CN117171695B - 一种抗生素污染土壤生态修复效果评价的方法及系统 - Google Patents
一种抗生素污染土壤生态修复效果评价的方法及系统 Download PDFInfo
- Publication number
- CN117171695B CN117171695B CN202311448091.0A CN202311448091A CN117171695B CN 117171695 B CN117171695 B CN 117171695B CN 202311448091 A CN202311448091 A CN 202311448091A CN 117171695 B CN117171695 B CN 117171695B
- Authority
- CN
- China
- Prior art keywords
- soil
- data
- point cloud
- physicochemical data
- acquiring
- 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 375
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000000694 effects Effects 0.000 title claims abstract description 29
- 230000003115 biocidal effect Effects 0.000 title claims abstract description 27
- 239000000126 substance Substances 0.000 claims abstract description 66
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims description 60
- 238000012544 monitoring process Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 21
- 239000003016 pheromone Substances 0.000 claims description 16
- 241000257303 Hymenoptera Species 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 239000012141 concentrate Substances 0.000 claims description 4
- 238000012097 association analysis method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000003242 anti bacterial agent Substances 0.000 description 19
- 229940088710 antibiotic agent Drugs 0.000 description 18
- 238000003860 storage Methods 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 231100000331 toxic Toxicity 0.000 description 3
- 230000002588 toxic effect Effects 0.000 description 3
- 231100000419 toxicity Toxicity 0.000 description 3
- 230000001988 toxicity Effects 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 206010070863 Toxicity to various agents Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000010496 root system development Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及污染场地评价技术领域,特别是一种抗生素污染土壤生态修复效果评价的方法及系统,构建若干数据库,并将各土壤检测设备所反馈的土壤理化数据保存至对应的数据库中;获取各数据库中的土壤理化数据,并根据t‑分布邻域嵌入法与层次聚类法对各数据库中的土壤理化数据进行先降维后聚类处理,得到若干个土壤理化数据子集;通过LOF算法对各个土壤理化数据子集进行异常数据检测,得到最终土壤理化数据子集;根据各个最终土壤理化数据子集的土壤理化数据对目标场地中各土壤成分进行评价,得到评价结果,有利于提高对目标场地的评价效率与提高评价结果的可靠性。
Description
技术领域
本发明涉及污染场地评价技术领域,特别是一种抗生素污染土壤生态修复效果评价的方法及系统。
背景技术
抗生素污染是指抗生素过度使用和排放导致土壤中存在过高浓度的抗生素残留物的现象,这种污染通常发生在养殖业、农业和医疗卫生领域。抗生素污染土壤可能对土壤微生物和生态系统造成严重危害,通过修复污染土壤,可以减轻这种危害,有助于保护土壤中的生态多样性和生态平衡。
在传统的土壤污染评价与修复中,通常依赖于直接的化学和生物指标检测,并且需要耗费大量劳动力。随着大数据、机器学习和先进传感技术的迅速发展,实时数据分析与处理为土壤生态修复评价带来了新的机会,实时数据的准确性和可靠性对于评价结果至关重要,尤其是通过土壤监测设备采集海量的土壤理化数据后,往往需要对这些数据检测与分类,在通过现有的数据处理方法所处理得到数据的准确度较低,影响评估结果的可靠性,同时现有方法处理数据时效率低,影响评估结果的时效性。
发明内容
