CN115494047A - 一种水环境农业污染物的检测方法及*** - Google Patents
一种水环境农业污染物的检测方法及*** Download PDFInfo
- Publication number
- CN115494047A CN115494047A CN202211437224.XA CN202211437224A CN115494047A CN 115494047 A CN115494047 A CN 115494047A CN 202211437224 A CN202211437224 A CN 202211437224A CN 115494047 A CN115494047 A CN 115494047A
- Authority
- CN
- China
- Prior art keywords
- agricultural
- pollutants
- water environment
- pollutant
- raman spectrum
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biochemistry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种水环境农业污染物的检测方法及***,包括:获取目标水环境区域待检测水样的拉曼光谱数据进行预处理;通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型对待检测水样中农业污染物进行定性估计;利用卷积神经网络进行待检测水样的污染物浓度预测,对目标水环境区域进行农业污染物评估;获取目标水环境区域的环境特征及地理特征,根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合环境特征及地理特征确定农业污染物治理方向。本发明通过建立农业污染物检测模型,对目标水环境中的农业污染物进行检测,对水环境污染的监控及治理提供了重要的辅助作用,进而保障了水环境质量。
Description
技术领域
本发明涉及污染物检测技术领域,更具体的,涉及一种水环境农业污染物的检测方法及***。
背景技术
农业污染是指农业生产过程中产生的未经合理处置的污染物对环境的污染,目前,农业污染物的排放是水环境恶化的主要原因之一,农业污染物的来源主要包括农业生产过程中不合理使用而流失的农药、化肥、残留农用薄膜及处理不当禽畜粪便等,这些物质在水中累积,将破坏水体环境,导致水中生物大量死亡,间接危害人体健康,引发各种疾病,给生态环境和生物健康带来极大风险;因此为了从根本上控制农业污染物对水环境的危害,必须重视水环境中农业污染物的检测技术。
对复杂环境介质中的典型污染物进行快速、精准甚至远程连续自动的检测,是控制环境污染、确保环境和生态安全的重要前提。而在目前的水环境污染物检测中缺少快速检测技术,并且效率及准确性不高。拉曼光谱具有无需制备样品,原位无损快速检测,可直接检测水溶液等优势在诸多领域得到了广泛应用,因此利用拉曼光谱技术结合深度学***。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种水环境农业污染物的检测方法及***。
本发明第一方面提供了一种水环境农业污染物的检测方法,包括:
获取目标水环境区域待检测水样的拉曼光谱数据,对所述拉曼光谱数据进行预处理;
通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,通过所述训练集对检测模型进行迭代训练,使用训练好的检测模型对待检测水样中农业污染物进行定性估计;
利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估;
获取目标水环境区域的环境特征及地理特征,根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合所述环境特征及地理特征确定农业污染物治理方向。
本方案中,所述的获取目标水环境区域待检测水样的拉曼光谱数据,对所述拉曼光谱数据进行预处理,具体为:
测量目标水环境区域待检测水样的拉曼光谱数据,将所述拉曼光谱数据采用基线校正去除荧光背景,同时通过标准正态变换及平滑滤波进行滤波去噪;
将去噪后的拉曼光谱数据进行归一化处理,对归一化处理后的拉曼光谱数据进行特征提取。
本方案中,所述的通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,具体为:
通过大数据检索方法获取不同种农业污染物拉曼光谱数据,将获取的不同种农业污染物的拉曼光谱数据进行预处理,基于预处理后的拉曼光谱数据构建训练集及测试集;
利用遗传算法对训练集中的数据进行筛选,将训练集中拉曼光谱数据生成初始群体,并通过染色体二进制进行编码表示拉曼光谱数据中的波长变量;
通过适应度函数计算染色体个体适应度,通过迭代训练进行选择,交叉,变异生成下一代群体,当满足终止条件时,进行解码获取不同种农业污染物的最优波长变量;
根据所述最优波长变量获取对应光谱峰数据更新所述训练集,基于LSTM网络构建检测模型,通过更新后训练集对检测模型进行训练,并通过测试集对检测模型进行准确性评价。
本方案中,所述检测模型,还包括:
基于遗传算法对构建好的LSTM模型参数寻找最优参数值,将检测模型的准确性精度作为遗传算法的适应度;
初始化染色体种群参数,采用二进制编码,计算个体适应度,通过迭代训练进行选择,交叉,变异直到最大迭代次数,获取最高准确性精度对应的染色体个体;
对最高准确性精度对应的染色体个体进行解码获取LSTM模型的层数、每层的神经元数量及全连接层的层数及全连接层每层神经元的个数;
通过最优超参数对检测模型进行设置,通过训练集对检测模型进行训练,将预处理后的待检测水样的拉曼光谱数据输入检测模型进行分类预测,通过softmax函数输出分类结果。
本方案中,所述的利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估,具体为:
在检测模型的基础上结合卷积神经网络进行目标水环境区域待检测水样中农业污染物的定量分析,通过不同种农业污染物的不同浓度溶液对应的拉曼光谱数据进行迭代训练;
根据目标水环境区域待检测水样的拉曼光谱的波峰强度和波峰宽度导入卷积神经网络进行农业污染物的浓度预测,完成农业污染物的定量估计;
根据农业污染物预设评价指标,根据目标水环境区域待检测水样的农业污染物种类信息、种类数量及浓度信息通过预设评分机制获取各评价指标的评价得分;
