申请/专利权人：南京农业大学;南京农业大学泰州研究院

申请日：2023-04-11

公开（公告）日：2024-04-12

公开（公告）号：CN116381176B

主分类号：G01N33/18

分类号：G01N33/18;G01D21/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2023.07.21#实质审查的生效;2023.07.04#公开

摘要：本发明提供了一种基于低成本传感器和智能算法的灌区水体温室气体监测系统，通过低成本传感器监测系统实时监测灌区内池塘、河流的水环境参数流量、水温、水深、pH、硝态氮、氨态氮、CO2溶解态浓度和大气环境参数CO2气体浓度，基于水环境参数和溶解态N2O实测数据集构建溶解态N2O智能算法，再通过温室气体水气界面交换模型实现灌区水环境的溶解态N2O和CO2及其排放通量同步监测，通过OneNET云服务器实现定时远程控制及灌区水生态系统的水质、溶解态N2O和CO2排放通量变化的可视化显示。本设计充分结合了传感器技术及智能算法的优势，既降低了成本，又实现了快速有效的灌区水生态系统N2O和CO2排放评估。

主权项：1.一种基于低成本传感器和智能算法的灌区水体温室气体监测系统的监测方法，其特征在于：包括如下步骤：步骤一：低成本传感器监测系统实时监测灌区内池塘、河流的水环境参数和大气环境参数；步骤二：基于水环境参数和溶解态N2O浓度实测数据集构建溶解态N2O浓度智能算法；步骤三：通过温室气体水气界面交换模型实现灌区水环境的溶解态N2O和CO2排放同步监测；步骤四：通过OneNET云服务器实现定时远程控制及灌区水体的水质、溶解态N2O和CO2排放通量变化的可视化显示；其中，通过深度神经网络模型构建溶解态N2O浓度即N2Odisc智能算法，包括以下步骤：S2.1、采用基于Python的Scikit-learn库的train_test_split拆分数据集将所采集样本集中的水质参数数据随机拆分成训练样本S,a和测试样本T,b，其中,S为训练样本集，a为训练样本数据，T为测试样本集，b为测试样本数据；S2.2、神经网络中选择ReLU作为激活函数，包含4层中间层，使用Adam作为优化器进行优化，以均方误差MSE、平均绝对误差MAE两个指标作为深度神经网络模型精度评估标准；S2.3、对训练集数据进行迭代训练，使均方误差MSE、平均绝对误差MAE降低直至满足要求；S2.4、计算深度神经网络模型的决定系数R2，若R2大于等于设定的阈值，则判定该模型的预测性能满足要求，若R2小于设定阈值，则根据MSE、MAE调整参数后重复S2.1-S2.3，直至满足要求；其中，温室气体水气界面交换模型所需参数通过低成本传感器监测系统获得，溶解态N2O排放通量通过以下公式计算得到： 其中，是水-空气界面处的排放通量ugNm2d；N2Odisc和N2Oeqc分别是地表水中溶解的N2O浓度ugN2O-NL-1和大气中N2O平衡的理论浓度ugN2O-NL-1；为N2O转移速度cmh；其中，N2Oeqc的计算公式如下： 其中，Aii＝1，2，3，4为常数；是N2O中N的分子量；Tk是水温，其由水温传感器测得；N2Oairc是月大气N2O浓度，根据NOAAESRL全球监测部门的综合N2O数据计算得出； 的计算公式如下： 式中是N2O的施密特数，由运动粘度和N2O扩散系数之比定义，与温度有关；K600作为风速的函数计算，水流速度＜0.5ms，或作为水深、流速和风速的函数，水流速度＞0.5ms； 的计算公式如下： 式中T为河水温度0-30℃，通过水温传感器测得；K600的计算公式如下：K600＝3.3±1.6+4.3173*T2-0.054350*T3水流速度＜0.5msK600＝1.0+1.719*VH0.5+2.58*W10水流速度＞0.5ms式中W10为10m处的平均风速,由当地气象局获得此数据；V为水体流速ms；H为水深m，这两个参数数值由流量传感器和水深传感器测得；溶解态CO2排放通量通过以下公式计算得到： 其中，是水-空气界面处的排放通量mgCm2d；和分别是地表水中溶解CO2的浓度mgCO2-CL-1和大气中CO2平衡的理论浓度mgCO2-CL-1，由水体CO2溶解态浓度传感器、CO2气体浓度传感器测得；为CO2转移速度cmh。

全文数据：

权利要求：

百度查询： 南京农业大学;南京农业大学泰州研究院 基于低成本传感器和智能算法的灌区水体温室气体监测系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD