CN117949046B - 面向异常水团的集群组网式海洋环境跟踪监测方法及系统 - Google Patents
面向异常水团的集群组网式海洋环境跟踪监测方法及系统 Download PDFInfo
- Publication number
- CN117949046B CN117949046B CN202410329809.2A CN202410329809A CN117949046B CN 117949046 B CN117949046 B CN 117949046B CN 202410329809 A CN202410329809 A CN 202410329809A CN 117949046 B CN117949046 B CN 117949046B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- water mass
- abnormal water
- unmanned ship
- unmanned
- 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 249
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 181
- 238000012544 monitoring process Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000006855 networking Effects 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 238000004891 communication Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000002706 hydrostatic effect Effects 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 11
- 239000013535 sea water Substances 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 229930002875 chlorophyll Natural products 0.000 description 4
- 235000019804 chlorophyll Nutrition 0.000 description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 125000005575 polycyclic aromatic hydrocarbon group Chemical group 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000003305 oil spill Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及海洋环境监测技术领域,公开了一种面向异常水团的集群组网式海洋环境跟踪监测方法及系统,方法包括:在监测海域利用无人机和无人船组成海洋异常水团监测网络;陆地监测中心实时获取无人船的状态信息和监测数据,并实时控制无人机按照设定的飞行路线识别海面上的异常水团;无人机识别到异常水团后,采集异常水团的水团信息并传送至陆地监测中心;陆地监测中心进行异常水团演变分析得到演变分析结果,进而设定无人船的监测路线;陆地监测中心将监测路线传输至无人船,进而控制无人船对异常水团进行跟踪监测。本发明能在较广范围内及时准确的对异常水团的相关数据进行追踪监测,灵活性高,具有较强的海洋环境追踪监测能力和较高的准确性。
Description
技术领域
本发明涉及海洋环境监测技术领域,特别涉及一种面向异常水团的集群组网式海洋环境跟踪监测方法及系统。
背景技术
随着科技水平的提升,海洋资源被不断开发,但是在对海洋资源进行开发的过程中时常会引起海洋环境的变化,致使出现异常水团,如赤潮、绿潮、溢油污染、水温异常等所在水团,这会严重影响海洋生态环境。因此对海洋环境进行及时、准确和连续的监测就显得十分重要。
