CN117228853B - 一种河道生态修复方法及系统 - Google Patents
一种河道生态修复方法及系统 Download PDFInfo
- Publication number
- CN117228853B CN117228853B CN202311527996.7A CN202311527996A CN117228853B CN 117228853 B CN117228853 B CN 117228853B CN 202311527996 A CN202311527996 A CN 202311527996A CN 117228853 B CN117228853 B CN 117228853B
- Authority
- CN
- China
- Prior art keywords
- coefficient
- turbidity
- historical
- density
- river
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 241000195493 Cryptophyta Species 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 83
- 238000010801 machine learning Methods 0.000 claims description 84
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 60
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 30
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 24
- 229910052757 nitrogen Inorganic materials 0.000 claims description 24
- 229910052698 phosphorus Inorganic materials 0.000 claims description 24
- 239000011574 phosphorus Substances 0.000 claims description 24
- 238000005286 illumination Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 10
- 229910052799 carbon Inorganic materials 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 abstract description 3
- 230000036632 reaction speed Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 7
- 230000012010 growth Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 241000192700 Cyanobacteria Species 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/40—Protecting water resources
- Y02A20/402—River restoration
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种河道生态修复方法及系统，具体涉及生态修复技术领域，所述方法包括采集目标河道的历史密度系数训练数据和历史浊度系数训练数据；所述历史密度系数训练数据包括采集L组历史密度系数特征数据以及历史密度系数特征数据对应的密度系数值；所述历史浊度系数训练数据包括采集的N组历史浊度系数特征数据以及历史浊度系数特征数据对应的浊度系数值；L与N均为大于零的正整数；本发明通过对目标河道的浊度系数进行实时预测，以及对藻类植物的密度系数进行预测，从而感知目标河道的整体生态修复情况，提高了对目标河道的生态预测能力，便于做好目标河道的生态修复的准备，进而提高河道生态修复的反应速度。
Description
技术领域
本发明涉及生态修复技术领域，更具体地说，本发明涉及一种河道生态修复方法及系统。
背景技术
近年来，藻类水华频繁出现在我国各个河流湖泊，严重影响了河道湖泊的整体生态环境以及居民生活用水，水质的富营养化是造成藻类水华的主要原因之一，当水体中的氮和磷等营养物质过多时，刺激着藻类的生长，进而引发藻类水华。目前为了控制河流湖泊中蓝藻水华，很多企业通过各类的监测装置对蓝藻进行监测，从而实现对蓝藻水华的治理工作。
如申请公开号CN114112945A的申请文件，公开了一种新型巢湖蓝藻水华监测系统，包括云服务器；设置在远程遥控无人船上的远程遥控采集平台包括水体数据采集装置、图像采集分析装置、系统处理器、定位装置、数据传送装置。水体数据采集装置上设有的多种水质传感器采集水体水质数据并传送至系统处理器进行综合分析，利用图像采集分析装置采集水域图像信息并将图像信息传送至系统处理器。系统处理器将水体水质数据信息及水域的图像信息传送至数据传送装置，数据传送装置将接收到的信息传送至云服务器，云服务器对接收到的数据进行统计学分析，实现通过移动端软件实时监测蓝藻水华。
