据包括α射线放射性指标传感数据、β射线放射性指标传感数据、铀放射性指标传感数据、镭放射性指标传感数据、钍放射性指标传感数据中的至少一种。
3.根据权利要求1所述的河道水污染监测方法,其特征在于,所述根据所述水质传感数据,和所述传感器节点对应的节点位置,计算每个所述传感器节点对应的节点恶化参数,包括:
对于每一所述传感器节点获取到的每一所述水质传感数据,根据该传感器节点的节点位置和所述水质传感数据的数据类型,确定对应的恶化传播速度权重;
根据该水质传感数据的数据类型和在预设历史时间段内的数据数值,确定该水质传感数据对应的恶化程度参数;
计算该水质传感数据的所述恶化程度参数和所述恶化传播速度权重的乘积,得到该水质传感数据对应的恶化参数;
计算每一所述传感器节点获取到的所有所述水质传感数据的所述恶化参数的平均值,得到每一所述传感器节点对应的节点恶化参数。
4.根据权利要求3所述的河道水污染监测方法,其特征在于,所述根据该传感器节点的节点位置和所述水质传感数据的数据类型,确定对应的恶化传播速度权重,包括:
确定所述目标河道区域的以该传感器节点的节点位置为圆心,以预设数值为半径的圆形范围内的河道图像;
计算所述河道图像中河道边缘曲线对应的所有曲线点的曲率的平均值;
计算所述节点位置与所述河道边缘曲线中曲率最高的曲线点的距离值;
将所述平均值、所述距离值和所述数据类型输入至训练好的第一神经网络模型中,以得到输出的恶化传播速度权重;所述第一神经网络模型通过包括有多个训练用的所述数据类型、所述平均值和所述距离值和对应的水质恶化传播速度标注的训练数据集训练得到;所述水质恶化传播速度标注为水质影响因素在所述数据类型、所述平均值和所述距离值对应的环境中传播的速度。
5.根据权利要求3所述的河道水污染监测方法,其特征在于,所述根据该水质传感数据的数据类型和在预设历史时间段内的数据数值,确定该水质传感数据对应的恶化程度参数,包括:
将该水质传感数据在预设历史时间段内的数据数值输入至所述数据类型对应的训练好的第二神经网络模型中,以得到输出的该水质传感数据对应的恶化程度参数;所述第二神经网络模型通过包括有多个同一所述数据类型的历史时间段内的训练数据数值和对应的水质恶化标注的训练数据集训练得到。
6.根据权利要求1所述的河道水污染监测方法,其特征在于,所述根据每一所述传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定所述目标河道区域对应的污染预测区域和污染预测程度,包括:
根据所述节点恶化参数和所述节点位置,基于动态规划算法,对所有所述传感器节点进行分组,以得到多个节点组;
将每一所述节点组中所有所述传感器节点对应的节点恶化参数输入至训练好的第三神经网络模型中,以得到输出每一所述节点组对应的污染预测参数;所述第三神经网络模型通过包括有多个训练节点恶化参数和对应的污染预测标注的训练数据集训练得到;
将所述污染预测参数最高的所述节点组,确定为目标节点组;
根据所述目标节点组,确定所述目标河道区域对应的污染预测区域和污染预测程度。
7.根据权利要求6所述的河道水污染监测方法,其特征在于,所述根据所述节点恶化参数和所述节点位置,基于动态规划算法,对所有所述传感器节点进行分组,以得到多个节点组,包括:
确定目标函数为输出的每一节点组中所有所述传感器节点的节点位置之间的距离总和达到最小,以及输出的每一节点组中所有所述传感器节点的所述节点恶化参数之间的差值总和达到最大;
基于动态规划算法,以及所述目标函数,对所有所述传感器进行分组演算,直至得到最优的多个节点组。
8.根据权利要求6所述的河道水污染监测方法,其特征在于,所述根据所述目标节点组,确定所述目标河道区域对应的污染预测区域和污染预测程度,包括:
根据线性拟合算法,将所述目标节点组中所有所述传感器节点对应的节点位置进行拟合得到传播位置路线;
计算所述目标节点组中所有所述传感器节点对应的所述节点恶化参数的平均值,得到所述目标河道区域对应的污染预测程度;
计算所述传播位置路线上任意两个相邻的所述传感器节点对应的节点恶化参数的参数平均值,并确定所述参数平均值最高的两个所述传感器节点的连线中点;
以所述连线中点为圆心,以所述预设数值为半径建立圆区域;
将所述圆区域与所述目标河道区域的交集区域,确定所述目标河道区域对应的污染预测区域。
9.一种河道水污染监测系统,其特征在于,所述系统包括:
获取模块,用于获取由设置在目标河道区域的水质传感器网络获取的水质传感数据;所述水质传感器网络包括在所述目标河道区域等距设置的多个传感器节点;
计算模块,用于根据所述水质传感数据,和所述传感器节点对应的节点位置,计算每个所述传感器节点对应的节点恶化参数;
确定模块,用于根据每一所述传感器节点对应的节点恶化参数和对应的节点位置,基于神经网络算法,确定所述目标河道区域对应的污染预测区域和污染预测程度;
生成模块,用于根据所述目标河道区域对应的污染预测区域和污染预测程度,生成所述目标河道区域对应的警报信息。
10.一种河道水污染监测系统,其特征在于,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-8任一项所述的河道水污染监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310998482.3A CN116819029B (zh) | 2023-08-09 | 2023-08-09 | 一种河道水污染监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310998482.3A CN116819029B (zh) | 2023-08-09 | 2023-08-09 | 一种河道水污染监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116819029A true CN116819029A (zh) | 2023-09-29 |
