土壤污染预测方法及系统
阅读：183发布：2023-01-12
专利汇可以提供土壤污染预测方法及系统专利检索，专利查询，专利分析的服务。并且本 发明 提供一种 土壤 污染预测方法及系统。所述方法包括：根据特定区域的往年 土壤污染 指数，利用灰色 预测模型 生成用于进行土壤污染预测的有效数列，所述有效数列包括模型还原值和生成数列值；利用有效数列训练神经网络模型；利用训练后的神经网络模型预测特定区域的土壤污染指数，所述预测的土壤污染指数包括与往年土壤污染指数对应的往年预测土壤污染指数；计算往年预测土壤污染指数与往年土壤污染指数之间的误差；基于所述误差预测特定区域的未来的土壤污染指数。，下面是土壤污染预测方法及系统专利的具体信息内容。
1.一种土壤污染预测方法，包括：
根据特定区域的往年土壤污染指数，利用灰色预测模型生成用于进行土壤污染预测的有效数列，所述有效数列包括模型还原值和生成数列值；
利用有效数列训练神经网络模型；
利用训练后的神经网络模型预测特定区域的土壤污染指数，所述预测的土壤污染指数包括与往年土壤污染指数对应的往年预测土壤污染指数；
计算往年预测土壤污染指数与往年土壤污染指数之间的误差；
基于所述误差预测特定区域的未来的土壤污染指数。
2.根据权利要求1所述的土壤污染预测方法，其中，利用灰色预测模型生成用于进行土壤污染预测的有效数列的步骤包括：
计算所述往年污染数据的级比；
基于所述级比，从所述往年土壤污染数据中选择用于建立灰色预测模型的数据；
利用选择的数据建立灰色预测模型；
利用灰色预测模型生成模型还原值和生成数列值。
3.根据权利要求1所述的土壤污染预测方法，其中，所述神经网络模型被部署在Hadoop分布式网络框架的多个子节点上，
利用所述有效数列训练神经网络模型的步骤包括：
将所述有效数列整合为数据集；
将所述数据集划分为多个子数据集，并将所述多个子数据集从所述Hadoop分布式网络框架的主节点广播至所述多个子节点上；
在所述多个子节点上，分别利用所述多个子数据集训练所述神经网络模型。
4.根据权利要求3所述的土壤污染预测方法，其中，所述Hadoop分布式网络框架中的数据通过Spark算法来并行处理。
5.根据权利要求1所述的土壤污染预测方法，其中，基于所述误差预测特定区域的未来的土壤污染指数的步骤包括：
通过马尔可夫链算法计算所述误差的初始状态概率向量和一步转移概率矩阵；
根据初始状态概率向量和一步转移概率矩阵预测特定区域的未来的土壤污染指数。
6.一种土壤污染预测系统，包括：
灰色模块，被配置为根据特定区域的往年土壤污染指数，利用灰色预测模型生成用于进行土壤污染预测的有效数列，所述有效数列包括模型还原值和生成数列值；
神经网络预测模块，被配置为利用所述有效数列训练神经网络模型，利用训练后的神经网络模型预测特定区域的土壤污染指数，所述预测的土壤污染指数包括与往年土壤污染指数对应的往年预测土壤污染指数；
预测修正模块，被配置为计算往年预测土壤污染指数与往年土壤污染指数之间的误差，基于所述误差预测特定区域的未来的土壤污染指数。
7.根据权利要求6所述的土壤污染预测系统，其中，灰色模块被配置为：计算所述往年污染数据的级比；基于所述级比，从所述往年土壤污染数据中选择用于建立灰色预测模型的数据；利用选择的数据建立灰色预测模型；利用灰色预测模型生成模型还原值和生成数列值。
8.根据权利要求6所述的土壤污染预测系统，其中，所述神经网络模型被部署在Hadoop分布式网络框架的多个子节点上，
神经网络预测模块被配置为：将所述有效数列整合为数据集；将所述数据集划分为多个子数据集，并将所述多个子数据集从所述Hadoop分布式网络框架的主节点广播至所述多个子节点上；在所述多个子节点上，分别利用所述多个子数据集训练所述神经网络模型。
9.根据权利要求8所述的土壤污染预测系统，其中，神经网络预测模块被配置为：通过Spark算法来并行处理所述Hadoop分布式网络框架中的数据。
10.根据权利要求6所述的土壤污染预测系统，其中，预测修正模块被配置为：通过马尔可夫链算法计算所述误差的初始状态概率向量和一步转移概率矩阵；根据初始状态概率向量和一步转移概率矩阵预测特定区域的未来的土壤污染指数。
土壤污染预测方法及系统
技术领域
背景技术
