CN116862320B - 一种农村生态环境评估监管方法、系统及存储介质 - Google Patents
一种农村生态环境评估监管方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116862320B CN116862320B CN202311127618.XA CN202311127618A CN116862320B CN 116862320 B CN116862320 B CN 116862320B CN 202311127618 A CN202311127618 A CN 202311127618A CN 116862320 B CN116862320 B CN 116862320B
- Authority
- CN
- China
- Prior art keywords
- soil quality
- soil
- training
- quality data
- feature vector
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000002689 soil Substances 0.000 claims abstract description 380
- 239000013598 vector Substances 0.000 claims abstract description 177
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 105
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 235000013619 trace mineral Nutrition 0.000 claims description 6
- 239000011573 trace mineral Substances 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 235000021049 nutrient content Nutrition 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000005416 organic matter Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000013441 quality evaluation Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 235000015097 nutrients Nutrition 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本申请公开了一种农村生态环境评估监管方法、系统及存储介质。其首先通过土壤监测传感器组采集被监测土壤的土壤质量数据,接着,对所述被监测土壤的土壤质量数据进行数据预处理与特征提取以得到土壤质量主维度特征向量,然后,基于所述土壤质量主维度特征向量,确定所述被监测土壤的土壤质量是否符合预定标准。这样,可以实现对农村土壤质量的智能化评估,以在土壤质量出现异常时及时采取相应的措施,减少对实验室分析的依赖,提高土壤质量评估的效率和准确性。
Description
技术领域
本申请涉及环境评估领域,且更为具体地,涉及一种农村生态环境评估监管方法、系统及存储介质。
背景技术
农村生态环境评估监管是对农村地区进行环境评估和监管的过程。它旨在评估和监测农村地区的生态环境状况,包括土壤质量、水质、空气质量、生物多样性等,并采取相应的管理和监管措施来保护和改善农村的生态环境。
其中,土壤作为农业生产的基础,土壤质量的好坏直接关系到农作物的生长和产量。目前,对于土壤质量的监测通常需要将采集的土壤样品送往实验室进行分析。然而,传统的实验室分析需要等待一段时间才能得到结果,这意味着无法实时监测土壤质量的变化。此外,由于实验室资源有限,处理大量样品可能会导致效率低下。
因此,期待一种优化的方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种农村生态环境评估监管方法、系统及存储介质。其引入基于土壤监测传感器组的数据采集方法和基于卷积神经网络的数据处理方法,实现对农村土壤质量的智能化评估,以在土壤质量出现异常时及时采取相应的措施,减少对实验室分析的依赖,提高土壤质量评估的效率和准确性。
根据本申请的一个方面,提供了一种农村生态环境评估监管方法,其包括:
通过土壤监测传感器组采集被监测土壤的土壤质量数据;
对所述被监测土壤的土壤质量数据进行数据预处理与特征提取以得到土壤质量主维度特征向量;
以及基于所述土壤质量主维度特征向量,确定所述被监测土壤的土壤质量是否符合预定标准。
根据本申请的另一个方面,提供了一种农村生态环境评估监管系统,其包括:
数据采集模块,用于通过土壤监测传感器组采集被监测土壤的土壤质量数据;
特征提取模块,用于对所述被监测土壤的土壤质量数据进行数据预处理与特征提取以得到土壤质量主维度特征向量;
以及土壤质量判断模块,用于基于所述土壤质量主维度特征向量,确定所述被监测土壤的土壤质量是否符合预定标准。
根据本申请的再一个方面,提供了一种存储介质,所述存储介质中存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行前述的农村生态环境评估监管方法。
与现有技术相比,本申请提供的农村生态环境评估监管方法、系统及存储介质,其首先通过土壤监测传感器组采集被监测土壤的土壤质量数据,接着,对所述被监测土壤的土壤质量数据进行数据预处理与特征提取以得到土壤质量主维度特征向量,然后,基于所述土壤质量主维度特征向量,确定所述被监测土壤的土壤质量是否符合预定标准。这样,可以实现对农村土壤质量的智能化评估,以在土壤质量出现异常时及时采取相应的措施,减少对实验室分析的依赖,提高土壤质量评估的效率和准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的农村生态环境评估监管方法的流程图。
图2为根据本申请实施例的农村生态环境评估监管方法的架构示意图。
图3为根据本申请实施例的农村生态环境评估监管方法的子步骤S120的流程图。
图4为根据本申请实施例的农村生态环境评估监管方法的子步骤S122的流程图。
图5为根据本申请实施例的农村生态环境评估监管方法的子步骤S123的流程图。
图6为根据本申请实施例的农村生态环境评估监管方法进一步包括的训练步骤的流程图。
图7为根据本申请实施例的农村生态环境评估监管系统的框图。
图8为根据本申请实施例的农村生态环境评估监管方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
针对上述技术问题,本申请的技术构思为引入基于土壤监测传感器组的数据采集方法和基于卷积神经网络的数据处理方法,实现对农村土壤质量的智能化评估,以在土壤质量出现异常时及时采取相应的措施,减少对实验室分析的依赖,提高土壤质量评估的效率和准确性。
基于此,图1为根据本申请实施例的农村生态环境评估监管方法的流程图。图2为根据本申请实施例的农村生态环境评估监管方法的架构示意图。如图1和图2所示,根据本申请实施例的农村生态环境评估监管方法,包括步骤:S110,通过土壤监测传感器组采集被监测土壤的土壤质量数据;S120,对所述被监测土壤的土壤质量数据进行数据预处理与特征提取以得到土壤质量主维度特征向量;以及,S130,基于所述土壤质量主维度特征向量,确定所述被监测土壤的土壤质量是否符合预定标准。
相应地,在本申请的技术方案中,首先,通过土壤监测传感器组采集被监测土壤的土壤质量数据,其中,所述土壤质量数据包括土壤PH值、有机质含量值、养分含量值、微量元素含量值、水分含量值、土壤温度值和土壤饱和度,并将所述被监测土壤的土壤质量数据按照数据项样本维度排列为土壤质量数据项输入向量。也就是,将所述离散的土壤质量数据转化为结构化的向量表示。
应可以理解,土壤质量数据的不同数据项之间存在多尺度的关联关系。也就是说,不同的土壤质量指标之间可能存在正向或负向的相关性。例如,土壤pH值通常与养分含量和微量元素含量相关。较高的pH值通常与较高的养分含量和微量元素含量相关,因为在较高的pH值下,土壤中的养分和微量元素更容易释放和吸收。相反,较低的pH值可能导致养分和微量元素的可利用性降低。此外,水分含量和土壤温度相关。具体来说,水分含量和养分含量之间可能存在正向相关关系,因为较高的水分含量有助于养分的溶解和运输。土壤温度也会影响微生物活动和养分转化过程。总之,这些土壤质量数据之间的关联关系是复杂的,了解并捕捉这些关联关系有助于综合评估土壤质量。
而土壤质量数据以固定的数据项样本维度进行排列转化为向量表示,若以传统的一维卷积神经网络模型进行特征提取,可能只能提取相同样本跨度内的数据之间的关联,无法充分捕捉更远距离的数据之间的关联关系。因此,在本申请的技术方案中,期待提取所述土壤质量数据项输入向量的多尺度关联特征信息以得到第一尺度土壤质量数据关联特征向量和第二尺度土壤质量数据关联特征向量。
在本申请的一个具体示例中,提取所述土壤质量数据项输入向量的多尺度关联特征信息以得到第一尺度土壤质量数据关联特征向量和第二尺度土壤质量数据关联特征向量的编码过程,包括:先将所述土壤质量数据项输入向量通过基于第一卷积层的土壤数据项关联特征提取器以得到第一尺度土壤质量数据关联特征向量;同时,将所述土壤质量数据项输入向量通过基于第二卷积层的土壤数据项关联特征提取器以得到第二尺度土壤质量数据关联特征向量,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。也就是,分别采用具有不同尺度的一维卷积核的卷积层来提取不同样本跨度下的土壤质量数据之间的关联关系。
然后,基于所述第一尺度土壤质量数据关联特征向量和所述第二尺度土壤质量数据关联特征向量之间的相似性关联,提取所述土壤质量主维度特征向量。
在本申请的一个具体示例中,基于所述第一尺度土壤质量数据关联特征向量和所述第二尺度土壤质量数据关联特征向量之间的相似性关联,提取所述土壤质量主维度特征向量的编码过程,包括:先构造所述第一尺度土壤质量数据关联特征向量和所述第二尺度土壤质量数据关联特征向量之间的协方差矩阵;随后,对所述协方差矩阵进行基于特征值的矩阵分解以得到由多个特征值组成的土壤质量主维度特征向量。也就是,利用协方差矩阵来衡量所述第一尺度土壤质量数据关联特征向量和所述第二尺度土壤质量数据关联特征向量之间的相似度,以构建两者之间的关联关系。
相应地,如图3所示,对所述被监测土壤的土壤质量数据进行数据预处理与特征提取以得到土壤质量主维度特征向量,包括:S121,将所述被监测土壤的土壤质量数据按照数据项样本维度排列为土壤质量数据项输入向量;S122,提取所述土壤质量数据项输入向量的多尺度关联特征信息以得到第一尺度土壤质量数据关联特征向量和第二尺度土壤质量数据关联特征向量;以及,S123,基于所述第一尺度土壤质量数据关联特征向量和所述第二尺度土壤质量数据关联特征向量之间的相似性关联,提取所述土壤质量主维度特征向量。
更具体地,在步骤S122中,如图4所示,提取所述土壤质量数据项输入向量的多尺度关联特征信息以得到第一尺度土壤质量数据关联特征向量和第二尺度土壤质量数据关联特征向量,包括:S1221,将所述土壤质量数据项输入向量通过基于第一卷积层的土壤数据项关联特征提取器以得到所述第一尺度土壤质量数据关联特征向量;以及,S1222,将所述土壤质量数据项输入向量通过基于第二卷积层的土壤数据项关联特征提取器以得到所述第二尺度土壤质量数据关联特征向量,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。应可以理解,第一卷积层和第二卷积层是卷积神经网络(Convolutional Neural Network, CNN)的组成部分,用于提取土壤质量数据的特征。第一卷积层使用具有与第二卷积层不同尺度的一维卷积核,这意味着卷积核的大小和形状不同,可以捕捉不同尺度的特征,通过这个卷积层,可以提取出第一尺度的土壤质量数据关联特征向量。类似地,第二卷积层也使用具有不同尺度的一维卷积核,但与第一卷积层不同,通过这个卷积层,可以提取出第二尺度的土壤质量数据关联特征向量。这样,通过使用不同尺度的卷积核和卷积层,可以从土壤质量数据中提取不同尺度的特征信息,以获得更全面和准确的土壤质量数据关联特征向量。
更具体地,在步骤S123中,如图5所示,基于所述第一尺度土壤质量数据关联特征向量和所述第二尺度土壤质量数据关联特征向量之间的相似性关联,提取所述土壤质量主维度特征向量,包括:S1231,构造所述第一尺度土壤质量数据关联特征向量和所述第二尺度土壤质量数据关联特征向量之间的协方差矩阵;以及,S1232,对所述协方差矩阵进行基于特征值的矩阵分解以得到由多个特征值组成的所述土壤质量主维度特征向量。应可以理解,协方差矩阵是一个对称矩阵,由第一尺度土壤质量数据关联特征向量和第二尺度土壤质量数据关联特征向量之间的协方差构成,协方差矩阵的元素描述了两个特征向量之间的线性关系。通过对协方差矩阵进行特征值分解,可以得到一组特征值和对应的特征向量,特征值表示了协方差矩阵在相应特征向量方向上的方差大小,而特征向量表示了协方差矩阵中的主要方向,土壤质量主维度特征向量是由具有最大特征值的特征向量组成的。通过提取土壤质量的主维度特征向量,可以获得对土壤质量最具代表性的特征信息,从而更好地理解和描述土壤质量的特征。
进一步地,将所述土壤质量主维度特征向量通过分类器以得到分类结果,所述分类结果用于表示被监测土壤的土壤质量是否符合预定标准。相应地,基于所述土壤质量主维度特征向量,确定所述被监测土壤的土壤质量是否符合预定标准,包括:将所述土壤质量主维度特征向量通过分类器以得到分类结果,所述分类结果用于表示所述被监测土壤的土壤质量是否符合预定标准。
也就是,在本公开的技术方案中,所述分类器的标签包括所述被监测土壤的土壤质量符合预定标准(第一标签),以及,所述被监测土壤的土壤质量不符合预定标准(第二标签),其中,所述分类器通过软最大值函数来确定所述土壤质量主维度特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“所述被监测土壤的土壤质量是否符合预定标准”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,所述被监测土壤的土壤质量是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“所述被监测土壤的土壤质量是否符合预定标准”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,将所述土壤质量主维度特征向量通过分类器以得到分类结果,所述分类结果用于表示所述被监测土壤的土壤质量是否符合预定标准,包括:使用所述分类器的全连接层对所述土壤质量主维度特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
