CN117893384B - 一种水生态系统健康评估与预测系统及方法 - Google Patents
一种水生态系统健康评估与预测系统及方法 Download PDFInfo
- Publication number
- CN117893384B CN117893384B CN202410294763.5A CN202410294763A CN117893384B CN 117893384 B CN117893384 B CN 117893384B CN 202410294763 A CN202410294763 A CN 202410294763A CN 117893384 B CN117893384 B CN 117893384B
- Authority
- CN
- China
- Prior art keywords
- data
- ecological system
- water
- prediction model
- health
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 167
- 230000036541 health Effects 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000007613 environmental effect Effects 0.000 claims abstract description 100
- 238000012545 processing Methods 0.000 claims abstract description 88
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000009795 derivation Methods 0.000 claims abstract description 13
- 238000011002 quantification Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 19
- 241000282414 Homo sapiens Species 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 14
- 230000001932 seasonal effect Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 2
- 230000036962 time dependent Effects 0.000 claims description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011985 exploratory data analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种水生态系统健康评估与预测系统及方法。内容包括:首先,获取水生态系统的环境参数数据,对环境参数数据进行一级数据处理和二级数据处理,并对经过二级数据处理后的环境参数数据进行特征提取以及特征衍生,得到综合特征集;然后,根据水生态系统的历史环境参数数据构建并验证水生态系统健康预测模型,并对水生态系统健康预测模型进行动态优化,将综合特征集带入优化后的水生态系统健康预测模型,并根据优化后的水生态系统健康预测模型的输出进行水生态系统健康评估量化处理。解决了现有技术对水生态系统健康评估和预测不准确以及环境参数变化适应性差的技术问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种水生态系统健康评估与预测系统及方法。
背景技术
随着工业化和城市化进程的加速,水资源污染和生态破坏问题日益严重,影响到人类的生存和发展。水生态系统作为地球上最重要的生态系统之一,其健康状态直接关系到生物多样性、水资源的可持续利用和人类的福祉。因此,准确评估和预测水生态系统的健康状况,对于制定有效的水资源管理策略和生态修复措施至关重要。目前,水生态系统健康评估主要依靠物理、化学和生物指标的监测,如水质参数(如溶解氧、氨氮、硝态氮等)、生物指标(如浮游生物、底栖生物多样性等)和生态系统结构与功能指标。然而,这些传统方法往往需要大量的现场采样和实验室分析,不仅成本高昂,而且耗时长,难以实现对水生态系统健康状态的实时或近实时监测和评估。
