CN116362570B - 一种基于大数据平台的多维度污染分析方法及*** - Google Patents
一种基于大数据平台的多维度污染分析方法及*** Download PDFInfo
- Publication number
- CN116362570B CN116362570B CN202310644597.2A CN202310644597A CN116362570B CN 116362570 B CN116362570 B CN 116362570B CN 202310644597 A CN202310644597 A CN 202310644597A CN 116362570 B CN116362570 B CN 116362570B
- Authority
- CN
- China
- Prior art keywords
- pollution
- data
- area
- crop
- farmland
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 64
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims description 196
- 239000002689 soil Substances 0.000 claims description 100
- 239000007789 gas Substances 0.000 claims description 81
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 68
- 238000009792 diffusion process Methods 0.000 claims description 20
- 238000003900 soil pollution Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- 238000003911 water pollution Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 229910001385 heavy metal Inorganic materials 0.000 description 18
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 4
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 229910052793 cadmium Inorganic materials 0.000 description 2
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 239000011651 chromium Substances 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000000447 pesticide residue Substances 0.000 description 1
- 239000002680 soil gas Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Graphics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
Abstract
本发明公开了一种基于大数据平台的多维度污染分析方法及***,通过农田监测模块对目标农田区域进行基于水‑土‑气的多维度监测并得到污染监测数据,将污染监测数据导入分析预测模型,基于水‑土‑气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,获取目标农田区域中的农作物生长信息与农作物市场大数据,基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据。通过本发明,能够多维度地对农田区域进行综合污染分析与污染损失评估,进而更加直观地掌握当前农田区域的污染影响与污染损失情况。
Description
技术领域
本发明涉及大数据分析领域,更具体的,涉及一种基于大数据平台的多维度污染分析方法及***。
背景技术
农田农作物污染的情况发生,一般是农业生产过程中,人为或自然因素导致农作物中含有化学物质、生物物质、重金属等有害物质,超出了卫生标准,对人体健康产生潜在威胁的现象。常见的农作物污染包括重金属污染、农药残留、化肥污染、微生物污染等。
受制于传统的人工经验分析农田区域污染,难以做到精准地对农田中农作物的污染情况进行分析,且难以实现科学精准的污染损失评估,对农田的分析维度也较为单一,进而导致农田的抗风险能力较低。
发明内容
本发明克服了现有技术的缺陷,提出了一种基于大数据平台的多维度污染分析方法及***。
本发明第一方面提供了一种基于大数据平台的多维度污染分析方法,包括:
获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型;
将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据;
将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据;
获取目标农田区域中的农作物生长信息与农作物市场大数据;
基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据。
本方案中,所述获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型,具体为:
从目标农田区域信息中提取农田面积、区域轮廓、农作物分布信息、土壤及地层特征信息;
基于所述农田面积、区域轮廓信息、土壤及地层特征信息等构建农田三维模型;
基于农作物分布信息,从农田三维模型中进行不同农作物的区域划分,得到多个农作物区域。
本方案中,所述根据污染监测点,通过农田监测模块对目标农田区域进行基于水-土-气的多维度监测并得到污染监测数据,具体为:
基于农田三维模型,将农田平面区域划分为N个小区域;
在每个小区域内通过随机布点法确定监测点,每个小区域预对应一个监测点;
将所有所述监测点作为污染监测点;
通过污染监测模块,对污染监测点进行实时采样监测并获取对应的气体监测数据、水体监测数据、土壤监测数据;
所述污染监测数据包括气体监测数据、水体监测数据、土壤监测数据。
本方案中,所述将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,包括:
根据气体监测数据、水体监测数据、土壤监测数据分别计算出每个污染监测点的气体污染指数、水体污染指数与土壤污染指数;
将气体污染指数、水体污染指数与土壤污染指数与第一预设污染指数进行比较,若三种污染指数均大于第一预设污染指数,则将对应的污染监测点所在小区域标记为污染区域;
将相邻的污染区域进行合并操作并最终形成多个合并区域,将每个合并区域标记为当前污染区域。
本方案中,所述将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,具体为:
将污染监测数据进行数据标准化与归一化处理,得到标准数据集;
基于监测时间,将所述标准数据集进行数据序列化,并得到时间序列数据;
构建基于LSTM的污染预测模型;
将时间序列数据导入污染预测模型进行数据预测,得到基于气体、水体、土壤三个维度的污染预测数据;
将污染监测数据与污染预测数据导入农田三维模型,并以当前污染区域作为中心区域,进行区域污染扩散分析,并得到污染扩散区域。
本方案中,所述获取目标农田区域中的农作物生长信息与农作物市场大数据,具体为:
所述农作物生长信息包括当前目标农田区域中,不同农作物的生长阶段信息与生长周期信息;
所述农作物市场大数据包括农作物的历史销售数据与历史市场价格数据。
本方案中,所述基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据,具体为:
获取农作物市场大数据;
基于目标农作物生成检索标签;
基于检索标签从农作物市场大数据中进行目标农作物数据检索,得到目标农作物大数据;
对目标农作物大数据进行数据清洗与标准化处理,将处理后的目标农作物大数据进行时间序列化,得到农作物序列化数据;
将农作物序列化数据导入分析预测模型进行目标农作物的销量数据预测与价格波动预测,得到农作物预测销量数据与农作物市场价格预测数据;
将所述农作物预测销量数据与农作物市场价格预测数据进行数据融合得到农作物市场预测数据。
本方案中,所述基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据,还包括:
获取多个农作物区域;
将所述农作物区域、当前污染区域、污染扩散区域导入农田三维模型,将农作物区域与当前污染区域的交叉区域部分标记为第一污染区域,将农作物区域与污染扩散区域的交叉区域部分标记为第二污染区域;
基于农作物生长信息、农作物市场大数据、第一污染区域与第二污染区域,对目标农田区域进行污染损失计算分析,得到区域污染损失评估数据;
将所述区域污染损失评估数据发送至预设终端设备。
本发明第二方面还提供了一种基于大数据平台的多维度污染分析***,该***包括:存储器、处理器,所述存储器中包括基于大数据平台的多维度污染分析程序,所述基于大数据平台的多维度污染分析程序被所述处理器执行时实现如下步骤:
获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型;
将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据;
将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据;
获取目标农田区域中的农作物生长信息与农作物市场大数据;
基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据。
本方案中,所述获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型,具体为:
从目标农田区域信息中提取农田面积、区域轮廓、农作物分布信息、土壤及地层特征信息;
基于所述农田面积、区域轮廓信息、土壤及地层特征信息等构建农田三维模型;
基于农作物分布信息,从农田三维模型中进行不同农作物的区域划分,得到多个农作物区域。
本发明公开了一种基于大数据平台的多维度污染分析方法及***,通过农田监测模块对目标农田区域进行基于水-土-气的多维度监测并得到污染监测数据,将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,获取目标农田区域中的农作物生长信息与农作物市场大数据,基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据。通过本发明,能够多维度地对农田区域进行综合污染分析与污染损失评估,进而更加直观地掌握当前农田区域的污染影响与污染损失情况。
附图说明
图1示出了本发明一种基于大数据平台的多维度污染分析方法的流程图;
图2示出了本发明构建农田三维模型流程图;
图3示出了本发明获取当前污染区域流程图;
图4示出了本发明一种基于大数据平台的多维度污染分析***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示出了本发明一种基于大数据平台的多维度污染分析方法的流程图。
如图1所示,本发明第一方面提供了一种基于大数据平台的多维度污染分析方法,包括:
S102,获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型;
S104,将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据;
S106,将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据;
S108,获取目标农田区域中的农作物生长信息与农作物市场大数据;
S110,基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据。
需要说明的是,所述污染监测数据包括气体监测数据、水体监测数据、土壤监测数据,所述气体监测数据包括监测点的大气气体监测数据与土壤深层气体监测数据,所述水体监测数据包括地表水体与土壤地下水体的监测数据,所述土壤监测数据包括土壤表层监测数据与地下土壤监测数据,所述地下土壤一般为地下0-10m的地下土壤。所述水-土-气三个维度具体为地上与地下的水体、土壤、气体维度。
图2示出了本发明构建农田三维模型流程图。
根据本发明实施例,所述获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型,具体为:
S202,从目标农田区域信息中提取农田面积、区域轮廓、农作物分布信息、土壤及地层特征信息;
S204,基于所述农田面积、区域轮廓信息、土壤及地层特征信息等构建农田三维模型;
S206,基于农作物分布信息,从农田三维模型中进行不同农作物的区域划分,得到多个农作物区域。
需要说明的是,所述农田三维模型中包括所有的农作物区域,且一个农作物区域对应一种农作物的种植范围。所述土壤及地层特征信息包括土壤类型、土壤层数,不同土壤层的土壤属性等信息,所述农作物区域包括大气、地面、地下的三维区域。
根据本发明实施例,所述根据污染监测点,通过农田监测模块对目标农田区域进行基于水-土-气的多维度监测并得到污染监测数据,具体为:
基于农田三维模型,将农田平面区域划分为N个小区域;
在每个小区域内通过随机布点法确定监测点,每个小区域预对应一个监测点;
将所有所述监测点作为污染监测点;
通过污染监测模块,对污染监测点进行实时采样监测并获取对应的气体监测数据、水体监测数据、土壤监测数据;
所述污染监测数据包括气体监测数据、水体监测数据、土壤监测数据。
需要说明的是,所述N的大小具体由农田三维模型中目标农田区域的面积大小决定,面积越大,N越大,且划分后保证每个小区域的面积在预设范围。所述气体监测数据、水体监测数据、土壤污染监测数据包括所有污染监测点的数据。所述农田监测模块包括气体检测装置、水体检测装置与土壤采样监测装置。
图3示出了本发明获取当前污染区域流程图。
根据本发明实施例,所述将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,包括:
S302,根据气体监测数据、水体监测数据、土壤监测数据分别计算出每个污染监测点的气体污染指数、水体污染指数与土壤污染指数;
S304,将气体污染指数、水体污染指数与土壤污染指数与第一预设污染指数进行比较,若三种污染指数均大于第一预设污染指数,则将对应的污染监测点所在小区域标记为污染区域;
S306,将相邻的污染区域进行合并操作并最终形成多个合并区域,将每个合并区域标记为当前污染区域。
需要说明的是,所述当前污染区域具体为气体、水体、土壤污染程度较高的区域,且所述当前污染区域一般为多个。所述气体监测数据包括监测点中PM2.5的浓度数值、二氧化硫浓度值;所述水体监测数据包括水体氯化物浓度值、PH值、硫化物浓度值;所述土壤监测数据包括土壤PH值、重金属超标种类数、重金属平均超标率。所述重金属超标种类数、重金属平均超标率中,具体为通过检测监测点中土壤的铅、镉、汞、铬、铜、锌等重金属含量值,并将所述含量值与标准值进行对比计算得到的超标种类数与平均超标率。所述土壤PH值、重金属超标种类数、重金属平均超标率能够反映土壤的酸碱污染与重金属污染程度。
其中,所述气体污染指数具体计算公式为:
;
式中,为气体污染修正系数,/>为气体污染指数,/>为PM2.5的浓度数值,/>具体为二氧化硫浓度值。
其中,所述水体污染指数具体计算公式为:
;
式中,为水体污染修正系数,/>为水体污染指数,/>为水体氯化物浓度值、/>为硫化物浓度值。
其中,所述土壤污染指数具体计算公式为:
;
式中,为土壤污染修正系数,/>为土壤污染指数。/>为重金属超标种类数,为重金属平均超标率。
根据本发明实施例,所述将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,具体为:
将污染监测数据进行数据标准化与归一化处理,得到标准数据集;
基于监测时间,将所述标准数据集进行数据序列化,并得到时间序列数据;
构建基于LSTM的污染预测模型;
将时间序列数据导入污染预测模型进行数据预测,得到基于气体、水体、土壤三个维度的污染预测数据;
将污染监测数据与污染预测数据导入农田三维模型,并以当前污染区域作为中心区域,进行区域污染扩散分析,并得到污染扩散区域。
需要说明的是,污染预测模型具体为一种长短期记忆人工神经网络模型,即LSTM模型,通过污染预测模型,能够对现有的污染监测数据进行预测分析,得到未来一段时间的污染预测数据。所述污染预测数据包括气体、水体、土壤三个维度的污染预测数据。
本发明中的农田三维模型具体为一种可视化的地图模型,可以通过该模型对污染预测数据、当前污染区域、污染扩散区域、农作物区域进行可视化展示。
根据本发明实施例,所述获取目标农田区域中的农作物生长信息与农作物市场大数据,具体为:
所述农作物生长信息包括当前目标农田区域中,不同农作物的生长阶段信息与生长周期信息;
所述农作物市场大数据包括农作物的历史销售数据与历史市场价格数据。
需要说明的是,所述不同农作物的生长阶段信息与生长周期信息具体包括不同农作物的当前生长阶段数与总生长阶段数。
根据本发明实施例,所述基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据,具体为:
获取农作物市场大数据;
基于目标农作物生成检索标签;
基于检索标签从农作物市场大数据中进行目标农作物数据检索,得到目标农作物大数据;
对目标农作物大数据进行数据清洗与标准化处理,将处理后的目标农作物大数据进行时间序列化,得到农作物序列化数据;
将农作物序列化数据导入分析预测模型进行目标农作物的销量数据预测与价格波动预测,得到农作物预测销量数据与农作物市场价格预测数据;
将所述农作物预测销量数据与农作物市场价格预测数据进行数据融合得到农作物市场预测数据。
需要说明的是,所述农作物市场大数据具体为历史销售数据与历史市场价格数据,所述历史销售数据具体为目标农田区域中的历史销售数据,包括不同农作物的产量、销量、滞销量等。
根据本发明实施例,所述基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据,还包括:
获取多个农作物区域;
将所述农作物区域、当前污染区域、污染扩散区域导入农田三维模型,将农作物区域与当前污染区域的交叉区域部分标记为第一污染区域,将农作物区域与污染扩散区域的交叉区域部分标记为第二污染区域;
基于农作物生长信息、农作物市场大数据、第一污染区域与第二污染区域,对目标农田区域进行污染损失计算分析,得到区域污染损失评估数据;
将所述区域污染损失评估数据发送至预设终端设备。
需要说明的是,每个农作物区域均有对应的第一污染区域和第二污染区域。第一污染区域和第二污染区域的面积越大,代表对应农作物区域的污染影响程度越大。
根据本发明实施例,所述区域污染损失评估数据包括区域污染损失评估指数,所述区域污染损失评估指数具体计算公式为:
;
其中,T为农作物区域的总个数,J为区域污染损失评估指数,为第i种农作物的当前生长阶段数,/>为第i种农作物的总生长阶段数,/>为第i个农作物区域的第一污染区域面积,/>为第i个农作物区域的第二污染区域面积,/>为第i种农作物的预测市场销量、/>为第i种农作物的预测市场价格。
所述农作物的预测市场销量、农作物的预测市场价格具体为通过农作物市场预测数据进行提取。所述区域污染损失评估指数具体为通过农作物生长情况、市场价值、预测污染影响等多维度进行综合分析评估得到的数据,具有较高的评估参考价值,能够更加直观地掌握当前农田区域的污染影响情况。
另外,每个农作物区域对应一种农作物。
根据本发明实施例,还包括:
选定一个农作物区域作为当前农作物区域;
从农作物市场大数据中获取预设时间段内当前农作物区域的产量值;
根据农田三维模型模型,计算出当前农作物区域的第一污染区域面积值与第二污染区域面积值;
对所有农作物区域的产量值进行均值计算,得到产量均值;
若当前农作物区域的产量值小于产量均值,且第一污染区域面积值与第二污染区域面积值均大于预设面积值,则将当前农作物区域标记为修复农作物区域;
获取修复农作物区域的污染监测数据,以区域适宜种植作为第一目标,修复土壤作为第二目标,基于所述污染监测数据从农作物种植大数据中进行适宜农作物分析与筛选,得到推荐农作物信息;
将推荐农作物信息发送至预设终端设备。
需要说明的是,所述所述污染监测数据包括气体监测数据、水体监测数据、土壤污染监测。值得一提的是,在修复农作物区域中,污染对农作物的影响较大,产量远低于均值,即低于预期值,本发明通过分析修复农作物区域的污染监测数据,从其中的气体、水体、土壤污染维度分析出具有针对当前农作物区域的推荐农作物,所述推荐农作物包括适宜当前农作物区域种植的农作物种类与对当前农作物区域有修复作用的农作物种类。所述农作物种植大数据中,包括所有农作物的适宜种植环境、农作物性质、农作物生长信息、农作物环境修复作用等数据。
图4示出了本发明一种基于大数据平台的多维度污染分析***的框图。
本发明第二方面还提供了一种基于大数据平台的多维度污染分析***4,该***包括:存储器41、处理器42,所述存储器中包括基于大数据平台的多维度污染分析程序,所述基于大数据平台的多维度污染分析程序被所述处理器执行时实现如下步骤:
获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型;
将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据;
将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据;
获取目标农田区域中的农作物生长信息与农作物市场大数据;
基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据。
需要说明的是,所述污染监测数据包括气体监测数据、水体监测数据、土壤监测数据,所述气体监测数据包括监测点的大气气体监测数据与土壤深层气体监测数据,所述水体监测数据包括地表水体与土壤地下水体的监测数据,所述土壤监测数据包括土壤表层监测数据与地下土壤监测数据,所述地下土壤一般为地下0-10m的地下土壤。所述水-土-气三个维度具体为地上与地下的水体、土壤、气体维度。
根据本发明实施例,所述获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型,具体为:
从目标农田区域信息中提取农田面积、区域轮廓、农作物分布信息、土壤及地层特征信息;
基于所述农田面积、区域轮廓信息、土壤及地层特征信息等构建农田三维模型;
基于农作物分布信息,从农田三维模型中进行不同农作物的区域划分,得到多个农作物区域。
需要说明的是,所述农田三维模型中包括所有的农作物区域,且一个农作物区域对应一种农作物的种植范围。所述土壤及地层特征信息包括土壤类型、土壤层数,不同土壤层的土壤属性等信息,所述农作物区域包括大气、地面、地下的三维区域。
根据本发明实施例,所述根据污染监测点,通过农田监测模块对目标农田区域进行基于水-土-气的多维度监测并得到污染监测数据,具体为:
基于农田三维模型,将农田平面区域划分为N个小区域;
在每个小区域内通过随机布点法确定监测点,每个小区域预对应一个监测点;
将所有所述监测点作为污染监测点;
通过污染监测模块,对污染监测点进行实时采样监测并获取对应的气体监测数据、水体监测数据、土壤监测数据;
所述污染监测数据包括气体监测数据、水体监测数据、土壤监测数据。
需要说明的是,所述N的大小具体由农田三维模型中目标农田区域的面积大小决定,面积越大,N越大,且划分后保证每个小区域的面积在预设范围。所述气体监测数据、水体监测数据、土壤污染监测数据包括所有污染监测点的数据。所述农田监测模块包括气体检测装置、水体检测装置与土壤采样监测装置。
根据本发明实施例,所述将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,包括:
根据气体监测数据、水体监测数据、土壤监测数据分别计算出每个污染监测点的气体污染指数、水体污染指数与土壤污染指数;
将气体污染指数、水体污染指数与土壤污染指数与第一预设污染指数进行比较,若三种污染指数均大于第一预设污染指数,则将对应的污染监测点所在小区域标记为污染区域;
将相邻的污染区域进行合并操作并最终形成多个合并区域,将每个合并区域标记为当前污染区域。
需要说明的是,所述当前污染区域具体为气体、水体、土壤污染程度较高的区域,且所述当前污染区域一般为多个。所述气体监测数据包括监测点中PM2.5的浓度数值、二氧化硫浓度值;所述水体监测数据包括水体氯化物浓度值、PH值、硫化物浓度值;所述土壤监测数据包括土壤PH值、重金属超标种类数、重金属平均超标率。所述重金属超标种类数、重金属平均超标率中,具体为通过检测监测点中土壤的铅、镉、汞、铬、铜、锌等重金属含量值,并将所述含量值与标准值进行对比计算得到的超标种类数与平均超标率。所述土壤PH值、重金属超标种类数、重金属平均超标率能够反映土壤的酸碱污染与重金属污染程度。
其中,所述气体污染指数具体计算公式为:
;
式中,为气体污染修正系数,/>为气体污染指数,/>为PM2.5的浓度数值,/>具体为二氧化硫浓度值。
其中,所述水体污染指数具体计算公式为:
;
式中,为水体污染修正系数,/>为水体污染指数,/>为水体氯化物浓度值、为硫化物浓度值。
其中,所述土壤污染指数具体计算公式为:
;
式中,为土壤污染修正系数,/>为土壤污染指数。/>为重金属超标种类数,/>为重金属平均超标率。
根据本发明实施例,所述将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,具体为:
将污染监测数据进行数据标准化与归一化处理,得到标准数据集;
基于监测时间,将所述标准数据集进行数据序列化,并得到时间序列数据;
构建基于LSTM的污染预测模型;
将时间序列数据导入污染预测模型进行数据预测,得到基于气体、水体、土壤三个维度的污染预测数据;
将污染监测数据与污染预测数据导入农田三维模型,并以当前污染区域作为中心区域,进行区域污染扩散分析,并得到污染扩散区域。
需要说明的是,污染预测模型具体为一种长短期记忆人工神经网络模型,即LSTM模型,通过污染预测模型,能够对现有的污染监测数据进行预测分析,得到未来一段时间的污染预测数据。所述污染预测数据包括气体、水体、土壤三个维度的污染预测数据。
本发明中的农田三维模型具体为一种可视化的地图模型,可以通过该模型对污染预测数据、当前污染区域、污染扩散区域、农作物区域进行可视化展示。
根据本发明实施例,所述获取目标农田区域中的农作物生长信息与农作物市场大数据,具体为:
所述农作物生长信息包括当前目标农田区域中,不同农作物的生长阶段信息与生长周期信息;
所述农作物市场大数据包括农作物的历史销售数据与历史市场价格数据。
需要说明的是,所述不同农作物的生长阶段信息与生长周期信息具体包括不同农作物的当前生长阶段数与总生长阶段数。
根据本发明实施例,所述基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据,具体为:
获取农作物市场大数据;
基于目标农作物生成检索标签;
基于检索标签从农作物市场大数据中进行目标农作物数据检索,得到目标农作物大数据;
对目标农作物大数据进行数据清洗与标准化处理,将处理后的目标农作物大数据进行时间序列化,得到农作物序列化数据;
将农作物序列化数据导入分析预测模型进行目标农作物的销量数据预测与价格波动预测,得到农作物预测销量数据与农作物市场价格预测数据;
将所述农作物预测销量数据与农作物市场价格预测数据进行数据融合得到农作物市场预测数据。
需要说明的是,所述农作物市场大数据具体为历史销售数据与历史市场价格数据,所述历史销售数据具体为目标农田区域中的历史销售数据,包括不同农作物的产量、销量、滞销量等。
根据本发明实施例,所述基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据,还包括:
获取多个农作物区域;
将所述农作物区域、当前污染区域、污染扩散区域导入农田三维模型,将农作物区域与当前污染区域的交叉区域部分标记为第一污染区域,将农作物区域与污染扩散区域的交叉区域部分标记为第二污染区域;
基于农作物生长信息、农作物市场大数据、第一污染区域与第二污染区域,对目标农田区域进行污染损失计算分析,得到区域污染损失评估数据;
将所述区域污染损失评估数据发送至预设终端设备。
需要说明的是,每个农作物区域均有对应的第一污染区域和第二污染区域。第一污染区域和第二污染区域的面积越大,代表对应农作物区域的污染影响程度越大。
根据本发明实施例,所述区域污染损失评估数据包括区域污染损失评估指数,所述区域污染损失评估指数具体计算公式为:
;
其中,T为农作物区域的总个数,J为区域污染损失评估指数,为第i种农作物的当前生长阶段数,/>为第i种农作物的总生长阶段数,/>为第i个农作物区域的第一污染区域面积,/>为第i个农作物区域的第二污染区域面积,/>为第i种农作物的预测市场销量、/>为第i种农作物的预测市场价格。
所述农作物的预测市场销量、农作物的预测市场价格具体为通过农作物市场预测数据进行提取。所述区域污染损失评估指数具体为通过农作物生长情况、市场价值、预测污染影响等多维度进行综合分析评估得到的数据,具有较高的评估参考价值,能够更加直观地掌握当前农田区域的污染影响情况。
另外,每个农作物区域对应一种农作物。
根据本发明实施例,还包括:
选定一个农作物区域作为当前农作物区域;
从农作物市场大数据中获取预设时间段内当前农作物区域的产量值;
根据农田三维模型模型,计算出当前农作物区域的第一污染区域面积值与第二污染区域面积值;
对所有农作物区域的产量值进行均值计算,得到产量均值;
若当前农作物区域的产量值小于产量均值,且第一污染区域面积值与第二污染区域面积值均大于预设面积值,则将当前农作物区域标记为修复农作物区域;
获取修复农作物区域的污染监测数据,以区域适宜种植作为第一目标,修复土壤作为第二目标,基于所述污染监测数据从农作物种植大数据中进行适宜农作物分析与筛选,得到推荐农作物信息;
将推荐农作物信息发送至预设终端设备。
需要说明的是,所述所述污染监测数据包括气体监测数据、水体监测数据、土壤污染监测。值得一提的是,在修复农作物区域中,污染对农作物的影响较大,产量远低于均值,即低于预期值,本发明通过分析修复农作物区域的污染监测数据,从其中的气体、水体、土壤污染维度分析出具有针对当前农作物区域的推荐农作物,所述推荐农作物包括适宜当前农作物区域种植的农作物种类与对当前农作物区域有修复作用的农作物种类。所述农作物种植大数据中,包括所有农作物的适宜种植环境、农作物性质、农作物生长信息、农作物环境修复作用等数据。
本发明公开了一种基于大数据平台的多维度污染分析方法及***,通过农田监测模块对目标农田区域进行基于水-土-气的多维度监测并得到污染监测数据,将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,获取目标农田区域中的农作物生长信息与农作物市场大数据,基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据。通过本发明,能够多维度地对农田区域进行综合污染分析与污染损失评估,进而更加直观地掌握当前农田区域的污染影响与污染损失情况。
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 (6)
1.一种基于大数据平台的多维度污染分析方法,其特征在于,包括:
获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型;
根据污染监测点,通过农田监测模块对目标农田区域进行基于水-土-气的多维度监测并得到污染监测数据;
将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据;
获取目标农田区域中的农作物生长信息与农作物市场大数据;
基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据;
其中,所述获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型,具体为:
从目标农田区域信息中提取农田面积、区域轮廓、农作物分布信息、土壤及地层特征信息;
基于所述农田面积、区域轮廓信息、土壤及地层特征信息构建农田三维模型;
基于农作物分布信息,从农田三维模型中进行不同农作物的区域划分,得到多个农作物区域;
其中,所述将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,具体为:
将污染监测数据进行数据标准化与归一化处理,得到标准数据集;
基于监测时间,将所述标准数据集进行数据序列化,并得到时间序列数据;
构建基于LSTM的污染预测模型;
将时间序列数据导入污染预测模型进行数据预测,得到基于水-土-气三个维度的污染预测数据;
将污染监测数据与污染预测数据导入农田三维模型,并以当前污染区域作为中心区域,进行区域污染扩散分析,并得到污染扩散区域;
其中,所述获取目标农田区域中的农作物生长信息与农作物市场大数据,具体为:
所述农作物生长信息包括当前目标农田区域中,不同农作物的生长阶段信息与生长周期信息;
所述农作物市场大数据包括农作物的历史销售数据与历史市场价格数据。
2.根据权利要求1所述的一种基于大数据平台的多维度污染分析方法,其特征在于,所述根据污染监测点,通过农田监测模块对目标农田区域进行基于水-土-气的多维度监测并得到污染监测数据,具体为:
基于农田三维模型,将农田平面区域划分为N个小区域;
在每个小区域内通过随机布点法确定监测点,每个小区域预对应一个监测点;
将所有所述监测点作为污染监测点;
通过污染监测模块,对污染监测点进行实时采样监测并获取对应的气体监测数据、水体监测数据、土壤监测数据;
所述污染监测数据包括气体监测数据、水体监测数据、土壤监测数据。
3.根据权利要求2所述的一种基于大数据平台的多维度污染分析方法,其特征在于,所述将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,包括:
根据气体监测数据、水体监测数据、土壤监测数据分别计算出每个污染监测点的气体污染指数、水体污染指数与土壤污染指数;
将气体污染指数、水体污染指数与土壤污染指数与第一预设污染指数进行比较,若三种污染指数均大于第一预设污染指数,则将对应的污染监测点所在小区域标记为污染区域;
将相邻的污染区域进行合并操作并最终形成多个合并区域,将每个合并区域标记为当前污染区域。
4.根据权利要求3所述的一种基于大数据平台的多维度污染分析方法,其特征在于,所述基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据,具体为:
获取农作物市场大数据;
基于目标农作物生成检索标签;
基于检索标签从农作物市场大数据中进行目标农作物数据检索,得到目标农作物大数据;
对目标农作物大数据进行数据清洗与标准化处理,将处理后的目标农作物大数据进行时间序列化,得到农作物序列化数据;
将农作物序列化数据导入分析预测模型进行目标农作物的销量数据预测与价格波动预测,得到农作物预测销量数据与农作物市场价格预测数据;
将所述农作物预测销量数据与农作物市场价格预测数据进行数据融合得到农作物市场预测数据。
5.根据权利要求4所述的一种基于大数据平台的多维度污染分析方法,其特征在于,所述基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据,还包括:
获取多个农作物区域;
将所述农作物区域、当前污染区域、污染扩散区域导入农田三维模型,将农作物区域与当前污染区域的交叉区域部分标记为第一污染区域,将农作物区域与污染扩散区域的交叉区域部分标记为第二污染区域;
基于农作物生长信息、农作物市场大数据、第一污染区域与第二污染区域,对目标农田区域进行污染损失计算分析,得到区域污染损失评估数据;
将所述区域污染损失评估数据发送至预设终端设备。
6.一种基于大数据平台的多维度污染分析***,其特征在于,该***包括:存储器、处理器,所述存储器中包括基于大数据平台的多维度污染分析程序,所述基于大数据平台的多维度污染分析程序被所述处理器执行时实现如下步骤:
获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型;
根据污染监测点,通过农田监测模块对目标农田区域进行基于水-土-气的多维度监测并得到污染监测数据;
将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据;
获取目标农田区域中的农作物生长信息与农作物市场大数据;
基于农作物生长信息、农作物市场大数据、污染预测数据对目标农田区域进行污染损失评估,得到区域污染损失评估数据;
其中,所述获取目标农田区域信息,基于所述目标农田区域信息构建农田三维模型,具体为:
从目标农田区域信息中提取农田面积、区域轮廓、农作物分布信息、土壤及地层特征信息;
基于所述农田面积、区域轮廓信息、土壤及地层特征信息构建农田三维模型;
基于农作物分布信息,从农田三维模型中进行不同农作物的区域划分,得到多个农作物区域;
其中,所述将污染监测数据导入分析预测模型,基于水-土-气三个维度进行区域污染评估与污染预测,得到当前污染区域与污染预测数据,具体为:
将污染监测数据进行数据标准化与归一化处理,得到标准数据集;
基于监测时间,将所述标准数据集进行数据序列化,并得到时间序列数据;
构建基于LSTM的污染预测模型;
将时间序列数据导入污染预测模型进行数据预测,得到基于水-土-气三个维度的污染预测数据;
将污染监测数据与污染预测数据导入农田三维模型,并以当前污染区域作为中心区域,进行区域污染扩散分析,并得到污染扩散区域;
其中,所述获取目标农田区域中的农作物生长信息与农作物市场大数据,具体为:
所述农作物生长信息包括当前目标农田区域中,不同农作物的生长阶段信息与生长周期信息;
所述农作物市场大数据包括农作物的历史销售数据与历史市场价格数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310644597.2A CN116362570B (zh) | 2023-06-02 | 2023-06-02 | 一种基于大数据平台的多维度污染分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310644597.2A CN116362570B (zh) | 2023-06-02 | 2023-06-02 | 一种基于大数据平台的多维度污染分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362570A CN116362570A (zh) | 2023-06-30 |
CN116362570B true CN116362570B (zh) | 2023-08-08 |
Family
ID=86909872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310644597.2A Active CN116362570B (zh) | 2023-06-02 | 2023-06-02 | 一种基于大数据平台的多维度污染分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362570B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757509B (zh) * | 2023-08-18 | 2023-10-27 | 长春市辰奇农业科技有限公司 | 一种生态农业信息化用信息服务管理方法及管理*** |
CN116819046B (zh) * | 2023-08-23 | 2023-11-03 | 北京建工环境修复股份有限公司 | 一种农田污染智能监测方法、***及存储介质 |
CN116975789B (zh) * | 2023-09-21 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种基于大数据的农田场地智能分析方法、***及介质 |
CN117436718B (zh) * | 2023-10-06 | 2024-05-14 | 纬创软件(武汉)有限公司 | 一种基于多维引擎的智能数据管理平台 |
CN117172995B (zh) * | 2023-11-02 | 2024-01-02 | 北京建工环境修复股份有限公司 | 基于微生物的污染评估分析方法、***及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767032A (zh) * | 2017-09-27 | 2018-03-06 | 北京农业信息技术研究中心 | 一种农田土壤重金属污染决策***及方法 |
CN113295208A (zh) * | 2021-05-19 | 2021-08-24 | 天津现代职业技术学院 | 一种智慧农业种植数据监测方法 |
CN115774953A (zh) * | 2022-11-09 | 2023-03-10 | 安徽新宇环保科技股份有限公司 | 一种基于数据处理的污染时空风险监管评估***及方法 |
EP4160463A1 (en) * | 2021-09-29 | 2023-04-05 | Ecobubble S.r.l. Startup Costituita Ai Sensi Dell'Art. 4 Comma 10 Bis D.L. 3/2015 Conv. Con. Legge 33/2015 | System and method for designing green areas |
CN116050831A (zh) * | 2022-12-29 | 2023-05-02 | 浙江省环境科技有限公司 | 一种农业灌溉用水水质预警方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9579700B2 (en) * | 2014-05-30 | 2017-02-28 | Iteris, Inc. | Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities |
US10816441B2 (en) * | 2015-05-08 | 2020-10-27 | E-Flux, Llc | In situ measurement of soil fluxes and related apparatus, systems and methods |
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2023
- 2023-06-02 CN CN202310644597.2A patent/CN116362570B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767032A (zh) * | 2017-09-27 | 2018-03-06 | 北京农业信息技术研究中心 | 一种农田土壤重金属污染决策***及方法 |
CN113295208A (zh) * | 2021-05-19 | 2021-08-24 | 天津现代职业技术学院 | 一种智慧农业种植数据监测方法 |
EP4160463A1 (en) * | 2021-09-29 | 2023-04-05 | Ecobubble S.r.l. Startup Costituita Ai Sensi Dell'Art. 4 Comma 10 Bis D.L. 3/2015 Conv. Con. Legge 33/2015 | System and method for designing green areas |
CN115774953A (zh) * | 2022-11-09 | 2023-03-10 | 安徽新宇环保科技股份有限公司 | 一种基于数据处理的污染时空风险监管评估***及方法 |
CN116050831A (zh) * | 2022-12-29 | 2023-05-02 | 浙江省环境科技有限公司 | 一种农业灌溉用水水质预警方法及*** |
Non-Patent Citations (1)
Title |
---|
毛金群等.重金属废水污染农田土壤事件环境损害评估研究.环保科技.2020,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116362570A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116362570B (zh) | 一种基于大数据平台的多维度污染分析方法及*** | |
Syfert et al. | Using species distribution models to inform IUCN Red List assessments | |
Reimann et al. | Background and threshold: critical comparison of methods of determination | |
Hermosilla et al. | Regional detection, characterization, and attribution of annual forest change from 1984 to 2012 using Landsat-derived time-series metrics | |
Chipanshi et al. | Evaluation of the Integrated Canadian Crop Yield Forecaster (ICCYF) model for in-season prediction of crop yield across the Canadian agricultural landscape | |
Quinteiro et al. | Identification of methodological challenges remaining in the assessment of a water scarcity footprint: a review | |
Robertson et al. | A PCA‐based modelling technique for predicting environmental suitability for organisms from presence records | |
Chust et al. | Determinants and spatial modeling of tree β‐diversity in a tropical forest landscape in Panama | |
Dezhkam et al. | Performance evaluation of land change simulation models using landscape metrics | |
Lee et al. | Landslide hazard mapping considering rainfall probability in Inje, Korea | |
CN116384754B (zh) | 一种基于深度学习的在产化工园区环境污染风险评估方法 | |
Lange et al. | Mapping land-use intensity of grasslands in Germany with machine learning and Sentinel-2 time series | |
CN106443701A (zh) | 基于时序水范围遥感影像的洪涝灾前预警方法 | |
Plowright et al. | Assessing urban tree condition using airborne light detection and ranging | |
Lequy et al. | Assessment of the uncertainty of trace metal and nitrogen concentrations in mosses due to sampling, sample preparation and chemical analysis based on the French contribution to ICP-Vegetation | |
CN116091103A (zh) | 一种周期环境整治测算方法、装置、电子设备及介质 | |
Santarsiero et al. | Analysis of the effect of soil erosion in abandoned agricultural areas: the case of NE area of Basilicata region (southern Italy) | |
CN116189010B (zh) | 一种基于卫星图谱的矿山生态识别预警方法及*** | |
CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及*** | |
Selim et al. | Determination of the optimum number of sample points to classify land cover types and estimate the contribution of trees on ecosystem services using the I‐Tree Canopy tool | |
Simões et al. | Uncertainty evaluation related with the fitting of probability distributions to rainfall experimental data | |
McRoberts et al. | Annual forest inventories for the north central region of the United States | |
CN117172990B (zh) | 一种地下水环境中抗生素污染迁移预测方法及*** | |
CN112836842A (zh) | 基于“源-汇”风险分析的流域水环境质量预测方法及*** | |
CN117151354B (zh) | 一种农田修复与改良管理方法及*** |
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 |