进一步地,在本申请的技术方案中,所述的农村生态环境评估监管方法,其还包括训练步骤:对所述基于第一卷积层的土壤数据项关联特征提取器、所述基于第二卷积层的土壤数据项关联特征提取器和所述分类器进行训练。应可以理解,训练步骤在农村生态环境评估监管方法中起着关键作用。通过训练,模型可以学习并提取土壤数据项的关联特征,并将其与特定的生态环境评估指标进行关联。训练步骤的主要作用如下:1.特征提取器训练:基于第一卷积层和第二卷积层的土壤数据项关联特征提取器需要通过训练来学习有效的特征表示,这些特征提取器能够自动地从原始土壤数据中提取有用的特征,以便后续的分类器可以更好地进行分类和评估;2.分类器训练:分类器是用来对土壤样本进行分类和评估的关键组件,在训练过程中,分类器会利用已标记的土壤样本数据和其对应的生态环境评估结果进行学习,通过训练,分类器能够学习到不同土壤特征与生态环境评估指标之间的关系,并能够对未标记的土壤样本进行准确的分类和评估。通过训练步骤,技术方案可以建立一个准确、可靠的模型,用于对农村生态环境进行评估和监管。这样的模型可以帮助决策者和监管机构更好地了解农村地区的生态环境状况,并采取相应的措施来保护和改善农村生态环境。
其中,在一个具体示例中,如图6所示,所述训练步骤,包括:S210,获取训练数据,所述训练数据包括被监测土壤的训练土壤质量数据,以及,所述被监测土壤的土壤质量是否符合预定标准的真实值;S220,将所述被监测土壤的训练土壤质量数据按照数据项样本维度排列为训练土壤质量数据项输入向量;S230,将所述训练土壤质量数据项输入向量通过所述基于第一卷积层的土壤数据项关联特征提取器以得到训练第一尺度土壤质量数据关联特征向量;S240,将所述训练土壤质量数据项输入向量通过所述基于第二卷积层的土壤数据项关联特征提取器以得到训练第二尺度土壤质量数据关联特征向量,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核;S250,构造所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量之间的训练协方差矩阵;S260,对所述训练协方差矩阵进行基于特征值的矩阵分解以得到由多个特征值组成的训练土壤质量主维度特征向量;S270,将所述训练土壤质量主维度特征向量通过分类器以得到分类损失函数值;S280,计算所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量的共有流形隐式相似性因数;以及,S290,以所述分类损失函数值和所述共有流形隐式相似性因数的加权和作为损失函数值,来对所述基于第一卷积层的土壤数据项关联特征提取器、所述基于第二卷积层的土壤数据项关联特征提取器和所述分类器进行训练。
特别地,在本申请的技术方案中,所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量分别表达所述被监测土壤的训练土壤质量数据的不同尺度下的一维局部数据间参数值关联特征,因此,在所述第一卷积层和第二卷积层独立训练的情况下,需要所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量在不同尺度模态下的特征表达在高维特征空间内的特征流形差异尽可能小,从而提升所述训练协方差矩阵的高维特征流形的几何单调性,以避免对所述训练协方差矩阵进行基于特征值的矩阵分解得到的多个特征值的离散性导致所述训练土壤质量主维度特征向量通过分类器进行分类回归时的收敛困难。
基于此,本申请的申请人针对所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量/>引入特征向量的共有流形隐式相似性因数作为损失函数。应可以理解,引入特征向量的共有流形隐式相似性因数作为损失函数的目的是为了优化特征提取器的学习过程,并增强其对土壤质量数据的表征能力。通过引入共有流形隐式相似性因数,损失函数可以促使特征向量/>和/>在特征空间中具有一定的相似性。这意味着,对于相似的土壤样本,它们在特征向量空间中的表示也应该是相似的,通过最小化损失函数,特征提取器可以学习到更好的特征表示,使得具有相似土壤质量的样本在特征空间中更加接近。引入共有流形隐式相似性因数的损失函数还可以促使特征向量在特征空间中具有一定的连续性。这意味着,相邻的土壤样本在特征向量空间中的表示也应该是相邻的,通过最小化损失函数,特征提取器可以学习到更加平滑的特征表示,使得特征空间中相邻的样本具有相似的特征向量。通过引入共有流形隐式相似性因数作为损失函数,可以优化特征提取器的学习过程,使其能够更好地表征土壤质量数据的特征,并提高分类器的准确性和鲁棒性。