在现有的技术中，虽然提高水质监测的效率和一定程度上进行蓝藻水华的预测，但是数据处理的时效性较差，且主要通过采集藻类图像进行观测，未从河流水质变化深入考虑藻类水华未来时刻变化情况，进而存在预测的滞后性。
为此，本发明提供了一种河道生态修复方法及系统。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种河道生态修复方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种河道生态修复方法，包括：
采集目标河道的历史密度系数训练数据和历史浊度系数训练数据；所述历史密度系数训练数据包括采集L组历史密度系数特征数据以及历史密度系数特征数据对应的密度系数值；所述历史浊度系数训练数据包括采集的N组历史浊度系数特征数据以及历史浊度系数特征数据对应的浊度系数值；L与N均为大于零的正整数；
基于历史浊度系数训练数据，训练出预测目标河道的浊度系数的第一机器学习模型；
基于历史密度系数训练数据，训练出预测藻类植物的密度系数的第二机器学习模型；
采集目标河道的实时浊度系数特征数据以及藻类植物的实时密度系数特征数据；
基于目标河道的实时浊度系数特征数据和第一机器学习模型，预测出实时浊度系数；
基于藻类植物的实时密度系数特征数据、预测的实时浊度系数和第二机器学习模型，预测出藻类植物的实时密度系数；
预设密度系数阈值，将密度系数阈值与预测的实时密度系数进行比较，判断是否生成藻类管理预警信息。
进一步地，历史密度系数特征数据包括光照强度、植物长度、河道涨落差值、溶解有机碳以及浊度系数。
进一步地，历史浊度系数特征数据包括河流深度、河流速度以及水质系数；
其中，河流深度为在目标河道中通过测深仪进行测量获取；
河流速度为在目标河道利用流速测量设备进行测量获取；
水质系数为目标河道中测量获取的氮元素含量、磷元素含量以及河流温度进行处理后生成。
进一步地，生成水质系数的过程包括：
将氮元素含量、磷元素含量以及河流温度分别标记为Ni、Pi以及Ti；
将氮元素含量Ni、磷元素含量Pi以及河流温度Ti进行归一化处理，生成水质系数Sp，所述水质系数Sp符合如下公式：
；
式中，为氮元素含量的标准值，/>为磷元素含量的标准值，/>表示氮元素含量的权重因子，/>表示磷元素含量的权重因子，P为水质系数的修正常数。
进一步地，训练出预测目标河道的浊度系数的第一机器学习模型包括：
将每组历史浊度系数特征数据转换为第一特征向量的形式，第一特征向量中的元素包括河流深度、河流速度以及水质系数；
将所有第一特征向量的集合作为第一机器学习模型的输入，所述第一机器学习模型以对每组历史浊度系数特征数据预测的浊度系数值作为输出，以每组历史浊度系数特征数据对应的实际浊度系数值作为预测目标，以最小化所有预测的浊度系数值的第一预测准确度之和作为训练目标；
其中，第一预测准确度的计算公式为：，其中，/>为每组历史浊度系数特征数据的编号，/>为第一预测准确度，/>为第/>组历史浊度系数特征数据对应的预测的浊度系数值，/>为第/>组历史浊度系数特征数据对应的实际浊度系数值；对第一机器学习模型进行训练，直至第一预测准确度之和达到收敛时停止训练；所述第一机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种。
进一步地，训练出预测藻类植物的密度系数的第二机器学习模型包括：
将每组历史密度系数特征数据作为第二特征向量，第二特征向量中的元素包括光照强度、植物长度、河道涨落差值、溶解有机碳以及浊度系数；
将所有第二特征向量的集合作为第二机器学习模型的输入，所述第二机器学习模型以对每组历史密度系数特征数据预测的密度系数值作为输出，以每组历史密度系数特征数据对应的实际的密度系数值作为预测目标，以最小化所有预测的密度系数值的第二预测准确度之和作为训练目标；
其中，第二预测准确度的计算公式为；，其中，/>为每组历史密度系数特征数据的编号，/>为第二预测准确度，/>为第/>组历史密度系数特征数据对应的预测的密度系数值，/>为第/>组历史密度系数特征数据对应的实际的密度系数值；对第二机器学习模型进行训练，直至第二预测准确度之和达到收敛时停止训练；所述第二机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种。
进一步地，基于目标河道的实时浊度系数特征数据和第一机器学习模型，预测出实时浊度系数的方式为：
将目标河道的实时浊度系数特征数据为第一特征向量的形式，并将第一特征向量输入第一机器学习模型中，获得第一机器学习模型预测的实时浊度系数。
进一步地，预测出藻类植物的实时密度系数方法为：
将第一机器学习模型预测的实时浊度系数值作为藻类植物的实时密度系数特征数据中的浊度系数值；将藻类植物的实时密度系数特征数据为第二特征向量的形式，并将第二特征向量输入至第二机器学习模型，获得第二机器学习模型输出的实时密度系数。
进一步地，将密度系数阈值与预测的实时密度系数进行比较，包括：
将密度系数阈值标记为，将预测的实时密度系数标记为/>；
若≥/>，则根据当前的目标河道的浊度系数生成藻类管理预警信息；
若，则根据当前的目标河道的浊度系数不生成藻类管理预警信息。
