CN116381176B - 基于低成本传感器和智能算法的灌区水体温室气体监测*** - Google Patents
基于低成本传感器和智能算法的灌区水体温室气体监测*** Download PDFInfo
- Publication number
- CN116381176B CN116381176B CN202310380483.1A CN202310380483A CN116381176B CN 116381176 B CN116381176 B CN 116381176B CN 202310380483 A CN202310380483 A CN 202310380483A CN 116381176 B CN116381176 B CN 116381176B
- Authority
- CN
- China
- Prior art keywords
- water
- dissolved
- concentration
- monitoring
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 184
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 230000002262 irrigation Effects 0.000 title claims abstract description 50
- 238000003973 irrigation Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 35
- 239000005431 greenhouse gas Substances 0.000 title claims abstract description 27
- 239000007789 gas Substances 0.000 claims abstract description 44
- 230000004907 flux Effects 0.000 claims abstract description 32
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims abstract description 15
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims abstract description 15
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 241000209094 Oryza Species 0.000 claims description 17
- 235000007164 Oryza sativa Nutrition 0.000 claims description 17
- 235000009566 rice Nutrition 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000007667 floating Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000004090 dissolution Methods 0.000 claims description 7
- 239000002352 surface water Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 101100031807 Rattus norvegicus Paics gene Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005188 flotation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Feedback Control In General (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供了一种基于低成本传感器和智能算法的灌区水体温室气体监测***,通过低成本传感器监测***实时监测灌区内池塘、河流的水环境参数(流量、水温、水深、pH、硝态氮、氨态氮、CO2溶解态浓度)和大气环境参数(CO2气体浓度),基于水环境参数和溶解态N2O实测数据集构建溶解态N2O智能算法,再通过温室气体水气界面交换模型实现灌区水环境的溶解态N2O和CO2及其排放通量同步监测,通过OneNET云服务器实现定时远程控制及灌区水生态***的水质、溶解态N2O和CO2排放通量变化的可视化显示。本设计充分结合了传感器技术及智能算法的优势,既降低了成本,又实现了快速有效的灌区水生态***N2O和CO2排放评估。
Description
技术领域
本发明属于稻作灌区水体温室气体监测技术领域,涉及一种原位快速定量评估稻作灌区面源入水体污染及温室气体排放监测技术,尤其涉及一种基于低成本传感器和智能算法的灌区水体温室气体监测***。
背景技术
稻作灌区是我国典型的多水体农业区,其分布有大量的沟渠、自然/养殖池塘、河流等湿地景观。长江下游稻作灌区肥料利用率不足40%,大量的碳氮素通过径流流失到周边水体,转化为溶解态N2O和CO2,并通过水-气界面扩散到大气中,农业面源污染物流失导致严重的水环境污染及大气温室效应。与点源污染相反,非点源污染具有随机性和间歇性发生、机制和过程复杂、排放通道和数量不确定、时空污染负荷可变、监测、模拟和控制困难等特点;这些特点对非点源污染监测的频次和有效性提出了更高的要求。
在野外实验中,通常由人员携带测量仪器访问现场进行数据收集,或者借助采样装置人工采样后,在实验室采用化学法进行测试,这种方法收集的数据时空分辨率不足,也会花费大量的人力、财力及物力。目前,国内外研究人员和企业开发了不同的水体水质或温室气体在线监测***。如基于物联网、大数据、云计算等先进技术,并结合瑞士ABB LGR水生态***痕量气体监测设备,搭建了水生态***N2O、CO2排放在线实时监测***平台。丹麦Unisens公司开发了一款水体溶解态N2O实时监测***。但是,目前自动化在线监测***运用专有语言编程,实现与品牌传感器通讯,其成本昂贵;目前已经部署的诸如水文、水质或温室气体排放的监测设备,需要大量的资源、基础设施和专门知识,从而限制了其在许多偏远灌区的部署;而得到广泛应用的水环境遥感技术也通常会受到其时空分辨率和天气条件(多云或下雨)影响的限制。
发明内容
本发明的目的是针对现有存在问题,提供一种基于低成本传感器和智能算法的灌区水体温室气体监测***。所述低成本传感器是指目前市面上价格更加低廉且工艺成熟的传感器。本发明使用到的低成本传感器包括流量传感器、水温传感器、水深传感器、pH传感器、硝氮传感器、氨氮传感器、水体CO2溶解态浓度传感器、CO2气体浓度传感器。
为实现以上目的,本发明的技术方案如下:
基于低成本传感器和智能算法的灌区水体温室气体监测***,依次有以下步骤:
步骤一:低成本传感器监测***实时监测灌区内池塘、河流的水环境参数(流量、水温、水深、pH、硝氮、氨氮、水体CO2溶解态浓度)和大气环境参数(CO2气体浓度);
步骤二:基于水环境参数和溶解态N2O浓度实测数据集构建溶解态N2O浓度智能算法;
步骤三:通过温室气体水气界面交换模型实现灌区水环境的溶解态N2O和CO2排放同步监测;
步骤四:通过OneNET云服务器实现定时远程控制及灌区水体的水质、溶解态N2O和CO2排放通量变化的可视化显示。
所述步骤一中低成本传感器监测***的搭建架构是可实现自由空气交换的漂浮箱和水气环境参数同步采集的多个传感器集成***,该监测***采用低成本传感器对水体进行实时连续监测,监测的指标有:流量、水温、水深、pH、硝氮、氨氮、水体CO2溶解态浓度、CO2气体浓度。
所述步骤二溶解态N2O浓度智能算法所对应的,低成本传感器可测的指标包括硝氮、氨氮、pH、水温。
所述步骤二通过深度神经网络模型构建溶解态N2O浓度(N2Odisc)智能算法,依次包括以下步骤:
S1、采用基于Python的Scikit-learn库的train_test_split()拆分数据集将所采集样本集中的水质参数数据随机拆分成训练样本(S,a)和测试样本(T,b),其中,S为训练样本集,a为训练样本数据,T为测试样本集,b为测试样本数据;
S2、神经网络中选择ReLU作为激活函数,包含4层中间层,使用Adam作为优化器进行优化,以均方误差(MSE)、平均绝对误差(MAE)两个指标作为深度神经网络模型精度评估标准。
S3、对训练集数据进行迭代训练,使均方误差(MSE)、平均绝对误差(MAE)降低直至满足要求;
S4、计算深度神经网络模型的决定系数R2,若R2大于等于设定的阈值,则判定该模型的预测性能满足要求,若R2小于设定阈值,则根据MSE、MAE调整参数后重复S1-S3,直至满足要求。