本发明克服了现有技术的不足,提供了一种抗生素污染土壤生态修复效果评价的方法及系统。
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抗生素污染土壤生态修复效果评价的方法,包括以下步骤:
获取目标场地的点云数据,并基于点云建模的方式根据所述点云数据生成目标场地的地理三维模型图;
获取土壤监测设备的性能参数,并根据所述性能参数与地理三维模型图,通过蚁群算法迭代规划出土壤监测设备在目标场地中的设备布局图;并根据所述设备布局图对土壤监测设备进行安装布局;
在多个预设时间节点获取各土壤检测设备所反馈的土壤理化数据,构建若干数据库,并将各土壤检测设备所反馈的土壤理化数据保存至对应的数据库中;
获取各数据库中的土壤理化数据,并根据t-分布邻域嵌入法与层次聚类法对各数据库中的土壤理化数据进行先降维后聚类处理,得到若干个土壤理化数据子集;
通过LOF算法对各个土壤理化数据子集进行异常数据检测,得到最终土壤理化数据子集;根据各个最终土壤理化数据子集的土壤理化数据对目标场地中各土壤成分进行评价,得到评价结果。
具体地,获取目标场地的点云数据,并基于点云建模的方式根据所述点云数据生成目标场地的地理三维模型图,具体为:
在多个预设位置节点通过激光雷达对目标场地进行扫描探测,并获取各个位置节点中目标场地所反馈的点云数据,得到若干个点云数据集;
对于点云数据集中的每个点云数据,获取其在预设邻域内其余点云数据的法线差异直方图、距离直方图和角度直方图;并根据所述法线差异直方图、距离直方图和角度直方图生成一个特征向量,并根据所述特征向量生成该点云数据的特征描述子;重复以上步骤,直至得到各个点云数据的特征描述子;
构建空间三维坐标系,并将各个点云数据集导入所述空间三维坐标系中,并基于各点云数据的特征描述子的相似性对各点云数据进行初始配准,得到初始配准结果,并根据所述初始配准结果构建初始变换矩阵;
引入最小二乘法,以对所述初始变换矩阵不断进行最优化迭代,直至所有点云数据集的点云数据均融合成一个连续且完整的点云模型,得到配准后的点云数据;
在所述空间三维坐标系中获取配准后的点云数据的相对坐标信息,根据所述相对坐标信息生成点云数据坐标集,根据所述点云数据坐标集重构得到目标场地的地理三维模型图。
具体地,获取土壤监测设备的性能参数,并根据所述性能参数与地理三维模型图,通过蚁群算法迭代规划出土壤监测设备在目标场地中的设备布局图,具体为:
获取土壤监测设备的性能参数,初始化若干只蚂蚁,每只蚂蚁代表一个潜在的设备安装点;其中,性能参数包括监测范围、通信范围以及抗干扰强度;
根据土壤监测设备的性能参数预设蚂蚁的行为规律,将若干只所述蚂蚁随机分布在所述地理三维模型图中,基于所述行为规律模拟各蚂蚁在地理三维模型图中进行移动,使得各蚂蚁根据特定的策略选择新的位置;
根据各蚂蚁选择新的位置更新信息素矩阵,信息素矩阵用于指导蚂蚁的移动,以便集中在性能更好的区域节点内;重复模拟蚂蚁的行为,并重复更新信息素矩阵,直至达到最大迭代次数后,从最终的信息素矩阵中提取出若干个土壤监测设备的最佳安装点;
根据所述最佳安装点生成设备布局图,并将所述设备布局图输出。
具体地,获取各数据库中的土壤理化数据,并根据t-分布邻域嵌入法与层次聚类法对各数据库中的土壤理化数据进行先降维后聚类处理,得到若干个土壤理化数据子集,具体为:
获取各数据库中的土壤理化数据,并通过高斯核函数度量同一数据库中每两个土壤理化数据之间的相似性,根据同一数据库中每两个土壤理化数据之间的相似性构建相似性矩阵;
构建高维空间,将所述土壤理化数据导入所述高维空间中,并获取各土壤理化数据在所述高维空间中的位置,根据各土壤理化数据在所述高维空间中的位置以及所述相似性矩阵计算得到高维概率分布;
构建低维空间,并随机初始化各土壤理化数据在所述低维空间中的位置;并各土壤理化数据在所述低维空间中的位置以及所述相似性矩阵计算得到低维概率分布;
使用梯度下降优化方法,最小化高维概率分布和低维概率分布之间的相对熵,根据所述相对熵优化低维空间中各土壤理化数据的位置;重复以上步骤,直至达到收敛条件,获取低维空间中各土壤理化数据的坐标信息;
将各土壤理化数据均视为一个初始聚类,并根据所述坐标信息计算得到各初始聚类之间欧氏距离,将欧氏距离最近的两个初始聚类合并为一个新聚类;更新各新聚类之间的欧氏距离,重复以上步骤,直至聚类数目达到预设聚类数目,停止迭代,输出聚类结果;
根据所述聚类结果构建树状聚类图,并将所述树状聚类图进行分割,得到得到各种单独类型的土壤理化数据,并根据各种单独类型的土壤理化数据生成相应的土壤理化数据子集。
具体地,通过LOF算法对各个土壤理化数据子集进行异常数据检测,得到最终土壤理化数据子集,具体为:
获取各个土壤理化数据子集中的土壤理化数据,并预设每个土壤理化数据的领域大小,对于每个土壤理化数据,计算其领域内的局部密度;其中,局部密度为该土壤理化数据与其相邻K个土壤理化数据的平均马氏距离的倒数;
根据每个土壤理化数据的局部密度确定出该土壤理化数据的LOF值,LOF值用于该土壤理化数据相对于其邻域的局部密度的离散程度,并预设LOF阈值;
将各个土壤理化数据的LOF值与预设LOF阈值进行比较;若某一土壤理化数据的LOF值大于预设LOF阈值,则将该土壤理化数据在相应的土壤理化数据子集中筛除;
筛除完毕后,更新各个土壤理化数据子集,得到最终土壤理化数据子集。
具体地,根据各个最终土壤理化数据子集的土壤理化数据对目标场地中各土壤成分进行评价,得到评价结果,具体为:
获取各个最终土壤理化数据子集的土壤理化数据,并根据各个最终土壤理化数据子集的土壤理化数据构建得到相应土壤成分的实际变化曲线图;
通过大数据网获取污染场地经过各种标准生态修复方案修复后各土壤成分的标准变化曲线图;构建知识图谱,并将污染场地经过各种标准生态修复方案修复后各土壤成分的标准变化曲线图;
获取目标场地的实际生态修复方案,将所述实际生态修复方案导入所述知识图谱中,通过灰色关联分析法计算所述实际生态修复方案与各种标准生态修复方案之间的关联度,得到多个关联度;
将多个所述关联度进行大小排序,排序完成后,提取出最大关联度;获取与最大关联度对应的标准生态修复方案,并根据与最大关联度对应的标准生态修复方案生成检索标签,基于所述检索标签在所述知识图谱中检索得到目标场地在经过实际生态修复方案修复后各土壤成分的预设变化曲线图;
通过欧几里德距离算法计算各土壤成分的实际变化曲线图与预设变化曲线图之间的重合度,并将所述重合度与预设重合度进行比较;
将重合度不大于预设重合度的土壤成分标记为异常土壤成分类型,将重合度大于预设重合度的土壤成分标记为正常土壤成分类型,根据所述异常土壤成分类型与正常土壤成分类型生成评价结果,并将所述评价结果在预设平台上显示。
本发明第二方面公开了一种抗生素污染土壤生态修复效果评价的系统,所述抗生素污染土壤生态修复效果评价的系统包括存储器与处理器,所述存储器中存储有抗生素污染土壤生态修复效果评价的方法程序,当所述抗生素污染土壤生态修复效果评价的方法程序被所述处理器执行时,实现如下步骤:
获取目标场地的点云数据,并基于点云建模的方式根据所述点云数据生成目标场地的地理三维模型图;
获取土壤监测设备的性能参数,并根据所述性能参数与地理三维模型图,通过蚁群算法迭代规划出土壤监测设备在目标场地中的设备布局图;并根据所述设备布局图对土壤监测设备进行安装布局;
在多个预设时间节点获取各土壤检测设备所反馈的土壤理化数据,构建若干数据库,并将各土壤检测设备所反馈的土壤理化数据保存至对应的数据库中;
获取各数据库中的土壤理化数据,并根据t-分布邻域嵌入法与层次聚类法对各数据库中的土壤理化数据进行先降维后聚类处理,得到若干个土壤理化数据子集;
通过LOF算法对各个土壤理化数据子集进行异常数据检测,得到最终土壤理化数据子集;根据各个最终土壤理化数据子集的土壤理化数据对目标场地中各土壤成分进行评价,得到评价结果。
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:获取目标场地地理三维模型图;通过蚁群算法迭代规划出土壤监测设备在目标场地中的设备布局图;并根据所述设备布局图对土壤监测设备进行安装布局;构建若干数据库,并将各土壤检测设备所反馈的土壤理化数据保存至对应的数据库中;获取各数据库中的土壤理化数据,并根据t-分布邻域嵌入法与层次聚类法对各数据库中的土壤理化数据进行先降维后聚类处理,得到若干个土壤理化数据子集;通过LOF算法对各个土壤理化数据子集进行异常数据检测,得到最终土壤理化数据子集;根据各个最终土壤理化数据子集的土壤理化数据对目标场地中各土壤成分进行评价,得到评价结果。通过本方法能够对所采集得到的海量数据进行降维后再进行快速聚类,从而得到不同类型土壤理化数据,有利于提高对目标场地的评价效率;并且能够对各土壤理化数据子集进行修正,确保土壤理化数据子集中数据的精度,有利于提高评价结果的可靠性。
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为一种抗生素污染土壤生态修复效果评价方法的第一方法流程图;
图2为一种抗生素污染土壤生态修复效果评价方法的第二方法流程图;
图3为一种抗生素污染土壤生态修复效果评价方法的第三方法流程图;
图4为一种抗生素污染土壤生态修复效果评价系统的系统框图。
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抗生素污染土壤生态修复效果评价的方法,包括以下步骤:
S102:获取目标场地的点云数据,并基于点云建模的方式根据所述点云数据生成目标场地的地理三维模型图;
S104:获取土壤监测设备的性能参数,并根据所述性能参数与地理三维模型图,通过蚁群算法迭代规划出土壤监测设备在目标场地中的设备布局图;并根据所述设备布局图对土壤监测设备进行安装布局;
S106:在多个预设时间节点获取各土壤检测设备所反馈的土壤理化数据,构建若干数据库,并将各土壤检测设备所反馈的土壤理化数据保存至对应的数据库中;
S108:获取各数据库中的土壤理化数据,并根据t-分布邻域嵌入法与层次聚类法对各数据库中的土壤理化数据进行先降维后聚类处理,得到若干个土壤理化数据子集;
S110:通过LOF算法对各个土壤理化数据子集进行异常数据检测,得到最终土壤理化数据子集;根据各个最终土壤理化数据子集的土壤理化数据对目标场地中各土壤成分进行评价,得到评价结果。
具体地,获取目标场地的点云数据,并基于点云建模的方式根据所述点云数据生成目标场地的地理三维模型图,具体为:
在多个预设位置节点通过激光雷达对目标场地进行扫描探测,并获取各个位置节点中目标场地所反馈的点云数据,得到若干个点云数据集;
对于点云数据集中的每个点云数据,获取其在预设邻域内其余点云数据的法线差异直方图、距离直方图和角度直方图;并根据所述法线差异直方图、距离直方图和角度直方图生成一个特征向量,并根据所述特征向量生成该点云数据的特征描述子;重复以上步骤,直至得到各个点云数据的特征描述子;
构建空间三维坐标系,并将各个点云数据集导入所述空间三维坐标系中,并基于各点云数据的特征描述子的相似性对各点云数据进行初始配准,得到初始配准结果,并根据所述初始配准结果构建初始变换矩阵;
引入最小二乘法,以对所述初始变换矩阵不断进行最优化迭代,直至所有点云数据集的点云数据均融合成一个连续且完整的点云模型,得到配准后的点云数据;
在所述空间三维坐标系中获取配准后的点云数据的相对坐标信息,根据所述相对坐标信息生成点云数据坐标集,根据所述点云数据坐标集重构得到目标场地的地理三维模型图。
其中,法线差异直方图表示邻域内点的法线之间的角度差异;距离直方图表示邻域内点之间的距离分布;角度直方图表示邻域内点之间的角度分布;特征向量包含了点的法线信息、距离信息和角度信息,可以用于点云匹配和识别;通过FPFH算法获取各个点云数据的特征描述子。
