CN117828315A - 一种海洋生态环境监测系统及方法 - Google Patents
一种海洋生态环境监测系统及方法 Download PDFInfo
- Publication number
- CN117828315A CN117828315A CN202410250954.1A CN202410250954A CN117828315A CN 117828315 A CN117828315 A CN 117828315A CN 202410250954 A CN202410250954 A CN 202410250954A CN 117828315 A CN117828315 A CN 117828315A
- Authority
- CN
- China
- Prior art keywords
- data
- marine
- marine environment
- environment data
- real
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000007619 statistical method Methods 0.000 claims description 10
- 238000003909 pattern recognition Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000009897 systematic effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 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
- 230000020477 pH reduction Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种海洋生态环境监测系统及方法。主要内容包括:首先,获取海洋环境数据,并对海洋环境数据进行实时处理,再对实时处理后的海洋环境数据进行数据校正处理,得到校正后的海洋环境数据;其次,构建预测模型对校正后的海洋环境数据进行预测和趋势分析,得到海洋环境数据的预测结果;最后,对海洋环境数据的预测结果与校正后的海洋环境数据进行融合分析,并根据分析结果判断海洋生态环境的状态,得到海洋生态环境的监测结果。解决了现有技术对海洋环境数据的处理和对海洋生态环境监测准确性较差的技术问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种海洋生态环境监测系统及方法。
背景技术
随着工业化和全球化的加速,海洋生态环境面临着前所未有的挑战。海洋作为地球上最大的生态系统,不仅对气候调节、生物多样性保护有着至关重要的作用,还是人类获取资源的重要场所。然而,过度捕捞、污染物排放、海洋酸化以及全球气候变化等因素正严重威胁着海洋的健康和稳定性。传统的海洋环境监测方法主要依靠船只和卫星遥感技术。这些方法虽然在一定程度上可以提供有用信息,但存在一些局限性。例如,船只调查成本高、周期长、覆盖范围有限,而卫星遥感则受限于云层遮挡和分辨率限制,难以提供海洋深层及细微区域的详细数据。
对于海洋生态环境监测的方法有很多,我国发明专利“一种海洋生态修复工程海洋环境监测装置及其监测方法”,申请号:“CN202110782822.X”,主要包括:当海水偏低的时候通过启动升降电机将固定盘上的插杆从土壤中抽出,然后启动第二双头电机带动第二转轴转动,通过第二转轴带动移动轮进而带动装置运动至海水水位低位可与漂浮板接触的位置处,再启动升降电机带动螺纹调节杆转动,通过螺纹调节杆带动外滑动筒运动,通过外滑动筒带动固定盘向下运动,使其插杆插入至土壤内进行固定,通过启动第一双头电机带动第一转轴转动,通过第一转轴带动U型侧固定架转动,通过U型侧固定架带动移动轮进行方位调节,以适用不同海底斜坡,在移动的时候通过V型支撑臂配合限位弹簧起到缓冲和避免装置倒下的作用。
但上述技术至少存在如下技术问题:对海洋环境数据的处理和对海洋生态环境监测准确性较差的技术问题。
发明内容
本发明通过提供一种海洋生态环境监测系统及方法,解决了现有技术对海洋环境数据的处理和对海洋生态环境监测准确性较差的技术问题,实现了对海洋环境数据准确处理以及海洋生态环境准确监测的技术效果。
本发明的一种海洋生态环境监测系统及方法,具体包括以下技术方案:
一种海洋生态环境监测系统,包括以下部分:
海洋生态环境参数获取模块,实时数据处理模块,数据校正模块,数据库,数据预测和趋势分析模块,监测分析模块;
所述海洋生态环境参数获取模块,用于通过传感器收集海洋环境数据,并将获取的海洋环境数据发送至实时数据处理模块;
所述实时数据处理模块,用于对海洋环境数据进行实时处理,再将实时处理后的海洋环境数据送至数据校正模块;
所述数据校正模块,用于对实时处理后的海洋环境数据进行校正处理,并将校正后的海洋环境数据送至监测分析模块与数据预测和趋势分析模块;
所述数据库,用于存放历史海洋环境数据;
所述数据预测和趋势分析模块,根据历史海洋环境数据构建预测模型,对校正后的海洋环境数据进行预测和趋势分析,得到海洋环境数据的预测结果;并将海洋环境数据的预测结果发送至监测分析模块;
所述监测分析模块,根据校正后的海洋环境数据与海洋环境数据的预测结果进行融合分析,得到分析结果,并根据分析结果判断海洋生态环境的状态,得到海洋生态环境的监测结果。
一种海洋生态环境监测方法,包括以下步骤:
S1. 获取海洋环境数据,并对海洋环境数据进行实时处理,再对实时处理后的海洋环境数据进行数据校正处理,得到校正后的海洋环境数据;
S2. 构建预测模型对校正后的海洋环境数据进行预测和趋势分析,得到海洋环境数据的预测结果,对海洋环境数据的预测结果与校正后的海洋环境数据进行融合分析,并根据分析结果判断海洋生态环境的状态,得到海洋生态环境的监测结果。
优选的,所述S1,具体包括:
对收集到的海洋环境数据进行数据清洗,对清洗后的海洋环境数据进行预处理,对预处理后的海洋环境数据进行初步分析;将初步分析结果和预处理后的海洋环境数据进行组合得到实时处理后的海洋环境数据,并对实时处理后的海洋环境数据进行格式化处理。
优选的,在所述S1中,还包括:
在实时处理的数据清洗过程中,引入动态阈值优化算法,动态调整数据清洗的阈值。
优选的,在所述S1中,还包括:
在对实时处理后的海洋环境数据进行数据校正处理时,引入动态环境适应校正算法。
优选的,所述S2,具体包括:
从数据库中获得历史海洋环境数据;对历史海洋环境数据进行预处理,并对预处理后的历史海洋环境数据进行特征提取,得到历史海洋环境特征数据;对历史海洋环境特征数据进行降维处理;基于降维处理后的历史海洋环境特征数据选择并训练海洋环境预测模型;使用训练好的海洋环境预测模型对校正后的海洋环境数据进行预测,生成海洋环境数据的预测结果。
优选的,在所述S2中,还包括:
在海洋环境预测模型的实现过程中,引入动态特征融合算法,根据特征间动态相关性调整权重并融合特征。
优选的,在所述S2中,还包括:
将校正后的海洋环境数据和海洋环境数据的预测结果进行融合,得到综合数据集;对综合数据集进行统计分析,识别数据参数;分析数据参数随时间的变化趋势,得到趋势分析结果;对趋势分析结果进行模式识别,得到模式识别结果;综合统计分析结果、趋势分析结果和模式识别结果,评估海洋生态环境的健康状况和潜在风险。
本发明的技术方案的有益效果是:
1、本发明通过动态阈值优化算法,结合数据的实时变化特性和统计特性(包括偏度和峰度),动态调整数据清洗阈值,有效识别和剔除异常值;同时动态阈值优化算法通过引入偏度和峰度作为动态因子,使得动态阈值优化算法能够更细致地根据数据的分布特性调整阈值,从而更精准地识别和剔除异常值;使动态阈值优化算法更加灵活并增强适应性,适用于处理具有复杂分布特性的海洋环境数据,确保数据清洗阶段的高效性和准确性,为海洋生态环境监测提供更可靠的数据基础;动态环境适应校正算法根据实时处理后的海洋环境数据,结合系统误差和环境干扰的实时信息,动态调整校正参数。这种方法能够适应不同的环境条件和设备变化,确保校正过程的准确性和适应性,提高了数据校正的灵活性和有效性。
2、本发明利用历史海洋环境数据构建的预测模型结合动态特征融合算法,能够更准确地预测未来海洋环境的变化趋势。动态特征融合算法通过考虑特征间的动态相关性和非线性关系,优化特征集,使预测模型更能反映数据的内在结构,从而提高预测结果的准确性和可靠性;将校正后的实时海洋环境数据与预测结果进行融合分析,能够综合利用当前的观测数据和未来的预测信息,提供对海洋生态环境状态的全面和深入理解,有助于揭示更复杂的环境变化模式和潜在的生态风险;利用统计分析、趋势分析和模式识别技术对综合数据集进行深入分析,可以有效识别关键的环境参数和变化趋势,为制定监测策略和采取行动提供科学依据。
附图说明
图1为本发明一个实施例所提供的海洋生态环境监测系统的模块图;
图2为本发明一个实施例所提供的海洋生态环境监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,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他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种海洋生态环境监测系统及方法的具体方案。
参照附图1,其示出了本发明一个实施例所提供的海洋生态环境监测系统的模块图,该系统包括以下部分:
海洋生态环境参数获取模块,实时数据处理模块,数据校正模块,数据库,数据预测和趋势分析模块,监测分析模块;
海洋生态环境参数获取模块,通过传感器收集海洋环境数据;海洋环境数据包括水温、盐度、流速、生物分布;并将获取的海洋环境数据发送至实时数据处理模块;
实时数据处理模块,用于对海洋环境数据进行实时处理,得到实时处理后的海洋环境数据,再将实时处理后的海洋环境数据送至数据校正模块进行数据校正处理;
数据校正模块,用于对实时处理后的海洋环境数据进行校正处理,得到校正后的海洋环境数据,并将校正后的海洋环境数据送至监测分析模块和数据预测和趋势分析模块;
数据库,用于存放历史海洋环境数据,为海洋生态环境监测提供历史数据;
数据预测和趋势分析模块,根据历史海洋环境数据构建预测模型对校正后的海洋环境数据进行预测和趋势分析,得到海洋环境数据的预测结果,并将预测结果发送至监测分析模块;
监测分析模块,根据校正后的海洋环境数据与数据预测和趋势分析模块的预测结果进行融合分析,得到分析结果,并根据分析结果判断海洋生态环境的状态,得到海洋生态环境的监测结果,实现对海洋生态环境的监测。
参照附图2,其示出了本发明一个实施例所提供的海洋生态环境监测方法的流程图,该方法包括以下步骤:
S1. 获取海洋环境数据,并对海洋环境数据进行实时处理,再对实时处理后的海洋环境数据进行数据校正处理,得到校正后的海洋环境数据;
根据监测需求选择合适的传感器类型;传感器如温度传感器、盐度传感器、流速计和生物分布探测器;配置传感器的参数,确保选用的传感器能够覆盖所有必要的海洋环境参数;并将选择的传感器在关键位置进行布置,包括固定在海床、安装在浮标上或是附着在移动平台(如船只、无人机)上;实现对选定海域的全面覆盖,确保能够收集到具有代表性和全面的海洋环境数据;启动传感器对海洋环境数据进行收集,获得海洋环境数据;
对收集到的海洋环境数据进行实时处理,得到实时处理后的海洋环境数据,具体实现过程如下:
首先对收集到的海洋环境数据进行数据清洗,得到清洗后的海洋环境数据;数据清洗如去除明显的错误数据、重复的记录和无效的数据点,例如对温度和盐度等数据的合理范围进行验证后,将错误的温度和盐度数据进行删除;对清洗后的海洋环境数据进行预处理,得到预处理后的海洋环境数据;预处理包括数据标准化和归一化,以保证海洋环境数据在后续处理中的一致性和可比性;对预处理后的海洋环境数据进行初步分析,得到初步分析结果;初步分析包括基本的统计分析(如计算平均值、方差等)、识别显著的趋势和模式以及初步的异常检测;初步分析结果有助于理解海洋环境数据的基本特征和潜在问题,为数据校正模块提供了初步的分析洞察和数据特征摘要;并将初步分析结果和预处理后的海洋环境数据进行组合得到实时处理后的海洋环境数据,最后对实时处理后的海洋环境数据进行格式化处理,确保与后续处理要求格式相匹配;
在实时处理过程的数据清洗中,为了能对动态变化的海洋环境数据自适应地调整数据有效性判断的阈值,引入动态阈值优化算法,通过海洋环境数据的实时变化和统计特性,动态调整数据清洗的阈值,有效识别和剔除异常值;动态阈值优化算法能够适应海洋环境数据的自然波动和潜在的极端变化,从而更准确地捕获和反映海洋环境的真实状态;具体实现过程如下:
首先,对收集到的海洋环境数据进行标准化处理,以消除不同量纲和量级带来的影响;得到标准化处理后的海洋环境数据;
进一步,计算动态阈值;根据海洋环境数据的实时变化特性计算动态阈值,动态阈值会根据海洋环境数据的实时统计特性进行自适应调整;引入一个基于数据分布特性的动态因子,并增加数据的偏度和峰度来调整阈值,能提供数据分布形状的额外信息,有助于更准确地设置异常值的判断阈值;具体动态阈值计算如下:
,
其中,是海洋环境数据的均值;/>是一个关于标准差/>、偏度/>和峰度/>的复合函数,用于动态调整阈值的严格程度;所述复合函数可以表示为:
,
其中,, />, />是调节系数,用于平衡标准差、偏度和峰度对阈值调整的影响;
进一步,进行数据筛选;使用计算出的动态阈值对标准化后的海洋环境数据进行筛选,剔除由于测量错误或极端环境条件产生的异常值;即:
,
只有当的值小于动态阈值/>时,相应的数据点才会被保留;构成筛选后的数据/>;
对实时处理后的海洋环境数据进行数据校正处理,得到校正后的海洋环境数据;具体实现过程如下:
首先利用统计分析方法对实时处理后的海洋环境数据进行初步评估,得到海洋环境数据的异常值和趋势信息;利用已知的传感器校准参数来识别系统误差;应用时间序列分析技术分析环境日志或辅助传感器数据(如温度、湿度记录)与主要数据之间的相关性,以识别环境因素的影响;上述的统计分析方法和时间序列分析技术均为本领域技术人员所熟知的技术手段;基于系统误差和环境因素的影响引入动态环境适应校正算法进行数据校正;
根据系统误差和环境干扰/>,动态调整校正参数,以适应不同的环境条件和设备变化;使用参数调整函数结合系统误差/>和环境干扰/>得到校正参数/>:
,
其中,是参数调整函数;/>是调整强度的参数;/>表示系统误差矩阵/>的范数,用以量化系统误差的总体大小;/>是调整灵敏度的参数;/>表示环境干扰/>随时间/>的变化率;
进一步将校正参数应用到实时处理后的海洋环境数据/>上,具体有:
,
其中,是实时处理后的海洋环境数据;/>是应用校正参数后的最终校正数据。
S2. 构建预测模型对校正后的海洋环境数据进行预测和趋势分析,得到海洋环境数据的预测结果,对海洋环境数据的预测结果与校正后的海洋环境数据进行融合分析,并根据分析结果判断海洋生态环境的状态,得到海洋生态环境的监测结果。
根据历史海洋环境数据构建预测模型对校正后的海洋环境数据进行预测和趋势分析,得到海洋环境数据的预测结果;具体实现过程如下:
首先从数据库中得到适用于趋势分析和预测的历史海洋环境数据;历史海洋环境数据包括水温、盐度、流速、生物分布;对历史海洋环境数据进行预处理,预处理包括缺失值处理、异常值检测和修正、数据归一化等;并对预处理后的历史海洋环境数据利用特征工程提取特征,得到历史海洋环境特征数据,并利用主成分分析法对历史海洋环境特征数据进行降维处理,得到主要特征集,并将主要特征集作为预测模型的训练集;根据主要特征集选择海洋环境预测模型,如深度学习模型;并通过主要特征集对海洋环境预测模型进行训练;利用交叉验证技术评估预测模型的性能,包括准确性、稳定性和泛化能力;最终获得一个经过验证的、性能良好的海洋环境预测模型;使用训练好的海洋环境预测模型对校正后的海洋环境数据进行预测,预测未来一定时间范围内的环境变化趋势,生成海洋环境数据的预测结果;
为了发现不同特征间关联性动态变化的问题,引入动态特征融合算法,根据特征间动态相关性调整权重并融合特征,优化了特征集,使其更能反映数据的内在结构;
首先,引入相关因子,评估每个特征与目标变量之间的线性相关性,以及特征之间的相互关系;相关因子计算公式如下:
,
其中,和/>分别是特征/>和/>的第/>个观测值;/>和/>分别是特征/>和/>的平均值;/>是第/>个观测值的权重,根据数据的重要性进行分配;/>是一个基于特征/>和之间的非线性关系的函数;/>和/>是针对特征/>和/>的非线性项;/>、/>、/>是调节非线性项影响程度的系数,根据实际数据特性进行调整;
根据上述计算公式计算历史海洋环境特征数据中的每个特征与目标变量/>的相关因子/>;进一步计算动态权重/>:
,
其中,是特征的总数;
最后,进行特征融合;结合动态权重,通过加权平均方法融合特征,生成新的、更具代表性的特征集;对每个数据点,将其所有特征与相应的动态权重/>相乘,再求和,得到融合后的新特征值/>:
,
将海洋环境数据的预测结果与校正后的海洋环境数据进行融合分析,得到分析结果,并根据分析结果判断海洋生态环境的状态,得到海洋生态环境的监测结果,实现对海洋生态环境的监测;具体实现过程如下:
首先将校正后的海洋环境数据和海洋环境数据的预测结果使用数据融合技术进行融合,得到综合数据集;数据融合技术如加权平均、模型集成等;确保不同数据源的信息得到有效整合;综合数据集包含当前校正后的海洋环境数据和海洋环境数据的预测信息;利用统计分析方法对综合数据集进行统计分析,识别关键数据参数,理解关键数据参数的分布特征和相互之间的关联性,得到统计分析的结果;统计分析结果为识别潜在模式和关系提供了初步线索,为深入探索奠定基础;使用时间序列分析、移动平均、指数平滑等方法分析各个关键数据参数随时间的变化趋势,得到趋势分析结果;最后利用现有的数据挖掘和模式识别技术对趋势分析结果进行模式识别,深入了解数据背后的现象,为制定监测策略和采取行动提供依据;得到模式识别结果;综合上述处理得到分析结果,对分析结果进行解释和评估,将技术分析转化为可理解的信息,评估海洋生态环境的健康状况和潜在风险;实现对海洋生态环境的监测。
综上所述,便完成了一种海洋生态环境监测系统及方法。
发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
上述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种海洋生态环境监测系统,其特征在于,包括以下部分:
海洋生态环境参数获取模块,实时数据处理模块,数据校正模块,数据库,数据预测和趋势分析模块,监测分析模块;
所述海洋生态环境参数获取模块,用于通过传感器收集海洋环境数据,并将获取的海洋环境数据发送至实时数据处理模块;
所述实时数据处理模块,用于对海洋环境数据进行实时处理,再将实时处理后的海洋环境数据送至数据校正模块;
所述数据校正模块,用于对实时处理后的海洋环境数据进行校正处理,并将校正后的海洋环境数据送至监测分析模块与数据预测和趋势分析模块;
所述数据库,用于存放历史海洋环境数据;
所述数据预测和趋势分析模块,根据历史海洋环境数据构建预测模型,对校正后的海洋环境数据进行预测和趋势分析,得到海洋环境数据的预测结果;并将海洋环境数据的预测结果发送至监测分析模块;
所述监测分析模块,根据校正后的海洋环境数据与海洋环境数据的预测结果进行融合分析,得到分析结果,并根据分析结果判断海洋生态环境的状态,得到海洋生态环境的监测结果。
2.一种海洋生态环境监测方法,其特征在于,包括以下步骤:
S1. 获取海洋环境数据,并对海洋环境数据进行实时处理,再对实时处理后的海洋环境数据进行数据校正处理,得到校正后的海洋环境数据;
S2. 构建预测模型对校正后的海洋环境数据进行预测和趋势分析,得到海洋环境数据的预测结果,对海洋环境数据的预测结果与校正后的海洋环境数据进行融合分析,并根据分析结果判断海洋生态环境的状态,得到海洋生态环境的监测结果。
3.根据权利要求2所述的海洋生态环境监测方法,其特征在于,所述S1,具体包括:
对收集到的海洋环境数据进行数据清洗,对清洗后的海洋环境数据进行预处理,对预处理后的海洋环境数据进行初步分析;将初步分析结果和预处理后的海洋环境数据进行组合得到实时处理后的海洋环境数据,并对实时处理后的海洋环境数据进行格式化处理。
4.根据权利要求3所述的海洋生态环境监测方法,其特征在于,在所述S1中,还包括:
在实时处理的数据清洗过程中,引入动态阈值优化算法,动态调整数据清洗的阈值。
5.根据权利要求2所述的海洋生态环境监测方法,其特征在于,在所述S1中,还包括:
在对实时处理后的海洋环境数据进行数据校正处理时,引入动态环境适应校正算法。
6.根据权利要求2所述的海洋生态环境监测方法,其特征在于,所述S2,具体包括:
从数据库中获得历史海洋环境数据;对历史海洋环境数据进行预处理,并对预处理后的历史海洋环境数据进行特征提取,得到历史海洋环境特征数据;对历史海洋环境特征数据进行降维处理;基于降维处理后的历史海洋环境特征数据选择并训练海洋环境预测模型;使用训练好的海洋环境预测模型对校正后的海洋环境数据进行预测,生成海洋环境数据的预测结果。
7.根据权利要求6所述的海洋生态环境监测方法,其特征在于,在所述S2中,还包括:
在海洋环境预测模型的实现过程中,引入动态特征融合算法,根据特征间动态相关性调整权重并融合特征。
8.根据权利要求2所述的海洋生态环境监测方法,其特征在于,在所述S2中,还包括:
将校正后的海洋环境数据和海洋环境数据的预测结果进行融合,得到综合数据集;对综合数据集进行统计分析,识别数据参数;分析数据参数随时间的变化趋势,得到趋势分析结果;对趋势分析结果进行模式识别,得到模式识别结果;综合统计分析结果、趋势分析结果和模式识别结果,评估海洋生态环境的健康状况和潜在风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410250954.1A CN117828315B (zh) | 2024-03-06 | 一种海洋生态环境监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410250954.1A CN117828315B (zh) | 2024-03-06 | 一种海洋生态环境监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117828315A true CN117828315A (zh) | 2024-04-05 |
CN117828315B CN117828315B (zh) | 2024-06-21 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993624A (zh) * | 2024-04-07 | 2024-05-07 | 广东工业大学 | 一种流域水生态环境承载力评估系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2443001C1 (ru) * | 2010-08-05 | 2012-02-20 | Сергей Петрович Алексеев | Способ сбора информации об экологическом состоянии региона и автоматизированная система аварийного и экологического мониторинга окружающей среды региона |
US20180213375A1 (en) * | 2017-01-25 | 2018-07-26 | The George Washington University | System and method for asset-agnostic wireless monitoring and predictive maintenance of deployed assets |
US20220044545A1 (en) * | 2020-08-10 | 2022-02-10 | Ocean University Of China | Air-sea buoy monitoring system towards mid-latitude ocean |
KR20220071838A (ko) * | 2020-11-24 | 2022-05-31 | 한국해양과학기술원 | 실시간 해양 예측 시스템 (koos-opem) 및 이를 이용한 해양 예측 방법 |
CN114659503A (zh) * | 2022-03-17 | 2022-06-24 | 广东蓝鲲海洋科技有限公司 | 一种基于人工智能的海洋生态环境监控方法 |
CN115248075A (zh) * | 2022-06-06 | 2022-10-28 | 中国船舶集团有限公司系统工程研究院 | 一种多源声学大数据融合的水声探测效能评估系统 |
WO2022262500A1 (zh) * | 2021-06-15 | 2022-12-22 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
CN116625327A (zh) * | 2023-07-24 | 2023-08-22 | 海南智慧海事科技有限公司 | 一种大数据驱动的海洋环境监测与预警方法 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2443001C1 (ru) * | 2010-08-05 | 2012-02-20 | Сергей Петрович Алексеев | Способ сбора информации об экологическом состоянии региона и автоматизированная система аварийного и экологического мониторинга окружающей среды региона |
US20180213375A1 (en) * | 2017-01-25 | 2018-07-26 | The George Washington University | System and method for asset-agnostic wireless monitoring and predictive maintenance of deployed assets |
US20220044545A1 (en) * | 2020-08-10 | 2022-02-10 | Ocean University Of China | Air-sea buoy monitoring system towards mid-latitude ocean |
KR20220071838A (ko) * | 2020-11-24 | 2022-05-31 | 한국해양과학기술원 | 실시간 해양 예측 시스템 (koos-opem) 및 이를 이용한 해양 예측 방법 |
WO2022262500A1 (zh) * | 2021-06-15 | 2022-12-22 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
CN114659503A (zh) * | 2022-03-17 | 2022-06-24 | 广东蓝鲲海洋科技有限公司 | 一种基于人工智能的海洋生态环境监控方法 |
CN115248075A (zh) * | 2022-06-06 | 2022-10-28 | 中国船舶集团有限公司系统工程研究院 | 一种多源声学大数据融合的水声探测效能评估系统 |
