CN117172993B - 一种基于微生物动态分析的污染场地评估方法及系统 - Google Patents
一种基于微生物动态分析的污染场地评估方法及系统 Download PDFInfo
- Publication number
- CN117172993B CN117172993B CN202311449207.2A CN202311449207A CN117172993B CN 117172993 B CN117172993 B CN 117172993B CN 202311449207 A CN202311449207 A CN 202311449207A CN 117172993 B CN117172993 B CN 117172993B
- Authority
- CN
- China
- Prior art keywords
- site
- sub
- preset
- actual
- target
- 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
- 244000005700 microbiome Species 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000002347 injection Methods 0.000 claims abstract description 153
- 239000007924 injection Substances 0.000 claims abstract description 153
- 230000012010 growth Effects 0.000 claims abstract description 118
- 238000010586 diagram Methods 0.000 claims abstract description 88
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 230000000813 microbial effect Effects 0.000 claims abstract description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 230000008439 repair process Effects 0.000 claims description 29
- 239000003344 environmental pollutant Substances 0.000 claims description 13
- 231100000719 pollutant Toxicity 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 230000003631 expected effect Effects 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000002906 microbiologic effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 239000002028 Biomass Substances 0.000 claims description 3
- 238000012097 association analysis method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000002689 soil Substances 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 238000005067 remediation Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000006065 biodegradation reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000009629 microbiological culture Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及污染场地评估技术领域,特别是一种基于微生物动态分析的污染场地评估方法及系统,获取目标污染场地的实际场地三维模型图;根据微生物注射设备的尺寸信息与性能信息以及目标污染场地的实际场地三维模型图规划得到微生物注射点布局图;根据所述微生物注射点布局图得到各微生物注射点的微生物注射量;获取目标污染场地中各个子修复区域在预设时间段内的实际环境因子,根据所述实际环境因子确定出各个子修复区域中微生物的预设生长动态数据;基于所述实际生长动态数据与预设生长动态数据对各个子修复区域进行评估。通过微生物动态分析的污染场地评估方法能够更全面、实时地了解环境污染场地的状况。
Description
技术领域
本发明涉及污染场地评估技术领域,特别是一种基于微生物动态分析的污染场地评估方法及系统。
背景技术
随着工业化和城市化的发展,环境污染已经成为一个全球性的问题。污染场地的修复与评估变得至关重要。传统的污染场地修复与评估方法通常涉及化学方式,这些方法不仅昂贵,而且有时对环境产生负面影响。因此,基于微生物的修复与评估方法备受关注,因为它们通常更具可持续性、成本效益和环保性。基于微生物的修复与评估利用微生物的生物降解和修复能力来降低或去除污染物质,然后再根据微生物动态情况进行修复效果评估,与传统的化学修复与评估方法相比,微生物分析方法通常需要较少的化学试剂和能源,更环保,减少了对环境的进一步损害。鉴于此,本申请提出了一种基于微生物动态分析的污染场地评估方法及系统。
发明内容
本发明克服了现有技术的不足,提供了一种基于微生物动态分析的污染场地评估方法及系统。
为达到上述目的本发明采用的技术方案为:
本发明第一方面提供了一种基于微生物动态分析的污染场地评估方法,包括以下步骤:
对目标污染场地进行取样检测分析,得到目标污染场地的实际污染成分数据信息,根据所述实际污染成分数据信息确定出修复目标污染场地所需的微生物类型;其中,污染成分数据信息包括污染物类型与污染物浓度;
获取目标污染场的数字地表模型图与数字地层模型图,并对所述数字地表模型图与数字地层模型图进行配准处理,得到目标污染场地的实际场地三维模型图;
获取微生物注射设备的尺寸信息与性能信息,根据微生物注射设备的尺寸信息与性能信息以及目标污染场地的实际场地三维模型图规划得到微生物注射点布局图;其中,所述性能信息包括注射压力范围、注射深度范围以及注射流量范围;
根据所述微生物注射点布局图将所述实际场地三维模型图划分为若干个子修复区域,并对各个子修复区域进行分析,以得到各微生物注射点的微生物注射量;
基于修复目标污染场地所需的微生物类型、微生物注射点布局图以及各微生物注射点的微生物注射量生成微生物修复方案,并将所述微生物修复方案输出;
基于微生物修复方案对目标污染场地中各个子修复区域施放微生物;并在对目标污染场地施放微生物后,在多个预设时间节点上对目标污染场地中各个子修复区域进行取样检测分析,以获取得到各个子修复区域中微生物基于时序的实际生长动态数据;其中所述生长动态数据包括微生物生物量与微生物生长速率;
获取目标污染场地中各个子修复区域在预设时间段内的实际环境因子,根据所述实际环境因子确定出各个子修复区域中微生物的预设生长动态数据;基于所述实际生长动态数据与预设生长动态数据对各个子修复区域进行评估,得到第一评估结果或第二评估结果。
进一步的,本发明的一个较佳实施例中,对目标污染场地进行取样检测分析,得到目标污染场地的实际污染成分数据信息,根据所述实际污染成分数据信息确定出修复目标污染场地所需的微生物类型,具体为:
通过大数据网络获取在各种预设污染成分数据信息组合条件之下修复污染场地所需的微生物类型,构建数据库,并将在各种预设污染成分数据信息组合条件之下修复污染场地所需的微生物类型导入所述数据库中,得到信息数据库;
对目标污染场地进行取样检测分析,得到目标污染场地的实际污染成分数据信息;
将所述实际污染成分数据信息导入所述信息数据库中,通过灰色关联分析法计算所述实际污染成分数据信息与各种预设污染成分数据信息组合之间的相似度,得到多个相似度;
构建排序表,将多个所述相似度均输入至所述排序表中,并在所述排序表中对各个相似度进行基于数值大小的排序,排序完成后,在所述排序表中提取出最大相似度;
获取与最大相似度对应的预设污染成分数据信息组合,根据与最大相似度对应的预设污染成分数据信息组合在所述信息数据库中提取出修复目标污染场地所需的微生物类型。
进一步的,本发明的一个较佳实施例中,获取目标污染场的数字地表模型图与数字地层模型图,并对所述数字地表模型图与数字地层模型图进行配准处理,得到目标污染场地的实际场地三维模型图,具体为:
通过激光雷达扫描技术获取目标污染场地中地表所反馈的激光脉冲信息,根据所述激光脉冲信息构建得到目标污染场的数字地表模型图;通过ORB算法对所述数字地表模型图进行特征提取,得到若干第一特征点;
通过孤立森林算法计算各第一特征点的孤立得分,并将孤立得分大于预设孤立得分的第一特征点剔除,得到筛选后的第一特征点,并获取各筛选后的第一特征点的三维点云数据,将各筛选后的第一特征点的三维点云数据进行汇集,得到第一三维点云数据集;
通过超声波技术获取目标场地中地层所反馈的超声波信息,根据所述超声波信息构建得到目标污染场的数字地层模型图;通过ORB算法对所述数字地表模型图进行特征提取,得到若干第二特征点;
通过孤立森林算法计算各第二特征点的孤立得分,并将孤立得分大于预设孤立得分的第二特征点剔除,得到筛选后的第二特征点,并获取各筛选后的第二特征点的三维点云数据,将各筛选后的第二特征点的三维点云数据进行汇集,得到第二三维点云数据集;
构建融合空间,将所述数字地表模型图与数字地层模型图导入所述融合空间中,在所述第一三维点云数据集与第二三维点云数据集中检索出点云属性相同的三维点云数据,并对点云属性相同的三维点云数据进行配准,以对所述数字地表模型图与数字地层模型图进行配准处理;其中,所述点云属性包括颜色、法线以及强度;
对配准后的数字地表模型图与数字地层模型图进行网格化处理,直至生成模型图曲面,从而拟合得到一个完整的目标污染场地的实际场地三维模型图。
进一步的,本发明的一个较佳实施例中,获取微生物注射设备的尺寸信息与性能信息,根据微生物注射设备的尺寸信息与性能信息以及目标污染场地的实际场地三维模型图规划得到微生物注射点布局图,具体为:
获取微生物注射设备的尺寸信息与性能信息,根据所述尺寸信息构建得到微生物注射设备的外形三维模型图;
将微生物注射设备的性能信息与目标污染场地的实际场地三维模型图导入粒子群算法中进行迭代规划,以获取得到若干个微生物注射点;
基于所述微生物注射点将微生物注射设备的外形三维模型图模拟安装至所述实际场地三维模型图中,并判断微生物注射设备在安装后是否存干涉情况;
若微生物注射设备在安装后存在干涉情况,则将对应的微生物注射点标记为无效注射点,并将对应的微生物注射点进行重新迭代规划,以得到新的微生物注射点,直至所有微生物注射点均不存在干涉情况后,根据新的微生物注射点生成微生物注射点布局图;
若微生物注射设备在安装后均不存在干涉情况,则直接根据所述微生物注射点生成微生物注射点布局图。
进一步的,本发明的一个较佳实施例中,根据所述微生物注射点布局图将所述实际场地三维模型图划分为若干个子修复区域,并对各个子修复区域进行分析,以得到各微生物注射点的微生物注射量,具体为:
在所述微生物注射点布局图中以各微生物注射点为中心基准点,基于所述中心基准点将所述实际场地三维模型图划分为若干个子修复区域;
在所述实际场地三维模型图中对各个子修复区域进行检索,以检索得到各个子修复区域地层中的物体模型图;
通过欧几里德距离算法计算所述物体模型图与预设物体模型图之间的配对率,若所述配对率大于预设配对率,则将对应子修复区域地层中的物体模型图所在的区域标记为未污染区域;
计算各个子修复区域的总体积值,以及计算各个子修复区域中未污染区域的体积值;基于各个子修复区域的总体积值与未污染区域的体积值计算得到各个子修复区域的污染区域体积值;
根据各个子修复区域的污染区域体积值确定出各微生物注射点的微生物注射量。
进一步的,本发明的一个较佳实施例中,获取目标污染场地中各个子修复区域在预设时间段内的实际环境因子,根据所述实际环境因子确定出各个子修复区域中微生物的预设生长动态数据,具体为:
通过大数据网络获取目标微生物在各种预设环境因子组合条件之下的预设生长动态数据,构建知识图谱,并将目标微生物在各种预设环境因子组合条件之下的预设生长动态数据导入所述知识图谱中;
获取目标污染场地中各个子修复区域在预设时间段内的实际环境因子,将所述实际环境因子导入所述知识图谱中,通过灰色关联分析法计算所述实际环境因子与各种预设环境因子组合之间的关联度,得到多个关联度;
在多个所述关联度中提取出最大关联度,获取与最大关联度对应的预设环境因子组合,根据与最大关联度对应的预设环境因子组合确定出对应子修复区域中微生物的预设生长动态数据;
将各个子修复区域在预设时间段内的实际环境因子均在所述知识图谱中比对完毕后,得到各个子修复区域中微生物的预设生长动态数据。
进一步的,本发明的一个较佳实施例中,基于所述实际生长动态数据与预设生长动态数据对各个子修复区域进行评估,得到第一评估结果或第二评估结果,具体为:
根据各个子修复区域的实际生长动态数据构建得到对应子修复区域基于时序的实际生长动态曲线图,以及根据各个子修复区域的预设生长动态数据构建得到对应子修复区域基于时序的预设生长动态曲线图;
构建直角坐标系,将各个子修复区域的实际生长动态曲线图与预设生长动态曲线图导入所述直角坐标系中,并使得两条动态曲线图的坐标轴与直角坐标系中的坐标轴相重合,以对所述实际生长动态曲线图与预设生长动态曲线图进行配准;
配准完毕后,在所述直角坐标系中将所述实际生长动态曲线图与预设生长动态曲线图相重合的曲线部分剔除,并保留不相重合的曲线部分,得到生长动态曲线偏差图;
获取所述生长动态曲线偏差图的曲线区域长度,根据所述曲线区域长度计算得到实际生长动态曲线图与预设生长动态曲线图的重合度;将所述重合度与预设重合度进行比较;
若所述重合度大于预设重合度,则说明该子修复区域的微生物生长状态符合预期效果,说明不需要对该子修复区域进行进一步的干预或修复工作,则生成第一评估结果;
若所述重合度不大于预设重合度,则说明该子修复区域的微生物生长状态不符合预期效果,说明需要对该子修复区域进行进一步的干预或修复工作,则生成第二评估结果。
本发明第二方面提供了一种基于微生物动态分析的污染场地评估系统所述污染场地评估系统包括存储器与处理器,所述存储器中存储有污染场地评估方法程序,当所述污染场地评估方法程序被所述处理器执行时,实现任一项所述的污染场地评估方法步骤。
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:
一方面利用微生物来降解污染物可以相对低成本地进行,而不需要大规模的土壤挖掘和运输,可以减少修复项目的开支,能够根据污染场地的特性规划出合理的修复方案,实现了智能化,并且能够减少对环境的干扰。另一方面通过微生物动态分析的污染场地评估方法能够更全面、实时地了解环境污染场地的状况,帮助采取有效的修复措施,最终实现生态系统的恢复和保护。
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为一种基于微生物动态分析的污染场地评估方法的第一方法流程图;
图2为一种基于微生物动态分析的污染场地评估方法的第二方法流程图;
图3为一种基于微生物动态分析的污染场地评估方法的第三方法流程图;
图4为一种基于微生物动态分析的污染场地评估系统的系统框图。
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,本发明第一方面提供了一种基于微生物动态分析的污染场地评估方法,包括以下步骤:
S102:对目标污染场地进行取样检测分析,得到目标污染场地的实际污染成分数据信息,根据所述实际污染成分数据信息确定出修复目标污染场地所需的微生物类型;其中,污染成分数据信息包括污染物类型与污染物浓度;
S104:获取目标污染场的数字地表模型图与数字地层模型图,并对所述数字地表模型图与数字地层模型图进行配准处理,得到目标污染场地的实际场地三维模型图;
S106:获取微生物注射设备的尺寸信息与性能信息,根据微生物注射设备的尺寸信息与性能信息以及目标污染场地的实际场地三维模型图规划得到微生物注射点布局图;其中,所述性能信息包括注射压力范围、注射深度范围以及注射流量范围;
S108:根据所述微生物注射点布局图将所述实际场地三维模型图划分为若干个子修复区域,并对各个子修复区域进行分析,以得到各微生物注射点的微生物注射量;
S110:基于修复目标污染场地所需的微生物类型、微生物注射点布局图以及各微生物注射点的微生物注射量生成微生物修复方案,并将所述微生物修复方案输出;
S112:基于微生物修复方案对目标污染场地中各个子修复区域施放微生物;并在对目标污染场地施放微生物后,在多个预设时间节点上对目标污染场地中各个子修复区域进行取样检测分析,以获取得到各个子修复区域中微生物基于时序的实际生长动态数据;其中所述生长动态数据包括微生物生物量与微生物生长速率;
S114:获取目标污染场地中各个子修复区域在预设时间段内的实际环境因子,根据所述实际环境因子确定出各个子修复区域中微生物的预设生长动态数据;基于所述实际生长动态数据与预设生长动态数据对各个子修复区域进行评估,得到第一评估结果或第二评估结果。
需要说明的是,一方面利用微生物来降解污染物可以相对低成本地进行,而不需要大规模的土壤挖掘和运输,可以减少修复项目的开支,能够根据污染场地的特性规划出合理的修复方案,实现了智能化,并且能够减少对环境的干扰。另一方面通过微生物动态分析的污染场地评估方法能够更全面、实时地了解环境污染场地的状况,帮助采取有效的修复措施,最终实现生态系统的恢复和保护。
其中,对目标污染场地进行取样检测分析,得到目标污染场地的实际污染成分数据信息,根据所述实际污染成分数据信息确定出修复目标污染场地所需的微生物类型,具体为:
通过大数据网络获取在各种预设污染成分数据信息组合条件之下修复污染场地所需的微生物类型,构建数据库,并将在各种预设污染成分数据信息组合条件之下修复污染场地所需的微生物类型导入所述数据库中,得到信息数据库;
对目标污染场地进行取样检测分析,得到目标污染场地的实际污染成分数据信息;
将所述实际污染成分数据信息导入所述信息数据库中,通过灰色关联分析法计算所述实际污染成分数据信息与各种预设污染成分数据信息组合之间的相似度,得到多个相似度;
构建排序表,将多个所述相似度均输入至所述排序表中,并在所述排序表中对各个相似度进行基于数值大小的排序,排序完成后,在所述排序表中提取出最大相似度;
获取与最大相似度对应的预设污染成分数据信息组合,根据与最大相似度对应的预设污染成分数据信息组合在所述信息数据库中提取出修复目标污染场地所需的微生物类型。
需要说明的是,目标污染场地即是待修复与评估的污染场地,可以通过自动采样设备对目标污染场地中的土壤进行采样,然后通过光谱法、色谱分析方法等方法对采样得到的土壤进行检测,从而得到目标污染场地的污染物类型与污染物浓度等信息。灰色关联分析法是一种多变量数据分析方法,用于研究不同变量之间的关联性和影响程度,通过计算各个因素之间的关联系数,这些关联系数表示不同因素之间的相似性程度。常用的计算方法包欧式距离、曼哈顿距离等。使用各个因素的关联系数和权重,计算综合关联度,即综合性能的相对重要性。通常,综合关联度越高的因素对系统性能的影响越大。
通过本步骤能够根据目标污染场地的实际污染成分数据信息快速匹配得到修复目标污染场地所需的微生物类型,不需要经过复杂的算法运算,能够提高系统运算效率,并且通过自动匹配的方式匹配得到修复所需的微生物类型,不需要依靠人工经验匹配,提高可靠性。
其中,获取目标污染场的数字地表模型图与数字地层模型图,并对所述数字地表模型图与数字地层模型图进行配准处理,得到目标污染场地的实际场地三维模型图,具体为:
通过激光雷达扫描技术获取目标污染场地中地表所反馈的激光脉冲信息,根据所述激光脉冲信息构建得到目标污染场的数字地表模型图;通过ORB算法对所述数字地表模型图进行特征提取,得到若干第一特征点;
通过孤立森林算法计算各第一特征点的孤立得分,并将孤立得分大于预设孤立得分的第一特征点剔除,得到筛选后的第一特征点,并获取各筛选后的第一特征点的三维点云数据,将各筛选后的第一特征点的三维点云数据进行汇集,得到第一三维点云数据集;
通过超声波技术获取目标场地中地层所反馈的超声波信息,根据所述超声波信息构建得到目标污染场的数字地层模型图;通过ORB算法对所述数字地表模型图进行特征提取,得到若干第二特征点;
通过孤立森林算法计算各第二特征点的孤立得分,并将孤立得分大于预设孤立得分的第二特征点剔除,得到筛选后的第二特征点,并获取各筛选后的第二特征点的三维点云数据,将各筛选后的第二特征点的三维点云数据进行汇集,得到第二三维点云数据集;
构建融合空间,将所述数字地表模型图与数字地层模型图导入所述融合空间中,在所述第一三维点云数据集与第二三维点云数据集中检索出点云属性相同的三维点云数据,并对点云属性相同的三维点云数据进行配准,以对所述数字地表模型图与数字地层模型图进行配准处理;其中,所述点云属性包括颜色、法线以及强度;
对配准后的数字地表模型图与数字地层模型图进行网格化处理,直至生成模型图曲面,从而拟合得到一个完整的目标污染场地的实际场地三维模型图。
需要说明的是,ORB算法是一种计算机视觉领域的特征点检测和描述符生成算法,ORB算法结合了FAST关键点检测器和BRIEF描述符生成器的特点,具有高效性和鲁棒性。通过ORB能够快速提取得到数字模型中的特征点。
需要说明的是,孤立森林算法是一种用于异常检测的机器学习算法,它的主要思想是基于树的方法,通过构建一棵森林来识别数据中的异常点,与传统的基于距离或密度的异常检测方法不同,孤立森林采用了一种随机划分的方式,将数据集中的点分割成子集,然后通过检查数据点在树中的深度来确定其异常程度。
当通过ORB算法提取得到数字模型中特征点过程中,一部分特征点会存在漂移现象,此便为离群点,因此为了提高特征点的精度与可靠性,需要进一步通过孤立森林算法对漂移的特征点进筛除,以提高后续数字地表模型图与数字地层模型图的配对精度。可以通过如UG、CAD等建模软件构建融合空间,然后利用点云配准方式对所述数字地表模型图与数字地层模型图进行配准处理。
通过本步骤能够数字地表模型图与数字地层模型图进行拟合处理,从而得到得到一个完整的目标污染场地的实际场地三维模型图,以利于后续根据实际场地三维模型图规划出相应的修复与评估方案。
其中,获取微生物注射设备的尺寸信息与性能信息,根据微生物注射设备的尺寸信息与性能信息以及目标污染场地的实际场地三维模型图规划得到微生物注射点布局图,具体为:
获取微生物注射设备的尺寸信息与性能信息,根据所述尺寸信息构建得到微生物注射设备的外形三维模型图;
将微生物注射设备的性能信息与目标污染场地的实际场地三维模型图导入粒子群算法中进行迭代规划,以获取得到若干个微生物注射点;
基于所述微生物注射点将微生物注射设备的外形三维模型图模拟安装至所述实际场地三维模型图中,并判断微生物注射设备在安装后是否存干涉情况;
若微生物注射设备在安装后存在干涉情况,则将对应的微生物注射点标记为无效注射点,并将对应的微生物注射点进行重新迭代规划,以得到新的微生物注射点,直至所有微生物注射点均不存在干涉情况后,根据新的微生物注射点生成微生物注射点布局图;
若微生物注射设备在安装后均不存在干涉情况,则直接根据所述微生物注射点生成微生物注射点布局图。
需要说明的是,微生物注射设备是用于将有益微生物引入受污染场地的专用工具。微生物注射设备通常包括一个注射系统,用于将微生物培养物以精确控制的方式引入受污染介质中。这包括注射泵、管道、喷嘴和控制系统,以确保微生物均匀分布在目标区域。其中,所述性能信息包括注射压力范围、注射深度范围以及注射流量范围。通过建模软件结合微生物注射设备的尺寸信息从而构建得到外形三维模型图。粒子群算法是一种基于群体智能的优化算法,用于解决各种优化问题,包括连续优化、离散优化和组合优化等,粒子群算法的关键思想在于个体之间的信息共享和协作,通过不断地更新粒子的速度和位置,粒子群可以自组织地寻找到潜在的最优解。根据微生物注射设备的注射压力范围、注射深度范围以及注射流量范围与目标污染场地的实际场地三维模型图结合粒子群算法,从而迭代规划得到若干个微生物注射点。并且通过三维软件将微生物注射设备模拟安装至各个微生物注射点上。若微生物注射点上存在如地下电缆、高压线塔、开关设备等干扰设施,则将对应的微生物注射点标记为无效注射点,并将对应的微生物注射点通过粒子群算法进行重新迭代规划,以得到新的微生物注射点,直至所有微生物注射点均不存在干涉情况后,根据新的微生物注射点生成微生物注射点布局图。通过本步骤能够自动规划出微生物注射点,避免在安装微生物注射设备时与其余设施设备发生干涉情况,使得微生物注射设备的安装与布局更加合理。
其中,根据所述微生物注射点布局图将所述实际场地三维模型图划分为若干个子修复区域,并对各个子修复区域进行分析,以得到各微生物注射点的微生物注射量,如图2所示,具体为:
S202:在所述微生物注射点布局图中以各微生物注射点为中心基准点,基于所述中心基准点将所述实际场地三维模型图划分为若干个子修复区域;
S204:在所述实际场地三维模型图中对各个子修复区域进行检索,以检索得到各个子修复区域地层中的物体模型图;
S206:通过欧几里德距离算法计算所述物体模型图与预设物体模型图之间的配对率,若所述配对率大于预设配对率,则将对应子修复区域地层中的物体模型图所在的区域标记为未污染区域;
S208:计算各个子修复区域的总体积值,以及计算各个子修复区域中未污染区域的体积值;基于各个子修复区域的总体积值与未污染区域的体积值计算得到各个子修复区域的污染区域体积值;
S210:根据各个子修复区域的污染区域体积值确定出各微生物注射点的微生物注射量。
需要说明的是,在子修复区域地层中的会存在如矿石、枯木、塑件、地下管道、储罐等物体,因此可以直接在先前获取得到的实际场地三维模型图中检索出子修复区域地层中所存在的物体对应的物体模型图;所述预设物体模型图为矿石、地下管道、储罐等在土壤中难以降解的物体对应的模型图,这些预设物体模型图可以直接在大数据网络中检索得到,亦或者通过技术人员利用三维软件绘制得到。欧几里德距离是用于计算两个三维模型之间的配对率的方法,在三维模型图之间比较配对率时,通常将模型表示为一组三维坐标点(点云),然后使用欧几里德距离来度量这些点之间的差异。通过欧几里德距离算法计算所述物体模型图与预设物体模型图之间的配对率,若所述配对率大于预设配对率,则将对应子修复区域地层中的物体模型图所在的区域标记为未污染区域,未污染区域可以理解为是污染物侵染不了的区域,如污染物难以渗透地层中的储罐,因此地层中储罐的区域部分可以理解为是未污染区域,因此我们在计算微生物注射量时,可以将这些微污染的区域去除,以实现精准计算出各微生物注射点的微生物注射量的作用,能够节约资源。
其中,获取目标污染场地中各个子修复区域在预设时间段内的实际环境因子,根据所述实际环境因子确定出各个子修复区域中微生物的预设生长动态数据,如图3所示,具体为:
S302:通过大数据网络获取目标微生物在各种预设环境因子组合条件之下的预设生长动态数据,构建知识图谱,并将目标微生物在各种预设环境因子组合条件之下的预设生长动态数据导入所述知识图谱中;
S304:获取目标污染场地中各个子修复区域在预设时间段内的实际环境因子,将所述实际环境因子导入所述知识图谱中,通过灰色关联分析法计算所述实际环境因子与各种预设环境因子组合之间的关联度,得到多个关联度;
S306:在多个所述关联度中提取出最大关联度,获取与最大关联度对应的预设环境因子组合,根据与最大关联度对应的预设环境因子组合确定出对应子修复区域中微生物的预设生长动态数据;
S308:将各个子修复区域在预设时间段内的实际环境因子均在所述知识图谱中比对完毕后,得到各个子修复区域中微生物的预设生长动态数据。
需要说明的是,目标微生物即是修复目标污染场地所需的微生物。土壤中的环境因子对微生物的生长动态有着重要的影响,微生物生长受多种环境因子的调控,包括温度、湿度、pH值、氧气含量、有机物质、营养盐等。举例来说,土壤中的水分含量对微生物生长至关重要,水分不足会限制微生物的代谢活动和细胞生长,而过多的水分可能导致氧气排除,抑制厌氧微生物的生长。通过本步骤能够结合各个子修复区域在预设时间段内的实际环境因子从而推测出各个子修复区域中微生物基于时序的预设生长动态数据。预设生长动态数据为理想的生长动态数据。
其中,基于所述实际生长动态数据与预设生长动态数据对各个子修复区域进行评估,得到第一评估结果或第二评估结果,具体为:
根据各个子修复区域的实际生长动态数据构建得到对应子修复区域基于时序的实际生长动态曲线图,以及根据各个子修复区域的预设生长动态数据构建得到对应子修复区域基于时序的预设生长动态曲线图;
构建直角坐标系,将各个子修复区域的实际生长动态曲线图与预设生长动态曲线图导入所述直角坐标系中,并使得两条动态曲线图的坐标轴与直角坐标系中的坐标轴相重合,以对所述实际生长动态曲线图与预设生长动态曲线图进行配准;
配准完毕后,在所述直角坐标系中将所述实际生长动态曲线图与预设生长动态曲线图相重合的曲线部分剔除,并保留不相重合的曲线部分,得到生长动态曲线偏差图;
获取所述生长动态曲线偏差图的曲线区域长度,根据所述曲线区域长度计算得到实际生长动态曲线图与预设生长动态曲线图的重合度;将所述重合度与预设重合度进行比较;
若所述重合度大于预设重合度,则说明该子修复区域的微生物生长状态符合预期效果,说明不需要对该子修复区域进行进一步的干预或修复工作,则生成第一评估结果;
若所述重合度不大于预设重合度,则说明该子修复区域的微生物生长状态不符合预期效果,说明需要对该子修复区域进行进一步的干预或修复工作,则生成第二评估结果。
需要说明的是,将实际生长动态数据与预设生长动态数据转化为曲线,然后比较比较两曲线之间的重合度,若所述重合度大于预设重合度,说明该子修复区域内的实际生长动态数据与预设生长动态数据高度重合,则说明该子修复区域的微生物生长状态符合预期效果,说明不需要对该子修复区域进行进一步的干预或修复工作,则生成第一评估结果;若所述重合度不大于预设重合度,说明该子修复区域内的实际生长动态数据与预设生长动态数据重合度较低,则说明该子修复区域的微生物生长状态不符合预期效果,说明需要对该子修复区域进行进一步的干预或修复工作,则生成第二评估结果,如需要进一步注射微生物或在该子修复区域投放营养物质等。通过本步骤对微生物动态进行实时评估,以对污染场地动态变化进行监测,对于及时采取调控措施和跟踪修复进展至关重要,能够确保污染场地修复的有效进行。
此外,所述一种基于微生物动态分析的污染场地评估方法还包括以下步骤:
预制污染场地在修复过程中在预设时间节点的标准电导率分布图;
在预设时间节点,获取污染场地的各个预设位置节点上的实际电导率数据,基于所述实际电导率数据生成实际电导率分布图;
构建第二整合空间,将所述实际电导率分布图与所述标准电导率分布图导入所述第二整合空间中进行配对;
配对完毕后,将所述实际电导率分布图与标准电导率分布图相重合的部分剔除,并保留不相重合部分,得到电导率偏差图;
预制在各种修复异常情况之下的预设电导率偏差图,构建第二数据库,将在各种修复异常情况之下的预设电导率偏差图导入所述第二数据库中;
将所述电导率偏差图导入所述第二数据库中,通过欧几里得距离算法计算所述电导率偏差图与各预设电导率偏差图之间的相似性,得到多个相似性;
在多个所述相似性中提取出最大相似性,将所述最大相似性与预设相似性进行比较;若所述最大相似性大于预设相似性,则说明污染修复场地的修复效果异常,则说明该子修复区域的修复效果不符合预期效果,说明需要对该子修复区域进行进一步的修复工作。
其中,标准电导率分布图表示的是达到预期修复效果的理想电导率分布图。
需要说明的是,微生物修复过程可能会改变土壤的物理和化学属性,如水分含量和有机质含量。这些变化也可能会影响电导率。例如,如果修复过程导致土壤更湿润或有机质含量增加,那么电导率可能会上升。因此,通过分析电导率分布情况,可以间接评估出微生物动态修复的修复效果。通过非破坏性的评估方法,能够快速评估出污染场地的修复效果,能够侧面反映出微生物动态状况。
此外,所述一种基于微生物动态分析的污染场地评估方法还包括以下步骤:
在对污染场地进行修复前获取污染场地的遥感图像信息,并在所述遥感图像信息检索出污染场地的植被类型信息;
根据污染场地的植被类型信息构建检索标签,基于所述检索标签对大数据网络进行检索,以检索得到所述植被类型与目标微生物共生时的预设生长特征信息;
构建信息库,并将所述植被类型与目标微生物共生时的预设生长特征信息导入所述信息库中;
当对污染场地投放目标微生物后,在预设时间节点再次获取污染场地的遥感图像信息,根据所述遥感图像信息识别出污染场地中各个子修复区域的植被的实际生长特性信息;
各个子修复区域的植被的实际生长特性信息与预设生长特征信息进行比较,得到配对度;并将所述配对率与预设配对率进行比较;
若所述配对率大于预设配对率,则说明该子修复区域中的目标微生物生长动态良好,该子修复区域的修复效果良好,说明不需要对该子修复区域进行进一步的干预或修复工作,则生成第一评估结果;
若所述配对率不大于预设配对率,则说明该子修复区域中的目标微生物生长动态较差,该子修复区域的修复效果较差,说明需要对该子修复区域进行进一步的干预或修复工作,则生成第二评估结果。
其中,所述生长特征信息包括生长速度、生长形态、叶片形状和类型、果实和种子特性等
需要说明的是,植被生长情况可以间接反映出土壤中微生物的生长状况和活动方向,因为植物和土壤微生物之间有着密切的相互作用。健康、茂盛的植被通常意味着土壤中有一个活跃的微生物群落。这是因为许多微生物能够通过分解有机物质,将营养物质(如氮、磷、钾等)转化为植物可以利用的形式。因此,植被的健康状况可能反映出土壤微生物活动的强弱。因此,可以通过植被的进一步生长状况来侧面反映出该区域的微生物动态情况,从而评估出该区域的修复效果。
如图4所示,本发明第二方面提供了一种基于微生物动态分析的污染场地评估系统所述污染场地评估系统包括存储器66与处理器88,所述存储器66中存储有污染场地评估方法程序,当所述污染场地评估方法程序被所述处理器88执行时,实现任一项所述的污染场地评估方法步骤。
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 (8)
1.一种基于微生物动态分析的污染场地评估方法,其特征在于,包括以下步骤:
对目标污染场地进行取样检测分析,得到目标污染场地的实际污染成分数据信息,根据所述实际污染成分数据信息确定出修复目标污染场地所需的微生物类型;其中,污染成分数据信息包括污染物类型与污染物浓度;
获取目标污染场的数字地表模型图与数字地层模型图,并对所述数字地表模型图与数字地层模型图进行配准处理,得到目标污染场地的实际场地三维模型图;
获取微生物注射设备的尺寸信息与性能信息,根据微生物注射设备的尺寸信息与性能信息以及目标污染场地的实际场地三维模型图规划得到微生物注射点布局图;其中,所述性能信息包括注射压力范围、注射深度范围以及注射流量范围;
根据所述微生物注射点布局图将所述实际场地三维模型图划分为若干个子修复区域,并对各个子修复区域进行分析,以得到各微生物注射点的微生物注射量;
基于修复目标污染场地所需的微生物类型、微生物注射点布局图以及各微生物注射点的微生物注射量生成微生物修复方案,并将所述微生物修复方案输出;
基于微生物修复方案对目标污染场地中各个子修复区域施放微生物;并在对目标污染场地施放微生物后,在多个预设时间节点上对目标污染场地中各个子修复区域进行取样检测分析,以获取得到各个子修复区域中微生物基于时序的实际生长动态数据;其中所述生长动态数据包括微生物生物量与微生物生长速率;
获取目标污染场地中各个子修复区域在预设时间段内的实际环境因子,根据所述实际环境因子确定出各个子修复区域中微生物的预设生长动态数据;基于所述实际生长动态数据与预设生长动态数据对各个子修复区域进行评估,得到第一评估结果或第二评估结果。
2.根据权利要求1所述的一种基于微生物动态分析的污染场地评估方法,其特征在于,对目标污染场地进行取样检测分析,得到目标污染场地的实际污染成分数据信息,根据所述实际污染成分数据信息确定出修复目标污染场地所需的微生物类型,具体为:
通过大数据网络获取在各种预设污染成分数据信息组合条件之下修复污染场地所需的微生物类型,构建数据库,并将在各种预设污染成分数据信息组合条件之下修复污染场地所需的微生物类型导入所述数据库中,得到信息数据库;
对目标污染场地进行取样检测分析,得到目标污染场地的实际污染成分数据信息;
将所述实际污染成分数据信息导入所述信息数据库中,通过灰色关联分析法计算所述实际污染成分数据信息与各种预设污染成分数据信息组合之间的相似度,得到多个相似度;
构建排序表,将多个所述相似度均输入至所述排序表中,并在所述排序表中对各个相似度进行基于数值大小的排序,排序完成后,在所述排序表中提取出最大相似度;
获取与最大相似度对应的预设污染成分数据信息组合,根据与最大相似度对应的预设污染成分数据信息组合在所述信息数据库中提取出修复目标污染场地所需的微生物类型。
3.根据权利要求1所述的一种基于微生物动态分析的污染场地评估方法,其特征在于,获取目标污染场的数字地表模型图与数字地层模型图,并对所述数字地表模型图与数字地层模型图进行配准处理,得到目标污染场地的实际场地三维模型图,具体为:
通过激光雷达扫描技术获取目标污染场地中地表所反馈的激光脉冲信息,根据所述激光脉冲信息构建得到目标污染场的数字地表模型图;通过ORB算法对所述数字地表模型图进行特征提取,得到若干第一特征点;
通过孤立森林算法计算各第一特征点的孤立得分,并将孤立得分大于预设孤立得分的第一特征点剔除,得到筛选后的第一特征点,并获取各筛选后的第一特征点的三维点云数据,将各筛选后的第一特征点的三维点云数据进行汇集,得到第一三维点云数据集;
通过超声波技术获取目标场地中地层所反馈的超声波信息,根据所述超声波信息构建得到目标污染场的数字地层模型图;通过ORB算法对所述数字地表模型图进行特征提取,得到若干第二特征点;
通过孤立森林算法计算各第二特征点的孤立得分,并将孤立得分大于预设孤立得分的第二特征点剔除,得到筛选后的第二特征点,并获取各筛选后的第二特征点的三维点云数据,将各筛选后的第二特征点的三维点云数据进行汇集,得到第二三维点云数据集;
构建融合空间,将所述数字地表模型图与数字地层模型图导入所述融合空间中,在所述第一三维点云数据集与第二三维点云数据集中检索出点云属性相同的三维点云数据,并对点云属性相同的三维点云数据进行配准,以对所述数字地表模型图与数字地层模型图进行配准处理;其中,所述点云属性包括颜色、法线以及强度;
对配准后的数字地表模型图与数字地层模型图进行网格化处理,直至生成模型图曲面,从而拟合得到一个完整的目标污染场地的实际场地三维模型图。
4.根据权利要求1所述的一种基于微生物动态分析的污染场地评估方法,其特征在于,获取微生物注射设备的尺寸信息与性能信息,根据微生物注射设备的尺寸信息与性能信息以及目标污染场地的实际场地三维模型图规划得到微生物注射点布局图,具体为:
获取微生物注射设备的尺寸信息与性能信息,根据所述尺寸信息构建得到微生物注射设备的外形三维模型图;
将微生物注射设备的性能信息与目标污染场地的实际场地三维模型图导入粒子群算法中进行迭代规划,以获取得到若干个微生物注射点;
基于所述微生物注射点将微生物注射设备的外形三维模型图模拟安装至所述实际场地三维模型图中,并判断微生物注射设备在安装后是否存干涉情况;
若微生物注射设备在安装后存在干涉情况,则将对应的微生物注射点标记为无效注射点,并将对应的微生物注射点进行重新迭代规划,以得到新的微生物注射点,直至所有微生物注射点均不存在干涉情况后,根据新的微生物注射点生成微生物注射点布局图;
若微生物注射设备在安装后均不存在干涉情况,则直接根据所述微生物注射点生成微生物注射点布局图。
5.根据权利要求1所述的一种基于微生物动态分析的污染场地评估方法,其特征在于,根据所述微生物注射点布局图将所述实际场地三维模型图划分为若干个子修复区域,并对各个子修复区域进行分析,以得到各微生物注射点的微生物注射量,具体为:
在所述微生物注射点布局图中以各微生物注射点为中心基准点,基于所述中心基准点将所述实际场地三维模型图划分为若干个子修复区域;
在所述实际场地三维模型图中对各个子修复区域进行检索,以检索得到各个子修复区域地层中的物体模型图;
通过欧几里德距离算法计算所述物体模型图与预设物体模型图之间的配对率,若所述配对率大于预设配对率,则将对应子修复区域地层中的物体模型图所在的区域标记为未污染区域;
计算各个子修复区域的总体积值,以及计算各个子修复区域中未污染区域的体积值;基于各个子修复区域的总体积值与未污染区域的体积值计算得到各个子修复区域的污染区域体积值;
根据各个子修复区域的污染区域体积值确定出各微生物注射点的微生物注射量。
6.根据权利要求1所述的一种基于微生物动态分析的污染场地评估方法,其特征在于,获取目标污染场地中各个子修复区域在预设时间段内的实际环境因子,根据所述实际环境因子确定出各个子修复区域中微生物的预设生长动态数据,具体为:
通过大数据网络获取目标微生物在各种预设环境因子组合条件之下的预设生长动态数据,构建知识图谱,并将目标微生物在各种预设环境因子组合条件之下的预设生长动态数据导入所述知识图谱中;
获取目标污染场地中各个子修复区域在预设时间段内的实际环境因子,将所述实际环境因子导入所述知识图谱中,通过灰色关联分析法计算所述实际环境因子与各种预设环境因子组合之间的关联度,得到多个关联度;
在多个所述关联度中提取出最大关联度,获取与最大关联度对应的预设环境因子组合,根据与最大关联度对应的预设环境因子组合确定出对应子修复区域中微生物的预设生长动态数据;
将各个子修复区域在预设时间段内的实际环境因子均在所述知识图谱中比对完毕后,得到各个子修复区域中微生物的预设生长动态数据。
7.根据权利要求6所述的一种基于微生物动态分析的污染场地评估方法,其特征在于,基于所述实际生长动态数据与预设生长动态数据对各个子修复区域进行评估,得到第一评估结果或第二评估结果,具体为:
根据各个子修复区域的实际生长动态数据构建得到对应子修复区域基于时序的实际生长动态曲线图,以及根据各个子修复区域的预设生长动态数据构建得到对应子修复区域基于时序的预设生长动态曲线图;
构建直角坐标系,将各个子修复区域的实际生长动态曲线图与预设生长动态曲线图导入所述直角坐标系中,并使得两条动态曲线图的坐标轴与直角坐标系中的坐标轴相重合,以对所述实际生长动态曲线图与预设生长动态曲线图进行配准;
配准完毕后,在所述直角坐标系中将所述实际生长动态曲线图与预设生长动态曲线图相重合的曲线部分剔除,并保留不相重合的曲线部分,得到生长动态曲线偏差图;
获取所述生长动态曲线偏差图的曲线区域长度,根据所述曲线区域长度计算得到实际生长动态曲线图与预设生长动态曲线图的重合度;将所述重合度与预设重合度进行比较;
若所述重合度大于预设重合度,则说明该子修复区域的微生物生长状态符合预期效果,说明不需要对该子修复区域进行进一步的干预或修复工作,则生成第一评估结果;
若所述重合度不大于预设重合度,则说明该子修复区域的微生物生长状态不符合预期效果,说明需要对该子修复区域进行进一步的干预或修复工作,则生成第二评估结果。
8.一种基于微生物动态分析的污染场地评估系统,其特征在于,所述污染场地评估系统包括存储器与处理器,所述存储器中存储有污染场地评估方法程序,当所述污染场地评估方法程序被所述处理器执行时,实现如权利要求1-7任一项所述的污染场地评估方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311449207.2A CN117172993B (zh) | 2023-11-02 | 2023-11-02 | 一种基于微生物动态分析的污染场地评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311449207.2A CN117172993B (zh) | 2023-11-02 | 2023-11-02 | 一种基于微生物动态分析的污染场地评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117172993A CN117172993A (zh) | 2023-12-05 |
CN117172993B true CN117172993B (zh) | 2024-02-06 |
Family
ID=88937968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311449207.2A Active CN117172993B (zh) | 2023-11-02 | 2023-11-02 | 一种基于微生物动态分析的污染场地评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172993B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113880259A (zh) * | 2021-01-30 | 2022-01-04 | 中国地质科学院水文地质环境地质研究所 | 一种石油类污染含水层强化自然衰减修复方法 |
CN116384776A (zh) * | 2023-06-02 | 2023-07-04 | 北京建工环境修复股份有限公司 | 基于模糊评价的场地污染评估方法、系统及存储介质 |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105964677B (zh) * | 2016-06-23 | 2022-03-01 | 北京建工环境修复股份有限公司 | 一种土壤及地下水原位化学氧化高压注射优化修复方法 |
CA3143351C (en) * | 2019-04-12 | 2023-12-12 | Swadha Anand | System and method for bioremediation of pollutants |
-
2023
- 2023-11-02 CN CN202311449207.2A patent/CN117172993B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113880259A (zh) * | 2021-01-30 | 2022-01-04 | 中国地质科学院水文地质环境地质研究所 | 一种石油类污染含水层强化自然衰减修复方法 |
CN116384776A (zh) * | 2023-06-02 | 2023-07-04 | 北京建工环境修复股份有限公司 | 基于模糊评价的场地污染评估方法、系统及存储介质 |
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 (1)
Title |
---|
市政污水深度回用系统中反渗透膜表面微生物污染特性研究进展;于海琴;杨成永;赵宗升;周煜坤;;北京工业大学学报(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117172993A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pecchi et al. | Species distribution modelling to support forest management. A literature review | |
CN116384754B (zh) | 一种基于深度学习的在产化工园区环境污染风险评估方法 | |
CN104298998A (zh) | 一种3d点云的数据处理方法 | |
CN105468677A (zh) | 一种基于图结构的日志聚类方法 | |
CN116384776B (zh) | 基于模糊评价的场地污染评估方法、系统及存储介质 | |
CN115145906B (zh) | 一种面向结构化数据的预处理和补全方法 | |
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 | |
Guzmán Q et al. | On the relationship of fractal geometry and tree–stand metrics on point clouds derived from terrestrial laser scanning | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
Hallett et al. | Environmental information systems developments for planning sustainable land use | |
CN116359218B (zh) | 一种工业聚集区大气污染移动监测系统 | |
Kadirova et al. | Creating a digital model of regional relief using GIS technologies to evaluate degradation processes | |
Fernandez et al. | Locality uncertainty and the differential performance of four common niche-based modeling techniques | |
Gazulis et al. | Exploring the DNA of our regions: Classification of outputs from the SLEUTH model | |
Li et al. | Spatiotemporal trends in ecosystem carbon stock evolution and quantitative attribution in a karst watershed in southwest China | |
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 | |
CN117010217B (zh) | 基于模型分析的地下水污染可视化方法及系统 | |
CN113111964A (zh) | 场地污染特征分析方法、装置、电子设备和存储介质 | |
Wansleeben et al. | Geographical Information Systems: Methodological progress and theoretical decline? | |
CN112730774A (zh) | 一种地下水污染物自动溯源方法 | |
CN109409748B (zh) | 一种耕地质量评价指标关联性的检核方法及系统 | |
Armstrong et al. | The application of data mining techniques to characterize agricultural soil profiles | |
Hou et al. | Across‐model spread and shrinking in predicting peatland carbon dynamics under global change | |
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 | |
Li et al. | Research on Intelligent Recognition of Violation Based on Big Data of Urban Construction |
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 |