传统的海洋环境监测主要依赖实地考察、固定监测站和卫星遥感技术。其中,实地考察受限于观察者的能力和视野范围,不能全面、客观地反映海洋环境的实际情况,监测效率低下且难以实现连续监测;固定监测站虽然可以提供较为稳定的数据,但是其位置固定,无法应对瞬息万变的海洋环境变化;卫星遥感技术虽然覆盖范围广,但是数据获取周期长,且分辨率有限,准确性较低,难以满足对异常水团这类快速变化环境的监测需求。因此,使用无人机和无人船对海洋环境进行监测的方式渐渐被人们所采用。然而,现有的海洋环境监测方法通常只使用无人机或无人船进行监测,这虽然在一定程度上提升了海洋环境监测的灵活性和监测方位,但是在进行覆盖式监测时投入成本太大,而且数据获取量有限,无法全面、准确地反映海洋环境的真实状况,对异常水团的跟踪监测也十分困难。此外,目前的海洋环境监测技术更多地关注历史数据的收集和分析,而对未来环境的预测能力有限,这可能导致无法及时预测和应对潜在的环境问题。
总而言之,现有技术在应对海洋异常水团这类动态、瞬息万变的环境变化时,存在数据获取不及时、监测范围有限、跟踪监测能力较弱和监测结果准确性较差等问题。
发明内容
为解决上述技术问题,本发明提供了一种面向异常水团的集群组网式海洋环境跟踪监测方法及系统,能在较广范围内及时准确的对异常水团的相关数据进行追踪监测,灵活性高,具有较强的海洋环境追踪监测能力和较高的准确性。
为达到上述目的,本发明的技术方案如下:
一种面向异常水团的集群组网式海洋环境跟踪监测方法,包括如下步骤:
步骤1,在监测海域利用无人机和无人船组成海洋异常水团监测网络;
步骤2,陆地监测中心实时获取无人船的状态信息和监测数据,并实时控制无人机按照设定的飞行路线识别海面上的异常水团;
步骤3,无人机识别到所述异常水团后,采集所述异常水团的水团信息,并将所述水团信息传送至所述陆地监测中心;
步骤4,所述陆地监测中心根据所述水团信息和区域风场进行异常水团演变分析得到演变分析结果,进而根据演变分析结果和状态信息设定无人船的监测路线;
步骤5,所述陆地监测中心将所述监测路线传输至无人船,进而控制无人船对异常水团进行跟踪监测。
上述方案中,步骤1包括如下过程:
(1)确定监测参数,进而在所述监测海域部署至少一架无人机和至少一艘无人船,无人船对所述监测参数进行实时监测;
(2)使用无线通信技术实现无人船、无人机与所述陆地监测中心之间的信息传输,进而使无人机与无人船组成所述海洋异常水团监测网络。
上述方案中,步骤2包括如下过程:
(1)所述陆地监测中心设定无人机在所述监测海域中的航线参数,进而设定无人机在所述监测海域的飞行路线;
(2)所述陆地监测中心实时获取无人船的状态信息和监测数据;
(3)所述陆地监测中心基于所述监测数据控制无人机的起飞时间,使无人机按照所述飞行路线在所述监测海域识别所述异常水团。
上述方案中,步骤(3)包括如下过程:
当所述监测数据表明无人船自主识别到了所述异常水团,则所述陆地监测中心控制无人机立即起飞,并按照所述飞行路线在所述监测海域识别所述异常水团;
若所述监测数据表明没有无人船自主识别到所述异常水团,则所述陆地监测中心控制无人机按照设定的监测周期和所述飞行路线在所述监测海域识别所述异常水团。
上述方案中,所述状态信息包括无人船的能量剩余、当前位置、当前位置水体流速和当前位置水体流向,所述水团信息包括异常水团位置和异常水团全景图。
上述方案中,步骤3包括如下过程:
无人机识别到所述异常水团后,获取所述异常水团位置和所述异常水团全景图;
无人机将所述水团信息实时传送至所述陆地监测中心,采集完所述水团信息之后无人机继续按照所述飞行路线飞行。
上述方案中,步骤4包括如下过程:
(1)构建异常水团演变分析模型;
(2)对所述水团信息和所述区域风场进行预处理得到预处理数据,并将所述预处理数据输入所述异常水团演变分析模型,得到演变分析结果;
(3)基于所述状态信息、所述监测数据和所述水团信息,使用目标判决模型选定目标无人船,进而利用所述演变分析结果和所述状态信息设定所述目标无人船的监测路线。
进一步的技术方案中,所述目标判决模型满足如下关系:
;
其中,P为判决结果,min为最小航行时间,为目标判决函数,为第i艘
无人船的当前位置与所述异常水团位置之间的距离,为第i艘无人船的静水航速,为
第i艘无人船的当前位置水体流速,为第i艘无人船的当前位置与当前位置水体流向和所
述异常水团位置连线之间的夹角,为补足因子。
进一步的技术方案中,构建异常水团演变分析模型包括如下步骤:
(1)收集所述监测海域中的历史异常水团图像和历史风场图像,进而建立水团演变数据库;
(2)利用LSTM算法构建初级演变分析模型,所述初级演变分析模型包括输入层、LSTM层和输出层;
(3)利用所述水团演变数据库完成对所述初级演变分析模型的训练,进而得到所述建异常水团演变分析模型。
一种面向异常水团的集群组网式海洋环境跟踪监测系统,所述系统适用于以上所述的方法,所述系统包括:
无人船、无人机、陆地监测中心和通信卫星;
无人船和无人机用于组成海洋异常水团监测网络;无人机识别到所述异常水团后,采集所述异常水团的水团信息,并将所述水团信息和飞行状态信息传送至所述陆地监测中心;
所述陆地监测中心用于实时获取无人船的状态信息和监测数据,并控制无人机按照设定的飞行路线识别海面上的异常水团;根据所述水团信息和所述状态信息进行异常水团演变分析得到演变分析结果,进而设定无人船的监测路线;将所述监测路线传输至无人船,进而控制无人船对异常水团进行跟踪监测;
所述通信卫星用于实现所述无人船、所述无人机与所述陆地监测中心之间的信息传输。
通过上述技术方案,本发明提供的一种面向异常水团的集群组网式海洋环境跟踪监测方法及系统具有如下有益效果:
本发明通过无人机和无人船的集群组网,实现对异常水团的实时监测。并利用无线通信的方式使陆地监测中心能够实时获取监测数据,提高对海洋环境的监测范围;
本发明使用异常水团演变分析模型来对异常水团进行演变分析,不仅能够为规划无人船的监测路线提供基础,还降低使用无人船对异常水团进行跟踪监测的能源损耗;
本发明使用LSTM算法能够很好的捕捉输入数据之间的复杂模式,能够选择性地忽略或减少对噪声的响应,从而提高异常水团演变分析模型的鲁棒性和泛化能力,进而为未来海洋环境变化分析提供参考,有利于及时预测和应对潜在的海洋环境问题;
本发明能在较广范围内及时准确的对异常水团的相关数据进行追踪监测,灵活性高,具有较强的海洋环境追踪监测能力和较高的准确性。
附图说明
为了更清楚地说明本发明实施例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。
图1为本发明实施例所公开的一种面向异常水团的集群组网式海洋环境跟踪监测方法流程示意图。
图2为本发明实施例的无人船及异常水团分布示意图。
图3为本发明实施例的面向异常水团的集群组网式海洋环境跟踪监测系统的结构示意图。
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、完整地描述。
本发明提供了一种面向异常水团的集群组网式海洋环境跟踪监测方法,如图1所示,包括如下步骤:
S1、在监测海域利用无人机和无人船组成海洋异常水团监测网络。
其中,S1具体包括如下步骤:
S11、确定监测参数,进而在监测海域部署至少一架无人机和至少一艘无人船,无人船对监测参数进行实时监测。
具体的,在本实施例中,请参见图2,其中椭圆区域表示异常水团,通常为赤潮、绿潮、溢油污染、水温异常所在区域,菱形表示检测海域中的无人船,没有接收到来自陆地监测中心的指令时,无人船在海面对监测参数进行常规漂浮式监测,无人机则需要根据实际情况来起飞对异常水团进行监测。
进一步的,无人船的监测参数包括海水水质参数和海水动力参数。其中,海水水质参数包括水温、电导率、pH、浊度、溶解氧浓度、叶绿素浓度、多环芳烃浓度、营养盐浓度等,海水动力参数包括风速、风向、水体速度和水体流向等。无人船上安装用于测量各个监测参数的测量仪器,包括温度传感器、电导率传感器、pH传感器、浊度仪、溶解氧传感器、叶绿素传感器、多环芳烃分析仪、营养盐分析仪、风速传感器、风向传感器、水体速度测量仪和水体流向测量仪等,它们分别对各个海水水质参数和海水动力参数进行测量。无人船上还装有数据采集及发送装置,该数据采集及发送装置能够实时采集各个测量仪器测量的数据结果,并将采集的数据使用卫星通信技术传输至陆地监测中心。
更进一步的,本实施例使用的温度传感器为DS18B20型数字温度传感器,电导率传感器为DJS-1A型电导率传感器、pH传感器为FST100-PH104智慧型PH传感器,浊度仪为WGZ-1B型浊度仪,溶解氧传感器为DO-957型溶解氧电极,叶绿素传感器为TE-con型叶绿素传感器,多环芳烃分析仪为HPLC型高效液相色谱仪,营养盐分析仪为NPS300营养盐原位分析仪,风速传感器和风向传感器都为XS-SF02一体式气象传感器,水体速度测量仪和水体流向测量仪均为ADCP声学多普勒流速剖面仪。在其他可选的实施例中,测量仪器的型号可以根据实际情况来选择。
S12、使用无线通信技术实现无人船、无人机与陆地监测中心之间的信息传输,进而使无人机与无人船组成海洋异常水团监测网络。
具体的,在本实施例中,无线通信技术具体为卫星通信。
进一步的,通过无人机和无人船的集群组网,能够综合利用无人机和无人船的优势,提高数据获取量和准确性,能够全面、准确地反映海洋环境的真实状况,实现对异常水团的实时监测,并利用无线通信的方式使陆地监测中心能够实时获取监测数据,提高对海洋环境的监测范围,便于对异常水团进行跟踪监测。
S2、陆地监测中心实时获取无人船的状态信息和监测数据,并实时控制无人机按照设定的飞行路线识别海面上的异常水团。
其中,S2具体包括如下步骤:
S21、陆地监测中心设定无人机在监测海域中的航线参数,进而设定无人机在监测海域的飞行路线。
具体的,在本实施例中,无人机的航线参数具体为无人机的飞行高度和飞行速度,无人机的飞行高度、飞行速度以及飞行路线是相关人员可以根据实际需要自行设定的,在此就不做限制。
S22、陆地监测中心实时获取无人船的状态信息和监测数据。
具体的,在本实施例中,无人船的状态信息包括无人船的能量剩余、当前位置、当前位置水体流速和当前位置水体流向,监测数据为各个监测参数所对应的数据。无人船的当前位置通过GPS定位器获取,无人船的能量剩余和当前位置通过数据采集及发送装置传输至陆地监测中心,当前位置水体流速和当前位置水体流向为ADCP声学多普勒流速剖面仪采集的水体速度和水体流向。
S23、陆地监测中心基于监测数据控制无人机的起飞时间,使无人机按照飞行路线在监测海域识别异常水团。
其中,S23具体又包括如下步骤:
S231、当监测数据表明无人船自主识别到了异常水团,则陆地监测中心控制无人机立即起飞,并按照飞行路线在监测海域识别异常水团。
S232、若监测数据表明没有表明无人船自主识别到了异常水团,则陆地监测中心控制无人机按照设定的监测周期和飞行路线在监测海域识别异常水团。
具体的,在本实施例中,如果无人船自主识别到了异常水团,则陆地监测中心的相关人员立即启动无人机前往检测海域识别异常水团,否则陆地监测中心的相关人员按照设定的监测周期启动无人机前往检测海域识别异常水团,监测周期可以设置为7天,即相关人员每7天启动一次无人机。由于无人船在海面对监测参数进行常规漂浮式监测,因此无人机除了定期起飞对异常水团进行识别之外,还需要在无人船识别到异常水团时能够及时起飞对整个监测海域进行巡视,识别监测海域所有异常水团,保证对海洋环境监测的效率和实时性。此外,通过控制无人机的起飞时间,可以使得对海洋环境的监测变得更加灵活,不仅能够保证监测的效率和实时性,而且还能够在一定程度上降低监测成本。
S3、无人机识别到异常水团后,采集异常水团的水团信息,并将水团信息传送至陆地监测中心。
其中,S3具体包括如下步骤:
S31、无人机识别到异常水团后,获取异常水团位置和异常水团全景图。
具体的,在本实施例中,异常水团的水团信息包括异常水团位置和异常水团全景图,异常水团全景图为无人机使用摄像机拍摄的异常水团图像,使用无人机能够很轻松的拍摄到异常水团的全貌,便于后续进行演变分析。使用无人机获取异常水团位置和异常水团全景图都可以通过现有的常见技术手段得到,故而在此就做不做详细说明。
S32、无人机将水团信息实时传送至陆地监测中心,采集完水团信息之后无人机继续按照飞行路线飞行。
具体的,在本实施例中,无人机能够从空中俯瞰异常水团的全貌,因此使用无人机对异常水团进行识别和定位是最佳选择。无人机在采集完水团信息之后继续按照飞行路线飞行,从而达到快速识别监测海域中所有异常水团的目的。
进一步的,无人机通过预设的航线参数和飞行路线,能够自主完成对异常水团的监测任务,减轻了人工负担,也能够提高监测的准确性和可靠性。
S4、陆地监测中心根据水团信息和区域风场进行异常水团演变分析得到演变分析结果,进而根据演变分析结果和状态信息设定无人船的监测路线。
其中,S4具体包括如下步骤:
S41、构建异常水团演变分析模型。
S411、收集监测海域中的历史异常水团图像和历史风场图像,进而建立水团演变数据库。
具体的,在本实施例中,历史异常水团图像是使用无人机携带光学摄像机在监测海域拍摄获取的300张历史异常水团图像,包括150张演变前异常水团图像和相应的150张演变后异常水团图像,演变时间为6小时。历史风场图像则为获取演变前异常水团图像时异常水团所在位置的风场图像,共150张历史风场图像,历史风场图像来源于“国家科技资源共享服务平台—国家海洋科学数据共享服务平台”。
进一步的,将获取的300张历史异常水团图像和150张历史风场图像转化为异常水团灰度图像和风场灰度图像,然后根据异常水团灰度图像和风场灰度图像中像素点的灰度值将异常水团灰度图像和风场灰度图像转换为矩阵形式,即异常水团灰度图像灰度值矩阵和风场灰度图像灰度值矩阵,其中异常水团灰度图像灰度值矩阵包括150个演变前异常水团图像灰度值矩阵和相应的150个演变后异常水团图像灰度值矩阵。
利用异常水团灰度图像灰度值矩阵和风场灰度图像灰度值矩阵建立水团演变数据库。
S412、利用LSTM算法构建初级演变分析模型,初级演变分析模型包括输入层、LSTM层和输出层。
具体的,在本实施例中,初级演变分析模型的输入层包含第一分支和第二分支,第一分支用于输入演变前异常水团图像灰度值矩阵,第二分支用于输入风场灰度图像灰度值矩阵。第一分支和第二分支都独立对应一个子LSTM层,即LSTM层包括两个子LSTM层,这两个子LSTM层都是使用LSTM算法构建的。输出层为一个全连接层,输出层的输入为两个子LSTM层的输出,输出层的输出为演变后异常水团图像灰度值矩阵。此步骤描述的内容为现有技术,故而在此就不作更为详细地说明。
S413、利用水团演变数据库完成对初级演变分析模型的训练,进而得到建异常水团演变分析模型。
S42、对水团信息和区域风场进行预处理得到预处理数据,并将预处理数据输入异常水团演变分析模型,得到演变分析结果。
具体的,在本实施例中,对水团信息和区域风场进行预处理得到预处理数据即将异常水团全景图和区域风场图转换为相应的灰度值矩阵,具体可以参考步骤S411,然后将异常水团全景图和区域风场图的灰度值矩阵输入异常水团演变分析模型中,即可以得到演变分析结果,该演变分析结果为6小时后异常水团图像的灰度值矩阵,利用该灰度值矩阵即可得到6小时后异常水团图像。
S43、基于状态信息、监测数据和水团信息,使用目标判决模型选定目标无人船,进而利用演变分析结果和状态信息设定目标无人船的监测路线。
具体的,在本实施例中,首先需要从无人船中筛选出没有检测到异常水团的无人船,记为空闲无人船,无人船是否为空闲无人船可以通过无人船实时采集的监测数据来判断,然后就可以使用目标判决模型从空闲无人船中选出目标无人船。目标判决模型满足如下关系:
;
其中,P为判决结果,min为最小航行时间,为目标判决函数,为第i艘
无人船的当前位置与异常水团位置之间的距离,为第i艘无人船的静水航速,为第i艘
无人船的当前位置水体流速,为第i艘无人船的当前位置与当前位置水体流向和异常水
团位置连线之间的夹角,为补足因子。min为的最小值,补足因子通常取值为
0.01。使用目标判决模型选定的目标无人船能够在保证能源充足的情况下最快赶至异常水
团位置以对异常水团进行跟踪监测,提高了监测的效率和实时性。
更为具体的,目标判决函数满足如下关系:
;
其中,为任意正实数,为任意负实数,为第i艘无人船的能量剩余,为无人
船每行驶一公里消耗的能量。能量剩余具体为无人船的剩油量,无人船每行驶一公里消耗
的能量具体为无人船每公里的耗油量。
进一步的,陆地监测中心中的相关人员将演变分析结果转换为图像形式,得到异常水团的演变结果,进而可以参考演变结果来规划目标无人船的监测路线并发送至目标无人船,相关技术人员也可以不参考演变结果直接规划目标无人船的监测路线,具体如何规划目标无人船的监测路线是相关技术人员可以根据实际需要自行选择的。
S5、陆地监测中心将监测路线传输至无人船,进而控制无人船对异常水团进行跟踪监测。
具体的,在本实施例中,陆地监测中心将监测路线传输至无人船之后,无人船启动并按照设定的监测路线行驶至异常水团位置,使用测量仪器对异常水团的跟踪监测。
需要说明的是,在一些情况下,在说明书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果,在本实施例当中,所给出的步骤顺序仅仅是为了使实施例看起来更加清晰明了,方便说明,而非对其限制。
在一个可选地实施例当中,请参见图3,本发明还提供了面向异常水团的集群组网式海洋环境跟踪监测系统,系统适用于本发明提供的面向异常水团的集群组网式海洋环境跟踪监测方法,系统包括无人船A1、无人机A2、陆地监测中心A3和通信卫星A4。
无人船A1和无人机A2用于组成海洋异常水团监测网络;无人机A1识别到异常水团后,采集异常水团的水团信息,并将水团信息和飞行状态信息传送至陆地监测中心A3。此部分的内容具体可以参考步骤S1和步骤S2。
陆地监测中心A3用于实时获取无人船A1的状态信息和监测数据,并控制无人机A2按照设定的飞行路线识别海面上的异常水团;根据水团信息和状态信息进行异常水团演变分析得到演变分析结果,进而设定无人船A1的监测路线;将监测路线传输至无人船A1,进而控制无人船A1对异常水团进行跟踪监测。此部分的内容具体可以参考步骤S3至步骤S5。
通信卫星A4用于实现无人船、无人机与陆地监测中心之间的信息传输。
综上,首先,本发明使用无人机和无人船组建海洋异常水团监测网络来对异常水团进行实时监测,其中陆地监测中心能够实时获取无人船的状态信息和监测数据,并控制无人机按照设定的飞行路线进行异常水团的识别,提高了监测的效率和实时性。其次,无人机通过预设的航线参数和飞行路线,能够自主完成对异常水团的监测任务,减轻了人工负担,提高了监测的准确性和可靠性。最后,使用异常水团演变分析模型来对异常水团进行演变分析,不仅能够为规划无人船的监测路线提供基础,降低无人船的监测损耗,还能够为未来海洋环境变化分析提供参考,有利于及时预测和应对潜在的海洋环境问题。因此,本发明通过自动化和智能化的技术手段,能够实现对异常水团的实时、准确和可靠的监测,为海洋环境保护和管理提供了有力支持,为未来的海洋环境监测提供了更多的思路和方法。本发明提供的系统做为适用于本发明提供的方法的系统,具有与本发明提供方法相同的优点,而且本发明提供的系统也能够为海洋环境监测系统的进一步创新和发展提供参考。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种面向异常水团的集群组网式海洋环境跟踪监测方法,其特征在于,包括如下步骤:
步骤1,在监测海域利用无人机和无人船组成海洋异常水团监测网络;
步骤2,陆地监测中心实时获取无人船的状态信息和监测数据,并实时控制无人机按照设定的飞行路线识别海面上的异常水团;
步骤3,无人机识别到所述异常水团后,采集所述异常水团的水团信息,并将所述水团信息传送至所述陆地监测中心;
步骤4,所述陆地监测中心根据所述水团信息和区域风场进行异常水团演变分析得到演变分析结果,进而根据演变分析结果和状态信息设定无人船的监测路线;
步骤5,所述陆地监测中心将所述监测路线传输至无人船,进而控制无人船对异常水团进行跟踪监测;
步骤4包括如下过程:
(1)构建异常水团演变分析模型;
(2)对所述水团信息和所述区域风场进行预处理得到预处理数据,并将所述预处理数据输入所述异常水团演变分析模型,得到演变分析结果;
(3)基于所述状态信息、所述监测数据和所述水团信息,使用目标判决模型选定目标无人船,进而利用所述演变分析结果和所述状态信息设定所述目标无人船的监测路线;
所述目标判决模型满足如下关系:
;
其中,P为判决结果,min为最小航行时间,为目标判决函数,/>为第i艘无人船的当前位置与所述异常水团位置之间的距离,/>为第i艘无人船的静水航速,/>为第i艘无人船的当前位置水体流速,/>为第i艘无人船的当前位置与当前位置水体流向和所述异常水团位置连线之间的夹角,/>为补足因子。
2.根据权利要求1所述的面向异常水团的集群组网式海洋环境跟踪监测方法,其特征在于,步骤1包括如下过程:
(1)确定监测参数,进而在所述监测海域部署至少一架无人机和至少一艘无人船,无人船对所述监测参数进行实时监测;
(2)使用无线通信技术实现无人船、无人机与所述陆地监测中心之间的信息传输,进而使无人机与无人船组成所述海洋异常水团监测网络。
3.根据权利要求1所述的面向异常水团的集群组网式海洋环境跟踪监测方法,其特征在于,步骤2包括如下过程:
(1)所述陆地监测中心设定无人机在所述监测海域中的航线参数,进而设定无人机在所述监测海域的飞行路线;
(2)所述陆地监测中心实时获取无人船的状态信息和监测数据;
(3)所述陆地监测中心基于所述监测数据控制无人机的起飞时间,使无人机按照所述飞行路线在所述监测海域识别所述异常水团。
4.根据权利要求3所述的面向异常水团的集群组网式海洋环境跟踪监测方法,其特征在于,步骤(3)包括如下过程:
当所述监测数据表明无人船自主识别到了所述异常水团,则所述陆地监测中心控制无人机立即起飞,并按照所述飞行路线在所述监测海域识别所述异常水团;
若所述监测数据表明没有无人船自主识别到所述异常水团,则所述陆地监测中心控制无人机按照设定的监测周期和所述飞行路线在所述监测海域识别所述异常水团。
5.根据权利要求3所述的面向异常水团的集群组网式海洋环境跟踪监测方法,其特征在于:所述状态信息包括无人船的能量剩余、当前位置、当前位置水体流速和当前位置水体流向,所述水团信息包括异常水团位置和异常水团全景图。
6.根据权利要求1所述的面向异常水团的集群组网式海洋环境跟踪监测方法,其特征在于,步骤3包括如下过程:
无人机识别到所述异常水团后,获取所述异常水团位置和所述异常水团全景图;
无人机将所述水团信息实时传送至所述陆地监测中心,采集完所述水团信息之后无人机继续按照所述飞行路线飞行。
7.根据权利要求1所述的面向异常水团的集群组网式海洋环境跟踪监测方法,其特征在于,构建异常水团演变分析模型包括如下步骤:
(1)收集所述监测海域中的历史异常水团图像和历史风场图像,进而建立水团演变数据库;
(2)利用LSTM算法构建初级演变分析模型,所述初级演变分析模型包括输入层、LSTM层和输出层;
(3)利用所述水团演变数据库完成对所述初级演变分析模型的训练,进而得到所述建异常水团演变分析模型。
8.一种面向异常水团的集群组网式海洋环境跟踪监测系统,所述系统适用于权利要求1-7任意一项所述的方法,其特征在于,所述系统包括:
无人船、无人机、陆地监测中心和通信卫星;
无人船和无人机用于组成海洋异常水团监测网络;无人机识别到所述异常水团后,采集所述异常水团的水团信息,并将所述水团信息和飞行状态信息传送至所述陆地监测中心;
所述陆地监测中心用于实时获取无人船的状态信息和监测数据,并控制无人机按照设定的飞行路线识别海面上的异常水团;根据所述水团信息和所述状态信息进行异常水团演变分析得到演变分析结果,进而设定无人船的监测路线;将所述监测路线传输至无人船,进而控制无人船对异常水团进行跟踪监测;
所述通信卫星用于实现所述无人船、所述无人机与所述陆地监测中心之间的信息传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410329809.2A CN117949046B (zh) | 2024-03-22 | 2024-03-22 | 面向异常水团的集群组网式海洋环境跟踪监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410329809.2A CN117949046B (zh) | 2024-03-22 | 2024-03-22 | 面向异常水团的集群组网式海洋环境跟踪监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117949046A CN117949046A (zh) | 2024-04-30 |
CN117949046B true CN117949046B (zh) | 2024-06-04 |
Family
ID=90803071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410329809.2A Active CN117949046B (zh) | 2024-03-22 | 2024-03-22 | 面向异常水团的集群组网式海洋环境跟踪监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117949046B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405040A (zh) * | 2016-11-17 | 2017-02-15 | 苏州航天系统工程有限公司 | 一种基于无人设备的水质巡检、污染物溯源系统及其方法 |
CN109086957A (zh) * | 2018-05-28 | 2018-12-25 | 仲恺农业工程学院 | 基于海空无人采集装备的近岸海域水质采样网络规划方法 |
WO2021036543A1 (zh) * | 2019-08-29 | 2021-03-04 | 南京智慧光信息科技研究院有限公司 | 基于大数据和人工智能的自动作业方法和机器人系统 |
CN113359726A (zh) * | 2021-06-04 | 2021-09-07 | 中山大学 | 一种最大浑浊带的预测方法及系统 |
CN113946165A (zh) * | 2021-11-24 | 2022-01-18 | 汉海(北京)科技有限公司 | 一种基于无人机的海洋环境监测应用系统 |
KR102356576B1 (ko) * | 2020-09-23 | 2022-02-07 | 공주대학교 산학협력단 | 해상용 군집 드론 스테이션 |
KR102386222B1 (ko) * | 2021-09-02 | 2022-04-15 | 주식회사 에스티엔인포텍 | Ai를 이용한 무인보트 제어를 통한 수변 모니터링 시스템 |
CN114384015A (zh) * | 2022-01-12 | 2022-04-22 | 中国环境科学研究院 | 一种基于多源遥感和机器学习的水环境监测方法 |
KR20220073901A (ko) * | 2020-11-26 | 2022-06-03 | 조선대학교산학협력단 | 해양 환경 감시 시스템 |
CN115237152A (zh) * | 2022-05-18 | 2022-10-25 | 大连海事大学 | 一种面向海洋环境监测的无人机快速轨迹规划方法 |
CN115328128A (zh) * | 2022-08-10 | 2022-11-11 | 武汉理工大学 | 一种无人艇与无人机协作在线水质监测系统及方法 |
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 |
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 |
-
2024
- 2024-03-22 CN CN202410329809.2A patent/CN117949046B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405040A (zh) * | 2016-11-17 | 2017-02-15 | 苏州航天系统工程有限公司 | 一种基于无人设备的水质巡检、污染物溯源系统及其方法 |
CN109086957A (zh) * | 2018-05-28 | 2018-12-25 | 仲恺农业工程学院 | 基于海空无人采集装备的近岸海域水质采样网络规划方法 |
WO2021036543A1 (zh) * | 2019-08-29 | 2021-03-04 | 南京智慧光信息科技研究院有限公司 | 基于大数据和人工智能的自动作业方法和机器人系统 |
KR102356576B1 (ko) * | 2020-09-23 | 2022-02-07 | 공주대학교 산학협력단 | 해상용 군집 드론 스테이션 |
KR20220073901A (ko) * | 2020-11-26 | 2022-06-03 | 조선대학교산학협력단 | 해양 환경 감시 시스템 |
CN113359726A (zh) * | 2021-06-04 | 2021-09-07 | 中山大学 | 一种最大浑浊带的预测方法及系统 |
KR102386222B1 (ko) * | 2021-09-02 | 2022-04-15 | 주식회사 에스티엔인포텍 | Ai를 이용한 무인보트 제어를 통한 수변 모니터링 시스템 |
CN113946165A (zh) * | 2021-11-24 | 2022-01-18 | 汉海(北京)科技有限公司 | 一种基于无人机的海洋环境监测应用系统 |
CN114384015A (zh) * | 2022-01-12 | 2022-04-22 | 中国环境科学研究院 | 一种基于多源遥感和机器学习的水环境监测方法 |
CN115237152A (zh) * | 2022-05-18 | 2022-10-25 | 大连海事大学 | 一种面向海洋环境监测的无人机快速轨迹规划方法 |
CN115328128A (zh) * | 2022-08-10 | 2022-11-11 | 武汉理工大学 | 一种无人艇与无人机协作在线水质监测系统及方法 |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN117949046A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112422783A (zh) | 一种基于停机坪集群的无人机智能巡查系统 | |
CN110182318B (zh) | 一种面向冬季海冰风险管理的海洋信息在线监测浮标系统 | |
CN104748785A (zh) | 远程水文水质自动监测系统平台 | |
CN112394349B (zh) | 海洋浮标智能安防监控方法、装置、系统及存储介质 | |
US20140222332A1 (en) | Mobile terminal, electronic navigational chart server, and method for updating electronic navigational chart based on crowdsourcing thereof | |
CN108061572B (zh) | 一种海洋核动力平台综合态势显控系统及方法 | |
CN110233995B (zh) | 一种基于船载与岸基协同处理的拖网渔船智能系统的方法 | |
CN111693672A (zh) | 一种流域污染物监测系统及其监测方法 | |
CN112671863A (zh) | 一种基于边缘计算的智能航标系统 | |
CN114265418A (zh) | 一种用于光伏电站的无人机巡检与缺陷定位系统及方法 | |
CN112710798B (zh) | 一种水体蓝藻识别系统和方法 | |
CN111024695A (zh) | 一种天地一体的ai智能水环保实时监测系统 | |
CN113552307A (zh) | 一种基于在线监测的水华监测装置及方法 | |
CN212160899U (zh) | 一种基于物联网的海洋环境突变预警系统 | |
CN111272667B (zh) | 一种高密度移动监测系统 | |
CN211167300U (zh) | 一种智能水面综合监测浮标装置 | |
CN117949046B (zh) | 面向异常水团的集群组网式海洋环境跟踪监测方法及系统 | |
CN210347616U (zh) | 一种移动式水质在线监测装置 | |
CN110440857A (zh) | 生态水环境智能化监测系统 | |
CN115546917A (zh) | 基于视频监控的水利工程智能巡查方法及装置、电子设备 | |
CN111879293B (zh) | 一种海上降雨噪声特性原位测量装置及方法 | |
CN114004399A (zh) | 发电量损失预测方法及装置、电子设备 | |
CN113758487A (zh) | 一种基于5g技术和机器学习辅助的水下机器人定位方法 | |
CN113074797A (zh) | 一种无水尺测量水位装置及水位标定方法 | |
TWM583606U (zh) | 海洋哺乳類追蹤系統以及載具 |
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 |