CN117172992A - 一种污染农田土壤的微生态特征调查方法及系统 - Google Patents
一种污染农田土壤的微生态特征调查方法及系统 Download PDFInfo
- Publication number
- CN117172992A CN117172992A CN202311448862.6A CN202311448862A CN117172992A CN 117172992 A CN117172992 A CN 117172992A CN 202311448862 A CN202311448862 A CN 202311448862A CN 117172992 A CN117172992 A CN 117172992A
- Authority
- CN
- China
- Prior art keywords
- soil
- image
- area
- image data
- microorganism
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 387
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000011835 investigation Methods 0.000 title claims abstract description 23
- 244000005700 microbiome Species 0.000 claims abstract description 134
- 238000005070 sampling Methods 0.000 claims abstract description 89
- 230000000813 microbial effect Effects 0.000 claims abstract description 88
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000013145 classification model Methods 0.000 claims abstract description 46
- 238000003066 decision tree Methods 0.000 claims abstract description 41
- 238000001493 electron microscopy Methods 0.000 claims abstract description 15
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000003900 soil pollution Methods 0.000 claims abstract description 11
- 238000012800 visualization Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 48
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000000737 periodic effect Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000011368 organic material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004856 soil analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明公开了一种污染农田土壤的微生态特征调查方法及系统。获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型;根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据;获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型;将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果;基于所述微生物识别结果,结合地图模型进行土壤污染生态可视化;通过本发明,能够对农田土壤进行精准地微生物分析与生成高效的农田微生态调控、调查方案。
Description
技术领域
本发明涉及数据分析领域,更具体的,涉及一种污染农田土壤的微生态特征调查方法及系统。
背景技术
土壤微生物是农田土壤中重要组成部分,是农田土壤中微生态分析的重要对象。
但受制于现有技术,目前对土壤中微生物的识别率与分析准确度较低,进一步影响土壤微生态的调查分析,从而大大影响了土壤生态的有效分析,阻碍了农业发展。
发明内容
本发明克服了现有技术的缺陷,提出了一种污染农田土壤的微生态特征调查方法及系统。
本发明第一方面提供了一种污染农田土壤的微生态特征调查方法,包括:
获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型;
根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据;
获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型;
将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果;
基于所述微生物识别结果,结合地图模型进行土壤污染生态可视化;
根据所述微生物识别结果与目标土壤区域的土壤环境需求信息进行调控分析,生成土壤调控方案。
本方案中,所述获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型,具体为:
获取目标土壤区域信息;
所述目标土壤区域信息包括目标土壤区域的采样点位置、面积、区域轮廓、土壤类型与植物分布信息;
基于目标土壤区域信息构建初始模型,通过土壤类型、植物分布信息对初始模型进行土壤生态物体填充,形成可视化三维的地图模型;
所述目标土壤区域包括农田区域。
本方案中,所述根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据,具体为:
根据预设采样点获取土壤样品;
对土壤样品进行样品预处理并基于电子显微镜进行图像拍摄得到初始土壤图像;
对初始土壤图像进行降噪、转换、标准化预处理,得到土壤图像数据。
本方案中,所述获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型,具体为:
获取在N个采样周期内的历史采样图像数据与对应的历史微生物识别结果;
将所述历史采样图像数据进行微生物区域图像提取,得到微生物区域图像数据;
基于N个采样周期将微生物区域图像数据进行划分得到N个微生物图像;
获取N个采样周期的土壤环境数据,对所述土壤环境数据进行基于线性回归的变化分析,得到环境变化曲线图;
根据环境变化曲线图生成N组环境变化参数;
基于历史微生物识别结果,获取一个微生物图像中的微生物种类与微生物图像特征数据;
将所述微生物图像特征数据进行向量转化得到一组特征向量;
分析N个微生物图像中的特征向量并得到N组特征向量;
所述N组环境变化参数与N组特征向量在时间维度上对应N个采样周期。
本方案中,所述构建基于决策树的分类模型,还包括:
构建基于决策树的分类模型;
获取其中一组特征向量,基于时间顺序,将所述一组特征向量与上一组特征向量进行基于标准欧氏距离的相似度计算,得到特征相似值;
基于特征相似值与一组特征向量对应的环境变化参数计算相关度,若相关度大于预设值,则将所述一组特征向量所对应的特征数据标记为第一特征数据;
若相关度小于等于预设值,则将所述一组特征向量所对应的特征数据标记为为第二特征数据;
判断N组特征向量,并将得到的所有第一特征数据进行基于决策树节点的特征条件转换,形成M个第一节点;
将得到的所有第二特征数据进行基于决策树节点的特征条件转换,形成L个第二节点;
将所述M个第一节点作为根节点或父节点,将L个第二节点作为叶子结点,基于预设启发式算法进行完整决策树构建与优化,得到优化后的分类模型。
本方案中,所述将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果,具体为:
获取目标土壤区域中多个子区域内的土壤图像数据;
将所述土壤图像数据导入分类模型进行图像特征分类,得到特征分类后图像数据;
对所述特征分类后图像数据进行基于CNN的图像模型的微生物图像识别,并得到每个子区域内的微生物识别结果。
本方案中,所述根据所述微生物识别结果与目标土壤区域的土壤环境需求信息进行调控分析,生成土壤调控方案,具体为:
基于每个子区域内的微生物识别结果,结合地图模型进行区域性微生物变化分析,得到每个子区域的土壤微生物变化信息;
获取目标土壤区域的资源规划信息,基于所述资源规划信息进行分析得到土壤需求信息;
根据所述土壤需求信息与每个子区域的土壤微生物变化信息进行土壤微生态调查分析与对每个子区域进行微生物生态规划分析,得到每个子区域的微生态调控方案;
将所有子区域的微生态调控方案进行整合形成目标土壤区域的土壤调控方案。
本发明第二方面还提供了一种污染农田土壤的微生态特征调查系统,该系统包括:存储器、处理器,所述存储器中包括污染农田土壤的微生态特征调查程序,所述污染农田土壤的微生态特征调查程序被所述处理器执行时实现如下步骤:
获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型;
根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据;
获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型;
将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果;
基于所述微生物识别结果,结合地图模型进行土壤污染生态可视化;
根据所述微生物识别结果与目标土壤区域的土壤环境需求信息进行调控分析,生成土壤调控方案。
本方案中,所述获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型,具体为:
获取目标土壤区域信息;
所述目标土壤区域信息包括目标土壤区域的采样点位置、面积、区域轮廓、土壤类型与植物分布信息;
基于目标土壤区域信息构建初始模型,通过土壤类型、植物分布信息对初始模型进行土壤生态物体填充,形成可视化三维的地图模型;
所述目标土壤区域包括农田区域。
本方案中,所述根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据,具体为:
根据预设采样点获取土壤样品;
对土壤样品进行样品预处理并基于电子显微镜进行图像拍摄得到初始土壤图像;
对初始土壤图像进行降噪、转换、标准化预处理,得到土壤图像数据。
本发明公开了一种污染农田土壤的微生态特征调查方法及系统。获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型;根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据;获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型;将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果;基于所述微生物识别结果,结合地图模型进行土壤污染生态可视化;通过本发明,能够对农田土壤进行精准地微生物分析与生成高效的农田微生态调控、调查方案。
附图说明
图1示出了本发明一种污染农田土壤的微生态特征调查方法的流程图;
图2示出了本发明构建地图模型流程图;
图3示出了本发明土壤图像数据获取流程图;
图4示出了本发明一种污染农田土壤的微生态特征调查系统的框图。
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。
图1示出了本发明一种污染农田土壤的微生态特征调查方法的流程图。
如图1所示,本发明第一方面提供了一种污染农田土壤的微生态特征调查方法,包括:
S102,获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型;
S104,根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据;
S106,获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型;
S108,将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果;
S110,基于所述微生物识别结果,结合地图模型进行土壤污染生态可视化;
S112,根据所述微生物识别结果与目标土壤区域的土壤环境需求信息进行调控分析,生成土壤调控方案。
图2示出了本发明构建地图模型流程图。
根据本发明实施例,所述获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型,具体为:
S202,获取目标土壤区域信息;
S204,所述目标土壤区域信息包括目标土壤区域的采样点位置、面积、区域轮廓、土壤类型与植物分布信息;
S206,基于目标土壤区域信息构建初始模型,通过土壤类型、植物分布信息对初始模型进行土壤生态物体填充,形成可视化三维的地图模型;
S208,所述目标土壤区域包括农田区域。
需要说明的是,所述目标土壤区域信息即农田土壤区域信息,所述初始模型为空白模型,只有基本的空间大小属性,通过所述可视化三维的地图模型能够对土壤实现直观、便捷的可视化 查看,同时能够更加直观掌握微生物的分布与状况。本发明主要研究农田区域的调控,另外,在一般技术的转移应用下,可以对非农田的邻近区域进行同等调控,以对目标农田区域实现辅助调控,例如,在土壤区域中大部分为农田区域,在边缘区域中存在非农田区域(如河流区域、工业区域、住宅区域),对非农田区域的土壤分析也能一定程度下帮助农田区域进行微生态恢复。
图3示出了本发明土壤图像数据获取流程图。
根据本发明实施例,所述根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据,具体为:
S302,根据预设采样点获取土壤样品;
S304,对土壤样品进行样品预处理并基于电子显微镜进行图像拍摄得到初始土壤图像;
S306,对初始土壤图像进行降噪、转换、标准化预处理,得到土壤图像数据。
需要说明的是,所述样品预处理包括对土壤样品进行破碎、筛选、除杂、制片等操作。
根据本发明实施例,所述获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型,具体为:
获取在N个采样周期内的历史采样图像数据与对应的历史微生物识别结果;
将所述历史采样图像数据进行微生物区域图像提取,得到微生物区域图像数据;
基于N个采样周期将微生物区域图像数据进行划分得到N个微生物图像;
获取N个采样周期的土壤环境数据,对所述土壤环境数据进行基于线性回归的变化分析,得到环境变化曲线图;
根据环境变化曲线图生成N组环境变化参数;
基于历史微生物识别结果,获取一个微生物图像中的微生物种类与微生物图像特征数据;
将所述微生物图像特征数据进行向量转化得到一组特征向量;
分析N个微生物图像中的特征向量并得到N组特征向量;
所述N组环境变化参数与N组特征向量在时间维度上对应N个采样周期。
根据本发明实施例,所述构建基于决策树的分类模型,还包括:
构建基于决策树的分类模型;
获取其中一组特征向量,基于时间顺序,将所述一组特征向量与上一组特征向量进行基于标准欧氏距离的相似度计算,得到特征相似值;
基于特征相似值与一组特征向量对应的环境变化参数计算相关度,若相关度大于预设值,则将所述一组特征向量所对应的特征数据标记为第一特征数据;
若相关度小于等于预设值,则将所述一组特征向量所对应的特征数据标记为为第二特征数据;
判断N组特征向量,并将得到的所有第一特征数据进行基于决策树节点的特征条件转换,形成M个第一节点;
将得到的所有第二特征数据进行基于决策树节点的特征条件转换,形成L个第二节点;
将所述M个第一节点作为根节点或父节点,将L个第二节点作为叶子结点,基于预设启发式算法进行完整决策树构建与优化,得到优化后的分类模型。
需要说明的是,所述相似度计算的公式如下:
;
其中,所述为相关度,/>为特征相似值,/>为环境变化参数,/>为修正系数。
环境变化参数为多个值时可通过计算均值代入公式计算。
需要说明的是,所述相关度为反映环境变化对微生物图像变化的相关度,相关度越大,则环境变化对相应的微生物图像特征变化越大,此时,将较大相关度的图像特征作为决策树中相对上级的节点(如根节点、下一级的父节点等)进行判断,能够有效提高决策树分类模型在后续的分类与识别的效率和准确率,决策树中叶子结点为最下级节点。另外,构建的分类模型基于环境变化选取相关特征构建决策树,在后续,能够有效避免因环境变化导致微生物图像特征变化所带来的的识别率下降问题。例如,在土壤环境一定变化后,如温度、湿度变化,对应微生物的状态、种类数、分布均有不同程度的变化,若不加以图像分类直接识别,其识别率较低。
所述预设启发式算法包括ID3、C4.5、CART等。
需要说明的是,所述土壤环境数据包括温度、湿度等,通过分析N个采样周期的数据变化,能够进一步生成环境变化曲线图,即温度、湿度等的变化曲线,该曲线为基于线性回归的变化分析得到连续曲线。所述环境变化参数中,每个环境变化参数对应一个采样周期,其所具体的参数值含义为与上一个周期相比的环境变化程度与变化方向,如,湿度的值是变大还是变小,变化量多少等。一组环境变化参数包括至少一个参数值,具体由分析的环境数据与用户决定。所述一个微生物图像中的微生物种类与微生物图像特征数据中,N个微生物图像对应N个微生物种类与微生物图像特征数据。
根据本发明实施例,所述将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果,具体为:
获取目标土壤区域中多个子区域内的土壤图像数据;