第二方面，一种河道生态修复系统，用于实现上述的一种河道生态修复方法，包括：
数据采集模块，用于采集目标河道的历史密度系数训练数据和历史浊度系数训练数据；所述历史密度系数训练数据包括在历史环境中采集L组历史密度系数特征数据以及历史密度系数特征数据对应的密度系数值；所述历史浊度系数训练数据包括在历史环境中采集的N组历史浊度系数特征数据以及历史浊度系数特征数据对应的浊度系数值；L与N均为大于零的正整数；
第一模型训练模块，基于历史浊度系数训练数据，训练出预测目标河道的浊度系数的第一机器学习模型；
第二模型训练模块，基于历史密度系数训练数据，训练出预测藻类植物的密度系数的第二机器学习模型；
特征数据采集模块，用于采集目标河道的实时浊度系数特征数据以及藻类植物的实时密度系数特征数据；
浊度系数处理模块，基于目标河道的实时浊度系数特征数据和第一机器学习模型，预测出实时浊度系数；
密度系数处理模块，基于藻类植物的实时密度系数特征数据、预测的实时浊度系数和第二机器学习模型，预测出藻类植物的实时密度系数；
判断模块，预设密度系数阈值，将密度系数阈值与预测的实时密度系数进行比较，判断是否生成藻类管理预警信息。
第三方面，本发明提供一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种河道生态修复方法。
第四方面，本发明提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行上述的一种河道生态修复方法。
本发明的技术效果和优点：
本发明通过采集历史环境中的历史浊度系数训练数据和历史密度系数训练数据，基于历史浊度系数特征数据和浊度系数值训练出第一机器学习模型，基于历史密度系数特征数据和密度系数值训练出第二机器学习模型，在目标河道中，实时采集浊度系数特征数据与密度系数特征数据，根据实时浊度系数特征数据作为第一机器学习模型的输入，获得预测的实时浊度系数值，再将预测的实时浊度系数值作为实时密度系数特征数据中的浊度系数值，通过第二机器学习模型获得预测的实时密度系数，预设密度系数阈值，将密度系数阈值与第二机器学习模型预测的实时密度系数进行比较，判断是否对目标河道进行藻类植物管理；通过对目标河道的浊度系数进行实时预测，以及对藻类植物的密度系数进行预测，从而感知目标河道的整体生态修复情况，提高了对目标河道的生态预测能力，便于做好目标河道的生态修复的准备，进而提高河道生态修复的反应速度。
附图说明
图1为本发明实施例1的一种河道生态修复方法流程图；
图2为本发明实施例2的一种河道生态修复系统示意图；
图3为本发明实施例3的一种电子设备示意图；
图4为本发明实施例4的一种计算机可读存储介质示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似的第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有集合。
遥感技术：是根据电磁波的理论，应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行采集、处理，并最后成像，从而对地面各种景物进行探测和识别的一种综合技术。
实施例1
请参阅图1所示，本实施例提供了一种河道生态修复方法，包括以下步骤：
步骤一：采集目标河道的历史密度系数训练数据和历史浊度系数训练数据；
步骤二：基于历史浊度系数训练数据，训练出预测目标河道的浊度系数的第一机器学习模型；
步骤三：基于历史密度系数训练数据，训练出预测藻类植物的密度系数的第二机器学习模型；
步骤四，采集目标河道的实时浊度系数特征数据以及藻类植物的实时密度系数特征数据；
步骤五，基于目标河道的实时浊度系数特征数据和第一机器学习模型，预测出实时浊度系数；
步骤六，基于藻类植物的实时密度系数特征数据、预测的实时浊度系数和第二机器学习模型，预测出藻类植物的实时密度系数；
步骤七，预设密度系数阈值，将密度系数阈值与预测的实时密度系数进行比较，判断是否生成藻类管理预警信息。
在一个优选的实施例中，所述历史密度系数训练数据包括在历史环境中采集L组历史密度系数特征数据以及历史密度系数特征数据对应的密度系数值；L为大于零的正整数；所述历史环境为通过使用测量方法获得参数集合的数据采集环境，所述参数集合为GIS系统中影响密度系数的历史密度系数特征数据集合，保证了高质量的密度系数训练数据。
其中，历史密度系数特征数据包括光照强度、植物长度、河道涨落差值、溶解有机碳以及浊度系数；
光照强度：在目标河道设置若干个光度计进行光照强度测量，并计算每日的光照强度平均值获得；需要说明的是，较好的光照强度可以增加藻类植物的生长速度，从而增加藻类植物的密度系数，这意味着在较高的光照强度下，密度系数会增加；
植物长度：植物长度为每个藻类植物生长阶段对应的平均生长长度，通过植物数据库提取藻类植物的整体长度信息获得；需要说明的是，所述植物数据库为卫星图像或无人机图像可以提供关于目标河道藻类植物分布、类型和健康状况的信息，这些数据也可以被整合到植物数据库中；长度较高的藻类植物会降低密度系数，而长度较低的藻类植物会增加密度系数；