步骤S2中,所述均方误差(MSE)通过以下公式计算得到:
上式中,N为训练样本集中的样本数量,f(xi)为第i个样本的溶解态N2O浓度预测值,yi为第i个样本中的溶解态N2O浓度实测值;
步骤S2中,所述平均绝对误差(MAE)通过以下公式计算得到:
上式中,N为训练样本集中的样本数量,f(xi)为第i个样本的溶解态N2O浓度预测值,yi为第i个样本中的溶解态N2O浓度实测值;
步骤S5中,所述R2通过以下公式计算得到:
上式中,为溶解态N2O浓度实测值得平均值。
步骤二中,所述样本集中的样本数量大于等于100。
步骤三中,所述温室气体水气界面交换模型关于溶解态N2O排放所对应的,低成本传感器可测的指标包括水温、水深、流量;
所述温室气体水气界面交换模型关于溶解态CO2排放所对应的,低成本传感器可测的指标包括溶解态及气态CO2浓度、水温、水深、流量;
步骤三中,所述的温室气体水气界面交换模型所需参数通过低成本传感器监测***获得,溶解态N2O排放通量通过以下公式计算得到:
其中,是水-空气界面处的排放通量(ug N/(m2d));N2Odisc和N2Oeqc分别是地表水中溶解的N2O浓度(ug N2O-N L-1)和大气中N2O平衡的理论浓度(ug N2O-N L-1);/>为N2O转移速度(cm/h)。
S1、公式中N2Oeqc的计算公式如下:
其中,Ai(i=1,2,3,4)为常数;是N2O中N的分子量;Tk是水温(开尔文),其可由水温传感器测得;N2Oairc是月大气N2O浓度,根据NOAA/ESRL全球监测部门的综合N2O数据计算得出。
S2、公式中的计算公式如下:
式中是N2O的施密特数,由运动粘度和N2O扩散系数之比定义,与温度有关;K600作为风速的函数计算,水流速度<0.5m/s,或作为水深、流速和风速的函数,水流速度>0.5m/s。
S3、公式中的计算公式如下:
式中T为河水温度(0-30℃),其可通过水温传感器测得。
S4、公式中K600的计算公式如下:
K600=3.3(±1.6)+4.3173*T2-0.054350*T3 水流速度<0.5m/s
K600=1.0+1.719*(V/H)0.5+2.58*W10 水流速度>0.5m/s
式中W10为10m处的平均风速,可由当地气象局获得此数据;V为水体流速(m/s);H为水深(m),这两个参数数值可由流量传感器和水深传感器测得。
溶解态CO2排放通量通过以下公式计算得到:
其中,是水-空气界面处的排放通量(mg C/(m2d));/>和/>分别是地表水中溶解CO2的浓度(mg CO2-C L-1)和大气中CO2平衡的理论浓度(mg CO2-C L-1),可由水体CO2溶解态浓度传感器、CO2气体浓度传感器测得;/>为CO2转移速度(cm/h)。
步骤四中的OneNET云服务器可以实现Web控制程序。Web控制程序提供用户设置、查看状态的可视化控制接口,用户可以进入OneNET网页端对监测数据进行实时显示和查询,以及通过远程控制继电器的开关定时实现对漂浮箱自由空气的置换。
与现有技术相比,本发明的有益效果为:
本发明是基于低成本传感器和智能算法的灌区水体温室气体排放快速监测方法,先通过低成本传感器监测***采集所需的水文水质及大气环境参数并将其上传至OneNET云服务器,然后通过智能算法以及温室气体水气界面交换模型,即可在云平台得到可视化的灌区温室气体排放通量,该方法不仅能显著降低成本,也能实现小时级的测量频率,满足水质及温室气体排放的同步监测要求。因此,本发明不仅实现了低成本监测,也显著提高了灌区温室气体的测量频率。
本发明基于低成本传感器及智能算法的灌区水体温室气体排放快速监测方法通过智能算法构建深度神经网络模型,与其他常规算法相比较,神经网络的适应性更好,模型精度更高,也具有更高的可靠性。
附图说明
图1是本发明中稻作灌区水体溶解态N2O和CO2排放通量计算方法的步骤流程图。
图2是本发明中低成本传感器监测***硬件示意图。
图3是本发明中低成本传感器监测***在线***架构图。
图4a、b、c、d、e是本发明中传感器精度验证图。
图5a、b、c是稻作灌区水体溶解态N2O浓度、N2O和CO2排放通量日变化图。
图6是本发明中稻作灌区水体溶解态N2O和CO2排放通量计算装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。
参见图1,通过由pH传感器、水温传感器、水深传感器、流量传感器、硝氮传感器、氨氮传感器、水体CO2溶解态浓度传感器、CO2气体浓度传感器组成的低成本传感器监测***对稻作灌区水体进行持续监测,因为水体溶解态N2O浓度、N2O和CO2排放通量和这些传感器测量指标之间的化学和物理相关性已被证明是显著的,所以基于水环境参数和溶解态N2O浓度实测数据集构建溶解态N2O浓度智能算法,再基于所得参数通过温室气体水气界面交换模型计算溶解态N2O和CO2排放通量。
基于低成本传感器和智能算法的灌区水体温室气体监测***,依次有以下步骤:
步骤一:低成本传感器监测***实时监测灌区内池塘、河流的水环境参数(流量、水温、水深、pH、硝氮、氨氮、水体CO2溶解态浓度)和大气环境参数(CO2气体浓度)。
低成本传感器监测***的搭建架构是可实现自由空气交换的漂浮箱和水气环境参数同步采集的多个传感器组成的“终端”***,如图2所示,在“终端”处,水质传感器包括流量、水温、水深、pH、硝氮、氨氮、及水体溶解态CO2浓度的多个传感器,漂浮箱内放置CO2气体浓度传感器,开展可开闭式漂浮箱和多个传感器的控制模块化研究与物联网实现,实现水质和温室气体排放的监测。该低成本传感器监测***硬件电子设备包含电源控制板,一个Arduino Mega 2560主控开发板,一个用于网络数据传输的GPRS模块。硬件非电子设备包含一个漂浮箱、防倾倒锚、可充气内胎、以及一个防水箱。其中,漂浮箱开闭控制实现方式为:利用泵向内胎内充气,使漂浮箱一侧离开水面,实现与箱外空气的一次交换,利用阀门放掉胎内空气,实现漂浮箱完全回落水面,进行温室气体采集、累积及排放通量计算。
步骤二:基于水环境参数和溶解态N2O浓度实测数据集构建溶解态N2O浓度智能算法。
所述步骤二溶解态N2O浓度智能算法所对应的,低成本传感器可测的指标包括硝氮、氨氮、pH、水温。
所述步骤二通过深度神经网络模型构建溶解态N2O浓度(N2Odisc)智能算法,依次包括以下步骤:
S1、采用基于Python的Scikit-learn库的train_test_split()拆分数据集将所采集样本集中的水质参数数据随机拆分成训练样本(S,a)和测试样本(T,b),其中,S为训练样本集,a为训练样本数据,T为测试样本集,b为测试样本数据;
S2、神经网络中选择ReLU作为激活函数,包含4层中间层,使用Adam作为优化器进行优化,以均方误差(MSE)、平均绝对误差(MAE)两个指标作为深度神经网络模型精度评估标准。
S3、对训练集数据进行迭代训练,使均方误差(MSE)、平均绝对误差(MAE)降低直至满足要求;
S4、计算深度神经网络模型的决定系数R2,若R2大于等于设定的阈值,则判定该模型的预测性能满足要求,若R2小于设定阈值,则根据MSE、MAE调整参数后重复S1-S3,直至满足要求。
步骤S2中,所述均方误差(MSE)通过以下公式计算得到:
上式中,N为训练样本集中的样本数量,f(xi)为第i个样本的溶解态N2O浓度预测值,yi为第i个样本中的溶解态N2O浓度实测值;
步骤S2中,所述平均绝对误差(MAE)通过以下公式计算得到:
上式中,N为训练样本集中的样本数量,f(xi)为第i个样本的溶解态N2O浓度预测值,yi为第i个样本中的溶解态N2O浓度实测值;
步骤S5中,所述R2通过以下公式计算得到:
上式中,为溶解态N2O浓度实测值得平均值。
步骤二中,所述样本集中的样本数量大于等于100。
所构建的模型在训练期间和验证期间的MSE、MAE、R2如表1所示。表1是本发明中溶解态N2O浓度智能算法精度表。
MSE | MAE | R2 | |
训练集 | 0.08 | 0.20 | 0.80 |
测试集 | 0.10 | 0.25 | 0.63 |
步骤三:通过温室气体水气界面交换模型实现灌区水环境的溶解态N2O和CO2排放同步监测。
所述的温室气体水气界面交换模型所需参数通过低成本传感器监测***获得,所述温室气体水气界面交换模型关于溶解态N2O排放所对应的,低成本传感器可测的指标包括水温、水深、流量;所述温室气体水气界面交换模型关于溶解态CO2排放所对应的,低成本传感器可测的指标包括溶解态及气态CO2浓度、水温、水深、流量。所使用的传感器精度验证图如图4a、b、c、d、e所示。溶解态N2O排放通量通过以下公式计算得到:
其中,是水-空气界面处的排放通量(ug N/(m2d));N2Odisc和N2Oeqc分别是地表水中溶解的N2O浓度(ug N2O-N L-1)和大气中N2O平衡的理论浓度(ug N2O-N L-1);/>为N2O转移速度(cm/h)。
S1、公式中N2Oeqc的计算公式如下:
其中,Ai(i=1,2,3,4)为常数;是N2O中N的分子量;Tk是水温(开尔文),其可由水温传感器测得;N2Oairc是月大气N2O浓度,根据NOAA/ESRL全球监测部门的综合N2O数据计算得出。
S2、公式中的计算公式如下:
式中是N2O的施密特数,由运动粘度和N2O扩散系数之比定义,与温度有关;K600作为风速的函数计算,水流速度<0.5m/s,或作为水深、流速和风速的函数,水流速度>0.5m/s。
S3、公式中的计算公式如下:
式中T为河水温度(0-30℃),其可通过水温传感器测得。
S4、公式中K600的计算公式如下:
K600=3.3(±1.6)+4.3173*T2-0.054350*T3 水流速度<0.5m/s
K600=1.0+1.719*(V/H)0.5+2.58*W10 水流速度>0.5m/s
式中W10为10m处的平均风速,可由当地气象局获得此数据;V为水体流速(m/s);H为水深(m),这两个参数数值可由流量传感器和水深传感器测得。
溶解态CO2排放通量通过以下公式计算得到:
其中,是水-空气界面处的排放通量(mg C/(m2d));/>和/>分别是地表水中溶解CO2的浓度(mg CO2-C L-1)和大气中CO2平衡的理论浓度(mg CO2-C L-1),可由水体CO2溶解态浓度传感器、CO2气体浓度传感器测得;/>为CO2转移速度(cm/h)。
步骤四:通过OneNET云服务器实现定时远程控制及灌区水体的水质、溶解态N2O和CO2排放通量变化的可视化显示。
设计如图3所示的低成本传感器监测***在线***架构,该***架构由如下“终端”和“云端”组成:①可实现自由空气交换的漂浮箱和水气环境参数同步采集的多个传感器组成的“终端”;②可实现定时远程控制漂浮箱开闭,数据实时传输、存储与展示的“云端”。本设计以Arduino Mega2560控制器为核心,采用低成本传感器采集水质参数(流量、水温、水深、pH、硝氮、氨氮、水体CO2溶解态浓度)和漂浮箱内大气环境参数(CO2气体浓度);通过GPRS上传到物联网OneNET云服务器,将通过智能算法以及水气界面交换模型得到的溶解态N2O浓度、N2O和CO2排放通量进行可视化显示。用户可以进入OneNET网页端对监测数据进行实时显示和查询,以及通过远程控制继电器的开关定时实现对漂浮箱自由空气置换。
在本发明的实际应用过程中,包括以下具体步骤:
1、运行低成本传感器监测***,采集稻作灌区池塘、河流的流量、水温、水深、pH、硝氮、氨氮、气态及溶解态CO2浓度。
2、将稻作灌区池塘、河流的硝氮、氨氮水质参数,作为溶解态N2O浓度智能算法的输入信息。
3、将稻作灌区池塘、河流的pH、水温、水深以及流量水质参数,作为温室气体水气界面交换模型关于溶解态N2O的输入信息;将稻作灌区池塘、河流的溶解态和气态CO2浓度、pH、水温、水深以及流量水气环境参数,作为温室气体水气界面交换模型关于溶解态CO2的输入信息。
4、通过OneNET云服务器的可视化显示,得到稻作灌区水体溶解态N2O浓度、N2O和CO2排放通量日变化时间分布图,如图5a、b、c所示。
本发明进一步提供了一种稻作灌区水体溶解态N2O和CO2排放通量计算装置,如图6所示,包括:
水气环境参数模块,用于利用低成本传感器实时监测灌区内池塘、河流的水气环境参数,包含流量、水温、水深、pH、硝态氮、氨态氮、气态及溶解态CO2浓度;
灌区水体溶解态N2O构建模块,用于运行步骤二中溶解态N2O浓度智能算法,对灌区水体溶解态N2O浓度进行计算;
灌区水体N2O和CO2排放监测模块,用于运行步骤三中温室气体水气界面交换模型,对灌区水体溶解态N2O和CO2排放通量进行计算;
控制和可视化模块,用于运用OneNET云服务器实现定时远程控制及灌区水生态***的水质、溶解态N2O和CO2排放通量变化的可视化显示。
首先通过水气环境参数模块获取稻作灌区水体的水气环境参数,再将所需水质参数作为灌区水体溶解态N2O构建模块的输入信息,然后运行灌区水体N2O和CO2排放监测模块,通过控制和可视化模块实现定时远程控制及稻作灌区的水质、溶解态N2O和CO2排放通量变化的可视化显示。
Claims (7)
1.一种基于低成本传感器和智能算法的灌区水体温室气体监测***的监测方法,其特征在于:包括如下步骤:
步骤一:低成本传感器监测***实时监测灌区内池塘、河流的水环境参数和大气环境参数;
步骤二:基于水环境参数和溶解态N2O浓度实测数据集构建溶解态N2O浓度智能算法;
步骤三:通过温室气体水气界面交换模型实现灌区水环境的溶解态N2O和CO2排放同步监测;
步骤四:通过OneNET云服务器实现定时远程控制及灌区水体的水质、溶解态N2O和CO2排放通量变化的可视化显示;
其中,通过深度神经网络模型构建溶解态N2O浓度即N2Odisc智能算法,包括以下步骤:
S2.1、采用基于Python的Scikit-learn库的train_test_split()拆分数据集将所采集样本集中的水质参数数据随机拆分成训练样本(S,a)和测试样本(T,b),其中,S为训练样本集,a为训练样本数据,T为测试样本集,b为测试样本数据;
S2.2、神经网络中选择ReLU作为激活函数,包含4层中间层,使用Adam作为优化器进行优化,以均方误差MSE、平均绝对误差MAE两个指标作为深度神经网络模型精度评估标准;
S2.3、对训练集数据进行迭代训练,使均方误差MSE、平均绝对误差MAE降低直至满足要求;
S2.4、计算深度神经网络模型的决定系数R2,若R2大于等于设定的阈值,则判定该模型的预测性能满足要求,若R2小于设定阈值,则根据MSE、MAE调整参数后重复S2.1-S2.3,直至满足要求;
其中,温室气体水气界面交换模型所需参数通过低成本传感器监测***获得,溶解态N2O排放通量通过以下公式计算得到:
其中,是水-空气界面处的排放通量(ug N/(m2d));N2Odisc和N2Oeqc分别是地表水中溶解的N2O浓度(ug N2O-N L-1)和大气中N2O平衡的理论浓度(ug N2O-N L-1);/>为N2O转移速度(cm/h);
其中,N2Oeqc的计算公式如下:
其中,Ai(i=1,2,3,4)为常数;是N2O中N的分子量;Tk是水温,其由水温传感器测得;N2Oairc是月大气N2O浓度,根据NOAA/ESRL全球监测部门的综合N2O数据计算得出;
的计算公式如下:
式中是N2O的施密特数,由运动粘度和N2O扩散系数之比定义,与温度有关;K600作为风速的函数计算,水流速度<0.5m/s,或作为水深、流速和风速的函数,水流速度>0.5m/s;
的计算公式如下:
式中T为河水温度0-30℃,通过水温传感器测得;
K600的计算公式如下:
K600=3.3(±1.6)+4.3173*T2-0.054350*T3水流速度<0.5m/s
K600=1.0+1.719*(V/H)0.5+2.58*W10水流速度>0.5m/s
式中W10为10m处的平均风速,由当地气象局获得此数据;V为水体流速(m/s);H为水深(m),这两个参数数值由流量传感器和水深传感器测得;
溶解态CO2排放通量通过以下公式计算得到:
其中,是水-空气界面处的排放通量(mg C/(m2d));/>和/>分别是地表水中溶解CO2的浓度(mg CO2-C L-1)和大气中CO2平衡的理论浓度(mg CO2-C L-1),由水体CO2溶解态浓度传感器、CO2气体浓度传感器测得;/>为CO2转移速度(cm/h)。
2.根据权利要求1所述的一种基于低成本传感器和智能算法的灌区水体温室气体监测***的监测方法,其特征在于:所述低成本传感器监测***的搭建架构是实现自由空气交换的漂浮箱和水气环境参数同步采集的多个传感器集成***,该监测***采用低成本传感器对水体进行实时连续监测,监测的指标有:流量、水温、水深、pH、硝氮、氨氮、水体CO2溶解态浓度、CO2气体浓度。
3.根据权利要求1所述的一种基于低成本传感器和智能算法的灌区水体温室气体监测***的监测方法,其特征在于:所述均方误差MSE通过以下公式计算得到:
上式中,N为训练样本集中的样本数量,f(xi)为第i个样本的溶解态N2O浓度预测值,yi为第i个样本中的溶解态N2O浓度实测值。
4.根据权利要求1所述的一种基于低成本传感器和智能算法的灌区水体温室气体监测***的监测方法,其特征在于:所述平均绝对误差MAE通过以下公式计算得到:
上式中,N为训练样本集中的样本数量,f(xi)为第i个样本的溶解态N2O浓度预测值,yi为第i个样本中的溶解态N2O浓度实测值。
5.根据权利要求1所述的一种基于低成本传感器和智能算法的灌区水体温室气体监测***的监测方法,其特征在于:所述R2通过以下公式计算得到:
上式中,为溶解态N2O浓度实测值得平均值。
6.根据权利要求1所述的一种基于低成本传感器和智能算法的灌区水体温室气体监测***的监测方法,其特征在于:步骤四中的OneNET云服务器实现Web控制程序;Web控制程序提供用户设置、查看状态的可视化控制接口,用户进入OneNET网页端对监测数据进行实时显示和查询,以及通过远程控制继电器的开关定时实现对漂浮箱自由空气的置换。
7.一种基于权利要求1所述的基于低成本传感器和智能算法的灌区水体温室气体监测***的监测方法的计算装置,其特征在于,包括:
水气环境参数模块,用于利用低成本传感器实时监测灌区内池塘、河流的水气环境参数,包含流量、水温、水深、pH、硝态氮、氨态氮、气态及溶解态CO2浓度;
灌区水体溶解态N2O构建模块,用于溶解态N2O浓度智能算法,对灌区水体溶解态N2O浓度进行计算;
灌区水体N2O和CO2排放监测模块,用于温室气体水气界面交换模型,对灌区水体溶解态N2O和CO2排放通量进行计算;
控制和可视化模块,用于运用OneNET云服务器实现定时远程控制及灌区水生态***的水质、溶解态N2O和CO2排放通量变化的可视化显示;其中,
通过水气环境参数模块获取稻作灌区水体的水气环境参数,再将所需水质参数作为灌区水体溶解态N2O构建模块的输入信息,然后运行灌区水体N2O和CO2排放监测模块,通过控制和可视化模块实现定时远程控制及稻作灌区的水质、溶解态N2O和CO2排放通量变化的可视化显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310380483.1A CN116381176B (zh) | 2023-04-11 | 2023-04-11 | 基于低成本传感器和智能算法的灌区水体温室气体监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310380483.1A CN116381176B (zh) | 2023-04-11 | 2023-04-11 | 基于低成本传感器和智能算法的灌区水体温室气体监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116381176A CN116381176A (zh) | 2023-07-04 |
CN116381176B true CN116381176B (zh) | 2024-04-12 |
Family
ID=86980378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310380483.1A Active CN116381176B (zh) | 2023-04-11 | 2023-04-11 | 基于低成本传感器和智能算法的灌区水体温室气体监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116381176B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108956876A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种烟气在线连续监测***的测量时延修正方法 |
RU2690001C1 (ru) * | 2017-12-29 | 2019-05-30 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) | Способ обработки векторных сигналов для распознавания образов на основе вейвлет-анализа |
CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611983A (zh) * | 2020-06-29 | 2020-09-01 | 南京农业大学 | 一种手持式田间小麦赤霉病监测预警装置及方法 |
US20220357234A1 (en) * | 2021-05-05 | 2022-11-10 | Earthview Corporation | Gas differentiating sensor suite |
-
2023
- 2023-04-11 CN CN202310380483.1A patent/CN116381176B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2690001C1 (ru) * | 2017-12-29 | 2019-05-30 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) | Способ обработки векторных сигналов для распознавания образов на основе вейвлет-анализа |
CN108956876A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种烟气在线连续监测***的测量时延修正方法 |
CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
Non-Patent Citations (1)
Title |
---|
EMBEDDED ARTIFICIAL INTELLIGENCE APPROACH FOR GAS RECOGNITION IN SMART AGRICULTURE APPLICATIONS USING LOW COST MOX GAS SENSORS;Claudia Bruno等;Smart Systems Integration;20210930;1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN116381176A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Prediction of harmful algal blooms in large water bodies using the combined EFDC and LSTM models | |
CN112883644B (zh) | 一种动态水环境管理方法 | |
Menon et al. | Wireless sensor network for river water quality monitoring in India | |
CN112651665A (zh) | 一种基于图神经网络的地表水水质指标预测方法和装置 | |
CN112949167A (zh) | 饮用水水源地动态监测预警***及其监测预警方法 | |
CN115237896B (zh) | 一种基于深度学习预报空气质量的数据前处理方法及*** | |
CN112964843A (zh) | 污水处理设施水质监测的物联网传感器***及监测方法 | |
CN109060023A (zh) | 一种微型环境监测的数据质控方法及*** | |
CN201615902U (zh) | 一种水华预警*** | |
CN112394695A (zh) | 一种流域水生态环境监测*** | |
CN116381176B (zh) | 基于低成本传感器和智能算法的灌区水体温室气体监测*** | |
Wang et al. | A new embedded estimation model for soil temperature prediction | |
CN113780177A (zh) | 一种非接触式实时原位水质监测方法 | |
CN110222916A (zh) | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 | |
CN117288254A (zh) | 基于水气两相实现污水处理温室气体排放在线监测的***、方法、装置、处理器及存储介质 | |
CN116665037A (zh) | 基于高光谱的水生态流量监测方法 | |
CN106021884A (zh) | 一种基于神经网络原理的潜流湿地出水浓度的预测方法 | |
CN112707508B (zh) | 基于bp-ann的农污设施cod处理效果预测方法、装置、平台 | |
Cao et al. | Study on water quality inversion model of Dianchi Lake based on Landsat 8 data | |
CN113311509A (zh) | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 | |
CN102226332A (zh) | 一种基于环境监测反馈的调水方法 | |
CN115753658B (zh) | 一种多参数水质监测***及方法 | |
CN111027893A (zh) | 一种河湖水环境健康智能评估预警***及方法 | |
CN117192063B (zh) | 基于耦合卡尔曼滤波数据同化的水质预测方法及*** | |
CN212845010U (zh) | 一种土壤全氮含量的原位监测装置 |
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 |