将所述土壤图像数据导入分类模型进行图像特征分类,得到特征分类后图像数据;
对所述特征分类后图像数据进行基于CNN的图像模型的微生物图像识别,并得到每个子区域内的微生物识别结果。
需要说明的是,预设采样点可以包括多个,因此可以对目标土壤区域进行多个细分区域的土壤微生物研究。每个子区域包括至少一个采样点。所述基于CNN的图像模型为通过已有微生物图像进行训练优化得到的识别模型,对已有与目标微生物具有较高识别能力。所述每个子区域内的微生物识别结果中,识别结果包括微生物的种类、分布、数量、浓度等信息。
根据本发明实施例,所述根据所述微生物识别结果与目标土壤区域的土壤环境需求信息进行调控分析,生成土壤调控方案,具体为:
基于每个子区域内的微生物识别结果,结合地图模型进行区域性微生物变化分析,得到每个子区域的土壤微生物变化信息;
获取目标土壤区域的资源规划信息,基于所述资源规划信息进行分析得到土壤需求信息;
根据所述土壤需求信息与每个子区域的土壤微生物变化信息进行土壤微生态调查分析与对每个子区域进行微生物生态规划分析,得到每个子区域的微生态调控方案;
将所有子区域的微生态调控方案进行整合形成目标土壤区域的土壤调控方案。
需要说明的是,所述资源规划信息即土壤具体用途,如农田规划、园区规划等,不同的规划对应不同的土壤需求,如农田规划中,不同的农作物也对应不同的土壤需求,特别是土壤中有机物、无机物、微生物等需求。所述土壤微生物变化信息为基于一个子区域内与邻近子区域的微生物变化分析得到,包括相邻子区域间微生物种类的差异、分布差异、数量差异和当前子区域的微生物变化信息。
所述微生态调控方案包括使用天然有机物料、注入微生物菌剂、改变土壤的理化性质和水分条件等,通过微生态调控方案改变微生物的生长趋势,从而调控土壤微生物。
由于土壤环境复杂,不同区域土壤底下成分不一致,导致每个子区域中的土壤微生物状况、种类、数量、浓度存在一定差异。
根据本发明实施例,还包括:
基于预设采样点,在多个周期内对目标土壤区域中每个子区域进行采样检测,并得到当前周期内的每个子区域的土壤微生物变化信息;
从当前周期内每个子区域的土壤微生物变化信息中提取出每个子区域的当前微生物状况信息;
根据土壤需求信息形成土壤微生物指标信息;
以当前微生物状况信息作为初始状态,土壤微生物指标信息作为目标状态,对微生物的种类数、数量、浓度的变化进行基于线性回归的数据预测,预测数据为初始状态与目标状态之间的中间数据,预测周期数为T,得到T个周期性微生物预测数据;
对每个子区域进行微生物分析预测,得到每个子区域对应的T个周期性微生物预测数据;
根据土壤调控方案对目标土壤区域进行调控,将T个周期性微生物预测数据作为后续T个周期内的微生物监测指标;
在T个周期的土壤调控后,判断分析一个子区域未达到微生物监测指标的周期数T1;
若T1大于预设数值,则将对应子区域标记为异常区域,判断分析出所有异常区域;
基于所述异常区域,生成土壤污染调查方案。
需要说明的是,在本发明中,通过对每个子区域进行指标数据的预测计算,并基于周期性的指标数据进行实际应用判断,实现农田土壤的区域性调控与评估,并基于指标分析得到异常区域,从而能够发现污染区域并进行调查分析,从而实现农田土壤的高效、精准的生态监控分析,提高土壤利用率。
值得一提的是,在一些土壤区域中,存在一些难以发现污染区域,如重金属污染与有机物污染区域,这些区域大大阻碍了有益微生物的生长,破坏了微生物的生长固有环境,并有可能促进有害微生物的生长,而盲目地进行微生物调控效率不能达到理想状态,因此,需要对这些区域进行尽早地发现、调查与污染防治。
所述周期性微生物预测数据包括微生物预测种类、分布、数量等信息。
图4示出了本发明一种污染农田土壤的微生态特征调查系统的框图。
本发明第二方面还提供了一种污染农田土壤的微生态特征调查系统4,该系统包括:存储器41、处理器42,所述存储器中包括污染农田土壤的微生态特征调查程序,所述污染农田土壤的微生态特征调查程序被所述处理器执行时实现如下步骤:
获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型;
根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据;
获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型;
将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果;
基于所述微生物识别结果,结合地图模型进行土壤污染生态可视化;
根据所述微生物识别结果与目标土壤区域的土壤环境需求信息进行调控分析,生成土壤调控方案。
根据本发明实施例,所述获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型,具体为:
获取目标土壤区域信息;
所述目标土壤区域信息包括目标土壤区域的采样点位置、面积、区域轮廓、土壤类型与植物分布信息;
基于目标土壤区域信息构建初始模型,通过土壤类型、植物分布信息对初始模型进行土壤生态物体填充,形成可视化三维的地图模型;
所述目标土壤区域包括农田区域。
需要说明的是,所述目标土壤区域信息即农田土壤区域信息,所述初始模型为空白模型,只有基本的空间大小属性,通过所述可视化三维的地图模型能够对土壤实现直观、便捷的可视化 查看,同时能够更加直观掌握微生物的分布与状况。本发明主要研究农田区域的调控,另外,在一般技术的转移应用下,可以对非农田的邻近区域进行同等调控,以对目标农田区域实现辅助调控,例如,在土壤区域中大部分为农田区域,在边缘区域中存在非农田区域(如河流区域、工业区域、住宅区域),对非农田区域的土壤分析也能一定程度下帮助农田区域进行微生态恢复。
根据本发明实施例,所述根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据,具体为:
根据预设采样点获取土壤样品;
对土壤样品进行样品预处理并基于电子显微镜进行图像拍摄得到初始土壤图像;
对初始土壤图像进行降噪、转换、标准化预处理,得到土壤图像数据。
需要说明的是,所述样品预处理包括对土壤样品进行破碎、筛选、除杂、制片等操作。
根据本发明实施例,所述获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型,具体为:
获取在N个采样周期内的历史采样图像数据与对应的历史微生物识别结果;
将所述历史采样图像数据进行微生物区域图像提取,得到微生物区域图像数据;
基于N个采样周期将微生物区域图像数据进行划分得到N个微生物图像;
获取N个采样周期的土壤环境数据,对所述土壤环境数据进行基于线性回归的变化分析,得到环境变化曲线图;
根据环境变化曲线图生成N组环境变化参数;
基于历史微生物识别结果,获取一个微生物图像中的微生物种类与微生物图像特征数据;
将所述微生物图像特征数据进行向量转化得到一组特征向量;
分析N个微生物图像中的特征向量并得到N组特征向量;
所述N组环境变化参数与N组特征向量在时间维度上对应N个采样周期。
根据本发明实施例,所述构建基于决策树的分类模型,还包括:
构建基于决策树的分类模型;
获取其中一组特征向量,基于时间顺序,将所述一组特征向量与上一组特征向量进行基于标准欧氏距离的相似度计算,得到特征相似值;
基于特征相似值与一组特征向量对应的环境变化参数计算相关度,若相关度大于预设值,则将所述一组特征向量所对应的特征数据标记为第一特征数据;
若相关度小于等于预设值,则将所述一组特征向量所对应的特征数据标记为为第二特征数据;
判断N组特征向量,并将得到的所有第一特征数据进行基于决策树节点的特征条件转换,形成M个第一节点;
将得到的所有第二特征数据进行基于决策树节点的特征条件转换,形成L个第二节点;
将所述M个第一节点作为根节点或父节点,将L个第二节点作为叶子结点,基于预设启发式算法进行完整决策树构建与优化,得到优化后的分类模型。
需要说明的是,所述相似度计算的公式如下:
;
其中,所述为相关度,/>为特征相似值,/>为环境变化参数,/>为修正系数。
环境变化参数为多个值时可通过计算均值代入公式计算。
需要说明的是,所述相关度为反映环境变化对微生物图像变化的相关度,相关度越大,则环境变化对相应的微生物图像特征变化越大,此时,将较大相关度的图像特征作为决策树中相对上级的节点(如根节点、下一级的父节点等)进行判断,能够有效提高决策树分类模型在后续的分类与识别的效率和准确率,决策树中叶子结点为最下级节点。另外,构建的分类模型基于环境变化选取相关特征构建决策树,在后续,能够有效避免因环境变化导致微生物图像特征变化所带来的的识别率下降问题。例如,在土壤环境一定变化后,如温度、湿度变化,对应微生物的状态、种类数、分布均有不同程度的变化,若不加以图像分类直接识别,其识别率较低。
所述预设启发式算法包括ID3、C4.5、CART等。
需要说明的是,所述土壤环境数据包括温度、湿度等,通过分析N个采样周期的数据变化,能够进一步生成环境变化曲线图,即温度、湿度等的变化曲线,该曲线为基于线性回归的变化分析得到连续曲线。所述环境变化参数中,每个环境变化参数对应一个采样周期,其所具体的参数值含义为与上一个周期相比的环境变化程度与变化方向,如,湿度的值是变大还是变小,变化量多少等。一组环境变化参数包括至少一个参数值,具体由分析的环境数据与用户决定。所述一个微生物图像中的微生物种类与微生物图像特征数据中,N个微生物图像对应N个微生物种类与微生物图像特征数据。
根据本发明实施例,所述将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果,具体为:
获取目标土壤区域中多个子区域内的土壤图像数据;
将所述土壤图像数据导入分类模型进行图像特征分类,得到特征分类后图像数据;
对所述特征分类后图像数据进行基于CNN的图像模型的微生物图像识别,并得到每个子区域内的微生物识别结果。
需要说明的是,预设采样点可以包括多个,因此可以对目标土壤区域进行多个细分区域的土壤微生物研究。每个子区域包括至少一个采样点。所述基于CNN的图像模型为通过已有微生物图像进行训练优化得到的识别模型,对已有与目标微生物具有较高识别能力。所述每个子区域内的微生物识别结果中,识别结果包括微生物的种类、分布、数量、浓度等信息。
根据本发明实施例,所述根据所述微生物识别结果与目标土壤区域的土壤环境需求信息进行调控分析,生成土壤调控方案,具体为:
基于每个子区域内的微生物识别结果,结合地图模型进行区域性微生物变化分析,得到每个子区域的土壤微生物变化信息;
获取目标土壤区域的资源规划信息,基于所述资源规划信息进行分析得到土壤需求信息;
根据所述土壤需求信息与每个子区域的土壤微生物变化信息进行土壤微生态调查分析与对每个子区域进行微生物生态规划分析,得到每个子区域的微生态调控方案;
将所有子区域的微生态调控方案进行整合形成目标土壤区域的土壤调控方案。
需要说明的是,所述资源规划信息即土壤具体用途,如农田规划、园区规划等,不同的规划对应不同的土壤需求,如农田规划中,不同的农作物也对应不同的土壤需求,特别是土壤中有机物、无机物、微生物等需求。所述土壤微生物变化信息为基于一个子区域内与邻近子区域的微生物变化分析得到,包括相邻子区域间微生物种类的差异、分布差异、数量差异和当前子区域的微生物变化信息。
所述微生态调控方案包括使用天然有机物料、注入微生物菌剂、改变土壤的理化性质和水分条件等,通过微生态调控方案改变微生物的生长趋势,从而调控土壤微生物。
由于土壤环境复杂,不同区域土壤底下成分不一致,导致每个子区域中的土壤微生物状况、种类、数量、浓度存在一定差异。
根据本发明实施例,还包括:
基于预设采样点,在多个周期内对目标土壤区域中每个子区域进行采样检测,并得到当前周期内的每个子区域的土壤微生物变化信息;
从当前周期内每个子区域的土壤微生物变化信息中提取出每个子区域的当前微生物状况信息;
根据土壤需求信息形成土壤微生物指标信息;
以当前微生物状况信息作为初始状态,土壤微生物指标信息作为目标状态,对微生物的种类数、数量、浓度的变化进行基于线性回归的数据预测,预测数据为初始状态与目标状态之间的中间数据,预测周期数为T,得到T个周期性微生物预测数据;
对每个子区域进行微生物分析预测,得到每个子区域对应的T个周期性微生物预测数据;
