CN117030966B - 基于大数据的生态环境智能监测方法及系统 - Google Patents
基于大数据的生态环境智能监测方法及系统 Download PDFInfo
- Publication number
- CN117030966B CN117030966B CN202311293836.0A CN202311293836A CN117030966B CN 117030966 B CN117030966 B CN 117030966B CN 202311293836 A CN202311293836 A CN 202311293836A CN 117030966 B CN117030966 B CN 117030966B
- Authority
- CN
- China
- Prior art keywords
- preset time
- target
- force sensor
- biological activity
- activity index
- 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 30
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000004071 biological effect Effects 0.000 claims abstract description 110
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 100
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 100
- 239000001301 oxygen Substances 0.000 claims abstract description 100
- 241000195493 Cryptophyta Species 0.000 claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 57
- 230000000694 effects Effects 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 5
- 241000251468 Actinopterygii Species 0.000 description 2
- 230000005791 algae growth Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/186—Water using one or more living organisms, e.g. a fish
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
-
- 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
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Wood Science & Technology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Botany (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明涉及生态数据处理技术领域,具体涉及基于大数据的生态环境智能监测方法及系统,该方法包括:获取预设时间段内的每个预设时刻下的溶解氧浓度,以及构成每个组合力传感器的每个目标力传感器在每个预设时刻下采集的目标力值;对构成每个组合力传感器的所有目标力传感器进行划分;确定每个组合力传感器在每个预设时刻下的正面生物活动指标、反面生物活动指标和整体生物活动指标;确定生物影响指标;根据生物影响指标,对当前时刻下的溶解氧浓度进行修正,得到目标氧浓度,并基于目标氧浓度,判断藻类含量是否超标。本发明通过对采集的所有溶解氧浓度和目标力值进行数据处理,提高了藻类含量是否超标判断的准确度。
Description
技术领域
本发明涉及生态数据处理技术领域,具体涉及基于大数据的生态环境智能监测方法及系统。
背景技术
大数据,或称巨量资料,指的是所涉及的资料量规模巨大到无法透过主流软件工具。大数据应用广泛,比如,可以采用大数据对生态环境进行监测。藻类是否超标监测是比较常见的生态环境监测。藻类超标可能会对多个行业产生不利影响,特别是与水体和水资源相关的行业。监测藻类超标可以及早发现问题,并采取适当的措施来保护水源和供水系统的正常运作。目前,监测藻类超标时,通常采用的方式为:通过采集的溶解氧浓度,判断藻类含量是否超标。
然而,当采用上述方式时,经常会存在如下技术问题:
由于水生生物活动往往会影响水体中的溶解氧浓度,从而导致采集的溶解氧浓度并不准确,进而导致藻类含量是否超标判断的准确度较低。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决藻类含量是否超标判断的准确度较低的技术问题,本发明提出了基于大数据的生态环境智能监测方法及系统。
第一方面,本发明提供了基于大数据的生态环境智能监测方法,该方法包括:
获取预设时间段内的每个预设时刻下的溶解氧浓度,以及构成每个组合力传感器的每个目标力传感器在每个预设时刻下采集的目标力值,其中,预设时间段内的最后一个预设时刻为当前时刻;
根据预先获取的目标水流方向,对构成每个组合力传感器的所有目标力传感器进行划分,得到每个组合力传感器对应的正面力传感器、偏正面传感器组和反面传感器组;
根据每个组合力传感器对应的正面力传感器和偏正面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,以及正面力传感器和偏正面传感器组中各个目标力传感器之间的夹角,确定每个组合力传感器在每个预设时刻下的正面生物活动指标;
根据每个组合力传感器对应的反面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,确定每个组合力传感器在每个预设时刻下的反面生物活动指标;
根据所有组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个预设时刻下的整体生物活动指标;
根据预设时间段内所有预设时刻下的整体生物活动指标和溶解氧浓度,确定生物影响指标;
根据所述生物影响指标,对当前时刻下的溶解氧浓度进行修正,得到目标氧浓度,并基于所述目标氧浓度,判断藻类含量是否超标。
可选地,所述每个组合力传感器在每个预设时刻下的正面生物活动指标对应的公式为:
;
其中,是第i个组合力传感器在预设时间段内第j个预设时刻下的正面生物活动指标;i是组合力传感器的序号;j是预设时刻的序号;/>是归一化函数;/>是第i个组合力传感器对应的偏正面传感器组中目标力传感器的数量;/>是第i个组合力传感器对应的偏正面传感器组中,第/>个目标力传感器在第j个预设时刻下采集的目标力值;/>是第i个组合力传感器对应的偏正面传感器组中目标力传感器的序号;/>是第i个组合力传感器对应的正面力传感器在第j个预设时刻下采集的目标力值;/>是预先设置的大于0的因子;/>是第i个组合力传感器对应的偏正面传感器组中,第/>个目标力传感器与第i个组合力传感器对应的正面力传感器之间的夹角;/>是取绝对值函数;/>是/>的余弦值。
可选地,所述根据每个组合力传感器对应的反面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,确定每个组合力传感器在每个预设时刻下的反面生物活动指标,包括:
对所述组合力传感器对应的反面传感器组中所有目标力传感器在所述预设时刻下采集的目标力值的均值进行归一化,得到所述组合力传感器在所述预设时刻下的反面生物活动指标。
可选地,所述根据所有组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个预设时刻下的整体生物活动指标,包括:
根据每个组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个组合力传感器在每个预设时刻下的目标活动指标;
根据所有组合力传感器在每个预设时刻下的目标活动指标,确定每个预设时刻下的整体生物活动指标。
可选地,所述根据每个组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个组合力传感器在每个预设时刻下的目标活动指标,包括:
将每个组合力传感器在每个预设时刻下的反面生物活动指标与正面生物活动指标的和,确定为每个组合力传感器在每个预设时刻下的目标活动指标。
可选地,所述根据所有组合力传感器在每个预设时刻下的目标活动指标,确定每个预设时刻下的整体生物活动指标,包括:
将所有组合力传感器在每个预设时刻下的目标活动指标的均值,确定为每个预设时刻下的整体生物活动指标。
可选地,所述根据预设时间段内所有预设时刻下的整体生物活动指标和溶解氧浓度,确定生物影响指标,包括:
将预设时间段内所有预设时刻下的整体生物活动指标,组合为整体生物活动指标序列;
将预设时间段内所有预设时刻下的溶解氧浓度,组合为溶解氧浓度序列;
将所述整体生物活动指标序列与所述溶解氧浓度序列之间的皮尔逊相关系数,确定为生物影响指标。
可选地,所述目标氧浓度对应的公式为:
;
其中,是所述目标氧浓度;/>是当前时刻下的溶解氧浓度;/>是当前时刻下的溶解氧浓度与预设时间段内第一个预设时刻下的溶解氧浓度的差值;/>是所述生物影响指标。
可选地,所述基于所述目标氧浓度,判断藻类含量是否超标,包括:
若所述目标氧浓度小于预设浓度阈值,则判定藻类含量超标,否则判定藻类含量不超标。
第二方面,本发明提供了基于大数据的生态环境智能监测系统,包括处理器和存储器,上述处理器用于处理存储在上述存储器中的指令以实现上述的基于大数据的生态环境智能监测方法。
本发明具有如下有益效果:
本发明采用大数据对生态环境进行监测,通过对采集的所有溶解氧浓度和目标力值进行数据处理,提高了藻类含量是否超标判断的准确度。首先,由于水生生物,比如鱼类活动往往会影响溶解氧浓度和目标力值,因此获取预设时间段内的每个预设时刻下的溶解氧浓度,以及构成每个组合力传感器的每个目标力传感器在每个预设时刻下采集的目标力值,可以便于后续对当前时刻下的溶解氧浓度进行修正。然后,由于目标水流方向处的水流冲击力往往影响着组合力传感器对力的接收,并且对各个目标力传感器接收力的影响往往不同,因此基于目标水流方向,对构成每个组合力传感器的所有目标力传感器进行划分,可以便于后续对正面力传感器、偏正面传感器组和反面传感器组进行精确的分析。接着,由于正面力传感器和偏正面传感器组中的目标力传感器相对正向面对目标水流方向,其采集的目标力值除了受到水生生物活动影响外往往还受到目标水流方向处的水流冲击力影响,因此综合考虑每个组合力传感器对应的正面力传感器和偏正面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,以及正面力传感器和偏正面传感器组中各个目标力传感器之间的夹角,可以提高每个组合力传感器在每个预设时刻下的正面生物活动指标确定的准确度。之后,综合考虑每个组合力传感器对应的反面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,可以量化每个组合力传感器在每个预设时刻下的反面生物活动指标。继续,综合考虑所有组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,可以量化每个预设时刻下的整体生物活动指标。而后,由于水生生物活动往往影响着溶解氧浓度,因此综合考虑预设时间段内所有预设时刻下的整体生物活动指标和溶解氧浓度,可以提高生物影响指标确定的准确度。最后,基于生物影响指标,对当前时刻下的溶解氧浓度进行修正,可以得到相对准确的目标氧浓度,因此相较于直接基于溶解氧浓度,判断藻类含量是否超标,本发明基于目标氧浓度,判断藻类含量是否超标,可以在一定程度上提高藻类含量是否超标判断的准确度。
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和优点,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的介绍,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它附图。
图1为本发明的基于大数据的生态环境智能监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供了基于大数据的生态环境智能监测方法,该方法包括以下步骤:
获取预设时间段内的每个预设时刻下的溶解氧浓度,以及构成每个组合力传感器的每个目标力传感器在每个预设时刻下采集的目标力值,其中,预设时间段内的最后一个预设时刻为当前时刻;
根据预先获取的目标水流方向,对构成每个组合力传感器的所有目标力传感器进行划分,得到每个组合力传感器对应的正面力传感器、偏正面传感器组和反面传感器组;
根据每个组合力传感器对应的正面力传感器和偏正面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,以及正面力传感器和偏正面传感器组中各个目标力传感器之间的夹角,确定每个组合力传感器在每个预设时刻下的正面生物活动指标;
根据每个组合力传感器对应的反面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,确定每个组合力传感器在每个预设时刻下的反面生物活动指标;
根据所有组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个预设时刻下的整体生物活动指标;
根据预设时间段内所有预设时刻下的整体生物活动指标和溶解氧浓度,确定生物影响指标;
根据生物影响指标,对当前时刻下的溶解氧浓度进行修正,得到目标氧浓度,并基于目标氧浓度,判断藻类含量是否超标。
下面对上述各个步骤进行详细展开:
参考图1,示出了本发明的基于大数据的生态环境智能监测方法的一些实施例的流程。该基于大数据的生态环境智能监测方法,包括以下步骤:
步骤S1,获取预设时间段内的每个预设时刻下的溶解氧浓度,以及构成每个组合力传感器的每个目标力传感器在每个预设时刻下采集的目标力值。
在一些实施例中,可以获取预设时间段内的每个预设时刻下的溶解氧浓度,以及构成每个组合力传感器的每个目标力传感器在每个预设时刻下采集的目标力值。
其中,预设时间段可以是预先设置的时间段。预设时间段内的最后一个预设时刻可以为当前时刻。例如,预设时间段对应的时长可以为5分钟。预设时刻可以是预先设置的时刻。相邻预设时刻之间的时长可以相同。例如,相邻预设时刻之间的时长可以为1秒。比如,预设时间段的开始时间可以是2023年08月31日23时00分00秒。预设时间段的结束时间可以是2023年08月31日23时00分02秒。相邻预设时刻之间的时长为1秒,则该预设时间段内的各个预设时刻分别可以为2023年08月31日23时00分00秒、2023年08月31日23时00分01秒和2023年08月31日23时00分02秒。溶解氧浓度可以是水中的溶解氧含量。组合力传感器可以是由多个传感器组成的圆形传感器。例如,组合力传感器可以是多轴力传感器。目标力传感器可以是构成组合力传感器的传感器。目标力值可以是目标力传感器在采集的受力值。
需要说明的是,由于水生生物活动往往会影响溶解氧浓度和目标力值,因此获取预设时间段内的每个预设时刻下的溶解氧浓度,以及构成每个组合力传感器的每个目标力传感器在每个预设时刻下采集的目标力值,可以便于后续对当前时刻下的溶解氧浓度进行修正。
作为示例,本步骤可以包括以下步骤:
第一步,获取预设时间段内的每个预设时刻下的溶解氧浓度。
例如,可以通过溶解氧仪,在预设时间段内的每个预设时刻,采集一次待监测水体的溶解氧浓度。
其中,待监测水体可以是待进行藻类超标监测的水体。比如,待监测水体可以是河流。
第二步,获取构成每个组合力传感器的每个目标力传感器在每个预设时刻下采集的目标力值。
例如,可以通过构成每个组合力传感器的每个目标力传感器,在预设时间段内的每个预设时刻,采集一次受力值,作为目标力值。
需要说明的是,溶解氧仪以及多轴力传感器可以部署在待监测水体的水面以下靠近藻类生长区域的位置。这样不仅可以排除水面位置氧气与水接触的干扰,也可以更加靠近藻类生长区域使得监测结果更加准确。由于藻类会在白天进行光合作用产生氧气进而影响检测结果,所以实施例中的溶解氧浓度和目标力值的采集可以在夜晚进行。
步骤S2,根据预先获取的目标水流方向,对构成每个组合力传感器的所有目标力传感器进行划分,得到每个组合力传感器对应的正面力传感器、偏正面传感器组和反面传感器组。
在一些实施例中,可以根据预先获取的目标水流方向,对构成每个组合力传感器的所有目标力传感器进行划分,得到每个组合力传感器对应的正面力传感器、偏正面传感器组和反面传感器组。
其中,目标水流方向可以是待监测水体在预设时间段内的水流方向。正面力传感器可以是用于接收目标水流方向处的水流冲击力的目标力传感器。偏正面传感器组中的目标力传感器可以是受到水流冲击力影响的传感器。反面传感器组中的目标力传感器可以是基本未受到水流冲击力影响的传感器。
需要说明的是,在一定时间段内同一个河流的水流方向往往不变。所以待监测水体在预设时间段内各个预设时刻下水流方向可以是相同的方向,可以任选其中一个水流方向作为目标水流方向。
作为示例,本步骤可以包括以下步骤:
第一步,将每个组合力传感器中正对目标水流方向,用于接收目标水流方向处的水流冲击力的目标力传感器,确定为该组合力传感器对应的正面力传感器。
第二步,对于每个组合力传感器,将正面力传感器的中心与该组合力传感器的圆心的连线,作为该组合力传感器对应的目标线段。
第三步,对于每个组合力传感器,将该组合力传感器内垂直该组合力传感器对应的目标线段的直径,确定为该组合力传感器对应的目标直径。
第四步,对于每个组合力传感器,以该组合力传感器对应的目标直径为分割线,将该组合力传感器划分为两个半圆区域,并将正面力传感器所在的半圆区域内除了正面力传感器之外的所有目标力传感器,组合为偏正面传感器组;将不存在正面力传感器的半圆区域内的所有目标力传感器,组合为反面传感器组。
需要说明的是,由于目标水流方向处的水流冲击力往往影响着组合力传感器对力的接收,并且对各个目标力传感器接收力的影响往往不同,因此基于目标水流方向,对构成每个组合力传感器的所有目标力传感器进行划分,可以便于后续对正面力传感器、偏正面传感器组和反面传感器组进行精确的分析。
步骤S3,根据每个组合力传感器对应的正面力传感器和偏正面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,以及正面力传感器和偏正面传感器组中各个目标力传感器之间的夹角,确定每个组合力传感器在每个预设时刻下的正面生物活动指标。
在一些实施例中,可以根据每个组合力传感器对应的正面力传感器和偏正面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,以及正面力传感器和偏正面传感器组中各个目标力传感器之间的夹角,确定每个组合力传感器在每个预设时刻下的正面生物活动指标。
需要说明的是,由于正面力传感器和偏正面传感器组中的目标力传感器相对正向面对目标水流方向,其采集的目标力值除了受到水生生物活动影响外往往还受到目标水流方向处的水流冲击力影响,因此综合考虑每个组合力传感器对应的正面力传感器和偏正面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,以及正面力传感器和偏正面传感器组中各个目标力传感器之间的夹角,可以提高每个组合力传感器在每个预设时刻下的正面生物活动指标确定的准确度。
例如,若组合力传感器为由6个传感器构成的多轴力传感器,则构成该组合力传感器相邻的两个目标力传感器之间的夹角可以为60°,若某两个目标力传感器之间的相隔一个目标力传感器,则这两个目标力传感器之间的夹角可以为120°。
作为示例,确定每个组合力传感器在每个预设时刻下的正面生物活动指标对应的公式可以为:
;
其中,是第i个组合力传感器在预设时间段内第j个预设时刻下的正面生物活动指标。i是组合力传感器的序号。j是预设时刻的序号。/>是归一化函数。/>是第i个组合力传感器对应的偏正面传感器组中目标力传感器的数量。/>是第i个组合力传感器对应的偏正面传感器组中,第/>个目标力传感器在第j个预设时刻下采集的目标力值。/>是第i个组合力传感器对应的偏正面传感器组中目标力传感器的序号。/>是第i个组合力传感器对应的正面力传感器在第j个预设时刻下采集的目标力值。/>是预先设置的大于0的因子,主要用于防止分母为0,比如,/>可以为0.01。/>是第i个组合力传感器对应的偏正面传感器组中,第/>个目标力传感器与第i个组合力传感器对应的正面力传感器之间的夹角。/>是取绝对值函数。/>是/>的余弦值。
需要说明的是,往往可以表征水流的冲击力。当/>越小时,往往说明/>对应的矢量力越接近于/>对应的矢量力在/>对应的矢量力方向上的分量,往往说明在/>对应的矢量力方向上越可能没有受到除了水流冲击力之外的影响,即此时越可能没有受到水生生物,比如鱼类活动的影响。一般来说,若第i个组合力传感器只受到水流冲击力的影响,则/>对应的矢量力往往是/>对应的矢量力的一个分量,此时。因此,当/>越大时,往往说明第i个组合力传感器在预设时间段内第j个预设时刻下越可能在面向水流方向处的部位受到了水生生物活动的冲击力,并且受到的水生生物活动冲击力的程度相对越大。
步骤S4,根据每个组合力传感器对应的反面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,确定每个组合力传感器在每个预设时刻下的反面生物活动指标。
在一些实施例中,可以根据每个组合力传感器对应的反面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,确定每个组合力传感器在每个预设时刻下的反面生物活动指标。
需要说明的是,综合考虑每个组合力传感器对应的反面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,可以量化每个组合力传感器在每个预设时刻下的反面生物活动指标。
作为示例,可以对上述组合力传感器对应的反面传感器组中所有目标力传感器在上述预设时刻下采集的目标力值的均值进行归一化,得到上述组合力传感器在上述预设时刻下的反面生物活动指标。
例如,确定每个组合力传感器在每个预设时刻下的反面生物活动指标对应的公式可以为:
;
其中,是第i个组合力传感器在预设时间段内第j个预设时刻下的反面生物活动指标。i是组合力传感器的序号。j是预设时刻的序号。/>是归一化函数。/>是第i个组合力传感器对应的反面传感器组中目标力传感器的数量。/>是第i个组合力传感器对应的反面传感器组中,第b个目标力传感器在第j个预设时刻下采集的目标力值。b是第i个组合力传感器对应的反面传感器组中目标力传感器的序号。
需要说明的是,反面传感器组中目标力传感器往往是背向水流方向的传感器,往往没有受到水流冲击力的影响,往往只受到了水生生物活动的冲击力的影响,因此,当越大时,往往说明第i个组合力传感器在预设时间段内第j个预设时刻下越可能在背向水流方向处的部位受到了水生生物活动的冲击力,并且受到的水生生物活动冲击力的程度相对越大。
步骤S5,根据所有组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个预设时刻下的整体生物活动指标。
在一些实施例中,可以根据所有组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个预设时刻下的整体生物活动指标。
需要说明的是,综合考虑所有组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,可以量化每个预设时刻下的整体生物活动指标。
作为示例,本步骤可以包括以下步骤:
第一步,根据每个组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个组合力传感器在每个预设时刻下的目标活动指标。
例如,可以将每个组合力传感器在每个预设时刻下的反面生物活动指标与正面生物活动指标的和,确定为每个组合力传感器在每个预设时刻下的目标活动指标。
比如,确定每个组合力传感器在每个预设时刻下的目标活动指标对应的公式可以为:
;
其中,是第i个组合力传感器在预设时间段内第j个预设时刻下的目标活动指标。i是组合力传感器的序号。j是预设时刻的序号。/>是第i个组合力传感器在预设时间段内第j个预设时刻下的正面生物活动指标。/>是第i个组合力传感器在预设时间段内第j个预设时刻下的反面生物活动指标。
需要说明的是,当越大时,往往说明第i个组合力传感器在预设时间段内第j个预设时刻下越可能在面向水流方向处的部位受到了水生生物活动的冲击力,并且受到的水生生物活动冲击力的程度相对越大。当/>越大时,往往说明第i个组合力传感器在预设时间段内第j个预设时刻下越可能在背向水流方向处的部位受到了水生生物活动的冲击力,并且受到的水生生物活动冲击力的程度相对越大。因此当/>越大时,往往说明第i个组合力传感器在预设时间段内第j个预设时刻下越可能受到了水生生物活动的影响。
第二步,根据所有组合力传感器在每个预设时刻下的目标活动指标,确定每个预设时刻下的整体生物活动指标。
例如,将所有组合力传感器在每个预设时刻下的目标活动指标的均值,确定为每个预设时刻下的整体生物活动指标。
比如,确定每个预设时刻下的整体生物活动指标对应的公式可以为:
;
其中,是预设时间段内第j个预设时刻下的整体生物活动指标。N是组合力传感器的数量。/>是第i个组合力传感器在预设时间段内第j个预设时刻下的目标活动指标。i是组合力传感器的序号。j是预设时刻的序号。
需要说明的是,当越大时,往往说明第i个组合力传感器在预设时间段内第j个预设时刻下越可能受到了水生生物活动的影响。因此当/>越大时,往往说明在第j个预设时刻下越可能受到了水生生物活动的影响,并且水生生物活动程度可能相对较大。
步骤S6,根据预设时间段内所有预设时刻下的整体生物活动指标和溶解氧浓度,确定生物影响指标。
在一些实施例中,可以根据预设时间段内所有预设时刻下的整体生物活动指标和溶解氧浓度,确定生物影响指标。
需要说明的是,由于水生生物活动往往影响着溶解氧浓度,因此综合考虑预设时间段内所有预设时刻下的整体生物活动指标和溶解氧浓度,可以提高生物影响指标确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,将预设时间段内所有预设时刻下的整体生物活动指标,组合为整体生物活动指标序列。
其中,整体生物活动指标序列可以是整体生物活动指标的时序数据。
第二步,将预设时间段内所有预设时刻下的溶解氧浓度,组合为溶解氧浓度序列。
其中,溶解氧浓度序列可以是溶解氧浓度的时序数据。
第三步,将上述整体生物活动指标序列与上述溶解氧浓度序列之间的皮尔逊相关系数,确定为生物影响指标。
步骤S7,根据生物影响指标,对当前时刻下的溶解氧浓度进行修正,得到目标氧浓度,并基于目标氧浓度,判断藻类含量是否超标。
在一些实施例中,可以根据上述生物影响指标,对当前时刻下的溶解氧浓度进行修正,得到目标氧浓度,并基于上述目标氧浓度,判断藻类含量是否超标。
需要说明的是,基于生物影响指标,对当前时刻下的溶解氧浓度进行修正,可以得到相对准确的目标氧浓度,并基于目标氧浓度,判断藻类含量是否超标,可以实现藻类含量是否超标的监测。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述生物影响指标,对当前时刻下的溶解氧浓度进行修正,得到目标氧浓度对应的公式可以为:
;
其中,是上述目标氧浓度。/>是当前时刻下的溶解氧浓度。/>是当前时刻下的溶解氧浓度与预设时间段内第一个预设时刻下的溶解氧浓度的差值。/>是上述生物影响指标。
需要说明的是,当P越大时,往往说明待监测水体在预设时间段内受到的水生生物影响越大。因此可以表征修正后比较精确的溶解氧浓度。
第二步,基于上述目标氧浓度,判断藻类含量是否超标可以包括:若上述目标氧浓度小于预设浓度阈值,则判定藻类含量超标,否则判定藻类含量不超标。
其中,预设浓度阈值可以是预先设置的阈值。比如,预设浓度阈值可以是5。
例如,若上述目标氧浓度小于预设浓度阈值,则判定藻类含量超标,若上述目标氧浓度大于或等于预设浓度阈值,则判定藻类含量不超标,比较正常。
基于与上述方法实施例相同的发明构思,本发明提供了基于大数据的生态环境智能监测系统,该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,上述计算机程序被处理器执行时实现基于大数据的生态环境智能监测方法的步骤。
综上,本发明综合考虑了正面生物活动指标、反面生物活动指标和整体生物活动指标等,提高了生物影响指标确定的准确度,并基于生物影响指标,对当前时刻下的溶解氧浓度进行修正,可以得到相对准确的目标氧浓度,因此相较于直接基于溶解氧浓度,判断藻类含量是否超标,本发明基于目标氧浓度,判断藻类含量是否超标,可以在一定程度上提高藻类含量是否超标判断的准确度。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的生态环境智能监测方法,其特征在于,包括以下步骤:
获取预设时间段内的每个预设时刻下的溶解氧浓度,以及构成每个组合力传感器的每个目标力传感器在每个预设时刻下采集的目标力值,其中,预设时间段内的最后一个预设时刻为当前时刻;
根据预先获取的目标水流方向,对构成每个组合力传感器的所有目标力传感器进行划分,得到每个组合力传感器对应的正面力传感器、偏正面传感器组和反面传感器组;
根据每个组合力传感器对应的正面力传感器和偏正面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,以及正面力传感器和偏正面传感器组中各个目标力传感器之间的夹角,确定每个组合力传感器在每个预设时刻下的正面生物活动指标;
根据每个组合力传感器对应的反面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,确定每个组合力传感器在每个预设时刻下的反面生物活动指标;
根据所有组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个预设时刻下的整体生物活动指标;
根据预设时间段内所有预设时刻下的整体生物活动指标和溶解氧浓度,确定生物影响指标;
根据所述生物影响指标,对当前时刻下的溶解氧浓度进行修正,得到目标氧浓度,并基于所述目标氧浓度,判断藻类含量是否超标。
2.根据权利要求1所述的一种基于大数据的生态环境智能监测方法,其特征在于,所述每个组合力传感器在每个预设时刻下的正面生物活动指标对应的公式为:
;
其中,是第i个组合力传感器在预设时间段内第j个预设时刻下的正面生物活动指标;i是组合力传感器的序号;j是预设时刻的序号;/>是归一化函数;/>是第i个组合力传感器对应的偏正面传感器组中目标力传感器的数量;/>是第i个组合力传感器对应的偏正面传感器组中,第/>个目标力传感器在第j个预设时刻下采集的目标力值;是第i个组合力传感器对应的偏正面传感器组中目标力传感器的序号;/>是第i个组合力传感器对应的正面力传感器在第j个预设时刻下采集的目标力值;/>是预先设置的大于0的因子;/>是第i个组合力传感器对应的偏正面传感器组中,第/>个目标力传感器与第i个组合力传感器对应的正面力传感器之间的夹角;/>是取绝对值函数;/>是/>的余弦值。
3.根据权利要求1所述的一种基于大数据的生态环境智能监测方法,其特征在于,所述根据每个组合力传感器对应的反面传感器组中所有目标力传感器在每个预设时刻下采集的目标力值,确定每个组合力传感器在每个预设时刻下的反面生物活动指标,包括:
对所述组合力传感器对应的反面传感器组中所有目标力传感器在所述预设时刻下采集的目标力值的均值进行归一化,得到所述组合力传感器在所述预设时刻下的反面生物活动指标。
4.根据权利要求1所述的一种基于大数据的生态环境智能监测方法,其特征在于,所述根据所有组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个预设时刻下的整体生物活动指标,包括:
根据每个组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个组合力传感器在每个预设时刻下的目标活动指标;
根据所有组合力传感器在每个预设时刻下的目标活动指标,确定每个预设时刻下的整体生物活动指标。
5.根据权利要求4所述的一种基于大数据的生态环境智能监测方法,其特征在于,所述根据每个组合力传感器在每个预设时刻下的反面生物活动指标和正面生物活动指标,确定每个组合力传感器在每个预设时刻下的目标活动指标,包括:
将每个组合力传感器在每个预设时刻下的反面生物活动指标与正面生物活动指标的和,确定为每个组合力传感器在每个预设时刻下的目标活动指标。
6.根据权利要求4所述的一种基于大数据的生态环境智能监测方法,其特征在于,所述根据所有组合力传感器在每个预设时刻下的目标活动指标,确定每个预设时刻下的整体生物活动指标,包括:
将所有组合力传感器在每个预设时刻下的目标活动指标的均值,确定为每个预设时刻下的整体生物活动指标。
7.根据权利要求1所述的一种基于大数据的生态环境智能监测方法,其特征在于,所述根据预设时间段内所有预设时刻下的整体生物活动指标和溶解氧浓度,确定生物影响指标,包括:
将预设时间段内所有预设时刻下的整体生物活动指标,组合为整体生物活动指标序列;
将预设时间段内所有预设时刻下的溶解氧浓度,组合为溶解氧浓度序列;
将所述整体生物活动指标序列与所述溶解氧浓度序列之间的皮尔逊相关系数,确定为生物影响指标。
8.根据权利要求1所述的一种基于大数据的生态环境智能监测方法,其特征在于,所述目标氧浓度对应的公式为:
;
其中,是所述目标氧浓度;/>是当前时刻下的溶解氧浓度;/>是当前时刻下的溶解氧浓度与预设时间段内第一个预设时刻下的溶解氧浓度的差值;/>是所述生物影响指标。
9.根据权利要求1所述的一种基于大数据的生态环境智能监测方法,其特征在于,所述基于所述目标氧浓度,判断藻类含量是否超标,包括:
若所述目标氧浓度小于预设浓度阈值,则判定藻类含量超标,否则判定藻类含量不超标。
10.一种基于大数据的生态环境智能监测系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现权利要求1-9中任一项所述的一种基于大数据的生态环境智能监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293836.0A CN117030966B (zh) | 2023-10-09 | 2023-10-09 | 基于大数据的生态环境智能监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293836.0A CN117030966B (zh) | 2023-10-09 | 2023-10-09 | 基于大数据的生态环境智能监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117030966A CN117030966A (zh) | 2023-11-10 |
CN117030966B true CN117030966B (zh) | 2023-12-12 |
Family
ID=88645239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311293836.0A Active CN117030966B (zh) | 2023-10-09 | 2023-10-09 | 基于大数据的生态环境智能监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117030966B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106814174A (zh) * | 2015-11-27 | 2017-06-09 | 南开大学 | 基于压力-响应关系的溶解氧水生态基准验证方法 |
CN111899818A (zh) * | 2020-07-28 | 2020-11-06 | 王艳捷 | 一种智慧型污水生物处理活性污泥监测技术及方法 |
CN113066278A (zh) * | 2021-06-03 | 2021-07-02 | 广东省农业科学院动物科学研究所 | 一种水产养殖水质监控方法及系统 |
CN114858221A (zh) * | 2022-07-05 | 2022-08-05 | 中国长江三峡集团有限公司 | 一种基于水域营养状态预测的水华智能预警系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11402362B2 (en) * | 2017-06-19 | 2022-08-02 | Nanjing Institute Of Geography | Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom |
-
2023
- 2023-10-09 CN CN202311293836.0A patent/CN117030966B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106814174A (zh) * | 2015-11-27 | 2017-06-09 | 南开大学 | 基于压力-响应关系的溶解氧水生态基准验证方法 |
CN111899818A (zh) * | 2020-07-28 | 2020-11-06 | 王艳捷 | 一种智慧型污水生物处理活性污泥监测技术及方法 |
CN113066278A (zh) * | 2021-06-03 | 2021-07-02 | 广东省农业科学院动物科学研究所 | 一种水产养殖水质监控方法及系统 |
CN114858221A (zh) * | 2022-07-05 | 2022-08-05 | 中国长江三峡集团有限公司 | 一种基于水域营养状态预测的水华智能预警系统及方法 |
Non-Patent Citations (1)
Title |
---|
应用涡动相关技术的底栖溶解氧通量原位观测――以青岛汇泉湾砾石海滩短周期变化为例;崔尚公;于新生;赵广涛;;海洋信息(04);54-65 * |
Also Published As
Publication number | Publication date |
---|---|
CN117030966A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Recent advances in intelligent recognition methods for fish stress behavior | |
Mackas et al. | Zooplankton time series from the Strait of Georgia: results from year-round sampling at deep water locations, 1990–2010 | |
Blangero et al. | A kernel of truth: statistical advances in polygenic variance component models for complex human pedigrees | |
CN104921736B (zh) | 一种包含参数估计功能滤波模块的连续血糖监测设备 | |
CN110058222B (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
Laake et al. | Gray whale southbound migration surveys 1967–2006: an integrated re-analysis | |
US20180164272A1 (en) | Measuring Phosphorus in Wastewater Using a Self-Organizing RBF Neural Network | |
CN112733904B (zh) | 一种水质异常检测方法及电子设备 | |
CN115067243A (zh) | 一种基于物联网技术的渔业监测分析方法、系统及存储介质 | |
CN117030966B (zh) | 基于大数据的生态环境智能监测方法及系统 | |
CN115200647A (zh) | 一种水产养殖环境监测管理方法及系统 | |
CN114972339A (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
CN106846229B (zh) | 湖泊生态系统灾变早期预警方法 | |
CN112711052A (zh) | 基于连续t检验的GNSS坐标序列阶跃探测改进方法及系统 | |
CN116486430A (zh) | 一种基于多分辨率特征融合的多方位身体姿态评估方法 | |
JP2009175059A (ja) | 環境負荷濃度変化判定装置及び方法 | |
Gray | Bias in misspecified mixtures | |
CN113743609B (zh) | 一种面向多信号的快速断点检测方法、系统、设备及存储介质 | |
CN109632042B (zh) | 一种高精度的水位检测系统 | |
CN117668472B (zh) | 一种海岛礁环境多参量监测方法及系统 | |
CN116740767B (zh) | 一种基于机器视觉的鱼饲料投放方法 | |
CN105915891B9 (zh) | 一种基于暗场方差信号的图像传感器关键参数测试方法 | |
CN109993410B (zh) | 农机深松作业质量评价方法及装置 | |
Puckett et al. | Spatial patterns of genetic diversity in eight bear (Ursidae) species | |
Yang et al. | Artificial Intelligence in Internet of Things System for Predicting Water Quality in Aquaculture Fishponds. |
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 |