需要说明的是,目标场地即是待评价的场地,首先,使用激光点云设备在不同位置或角度采集目标场地的点云数据,确保每个位置或角度的数据有重叠区域,以便进行点云匹配,然后从每个点云数据集中提取特征点或特征描述子,这些特征将用于后续匹配过程,使用特征描述子的相似性来对在多个角度或位置获取得到的点云数据进行匹配,以将一个点云数据集对齐到另一个,以此类推,直到所有点云数据集都对齐到同一坐标系中,从而得到一个连续且完整的点云模型,然后在所述空间三维坐标系中获取点云模型各点云数据之间的相对坐标信息,得到点云数据坐标集,然后将点云数据坐标集导入如CAD、SolidWorks中,从而构建得到目标场地的地理三维模型图。通过点云数据重构得到的地理三维模型图能够捕捉到目标场地的丰富细节和形状,可以创建高度精确的三维模型,以提高评价精度,利用后续对土壤监测设备的安装规划,避免出现漏监测的区域,提高可靠性。
如图2所示,具体地,获取土壤监测设备的性能参数,并根据所述性能参数与地理三维模型图,通过蚁群算法迭代规划出土壤监测设备在目标场地中的设备布局图,具体为:
S202:获取土壤监测设备的性能参数,初始化若干只蚂蚁,每只蚂蚁代表一个潜在的设备安装点;其中,性能参数包括监测范围、通信范围以及抗干扰强度;
S204:根据土壤监测设备的性能参数预设蚂蚁的行为规律,将若干只所述蚂蚁随机分布在所述地理三维模型图中,基于所述行为规律模拟各蚂蚁在地理三维模型图中进行移动,使得各蚂蚁根据特定的策略选择新的位置;
S206:根据各蚂蚁选择新的位置更新信息素矩阵,信息素矩阵用于指导蚂蚁的移动,以便集中在性能更好的区域节点内;重复模拟蚂蚁的行为,并重复更新信息素矩阵,直至达到最大迭代次数后,从最终的信息素矩阵中提取出若干个土壤监测设备的最佳安装点;
S208:根据所述最佳安装点生成设备布局图,并将所述设备布局图输出。
需要说明的是,土壤监测设备是集pH、有机质含量、氮和磷等含量检测传感器于一体的一体化设备。使用蚁群算法来确定土壤监测设备的最佳安装点是一个优化问题,涉及在给定区域内找到一组点,以最大化某种性能指标。在每次迭代中,根据蚂蚁的行为和性能指标,更新信息素矩阵。信息素矩阵用于指导蚂蚁的移动,以便集中在性能更好的区域。重复模拟蚂蚁的行为和信息素的更新,直到满足停止条件,例如达到最大迭代次数或收敛到稳定的解;从最终的信息素矩阵中提取最佳的设备安装点,这些点将最大化或最小化所定义的性能指标。通过本方法能够根据土壤监测设备的性能参数与目标场地的地理三维模型图自动规划出土壤监测设备的安装布局图,能够节省大量劳动力,实现了智能化规划,避免出现设备在安装布局时出现安装冗余而导致浪费资源现象。
具体地,获取各数据库中的土壤理化数据,并根据t-分布邻域嵌入法与层次聚类法对各数据库中的土壤理化数据进行先降维后聚类处理,得到若干个土壤理化数据子集,具体为:
获取各数据库中的土壤理化数据,并通过高斯核函数度量同一数据库中每两个土壤理化数据之间的相似性,根据同一数据库中每两个土壤理化数据之间的相似性构建相似性矩阵;
构建高维空间,将所述土壤理化数据导入所述高维空间中,并获取各土壤理化数据在所述高维空间中的位置,根据各土壤理化数据在所述高维空间中的位置以及所述相似性矩阵计算得到高维概率分布;
构建低维空间,并随机初始化各土壤理化数据在所述低维空间中的位置;并各土壤理化数据在所述低维空间中的位置以及所述相似性矩阵计算得到低维概率分布;
使用梯度下降优化方法,最小化高维概率分布和低维概率分布之间的相对熵,根据所述相对熵优化低维空间中各土壤理化数据的位置;重复以上步骤,直至达到收敛条件,获取低维空间中各土壤理化数据的坐标信息;
将各土壤理化数据均视为一个初始聚类,并根据所述坐标信息计算得到各初始聚类之间欧氏距离,将欧氏距离最近的两个初始聚类合并为一个新聚类;更新各新聚类之间的欧氏距离,重复以上步骤,直至聚类数目达到预设聚类数目,停止迭代,输出聚类结果;
根据所述聚类结果构建树状聚类图,并将所述树状聚类图进行分割,得到得到各种单独类型的土壤理化数据,并根据各种单独类型的土壤理化数据生成相应的土壤理化数据子集。
其中,土壤理化数据即是土壤成分数据,包括土壤含水量、土壤pH值、土壤电导率、土壤氮、磷、钾含量等。
需要说明的是,t-分布邻域嵌入是一种非线性降维算法,用于将高维数据映射到低维空间,同时能够保持数据之间的相似性关系。首先,使用高斯核函数来度量土壤理化数据之间的相似性,即计算数据之间的概率分布,从而获得一个相似性矩阵,表示数据之间的相似性;高维概率分布表示在高维空间中数据之间的距离关系;在低维空间中,同样计算数据之间的条件概率分布,以反映数据点之间的距离关系,这一步骤的目标是让低维空间中的数据点尽量反映高维空间中的相似性关系。通过在高维空间和低维空间中建模数据之间的相似性关系,并通过最小化相对熵来调整低维空间中的数据位置,实现了高维数据的降维。
需要说明的是,当通过t-分布邻域嵌入算法将土壤理化数据降维至低维空间中,并且获取得到各土壤理化数据的坐标信息后,引入层次聚类算法,并根据所述坐标信息计算得到各土壤理化数据之间欧氏距离,根据计算得到的欧氏距离,选择最近的两个土壤理化数据并合并成一个新聚类,然后根据合并的新聚类,更新距离或相似度矩阵,以反映新聚类间的距离或相似度,直到所有数据合并成一个大的聚类(自底向上)或直到达到预定的聚类数目(自顶向下),将合并过程中的聚类关系以树状图(树状聚类图)形式表示,该图展示了聚类的层次结构,此时树状聚类图每枝干中的数据分别表示不同类型的土壤成分含量,如某一枝干表示的是所采集得到的土壤pH值数据。
通过以上步骤能够对所采集得到的海量数据进行降维后再进行快速聚类,从而得到不同类型土壤理化数据,有利于提高对目标场地的评价效率。
如图3所示,具体地,通过LOF算法对各个土壤理化数据子集进行异常数据检测,得到最终土壤理化数据子集,具体为:
S302:获取各个土壤理化数据子集中的土壤理化数据,并预设每个土壤理化数据的领域大小,对于每个土壤理化数据,计算其领域内的局部密度;其中,局部密度为该土壤理化数据与其相邻K个土壤理化数据的平均马氏距离的倒数;
S304:根据每个土壤理化数据的局部密度确定出该土壤理化数据的LOF值,LOF值用于该土壤理化数据相对于其邻域的局部密度的离散程度,并预设LOF阈值;
S306:将各个土壤理化数据的LOF值与预设LOF阈值进行比较;若某一土壤理化数据的LOF值大于预设LOF阈值,则将该土壤理化数据在相应的土壤理化数据子集中筛除;
S308:筛除完毕后,更新各个土壤理化数据子集,得到最终土壤理化数据子集。
需要说明的是,LOF算法(局部离群因子算法)是一种用于检测噪声数据点和异常值的方法,它基于数据点的局部密度来进行判定。当通过层次聚类法聚类得到不同类型的土壤成分含量数据后,即得到多个土壤理化数据子集后,由于算法的自身缺陷,会出现数据错误的现象,因此,通过引入LOF算法来对各个土壤理化数据子集中的数据进行异常数据检测,从而完成对各个土壤理化数据子集进行评估,以检测出各土壤理化数据子集是否存在聚类异常的数据。通过本方法能够对各土壤理化数据子集进行修正,确保土壤理化数据子集中数据的精度,有利于提高评价结果的可靠性。
具体地,根据各个最终土壤理化数据子集的土壤理化数据对目标场地中各土壤成分进行评价,得到评价结果,具体为:
获取各个最终土壤理化数据子集的土壤理化数据,并根据各个最终土壤理化数据子集的土壤理化数据构建得到相应土壤成分的实际变化曲线图;
通过大数据网获取污染场地经过各种标准生态修复方案修复后各土壤成分的标准变化曲线图;构建知识图谱,并将污染场地经过各种标准生态修复方案修复后各土壤成分的标准变化曲线图;
获取目标场地的实际生态修复方案,将所述实际生态修复方案导入所述知识图谱中,通过灰色关联分析法计算所述实际生态修复方案与各种标准生态修复方案之间的关联度,得到多个关联度;
将多个所述关联度进行大小排序,排序完成后,提取出最大关联度;获取与最大关联度对应的标准生态修复方案,并根据与最大关联度对应的标准生态修复方案生成检索标签,基于所述检索标签在所述知识图谱中检索得到目标场地在经过实际生态修复方案修复后各土壤成分的预设变化曲线图;
通过欧几里德距离算法计算各土壤成分的实际变化曲线图与预设变化曲线图之间的重合度,并将所述重合度与预设重合度进行比较;
将重合度不大于预设重合度的土壤成分标记为异常土壤成分类型,将重合度大于预设重合度的土壤成分标记为正常土壤成分类型,根据所述异常土壤成分类型与正常土壤成分类型生成评价结果,并将所述评价结果在预设平台上显示。
需要说明的是,通过不同生态修复方案对目标场地进行修复后,目标场地的恢复效果有所不同,如生物修复方案与化学生物修复方案相比,达到预期修复效果所需的时间一般较长。可以基于物联网的方式获取得到目标场地的实际生态修复方案,然后将实际生态修复方案与各种标准生态修复方案进行比较配对,从而得到相应土壤成分的预设变化曲线图,然后再将土壤成分的实际变化曲线图与预设变化曲线图进行比较,将重合度不大于预设重合度的土壤成分标记为异常土壤成分类型,将重合度大于预设重合度的土壤成分标记为正常土壤成分类型,根据所述异常土壤成分类型与正常土壤成分类型生成评价结果,并将所述评价结果在预设平台上显示。通过本方法能够快速分析出目标场地中土壤各成分的数据是否与预期效果相符,并且将不符合预期效果的土壤成分进行标记,从而生成相应的评价结果。
此外,本方法还包括以下步骤:
通过大数据网络获取在土壤监测设备的信号传输路径,并获取各信号传输路径在各种预设环境因子组合条件之下的预设信号特性参数;其中,所述信号特性参数包括信噪比与衰减率;
构建信息库,并将各信号传输路径在各种预设环境因子组合条件之下的预设信号特性参数导入所述信息库中;
在预设时间内获取各信号传输路径的实际环境因子组合,将所述实际环境因子组合导入所述信息库中,通过哈希算法计算所述实际环境因子组合与各预设环境因子组合之间的哈希值,得到多个哈希值;
将多个所述哈希值进行排序,并提取出最大哈希值,获取与最大哈希值对应的预设环境因子组合,根据与最大哈希值对应的预设环境因子组合确定出相应土壤监测设备的预设信号特性参数;
获取各土壤监测设备的实际信号特性参数,将各土壤监测设备的实际信号特性参数与其相应的预设信号特性参数进行比较,得到信号特征参数差值;
若所述信号特征参数差值大于预设阈值,则将相应的土壤监测设备标记为故障设备,并生成故障报告,将所述故障报告输送至远程用户端。
需要说明的是,环境因子可以对无线信号的传输产生重要影响,包括信噪比和衰减率。因此,在根据各土壤监测设备所反馈的无线信号信息判断土壤监测设备是否发生了故障时,需要考虑信号在传输过程中环境的影响。通过本方法能够精准可靠的判断出布局在土壤中的土壤监测设备是否发生了故障,若发生了故障,则知会检修人员及时检修,以确保各土壤监测设备能够采集到目标场地中土壤成分数据,提高评价结果的可靠性。
此外,本方法还包括以下步骤:
获取目标场地中预设区域内所污染的抗生素类型信息,以及获取目标场地的地理三维模型图,并对地理三维模型图中预设区域内所存在的植物进行识别,得到各预设区域内所存在的植物类型;
基于各预设区域内所存在的植物类型与所污染的抗生素类型信息生成检索标签,基于所述检索标签对大数据网络进行检索,得到各预设区域内抗生素污染浓度在各浓度梯度值时该区域所存在的植物的毒性症状;
构建第二数据库,并将各预设区域内抗生素污染浓度在各浓度梯度值时该区域所存在的植物的毒性症状导入所述第二数据库中;
在预设时间节点通过遥感技术获取目标场地内各预设区域植物的遥感图像信息,并对所述遥感图像信息进行特征分析,得到各预设区域植物的实际毒性症状;
将各预设区域植物的实际毒性症状导入所述第二数据库中进行配对识别,得到各预设区域内抗生素的浓度梯度值,根据各预设区域内抗生素的浓度梯度值对所述地理三维模型图进行按照预设颜色深度渲染,从而可视化得到目标场地的抗生素污染状况模型图。
需要说明的是,植物受抗生素污染后产生毒性病状的主要原因是抗生素的毒性作用和对植物生理过程的干扰,抗生素可以干扰植物的正常生理过程,如光合作用、气体交换、水分吸收和根系发育等,这种干扰可能导致植物无法正常生长和发育,从而产生毒性病状。因此可以通过大数据网络获取在不同抗生素污染浓度梯度时各植物所会呈现的毒性症状,通过这一特征,进而间接获取得到目标场地中抗生素的污染浓度梯度值,通过本方法能够快速获取得到污染场地经过生态修复后各区域中抗生素剩余污染浓度情况,从而根据各区域中抗生素剩余污染浓度情况制定后续修复治理的优先等级。