相应地,在一个具体示例中,计算所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量的共有流形隐式相似性因数,包括:以如下损失公式计算所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量的所述共有流形隐式相似性因数;其中,所述损失公式为:
其中,表示所述训练第一尺度土壤质量数据关联特征向量,/>表示所述训练第二尺度土壤质量数据关联特征向量,/>表示转置操作,/>表示向量的二范数,且/>表示矩阵的Frobenius范数的平方根,特征向量/>和/>均为列向量形式,/>、/>、/>和/>为权重超参数,/>表示向量乘法,/>表示按位置点乘,/>表示按位置差分,/>表示所述共有流形隐式相似性因数。
这里,所述共有流形隐式相似性因数可以以所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量/>间的结构化关联来表示各自特征流形在交叉维度下的共有流形,并以相同因数化权重来共享特征向量的差异性、对应性、关联性等流形结构性因素的共同约束,从而对依赖共有流形的几何衍生结构表示的分布相似性进行度量,以实现跨尺度模态特征间的特征关联融合的非线性几何单调性,以提升所述训练协方差矩阵的高维特征流形的几何单调性,避免所述训练土壤质量主维度特征向量通过分类器进行分类回归时的收敛困难。
综上,基于本申请实施例的农村生态环境评估监管方法被阐明,其可以实现对农村土壤质量的智能化评估,以在土壤质量出现异常时及时采取相应的措施,减少对实验室分析的依赖,提高土壤质量评估的效率和准确性。
图7为根据本申请实施例的农村生态环境评估监管系统100的框图。如图7所示,根据本申请实施例的农村生态环境评估监管系统100,包括:数据采集模块110,用于通过土壤监测传感器组采集被监测土壤的土壤质量数据;特征提取模块120,用于对所述被监测土壤的土壤质量数据进行数据预处理与特征提取以得到土壤质量主维度特征向量;以及,土壤质量判断模块130,用于基于所述土壤质量主维度特征向量,确定所述被监测土壤的土壤质量是否符合预定标准。
这里,本领域技术人员可以理解,上述农村生态环境评估监管系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的农村生态环境评估监管方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的农村生态环境评估监管系统100可以实现在各种无线终端中,例如具有农村生态环境评估监管算法的服务器等。在一个示例中,根据本申请实施例的农村生态环境评估监管系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该农村生态环境评估监管系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该农村生态环境评估监管系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该农村生态环境评估监管系统100与该无线终端也可以是分立的设备,并且该农村生态环境评估监管系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图8为根据本申请实施例的农村生态环境评估监管方法的应用场景图。如图8所示,在该应用场景中,首先,通过土壤监测传感器组(例如,图8中所示意的C)采集被监测土壤的土壤质量数据(例如,图8中所示意的D),然后,将所述被监测土壤的土壤质量数据输入至部署有农村生态环境评估监管算法的服务器中(例如,图8中所示意的S),其中,所述服务器能够使用所述农村生态环境评估监管算法对所述被监测土壤的土壤质量数据进行处理以得到用于表示所述被监测土壤的土壤质量是否符合预定标准的分类结果。
根据本申请的另一方面,还提供了一种存储介质,其特征在于,所述存储介质中存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如前述任一项所述的农村生态环境评估监管方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (5)
1.一种农村生态环境评估监管方法,其特征在于,包括:
通过土壤监测传感器组采集被监测土壤的土壤质量数据;
对所述被监测土壤的土壤质量数据进行数据预处理与特征提取以得到土壤质量主维度特征向量;
以及基于所述土壤质量主维度特征向量,确定所述被监测土壤的土壤质量是否符合预定标准;
对所述被监测土壤的土壤质量数据进行数据预处理与特征提取以得到土壤质量主维度特征向量,包括:
将所述被监测土壤的土壤质量数据按照数据项样本维度排列为土壤质量数据项输入向量;
提取所述土壤质量数据项输入向量的多尺度关联特征信息以得到第一尺度土壤质量数据关联特征向量和第二尺度土壤质量数据关联特征向量;
以及基于所述第一尺度土壤质量数据关联特征向量和所述第二尺度土壤质量数据关联特征向量之间的相似性关联,提取所述土壤质量主维度特征向量;
提取所述土壤质量数据项输入向量的多尺度关联特征信息以得到第一尺度土壤质量数据关联特征向量和第二尺度土壤质量数据关联特征向量,包括:
将所述土壤质量数据项输入向量通过基于第一卷积层的土壤数据项关联特征提取器以得到所述第一尺度土壤质量数据关联特征向量;
以及将所述土壤质量数据项输入向量通过基于第二卷积层的土壤数据项关联特征提取器以得到所述第二尺度土壤质量数据关联特征向量,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核;
基于所述土壤质量主维度特征向量,确定所述被监测土壤的土壤质量是否符合预定标准,包括:
将所述土壤质量主维度特征向量通过分类器以得到分类结果,所述分类结果用于表示所述被监测土壤的土壤质量是否符合预定标准;
所述方法还包括训练步骤:对所述基于第一卷积层的土壤数据项关联特征提取器、所述基于第二卷积层的土壤数据项关联特征提取器和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括被监测土壤的训练土壤质量数据,以及,所述被监测土壤的土壤质量是否符合预定标准的真实值;
将所述被监测土壤的训练土壤质量数据按照数据项样本维度排列为训练土壤质量数据项输入向量;
将所述训练土壤质量数据项输入向量通过所述基于第一卷积层的土壤数据项关联特征提取器以得到训练第一尺度土壤质量数据关联特征向量;
将所述训练土壤质量数据项输入向量通过所述基于第二卷积层的土壤数据项关联特征提取器以得到训练第二尺度土壤质量数据关联特征向量,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核;
构造所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量之间的训练协方差矩阵;
对所述训练协方差矩阵进行基于特征值的矩阵分解以得到由多个特征值组成的训练土壤质量主维度特征向量;
将所述训练土壤质量主维度特征向量通过分类器以得到分类损失函数值;
计算所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量的共有流形隐式相似性因数;
以及以所述分类损失函数值和所述共有流形隐式相似性因数的加权和作为损失函数值,来对所述基于第一卷积层的土壤数据项关联特征提取器、所述基于第二卷积层的土壤数据项关联特征提取器和所述分类器进行训练;
计算所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量的共有流形隐式相似性因数,包括:
以如下损失公式计算所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量的所述共有流形隐式相似性因数;
其中,所述损失公式为:
;
;
;
其中,表示所述训练第一尺度土壤质量数据关联特征向量,/>表示所述训练第二尺度土壤质量数据关联特征向量,/>表示转置操作,/>表示向量的二范数,且/>表示矩阵的Frobenius范数的平方根,特征向量/>和/>均为列向量形式,/>、/>、/>和/>为权重超参数,/>表示向量乘法,/>表示按位置点乘,/>表示按位置差分,/>表示所述共有流形隐式相似性因数。
2.根据权利要求1所述的农村生态环境评估监管方法,其特征在于,所述土壤质量数据包括土壤PH值、有机质含量值、养分含量值、微量元素含量值、水分含量值、土壤温度值和土壤饱和度。
3.根据权利要求2所述的农村生态环境评估监管方法,其特征在于,基于所述第一尺度土壤质量数据关联特征向量和所述第二尺度土壤质量数据关联特征向量之间的相似性关联,提取所述土壤质量主维度特征向量,包括:
构造所述第一尺度土壤质量数据关联特征向量和所述第二尺度土壤质量数据关联特征向量之间的协方差矩阵;
以及对所述协方差矩阵进行基于特征值的矩阵分解以得到由多个特征值组成的所述土壤质量主维度特征向量。
4.一种农村生态环境评估监管系统,其特征在于,包括:
数据采集模块,用于通过土壤监测传感器组采集被监测土壤的土壤质量数据;
特征提取模块,用于对所述被监测土壤的土壤质量数据进行数据预处理与特征提取以得到土壤质量主维度特征向量;
以及土壤质量判断模块,用于基于所述土壤质量主维度特征向量,确定所述被监测土壤的土壤质量是否符合预定标准;
所述特征提取模块,还用于:
将所述被监测土壤的土壤质量数据按照数据项样本维度排列为土壤质量数据项输入向量;
提取所述土壤质量数据项输入向量的多尺度关联特征信息以得到第一尺度土壤质量数据关联特征向量和第二尺度土壤质量数据关联特征向量;
以及基于所述第一尺度土壤质量数据关联特征向量和所述第二尺度土壤质量数据关联特征向量之间的相似性关联,提取所述土壤质量主维度特征向量;
所述特征提取模块,还用于:
将所述土壤质量数据项输入向量通过基于第一卷积层的土壤数据项关联特征提取器以得到所述第一尺度土壤质量数据关联特征向量;
以及将所述土壤质量数据项输入向量通过基于第二卷积层的土壤数据项关联特征提取器以得到所述第二尺度土壤质量数据关联特征向量,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核;
所述土壤质量判断模块,还用于:
将所述土壤质量主维度特征向量通过分类器以得到分类结果,所述分类结果用于表示所述被监测土壤的土壤质量是否符合预定标准;
所述系统还包括训练模块:用于对所述基于第一卷积层的土壤数据项关联特征提取器、所述基于第二卷积层的土壤数据项关联特征提取器和所述分类器进行训练;
其中,所述训练模块,用于:
获取训练数据,所述训练数据包括被监测土壤的训练土壤质量数据,以及,所述被监测土壤的土壤质量是否符合预定标准的真实值;
将所述被监测土壤的训练土壤质量数据按照数据项样本维度排列为训练土壤质量数据项输入向量;
将所述训练土壤质量数据项输入向量通过所述基于第一卷积层的土壤数据项关联特征提取器以得到训练第一尺度土壤质量数据关联特征向量;
将所述训练土壤质量数据项输入向量通过所述基于第二卷积层的土壤数据项关联特征提取器以得到训练第二尺度土壤质量数据关联特征向量,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核;
构造所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量之间的训练协方差矩阵;
对所述训练协方差矩阵进行基于特征值的矩阵分解以得到由多个特征值组成的训练土壤质量主维度特征向量;
将所述训练土壤质量主维度特征向量通过分类器以得到分类损失函数值;
计算所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量的共有流形隐式相似性因数;
以及以所述分类损失函数值和所述共有流形隐式相似性因数的加权和作为损失函数值,来对所述基于第一卷积层的土壤数据项关联特征提取器、所述基于第二卷积层的土壤数据项关联特征提取器和所述分类器进行训练;
以如下损失公式计算所述训练第一尺度土壤质量数据关联特征向量和所述训练第二尺度土壤质量数据关联特征向量的所述共有流形隐式相似性因数;
其中,所述损失公式为:
;
;
;
其中,表示所述训练第一尺度土壤质量数据关联特征向量,/>表示所述训练第二尺度土壤质量数据关联特征向量,/>表示转置操作,/>表示向量的二范数,且/>表示矩阵的Frobenius范数的平方根,特征向量/>和/>均为列向量形式,/>、/>、/>和/>为权重超参数,/>表示向量乘法,/>表示按位置点乘,/>表示按位置差分,/>表示所述共有流形隐式相似性因数。
5.一种存储介质,其特征在于,所述存储介质中存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1-3中任一项所述的农村生态环境评估监管方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127618.XA CN116862320B (zh) | 2023-09-04 | 2023-09-04 | 一种农村生态环境评估监管方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127618.XA CN116862320B (zh) | 2023-09-04 | 2023-09-04 | 一种农村生态环境评估监管方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116862320A CN116862320A (zh) | 2023-10-10 |
CN116862320B true CN116862320B (zh) | 2023-11-14 |
Family
ID=88236295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311127618.XA Active CN116862320B (zh) | 2023-09-04 | 2023-09-04 | 一种农村生态环境评估监管方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862320B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540908A (zh) * | 2023-11-07 | 2024-02-09 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和系统 |
CN117541129B (zh) * | 2024-01-10 | 2024-04-09 | 四川省华地建设工程有限责任公司 | 一种土壤质量的评估方法及系统 |
CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380771A (zh) * | 2020-11-17 | 2021-02-19 | 甘肃省祁连山水源涵养林研究院 | 一种土壤侵蚀评估方法、装置及服务器 |
CN114565580A (zh) * | 2022-03-01 | 2022-05-31 | 广西壮族自治区林业科学研究院 | 使用图像和传感结合进行土壤数据采集的方法及装置 |
CN115828095A (zh) * | 2022-11-28 | 2023-03-21 | 东南大学 | 基于一维力数据和自注意力机制的土壤类型在线识别方法及系统 |
CN115909154A (zh) * | 2022-11-18 | 2023-04-04 | 重庆大学 | 一种土壤环境检测样品筛分装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2023
- 2023-09-04 CN CN202311127618.XA patent/CN116862320B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380771A (zh) * | 2020-11-17 | 2021-02-19 | 甘肃省祁连山水源涵养林研究院 | 一种土壤侵蚀评估方法、装置及服务器 |
CN114565580A (zh) * | 2022-03-01 | 2022-05-31 | 广西壮族自治区林业科学研究院 | 使用图像和传感结合进行土壤数据采集的方法及装置 |
CN115909154A (zh) * | 2022-11-18 | 2023-04-04 | 重庆大学 | 一种土壤环境检测样品筛分装置 |
CN115828095A (zh) * | 2022-11-28 | 2023-03-21 | 东南大学 | 基于一维力数据和自注意力机制的土壤类型在线识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116862320A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116862320B (zh) | 一种农村生态环境评估监管方法、系统及存储介质 | |
CN111898095A (zh) | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 | |
CN116010713A (zh) | 基于云计算的创新创业平台服务数据处理方法及系统 | |
CN111598167B (zh) | 基于图学习的小样本图像识别方法及系统 | |
CN116451139B (zh) | 一种基于人工智能的直播数据快速分析方法 | |
CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
Horak et al. | Classification of SURF image features by selected machine learning algorithms | |
CN116663568B (zh) | 基于优先级的关键任务识别系统及其方法 | |
CN116777006A (zh) | 基于样本缺失标签增强的多标签学习方法、装置和设备 | |
CN109324595B (zh) | 一种基于增量pca的工业监测数据分类方法 | |
CN114463587A (zh) | 一种异常数据检测方法、装置、设备及存储介质 | |
CN111669820B (zh) | 一种密度峰值异常检测方法及智能无源室内定位方法 | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN116520154A (zh) | 锂电池极片检测的性能评估方法及其系统 | |
CN117218408A (zh) | 基于因果纠偏学习的开放世界目标检测方法及装置 | |
CN116624903A (zh) | 一种用于油烟管道的智能监测方法及系统 | |
CN115909403A (zh) | 基于深度学习的低成本高精度猪脸识别方法 | |
CN111832426B (zh) | 基于双稀疏迁移学习的跨库微表情识别方法及装置 | |
CN115512174A (zh) | 应用二次IoU损失函数的无锚框目标检测方法 | |
CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
Li et al. | Rapid and high-purity seed grading based on pruned deep convolutional neural network | |
CN117078604B (zh) | 无人实验室智能管理方法及系统 | |
CN116611453B (zh) | 基于大数据的智能派单跟单方法及系统、存储介质 | |
CN117575485B (zh) | 一种基于可视化的智慧调度方法、系统及存储介质 |
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 |