CN116819046B - 一种农田污染智能监测方法、系统及存储介质 - Google Patents
一种农田污染智能监测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116819046B CN116819046B CN202311062490.3A CN202311062490A CN116819046B CN 116819046 B CN116819046 B CN 116819046B CN 202311062490 A CN202311062490 A CN 202311062490A CN 116819046 B CN116819046 B CN 116819046B
- Authority
- CN
- China
- Prior art keywords
- pollution
- pollutants
- preset
- data
- sensitive
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 207
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 259
- 231100000719 pollutant Toxicity 0.000 claims abstract description 259
- 230000012010 growth Effects 0.000 claims abstract description 132
- 238000005070 sampling Methods 0.000 claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 239000002689 soil Substances 0.000 claims abstract description 46
- 238000010521 absorption reaction Methods 0.000 claims abstract description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 20
- 239000000356 contaminant Substances 0.000 claims description 30
- 239000003570 air Substances 0.000 claims description 28
- 239000000809 air pollutant Substances 0.000 claims description 20
- 231100001243 air pollutant Toxicity 0.000 claims description 20
- 239000003802 soil pollutant Substances 0.000 claims description 20
- 230000001105 regulatory effect Effects 0.000 claims description 18
- 230000000737 periodic effect Effects 0.000 claims description 12
- 239000003673 groundwater Substances 0.000 claims description 11
- 239000003403 water pollutant Substances 0.000 claims description 10
- 238000003915 air pollution Methods 0.000 claims description 8
- 238000003900 soil pollution Methods 0.000 claims description 8
- 238000003911 water pollution Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 2
- 231100001240 inorganic pollutant Toxicity 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009546 growth abnormality Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012545 processing Methods 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
- G01N33/24—Earth materials
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Combustion & Propulsion (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
Abstract
本发明公开了一种农田污染智能监测方法、系统及存储介质。基于N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物；基于空气、土壤、地下水三个维度，获取当前目标农田区域的当前污染监测数据；根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率；判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案。通过本发明，能够有效提高农田污染的自动化、智能化监测水平，实现农田的精准化污染分析与调控。
Description
技术领域
本发明涉及智能监测领域，更具体的，涉及一种农田污染智能监测方法、系统及存储介质。
背景技术
农业是我国重要的经济支柱，但同时也面临着严重的生态环境污染问题。随着农业生产方式的不断升级与加速，农业生态环境污染越发明显。对农田的污染也愈发严重，而农田污染一般为由农业生产活动中引起的土壤、水体和空气等环境资源的污染和破坏现象。但由于其污染的隐匿性与突发性，依靠人工经验进行污染分析难以满足目前农田的污染防治与分析。
由于传统技术的限制，目前对于农田中污染的监测与分析存在不精准、效率低下等问题，这严重阻碍的农田的绿色发展与可持续发展。因此，现在亟需一种高效的农田污染智能监测方法。
发明内容
本发明克服了现有技术的缺陷，提出了一种农田污染智能监测方法、系统及存储介质。
本发明第一方面提供了一种农田污染智能监测方法，包括：
根据目标农田区域构建基于三维的地图模型；
基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据；
基于所述N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物；
基于空气、土壤、地下水三个维度，获取当前目标农田区域的当前污染监测数据；
根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率；
判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案。
本方案中，所述根据目标农田区域构建基于三维的地图模型，具体为：
获取目标农田区域的区域轮廓、区域面积、土壤深度信息；
基于所述区域轮廓、区域面积、土壤深度信息构建基于三维的可视化地图模型。
本方案中，所述基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据，包括：
基于预设农作物的全生长生命周期划分出N个生长周期；
在预设时间段内，以N个生长周期作为监测时间间隔，对目标农田区域进行N次污染监测，得到N份污染监测数据；
所述污染监测为基于土壤、地下水、空气进行取样检测，检测的污染物为预设土壤污染物与预设空气污染物；
所述污染监测数据包括土壤污染监测数据、水体污染监测数据、空气污染监测数据。
本方案中，所述基于所述N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物，具体为：
基于N个生长周期，对预设农作物进行N次采样检测，得到N份农作物采样检测数据；
基于N个生长周期的污染监测数据进行污染物的周期性浓度变化分析，并基于土壤、地下水、空气三个维度生成土壤污染物变化信息、水体污染物变化信息与空气污染物变化信息；
基于N份农作物采样检测数据进行污染物的周期性浓度变化分析，得到农作物污染物变化信息；
以一个生长周期作为研究单位，将土壤污染物变化信息、水体污染物变化信息与空气污染物变化信息作为自变量，以农作物污染物变化信息作为因变量进行基于多元线性回归相关度计算，得到多种预设污染物的多元相关系数；
判断多元相关系数，将多元相关系数大于预设相关度的预设污染物进行标记，得到一个生长周期的敏感性污染物，将其余非标记预设污染物作为非敏感性污染物；
分析N个生长周期，并得到N个生长周期对应的敏感性污染物与非敏感性污染物。
本方案中，所述根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率，具体为：
根据得到的N个生长周期对应的敏感性污染物与非敏感性污染物，获取当前生长周期对应的敏感性污染物与非敏感性污染物，并标记为第一污染物与第二污染物；
将当前污染监测数据进行数据标准化、归一化处理；
基于时间维度，将当前污染监测数据进行数据序列化，并得到监测序列数据；
构建基于LSTM的数据预测模型；
将所述监测序列数据导入数据预测模型，并以下一个生长周期作为预测目标，得到基于土壤、地下水、空气的污染预测数据；
结合地图模型，将污染预测数据进行可视化展示；
根据当前污染监测数据与污染预测数据，计算分析其中第一污染物与第二污染物的浓度变化率，并基于污染物数量进行均值化，得到第一污染物平均变化率与第二污染物平均变化率；
通过第一污染物平均变化率与第二污染物平均变化率，计算出农作物的污染物吸收率。
本方案中，所述判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案，具体为：
判断预测污染吸收率是否大于预设阈值，若是，则获取对应第一污染物、第二污染物；
计算出预测污染吸收率与预设阈值的差值，基于差值大小生成M个第一调控周期与K个第二调控周期；
基于所述第一污染物生成第一调控方案；
基于所述第二污染物生成第二调控方案；
基于所述M个第一调控周期、K第二调控周期、第二污染物生成第二调控方案进行方案融合形成污染调控方案。
本发明第二方面还提供了一种农田污染智能监测系统，该系统包括：存储器、处理器，所述存储器中包括农田污染智能监测程序，所述农田污染智能监测程序被所述处理器执行时实现如下步骤：
根据目标农田区域构建基于三维的地图模型；
基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据；
基于所述N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物；
基于空气、土壤、地下水三个维度，获取当前目标农田区域的当前污染监测数据；
根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率；
判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案。
本方案中，所述根据目标农田区域构建基于三维的地图模型，具体为：
获取目标农田区域的区域轮廓、区域面积、土壤深度信息；
基于所述区域轮廓、区域面积、土壤深度信息构建基于三维的可视化地图模型。
本方案中，所述基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据，包括：
基于预设农作物的全生长生命周期划分出N个生长周期；
在预设时间段内，以N个生长周期作为监测时间间隔，对目标农田区域进行N次污染监测，得到N份污染监测数据；
所述污染监测为基于土壤、地下水、空气进行取样检测，检测的污染物为预设土壤污染物与预设空气污染物；
所述污染监测数据包括土壤污染监测数据、水体污染监测数据、空气污染监测数据。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括农田污染智能监测程序，所述农田污染智能监测程序被处理器执行时，实现如上述任一项所述的农田污染智能监测方法的步骤。
本发明公开了一种农田污染智能监测方法、系统及存储介质。基于N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物；基于空气、土壤、地下水三个维度，获取当前目标农田区域的当前污染监测数据；根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率；判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案。通过本发明，能够有效提高农田污染的自动化、智能化监测水平，实现农田的精准化污染分析与调控。
附图说明
图1示出了本发明一种农田污染智能监测方法的流程图；
图2示出了本发明地图模型构建流程图；
图3示出了本发明污染监测数据获取流程图；
图4示出了本发明一种农田污染智能监测系统的框图。
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示出了本发明一种农田污染智能监测方法的流程图。
如图1所示，本发明第一方面提供了一种农田污染智能监测方法，包括：
S102，根据目标农田区域构建基于三维的地图模型；
S104，基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据；
S106，基于所述N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物；
S108，基于空气、土壤、地下水三个维度，获取当前目标农田区域的当前污染监测数据；
S110，根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率；
判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案。
图2示出了本发明地图模型构建流程图。
根据本发明实施例，所述根据目标农田区域构建基于三维的地图模型，具体为：
S202，获取目标农田区域的区域轮廓、区域面积、土壤深度信息；
S204，基于所述区域轮廓、区域面积、土壤深度信息构建基于三维的可视化地图模型。
需要说明的是，通过所述地图模型，能够实现对污染监测数据、污染预测数据的农田可视化，进一步提高污染监测的直观性。
图3示出了本发明污染监测数据获取流程图。
根据本发明实施例，所述基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据，包括：
S302，基于预设农作物的全生长生命周期划分出N个生长周期；
S304，在预设时间段内，以N个生长周期作为监测时间间隔，对目标农田区域进行N次污染监测，得到N份污染监测数据；
S306，所述污染监测为基于土壤、地下水、空气进行取样检测，检测的污染物为预设土壤污染物与预设空气污染物；
S308，所述污染监测数据包括土壤污染监测数据、水体污染监测数据、空气污染监测数据。
需要说明的是，所述N个生长周期具体为基于预设农作物中的核心生长周期进行划分的，对应的N个生长周期均对农作物的生长研究有重要作用。所述预设时间段内即一个预设农作物的全生长生命周期时间。所述预设土壤污染物主要为重金属、全氟化合物、有机与无机污染物等，用于作为土壤与地下水样品的检测污染物，所述预设空气污染物主要为二氧化碳、氨气、硫化氢、挥发性污染物等，用于作为空气样品的检测污染物，具体的污染物监测种类选择受监测条件与用户决定影响。土壤污染监测数据、水体污染监测数据、空气污染监测数据包括对应污染物的浓度与种类。
根据本发明实施例，所述基于所述N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物，具体为：
基于N个生长周期，对预设农作物进行N次采样检测，得到N份农作物采样检测数据；
基于N个生长周期的污染监测数据进行污染物的周期性浓度变化分析，并基于土壤、地下水、空气三个维度生成土壤污染物变化信息、水体污染物变化信息与空气污染物变化信息；
基于N份农作物采样检测数据进行污染物的周期性浓度变化分析，得到农作物污染物变化信息；
以一个生长周期作为研究单位，将土壤污染物变化信息、水体污染物变化信息与空气污染物变化信息作为自变量，以农作物污染物变化信息作为因变量进行基于多元线性回归相关度计算，得到多种预设污染物的多元相关系数；
判断多元相关系数，将多元相关系数大于预设相关度的预设污染物进行标记，得到一个生长周期的敏感性污染物，将其余非标记预设污染物作为非敏感性污染物；
分析N个生长周期，并得到N个生长周期对应的敏感性污染物与非敏感性污染物。
需要说明的是，所述采样检测数据具体为在农作物样品中对应预设污染物的种类与浓度，其中，所述预设污染物可以包括预设土壤污染物与预设空气污染物的一种或多种。所述变化信息除了浓度变化还可以包括污染物种类变化，因为当污染物低于检测浓度时，则可以认为样品中不存在该污染物，例如，受气候、温度、土壤与地下水渗透等环境影响，某些污染物可能在多个周期之后浓度低于检测标准，则在数据上的表现为多个周期前存在该种类污染物，多个周期后不存在该污染物，同时应该注意到，农田土壤一般具有自我净化能力，因此，对应农田中的污染物种类也可能发生变化。
值得一提的是，在农作物不同生长阶段中，其对营养物质的吸收和对污染物质的吸收存在一定差异。因此，本发明通过在不同生长周期下，分析出农作物的敏感污染与非敏感污染物，从而在后续实现精准化的农田污染调控分析。
根据本发明实施例，所述根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率，具体为：
根据得到的N个生长周期对应的敏感性污染物与非敏感性污染物，获取当前生长周期对应的敏感性污染物与非敏感性污染物，并标记为第一污染物与第二污染物；
将当前污染监测数据进行数据标准化、归一化处理；
基于时间维度，将当前污染监测数据进行数据序列化，并得到监测序列数据；
构建基于LSTM的数据预测模型；
将所述监测序列数据导入数据预测模型，并以下一个生长周期作为预测目标，得到基于土壤、地下水、空气的污染预测数据；
结合地图模型，将污染预测数据进行可视化展示；
根据当前污染监测数据与污染预测数据，计算分析其中第一污染物与第二污染物的浓度变化率，并基于污染物数量进行均值化，得到第一污染物平均变化率与第二污染物平均变化率；
通过第一污染物平均变化率与第二污染物平均变化率，计算出农作物的污染物吸收率。
需要说明的是，所述污染物吸收率计算公式为：
；
其中，为污染物吸收率，/>为第一污染物平均变化率，/>为第二污染物平均变化率，K为修正系数。
污染物吸收率为反映农作物的污染吸收情况，值越大，则代表污染物在农作物的积累量越多。所述LSTM算法即长短期记忆网络算法，用于预测数据。
根据本发明实施例，所述判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案，具体为：
判断预测污染吸收率是否大于预设阈值，若是，则获取对应第一污染物、第二污染物；
计算出预测污染吸收率与预设阈值的差值，基于差值大小生成M个第一调控周期与K个第二调控周期；
基于所述第一污染物生成第一调控方案；
基于所述第二污染物生成第二调控方案；
基于所述M个第一调控周期、K第二调控周期、第二污染物生成第二调控方案进行方案融合形成污染调控方案。
需要说明的是，所述所述M、K的大小与所述差值成正比关系，且M大于K，所述污染调控方案中，具体为在M个第一调控周期实行第一调控方案，在K第二调控周期实行第二调控方案。第一调控方案为针对第一污染物的调控方案、第二调控方案为针对第二污染物的调控方案。
根据本发明实施例，还包括：
在一个生长周期中，基于污染调控方案进行农田污染调控，并获取目标农田区域中的视频监控数据；
基于所述视频监控数据进行关键帧提取，得到农田图像集；
基于多个农田监测点，将所述农田图像集划分成多个图像数据，每个农田监测点对应一个图像数据；
将所述图像数据进行预设农作物识别与图像特征提取，得到农作物特征数据；
从图像数据库中获取当前生长周期内的预设农作物对比特征数据；
将所述农作物特征数据与对比特征数据进行特征相似度计算，将得到的特征相似度进行判断；
若特征相似度低于预设相似度，则将图像数据所对应的农田监测点标记为污染监测点；
基于地图模型与所有农田监测点进行区域划分，得到多个农田子区域；
将污染监测点对应的农田子区域标记为异常子区域；
获取预设农作物在当前生长周期内的敏感性污染物；
在异常子区域进行多点周期性采样检测，并基于空气、土壤、地下水的采样样品进行所述敏感性污染物的浓度检测，得到异常区域污染监测数据；
基于异常区域污染监测数据判断异常子区域中是否存在污染源。
需要说明的是，所述目标农田区域包括多个农田监测点，且每个农田监测点包括至少一个监控摄像设备。所述多点周期性采样检测即多个采样点、多个周期的重复采样检测。
值得一提的是，由于农田区域中土壤环境复杂，在进行实际污染调控中，可能会出现某个小区域的生长异常，此时，可能存在较严重的污染源，导致小区域的农作物生长异常，且通过污染调控难以控制。本发明通过农田监测点中监控数据的图像分析，得到存在生长状况不佳的农作物，从而进一步确定异常区域，并基于本发明方法分析得到敏感性污染物进行精准监测，从而能够高效地判断与发现污染源，实现及时发现与控制污染的目的。一个农田子区域对应一个农田监测点。
图4示出了本发明一种农田污染智能监测系统的框图。
本发明第二方面还提供了一种农田污染智能监测系统4，该系统包括：存储器41、处理器42，所述存储器中包括农田污染智能监测程序，所述农田污染智能监测程序被所述处理器执行时实现如下步骤：
根据目标农田区域构建基于三维的地图模型；
基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据；
基于所述N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物；
基于空气、土壤、地下水三个维度，获取当前目标农田区域的当前污染监测数据；
根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率；
判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案。
根据本发明实施例，所述根据目标农田区域构建基于三维的地图模型，具体为：
获取目标农田区域的区域轮廓、区域面积、土壤深度信息；
基于所述区域轮廓、区域面积、土壤深度信息构建基于三维的可视化地图模型。
需要说明的是，通过所述地图模型，能够实现对污染监测数据、污染预测数据的农田可视化，进一步提高污染监测的直观性。
根据本发明实施例，所述基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据，包括：
基于预设农作物的全生长生命周期划分出N个生长周期；
在预设时间段内，以N个生长周期作为监测时间间隔，对目标农田区域进行N次污染监测，得到N份污染监测数据；
所述污染监测为基于土壤、地下水、空气进行取样检测，检测的污染物为预设土壤污染物与预设空气污染物；
所述污染监测数据包括土壤污染监测数据、水体污染监测数据、空气污染监测数据。
需要说明的是，所述N个生长周期具体为基于预设农作物中的核心生长周期进行划分的，对应的N个生长周期均对农作物的生长研究有重要作用。所述预设时间段内即一个预设农作物的全生长生命周期时间。所述预设土壤污染物主要为重金属、全氟化合物、有机与无机污染物等，用于作为土壤与地下水样品的检测污染物，所述预设空气污染物主要为二氧化碳、氨气、硫化氢、挥发性污染物等，用于作为空气样品的检测污染物，具体的污染物监测种类选择受监测条件与用户决定影响。土壤污染监测数据、水体污染监测数据、空气污染监测数据包括对应污染物的浓度与种类。
根据本发明实施例，所述基于所述N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物，具体为：
基于N个生长周期，对预设农作物进行N次采样检测，得到N份农作物采样检测数据；
基于N个生长周期的污染监测数据进行污染物的周期性浓度变化分析，并基于土壤、地下水、空气三个维度生成土壤污染物变化信息、水体污染物变化信息与空气污染物变化信息；
基于N份农作物采样检测数据进行污染物的周期性浓度变化分析，得到农作物污染物变化信息；
以一个生长周期作为研究单位，将土壤污染物变化信息、水体污染物变化信息与空气污染物变化信息作为自变量，以农作物污染物变化信息作为因变量进行基于多元线性回归相关度计算，得到多种预设污染物的多元相关系数；
判断多元相关系数，将多元相关系数大于预设相关度的预设污染物进行标记，得到一个生长周期的敏感性污染物，将其余非标记预设污染物作为非敏感性污染物；
分析N个生长周期，并得到N个生长周期对应的敏感性污染物与非敏感性污染物。
需要说明的是，所述采样检测数据具体为在农作物样品中对应预设污染物的种类与浓度，其中，所述预设污染物可以包括预设土壤污染物与预设空气污染物的一种或多种。所述变化信息除了浓度变化还可以包括污染物种类变化，因为当污染物低于检测浓度时，则可以认为样品中不存在该污染物，例如，受气候、温度、土壤与地下水渗透等环境影响，某些污染物可能在多个周期之后浓度低于检测标准，则在数据上的表现为多个周期前存在该种类污染物，多个周期后不存在该污染物，同时应该注意到，农田土壤一般具有自我净化能力，因此，对应农田中的污染物种类也可能发生变化。
值得一提的是，在农作物不同生长阶段中，其对营养物质的吸收和对污染物质的吸收存在一定差异。因此，本发明通过在不同生长周期下，分析出农作物的敏感污染与非敏感污染物，从而在后续实现精准化的农田污染调控分析。
根据本发明实施例，所述根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率，具体为：
根据得到的N个生长周期对应的敏感性污染物与非敏感性污染物，获取当前生长周期对应的敏感性污染物与非敏感性污染物，并标记为第一污染物与第二污染物；
将当前污染监测数据进行数据标准化、归一化处理；
基于时间维度，将当前污染监测数据进行数据序列化，并得到监测序列数据；
构建基于LSTM的数据预测模型；
将所述监测序列数据导入数据预测模型，并以下一个生长周期作为预测目标，得到基于土壤、地下水、空气的污染预测数据；
结合地图模型，将污染预测数据进行可视化展示；
根据当前污染监测数据与污染预测数据，计算分析其中第一污染物与第二污染物的浓度变化率，并基于污染物数量进行均值化，得到第一污染物平均变化率与第二污染物平均变化率；
通过第一污染物平均变化率与第二污染物平均变化率，计算出农作物的污染物吸收率。
需要说明的是，所述污染物吸收率计算公式为：
；
其中，为污染物吸收率，/>为第一污染物平均变化率，/>为第二污染物平均变化率，K为修正系数。
污染物吸收率为反映农作物的污染吸收情况，值越大，则代表污染物在农作物的积累量越多。所述LSTM算法即长短期记忆网络算法，用于预测数据。
根据本发明实施例，所述判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案，具体为：
判断预测污染吸收率是否大于预设阈值，若是，则获取对应第一污染物、第二污染物；
计算出预测污染吸收率与预设阈值的差值，基于差值大小生成M个第一调控周期与K个第二调控周期；
基于所述第一污染物生成第一调控方案；
基于所述第二污染物生成第二调控方案；
基于所述M个第一调控周期、K第二调控周期、第二污染物生成第二调控方案进行方案融合形成污染调控方案。
需要说明的是，所述所述M、K的大小与所述差值成正比关系，且M大于K，所述污染调控方案中，具体为在M个第一调控周期实行第一调控方案，在K第二调控周期实行第二调控方案。第一调控方案为针对第一污染物的调控方案、第二调控方案为针对第二污染物的调控方案。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括农田污染智能监测程序，所述农田污染智能监测程序被处理器执行时，实现如上述任一项所述的农田污染智能监测方法的步骤。
本发明公开了一种农田污染智能监测方法、系统及存储介质。基于N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物；基于空气、土壤、地下水三个维度，获取当前目标农田区域的当前污染监测数据；根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率；判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案。通过本发明，能够有效提高农田污染的自动化、智能化监测水平，实现农田的精准化污染分析与调控。
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 (3)
1.一种农田污染智能监测方法，其特征在于，包括：
根据目标农田区域构建基于三维的地图模型；
基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据；
基于所述N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物；
基于空气、土壤、地下水三个维度，获取当前目标农田区域的当前污染监测数据；
根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率；
判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案；
其中，所述根据目标农田区域构建基于三维的地图模型，具体为：
获取目标农田区域的区域轮廓、区域面积、土壤深度信息；
基于所述区域轮廓、区域面积、土壤深度信息构建基于三维的可视化地图模型；
其中，所述基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据，包括：
基于预设农作物的全生长生命周期划分出N个生长周期；
在预设时间段内，以N个生长周期作为监测时间间隔，对目标农田区域进行N次污染监测，得到N份污染监测数据；
所述污染监测为基于土壤、地下水、空气进行取样检测，检测的污染物为预设土壤污染物与预设空气污染物；
所述污染监测数据包括土壤污染监测数据、水体污染监测数据、空气污染监测数据；
其中，所述基于所述N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物，具体为：
基于N个生长周期，对预设农作物进行N次采样检测，得到N份农作物采样检测数据；
基于N个生长周期的污染监测数据进行污染物的周期性浓度变化分析，并基于土壤、地下水、空气三个维度生成土壤污染物变化信息、水体污染物变化信息与空气污染物变化信息；
基于N份农作物采样检测数据进行污染物的周期性浓度变化分析，得到农作物污染物变化信息；
以一个生长周期作为研究单位，将土壤污染物变化信息、水体污染物变化信息与空气污染物变化信息作为自变量，以农作物污染物变化信息作为因变量进行基于多元线性回归相关度计算，得到多种预设污染物的多元相关系数；
判断多元相关系数，将多元相关系数大于预设相关度的预设污染物进行标记，得到一个生长周期的敏感性污染物，将其余非标记预设污染物作为非敏感性污染物；
分析N个生长周期，并得到N个生长周期对应的敏感性污染物与非敏感性污染物；
其中，所述根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率，具体为：
根据得到的N个生长周期对应的敏感性污染物与非敏感性污染物，获取当前生长周期对应的敏感性污染物与非敏感性污染物，并标记为第一污染物与第二污染物；
将当前污染监测数据进行数据标准化、归一化处理；
基于时间维度，将当前污染监测数据进行数据序列化，并得到监测序列数据；
构建基于LSTM的数据预测模型；
将所述监测序列数据导入数据预测模型，并以下一个生长周期作为预测目标，得到基于土壤、地下水、空气的污染预测数据；
结合地图模型，将污染预测数据进行可视化展示；
根据当前污染监测数据与污染预测数据，计算分析其中第一污染物与第二污染物的浓度变化率，并基于污染物数量进行均值化，得到第一污染物平均变化率与第二污染物平均变化率；
通过第一污染物平均变化率与第二污染物平均变化率，计算出农作物的污染物吸收率；
其中，所述判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案，具体为：
判断预测污染吸收率是否大于预设阈值，若是，则获取对应第一污染物、第二污染物；
计算出预测污染吸收率与预设阈值的差值，基于差值大小生成M个第一调控周期与K个第二调控周期；
基于所述第一污染物生成第一调控方案；
基于所述第二污染物生成第二调控方案；
基于所述M个第一调控周期、K个第二调控周期、第二污染物生成的第二调控方案进行方案融合形成污染调控方案。
2.一种农田污染智能监测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括农田污染智能监测程序，所述农田污染智能监测程序被所述处理器执行时实现如下步骤：
根据目标农田区域构建基于三维的地图模型；
基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据；
基于所述N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物；
基于空气、土壤、地下水三个维度，获取当前目标农田区域的当前污染监测数据；
根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率；
判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案；
其中，所述根据目标农田区域构建基于三维的地图模型，具体为：
获取目标农田区域的区域轮廓、区域面积、土壤深度信息；
基于所述区域轮廓、区域面积、土壤深度信息构建基于三维的可视化地图模型；
其中，所述基于目标农田区域，在预设时间段内，获取预设农作物N个生长周期的污染监测数据与农作物采样检测数据，包括：
基于预设农作物的全生长生命周期划分出N个生长周期；
在预设时间段内，以N个生长周期作为监测时间间隔，对目标农田区域进行N次污染监测，得到N份污染监测数据；
所述污染监测为基于土壤、地下水、空气进行取样检测，检测的污染物为预设土壤污染物与预设空气污染物；
所述污染监测数据包括土壤污染监测数据、水体污染监测数据、空气污染监测数据；
其中，所述基于所述N个生长周期的污染监测数据进行多种污染物的浓度波动分析，结合农作物采样检测数据，得到预设农作物在N个生长周期的敏感性污染物与非敏感性污染物，具体为：
基于N个生长周期，对预设农作物进行N次采样检测，得到N份农作物采样检测数据；
基于N个生长周期的污染监测数据进行污染物的周期性浓度变化分析，并基于土壤、地下水、空气三个维度生成土壤污染物变化信息、水体污染物变化信息与空气污染物变化信息；
基于N份农作物采样检测数据进行污染物的周期性浓度变化分析，得到农作物污染物变化信息；
以一个生长周期作为研究单位，将土壤污染物变化信息、水体污染物变化信息与空气污染物变化信息作为自变量，以农作物污染物变化信息作为因变量进行基于多元线性回归相关度计算，得到多种预设污染物的多元相关系数；
判断多元相关系数，将多元相关系数大于预设相关度的预设污染物进行标记，得到一个生长周期的敏感性污染物，将其余非标记预设污染物作为非敏感性污染物；
分析N个生长周期，并得到N个生长周期对应的敏感性污染物与非敏感性污染物；
其中，所述根据当前污染监测数据与预设农作物的当前生长周期，结合敏感性污染物与非敏感性污染物，预测预设农作物的污染吸收情况，得到预测污染吸收率，具体为：
根据得到的N个生长周期对应的敏感性污染物与非敏感性污染物，获取当前生长周期对应的敏感性污染物与非敏感性污染物，并标记为第一污染物与第二污染物；
将当前污染监测数据进行数据标准化、归一化处理；
基于时间维度，将当前污染监测数据进行数据序列化，并得到监测序列数据；
构建基于LSTM的数据预测模型；
将所述监测序列数据导入数据预测模型，并以下一个生长周期作为预测目标，得到基于土壤、地下水、空气的污染预测数据；
结合地图模型，将污染预测数据进行可视化展示；
根据当前污染监测数据与污染预测数据，计算分析其中第一污染物与第二污染物的浓度变化率，并基于污染物数量进行均值化，得到第一污染物平均变化率与第二污染物平均变化率；
通过第一污染物平均变化率与第二污染物平均变化率，计算出农作物的污染物吸收率；
其中，所述判断分析预测污染吸收率，并结合当前污染监测数据进行调控分析，生成污染调控方案，具体为：
判断预测污染吸收率是否大于预设阈值，若是，则获取对应第一污染物、第二污染物；
计算出预测污染吸收率与预设阈值的差值，基于差值大小生成M个第一调控周期与K个第二调控周期；
基于所述第一污染物生成第一调控方案；
基于所述第二污染物生成第二调控方案；
基于所述M个第一调控周期、K个第二调控周期、第二污染物生成的第二调控方案进行方案融合形成污染调控方案。
3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括农田污染智能监测程序，所述农田污染智能监测程序被处理器执行时，实现如权利要求1所述的农田污染智能监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311062490.3A CN116819046B (zh) | 2023-08-23 | 2023-08-23 | 一种农田污染智能监测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311062490.3A CN116819046B (zh) | 2023-08-23 | 2023-08-23 | 一种农田污染智能监测方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116819046A CN116819046A (zh) | 2023-09-29 |
| CN116819046B true CN116819046B (zh) | 2023-11-03 |
Family
ID=88118690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311062490.3A Active CN116819046B (zh) | 2023-08-23 | 2023-08-23 | 一种农田污染智能监测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819046B (zh) |
Citations (5)
| 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 |
| CN111199347A (zh) * | 2019-12-30 | 2020-05-26 | 中国科学院南京地理与湖泊研究所 | 流域污染控制单元分区方法 |
| CN115809605A (zh) * | 2022-12-19 | 2023-03-17 | 浙江大学 | 一种农田径流氮磷流失浓度和径流量的预测方法 |
| CN116205509A (zh) * | 2022-10-23 | 2023-06-02 | 南京大学 | 一种全面评价土壤重金属污染状况的研究方法 |
| CN116362570A (zh) * | 2023-06-02 | 2023-06-30 | 北京建工环境修复股份有限公司 | 一种基于大数据平台的多维度污染分析方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10816441B2 (en) * | 2015-05-08 | 2020-10-27 | E-Flux, Llc | In situ measurement of soil fluxes and related apparatus, systems and methods |
-
2023
- 2023-08-23 CN CN202311062490.3A patent/CN116819046B/zh active Active
Patent Citations (5)
| 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 |
| CN111199347A (zh) * | 2019-12-30 | 2020-05-26 | 中国科学院南京地理与湖泊研究所 | 流域污染控制单元分区方法 |
| CN116205509A (zh) * | 2022-10-23 | 2023-06-02 | 南京大学 | 一种全面评价土壤重金属污染状况的研究方法 |
| CN115809605A (zh) * | 2022-12-19 | 2023-03-17 | 浙江大学 | 一种农田径流氮磷流失浓度和径流量的预测方法 |
| CN116362570A (zh) * | 2023-06-02 | 2023-06-30 | 北京建工环境修复股份有限公司 | 一种基于大数据平台的多维度污染分析方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 土壤环境质量指导值与标准研究;张红振 等;《土壤学报》;第47卷(第4期);628-638 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116819046A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116773781B (zh) | 一种用于土壤中全氟化合物的污染分析方法、系统及介质 | |
| CN113567635B (zh) | 一种工业气体智能监测一体化系统及监测方法 | |
| CN116168771B (zh) | 一种基于物联网的河流中全氟化合物污染监测方法及系统 | |
| CN116362570B (zh) | 一种基于大数据平台的多维度污染分析方法及系统 | |
| 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 | |
| CN104539937A (zh) | 一种摄像头模组污点检测的方法和装置 | |
| CN116340723B (zh) | 基于大数据的乡村水污染快速溯源方法及系统 | |
| CN116702047A (zh) | 一种地下水实时监测方法、系统及介质 | |
| CN116307268B (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 | |
| CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
| CN116881749A (zh) | 一种污染场地施工监测方法及系统 | |
| CN116359285A (zh) | 一种基于大数据的油气浓度智能检测系统及方法 | |
| CN113533672B (zh) | 一种水质在线监测方法及装置 | |
| CN116819046B (zh) | 一种农田污染智能监测方法、系统及存储介质 | |
| CN117172996B (zh) | 一种用于生态环境修复的微生物活性识别监测方法及系统 | |
| CN117172992A (zh) | 一种污染农田土壤的微生态特征调查方法及系统 | |
| CN116384775A (zh) | 一种污染场地监测设备的管理方法、系统及存储介质 | |
| CN113590663A (zh) | 一种环境检测方法及系统 | |
| CN117172990B (zh) | 一种地下水环境中抗生素污染迁移预测方法及系统 | |
| CN117109665B (zh) | 一种河流生态环境数据在线监测方法及系统 | |
| CN117726194B (zh) | 一种基于大数据的林业环境分析系统 | |
| CN117291781B (zh) | 一种突发性水污染溯源方法、设备及介质 | |
| CN117761261B (zh) | 一种基于大数据的碳排放监测系统及方法 | |
| CN117372224B (zh) | 一种绿化生态修复系统 | |
| CN116801213B (zh) | 一种基于大数据的城市二氧化碳数据采集方法及系统 |
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 |