CN117455127B - 一种基于智慧园林的植物碳汇动态数据监测*** - Google Patents
一种基于智慧园林的植物碳汇动态数据监测*** Download PDFInfo
- Publication number
- CN117455127B CN117455127B CN202311799040.2A CN202311799040A CN117455127B CN 117455127 B CN117455127 B CN 117455127B CN 202311799040 A CN202311799040 A CN 202311799040A CN 117455127 B CN117455127 B CN 117455127B
- Authority
- CN
- China
- Prior art keywords
- data
- data sequence
- plant carbon
- carbon sink
- garden plant
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 161
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 161
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 99
- 230000005856 abnormality Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 16
- 229910002092 carbon dioxide Inorganic materials 0.000 description 8
- 238000010521 absorption reaction Methods 0.000 description 7
- 239000001569 carbon dioxide Substances 0.000 description 7
- 239000002028 Biomass Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000029553 photosynthesis Effects 0.000 description 5
- 238000010672 photosynthesis Methods 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005183 environmental health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于智慧园林的植物碳汇动态数据监测***,包括:数据采集模块、数据特征获取模块、获取标准差阈值模块和数据监测模块用于获取园林植物碳汇动态数据序列集合;根据每种数据序列内每个采样时刻数据的异常程度,获取每种数据序列中所有正常数据;根据每种数据序列的调整程度,获取调整后的园林植物碳汇动态数据序列,进而获取迭代自组织聚类算法的标准差阈值;对调整后的园林植物碳汇动态数据序列进行聚类获得聚类结果,进而对园林植物碳汇动态数据序列集合进行数据监测。本发明能够准确的对植物碳汇动态数据进行监测。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于智慧园林的植物碳汇动态数据监测***。
背景技术
随着全球气候变化问题的日益凸显,人们对于环境保护和碳汇管理的重视程度不断提升;在这样的背景下,智慧园林的概念逐渐兴起,人们开始关注如何通过科技手段实现对园林植物碳汇动态数据的实时监测和管理;园林植物作为重要的碳汇,其生长状态和碳吸收能力对于生态***的碳平衡和环境健康具有重要影响;故需要一套基于智慧园林的植物碳汇动态监测***,利用物联网、传感器技术等先进技术,实现对园林植物数据的实时监测和分析,及时调整园林管理策略,最大限度地发挥植物对碳的吸收和存储作用;由于植物碳汇动态数据包含数据量大,不同植物和环境条件下的数据分布较广,需要对植物碳汇动态数据进行分类,以便后续能够更加方便地进行数据监测。
通过现有的迭代自组织聚类算法对植物碳汇动态数据进行分类的过程中,需要根据自设的指标数据方差进行聚类域的***判断,由于植物碳汇动态数据中包含数据种类较多,不同种类数据的波动范围也有所不同,直接为每项数据设置相同的标准差阈值,会导致所有种类数据的***判断不合理,使得无法准确的对植物碳汇动态数据进行监测。
发明内容
本发明提供一种基于智慧园林的植物碳汇动态数据监测***,以解决现有的问题。
本发明的一种基于智慧园林的植物碳汇动态数据监测***采用如下技术方案:
包括以下模块:
数据采集模块,用于获取园林植物碳汇动态数据序列集合;园林植物碳汇动态数据序列集合包含多种数据序列,每种数据序列包含多个采样时刻的数据;
数据特征获取模块,用于根据每个采样时刻的数据与相邻两个采样时刻的数据之间的差异,获取每种数据序列内每个采样时刻的数据的异常程度;根据异常程度对每种数据序列内所有采样时刻的数据进行筛选得到每种数据序列中所有正常数据;根据每种数据序列中所有正常数据的最大值和最小值,获取每种数据序列的波动程度;
获取标准差阈值模块,用于根据所有种数据序列的波动程度,获取每种数据序列的调整程度;根据每种数据序列的调整程度,获取调整后的园林植物碳汇动态数据序列;根据调整后的园林植物碳汇动态数据序列,获取调整后的园林植物碳汇动态数据序列的迭代自组织聚类算法的标准差阈值;
数据监测模块,用于根据迭代自组织聚类算法的标准差阈值对调整后的园林植物碳汇动态数据序列进行聚类获得聚类结果;根据聚类结果对园林植物碳汇动态数据序列集合进行数据监测。
优选的,所述根据每个采样时刻的数据与相邻两个采样时刻的数据之间的差异,获取每种数据序列内每个采样时刻的数据的异常程度的具体公式为:
式中,表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据的异常程度;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;/>表示取绝对值。
优选的,所述根据异常程度对每种数据序列内所有采样时刻的数据进行筛选得到每种数据序列中所有正常数据,包括的具体方法为:
预设一个异常程度阈值,对于园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据,若第/>种数据序列内第/>个采样时刻的数据的异常程度小于异常程度阈值/>,则将第/>种数据序列内第/>个采样时刻的数据作为第/>种数据序列的一个正常数据,获取第/>种数据序列的所有正常数据。
优选的,所述根据每种数据序列中所有正常数据的最大值和最小值,获取每种数据序列的波动程度,包括的具体方法为:
将第种数据序列中所有正常数据中最大值与最小值的差值作为第/>种数据序列的波动程度。
优选的,所述根据所有种数据序列的波动程度,获取每种数据序列的调整程度,包括的具体方法为:
获取园林植物碳汇动态数据序列集合的数据序列波动基准值,则园林植物碳汇动态数据序列集合中第种数据序列的调整程度的计算方法为:
式中,表示园林植物碳汇动态数据序列集合中第/>种数据序列的调整程度;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列的波动程度;/>表示园林植物碳汇动态数据序列集合的数据序列波动基准值。
优选的,所述获取园林植物碳汇动态数据序列集合的数据序列波动基准值,包括的具体方法为:
将园林植物碳汇动态数据序列集合中所有种数据序列的波动程度的均值作为园林植物碳汇动态数据序列集合的数据序列波动基准值。
优选的,所述根据每种数据序列的调整程度,获取调整后的园林植物碳汇动态数据序列,包括的具体方法为:
获取第种数据序列内第/>个采样时刻的数据调整后的数据,将第/>种数据序列内每个采样时刻的数据调整后的数据作为第/>种数据序列内每个采样时刻的数据后,得到调整后的第/>种数据序列并记为第/>种数据序列的调整后序列;进而获取每种数据序列的调整后序列;将所有种数据序列的调整后序列中第/>个采样时刻的数据构成数据集合作为第/>个采样时刻的数据点,进而获取所有采样时刻的数据点,将所有采样时刻的数据点作为调整后的园林植物碳汇动态数据序列。
优选的,所述获取第种数据序列内第/>个采样时刻的数据调整后的数据,包括的具体方法为:
获取第种数据序列的波动范围中心,则园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据调整后的数据的计算方法为:
式中,表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据调整后的数据;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列的波动范围中心;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列的调整程度。
优选的,所述获取第种数据序列的波动范围中心,包括的具体方法为:
将第种数据序列中所有正常数据的中程数作为第/>种数据序列的波动范围中心。
优选的,所述根据调整后的园林植物碳汇动态数据序列,获取调整后的园林植物碳汇动态数据序列的迭代自组织聚类算法的标准差阈值的具体公式为:
式中,表示调整后的园林植物碳汇动态数据序列的迭代自组织聚类算法的标准差阈值;/>表示园林植物碳汇动态数据序列集合中所有种数据序列的种类数量;/>表示调整后的园林植物碳汇动态数据序列中第/>种数据序列的调整后序列内所有采集时刻的数据最大值;/>表示调整后的园林植物碳汇动态数据序列中第/>种数据序列的调整后序列内所有采集时刻的数据最小值;/>表示反正切函数。
本发明的技术方案的有益效果是:本发明根据每种数据序列的调整程度,获取调整后的园林植物碳汇动态数据序列,以此对园林植物碳汇动态数据序列集合中每种类数据进行调整,使得每种数据的波动范围相似;根据调整后的园林植物碳汇动态数据序列,获取调整后的园林植物碳汇动态数据序列的迭代自组织聚类算法的标准差阈值,以此获得的标准差阈值可以更合理进行***判断,使得对园林植物碳汇动态数据序列集合的分类结果更准确,进而能够准确的对植物碳汇动态数据进行监测。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于智慧园林的植物碳汇动态数据监测***的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于智慧园林的植物碳汇动态数据监测***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于智慧园林的植物碳汇动态数据监测***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于智慧园林的植物碳汇动态数据监测***的结构框图,该***包括以下模块:
数据采集模块,用于获取园林植物碳汇动态数据序列集合。
需要说明的是,植物生物量数据是指植物体内的有机物质总量,根据植物的生物量可以评估植物的碳储量和生长状态;植物光合作用速率数据可以反映植物对二氧化碳的吸收能力和光合效率;CO2吸收量数据可以反映植物对大气中二氧化碳的吸收能力;土壤碳储量数据可以反映植物对土壤中碳的影响和贡献;根据植被覆盖率可以反映园林植物分布情况并对区域碳汇作用进行评估。通过采集这些数据,可以帮助科研人员和环境保护机构更加全面地了解植物的碳汇能力和生长状态,为保护生态环境提供重要依据。
为了实现本实施例提出的一种基于智慧园林的植物碳汇动态数据监测***,首先需要采集园林植物碳汇动态数据序列,具体过程为:
每隔一天为一个采样时刻,每次依次采集园林植物光合作用速率数据、园林植物的生物量数据、园林植物二氧化碳吸收量数据、园林植物土壤含碳量数据和园林植被覆盖率数据这五种数据种类,共采集90天;将所有采样时刻的园林植物光合作用速率数据按照采样时序进行排序组成第一种数据序列;将所有采样时刻的园林植物的生物量数据按照采样时序进行排序组成第二种数据序列;将所有采样时刻的园林植物二氧化碳吸收量数据按照采样时序进行排序组成第三种数据序列;将所有采样时刻的园林植物土壤含碳量数据按照采样时序进行排序组成第四种数据序列;将所有采样时刻的园林植被覆盖率数据按照采样时序进行排序组成第五种数据序列;将这五种数据序列作为园林植物碳汇动态数据序列集合。
其中,园林植物碳汇动态数据序列集合包含多种数据序列,每种数据序列包含多个采样时刻的数据;通过光合作用速率仪采集园林植物光合作用速率数据、通过生物量测量仪采集园林植物的生物量数据;通过二氧化碳浓度仪采集二氧化碳浓度的变化情况获取园林植物二氧化碳吸收量数据;通过样地检测等生物学调查方法采集园林植物土壤含碳量数据;通过遥感技术获取园林植被覆盖率数据;本实施例不对采集时刻和采集总时长进行限定,实施人员可根据实际实施情况自行设定采集时刻和采集总时长。
至此,通过上述方法得到园林植物碳汇动态数据序列集合。
数据特征获取模块,用于根据每种数据序列内每个采样时刻数据的异常程度,获取每种数据序列中所有正常数据,进而获取每种数据序列的波动程度。
需要说明的是,对于园林植物碳汇动态数据序列中任意一个采样时刻的任意一种数据,其中可能存在异常数据,直接将所述种数据的最大最小值记为该中数据的波动范围会受异常数据的影响出现偏差;因此在计算数据波动程度的过程中,应将尽可能减少异常数据的影响。
具体的,园林植物碳汇动态数据序列集合中第种数据序列内第/>个采样时刻的数据的异常程度的计算方法为:
式中,表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据的异常程度;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;/>表示取绝对值。
需要说明的是,对于园林植物碳汇动态数据序列集合中第种数据序列内第一个采样时刻的数据和最后一个采样时刻的数据作为第/>种数据序列内第/>个采样时刻的数据时,由于其分别没有第/>和第/>个采样时刻的数据,故可用第2个和第3个采样时刻的数据计算第一采样时刻的数据的异常程度,用第/>和第/>个采样时刻的数据计算最后一个采样时刻的数据的异常程度。
预设一个异常程度阈值,其中本实施例以/>为例进行叙述,本实施例不对异常程度阈值进行限定,实施人员可根据实际实施情况自行设定异常程度阈值。
具体的,对于园林植物碳汇动态数据序列集合中第种数据序列内第/>个采样时刻的数据,若第/>种数据序列内第/>个采样时刻的数据的异常程度小于异常程度阈值/>,则将第种数据序列内第/>个采样时刻的数据作为第/>种数据序列的一个正常数据,进而获取第/>种数据序列的所有正常数据。其中,每一个正常数据对应一个采样时刻。
进一步的,将第种数据序列中所有正常数据中最大值与最小值的差值作为第/>种数据序列的波动程度,进而获取每种数据序列的波动程度。
至此,通过上述方法得到每种数据序列的波动程度。
获取标准差阈值模块,用于根据每种数据序列的调整程度,获取调整后的园林植物碳汇动态数据序列,进而获取迭代自组织聚类算法的标准差阈值。
需要说明的是,根据每种数据序列的波动程度对每种数据进行调整,希望将波动程度较大的数据序列调整更加紧凑,使波动程度较小的数据序列调整更加松散,使每种数据序列的波动程度尽可能相似,从而使园林植物碳汇动态数据序列集合的标准差阈值更容易确定。
1.获取园林植物碳汇动态数据序列集合中每种数据序列的调整程度。
需要说明的是,对于园林植物碳汇动态数据序列集合中包含的数据序列较多,且每种数据序列的数量级均有所不同,故在对每种数据序列进行调整的过程中应尽可能保证全部数据的数量级变化较小;故需选取一个基准值作为波动程度的调整标准,尽可能保留数据之间的大小关系,应使用能够使全部数据波动程度调整程度较小的波动程度作为基准进行调整。
具体的,将园林植物碳汇动态数据序列集合中所有种数据序列的波动程度的均值作为园林植物碳汇动态数据序列集合的数据序列波动基准值,则园林植物碳汇动态数据序列集合中第种数据序列的调整程度的计算方法为:
式中,表示园林植物碳汇动态数据序列集合中第/>种数据序列的调整程度;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列的波动程度;/>表示园林植物碳汇动态数据序列集合的数据序列波动基准值。
至此,获得园林植物碳汇动态数据序列集合中每种数据序列的调整程度。
2.获取调整后的园林植物碳汇动态数据序列。
需要说明的是,在对园林植物碳汇动态数据序列集合中每种数据序列进行调整时,如果调整幅度较大容易导致数据失真,使调整后的数据无法反映出原有的植物碳汇数据情况,应以每种数据序列的波动程度的中值为基准进行数据调整,并根据每种数据序列的调整程度进行不同程度的数据调整。
具体的,将第种数据序列中所有正常数据的中程数作为第/>种数据序列的波动范围中心,则园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据调整后的数据的计算方法为:
式中,表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据调整后的数据;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列的波动范围中心;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列的调整程度。
其中,对于调整程度大于1的数据序列,其波动程度大于所有种数据序列的波动范围中心,故对每个采样时刻的数据与波动范围中值之间的差距进行调整;将波动程度大于波动范围中心的数据与波动范围中心之间的差距与调整程度相除,将波动程度大的数据序列与大于1的调整程度相比达到将数据向波动程度中心靠拢的目的。
进一步的,将第种数据序列内每个采样时刻的数据调整后的数据作为第/>种数据序列内每个采样时刻的数据后,得到调整后的第/>种数据序列并记为第/>种数据序列的调整后序列;进而获取每种数据序列的调整后序列;将所有种数据序列的调整后序列中第/>个采样时刻的数据构成数据集合作为第/>个采样时刻的数据点,进而获取所有采样时刻的数据点,将所有采样时刻的数据点作为调整后的园林植物碳汇动态数据序列。
至此,通过上述方法得到调整后的园林植物碳汇动态数据序列。
3.获取调整后的园林植物碳汇动态数据序列的迭代自组织聚类算法的标准差阈值。
需要说明的是,对于园林植物碳汇动态数据序列集合,其采集的每种数据的数量越多,通过迭代自组织聚类对其进行聚类的过程中越可能因为每种数据的标准差阈值导致数据被分为更多个聚类,故应更多为采集的每种数据的植物碳汇数据设置更大的标准差阈值。
具体的,调整后的园林植物碳汇动态数据序列的迭代自组织聚类算法的标准差阈值的计算方法为:
式中,表示调整后的园林植物碳汇动态数据序列的迭代自组织聚类算法的标准差阈值;/>表示园林植物碳汇动态数据序列集合中所有种数据序列的种类数量;/>表示调整后的园林植物碳汇动态数据序列中第/>种数据序列的调整后序列内所有采集时刻的数据最大值;/>表示调整后的园林植物碳汇动态数据序列中第/>种数据序列的调整后序列内所有采集时刻的数据最小值;/>表示反正切函数。
至此,获得调整后的园林植物碳汇动态数据序列的迭代自组织聚类算法的标准差阈值。
数据监测模块,用于根据迭代自组织聚类算法的标准差阈值对调整后的园林植物碳汇动态数据序列进行聚类获得聚类结果,根据聚类结果对园林植物碳汇动态数据序列集合进行数据监测。
具体的,将标准差阈值输入迭代自组织聚类算法对调整后的园林植物碳汇动态数据序列中进行所有数据点聚类,获得若干个聚类簇;对于任意一个聚类簇,获取所述聚类簇中所有数据点的采样时刻,并记为所述聚类的第一采样时刻,将所有种数据序列中所有第一采样时刻的数据划分至同一个类别数据集合,进而将园林植物碳汇动态数据序列集合分为多个类别数据集合。
预设一个距离倍数参数,其中本实施例以/>为例进行叙述,本实施例不对距离倍数进行限定,实施人员可根据实际实施情况自行设定距离倍数。
进一步,对于园林植物碳汇动态数据序列集合的任意一个类别数据集合,将该类别数据集合中第个采样时刻的数据构成数据集合作为第/>个采样时刻的数据点,进而获取该类别数据集合中所有数据点,将该类别数据集合中所有数据点和该类别数据集合的中心数据点之间的欧式距离记为该类别数据集合的标准距离,将距离倍数参数/>与该类别数据集合的标准距离的乘积记为第一距离,若该类别数据集合中任意一个数据点和该类别数据集合的中心数据点之间的欧式距离大于第一距离,则将该类别数据集合中所述数据点记为该类别数据集合的异常数据,进而获得园林植物碳汇动态数据序列集合的所有异常数据,实现对园林植物碳汇动态数据序列集合的数据监测。
其中,一个聚类簇对应一个类别数据集合,每个聚类簇的中心数据点对应每个类别数据集合的中心数据点。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于智慧园林的植物碳汇动态数据监测***,其特征在于,该***包括以下模块:
数据采集模块,用于获取园林植物碳汇动态数据序列集合;园林植物碳汇动态数据序列集合包含多种数据序列,每种数据序列包含多个采样时刻的数据;
数据特征获取模块,用于根据每个采样时刻的数据与相邻两个采样时刻的数据之间的差异,获取每种数据序列内每个采样时刻的数据的异常程度;根据异常程度对每种数据序列内所有采样时刻的数据进行筛选得到每种数据序列中所有正常数据;根据每种数据序列中所有正常数据的最大值和最小值,获取每种数据序列的波动程度;
获取标准差阈值模块,用于根据所有种数据序列的波动程度,获取每种数据序列的调整程度;根据每种数据序列的调整程度,获取调整后的园林植物碳汇动态数据序列;根据调整后的园林植物碳汇动态数据序列,获取调整后的园林植物碳汇动态数据序列的迭代自组织聚类算法的标准差阈值;
数据监测模块,用于根据迭代自组织聚类算法的标准差阈值对调整后的园林植物碳汇动态数据序列进行聚类获得聚类结果;根据聚类结果对园林植物碳汇动态数据序列集合进行数据监测;
所述根据所有种数据序列的波动程度,获取每种数据序列的调整程度,包括的具体方法为:
获取园林植物碳汇动态数据序列集合的数据序列波动基准值,则园林植物碳汇动态数据序列集合中第种数据序列的调整程度的计算方法为:
式中,表示园林植物碳汇动态数据序列集合中第/>种数据序列的调整程度;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列的波动程度;/>表示园林植物碳汇动态数据序列集合的数据序列波动基准值;
所述获取园林植物碳汇动态数据序列集合的数据序列波动基准值,包括的具体方法为:
将园林植物碳汇动态数据序列集合中所有种数据序列的波动程度的均值作为园林植物碳汇动态数据序列集合的数据序列波动基准值;
所述根据每种数据序列的调整程度,获取调整后的园林植物碳汇动态数据序列,包括的具体方法为:
获取第种数据序列内第/>个采样时刻的数据调整后的数据,将第/>种数据序列内每个采样时刻的数据调整后的数据作为第/>种数据序列内每个采样时刻的数据后,得到调整后的第/>种数据序列并记为第/>种数据序列的调整后序列;进而获取每种数据序列的调整后序列;将所有种数据序列的调整后序列中第/>个采样时刻的数据构成数据集合作为第/>个采样时刻的数据点,进而获取所有采样时刻的数据点,将所有采样时刻的数据点作为调整后的园林植物碳汇动态数据序列;
所述获取第种数据序列内第/>个采样时刻的数据调整后的数据,包括的具体方法为:
获取第种数据序列的波动范围中心,则园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据调整后的数据的计算方法为:
式中,表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据调整后的数据;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列的波动范围中心;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;表示园林植物碳汇动态数据序列集合中第/>种数据序列的调整程度;
所述根据调整后的园林植物碳汇动态数据序列,获取调整后的园林植物碳汇动态数据序列的迭代自组织聚类算法的标准差阈值的具体公式为:
式中,表示调整后的园林植物碳汇动态数据序列的迭代自组织聚类算法的标准差阈值;/>表示园林植物碳汇动态数据序列集合中所有种数据序列的种类数量;/>表示调整后的园林植物碳汇动态数据序列中第/>种数据序列的调整后序列内所有采集时刻的数据最大值;/>表示调整后的园林植物碳汇动态数据序列中第/>种数据序列的调整后序列内所有采集时刻的数据最小值;/>表示反正切函数。
2.根据权利要求1所述一种基于智慧园林的植物碳汇动态数据监测***,其特征在于,所述根据每个采样时刻的数据与相邻两个采样时刻的数据之间的差异,获取每种数据序列内每个采样时刻的数据的异常程度的具体公式为:
式中,表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据的异常程度;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;/>表示园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据;/>表示取绝对值。
3.根据权利要求1所述一种基于智慧园林的植物碳汇动态数据监测***,其特征在于,所述根据异常程度对每种数据序列内所有采样时刻的数据进行筛选得到每种数据序列中所有正常数据,包括的具体方法为:
预设一个异常程度阈值,对于园林植物碳汇动态数据序列集合中第/>种数据序列内第/>个采样时刻的数据,若第/>种数据序列内第/>个采样时刻的数据的异常程度小于异常程度阈值/>,则将第/>种数据序列内第/>个采样时刻的数据作为第/>种数据序列的一个正常数据,获取第/>种数据序列的所有正常数据。
4.根据权利要求1所述一种基于智慧园林的植物碳汇动态数据监测***,其特征在于,所述根据每种数据序列中所有正常数据的最大值和最小值,获取每种数据序列的波动程度,包括的具体方法为:
将第种数据序列中所有正常数据中最大值与最小值的差值作为第/>种数据序列的波动程度。
5.根据权利要求1所述一种基于智慧园林的植物碳汇动态数据监测***,其特征在于,所述获取第种数据序列的波动范围中心,包括的具体方法为:
将第种数据序列中所有正常数据的中程数作为第/>种数据序列的波动范围中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311799040.2A CN117455127B (zh) | 2023-12-26 | 2023-12-26 | 一种基于智慧园林的植物碳汇动态数据监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311799040.2A CN117455127B (zh) | 2023-12-26 | 2023-12-26 | 一种基于智慧园林的植物碳汇动态数据监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117455127A CN117455127A (zh) | 2024-01-26 |
CN117455127B true CN117455127B (zh) | 2024-03-15 |
Family
ID=89593355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311799040.2A Active CN117455127B (zh) | 2023-12-26 | 2023-12-26 | 一种基于智慧园林的植物碳汇动态数据监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455127B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117871792B (zh) * | 2024-03-13 | 2024-05-14 | 河北省建筑科学研究院有限公司 | 用于对园区绿植碳汇的动态监测方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021238455A1 (zh) * | 2020-05-29 | 2021-12-02 | 中兴通讯股份有限公司 | 数据处理方法、设备及计算机可读存储介质 |
CN114563402A (zh) * | 2022-02-21 | 2022-05-31 | 国家林业和草原局华东调查规划院 | 一种林业碳汇测算和计量方法 |
CN114596492A (zh) * | 2022-03-09 | 2022-06-07 | 临沂市园林环卫保障服务中心 | 一种园林绿地智慧管理***用感知采集模块 |
CN114881805A (zh) * | 2022-04-21 | 2022-08-09 | 山东高速云南发展有限公司 | 一种基于碳汇密度的林业碳汇规划方法 |
WO2023056098A2 (en) * | 2021-10-01 | 2023-04-06 | Iron Ox, Inc. | Targeted output within an automated agricultural facility |
CN116267152A (zh) * | 2023-02-21 | 2023-06-23 | 中城建胜义(深圳)环境科技有限公司 | 一种利用生物质炭提高城市公园、绿地碳汇能力的方法 |
CN116703236A (zh) * | 2023-06-27 | 2023-09-05 | 北京爱特拉斯信息科技有限公司 | 一种基于陆地生态***的碳汇定量化核算方法及*** |
CN116882850A (zh) * | 2023-09-08 | 2023-10-13 | 山东科技大学 | 一种基于大数据的园林数据智能管理方法以及*** |
CN117073918A (zh) * | 2023-08-09 | 2023-11-17 | 中国矿业大学 | 矿山二氧化碳封存泄漏源的电位响应实时检测***及方法 |
CN117178769A (zh) * | 2023-11-08 | 2023-12-08 | 临沂市园林环卫保障服务中心 | 一种基于自动化的园林植物养护方法及*** |
CN117178862A (zh) * | 2023-11-08 | 2023-12-08 | 四川嘉陵江桐子壕航电开发有限公司 | 一种园林浇灌信息采集监控方法 |
-
2023
- 2023-12-26 CN CN202311799040.2A patent/CN117455127B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021238455A1 (zh) * | 2020-05-29 | 2021-12-02 | 中兴通讯股份有限公司 | 数据处理方法、设备及计算机可读存储介质 |
WO2023056098A2 (en) * | 2021-10-01 | 2023-04-06 | Iron Ox, Inc. | Targeted output within an automated agricultural facility |
CN114563402A (zh) * | 2022-02-21 | 2022-05-31 | 国家林业和草原局华东调查规划院 | 一种林业碳汇测算和计量方法 |
CN114596492A (zh) * | 2022-03-09 | 2022-06-07 | 临沂市园林环卫保障服务中心 | 一种园林绿地智慧管理***用感知采集模块 |
CN114881805A (zh) * | 2022-04-21 | 2022-08-09 | 山东高速云南发展有限公司 | 一种基于碳汇密度的林业碳汇规划方法 |
CN116267152A (zh) * | 2023-02-21 | 2023-06-23 | 中城建胜义(深圳)环境科技有限公司 | 一种利用生物质炭提高城市公园、绿地碳汇能力的方法 |
CN116703236A (zh) * | 2023-06-27 | 2023-09-05 | 北京爱特拉斯信息科技有限公司 | 一种基于陆地生态***的碳汇定量化核算方法及*** |
CN117073918A (zh) * | 2023-08-09 | 2023-11-17 | 中国矿业大学 | 矿山二氧化碳封存泄漏源的电位响应实时检测***及方法 |
CN116882850A (zh) * | 2023-09-08 | 2023-10-13 | 山东科技大学 | 一种基于大数据的园林数据智能管理方法以及*** |
CN117178769A (zh) * | 2023-11-08 | 2023-12-08 | 临沂市园林环卫保障服务中心 | 一种基于自动化的园林植物养护方法及*** |
CN117178862A (zh) * | 2023-11-08 | 2023-12-08 | 四川嘉陵江桐子壕航电开发有限公司 | 一种园林浇灌信息采集监控方法 |
Non-Patent Citations (2)
Title |
---|
基于碳汇视角的南宁城市绿化树种研究;韦泰;宋书巧;;林业调查规划;20170215(01);第143-146页 * |
黄山松天然林生物量动态预估模型及碳汇价值潜力研究;华伟平;江希钿;张元法;盖新敏;黄烺增;;中南林业科技大学学报;20160331(03);第64-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117455127A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117455127B (zh) | 一种基于智慧园林的植物碳汇动态数据监测*** | |
CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
US20220308036A1 (en) | Method for assessing soil health of cultivated land | |
CN110909933A (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
CN111487291B (zh) | 基于电子鼻检测技术高效评价桃花芽需冷量的方法 | |
CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
CN115631077A (zh) | 一种基于风险度的暴雨灾害风险评估方法 | |
CN117807549B (zh) | 一种农田土壤肥力评价方法及*** | |
CN117421686B (zh) | 一种水肥一体化灌溉用量数据收集方法 | |
CN116882850B (zh) | 一种基于大数据的园林数据智能管理方法以及*** | |
Chu et al. | Estimation of winter wheat phenology under the influence of cumulative temperature and soil salinity in the Yellow River Delta, China, using MODIS time-series data | |
CN116090644A (zh) | 一种苹果园干旱灾害预警方法 | |
Ahmed et al. | Micronutrient classification in IoT based agriculture using machine learning (ML) Algorithm | |
CN111262950A (zh) | 一种基于物联网的植物数据采集*** | |
CN101876623B (zh) | 玉米新品种抗倒性检测环境定量化分析方法及其*** | |
Zeng et al. | Time series based method for classification of plug seedlings | |
CN117391315B (zh) | 一种农业气象数据管理方法及装置 | |
NL2034835B1 (en) | A desert vegetation biomass estimation system and method | |
CN116223756B (zh) | 一种水体氮含量预测模型的生成方法 | |
CN117271968B (zh) | 一种土壤固碳量的核算方法及*** | |
CN113609106A (zh) | 农事气象数据处理方法、装置、设备及存储介质 | |
CN115356311A (zh) | 一种基于叶绿素荧光诱导动力学的茶树氮快速检测方法 | |
Xu et al. | Classification and Recognition of Crops Based on GIS Image | |
Yeo et al. | In-crop nitrogen detection of cotton-turning passive into active with the hydraspectra™. | |
CN116844047A (zh) | 基于遥感图像的棉花生长状态检测方法 |
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 |