河道涨落差值：河道涨落差值通过水位传感器获取每日河道水流涨落数据的平均值，其中河道水流涨落数据为河道的水位测量数据，并计算其平均值；需要说明的是，河道涨落差值会影响藻类植物的生长情况，例如，水位上升可能会携带更多的营养物质，如氮和磷，进入河流水质，这可能会促进藻类植物的生长；然而，当水位下降时，河道底部沉积物中的养分可能会被释放出来，进一步促进藻类植物的生长，为此河道涨落差值越大，藻类植物的密度系数越大。
溶解有机碳通过光谱传感器获取每日目标河道的水质中溶解有机碳数据的平均值，需要说明的是，溶解有机碳为水体的有机物质，可以影响目标河大的水体透明度和光照条件，从而影响藻类植物的光合作用和生长，因此溶解有机碳数值越大则藻类植物的密度也就越小。
浊度系数通过浊度仪进行测量目标河道的水质获得浊度，将测量的浊度作为浊度系数；需要说明的是，目标河道的浊度系数越大，对藻类植物的密度系数也就越大。
进一步地，所述密度系数通过使用遥感技术和地面图像采集测量方法获得；需要说明的是，遥感技术的测量方法为本领域的常用手段；示例性地，通过在目标河道内选择样本区域，并通过遥感技术地面图像拍摄获取藻类植物照片，获得样本区域中的植物数量，计算出样本区域中藻类植物的密度系数，即密度系数=数量/样本区域面积，其中样本区域面积为平方米表示，获得的密度系数即为该目标河道的密度系数。
所述密度系数为测量每组历史密度系数特征数据时，使用遥感技术获得密度系数；
需要说明的是，河流深度、河流速度以及水质系数等参数影响着目标河道的浊度系数；其中，水质系数中的氮元素含量、磷元素含量通过光谱分析仪检测氮元素含量、磷元素含量的含量。
进一步地，所述历史浊度系数训练数据包括在历史环境中采集的N组历史浊度系数特征数据以及历史浊度系数特征数据对应的浊度系数值；N为大于零的正整数；
其中，浊度系数特征数据包括河流深度、河流速度以及水质系数；
具体的，河流深度为在目标河道中通过测深仪进行测量获取；需要说明的是，河流深度为测深仪测量每日河流深度的平均值，测量河流深度是因为由于目标河道中存在沙子、河泥等不同悬浮物质，物质的质量大小不同，导致河流出现不同的分层，致使目标河道的河流深度越深，浊度也就越大；
河流速度：在目标河道利用流速测量设备进行测量获取；需要说明的是，流速测量设备按照河道的延伸方向做非等距离设置，流速测量设备可以为超声波流量计或流速仪进行测量，沿着河道曲折程度逐渐增加流速测量设备密度，通过增设流速测量设备密度，消除因河道曲折程度变化的地形带来的干扰。
测量河流速度的原因是，目标河道的水流较快的区域，分布有颗粒较大的砂质河泥；目标河道的水流缓慢的区域，分布有颗粒较小的淤泥；目标河道水流较缓慢区域，分布有颗粒位于砂质与淤泥之间的粉砂质河泥；目标河道水流为激流区域，分布有颗粒较大的岩石碎屑河泥；为此，不同的河流速度对应的浊度系数也不相同；
水质系数为目标河道中测量获取的氮元素含量、磷元素含量以及河流温度进行处理后生成的；需要说明的是，氮元素含量与磷元素含量超标均为导致目标河道的水体富营养化，随着河流温度的升高，水质系数数值越大，那么浊度数据也就越大。
进一步地，生成水质系数的过程包括：
将目标河道中的氮元素含量、磷元素含量以及河流温度分别标记为Ni、Pi以及Ti；
将氮元素含量Ni、磷元素含量Pi以及河流温度Ti进行归一化处理，生成水质系数Sp，所述水质系数Sp符合如下公式：
；
式中，为氮元素含量的标准值，/>为磷元素含量的标准值，/>表示氮元素含量的权重因子，/>表示磷元素含量的权重因子，P为水质系数的修正常数；权重因子反映了水质系数包含的参数数值对水质系数的影响大小，影响越大，相应参数的权重因子就越大。
上述中涉及的公式均是去除量纲取其数值计算，是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的权重因子以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得；权重因子的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于权重因子的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的处理系数；只要不影响参数与量化后数值的比例关系即可。
需要说明的是，所述浊度系数为测量每组历史浊度系数特征数据时，使用浊度仪测量并记录浊度系数；
进一步地，训练出预测浊度系数的第一机器学习模型包括：
将每组历史浊度系数特征数据转换为第一特征向量的形式，第一特征向量中的元素包括河流深度、河流速度以及水质系数；
将所有第一特征向量的集合作为第一机器学习模型的输入，所述第一机器学习模型以对每组历史浊度系数特征数据预测的浊度系数值作为输出，以每组历史浊度系数特征数据对应的实际浊度系数值作为预测目标，以最小化所有预测的浊度系数值的第一预测准确度之和作为训练目标；
其中，第一预测准确度的计算公式为：，其中，/>为每组历史浊度系数特征数据的编号，/>为第一预测准确度，/>为第/>组历史浊度系数特征数据对应的预测的浊度系数值，/>为第/>组历史浊度系数特征数据对应的实际浊度系数值；对第一机器学习模型进行训练，直至第一预测准确度之和达到收敛时停止训练；所述第一机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；
进一步的，所述密度系数值为测量每组藻类植物的密度系数特征数据时，需要定期对目标河道的藻类植物反复的使用无人机遥感技术和地面相结合的方式采集藻类植物的密度系数，无法预测出未来藻类植物的密度系数，为此需要一种密度系数值的实时评估方法：
训练出预测藻类植物的密度系数的第二机器学习模型包括：
将每组历史密度系数特征数据作为第二特征向量，第二特征向量中的元素包括光照强度、植物长度、河道涨落差值、溶解有机碳以及浊度系数；
将所有第二特征向量的集合作为第二机器学习模型的输入，所述第二机器学习模型以对每组历史密度系数特征数据预测的密度系数值作为输出，以每组历史密度系数特征数据对应的实际的密度系数值作为预测目标，以最小化所有预测的密度系数值的第二预测准确度之和作为训练目标；其中，第二预测准确度的计算公式为；，其中，为每组历史密度系数特征数据的编号，/>为第二预测准确度，/>为第/>组历史密度系数特征数据对应的预测的密度系数值，/>为第/>组历史密度系数特征数据对应的实际的密度系数值；对第二机器学习模型进行训练，直至第二预测准确度之和达到收敛时停止训练；所述第二机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；
需要说明的是，第一机器学习模型和第二机器学习模型的其他的模型参数，例如网络模型的深度、每层的神经元数量、网络模型使用的激活函数、收敛条件、训练集测试集验证集比例以及损失函数等均通过实际的工程实现，不断地进行实验调优后获得。
进一步地，基于目标河道的实时浊度系数特征数据和第一机器学习模型，预测出实时浊度系数的方式为：
将目标河道的实时浊度系数特征数据为第一特征向量的形式，并将第一特征向量输入第一机器学习模型中，获得第一机器学习模型预测的实时浊度系数；
进一步地，预测出实时藻类植物的密度系数方法为：
将第一机器学习模型预测的实时浊度系数值作为藻类植物的实时密度系数特征数据中的浊度系数值；将藻类植物的实时密度系数特征数据为第二特征向量的形式，并将第二特征向量输入至第二机器学习模型，获得第二机器学习模型输出的实时密度系数；
预设密度系数阈值，将密度系数阈值与预测的实时密度系数进行比较，判断是否生成藻类管理预警信息，包括：
将密度系数阈值标记为，将预测的实时密度系数标记为/>；
若≥/>，则根据当前的目标河道的密度系数生成藻类管理预警信息，向河道管理部门发出预警，提醒管理人员对目标河道进行藻类植物的清除工作；
若，则根据当前的目标河道的密度系数不生成藻类管理预警信息，说明当前目标河道生态环境良好，暂时不采取藻类植物的清除工作，继续对藻类植物密度系数进行监测。
需要说明的是，所述藻类管理预警信息说明应对目标河道进行藻类植物治理，所述清除工作包括但不限定于机械修剪、打捞、生物控制等；所述预设浊度系数阈值，通过多次实验以及大量历史数据总结后认为设定确定，对此本实施例不做过多赘述。
本实施例中，通过采集历史环境中的历史浊度系数训练数据和历史密度系数训练数据，基于历史浊度系数特征数据和浊度系数值训练出第一机器学习模型，基于历史密度系数特征数据和密度系数值训练出第二机器学习模型，在目标河道中，实时采集浊度系数特征数据与密度系数特征数据，根据实时浊度系数特征数据作为第一机器学习模型的输入，获得预测的实时浊度系数值，再将预测的实时浊度系数值作为实时密度系数特征数据中的浊度系数值，通过第二机器学习模型获得预测的实时密度系数，预设密度系数阈值，将密度系数阈值与第二机器学习模型预测的实时密度系数进行比较，判断是否对目标河道进行藻类植物管理；通过对目标河道的浊度系数进行实时预测，以及对藻类植物的密度系数进行预测，从而感知目标河道的整体生态修复情况，提高了对目标河道的生态预测能力，便于做好目标河道的生态修复的准备，进而提高河道生态修复的反应速度。
实施例2
请参阅图2所示，本实施例提供了一种河道生态修复系统，包括：
数据采集模块，用于采集目标河道的历史密度系数训练数据和历史浊度系数训练数据；所述历史密度系数训练数据包括在历史环境中采集L组历史密度系数特征数据以及历史密度系数特征数据对应的密度系数值；所述历史浊度系数训练数据包括在历史环境中采集的N组历史浊度系数特征数据以及历史浊度系数特征数据对应的浊度系数值；L与N均为大于零的正整数；
第一模型训练模块，基于历史浊度系数训练数据，训练出预测目标河道的浊度系数的第一机器学习模型；
第二模型训练模块，基于历史密度系数训练数据，训练出预测藻类植物的密度系数的第二机器学习模型；
特征数据采集模块，用于采集目标河道的实时浊度系数特征数据以及藻类植物的实时密度系数特征数据；
浊度系数处理模块，基于目标河道的实时浊度系数特征数据和第一机器学习模型，预测出实时浊度系数；
密度系数处理模块，基于藻类植物的实时密度系数特征数据、预测的实时浊度系数和第二机器学习模型，预测出藻类植物的实时密度系数；
判断模块，预设密度系数阈值，将密度系数阈值与预测的实时密度系数进行比较，判断是否生成藻类管理预警信息。
实施例3
请参阅图3所示，一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行实施例1的一种河道生态修复方法。
实施例4
请参阅图4所示，一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行实施例1的一种河道生态修复方法。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阁值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意集合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD），或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案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）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，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，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种河道生态修复方法，其特征在于，包括：
采集目标河道的历史密度系数训练数据和历史浊度系数训练数据；所述历史密度系数训练数据包括采集的L组历史密度系数特征数据以及历史密度系数特征数据对应的密度系数值；所述历史浊度系数训练数据包括采集的N组历史浊度系数特征数据以及历史浊度系数特征数据对应的浊度系数值；L与N均为大于零的正整数；
基于历史浊度系数训练数据，训练出预测目标河道的浊度系数的第一机器学习模型；
基于历史密度系数训练数据，训练出预测藻类植物的密度系数的第二机器学习模型；
采集目标河道的实时浊度系数特征数据以及藻类植物的实时密度系数特征数据；
基于目标河道的实时浊度系数特征数据和第一机器学习模型，预测出实时浊度系数；
基于藻类植物的实时密度系数特征数据、预测的实时浊度系数和第二机器学习模型，预测出藻类植物的实时密度系数；
预设密度系数阈值，将密度系数阈值与预测的实时密度系数进行比较，判断是否生成藻类管理预警信息；
所述密度系数特征数据包括光照强度、植物长度、河道涨落差值、溶解有机碳以及浊度系数；
所述浊度系数特征数据包括河流深度、河流速度以及水质系数；
其中，河流深度为在目标河道中通过测深仪进行测量获取；
河流速度为在目标河道利用流速测量设备进行测量获取；
水质系数为目标河道中测量获取的氮元素含量、磷元素含量以及河流温度进行处理后生成；
生成所述水质系数的过程包括：
将氮元素含量、磷元素含量以及河流温度分别标记为Ni、Pi以及Ti；
将氮元素含量Ni、磷元素含量Pi以及河流温度Ti进行归一化处理，生成水质系数Sp，所述水质系数Sp符合如下公式：
；
式中，为氮元素含量的标准值，/>为磷元素含量的标准值，/>表示氮元素含量的权重因子，/>表示磷元素含量的权重因子，P为水质系数的修正常数。
2.根据权利要求1所述的一种河道生态修复方法，其特征在于，所述训练出预测目标河道的浊度系数的第一机器学习模型包括：
将每组历史浊度系数特征数据转换为第一特征向量的形式，第一特征向量中的元素包括河流深度、河流速度以及水质系数；
将所有第一特征向量的集合作为第一机器学习模型的输入，所述第一机器学习模型以对每组历史浊度系数特征数据预测的浊度系数值作为输出，以每组历史浊度系数特征数据对应的实际浊度系数值作为预测目标，以最小化所有预测的浊度系数值的第一预测准确度之和作为训练目标；
其中，第一预测准确度的计算公式为：，其中，/>为每组历史浊度系数特征数据的编号，/>为第一预测准确度，/>为第/>组历史浊度系数特征数据对应的预测的浊度系数值，/>为第/>组历史浊度系数特征数据对应的实际浊度系数值；对第一机器学习模型进行训练，直至第一预测准确度之和达到收敛时停止训练；所述第一机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种。
3.根据权利要求2所述的一种河道生态修复方法，其特征在于，所述训练出预测藻类植物的密度系数的第二机器学习模型包括：
将每组历史密度系数特征数据作为第二特征向量，第二特征向量中的元素包括光照强度、植物长度、河道涨落差值、溶解有机碳以及浊度系数；
将所有第二特征向量的集合作为第二机器学习模型的输入，所述第二机器学习模型以对每组历史密度系数特征数据预测的密度系数值作为输出，以每组历史密度系数特征数据对应的实际的密度系数值作为预测目标，以最小化所有预测的密度系数值的第二预测准确度之和作为训练目标；
其中，第二预测准确度的计算公式为；，其中，/>为每组历史密度系数特征数据的编号，/>为第二预测准确度，/>为第/>组历史密度系数特征数据对应的预测的密度系数值，/>为第/>组历史密度系数特征数据对应的实际的密度系数值；对第二机器学习模型进行训练，直至第二预测准确度之和达到收敛时停止训练；所述第二机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种。
4.根据权利要求3所述的一种河道生态修复方法，其特征在于，所述基于目标河道的实时浊度系数特征数据和第一机器学习模型，预测出实时浊度系数的方式为：
将目标河道的实时浊度系数特征数据为第一特征向量的形式，并将第一特征向量输入第一机器学习模型中，获得第一机器学习模型预测的实时浊度系数。
5.根据权利要求4所述的一种河道生态修复方法，其特征在于，所述预测出藻类植物的实时密度系数方法为：
将第一机器学习模型预测的实时浊度系数值作为藻类植物的实时密度系数特征数据中的浊度系数值；将藻类植物的实时密度系数特征数据为第二特征向量的形式，并将第二特征向量输入至第二机器学习模型，获得第二机器学习模型输出的实时密度系数。
6.根据权利要求5所述的一种河道生态修复方法，其特征在于，所述将密度系数阈值与预测的实时密度系数进行比较，包括：
将密度系数阈值标记为，将预测的实时密度系数标记为/>；
若，则根据当前的目标河道的浊度系数生成藻类管理预警信息；
若，则根据当前的目标河道的浊度系数不生成藻类管理预警信息。
7.一种河道生态修复系统，用于实现权利要求1-6中任一项所述的一种河道生态修复方法，其特征在于，包括：
数据采集模块，用于采集目标河道的历史密度系数训练数据和历史浊度系数训练数据；所述历史密度系数训练数据包括在历史环境中采集的L组历史密度系数特征数据以及历史密度系数特征数据对应的密度系数值；所述历史浊度系数训练数据包括在历史环境中采集的N组历史浊度系数特征数据以及历史浊度系数特征数据对应的浊度系数值；L与N均为大于零的正整数；
第一模型训练模块，基于历史浊度系数训练数据，训练出预测目标河道的浊度系数的第一机器学习模型；
第二模型训练模块，基于历史密度系数训练数据，训练出预测藻类植物的密度系数的第二机器学习模型；
特征数据采集模块，用于采集目标河道的实时浊度系数特征数据以及藻类植物的实时密度系数特征数据；
浊度系数处理模块，基于目标河道的实时浊度系数特征数据和第一机器学习模型，预测出实时浊度系数；
密度系数处理模块，基于藻类植物的实时密度系数特征数据、预测的实时浊度系数和第二机器学习模型，预测出藻类植物的实时密度系数；
判断模块，预设密度系数阈值，将密度系数阈值与预测的实时密度系数进行比较，判断是否生成藻类管理预警信息；
所述密度系数特征数据包括光照强度、植物长度、河道涨落差值、溶解有机碳以及浊度系数；
所述浊度系数特征数据包括河流深度、河流速度以及水质系数；
其中，河流深度为在目标河道中通过测深仪进行测量获取；
河流速度为在目标河道利用流速测量设备进行测量获取；
水质系数为目标河道中测量获取的氮元素含量、磷元素含量以及河流温度进行处理后生成；
生成所述水质系数的过程包括：
将氮元素含量、磷元素含量以及河流温度分别标记为Ni、Pi以及Ti；
将氮元素含量Ni、磷元素含量Pi以及河流温度Ti进行归一化处理，生成水质系数Sp，所述水质系数Sp符合如下公式：
；
式中，为氮元素含量的标准值，/>为磷元素含量的标准值，/>表示氮元素含量的权重因子，/>表示磷元素含量的权重因子，P为水质系数的修正常数。
8.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-7中任一项所述的一种河道生态修复方法。
9.一种计算机可读存储介质，其特征在于，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的一种河道生态修复方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311527996.7A CN117228853B (zh) | 2023-11-16 | 2023-11-16 | 一种河道生态修复方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311527996.7A CN117228853B (zh) | 2023-11-16 | 2023-11-16 | 一种河道生态修复方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117228853A CN117228853A (zh) | 2023-12-15 |
| CN117228853B true CN117228853B (zh) | 2024-02-02 |
Family
ID=89086619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311527996.7A Active CN117228853B (zh) | 2023-11-16 | 2023-11-16 | 一种河道生态修复方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117228853B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118246610B (zh) * | 2024-05-30 | 2024-09-10 | 福建省水产研究所（福建水产病害防治中心） | 基于大数据的微藻浓度预测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020103356A4 (en) * | 2020-02-26 | 2021-01-21 | Chinese Research Academy Of Environmental Sciences | Method and device for building river diatom bloom warning model |
| CN215798676U (zh) * | 2021-07-14 | 2022-02-11 | 深圳市华尔信环保科技有限公司 | 一种立体生态反应系统 |
| DE102022108168A1 (de) * | 2022-04-05 | 2023-10-05 | Endress+Hauser Conducta Gmbh+Co. Kg | Verfahren und System zum Überwachen eines Algenwachstums in einem Gewässer |
-
2023
- 2023-11-16 CN CN202311527996.7A patent/CN117228853B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020103356A4 (en) * | 2020-02-26 | 2021-01-21 | Chinese Research Academy Of Environmental Sciences | Method and device for building river diatom bloom warning model |
| CN215798676U (zh) * | 2021-07-14 | 2022-02-11 | 深圳市华尔信环保科技有限公司 | 一种立体生态反应系统 |
| DE102022108168A1 (de) * | 2022-04-05 | 2023-10-05 | Endress+Hauser Conducta Gmbh+Co. Kg | Verfahren und System zum Überwachen eines Algenwachstums in einem Gewässer |
Non-Patent Citations (1)
| Title |
|---|
| Landsat 数据在解析太湖水体溶解性有机碳影响机制中的应用;韩增磊 等;生态学杂志;第39卷(第7期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117228853A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112734694A (zh) | 一种基于大数据的水质监测方法 | |
| CN117228853B (zh) | 一种河道生态修复方法及系统 | |
| CN110646867A (zh) | 一种城市排水监测预警方法和系统 | |
| CN106644939B (zh) | 一种农田土壤表层残膜残留量的测量方法及系统 | |
| CN111811580A (zh) | 一种水量/水质监测布点方法及预警响应系统 | |
| CN114858221B (zh) | 一种基于水域营养状态预测的水华智能预警系统及方法 | |
| CN116519895B (zh) | 一种基于大数据平台的水质在线监测分析管理系统 | |
| Rostam et al. | A complete proposed framework for coastal water quality monitoring system with algae predictive model | |
| CN116233370A (zh) | 基于水质监测的智能化视频监控方法 | |
| CN112381369A (zh) | 基于在线光谱识别的水体污染溯源和风险预测评估方法 | |
| CN113610381A (zh) | 一种基于5g网络的水质远程实时监测系统 | |
| CN117522117A (zh) | 基于生态保护红线划定的生态风险评估方法及预警系统 | |
| CN116994410A (zh) | 一种流域水环境生态安全预警方法 | |
| CN115308101A (zh) | 水质监测管理方法及系统 | |
| CN118095813B (zh) | 基于bim技术的地基沉降的可视化监测方法及系统 | |
| CN115951361A (zh) | 基于大数据平台的海上风电桩的智能地形扫测方法 | |
| CN114018317B (zh) | 一种用于海洋环境的数据采集装置及方法 | |
| CN114839343A (zh) | 一种便携式水质监测巡检仪装置及使用方法 | |
| CN117471071B (zh) | 港口基础设施结构耐久性安全预警系统及方法 | |
| RU2437093C1 (ru) | Система оперативного биологического мониторинга и индикации | |
| CN117434235A (zh) | 基于水质监测的水华预警方法、装置、设备及介质 | |
| CN116861750B (zh) | 一种深海网箱远程健康诊断系统 | |
| CN117852859A (zh) | 一种基于重金属形态的地块地下水健康风险评估方法 | |
| Wang et al. | Early warning of debris flow using optimized self-organizing feature mapping network | |
| CN112380984B (zh) | 一种基于遥感的盐沼植被缓流能力空间评价方法 |
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 |