[發(fā)明專利]一種山水林田湖草綜合地質(zhì)碳匯監(jiān)測系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202210658859.6
• 申請日: 2022-06-13
• 公開（公告）號: CN114757449B
• 公開（公告）日: 2022-08-12
• 發(fā)明（設計）人: 張云峰;畢雯雯;安美艷;魏善明;劉東義;李生清;陳燕
• 申請（專利權）人: 山東省地質(zhì)礦產(chǎn)勘查開發(fā)局八〇一水文地質(zhì)工程地質(zhì)大隊（山東省地礦工程勘察院）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06F16/25;G06N3/04;G06N3/08
• 代理公司: 北京中索知識產(chǎn)權代理有限公司 11640
• 代理人: 劉潔

1.一種山水林田湖草綜合地質(zhì)碳匯監(jiān)測系統(tǒng)，其特征在于：包括：

遠端終端監(jiān)控設備；用于監(jiān)控山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)信息；并將檢測到的山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)信息通過遠程數(shù)據(jù)傳輸至近端數(shù)據(jù)接口；

近端數(shù)據(jù)接口；用于接收不同形式的山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)信息；并對山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)信息進行匯集；

山水林田湖草綜合地質(zhì)數(shù)據(jù)庫；通過存儲近端數(shù)據(jù)接口接收山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)信息并對接收到的山水林田湖草綜合地質(zhì)數(shù)據(jù)庫信息進行存儲；

信息處理模塊；用于處理接收到的山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)信息；

混合神經(jīng)網(wǎng)絡模型；用于分析山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)信息，進而實現(xiàn)山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)信息監(jiān)測；并且所述混合神經(jīng)網(wǎng)絡模型包括RNN模型和BPNN模型；

顯示模塊；用于顯示山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)信息；

其中所述遠端終端監(jiān)控設備通過無線通信的方式與近端數(shù)據(jù)接口實現(xiàn)數(shù)據(jù)信息交互，近端數(shù)據(jù)接口的輸出端與山水林田湖草綜合地質(zhì)數(shù)據(jù)庫輸入端連接，所述山水林田湖草綜合地質(zhì)數(shù)據(jù)庫輸出端與信息處理模塊的輸入端連接，所述信息處理模塊的輸出端與混合神經(jīng)網(wǎng)絡模型的輸入端連接，所述混合神經(jīng)網(wǎng)絡模型的輸出端與顯示模塊的輸入端連接；

所述信息處理模塊實現(xiàn)數(shù)據(jù)信息的處理方法為：

步驟一、通過數(shù)據(jù)輸入端輸入遠端終端監(jiān)控設備傳遞的數(shù)據(jù)信息，首先定義山水林田湖草綜合地質(zhì)數(shù)據(jù)信息的數(shù)據(jù)屬性，遠端終端監(jiān)控設備傳遞的數(shù)據(jù)信息記作為m；

步驟二、通過數(shù)據(jù)分級模塊實現(xiàn)山水林田湖草綜合地質(zhì)數(shù)據(jù)信息的分級，以便于濾除不同等級的數(shù)據(jù)信息；山水林田湖草綜合地質(zhì)數(shù)據(jù)信息的分級精度設置為，分級精度的閾值設置為R，當時，則無需對該山水林田湖草綜合地質(zhì)數(shù)據(jù)信息進行過濾，反之，當，則需對該山水林田湖草綜合地質(zhì)數(shù)據(jù)信息進行過濾；

步驟三、通過數(shù)據(jù)過濾模塊對分級后的山水林田湖草綜合地質(zhì)數(shù)據(jù)信息進行過濾，當過濾信息的上限數(shù)據(jù)信息記作為，過濾信息的下限數(shù)據(jù)信息記作為，數(shù)據(jù)過濾模塊的過濾程度記作為，則過濾函數(shù)為：

（1）

步驟四、通過數(shù)據(jù)輸出端實現(xiàn)山水林田湖草綜合地質(zhì)數(shù)據(jù)信息的輸出；

混合神經(jīng)網(wǎng)絡模型包括：

生態(tài)數(shù)據(jù)信息輸入端子和特征提取模塊，其中所述特征提取模塊包括遺忘門、輸入門和輸出門，其中所述遺忘門的輸出端與輸入門的輸入端連接，所述輸入門的輸出端與輸出門的輸入端連接；

混合神經(jīng)網(wǎng)絡模型還包括生態(tài)循環(huán)預測模塊，所述RNN模型的輸出端與BPNN模型的輸入端連接；

混合神經(jīng)網(wǎng)絡模型還包括生態(tài)循環(huán)預測模塊，所述生態(tài)循環(huán)預測輸出模塊包括混合模型訓練模塊和最優(yōu)模型輸出模塊，其中所述混合模型訓練模塊的輸出端與最優(yōu)模型輸出模塊的輸入端連接；

其中所述生態(tài)數(shù)據(jù)信息輸入端子的輸出端與特征提取模塊的輸入端連接，所述特征提取模塊的輸出端與生態(tài)循環(huán)預測模塊的輸入端連接，所述生態(tài)循環(huán)預測模塊的輸出端與生態(tài)循環(huán)預測輸出模塊的輸入端連接；

其中混合神經(jīng)網(wǎng)絡模型實現(xiàn)生態(tài)循環(huán)預測的方法為：

步驟1、通過生態(tài)數(shù)據(jù)信息輸入端子輸入植株面積、高度、密度或者種類的數(shù)據(jù)信息以及影響生態(tài)循環(huán)的光照、風力或者光照強度的氣候因素數(shù)據(jù)信息；

步驟2、通過RNN模型中遺忘門接收當前時刻輸入的山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)和上一時刻網(wǎng)絡狀態(tài)，則遺忘門輸出數(shù)據(jù)記作為：

（2）

公式（2）中，表示地質(zhì)碳循環(huán)預測模型的激活函數(shù)，表示遺忘門的權重矩陣，表示輸入影響山水林田湖草綜合地質(zhì)生態(tài)循環(huán)的數(shù)據(jù)信息，表示上一時刻山水林田湖草綜合地質(zhì)生態(tài)輸出信息，表示地質(zhì)生態(tài)平衡數(shù)據(jù)的激發(fā)閾值向量；

記憶門輸出函數(shù)表示為：

（3）

公式（3）中，、表示記憶門的激活函數(shù)，、表示地質(zhì)碳匯預測模型中的權重矩陣，、表示RNN模型的偏移量，表示逐步增加的山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)新狀態(tài)；

則遺忘門輸出函數(shù)為：

（4）

公式（4）中，表示遺忘門的輸出，表示上一時刻狀態(tài)信息，表示記憶門輸出，表示新的山水林田湖草綜合地質(zhì)碳匯數(shù)據(jù)輸出信息候選向量；

步驟3、通過BPNN模型實現(xiàn)數(shù)據(jù)信息輸出；

BPNN模型輸出函數(shù)表示為：

（5）

公式（5）中，、表示地質(zhì)碳匯預測模型中輸出層和隱藏層的連接權重，、表示預測模型的激發(fā)閾值，表示隱藏層的激活函數(shù)，表示隱藏層輸出的地質(zhì)碳匯特征信息，表示輸出的山水林田湖草綜合地質(zhì)整體地質(zhì)碳循環(huán)的預測值；

地質(zhì)碳匯時間序列的主要周期可表示為：

（6）

公式（6）中，表示完成一次生態(tài)循環(huán)的時間，表示一次生態(tài)循環(huán)的頻率，N表示完成一次生態(tài)循環(huán)的生命周期，中的表示地質(zhì)碳匯時間序列類型，表示完成一次生態(tài)循環(huán)時間的序列數(shù)據(jù)，表示完成一次生態(tài)循環(huán)時間的序列定義值。