CN117236565A - 一种流域水环境智慧化管理方法 - Google Patents
一种流域水环境智慧化管理方法 Download PDFInfo
- Publication number
- CN117236565A CN117236565A CN202311489611.2A CN202311489611A CN117236565A CN 117236565 A CN117236565 A CN 117236565A CN 202311489611 A CN202311489611 A CN 202311489611A CN 117236565 A CN117236565 A CN 117236565A
- Authority
- CN
- China
- Prior art keywords
- water environment
- water
- data
- color
- quality
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 190
- 238000007726 management method Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 19
- 210000000746 body region Anatomy 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013468 resource allocation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 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
- Y02A20/152—Water filtration
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水域管理技术领域,具体涉及一种流域水环境智慧化管理方法,包括以下步骤:采集水环境数据,水环境数据包括水质参数、水流速度以及气象条件;采集到的水环境数据通过基于无线传输技术实时发送至数据中心;在数据中心中,进行数据分析以生成初步水环境质量评级;使用机器视觉技术分析历史和实时流域图像数据;生成水环境管理策略;使用实时气象数据和水流速度预测模型,调整生成的水环境管理策略;通过决策支持系统将综合水环境管理策略转化为具体操作指令;通过移动应用程序或用户接口,将生成的操作指令实时传达给地面操作端。本发明,提高了流域管理的时效性,还能更准确地识别和定位潜在的环境风险。
Description
技术领域
本发明涉及水域管理技术领域,尤其涉及一种流域水环境智慧化管理方法。
背景技术
流域水环境管理是一个复杂且挑战性极大的领域,涉及到多方面的因素,包括但不限于水质监测、水流动态、气候变化和人为活动等。传统的流域管理方法通常依赖于手动或半自动化的数据收集和分析,这不仅效率低下,而且准确性和时效性都难以保证。例如,现有的水质监测手段通常局限于单一或少数几种参数的监测,如溶解氧、pH值和浊度等,这些参数虽然重要,但难以全面反映水体的整体状况。
进一步地,目前的管理策略通常是静态和片面的,缺乏针对性和灵活性。即使有一些先进的决策支持系统(DSS)和模拟模型,也常常是孤立和非集成的,使得整体的流域管理策略缺乏连贯性和实用性。这不仅增加了环境风险,也使得资源和努力难以发挥最大的效益。
因此,急需一种全面、精确和高效的流域水环境管理方法,该方法应能集成多源数据,利用先进的数据分析和预测技术,生成可行和实用的管理策略,并通过决策支持系统高效地将这些策略转化为具体可执行的操作。这不仅有助于提高流域水环境管理的准确性和效率,还能有效减少环境风险和人为干预的不确定性。
发明内容
基于上述目的,本发明提供了一种流域水环境智慧化管理方法。
一种流域水环境智慧化管理方法,包括以下步骤:
S1:利用布置在流域各关键节点的多功能传感器实时采集水环境数据,水环境数据包括水质参数、水流速度以及气象条件;
S2:采集到的水环境数据通过无线传输技术实时发送至数据中心;
S3:在数据中心中,使用机器学习算法对收到的水环境数据进行预处理,去除噪声和异常值,然后进行数据分析以生成初步水环境质量评级;
S4:使用机器视觉技术分析历史和实时流域图像数据,以评估水体颜色、悬浮物,获取水体图像数据,并将水体图像数据整合到S3生成的水环境质量评级中;
S5:根据S3和S4的综合分析结果,生成水环境管理策略;
S6:使用实时气象数据和水流速度预测模型,预测未来24小时内流域的水流动态,从而调整S5生成的水环境管理策略,使之适应即将出现的水流和气象条件;
