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 PDF

Info

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
Application number
CN202210658859.6A
Other languages
English (en)
Other versions
CN114757449B (zh
Inventor
张云峰
毕雯雯
安美艳
魏善明
刘东义
李生清
陈燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources
Original Assignee
No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources filed Critical No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources
Priority to CN202210658859.6A priority Critical patent/CN114757449B/zh
Publication of CN114757449A publication Critical patent/CN114757449A/zh
Application granted granted Critical
Publication of CN114757449B publication Critical patent/CN114757449B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种山水林田湖草综合地质碳汇监测***
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
Figure 25206DEST_PATH_IMAGE001
，分级精 度的阈值设置为R，当
Figure 749711DEST_PATH_IMAGE002
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
Figure 47968DEST_PATH_IMAGE003
，则需对该山水林田湖草综合地质数据信息进行过滤；
步骤三、通过数据过滤模块对分级后的山水林田湖草综合地质数据信息进行过 滤，当过滤信息的上限数据信息记作为
Figure 622038DEST_PATH_IMAGE004
，过滤信息的下限数据信息记作为
Figure 929522DEST_PATH_IMAGE005
，数据过滤 模块的过滤程度记作为
Figure 977375DEST_PATH_IMAGE006
，则过滤函数为：
Figure 961380DEST_PATH_IMAGE007
（1）
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；
步骤2、通过RNN模型中遗忘门接收当前时刻输入的山水林田湖草综合地质碳汇数 据
Figure 507899DEST_PATH_IMAGE008
和上一时刻网络状态
Figure 573070DEST_PATH_IMAGE009
，则遗忘门输出数据记作为：
Figure 521434DEST_PATH_IMAGE010
（2）
公式（2）中，
Figure 941920DEST_PATH_IMAGE011
表示地质碳循环预测模型的激活函数，
Figure 975735DEST_PATH_IMAGE012
表示遗忘门的权重矩 阵，
Figure 375755DEST_PATH_IMAGE013
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，
Figure 631155DEST_PATH_IMAGE014
表示上一时刻山水林 田湖草综合地质生态输出信息，
Figure 973275DEST_PATH_IMAGE015
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：
Figure 245119DEST_PATH_IMAGE016
（3）
公式（3）中，
Figure 635780DEST_PATH_IMAGE017
、
Figure 808004DEST_PATH_IMAGE018
表示记忆门的激活函数，
Figure 55446DEST_PATH_IMAGE019
、
Figure 80165DEST_PATH_IMAGE020
表示地质碳汇预测模型中的权 重矩阵，
Figure 523784DEST_PATH_IMAGE021
、
Figure 301248DEST_PATH_IMAGE022
表示RNN模型的偏移量，
Figure 470323DEST_PATH_IMAGE023
表示逐步增加的山水林田湖草综合地质碳汇数据新 状态。
则遗忘门输出函数为：
Figure 700447DEST_PATH_IMAGE024
（4）
公式（4）中，
Figure 10075DEST_PATH_IMAGE025
表示遗忘门的输出，
Figure 845307DEST_PATH_IMAGE026
表示上一时刻状态信息，
Figure 185283DEST_PATH_IMAGE027
表示记忆门输出，
Figure 433862DEST_PATH_IMAGE028
表示新的山水林田湖草综合地质碳汇数据输出信息候选向量。
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：
Figure 16022DEST_PATH_IMAGE029
（5）
公式（5）中，
Figure 456493DEST_PATH_IMAGE030
、
Figure 482218DEST_PATH_IMAGE031
表示地质碳汇预测模型中输出层和隐藏层的连接权重，
Figure 936202DEST_PATH_IMAGE032
、
Figure 338364DEST_PATH_IMAGE033
表示预测模型的激发阈值，
Figure 430079DEST_PATH_IMAGE034
表示隐藏层的激活函数，
Figure 626705DEST_PATH_IMAGE035
表示隐藏层输出的地质 碳汇特征信息，
Figure 771248DEST_PATH_IMAGE036
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：
Figure 445943DEST_PATH_IMAGE037
（6）
公式（6）中，
Figure 923323DEST_PATH_IMAGE038
表示完成一次生态循环的时间，
Figure 290850DEST_PATH_IMAGE039
表示一次生态循环的频 率，N表示完成一次生态循环的生命周期。
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
Figure 657109DEST_PATH_IMAGE040
，分级精 度的阈值设置为R，当
Figure 886228DEST_PATH_IMAGE041
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
Figure 467382DEST_PATH_IMAGE042
，则需对该山水林田湖草综合地质数据信息进行过滤；
步骤三、通过数据过滤模块对分级后的山水林田湖草综合地质数据信息进行过 滤，当过滤信息的上限数据信息记作为
Figure 458340DEST_PATH_IMAGE043
，过滤信息的下限数据信息记作为
Figure 344519DEST_PATH_IMAGE044
，数据过 滤模块的过滤程度记作为
Figure 829858DEST_PATH_IMAGE045
，则过滤函数为：
Figure 514786DEST_PATH_IMAGE046
（1）
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。
步骤2、通过RNN模型中遗忘门接收当前时刻输入的山水林田湖草综合地质碳汇数 据
Figure 224116DEST_PATH_IMAGE047
和上一时刻网络状态
Figure 964687DEST_PATH_IMAGE048
，则遗忘门输出数据记作为：
Figure 237405DEST_PATH_IMAGE049
（2）
公式（2）中，
Figure 793152DEST_PATH_IMAGE050
表示地质碳循环预测模型的激活函数，
Figure 424115DEST_PATH_IMAGE051
表示遗忘门的权重矩 阵，
Figure 2995DEST_PATH_IMAGE052
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，
Figure 610563DEST_PATH_IMAGE053
表示上一时刻山水 林田湖草综合地质生态输出信息，
Figure 286395DEST_PATH_IMAGE054
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：
Figure 25943DEST_PATH_IMAGE055
（3）
公式（3）中，
Figure 403704DEST_PATH_IMAGE056
、
Figure 768957DEST_PATH_IMAGE057
表示记忆门的激活函数，
Figure 784449DEST_PATH_IMAGE058
、
Figure 6483DEST_PATH_IMAGE059
表示地质碳汇预测模型中的 权重矩阵，
Figure 871539DEST_PATH_IMAGE060
、
Figure 571642DEST_PATH_IMAGE061
表示RNN模型的偏移量，
Figure 644903DEST_PATH_IMAGE062
表示逐步增加的山水林田湖草综合地质碳汇数据 新状态。
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：
Figure 287105DEST_PATH_IMAGE063
（4）
公式（4）中，
Figure 124611DEST_PATH_IMAGE064
表示遗忘门的输出，
Figure 644717DEST_PATH_IMAGE065
表示上一时刻状态信息，
Figure 821751DEST_PATH_IMAGE066
表示记忆门输出，
Figure 634855DEST_PATH_IMAGE067
表示新的山水林田湖草综合地质碳汇数据输出信息候选向量。
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：
Figure 225237DEST_PATH_IMAGE068
（5）
公式（5）中，
Figure 17874DEST_PATH_IMAGE069
、
Figure 111732DEST_PATH_IMAGE070
表示地质碳汇预测模型中输出层和隐藏层的连接权重，
Figure 299000DEST_PATH_IMAGE071
、
Figure 596252DEST_PATH_IMAGE072
表示预测模型的激发阈值，
Figure 973006DEST_PATH_IMAGE073
表示隐藏层的激活函数，
Figure 170638DEST_PATH_IMAGE074
表示隐藏层输出的地 质碳汇特征信息，
Figure 76277DEST_PATH_IMAGE075
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：
Figure 64087DEST_PATH_IMAGE076
（6）
公式（6）中，
Figure 713374DEST_PATH_IMAGE077
表示完成一次生态循环的时间，
Figure 31092DEST_PATH_IMAGE078
表示一次生态循环的频 率，N表示完成一次生态循环的生命周期。
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
Figure 270672DEST_PATH_IMAGE001
，分级精度的 阈值设置为R，当
Figure 656654DEST_PATH_IMAGE002
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
Figure 124807DEST_PATH_IMAGE003
，则需对该山水林田湖草综合地质数据信息进行过滤；
步骤三、通过数据过滤模块对分级后的山水林田湖草综合地质数据信息进行过滤，当 过滤信息的上限数据信息记作为
Figure 457699DEST_PATH_IMAGE004
，过滤信息的下限数据信息记作为
Figure 131126DEST_PATH_IMAGE005
，数据过滤模块 的过滤程度记作为
Figure 352987DEST_PATH_IMAGE006
，则过滤函数为：
Figure 557704DEST_PATH_IMAGE007
（1）
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；
步骤2、通过RNN模型中遗忘门接收当前时刻输入的山水林田湖草综合地质碳汇数据
Figure 740292DEST_PATH_IMAGE008
和上一时刻网络状态
Figure 81275DEST_PATH_IMAGE009
，则遗忘门输出数据记作为：
Figure 435158DEST_PATH_IMAGE010
（2）
公式（2）中，
Figure 110859DEST_PATH_IMAGE011
表示地质碳循环预测模型的激活函数，
Figure 785554DEST_PATH_IMAGE012
表示遗忘门的权重矩阵，
Figure 997354DEST_PATH_IMAGE013
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，
Figure 161620DEST_PATH_IMAGE014
表示上一时刻山水林田湖 草综合地质生态输出信息，
Figure 324616DEST_PATH_IMAGE015
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：
Figure 960259DEST_PATH_IMAGE016
（3）
公式（3）中，
Figure 275834DEST_PATH_IMAGE017
、
Figure 797951DEST_PATH_IMAGE018
表示记忆门的激活函数，
Figure 261294DEST_PATH_IMAGE019
、
Figure 762944DEST_PATH_IMAGE020
表示地质碳汇预测模型中的权重矩 阵，
Figure 119976DEST_PATH_IMAGE021
、
Figure 829306DEST_PATH_IMAGE022
表示RNN模型的偏移量，
Figure 468360DEST_PATH_IMAGE023
表示逐步增加的山水林田湖草综合地质碳汇数据新状 态；
则遗忘门输出函数为：
Figure 22970DEST_PATH_IMAGE024
（4）
公式（4）中，
Figure 359142DEST_PATH_IMAGE025
表示遗忘门的输出，
Figure 973794DEST_PATH_IMAGE026
表示上一时刻状态信息，
Figure 772248DEST_PATH_IMAGE027
表示记忆门输出，
Figure 379816DEST_PATH_IMAGE028
表示新的山水林田湖草综合地质碳汇数据输出信息候选向量；
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：
Figure 524489DEST_PATH_IMAGE029
（5）
公式（5）中，
Figure 326354DEST_PATH_IMAGE030
、
Figure 986006DEST_PATH_IMAGE031
表示地质碳汇预测模型中输出层和隐藏层的连接权重，
Figure 131685DEST_PATH_IMAGE032
、
Figure 130865DEST_PATH_IMAGE033
表示预测模型的激发阈值，
Figure 775735DEST_PATH_IMAGE034
表示隐藏层的激活函数，
Figure 375213DEST_PATH_IMAGE035
表示隐藏层输出的地质碳汇 特征信息，
Figure 75316DEST_PATH_IMAGE036
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：
Figure 945314DEST_PATH_IMAGE037
（6）
公式（6）中，
Figure 603828DEST_PATH_IMAGE038
表示完成一次生态循环的时间，
Figure 690602DEST_PATH_IMAGE039
表示一次生态循环的频率，N表 示完成一次生态循环的生命周期。
CN202210658859.6A 2022-06-13 2022-06-13 一种山水林田湖草综合地质碳汇监测*** Active CN114757449B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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