CN116819029B CN116819029B (zh) | 2024-02-09 |
Family
ID=88143144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310998482.3A Active CN116819029B (zh) | 2023-08-09 | 2023-08-09 | 一种河道水污染监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116819029B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117367496A (zh) * | 2023-10-09 | 2024-01-09 | 广东省水利水电第三工程局有限公司 | 一种用于反滤包监测的数据处理方法及装置 |
CN117708507A (zh) * | 2024-02-05 | 2024-03-15 | 成都麦特斯科技有限公司 | 一种基于人工智能的高效α和β射线的识别与分类方法 |
CN117630309B (zh) * | 2023-10-17 | 2024-05-28 | 水利部珠江水利委员会水文局 | 一种河道水质智能监测方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE29912126U1 (de) * | 1999-07-16 | 1999-10-07 | Wildenauer Franz Xaver | Vorrichtung zur Abwasserüberwachung mit neuronalen Netzen |
CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
CN107884530A (zh) * | 2017-09-20 | 2018-04-06 | 江苏杰创科技有限公司 | 水质化学污染在线监测评估预警传感器网络节点系统 |
CN108132340A (zh) * | 2017-12-14 | 2018-06-08 | 浙江大学 | 一种河道多传感器融合上下游污染预警系统及方法 |
CN109270232A (zh) * | 2018-08-08 | 2019-01-25 | 佛山科学技术学院 | 一种水污染大数据监测与预警方法及装置 |
CN110188946A (zh) * | 2019-05-29 | 2019-08-30 | 剑科云智(深圳)科技有限公司 | 一种污水参数的预测方法及污水预测系统 |
CN111811580A (zh) * | 2020-07-24 | 2020-10-23 | 重庆华悦生态环境工程研究院有限公司 | 一种水量/水质监测布点方法及预警响应系统 |
CN112085926A (zh) * | 2020-08-03 | 2020-12-15 | 佛山科学技术学院 | 一种河道水污染预警方法及系统 |
CN112255388A (zh) * | 2020-11-14 | 2021-01-22 | 杭州联芳科技有限公司 | 一种网络化水质实时监测智能预警装置 |
KR20210080772A (ko) * | 2019-12-23 | 2021-07-01 | 한국건설기술연구원 | 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템 |
CN113176387A (zh) * | 2021-04-19 | 2021-07-27 | 衢州学院 | 基于广域无线传感器网络的水质监测智能评估系统及方法 |
CN113325153A (zh) * | 2021-06-18 | 2021-08-31 | 军事科学院军事医学研究院环境医学与作业医学研究所 | 水质多参数监测综合信息管理系统 |
-
2023
- 2023-08-09 CN CN202310998482.3A patent/CN116819029B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE29912126U1 (de) * | 1999-07-16 | 1999-10-07 | Wildenauer Franz Xaver | Vorrichtung zur Abwasserüberwachung mit neuronalen Netzen |
CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
CN107884530A (zh) * | 2017-09-20 | 2018-04-06 | 江苏杰创科技有限公司 | 水质化学污染在线监测评估预警传感器网络节点系统 |
CN108132340A (zh) * | 2017-12-14 | 2018-06-08 | 浙江大学 | 一种河道多传感器融合上下游污染预警系统及方法 |
CN109270232A (zh) * | 2018-08-08 | 2019-01-25 | 佛山科学技术学院 | 一种水污染大数据监测与预警方法及装置 |
CN110188946A (zh) * | 2019-05-29 | 2019-08-30 | 剑科云智(深圳)科技有限公司 | 一种污水参数的预测方法及污水预测系统 |
KR20210080772A (ko) * | 2019-12-23 | 2021-07-01 | 한국건설기술연구원 | 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템 |
CN111811580A (zh) * | 2020-07-24 | 2020-10-23 | 重庆华悦生态环境工程研究院有限公司 | 一种水量/水质监测布点方法及预警响应系统 |
CN112085926A (zh) * | 2020-08-03 | 2020-12-15 | 佛山科学技术学院 | 一种河道水污染预警方法及系统 |
CN112255388A (zh) * | 2020-11-14 | 2021-01-22 | 杭州联芳科技有限公司 | 一种网络化水质实时监测智能预警装置 |
CN113176387A (zh) * | 2021-04-19 | 2021-07-27 | 衢州学院 | 基于广域无线传感器网络的水质监测智能评估系统及方法 |
CN113325153A (zh) * | 2021-06-18 | 2021-08-31 | 军事科学院军事医学研究院环境医学与作业医学研究所 | 水质多参数监测综合信息管理系统 |
Non-Patent Citations (2)
Title |
---|
李素平等: "基于传感器和模糊算法的水质监测系统", 巢湖学院学报, vol. 19, no. 03, pages 21 - 26 * |
王彦丽: "基于物联网技术的河流污染自动监测系统设计", 自动化与仪器仪表, no. 268, pages 94 - 99 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117367496A (zh) * | 2023-10-09 | 2024-01-09 | 广东省水利水电第三工程局有限公司 | 一种用于反滤包监测的数据处理方法及装置 |
CN117367496B (zh) * | 2023-10-09 | 2024-04-02 | 广东省水利水电第三工程局有限公司 | 一种用于反滤包监测的数据处理方法及装置 |
CN117630309B (zh) * | 2023-10-17 | 2024-05-28 | 水利部珠江水利委员会水文局 | 一种河道水质智能监测方法及系统 |
CN117708507A (zh) * | 2024-02-05 | 2024-03-15 | 成都麦特斯科技有限公司 | 一种基于人工智能的高效α和β射线的识别与分类方法 |
CN117708507B (zh) * | 2024-02-05 | 2024-04-26 | 成都麦特斯科技有限公司 | 一种基于人工智能的高效α和β射线的识别与分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116819029B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116819029B (zh) | 一种河道水污染监测方法及系统 | |
CN108090558B (zh) | 一种基于长短期记忆网络的时间序列缺失值自动填补方法 | |
US10628701B2 (en) | System and method for improved general object detection using neural networks | |
EP3767521A1 (en) | Object detection and instance segmentation of 3d point clouds based on deep learning | |
CN110858973B (zh) | 小区网络流量预测方法及装置 | |
CN110686633B (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
CN105676814B (zh) | 基于sfla‑svm的数字化水岛在线加药控制方法 | |
CN110889463A (zh) | 一种样本标注方法、装置、服务器及机器可读存储介质 | |
CN110189165B (zh) | 渠道异常用户和异常渠道识别方法及装置 | |
CN111144451A (zh) | 一种图像分类模型的训练方法、装置及设备 | |
CN110378942A (zh) | 基于双目相机的障碍物标识方法、系统、设备和存储介质 | |
CN113343961B (zh) | 一种用户行为监控方法、系统和计算机设备 | |
CN111681204B (zh) | 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置 | |
CN117077854B (zh) | 基于传感器网络的楼宇能耗监控方法及系统 | |
CN116824862B (zh) | 一种智慧隧道交通运行管控方法、设备及介质 | |
Feng et al. | Stream-flow forecasting based on dynamic spatio-temporal attention | |
CN116245492B (zh) | 一种用于跟踪工程进度的数据处理方法及装置 | |
CN111950237B (zh) | 一种句子改写方法、句子改写装置及电子设备 | |
CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
CN114021031A (zh) | 理财产品信息推送方法及装置 | |
CN113902187A (zh) | 分时电价预测方法、装置及终端设备 | |
CN114884050A (zh) | 一种多预测模型融合的风电功率预测方法及装置 | |
Alvarez et al. | Viabilitree: A kd-tree Framework for Viability-based Decision | |
CN116739386B (zh) | 多指标融合污染溯源方法、设备和可读存储介质 | |
Shoman et al. | Advances in Machine Learning For Safeguarding a PUREX Reprocessing Facility. |
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 |