[go: up one dir, main page]

CN114858222A - 基于地理信息大数据的生态环境监测方法 - Google Patents

基于地理信息大数据的生态环境监测方法 Download PDF

Info

Publication number
CN114858222A
CN114858222A CN202210788366.4A CN202210788366A CN114858222A CN 114858222 A CN114858222 A CN 114858222A CN 202210788366 A CN202210788366 A CN 202210788366A CN 114858222 A CN114858222 A CN 114858222A
Authority
CN
China
Prior art keywords
ecological environment
data
sensor
matrix
measurement
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.)
Pending
Application number
CN202210788366.4A
Other languages
English (en)
Inventor
高文曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Original Assignee
Nantong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong University filed Critical Nantong University
Priority to CN202210788366.4A priority Critical patent/CN114858222A/zh
Publication of CN114858222A publication Critical patent/CN114858222A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了基于地理信息大数据的生态环境监测方法,利用不同种类传感器获得生态环境数据；建立生态环境数据测量矩阵；利用数据测量矩阵与矩阵运算计算生态环境的真实值；计算生态环境数据误差的平方和，生态环境的真实值的估计值，生态环境传感器数据的估计状态方差；计算传感器测量结果的算术平均值与传感器测量方差估计值；对生态环境传感器数据进行更新；建立生态环境风险的预测模型；对生态环境风险的预测结果进行更新，对噪声矩阵进行更新；对生态环境预测的结果进行判断是否需要采取保护措施，该方法通过将生态环境的监测与算法模型相结合，理解简单，可操作性强，在生态环境监测方面具有良好作用。

Description

基于地理信息大数据的生态环境监测方法
技术领域
本发明涉及生态环境监测的领域，尤其涉及基于地理信息大数据的生态环境监测方法。
背景技术
近年来,随着工业化和城镇化的快速发展,我国资源与生态环境的形势日益严峻，资源约束压力持续增大,环境污染仍在加重,生态问题更加复杂,资源环境与生态恶化趋势尚未得到逆转,因此针对生态环境状况的监测显得尤为重要。
经济利益永远是驱动不法破坏环境的重要推动力,有利益就会有违法。特别是在举全国之力建设生态文明的大环境下,随着对破坏生态环境的惩治力度的不断增大,一些珍稀动植物与矿产资源的社会供应量就会相应减少，价格会逐步攀升,具大的利益会促使违法行为的发生，需要我们实时动态的掌握生态环境的状态,对生态环境恢复性保护做出准确的评估,对破坏生态环境的违法行为进行及时的监管与处置。生态环境的监管难度将会变大,监管成本也随之提高,传统的监管模式将会逐步不适应逐步提高的监管要求。在这种形势下,需要全社会探索生态环境监测、监管的全新技术手段。
为此紧紧围绕统筹推进“五位一体”总体布局和新的发展理念,根据生态环境保护的实际需求,广泛调研、学习国内外生态环境监测、监管的经验,研究最新的科技手段,以智慧生态的建设理念为核心。
生态环境监测范围广泛,涉及到山体、植被、地表水、地下水、土壤、野生动物等。监测环境恶劣,监测指标复杂多样,所以项目建设要引进、开发一些关键技术,设立相应的技术指标。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供基于地理信息大数据的生态环境监测方法。
本发明所采用的技术方案是，本发明步骤包括：
步骤S1：利用不同种类传感器对生态环境进行监测，获得生态环境数据；
步骤S2：读取生态环境数据，建立生态环境数据测量矩阵；
步骤S3：利用数据测量矩阵与矩阵运算计算生态环境的真实值；
步骤S4：计算生态环境数据误差的平方和，生态环境的真实值的估计值，生态环境传感器数据的估计状态方差；
步骤S5：计算传感器测量结果的算术平均值与传感器测量方差估计值；
步骤S6：对生态环境传感器数据进行更新；
步骤S7：建立生态环境风险的预测模型；
步骤S8：对生态环境风险的预测结果进行更新，对噪声矩阵进行更新；
步骤S9：对生态环境预测的结果进行判断是否需要采取保护措施，如果需要，则立即采取保护行动，如果不需要，则重复步骤S1、S2、S3、S4、S5、S6、S7、S8；
进一步地，所述建立生态环境数据测量矩阵，表达式为：
Figure DEST_PATH_IMAGE001
其中，A表示测量生态环境数据构成的测量矩阵，B表示测量系数矩阵，r表示单个生态环境传感器测量值，b表示环境和传感器的综合噪声矩阵。
进一步地，所述计算生态环境的真实值，表达式为：
Figure 695053DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示生态环境的真实值，B表示测量系数矩阵，C表示传感器误差的正定对角加权矩阵，T表示矩阵的转置运算，A表示测量生态环境数据构成的测量矩阵。
进一步地，所述计算生态环境数据误差的平方和，表达式为：
Figure 346614DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
表示生态环境数据估计误差的平方和，i表示生态环境传感器的个数，
Figure 942727DEST_PATH_IMAGE006
表示单个生态环境传感器的误差估计值，
Figure DEST_PATH_IMAGE007
表示误差系数，
Figure 492264DEST_PATH_IMAGE008
表示迭代次数；
所述生态环境的真实值的估计值，表达式为：
Figure DEST_PATH_IMAGE009
其中，
Figure 303707DEST_PATH_IMAGE010
表示生态环境的真实值的估计值，
Figure DEST_PATH_IMAGE011
表示生态环境传感器的观测矩阵；
所述生态环境传感器数据的估计状态方差，表达式为：
Figure 919977DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
表示生态环境传感器数据的估计状态方差；
进一步地，所述计算传感器测量结果的算术平均值，表达式为：
Figure 410780DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
表示传感器测量结果的算术平均值，i表示生态环境传感器的个数，
Figure 449494DEST_PATH_IMAGE008
表示迭代次数，
Figure 803858DEST_PATH_IMAGE016
表示所有传感器的测量结果；
所述传感器测量方差估计值，表达式为：
Figure DEST_PATH_IMAGE017
其中，
Figure 528713DEST_PATH_IMAGE018
表示传感器测量方差估计;
Figure DEST_PATH_IMAGE019
其中，V表示同种类型传感器的个数，q表示迭代次数，i表示生态环境传感器的个数，
Figure 283043DEST_PATH_IMAGE020
表示同种类型传感器测量方差。
进一步地，所述对生态环境传感器数据进行更新，表达式为：
Figure DEST_PATH_IMAGE021
其中，u表示传感器数据的更新值，
Figure 353017DEST_PATH_IMAGE003
表示生态环境的真实值，B表示测量系数矩阵，C表示传感器误差的正定对角加权矩阵，T表示矩阵的转置运算，A表示测量生态环境数据构成的测量矩阵。
进一步地，所述生态环境风险的预测模型，表达式为：
Figure 342314DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
表示生态环境风险的预测输出，q表示迭代次数，Z表示时间区段数量，
Figure 34808DEST_PATH_IMAGE024
表示传感器数据的峰值，
Figure DEST_PATH_IMAGE025
表示传感器数据的均值；
进一步地，所述对生态环境风险的预测结果进行更新，对噪声矩阵进行更新，表达式为：
Figure 539083DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
表示生态环境风险的预测结果的更新，
Figure 303555DEST_PATH_IMAGE028
表示对当前时刻生态环境风险预测的迭代函数，
Figure DEST_PATH_IMAGE029
表示人为影响因子，
Figure 475255DEST_PATH_IMAGE030
表示人为影响权重，
Figure DEST_PATH_IMAGE031
表示非人为影响因子，
Figure 73071DEST_PATH_IMAGE032
表示非人为影响权重,
Figure DEST_PATH_IMAGE033
表示传感器数据融合矩阵，
Figure 267905DEST_PATH_IMAGE034
表示当前时刻数据融合时的噪声矩阵，
Figure DEST_PATH_IMAGE035
表示噪声矩阵的更新，
Figure 346719DEST_PATH_IMAGE036
表示下一时刻数据融合时的噪声矩阵。
进一步地，所述对生态环境预测的结果进行判断，表达式为：
Figure DEST_PATH_IMAGE037
其中，R表示对生态环境是否需要保护结果，1表示需要启动保护措施，0表示不需要启动保护措施，
Figure 83908DEST_PATH_IMAGE038
表示综合多项传感器的输出值，
Figure DEST_PATH_IMAGE039
表示生态环境遭到破坏需要保护时的阈值。
有益效果：
本发明通过提供基于地理信息大数据的生态环境监测方法对生态环境进行全方位的监测，利用多种不同种类型传感器的监测数据建立态环境数据测量矩阵，然后利用算法模型计算方差、估计值、算数平均值等对矩阵进行数据校正，建立预测模型对生态环境的状态进行预测，最后判断是否需要采取保护措施，该方法通过将生态环境的监测与算法模型相结合，可以山体、植被、地表水、地下水、土壤、野生动物等同时进行监测，该方法理解简单，可操作性强，在生态环境监测方面具有良好作用。
附图说明
图1为本发明总体方法流程图；
图2为本发明的方法架构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示,基于地理信息大数据的生态环境监测方法，
步骤S1：利用不同种类传感器对生态环境进行监测，获得生态环境数据；不同种类传感器包括：温度传感器1，温度传感器2…,温度传感器n,湿度传感器1，湿度传感器2…,湿度传感器n,烟雾传感器1，烟雾传感器2…,烟雾传感器n，光照传感器1，光照传感器2…,光照传感器n，多种气体复合传感器1，多种气体复合传感器2…,多种气体复合传感器n，PH传感器1，PH传感器2…,PH传感器n，声音传感器1，声音传感器2…,声音传感器n，图像传感器1，图像传感器2…,图像传感器n，气压传感器1，气压传感器2…,气压传感器n，随着对生态环境监测的需要增加或减少不同种类型的传感器或其中的任意组合；
步骤S2：读取生态环境数据，建立生态环境数据测量矩阵；数据测量矩阵是指对对同一类型的传感器建立矩阵，该测量矩阵的目的是为了对同种类型的传感器进行数据融合，同时加入综合噪声矩阵说明传感器的测量误差，用于后续步骤误差的计算；
步骤S3：利用数据测量矩阵与矩阵运算计算生态环境的真实值；生态环境的真实值与生态环境数据测量矩阵不同，真实值即反应生态环境的原始数据，并非利用传感器采集得到，传感器在采集数据过程中受到仪器精度、以及干扰因素的影响会出现综合噪声，由于综合噪声的出现并不能反应生态环境的真实状态，所以要计算生态环境的真实值；
步骤S4：计算生态环境数据误差的平方和，生态环境的真实值的估计值，生态环境传感器数据的估计状态方差；数据误差的平方和是对测量出的数据进行计算，反映了数据测量的总误差，真实值的估计值与真实值之间具有一定误差，真实值的估计值反映的是生态环境良好时应该有的数据，真实值的估计值与真实值之间的误差反映了生态环境是否遭到破坏，以及遭到破坏的程度，估计状态方差用于描述单个传感器是否出现故障，当出现故障时即估计状态方差不在规定范围内；
步骤S5：计算传感器测量结果的算术平均值与传感器测量方差估计值；算术平均值反映传感器在单位时间内数据测量的稳定性，以及反映生态环境的稳定性，当算术平均值出现波动，根据波动的频率初步判断出是传感器出现问题还是生态环境遭到一定破坏，传感器测量方差是对同种类型传感器的测量值进行方差计算，用于描述同种类型传感器对生态环境测量的准确度；
步骤S6：对生态环境传感器数据进行更新；这是一个不断迭代的过程，利用上一时间段对生态环境的测量值与真实值，不断对传感器采集到的数据进行修正，得到新的传感器数据；保证了传感器对数据采集的准确度，防止随着时间的推移出现采集数据的漂移情况；
步骤S7：建立生态环境风险的预测模型；这是一个对不同种类传感器数据进行融合的过程，通过数据融合建立预测模型，模型的结果真实反应生态环境的状态，为后续对生态环境判断提供依据；
步骤S8：对生态环境风险的预测结果进行更新，对噪声矩阵进行更新；预测结果是随传感器采集数据的更新而更新，噪声矩阵是随采集的环境以及传感器的稳定性而变化，所以要对预测结果与噪声矩阵进行更新，保证实时反应出对生态环境监测的准确性与及时性；
步骤S9：对生态环境预测的结果进行判断是否需要采取保护措施，如果需要，则立即采取保护行动，如果不需要，则重复步骤S1、S2、S3、S4、S5、S6、S7、S8；采取的保护措施依据国家以及各个地方的法律法规及时有效的进行。
如图2所示，生态环境特征数据由布置在环境内的多个传感器节点监测获得，因而如何将多个传感器的海量数据进行有效融合是关键。采用同种类型传感器数据级融合和不同种类传感器决策级融合，即2级融合进行数据融合。同种类型传感器数据级融合是将表示某一环境特征的同种类型传感器的多个测量数据进行融合，当其中某个传感器出现异常，其他的传感器可以及时修正。这样即使单个传感器出现故障，整个方法的监测功能也不会受到影响。不同种类传感器决策级融合是将不同种类传感器采集到的表示不同环境特征的数据进行融合。由于本发明是利用多传感器进行的多参数监测结构，故按传感器类型设计为2层数据融合分析模型结构。第1层是同种类型传感器的数据级融合，为了提高测量数据的精度，采用模型与误差对来自不同节点的同种类型传感器进行数据融合;第2层是预测融合，将经过第1层数据融合的数据构建几种环境特征参数对生态环境状况进行综合评判，最终获得目标区域的生态环境预测结果。
建立生态环境数据测量矩阵，表达式为：
Figure 55888DEST_PATH_IMAGE001
其中，A表示测量生态环境数据构成的测量矩阵，B表示测量系数矩阵，r表示单个生态环境传感器测量值，b表示环境和传感器的综合噪声矩阵。
计算生态环境的真实值，表达式为：
Figure 472438DEST_PATH_IMAGE002
其中，
Figure 354944DEST_PATH_IMAGE003
表示生态环境的真实值，B表示测量系数矩阵，C表示传感器误差的正定对角加权矩阵，T表示矩阵的转置运算，A表示测量生态环境数据构成的测量矩阵。
计算生态环境数据误差的平方和，表达式为：
Figure 297973DEST_PATH_IMAGE004
其中，
Figure 240522DEST_PATH_IMAGE005
表示生态环境数据估计误差的平方和，i表示生态环境传感器的个数，
Figure 902226DEST_PATH_IMAGE006
表示单个生态环境传感器的误差估计值，
Figure 322843DEST_PATH_IMAGE007
表示误差系数，
Figure 323642DEST_PATH_IMAGE008
表示迭代次数；
生态环境的真实值的估计值，表达式为：
Figure 171512DEST_PATH_IMAGE009
其中，
Figure 359392DEST_PATH_IMAGE010
表示生态环境的真实值的估计值，
Figure 583700DEST_PATH_IMAGE011
表示生态环境传感器的观测矩阵；
生态环境传感器数据的估计状态方差，表达式为：
Figure 314371DEST_PATH_IMAGE012
其中，
Figure 598722DEST_PATH_IMAGE013
表示生态环境传感器数据的估计状态方差；
计算传感器测量结果的算术平均值，表达式为：
Figure 11249DEST_PATH_IMAGE014
其中，
Figure 747027DEST_PATH_IMAGE015
表示传感器测量结果的算术平均值，i表示生态环境传感器的个数，
Figure 928609DEST_PATH_IMAGE008
表示迭代次数，
Figure 849773DEST_PATH_IMAGE016
表示所有传感器的测量结果；
传感器测量方差估计值，表达式为：
Figure 749596DEST_PATH_IMAGE017
其中，
Figure 984881DEST_PATH_IMAGE018
表示传感器测量方差估计;
Figure 20970DEST_PATH_IMAGE019
其中，V表示同种类型传感器的个数，q表示迭代次数，i表示生态环境传感器的个数，
Figure 237669DEST_PATH_IMAGE020
表示同种类型传感器测量方差。
对生态环境传感器数据进行更新，表达式为：
Figure 624788DEST_PATH_IMAGE021
其中，u表示传感器数据的更新值，
Figure 421622DEST_PATH_IMAGE003
表示生态环境的真实值，B表示测量系数矩阵，C表示传感器误差的正定对角加权矩阵，T表示矩阵的转置运算，A表示测量生态环境数据构成的测量矩阵；
生态环境风险的预测模型，表达式为：
Figure 577797DEST_PATH_IMAGE022
其中，
Figure 965397DEST_PATH_IMAGE023
表示生态环境风险的预测输出，q表示迭代次数，Z表示时间区段数量，
Figure 574233DEST_PATH_IMAGE024
表示传感器数据的峰值，
Figure 479217DEST_PATH_IMAGE025
表示传感器数据的均值；
对生态环境风险的预测结果进行更新，对噪声矩阵进行更新，表达式为：
Figure 489898DEST_PATH_IMAGE026
其中，
Figure 861449DEST_PATH_IMAGE027
表示生态环境风险的预测结果的更新，
Figure 957581DEST_PATH_IMAGE028
表示对当前时刻生态环境风险预测的迭代函数，
Figure 236293DEST_PATH_IMAGE029
表示人为影响因子，
Figure 367060DEST_PATH_IMAGE030
表示人为影响权重，
Figure 909512DEST_PATH_IMAGE031
表示非人为影响因子，
Figure 224432DEST_PATH_IMAGE032
表示非人为影响权重,
Figure 474147DEST_PATH_IMAGE033
表示传感器数据融合矩阵，
Figure 459421DEST_PATH_IMAGE034
表示当前时刻数据融合时的噪声矩阵，
Figure 359725DEST_PATH_IMAGE035
表示噪声矩阵的更新，
Figure 430449DEST_PATH_IMAGE036
表示下一时刻数据融合时的噪声矩阵。
对生态环境预测的结果进行判断，表达式为：
Figure 176468DEST_PATH_IMAGE037
其中，R表示对生态环境是否需要保护结果，1表示需要启动保护措施，0表示不需要启动保护措施，
Figure 16248DEST_PATH_IMAGE038
表示综合多项传感器的输出值，
Figure 87453DEST_PATH_IMAGE039
表示生态环境遭到破坏需要保护时的阈值。
本发明通过提供基于地理信息大数据的生态环境监测方法对生态环境进行全方位的监测，利用多种不同种类型传感器的监测数据建立态环境数据测量矩阵，然后利用算法模型计算方差、估计值、算数平均值等对矩阵进行数据校正，建立预测模型对生态环境的状态进行预测，最后判断是否需要采取保护措施，该方法通过将生态环境的监测与算法模型相结合，可以山体、植被、地表水、地下水、土壤、野生动物等同时进行监测，该方法理解简单，可操作性强，在生态环境监测方面具有良好作用。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。

Claims (9)

1.基于地理信息大数据的生态环境监测方法，其特征在于,该方法步骤包括：
步骤S1：利用不同种类传感器对生态环境进行监测，获得生态环境数据；
步骤S2：读取生态环境数据，建立生态环境数据测量矩阵；
步骤S3：利用数据测量矩阵与矩阵运算计算生态环境的真实值；
步骤S4：计算生态环境数据误差的平方和，生态环境的真实值的估计值，生态环境传感器数据的估计状态方差；
步骤S5：计算传感器测量结果的算术平均值与传感器测量方差估计值；
步骤S6：对生态环境传感器数据进行更新；
步骤S7：建立生态环境风险的预测模型；
步骤S8：对生态环境风险的预测结果进行更新，对噪声矩阵进行更新；
步骤S9：对生态环境预测的结果进行判断是否需要采取保护措施，如果需要，则立即采取保护行动，如果不需要，则重复步骤S1、S2、S3、S4、S5、S6、S7、S8。
2.如权利要求1所述的基于地理信息大数据的生态环境监测方法，其特征在于，所述建立生态环境数据测量矩阵，表达式为：
Figure 554531DEST_PATH_IMAGE001
其中，A表示测量生态环境数据构成的测量矩阵，B表示测量系数矩阵，r表示单个生态环境传感器测量值，b表示环境和传感器的综合噪声矩阵。
3.如权利要求1所述的基于地理信息大数据的生态环境监测方法，其特征在于，所述计算生态环境的真实值，表达式为：
Figure 939857DEST_PATH_IMAGE002
其中，
Figure 634144DEST_PATH_IMAGE003
表示生态环境的真实值，B表示测量系数矩阵，C表示传感器误差的正定对角加权矩阵，T表示矩阵的转置运算，A表示测量生态环境数据构成的测量矩阵。
4.如权利要求1所述的基于地理信息大数据的生态环境监测方法，其特征在于，所述计算生态环境数据误差的平方和，表达式为：
Figure 285705DEST_PATH_IMAGE004
其中，
Figure 679426DEST_PATH_IMAGE005
表示生态环境数据估计误差的平方和，i表示生态环境传感器的个数，
Figure 74635DEST_PATH_IMAGE006
表示单个生态环境传感器的误差估计值，
Figure 27023DEST_PATH_IMAGE007
表示误差系数，
Figure 115065DEST_PATH_IMAGE008
表示迭代次数；
所述生态环境的真实值的估计值，表达式为：
Figure 382098DEST_PATH_IMAGE009
其中，
Figure 640385DEST_PATH_IMAGE010
表示生态环境的真实值的估计值，
Figure 712859DEST_PATH_IMAGE011
表示生态环境传感器的观测矩阵；
所述生态环境传感器数据的估计状态方差，表达式为：
Figure 971802DEST_PATH_IMAGE012
其中，
Figure 606014DEST_PATH_IMAGE013
表示生态环境传感器数据的估计状态方差。
5.如权利要求1所述的基于地理信息大数据的生态环境监测方法，其特征在于，所述计算传感器测量结果的算术平均值，表达式为：
Figure 608605DEST_PATH_IMAGE014
其中，
Figure 456957DEST_PATH_IMAGE015
表示传感器测量结果的算术平均值，i表示生态环境传感器的个数，
Figure 621222DEST_PATH_IMAGE008
表示迭代次数，
Figure 266442DEST_PATH_IMAGE016
表示所有传感器的测量结果；
所述传感器测量方差估计值，表达式为：
Figure 807145DEST_PATH_IMAGE017
其中，
Figure 185037DEST_PATH_IMAGE018
表示传感器测量方差估计;
Figure 110749DEST_PATH_IMAGE019
其中，V表示同种类型传感器的个数，q表示迭代次数，i表示生态环境传感器的个数，
Figure 574091DEST_PATH_IMAGE020
表示同种类型传感器测量方差。
6.如权利要求1所述的基于地理信息大数据的生态环境监测方法，其特征在于，所述对生态环境传感器数据进行更新，表达式为：
Figure 470151DEST_PATH_IMAGE021
其中，u表示传感器数据的更新值，
Figure 968129DEST_PATH_IMAGE003
表示生态环境的真实值，B表示测量系数矩阵，C表示传感器误差的正定对角加权矩阵，T表示矩阵的转置运算，A表示测量生态环境数据构成的测量矩阵。
7.如权利要求1所述的基于地理信息大数据的生态环境监测方法，其特征在于，所述生态环境风险的预测模型，表达式为：
Figure 877791DEST_PATH_IMAGE022
其中，
Figure 94009DEST_PATH_IMAGE023
表示生态环境风险的预测输出，q表示迭代次数，Z表示时间区段数量，
Figure 301481DEST_PATH_IMAGE024
表示传感器数据的峰值，
Figure 653965DEST_PATH_IMAGE025
表示传感器数据的均值。
8.如权利要求1所述的基于地理信息大数据的生态环境监测方法，其特征在于，所述对生态环境风险的预测结果进行更新，对噪声矩阵进行更新，表达式为：
Figure 734529DEST_PATH_IMAGE026
其中，
Figure 172463DEST_PATH_IMAGE027
表示生态环境风险的预测结果的更新，
Figure 160188DEST_PATH_IMAGE028
表示对当前时刻生态环境风险预测的迭代函数，
Figure 367179DEST_PATH_IMAGE029
表示人为影响因子，
Figure 743278DEST_PATH_IMAGE030
表示人为影响权重，
Figure 72104DEST_PATH_IMAGE031
表示非人为影响因子，
Figure 296412DEST_PATH_IMAGE032
表示非人为影响权重,
Figure 948454DEST_PATH_IMAGE033
表示传感器数据融合矩阵，
Figure 232805DEST_PATH_IMAGE034
表示当前时刻数据融合时的噪声矩阵，
Figure 931419DEST_PATH_IMAGE035
表示噪声矩阵的更新，
Figure 959418DEST_PATH_IMAGE036
表示下一时刻数据融合时的噪声矩阵。
9.如权利要求1所述的基于地理信息大数据的生态环境监测方法，其特征在于，所述对生态环境预测的结果进行判断，表达式为：
Figure 341333DEST_PATH_IMAGE037
其中，R表示对生态环境是否需要保护结果，1表示需要启动保护措施，0表示不需要启动保护措施，
Figure 324814DEST_PATH_IMAGE038
表示综合多项传感器的输出值，
Figure 224637DEST_PATH_IMAGE039
表示生态环境遭到破坏需要保护时的阈值。
CN202210788366.4A 2022-07-06 2022-07-06 基于地理信息大数据的生态环境监测方法 Pending CN114858222A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210788366.4A CN114858222A (zh) 2022-07-06 2022-07-06 基于地理信息大数据的生态环境监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210788366.4A CN114858222A (zh) 2022-07-06 2022-07-06 基于地理信息大数据的生态环境监测方法

Publications (1)

Publication Number Publication Date
CN114858222A true CN114858222A (zh) 2022-08-05

Family

ID=82626406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210788366.4A Pending CN114858222A (zh) 2022-07-06 2022-07-06 基于地理信息大数据的生态环境监测方法

Country Status (1)

Country Link
CN (1) CN114858222A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184427A (zh) * 2015-10-23 2015-12-23 石河子大学 一种对农田生态环境进行预警的方法及装置
CN108492007A (zh) * 2018-03-02 2018-09-04 交通运输部水运科学研究所 一种海洋生态环境损害因果关系判定方法
CN110297034A (zh) * 2019-06-12 2019-10-01 重庆工商大学融智学院 一种城市生态环境的动态变化及预测方法
CN111523088A (zh) * 2020-04-13 2020-08-11 杭州领见数据科技有限公司 一种基于dpsir模型的生态环境评价方法
CN111854847A (zh) * 2020-08-12 2020-10-30 中国科学院城市环境研究所 基于景感生态学的生态环境物联网监测方法及系统
CN113435729A (zh) * 2021-06-22 2021-09-24 重庆市生态环境科学研究院 一种消落带生态环境综合评价方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184427A (zh) * 2015-10-23 2015-12-23 石河子大学 一种对农田生态环境进行预警的方法及装置
CN108492007A (zh) * 2018-03-02 2018-09-04 交通运输部水运科学研究所 一种海洋生态环境损害因果关系判定方法
CN110297034A (zh) * 2019-06-12 2019-10-01 重庆工商大学融智学院 一种城市生态环境的动态变化及预测方法
CN111523088A (zh) * 2020-04-13 2020-08-11 杭州领见数据科技有限公司 一种基于dpsir模型的生态环境评价方法
CN111854847A (zh) * 2020-08-12 2020-10-30 中国科学院城市环境研究所 基于景感生态学的生态环境物联网监测方法及系统
CN113435729A (zh) * 2021-06-22 2021-09-24 重庆市生态环境科学研究院 一种消落带生态环境综合评价方法及系统

Similar Documents

Publication Publication Date Title
Wang et al. Machine learning for risk and resilience assessment in structural engineering: Progress and future trends
Zhang et al. Probabilistic framework with bayesian optimization for predicting typhoon-induced dynamic responses of a long-span bridge
Okazaki et al. Applicability of machine learning to a crack model in concrete bridges
Wu et al. Critical review of data-driven decision-making in bridge operation and maintenance
Xia et al. Long‐term performance monitoring and assessment of concrete beam bridges using neutral axis indicator
Schneider et al. Assessing and updating the reliability of concrete bridges subjected to spatial deterioration–principles and software implementation
CN118014185A (zh) 一种基于大数据的市政管网健康度在线监测系统
CN114742464B (zh) 一种高寒草原生态系统健康评估及预警平台构建方法
Wang et al. Establishment and application of the wind and structural health monitoring system for the Runyang Yangtze River Bridge
CN103116759A (zh) 一种适用于空间网格结构的损伤识别方法
Zhang et al. Mixed skewness probability modeling and extreme value predicting for physical system input–output based on full bayesian generalized maximum-likelihood estimation
CN105389469A (zh) 一种暴雨洪水管理模型参数自动率定方法
Demissie et al. Prediction of pipe failure by considering time-dependent factors: Dynamic Bayesian belief network model
Wang et al. Eliminating the bridge modal variability induced by thermal effects using localized modeling method
CN114417470A (zh) 一种基于bim的桥梁裂缝安全评定方法和装置
Xu et al. Damage identification of single-layer cylindrical latticed shells based on the model updating technique
Zhou et al. Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes
CN114858222A (zh) 基于地理信息大数据的生态环境监测方法
Jin et al. Using Machine Learning to Identify and Optimize Sensitive Parameters in Urban Flood Model Considering Subsurface Characteristics
Keo et al. Enhancement of predictive bayesian network model for corrosion alarm of steel reinforcement with uncertainty of NDT measurements
Boubrima et al. Optimal deployment of dense wsn for error bounded air pollution mapping
CN106790099A (zh) 基于网络抗毁熵的指控网络抗毁测度方法
Bakir et al. Damage identification in reinforced concrete beams by finite element model updating using parallel and hybrid genetic algorithms
CN117874655A (zh) 考虑多重影响因素的动态大坝安全监控指标拟定方法
Chen et al. Structural performance evaluation via digital-physical twin and multi-parameter identification

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220805

RJ01 Rejection of invention patent application after publication