CN114757449A - 一种山水林田湖草综合地质碳汇监测*** - Google Patents
一种山水林田湖草综合地质碳汇监测*** Download PDFInfo
- Publication number
- CN114757449A CN114757449A CN202210658859.6A CN202210658859A CN114757449A CN 114757449 A CN114757449 A CN 114757449A CN 202210658859 A CN202210658859 A CN 202210658859A CN 114757449 A CN114757449 A CN 114757449A
- Authority
- CN
- China
- Prior art keywords
- data
- comprehensive
- data information
- lake
- geological
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 93
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 93
- 244000025254 Cannabis sativa Species 0.000 title claims abstract description 76
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 241000209504 Poaceae Species 0.000 claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 230000010365 information processing Effects 0.000 claims abstract description 24
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 21
- 238000005286 illumination Methods 0.000 claims description 13
- 238000004177 carbon cycle Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 241000196324 Embryophyta Species 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 241000287196 Asthenes Species 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims 1
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种山水林田湖草综合地质碳汇监测***,其中包括:远端终端监控设备、近端数据接口、山水林田湖草综合地质数据库、信息处理模块、混合神经网络模型和显示模块,其中所述远端终端监控设备通过无线通信的方式与近端数据接口实现数据信息交互,近端数据接口的输出端与山水林田湖草综合地质数据库输入端连接,所述山水林田湖草综合地质数据库输出端与信息处理模块的输入端连接,所述信息处理模块的输出端与混合神经网络模型的输入端连接,所述混合神经网络模型的输出端与显示模块的输入端连接。本发明能够实现地质碳汇实时在线、即时监测,大大提高了山水林田湖草综合地质碳汇监测能力。
Description
技术领域
本发明涉及监视技术领域,且更确切地涉及一种山水林田湖草综合地质碳汇监测***。
背景技术
良好的生态环境是实现经济社会可持续发展的基础,山水林田湖草等生态***各要素,既有各自内在的结构、功能和变化规律,又与其他要素相互耦合、相互影响。因此,如何实现山水林田湖草综合地质碳汇监测成为亟待解决的技术问题,现有技术监测力度薄弱,无法实现地质碳汇实时在线、即时监测,山水林田湖草综合地质碳汇监测能力较差。
发明内容
针对上述技术的不足,本发明公开一种山水林田湖草综合地质碳汇监测***,能够实现地质碳汇实时在线、即时监测,大大提高了山水林田湖草综合地质碳汇监测能力。
为了实现上述技术效果,本发明采用以下技术方案:
一种山水林田湖草综合地质碳汇监测***,其中包括:
远端终端监控设备;用于监控山水林田湖草综合地质碳汇数据信息;并将检测到的山水林田湖草综合地质碳汇数据信息通过远程数据传输至近端数据接口;
近端数据接口;用于接收不同形式的山水林田湖草综合地质碳汇数据信息;并对山水林田湖草综合地质碳汇数据信息进行汇集;
山水林田湖草综合地质数据库;通过存储近端数据接口接收山水林田湖草综合地质碳汇数据信息并对接收到的山水林田湖草综合地质数据库信息进行存储;
信息处理模块;用于处理接收到的山水林田湖草综合地质碳汇数据信息;
混合神经网络模型;用于分析山水林田湖草综合地质碳汇数据信息,进而实现山水林田湖草综合地质碳汇数据信息监测;并且所述混合神经网络模型包括RNN模型和BPNN模型;
显示模块;用于显示山水林田湖草综合地质碳汇数据信息;
其中所述远端终端监控设备通过无线通信的方式与近端数据接口实现数据信息交互,近端数据接口的输出端与山水林田湖草综合地质数据库输入端连接,所述山水林田湖草综合地质数据库输出端与信息处理模块的输入端连接,所述信息处理模块的输出端与混合神经网络模型的输入端连接,所述混合神经网络模型的输出端与显示模块的输入端连接。
作为本发明进一步的技术方案,远端终端监控设备为物联网监控设备或者区块链节点设备。
作为本发明进一步的技术方案,所述信息处理模块包括数据输入端、数据分级模块、数据过滤模块和数据输出端,其中所述数据输入端的输出端与数据分级模块的输入端连接,所述数据分级模块的输出端与数据过滤模块的输入端连接,所述数据过滤模块的输出端与数据输出端的输入端连接。
作为本发明进一步的技术方案,所述信息处理模块实现数据信息的处理方法为:
步骤一、通过数据输入端输入远端终端监控设备传递的数据信息,首先定义山水林田湖草综合地质数据信息的数据属性,远端终端监控设备传递的数据信息记作为m;
步骤二、通过数据分级模块实现山水林田湖草综合地质数据信息的分级,以便于
滤除不同等级的数据信息;山水林田湖草综合地质数据信息的分级精度设置为,分级精
度的阈值设置为R,当时,则无需对该山水林田湖草综合地质数据信息进行过滤,反
之,当,则需对该山水林田湖草综合地质数据信息进行过滤;
步骤四、通过数据输出端实现山水林田湖草综合地质数据信息的输出。
作为本发明进一步的技术方案,混合神经网络模型包括:
生态数据信息输入端子;用于输入诸如植株面积、高度、密度或者种类的数据信息以及影响生态循环的光照、风力或者光照强度的气候因素数据信息;
特征提取模块,通过RNN模型提取山水林田湖草综合地质数据信息,所述特征提取模块包括遗忘门、输入门和输出门,其中所述遗忘门的输出端与输入门的输入端连接,所述输入门的输出端与输出门的输入端连接;
生态循环预测模块,通过BPNN模型实现山水林田湖草综合地质数据信息的预测;其中所述RNN模型的输出端与BPNN模型的输入端连接;
生态循环预测输出模块,用于实现生态循环预测模块预测结果的输出,所述生态循环预测输出模块包括混合模型训练模块和最优模型输出模块,其中所述混合模型训练模块的输出端与最优模型输出模块的输入端连接,最优模型输出模块为生态循环预测最佳数据输出;
其中所述生态数据信息输入端子的输出端与特征提取模块的输入端连接,所述特征提取模块的输出端与生态循环预测模块的输入端连接,所述生态循环预测模块的输出端与生态循环预测输出模块的输入端连接。
作为本发明进一步的技术方案,混合神经网络模型实现生态循环预测的方法为:
步骤1、通过生态数据信息输入端子输入诸如植株面积、高度、密度或者种类的数据信息以及影响生态循环的光照、风力或者光照强度的气候因素数据信息;
公式(2)中,表示地质碳循环预测模型的激活函数,表示遗忘门的权重矩
阵,表示输入影响山水林田湖草综合地质生态循环的数据信息,表示上一时刻山水林
田湖草综合地质生态输出信息,表示地质生态平衡数据的激发阈值向量;
记忆门输出函数表示为:
则遗忘门输出函数为:
步骤3、通过BPNN模型实现数据信息输出,
则BPNN模型输出函数表示为:
公式(5)中,、表示地质碳汇预测模型中输出层和隐藏层的连接权重,、表示预测模型的激发阈值,表示隐藏层的激活函数,表示隐藏层输出的地质
碳汇特征信息,表示输出的山水林田湖草综合地质整体地质碳循环的预测值。
地质碳汇时间序列的主要周期可表示为:
本发明有益的积极效果在于:
区别于常规技术,本发明基于计算机数据分析技术实现山水林田湖草综合地质碳汇监测,通过远端终端监控设备输入监控山水林田湖草综合地质碳汇数据信息;并将检测到的山水林田湖草综合地质碳汇数据信息通过远程数据传输至近端数据接口;通过近端数据接口接收不同形式的山水林田湖草综合地质碳汇数据信息;并对山水林田湖草综合地质碳汇数据信息进行汇集。通过山水林田湖草综合地质数据库接收山水林田湖草综合地质碳汇数据信息并对接收到的山水林田湖草综合地质数据库信息进行存储;通过信息处理模块处理接收到的山水林田湖草综合地质碳汇数据信息;通过混合神经网络模型分析山水林田湖草综合地质碳汇数据信息,进而实现山水林田湖草综合地质碳汇数据信息监测,本申请通过数据分析提高了山水林田湖草综合地质碳汇数据信息;并将检测到的山水林田湖草综合地质碳汇数据信息通过远程数据传输至近端数据预测能力。
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,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图,其中:
图1为本发明***总体架构示意图;
图2为本发明中信息处理模块的架构示意图;
图3为本发明中信息处理模块工作流程示意图;
图4为本发明中混合神经网络模型结构示意图;
图5为本发明中混合神经网络模型实现生态循环预测方法示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,一种山水林田湖草综合地质碳汇监测***,包括:
远端终端监控设备;用于监控山水林田湖草综合地质碳汇数据信息;并将检测到的山水林田湖草综合地质碳汇数据信息通过远程数据传输至近端数据接口;
近端数据接口;用于接收不同形式的山水林田湖草综合地质碳汇数据信息;并对山水林田湖草综合地质碳汇数据信息进行汇集;
山水林田湖草综合地质数据库;通过存储近端数据接口接收山水林田湖草综合地质碳汇数据信息并对接收到的山水林田湖草综合地质数据库信息进行存储;
信息处理模块;用于处理接收到的山水林田湖草综合地质碳汇数据信息;
混合神经网络模型;用于分析山水林田湖草综合地质碳汇数据信息,进而实现山水林田湖草综合地质碳汇数据信息监测;并且所述混合神经网络模型包括RNN模型和BPNN模型;
显示模块;用于显示山水林田湖草综合地质碳汇数据信息;
其中所述远端终端监控设备通过无线通信的方式与近端数据接口实现数据信息交互,近端数据接口的输出端与山水林田湖草综合地质数据库输入端连接,所述山水林田湖草综合地质数据库输出端与信息处理模块的输入端连接,所述信息处理模块的输出端与混合神经网络模型的输入端连接,所述混合神经网络模型的输出端与显示模块的输入端连接。
在上述实施例中,远端终端监控设备为物联网监控设备或者区块链节点设备。
在具体实施例中,物联网监控设备能够通过远程或者近端实现山水林田湖草综合地质数据信息的传输,区块链节点设备能够通过区块链网络实现山水林田湖草综合地质数据信息的传输,通过这种方式,便于用户对山水林田湖草综合地质数据信息进行传递,以提高山水林田湖草综合地质数据信息的监控或者接收能力。
在上述实施例中,如图2所示,所述信息处理模块包括数据输入端、数据分级模块、数据过滤模块和数据输出端,其中所述数据输入端的输出端与数据分级模块的输入端连接,所述数据分级模块的输出端与数据过滤模块的输入端连接,所述数据过滤模块的输出端与数据输出端的输入端连接。
在上述实施例中,如图3所示,所述信息处理模块实现数据信息的处理方法方法为:
步骤一、通过数据输入端输入远端终端监控设备传递的数据信息,首先定义山水林田湖草综合地质数据信息的数据属性,远端终端监控设备传递的数据信息记作为m;
步骤二、通过数据分级模块实现山水林田湖草综合地质数据信息的分级,以便于
滤除不同等级的数据信息;山水林田湖草综合地质数据信息的分级精度设置为,分级精
度的阈值设置为R,当时,则无需对该山水林田湖草综合地质数据信息进行过滤,反
之,当,则需对该山水林田湖草综合地质数据信息进行过滤;
步骤四、通过数据输出端实现山水林田湖草综合地质数据信息的输出。
在上述实施例中,如图4-图5所示,混合神经网络模型包括:
生态数据信息输入端子;用于输入诸如植株面积、高度、密度或者种类的数据信息以及影响生态循环的光照、风力或者光照强度的气候因素数据信息;
特征提取模块,通过RNN模型提取山水林田湖草综合地质数据信息,所述特征提取模块包括遗忘门、输入门和输出门,其中所述遗忘门的输出端与输入门的输入端连接,所述输入门的输出端与输出门的输入端连接;
生态循环预测模块,通过BPNN模型实现山水林田湖草综合地质数据信息的预测;其中所述RNN模型的输出端与BPNN模型的输入端连接;
生态循环预测输出模块,用于实现生态循环预测模块预测结果的输出,所述生态循环预测输出模块包括混合模型训练模块和最优模型输出模块,其中所述混合模型训练模块的输出端与最优模型输出模块的输入端连接;最优模型输出模块为生态循环预测最佳数据输出;
其中所述生态数据信息输入端子的输出端与特征提取模块的输入端连接,所述特征提取模块的输出端与生态循环预测模块的输入端连接,所述生态循环预测模块的输出端与生态循环预测输出模块的输入端连接。
在具体实施例中,大型山水林田湖草综合地质的地质碳汇数据在时间维度上具有周期性和迟滞性特点,地质碳汇数据作为时间序列数据受到各种因素的影响。该发明对大型山水林田湖草综合地质运行阶段的地质碳循环进行预测,有利于提高山水林田湖草综合地质整体绿色循环水平,完成地质碳汇优化控制和生态平衡等地质碳汇预测任务。该发明利用循环神经网络(Recurrent Neural Network,RNN)和BP神经网络构建出混合网络预测模型,完成山水林田湖草综合地质碳循环预测。混合神经网络由RNN和BPNN前后连接组成,RNN的输出为BPNN的输入,RNN用来从山水林田湖草综合地质的时序地质碳汇数据中提取重要特征信息,BPNN将提取到的信息完成低维空间映射,输出山水林田湖草综合地质的地质碳循环预测值。
在具体实施例中,混合神经网络模型实现生态循环预测的方法为:
步骤1、通过生态数据信息输入端子输入诸如植株面积、高度、密度或者种类的数据信息以及影响生态循环的光照、风力或者光照强度的气候因素数据信息;
在具体实施例中,混合神经网络的输入数据为山水林田湖草综合地质数据,山水林田湖草综合地质面积、山水林田湖草综合地质植株、温度、相对湿度、光照等多种影响生态环境的数据信息。
在具体实施例中,还存在土壤、环境条件和土地利用变化等影响因素,由于土壤、环境条件和土地利用变化等影响因素与植被的不同,在具体研究中,将非植被地带默认为土壤、环境条件和土地利用变化等影响因素,通过植株高度来反映地理条件,比如当植株低于某个高度,或者密度低于某个数据,则视为无植被。因此本申请通过植被作为实施例分析不同的地质状况。
公式(2)中,表示地质碳循环预测模型的激活函数,表示遗忘门的权重矩
阵,表示输入影响山水林田湖草综合地质生态循环的数据信息,表示上一时刻山水
林田湖草综合地质生态输出信息,表示地质生态平衡数据的激发阈值向量;
通过公式(2)输出RNN模型中遗忘门对输入的山水林田湖草综合地质碳汇数据输出信息,RNN模型中的记忆门决定了输出的影响山水林田湖草综合地质碳汇信息和山水林田湖草综合地质循环数据信息;
记忆门输出函数表示为:
公式(3)表示RNN记忆门对山水林田湖草综合地质碳汇数据输出信息以及影响山水林田湖草综合地质生态平衡的具体操作。通过门之后更新RNN模型的状态,选择遗忘和保留一些山水林田湖草综合地质碳汇信息,新的状态包含了丢弃的上一时刻传递的山水林田湖草综合地质碳汇信息和输入数据中获取的地质碳汇信息。
则遗忘门输出函数为:
步骤3、通过BPNN模型实现数据信息输出;
通过RNN网络处理具有时序特性的山水林田湖草综合地质碳汇数据,提取出数据中的时序特征信息和地质碳汇特征,再输入到BPNN中进行地质碳汇预测;
则BPNN模型输出函数表示为:
公式(5)中,、表示地质碳汇预测模型中输出层和隐藏层的连接权重,、表示预测模型的激发阈值,表示隐藏层的激活函数,表示隐藏层输出的地
质碳汇特征信息,表示输出的山水林田湖草综合地质整体地质碳循环的预测值。
混合模型中的时间步数决定了地质碳循环预测时时间序列长度,地质碳汇时间序列的主要周期可表示为:
在具体实施例中,遗忘门是表示遗忘或丢弃一些信息,遗忘门的任务就是接受一个长期记忆。
通过上述预测,本申请大大提高了山水林田湖草综合地质生态循环预测精度,同时能够降低模型训练的复杂程度。
综上所述,通过RNN模型提取出的数据信息输入到预测模型中山水林田湖草综合地质碳汇数据的特征向量,地质碳循环预测阶段采用BPNN模型输出预测值,特征提取过程与地质碳循环预测过程两者紧密耦合,进而提高了山水林田湖草综合地质循环预测能力和生态循环能力。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和***的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (6)
1.一种山水林田湖草综合地质碳汇监测***,其特征在于:包括:
远端终端监控设备;用于监控山水林田湖草综合地质碳汇数据信息;并将检测到的山水林田湖草综合地质碳汇数据信息通过远程数据传输至近端数据接口;
近端数据接口;用于接收不同形式的山水林田湖草综合地质碳汇数据信息;并对山水林田湖草综合地质碳汇数据信息进行汇集;
山水林田湖草综合地质数据库;通过存储近端数据接口接收山水林田湖草综合地质碳汇数据信息并对接收到的山水林田湖草综合地质数据库信息进行存储;
信息处理模块;用于处理接收到的山水林田湖草综合地质碳汇数据信息;
混合神经网络模型;用于分析山水林田湖草综合地质碳汇数据信息,进而实现山水林田湖草综合地质碳汇数据信息监测;并且所述混合神经网络模型包括RNN模型和BPNN模型;
显示模块;用于显示山水林田湖草综合地质碳汇数据信息;
其中所述远端终端监控设备通过无线通信的方式与近端数据接口实现数据信息交互,近端数据接口的输出端与山水林田湖草综合地质数据库输入端连接,所述山水林田湖草综合地质数据库输出端与信息处理模块的输入端连接,所述信息处理模块的输出端与混合神经网络模型的输入端连接,所述混合神经网络模型的输出端与显示模块的输入端连接。
2.根据权利要求1所述的一种山水林田湖草综合地质碳汇监测***,其特征在于:远端终端监控设备为物联网监控设备或者区块链节点设备。
3.根据权利要求1所述的一种山水林田湖草综合地质碳汇监测***,其特征在于:所述信息处理模块包括数据输入端、数据分级模块、数据过滤模块和数据输出端,其中所述数据输入端的输出端与数据分级模块的输入端连接,所述数据分级模块的输出端与数据过滤模块的输入端连接,所述数据过滤模块的输出端与数据输出端的输入端连接。
4.根据权利要求3所述的一种山水林田湖草综合地质碳汇监测***,其特征在于:所述信息处理模块实现数据信息的处理方法方法为:
步骤一、通过数据输入端输入远端终端监控设备传递的数据信息,首先定义山水林田湖草综合地质数据信息的数据属性,远端终端监控设备传递的数据信息记作为m;
步骤二、通过数据分级模块实现山水林田湖草综合地质数据信息的分级,以便于滤除
不同等级的数据信息;山水林田湖草综合地质数据信息的分级精度设置为,分级精度的
阈值设置为R,当时,则无需对该山水林田湖草综合地质数据信息进行过滤,反之,当,则需对该山水林田湖草综合地质数据信息进行过滤;
步骤四、通过数据输出端实现山水林田湖草综合地质数据信息的输出。
5.根据权利要求1所述的一种山水林田湖草综合地质碳汇监测***,其特征在于:混合神经网络模型包括:
生态数据信息输入端子;用于输入诸如植株面积、高度、密度或者种类的数据信息以及影响生态循环的光照、风力或者光照强度的气候因素数据信息;
特征提取模块,通过RNN模型提取山水林田湖草综合地质数据信息,所述特征提取模块包括遗忘门、输入门和输出门,其中所述遗忘门的输出端与输入门的输入端连接,所述输入门的输出端与输出门的输入端连接;
生态循环预测模块,通过BPNN模型实现山水林田湖草综合地质数据信息的预测;其中所述RNN模型的输出端与BPNN模型的输入端连接;
生态循环预测输出模块,用于实现生态循环预测模块预测结果的输出,所述生态循环预测输出模块包括混合模型训练模块和最优模型输出模块,其中所述混合模型训练模块的输出端与最优模型输出模块的输入端连接;
其中所述生态数据信息输入端子的输出端与特征提取模块的输入端连接,所述特征提取模块的输出端与生态循环预测模块的输入端连接,所述生态循环预测模块的输出端与生态循环预测输出模块的输入端连接。
6.根据权利要求5所述的一种山水林田湖草综合地质碳汇监测***,其特征在于:混合神经网络模型实现生态循环预测的方法为:
步骤1、通过生态数据信息输入端子输入诸如植株面积、高度、密度或者种类的数据信息以及影响生态循环的光照、风力或者光照强度的气候因素数据信息;
公式(2)中,表示地质碳循环预测模型的激活函数,表示遗忘门的权重矩阵,
表示输入影响山水林田湖草综合地质生态循环的数据信息,表示上一时刻山水林田湖
草综合地质生态输出信息,表示地质生态平衡数据的激发阈值向量;
记忆门输出函数表示为:
则遗忘门输出函数为:
步骤3、通过BPNN模型实现数据信息输出;
BPNN模型输出函数表示为:
公式(5)中,、表示地质碳汇预测模型中输出层和隐藏层的连接权重,、表示预测模型的激发阈值,表示隐藏层的激活函数,表示隐藏层输出的地质碳汇
特征信息,表示输出的山水林田湖草综合地质整体地质碳循环的预测值;
地质碳汇时间序列的主要周期可表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210658859.6A CN114757449B (zh) | 2022-06-13 | 2022-06-13 | 一种山水林田湖草综合地质碳汇监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210658859.6A CN114757449B (zh) | 2022-06-13 | 2022-06-13 | 一种山水林田湖草综合地质碳汇监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757449A true CN114757449A (zh) | 2022-07-15 |
CN114757449B CN114757449B (zh) | 2022-08-12 |
Family
ID=82336300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210658859.6A Active CN114757449B (zh) | 2022-06-13 | 2022-06-13 | 一种山水林田湖草综合地质碳汇监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757449B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375203A (zh) * | 2022-10-25 | 2022-11-22 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种多要素水资源优化配置的综合分析*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274264A (zh) * | 2020-01-16 | 2020-06-12 | 朱恒华 | 一种矿山地质环境水土检测指标实时传输分析*** |
AU2020103423A4 (en) * | 2020-11-13 | 2021-01-28 | Nanjing Forestry University | Identification Method of Land Suitable for Afforestation in Karst Area Based on Neural Network System |
CN112884088A (zh) * | 2021-04-08 | 2021-06-01 | 兰州交通大学 | 一种基于神经网络模型的森林碳储量计算方法 |
-
2022
- 2022-06-13 CN CN202210658859.6A patent/CN114757449B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274264A (zh) * | 2020-01-16 | 2020-06-12 | 朱恒华 | 一种矿山地质环境水土检测指标实时传输分析*** |
AU2020103423A4 (en) * | 2020-11-13 | 2021-01-28 | Nanjing Forestry University | Identification Method of Land Suitable for Afforestation in Karst Area Based on Neural Network System |
CN112884088A (zh) * | 2021-04-08 | 2021-06-01 | 兰州交通大学 | 一种基于神经网络模型的森林碳储量计算方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375203A (zh) * | 2022-10-25 | 2022-11-22 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种多要素水资源优化配置的综合分析*** |
Also Published As
Publication number | Publication date |
---|---|
CN114757449B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442666B (zh) | 一种基于神经网络模型的矿产资源预测方法及*** | |
CN115829120A (zh) | 基于机器学习方法的水质预测预警*** | |
US20230203925A1 (en) | Porosity prediction method based on selective ensemble learning | |
Montalbo et al. | Classification of fish species with augmented data using deep convolutional neural network | |
CN114757449B (zh) | 一种山水林田湖草综合地质碳汇监测*** | |
CN114821976B (zh) | 一种多要素岩溶塌陷的智能预报*** | |
CN106650102A (zh) | 一种基于灰色关联的海洋混凝土耐久性能预测模型参数确定方法 | |
CN108229726A (zh) | 一种碎块石边坡灾变险情预警预报方法 | |
CN116187210B (zh) | 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 | |
CN116257792B (zh) | 一种智慧城市碳中和数据分析*** | |
Clark | The human ecology of global change*. | |
CN112819659A (zh) | 旅游景点开发与评价方法 | |
CN111178641B (zh) | 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 | |
CN115809601A (zh) | 一种沉积岩构造背景判别方法 | |
CN116822381A (zh) | 一种基于人工智能的海洋温盐结构反演方法 | |
CN114429189A (zh) | 一种高泛用性滑坡位移速率预警方法 | |
CN117030957A (zh) | 近海营养盐和化学需氧量的遥感反演方法及*** | |
CN110671092A (zh) | 油气产能检测方法及*** | |
Kisi et al. | Wind speed prediction by using different wavelet conjunction models | |
CN116151487B (zh) | 预测海面溢油轨迹的物理知识与数据混合驱动的预测算法 | |
Mu et al. | PIRT: A physics-informed red tide deep learning forecast model considering causal-inferred predictors selection | |
Campana et al. | The role of technology and digital innovation in sustainability and decarbonization of the blue economy | |
CN115828758A (zh) | 基于改进烟花算法优化网络的海水三维预测方法及*** | |
Ojala et al. | Comparison of soil phosphorus extractants as predictors of mycorrhizal dependency | |
CN114782740A (zh) | 结合遗传优化与极端梯度提升的遥感水质监测方法 |
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 | ||
GR01 | Patent grant |