根据各评价指标的评价得分获取目标水环境区域的农业污染物评估得分,根据所述农业污染物评估得分生成对应的农业污染物等级。
本方案中,所述的根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合所述环境特征及地理特征确定农业污染物治理方向,具体为:
获取目标水环境区域农业污染物评估结果,根据评估结果获取目标水环境区域的主要农业污染物种类,并调查当地的土地种植习惯及禽畜养殖习惯;
根据所述主要农业污染物种类及与土地种植习惯与禽畜养殖习惯确定主要农业污染物来源;
分析目标水环境区域各来水点处混合水体的农业污染物评估结果,根据各来水点处混合水体的农业污染物评估结果判断补给水源的污染程度;
获取目标水环境区域所在度的环境特征及地理特征,根据环境特征获取气象影响因素,根据地理特征、气象影响因素及历史降水量判断当前农业基础设施能否能够承担汛期及农业生产需求排水需求;
根据目标水环境区域的主要农业污染物来源、补给水源的污染程度及所在地的农业基础设施排水能力确定农业污染物治理方向。
本发明第二方面还提供了一种水环境农业污染物的检测***,该***包括:存储器、处理器,所述存储器中包括一种水环境农业污染物的检测方法程序,所述一种水环境农业污染物的检测方法程序被所述处理器执行时实现如下步骤:
获取目标水环境区域待检测水样的拉曼光谱数据,对所述拉曼光谱数据进行预处理;
通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,通过所述训练集对检测模型进行迭代训练,使用训练好的检测模型对待检测水样中农业污染物进行定性估计;
利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估;
获取目标水环境区域的环境特征及地理特征,根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合所述环境特征及地理特征确定农业污染物治理方向。
本方案中,所述的获取目标水环境区域待检测水样的拉曼光谱数据,对所述拉曼光谱数据进行预处理,具体为:
测量目标水环境区域待检测水样的拉曼光谱数据,将所述拉曼光谱数据采用基线校正去除荧光背景,同时通过标准正态变换及平滑滤波进行滤波去噪;
将去噪后的拉曼光谱数据进行归一化处理,对归一化处理后的拉曼光谱数据进行特征提取。
本方案中,所述的通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,具体为:
通过大数据检索方法获取不同种农业污染物拉曼光谱数据,将获取的不同种农业污染物的拉曼光谱数据进行预处理,基于预处理后的拉曼光谱数据构建训练集及测试集;
利用遗传算法对训练集中的数据进行筛选,将训练集中拉曼光谱数据生成初始群体,并通过染色体二进制进行编码表示拉曼光谱数据中的波长变量;
通过适应度函数计算染色体个体适应度,通过迭代训练进行选择,交叉,变异生成下一代群体,当满足终止条件时,进行解码获取不同种农业污染物的最优波长变量;
根据所述最优波长变量获取对应光谱峰数据更新所述训练集,基于LSTM网络构建检测模型,通过更新后训练集对检测模型进行训练,并通过测试集对检测模型进行准确性评价。
本方案中,所述检测模型,还包括:
基于遗传算法对构建好的LSTM模型参数寻找最优参数值,将检测模型的准确性精度作为遗传算法的适应度;
初始化染色体种群参数,采用二进制编码,计算个体适应度,通过迭代训练进行选择,交叉,变异直到最大迭代次数,获取最高准确性精度对应的染色体个体;
对最高准确性精度对应的染色体个体进行解码获取LSTM模型的层数、每层的神经元数量及全连接层的层数及全连接层每层神经元的个数;
通过最优超参数对检测模型进行设置,通过训练集对检测模型进行训练,将预处理后的待检测水样的拉曼光谱数据输入检测模型进行分类预测,通过softmax函数输出分类结果。
本方案中,所述的利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估,具体为:
在检测模型的基础上结合卷积神经网络进行目标水环境区域待检测水样中农业污染物的定量分析,通过不同种农业污染物的不同浓度溶液对应的拉曼光谱数据进行迭代训练;
根据目标水环境区域待检测水样的拉曼光谱的波峰强度和波峰宽度导入卷积神经网络进行农业污染物的浓度预测,完成农业污染物的定量估计;
根据农业污染物预设评价指标,根据目标水环境区域待检测水样的农业污染物种类信息、种类数量及浓度信息通过预设评分机制获取各评价指标的评价得分;
根据各评价指标的评价得分获取目标水环境区域的农业污染物评估得分,根据所述农业污染物评估得分生成对应的农业污染物等级。
本方案中,所述的根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合所述环境特征及地理特征确定农业污染物治理方向,具体为:
获取目标水环境区域农业污染物评估结果,根据评估结果获取目标水环境区域的主要农业污染物种类,并调查当地的土地种植习惯及禽畜养殖习惯;
根据所述主要农业污染物种类及与土地种植习惯与禽畜养殖习惯确定主要农业污染物来源;
分析目标水环境区域各来水点处混合水体的农业污染物评估结果,根据各来水点处混合水体的农业污染物评估结果判断补给水源的污染程度;
获取目标水环境区域所在度的环境特征及地理特征,根据环境特征获取气象影响因素,根据地理特征、气象影响因素及历史降水量判断当前农业基础设施能否能够承担汛期及农业生产需求排水需求;
根据目标水环境区域的主要农业污染物来源、补给水源的污染程度及所在地的农业基础设施排水能力确定农业污染物治理方向。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括水环境农业污染物的检测方法程序,所述水环境农业污染物的检测方法程序被处理器执行时,实现如上述任一项所述的水环境农业污染物的检测方法的步骤。
本发明公开了一种水环境农业污染物的检测方法及***,包括:获取目标水环境区域待检测水样的拉曼光谱数据进行预处理;通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型对待检测水样中农业污染物进行定性估计;利用卷积神经网络进行待检测水样的污染物浓度预测,对目标水环境区域进行农业污染物评估;获取目标水环境区域的环境特征及地理特征,根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合环境特征及地理特征确定农业污染物治理方向。本发明通过建立农业污染物检测模型,对目标水环境中的农业污染物进行检测,对水环境污染的监控及治理提供了重要的辅助作用,进而保障了水环境质量。