[0002] 为保障我国粮食安全、人民身体健康，有针对性地对被污染土地进行土地修复十分重要。目前处理土壤重金属污染的方法多为预防为主，然而影响土壤重金属污染的因素较多，加之数据量较大，使得传统的土壤重金属污染预测速度慢，预测不到位，导致预防效果差，造成资金和时间的浪费。
发明内容
[0003] 本发明在于提供一种土壤污染预测方法及系统，旨在提高土壤污染预测的准确度。
[0004] 根据本发明，提供一种土壤污染预测方法，所述土壤污染预测方法包括：根据特定区域的往年土壤污染指数，利用灰色预测模型生成用于进行土壤污染预测的有效数列，所述有效数列包括模型还原值和生成数列值；利用有效数列训练神经网络模型；利用训练后的神经网络模型预测特定区域的土壤污染指数，所述预测的土壤污染指数包括与往年土壤污染指数对应的往年预测土壤污染指数；计算往年预测土壤污染指数与往年土壤污染指数之间的误差；基于所述误差预测特定区域的未来的土壤污染指数。
[0005] 利用灰色预测模型生成用于进行土壤污染预测的有效数列的步骤包括：计算所述往年污染数据的级比；基于所述级比，从所述往年土壤污染数据中选择用于建立灰色预测模型的数据；利用选择的数据建立灰色预测模型；利用灰色预测模型生成模型还原值和生成数列值。
[0007] 利用所述有效数列训练神经网络模型的步骤包括：将所述有效数列整合为数据集；将所述数据集划分为多个子数据集，并将所述多个子数据集从所述Hadoop分布式网络框架的主节点广播至所述多个子节点上；在所述多个子节点上，分别利用所述多个子数据集训练所述神经网络模型。
[0009] 基于所述误差预测特定区域的未来的土壤污染指数的步骤包括：通过马尔可夫链算法计算所述误差的初始状态概率向量和一步转移概率矩阵；根据初始状态概率向量和一步转移概率矩阵预测特定区域的未来的土壤污染指数。
[0010] 本发明提供一种土壤污染预测系统，所述土壤污染预测系统包括：灰色模块，被配置为根据特定区域的往年土壤污染指数，利用灰色预测模型生成用于进行土壤污染预测的有效数列，所述有效数列包括模型还原值和生成数列值；神经网络预测模块，被配置为利用所述有效数列训练神经网络模型，利用训练后的神经网络模型预测特定区域的土壤污染指数，所述预测的土壤污染指数包括与往年土壤污染指数对应的往年预测土壤污染指数；预测修正模块，被配置为计算往年预测土壤污染指数与往年土壤污染指数之间的误差，基于所述误差预测特定区域的未来的土壤污染指数。
[0011] 灰色模块被配置为：计算所述往年污染数据的级比；基于所述级比，从所述往年土壤污染数据中选择用于建立灰色预测模型的数据；利用选择的数据建立灰色预测模型；利用灰色预测模型生成模型还原值和生成数列值。
[0012] 所述神经网络模型被部署在Hadoop分布式网络框架的多个子节点上。
[0013] 神经网络预测模块被配置为：将所述有效数列整合为数据集；将所述数据集划分为多个子数据集，并将所述多个子数据集从所述Hadoop分布式网络框架的主节点广播至所述多个子节点上；在所述多个子节点上，分别利用所述多个子数据集训练所述神经网络模型。
[0014] 神经网络预测模块被配置为：通过Spark算法来并行处理所述Hadoop分布式网络框架中的数据。
[0015] 预测修正模块被配置为：通过马尔可夫链算法计算所述误差的初始状态概率向量和一步转移概率矩阵；根据初始状态概率向量和一步转移概率矩阵预测特定区域的未来的土壤污染指数。
[0016] 根据本发明的土壤污染预测方法和系统可以通过灰度预测扩充土壤重金属样本量，为后期分布式神经网络计算提供有效数据；通过大数据Spark进行并行运算，提高神经网络的运算速度；通过马尔可夫链修正预测结果，使得土壤重金属污染的预测精度更高。
[0018] 通过下面结合示例性地示出实施例的附图进行的描述，本发明示例性实施例的上述和其他目的和特点将会变得更加清楚，其中：
[0019] 图1是根据本发明的示例性实施例的土壤污染预测方法的流程图。
[0020] 图2是根据本发明的示例性实施例的神经网络模型的结构的示意图。
[0021] 图3是根据本发明的示例性实施例的土壤污染预测系统的框图。
[0022] 在下文中，将结合附图详细描述本发明，贯穿附图，相同或相似的元件将用相同或相似的标号来指示。
具体实施方式
[0023] 本发明涉及土壤污染治理，还涉及灰度预测、大数据分布式计算、神经网络预测、马尔可夫链(MC)修正。对土壤污染数据用灰色预测方法进行预测，分析土壤污染状态，扩充原有数据；基于海量的土壤污染数据，采用大数据处理算法Spark进行分布式计算，将神经网络部署在Hadoop的子节点上进行运算，将输出结果对比原有数据进行马尔可夫链修正；该方法能够增强预测准确性，使计算效率变快。
[0024] 灰色预测法是一种对含有不确定因素的系统进行预测的方法。灰色预测通过鉴别系统因素之间发展趋势的相异程度，进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。
[0025] 人工神经网络通过对大量数据的训练，从而可以对土壤重金属污染进行预测。将人工神经网络与大数据系统相结合，将一个大的神经网络分成无数小的神经网络，依靠Spark算法进行并行运算，可提高其运算效率。
[0026] 应用马尔可夫链的优势在于其可以预测系统在时刻n处于状态i的条件下，在时刻n+1系统处于状态j的概率。于是可以通过马尔可夫链预测误差转移概率，从而可以确立生成数值的误差分布的相对误差区间，通过公式对误差进行修复，从而减小误差。
[0027] 通过收集土壤重金属污染的数据(数据可由评价土壤重金属污染的单因子指数法、内梅罗综合污染指数法等方法计算提供)，应用灰色预测模型(例如，但不限于用一阶微分方程对一个变量建立的GM(1，1)模型)，得出评价该片土地污染指标所对应的生成数列值和模型还原值。将神经网络模型参数部署在基于Spark算法的Hadoop分布式计算框架中，构造出分布式神经网络，之后将土壤重金属污染的生成数列值和模型还原值整合输入到分布式神经网络中，这样便可将较大的数据集划分成m等份的小数据集并行计算，之后整合各个slave子节点所输出的参数，得出全局参数，从而加快运行速度；最后通过马尔可夫链进行数据修正，将误差较大的数据进行剔除替换，从而提高模型预测精度。
[0028] 提供以下参照附图进行的描述，以帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例。所述描述包括各种特定细节以帮助理解，但这些细节被认为仅是示例性的。因此，本领域的普通技术人员将认识到：在不脱离本发明的范围和精神的情况下，可对这里描述的实施例进行各种改变和修改。此外，为了清楚和简明，可省略已知功能和构造的描述。
[0029] 为了使区域土壤重金属预测的精度进一步提高，预测速度进一步提升，本发明提供了一种新的区域土壤重金属污染预测方法，该方法采用了一种新的结合了灰色预测、神经网络、大数据分布式计算、马尔可夫链修正误差的模型，并首次应用于土壤重金属污染的预测中。
[0030] 图1是根据本发明的示例性实施例的土壤污染预测方法的流程图。
[0031] 如图1所示，在步骤S101，根据特定区域的往年土壤污染指数，利用灰色预测模型生成用于进行土壤污染预测的有效数列，所述有效数列包括模型还原值和生成数列值。
[0032] 在本发明的实施例中，可以收集特定区域的往年土壤污染指数，计算所述往年污染数据的级比；基于所述级比，从所述往年土壤污染数据中选择用于建立灰色预测模型的数据；利用选择的数据建立灰色预测模型；利用灰色预测模型生成模型还原值和生成数列值。
[0033] 根据实施例，首先可以将收集到的土壤污染指数(例如，梅式综合污染指数)进行灰色处理，并通过GM(1，1)预测一块被重金属污染的土壤在未来指定年间土壤污染指数情况，其中使用GM(1，1)的原理公式推导过程如下：
[0034] 通过建立灰色预测模型GM(1，1)对往年土壤污染指数进行模拟拟合，如果拟合出的数据经检验可用，则用其预测未来指定年间的土壤污染情况，并将灰色预测生成的有效的数据序列放入神经网络中进行学习预测。
[0035] 首先对收集到的一片区域在过去几年间被指定一种重金属污染的数据集对其建立数据时间序列：
[0036] s(0)＝(s(0)(1)，s(0)(2)，...，s(0)(n))
[0037] 式中s(0)(1)代表该区域在第一年被指定重金属污染的数据，s(0)(2)表示第二年被指定重金属污染的数据...s(0)(n)表示第n年被指定重金属污染的数据。对原始的数据s(0)作一次累加，计算出s(1)，定义s(1)的灰色导数为：
[0038] d(k)＝s(0)(k)＝s(1)(k)-s(1)(k-1)
[0039] 定义i(1)(k)为s(1)的临值生成数列：
[0040] i(1)(k)＝αs(1)(k)+(1-α)s(1)
[0041] 建立GM(1，1)的灰微分方程：
[0042] s(0)(k)+αi(1)(k)＝β
[0043] 其中s(0)(k)称为灰导数，α为发展系数，i(1)(k)为白化背景值，β为灰度做用量。
[0044] 利用回归分析法，可以求出发展系数以及灰度做用量的估计值，此时，相应的灰色模型的等式为：
[0045]
[0046] 解上微分方程，则可以得到
[0047]
[0048] 于是便可以得到生成数列值 和模型还原值
[0049] 通过灰色预测法可以根据往年土壤污染数据拟合出一套新的数据，即模型还原值与生成数列值，若经过验证，拟合出的模型还原值合理可行，则可以根据拟合出的模型还原值和生成数列值，建立新的土壤重金属污染状态的数据序列，使用灰色预测的意义在于可以将少量的数据进行扩充，使得进入神经网络学习的数据序列更加全面。
[0050] 例如，对收集到的往年土壤污染指数进行计算，求其数据级比：
[0051]
[0052] 判断级比，若|1-λ(k)|＜0.2，则可用选择的数据s(0)作满意的GM(1，1)建模；然后，对原始数据s(0)(t)进行一次累加得出s(1)(t)；建立灰色预测模型，并求解微分方程，得出s(1)(t+1)；求生成数列值 以及模型还原值 令k分别取1，2…，n，可算得 由 可算得 然后进行模型检验，将模型
还原值与原先收集到的模型计算相对残差ε(k)，如果|ε(k)|<0.1，则认为模型还原到较高的要求，如果|ε(k)|<0.2，则认为模型还原到了一般的要求。
还原值与原先收集到的模型计算相对残差ε(k)，如果|ε(k)|<0.1，则认为模型还原到较高的要求，如果|ε(k)|<0.2，则认为模型还原到了一般的要求。
[0053] 在步骤S102，利用有效数列训练神经网络模型。例如但不限于，所述神经网络模型可以被部署在Hadoop分布式网络框架的多个子节点上。
[0054] 图2是根据本发明的示例性实施例的神经网络模型的结构的示意图。如图2所示，在本发明的示例中，神经网络模型可以被部署在Hadoop分布式网络框架的多个子节点S1至Sm上。
[0055] 在步骤S103，利用训练后的神经网络模型预测特定区域的土壤污染指数，所述预测的土壤污染指数包括与往年土壤污染指数对应的往年预测土壤污染指数。
[0056] 在本发明的实施例中，需要将所述有效数列整合为数据集，例如，需要将灰度预测得出的模型还原值 与生成数列值 进行整合，将其整合成新的数列V；将整合后的土壤重金属污染值V进行数据分区，将数据集V划分成为m个不同的子数据集。即，可以将所述数据集V划分为多个子数据集，并将所述多个子数据集从所述Hadoop分布式网络框架的主节点M广播至所述多个子节点S1至Sm上；在所述多个子节点S1至Sm上，分别利用所述多个子数据集训练所述神经网络模型。例如但不限于，所述Hadoop分布式网络框架中的数据通过Spark算法来并行处理，以执行大数据分布式计算，从而加快运算速度。由于土壤重金属污染指数由GM(1，1)模型可以预测出未来指定年间的土壤重金属污染指数状况，所以在划分训练集与测试集时，应选用部分模型还原值进行训练，部分模型还原值和生成数列值进行测试。训练集与测试集的比重约为5:1。最后将各个slave节点的输出汇总到主节点M，得到输出序列Z。
[0057] 训练过程中，将神经网络与大数据分布式系统相结合，首先在Spark分布式计算框架的主节点master设置全局神经网络参数，其中包括神经网络的结构、层数、激活函数g(·)、偏置b、权值ω。在将由灰度预测模拟出的土壤重金属污染的生成数列值 和模型还原值 输入到神经网络作为神经网络的输入层之前，应先将其归为一组新的数据集，并且将其定义为V，之后将V划分为m个子数据集，最后将这m个子数据集广播至各个slave节点，在训练中选取部分模型还原值为训练集，部分模型还原值与生成数列值为测试集。
[0058] 假设所使用的神经网络由输入层、一层隐藏层和输出层组成，并且定义输入层有3个神经元构成，分别是a1(1)、a2(1)以及a3(1)；隐藏层有2个神经元构成，分别是a1(2)和a2(2)；输出函数定义为z。于是神经网络的输出可由以下两个公式表示：
[0059] z＝g(ω(2)*a(2)+b)
[0060] a(2)＝g(ω(1)*a(1)+b)
[0061] 将各个slave节点所计算输出的z汇总到master主节点，得出输出序列Z。zt表示在t时刻，预测土壤重金属污染的状态为z。
[0062] 在步骤S104，计算往年预测土壤污染指数与往年土壤污染指数之间的误差。根据本发明的实施例，在预测出特定区域的土壤污染指数之后，可以对输出序列Z进行马尔可夫链修正，通过将预测出的往年预测指数与收集到的往年土壤污染指数对比，计算其相对误差。
[0063] 在步骤S105，基于所述误差预测特定区域的未来的土壤污染指数。在本发明的实施例中，可以通过马尔可夫链算法计算所述误差的初始状态概率向量和频数转移矩阵，通过频数转移矩阵求出一步转移概率矩阵，然后可以根据初始状态概率向量和一步转移概率矩阵预测特定区域的未来的土壤污染指数。
[0064] 在本发明的实施例中，可以将计算出的误差进行分类。误差可分为四类，分别是E1、E2、E3、E4，它们分别代表着异常低估、低估、高估和异常高估。从而便可以得到土壤重金属污染相对误差E的转移频数矩阵T，和其一步转移概率矩阵P。一步转移概率P的求法如下：
[0065]
[0066] 同时也要计算出在频数转移矩阵T中，各个状态出现的频数F0。在马尔可夫链中，n步转移概率P(n)＝Pn,那么由马尔可夫链确定的下一年(下一阶段)土壤重金属污染的状态分布向量Fn＝F0·Pn,从而可以确定以下n年中，土壤重金属污染预测误差处于哪一类，之后便通过公式 进行马尔可夫链修正，得出修正土壤重金属预测值z′t。式中e1、e2分别表示在其相对误差区间的误差上下限。
[0067] 将输出序列进行马尔可夫链误差修正，将输出序列Z与往年的土壤污染指数进行比对，列出两者之间的误差E，根据计算出的误差，将误差E分为四类构成误差区间，这四类误差分别是异常低估、低估、高估和异常高估。观察计算出土壤重金属污染序列Z中的子序列z与原始数据间的误差e，并确定e为误差区间的某类误差。通过比对序列Z中的子序列z的误差，可以得出土壤重金属污染的误差E的频数转移矩阵T与其一步转移概率矩阵P，同时计算出频数矩阵T中各个状态出现的频率F0。通过公式Fn＝F0·Pn可知往后n年间土壤重金属污染的状态分布向量。
[0069] 下面结合具体示例对土壤污染预测方法的应用进行简要说明，该示例仅是为了说明，本发明并不仅限于此。
[0070] 在本发明的示例中，首先可以首先通过收集特定区域的2010至2017年的土壤污染指数(即，综合污染指数)来利用灰度模型进行数据扩充，则可以得到2010至2017年的模型还原值(即，综合污染指数)和2018至2020年的生成数列值(即，综合污染指数)。
[0071] 将灰色模型输出的模型还原值和生成数列值整合成数据集V。然后，还收集与特定区域相关的工厂建厂数据、污染举报数据、居民生活数据，并将工厂建厂数据、污染举报数据、居民生活数据和数据集V作为分布式神经网络输入层的特征向量，构建蕴含污染波动规律的分布式神经网络预测模型。然后，利用分布式神经网络模型预测2010至2019年的土壤污染指数，其中，2010至2017年的土壤污染指数可以称为往年预测土壤污染指数，然后基于该预测结果进行马尔可夫链修复。
[0072] 在该示例中，可以从预测出的2010至2019年的土壤污染指数中选取往年(即，2010至2017年)预测土壤污染指数，并将往年预测土壤污染指数与原始的往年(即，2010至2017年)土壤污染指数进行比较，得出误差，将误差分为异常低估、低估、高估、异常高估四个状态区间，计算初始状态概率向量F0和一步转移矩阵P，从而可以预测出未来(例如但不限于，2018至2020年)的土壤污染指数的误差处于什么区间，在确定区间后，通过区间误差上下限对该误差进行修复，例如，可以计算得出土壤重金属污染的误差E的频数转移矩阵T与一步转移概率矩阵P，同时计算出频数矩阵T中各个状态出现的频率F0。通过公式Fn＝F0·Pn计算出未来(例如但不限于，2018至2020年)的土壤污染指数。
[0073] 图3是根据本发明的示例性实施例的土壤污染预测系统300的框图。如图3所示，土壤污染预测系统300可以包括灰色模块301、神经网络预测模块302和预测修正模块303。
[0074] 灰色模块301可以被配置为根据特定区域的往年土壤污染指数，利用灰色预测模型生成用于进行土壤污染预测的有效数列，所述有效数列包括模型还原值和生成数列值。神经网络预测模块302可以被配置为利用所述有效数列训练神经网络模型，利用训练后的神经网络模型预测特定区域的土壤污染指数，所述预测的土壤污染指数包括与往年土壤污染指数对应的往年预测土壤污染指数。预测修正模块303可以被配置为计算往年预测土壤污染指数与往年土壤污染指数之间的误差，基于所述误差预测特定区域的未来的土壤污染指数。
[0075] 根据本发明的实施例，灰色模块301可以被配置为：计算所述往年污染数据的级比；基于所述级比，从所述往年土壤污染数据中选择用于建立灰色预测模型的数据；利用选择的数据建立灰色预测模型；利用灰色预测模型生成模型还原值和生成数列值。
[0076] 在本发明的实施例中，所述神经网络模型可以被部署在Hadoop分布式网络框架的多个子节点上。神经网络预测模块302可以被配置为：将所述有效数列整合为数据集；将所述数据集划分为多个子数据集，并将所述多个子数据集从所述Hadoop分布式网络框架的主节点广播至所述多个子节点上；在所述多个子节点上，分别利用所述多个子数据集训练所述神经网络模型。
[0077] 神经网络预测模块302可以被配置为：通过Spark算法来并行处理所述Hadoop分布式网络框架中的数据。
[0078] 预测修正模块303可以被配置为：通过马尔可夫链算法计算所述误差的初始状态概率向量和一步转移概率矩阵；根据初始状态概率向量和一步转移概率矩阵预测特定区域的未来的土壤污染指数。
[0079] 由于图1和图2所示的土壤污染预测方法由图3所示的土壤污染预测系统300执行，因此，以上参照图1和图2描述包括在土壤污染预测方法中的各个步骤时所提及的内容均适用于参照图3描述的土壤污染预测系统中的相应模块所执行的操作，故关于由土壤污染预测系统300中各个模块执行的操作涉及的相关细节，可参见图1和图2的相应描述，这里均不再赘述。
[0080] 如上所述，根据本发明的土壤污染预测方法和系统可以通过灰度预测扩充土壤重金属样本量，为后期分布式神经网络计算提供有效数据；通过大数据Spark进行并行运算，提高神经网络的运算速度；通过马尔可夫链修正预测结果，使得土壤重金属污染的预测精度更高。
[0081] 此外，应该理解，根据本发明示例性实施例的土壤污染预测系统中的各个模块或单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个模块所执行的处理，可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个模块。
[0082] 根据本发明的示例性实施例的计算机可读存储介质，存储有当被处理器执行时使得处理器执行上述示例性实施例的土壤污染预测方法的计算机程序。该计算机可读存储介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
[0083] 虽然已表示和描述了本发明的一些示例性实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种土壤消毒和土壤修复组合技术 | 2020-05-11 | 202 |
| 土壤淋溶原位检测方法 | 2020-05-11 | 353 |
| 土壤溶液提取器 | 2020-05-11 | 717 |
| 一种土壤粗糙度的测量方法 | 2020-05-13 | 218 |
| 多功能土壤结构调理剂 | 2020-05-12 | 293 |
| 土壤检测装置和土壤含水量及容重检测方法 | 2020-05-12 | 452 |
| 多功能土壤分析系统 | 2020-05-11 | 983 |
| 一种土壤改良剂及其进行土壤改良的方法 | 2020-05-12 | 150 |
| 降低酸性镉污染土壤镉生物有效性的土壤调理剂及对土壤进行改良的方法 | 2020-05-13 | 6 |
| 一种土壤负压计 | 2020-05-12 | 545 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