根据土壤调控方案对目标土壤区域进行调控,将T个周期性微生物预测数据作为后续T个周期内的微生物监测指标;
在T个周期的土壤调控后,判断分析一个子区域未达到微生物监测指标的周期数T1;
若T1大于预设数值,则将对应子区域标记为异常区域,判断分析出所有异常区域;
基于所述异常区域,生成土壤污染调查方案。
需要说明的是,在本发明中,通过对每个子区域进行指标数据的预测计算,并基于周期性的指标数据进行实际应用判断,实现农田土壤的区域性调控与评估,并基于指标分析得到异常区域,从而能够发现污染区域并进行调查分析,从而实现农田土壤的高效、精准的生态监控分析,提高土壤利用率。
值得一提的是,在一些土壤区域中,存在一些难以发现污染区域,如重金属污染与有机物污染区域,这些区域大大阻碍了有益微生物的生长,破坏了微生物的生长固有环境,并有可能促进有害微生物的生长,而盲目地进行微生物调控效率不能达到理想状态,因此,需要对这些区域进行尽早地发现、调查与污染防治。
所述周期性微生物预测数据包括微生物预测种类、分布、数量等信息。
本发明公开了一种污染农田土壤的微生态特征调查方法及系统。获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型;根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据;获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型;将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果;基于所述微生物识别结果,结合地图模型进行土壤污染生态可视化;通过本发明,能够对农田土壤进行精准地微生物分析与生成高效的农田微生态调控、调查方案。
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所述方法的全部或部分。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。
以上所述,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所述权利要求的保护范围为准。
Claims (10)
1.一种污染农田土壤的微生态特征调查方法,其特征在于,包括:
获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型;
根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据;
获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型;
将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果;
基于所述微生物识别结果,结合地图模型进行土壤污染生态可视化;
根据所述微生物识别结果与目标土壤区域的土壤环境需求信息进行调控分析,生成土壤调控方案。
2.根据权利要求1所述的一种污染农田土壤的微生态特征调查方法,其特征在于,所述获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型,具体为:
获取目标土壤区域信息;
所述目标土壤区域信息包括目标土壤区域的采样点位置、面积、区域轮廓、土壤类型与植物分布信息;
基于目标土壤区域信息构建初始模型,通过土壤类型、植物分布信息对初始模型进行土壤生态物体填充,形成可视化三维的地图模型;
所述目标土壤区域包括农田区域。
3.根据权利要求2所述的一种污染农田土壤的微生态特征调查方法,其特征在于,所述根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据,具体为:
根据预设采样点获取土壤样品;
对土壤样品进行样品预处理并基于电子显微镜进行图像拍摄得到初始土壤图像;
对初始土壤图像进行降噪、转换、标准化预处理,得到土壤图像数据。
4.根据权利要求3所述的一种污染农田土壤的微生态特征调查方法,其特征在于,所述获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型,具体为:
获取在N个采样周期内的历史采样图像数据与对应的历史微生物识别结果;
将所述历史采样图像数据进行微生物区域图像提取,得到微生物区域图像数据;
基于N个采样周期将微生物区域图像数据进行划分得到N个微生物图像;
获取N个采样周期的土壤环境数据,对所述土壤环境数据进行基于线性回归的变化分析,得到环境变化曲线图;
根据环境变化曲线图生成N组环境变化参数;
基于历史微生物识别结果,获取一个微生物图像中的微生物种类与微生物图像特征数据;
将所述微生物图像特征数据进行向量转化得到一组特征向量;
分析N个微生物图像中的特征向量并得到N组特征向量;
所述N组环境变化参数与N组特征向量在时间维度上对应N个采样周期。
5.根据权利要求4所述的一种污染农田土壤的微生态特征调查方法,其特征在于,所述构建基于决策树的分类模型,还包括:
构建基于决策树的分类模型;
获取其中一组特征向量,基于时间顺序,将所述一组特征向量与上一组特征向量进行基于标准欧氏距离的相似度计算,得到特征相似值;
基于特征相似值与一组特征向量对应的环境变化参数计算相关度,若相关度大于预设值,则将所述一组特征向量所对应的特征数据标记为第一特征数据;
若相关度小于等于预设值,则将所述一组特征向量所对应的特征数据标记为为第二特征数据;
判断N组特征向量,并将得到的所有第一特征数据进行基于决策树节点的特征条件转换,形成M个第一节点;
将得到的所有第二特征数据进行基于决策树节点的特征条件转换,形成L个第二节点;
将所述M个第一节点作为根节点或父节点,将L个第二节点作为叶子结点,基于预设启发式算法进行完整决策树构建与优化,得到优化后的分类模型。
6.根据权利要求5所述的一种污染农田土壤的微生态特征调查方法,其特征在于,所述将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果,具体为:
获取目标土壤区域中多个子区域内的土壤图像数据;
将所述土壤图像数据导入分类模型进行图像特征分类,得到特征分类后图像数据;
对所述特征分类后图像数据进行基于CNN的图像模型的微生物图像识别,并得到每个子区域内的微生物识别结果。
7.根据权利要求6所述的一种污染农田土壤的微生态特征调查方法,其特征在于,所述根据所述微生物识别结果与目标土壤区域的土壤环境需求信息进行调控分析,生成土壤调控方案,具体为:
基于每个子区域内的微生物识别结果,结合地图模型进行区域性微生物变化分析,得到每个子区域的土壤微生物变化信息;
获取目标土壤区域的资源规划信息,基于所述资源规划信息进行分析得到土壤需求信息;
根据所述土壤需求信息与每个子区域的土壤微生物变化信息进行土壤微生态调查分析与对每个子区域进行微生物生态规划分析,得到每个子区域的微生态调控方案;
将所有子区域的微生态调控方案进行整合形成目标土壤区域的土壤调控方案。
8.一种污染农田土壤的微生态特征调查系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括污染农田土壤的微生态特征调查程序,所述污染农田土壤的微生态特征调查程序被所述处理器执行时实现如下步骤:
获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型;
根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据;
获取历史采样图像数据与土壤环境数据,基于所述历史采样图像数据与土壤环境数据进行微生物图像特征分析并构建基于决策树的分类模型;
将土壤图像数据导入分类模型进行微生物图像特征分类,并基于CNN图像识别模型进行识别,得到微生物识别结果;
基于所述微生物识别结果,结合地图模型进行土壤污染生态可视化;
根据所述微生物识别结果与目标土壤区域的土壤环境需求信息进行调控分析,生成土壤调控方案。
9.根据权利要求8所述的一种污染农田土壤的微生态特征调查系统,其特征在于,所述获取目标土壤区域信息,基于所述目标土壤区域信息构建可视化三维的地图模型,具体为:
获取目标土壤区域信息;
所述目标土壤区域信息包括目标土壤区域的采样点位置、面积、区域轮廓、土壤类型与植物分布信息;
基于目标土壤区域信息构建初始模型,通过土壤类型、植物分布信息对初始模型进行土壤生态物体填充,形成可视化三维的地图模型;
所述目标土壤区域包括农田区域。
10.根据权利要求8所述的一种污染农田土壤的微生态特征调查系统,其特征在于,所述根据预设采样点获取土壤样品,通过电子显微技术对土壤样品进行检测形成土壤图像数据,具体为:
根据预设采样点获取土壤样品;
对土壤样品进行样品预处理并基于电子显微镜进行图像拍摄得到初始土壤图像;
对初始土壤图像进行降噪、转换、标准化预处理,得到土壤图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311448862.6A CN117172992B (zh) | 2023-11-02 | 2023-11-02 | 一种污染农田土壤的微生态特征调查方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311448862.6A CN117172992B (zh) | 2023-11-02 | 2023-11-02 | 一种污染农田土壤的微生态特征调查方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117172992A true CN117172992A (zh) | 2023-12-05 |
CN117172992B CN117172992B (zh) | 2023-12-29 |
Family
ID=88943560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311448862.6A Active CN117172992B (zh) | 2023-11-02 | 2023-11-02 | 一种污染农田土壤的微生态特征调查方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172992B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408495A (zh) * | 2023-12-12 | 2024-01-16 | 菏泽市自然资源和规划局 | 一种基于土地资源综合管理的数据分析方法及系统 |
CN117433830A (zh) * | 2023-12-07 | 2024-01-23 | 北京建工环境修复股份有限公司 | 一种场地调查钻孔采样辅助套件及数据采集与处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016596A (zh) * | 2020-08-10 | 2020-12-01 | 西安科技大学 | 基于卷积神经网络的农田土壤肥力评价方法 |
CN112668405A (zh) * | 2020-12-10 | 2021-04-16 | 哈尔滨师范大学 | 一种土壤细菌数量的精确提取方法 |
CN113196294A (zh) * | 2018-12-11 | 2021-07-30 | 克莱米特公司 | 使用机器学习方法利用卫星数据来映射土壤属性 |
CN114066854A (zh) * | 2021-11-16 | 2022-02-18 | 王春霞 | 一种新型环保土壤检测调控方法及系统 |
CN114280276A (zh) * | 2021-12-23 | 2022-04-05 | 青岛农业大学 | 一种农业监测系统及方法 |
CN116363440A (zh) * | 2023-05-05 | 2023-06-30 | 北京建工环境修复股份有限公司 | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 |
-
2023
- 2023-11-02 CN CN202311448862.6A patent/CN117172992B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113196294A (zh) * | 2018-12-11 | 2021-07-30 | 克莱米特公司 | 使用机器学习方法利用卫星数据来映射土壤属性 |
CN112016596A (zh) * | 2020-08-10 | 2020-12-01 | 西安科技大学 | 基于卷积神经网络的农田土壤肥力评价方法 |
CN112668405A (zh) * | 2020-12-10 | 2021-04-16 | 哈尔滨师范大学 | 一种土壤细菌数量的精确提取方法 |
CN114066854A (zh) * | 2021-11-16 | 2022-02-18 | 王春霞 | 一种新型环保土壤检测调控方法及系统 |
CN114280276A (zh) * | 2021-12-23 | 2022-04-05 | 青岛农业大学 | 一种农业监测系统及方法 |
CN116363440A (zh) * | 2023-05-05 | 2023-06-30 | 北京建工环境修复股份有限公司 | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
李可喻;王好贤;: "基于图像处理的微生物数量估算方法", 哈尔滨商业大学学报(自然科学版), no. 06 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117433830A (zh) * | 2023-12-07 | 2024-01-23 | 北京建工环境修复股份有限公司 | 一种场地调查钻孔采样辅助套件及数据采集与处理方法 |
CN117408495A (zh) * | 2023-12-12 | 2024-01-16 | 菏泽市自然资源和规划局 | 一种基于土地资源综合管理的数据分析方法及系统 |
CN117408495B (zh) * | 2023-12-12 | 2024-03-29 | 菏泽市自然资源和规划局 | 一种基于土地资源综合管理的数据分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117172992B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117172992B (zh) | 一种污染农田土壤的微生态特征调查方法及系统 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
CN104820724B (zh) | 文本类教育资源知识点预测模型获得方法及模型应用方法 | |
CN113849542A (zh) | 基于人工智能的区域温室气体排放清单核算系统与方法 | |
CN115239209B (zh) | 用于垃圾填埋场筛除含重金属腐殖土的方法、设备和系统 | |
CN117251700B (zh) | 基于人工智能的环境监测传感器数据分析方法及系统 | |
Unger et al. | Understanding a sequence of sequences: Visual exploration of categorical states in lake sediment cores | |
Corcoran et al. | Optimal configuration of a thermally cycled gas sensor array with neural network pattern recognition | |
JP2004054808A (ja) | プラント最適運転制御装置 | |
CN116384775B (zh) | 一种污染场地监测设备的管理方法、系统及存储介质 | |
CN113127464A (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN102890718B (zh) | 基于有监督显式流形学习算法的电子鼻数据挖掘方法 | |
CN117171660A (zh) | 基于支持向量机的微生物修复状态监测方法、系统及介质 | |
CN116882637A (zh) | 一种农田碳排放分析方法及系统 | |
CN110807174A (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 | |
CN113505863B (zh) | 基于级联均值向量综合评分的图片多级分类方法及系统 | |
KR101629178B1 (ko) | 다중 특허지표를 이용한 기술 수명 주기 분석 장치 | |
Raymand et al. | Machine learning-based estimation of buildings' characteristics employing electrical and chilled water consumption data: Pipeline optimization | |
CN113268552A (zh) | 一种基于局部敏感哈希的发电机设备隐患预警方法 | |
Chang et al. | An integrated approach for operational knowledge acquisition of refuse incinerators | |
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 | |
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 | |
CN116819046B (zh) | 一种农田污染智能监测方法、系统及存储介质 |
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 |