附图说明
图1示出了本发明一种水环境农业污染物的检测方法的流程图;
图2示出了本发明基于LSTM网络构建检测模型的方法流程图;
图3示出了本发明对目标水环境区域进行农业污染物评估的方法流程图;
图4示出了本发明一种水环境农业污染物的检测***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种水环境农业污染物的检测方法的流程图。
如图1所示,本发明第一方面提供了一种水环境农业污染物的检测方法,包括:
S102,获取目标水环境区域待检测水样的拉曼光谱数据,对所述拉曼光谱数据进行预处理;
S104,通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,通过所述训练集对检测模型进行迭代训练,使用训练好的检测模型对待检测水样中农业污染物进行定性估计;
S106,利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估;
S108,获取目标水环境区域的环境特征及地理特征,根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合所述环境特征及地理特征确定农业污染物治理方向。
需要说明的是,所述农业污染物包括微塑料,农药、化肥、生物助长剂等化学物质以及超量的有机磷、氮、钾等易溶性化合物等,所述的获取目标水环境区域待检测水样的拉曼光谱数据,对所述拉曼光谱数据进行预处理,具体为:测量目标水环境区域待检测水样的拉曼光谱数据,将所述拉曼光谱数据采用基线校正去除荧光背景,其中常用的基线校正算法包括非对称最小二乘基线校正算法等,对输入的光谱数据进行非对称拟合,并保证基线拟合的光滑特性,同时通过标准正态变换对每一条光谱数据进行处理,消除光谱采集过程中光程变换引起的噪声信号,并通过平滑滤波进行滤波去噪,去除光谱采集过程中外界环境变化产生的噪声信号,进一步提升光谱数据的信噪比;将去噪后的拉曼光谱数据进行归一化处理以便于后续数据处理,提高模型的运算速率,对归一化处理后的拉曼光谱数据进行特征提取。
图2示出了本发明基于LSTM网络构建检测模型的方法流程图。
根据本申请实施例,所述的通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,具体为:
S202,通过大数据检索方法获取不同种农业污染物拉曼光谱数据,将获取的不同种农业污染物的拉曼光谱数据进行预处理,基于预处理后的拉曼光谱数据构建训练集及测试集;
S204,利用遗传算法对训练集中的数据进行筛选,将训练集中拉曼光谱数据生成初始群体,并通过染色体二进制进行编码表示拉曼光谱数据中的波长变量;
S206,通过适应度函数计算染色体个体适应度,通过迭代训练进行选择,交叉,变异生成下一代群体,当满足终止条件时,进行解码获取不同种农业污染物的最优波长变量;
S208,根据所述最优波长变量获取对应光谱峰数据更新所述训练集,基于LSTM网络构建检测模型,通过更新后训练集对检测模型进行训练,并通过测试集对检测模型进行准确性评价。
需要说明的是,构建拉曼光谱数据库,将不同种农业污染物对应的拉曼光谱数据存入所述拉曼光谱数据库,通过相似度对比可直接根据光谱特征在拉曼光谱数据库中进行污染物识别等,同时在日常取样检测过程中不断更新拉曼光谱数据库。基于遗传算法对构建好的LSTM模型参数寻找最优参数值,将检测模型的准确性精度作为遗传算法的适应度;初始化染色体种群参数,采用二进制编码,计算个体适应度,在初始化阶段,任意选择一条染色体,然后根据预设的适应度函数确定染色体的适应度,通过迭代训练进行选择,交叉,变异直到最大迭代次数,交叉可以产生优于父代的子群;对最高准确性精度对应的染色体个体进行解码获取LSTM模型的层数、每层的神经元数量及全连接层的层数及全连接层每层神经元的个数;通过最优超参数对检测模型进行设置,通过训练集对检测模型进行训练,将预处理后的待检测水样的拉曼光谱数据输入检测模型进行分类预测,通过softmax函数输出分类结果。
图3示出了本发明对目标水环境区域进行农业污染物评估的方法流程图。
根据本发明实施例,所述的利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估,具体为:
S302,在检测模型的基础上结合卷积神经网络进行目标水环境区域待检测水样中农业污染物的定量分析,通过不同种农业污染物的不同浓度溶液对应的拉曼光谱数据进行迭代训练;
S304,根据目标水环境区域待检测水样的拉曼光谱的波峰强度和波峰宽度导入卷积神经网络进行农业污染物的浓度预测,完成农业污染物的定量估计;
S306,根据农业污染物预设评价指标,根据目标水环境区域待检测水样的农业污染物种类信息、种类数量及浓度信息通过预设评分机制获取各评价指标的评价得分;
S308,根据各评价指标的评价得分获取目标水环境区域的农业污染物评估得分,根据所述农业污染物评估得分生成对应的农业污染物等级。
需要说明的是,通过卷积神经网络实现目标水环境区域的农业污染物的定量分析,使用ReLU激活函数进行回归拟合,并选取L2损失函数,预设初始学习率,训练至损失函数收敛,根据欧式距离计算相似性,从而获取预测浓度和真实浓度之间的差异。构建农业污染物评价体系,根据不同中农业污染物赋予不同的权重信息,根据权重信息结合预设评分机制获取评价得分,在预设评价指标下设置评分阈值区间,根据评价得分所落在的评分阈值区间获取污染物等级。
需要说明的是,所述的根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合所述环境特征及地理特征确定农业污染物治理方向,具体为:
获取目标水环境区域农业污染物评估结果,根据评估结果获取目标水环境区域的主要农业污染物种类,并调查当地的土地种植习惯及禽畜养殖习惯;
根据所述主要农业污染物种类及与土地种植习惯与禽畜养殖习惯确定主要农业污染物来源;
分析目标水环境区域各来水点处混合水体的农业污染物评估结果,根据各来水点处混合水体的农业污染物评估结果判断补给水源的污染程度;
获取目标水环境区域所在度的环境特征及地理特征,根据环境特征获取气象影响因素,根据地理特征、气象影响因素及历史降水量判断当前农业基础设施能否能够承担汛期及农业生产需求排水需求;