如图4所示,本发明第二方面公开了一种抗生素污染土壤生态修复效果评价的系统,所述抗生素污染土壤生态修复效果评价的系统包括存储器18与处理器20,所述存储器18中存储有抗生素污染土壤生态修复效果评价的方法程序,当所述抗生素污染土壤生态修复效果评价的方法程序被所述处理器20执行时,实现如下步骤:
获取目标场地的点云数据,并基于点云建模的方式根据所述点云数据生成目标场地的地理三维模型图;
获取土壤监测设备的性能参数,并根据所述性能参数与地理三维模型图,通过蚁群算法迭代规划出土壤监测设备在目标场地中的设备布局图;并根据所述设备布局图对土壤监测设备进行安装布局;
在多个预设时间节点获取各土壤检测设备所反馈的土壤理化数据,构建若干数据库,并将各土壤检测设备所反馈的土壤理化数据保存至对应的数据库中;
获取各数据库中的土壤理化数据,并根据t-分布邻域嵌入法与层次聚类法对各数据库中的土壤理化数据进行先降维后聚类处理,得到若干个土壤理化数据子集;
通过LOF算法对各个土壤理化数据子集进行异常数据检测,得到最终土壤理化数据子集;根据各个最终土壤理化数据子集的土壤理化数据对目标场地中各土壤成分进行评价,得到评价结果。
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 (7)
1.一种抗生素污染土壤生态修复效果评价的方法,其特征在于,包括以下步骤:
获取目标场地的点云数据,并基于点云建模的方式根据所述点云数据生成目标场地的地理三维模型图;
获取土壤监测设备的性能参数,并根据所述性能参数与地理三维模型图,通过蚁群算法迭代规划出土壤监测设备在目标场地中的设备布局图;并根据所述设备布局图对土壤监测设备进行安装布局;
在多个预设时间节点获取各土壤检测设备所反馈的土壤理化数据,构建若干数据库,并将各土壤检测设备所反馈的土壤理化数据保存至对应的数据库中;
获取各数据库中的土壤理化数据,并根据t-分布邻域嵌入法与层次聚类法对各数据库中的土壤理化数据进行先降维后聚类处理,得到若干个土壤理化数据子集;
通过LOF算法对各个土壤理化数据子集进行异常数据检测,得到最终土壤理化数据子集;根据各个最终土壤理化数据子集的土壤理化数据对目标场地中各土壤成分进行评价,得到评价结果。
2.根据权利要求1所述的一种抗生素污染土壤生态修复效果评价的方法,其特征在于,获取目标场地的点云数据,并基于点云建模的方式根据所述点云数据生成目标场地的地理三维模型图,具体为:
在多个预设位置节点通过激光雷达对目标场地进行扫描探测,并获取各个位置节点中目标场地所反馈的点云数据,得到若干个点云数据集;
对于点云数据集中的每个点云数据,获取其在预设邻域内其余点云数据的法线差异直方图、距离直方图和角度直方图;并根据所述法线差异直方图、距离直方图和角度直方图生成一个特征向量,并根据所述特征向量生成该点云数据的特征描述子;重复以上步骤,直至得到各个点云数据的特征描述子;
构建空间三维坐标系,并将各个点云数据集导入所述空间三维坐标系中,并基于各点云数据的特征描述子的相似性对各点云数据进行初始配准,得到初始配准结果,并根据所述初始配准结果构建初始变换矩阵;
引入最小二乘法,以对所述初始变换矩阵不断进行最优化迭代,直至所有点云数据集的点云数据均融合成一个连续且完整的点云模型,得到配准后的点云数据;
在所述空间三维坐标系中获取配准后的点云数据的相对坐标信息,根据所述相对坐标信息生成点云数据坐标集,根据所述点云数据坐标集重构得到目标场地的地理三维模型图。
3.根据权利要求1所述的一种抗生素污染土壤生态修复效果评价的方法,其特征在于,获取土壤监测设备的性能参数,并根据所述性能参数与地理三维模型图,通过蚁群算法迭代规划出土壤监测设备在目标场地中的设备布局图,具体为:
获取土壤监测设备的性能参数,初始化若干只蚂蚁,每只蚂蚁代表一个潜在的设备安装点;其中,性能参数包括监测范围、通信范围以及抗干扰强度;
根据土壤监测设备的性能参数预设蚂蚁的行为规律,将若干只所述蚂蚁随机分布在所述地理三维模型图中,基于所述行为规律模拟各蚂蚁在地理三维模型图中进行移动,使得各蚂蚁根据特定的策略选择新的位置;
根据各蚂蚁选择新的位置更新信息素矩阵,信息素矩阵用于指导蚂蚁的移动,以便集中在性能更好的区域节点内;重复模拟蚂蚁的行为,并重复更新信息素矩阵,直至达到最大迭代次数后,从最终的信息素矩阵中提取出若干个土壤监测设备的最佳安装点;
根据所述最佳安装点生成设备布局图,并将所述设备布局图输出。
4.根据权利要求1所述的一种抗生素污染土壤生态修复效果评价的方法,其特征在于,获取各数据库中的土壤理化数据,并根据t-分布邻域嵌入法与层次聚类法对各数据库中的土壤理化数据进行先降维后聚类处理,得到若干个土壤理化数据子集,具体为:
获取各数据库中的土壤理化数据,并通过高斯核函数度量同一数据库中每两个土壤理化数据之间的相似性,根据同一数据库中每两个土壤理化数据之间的相似性构建相似性矩阵;
构建高维空间,将所述土壤理化数据导入所述高维空间中,并获取各土壤理化数据在所述高维空间中的位置,根据各土壤理化数据在所述高维空间中的位置以及所述相似性矩阵计算得到高维概率分布;
构建低维空间,并随机初始化各土壤理化数据在所述低维空间中的位置;并各土壤理化数据在所述低维空间中的位置以及所述相似性矩阵计算得到低维概率分布;
使用梯度下降优化方法,最小化高维概率分布和低维概率分布之间的相对熵,根据所述相对熵优化低维空间中各土壤理化数据的位置;重复以上步骤,直至达到收敛条件,获取低维空间中各土壤理化数据的坐标信息;
将各土壤理化数据均视为一个初始聚类,并根据所述坐标信息计算得到各初始聚类之间欧氏距离,将欧氏距离最近的两个初始聚类合并为一个新聚类;更新各新聚类之间的欧氏距离,重复以上步骤,直至聚类数目达到预设聚类数目,停止迭代,输出聚类结果;