S7:通过决策支持系统将S5和S6生成的综合水环境管理策略转化为具体操作指令,具体操作指令包括调整水库泄流量、投放环境友好的化学品或生态修复方案;
S8:通过移动应用程序或用户接口,将S7生成的操作指令实时传达给地面操作端;
S9:执行S8中的具体操作指令,实现流域水环境的实时、智能化和可持续管理。
进一步的,所述水质参数包括pH值、溶解氧、浊度,所述气象条件包括温度、湿度、风速。
进一步的,所述无线传输技术包括Zigbee、LoRa以及Wi-Fi。
进一步的,所述S3中的机器学习算法包括自编码器以及孤立森林,利用自编码器的无监督学习算法对原始数据进行降维和特征提取,然后,使用孤立森林算法对降维后的数据进行异常值检测和剔除,两种算法结合使用,去除数据中的噪声和异常值,提高后续数据分析的准确性。
进一步的,所述S3中的初步水环境质量评级步骤如下:
S31:参数标准化,将由自编码器和孤立森林算法预处理后的各项水质参数和气象条件数据进行标准化处理,使其在相同的数值范围内;
S32:权重分配,根据预先通过专家评估或历史数据分析得出的各项参数对水环境影响的相对重要性,分配权重系数,对于溶解氧,权重设置为0.4,值的权重为0.3,温度权重为0.1;
S33:单项评分,对每一个标准化后的参数应用函数映射,将参数值转换为一个介于0到10之间的分数,pH值在正常范围内映射为8分,低于正常范围则映射为4分;
S34:综合计算,使用分配的权重系数,将各项单一评分进行加权平均,公式如下:
初步水环境质量指数溶解氧评分/>评分/>温度评分,
其中是权重系数;
S35:归一化处理,将综合计算得出的结果标准化到0至100的范围内。
进一步的,所述S4具体包括:
S41:图像收集与预处理,从位于流域各关键区域的高分辨率摄像头获取实时和历史图像数据,并通过直方图均衡进行预处理;
S42:图像分割与特征提取,利用语义分割算法将图像中的水体区域与非水体区域区分开,并在水体区域内提取颜色和悬浮物的图像特征;
S43:颜色分析:使用色彩空间转换和k-均值聚类算法在水体区域内分析颜色分布,识别主要颜色成分并量化其比例;
S44:悬浮物识别:应用卷积神经网络模型,基于水体区域内的图像特征来识别和定量悬浮物类型和数量;
S45:数据融合与评估:将图像分析得出的水体颜色和悬浮物数据与初步水环境质量指数进行数据融合,并生成综合的水环境质量评级。
进一步的,所述S45具体包括:
S451:颜色与悬浮物评分,基于颜色分析和悬浮物识别结果,为每一种识别出的颜色成分和悬浮物类型分配一个介于0到10之间的评分;
S452:权重调整,基于权重分配,为颜色与悬浮物评分也分配相应的权重系数,颜色为0.1的权重,悬浮物为0.2的权重;
S453:数据标准化与融合,将颜色与悬浮物评分与初步水环境质量指数进行标准化,使其均在0至100的范围内,用以下公式进行数据融合:
综合水环境质量指数初步水环境质量指数/>颜色评分/>悬浮物评分;
其中是各项指标的权重系数,且/>;
S454:质量级别划分,根据综合水环境质量指数,应用预先定义的阈值进行质量级别划分,指数介于80至100为“优良”,60至79为“一般”,低于60为“差”。
进一步的,所述水环境管理策略的生成具体包括:
质量级别分析:基于综合的水环境质量指数和质量级别划分,对当前流域水环境进行分类,包括优良、一般或差;
问题识别:根据综合水环境质量指数的各组成部分进行深入分析,识别导致当前质量级别的导致因素;
策略生成:针对识别出的导致因素,利用规则引擎生成具体的水环境管理策略;
优先级设定:根据问题的严重性和可解决性,为生成的各项管理策略设定优先级;
资源分配:根据设定的优先级,为各项管理策略分配人力、物力和财力资源。
进一步的,所述水流速度预测模型为基于支持向量机结合物理规律的水动力模型,根据预测的水流动态结果,评估水环境管理策略是否需要调整。
进一步的,所述S7具体包括:
S71:策略输入接收,决策支持系统接收来自水环境管理策略和水流速度预测模型的输出数据;
S72:操作优先级评估;
S73:指令生成,基于操作优先级评估的结果,决策支持系统生成一组具体的操作指令;
S74:指令下发,生成的操作指令被下发到相应的实地人员或自动化设施,用以执行水环境管理策略。
本发明的有益效果:
本发明,通过集成多源数据和多模态分析,在提高水质监测准确性和响应速度方面具有显著优势,该方法利用机器学习算法、机器视觉技术和高度优化的水流速度预测模型,不仅能精准评估当前的水环境质量,而且能预测未来的水流动态,不仅提高了流域管理的时效性,还能更准确地识别和定位潜在的环境风险。
本发明,通过决策支持系统(DSS)的整合,能够将高级的水环境管理策略快速转化为具体可执行的操作指令,这确保了从数据收集到策略执行的整个过程都是自动化和优化的,大大提高了操作效率和准确性。这种自动化和系统化的管理流程极大地减轻了人工管理的负担,同时减少了由于人为错误或延迟导致的环境风险。
附图说明
为了更清楚地说明本发明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,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的附图。
图1为本发明实施例的智慧化管理方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1所示,一种流域水环境智慧化管理方法,包括以下步骤:
S1:利用布置在流域各关键节点的多功能传感器实时采集水环境数据,水环境数据包括水质参数、水流速度以及气象条件;
S2:采集到的水环境数据通过无线传输技术实时发送至数据中心;
S3:在数据中心中,使用机器学习算法对收到的水环境数据进行预处理,去除噪声和异常值,然后进行数据分析以生成初步水环境质量评级;
S4:使用机器视觉技术分析历史和实时流域图像数据,以评估水体颜色、悬浮物,获取水体图像数据,并将水体图像数据整合到S3生成的水环境质量评级中;
S5:根据S3和S4的综合分析结果,生成水环境管理策略;
S6:使用实时气象数据和水流速度预测模型,预测未来24小时内流域的水流动态,从而调整S5生成的水环境管理策略,使之适应即将出现的水流和气象条件;
S7:通过决策支持系统将S5和S6生成的综合水环境管理策略转化为具体操作指令,具体操作指令包括调整水库泄流量、投放环境友好的化学品或生态修复方案;
S8:通过移动应用程序或用户接口,将S7生成的操作指令实时传达给地面操作端;
S9:执行S8中的具体操作指令,实现流域水环境的实时、智能化和可持续管理。
水质参数包括pH值、溶解氧、浊度,气象条件包括温度、湿度、风速。
无线传输技术包括Zigbee、LoRa以及Wi-Fi。
S3中的机器学习算法包括自编码器(Autoencoder)以及孤立森林(IsolationForest),利用自编码器的无监督学习算法对原始数据进行降维和特征提取,然后,使用孤立森林算法对降维后的数据进行异常值检测和剔除,两种算法结合使用,去除数据中的噪声和异常值,提高后续数据分析的准确性;
自编码器用于学习流域数据的高级特征并进行降维,以减少后续分析所需的计算量,孤立森林算法则用于在降维后的特征空间中快速有效地识别和剔除异常值,这些异常值通常是由传感器误差、环境干扰或其他非正常因素导致的。通过这一组合,可以更准确地去除不必要的数据变异和噪声,从而提高整体水环境质量评估的准确性。
S3中的初步水环境质量评级步骤如下:
S31:参数标准化,将由自编码器和孤立森林算法预处理后的各项水质参数和气象条件数据进行标准化处理,使其在相同的数值范围内;
S32:权重分配,根据预先通过专家评估或历史数据分析得出的各项参数对水环境影响的相对重要性,分配权重系数,对于溶解氧,权重设置为0.4,值的权重为0.3,温度权重为0.1;
S33:单项评分,对每一个标准化后的参数应用函数映射,将参数值转换为一个介于0到10之间的分数,pH值在正常范围内映射为8分,低于正常范围则映射为4分;
S34:综合计算,使用分配的权重系数,将各项单一评分进行加权平均,公式如下:
初步水环境质量指数溶解氧评分/>评分/>温度评分,
其中是权重系数;
S35:归一化处理,将综合计算得出的结果标准化到0至100的范围内。
S4具体包括:
S41:图像收集与预处理,从位于流域各关键区域的高分辨率摄像头获取实时和历史图像数据,并通过直方图均衡进行预处理;
S42:图像分割与特征提取,利用语义分割算法将图像中的水体区域与非水体区域(如土地、植被等)区分开,并在水体区域内提取颜色和悬浮物的图像特征;
S43:颜色分析:使用色彩空间转换(如从RGB到HSV)和k-均值聚类算法在水体区域内分析颜色分布,识别主要颜色成分并量化其比例;
S44:悬浮物识别:应用卷积神经网络模型,基于水体区域内的图像特征来识别和定量悬浮物类型和数量;
S45:数据融合与评估:将图像分析得出的水体颜色和悬浮物数据与初步水环境质量指数进行数据融合,并生成综合的水环境质量评级。
S45具体包括:
S451:颜色与悬浮物评分,基于颜色分析和悬浮物识别结果,为每一种识别出的颜色成分和悬浮物类型分配一个介于0到10之间的评分;
S452:权重调整,基于权重分配,为颜色与悬浮物评分也分配相应的权重系数,颜色为0.1的权重,悬浮物为0.2的权重;
S453:数据标准化与融合,将颜色与悬浮物评分与初步水环境质量指数进行标准化,使其均在0至100的范围内,用以下公式进行数据融合:
综合水环境质量指数初步水环境质量指数/>颜色评分/>悬浮物评分;
其中是各项指标的权重系数,且/>;
S454:质量级别划分,根据综合水环境质量指数,应用预先定义的阈值进行质量级别划分,指数介于80至100为“优良”,60至79为“一般”,低于60为“差”。
水环境管理策略的生成具体包括:
质量级别分析:基于综合的水环境质量指数和质量级别划分,对当前流域水环境进行分类,包括优良、一般或差;
问题识别:根据综合水环境质量指数的各组成部分(包括初步水环境质量指数、颜色评分、悬浮物评分等)进行深入分析,识别导致当前质量级别的导致因素;
策略生成:针对识别出的导致因素,利用规则引擎生成具体的水环境管理策略,例如,如果主要问题因素是悬浮物数量过多,策略可能包括增加悬浮物过滤或沉淀处理设施;
优先级设定:根据问题的严重性和可解决性,为生成的各项管理策略设定优先级;
资源分配:根据设定的优先级,为各项管理策略分配人力、物力和财力资源;
质量级别分析为进一步的问题识别和策略生成提供了基础,问题识别子步骤通过综合考虑多个评价指标,确定了需要解决的主要问题,策略生成利用逻辑算法,为解决识别出的问题提供了一套有针对性的解决方案,优先级设定和资源分配确保了管理策略能够以最有效的方式实施,这一整体步骤确保了根据综合水环境分析结果,能够生成并实施针对性强、有效性高的水环境管理策略。
水流预测模型为基于支持向量机结合物理规律的水动力模型,根据预测的水流动态结果,评估水环境管理策略是否需要调整,例如,如果预测的水流速度会显著减慢,可能需要增加悬浮物过滤或沉淀处理设施。
S7具体包括:
S71:策略输入接收,决策支持系统接收来自水环境管理策略和权水流速度预测模型的输出数据;
S72:操作优先级评估;
S73:指令生成,基于操作优先级评估的结果,决策支持系统生成一组具体的操作指令;
S74:指令下发,生成的操作指令被下发到相应的实地人员或自动化设施,用以执行水环境管理策略。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、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 (10)
1.一种流域水环境智慧化管理方法,其特征在于,包括以下步骤:
S1:利用布置在流域各关键节点的多功能传感器实时采集水环境数据,水环境数据包括水质参数、水流速度以及气象条件;
S2:采集到的水环境数据通过无线传输技术实时发送至数据中心;
S3:在数据中心中,使用机器学习算法对收到的水环境数据进行预处理,去除噪声和异常值,然后进行数据分析以生成初步水环境质量评级;
S4:使用机器视觉技术分析历史和实时流域图像数据,以评估水体颜色、悬浮物,获取水体图像数据,并将水体图像数据整合到S3生成的水环境质量评级中;
S5:根据S3和S4的综合分析结果,生成水环境管理策略;
S6:使用实时气象数据和水流速度预测模型,预测未来24小时内流域的水流动态,从而调整S5生成的水环境管理策略,使之适应即将出现的水流和气象条件;
S7:通过决策支持系统将S5和S6生成的综合水环境管理策略转化为具体操作指令,具体操作指令包括调整水库泄流量、投放环境友好的化学品或生态修复方案;
S8:通过移动应用程序或用户接口,将S7生成的操作指令实时传达给地面操作端;
S9:执行S8中的具体操作指令,对流域水环境进行实时管理。
2.根据权利要求1所述的一种流域水环境智慧化管理方法,其特征在于,所述水质参数包括pH值、溶解氧、浊度,所述气象条件包括温度、湿度、风速。
3.根据权利要求1所述的一种流域水环境智慧化管理方法,其特征在于,所述无线传输技术包括Zigbee、LoRa以及Wi-Fi。
4.根据权利要求1所述的一种流域水环境智慧化管理方法,其特征在于,所述S3中的机器学习算法包括自编码器以及孤立森林,利用自编码器的无监督学习算法对原始数据进行降维和特征提取,然后,使用孤立森林算法对降维后的数据进行异常值检测和剔除。
5.根据权利要求4所述的一种流域水环境智慧化管理方法,其特征在于,所述S3中的初步水环境质量评级步骤如下:
S31:参数标准化,将由自编码器和孤立森林算法预处理后的各项水质参数和气象条件数据进行标准化处理,使其在相同的数值范围内;
S32:权重分配,根据预先通过专家评估或历史数据分析得出的各项参数对水环境影响的相对重要性,分配权重系数,对于溶解氧,权重设置为0.4,值的权重为0.3,温度的权重为0.1;
S33:单项评分,对每一个标准化后的参数应用函数映射,将参数值转换为一个介于0到10之间的分数,pH值在正常范围内映射为8分,低于正常范围则映射为4分;
S34:综合计算,使用分配的权重系数,将各项单一评分进行加权平均,公式如下:
初步水环境质量指数溶解氧评分/>评分/>温度评分,
其中是权重系数;
S35:归一化处理,将综合计算得出的结果标准化到0至100的范围内。
6.根据权利要求5所述的一种流域水环境智慧化管理方法,其特征在于,所述S4具体包括:
S41:图像收集与预处理,从位于流域各关键区域的高分辨率摄像头获取实时和历史图像数据,并通过直方图均衡进行预处理;
S42:图像分割与特征提取,利用语义分割算法将图像中的水体区域与非水体区域区分开,并在水体区域内提取颜色和悬浮物的图像特征;
S43:颜色分析:使用色彩空间转换和k-均值聚类算法在水体区域内分析颜色分布,识别主要颜色成分并量化其比例;
S44:悬浮物识别:应用卷积神经网络模型,基于水体区域内的图像特征来识别和定量悬浮物类型和数量;
S45:数据融合与评估:将图像分析得出的水体颜色和悬浮物数据与初步水环境质量指数进行数据融合,并生成综合的水环境质量评级。
7.根据权利要求6所述的一种流域水环境智慧化管理方法,其特征在于,所述S45具体包括:
S451:颜色与悬浮物评分,基于颜色分析和悬浮物识别结果,为每一种识别出的颜色成分和悬浮物类型分配一个介于0到10之间的评分;
S452:权重调整,基于权重分配,为颜色与悬浮物评分也分配相应的权重系数,颜色为0.1的权重,悬浮物为0.2的权重;
S453:数据标准化与融合,将颜色与悬浮物评分与初步水环境质量指数进行标准化,使其均在0至100的范围内,用以下公式进行数据融合:
综合水环境质量指数初步水环境质量指数/>颜色评分/>悬浮物评分;
其中是各项指标的权重系数,且/>;
S454:质量级别划分,根据综合水环境质量指数,应用预先定义的阈值进行质量级别划分,指数介于80至100为“优良”,60至79为“一般”,低于60为“差”。
8.根据权利要求7所述的一种流域水环境智慧化管理方法,其特征在于,所述水环境管理策略的生成具体包括:
质量级别分析:基于综合的水环境质量指数和质量级别划分,对当前流域水环境进行分类,包括优良、一般或差;
问题识别:根据综合水环境质量指数的各组成部分进行深入分析,识别导致当前质量级别的导致因素;
策略生成:针对识别出的导致因素,利用规则引擎生成具体的水环境管理策略;
优先级设定:根据问题的严重性和可解决性,为生成的各项管理策略设定优先级;
资源分配:根据设定的优先级,为各项管理策略分配人力、物力和财力资源。
9.根据权利要求8所述的一种流域水环境智慧化管理方法,其特征在于,所述水流速度预测模型为基于支持向量机结合物理规律的水动力模型,根据预测的水流动态结果,评估水环境管理策略是否需要调整。
10.根据权利要求9所述的一种流域水环境智慧化管理方法,其特征在于,所述S7具体包括:
S71:策略输入接收,决策支持系统接收来自水环境管理策略和水流速度预测模型的输出数据;
S72:操作优先级评估;
S73:指令生成,基于操作优先级评估的结果,决策支持系统生成一组具体的操作指令;
S74:指令下发,生成的操作指令被下发到相应的实地人员或自动化设施,用以执行水环境管理策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489611.2A CN117236565B (zh) | 2023-11-10 | 2023-11-10 | 一种流域水环境智慧化管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489611.2A CN117236565B (zh) | 2023-11-10 | 2023-11-10 | 一种流域水环境智慧化管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236565A true CN117236565A (zh) | 2023-12-15 |
CN117236565B CN117236565B (zh) | 2024-04-05 |
Family
ID=89095031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311489611.2A Active CN117236565B (zh) | 2023-11-10 | 2023-11-10 | 一种流域水环境智慧化管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236565B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117491586A (zh) * | 2024-01-03 | 2024-02-02 | 江门市澳华生物科技有限公司 | 一种水质检测方法及其系统 |
CN117993790A (zh) * | 2024-04-07 | 2024-05-07 | 中国测试技术研究院声学研究所 | 基于神经网络的指挥室声环境质量权重计量优化分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190354873A1 (en) * | 2018-02-16 | 2019-11-21 | Lucas Pescarmona | Analysis system and hydrology management for basin rivers |
WO2021143635A1 (zh) * | 2020-01-14 | 2021-07-22 | 南京大学 | 基于风险场的区域网格化累积性环境风险评估系统及方法 |
KR102440372B1 (ko) * | 2022-01-07 | 2022-09-05 | 니브스코리아 주식회사 | 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 |
CN115965496A (zh) * | 2022-11-29 | 2023-04-14 | 中国环境科学研究院 | 流域水环境智慧化管理方法 |
CN116739389A (zh) * | 2023-08-14 | 2023-09-12 | 广东创能科技股份有限公司 | 基于云计算的智慧城市管理方法及系统 |
DE202023105203U1 (de) * | 2023-09-09 | 2023-09-20 | Vrushali Bahurupi | Überwachungssystem für nachhaltige Umwelt |
CN116796907A (zh) * | 2023-07-11 | 2023-09-22 | 桂林理工大学 | 一种基于物联网的水环境动态监测系统及其方法 |
CN116862199A (zh) * | 2023-08-17 | 2023-10-10 | 浙江建设职业技术学院 | 基于大数据和云计算的建筑施工优化系统 |
CN116994410A (zh) * | 2023-08-11 | 2023-11-03 | 晋中学院 | 一种流域水环境生态安全预警方法 |
CN117009887A (zh) * | 2023-07-28 | 2023-11-07 | 中科景感(厦门)生态环境科技有限公司 | 流域水环境质量精细化估算及分析的方法及系统 |
-
2023
- 2023-11-10 CN CN202311489611.2A patent/CN117236565B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190354873A1 (en) * | 2018-02-16 | 2019-11-21 | Lucas Pescarmona | Analysis system and hydrology management for basin rivers |
WO2021143635A1 (zh) * | 2020-01-14 | 2021-07-22 | 南京大学 | 基于风险场的区域网格化累积性环境风险评估系统及方法 |
KR102440372B1 (ko) * | 2022-01-07 | 2022-09-05 | 니브스코리아 주식회사 | 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 |
CN115965496A (zh) * | 2022-11-29 | 2023-04-14 | 中国环境科学研究院 | 流域水环境智慧化管理方法 |
CN116796907A (zh) * | 2023-07-11 | 2023-09-22 | 桂林理工大学 | 一种基于物联网的水环境动态监测系统及其方法 |
CN117009887A (zh) * | 2023-07-28 | 2023-11-07 | 中科景感(厦门)生态环境科技有限公司 | 流域水环境质量精细化估算及分析的方法及系统 |
CN116994410A (zh) * | 2023-08-11 | 2023-11-03 | 晋中学院 | 一种流域水环境生态安全预警方法 |
CN116739389A (zh) * | 2023-08-14 | 2023-09-12 | 广东创能科技股份有限公司 | 基于云计算的智慧城市管理方法及系统 |
CN116862199A (zh) * | 2023-08-17 | 2023-10-10 | 浙江建设职业技术学院 | 基于大数据和云计算的建筑施工优化系统 |
DE202023105203U1 (de) * | 2023-09-09 | 2023-09-20 | Vrushali Bahurupi | Überwachungssystem für nachhaltige Umwelt |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117491586A (zh) * | 2024-01-03 | 2024-02-02 | 江门市澳华生物科技有限公司 | 一种水质检测方法及其系统 |
