CN116882638B - 一种全氟化合物污染监测设备的管理方法及系统 - Google Patents
一种全氟化合物污染监测设备的管理方法及系统 Download PDFInfo
- Publication number
- CN116882638B CN116882638B CN202311146096.8A CN202311146096A CN116882638B CN 116882638 B CN116882638 B CN 116882638B CN 202311146096 A CN202311146096 A CN 202311146096A CN 116882638 B CN116882638 B CN 116882638B
- Authority
- CN
- China
- Prior art keywords
- equipment
- perfluorocompound
- pollution monitoring
- data
- class
- 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 228
- 238000007726 management method Methods 0.000 title claims abstract description 24
- -1 perfluoro compound Chemical class 0.000 title description 16
- 150000001875 compounds Chemical class 0.000 claims abstract description 148
- 239000002689 soil Substances 0.000 claims abstract description 138
- 238000009434 installation Methods 0.000 claims abstract description 96
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012806 monitoring device Methods 0.000 claims description 45
- 230000005540 biological transmission Effects 0.000 claims description 44
- 238000004088 simulation Methods 0.000 claims description 43
- 238000005265 energy consumption Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012876 topography Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 82
- 230000002159 abnormal effect Effects 0.000 description 10
- 230000007704 transition Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011109 contamination Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 125000001153 fluoro group Chemical group F* 0.000 description 2
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Hardware Design (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种全氟化合物污染监测设备的管理方法及系统，包括以下步骤：对土壤区域的遥感数据和地理信息数据进行隶属度计算，得到污染土壤区域，在所述污染土壤区域内对全氟化合物浓度大小、设备安装可行性分析结果、全氟化合物污染监测设备监测范围和全氟化合物污染监测设备的信号通道进行分析，确定全氟化合物污染监测设备的最终安装点。
Description
技术领域
本发明涉及设备管理领域，特别是一种全氟化合物污染监测设备的管理方法及系统。
背景技术
全氟化合物指一种化合物中的氢原子被氟原子所替代，这类化合物被称为全氟化合物，由于全氟化合物具有极高疏水性、热稳定性和耐化学腐蚀性，所以全氟化合物有很高的环境持久性，在土壤中长期积累会影响环境，所以需要对全氟化合物污染进行监测，而全氟化合物污染监测需要用上全氟化合物污染监测设备。由于土壤区域面积较大，为节省资源，提高经济效益，更高效的对土壤进行全氟化合物污染监测，所以需要确定全氟化合物污染监测设备的最佳安装位置和安装数量，并确定全氟化合物污染监测设备的信号通道方向。
发明内容
本发明克服了现有技术的不足，提供了一种全氟化合物污染监测设备的管理方法及系统。
为达到上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种全氟化合物污染监测设备的管理方法，包括以下步骤：
对土壤所在区域进行遥感分析得到遥感数据，并对遥感数据与土壤所在区域的地理信息数据进行数据隶属度计算，得到污染土壤区域；
对污染土壤区域进行全氟化合物浓度分析及设备安装可行性分析，得到B类设备安装点；
构建全氟化合物监测仿真模型，在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备的监测范围进行分析，得到全氟化合物污染监测设备布点图；
基于全氟化合物污染监测设备布点图，获取全氟化合物污染监测设备的最佳信号通道方向并确定全氟化合物污染监测设备的最终安装点。
进一步的，本发明的一个较佳实施例中，所述对土壤所在区域进行遥感分析得到遥感数据，并对遥感数据与土壤所在区域的地理信息数据进行数据隶属度计算，得到污染土壤区域，具体为：
在无人机上搭载高光谱遥感监测仪，所述高光谱遥感监测仪获取土壤所在区域表面的光谱特征信息，并基于大数据检索获取全氟化合物的光谱特征信息；
在大数据检索中获取土壤区域的地理信息数据，所述土壤区域的地理信息数据包括地下水流动方向、土壤区域地形地貌及土壤区域周边环境因子；
将所述土壤所在区域表面的光谱特征信息、全氟化合物的光谱特征信息和土壤区域的地理信息数据结合为数据集，基于所述数据集，定义为不同的簇，对每个簇的权重进行初始化；
预设簇中心点，计算数据集中每个数据点与每个簇的簇中心点的欧氏距离，得到每个数据点对于每个簇的隶属度，基于所述每个数据点对于每个簇的隶属度，对簇中心点进行调整，并基于调整后的簇中心点，对每个数据点进行隶属度的重新计算；
当每个数据点的隶属度达到预设范围，停止计算，输出每个数据点对与每个簇的隶属度，基于所述每个数据点对与每个簇的隶属度，在土壤区域内确定污染土壤位置。
进一步的，本发明的一个较佳实施例中，所述对污染土壤区域进行全氟化合物浓度分析及设备安装可行性分析，得到B类设备安装点，具体为：
基于土壤区域的分布情况，对所述土壤区域进行网格化划分，并获取污染土壤子区域，对所述污染土壤子区域进行污染土壤样本提取，并对污染土壤样本内的全氟化合物浓度进行检测，得到各污染土壤子区域的全氟化合物浓度，并对所述各污染土壤子区域的全氟化合物浓度进行浓度排序，得到浓度排序表；
预设全氟化合物监测浓度，对浓度排序表中全氟化合物浓度大于所述全氟化合物监测浓度的污染土壤子区域的中心点定义为A类设备安装点；
基于所述土壤区域的地理信息数据，获取A类设备安装点的地理信息数据，基于所述A类设备安装点的地理信息数据，对A类设备安装点进行设备安装可行性分析，基于设备安装可行性分析结果，在所述A类设备安装点中剔除设备不可安装点，得到B类设备安装点，并将所述设备不可安装点定义为初始设备不可安装点。
进一步的，本发明的一个较佳实施例中，所述构建全氟化合物监测仿真模型，在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备的监测范围进行分析，得到全氟化合物污染监测设备布点图，具体为：
基于全氟化合物污染监测设备的生产图纸，获取全氟化合物污染监测设备额定工作参数和全氟化合物污染监测设备尺寸数据；
将所述污染土壤位置、全氟化合物污染监测设备额定工作参数和全氟化合物污染监测设备尺寸数据导入仿真软件中，得到全氟化合物监测仿真模型；
基于所述全氟化合物监测仿真模型，在与B类设备安装点对应的区域中模拟安装并运行全氟化合物污染监测设备，定义为一类设备，若全氟化合物监测仿真模型中存在未被监测区域，则在含未被监测区域的网格中心点内模拟安装并运行全氟化合物污染监测设备，定义为二类设备；
基于二类设备的安装点，得到二类设备布点图，启动所有的二类设备，对所述二类设备布点图导入卷积神经网络中进行监测范围分析，并去除监测范围重复的二类设备；
将B类设备安装点与剩下的二类设备的安装点结合，得到全氟化合物污染监测设备布点图。
进一步的，本发明的一个较佳实施例中，所述基于全氟化合物污染监测设备布点图，获取全氟化合物污染监测设备的最佳信号通道方向并确定全氟化合物污染监测设备的最终安装点，具体为：
基于所述全氟化合物污染监测设备布点图，在全氟化合物监测仿真模型中模拟安装并运行全氟化合物污染监测设备；
所有全氟化合物污染监测设备之间使用蓝牙连接，且所有全氟化合物污染监测设备之间存在信号通道，全氟化合物污染监测设备通过信号通道向其他全氟化合物污染监测设备传输监测信息；
将信号通道交汇处定义为信息集合点，对所述信息集合点进行初始化处理并计算所述信息集合点内的能耗值；
在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备调整信号通道方向，实时监控信息集合点内的能耗值，记录信息集合点内的能耗值达到预设值时的全氟化合物污染监测设备信号通道方向，定义为待检测信号通道，并获取待检测信号通道集；
将所述待检测信号通道方向集导入卷积神经网络模型中进行预测处理，得到能耗值预测数据，基于所述能耗值预测数据，构建能耗值变化表；
基于所有待检测信号通道的环境参数，获取所有待检测信号通道的传输特性；
基于所有待检测信号通道的传输特性和能耗值变化表，将能耗值变化最小的全氟化合物污染监测设备信号通道方向标定为最佳信号通道方向；
基于所述全氟化合物污染监测设备布点图和最佳信号通道方向，确定全氟化合物污染监测设备的最终安装点。
进一步的，本发明的一个较佳实施例中，所述基于所有待检测信号通道的环境参数，获取所有待检测信号通道的传输特性，具体为：
通过大数据检索，获取待检测信号通道的环境参数，所述待检测信号通道的环境参数包括气象数据和地形地貌数据；
获取所有气象数据和地形地貌数据下待检测信号通道的历史传输特性，并将所述历史传输特性导入卷积神经网络模型的卷积层、池化层中进行训练，并使用交叉熵函数对所述历史传输特性进行反向训练直至误差收敛，得到传输特性预测模型；
将所述待检测信号通道的环境参数导入传输特性预测模型，得到待检测信号通道预测传输特性。
本发明第二方面还提供了一种全氟化合物污染监测设备的管理系统，所述管理系统包括存储器与处理器，所述存储器中储存有一种全氟化合物污染监测设备的管理方法，所述一种全氟化合物污染监测设备的管理方法被所述处理器执行时，实现如下步骤：
对土壤所在区域进行遥感分析得到遥感数据，并对遥感数据与土壤所在区域的地理信息数据进行数据隶属度计算，得到污染土壤区域；
对污染土壤区域进行全氟化合物浓度分析及设备安装可行性分析，得到B类设备安装点；
构建全氟化合物监测仿真模型，在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备的监测范围进行分析，得到全氟化合物污染监测设备布点图；
基于全氟化合物污染监测设备布点图，获取全氟化合物污染监测设备的最佳信号通道方向并确定全氟化合物污染监测设备的最终安装点。
本发明解决的背景技术中存在的技术缺陷，本发明具备以下有益效果：对土壤区域的遥感数据和地理信息数据进行隶属度计算，得到污染土壤区域，在所述污染土壤区域内对全氟化合物浓度大小、设备安装可行性分析结果、全氟化合物污染监测设备监测范围和全氟化合物污染监测设备的信号通道进行分析，确定全氟化合物污染监测设备的最终安装点。本发明能够基于环境因素和全氟化合物污染监测设备本身的特性，确定全氟化合物污染监测设备的最终安装点，提高监测效率，符合经济效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1示出了一种全氟化合物污染监测设备的管理方法的流程图；
图2示出了获取全氟化合物污染监测设备的最佳信号通道方向的流程图；
图3示出了一种全氟化合物污染监测设备的管理系统的视图。
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示出了一种全氟化合物污染监测设备的管理方法的流程图，包括以下步骤：
S102：对土壤所在区域进行遥感分析得到遥感数据，并对遥感数据与土壤所在区域的地理信息数据进行数据隶属度计算，得到污染土壤区域；
S104：对污染土壤区域进行全氟化合物浓度分析及设备安装可行性分析，得到B类设备安装点；
S106：构建全氟化合物监测仿真模型，在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备的监测范围进行分析，得到全氟化合物污染监测设备布点图；
S108：基于全氟化合物污染监测设备布点图，获取全氟化合物污染监测设备的最佳信号通道方向并确定全氟化合物污染监测设备的最终安装点。
进一步的，本发明的一个较佳实施例中，所述对土壤所在区域进行遥感分析得到遥感数据，并对遥感数据与土壤所在区域的地理信息数据进行数据隶属度计算，得到污染土壤区域，具体为：
在无人机上搭载高光谱遥感监测仪，所述高光谱遥感监测仪获取土壤所在区域表面的光谱特征信息，并基于大数据检索获取全氟化合物的光谱特征信息；
在大数据检索中获取土壤区域的地理信息数据，所述土壤区域的地理信息数据包括地下水流动方向、土壤区域地形地貌及土壤区域周边环境因子；
将所述土壤所在区域表面的光谱特征信息、全氟化合物的光谱特征信息和土壤区域的地理信息数据结合为数据集，基于所述数据集，定义为不同的簇，对每个簇的权重进行初始化；
预设簇中心点，计算数据集中每个数据点与每个簇的簇中心点的欧氏距离，得到每个数据点对于每个簇的隶属度，基于所述每个数据点对于每个簇的隶属度，对簇中心点进行调整，并基于调整后的簇中心点，对每个数据点进行隶属度的重新计算；
当每个数据点的隶属度达到预设范围，停止计算，输出每个数据点对与每个簇的隶属度，基于所述每个数据点对与每个簇的隶属度，在土壤区域内确定污染土壤位置。
需要说明的是，土壤区域可能受附近工厂的污水排放影响，或者受喷洒农药影响，导致土壤中化合物的氢原子被氟原子所替代，生成全氟化合物。所述全氟化合物会对土壤环境进行影响，变成污染土壤。高光谱遥感技术是能够获得土壤区域的光谱特征，且污染土壤区域的光谱特征和正常无污染区域的光谱特征不同。在大数据中获取全氟化合物的光谱特征以及获取土壤区域的地理信息数据目的是给土壤区域的分类提供条件。使用模糊分类算法获取污染土壤位置，计算数据集中每个数据点对每个簇的簇中心点的欧氏距离的目的是计算数据与簇中心点的相似度，欧氏距离越小，相似度越高。对簇中心点进行调整的目的是获取更多的数据，使分类效果更明显。计算后得到每个数据点对于每个簇的隶属度，所述隶属度越高，相似性越高。最后根据隶属度可以确定污染土壤的位置。本发明能够通过高光谱遥感技术和模糊评价算法在土壤区域内确定污染土壤位置。
进一步的，本发明的一个较佳实施例中，所述对污染土壤区域进行全氟化合物浓度分析及设备安装可行性分析，得到B类设备安装点，具体为：
基于土壤区域的分布情况，对所述土壤区域进行网格化划分，并获取污染土壤子区域，对所述污染土壤子区域进行污染土壤样本提取，并对污染土壤样本内的全氟化合物浓度进行检测，得到各污染土壤子区域的全氟化合物浓度，并对所述各污染土壤子区域的全氟化合物浓度进行浓度排序，得到浓度排序表；
预设全氟化合物监测浓度，对浓度排序表中全氟化合物浓度大于所述全氟化合物监测浓度的污染土壤子区域的中心点定义为A类设备安装点；
基于所述土壤区域的地理信息数据，获取A类设备安装点的地理信息数据，基于所述A类设备安装点的地理信息数据，对A类设备安装点进行设备安装可行性分析，基于设备安装可行性分析结果，在所述A类设备安装点中剔除设备不可安装点，得到B类设备安装点。
需要说明的是，对土壤区域进行网格化划分的目的是为接下来全氟化合物污染监测设备的安装提供大致的范围。由于高光谱遥感技术不能准确的获得污染土壤的全氟化合物浓度大小，所以需要对污染土壤进行抽样检测，并获取浓度排序表。由于单个全氟化合物污染监测设备的监测范围较大，所以不需要对土壤区域中所有的网格区域均放置全氟化合物污染监测设备，只需在土壤区域内挑选合适的安装点安装全氟化合物污染监测设备。对全氟化合物浓度较大的区域需要优先监测，所以预设全氟化合物监测浓度，并在全氟化合物浓度大于全氟化合物监测浓度的网格区域内中心点定义为A类设备安装点。由于A类设备安装点处可能存在不适合安装设备的条件，比如靠近居民区、靠近种植作物等，所以需要对A类设备安装点进行设备安装可行性分析，并根据设备安装可行性分析结果剔除不可安装的位置，得到B类设备安装点。本发明能够通过对污染土壤的全氟化合物浓度进行分析，得到A类设备安装点，对A类设备安装点进行可行性分析，得到B类设备安装点。
进一步的，本发明的一个较佳实施例中，所述构建全氟化合物监测仿真模型，在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备的监测范围进行分析，得到全氟化合物污染监测设备布点图，具体为：
基于全氟化合物污染监测设备的生产图纸，获取全氟化合物污染监测设备额定工作参数和全氟化合物污染监测设备尺寸数据；
将所述污染土壤位置、全氟化合物污染监测设备额定工作参数和全氟化合物污染监测设备尺寸数据导入仿真软件中，得到全氟化合物监测仿真模型；
基于所述全氟化合物监测仿真模型，在与B类设备安装点对应的区域中模拟安装并运行全氟化合物污染监测设备，定义为一类设备，若全氟化合物监测仿真模型中存在未被监测区域，则在含未被监测区域的网格中心点内模拟安装并运行全氟化合物污染监测设备，定义为二类设备；
基于二类设备的安装点，得到二类设备布点图，启动所有的二类设备，对所述二类设备布点图导入卷积神经网络中进行监测范围分析，并去除监测范围重复的二类设备；
将B类设备安装点与剩下的二类设备的安装点结合，得到全氟化合物污染监测设备布点图。
需要说明的是，使用电脑软件能更方便的全氟化合物污染监测设备布点图，所以需要构建全氟化合物监测仿真模型，所述全氟化合物监测仿真模型包括全氟化合物污染监测设备仿真模型和土壤区域仿真模型。由于土壤区域较大，在B类设备安装点安装全氟化合物污染监测设备后可能存在监测范围不充分的情况，所以需要在B类设备安装点基础上增加安装点。获取未被监测区域，在未被监测区域所属的网格区域的中心点安装全氟化合物污染监测设备，定义为二类设备，启动所有二类设备，由于二类设备可能存在监测范围重复的情况，导致经济效益降低，所以需要挑选监测范围重复的设备进行筛除。通过卷积神经网络分析二类设备布点图可以筛除监测范围重复的设备，且筛除后剩余的二类设备能够将未被一类设备监测的范围进行完全监测。获取剩余的二类设备的安装点，结合B类设备安装点，生成全氟化合物污染监测设备布点图。本发明能够通过对二类设备进行获取和导入卷积神经网络中进行分析，并结合B类设备安装点，得到全氟化合物污染监测设备布点图。
图2示出了获取全氟化合物污染监测设备的最佳信号通道方向的流程图，包括以下步骤：
S202：基于全氟化合物污染监测设备布点图和信息集合点内的能耗值，获取待检测信号通道集；
S204：基于待检测信号通道的传输特性和待检测信号通道集，确定最佳信号通道方向；
S206：基于所有待检测信号通道的环境参数，获取所有待检测信号通道的传输特性。
进一步的，本发明的一个较佳实施例中，所述基于全氟化合物污染监测设备布点图和信息集合点内的能耗值，获取待检测信号通道集，具体为：
基于所述全氟化合物污染监测设备布点图，在全氟化合物监测仿真模型中模拟安装并运行全氟化合物污染监测设备；
所有全氟化合物污染监测设备之间使用蓝牙连接，且所有全氟化合物污染监测设备之间存在信号通道，全氟化合物污染监测设备通过信号通道向其他全氟化合物污染监测设备传输监测信息；
将信号通道交汇处定义为信息集合点，对所述信息集合点进行初始化处理并计算所述信息集合点内的能耗值；
在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备调整信号通道方向，实时监控信息集合点内的能耗值，记录信息集合点内的能耗值达到预设值时的全氟化合物污染监测设备信号通道方向，定义为待检测信号通道，并获取待检测信号通道集。
需要说明的是，所述全氟化合物污染监测设备之间需要使用蓝牙进行连接，全氟化合物污染监测设备之间存在信号通道，所述信号通道作用为传输污染监测信息。由于全氟化合物污染监测设备会向所有的全氟化合物污染监测设备传递信息，所以信息传递过程中，信号通道会交汇，从而形成信息集合点，所述信息集合点由于存在大量信息，信息在碰撞期间存在损耗，导致信息不完整。所以需要计算信息集合点的能耗值。为了使信息集合点的能耗值最小，使监测结果更准确，在全氟化合物仿真模型中对全氟化合物污染监测设备的信号通道方向进行调整，并实施监控信息集合点处的能耗值。当能耗值下降到一定区间，记录能耗值在预设值内的所有全氟化合物污染监测设备信号通道方向，并构建待检测信号通道集。本发明能够通过对信息集合点的能耗进行计算并调整信号通道方向，获取待检测信号通道集。
进一步的，本发明的一个较佳实施例中，所述基于待检测信号通道的传输特性和待检测信号通道集，确定最佳信号通道方向，具体为：
将所述待检测信号通道方向集导入卷积神经网络模型中进行预测处理，得到能耗值预测数据，基于所述能耗值预测数据，构建能耗值变化表；
基于所有待检测信号通道的环境参数，获取所有待检测信号通道的传输特性；
基于所有待检测信号通道的传输特性和能耗值变化表，将能耗值变化最小的全氟化合物污染监测设备信号通道方向标定为最佳信号通道方向；
基于所述全氟化合物污染监测设备布点图和最佳信号通道方向，确定全氟化合物污染监测设备的最终安装点。
需要说明的是，在获取待检测信号通道集后，需要在待检测信号通道集中选择能耗值最小的信号通道，所有通过卷积神经网络对待检测信号通道集进行预测处理，得到能耗值预测数据和能耗值变化表，所述能耗值预测数据反映了信息集合点处的能耗值变化率。能耗值变化跟环境也有关系，例如在高温天气下或者遇到障碍物遮挡的情况下的信息传输的效率会下降，从而影响能耗值，所以需要基于环境参数获取待检测信号通道的传输特性，并根据能耗值变化表和待检测信号通道的传输特性，获取最佳信号通道方向。本发明能够通过卷积神经网络对待检测信号通道集进行预测处理，并获取待检测信号通道的传输特性，使两者相结合的得到最佳信号通道方向，并基于所述佳信号通道方向和全氟化合物污染监测设备布点图确定全氟化合物污染监测设备的最终安装点。
图3示出了进一步的，本发明的一个较佳实施例中，所述基于所有待检测信号通道的环境参数，获取所有待检测信号通道的传输特性，具体为：
通过大数据检索，获取待检测信号通道的环境参数，所述待检测信号通道的环境参数包括气象数据和地形地貌数据；
获取所有气象数据和地形地貌数据下待检测信号通道的历史传输特性，并将所述历史传输特性导入卷积神经网络模型的卷积层、池化层中进行训练，并使用交叉熵函数对所述历史传输特性进行反向训练直至误差收敛，得到传输特性预测模型；
将所述待检测信号通道的环境参数导入传输特性预测模型，得到待检测信号通道预测传输特性。
需要说明的是，监测信息在传输过程中，气候因素和地形因素会影响全氟化合物污染监测设备的稳定性和数据采集精准度，所以或出现信息损耗之增大或者信号干扰、信息浮动等情况。将所述待检测信号通道的环境参数导入卷积神经网络中进行预测处理，得到传输特性预测模型，根据所述传输特性预测模型能够预测信息传输特性，为设备的安装点确定提供技术支持和决策参考。所述信号传输特性包括信号传输的信噪比、传输速率和传输掉包率。
此外，所述一种全氟化合物污染监测设备的管理方法，还包括以下步骤：
将全氟化合物污染监测设备的最终安装点定义为最终设备安装点，基于所述最终设备安装点，在土壤区域中安装全氟化合物污染监测设备，运行安装后的全氟化合物污染监测设备，并获取全氟化合物污染监测设备的通信状态；
实时监控全氟化合物污染监测设备的通信状态，全氟化合物污染监测设备上含有通信指示灯，当通信指示灯常亮时，全氟化合物污染监测设备的通信状态为标准状态；
基于全氟化合物污染监测设备额定工作参数，构建通信频率对照表，当通信指示灯闪烁，则在预设数据传输周期内记录通信指示灯的闪烁频率，并将通信指示灯的闪烁频率导入所述通信频率对照表中进行对照分析，得到通信频率分析结果；
将所述通信频率分析结果导入大数据中检索，获取最优通信状态异常调试方法，所述最优通信状态异常调试方法满足调试性质、调试效果和调试效率，并将最优通信状态异常调试方法导入全氟化合物污染监测设备中进行通信异常调试，得到通信异常修复设备；
若在预设数据传输周期内，通信指示灯不亮，则全氟化合物污染监测设备为通信故障设备。
需要说明的是，在模拟软件中不能准确获得全氟化合物污染监测设备的通信状态，所以基于最终设备安装点，对所述全氟化合物污染监测设备进行安装，并启动所有的全氟化合物污染监测设备。所述全氟化合物污染监测设备上含有通信指示灯，提前对通信指示灯进行设置，使通信指示灯有三种状态。通信指示灯常亮时，证明全氟化合物污染监测设备之间的通信状态正常，监测信息的传输没有出现丢失、掉包现象。当通信指示灯闪烁时，证明检测信息传输出现问题，可能会出现信息丢失、掉包，或者信息波动过大。信息的状态通过通信指示灯的闪烁频率可以得知，预设通信频率对照表，基于所述通信频率对照表分析通信指示灯的闪烁频率，可以得到通信频率分析结果，所述通信频率分析结果反映了全氟化合物污染监测设备的当前通信状态。将所述通信频率分析结果导入大数据网络中进行调试方法检索，所述满足调试性质为不通过人为干预设备的调试，最后得到最优通信状态异常调试方法，并将所述优通信状态异常调试方法输出至信号指示灯闪烁的全氟化合物污染监测设备中，得到通信异常修复设备。若信号指示灯不亮，则判断全氟化合物污染监测设备内部有元件出现故障，并将此全氟化合物污染监测设备定义为通信故障设备。本发明能够通过对通信指示灯的分析，确定全氟化合物污染监测设备的通信状态，并对通信异常的全氟化合物污染监测设备进行调试修复。
此外，所述一种全氟化合物污染监测设备的管理方法，还包括以下步骤：
通过通信故障设备的内部传感器判断通信故障设备内部的物理连接情况，若物理连接情况出现异常则将所述通信故障设备内部进行物理正确连接并重启；
若对通信故障设备内部进行物理正确连接并重启后，通信指示灯仍不亮，且所述通信故障设备的通信模块不工作，则对所述通信故障设备的通信模块进行更换处理；
若所述通信模块工作，则获取通信模块的工作参数，构建时步，将通信模块的工作参数与时步结合，生成基于时间序列的通信模块工作参数；
将所述基于时间序列的通信模块工作参数导入支持向量机中进行工作状态分类评价，得到评价信息，引入马尔科夫链对所述评价信息进行状态概率转移计算，获取每一时步的状态转移概率值；
基于所述每一时步的状态转移概率值，构建状态转移矩阵，将所述状态转移矩阵导入贝叶斯网络中进行训练和反演，获取通信模块中的故障位置，基于所述通信模块中的故障位置，在大数据中检索通信故障修复方法，并将所述通信故障修复方法输出至通信故障设备进行通信故障修复，得到通信故障修复设备。
需要说明的是，信号指示灯不良原因有很多，首先对通信故障设备的内部连接状态进行检查，若出现连接松动、短接、断触等情况也会导致信号指示灯不亮，纠正连接状态后重启通信故障设备。若连接状态纠正后的通信故障设备的信号指示灯仍不亮，则判断通信故障设备内部的通信模块工作参数。若通信模块不输出工作参数，证明所述通信模块内部可能出现烧毁、老化的现象，需要对整个通信模块进行更换处理，防止通信模块对其他子设备造成影响。若通信模块输出工作参数，则证明通信模块内部可能出现连接不正确等问题，需要通过通信模块的输出的工作参数对通信模块进行问题溯源。支持向量机能够对通信模块的工作参数进行分类评价，且通信模块的故障可能是有一个状态转移到另一个状态，最后导致故障，通过马尔科夫链可以对故障状态进行评估，并得到状态转移概率值，通过贝叶斯网络分析状态转移概率值，可以得到通信模块内部的故障位置，并基于所述通信模块内部的故障位置，使用合适的修复方法对通信模块进行修复。本发明能够通过对通信模块进行故障分析，并引用支持向量机、马尔科夫链和贝叶斯模型，获取通信模块的故障位置并进行修复。
如图3所示，本发明第二方面还提供了一种全氟化合物污染监测设备的管理系统，所述管理系统包括存储器31与处理器32，所述存储器31中储存有一种全氟化合物污染监测设备的管理方法，所述一种全氟化合物污染监测设备的管理方法被所述处理器32执行时，实现如下步骤：
对土壤所在区域进行遥感分析得到遥感数据，并对遥感数据与土壤所在区域的地理信息数据进行数据隶属度计算，得到污染土壤区域；
对污染土壤区域进行全氟化合物浓度分析及设备安装可行性分析，得到B类设备安装点；
构建全氟化合物监测仿真模型，在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备的监测范围进行分析，得到全氟化合物污染监测设备布点图；
基于全氟化合物污染监测设备布点图，获取全氟化合物污染监测设备的最佳信号通道方向并确定全氟化合物污染监测设备的最终安装点。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种全氟化合物污染监测设备的管理方法，其特征在于，包括以下步骤：
对土壤所在区域进行遥感分析得到遥感数据，并对遥感数据与土壤所在区域的地理信息数据进行数据隶属度计算，得到污染土壤区域；
对污染土壤区域进行全氟化合物浓度分析及设备安装可行性分析，得到B类设备安装点；
构建全氟化合物监测仿真模型，在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备的监测范围进行分析，得到全氟化合物污染监测设备布点图；
基于全氟化合物污染监测设备布点图，获取全氟化合物污染监测设备的最佳信号通道方向并确定全氟化合物污染监测设备的最终安装点；
其中，所述对污染土壤区域进行全氟化合物浓度分析及设备安装可行性分析，得到B类设备安装点，具体为：
基于土壤区域的分布情况，对所述土壤区域进行网格化划分，并获取污染土壤子区域，对所述污染土壤子区域进行污染土壤样本提取，并对污染土壤样本内的全氟化合物浓度进行检测，得到各污染土壤子区域的全氟化合物浓度，并对所述各污染土壤子区域的全氟化合物浓度进行浓度排序，得到浓度排序表；
预设全氟化合物监测浓度，对浓度排序表中全氟化合物浓度大于所述全氟化合物监测浓度的污染土壤子区域的中心点定义为A类设备安装点；
基于所述土壤区域的地理信息数据，获取A类设备安装点的地理信息数据，基于所述A类设备安装点的地理信息数据，对A类设备安装点进行设备安装可行性分析，基于设备安装可行性分析结果，在所述A类设备安装点中剔除设备不可安装点，得到B类设备安装点，并将所述设备不可安装点定义为初始设备不可安装点；
其中，所述构建全氟化合物监测仿真模型，在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备的监测范围进行分析，得到全氟化合物污染监测设备布点图，具体为：
基于全氟化合物污染监测设备的生产图纸，获取全氟化合物污染监测设备额定工作参数和全氟化合物污染监测设备尺寸数据；
将所述污染土壤位置、全氟化合物污染监测设备额定工作参数和全氟化合物污染监测设备尺寸数据导入仿真软件中，得到全氟化合物监测仿真模型；
基于所述全氟化合物监测仿真模型，在与B类设备安装点对应的区域中模拟安装并运行全氟化合物污染监测设备，定义为一类设备，若全氟化合物监测仿真模型中存在未被监测区域，则在含未被监测区域的网格中心点内模拟安装并运行全氟化合物污染监测设备，定义为二类设备；
基于二类设备的安装点，得到二类设备布点图，启动所有的二类设备，对所述二类设备布点图导入卷积神经网络中进行监测范围分析，并去除监测范围重复的二类设备；
将B类设备安装点与剩下的二类设备的安装点结合，得到全氟化合物污染监测设备布点图。
2.根据权利要求1中所述的一种全氟化合物污染监测设备的管理方法，其特征在于，所述对土壤所在区域进行遥感分析得到遥感数据，并对遥感数据与土壤所在区域的地理信息数据进行数据隶属度计算，得到污染土壤区域，具体为：
在无人机上搭载高光谱遥感监测仪，所述高光谱遥感监测仪获取土壤所在区域表面的光谱特征信息，并基于大数据检索获取全氟化合物的光谱特征信息；
在大数据检索中获取土壤区域的地理信息数据，所述土壤区域的地理信息数据包括地下水流动方向、土壤区域地形地貌及土壤区域周边环境因子；
将所述土壤所在区域表面的光谱特征信息、全氟化合物的光谱特征信息和土壤区域的地理信息数据结合为数据集，基于所述数据集，定义为不同的簇，对每个簇的权重进行初始化；
预设簇中心点，计算数据集中每个数据点与每个簇的簇中心点的欧氏距离，得到每个数据点对于每个簇的隶属度，基于所述每个数据点对于每个簇的隶属度，对簇中心点进行调整，并基于调整后的簇中心点，对每个数据点进行隶属度的重新计算；
当每个数据点的隶属度达到预设范围，停止计算，输出每个数据点对与每个簇的隶属度，基于所述每个数据点对与每个簇的隶属度，在土壤区域内确定污染土壤位置。
3.根据权利要求1中所述的一种全氟化合物污染监测设备的管理方法，其特征在于，所述基于全氟化合物污染监测设备布点图，获取全氟化合物污染监测设备的最佳信号通道方向并确定全氟化合物污染监测设备的最终安装点，具体为：
基于所述全氟化合物污染监测设备布点图，在全氟化合物监测仿真模型中模拟安装并运行全氟化合物污染监测设备；
所有全氟化合物污染监测设备之间使用蓝牙连接，且所有全氟化合物污染监测设备之间存在信号通道，全氟化合物污染监测设备通过信号通道向其他全氟化合物污染监测设备传输监测信息；
将信号通道交汇处定义为信息集合点，对所述信息集合点进行初始化处理并计算所述信息集合点内的能耗值；
在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备调整信号通道方向，实时监控信息集合点内的能耗值，记录信息集合点内的能耗值达到预设值时的全氟化合物污染监测设备信号通道方向，定义为待检测信号通道，并获取待检测信号通道集；
将所述待检测信号通道方向集导入卷积神经网络模型中进行预测处理，得到能耗值预测数据，基于所述能耗值预测数据，构建能耗值变化表；
基于所有待检测信号通道的环境参数，获取所有待检测信号通道的传输特性；
基于所有待检测信号通道的传输特性和能耗值变化表，将能耗值变化最小的全氟化合物污染监测设备信号通道方向标定为最佳信号通道方向；
基于所述全氟化合物污染监测设备布点图和最佳信号通道方向，确定全氟化合物污染监测设备的最终安装点。
4.根据权利要求3中所述的一种全氟化合物污染监测设备的管理方法，其特征在于，所述基于所有待检测信号通道的环境参数，获取所有待检测信号通道的传输特性，具体为：
通过大数据检索，获取待检测信号通道的环境参数，所述待检测信号通道的环境参数包括气象数据和地形地貌数据；
获取所有气象数据和地形地貌数据下待检测信号通道的历史传输特性，并将所述历史传输特性导入卷积神经网络模型的卷积层、池化层中进行训练，并使用交叉熵函数对所述历史传输特性进行反向训练直至误差收敛，得到传输特性预测模型；
将所述待检测信号通道的环境参数导入传输特性预测模型，得到待检测信号通道预测传输特性。
5.一种全氟化合物污染监测设备的管理系统，其特征在于，所述管理系统包括存储器与处理器，所述存储器中储存有一种全氟化合物污染监测设备的管理方法，所述一种全氟化合物污染监测设备的管理方法被所述处理器执行时，实现如下步骤：
对土壤所在区域进行遥感分析得到遥感数据，并对遥感数据与土壤所在区域的地理信息数据进行数据隶属度计算，得到污染土壤区域；
对污染土壤区域进行全氟化合物浓度分析及设备安装可行性分析，得到B类设备安装点；
构建全氟化合物监测仿真模型，在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备的监测范围进行分析，得到全氟化合物污染监测设备布点图；
基于全氟化合物污染监测设备布点图，获取全氟化合物污染监测设备的最佳信号通道方向并确定全氟化合物污染监测设备的最终安装点；
其中，所述对污染土壤区域进行全氟化合物浓度分析及设备安装可行性分析，得到B类设备安装点，具体为：
基于土壤区域的分布情况，对所述土壤区域进行网格化划分，并获取污染土壤子区域，对所述污染土壤子区域进行污染土壤样本提取，并对污染土壤样本内的全氟化合物浓度进行检测，得到各污染土壤子区域的全氟化合物浓度，并对所述各污染土壤子区域的全氟化合物浓度进行浓度排序，得到浓度排序表；
预设全氟化合物监测浓度，对浓度排序表中全氟化合物浓度大于所述全氟化合物监测浓度的污染土壤子区域的中心点定义为A类设备安装点；
基于所述土壤区域的地理信息数据，获取A类设备安装点的地理信息数据，基于所述A类设备安装点的地理信息数据，对A类设备安装点进行设备安装可行性分析，基于设备安装可行性分析结果，在所述A类设备安装点中剔除设备不可安装点，得到B类设备安装点，并将所述设备不可安装点定义为初始设备不可安装点；
其中，所述构建全氟化合物监测仿真模型，在所述全氟化合物监测仿真模型中对全氟化合物污染监测设备的监测范围进行分析，得到全氟化合物污染监测设备布点图，具体为：
基于全氟化合物污染监测设备的生产图纸，获取全氟化合物污染监测设备额定工作参数和全氟化合物污染监测设备尺寸数据；
将所述污染土壤位置、全氟化合物污染监测设备额定工作参数和全氟化合物污染监测设备尺寸数据导入仿真软件中，得到全氟化合物监测仿真模型；
基于所述全氟化合物监测仿真模型，在与B类设备安装点对应的区域中模拟安装并运行全氟化合物污染监测设备，定义为一类设备，若全氟化合物监测仿真模型中存在未被监测区域，则在含未被监测区域的网格中心点内模拟安装并运行全氟化合物污染监测设备，定义为二类设备；
基于二类设备的安装点，得到二类设备布点图，启动所有的二类设备，对所述二类设备布点图导入卷积神经网络中进行监测范围分析，并去除监测范围重复的二类设备；
将B类设备安装点与剩下的二类设备的安装点结合，得到全氟化合物污染监测设备布点图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311146096.8A CN116882638B (zh) | 2023-09-07 | 2023-09-07 | 一种全氟化合物污染监测设备的管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311146096.8A CN116882638B (zh) | 2023-09-07 | 2023-09-07 | 一种全氟化合物污染监测设备的管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116882638A CN116882638A (zh) | 2023-10-13 |
| CN116882638B true CN116882638B (zh) | 2023-12-01 |
Family
ID=88272106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311146096.8A Active CN116882638B (zh) | 2023-09-07 | 2023-09-07 | 一种全氟化合物污染监测设备的管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116882638B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117172511B (zh) * | 2023-11-02 | 2024-01-16 | 山东建勘集团有限公司 | 一种基于物联网的工程测量设施智能管理方法及系统 |
| CN117787717A (zh) * | 2023-12-29 | 2024-03-29 | 浙江佳伯尔电子科技有限公司 | 一种多点位检测数据的环境风险预警系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109613182A (zh) * | 2018-12-21 | 2019-04-12 | 北京英视睿达科技有限公司 | 基于大气污染物的监测布点选址方法及装置 |
| CN110457422A (zh) * | 2019-08-20 | 2019-11-15 | 重庆壤科农业数据服务有限公司 | 土壤样品采集自动布点系统及方法 |
| CN116106265A (zh) * | 2023-01-12 | 2023-05-12 | 中科合肥智慧农业协同创新研究院 | 基于高光谱遥感的小流域农业面源污染智能化监测预警方法及系统 |
| CN116233865A (zh) * | 2023-05-09 | 2023-06-06 | 北京建工环境修复股份有限公司 | 一种新污染物监测设备的布点方法及系统 |
| CN116700016A (zh) * | 2023-08-07 | 2023-09-05 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地修复设备的管理方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140012504A1 (en) * | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
| KR102051791B1 (ko) * | 2018-11-16 | 2020-01-08 | 고려대학교 산학협력단 | 토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법 |
-
2023
- 2023-09-07 CN CN202311146096.8A patent/CN116882638B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109613182A (zh) * | 2018-12-21 | 2019-04-12 | 北京英视睿达科技有限公司 | 基于大气污染物的监测布点选址方法及装置 |
| CN110457422A (zh) * | 2019-08-20 | 2019-11-15 | 重庆壤科农业数据服务有限公司 | 土壤样品采集自动布点系统及方法 |
| CN116106265A (zh) * | 2023-01-12 | 2023-05-12 | 中科合肥智慧农业协同创新研究院 | 基于高光谱遥感的小流域农业面源污染智能化监测预警方法及系统 |
| CN116233865A (zh) * | 2023-05-09 | 2023-06-06 | 北京建工环境修复股份有限公司 | 一种新污染物监测设备的布点方法及系统 |
| CN116700016A (zh) * | 2023-08-07 | 2023-09-05 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地修复设备的管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116882638A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116882638B (zh) | 一种全氟化合物污染监测设备的管理方法及系统 | |
| CN109146093B (zh) | 一种基于学习的电力设备现场勘查方法 | |
| CN112557598B (zh) | 一种基于物联网的城市空气质量监控管理方法 | |
| US11959777B2 (en) | Methods and Internet of Things (IoT) systems for safety management of smart gas underground gas pipeline networks | |
| CN114371260A (zh) | 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法 | |
| CN116881671B (zh) | 基于神经网络的大气污染溯源方法及系统 | |
| CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
| CN113473514B (zh) | 电力无线专网故障诊断模型训练方法、诊断方法及装置 | |
| CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
| CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
| CN112886923B (zh) | 一种雷电天气的光伏电站运维方法及设备 | |
| CN112686582B (zh) | 基于多源异构数据挖掘的综合能源园区的智能运维系统 | |
| CN114298162B (zh) | 融合卫星雷达多源数据的降水质量控制与评估方法及应用 | |
| CN115144548B (zh) | 有害气体成分实时监测系统及其监测方法 | |
| CN116862132A (zh) | 基于大数据的资源调度方法 | |
| CN117291781B (zh) | 一种突发性水污染溯源方法、设备及介质 | |
| CN113282576A (zh) | 一种气象数据质量控制方法 | |
| CN118015795B (zh) | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 | |
| CN116739619A (zh) | 一种能源电力碳排放监测分析建模方法及装置 | |
| CN117411436B (zh) | 光伏组件状态检测方法、系统及存储介质 | |
| CN117934212A (zh) | 基于iot技术数字可视化平台的施工过程监控方法 | |
| CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
| CN117452062A (zh) | 一种考虑运行负荷的台区线损率监测方法 | |
| CN116232222B (zh) | 一种分布式光伏系统云边协同积灰程度监测方法及系统 | |
| CN118674102A (zh) | 多维解析的海量分布式光伏功率预测方法及平台 |
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 |