根据所述聚类结果构建树状聚类图,并将所述树状聚类图进行分割,得到各种单独类型的土壤理化数据,并根据各种单独类型的土壤理化数据生成相应的土壤理化数据子集。
5.根据权利要求1所述的一种抗生素污染土壤生态修复效果评价的方法,其特征在于,通过LOF算法对各个土壤理化数据子集进行异常数据检测,得到最终土壤理化数据子集,具体为:
获取各个土壤理化数据子集中的土壤理化数据,并预设每个土壤理化数据的领域大小,对于每个土壤理化数据,计算其领域内的局部密度;其中,局部密度为该土壤理化数据与其相邻K个土壤理化数据的平均马氏距离的倒数;
根据每个土壤理化数据的局部密度确定出该土壤理化数据的LOF值,LOF值用于该土壤理化数据相对于其邻域的局部密度的离散程度,并预设LOF阈值;
将各个土壤理化数据的LOF值与预设LOF阈值进行比较;若某一土壤理化数据的LOF值大于预设LOF阈值,则将该土壤理化数据在相应的土壤理化数据子集中筛除;
筛除完毕后,更新各个土壤理化数据子集,得到最终土壤理化数据子集。
6.根据权利要求1所述的一种抗生素污染土壤生态修复效果评价的方法,其特征在于,根据各个最终土壤理化数据子集的土壤理化数据对目标场地中各土壤成分进行评价,得到评价结果,具体为:
获取各个最终土壤理化数据子集的土壤理化数据,并根据各个最终土壤理化数据子集的土壤理化数据构建得到相应土壤成分的实际变化曲线图;
通过大数据网获取污染场地经过各种标准生态修复方案修复后各土壤成分的标准变化曲线图;构建知识图谱,并将污染场地经过各种标准生态修复方案修复后各土壤成分的标准变化曲线图;
获取目标场地的实际生态修复方案,将所述实际生态修复方案导入所述知识图谱中,通过灰色关联分析法计算所述实际生态修复方案与各种标准生态修复方案之间的关联度,得到多个关联度;
将多个所述关联度进行大小排序,排序完成后,提取出最大关联度;获取与最大关联度对应的标准生态修复方案,并根据与最大关联度对应的标准生态修复方案生成检索标签,基于所述检索标签在所述知识图谱中检索得到目标场地在经过实际生态修复方案修复后各土壤成分的预设变化曲线图;
通过欧几里德距离算法计算各土壤成分的实际变化曲线图与预设变化曲线图之间的重合度,并将所述重合度与预设重合度进行比较;
将重合度不大于预设重合度的土壤成分标记为异常土壤成分类型,将重合度大于预设重合度的土壤成分标记为正常土壤成分类型,根据所述异常土壤成分类型与正常土壤成分类型生成评价结果,并将所述评价结果在预设平台上显示。
7.一种抗生素污染土壤生态修复效果评价的系统,其特征在于,所述抗生素污染土壤生态修复效果评价的系统包括存储器与处理器,所述存储器中存储有抗生素污染土壤生态修复效果评价的方法程序,当所述抗生素污染土壤生态修复效果评价的方法程序被所述处理器执行时,实现如下步骤:
获取目标场地的点云数据,并基于点云建模的方式根据所述点云数据生成目标场地的地理三维模型图;
获取土壤监测设备的性能参数,并根据所述性能参数与地理三维模型图,通过蚁群算法迭代规划出土壤监测设备在目标场地中的设备布局图;并根据所述设备布局图对土壤监测设备进行安装布局;
在多个预设时间节点获取各土壤检测设备所反馈的土壤理化数据,构建若干数据库,并将各土壤检测设备所反馈的土壤理化数据保存至对应的数据库中;
获取各数据库中的土壤理化数据,并根据t-分布邻域嵌入法与层次聚类法对各数据库中的土壤理化数据进行先降维后聚类处理,得到若干个土壤理化数据子集;
通过LOF算法对各个土壤理化数据子集进行异常数据检测,得到最终土壤理化数据子集;根据各个最终土壤理化数据子集的土壤理化数据对目标场地中各土壤成分进行评价,得到评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311448091.0A CN117171695B (zh) | 2023-11-02 | 2023-11-02 | 一种抗生素污染土壤生态修复效果评价的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311448091.0A CN117171695B (zh) | 2023-11-02 | 2023-11-02 | 一种抗生素污染土壤生态修复效果评价的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117171695A CN117171695A (zh) | 2023-12-05 |
CN117171695B true CN117171695B (zh) | 2024-01-02 |
Family
ID=88941653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311448091.0A Active CN117171695B (zh) | 2023-11-02 | 2023-11-02 | 一种抗生素污染土壤生态修复效果评价的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117171695B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118013636A (zh) * | 2024-04-07 | 2024-05-10 | 资阳建工建筑有限公司 | 一种砌体结构抗压性能检测设备及检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937098A (zh) * | 2022-11-09 | 2023-04-07 | 国网上海市电力公司 | 一种电力金具压接质量可视化检测方法 |
CN116363601A (zh) * | 2023-06-02 | 2023-06-30 | 北京建工环境修复股份有限公司 | 一种污染监测设备的数据采集与分析方法及系统 |
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 |