根据目标水环境区域的主要农业污染物来源、补给水源的污染程度及所在地的农业基础设施排水能力确定农业污染物治理方向。
其中,调查当地的土地种植习惯包括土地灌溉方式、化肥农药的使用量、秸秆处理方式及机械化农业设备的使用情况等,禽畜养殖习惯包括禽畜养殖方式等,放养的禽畜将自身的粪便等***物***到附近的水环境中造成水环境污染。根据主要污染物来源对当地农田的化肥农药使用量进行适应减少,加大精准施肥及施药力度,根据目标水环境区域预设退耕还林及禁止养殖范围,尽量避免外来污染源,通过相应农业机械的使用,可以在收割工作时将剩余的残留物进行处理和收取,防止农作物的残留物无法降解导致水环境的污染;对各补给水源进行农业污染物评估对目标水环境区域的污染来源进行针对性治理,汛期高强度的降水加上农田退水,严重影响了断面氮磷等指标,根据地理特征及当前农业基础设施判断是否满足排水需求,从而进行农业基础设施等改进治理。
根据本发明实施例,根据目标水环境区域的农业污染物现状制定生态补偿治理方案,具体为:
根据目标水环境区域农业污染物评估结果确定主要农业污染物,通过所述主要农业污染物结合目标水环境区域温度、光照及营养水平通过大数据检索获取多种适生水生植物信息;
根据历史治理案例获取多种适生水生植物的水质净化效果,根据水质净化效果进行排序选取预设数量的适生水生植物种类;
判断各适生水生植株种类之间的是否存在生长竞争及生长抑制现象,选取不存在生长竞争及生长抑制的适生水生植物种类制定水生植物的组合搭配;
通过水生植物的季相变化及目标水环境区域的农业污染物动态变化生成水生植物的交替互补信息,根据所述交替互补信息改变水生植物的组合搭配;
同时根据交替互补信息确定水生植物的捕捞清理预警,避免二次污染。
需要说明的是,水生植物的搭配组合之间遵循互惠共生,选取不同净化效果的水生植物进行互补,使得净化效果最大化,在水生植物的搭配组合中应适当增加沉水植物的配比,加速污染水体的生态修复,并且根据目标水环境区域的温度、光照,风浪大小及营养水平选取合适的水生植物,例如当水下光照较小时,沉水植物则无法生存。同时水生植物的搭配要适应季节性变化,对根据水生植物的季相变化制定合理的搭配方案,同时定期清理水生植物腐烂叶片,避免产生二次污染。
根据本发明实施例,获取目标水环境区域周围土壤状况,根据土壤状况生成目标水环境区域污染预警,具体为:
获取目标水环境区域周围土壤理化性质及土壤成分信息,根据所述土壤理化性质及土壤成分信息进行土壤有机污染物的评估;
判断周围土壤有机污染物的评估得分是否处于预设评估得分阈值标准;
若不处于,则生成目标水环境区域污染预警,根据土壤有机污染物分级划定退耕范围,在所述退耕范围中进行生态修复,并根据所述土壤理化性质确定土壤修复方案。
预设土壤有机测试指标,根据土壤样本的检测结果通过因子分析法进行评价,提取周围土壤主要的有机污染因子,通过公因子得分进行周围土壤有机污染定量评价及分级。根据土壤有机物污染程度级别结合各采样点具***置设定退耕范围,并根据各采样点的土壤理化性质制定针对性修复方案,包括热脱附等物理修复、污染物分解等化学修复及植株、微生物修复等生物修复。
图4示出了本发明一种水环境农业污染物的检测***的框图。
本发明第二方面还提供了一种水环境农业污染物的检测***4,该***包括:存储器41、处理器42,所述存储器中包括一种水环境农业污染物的检测方法程序,所述一种水环境农业污染物的检测方法程序被所述处理器执行时实现如下步骤:
获取目标水环境区域待检测水样的拉曼光谱数据,对所述拉曼光谱数据进行预处理;
通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,通过所述训练集对检测模型进行迭代训练,使用训练好的检测模型对待检测水样中农业污染物进行定性估计;
利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估;
获取目标水环境区域的环境特征及地理特征,根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合所述环境特征及地理特征确定农业污染物治理方向。
需要说明的是,所述的获取目标水环境区域待检测水样的拉曼光谱数据,对所述拉曼光谱数据进行预处理,具体为:测量目标水环境区域待检测水样的拉曼光谱数据,将所述拉曼光谱数据采用基线校正去除荧光背景,其中常用的基线校正算法包括非对称最小二乘基线校正算法等,对输入的光谱数据进行非对称拟合,并保证基线拟合的光滑特性,同时通过标准正态变换对每一条光谱数据进行处理,消除光谱采集过程中光程变换引起的噪声信号,并通过平滑滤波进行滤波去噪,去除光谱采集过程中外界环境变化产生的噪声信号,进一步提升光谱数据的信噪比;将去噪后的拉曼光谱数据进行归一化处理以便于后续数据处理,提高模型的运算速率,对归一化处理后的拉曼光谱数据进行特征提取。
根据本申请实施例,所述的通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,具体为:
通过大数据检索方法获取不同种农业污染物拉曼光谱数据,将获取的不同种农业污染物的拉曼光谱数据进行预处理,基于预处理后的拉曼光谱数据构建训练集及测试集;
利用遗传算法对训练集中的数据进行筛选,将训练集中拉曼光谱数据生成初始群体,并通过染色体二进制进行编码表示拉曼光谱数据中的波长变量;
通过适应度函数计算染色体个体适应度,通过迭代训练进行选择,交叉,变异生成下一代群体,当满足终止条件时,进行解码获取不同种农业污染物的最优波长变量;
根据所述最优波长变量获取对应光谱峰数据更新所述训练集,基于LSTM网络构建检测模型,通过更新后训练集对检测模型进行训练,并通过测试集对检测模型进行准确性评价。
需要说明的是, 基于遗传算法对构建好的LSTM模型参数寻找最优参数值,将检测模型的准确性精度作为遗传算法的适应度;初始化染色体种群参数,采用二进制编码,计算个体适应度,在初始化阶段,任意选择一条染色体,然后根据预设的适应度函数确定染色体的适应度,通过迭代训练进行选择,交叉,变异直到最大迭代次数,交叉可以产生优于父代的子群;对最高准确性精度对应的染色体个体进行解码获取LSTM模型的层数、每层的神经元数量及全连接层的层数及全连接层每层神经元的个数;通过最优超参数对检测模型进行设置,通过训练集对检测模型进行训练,将预处理后的待检测水样的拉曼光谱数据输入检测模型进行分类预测,通过softmax函数输出分类结果。
