CN116911500A - 一种基于大数据监测的草原鼠情智能监管系统及方法 - Google Patents
一种基于大数据监测的草原鼠情智能监管系统及方法 Download PDFInfo
- Publication number
- CN116911500A CN116911500A CN202310894358.2A CN202310894358A CN116911500A CN 116911500 A CN116911500 A CN 116911500A CN 202310894358 A CN202310894358 A CN 202310894358A CN 116911500 A CN116911500 A CN 116911500A
- Authority
- CN
- China
- Prior art keywords
- supervision
- monitoring
- index item
- index
- condition
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009466 transformation Effects 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims description 16
- 238000009960 carding Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 102
- 241000607479 Yersinia pestis Species 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000699670 Mus sp. Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 241000700159 Rattus Species 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010170 biological method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Development Economics (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及鼠情数据监管技术领域,具体为一种基于大数据监测的草原鼠情智能监管系统及方法,包括对目标开展鼠情监管的草原划分监管区域,基于鼠情数据获取各监管区域对应各项鼠情监管指标的指标值;对各类型目标指标项组合计算组合出现的特征指数;分别在各监管区域各监测节点所包含的所有第一目标指标项和所有第二目标指标项中,基于特征指标项组合进行相应目标指标项的剔除处理;根据不同监管区域于相同监测节点之间所呈现的特征指标项集合的分布情况,对不同监管区域在同一监测节点上是否满足指标变换关联影响进行判断识别;提示监管人员对标记的监管区域内的鼠情数据变化情况进行重点监测。
Description
技术领域
本发明涉及鼠情数据监管技术领域,具体为一种基于大数据监测的草原鼠情智能监管系统及方法。
背景技术
草原鼠害的防治方式有多种,概括国内外鼠害防治方法,可分为四大类:物理方法、化学方法、生物方法和生态方法,而不管是哪类防治方法都需要根据草原鼠害发生情况,结合当地草原技术的监测预报信息,适时采取防治技术措施;而监测预报信息的准确度往往在一定程度上决定着防治措施的效率性能达到多高,草原上的害鼠的数量与植被密度有重要关系,而通常因为害鼠的分布特点和活动规律,对害鼠的数据监测也存在一定的难度。
当前的鼠害监测设备能在一定程度上满足对鼠情进行精准监测的需要,比起以往的肉眼观察,该可以进行全天候持续监测,当老鼠触发入口监测装置后自动拍照并上传至服务器,自动识别鼠害的数量及种类;但是对于面积较为辽阔的草原而言,如何针对性且高效的铺设鼠害监测设备是一个值得思考的问题。
发明内容
本发明的目的在于提供一种基于大数据监测的草原鼠情智能监管系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据监测的草原鼠情智能监管方法,方法包括:
步骤S100:对目标开展鼠情监管的草原划分监管区域,分别对各监管区域布控鼠情监测设备;设置若干项鼠情监管指标,汇集在各监管区域内由各鼠情监测设备所监测采集到的鼠情数据,基于鼠情数据获取各监管区域对应各项鼠情监管指标的指标值;
本申请采用的监测设备包括无人机、高光谱成像仪、鼠害监测设备,利用无人机对监管区域内的草原地物进行图像采集,得到各监管区域的原始图像数据;将采集的原始图像根据无人机飞行高度和图像类型对草原数据进行裁剪、增强等操作完成预处理,得到优质数据;将优质数据基于植被指数进行草原地物分类,实现裸土和植被群落的分类,同时将优质数据依据草原地物特征和深度学习分类数据集制作规则,制作草原地物分类数据集,该数据集类别包括植被、裸土和其他;搭建、训练、验证和测试深度学习草原地物分类模型,采用参数优化的最优分类模型对草原图像进行分类,得到分类结果;将优质数据制作草原地物分割数据集,数据集类别包括土丘、次生裸地、恢复斑块、鼠洞和其他;基于深度学习分割方法和草原地物定义构建草原地物分割模型,对该模型进行训练、验证和测试,经对比分析后采用最优分割模型对草原图像进行分割,得到分割结果,将上述处理结果进行加权融合和专家投票,分析植被指数和深度学习分类、分割结果特点,研建加权融合和专家投票方案;采用加权融合和专家投票方案确定各像元类别,得到草原各地物最终分割结果,根据结果计算各地物GPS坐标和植被盖度;最终实现对各监管区域内各项鼠情监管指标所对应的指标值的分析评估;
步骤S200:每间隔单位周期,分别对各监管区域提取各项鼠情监管指标所对应的指标值;设每相邻两个单位周期构成一个监测节点;根据在各监测节点中各鼠情监管指标项出现的不同数值变化,分别对各鼠情监管指标项进行第一目标指标项或者第二目标指标项的识别判断;对在所有监测节点中存在的所有目标指标项组合进行提取,对各类型目标指标项组合计算组合出现的特征指数;
步骤S300:基于特征指数,筛选出特征指标项组合;分别在各监管区域各监测节点所包含的所有第一目标指标项和所有第二目标指标项中,基于特征指标项组合进行相应目标指标项的剔除处理,得到相应的特征指标项集合;
步骤S400:根据不同监管区域于相同监测节点之间所呈现的特征指标项集合的分布情况,对不同监管区域在同一监测节点上是否满足指标变换关联影响进行判断识别;
步骤S500:基于在所有监管区域之间呈现的指标变换关联影响关系的分布情况,分别对各监管区域进行综合影响值的分析计算;将综合影响值大于阈值的监管区域进行标记并反馈给监管人员,提示监管人员对标记的监管区域内的鼠情数据变化情况进行重点监测。
进一步的,步骤S200包括:
步骤S201:设在某监管区域由第i个单位周期ti和第i+1个单位周期ti+1构成的第j个监测节点Nj中,某监管区域对应在ti+1的指标值集合为L={a(P1)、a(P2)、...、a(Pn)},对应在ti的指标值集合为L={b(P1)、b(P2)、...、b(Pn)};其中,P1、P2、...、Pn分别表示第1、2、...、n项鼠情监管指标;其中,a(P1)、a(P2)、...、a(Pn)分别表示P1、P2、...、Pn于ti+1所呈现的指标值;b(P1)、b(P2)、...、b(Pn)分别表示P1、P2、...、Pn于ti所呈现的指标值;
步骤S202:若Nj中存在任意项鼠情监管指标Pk于ti+1所呈现的指标值为b(Pk),于ti所呈现的指标值为a(Pk),当满足指标差值h(Pk)=b(Pk)-a(Pk)>0时,将任意项鼠情监管指标Pk设为第一目标指标项,当满足指标差值h(Pk)=b(Pk)-a(Pk)<0时,将任意项鼠情监管指标Pk设为第二目标指标项;
步骤S203:对各监管区域在每一个监测节点中存在的第一目标指标项和第二目标指标项进行汇集,分别得到对应各监测节点的第一目标指标项集合和第二目标指标项集合;逐一将第一目标指标项集合内各第一目标指标项依次与第二目标指标项集合内各第二目标指标项进行组合,汇集在所有监测节点中存在的所有目标指标项组合类型;
步骤S204:分别对各类型目标指标项组合计算特征指数β=m/M;其中,m表示从任意监测节点中提取存在各类型目标指标项组合的监管区域的总数;M表示对目标开展鼠情监管的草原划分得到监管区域的总数;
其中,第一目标指标项是指,在一个时间节点包含的两个相邻单位周期内,后一个单位周期对应该指标项的指标值,较前一个单位周期对应该指标项的指标值而言发生了指标值增长,也就是意味着在一个时间节点包含的时间维度内,于该指标项所反映的鼠情况发生了变化,且这个变化从指标值大小而言,是呈现指标值的上升趋势;其中,第二目标指标项是指,在一个时间节点包含的两个相邻单位周期内,在后一个单位周期内对应的指标值较前一个单位周期内对应的指标值而言发生了指标值降低的指标项,也就是意味着在一个时间节点包含的时间维度内,于该指标项所反映的鼠情况发生了变化,且这个变化单纯从指标值大小而言,是呈现指标值的下降趋势;
对各类型指标项组合计算特征指数的过程,相当于是对各类型指标项组合内作为第一目标指标项出现的指标项和作为第二目标指标项出现的指标项之间,计算组合出现的特征频数。
进一步的,步骤S300包括:
步骤S301:当某类型目标指标项组合的特征指数大于指数阈值,判断某类型目标指标项组合为特征目标指标项组合;分别提取各监管区域内各监测节点的第一目标指标项集合和第二目标指标项集合;设某监管区域内某监测节点的第一目标指标项集合为A,第二目标指标项集合为B;
基于特征指数将在构成一类组合内的两项指标项之间满足指标值变动存在关联影响的指标项组合筛选出来,这边所说的关联影响指的是,当某一项指标项的指标值变动,则因另一指标项对应的指标值的计算获取过程可能需要依赖或者是参考上述某一项指标项的指标值,所以可以知道真正能所反映鼠情况发生了变化的指标项只有一个,另一个是因为受其他指标项的变动而变动;
步骤S302:当A内存在的某第一目标指标项x与B内存在的某第二目标指标项y构成某特征目标指标项组合时,捕捉获取得到对应某第一目标指标项x的时间tx和某第二目标指标项y的时间ty;当tx>ty时,意味着得到对应某第一目标指标项y的时间比得到对应某第二目标指标项x的时间要前,将某第一目标指标项x从第一目标指标项集合A中剔除,得到第一特征指标项集合A’;当tx<ty时,意味着得到对应某第一目标指标项x的时间比得到对应某第二目标指标项y的时间要前,将某第二目标指标项y从第二目标指标项集合B中剔除,得到第二特征指标项集合B’。
进一步的,步骤S400包括:
步骤S401:分别对各监管区域的各监测节点提取第一特征指标项集合和第二特征指标项集合;当某监管区域R1的第k个监测节点的第一特征指标项集合,与某监管区域R2的第k个监测节点的第二特征指标项集合之间的相似度大于相似度阈值时,判断某监管区域R1与某监管区域R2在第k个监测节点满足指标变换关联影响;
步骤S402:当某监管区域R1的第k个监测节点的第二特征指标项集合,与某监管区域R2的第k个监测节点的第一特征指标项集合之间的相似度大于相似度阈值时,判断某监管区域R1与某监管区域R2在第k个监测节点满足指标变换关联影响;
意味着在同一个监测节点内,一个监管区域内出现了指标值上升趋势的若干指标项,大多数都是另一个监管区域内出现了指标值下降趋势的指标项,也就是说很有可能在上述两个监管区域之间出现了鼠情数据的迁移。
进一步的,步骤S500包括:
步骤S501:设监测节点的总数为Q,与各监管区域存在满足指标变换关联影响的监测节点的总数为G,计算各监管区域F的第一特征影响值β1=G/Q;
步骤S502:分别获取与各某监管区域于各监测节点上满足指标变换关联影响的监管区域总数,计算各监管区域的第二特征影响值β2=f1+f2+...fQ;其中f1、f2、...、fQ分别表示在第1、2、...、Q个监测节点上,与某监管区域F满足指标变换关联影响的监管区域总数;
步骤S503:计算各监管区域的综合影响值α=β1*β2;将综合影响值大于阈值的监管区域反馈给监管人员。
为更好的实现上述方法,还提出了一种草原鼠情智能监管系统,系统包括:鼠情监管数据管理模块、鼠情监管数据梳理模块、鼠情监管数据分析模块、监管区域关联影响识别判断模块、监管提示管理模块;
鼠情监管数据管理模块,用于对目标开展鼠情监管的草原划分监管区域,分别对各监管区域布控鼠情监测设备;设置若干项鼠情监管指标,汇集在各监管区域内由各鼠情监测设备所监测采集到的鼠情数据,基于鼠情数据获取各监管区域对应各项鼠情监管指标的指标值;
鼠情监管数据梳理模块,用于分别对各监管区域提取各项鼠情监管指标所对应的指标值;分别对各鼠情监管指标项进行第一目标指标项或者第二目标指标项的识别判断;对在所有监测节点中存在的所有目标指标项组合进行提取,对各类型目标指标项组合计算组合出现的特征指数,筛选出特征指标项组合;
鼠情监管数据分析模块,用于分别在各监管区域各监测节点所包含的所有第一目标指标项和所有第二目标指标项中,基于特征指标项组合进行相应目标指标项的剔除处理;
监管区域关联影响识别判断模块,用于根据不同监管区域于相同监测节点之间所呈现的特征指标项集合的分布情况,对不同监管区域在同一监测节点上是否满足指标变换关联影响进行判断识别;
监管提示管理模块,用于基于在所有监管区域之间呈现的指标变换关联影响关系的分布情况,分别对各监管区域进行综合影响值的分析计算;将综合影响值大于阈值的监管区域进行标记并反馈给监管人员,提示监管人员对标记的监管区域内的鼠情数据变化情况进行重点监测。
进一步的,鼠情监管数据梳理模块包括指标数据分析单元、指标数据筛选管理单元;
指标数据分析单元,用于分别对各监管区域提取各项鼠情监管指标所对应的指标值;分别对各鼠情监管指标项进行第一目标指标项或者第二目标指标项的识别判断;
指标数据筛选管理单元,用于对在所有监测节点中存在的所有目标指标项组合进行提取,对各类型目标指标项组合计算组合出现的特征指数,筛选出特征指标项组合。
进一步的,监管区域关联影响识别判断模块包括特征指标项分布梳理单元、关联影响识别判断单元;
特征指标项分布梳理单元,用于梳理不同监管区域于相同监测节点之间所呈现的特征指标项集合的分布情况;
关联影响识别判断单元,用于对不同监管区域在同一监测节点上是否满足指标变换关联影响进行判断识别。
与现有技术相比,本发明所达到的有益效果是:本发明通过对各监测区域内的鼠情数据在相邻单位周期内产生的数据变化进行分析,捕捉该监测区域内的鼠情数据变化规律,同时捕捉与该监测区域内的鼠情数据发生关联变化影响的其他监管区域,从而在一定程度上对能导致该监管区域内的鼠情数据发生变化活动的其他监管区域进行锁定,对因受其他监管区域内的鼠情数据影响,从而发生数据变动程度高的监管区域进行重点反馈提醒,提高鼠情监管的效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据监测的草原鼠情智能监管方法的流程示意图;
图2是本发明一种基于大数据监测的草原鼠情智能监管系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明提供技术方案:一种基于大数据监测的草原鼠情智能监管方法,方法包括:
步骤S100:对目标开展鼠情监管的草原划分监管区域,分别对各监管区域布控鼠情监测设备;设置若干项鼠情监管指标,汇集在各监管区域内由各鼠情监测设备所监测采集到的鼠情数据,基于鼠情数据获取各监管区域对应各项鼠情监管指标的指标值;
步骤S200:每间隔单位周期,分别对各监管区域提取各项鼠情监管指标所对应的指标值;设每相邻两个单位周期构成一个监测节点;根据在各监测节点中各鼠情监管指标项出现的不同数值变化,分别对各鼠情监管指标项进行第一目标指标项或者第二目标指标项的识别判断;对在所有监测节点中存在的所有目标指标项组合进行提取,对各类型目标指标项组合计算组合出现的特征指数;
其中,步骤S200包括:
步骤S201:设在某监管区域由第i个单位周期ti和第i+1个单位周期ti+1构成的第j个监测节点Nj中,某监管区域对应在ti+1的指标值集合为L={a(P1)、a(P2)、...、a(Pn)},对应在ti的指标值集合为L={b(P1)、b(P2)、...、b(Pn)};其中,P1、P2、...、Pn分别表示第1、2、...、n项鼠情监管指标;其中,a(P1)、a(P2)、...、a(Pn)分别表示P1、P2、...、Pn于ti+1所呈现的指标值;b(P1)、b(P2)、...、b(Pn)分别表示P1、P2、...、Pn于ti所呈现的指标值;
步骤S202:若Nj中存在任意项鼠情监管指标Pk于ti+1所呈现的指标值为b(Pk),于ti所呈现的指标值为a(Pk),当满足指标差值h(Pk)=b(Pk)-a(Pk)>0时,将任意项鼠情监管指标Pk设为第一目标指标项,当满足指标差值h(Pk)=b(Pk)-a(Pk)<0时,将任意项鼠情监管指标Pk设为第二目标指标项;
步骤S203:对各监管区域在每一个监测节点中存在的第一目标指标项和第二目标指标项进行汇集,分别得到对应各监测节点的第一目标指标项集合和第二目标指标项集合;逐一将第一目标指标项集合内各第一目标指标项依次与第二目标指标项集合内各第二目标指标项进行组合,汇集在所有监测节点中存在的所有目标指标项组合类型;
步骤S204:分别对各类型目标指标项组合计算特征指数β=m/M;其中,m表示从任意监测节点中提取存在各类型目标指标项组合的监管区域的总数;M表示对目标开展鼠情监管的草原划分得到监管区域的总数;
步骤S300:基于特征指数,筛选出特征指标项组合;分别在各监管区域各监测节点所包含的所有第一目标指标项和所有第二目标指标项中,基于特征指标项组合进行相应目标指标项的剔除处理,得到相应的特征指标项集合;
其中,步骤S300包括:
步骤S301:当某类型目标指标项组合的特征指数大于指数阈值,判断某类型目标指标项组合为特征目标指标项组合;分别提取各监管区域内各监测节点的第一目标指标项集合和第二目标指标项集合;设某监管区域内某监测节点的第一目标指标项集合为A,第二目标指标项集合为B;
步骤S302:当A内存在的某第一目标指标项x与B内存在的某第二目标指标项y构成某特征目标指标项组合时,捕捉获取得到对应某第一目标指标项x的时间tx和某第二目标指标项y的时间ty;当tx>ty时,将某第一目标指标项x从第一目标指标项集合A中剔除,得到第一特征指标项集合A’;当tx<ty时,将某第二目标指标项y从第二目标指标项集合B中剔除,得到第二特征指标项集合B’;
例如说,第一目标指标项集合A={第一目标指标项g1、第一目标指标项g2、第一目标指标项g3、第一目标指标项g4};第二目标指标项集合为B={第二目标指标项d1、第二目标指标项d2、第二目标指标项d3、第三目标指标项d4};
若第一目标指标项g1与第二目标指标项d2之间构成某特征目标指标项组合时,捕捉获取得到对应第一目标指标项g1的时间和第二目标指标项d2的时间;
若得到对应第一目标指标项g1的时间为7:05,得到第二目标指标项d2的时间为7:07;因为得到对应第一目标指标项g1的时间位于得到对应第二目标指标项d2的时间之前;
因此,将第二目标指标项d2从第二目标指标项集合为B={第二目标指标项d1、第二目标指标项d2、第二目标指标项d3、第三目标指标项d4}中剔除,得到第二特征指标项集合B’={第二目标指标项d1、第二目标指标项d3、第三目标指标项d4};
也就是说,在该监测节点内出现第二目标指标项d2的数值变动,只是因为受第一目标指标项g1的数值变动影响,并不是因为在对应监管区域内出现鼠情数据变动所直接影响导致的;
步骤S400:根据不同监管区域于相同监测节点之间所呈现的特征指标项集合的分布情况,对不同监管区域在同一监测节点上是否满足指标变换关联影响进行判断识别;
其中,步骤S400包括:
步骤S401:分别对各监管区域的各监测节点提取第一特征指标项集合和第二特征指标项集合;当某监管区域R1的第k个监测节点的第一特征指标项集合,与某监管区域R2的第k个监测节点的第二特征指标项集合之间的相似度大于相似度阈值时,判断某监管区域R1与某监管区域R2在第k个监测节点满足指标变换关联影响;
步骤S402:当某监管区域R1的第k个监测节点的第二特征指标项集合,与某监管区域R2的第k个监测节点的第一特征指标项集合之间的相似度大于相似度阈值时,判断某监管区域R1与某监管区域R2在第k个监测节点满足指标变换关联影响;
步骤S500:基于在所有监管区域之间呈现的指标变换关联影响关系的分布情况,分别对各监管区域进行综合影响值的分析计算;将综合影响值大于阈值的监管区域进行标记并反馈给监管人员,提示监管人员对标记的监管区域内的鼠情数据变化情况进行重点监测;
其中,步骤S500包括:
步骤S501:设监测节点的总数为Q,与各监管区域存在满足指标变换关联影响的监测节点的总数为G,计算各监管区域F的第一特征影响值β1=G/Q;
步骤S502:分别获取与各某监管区域于各监测节点上满足指标变换关联影响的监管区域总数,计算各监管区域的第二特征影响值β2=f1+f2+...fQ;其中f1、f2、...、fQ分别表示在第1、2、...、Q个监测节点上,与某监管区域F满足指标变换关联影响的监管区域总数;
步骤S503:计算各监管区域的综合影响值α=β1*β2;将综合影响值大于阈值的监管区域反馈给监管人员;
为更好的实现上述方法,还提出了一种草原鼠情智能监管系统,系统包括:鼠情监管数据管理模块、鼠情监管数据梳理模块、鼠情监管数据分析模块、监管区域关联影响识别判断模块、监管提示管理模块;
鼠情监管数据管理模块,用于对目标开展鼠情监管的草原划分监管区域,分别对各监管区域布控鼠情监测设备;设置若干项鼠情监管指标,汇集在各监管区域内由各鼠情监测设备所监测采集到的鼠情数据,基于鼠情数据获取各监管区域对应各项鼠情监管指标的指标值;
鼠情监管数据梳理模块,用于分别对各监管区域提取各项鼠情监管指标所对应的指标值;分别对各鼠情监管指标项进行第一目标指标项或者第二目标指标项的识别判断;对在所有监测节点中存在的所有目标指标项组合进行提取,对各类型目标指标项组合计算组合出现的特征指数,筛选出特征指标项组合;
其中,鼠情监管数据梳理模块包括指标数据分析单元、指标数据筛选管理单元;
指标数据分析单元,用于分别对各监管区域提取各项鼠情监管指标所对应的指标值;分别对各鼠情监管指标项进行第一目标指标项或者第二目标指标项的识别判断;
指标数据筛选管理单元,用于对在所有监测节点中存在的所有目标指标项组合进行提取,对各类型目标指标项组合计算组合出现的特征指数,筛选出特征指标项组合;
鼠情监管数据分析模块,用于分别在各监管区域各监测节点所包含的所有第一目标指标项和所有第二目标指标项中,基于特征指标项组合进行相应目标指标项的剔除处理;
监管区域关联影响识别判断模块,用于根据不同监管区域于相同监测节点之间所呈现的特征指标项集合的分布情况,对不同监管区域在同一监测节点上是否满足指标变换关联影响进行判断识别;
其中,监管区域关联影响识别判断模块包括特征指标项分布梳理单元、关联影响识别判断单元;
特征指标项分布梳理单元,用于梳理不同监管区域于相同监测节点之间所呈现的特征指标项集合的分布情况;
关联影响识别判断单元,用于对不同监管区域在同一监测节点上是否满足指标变换关联影响进行判断识别;
监管提示管理模块,用于基于在所有监管区域之间呈现的指标变换关联影响关系的分布情况,分别对各监管区域进行综合影响值的分析计算;将综合影响值大于阈值的监管区域进行标记并反馈给监管人员,提示监管人员对标记的监管区域内的鼠情数据变化情况进行重点监测。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于大数据监测的草原鼠情智能监管方法,其特征在于,所述方法包括:
步骤S100:对目标开展鼠情监管的草原划分监管区域,分别对各监管区域布控鼠情监测设备;设置若干项鼠情监管指标,汇集在各监管区域内由各鼠情监测设备所监测采集到的鼠情数据,基于所述鼠情数据获取所述各监管区域对应各项鼠情监管指标的指标值;
步骤S200:每间隔单位周期,分别对各监管区域提取各项鼠情监管指标所对应的指标值;设每相邻两个单位周期构成一个监测节点;根据在各监测节点中各鼠情监管指标项出现的不同数值变化,分别对各鼠情监管指标项进行第一目标指标项或者第二目标指标项的识别判断;对在所有监测节点中存在的所有目标指标项组合进行提取,对各类型目标指标项组合计算组合出现的特征指数;
步骤S300:基于特征指数,筛选出特征指标项组合;分别在各监管区域各监测节点所包含的所有第一目标指标项和所有第二目标指标项中,基于所述特征指标项组合进行相应目标指标项的剔除处理,得到相应的特征指标项集合;
步骤S400:根据不同监管区域于相同监测节点之间所呈现的特征指标项集合的分布情况,对不同监管区域在同一监测节点上是否满足指标变换关联影响进行判断识别;
步骤S500:基于在所有监管区域之间呈现的指标变换关联影响关系的分布情况,分别对各监管区域进行综合影响值的分析计算;将综合影响值大于阈值的监管区域进行标记并反馈给监管人员,提示监管人员对标记的监管区域内的鼠情数据变化情况进行重点监测。
2.根据权利要求1所述的一种基于大数据监测的草原鼠情智能监管方法,其特征在于,所述步骤S200包括:
步骤S201:设在某监管区域由第i个单位周期ti和第i+1个单位周期ti+1构成的第j个监测节点Nj中,所述某监管区域对应在ti+1的指标值集合为L={a(P1)、a(P2)、...、a(Pn)},对应在ti的指标值集合为L={b(P1)、b(P2)、...、b(Pn)};其中,P1、P2、...、Pn分别表示第1、2、...、n项鼠情监管指标;其中,a(P1)、a(P2)、...、a(Pn)分别表示P1、P2、...、Pn于ti+1所呈现的指标值;b(P1)、b(P2)、...、b(Pn)分别表示P1、P2、...、Pn于ti所呈现的指标值;
步骤S202:若Nj中存在任意项鼠情监管指标Pk于ti+1所呈现的指标值为b(Pk),于ti所呈现的指标值为a(Pk),当满足指标差值h(Pk)=b(Pk)-a(Pk)>0时,将所述任意项鼠情监管指标Pk设为第一目标指标项,当满足指标差值h(Pk)=b(Pk)-a(Pk)<0时,将所述任意项鼠情监管指标Pk设为第二目标指标项;
步骤S203:对各监管区域在每一个监测节点中存在的第一目标指标项和第二目标指标项进行汇集,分别得到对应各监测节点的第一目标指标项集合和第二目标指标项集合;逐一将所述第一目标指标项集合内各第一目标指标项依次与所述第二目标指标项集合内各第二目标指标项进行组合,汇集在所有监测节点中存在的所有目标指标项组合类型;
步骤S204:分别对各类型目标指标项组合计算特征指数β=m/M;其中,m表示从任意监测节点中提取存在所述各类型目标指标项组合的监管区域的总数;M表示对目标开展鼠情监管的草原划分得到监管区域的总数。
3.根据权利要求1所述的一种基于大数据监测的草原鼠情智能监管方法,其特征在于,所述步骤S300包括:
步骤S301:当某类型目标指标项组合的特征指数大于指数阈值,判断所述某类型目标指标项组合为特征目标指标项组合;分别提取各监管区域内各监测节点的第一目标指标项集合和第二目标指标项集合;设某监管区域内某监测节点的第一目标指标项集合为A,第二目标指标项集合为B;
步骤S302:当A内存在的某第一目标指标项x与B内存在的某第二目标指标项y构成某特征目标指标项组合时,捕捉获取得到对应所述某第一目标指标项x的时间tx和所述某第二目标指标项y的时间ty;当tx>ty时,将所述某第一目标指标项x从第一目标指标项集合A中剔除,得到第一特征指标项集合A’;当tx<ty时,将所述某第二目标指标项y从第二目标指标项集合B中剔除,得到第二特征指标项集合B’。
4.根据权利要求3所述的一种基于大数据监测的草原鼠情智能监管方法,其特征在于,所述步骤S400包括:
步骤S401:分别对各监管区域的各监测节点提取第一特征指标项集合和第二特征指标项集合;当某监管区域R1的第k个监测节点的第一特征指标项集合,与某监管区域R2的第k个监测节点的第二特征指标项集合之间的相似度大于相似度阈值时,判断某监管区域R1与某监管区域R2在第k个监测节点满足指标变换关联影响;
步骤S402:当某监管区域R1的第k个监测节点的第二特征指标项集合,与某监管区域R2的第k个监测节点的第一特征指标项集合之间的相似度大于相似度阈值时,判断某监管区域R1与某监管区域R2在第k个监测节点满足指标变换关联影响。
5.根据权利要求4所述的一种基于大数据监测的草原鼠情智能监管方法,其特征在于,所述步骤S500包括:
步骤S501:设监测节点的总数为Q,与各监管区域存在满足指标变换关联影响的监测节点的总数为G,计算各监管区域F的第一特征影响值β1=G/Q;
步骤S502:分别获取与各某监管区域于各监测节点上满足指标变换关联影响的监管区域总数,计算各监管区域的第二特征影响值β2=f1+f2+...fQ;其中f1、f2、...、fQ分别表示在第1、2、...、Q个监测节点上,与所述某监管区域F满足指标变换关联影响的监管区域总数;
步骤S503:计算各监管区域的综合影响值α=β1*β2;将综合影响值大于阈值的监管区域反馈给监管人员。
6.应用于权利要求1-5中任意一项所述的一种基于大数据监测的草原鼠情智能监管方法的草原鼠情智能监管系统,其特征在于,所述系统包括:鼠情监管数据管理模块、鼠情监管数据梳理模块、鼠情监管数据分析模块、监管区域关联影响识别判断模块、监管提示管理模块;
所述鼠情监管数据管理模块,用于对目标开展鼠情监管的草原划分监管区域,分别对各监管区域布控鼠情监测设备;设置若干项鼠情监管指标,汇集在各监管区域内由各鼠情监测设备所监测采集到的鼠情数据,基于所述鼠情数据获取所述各监管区域对应各项鼠情监管指标的指标值;
所述鼠情监管数据梳理模块,用于分别对各监管区域提取各项鼠情监管指标所对应的指标值;分别对各鼠情监管指标项进行第一目标指标项或者第二目标指标项的识别判断;对在所有监测节点中存在的所有目标指标项组合进行提取,对各类型目标指标项组合计算组合出现的特征指数,筛选出特征指标项组合;
所述鼠情监管数据分析模块,用于分别在各监管区域各监测节点所包含的所有第一目标指标项和所有第二目标指标项中,基于特征指标项组合进行相应目标指标项的剔除处理;
所述监管区域关联影响识别判断模块,用于根据不同监管区域于相同监测节点之间所呈现的特征指标项集合的分布情况,对不同监管区域在同一监测节点上是否满足指标变换关联影响进行判断识别;
所述监管提示管理模块,用于基于在所有监管区域之间呈现的指标变换关联影响关系的分布情况,分别对各监管区域进行综合影响值的分析计算;将综合影响值大于阈值的监管区域进行标记并反馈给监管人员,提示监管人员对标记的监管区域内的鼠情数据变化情况进行重点监测。
7.根据权利要求6所述的草原鼠情智能监管系统,其特征在于,所述鼠情监管数据梳理模块包括指标数据分析单元、指标数据筛选管理单元;
所述指标数据分析单元,用于分别对各监管区域提取各项鼠情监管指标所对应的指标值;分别对各鼠情监管指标项进行第一目标指标项或者第二目标指标项的识别判断;
所述指标数据筛选管理单元,用于对在所有监测节点中存在的所有目标指标项组合进行提取,对各类型目标指标项组合计算组合出现的特征指数,筛选出特征指标项组合。
8.根据权利要求6所述的草原鼠情智能监管系统,其特征在于,所述监管区域关联影响识别判断模块包括特征指标项分布梳理单元、关联影响识别判断单元;
所述特征指标项分布梳理单元,用于梳理不同监管区域于相同监测节点之间所呈现的特征指标项集合的分布情况;
所述关联影响识别判断单元,用于对不同监管区域在同一监测节点上是否满足指标变换关联影响进行判断识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310894358.2A CN116911500A (zh) | 2023-07-20 | 2023-07-20 | 一种基于大数据监测的草原鼠情智能监管系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310894358.2A CN116911500A (zh) | 2023-07-20 | 2023-07-20 | 一种基于大数据监测的草原鼠情智能监管系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116911500A true CN116911500A (zh) | 2023-10-20 |
Family
ID=88352707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310894358.2A Withdrawn CN116911500A (zh) | 2023-07-20 | 2023-07-20 | 一种基于大数据监测的草原鼠情智能监管系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911500A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590793A (zh) * | 2024-01-19 | 2024-02-23 | 中建安装集团有限公司 | 一种基于物联网的水厂水处理一体化监控系统及方法 |
-
2023
- 2023-07-20 CN CN202310894358.2A patent/CN116911500A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590793A (zh) * | 2024-01-19 | 2024-02-23 | 中建安装集团有限公司 | 一种基于物联网的水厂水处理一体化监控系统及方法 |
CN117590793B (zh) * | 2024-01-19 | 2024-03-26 | 中建安装集团有限公司 | 一种基于物联网的水厂水处理一体化监控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI416068B (zh) | 跨感測器間之物體追蹤方法與系統 | |
CN107577688B (zh) | 基于媒体信息采集的原创文章影响力分析系统 | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
US20100036875A1 (en) | system for automatic social network construction from image data | |
CN108388927A (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN110533100B (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
CN116911500A (zh) | 一种基于大数据监测的草原鼠情智能监管系统及方法 | |
Oliveira et al. | Automated monitoring of construction sites of electric power substations using deep learning | |
CN115719475B (zh) | 一种基于深度学习的三阶段轨旁设备故障自动检测方法 | |
CN115620178A (zh) | 一种用于无人机的电网异常危险行为的实时检测方法 | |
CN116843955A (zh) | 一种基于计算机视觉的微生物分类识别方法和系统 | |
CN109993071B (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
CN116723540A (zh) | 一种5g网络数据的质差检测模型训练及质差检测方法 | |
CN115083004B (zh) | 一种身份识别方法、装置和计算机可读存储介质 | |
CN112529366A (zh) | 一种基于机器视觉的工程远程监理协同管控系统 | |
CN111310795A (zh) | 基于图像及分子数据的多模态实蝇识别系统及方法 | |
CN116520307B (zh) | 一种基于目标追踪的雷达协同检测系统及方法 | |
Jishnu et al. | Animal Tracks Classification Using Deep Learning | |
CN117095317B (zh) | 一种无人机三维影像实体识别与时间定位方法 | |
CN111309954B (zh) | 景区导购行为识别系统 | |
CN118314478A (zh) | 一种蚜传染病毒大范围识别方法、介质及系统 | |
CN117591938A (zh) | 一种基于神经网络的农机轨迹时空特性提取与行为识别方法 | |
Nimbarte et al. | Change Detection of Vegetation by Satellite Image Analysis | |
CN117197574A (zh) | 一种海洋浮游植物的鉴定方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231020 |