CN117491586B (zh) * | 2024-01-03 | 2024-03-19 | 江门市澳华生物科技有限公司 | 一种水质检测方法及系统 |
CN117993790A (zh) * | 2024-04-07 | 2024-05-07 | 中国测试技术研究院声学研究所 | 基于神经网络的指挥室声环境质量权重计量优化分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117236565B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117236565B (zh) | 一种流域水环境智慧化管理方法 | |
CN112819802B (zh) | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 | |
CN113040034B (zh) | 一种节水灌溉控制系统及控制方法 | |
CN112085285B (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
CN111311081B (zh) | 基于多源异构数据的海洋生态异常危险识别方法及装置 | |
CN108197849A (zh) | 一种基于自动化的智能派单系统及派单方法 | |
CN103955907A (zh) | 指针式sf6气体密度表的遥测方法 | |
CN116824517B (zh) | 基于可视化的变电站运维安全管控系统 | |
CN106682159A (zh) | 一种阈值配置方法 | |
CN117217531A (zh) | 基于人工智能的工厂安全运行风险数据处理方法 | |
CN116629465A (zh) | 智能电网视频监控与风险预测响应系统 | |
KR102525491B1 (ko) | 구조물 손상검출 보고서 제공 방법 | |
CN115860258A (zh) | 一种区域用电量预测方法 | |
CN113210264B (zh) | 烟草杂物剔除方法及装置 | |
CN109034453A (zh) | 一种基于多标记神经网络的短期电力负荷预测方法 | |
CN115439265A (zh) | 一种保险行业智能赔付异常交易风险控制系统 | |
CN112926777B (zh) | 考虑商业建筑用能行为的日前负荷预测方法及系统 | |
CN114648738A (zh) | 一种基于物联网与边缘计算的图像识别系统与方法 | |
CN110956675B (zh) | 技术成熟度曲线自动生成方法及装置 | |
CN113986892A (zh) | 一种火电机组煤耗预测、数据清洗方法及系统 | |
CN114282756A (zh) | 一种用户侧可调负荷紧急控制潜力评估方法及系统 | |
CN113919694A (zh) | 一种电力通信光缆关键业务承载状态分析方法及系统 | |
Yang et al. | Historical load curve correction for short-term load forecasting | |
CN110688919A (zh) | 一种智能巡线故障识别方法 | |
CN104239725A (zh) | 一种动态多源传感器优化管理方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240313 Address after: 010199 No. 272, Community 1, Quansheng North Road, Chasuqi Town, Tumote Left Banner, Hohhot City, Inner Mongolia Autonomous Region Applicant after: Han Yu Country or region after: Zhong Guo Address before: Building 8-2-1002, No. 8 Beidou Garden, Guangfudao Street, Hebei District, Tianjin, 300000 Applicant before: Tianjin Biaozheng Technology Co.,Ltd. Country or region before: Zhong Guo |
|
GR01 | Patent grant | ||
GR01 | Patent grant |