根据本发明实施例,所述的利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估,具体为:
在检测模型的基础上结合卷积神经网络进行目标水环境区域待检测水样中农业污染物的定量分析,通过不同种农业污染物的不同浓度溶液对应的拉曼光谱数据进行迭代训练;
根据目标水环境区域待检测水样的拉曼光谱的波峰强度和波峰宽度导入卷积神经网络进行农业污染物的浓度预测,完成农业污染物的定量估计;
根据农业污染物预设评价指标,根据目标水环境区域待检测水样的农业污染物种类信息、种类数量及浓度信息通过预设评分机制获取各评价指标的评价得分;
根据各评价指标的评价得分获取目标水环境区域的农业污染物评估得分,根据所述农业污染物评估得分生成对应的农业污染物等级。
需要说明的是,通过卷积神经网络实现目标水环境区域的污染物的定量分析,使用ReLU激活函数进行回归拟合,并选取L2损失函数,预设初始学习率,训练至损失函数收敛,根据欧式距离计算相似性,从而获取预测浓度和真实浓度之间的差异。构建农业污染物评价体系,根据不同中农业污染物赋予不同的权重信息,根据权重信息结合预设评分机制获取评价得分,在预设评价指标下设置评分阈值区间,根据评价得分所落在的评分阈值区间获取污染物等级。
需要说明的是,所述的根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合所述环境特征及地理特征确定农业污染物治理方向,具体为:
获取目标水环境区域农业污染物评估结果,根据评估结果获取目标水环境区域的主要农业污染物种类,并调查当地的土地种植习惯及禽畜养殖习惯;
根据所述主要农业污染物种类及与土地种植习惯与禽畜养殖习惯确定主要农业污染物来源;
分析目标水环境区域各来水点处混合水体的农业污染物评估结果,根据各来水点处混合水体的农业污染物评估结果判断补给水源的污染程度;
获取目标水环境区域所在度的环境特征及地理特征,根据环境特征获取气象影响因素,根据地理特征、气象影响因素及历史降水量判断当前农业基础设施能否能够承担汛期及农业生产需求排水需求;
根据目标水环境区域的主要农业污染物来源、补给水源的污染程度及所在地的农业基础设施排水能力确定农业污染物治理方向。
其中,调查当地的土地种植习惯包括土地灌溉方式、化肥农药的使用量、秸秆处理方式及机械化农业设备的使用情况等,禽畜养殖习惯包括禽畜养殖方式等,放养的禽畜将自身的粪便等***物***到附近的水环境中造成水环境污染。根据主要污染物来源对当地农田的化肥农药使用量进行适应减少,加大精准施肥及施药力度,根据目标水环境区域预设退耕还林及禁止养殖范围,尽量避免外来污染源,通过相应农业机械的使用,可以在收割工作时将剩余的残留物进行处理和收取,防止农作物的残留物无法降解导致水环境的污染;对各补给水源进行农业污染物评估对目标水环境区域的污染来源进行针对性治理,汛期高强度的降水加上农田退水,严重影响了断面氮磷等指标,根据地理特征及当前农业基础设施判断是否满足排水需求,从而进行农业基础设施等改进治理。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种水环境农业污染物的检测方法程序,所述水环境农业污染物的检测方法程序被处理器执行时,实现如上述任一项所述的一种水环境农业污染物的检测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种水环境农业污染物的检测方法,其特征在于,包括以下步骤:
获取目标水环境区域待检测水样的拉曼光谱数据,对所述拉曼光谱数据进行预处理;
通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,通过所述训练集对检测模型进行迭代训练,使用训练好的检测模型对待检测水样中农业污染物进行定性估计;
利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估;
获取目标水环境区域的环境特征及地理特征,根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合所述环境特征及地理特征确定农业污染物治理方向。
2.根据权利要求1所述的一种水环境农业污染物的检测方法,其特征在于,所述的获取目标水环境区域待检测水样的拉曼光谱数据,对所述拉曼光谱数据进行预处理,具体为:
测量目标水环境区域待检测水样的拉曼光谱数据,将所述拉曼光谱数据采用基线校正去除荧光背景,同时通过标准正态变换及平滑滤波进行滤波去噪;
将去噪后的拉曼光谱数据进行归一化处理,对归一化处理后的拉曼光谱数据进行特征提取。
3.根据权利要求1所述的一种水环境农业污染物的检测方法,其特征在于,所述的通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,具体为:
通过大数据检索方法获取不同种农业污染物拉曼光谱数据,将获取的不同种农业污染物的拉曼光谱数据进行预处理,基于预处理后的拉曼光谱数据构建训练集及测试集;
利用遗传算法对训练集中的数据进行筛选,将训练集中拉曼光谱数据生成初始群体,并通过染色体二进制进行编码表示拉曼光谱数据中的波长变量;
通过适应度函数计算染色体个体适应度,通过迭代训练进行选择,交叉,变异生成下一代群体,当满足终止条件时,进行解码获取不同种农业污染物的最优波长变量;
根据所述最优波长变量获取对应光谱峰数据更新所述训练集,基于LSTM网络构建检测模型,通过更新后训练集对检测模型进行训练,并通过测试集对检测模型进行准确性评价。
4.根据权利要求3所述的一种水环境农业污染物的检测方法,其特征在于,所述检测模型,还包括:
基于遗传算法对构建好的LSTM模型参数寻找最优参数值,将检测模型的准确性精度作为遗传算法的适应度;
初始化染色体种群参数,采用二进制编码,计算个体适应度,通过迭代训练进行选择,交叉,变异直到最大迭代次数,获取最高准确性精度对应的染色体个体;
对最高准确性精度对应的染色体个体进行解码获取LSTM模型的层数、每层的神经元数量及全连接层的层数及全连接层每层神经元的个数;
通过最优超参数对检测模型进行设置,通过训练集对检测模型进行训练,将预处理后的待检测水样的拉曼光谱数据输入检测模型进行分类预测,通过softmax函数输出分类结果。
5.根据权利要求1所述的一种水环境农业污染物的检测方法,其特征在于,所述的利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估,具体为:
在检测模型的基础上结合卷积神经网络进行目标水环境区域待检测水样中农业污染物的定量分析,通过不同种农业污染物的不同浓度溶液对应的拉曼光谱数据进行迭代训练;
根据目标水环境区域待检测水样的拉曼光谱的波峰强度和波峰宽度导入卷积神经网络进行农业污染物的浓度预测,完成农业污染物的定量估计;
根据农业污染物预设评价指标,根据目标水环境区域待检测水样的农业污染物种类信息、种类数量及浓度信息通过预设评分机制获取各评价指标的评价得分;
根据各评价指标的评价得分获取目标水环境区域的农业污染物评估得分,根据所述农业污染物评估得分生成对应的农业污染物等级。
6.根据权利要求1所述的一种水环境农业污染物的检测方法,其特征在于,所述的根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合所述环境特征及地理特征确定农业污染物治理方向,具体为:
获取目标水环境区域农业污染物评估结果,根据评估结果获取目标水环境区域的主要农业污染物种类,并调查当地的土地种植习惯及禽畜养殖习惯;
根据所述主要农业污染物种类及与土地种植习惯与禽畜养殖习惯确定主要农业污染物来源;
分析目标水环境区域各来水点处混合水体的农业污染物评估结果,根据各来水点处混合水体的农业污染物评估结果判断补给水源的污染程度;
获取目标水环境区域所在度的环境特征及地理特征,根据环境特征获取气象影响因素,根据地理特征、气象影响因素及历史降水量判断当前农业基础设施能否能够承担汛期及农业生产需求排水需求;
根据目标水环境区域的主要农业污染物来源、补给水源的污染程度及所在地的农业基础设施排水能力确定农业污染物治理方向。
7.一种水环境农业污染物的检测***,其特征在于,该***包括:存储器、处理器,所述存储器中包括水环境农业污染物的检测方法程序,所述水环境农业污染物的检测方法程序被所述处理器执行时实现如下步骤:
获取目标水环境区域待检测水样的拉曼光谱数据,对所述拉曼光谱数据进行预处理;
通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,通过所述训练集对检测模型进行迭代训练,使用训练好的检测模型对待检测水样中农业污染物进行定性估计;
利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估;
获取目标水环境区域的环境特征及地理特征,根据污染物评估结果确定目标水环境区域农业污染物的主要影响因素,结合所述环境特征及地理特征确定农业污染物治理方向。
8.根据权利要求7所述的一种水环境农业污染物的检测***,其特征在于,所述的通过不同种农业污染物的拉曼光谱数据构建训练集,基于LSTM网络构建检测模型,具体为:
通过大数据检索方法获取不同种农业污染物拉曼光谱数据,将获取的不同种农业污染物的拉曼光谱数据进行预处理,基于预处理后的拉曼光谱数据构建训练集及测试集;
利用遗传算法对训练集中的数据进行筛选,将训练集中拉曼光谱数据生成初始群体,并通过染色体二进制进行编码表示拉曼光谱数据中的波长变量;
通过适应度函数计算染色体个体适应度,通过迭代训练进行选择,交叉,变异生成下一代群体,当满足终止条件时,进行解码获取不同种农业污染物的最优波长变量;
根据所述最优波长变量获取对应光谱峰数据更新所述训练集,基于LSTM网络构建检测模型,通过更新后训练集对检测模型进行训练,并通过测试集对检测模型进行准确性评价。
9.根据权利要求7所述的一种水环境农业污染物的检测***,其特征在于,所述的利用卷积神经网络进行所述待检测水样的农业污染物浓度预测,并对目标水环境区域进行农业污染物评估,具体为:
在检测模型的基础上结合卷积神经网络进行目标水环境区域待检测水样中农业污染物的定量分析,通过不同种农业污染物的不同浓度溶液对应的拉曼光谱数据进行迭代训练;
根据目标水环境区域待检测水样的拉曼光谱的波峰强度和波峰宽度导入卷积神经网络进行农业污染物的浓度预测,完成农业污染物的定量估计;
根据农业污染物预设评价指标,根据目标水环境区域待检测水样的农业污染物种类信息、种类数量及浓度信息通过预设评分机制获取各评价指标的评价得分;
根据各评价指标的评价得分获取目标水环境区域的农业污染物评估得分,根据所述农业污染物评估得分生成对应的农业污染物等级。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括水环境农业污染物的检测方法程序,所述水环境农业污染物的检测方法程序被处理器执行时,实现如权利要求1至6中任一项所述的水环境农业污染物的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437224.XA CN115494047B (zh) | 2022-11-17 | 2022-11-17 | 一种水环境农业污染物的检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437224.XA CN115494047B (zh) | 2022-11-17 | 2022-11-17 | 一种水环境农业污染物的检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115494047A true CN115494047A (zh) | 2022-12-20 |
CN115494047B CN115494047B (zh) | 2023-05-12 |
Family
ID=85115934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211437224.XA Active CN115494047B (zh) | 2022-11-17 | 2022-11-17 | 一种水环境农业污染物的检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115494047B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662853A (zh) * | 2023-05-29 | 2023-08-29 | 新禾数字科技(无锡)有限公司 | 一种自动识别出污染来源解析结果的方法及*** |
CN116703679A (zh) * | 2023-06-21 | 2023-09-05 | 北京市生态环境保护科学研究院 | 一种用于工业企业和工业园区的环保管理***及管理方法 |
CN116842350A (zh) * | 2023-09-01 | 2023-10-03 | 北京建工环境修复股份有限公司 | 一种污染场地植物修复的分析方法、***及介质 |
CN117171675A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于多源数据的水环境微生物检测方法、***及介质 |
CN117371873A (zh) * | 2023-12-01 | 2024-01-09 | 四川省生态环境科学研究院 | 一种基于大数据的环境保护工程用污水评估方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022133962B4 (de) | 2022-12-19 | 2024-07-25 | Friedrich-Schiller-Universität Jena Körperschaft des öffentlichen Rechts | Aufbereitung gemessener raman-spektren mit neuronalen netzwerken |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567938A (zh) * | 2019-09-20 | 2019-12-13 | 谢国宇 | 基于拉曼光谱的污染物组分检测设备和方法 |
CN112903660A (zh) * | 2021-03-11 | 2021-06-04 | 广西大学 | 一种判别流域水体污染现状和污染来源的方法 |
CN113466206A (zh) * | 2021-06-23 | 2021-10-01 | 上海仪电(集团)有限公司中央研究院 | 一种基于大数据的拉曼光谱分析*** |
CN113670894A (zh) * | 2021-10-22 | 2021-11-19 | 港湾之星健康生物(深圳)有限公司 | 拉曼光谱定量监测物质含量的方法 |
CN115219472A (zh) * | 2022-08-12 | 2022-10-21 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种定量识别混合水体多污染源的方法及*** |
-
2022
- 2022-11-17 CN CN202211437224.XA patent/CN115494047B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567938A (zh) * | 2019-09-20 | 2019-12-13 | 谢国宇 | 基于拉曼光谱的污染物组分检测设备和方法 |
CN112903660A (zh) * | 2021-03-11 | 2021-06-04 | 广西大学 | 一种判别流域水体污染现状和污染来源的方法 |
CN113466206A (zh) * | 2021-06-23 | 2021-10-01 | 上海仪电(集团)有限公司中央研究院 | 一种基于大数据的拉曼光谱分析*** |
CN113670894A (zh) * | 2021-10-22 | 2021-11-19 | 港湾之星健康生物(深圳)有限公司 | 拉曼光谱定量监测物质含量的方法 |
CN115219472A (zh) * | 2022-08-12 | 2022-10-21 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种定量识别混合水体多污染源的方法及*** |
Non-Patent Citations (1)
Title |
---|
卢淑怡等: "一种空气污染物浓度预测深度学习平台", 《上海师范大学学报(自然科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662853A (zh) * | 2023-05-29 | 2023-08-29 | 新禾数字科技(无锡)有限公司 | 一种自动识别出污染来源解析结果的方法及*** |
CN116662853B (zh) * | 2023-05-29 | 2024-04-30 | 新禾数字科技(无锡)有限公司 | 一种自动识别出污染来源解析结果的方法及*** |
CN116703679A (zh) * | 2023-06-21 | 2023-09-05 | 北京市生态环境保护科学研究院 | 一种用于工业企业和工业园区的环保管理***及管理方法 |
CN116842350A (zh) * | 2023-09-01 | 2023-10-03 | 北京建工环境修复股份有限公司 | 一种污染场地植物修复的分析方法、***及介质 |
CN116842350B (zh) * | 2023-09-01 | 2023-11-03 | 北京建工环境修复股份有限公司 | 一种污染场地植物修复的分析方法、***及介质 |
CN117171675A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于多源数据的水环境微生物检测方法、***及介质 |
CN117171675B (zh) * | 2023-11-02 | 2024-01-12 | 北京建工环境修复股份有限公司 | 基于多源数据的水环境微生物检测方法、***及介质 |
CN117371873A (zh) * | 2023-12-01 | 2024-01-09 | 四川省生态环境科学研究院 | 一种基于大数据的环境保护工程用污水评估方法 |
CN117371873B (zh) * | 2023-12-01 | 2024-03-26 | 四川省生态环境科学研究院 | 一种基于大数据的环境保护工程用污水评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115494047B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115494047B (zh) | 一种水环境农业污染物的检测方法及*** | |
Dhakate et al. | Diagnosis of pomegranate plant diseases using neural network | |
Jeffers et al. | The role of palaeoecological records in assessing ecosystem services | |
Mokany et al. | Functional identity is more important than diversity in influencing ecosystem processes in a temperate native grassland | |
CN113785676B (zh) | 一种盐碱地土壤改良体系及其构建方法 | |
CN110907393B (zh) | 植物盐碱胁迫程度检测方法及装置 | |
Kocev et al. | Learning habitat models for the diatom community in Lake Prespa | |
CN116629619B (zh) | 一种土壤新污染物赋存状况预测方法及*** | |
Andersen et al. | Seedling performance trade‐offs influencing habitat filtering along a soil nutrient gradient in a tropical forest | |
CN116384776A (zh) | 基于模糊评价的场地污染评估方法、***及存储介质 | |
Concepcion II et al. | Trophic state assessment using hybrid classification tree-artificial neural network | |
Pawar et al. | Recovery of frog and lizard communities following primary habitat alteration in Mizoram, Northeast India | |
Kolar et al. | Evidence‐based restoration of freshwater biodiversity after mining: Experience from Central European spoil heaps | |
Pourmohammadali et al. | Studying the relationships between nutrients in pistachio leaves and its yield using hybrid GA-ANN model-based feature selection | |
Feng et al. | Analysis of long term water quality variations driven by multiple factors in a typical basin of Beijing-Tianjin-Hebei region combined with neural networks | |
CN113435825A (zh) | 一种基于土传病害防治的智能管理方法、***及存储介质 | |
Schouten et al. | Nematode diversity in Dutch soils, from Rio to a biological indicator for soil quality | |
Ogle et al. | Cropland | |
Kampichler et al. | Ground beetle occurrence and moor degradation: modelling a bioindication system by automated decision-tree induction and fuzzy logic | |
CN114529198A (zh) | 一种流域尺度的旱地作物施用农药水生态综合风险评估方法 | |
Ranjitkar et al. | Mapping tree species distribution in support of China's integrated tree-livestock-crop system | |
Shi et al. | Improving the monitoring of root zone soil salinity under vegetation cover conditions by combining canopy spectral information and crop growth parameters | |
White et al. | A machine‐learning approach to predict success of a biocontrol for invasive Eurasian watermilfoil reduction | |
Agrahari et al. | Water Quality Index Calculation of River Ganga using Decision Tree Algorithm | |
Lautenbach et al. | Management support by optimization‐based trade‐off analysis—The example of biodiesel crop production |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230421 Address after: 528000 room 509, 82 Longbao West Road, Chancheng District, Foshan City, Guangdong Province Applicant after: Guangdong Bochuang Jiahe Technology Co.,Ltd. Applicant after: Guangdong Jinghe Jiye Technology Service Co.,Ltd. Address before: 528000 room 509, No. 82, Longbao West Road, Chancheng District, Foshan City, Guangdong Province Applicant before: Guangdong Bochuang Jiahe Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |