CN116823576B - 一种毒品原植物适生区的评估方法及系统 - Google Patents
一种毒品原植物适生区的评估方法及系统 Download PDFInfo
- Publication number
- CN116823576B CN116823576B CN202310802834.3A CN202310802834A CN116823576B CN 116823576 B CN116823576 B CN 116823576B CN 202310802834 A CN202310802834 A CN 202310802834A CN 116823576 B CN116823576 B CN 116823576B
- Authority
- CN
- China
- Prior art keywords
- index
- evaluation
- weight
- expert
- weight 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 179
- 239000003814 drug Substances 0.000 title claims abstract description 49
- 229940079593 drug Drugs 0.000 title claims abstract description 49
- 239000002689 soil Substances 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000001556 precipitation Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 229940088679 drug related substance Drugs 0.000 claims description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012854 evaluation process Methods 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001784 detoxification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Abstract
本发明公开了一种毒品原植物适生区的评估方法及系统,属于数据处理技术领域,方法包括:构建毒品原植物适生区评估体系,毒品原植物适生区评估体系包括多个评估指标,评估指标包括:土壤温度、土壤湿度、土壤PH值、日照度、气温、气压和降水量;确定各个评估指标的权重;邀请评估专家确定各个评估指标的最佳区间范围;获取待评估地区的原始数据,计算待评估地区的各个适宜指数,其中,适宜指数包括土壤温度适宜指数、土壤湿度适宜指数、土壤PH值适宜指数、日照度适宜指数、气温适宜指数、气压适宜指数和降水量适宜指数;根据各个评估指标的权重和各个适宜指数,计算综合适宜指数;根据综合适宜指数确定待评估地区的评估结果。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种毒品原植物适生区的评估方法及系统。
背景技术
毒品,作为一种危害人类的产品,一直给人们的生活及社会的发展带来诸多困扰,为了使人们远离毒品,杜绝毒品的种植无疑是最直接有效的方法。识别某个地区是否是毒品原植物的适合生长区对于禁毒工作具有重大意义。
现有技术中,往往采取无人机拍摄地区图像,之后根据图像识别出相关区域是否种植有毒品原植物。此方法无人机的成本较高,并且不法人员为了躲避检查,往往会避开聚居区种植,并且会做出遮掩处理,导致无人机图像识别的准确性降低。
发明内容
为了解决现有技术存在的成本过高,评估准确性低的技术问题,本发明提供一种毒品原植物适生区的评估方法及系统。
第一方面
本发明提供了一种毒品原植物适生区的评估方法,包括:
S101:构建毒品原植物适生区评估体系,毒品原植物适生区评估体系包括多个评估指标,评估指标包括:土壤温度、土壤湿度、土壤PH值、日照度、气温、气压和降水量;
S102:确定各个评估指标的权重;
S103:邀请评估专家确定各个评估指标的最佳区间范围以及最适宜指标值;
S104:获取待评估地区的土壤温度d1、土壤湿度d2、土壤PH值d3、日照度d4、气温d5、气压d6和降水量d7,根据各个评估指标的最佳区间范围以及最适宜指标值计算待评估地区的各个适宜指数ρi:
其中,适宜指数包括土壤温度适宜指数、土壤湿度适宜指数、土壤PH值适宜指数、日照度适宜指数、气温适宜指数、气压适宜指数和降水量适宜指数;
S105:根据各个评估指标的权重和各个适宜指数,计算综合适宜指数ρ:
其中,n表示评估指标的数量,n=7,表示第i个评估指标的权重,ρi表示第i个指标的适宜指数;
S106:根据综合适宜指数确定待评估地区的评估结果。
第二方面
本发明提供了一种毒品原植物适生区的评估系统,用于执行第一方面中的评估方法。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,通过获取各个地区的土壤温度、土壤湿度、土壤PH值、日照度、气温、气压和降水量,计算出地区对于种植毒品原植物的综合适宜指数,进而根据综合适宜指数确定该地区是否为毒品原植物适合生长区。无需采用无人机进行图像采集,大大降低了评估成本,并且不会受到不法人员为了躲避检查而做出遮掩处理的影响,提升了毒品原植物适生区评估结果的准确性。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种毒品原植物适生区的评估方法的流程示意图;
图2是本发明提供的另一种毒品原植物适生区的评估方法的流程示意图。
具体实施方式
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,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中,参考说明书附图1和图2,示出了本发明提供的毒品原植物适生区的评估方法的流程示意图。
本发明提供的一种毒品原植物适生区的评估方法,包括:
S101:构建毒品原植物适生区评估体系。
其中,毒品原植物适生区评估体系包括多个评估指标,评估指标包括:土壤温度、土壤湿度、土壤PH值、日照度、气温、气压和降水量。
需要说明的是,对于毒品原植物来说,需要合适的土壤温度、土壤湿度、土壤PH值、日照度、气温、气压和降水量,才能够进行生长。通过监测一个区域的土壤温度、土壤湿度、土壤PH值、日照度、气温、气压和降水量,可以判断该区域是否适合毒品原植物生长。
S102:确定各个评估指标的权重。
其中,土壤温度、土壤湿度、土壤PH值、日照度、气温、气压和降水量对于毒品原植物能否健康成长的重要性不同,意味着各个评估指标对于评估毒品原植物能否健康成长优先级也不同。
需要说明的是,现有技术在确定各个指标的权重时,往往采用的单一的计算方式,例如层次分析法、熵理想点法、标准离差法和专家评估法等等。
在一种可能的实施方式中,S102具体包括子步骤S1021至S102X:
S1021:通过层次分析法确定各个评估指标的第一权重集合A1。
其中,层次分析法能够利用专家的理论知识和丰富经验,避免评价结果受到数据的随机误差影响。但是,层次分析法需要决策者进行一系列的对比和判断,涉及到主观性较大的权重评估过程,可能受到决策者主观意见和判断的影响,导致结果的偏差。
S1022:通过熵理想点法确定各个评估指标的第二权重集合A2。
其中,熵理想点法综合反映了指标包含信息量的多寡和各评价对象之间的差距。但是,熵理想点法仅仅考虑了指标数据的变异性,没有考虑指标之间的相互关系和重要性,可能忽略了某些重要的指标。
S1023:通过标准离差法确定各个评估指标的第三权重集合A3。
其中,标准离差法可以通过对指标数据的标准差进行计算,考虑指标的变异性和波动情况,有助于反映指标之间的差异和波动程度。但是,标准离差法仅仅考虑了指标的变异性,没有考虑指标之间的相互关系和重要性,可能忽略了某些重要的指标。
S1024:通过专家评估法确定各个评估指标的第四权重集合A4。
其中,专家评估法可以通过专家的经验和知识,结合对问题的深入了解和判断,对指标的权重进行评估,有可能获得相对准确的权重结果。但是,专家评估法在权重评估过程中可能缺乏量化和客观性,难以避免主观性和人为因素对权重的影响,结果可能存在较大的不确定性。
因此,为了平衡层次分析法、熵理想点法、标准离差法和专家评估法之间的优点和缺点,本申请采用了将层次分析法、熵理想点法、标准离差法和专家评估法进行综合考虑的方式,以进行权重的确定。
S1025:计算第一权重集合、第二权重集合、第三权重集合和第四权重集合中权重值的差异性参数Sj:
其中,Sj表示第j个权重集合的标准差,xij表示第j个权重集合中第i个指标的权重值,表示第j个权重集合中各个指标的权重值的平均值,n表示指标的个数,n=7。
其中,差异性参数可以衡量各个权重计算方法之间的差异程度。通过差异性参数可以评估权重值的稳定性,消除检测决策者主观性,可以帮助决策者评估权重值的一致性和稳定性,从而提高决策结果的可靠性。
需要说明的是,计算差异性参数可以采用标准差或者方差。在本发明中,采用标准差的方式计算差异性参数。
S1026:计算参考权重集合A0,A0=[x′1,x′2,…,x′i]:
其中,m表示权重集合的个数,m=4,x′i表示各个权重集合中第i个评估指标的权重值的平均值。
其中,以各个权重值的平均值作为参考值,可以评价出各个权重计算方法之间的关联性。
S1027:计算第一权重集合、第二权重集合、第三权重集合和第四权重集合中权重值的关联性参数Rj:
其中,ρ表示超参数,ρ∈[0,1]。ρ一般可以取0.5。
其中,关联性参数可以衡量各个权重计算方法之间的关联程度,即彼此之间的相互依赖关系。
S1028:根据差异性参数Sj和关联性参数Rj确定各个权重计算方法的优先级参数Bj:
Bj=Sj·Rj。
其中,某一个权重计算方法的差异性参数越高,意味着这个权重计算方法的相对于其他指标的差异性越大,对于评价的内容具有越高的区分度,这个权重计算方法的优先级也应当越高。某一个权重计算方法的关联性参数越高,意味着这个权重计算方法的横向相似性越大,对于其他权重计算方法存在影响力,这个权重计算方法的优先级也应当越高。对此,将差异性参数和关联性参数相乘得到优先级参数,以评价各个权重计算方法的优先级。
S1029:根据优先级参数,确定各个权重计算方法的权重wj:
其中,权重计算方法的优先级越高,其分配到的权重也就越高,对于指标权重的确定起到更加主导的地位。
S102X:根据各个权重计算方法的权重wj、第一权重集合A1、第二权重集合A2、第三权重集合A3和第四权重集合A4确定最终的权重集合A*,
在本发明中,不同的权重确定方法可能在不同情境下更为适用,本发明综合考虑层次分析法、熵理想点法、标准离差法和专家评估法,可以减少单一方法可能存在的偏差和不确定性,更全面地反映指标的重要性和优先级,从而提高权重结果的可靠性。
在一种可能的实施方式中,对于层次分析法确定各个评估指标的第一权重集合,S1021具体包括子步骤S102A至S102C:
S102A:对各个评估指标进行两两比较,结合九级标度法,建立判别矩阵C:
其中,cij表示第i个评估指标相对于第j个评估指标的重要程度,cij的取值可通过九极标度法确定。
表1九级标度法评分表
参照表1,示出了九级标度法的分类情况,九级标度法基于两两指标之间的相对差别给出不同指标的分数,最后得到的结果可以通过数值将多个定性指标的相对差异体现出来,进而分析出各个评估指标在评估毒品原植物适生区的过程中所占的比重。
S102B:计算判断矩阵C的特征向量和特征值:
Cω=λω→(C-λI)ω
其中,λ表示判断矩阵C的特征值,ω表示判断矩阵C的特征向量,取最大的特征值记为Amax,与之对应的特征向量为ωmax,ωmax=(ω1,ω2,…,ωn)。
S102C:对特征向量进行归一化处理:
ω′max=(ω′1,ω′2,…,ω′n)
其中,归一化后的向量ω′max可用于表征第一权重集合A1,归一化后的向量ω′max的各个分量ω′1,ω′2,…,ω′n分别代表各个评估指标的权重。
S103:邀请评估专家确定各个评估指标的最佳区间范围以及最适宜指标值。
其中,评估专家通常具有丰富的领域知识和实践经验,可以根据实际情况对评估指标的最佳区间范围进行专业判断,对评估指标的最佳区间范围进行精确的评估,从而可以更准确地反映指标的实际情况和变化趋势,有助于评估结果的准确性和可靠性。并且,多个评估专家同时决策,可以使决策更具合理性,从而在决策过程中减少主观性和偏见,并提高决策的可靠性和有效性。
在一种可能的实施方式中,S103具体包括子步骤S1031至S1038:
S1031:获取各个评估专家对于各个评估指标的最佳区间范围。
S1032:根据各个评估指标的最佳区间范围,构建最佳范围矩阵D:
其中,表示第k个评估专家确定的第i个评估指标的下限值,/>表示第k个评估专家确定的第i个评估指标的上限值,k=1,2,…,p,p表示评估专家的数量,i=1,2,…,n,n表示评估指标的数量,n=7。
其中,最佳范围矩阵D可以体现出每个评估专家对于每个评估指标给出的具体的最佳范围。
S1033:获取各个评估专家对于各个指标的下限值排序Π和对于各个指标的上限值排序Γ。
S1034:计算第k个专家确定的指标下限值相对于其他专家确定的指标下限值的接近度ek:
其中,∏k表示第k个评估专家对于各个指标的下限值排序,τ(∏k,∏j)表示第k个评估专家和第j个评估专家的下限值排序之间的逆序数。
其中,排列的逆序数是指在一个排列中,逆序对的数量,即排列中逆序的对数。逆序对是指排列中的两个元素,其在排列中的相对顺序与其在理想状态下(如升序排列)的相对顺序不一致。例如,在一个升序排列中,如果两个元素的相对位置是逆序的,那么它们构成一个逆序对。由于逆序数越小,说明排列越接近理想状态,即越趋近于升序排列。逆序数越大,说明排列与理想状态越不接近,即越趋远于升序排列。因此,排列的逆序数可以用于评估接近度。
S1035:计算第k个专家确定的指标上限值相对于其他专家确定的指标上限值的接近度fk:
其中,Γk表示第k个评估专家对于各个指标的上限值排序,τ(Γk,Γj)表示第k个评估专家和第j个评估专家的上限值排序之间的逆序数。
S1036:计算第k个评估专家确定的指标范围相对于其他专家确定的指标范围的总接近度gk:
gk=ek+fk。
其中,通过下限值排序之间的逆序数和上限值排序之间的逆序数计算总接近度,可以提升计算各个评估指标接近度的准确性。
S1037:对总接近度进行标准化处理,得到各评估专家的可信度hk:
其中,评估专家在评估指标时的打分接近度反映了他们在评估过程中的一致性和稳定性,从而反映了他们的可信度。如果不同专家在评估指标时的打分接近度较高,即他们的评估结果在数值上趋于一致,说明他们在评估过程中存在较高的一致性,其评估结果更加稳定,可以认为这些专家的评估可信度较高。反之,如果不同专家在评估指标时的打分接近度较低,即他们的评估结果在数值上较为分散,说明他们在评估过程中存在较大的不一致性,其评估结果可能不太稳定,可信度较低。
S1038:确定各个评估指标的最佳区间范围
其中,基于各个专家的可信度对各个评估指标的最佳区间范围进行修正,可以更加准确地反映专家的评估意见,从而提高评估结果的准确性,进一步地更好地反映各个专家的评估结果,减少评估结果受到某一专家主观因素的影响,保障评估结果的公正性。
在一种可能的实施方式中,S103还包括子步骤S1039和S103X:
S1039:获取各个评估专家对于各个评估指标的最佳指标值
S103X:根据各评估专家的可信度hk和最佳指标值计算各个指标的最适宜指标值/>
其中,表示第i个指标的最适宜指标值,hk表示第k个评估专家的可信度,/>表示第k个评估专家对第i个指标给出的最佳指标值,p表示评估专家个数。
其中,基于各个专家的可信度对各个评估指标的各个指标的最适宜指标值进行修正,可以更加准确地反映专家的评估意见,从而提高评估结果的准确性,进一步地更好地反映各个专家的评估结果,减少评估结果受到某一专家主观因素的影响,保障评估结果的公正性。
S104:获取待评估地区的土壤温度d1、土壤湿度d2、土壤PH值d3、日照度d4、气温d5、气压d6和降水量d7,根据各个评估指标的最佳区间范围以及最适宜指标值计算待评估地区的各个适宜指数ρi:
其中,适宜指数包括土壤温度适宜指数、土壤湿度适宜指数、土壤PH值适宜指数、日照度适宜指数、气温适宜指数、气压适宜指数和降水量适宜指数。
需要说的是,可以从气象站、气象局、农业部门或其他可靠的数据来源,获取待评估地区的原始数据,即土壤温度、土壤湿度、土壤PH值、日照度、气温、气压和降水量等。
进一步地,在获取待评估地区的原始数据之后,可以对数据进行预处理,预处理可以包括数据清洗、去除异常值、数据标准化等步骤,以确保数据的准确性和一致性。
其中,计算待评估地区的各个适宜指数,之后可以通过待评估地区的各个适宜指数,来最终得出待评估地区是否为毒品原植物适生区。
需要说明的是,根据各个评估指标的最佳区间范围和最适宜指标值,计算待评估地区的适宜指数,可以提高评估的客观性、综合性、比较性,为决策提供科学依据,实现精细化管理,从而带来多方面的好处。
S105:根据各个评估指标的权重和各个适宜指数,计算综合适宜指数ρ:
其中,n表示评估指标的数量,n=7,表示第i个评估指标的权重,ρi表示第i个指标的适宜指数。
需要说明的是,综合各个评估指标的权重和各个适宜指数,以得到综合适宜指数。综合适宜指数能够更加准确地评估各个地区是否为毒品原植物适生区。
S106:根据综合适宜指数确定待评估地区的评估结果。
在一种可能的实施方式中,S106具体包括子步骤S1061和S1062:
S1061:在综合适宜指数大于或者等于预设数值的情况下,确定待评估地区为毒品原植物适生区。
其中,本领域技术人员可以根据实际情况设置预设数值的大小,本发明不做限定。
S1062:在综合适宜指数小于预设数值的情况下,确定待评估地区非毒品原植物适生区。
需要说明的是,通过综合适宜指数确定待评估地区是否为毒品原植物适生区,可以帮助决策者对待评估地区的潜在毒品风险进行评估,为制定相应的安全管理和防控措施提供依据。
在一种可能的实施方式中,在S106之后,评估方法还包括:
S107:在确定待评估地区为毒品原植物适生区的情况下,发出警报。
其中,发出警报的方式包括但不限于:在系统界面弹出报警弹窗、发生语音播报、对相关区域进行显著的标注等。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,通过获取各个地区的土壤温度、土壤湿度、土壤PH值、日照度、气温、气压和降水量,计算出地区对于种植毒品原植物的综合适宜指数,进而根据综合适宜指数确定该地区是否为毒品原植物适合生长区。无需采用无人机进行图像采集,大大降低了评估成本,并且不会受到不法人员为了躲避检查而做出遮掩处理的影响,提升了毒品原植物适生区评估结果的准确性。
实施例2
在一个实施例中,本发明提供的一种毒品原植物适生区的评估系统,用于执行实施例1中的评估方法。
本发明提供的一种毒品原植物适生区的评估系统可以实现上述实施例1中任一项的评估方法的步骤和效果,为避免重复,本发明不再赘述。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,通过获取各个地区的土壤温度、土壤湿度、土壤PH值、日照度、气温、气压和降水量,计算出地区对于种植毒品原植物的综合适宜指数,进而根据综合适宜指数确定该地区是否为毒品原植物适合生长区。无需采用无人机进行图像采集,大大降低了评估成本,并且不会受到不法人员为了躲避检查而做出遮掩处理的影响,提升了毒品原植物适生区评估结果的准确性。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种毒品原植物适生区的评估方法,其特征在于,包括:
S101:构建毒品原植物适生区评估体系,所述毒品原植物适生区评估体系包括多个评估指标,所述评估指标包括:土壤温度、土壤湿度、土壤PH值、日照度、气温、气压和降水量;
S102:确定各个所述评估指标的权重;
S103:邀请评估专家确定各个评估指标的最佳区间范围以及最适宜指标值;
S104:获取待评估地区的土壤温度d1、土壤湿度d2、土壤PH值d3、日照度d4、气温d5、气压d6和降水量d7,根据各个评估指标的最佳区间范围以及最适宜指标值/>计算所述待评估地区的各个适宜指数ρi:
其中,所述适宜指数包括土壤温度适宜指数、土壤湿度适宜指数、土壤PH值适宜指数、日照度适宜指数、气温适宜指数、气压适宜指数和降水量适宜指数;
S105:根据各个所述评估指标的权重和各个所述适宜指数,计算综合适宜指数ρ:
其中,n表示评估指标的数量,n=7,表示第i个评估指标的权重,ρi表示第i个指标的适宜指数;
S106:根据所述综合适宜指数确定所述待评估地区的评估结果;
其中,所述S103具体包括:
S1031:获取各个评估专家对于各个评估指标的最佳区间范围;
S1032:根据各个评估指标的最佳区间范围,构建最佳范围矩阵D:
其中,表示第k个评估专家确定的第i个评估指标的下限值,/>表示第k个评估专家确定的第i个评估指标的上限值,k=1,2,…,p,p表示评估专家的数量,i=1,2,…,n,n表示评估指标的数量,n=7;
S1033:获取各个评估专家对于各个指标的下限值排序Π和对于各个指标的上限值排序Γ;
S1034:计算第k个专家确定的指标下限值相对于其他专家确定的指标下限值的接近度ek:
其中,Πk表示第k个评估专家对于各个指标的下限值排序,τ(Πk,Πj)表示第k个评估专家和第j个评估专家的下限值排序之间的逆序数;
S1035:计算第k个专家确定的指标上限值相对于其他专家确定的指标上限值的接近度fk:
其中,Γk表示第k个评估专家对于各个指标的上限值排序,τ(Γk,Γj)表示第k个评估专家和第j个评估专家的上限值排序之间的逆序数;
S1036:计算第k个评估专家确定的指标范围相对于其他专家确定的指标范围的总接近度gk:
gk=ek+fk;
S1037:对总接近度进行标准化处理,得到各所述评估专家的可信度hk:
S1038:确定各个评估指标的最佳区间范围
S1039:获取各个评估专家对于各个评估指标的最佳指标值
S103X:根据各所述评估专家的可信度hk和最佳指标值计算各个指标的最适宜指标值/>
其中,表示第i个指标的最适宜指标值,hk表示第k个评估专家的可信度,/>表示第k个评估专家对第i个指标给出的最佳指标值,p表示评估专家个数。
2.根据权利要求1所述的评估方法,其特征在于,所述S102具体包括:
S1021:通过层次分析法确定各个评估指标的第一权重集合A1;
S1022:通过熵理想点法确定各个评估指标的第二权重集合A2;
S1023:通过标准离差法确定各个评估指标的第三权重集合A3;
S1024:通过专家评估法确定各个评估指标的第四权重集合A4;
S1025:计算所述第一权重集合、所述第二权重集合、所述第三权重集合和所述第四权重集合中权重值的差异性参数Sj:
其中,Sj表示第j个权重集合的标准差,xij表示第j个权重集合中第i个指标的权重值,表示第j个权重集合中各个指标的权重值的平均值,n表示指标的个数,n=7;
S1026:计算参考权重集合A0,A0=[x′1,x′2,…,x′i]:
其中,m表示权重集合的个数,m=4,x′i表示各个权重集合中第i个评估指标的权重值的平均值;
S1027:计算所述第一权重集合、所述第二权重集合、所述第三权重集合和所述第四权重集合中权重值的关联性参数Rj:
其中,ρ表示超参数,ρ∈[0,1];
S1028:根据所述差异性参数Sj和所述关联性参数Rj确定各个权重计算方法的优先级参数Bj:
Bj=Sj·Rj;
S1029:根据所述优先级参数,确定各个权重计算方法的权重wj:
S102X:根据各个权重计算方法的权重wj、所述第一权重集合A1、所述第二权重集合A2、所述第三权重集合A3和所述第四权重集合A4确定最终的权重集合A*,
3.根据权利要求2所述的评估方法,其特征在于,所述S1021具体包括:
S102A:对各个评估指标进行两两比较,结合九级标度法,建立判别矩阵C:
其中,cij表示第i个评估指标相对于第j个评估指标的重要程度,cij的取值可通过九极标度法确定;
S102B:计算判断矩阵C的特征向量和特征值:
Cω=λω→(C-λI)ω;
其中,λ表示判断矩阵C的特征值,ω表示判断矩阵C的特征向量,取最大的特征值记为λmax,与之对应的特征向量为ωmax,ωmax=(ω1,ω2,…,ωn);
S102C:对特征向量进行归一化处理:
其中,归一化后的向量ω′max可用于表征第一权重集合A1,归一化后的向量ω′max的各个分量ω′1,ω′2,…,ω′n分别代表各个评估指标的权重。
4.根据权利要求3所述的评估方法,其特征在于,所述S106具体包括:
S1061;在所述综合适宜指数大于或者等于预设数值的情况下,确定所述待评估地区为毒品原植物适生区;
S1062;在所述综合适宜指数小于所述预设数值的情况下,确定所述待评估地区为非毒品原植物适生区。
5.根据权利要求4所述的评估方法,其特征在于,在所述S106之后,还包括:
S107:在确定所述待评估地区为毒品原植物适生区的情况下,发出警报。
6.一种毒品原植物适生区的评估系统,其特征在于,用于执行权利要求1至5中任一项所述的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310802834.3A CN116823576B (zh) | 2023-06-30 | 2023-06-30 | 一种毒品原植物适生区的评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310802834.3A CN116823576B (zh) | 2023-06-30 | 2023-06-30 | 一种毒品原植物适生区的评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823576A CN116823576A (zh) | 2023-09-29 |
CN116823576B true CN116823576B (zh) | 2023-12-26 |
Family
ID=88121825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310802834.3A Active CN116823576B (zh) | 2023-06-30 | 2023-06-30 | 一种毒品原植物适生区的评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823576B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09282022A (ja) * | 1996-04-18 | 1997-10-31 | Kanegafuchi Chem Ind Co Ltd | プラント運転異常防止システム |
CN102663508A (zh) * | 2012-05-08 | 2012-09-12 | 东北电力科学研究院有限公司 | 基于层次分析法和模糊综合评价的智能电网综合评估系统 |
CN105912871A (zh) * | 2016-04-25 | 2016-08-31 | 中国科学院沈阳应用生态研究所 | 一种北方河岸带植物筛选的综合评价方法 |
KR101686848B1 (ko) * | 2016-09-19 | 2016-12-16 | 주식회사 정도유아이티 | 평가지표의 표준화지수를 이용하여 공원계획을 포함한 도시계획의 기초자료로 제공하기 위한 토지적성평가시스템 |
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN106779279A (zh) * | 2016-11-10 | 2017-05-31 | 广东工业大学 | 一种工业用户能效评估方法及系统 |
CN107122894A (zh) * | 2017-04-14 | 2017-09-01 | 华中师范大学 | 一种组合赋权的教育信息化水平评估方法及系统 |
CN107274297A (zh) * | 2017-06-14 | 2017-10-20 | 贵州中北斗科技有限公司 | 一种土地作物种植适宜性评估方法 |
CN107330413A (zh) * | 2017-07-06 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 一种基于遥感技术的毒品原植物识别方法 |
CN107832982A (zh) * | 2017-12-18 | 2018-03-23 | 广东广业开元科技有限公司 | 一种基于大数据旅游出行评估模型区域适旅指数计算方法 |
CN110232225A (zh) * | 2019-05-28 | 2019-09-13 | 广东中绿园林集团有限公司 | 一种人工浮岛植物综合评价方法 |
CN111105173A (zh) * | 2019-12-31 | 2020-05-05 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植物适宜生长区域评价方法和设备 |
WO2020177232A1 (zh) * | 2019-03-07 | 2020-09-10 | 云南省农业科学院甘蔗研究所 | 一种基于综合适宜度指数的甘蔗种植区划方法 |
KR102351118B1 (ko) * | 2021-04-02 | 2022-01-17 | 아주대학교산학협력단 | 바이오가스 발전 적합도를 평가하는 방법, 이를 이용하는 서버 및 시스템 |
CN114066296A (zh) * | 2021-11-24 | 2022-02-18 | 国网上海市电力公司 | 一种基于能源电力大数据的产业经济发展状况监测方法 |
WO2022099852A1 (zh) * | 2020-11-10 | 2022-05-19 | 广东粤海水务股份有限公司 | 一种城市景观湖泊水生态系统健康评价及诊断方法 |
CN114971227A (zh) * | 2022-05-10 | 2022-08-30 | 河海大学 | 一种基于marcos方法的配电网设备风险评估方法 |
CN115953082A (zh) * | 2023-03-02 | 2023-04-11 | 四川省自然资源科学研究院(四川省生产力促进中心) | 高寒沙地的植物适生性评价筛选方法 |
WO2023116454A1 (zh) * | 2021-12-23 | 2023-06-29 | 深圳先进技术研究院 | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8046306B2 (en) * | 2007-06-29 | 2011-10-25 | Zaio Corporation | System, method, and apparatus for property appraisals |
CN113222406A (zh) * | 2021-05-11 | 2021-08-06 | 国网安徽省电力有限公司电力科学研究院 | 变压器消防灭火系统有效性评估方法及装置 |
-
2023
- 2023-06-30 CN CN202310802834.3A patent/CN116823576B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09282022A (ja) * | 1996-04-18 | 1997-10-31 | Kanegafuchi Chem Ind Co Ltd | プラント運転異常防止システム |
CN102663508A (zh) * | 2012-05-08 | 2012-09-12 | 东北电力科学研究院有限公司 | 基于层次分析法和模糊综合评价的智能电网综合评估系统 |
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN105912871A (zh) * | 2016-04-25 | 2016-08-31 | 中国科学院沈阳应用生态研究所 | 一种北方河岸带植物筛选的综合评价方法 |
KR101686848B1 (ko) * | 2016-09-19 | 2016-12-16 | 주식회사 정도유아이티 | 평가지표의 표준화지수를 이용하여 공원계획을 포함한 도시계획의 기초자료로 제공하기 위한 토지적성평가시스템 |
CN106779279A (zh) * | 2016-11-10 | 2017-05-31 | 广东工业大学 | 一种工业用户能效评估方法及系统 |
CN107122894A (zh) * | 2017-04-14 | 2017-09-01 | 华中师范大学 | 一种组合赋权的教育信息化水平评估方法及系统 |
CN107274297A (zh) * | 2017-06-14 | 2017-10-20 | 贵州中北斗科技有限公司 | 一种土地作物种植适宜性评估方法 |
CN107330413A (zh) * | 2017-07-06 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 一种基于遥感技术的毒品原植物识别方法 |
CN107832982A (zh) * | 2017-12-18 | 2018-03-23 | 广东广业开元科技有限公司 | 一种基于大数据旅游出行评估模型区域适旅指数计算方法 |
WO2020177232A1 (zh) * | 2019-03-07 | 2020-09-10 | 云南省农业科学院甘蔗研究所 | 一种基于综合适宜度指数的甘蔗种植区划方法 |
CN110232225A (zh) * | 2019-05-28 | 2019-09-13 | 广东中绿园林集团有限公司 | 一种人工浮岛植物综合评价方法 |
CN111105173A (zh) * | 2019-12-31 | 2020-05-05 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植物适宜生长区域评价方法和设备 |
WO2022099852A1 (zh) * | 2020-11-10 | 2022-05-19 | 广东粤海水务股份有限公司 | 一种城市景观湖泊水生态系统健康评价及诊断方法 |
KR102351118B1 (ko) * | 2021-04-02 | 2022-01-17 | 아주대학교산학협력단 | 바이오가스 발전 적합도를 평가하는 방법, 이를 이용하는 서버 및 시스템 |
CN114066296A (zh) * | 2021-11-24 | 2022-02-18 | 国网上海市电力公司 | 一种基于能源电力大数据的产业经济发展状况监测方法 |
WO2023116454A1 (zh) * | 2021-12-23 | 2023-06-29 | 深圳先进技术研究院 | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 |
CN114971227A (zh) * | 2022-05-10 | 2022-08-30 | 河海大学 | 一种基于marcos方法的配电网设备风险评估方法 |
CN115953082A (zh) * | 2023-03-02 | 2023-04-11 | 四川省自然资源科学研究院(四川省生产力促进中心) | 高寒沙地的植物适生性评价筛选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116823576A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
CN109543763A (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
US20190087248A1 (en) | Anomaly detection and automated analysis using weighted directed graphs | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN117132778B (zh) | 一种光谱测量校正计算方法及系统 | |
Xiao et al. | Discrimination of organic and conventional rice by chemometric analysis of NIR spectra: a pilot study | |
CN112294341A (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 | |
CN112200042B (zh) | 利用时空生态环境遥感分形分维数分析生态变化趋势方法 | |
Setiadi et al. | Implementation of naïve bayes method in food crops planting recommendation | |
CN115860581A (zh) | 农作物品种适宜性评价方法、装置、设备及存储介质 | |
CN115576981A (zh) | 一种基于有监督算法与无监督算法相结合的异常检测方法 | |
CN117332283B (zh) | 一种中药材生长信息采集分析方法及系统 | |
Raihen et al. | Prediction modeling using deep learning for the classification of grape-type dried fruits | |
CN116823576B (zh) | 一种毒品原植物适生区的评估方法及系统 | |
CN112434662B (zh) | 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法 | |
CN116881652B (zh) | 基于优选负样本和随机森林模型的滑坡易发性评价方法 | |
CN107884744B (zh) | 无源被动式室内定位方法及装置 | |
Walsh et al. | Sampling and statistics in assessment of fresh produce | |
CN115392582A (zh) | 基于增量模糊粗糙集属性约简的作物产量预测方法 | |
Taillardat et al. | Forest-based methods and ensemble model output statistics for rainfall ensemble forecasting | |
Wendelberger et al. | Monitoring Deforestation Using Multivariate Bayesian Online Changepoint Detection with Outliers | |
CN110188735A (zh) | 一种基于高光谱的入侵植物识别方法 | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 | |
Thapa et al. | Modeling clustered survival times of loblolly pine with time-dependent covariates and shared frailties | |
CN117541626B (zh) | 基于深度学习的遥感影像变化检测方法 |
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 |