CN117269443B - 一种基于大数据的智慧数字乡村环境监测系统 - Google Patents
一种基于大数据的智慧数字乡村环境监测系统 Download PDFInfo
- Publication number
- CN117269443B CN117269443B CN202311166118.7A CN202311166118A CN117269443B CN 117269443 B CN117269443 B CN 117269443B CN 202311166118 A CN202311166118 A CN 202311166118A CN 117269443 B CN117269443 B CN 117269443B
- Authority
- CN
- China
- Prior art keywords
- water
- monitoring
- water quality
- data
- water flow
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 259
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 446
- 238000012549 training Methods 0.000 claims abstract description 91
- 239000010865 sewage Substances 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 46
- 230000007613 environmental effect Effects 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 38
- 238000013480 data collection Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 16
- 238000002474 experimental method Methods 0.000 claims description 15
- 239000003344 environmental pollutant Substances 0.000 claims description 14
- 231100000719 pollutant Toxicity 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 239000002351 wastewater Substances 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims 1
- 238000003911 water pollution Methods 0.000 abstract description 10
- 238000012876 topography Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000003403 water pollutant Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
Abstract
本发明公开了一种基于大数据的智慧数字乡村环境监测系统，涉及乡村水质污染源定位技术领域，通过预先构建数字高程模型，获得所有水质监测水体，使用水流收集装置对水量进行测量，以收集历史降雨后的水流历史数据，在水体边缘选择环境监测点进行水质监测，预先对乡村中的污染源区域进行单位监测区域划分，收集排放点训练数据，训练出预测污水排放点位置的贝叶斯网络模型，实时接收每个环境监测点处的水体水质监测仪收集的水质数据，最后输出对污染源的预测定位；实现了对乡村水体中，单水质污染源以及多水质污染源的定位。
Description
技术领域
本发明涉及乡村水质污染源定位技术领域，具体是一种基于大数据的智慧数字乡村环境监测系统。
背景技术
农村地区的水体，如河流、湖泊、水库等，通常与农田、养殖业以及生活污水直接接触，因此可能受到农药、化肥、废水等污染物的影响。这种水体污染不仅对生态环境造成威胁，还可能危害居民的健康，甚至影响到下游水源的水质；因此，对乡村水体水质进行监测，以及时发现水体污染，并定位出污染源，以避免污染的加重成为一项亟需解决的问题；
而目前对水体污染的监测方案往往是使用水质检测仪对水体水质进行检测，然而该方案仅仅具有水质检测的功能，无法实现对污染源进行定位；
申请公开号为CN116183849A的中国专利公开了一种水体污染物溯源方法、装置、计算机设备和存储介质，取目标区域对应的水体监测数据，以及获取水体监测数据对应的地理定位信息；根据水体监测数据与地理定位信息，标记目标区域对应的至少一个浓度峰值异常点；根据各浓度峰值异常点、地理定位信息以及目标区域对应的溯源范围，对各浓度峰值异常点对应的至少一个目标对象进行溯源，得到目标溯源结果；根据目标溯源结果、水体监测数据与地理定位信息，生成各目标对象对应的水体污染走航分析报告；但该方案无法定位在陆地上的污染源；
为此，本发明提出一种基于大数据的智慧数字乡村环境监测系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于大数据的智慧数字乡村环境监测系统，实现对单水质污染源以及多水质污染源的定位。
为实现上述目的，根据本发明的实施例1提出一种基于大数据的智慧数字乡村环境监测系统，包括地势模型构建模块、水流历史数据收集模块、环境监测点设置模块、排放点位训练数据收集模块、排放点位预测模型生成模块以及污染源定位模块；其中，各个模块之间电性连接；
地势模型构建模块，用于预先收集乡村地理数据，并基于乡村地理数据构建数字高程模型；
其中，所述预先收集乡村地理数据的方式为：
使用遥感技术收集构建数字高程模型所需要的地理特征数据作为乡村地理数据；
所述地理特征数据包括乡村的高程数据；
所述基于乡村地理数据构建数字高程模型包括：
将离散的高程数据经过插值法转化为连续的表面模型；
通过插值后的表面模型，生成数字高程模型；
所述地势模型构建模块将数字高程模型发送至水流历史数据收集模块；
水流历史数据收集模块，用于基于数字高程模型，获得所有水质监测水体；基于水质监测水体，使用水流收集装置对水量进行测量，以收集历史降雨后的水流历史数据；
所述获得所有水质监测水体包括：
收集乡村中的所有水体位置和范围；
收集乡村中具有排放污水可能性的污染源区域集合；
对于每片水体，若满足地势流向条件，则将该水体作为水质监测水体；
所述使用水流收集装置对水量进行测量，以收集历史降雨后的水流历史数据包括：
在每片水质监测水体的邻接污染源区域的边缘线上，每隔预设的采集距离设置一个水流收集装置；
在每次降雨后预设的采集时长后，收集每个水流收集装置内的水量；
所述水流历史数据包括每次降雨后，收集的每片水质监测水体对应的所有水流收集装置内的水量；
所述水流历史数据收集模块将水流历史数据发送至环境监测点设置模块；
环境监测点设置模块，用于基于水流历史数据，在水质监测水体边缘选择环境监测点进行水质监测；
所述在水质监测水体边缘选择环境监测点进行水质监测的方式为：
将水质监测水体的编号标记为i，将第i个水质监测水体对应的水流收集装置的编号标记为iz；其中，iz=1,2,3...IZ；其中，IZ为第i个水质监测水体对应的水流收集装置的数量；
将收集的每次降雨的编号标记为r，将第r次降雨时，第iz个水流收集装置收集的水量标记为Lriz；
对于第r次降雨时，第i个水质监测水体的每个水流收集装置的水量进行归一化；
计算第iz个水流收集装置在r次降雨中的平均水量LAriz;
对于第i个水质监测水体，将其对应的所有水流收集装置按平均水量从大到小进行排序；
预设监测点比例；对于第i个水质监测水体，从排序后的水流收集装置中选择前个水流收集装置所在的位置作为环境监测点；
在每个环境监测点的位置安装一台水体水质监测仪；
所述环境监测点设置模块将所有水质监测水体对应的环境监测点的位置发送至排放点位训练数据收集模块；
排放点位训练数据收集模块，用于预先对乡村中的污染源区域进行单位监测区域划分，并基于单位监测区域和环境监测点，收集排放点训练数据；
所述基于单位监测区域，收集排放点训练数据包括：
将每个污染源区域中的单位监测区域进行编号；
进行N1次水流排放实验；
在每次所述水流排放实验中，任意选择N2个污染源区域中的N3个单位监测区域作为测试污染源；其中，N1、N2以及N3分别为选择的水流排放实验次数、污染源区域数量以及单位监测区域的数量；
在每个选择的单位监测区域处排放大于排放量阈值的无污染水源，并在排放后统计所有环境监测点位置的水流收集装置所收集的水量；
所述排放点训练数据包括每次水流排放实验中，选择的测试污染源以及所有水流收集装置收集的水量；
所述排放点位训练数据收集模块将排放点训练数据发送至排放点位预测模型生成模块；
排放点位预测模型生成模块，用于基于排放点训练数据训练出预测污水排放点位置的贝叶斯网络模型；
所述训练出预测污水排放点位置的贝叶斯网络模型的方式为：
构造贝叶斯网络结构；
所述构造贝叶斯网络结构的方式为：
构造层数为3层的贝叶斯网络模型；
将第一层的节点数量设置为所有水质监测水体的数量；第一层中每个节点对应一片水质监测水体；
将第二层的节点数量设置为所有环境监测点的数量；第二层中的每个节点对应一个环境监测点；
将第三层节点数量设置为所有单位监测区域的数量；第三层中的每个节点对应一个单位监测区域；
对于第一层中每个节点，从第二层节点中获取所有第一指向节点；所述第一指向节点为该第二层节点对应的环境监测点属于第一层节点对应的水质监测水体，第一层中每个节点具有一条有向边指向任意一条所述第一指向节点；
对于第二层中每个节点，从第三层中获取所有第二指向节点，所述第二指向节点为：与第二层节点之间存在流向关系的第三层节点；第二层中每个节点具有一条有向边指向任意一条所述第二指向节点；所述存在流向关系是指第三层节点对应的污染源区域的地势高于第二层节点对应的环境监测点的地势；
将排放点训练数据转化为模型训练数据；
所述将排放点训练数据转化为模型训练数据的方式为：
对于排放点训练数据中的每次水流排放实验：
将所有水流收集装置收集的水量进行归一化操作后作为训练水量；
对于每个污染源区域，设置第一污染标签；若该污染源区域内存在任意一个水流收集装置的训练水量大于预设的污染比值阈值，则将该污染源区域对应的第一污染标签标记为1；否则，将该污染源区域对应的第一污染标签标记为0；将所有污染源区域的第一污染标签组合为第一层输入向量；
将所有环境监测点对应的水流收集装置的训练水量组合为第二层输入向量；
对于每个单位监测区域，设置第二污染标签；所述第二污染标签的取值范围为[0,1]；若该单位监测区域为测试污染源，则将该单位监测区域对应的第二污染标签设置为1；否则，将该单位监测区域对应的第二污染标签设置为0；将所有单位监测区域的第二污染标签组合为第三层预测向量；
所述模型训练数据包括所有第一层输入向量、第二层输入向量和第三层预测向量；
基于模型训练数据，训练贝叶斯网络模型；
所述基于模型训练数据，训练贝叶斯网络模型的方式为：
将每组第一层输入向量和第二层输入向量分别作为贝叶斯网络模型的第一层和第二层的输入，将对每个第三层节点的预测的第二污染标签作为贝叶斯网络模型的输出，以第三层预测向量作为贝叶斯网络模型的预测输出；以最小化贝叶斯网络模型的预测误差之和作为预测目标；对贝叶斯网络模型进行训练，直至预测误差之和达到收敛时停止训练；
其中，所述排放点位预测模型生成模块将贝叶斯网络模型发送至污染源定位模块；
污染源定位模块，用于实时接收每个环境监测点处的水体水质监测仪收集的水质数据，并基于水质数据和贝叶斯网络模型，输出对污染源的预测定位；
所述输出对污染源的预测定位包括：
步骤S11：对于任意一种污染物，若在所有水体水质监测仪中，存在任意一台水体水质监测仪收集的水质数据中该污染物的浓度超过预设的污染浓度阈值，则转至步骤12；
步骤S12：将所有水质数据中该污染物的浓度进行归一化后作为输入浓度；
步骤S13：基于污染比值阈值，收集每个污染源区域对应的第一污染标签，并将所有第一污染标签组成第一层输入向量；
步骤S14：将所有环境监测点对应的水质数据中，该污染物的输入浓度组成第二层输入向量；
步骤S15：将第一层输入向量和第二层输入向量输入至贝叶斯网络模型中，获得贝叶斯网络模型输出的第三层预测向量；
步骤S16：将第三层预测向量中的每个第二污染标签按从大到小的顺序进行排序。
根据本发明的实施例2提出一种基于大数据的智慧数字乡村环境监测方法，包括以下步骤：
预先收集乡村地理数据，并基于乡村地理数据构建数字高程模型；
基于数字高程模型，获得所有水质监测水体；基于水质监测水体，使用水流收集装置对水量进行测量，以收集历史降雨后的水流历史数据；
基于水流历史数据，在水体边缘选择环境监测点进行水质监测；
预先对乡村中的污染源区域进行单位监测区域划分，并基于单位监测区域，收集排放点训练数据；
基于排放点训练数据训练出预测污水排放点位置的贝叶斯网络模型；
实时接收每个环境监测点处的水体水质监测仪收集的水质数据，并基于水质数据和贝叶斯网络模型，输出对污染源的预测定位。
根据本发明的实施例3提出的一种电子设备，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，执行上述的基于增强现实技术的基于大数据的智慧数字乡村环境监测方法。
根据本发明的实施例4提出的一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的基于增强现实技术的基于大数据的智慧数字乡村环境监测方法。
与现有技术相比，本发明的有益效果是：
（1）本发明通过预先收集乡村地理数据，并基于乡村地理数据构建数字高程模型，基于数字高程模型，收集历史降雨后的水流历史数据，基于水流历史数据，在水体边缘选择环境监测点进行水质监测；通过实验数据获得合适的水质监测位置，从而保证用于贝叶斯网络模型的训练数据的准确性，从而进一步的提高水质污染源定位的准确性；
（2）本发明进一步的预先对乡村中的污染源区域进行单位监测区域划分，并基于单位监测区域，收集排放点训练数据，基于排放点训练数据训练出预测污水排放点位置的贝叶斯网络模型，实时接收每个环境监测点处的水体水质监测仪收集的水质数据，并基于水质数据和贝叶斯网络模型，输出对污染源的预测定位；在不需要进行视频监控等高成本监控方式的条件下，实现对单水质污染源以及多水质污染源的定位，降低监测成本并提高监测效率。
附图说明
图1为本发明的实施例1中的一种基于大数据的智慧数字乡村环境监测系统的模块连接关系图；
图2为本发明的实施例2中的一种基于大数据的智慧数字乡村环境监测方法的流程图；
图3为本发明实施例3中的电子设备结构示意图；
图4为本发明实施例4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，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它实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种基于大数据的智慧数字乡村环境监测系统，包括地势模型构建模块、水流历史数据收集模块、环境监测点设置模块、排放点位训练数据收集模块、排放点位预测模型生成模块以及污染源定位模块；其中，各个模块之间电性连接；
其中，所述地势模型构建模块主要用于预先收集乡村地理数据，并基于乡村地理数据构建数字高程模型；
其中，所述预先收集乡村地理数据的方式为：
使用遥感技术收集构建数字高程模型所需要的地理特征数据作为乡村地理数据；
优选的，所述遥感技术可以包括激光雷达、卫星遥感技术等；
进一步的，所述地理特征数据可以包括乡村的高程数据；
所述基于乡村地理数据构建数字高程模型包括：
将离散的高程数据经过插值法转化为连续的表面模型；优选的，所述插值法为三角网插值、反距离加权插值、克里金插值中的一个；
通过插值后的表面模型，生成数字高程模型；可以理解的是，数字高程模型为地理信息系统（GIS）图层的一种类型，而使用GIS建模技术将遥感数据转化为三维空间模型为本领域常规技术手段，本发明在此不再赘述；
所述地势模型构建模块将数字高程模型发送至水流历史数据收集模块；
其中，所述水流历史数据收集模块主要用于基于数字高程模型，获得所有水质监测水体；基于水质监测水体，使用水流收集装置对水量进行测量，以收集历史降雨后的水流历史数据；
具体的，所述获得所有水质监测水体包括：
收集乡村中的所有水体位置和范围；优选的，所述收集乡村中的水体位置和范围的方式可以是通过遥感技术和GIS建模技术收集或通过人工走访勘测的方式进行收集；进一步的，所述水体包括但不限于溪流、池塘以及湖泊等；
收集乡村中具有排放污水可能性的污染源区域集合；优选的，所述污染源区域集合中包含的污染源区域可以包括但不限于住宅区域、农田区域、养殖区域或乡村工厂等区域；具体的，污染源区域集合的收集方式可以通过使用遥感技术和GIS建模技术收集或通过人工走访勘测方式进行收集；
对于每片水体，若满足地势流向条件，则将该水体作为水质监测水体；
所述地势流向条件为：基于数字高程模型判断出污染源区域集合中存在至少一个污染源区域的地势高于该水体；可以理解的是，当污染源区域地势高于该水体，则存在污水被排放至该水体的可能性；
进一步的，所述使用水流收集装置对水量进行测量，以收集历史降雨后的水流历史数据包括：
在每片水质监测水体的邻接污染源区域的边缘线上，每隔预设的采集距离设置一个水流收集装置；所述水流收集装置用于在降雨时，收集由污染源区域流向水质监测水体的水流；需要说明的是，为了避免降雨量对收集的水流量的影响，所述水流收集装置可以采用顶部为闭口的，仅保留朝向污染源区域的一面为开口的设计结构；
在每次降雨后预设的采集时长后，收集每个水流收集装置内的水量；
所述水流历史数据包括每次降雨后，收集的每片水质监测水体对应的所有水流收集装置内的水量；
所述水流历史数据收集模块将水流历史数据发送至环境监测点设置模块；
其中，所述环境监测点设置模块主要用于基于水流历史数据，在水质监测水体边缘选择环境监测点进行水质监测；
具体的，所述在水质监测水体边缘选择环境监测点进行水质监测的方式为：
将水质监测水体的编号标记为i，将第i个水质监测水体对应的水流收集装置的编号标记为iz；其中，iz=1,2,3...IZ；其中，IZ为第i个水质监测水体对应的水流收集装置的数量；例如，选择1个水质监测水体，在该水质监测水体中设置3个水流收集装置，即IZ=3，iz=1，2，3；
将收集的每次降雨的编号标记为r，将第r次降雨时，第iz个水流收集装置收集的水量标记为Lriz；例如，收集的降雨次数为1，第1次降雨中，三个水流收集装置收集的水量分别为100、80，120，即L11=100，L12=80，L13=120；
对于第r次降雨时，第i个水质监测水体的每个水流收集装置的水量进行归一化；所述归一化为将Lriz更新为 ；其中，Lrimin和Lrimax分别为第r次降雨时，第i个水质监测水体的所有的水流收集装置中，水量的最小值和水量最大值；用于避免每次降雨量不同导致的数量级误差；例如，L11将被更新为/>，L12将被更新为0，L13将被更新为1；
计算第iz个水流收集装置在r次降雨中的平均水量LAriz;例如，第i个水流收集装置的平均水量LA11=0.5，同理，LA12=0.5，LA13=1；
对于第i个水质监测水体，将其对应的所有水流收集装置按平均水量从大到小进行排序；例如，将水流收集装置排序为3，1，2；
预设监测点比例；对于第i个水质监测水体，从排序后的水流收集装置中选择前个水流收集装置所在的位置作为环境监测点；可以理解的是，平均水流最大的位置可以认为是水流由污染源区域向水质监测水体流动的过程中，水流最终汇聚的位置，在该位置可以收集到污染源区域向水质监测水体排放的水流；例如，监测点比例/>设置为0.67，则从排序后的3个水流收集装置中选择编号为3和编号为1的水流收集装置位置作为环境监测点；
在每个环境监测点的位置安装一台水体水质监测仪；所述水体水质监测仪用于实时监测水质监测水体中的污染物排放；需要说明的是，所述污染物可以包括但不限于监测氨氮、总磷、总氮、BOD、COD、浊度、PH、溶解氧等物质的浓度；
所述环境监测点设置模块将所有水质监测水体对应的环境监测点的位置发送至排放点位训练数据收集模块；
其中，所述排放点位训练数据收集模块主要用于预先对乡村中的污染源区域进行单位监测区域划分，并基于单位监测区域和环境监测点，收集排放点训练数据；
具体的，所述预先对乡村中的污染源区域进行单位区域划分的方式为：
根据每个污染源区域的实际地形和形状，划分为若干个单位监测区域；
进一步的，所述基于单位监测区域，收集排放点训练数据包括：
将每个污染源区域中的单位监测区域进行编号；
进行N1次水流排放实验；
在每次所述水流排放实验中，任意选择N2个污染源区域中的N3个单位监测区域作为测试污染源；其中，N1、N2以及N3分别为选择的水流排放实验次数、污染源区域数量以及单位监测区域的数量；
在每个选择的单位监测区域处排放大于排放量阈值的无污染水源，并在排放后统计所有环境监测点位置的水流收集装置所收集的水量；
所述排放点训练数据包括每次水流排放实验中，选择的测试污染源以及所有水流收集装置收集的水量；
所述排放点位训练数据收集模块将排放点训练数据发送至排放点位预测模型生成模块；
其中，所述排放点位预测模型生成模块主要用于基于排放点训练数据训练出预测污水排放点位置的贝叶斯网络模型；
优选的，所述训练出预测污水排放点位置的贝叶斯网络模型的方式为：
构造贝叶斯网络结构；
具体的，所述构造贝叶斯网络结构的方式为：
构造层数为3层的贝叶斯网络模型；
将第一层的节点数量设置为所有水质监测水体的数量；第一层中每个节点对应一片水质监测水体；
将第二层的节点数量设置为所有环境监测点的数量；第二层中的每个节点对应一个环境监测点；
将第三层节点数量设置为所有单位监测区域的数量；第三层中的每个节点对应一个单位监测区域；
对于第一层中每个节点，从第二层节点中获取所有第一指向节点；所述第一指向节点为该第二层节点对应的环境监测点属于第一层节点对应的水质监测水体，第一层中每个节点具有一条有向边指向任意一条所述第一指向节点；
对于第二层中每个节点，从第三层中获取所有第二指向节点，所述第二指向节点为：与第二层节点之间存在流向关系的第三层节点；所述存在流向关系是指第三层节点对应的污染源区域的地势高于第二层节点对应的环境监测点的地势；第二层中每个节点具有一条有向边指向任意一条所述第二指向节点；
将排放点训练数据转化为模型训练数据；
具体的，所述将排放点训练数据转化为模型训练数据的方式为：
对于排放点训练数据中的每次水流排放实验：
将所有水流收集装置收集的水量进行归一化操作后作为训练水量；
对于每个污染源区域，设置第一污染标签；若该污染源区域内存在任意一个水流收集装置的训练水量大于预设的污染比值阈值，则将该污染源区域对应的第一污染标签标记为1；否则，将该污染源区域对应的第一污染标签标记为0；将所有污染源区域的第一污染标签组合为第一层输入向量；
将所有环境监测点对应的水流收集装置的训练水量组合为第二层输入向量；
对于每个单位监测区域，设置第二污染标签；所述第二污染标签的取值范围为[0,1]；若该单位监测区域为测试污染源，则将该单位监测区域对应的第二污染标签设置为1；否则，将该单位监测区域对应的第二污染标签设置为0；将所有单位监测区域的第二污染标签组合为第三层预测向量；
所述模型训练数据包括所有第一层输入向量、第二层输入向量和第三层预测向量；
基于模型训练数据，训练贝叶斯网络模型；
所述基于模型训练数据，训练贝叶斯网络模型的方式为：
将每组第一层输入向量和第二层输入向量分别作为贝叶斯网络模型的第一层和第二层的输入，将对每个第三层节点的预测的第二污染标签作为贝叶斯网络模型的输出，以第三层预测向量作为贝叶斯网络模型的预测输出；以最小化贝叶斯网络模型的预测误差之和作为预测目标；对贝叶斯网络模型进行训练，直至预测误差之和达到收敛时停止训练；
优选的，所述预测误差之和可以为所有输出的第二污染标签与第三层预测向量中对应的第二污染标签之间的均方误差；
其中，所述排放点位预测模型生成模块将贝叶斯网络模型发送至污染源定位模块；
其中，所述污染源定位模块主要用于实时接收每个环境监测点处的水体水质监测仪收集的水质数据，并基于水质数据和贝叶斯网络模型，输出对污染源的预测定位；
在一个优选的实施例中，所述输出对污染源的预测定位包括：
步骤S11：对于任意一种污染物，若在所有水体水质监测仪中，存在任意一台水体水质监测仪收集的水质数据中该污染物的浓度超过预设的污染浓度阈值，则转至步骤12；
步骤S12：将所有水质数据中该污染物的浓度进行归一化后作为输入浓度；
步骤S13：基于污染比值阈值，收集每个污染源区域对应的第一污染标签，并将所有第一污染标签组成第一层输入向量；
步骤S14：将所有环境监测点对应的水质数据中，该污染物的输入浓度组成第二层输入向量；
步骤S15：将第一层输入向量和第二层输入向量输入至贝叶斯网络模型中，获得贝叶斯网络模型输出的第三层预测向量；
步骤S16：将第三层预测向量中的每个第二污染标签按从大到小的顺序进行排序；可以理解的是，排序的顺序即为每个单位监测区域作为污染源的概率，通过使用贝叶斯网络模型，实现了对多污染源的定位。
实施例2
如图2所示，一种基于大数据的智慧数字乡村环境监测方法，包括以下步骤：
步骤一：预先收集乡村地理数据，并基于乡村地理数据构建数字高程模型；
步骤二：基于数字高程模型，获得所有水质监测水体；基于水质监测水体，使用水流收集装置对水量进行测量，以收集历史降雨后的水流历史数据；
步骤三：基于水流历史数据，在水体边缘选择环境监测点进行水质监测；
步骤四：预先对乡村中的污染源区域进行单位监测区域划分，并基于单位监测区域，收集排放点训练数据；
步骤五：基于排放点训练数据训练出预测污水排放点位置的贝叶斯网络模型；
步骤六：实时接收每个环境监测点处的水体水质监测仪收集的水质数据，并基于水质数据和贝叶斯网络模型，输出对污染源的预测定位。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的一种基于大数据的智慧数字乡村环境监测方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的一种基于大数据的智慧数字乡村环境监测方法。一种基于大数据的智慧数字乡村环境监测方法可例如包括以下步骤：步骤一：预先收集乡村地理数据，并基于乡村地理数据构建数字高程模型；步骤二：基于数字高程模型，获得所有水质监测水体；基于水质监测水体，使用水流收集装置对水量进行测量，以收集历史降雨后的水流历史数据；步骤三：基于水流历史数据，在水体边缘选择环境监测点进行水质监测；步骤四：预先对乡村中的污染源区域进行单位监测区域划分，并基于单位监测区域，收集排放点训练数据；步骤五：基于排放点训练数据训练出预测污水排放点位置的贝叶斯网络模型；步骤六：实时接收每个环境监测点处的水体水质监测仪收集的水质数据，并基于水质数据和贝叶斯网络模型，输出对污染源的预测定位。
进一步地，电子设备100还可包括用户界面108。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的一种基于大数据的智慧数字乡村环境监测方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，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。
以上的预设的参数或预设的阈值均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。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (13)
1.一种基于大数据的智慧数字乡村环境监测系统，其特征在于，包括地势模型构建模块、水流历史数据收集模块、环境监测点设置模块、排放点位训练数据收集模块、排放点位预测模型生成模块以及污染源定位模块；其中，各个模块之间电性连接；
地势模型构建模块，用于预先收集乡村地理数据，并基于乡村地理数据构建数字高程模型，并将数字高程模型发送至水流历史数据收集模块；
水流历史数据收集模块，用于基于数字高程模型，获得所有水质监测水体；基于水质监测水体，使用水流收集装置对水量进行测量，以收集历史降雨后的水流历史数据，并将水流历史数据发送至环境监测点设置模块；
环境监测点设置模块，用于基于水流历史数据，在水质监测水体边缘选择环境监测点进行水质监测，并将所有水质监测水体对应的环境监测点的位置发送至排放点位训练数据收集模块；
排放点位训练数据收集模块，用于预先对乡村中的污染源区域进行单位监测区域划分，并基于单位监测区域和环境监测点，收集排放点训练数据，并将排放点训练数据发送至排放点位预测模型生成模块；
排放点位预测模型生成模块，用于基于排放点训练数据训练出预测污水排放点位置的贝叶斯网络模型，并将贝叶斯网络模型发送至污染源定位模块；
污染源定位模块，用于实时接收每个环境监测点处的水体水质监测仪收集的水质数据，并基于水质数据和贝叶斯网络模型，输出对污染源的预测定位；
所述在水质监测水体边缘选择环境监测点进行水质监测的方式为：
将水质监测水体的编号标记为i，将第i个水质监测水体对应的水流收集装置的编号标记为iz；其中，iz=1,2,3...IZ；其中，IZ为第i个水质监测水体对应的水流收集装置的数量；
将收集的每次降雨的编号标记为r，将第r次降雨时，第iz个水流收集装置收集的水量标记为Lriz；
对于第r次降雨时，第i个水质监测水体的每个水流收集装置的水量进行归一化；
计算第iz个水流收集装置在r次降雨中的平均水量LAriz;
对于第i个水质监测水体，将其对应的所有水流收集装置按平均水量从大到小进行排序；
预设监测点比例；对于第i个水质监测水体，从排序后的水流收集装置中选择前个水流收集装置所在的位置作为环境监测点；
在每个环境监测点的位置安装一台水体水质监测仪。
2.根据权利要求1所述的一种基于大数据的智慧数字乡村环境监测系统，其特征在于，所述预先收集乡村地理数据的方式为：
使用遥感技术收集构建数字高程模型所需要的地理特征数据作为乡村地理数据；
所述地理特征数据包括乡村的高程数据；
所述基于乡村地理数据构建数字高程模型包括：
将离散的高程数据经过插值法转化为连续的表面模型；
通过插值后的表面模型，生成数字高程模型。
3.根据权利要求2所述的一种基于大数据的智慧数字乡村环境监测系统，其特征在于，所述获得所有水质监测水体包括：
收集乡村中的所有水体位置和范围；
收集乡村中具有排放污水可能性的污染源区域集合；
对于每片水体，若满足地势流向条件，则将该水体作为水质监测水体。
4.根据权利要求3所述的一种基于大数据的智慧数字乡村环境监测系统，其特征在于，所述使用水流收集装置对水量进行测量，以收集历史降雨后的水流历史数据包括：
在每片水质监测水体的邻接污染源区域的边缘线上，每隔预设的采集距离设置一个水流收集装置；
在每次降雨后预设的采集时长后，收集每个水流收集装置内的水量；
所述水流历史数据包括每次降雨后，收集的每片水质监测水体对应的所有水流收集装置内的水量。
5.根据权利要求4所述的一种基于大数据的智慧数字乡村环境监测系统，其特征在于，所述基于单位监测区域，收集排放点训练数据包括：
将每个污染源区域中的单位监测区域进行编号；
进行N1次水流排放实验；
在每次所述水流排放实验中，任意选择N2个污染源区域中的N3个单位监测区域作为测试污染源；其中，N1、N2以及N3分别为选择的水流排放实验次数、污染源区域数量以及单位监测区域的数量；
在每个选择的单位监测区域处排放大于排放量阈值的无污染水源，并在排放后统计所有环境监测点位置的水流收集装置所收集的水量；
所述排放点训练数据包括每次水流排放实验中，选择的测试污染源以及所有水流收集装置收集的水量。
6.根据权利要求5所述的一种基于大数据的智慧数字乡村环境监测系统，其特征在于，所述训练出预测污水排放点位置的贝叶斯网络模型的方式为：
构造贝叶斯网络结构；
将排放点训练数据转化为模型训练数据；
基于模型训练数据，训练贝叶斯网络模型。
7.根据权利要求6所述的一种基于大数据的智慧数字乡村环境监测系统，其特征在于，所述构造贝叶斯网络结构的方式为：
构造层数为3层的贝叶斯网络模型；
将第一层的节点数量设置为所有水质监测水体的数量；第一层中每个节点对应一片水质监测水体；
将第二层的节点数量设置为所有环境监测点的数量；第二层中的每个节点对应一个环境监测点；
将第三层节点数量设置为所有单位监测区域的数量；第三层中的每个节点对应一个单位监测区域；
对于第一层中每个节点，从第二层节点中获取所有第一指向节点；所述第一指向节点为该第二层节点对应的环境监测点属于第一层节点对应的水质监测水体，第一层中每个节点具有一条有向边指向任意一条所述第一指向节点；
对于第二层中每个节点，从第三层中获取所有第二指向节点，所述第二指向节点为：与第二层节点之间存在流向关系的第三层节点；第二层中每个节点具有一条有向边指向任意一条所述第二指向节点；所述存在流向关系是指第三层节点对应的污染源区域的地势高于第二层节点对应的环境监测点的地势。
8.根据权利要求7所述的一种基于大数据的智慧数字乡村环境监测系统，其特征在于，所述将排放点训练数据转化为模型训练数据的方式为：
对于排放点训练数据中的每次水流排放实验：
将所有水流收集装置收集的水量进行归一化操作后作为训练水量；
对于每个污染源区域，设置第一污染标签；若该污染源区域内存在任意一个水流收集装置的训练水量大于预设的污染比值阈值，则将该污染源区域对应的第一污染标签标记为1；否则，将该污染源区域对应的第一污染标签标记为0；将所有污染源区域的第一污染标签组合为第一层输入向量；
将所有环境监测点对应的水流收集装置的训练水量组合为第二层输入向量；
对于每个单位监测区域，设置第二污染标签；所述第二污染标签的取值范围为[0,1]；若该单位监测区域为测试污染源，则将该单位监测区域对应的第二污染标签设置为1；否则，将该单位监测区域对应的第二污染标签设置为0；将所有单位监测区域的第二污染标签组合为第三层预测向量；
所述模型训练数据包括所有第一层输入向量、第二层输入向量和第三层预测向量。
9.根据权利要求8所述的一种基于大数据的智慧数字乡村环境监测系统，其特征在于，所述基于模型训练数据，训练贝叶斯网络模型的方式为：
将每组第一层输入向量和第二层输入向量分别作为贝叶斯网络模型的第一层和第二层的输入，将对每个第三层节点的预测的第二污染标签作为贝叶斯网络模型的输出，以第三层预测向量作为贝叶斯网络模型的预测输出；以最小化贝叶斯网络模型的预测误差之和作为预测目标；对贝叶斯网络模型进行训练，直至预测误差之和达到收敛时停止训练。
10.根据权利要求9所述的一种基于大数据的智慧数字乡村环境监测系统，其特征在于，所述输出对污染源的预测定位包括：
步骤S11：对于任意一种污染物，若在所有水体水质监测仪中，存在任意一台水体水质监测仪收集的水质数据中该污染物的浓度超过预设的污染浓度阈值，则转至步骤12；
步骤S12：将所有水质数据中该污染物的浓度进行归一化后作为输入浓度；
步骤S13：基于污染比值阈值，收集每个污染源区域对应的第一污染标签，并将所有第一污染标签组成第一层输入向量；
步骤S14：将所有环境监测点对应的水质数据中，该污染物的输入浓度组成第二层输入向量；
步骤S15：将第一层输入向量和第二层输入向量输入至贝叶斯网络模型中，获得贝叶斯网络模型输出的第三层预测向量；
步骤S16：将第三层预测向量中的每个第二污染标签按从大到小的顺序进行排序。
11.一种基于大数据的智慧数字乡村环境监测方法，其基于权利要求1-10中任意一项所述的一种基于大数据的智慧数字乡村环境监测系统实现，其特征在于，包括以下步骤：
预先收集乡村地理数据，并基于乡村地理数据构建数字高程模型；
基于数字高程模型，获得所有水质监测水体；基于水质监测水体，使用水流收集装置对水量进行测量，以收集历史降雨后的水流历史数据；
基于水流历史数据，在水体边缘选择环境监测点进行水质监测；
预先对乡村中的污染源区域进行单位监测区域划分，并基于单位监测区域，收集排放点训练数据；
基于排放点训练数据训练出预测污水排放点位置的贝叶斯网络模型；
实时接收每个环境监测点处的水体水质监测仪收集的水质数据，并基于水质数据和贝叶斯网络模型，输出对污染源的预测定位；
所述在水质监测水体边缘选择环境监测点进行水质监测的方式为：
将水质监测水体的编号标记为i，将第i个水质监测水体对应的水流收集装置的编号标记为iz；其中，iz=1,2,3...IZ；其中，IZ为第i个水质监测水体对应的水流收集装置的数量；
将收集的每次降雨的编号标记为r，将第r次降雨时，第iz个水流收集装置收集的水量标记为Lriz；
对于第r次降雨时，第i个水质监测水体的每个水流收集装置的水量进行归一化；
计算第iz个水流收集装置在r次降雨中的平均水量LAriz;
对于第i个水质监测水体，将其对应的所有水流收集装置按平均水量从大到小进行排序；
预设监测点比例；对于第i个水质监测水体，从排序后的水流收集装置中选择前个水流收集装置所在的位置作为环境监测点；
在每个环境监测点的位置安装一台水体水质监测仪。
12.一种电子设备，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，在后台中执行权利要求11所述的一种基于大数据的智慧数字乡村环境监测方法。
13.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备在后台中执行权利要求11所述的一种基于大数据的智慧数字乡村环境监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311166118.7A CN117269443B (zh) | 2023-09-11 | 2023-09-11 | 一种基于大数据的智慧数字乡村环境监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311166118.7A CN117269443B (zh) | 2023-09-11 | 2023-09-11 | 一种基于大数据的智慧数字乡村环境监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117269443A CN117269443A (zh) | 2023-12-22 |
| CN117269443B true CN117269443B (zh) | 2024-05-03 |
Family
ID=89208657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311166118.7A Active CN117269443B (zh) | 2023-09-11 | 2023-09-11 | 一种基于大数据的智慧数字乡村环境监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117269443B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090107245A (ko) * | 2008-04-08 | 2009-10-13 | (주)텔레콤랜드 | 비점오염원 모니터링 시스템 및 그 방법 |
| CN103020424A (zh) * | 2012-11-22 | 2013-04-03 | 北京师范大学 | 一种基于人工降雨实验的北方平原农田区非点源污染负荷估算方法 |
| KR101659780B1 (ko) * | 2016-02-23 | 2016-09-27 | (주)이지스 | 3차원 지리 공간 시스템에서 2차원 도면 데이터를 지구 구면 공간에 표현하는 방법 |
| CN110751643A (zh) * | 2019-10-21 | 2020-02-04 | 睿视智觉（厦门）科技有限公司 | 一种水质异常检测方法、装置及设备 |
| CN112541611A (zh) * | 2020-10-28 | 2021-03-23 | 中国农业科学院农业资源与农业区划研究所 | 一种雨养农用地面源污染排放量预测方法及系统 |
| WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
| CN113434618A (zh) * | 2021-06-24 | 2021-09-24 | 北京市生态环境监测中心 | 一种判断污染源的方法及装置 |
| CN113899872A (zh) * | 2021-11-18 | 2022-01-07 | 中水三立数据技术股份有限公司 | 基于水质监测的污染源溯源系统 |
| CN114238530A (zh) * | 2021-11-30 | 2022-03-25 | 北京地拓科技发展有限公司 | 一种水环境污染源调查点的选取方法和装置 |
| CN114399204A (zh) * | 2022-01-17 | 2022-04-26 | 北京工业大学 | 一种城市内涝灾害风险评估方法 |
| WO2022126544A1 (zh) * | 2020-12-17 | 2022-06-23 | 西门子（中国）有限公司 | 确定污染源的方法、装置和计算机可读存储介质 |
| CN115545678A (zh) * | 2022-11-29 | 2022-12-30 | 浙江贵仁信息科技股份有限公司 | 一种基于水环境画像与污染物溯源的水质监测方法 |
| CN116644889A (zh) * | 2023-05-05 | 2023-08-25 | 四创科技有限公司 | 一种水质污染溯源方法及终端 |
-
2023
- 2023-09-11 CN CN202311166118.7A patent/CN117269443B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090107245A (ko) * | 2008-04-08 | 2009-10-13 | (주)텔레콤랜드 | 비점오염원 모니터링 시스템 및 그 방법 |
| CN103020424A (zh) * | 2012-11-22 | 2013-04-03 | 北京师范大学 | 一种基于人工降雨实验的北方平原农田区非点源污染负荷估算方法 |
| KR101659780B1 (ko) * | 2016-02-23 | 2016-09-27 | (주)이지스 | 3차원 지리 공간 시스템에서 2차원 도면 데이터를 지구 구면 공간에 표현하는 방법 |
| CN110751643A (zh) * | 2019-10-21 | 2020-02-04 | 睿视智觉（厦门）科技有限公司 | 一种水质异常检测方法、装置及设备 |
| WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
| CN112541611A (zh) * | 2020-10-28 | 2021-03-23 | 中国农业科学院农业资源与农业区划研究所 | 一种雨养农用地面源污染排放量预测方法及系统 |
| WO2022126544A1 (zh) * | 2020-12-17 | 2022-06-23 | 西门子（中国）有限公司 | 确定污染源的方法、装置和计算机可读存储介质 |
| CN116324833A (zh) * | 2020-12-17 | 2023-06-23 | 西门子（中国）有限公司 | 确定污染源的方法、装置和计算机可读存储介质 |
| CN113434618A (zh) * | 2021-06-24 | 2021-09-24 | 北京市生态环境监测中心 | 一种判断污染源的方法及装置 |
| CN113899872A (zh) * | 2021-11-18 | 2022-01-07 | 中水三立数据技术股份有限公司 | 基于水质监测的污染源溯源系统 |
| CN114238530A (zh) * | 2021-11-30 | 2022-03-25 | 北京地拓科技发展有限公司 | 一种水环境污染源调查点的选取方法和装置 |
| CN114399204A (zh) * | 2022-01-17 | 2022-04-26 | 北京工业大学 | 一种城市内涝灾害风险评估方法 |
| CN115545678A (zh) * | 2022-11-29 | 2022-12-30 | 浙江贵仁信息科技股份有限公司 | 一种基于水环境画像与污染物溯源的水质监测方法 |
| CN116644889A (zh) * | 2023-05-05 | 2023-08-25 | 四创科技有限公司 | 一种水质污染溯源方法及终端 |
Non-Patent Citations (1)
| Title |
|---|
| 曹明元 等.GIS空间数据处理与应用.机械工业出版社,2021,第195-204页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117269443A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shawul et al. | Spatiotemporal detection of land use/land cover change in the large basin using integrated approaches of remote sensing and GIS in the Upper Awash basin, Ethiopia | |
| Abdulkareem et al. | Review of studies on hydrological modelling in Malaysia | |
| Preston et al. | Application of spatially referenced regression modeling for the evaluation of total nitrogen loading in the Chesapeake Bay watershed | |
| CN110597873A (zh) | 降水数据估计方法、装置、设备及存储介质 | |
| Uddin et al. | A comparison of geocomputational models for validating geospatial distribution of water quality index | |
| Honti et al. | Can integrative catchment management mitigate future water quality issues caused by climate change and socio-economic development? | |
| Finch et al. | Application of predictive distribution modelling to invertebrates: Odonata in South Africa | |
| CN117269443B (zh) | 一种基于大数据的智慧数字乡村环境监测系统 | |
| CN114417724A (zh) | 一种山地城市土地利用演变的模拟方法 | |
| Su et al. | Improving land-based total nitrogen load allocation using a variable response matrix-based simulation–optimization approach: A case study | |
| Haberlandt | Stochastic rainfall synthesis using regionalized model parameters | |
| Zhou et al. | Establishment and validation of an amended phosphorus index: refined phosphorus loss assessment of an agriculture watershed in Northern China | |
| CN113516387B (zh) | 基于地理空间大数据的区域生态安全格局构建方法及系统 | |
| CN115496148A (zh) | 一种河流大尺度水文情势变化的评价方法及装置 | |
| KR102473442B1 (ko) | 호우 피해예측 방법 및 그 시스템 | |
| CN114897319A (zh) | 一种水资源环境承载力评价与预警指标体系构建方法 | |
| CN111369102A (zh) | 内涝风险点的提取方法及装置 | |
| Hedger et al. | Mapping natural and artificial migration hindrances for fish using LiDAR remote sensing | |
| CN116402918B (zh) | 一种岸滩海洋垃圾采样断面的构建方法及系统 | |
| Ward et al. | Jersey multi-species distribution, habitat suitability & connectivity modelling | |
| François et al. | Spatio-Temporal Design for a Water Quality Monitoring Network Maximizing the Economic Value of Information to optimize the detection of accidental pollution | |
| Abdaki et al. | Predicting rainfall in Nineveh Governorate in northern Iraq using machine learning time-series forecasting algorithm | |
| Chen et al. | Distributed-Framework Basin Modeling System: II. Hydrologic Modeling System. Water 2021, 13, 744 | |
| Zia et al. | Validation of a Low Complexity Machine Learning Discharge Predictive Model | |
| Saleh et al. | Intelligent decision support system based geo-information technology and spatial planning for sustainable water management in Flanders, Belgium |
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 |