CN116776183A (zh) * | 2023-08-18 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地识别与评价方法及系统 |
CN116842350A (zh) * | 2023-09-01 | 2023-10-03 | 北京建工环境修复股份有限公司 | 一种污染场地植物修复的分析方法、系统及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9579700B2 (en) * | 2014-05-30 | 2017-02-28 | Iteris, Inc. | Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities |
-
2023
- 2023-11-02 CN CN202311448091.0A patent/CN117171695B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937098A (zh) * | 2022-11-09 | 2023-04-07 | 国网上海市电力公司 | 一种电力金具压接质量可视化检测方法 |
CN116363601A (zh) * | 2023-06-02 | 2023-06-30 | 北京建工环境修复股份有限公司 | 一种污染监测设备的数据采集与分析方法及系统 |
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 |
CN116776183A (zh) * | 2023-08-18 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地识别与评价方法及系统 |
CN116842350A (zh) * | 2023-09-01 | 2023-10-03 | 北京建工环境修复股份有限公司 | 一种污染场地植物修复的分析方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
土壤重金属污染评价方法进展;范拴喜;甘卓亭;李美娟;张掌权;周旗;;中国农学通报(第17期);全文 * |
基于改进灰色聚类法的矿区土壤重金属污染评价;郭绍英;林皓;谢妤;饶瑞晔;张江山;郑育毅;;环境工程(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117171695A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116186566B (zh) | 基于深度学习的扩散预测方法及系统 | |
CN115908424B (zh) | 基于三维激光扫描的建筑物健康检测方法、系统及介质 | |
Inman et al. | Comparing sample bias correction methods for species distribution modeling using virtual species | |
CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及系统 | |
CN116629619B (zh) | 一种土壤新污染物赋存状况预测方法及系统 | |
CN117171223B (zh) | 一种微生物修复过程中的微生物培养方案推荐方法及系统 | |
CN116384776B (zh) | 基于模糊评价的场地污染评估方法、系统及存储介质 | |
CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
CN116882790B (zh) | 一种矿山生态修复区域的碳排放设备管理方法及系统 | |
CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
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 | |
CN117391727B (zh) | 一种负碳排放的碳中和方法及系统 | |
CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
CN116882637B (zh) | 一种农田碳排放分析方法及系统 | |
Nolan et al. | Solving sampling bias problems in presence–absence or presence‐only species data using zero‐inflated models | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
CN117172430A (zh) | 一种基于深度学习的水体环境评估与预测方法及系统 | |
CN116384775A (zh) | 一种污染场地监测设备的管理方法、系统及存储介质 | |
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 | |
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 | |
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 | |
CN116993025B (zh) | 一种基于数据处理的虫害诱杀设备管理方法及系统 | |
CN118094266A (zh) | 一种智能终端核辐射检测分析方法及系统 | |
CN117172990B (zh) | 一种地下水环境中抗生素污染迁移预测方法及系统 | |
CN112528293B (zh) | 安全漏洞预警方法、装置、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |