【技术实现步骤摘要】
基于全息三维模型及Kernel
‑
KNN算法的水质监测方法
[0001]本专利技术涉及生态领域
、
机器学习领域以及深度学习领域,具体为基于全息三维模型及
Kernel
‑
KNN
算法的水质监测方法
。
技术介绍
[0002]化工园区可能涉及大量的化学物质和有害物质的储存和处理,这些物质可能会渗透至地下水体中,对地下水质量和周边环境造成潜在的污染风险
。
传统的水质检测通常需要将水样采集回实验室进行处理和测试,这个过程需要一定的时间延迟
。
时间延迟可能导致对水质变化的实时响应不够敏捷,从而无法及时采取必要的措施,另外,水质检测方法也需要进行繁琐的样品采集
、
处理和测试步骤,这些步骤涉及人为操作,存在人为误差的可能
。
操作不标准或实验室仪器的精度问题都可能导致数据的不准确性
。
因此,急需一种操作系统,既可以实时进行数据收集,又可以精确预测水质
。
技术实现思路
[0003]为解决上述问题,本专利技术提出了基于全息三维模型及
Kernel
‑
KNN
算法的水质监测方法,通过本套系统,可以解决数据收集慢,水质检测不准确的问题
。
[0004]为实现上述目的,本专利技术采取的技术方案是:
[0005]基于全息三维模型及
Kernel
‑
KNN
算法的 ...
【技术保护点】
【技术特征摘要】
1.
基于全息三维模型及
Kernel
‑
KNN
算法的水质监测方法,其特征在于:包括如下步骤:
1)
实时收集不同地下水质数据;首先建立化工园区地下水实时在线监测系统,及实时数据表征,根据园区产业结构与污染特征确定监测指标要求
,
在地下
100
米,
200
米,
300
米的不同位置配备在线水位监测仪
、
在线水位电导率监测仪
、
多指标水质与水位同步监测仪和气象监测仪专业化仪表产品,用于实时掌控水质变化;
2)
实时数据上传;根据上述步骤收集到的实时数据,上传到云端,针对实时数据上传需求,选择云服务提供商,每个提供商都提供了各种存储和数据处理服务,将实时数据上传到云端后,基于云端的计算和分析服务进行实时数据处理
、
聚合和分析,从中提取有价值的信息和洞察力;
3)Kernel
‑
KNN
模型训练;其中,所述
3)Kernel
‑
KNN
模型训练包括以下子步骤:数据输入;
Kernel
函数;距离权重;
K
值选择;
KD tree
查找最近邻;计算损失;参数优化;模型部署;
4)Kernel
‑
KNN
模型预测;将步骤
S2
处理过的数据执行步骤
S3
所训练的模型,获得当前区域的水质预测结果,并且返回数值;
5)
三维影像图水质展示;经过步骤
S4
之后返回数值1表示地下水被严重污染,在三维图中显示为红色,返回数值2表示地下水被污染较重,在三维图中显示为黄色,返回数值3表示地下水被污染较轻,在三维图中显示为绿色
。2.<...
【专利技术属性】
技术研发人员:祝欣,张晓东,盛峰,曹少华,黄剑波,
申请(专利权)人:生态环境部南京环境科学研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。