CN116625327A (zh) * | 2023-07-24 | 2023-08-22 | 海南智慧海事科技有限公司 | 一种大数据驱动的海洋环境监测与预警方法 |
Non-Patent Citations (5)
Title |
---|
刘书明;李潇;张健;曲艳敏;黄海燕;: "天津市海洋环境风险综合评价研究", 环境污染与防治, no. 11, 15 November 2018 (2018-11-15) * |
姜来想;: "高分遥感图像海岸带变化监测技术研究", 四川水泥, no. 05, 15 May 2020 (2020-05-15) * |
康士秀, 沈显生, 黄宇营, 巨新, 吴自勤: "青岛海藻重元素富集特性的SR-XRF分析及对海洋环境监测的应用", 光谱学与光谱分析, no. 01, 25 February 2003 (2003-02-25) * |
徐波, 翁焕新, 董成松: "基于GIS的海洋环境信息数据库在海洋环境信息可视化分析中的应用", 浙江大学学报(理学版), no. 04, 25 August 2004 (2004-08-25) * |
祝翔宇;冯辉强;: "海洋环境立体监测技术", 中国环境管理, no. 03, 25 June 2012 (2012-06-25) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993624A (zh) * | 2024-04-07 | 2024-05-07 | 广东工业大学 | 一种流域水生态环境承载力评估系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020262969B2 (en) | Detection of structural anomalies in a pipeline network | |
Wang et al. | Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM | |
CN110222714B (zh) | 一种基于arma与bp神经网络的太阳总辐照资源预测方法 | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
CN116502478B (zh) | 一种基于海底地形监测的自提升平台下桩辅助决策方法 | |
CN116702093A (zh) | 一种基于大数据数据融合的海上目标定位方法 | |
CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
CN116451481A (zh) | 基于GEE云平台和Sentinel-2影像的水质多参数快速反演方法 | |
CN115561176A (zh) | 一种基于特征自适应运算和机器学习融合的水质反演方法 | |
CN113935249A (zh) | 基于压缩和激励网络的上层海洋热结构反演方法 | |
CN114781576A (zh) | 一种基于随机森林算法的声速剖面估计方法及装置 | |
CN117113854B (zh) | 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 | |
CN117828315B (zh) | 一种海洋生态环境监测系统及方法 | |
CN116596326B (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN116861750B (zh) | 一种深海网箱远程健康诊断系统 | |
CN117192510A (zh) | 一种双偏振雷达雨滴谱参数反演方法 | |
CN117828315A (zh) | 一种海洋生态环境监测系统及方法 | |
CN116771601A (zh) | 基于温度感知的风电机组优化控制方法及系统 | |
CN114943189B (zh) | 一种基于XGboost的声速剖面反演方法及系统 | |
CN116541681A (zh) | 一种基于协同克里金插值的复合灾害空间变异性识别方法 | |
CN111830451B (zh) | 一种非成像传感器的检验方法 | |
CN117313959A (zh) | 一种基于大数据的林业碳汇监测方法及系统 | |
CN117214398B (zh) | 一种深层地下水体污染物检测方法及系统 | |
CN117235607B (zh) | 一种土壤墒情实时监测系统及监测方法 |
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 |