CN117171678B - 一种微生物修复过程中土壤微生物菌群调控方法及系统 - Google Patents
一种微生物修复过程中土壤微生物菌群调控方法及系统 Download PDFInfo
- Publication number
- CN117171678B CN117171678B CN202311449779.0A CN202311449779A CN117171678B CN 117171678 B CN117171678 B CN 117171678B CN 202311449779 A CN202311449779 A CN 202311449779A CN 117171678 B CN117171678 B CN 117171678B
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- data
- preset
- regulation
- site
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 95
- 230000000813 microbial effect Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000008569 process Effects 0.000 title claims abstract description 20
- 238000005067 remediation Methods 0.000 title claims abstract description 18
- 230000008439 repair process Effects 0.000 claims abstract description 107
- 238000003066 decision tree Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000000694 effects Effects 0.000 claims abstract description 35
- 230000001105 regulatory effect Effects 0.000 claims description 88
- 230000002159 abnormal effect Effects 0.000 claims description 72
- 230000001276 controlling effect Effects 0.000 claims description 31
- 244000005700 microbiome Species 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 19
- 238000003860 storage Methods 0.000 description 7
- 230000005012 migration Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 239000005416 organic matter Substances 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Processing Of Solid Wastes (AREA)
Abstract
本发明涉及污染治理调控技术领域，特别是一种微生物修复过程中土壤微生物菌群调控方法及系统，构建决策树模型，并通过所述决策树模型对初步处理后的特征数据进行进一步处理，得到若干个由各种特征数据组成的特征数据簇族；获取各特征数据簇族的DBI指数，根据所述DBI指数来衡量初始聚类结果的聚类效果，并根据聚类效果对初始聚类结果进行修正，得到最终聚类结果；根据所述平均特征数据对该修复场地进行评估出修复场地的调控方案。通过本步骤能够对聚类结果的可靠性进行评估，有效确保聚类数据的可靠性，避免所得到的聚类数据出现聚类错误现象，确保所制定调控方案的可靠性，进一步提高调控效果。
Description
技术领域
本发明涉及污染治理调控技术领域，特别是一种微生物修复过程中土壤微生物菌群调控方法及系统。
背景技术
土壤微生物修复是一种生物修复技术，旨在减轻或清除受到有机和无机污染物污染的土壤，这一过程依赖于土壤中的微生物，它们具有降解污染物的能力。通过调整pH值、温度、水分、有机物含量以及营养元素等土壤特征数据可以促进目标微生物的生长和活性，从而有效提高修复效果与修复效率，因此如何快速精准获取修复场地的土壤成分特性是调控的基础，并且当获取得到修复场地中各个预设位置区域中海量的土壤特性数据后，如何对这些数据进行处理，从而获取可靠的数据信息，事关能否制定出有效的调控策略，对修复场地的修复效果与修复效率有着重大的影响。
发明内容
本发明克服了现有技术的不足，提供了一种微生物修复过程中土壤微生物菌群调控方法及系统。
为达到上述目的本发明采用的技术方案为：
本发明第一方面公开了一种微生物修复过程中土壤微生物菌群调控方法，包括以下步骤：
S102：获取修复场地中各个预设位置区域中土壤成分的特征数据，并将各个预设位置区域的特征数据进行初步处理，得到初步处理后的特征数据；
S104：构建决策树模型，并通过所述决策树模型对初步处理后的特征数据进行进一步处理，得到若干个由各种特征数据组成的特征数据簇族；
S106：获取各特征数据簇族的DBI指数，根据所述DBI指数来衡量初始聚类结果的聚类效果，并根据聚类效果对初始聚类结果进行修正，得到最终聚类结果；
S108：根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控。
进一步的，本发明的一个较佳实施例中，将各个预设位置区域的特征数据进行初步处理，得到初步处理后的特征数据，具体为：
对各个预设位置区域的特征数据进行标准化处理，以将其转化成标准差为1的标准正态分布，得到标准化后的特征数据；
计算各个标准化后的特征数据相对于其余特征数据的均值和标准差的偏差，根据相应的均值和标准差的偏差计算得到各个标准化后的特征数据的标准分数；
逐一判断各个标准化后的特征数据的标准分数是否大于预设阈值；当标准化后的特征数据的标准分数大于预设阈值时，将标准分数大于预设阈值的特征数据保留；
当标准化后的特征数据的标准分数不大于预设阈值时，将标准分数大于预设阈值的特征数据剔除；
更新各个预设位置区域的特征数据，得到初步处理后的特征数据。
进一步的，本发明的一个较佳实施例中，构建决策树模型，并通过所述决策树模型对初步处理后的特征数据进行进一步处理，得到若干个由各种特征数据组成的特征数据簇族，具体为：
S202：构建决策树模型，并将提前预制好的样本数据分为训练集与测试集，将所述训练集导入所述决策树模型中；
S204：获取所述训练集中样本数据的数据特征，基于所述数据特征，获取样本数据的切分节点，并根据所述切分节点在决策树模型对样本数据进行切分，得到多个枝叶节点，生成初步切分后的决策树；
S206：引入余弦相似度算法，以计算所述各初步切分后的决策树中枝叶节点之间的余弦相似度，根据所述余弦相似度确定出离群枝叶节点，并基于遗传算法对所述离群枝叶节点进行迭代分裂，得到优化后的枝叶节点；
S208：根据所述优化后的枝叶节点对初步切分后的决策树进行更新，得到优化后的决策树；通过所述测试集计算优化后的决策树的准确度、召回率以及精确度，当所述准确度、召回率以及精确度均满足预设要求后，拟合优化后的决策树，得到训练好的决策树模型；
S210：随机访问一个预设位置区域中初步处理后的特征数据，将所述初步处理后的特征数据导入所述训练好的决策树模型中，并获取各特征数据与各样本数据之间的曼哈顿距离，并将曼哈顿距离小于预设曼哈顿距离的生物特征数据聚类到决策树相应位置的枝叶中；
S212：继续访问下一预设位置区域中初步处理后的特征数据，重复S210步骤，直至将所有预设位置区域中的生物特征数据均聚类到决策树的枝叶上后，对决策树的枝叶进行切割，根据切割后的枝叶将不同类型的特征数据进行聚类，得到若干个由各种特征数据组成的特征数据簇族，并输出初始聚类结果。
进一步的，本发明的一个较佳实施例中，获取各特征数据簇族的DBI指数，根据所述DBI指数来衡量初始聚类结果的聚类效果，并根据聚类效果对初始聚类结果进行修正，得到最终聚类结果，具体为：
对各特征数据簇族进行标准化，以确保各特征数据簇族中特征数据具有相似的尺度，并获取标准化后特征数据簇族中特征数据之间的协方差矩阵；
对所述协方差矩阵进行特征值分解，得到特征值和对应的特征向量，根据特征值的大小，选定各特征数据中所需保留的主成分；其中，特征向量代表新坐标系的方向，特征值表示特征数据在该方向上的方差；
根据所述保留的主成分将各特征数据簇族中的特征数据投影到新的低维空间中，从而降低数据的维度，并在新的低维空间中获取各特征数据之间的坐标信息；
根据所述坐标信息计算同一特征数据簇族中各特征数据之间的欧氏距离，并对同一特征数据簇族中各特征数据之间的欧氏距离进行均值处理，得到第一平均欧氏距离；
根据所述坐标信息计算不同特征数据簇族中各特征数据之间的欧氏距离，并对不同特征数据簇族中各特征数据之间的欧氏距离进行均值处理，得到第二平均欧氏距离；
根据所述第一平均欧氏距离与第二平均欧氏距离确定出各特征数据簇族的DBI指数；将所述各特征数据簇族的DBI指数与预设值进行比较；
若存在至少一个特征数据簇族的DBI指数大于预设值，则重复S210至S212步骤，直至当各特征数据簇族的DBI指数均不大于预设值，则获取各特征数据簇族中的特征数据，并将各特征数据簇族中的特征数据作为最终聚类结果数据；
若各特征数据簇族的DBI指数均不大于预设值，则直接获取各特征数据簇族中的特征数据，并将各特征数据簇族中的特征数据作为最终聚类结果数据输出。
进一步的，本发明的一个较佳实施例中，根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控，具体为：
根据所述最终聚类结果得到修复场地各预设位置区域中相同类型的特征数据，并对各预设位置区域中相同类型的特征数据进行求和后取平均值处理，得到修复场地中各种土壤成分的平均特征数据，并通过哈希算法计算修复场地中各种土壤成分的平均特征数据与相应标准特征数据之间的哈希值；
将哈希值大于预设哈希值的特征数据标定为异常数据，并将哈希值不大于预设哈希值的特征数据标定为正常数据；
统计修复场地中异常数据与正常数据的数目情况，根据异常数据与正常数据的数目情况确定出该修复场地中特征数据的异常等级；并将所述特征数据的异常等级与预设等级进行比较；
若所述特征数据的异常等级大于预设等级，则将该修复场地标记为需调控场地；若所述特征数据的异常等级不大于预设等级，则将该修复场地标记为不需调控场地。
进一步的，本发明的一个较佳实施例中，还包括以下步骤：
通过大数据网络获取土壤成分在各种预设组合数据之下微生物菌落的调控方案，构建知识图谱，并将土壤成分在各种预设组合数据之下微生物菌落的调控方案导入所述知识图谱中；
若修复场地为需调控场地，则获取该需调控场地中各种土壤成分的平均特征数据，并将该需调控场地中各种土壤成分的平均特征数据进行组合，得到需调控场地中土壤成分的实际组合数据；
通过灰色关联分析法计算所述实际组合数据与各种预设组合数据之间的相似度，得到多个相似度；
将多个所述相似度进行大小排序，排序完成后，提取出最大相似度，获取与所述最大相似度对应的预设组合数据，根据与所述最大相似度对应的预设组合数据生成检索标签；
基于所述检索标签对所述知识图谱进行检索，得到对该需调控场地进行调控的调控方案，并将检索得到的调控方案输出，基于所述调控方案控制调控设备对该需调控场地的微生物聚落进行调控。
本发明第二方面公开了一种微生物修复过程中土壤微生物菌群调控系统，所述土壤微生物菌群调控系统包括存储器与处理器，所述存储器中存储有土壤微生物菌群调控方法程序，当所述土壤微生物菌群调控方法程序被所述处理器执行时，实现如下步骤：
获取修复场地中各个预设位置区域中土壤成分的特征数据，并将各个预设位置区域的特征数据进行初步处理，得到初步处理后的特征数据；
构建决策树模型，并通过所述决策树模型对初步处理后的特征数据进行进一步处理，得到若干个由各种特征数据组成的特征数据簇族；
获取各特征数据簇族的DBI指数，根据所述DBI指数来衡量初始聚类结果的聚类效果，并根据聚类效果对初始聚类结果进行修正，得到最终聚类结果；
根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：构建决策树模型，并通过所述决策树模型对初步处理后的特征数据进行进一步处理，得到若干个由各种特征数据组成的特征数据簇族；获取各特征数据簇族的DBI指数，根据所述DBI指数来衡量初始聚类结果的聚类效果，并根据聚类效果对初始聚类结果进行修正，得到最终聚类结果；根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控。通过本步骤能够对聚类结果的可靠性进行评估，有效确保聚类数据的可靠性，避免所得到的聚类数据出现聚类错误现象，确保所制定调控方案的可靠性，进一步提高调控效果；通过所制定出的调控方法对修复场地进行调控，能够确保土壤中微生物活性，使得微生物菌落在更适宜环境生长，提高菌落繁殖速度，提高修复效果。
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为一种微生物修复过程中土壤微生物菌群调控方法的第一方法流程图；
图2为一种微生物修复过程中土壤微生物菌群调控方法的第二方法流程图；
图3为一种微生物修复过程中土壤微生物菌群调控方系统的系统框图。
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。
如图1所示，本发明第一方面公开了一种微生物修复过程中土壤微生物菌群调控方法，包括以下步骤：
S102：获取修复场地中各个预设位置区域中土壤成分的特征数据，并将各个预设位置区域的特征数据进行初步处理，得到初步处理后的特征数据；
S104：构建决策树模型，并通过所述决策树模型对初步处理后的特征数据进行进一步处理，得到若干个由各种特征数据组成的特征数据簇族；
S106：获取各特征数据簇族的DBI指数，根据所述DBI指数来衡量初始聚类结果的聚类效果，并根据聚类效果对初始聚类结果进行修正，得到最终聚类结果；
S108：根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控。
具体地，将各个预设位置区域的特征数据进行初步处理，得到初步处理后的特征数据，具体为：
对各个预设位置区域的特征数据进行标准化处理，以将其转化成标准差为1的标准正态分布，得到标准化后的特征数据；
计算各个标准化后的特征数据相对于其余特征数据的均值和标准差的偏差，根据相应的均值和标准差的偏差计算得到各个标准化后的特征数据的标准分数；
逐一判断各个标准化后的特征数据的标准分数是否大于预设阈值；当标准化后的特征数据的标准分数大于预设阈值时，将标准分数大于预设阈值的特征数据保留；
当标准化后的特征数据的标准分数不大于预设阈值时，将标准分数大于预设阈值的特征数据剔除；
更新各个预设位置区域的特征数据，得到初步处理后的特征数据。
需要说明的是，由于设备精度、传输信号以及采集环境等因素的影响，所采集得到的数据会存在失真与漂移等现象，此为异常数据，因此通过标准分数方法筛选出异常数据，如果标准分数大于阈值，表明数据点偏离了均值超过了设定的阈值，为正常数据；如果标准分数不大于于阈值，为异常数据。通过本方法能够快速筛除异常数据，从而对采集到的异常数据进行清洗，提高数据可靠性。
具体地，构建决策树模型，并通过所述决策树模型对初步处理后的特征数据进行进一步处理，得到若干个由各种特征数据组成的特征数据簇族，如图2所示，具体为：
S202：构建决策树模型，并将提前预制好的样本数据分为训练集与测试集，将所述训练集导入所述决策树模型中；
S204：获取所述训练集中样本数据的数据特征，基于所述数据特征，获取样本数据的切分节点，并根据所述切分节点在决策树模型对样本数据进行切分，得到多个枝叶节点，生成初步切分后的决策树；
S206：引入余弦相似度算法，以计算所述各初步切分后的决策树中枝叶节点之间的余弦相似度，根据所述余弦相似度确定出离群枝叶节点，并基于遗传算法对所述离群枝叶节点进行迭代分裂，得到优化后的枝叶节点；
S208：根据所述优化后的枝叶节点对初步切分后的决策树进行更新，得到优化后的决策树；通过所述测试集计算优化后的决策树的准确度、召回率以及精确度，当所述准确度、召回率以及精确度均满足预设要求后，拟合优化后的决策树，得到训练好的决策树模型；
S210：随机访问一个预设位置区域中初步处理后的特征数据，将所述初步处理后的特征数据导入所述训练好的决策树模型中，并获取各特征数据与各样本数据之间的曼哈顿距离，并将曼哈顿距离小于预设曼哈顿距离的生物特征数据聚类到决策树相应位置的枝叶中；
S212：继续访问下一预设位置区域中初步处理后的特征数据，重复S210步骤，直至将所有预设位置区域中的生物特征数据均聚类到决策树的枝叶上后，对决策树的枝叶进行切割，根据切割后的枝叶将不同类型的特征数据进行聚类，得到若干个由各种特征数据组成的特征数据簇族，并输出初始聚类结果。
需要说明的是，决策树是一种树状结构，其中每个节点代表一个特征或属性，每个边（或分支）代表一个决策规则，每个叶子节点代表一个类别标签或输出值，从根节点开始，根据规则依次遍历节点，最终到达叶子节点，从而决定数据所属的类别。为了应对过拟合问题，引入余弦相似度算法，并计算所述各初步切分后的决策树中枝叶节点之间的余弦相似度，根据所述余弦相似度确定出离群枝叶节点，并基于遗传算法对所述离群枝叶节点进行迭代分裂，得到优化后的枝叶节点，减小树的深度或合并叶子节点。当需要对海量特征数据进行分类时，将曼哈顿距离小于预设曼哈顿距离的生物特征数据聚类到决策树相应位置的枝叶中，然后将该叶子节点的类别作为预测结果，直至将所有预设位置区域中的生物特征数据均聚类到决策树的枝叶上后，对决策树的枝叶进行切割，根据切割后的枝叶将不同类型的特征数据进行聚类，得到若干个由各种特征数据组成的特征数据簇族。通过本方法能够通过决策树模型对海量的特征数据进行快速分类，从而得到多个特征数据簇族，如由PH值数据组成的簇族、由温度值数据组成的簇族等；并且通过本方法能够对决策树模型进行进一步改进，避免出现过拟合问题，从而提高数据分类精度，避免出现局部最优解现象。
具体地，获取各特征数据簇族的DBI指数，根据所述DBI指数来衡量初始聚类结果的聚类效果，并根据聚类效果对初始聚类结果进行修正，得到最终聚类结果，具体为：
对各特征数据簇族进行标准化，以确保各特征数据簇族中特征数据具有相似的尺度，并获取标准化后特征数据簇族中特征数据之间的协方差矩阵；
对所述协方差矩阵进行特征值分解，得到特征值和对应的特征向量，根据特征值的大小，选定各特征数据中所需保留的主成分；其中，特征向量代表新坐标系的方向，特征值表示特征数据在该方向上的方差；
根据所述保留的主成分将各特征数据簇族中的特征数据投影到新的低维空间中，从而降低数据的维度，并在新的低维空间中获取各特征数据之间的坐标信息；
根据所述坐标信息计算同一特征数据簇族中各特征数据之间的欧氏距离，并对同一特征数据簇族中各特征数据之间的欧氏距离进行均值处理，得到第一平均欧氏距离；
根据所述坐标信息计算不同特征数据簇族中各特征数据之间的欧氏距离，并对不同特征数据簇族中各特征数据之间的欧氏距离进行均值处理，得到第二平均欧氏距离；
根据所述第一平均欧氏距离与第二平均欧氏距离确定出各特征数据簇族的DBI指数；将所述各特征数据簇族的DBI指数与预设值进行比较；
其中，DBI指数为第一平均欧氏距离与第二平均欧氏距离之间的比值；
若存在至少一个特征数据簇族的DBI指数大于预设值，则重复S210至S212步骤，直至当各特征数据簇族的DBI指数均不大于预设值，则获取各特征数据簇族中的特征数据，并将各特征数据簇族中的特征数据作为最终聚类结果数据；
若各特征数据簇族的DBI指数均不大于预设值，则直接获取各特征数据簇族中的特征数据，并将各特征数据簇族中的特征数据作为最终聚类结果数据输出。
需要说明的是，通过主成分分析法各特征数据簇族中的特征数据映射到一个新的坐标系，其中数据的方差最大化，从而找到数据中的主要成分，从而快速对数据进行降维，然后计算各特征数据簇族的DBI指数，即Davies-Bouldin指数，其中，DBI指数作为评估聚类质量的指标，其考虑了簇内的紧密度和簇间的分离度，通过计算不同簇之间的平均相似性来衡量聚类的效果，DBI指数的值越小表示聚类效果越好，这意味着不同簇之间的分离度较高，而同一簇内的数据点之间的紧密度较好。若存在至少一个特征数据簇族的DBI指数大于预设值，说明不同簇之间的分离度较低，而同一簇内的数据点之间的紧密度较差，说明此次通过决策树聚类得到的聚类效果差，需要重新运算聚类。通过本步骤能够对通过决策树聚类得到的聚类结果的可靠性进行评估，有效确保聚类数据的可靠性，避免所得到的聚类数据出现聚类错误现象，确保所制定调控方案的可靠性，进一步提高调控效果。
具体地，根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控，具体为：
根据所述最终聚类结果得到修复场地各预设位置区域中相同类型的特征数据，并对各预设位置区域中相同类型的特征数据进行求和后取平均值处理，得到修复场地中各种土壤成分的平均特征数据，并通过哈希算法计算修复场地中各种土壤成分的平均特征数据与相应标准特征数据之间的哈希值；
将哈希值大于预设哈希值的特征数据标定为异常数据，并将哈希值不大于预设哈希值的特征数据标定为正常数据；
统计修复场地中异常数据与正常数据的数目情况，根据异常数据与正常数据的数目情况确定出该修复场地中特征数据的异常等级；并将所述特征数据的异常等级与预设等级进行比较；
若所述特征数据的异常等级大于预设等级，则将该修复场地标记为需调控场地；若所述特征数据的异常等级不大于预设等级，则将该修复场地标记为不需调控场地。
需要说明的是，根据所述最终聚类结果得到修复场地各预设位置区域中相同类型的特征数据后，计算平均特征数据，如得到修复场地中各个预设位置区域的温度值后，再获取平均温度值；然后计算修复场地中各种土壤成分的平均特征数据与相应标准特征数据之间的哈希值，从而确定出修复场地中异常数据与正常数据的数目情况，从而确定出该修复场地中特征数据的异常等级，举例来说，若场地中的pH值、温度、水分、有机物含量以及营养元素均异常，则异常等级较高，需要立即对该场地进行调控，以确保土壤中微生物的活性。
其中，根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控，还包括以下步骤：
通过大数据网络获取土壤成分在各种预设组合数据之下微生物菌落的调控方案，构建知识图谱，并将土壤成分在各种预设组合数据之下微生物菌落的调控方案导入所述知识图谱中；
若修复场地为需调控场地，则获取该需调控场地中各种土壤成分的平均特征数据，并将该需调控场地中各种土壤成分的平均特征数据进行组合，得到需调控场地中土壤成分的实际组合数据；
通过灰色关联分析法计算所述实际组合数据与各种预设组合数据之间的相似度，得到多个相似度；
将多个所述相似度进行大小排序，排序完成后，提取出最大相似度，获取与所述最大相似度对应的预设组合数据，根据与所述最大相似度对应的预设组合数据生成检索标签；
基于所述检索标签对所述知识图谱进行检索，得到对该需调控场地进行调控的调控方案，并将检索得到的调控方案输出，基于所述调控方案控制调控设备对该需调控场地的微生物聚落进行调控。
需要说明的是，通过大数据网络获取土壤成分在各种预设组合数据之下微生物菌落的调控方案，具体来说，pH值、温度、水分、有机物含量以及营养元素在各种预设组合数据条件之下的微生物菌落的调控方案。然后获取该需调控场地中各种土壤成分的平均特征数据，并将该需调控场地中各种土壤成分的平均特征数据进行组合，得到需调控场地中土壤成分的实际组合数据。通过将实际组合数据与各种预设组合数据进行比较，从而快速检索的相应的调控方案，然后基于物联网的方式将检索得到的调控方案发送至调控设备上，从而控制调控设备对修复场地进行调控，如通过调整pH值，从而提高土壤中微生物活性，使得微生物菌落在更适宜环境生长，提高菌落繁殖速度，提高修复效果。
此外，本方法还包括以下步骤：
若修复场地为需调控场地，则通过遥感技术获取该需调控场地的遥感图像信息，根据所述遥感图像信息构建得到该需调控场地中各个预设位置区域的实时地表植物模型图；
通过大数据网络获取与需调控场地中目标微生物存在共生关系的共生植物特征模型图，构建第二数据库，并将所述共生植物特征模型图导入所述第二数据库中，得到特性数据库；
依次将各个预设位置区域的实时地表植物模型图导入所述特性数据库中，通过欧几里德距离算法，计算预设位置区域的实时地表植物模型图与各共生植物特征模型图之间的欧几里得距离值，根据所述欧几里得距离值确定出预设位置区域的实时地表植物模型图与各共生植物特征模型图之间的相似度，得到多个相似度；
若存在至少一个相似度大于预设相似度，则将该预设位置区域的调控优先级定义为一级；若所述相似度均不大于预设相似度，则将该预设位置区域的调控优先级定义为二级；
根据所述遥感图像信息构建得到需调控场地的地理三维模型图，并根据调控优先级设定相应的渲染色彩，根据所述相应的渲染色彩以及各预设位置区域的调控优先级对所述地理三维模型图进行渲染，得到需调控场地的调控优先级分布图，并将所述调控优先级分布图导入所述调控方案中。
需要说明的是，目标微生物即是对修复场地中污染物进行修复所需的微生物类型，特定微生物与特定植物能够建立共生关系，这种关系被称为植物-微生物共生，这种共生可以对植物的生长和健康产生积极影响。因此可以利用这一关系来进一步确定出修复场地中各预设位置区域的治理优先级，若预设位置区域中存在共生植物，则该区域的调控等级为一级，即可以先不考虑对该区域进行调控；若预设位置区域中不存在共生植物，则该区域的调控等级为二级，则需要尽快对该区域进行调控，并且根据各预设位置区域的调控等级进行可视化处理，从而能够更加清晰有效的对各预设位置区域进行调控，提高调控的合理性。
此外，本方法还包括以下步骤：
在基于所述调控方案控制调控设备对该需调控场地的微生物聚落进行调控过程中，在预设时间节点获取该需调控场地中多个位置节点的电导率值；根据各个位置节点的电导率值构建得到需调控场地的实时电导率分布图；
根据所述调控方案生成该需调控场地在调控过程中预设时间节点的预设电导率分布图，基于所述预设电导率分布图构建虚拟空间；
将所述实时电导率分布图导入所述虚拟空间中，在所述虚拟空间中实时电导率分布图与预设电导率分布图相重合的部分剔除，并保留不相重合的部分，得到电导率偏差图；
根据所述电导率偏差图得到微生物迁移异常区域，并对所述微生物迁移异常区域的微生物动向进行重新调控。
需要说明的是，微生物在土壤中进行代谢活动，会释放或吸收化合物，这些化合物可以改变土壤的离子浓度，从而影响电导率，因此利用这特性可以用于检测微生物的迁移情况。通过本方法能够无损判断出在调控过程中各个区域的微生物迁移动向是否正确，从而确保微生物能够对目标区域的污染物进行分解，提高修复效果。
如图3所示，本发明第二方面公开了一种微生物修复过程中土壤微生物菌群调控系统，所述土壤微生物菌群调控系统包括存储器20与处理器21，所述存储器20中存储有土壤微生物菌群调控方法程序，当所述土壤微生物菌群调控方法程序被所述处理器21执行时，实现如下步骤：
获取修复场地中各个预设位置区域中土壤成分的特征数据，并将各个预设位置区域的特征数据进行初步处理，得到初步处理后的特征数据；
构建决策树模型，并通过所述决策树模型对初步处理后的特征数据进行进一步处理，得到若干个由各种特征数据组成的特征数据簇族；
获取各特征数据簇族的DBI指数，根据所述DBI指数来衡量初始聚类结果的聚类效果，并根据聚类效果对初始聚类结果进行修正，得到最终聚类结果；
根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控。
进一步的，本发明的一个较佳实施例中，将各个预设位置区域的特征数据进行初步处理，得到初步处理后的特征数据，具体为：
对各个预设位置区域的特征数据进行标准化处理，以将其转化成标准差为1的标准正态分布，得到标准化后的特征数据；
计算各个标准化后的特征数据相对于其余特征数据的均值和标准差的偏差，根据相应的均值和标准差的偏差计算得到各个标准化后的特征数据的标准分数；
逐一判断各个标准化后的特征数据的标准分数是否大于预设阈值；当标准化后的特征数据的标准分数大于预设阈值时，将标准分数大于预设阈值的特征数据保留；
当标准化后的特征数据的标准分数不大于预设阈值时，将标准分数大于预设阈值的特征数据剔除；
更新各个预设位置区域的特征数据，得到初步处理后的特征数据。
进一步的，本发明的一个较佳实施例中，根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控，具体为：
根据所述最终聚类结果得到修复场地各预设位置区域中相同类型的特征数据，并对各预设位置区域中相同类型的特征数据进行求和后取平均值处理，得到修复场地中各种土壤成分的平均特征数据，并通过哈希算法计算修复场地中各种土壤成分的平均特征数据与相应标准特征数据之间的哈希值；
将哈希值大于预设哈希值的特征数据标定为异常数据，并将哈希值不大于预设哈希值的特征数据标定为正常数据；
统计修复场地中异常数据与正常数据的数目情况，根据异常数据与正常数据的数目情况确定出该修复场地中特征数据的异常等级；并将所述特征数据的异常等级与预设等级进行比较；
若所述特征数据的异常等级大于预设等级，则将该修复场地标记为需调控场地；若所述特征数据的异常等级不大于预设等级，则将该修复场地标记为不需调控场地。
进一步的，本发明的一个较佳实施例中，还包括以下步骤：
通过大数据网络获取土壤成分在各种预设组合数据之下微生物菌落的调控方案，构建知识图谱，并将土壤成分在各种预设组合数据之下微生物菌落的调控方案导入所述知识图谱中；
若修复场地为需调控场地，则获取该需调控场地中各种土壤成分的平均特征数据，并将该需调控场地中各种土壤成分的平均特征数据进行组合，得到需调控场地中土壤成分的实际组合数据；
通过灰色关联分析法计算所述实际组合数据与各种预设组合数据之间的相似度，得到多个相似度；
将多个所述相似度进行大小排序，排序完成后，提取出最大相似度，获取与所述最大相似度对应的预设组合数据，根据与所述最大相似度对应的预设组合数据生成检索标签；
基于所述检索标签对所述知识图谱进行检索，得到对该需调控场地进行调控的调控方案，并将检索得到的调控方案输出，基于所述调控方案控制调控设备对该需调控场地的微生物聚落进行调控。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (6)
1.一种微生物修复过程中土壤微生物菌群调控方法，其特征在于，包括以下步骤：
S102：获取修复场地中各个预设位置区域中土壤成分的特征数据，并将各个预设位置区域的特征数据进行初步处理，得到初步处理后的特征数据；
S104：构建决策树模型，并通过所述决策树模型对初步处理后的特征数据进行进一步处理，得到若干个由各种特征数据组成的特征数据簇族；
S106：获取各特征数据簇族的DBI指数，根据所述DBI指数来衡量初始聚类结果的聚类效果，并根据聚类效果对初始聚类结果进行修正，得到最终聚类结果；
S108：根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控；
其中，根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控，具体为：
根据所述最终聚类结果得到修复场地各预设位置区域中相同类型的特征数据，并对各预设位置区域中相同类型的特征数据进行求和后取平均值处理，得到修复场地中各种土壤成分的平均特征数据，并通过哈希算法计算修复场地中各种土壤成分的平均特征数据与相应标准特征数据之间的哈希值；
将哈希值大于预设哈希值的特征数据标定为异常数据，并将哈希值不大于预设哈希值的特征数据标定为正常数据；
统计修复场地中异常数据与正常数据的数目情况，根据异常数据与正常数据的数目情况确定出该修复场地中特征数据的异常等级；并将所述特征数据的异常等级与预设等级进行比较；
若所述特征数据的异常等级大于预设等级，则将该修复场地标记为需调控场地；若所述特征数据的异常等级不大于预设等级，则将该修复场地标记为不需调控场地；
还包括以下步骤：
通过大数据网络获取土壤成分在各种预设组合数据之下微生物菌落的调控方案，构建知识图谱，并将土壤成分在各种预设组合数据之下微生物菌落的调控方案导入所述知识图谱中；
若修复场地为需调控场地，则获取该需调控场地中各种土壤成分的平均特征数据，并将该需调控场地中各种土壤成分的平均特征数据进行组合，得到需调控场地中土壤成分的实际组合数据；
通过灰色关联分析法计算所述实际组合数据与各种预设组合数据之间的相似度，得到多个相似度；
将多个所述相似度进行大小排序，排序完成后，提取出最大相似度，获取与所述最大相似度对应的预设组合数据，根据与所述最大相似度对应的预设组合数据生成检索标签；
基于所述检索标签对所述知识图谱进行检索，得到对该需调控场地进行调控的调控方案，并将检索得到的调控方案输出，基于所述调控方案控制调控设备对该需调控场地的微生物聚落进行调控。
2.根据权利要求1所述的一种微生物修复过程中土壤微生物菌群调控方法，其特征在于，将各个预设位置区域的特征数据进行初步处理，得到初步处理后的特征数据，具体为：
对各个预设位置区域的特征数据进行标准化处理，以将其转化成标准差为1的标准正态分布，得到标准化后的特征数据；
计算各个标准化后的特征数据相对于其余特征数据的均值和标准差的偏差，根据相应的均值和标准差的偏差计算得到各个标准化后的特征数据的标准分数；
逐一判断各个标准化后的特征数据的标准分数是否大于预设阈值；当标准化后的特征数据的标准分数大于预设阈值时，将标准分数大于预设阈值的特征数据保留；
当标准化后的特征数据的标准分数不大于预设阈值时，将标准分数大于预设阈值的特征数据剔除；
更新各个预设位置区域的特征数据，得到初步处理后的特征数据。
3.根据权利要求1所述的一种微生物修复过程中土壤微生物菌群调控方法，其特征在于，构建决策树模型，并通过所述决策树模型对初步处理后的特征数据进行进一步处理，得到若干个由各种特征数据组成的特征数据簇族，具体为：
S202：构建决策树模型，并将提前预制好的样本数据分为训练集与测试集，将所述训练集导入所述决策树模型中；
S204：获取所述训练集中样本数据的数据特征，基于所述数据特征，获取样本数据的切分节点，并根据所述切分节点在决策树模型对样本数据进行切分，得到多个枝叶节点，生成初步切分后的决策树；
S206：引入余弦相似度算法，以计算所述各初步切分后的决策树中枝叶节点之间的余弦相似度，根据所述余弦相似度确定出离群枝叶节点，并基于遗传算法对所述离群枝叶节点进行迭代分裂，得到优化后的枝叶节点；
S208：根据所述优化后的枝叶节点对初步切分后的决策树进行更新，得到优化后的决策树；通过所述测试集计算优化后的决策树的准确度、召回率以及精确度，当所述准确度、召回率以及精确度均满足预设要求后，拟合优化后的决策树，得到训练好的决策树模型；
S210：随机访问一个预设位置区域中初步处理后的特征数据，将所述初步处理后的特征数据导入所述训练好的决策树模型中，并获取各特征数据与各样本数据之间的曼哈顿距离，并将曼哈顿距离小于预设曼哈顿距离的生物特征数据聚类到决策树相应位置的枝叶中；
S212：继续访问下一预设位置区域中初步处理后的特征数据，重复S210步骤，直至将所有预设位置区域中的生物特征数据均聚类到决策树的枝叶上后，对决策树的枝叶进行切割，根据切割后的枝叶将不同类型的特征数据进行聚类，得到若干个由各种特征数据组成的特征数据簇族，并输出初始聚类结果。
4.根据权利要求3所述的一种微生物修复过程中土壤微生物菌群调控方法，其特征在于，获取各特征数据簇族的DBI指数，根据所述DBI指数来衡量初始聚类结果的聚类效果，并根据聚类效果对初始聚类结果进行修正，得到最终聚类结果，具体为：
对各特征数据簇族进行标准化，以确保各特征数据簇族中特征数据具有相似的尺度，并获取标准化后特征数据簇族中特征数据之间的协方差矩阵；
对所述协方差矩阵进行特征值分解，得到特征值和对应的特征向量，根据特征值的大小，选定各特征数据中所需保留的主成分；其中，特征向量代表新坐标系的方向，特征值表示特征数据在该方向上的方差；
根据所述保留的主成分将各特征数据簇族中的特征数据投影到新的低维空间中，从而降低数据的维度，并在新的低维空间中获取各特征数据之间的坐标信息；
根据所述坐标信息计算同一特征数据簇族中各特征数据之间的欧氏距离，并对同一特征数据簇族中各特征数据之间的欧氏距离进行均值处理，得到第一平均欧氏距离；
根据所述坐标信息计算不同特征数据簇族中各特征数据之间的欧氏距离，并对不同特征数据簇族中各特征数据之间的欧氏距离进行均值处理，得到第二平均欧氏距离；
根据所述第一平均欧氏距离与第二平均欧氏距离确定出各特征数据簇族的DBI指数；将所述各特征数据簇族的DBI指数与预设值进行比较；
若存在至少一个特征数据簇族的DBI指数大于预设值，则重复S210至S212步骤，直至当各特征数据簇族的DBI指数均不大于预设值，则获取各特征数据簇族中的特征数据，并将各特征数据簇族中的特征数据作为最终聚类结果数据；
若各特征数据簇族的DBI指数均不大于预设值，则直接获取各特征数据簇族中的特征数据，并将各特征数据簇族中的特征数据作为最终聚类结果数据输出。
5.一种微生物修复过程中土壤微生物菌群调控系统，其特征在于，所述土壤微生物菌群调控系统包括存储器与处理器，所述存储器中存储有土壤微生物菌群调控方法程序，当所述土壤微生物菌群调控方法程序被所述处理器执行时，实现如下步骤：
获取修复场地中各个预设位置区域中土壤成分的特征数据，并将各个预设位置区域的特征数据进行初步处理，得到初步处理后的特征数据；
构建决策树模型，并通过所述决策树模型对初步处理后的特征数据进行进一步处理，得到若干个由各种特征数据组成的特征数据簇族；
获取各特征数据簇族的DBI指数，根据所述DBI指数来衡量初始聚类结果的聚类效果，并根据聚类效果对初始聚类结果进行修正，得到最终聚类结果；
根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控；
其中，根据所述最终聚类结果得到修复场地中各种土壤成分的平均特征数据，并根据所述平均特征数据对该修复场地进行评估，以评估出该修复场地的异常等级，根据所述异常等级确定出修复场地的调控方案，基于所述调控方案对微生物聚落进行调控，具体为：
根据所述最终聚类结果得到修复场地各预设位置区域中相同类型的特征数据，并对各预设位置区域中相同类型的特征数据进行求和后取平均值处理，得到修复场地中各种土壤成分的平均特征数据，并通过哈希算法计算修复场地中各种土壤成分的平均特征数据与相应标准特征数据之间的哈希值；
将哈希值大于预设哈希值的特征数据标定为异常数据，并将哈希值不大于预设哈希值的特征数据标定为正常数据；
统计修复场地中异常数据与正常数据的数目情况，根据异常数据与正常数据的数目情况确定出该修复场地中特征数据的异常等级；并将所述特征数据的异常等级与预设等级进行比较；
若所述特征数据的异常等级大于预设等级，则将该修复场地标记为需调控场地；若所述特征数据的异常等级不大于预设等级，则将该修复场地标记为不需调控场地；
还包括以下步骤：
通过大数据网络获取土壤成分在各种预设组合数据之下微生物菌落的调控方案，构建知识图谱，并将土壤成分在各种预设组合数据之下微生物菌落的调控方案导入所述知识图谱中；
若修复场地为需调控场地，则获取该需调控场地中各种土壤成分的平均特征数据，并将该需调控场地中各种土壤成分的平均特征数据进行组合，得到需调控场地中土壤成分的实际组合数据；
通过灰色关联分析法计算所述实际组合数据与各种预设组合数据之间的相似度，得到多个相似度；
将多个所述相似度进行大小排序，排序完成后，提取出最大相似度，获取与所述最大相似度对应的预设组合数据，根据与所述最大相似度对应的预设组合数据生成检索标签；
基于所述检索标签对所述知识图谱进行检索，得到对该需调控场地进行调控的调控方案，并将检索得到的调控方案输出，基于所述调控方案控制调控设备对该需调控场地的微生物聚落进行调控。
6.根据权利要求5所述的一种微生物修复过程中土壤微生物菌群调控系统，其特征在于，将各个预设位置区域的特征数据进行初步处理，得到初步处理后的特征数据，具体为：
对各个预设位置区域的特征数据进行标准化处理，以将其转化成标准差为1的标准正态分布，得到标准化后的特征数据；
计算各个标准化后的特征数据相对于其余特征数据的均值和标准差的偏差，根据相应的均值和标准差的偏差计算得到各个标准化后的特征数据的标准分数；
逐一判断各个标准化后的特征数据的标准分数是否大于预设阈值；当标准化后的特征数据的标准分数大于预设阈值时，将标准分数大于预设阈值的特征数据保留；
当标准化后的特征数据的标准分数不大于预设阈值时，将标准分数大于预设阈值的特征数据剔除；
更新各个预设位置区域的特征数据，得到初步处理后的特征数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311449779.0A CN117171678B (zh) | 2023-11-02 | 2023-11-02 | 一种微生物修复过程中土壤微生物菌群调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311449779.0A CN117171678B (zh) | 2023-11-02 | 2023-11-02 | 一种微生物修复过程中土壤微生物菌群调控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117171678A CN117171678A (zh) | 2023-12-05 |
| CN117171678B true CN117171678B (zh) | 2024-01-12 |
Family
ID=88937973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311449779.0A Active CN117171678B (zh) | 2023-11-02 | 2023-11-02 | 一种微生物修复过程中土壤微生物菌群调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171678B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106568923A (zh) * | 2016-11-10 | 2017-04-19 | 北京农业质量标准与检测技术研究中心 | 一种土壤重金属含量影响因子评价方法 |
| CN113111964A (zh) * | 2021-04-28 | 2021-07-13 | 北京建筑大学 | 场地污染特征分析方法、装置、电子设备和存储介质 |
| CN116975535A (zh) * | 2023-08-03 | 2023-10-31 | 中电万维信息技术有限责任公司 | 一种基于土壤环境监测数据的多参数数据分析方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NZ590385A (en) * | 2008-06-26 | 2012-11-30 | Dana Farber Cancer Inst Inc | Signatures and determinants associated with metastasis and methods of use thereof |
| US8396870B2 (en) * | 2009-06-25 | 2013-03-12 | University Of Tennessee Research Foundation | Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling |
-
2023
- 2023-11-02 CN CN202311449779.0A patent/CN117171678B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106568923A (zh) * | 2016-11-10 | 2017-04-19 | 北京农业质量标准与检测技术研究中心 | 一种土壤重金属含量影响因子评价方法 |
| CN113111964A (zh) * | 2021-04-28 | 2021-07-13 | 北京建筑大学 | 场地污染特征分析方法、装置、电子设备和存储介质 |
| CN116975535A (zh) * | 2023-08-03 | 2023-10-31 | 中电万维信息技术有限责任公司 | 一种基于土壤环境监测数据的多参数数据分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117171678A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Doherty et al. | Matching seed to site by climate similarity: techniques to prioritize plant materials development and use in restoration | |
| CN110782658A (zh) | 一种基于LightGBM算法的交通量预测方法 | |
| CN109273096A (zh) | 一种基于机器学习的药品风险分级评估方法 | |
| CN116384776B (zh) | 基于模糊评价的场地污染评估方法、系统及存储介质 | |
| CN115526298A (zh) | 一种高鲁棒性的大气污染物浓度综合预测方法 | |
| CN116153437B (zh) | 一种饮用水源的水质安全评价与水质预测方法及系统 | |
| CN115659665A (zh) | 一种基于野马优化算法的电压暂降源信号降噪与识别的方法 | |
| CN116843955A (zh) | 一种基于计算机视觉的微生物分类识别方法和系统 | |
| CN117172430B (zh) | 一种基于深度学习的水体环境评估与预测方法及系统 | |
| CN107608938B (zh) | 基于增强回归树算法的面向二值分类的因子筛选方法 | |
| CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及系统 | |
| CN117171678B (zh) | 一种微生物修复过程中土壤微生物菌群调控方法及系统 | |
| CN117172992A (zh) | 一种污染农田土壤的微生态特征调查方法及系统 | |
| CN116975535A (zh) | 一种基于土壤环境监测数据的多参数数据分析方法 | |
| CN113657726B (zh) | 基于随机森林的人员的危险性分析方法 | |
| CN112506930B (zh) | 一种基于机器学习技术的数据洞察系统 | |
| CN111553520B (zh) | 基于供应链追溯评价体系的粮食生产优化方法及装置 | |
| CN113408895A (zh) | 基于像元尺度的生态质量指数构建方法及系统 | |
| CN113989676A (zh) | 改进深度卷积自编码嵌入聚类的终端区气象场景识别方法 | |
| CN113127464A (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
| CN117172578B (zh) | 一种基于微生物识别的土壤生态环境修复方法及系统 | |
| CN116993165B (zh) | 一种儿童果蔬汁的安全性评价与风险预测方法及系统 | |
| CN113378468B (zh) | 多维地学参量的权重优化方法及系统 | |
| CN117172993B (zh) | 一种基于微生物动态分析的污染场地评估方法及系统 | |
| CN117114105B (zh) | 基于科研大数据信息的目标对象推荐方法和系统 |
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 |