对于水生态系统评估的方法有很多,我国发明专利“基于多模型的水生态系统健康评价与预测系统”,申请号:“CN202310481189.X”,主要包括:采集模块、评价模块、预警模块、多个水生态环境模型模块、多个场景配置模块、多个计算模块、多个存储模块,采集模块采集水环境数据,评价模块评价水生态环境健康状况,并向预警模块发送预警信号预警提示;水生态环境模型模块用于存储不同的水生态环境模型,场景配置模块用于存储不同的场景模拟模型,计算模块用于调取水生态环境模型和场景模拟模型,进行叠加耦合的分布式计算,得到水生态环境质量的预测信息并进行存储,评价模块用于获取预测信息并进行水生态环境健康状况评价。该发明能够实现多维度和多参数模拟,提前预测到水生态环境的质量情况。
但上述技术至少存在如下技术问题:对水生态系统健康评估和预测不准确以及环境参数变化适应性差的技术问题。
发明内容
本发明提供一种水生态系统健康评估与预测系统及方法,解决了现有技术对水生态系统健康评估和预测不准确以及环境参数变化适应性差的技术问题,实现了对水生态系统健康准确评估和预测以及环境参数变化高适应性的技术效果。
本发明提供了一种水生态系统健康评估与预测系统及方法,具体包括以下技术方案:
一种水生态系统健康评估与预测系统,包括以下部分:
实时数据获取模块,智能数据处理模块,特征工程模块,数据库,智能预测模块,动态优化模块,预测评估模块;
所述实时数据获取模块,用于采集水生态系统的环境参数数据;并将水生态系统的环境参数数据传送至智能数据处理模块;
所述智能数据处理模块,对水生态系统的环境参数数据进行一级数据处理,所述一级数据处理包含数据清洗、降噪的预处理过程;再对一级数据处理后的环境参数数据进行二级数据处理,所述二级数据处理包含数据校正、数据增强的智能数据处理;将二级数据处理后的环境参数数据发送至特征工程模块;
所述特征工程模块,对经过二级数据处理后的环境参数数据进行特征提取以及特征衍生,得到综合特征集;并将综合特征集发送至预测评估模块;
所述数据库,用来存放水生态系统的历史环境参数数据;
所述智能预测模块,根据水生态系统的历史环境参数数据构建并验证水生态系统健康预测模型,并将水生态系统健康预测模型传送至动态优化模块;
所述动态优化模块,对水生态系统健康预测模型进行动态优化,并将优化后的水生态系统健康预测模型发送至预测评估模块;
所述预测评估模块,将综合特征集带入优化后的水生态系统健康预测模型,并根据优化后的水生态系统健康预测模型的输出进行水生态系统健康评估量化处理。
基于上述的评估与预测系统的水生态系统健康评估与预测方法,包括以下步骤:
S1. 获取水生态系统的环境参数数据,对环境参数数据进行一级数据处理和二级数据处理,并对经过二级数据处理后的环境参数数据进行特征提取以及特征衍生,得到综合特征集;
S2. 根据水生态系统的历史环境参数数据构建并验证水生态系统健康预测模型,并对水生态系统健康预测模型进行动态优化,将综合特征集带入优化后的水生态系统健康预测模型,并根据优化后的水生态系统健康预测模型的输出进行水生态系统健康评估量化处理。
优选的,所述S1,具体包括:
在一级数据处理过程中,引入数据空缺补全算法填补环境参数数据中的缺失数据。
优选的,在所述S1,还包括:
所述数据空缺补全算法具体实现过程如下:
第一步,缺失值检测;
第二步,相似性分析;
第三步,相似数据点选择;
第四步,缺失值估算。
优选的,在所述S1,还包括:
在对经过二级数据处理后的环境参数数据进行特征提取及特征衍生的过程中,首先对二级数据处理后的环境参数数据进行数据分析;再使用逐步回归法提取特征,得到特征集;进一步,结合不同的环境参数,构造新的特征;将特征集和新构造的特征合并,得到组合特征集,并对组合特征集进行数学变换;最后对组合特征集进行特征缩放处理,得到综合特征集。
优选的,在所述S1,还包括:
在对组合特征集进行特征缩放处理的过程中,基于环境参数的非线性和动态变化特性,引入动态特征优化算法。
优选的,所述S2,具体包括:
对水生态系统的历史环境参数数据进行一级数据处理、二级数据处理以及特征提取和特征衍生,得到历史综合特征集,基于历史综合特征集和历史环境参数数据构建水生态系统健康预测模型。
优选的,在所述S2,还包括:
对水生态系统健康预测模型进行交叉验证,并对验证后的水生态系统健康预测模型进行动态优化,得到优化后的水生态系统健康预测模型。
优选的,在所述S2,还包括:
在实现动态优化的过程中,引入动态变化因素;所述动态变化因素用于捕捉时间相关的变化,包括季节性变化、气候变化的长期趋势和人类活动的变化。
本发明的技术方案的有益效果是:
1、本发明通过一级数据处理和二级数据处理,包括数据清洗、降噪、校正处理和数据增强,显著提高了环境参数数据的质量和可靠性,为后续的特征提取和预测模型训练提供了高质量的输入数据;引入的数据空缺补全算法通过相似性分析和缺失值估算,有效地填补了数据中的缺失值,保持了数据的连续性和完整性,确保了后续分析和预测模型构建的准确性;通过对二级数据处理后的数据进行探索性数据分析、特征精选、新特征构造以及特征组合,揭示了环境参数之间的内在联系和模式,为水生态系统健康预测模型提供了丰富和有意义的特征集;引入的动态特征优化算法考虑了数据的时间序列特性和动态变化规律,通过适应性缩放反映了生态系统参数随时间变化的动态特性,增强了预测模型对时间变化的适应性和预测准确性。
2、本发明通过对历史环境参数数据的智能处理和特征提取,结合环境影响因子、生物多样性指标、人为干预指标、气候变化参数等多维度信息,构建的水生态系统健康预测模型能够准确反映水生态系统健康状态,提高预测的准确性;引入的动态变化因素使得水生态系统健康预测模型能够适应季节性变化、气候变化趋势和人类活动强度等时间相关的变化,确保预测模型在不同时间条件下都能提供准确的预测,增强了预测模型的适用性和灵活性;对水生态系统健康状态进行实时监测和评估,通过对动态优化后的水生态系统健康预测模型输出进行标准化处理和量化评级,可以即时获得水生态系统的健康状况,为及时的环境管理和决策提供支持。
附图说明
图1为本发明一个实施例所提供的水生态系统健康评估与预测系统的模块图;
图2为本发明一个实施例所提供的水生态系统健康评估与预测方法的流程图。
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水生态系统健康评估与预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水生态系统健康评估与预测系统的模块图,该系统包括以下部分:
实时数据获取模块,智能数据处理模块,特征工程模块,数据库,智能预测模块,动态优化模块,预测评估模块;
实时数据获取模块,用于采集水生态系统的环境参数数据;环境参数包括物理、化学和生物参数,如水温、pH值、溶解氧含量、浑浊度、有机物含量、浮游生物种类及数量;并将收集到的水生态系统的环境参数数据传送至智能数据处理模块;
智能数据处理模块,对收集到的水生态系统的环境参数数据进行一级数据处理,得到一级数据处理后的环境参数数据;一级数据处理包含如数据清洗、降噪的预处理过程;再对一级数据处理后的环境参数数据进行二级数据处理,得到二级数据处理后的环境参数数据;二级数据处理包含如数据校正、数据增强的智能数据处理;并将二级数据处理后的环境参数数据发送至特征工程模块;
特征工程模块,对经过二级数据处理后的环境参数数据进行特征提取以及特征衍生,得到综合特征集,为优化后的水生态系统健康预测模型提供准确数据;并将综合特征集发送至预测评估模块;
数据库,用来存放水生态系统的历史环境参数数据;
智能预测模块,根据水生态系统的历史环境参数数据进行预测模型的构建以及验证,得到水生态系统健康预测模型,并将水生态系统健康预测模型传送至动态优化模块;
动态优化模块,对水生态系统健康预测模型进行动态优化,得到优化后的水生态系统健康预测模型,并将优化后的水生态系统健康预测模型发送至预测评估模块;
预测评估模块,将综合特征集带入优化后的水生态系统健康预测模型,并根据预测结果进行水生态系统健康评估量化处理,实现对水生态系统健康评估和预测。
参照附图2,其示出了本发明一个实施例所提供的水生态系统健康评估与预测方法的流程图,该方法包括以下步骤:
S1.获取水生态系统的环境参数数据,对环境参数数据进行一级数据处理和二级数据处理,并对经过二级数据处理后的环境参数数据进行特征提取以及特征衍生,得到综合特征集;
选择适用于监测所需环境参数的传感器,例如温度传感器、pH传感器、溶解氧传感器、浊度传感器、有机物含量传感器以及专门用于识别和计数浮游生物种类的生物传感器;在关键位置和不同深度布置传感器,以捕捉水体的垂直和水平异质性;对水生态系统的环境参数数据进行实时采集,得到水生态系统的环境参数数据;
进一步,对环境参数数据进行包括一级数据处理和二级数据处理的智能数据处理,得到智能数据处理后的环境参数数据,即二级数据处理后的环境参数数据;
对环境参数数据进行一级数据处理,得到一级数据处理后的环境参数数据,具体实现过程如下:
首先对采集到的环境参数据应用数据清洗算法检测并补充缺失关键字段(如时间戳、关键参数值)的数据,以及剔除格式不正确或无法解析的记录,得到清洗后的环境参数数据,为降噪处理提供了干净的环境参数数据;使用降噪算法来减少环境参数数据中的噪声,得到降噪后的环境参数数据,为二级数据处理提供了可靠的输入;数据清洗算法和降噪算法均为现有技术,在此不做赘述。
为了有效填补环境参数数据中的缺失数据,引入数据空缺补全算法,通过利用数据点之间的相似性来估算缺失值,确保了估算值与数据的实际情况相符,保持了数据的连续性和完整性;具体实现过程如下:
第一步,缺失值检测;遍历环境参数数据,识别出缺失值的位置;
第二步,相似性分析;对于每个缺失值,找到具有相似环境条件的数据点集合,相似性通过计算数据点之间的欧氏距离来评估,距离较小的数据点被认为是相似的;
第三步,相似数据点选择;根据计算的欧氏距离,选择距离最小的个数据点作为最相似的数据点集合;
第四步,缺失值估算;使用最相似的数据点集合中的数据点值的加权平均和相关特征的线性组合来估算缺失值;
对缺失值进行加权平均处理;对于每个相似数据点,计算相似数据点与缺失数据点的相似度权重;相似度权重基于数据点之间的欧氏距离,权重越大表示相似度越高;
,
其中,是一个很小的正数,防止分母为零;
加权平均后的相似数据点为:
,
再进行特征线性组合,通过分析相似数据点集中非缺失数据的特征间相关性,进行特征线性组合:假设有个相关特征,则线性组合后的相似数据点为:
,
其中,是通过回归分析得到的系数,;是相似数据点的第个相关特征的值;
最后最终缺失值估算:结合加权平均和特征线性组合的结果:
,
其中,是融合因子,根据实际数据特性进行调整;
对一级数据处理后的环境参数数据进行二级数据处理,得到二级数据处理后的环境参数数据,具体实现过程如下:
利用现有的统计分析方法和机器学习算法对一级数据处理后的环境参数数据进行校正处理,得到校正后的环境参数数据;对校正后的环境参数数据使用现有的数据变换、数据扩增技术进行数据增强处理,得到增强处理后的环境参数数据,即二级数据处理后的环境参数数据;
对经过二级数据处理后的环境参数数据进行特征提取以及特征衍生,得到综合特征集,为优化后的水生态系统健康预测模型提供准确数据;具体实现过程如下:
对二级数据处理后的环境参数数据利用统计分析、可视化技术进行探索性数据分析,以了解数据的基本特性和潜在模式;使用逐步回归法识别对预测目标最有影响的特征,得到精选的特征集,并减少预测模型的复杂性,提高训练效率和预测准确性;基于现有数据和领域知识,构造新的特征,如结合不同的环境参数,如水温与溶解氧含量的比率,以揭示它们之间的相互作用对水生态系统健康的影响;从时间维度构造特征,如环境参数的变化趋势、季节性变化等,以捕捉时间对水生态系统健康的影响;基于空间分布和相邻区域的环境参数,构造表达空间关系的特征,如相邻测点的参数差异;基于单个环境参数或参数组合计算的统计量,如平均值、最大值和标准差等;结合水生态领域的专业知识,构造反映生态系统特定过程或现象的特征;新构造的特征可以提供额外的信息,有助于预测模型捕捉更复杂的数据关系;并将精选的特征集和新构造的特征进行合并,得到组合特征集,并对组合特征集进行数学变换,以改善组合特征集的分布,使之更适合预测模型;最后对组合特征集进行特征缩放处理,最终得到综合特征集,为优化后的水生态系统健康预测模型提供准确数据;特征缩放处理为对组合特征集进行标准化处理,以确保不同量级的特征对预测模型的影响均衡;
在对组合特征集进行特征缩放处理的过程中,由于环境参数的非线性和动态变化特性,导致无法有效适应数据的变化;引入动态特征优化算法,基于数据的时间序列特性和动态变化规律,对特征进行适应性缩放,通过自适应调整特征缩放比例,反映了生态系统的环境参数随时间变化的动态特性;具体实现过程如下:
记为需要缩放的特征,为时间窗口大小,经过动态特征优化算法得到的缩放后的特征值:
,
其中,和分别是时间窗口内的均值和标准差;是通过数据学习得到的缩放因子,用于调整特征缩放的非线性程度;是双曲正切函数,用于引入非线性变换以适应特征的动态变化。
S2. 根据水生态系统的历史环境参数数据构建并验证水生态系统健康预测模型,并对水生态系统健康预测模型进行动态优化,将综合特征集带入优化后的水生态系统健康预测模型,并根据优化后的水生态系统健康预测模型的输出进行水生态系统健康评估量化处理。
首先对水生态系统的历史环境参数数据进行一级数据处理和二级数据处理以及特征提取和特征衍生,得到历史综合特征集,基于历史综合特征集和历史环境参数数据构建水生态系统健康预测模型;水生态系统健康预测模型,具体构建如下:
,
其中,是综合特征集,包含M个特征数据元素,,表示综合特征集中的任意一个元素,;是模型输出,即水生态系统健康状态评估的量化输出;是环境影响集合,包含个数据,,表示环境影响集合中的任意一个元素,即环境影响因子,;是生物多样性指标集合,包含个数据,,表示生物多样性指标集合中的任意一个元素,;是水质参数集合;是人为干预指标集合,包含个数据,,表示人为干预指标集合中的任意一个元素,;是气候变化参数集合,包含个数据,,表示气候变化参数集合中的任意一个元素,;具体实现过程如下:
,
其中,是关于生物多样性指标和水质参数的函数,根据专家经验法获得;是综合特征集的加和,反映了水生态系统的总体状况;是环境影响因子的连乘,考虑了各因子之间的相互作用;是表示环境影响因子在水生态系统健康评估中的相对重要性或影响程度;表示生物多样性和水质参数的综合影响,通过积分表达生物多样性和水质参数对健康状态的连续影响;是人为干预指标的倒数,表示人为干预的负面影响;是气候变化参数的平方和,强调了气候变化对水生态系统健康状态的长期影响;
基于水生态系统的历史环境参数数据对上述水生态系统健康预测模型进行交叉验证,验证可行性,得到验证后的水生态系统健康预测模型;
进一步对验证后的水生态系统健康预测模型进行动态优化,得到优化后的水生态系统健康预测模型;动态优化过程是对水生态系统健康预测模型的参数进行实时或定期的调整,以适应环境参数的变化并提高水生态系统健康预测模型的预测性能;具体实现过程如下:
引入动态变化因素,其中表示时间;动态变化因素可以捕捉时间相关的变化,如季节性变化、气候变化的长期趋势或者人类活动的变化等,从而使水生态系统健康预测模型能够适应上述变化并提供更准确的预测;具体有:
,
其中,表示季节性变化,用正弦波来模拟季节性变化,反映如温度、降雨量等季节性变化对水生态系统的影响;表示气候变化趋势,使用线性或非线性趋势项来表示长期气候变化(如全球变暖)对水生态系统的影响;表示人类活动强度,通过一个随时间变化的函数来表示人类活动对水生态系统的影响,如工业排放、农业活动等; 、、是权重参数,表示各因素对水生态系统健康状态影响的相对重要性;是常数项,表示其他未包括因素的基线影响;
在原有的水生态系统健康预测模型公式基础上引入,实现对水生态系统健康预测模型的动态优化:
,
其中,表示动态优化后的水生态系统健康预测模型的输出;
最后根据动态优化后的水生态系统健康预测模型的输出,即预测量化结果,进行水生态系统健康评估量化处理,实现对水生态系统健康评估和预测。
对动态优化后的水生态系统健康预测模型的输出进行标准化处理:
,
其中,分别是模型输出的历史最小值和最大值;若,则水生态系统健康为优秀;若,则水生态系统健康为良好;若,则水生态系统健康为一般;若,则水生态系统健康为较差;若,则水生态系统健康为极差;
综合上述处理实现对水生态系统健康评估和预测。
综上所述,便完成了一种水生态系统健康评估与预测系统及方法。
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 (7)
1.一种水生态系统健康评估与预测系统,其特征在于,包括以下部分:
实时数据获取模块,智能数据处理模块,特征工程模块,数据库,智能预测模块,动态优化模块,预测评估模块;
所述实时数据获取模块,用于采集水生态系统的环境参数数据;并将水生态系统的环境参数数据传送至智能数据处理模块;
所述智能数据处理模块,对水生态系统的环境参数数据进行一级数据处理,所述一级数据处理包含数据清洗、降噪的预处理过程;再对一级数据处理后的环境参数数据进行二级数据处理,所述二级数据处理包含数据校正、数据增强的智能数据处理;将二级数据处理后的环境参数数据发送至特征工程模块;
所述特征工程模块,对经过二级数据处理后的环境参数数据进行特征提取以及特征衍生,得到综合特征集,具体实现过程如下:首先对二级数据处理后的环境参数数据进行数据分析;再使用逐步回归法提取特征,得到特征集;进一步,结合不同的环境参数,构造新的特征;将特征集和新构造的特征合并,得到组合特征集,并对组合特征集进行数学变换;最后对组合特征集进行特征缩放处理,得到综合特征集;并将综合特征集发送至预测评估模块;
所述数据库,用来存放水生态系统的历史环境参数数据;
所述智能预测模块,根据水生态系统的历史环境参数数据构建并验证水生态系统健康预测模型,并将水生态系统健康预测模型传送至动态优化模块;水生态系统健康预测模型,具体构建如下:
,
其中,是综合特征集,包含M个特征数据元素,,表示综合特征集中的任意一个元素,;是模型输出,表示水生态系统健康状态评估的量化输出;是环境影响集合,包含个数据,,表示环境影响集合中的任意一个元素,表示环境影响因子,;是生物多样性指标集合,包含个数据,,表示生物多样性指标集合中的任意一个元素,;是水质参数集合;是人为干预指标集合,包含个数据,,表示人为干预指标集合中的任意一个元素,;是气候变化参数集合,包含个数据,,表示气候变化参数集合中的任意一个元素,;具体实现过程如下:
,
其中,是关于生物多样性指标和水质参数的函数;是表示环境影响因子在水生态系统健康评估中的相对重要性或影响程度;
所述动态优化模块,对水生态系统健康预测模型进行动态优化,并将优化后的水生态系统健康预测模型发送至预测评估模块;动态优化过程是对水生态系统健康预测模型的参数进行实时或定期的调整,具体实现过程如下:引入动态变化因素,其中表示时间,所述动态变化因素用于捕捉时间相关的变化,包括季节性变化、气候变化的长期趋势和人类活动的变化;具体有:
,
其中,表示季节性变化;表示气候变化趋势;表示人类活动强度; 、、是权重参数,表示各因素对水生态系统健康状态影响的相对重要性;是常数项,表示其他未包括因素的基线影响;
在原有的水生态系统健康预测模型公式基础上引入,实现对水生态系统健康预测模型的动态优化:
,
其中,表示动态优化后的水生态系统健康预测模型的输出;
所述预测评估模块,将综合特征集带入优化后的水生态系统健康预测模型,并根据优化后的水生态系统健康预测模型的输出进行水生态系统健康评估量化处理。
2.基于权利要求1所述的评估与预测系统的水生态系统健康评估与预测方法,其特征在于,包括以下步骤:
S1. 获取水生态系统的环境参数数据,对环境参数数据进行一级数据处理和二级数据处理,并对经过二级数据处理后的环境参数数据进行特征提取以及特征衍生,得到综合特征集;
S2. 根据水生态系统的历史环境参数数据构建并验证水生态系统健康预测模型,并对水生态系统健康预测模型进行动态优化,将综合特征集带入优化后的水生态系统健康预测模型,并根据优化后的水生态系统健康预测模型的输出进行水生态系统健康评估量化处理。
3.根据权利要求2所述的水生态系统健康评估与预测方法,其特征在于,所述S1,具体包括:
在一级数据处理过程中,引入数据空缺补全算法填补环境参数数据中的缺失数据。
4.根据权利要求3所述的水生态系统健康评估与预测方法,其特征在于,在所述S1,还包括:
所述数据空缺补全算法具体实现过程如下:
第一步,缺失值检测;遍历环境参数数据,识别出缺失值的位置;
第二步,相似性分析;对于每个缺失值,找到具有相似环境条件的数据点集合,相似性通过计算数据点之间的欧氏距离来评估;
第三步,相似数据点选择;根据计算的欧氏距离,选择距离最小的个数据点作为最相似的数据点集合;
第四步,缺失值估算;使用最相似的数据点集合中的数据点值的加权平均和相关特征的线性组合来估算缺失值。
5.根据权利要求2所述的水生态系统健康评估与预测方法,其特征在于,在所述S1,还包括:
在对经过二级数据处理后的环境参数数据进行特征提取以及特征衍生的过程中,基于环境参数的非线性和动态变化特性,引入动态特征优化算法。
6.根据权利要求2所述的水生态系统健康评估与预测方法,其特征在于,所述S2,具体包括:
对水生态系统的历史环境参数数据进行一级数据处理、二级数据处理以及特征提取和特征衍生,得到历史综合特征集,基于历史综合特征集和历史环境参数数据构建水生态系统健康预测模型。
7.根据权利要求6所述的水生态系统健康评估与预测方法,其特征在于,在所述S2,还包括:
对水生态系统健康预测模型进行交叉验证,并对验证后的水生态系统健康预测模型进行动态优化,得到优化后的水生态系统健康预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410294763.5A CN117893384B (zh) | 2024-03-15 | 2024-03-15 | 一种水生态系统健康评估与预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410294763.5A CN117893384B (zh) | 2024-03-15 | 2024-03-15 | 一种水生态系统健康评估与预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893384A CN117893384A (zh) | 2024-04-16 |
CN117893384B true CN117893384B (zh) | 2024-07-16 |
Family
ID=90645959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410294763.5A Active CN117893384B (zh) | 2024-03-15 | 2024-03-15 | 一种水生态系统健康评估与预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893384B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022099852A1 (zh) * | 2020-11-10 | 2022-05-19 | 广东粤海水务股份有限公司 | 一种城市景观湖泊水生态系统健康评价及诊断方法 |
CN117310115A (zh) * | 2023-09-14 | 2023-12-29 | 深圳艾科泰环境科技有限公司 | 一种水环境质量评估方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081814A (zh) * | 2022-05-23 | 2022-09-20 | 郑州大学 | 一种基于关键功能组筛选的河流健康评价标准优化方法 |
CN115204660A (zh) * | 2022-07-13 | 2022-10-18 | 生态环境部南京环境科学研究所 | 一种矿山开采生态环境损害评估方法、系统及可存储介质 |
CN115496382A (zh) * | 2022-09-29 | 2022-12-20 | 中国科学院生态环境研究中心 | 一种区域农业生态发展动态评估方法、系统及可存储介质 |
CN117634990A (zh) * | 2024-01-26 | 2024-03-01 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种用于评估淡水生态系统稳定性的方法 |
-
2024
- 2024-03-15 CN CN202410294763.5A patent/CN117893384B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022099852A1 (zh) * | 2020-11-10 | 2022-05-19 | 广东粤海水务股份有限公司 | 一种城市景观湖泊水生态系统健康评价及诊断方法 |
CN117310115A (zh) * | 2023-09-14 | 2023-12-29 | 深圳艾科泰环境科技有限公司 | 一种水环境质量评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117893384A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018001338A1 (zh) | 基于灰色系统的大洋性鱿鱼类资源丰度预测方法 | |
Chen et al. | Comparison of methods for non-stationary hydrologic frequency analysis: Case study using annual maximum daily precipitation in Taiwan | |
CN111340288A (zh) | 一种顾及时空关联性的城市空气质量时序预测方法 | |
CN104764868A (zh) | 一种基于地理加权回归的土壤有机碳预测方法 | |
US20220367057A1 (en) | Missing medical diagnosis data imputation method and apparatus, electronic device and medium | |
CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
CN114358435A (zh) | 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法 | |
CN117828315A (zh) | 一种海洋生态环境监测系统及方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
Kim et al. | Time-series modelling of harmful cyanobacteria blooms by convolutional neural networks and wavelet generated time-frequency images of environmental driving variables | |
CN117523418B (zh) | 一种多源遥感图像分析方法及系统 | |
CN113723541B (zh) | 一种基于混合智能算法的边坡位移预测方法 | |
Tzoumpas et al. | A data filling methodology for time series based on CNN and (Bi) LSTM neural networks | |
CN117893384B (zh) | 一种水生态系统健康评估与预测系统及方法 | |
CN116401962A (zh) | 水质模型最优特征方案的推求方法 | |
CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
Gai et al. | Research on water quality spatiotemporal forecasting model based on ST-BIGRU-SVR neural network | |
CN115082439A (zh) | 融合卫星云图时空信息的热带气旋定强方法、介质及设备 | |
Cao et al. | Probabilistic runoff forecasting considering stepwise decomposition framework and external factor integration structure | |
CN111325384B (zh) | 一种结合统计特征和卷积神经网络模型的ndvi预测方法 | |
CN117909691B (zh) | 一种海洋工程设计数据的获取系统及方法 | |
CN117852418B (zh) | 基于地理集成机器学习的海洋中深层流速数据重构方法 | |
Balamurugan et al. | Implementation of Effective Rainfall Forecast Model using Machine Learning | |
CN112070761B (zh) | 一种基于深度学习的明虾新鲜度无损检测方法 |
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 |