一种微生物修复过程中的微生物培养方案推荐方法及系统技术方案

本发明专利技术涉及微生物培养方案技术领域，特别是一种微生物修复过程中的微生物培养方案推荐方法及系统

【技术实现步骤摘要】
一种微生物修复过程中的微生物培养方案推荐方法及系统


[0001]本专利技术涉及微生物培养方案
，特别是一种微生物修复过程中的微生物培养方案推荐方法及系统
。

技术介绍

[0002]土壤修复是一项重要的环境工程任务，旨在恢复受到污染或破坏的土壤的生态平衡和健康状态
。
微生物在土壤中具有多种关键功能，如有机物分解
、
污染物去除和养分循环
。
因此，利用适当的微生物来促进土壤修复过程是一种有效的方法
。
[0003]微生物在土壤中生长和活动需要一定的养分，包括碳
、
氮
、
磷
、
硫等元素，这些元素是构成微生物生物体的基本组成部分，同时也用于维持微生物代谢和生长的能量需求，如果土壤中这些养分不足，微生物的生长和修复效率将受到限制
。
及时为土壤补充微生物所需的养分可以提高微生物修复污染土壤的效率和效果，确保微生物能够有效地分解污染物并恢复土壤的健康状态
。
因此，根据土壤养分实时状况制定出相应的养分补充计划是土壤修复中重要一环
。

技术实现思路

[0004]本专利技术克服了现有技术的不足，提供了一种微生物修复过程中的微生物培养方案推荐方法及系统
。
[0005]为达到上述目的本专利技术采用的技术方案为：本专利技术第一方面公开了一种微生物修复过程中的微生物培养方案推荐方法，包括以下步骤：
S102
：获取污染场地的地形三维模型图，以及获取土壤养分监测设备的工作范围信息，根据所述地形三维模型图与工作范围信息规划出若干个监测点；
S104
：在各个监测点中安装土壤养分监测设备，并在多个预设时间节点通过所述土壤养分监测设备采集各监测点的实时土壤养分数据，构建多个数据库，并将在多个预设时间节点所采集得到的实时土壤养分数据输送至对应的数据库中；
S106
：采集完毕后，通过
t
‑
SNE
算法对各数据库中的实时土壤养分数据进行降维处理，以将各实时土壤养分数据进行可视化，得到各实时土壤养分数据在低维空间中对应的坐标值；
S108
：利用层次聚类法对各数据库中实时土壤养分数据进行聚类处理，以对各数据库中不同类型土壤养分数据进行聚类，得到若干个实时子土壤养分数据集；将各实时子土壤养分数据集与相应的预设子土壤养分数据集进行比较，以比较出对应监测点中不符合要求的土壤养分，即异常土壤养分；
S110
：根据各监测点中土壤的异常土壤养分生成各监测点中微生物的培养方案，并将各监测点中微生物的培养方案推荐至预设平台上显示
。
[0006]进一步地，本专利技术的一个较佳实施例中，获取污染场地的地形三维模型图，以及获
取土壤养分监测设备的工作范围信息，根据所述地形三维模型图与工作范围信息规划出若干个监测点，具体为：获取污染场地的地理位置信息，并根据所述地理位置信息将污染场地分为若干个子区域；通过激光扫描设备对各个子区域进行扫描，并获取各个子区域所反馈的激光点，形成点云数据，得到各个子区域所对应的点云数据；通过局部离群因子算法计算各个子区域中各点云数据的局部离群因子值，并将局部离群因子值大于预设阈值的点云数据剔除，将局部离群因子值不大于预设阈值的点云数据保留，以将各子区域中奇异的点云数据筛除；当筛除掉各子区域中离群的点云数据后，获取各子区域剩余点云数据的点云属性；构建虚拟空间，将各子区域剩余点云数据均导入所述虚拟空间中，并在所述虚拟空间将点云属性相同的点云数据进行配准；其中，所述点云属性包括颜色
、
法线以及强度；配准完毕后，将所述虚拟空间中的点云数据进行网格化处理，直至生成模型曲面，得到污染场地的地形三维模型图；获取土壤养分监测设备的工作范围信息，将土壤养分监测设备的工作范围信息与污染场地的地形三维模型图导入蚁群算法中进行迭代规划，得到若干个监测点
。
[0007]进一步地，本专利技术的一个较佳实施例中，通过
t
‑
SNE
算法对各数据库中的实时土壤养分数据进行降维处理，以将各实时土壤养分数据进行可视化，得到各实时土壤养分数据在低维空间中对应的坐标值，具体为：
S202
：对所述数据库中的实时土壤养分数据进行清洗和标准化处理，得到若干个数据点；
S204
：构建高维空间，将各个数据点映射到所述高维空间中，并通过高斯核函数计算高维空间中各数据点之间的相似度，根据高维空间中各数据点之间的相似度构建高维相似度矩阵，根据所述高维相似度矩阵确定出高维空间中的条件概率分布；
S206
：构建低维空间，将各个数据点映射到所述低维空间中，并通过高斯核函数计算低维空间中各数据点之间的相似度，根据低维空间中各数据点之间的相似度构建低维相似度矩阵，根据所述低维相似度矩阵确定出低维空间中的条件概率分布；
S208
：根据所述高维空间中的条件概率分布与低维空间中的条件概率分布确定出
KL
散度；利用
KL
散度的梯度来更新低维空间中各数据点的位置，以最小化
KL
散度；
S210
：重复
S208
步骤，直至
KL
散度收敛至预设值，则将各数据点在低维空间中对应的坐标值输出，从而将数据库中各高维的实时土壤养分数据进行可视化
。
[0008]进一步地，本专利技术的一个较佳实施例中，利用层次聚类法对各数据库中实时土壤养分数据进行聚类处理，以对各数据库中不同类型土壤养分数据进行聚类，得到若干个实时子土壤养分数据集，具体为：
S302
：将各实时土壤养分数据视为一个单独的初始簇族，并根据各实时土壤养分数据在低维空间中对应的坐标值计算各个初始簇族之间的欧氏距离；
S304
：对各个初始簇族之间的欧氏距离进行基于数值大小排序，排序完成后，将欧氏距离最短的两个初始簇族合并为一个新的簇族，并重新计算各新的簇族之间的欧氏距离；
S306
：重复
S302
至
S304
步骤，直至所述新的簇族合并至预设数量后，停止迭代，并
将合并至预设数量后的新的簇族转化为若干个最终簇族；
S308
：在各个最终簇族中随机挑选一个初始簇族，并将其标记为校验簇族；计算该校验簇族与其最终簇族中剩余初始簇族之间的簇内平均欧氏距离；以及计算该校验簇族与其余最终簇族中校验簇族之间的簇外平均欧氏距离；根据所述簇内平均欧氏距离与簇外平均欧氏距离确定出该最终簇族的轮廓系数；并将所述轮廓系数与预设轮廓系数进行比较；
S310
：若所述轮廓系数不大于预设轮廓系数，则将该最终簇族标定为密度达标簇族，并将该密度达标簇族内的实时土壤养分数据作为一个实时子土壤养分数据集输出；
S312
：若所述轮本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种微生物修复过程中的微生物培养方案推荐方法，其特征在于，包括以下步骤：
S102
：获取污染场地的地形三维模型图，以及获取土壤养分监测设备的工作范围信息，根据所述地形三维模型图与工作范围信息规划出若干个监测点；
S104
：在各个监测点中安装土壤养分监测设备，并在多个预设时间节点通过所述土壤养分监测设备采集各监测点的实时土壤养分数据，构建多个数据库，并将在多个预设时间节点所采集得到的实时土壤养分数据输送至对应的数据库中；
S106
：采集完毕后，通过
t
‑
SNE
算法对各数据库中的实时土壤养分数据进行降维处理，以将各实时土壤养分数据进行可视化，得到各实时土壤养分数据在低维空间中对应的坐标值；
S108
：利用层次聚类法对各数据库中实时土壤养分数据进行聚类处理，以对各数据库中不同类型土壤养分数据进行聚类，得到若干个实时子土壤养分数据集；将各实时子土壤养分数据集与相应的预设子土壤养分数据集进行比较，以比较出对应监测点中不符合要求的土壤养分，即异常土壤养分；
S110
：根据各监测点中土壤的异常土壤养分生成各监测点中微生物的培养方案，并将各监测点中微生物的培养方案推荐至预设平台上显示
。2.
根据权利要求1所述的一种微生物修复过程中的微生物培养方案推荐方法，其特征在于，获取污染场地的地形三维模型图，以及获取土壤养分监测设备的工作范围信息，根据所述地形三维模型图与工作范围信息规划出若干个监测点，具体为：获取污染场地的地理位置信息，并根据所述地理位置信息将污染场地分为若干个子区域；通过激光扫描设备对各个子区域进行扫描，并获取各个子区域所反馈的激光点，形成点云数据，得到各个子区域所对应的点云数据；通过局部离群因子算法计算各个子区域中各点云数据的局部离群因子值，并将局部离群因子值大于预设阈值的点云数据剔除，将局部离群因子值不大于预设阈值的点云数据保留，以将各子区域中奇异的点云数据筛除；当筛除掉各子区域中离群的点云数据后，获取各子区域剩余点云数据的点云属性；构建虚拟空间，将各子区域剩余点云数据均导入所述虚拟空间中，并在所述虚拟空间将点云属性相同的点云数据进行配准；其中，所述点云属性包括颜色
、
法线以及强度；配准完毕后，将所述虚拟空间中的点云数据进行网格化处理，直至生成模型曲面，得到污染场地的地形三维模型图；获取土壤养分监测设备的工作范围信息，将土壤养分监测设备的工作范围信息与污染场地的地形三维模型图导入蚁群算法中进行迭代规划，得到若干个监测点
。3.
根据权利要求1所述的一种微生物修复过程中的微生物培养方案推荐方法，其特征在于，通过
t
‑
SNE
算法对各数据库中的实时土壤养分数据进行降维处理，以将各实时土壤养分数据进行可视化，得到各实时土壤养分数据在低维空间中对应的坐标值，具体为：
S202
：对所述数据库中的实时土壤养分数据进行清洗和标准化处理，得到若干个数据点；
S204
：构建高维空间，将各个数据点映射到所述高维空间中，并通过高斯核函数计算高维空间中各数据点之间的相似度，根据高维空间中各数据点之间的相似度构建高维相似度矩阵，根据所述高维相似度矩阵确定出高维空间中的条件概率分布；
S206
：构建低维空间，将各个数据点映射到所述低维空间中，并通过高斯核函数计算低维空间中各数据点之间的相似度，根据低维空间中各数据点之间的相似度构建低维相似度矩阵，根据所述低维相似度矩阵确定出低维空间中的条件概率分布；
S208
：根据所述高维空间中的条件概率分布与低维空间中的条件概率分布确定出
KL
散度；利用
KL
散度的梯度来更新低维空间中各数据点的位置，以最小化
KL
散度；
S210
：重复
S208
步骤，直至
KL
散度收敛至预设值，则将各数据点在低维空间中对应的坐标值输出，从而将数据库中各高维的实时土壤养分数据进行可视化
。4.
根据权利要求1所述的一种微生物修复过程中的微生物培养方案推荐方法，其特征在于，利用层次聚类法对各数据库中实时土壤养分数据进行聚类处理，以对各数据库中不同类型土壤养分数据进行聚类，得到若干个实时子土壤养分数据集，具体为：
S302
：将各实时土壤养分数据视为一个单独的初始簇族，并根据各实时土壤养分数据在低维空间中对应的坐标值计算各个初始簇族之间的欧氏距离；
S304
：对各个初始簇族之间的欧氏距离进行基于数值大小排序，排序完成后，将欧氏距离最短的两个初始簇族合并为一个新的簇族，并重新计算各新的簇族之间的欧氏距离；
S306
：重复
S302
至
S304
步骤，直至所述新的簇族合并至预设数量后...

【专利技术属性】
技术研发人员：刘亚茹，王蓓丽，郭丽莉，李书鹏，张孟昭，独学渊，
申请(专利权)人：北京建工环境修复股份有限公司，
类型：发明
国别省市：