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

技术领域

本发明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。

背景技术

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。

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。

发明内容

本发明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。

为达到上述目的本发明采用的技术方案为：

本发明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。

进一步地，本发明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。

进一步地，本发明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。

进一步地，本发明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：若所述轮廓系数大于预设轮廓系数，则将该最终簇族标定为密度不达标簇族；获取密度不达标簇族内的实时土壤养分数据，并基于S302至S310步骤对密度不达标簇族内的实时土壤养分数据进行重新聚类；

S314：直至对所有实时土壤养分数据均在相应的实时子土壤养分数据集中输出后，聚类完毕，得到若干个实时子土壤养分数据集。

进一步地，本发明的一个较佳实施例中，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，具体为：

构建时序表，并将所述各个实时子土壤养分数据集与相应的预设子土壤养分数据集导入所述时序表中进行基于时间序列的排序，得到各个基于时序的实时子土壤养分数据集与基于时序的预设子土壤养分数据集；

以时间刻度作为坐标横轴，并以土壤养分数据作为坐标纵轴，根据所述坐标横轴与坐标纵轴构建坐标系，将所述基于时序的实时子土壤养分数据集与其相应的基于时序的预设子土壤养分数据集同时导入所述坐标系中；

根据所述基于时序的实时子土壤养分数据集与其相应的基于时序的预设子土壤养分数据集在所述坐标系中分别构建得到实时土壤养分线状图与预设土壤养分线状图；

在所述坐标系中计算实时土壤养分线状图与预设土壤养分线状图之间的重合度；并将所述重合度与预设重合度进行比较；

若所述重合度大于预设重合度，则将该实时子土壤养分数据集标记为正常子土壤养分数据集，则将与该实时子土壤养分数据集对应的土壤养分标记为正常土壤养分；若所述重合度不大于预设重合度，则将该实时子土壤养分数据集标记为异常子土壤养分数据集，则将与该实时子土壤养分数据集对应的土壤养分标记为异常土壤养分；

重复以上步骤，直至将各监测点中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均比较完毕，得到各监测点中土壤的异常土壤养分。

进一步地，本发明的一个较佳实施例中，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，具体为：

获取各监测点中的异常土壤养分，并将在最后预设时间节点所采集到的实时土壤养分数据记录为对应异常土壤养分的异常养分数据；将各异常土壤养分的异常养分数据进行组合，得到对应监测点的异常养分数据组合；

通过大数据网络获取土壤在各种预设养分数据组合条件之下目标微生物的培养方案，构建知识图谱，并将土壤在各种预设养分数据组合条件之下目标微生物的培养方案导入所述知识图谱中；

将所述异常养分数据组合导入所述知识图谱中，通过灰色关联分析法计算所述异常养分数据组合与各种预设养分数据组合之间相关联度，得到多个关联度；

在多个所述关联度中筛选出最大关联度，获取与最大关联度对应的预设养分数据组合，根据与最大关联度对应的预设养分数据组合生成检索标签，基于所述检索标签在知识图谱中检索出相应的培养方案；

重复以上步骤，直至检索出各监测点的培养方案后，将各监测点的培养方案推荐至预设平台上显示。

本发明第二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系统，所述微生物培养方案推荐系统包括存储器与处理器，所述存储器中存储有微生物培养方案推荐方法程序，当所述微生物培养方案推荐方法程序被所述处理器执行时，实现如下步骤：

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；

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；

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；

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；

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。

本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：通过本方法能够根据土壤养分情况制定出相应的微生物培养方案，并且将相应的微生物培养方案推荐至用户端，以使得工作人员及时为土壤补充微生物所需的养分，从而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。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。

图1为一种微生物修复过程中的微生物培养方案推荐方法的第一方法流程图；

图2为一种微生物修复过程中的微生物培养方案推荐方法的第二方法流程图；

图3为一种微生物修复过程中的微生物培养方案推荐方法的第三方法流程图；

图4为一种微生物修复过程中的微生物培养方案推荐系统的系统框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

如图1所示，本发明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。

需要说明的是，通过本方法能够根据土壤养分情况制定出相应的微生物培养方案，并且将相应的微生物培养方案推荐至用户端，以使得工作人员及时为土壤补充微生物所需的养分，从而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。

具体地，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。

其中，土壤养分监测设备为通过一系列传感器组装成一体化的设备，如碳、氮、磷、硫元素等传感器组装集成一体化的设备。

需要说明的是，使用激光扫描仪器（光学雷达）对污染场地进行扫描，扫描仪器发射激光脉冲并测量它们返回的时间，从而计算出激光脉冲从仪器到地面的距离，通过在扫描仪器移动或旋转的同时收集大量的距离数据点，可以获得地面各个点的空间坐标信息，从而获取点云数据，然后再基于点云重构的方式构建得到污染场地的地形三维模型图。值得一提的是，在获取得到的点云数据中，由于激光扫描仪器设备精度、采集环境等因素的影响，所采集得到的点云数据会存在奇异现象，即这些点云数据实则为噪声数据，因此需要通过局部离群因子算法将这些噪声数据筛除，从而提高点云数据的可靠性，从而提高后续的建模精度。

需要说明的是，蚁群算法的基本思想是通过蚂蚁在搜索空间中的行走来找到最优解。蚂蚁在解空间中随机选择路径，并在路径上释放信息素。其他蚂蚁通过感知到的信息素量和路径长度来选择下一步的移动方向。蚂蚁在搜索过程中通过不断的试错和信息的积累，逐渐找到最优解。通过蚁群算法根据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规划出相应的监测点，然后在各监测埋设土壤养分监测设备后，使得污染场地中各区域的土壤养分数据均能够被采集得到，避免出现漏采集监测情况，提高可靠性。

如图2所示，具体地，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。

需要说明的是，当规划出监测点后，在各个监测点中安装土壤养分监测设备，安装完毕后，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，其中，土壤养分数据包括碳、氮、磷、硫等浓度数据。并且构建多个数据库，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，即将不同监测点所采集到的实时土壤养分数据分别输送至对应的数据库内。

需要说明的是，t-SNE算法是一种用于数据降维和可视化的非线性降维算法，它能够在保持数据局部结构的同时将高维数据映射到低维空间，以便更好地进行数据理解和可视化。在高维空间中，根据数据点之间的相似度计算条件概率分布，条件概率分布描述了数据点在高维空间中的相对关系。在低维空间中，根据数据点在高维空间中的相对关系计算条件概率分布，这个分布在低维空间中表示了数据点之间的关系。KL散度（相对熵）等价于两个概率分布的信息熵的差值。

通过以上步骤能够通过计算数据点之间的相似度，并通过最小化相对熵的方式将数据从高维空间映射到低维空间，这样可在保持数据的局部结构的同时，提供一种直观的数据可视化方法，以为后续对实时土壤养分数据进行聚类提供准备，能够降低后续聚类算法的运算难度，并且能够提高后续数据聚类的精度。

如图3所示，具体地，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：若所述轮廓系数大于预设轮廓系数，则将该最终簇族标定为密度不达标簇族；获取密度不达标簇族内的实时土壤养分数据，并基于S302至S310步骤对密度不达标簇族内的实时土壤养分数据进行重新聚类；

S314：直至对所有实时土壤养分数据均在相应的实时子土壤养分数据集中输出后，聚类完毕，得到若干个实时子土壤养分数据集。

需要说明的是，在通过土壤养分监测设备将各个监测点的土壤养分数据输送至对应的数据库内后，数据库中存在多种土壤养分数据，如碳浓度数据、氮浓度数据等，因此为了区分出数据库中不同类型的土壤养分数据，以便与判断监测点土壤中的各种类型养分是否在合适范围内，需要将数据库中众多的土壤养分数据进行聚类，以得到不同类型的土壤养分数据，即聚类得到多个实时子土壤养分数据集，如在数据库中的众多数据中聚类出碳、氮、磷、硫等浓度多个实时子土壤养分数据集。值得一提的是，在聚类过程中，引入轮廓系数的方式对聚类的效果进行评价，从而避免出现聚类错误的现象，如避免出现将一些氮浓度数据聚类至碳浓度数据集的现象。

通过本步骤能够将各个数据库中的实时土壤养分数据进行聚类，以快速得到监测点中不同土壤养分对应的养分数据。

具体地，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，具体为：

构建时序表，并将所述各个实时子土壤养分数据集与相应的预设子土壤养分数据集导入所述时序表中进行基于时间序列的排序，得到各个基于时序的实时子土壤养分数据集与基于时序的预设子土壤养分数据集；

以时间刻度作为坐标横轴，并以土壤养分数据作为坐标纵轴，根据所述坐标横轴与坐标纵轴构建坐标系，将所述基于时序的实时子土壤养分数据集与其相应的基于时序的预设子土壤养分数据集同时导入所述坐标系中；

根据所述基于时序的实时子土壤养分数据集与其相应的基于时序的预设子土壤养分数据集在所述坐标系中分别构建得到实时土壤养分线状图与预设土壤养分线状图；

在所述坐标系中计算实时土壤养分线状图与预设土壤养分线状图之间的重合度；并将所述重合度与预设重合度进行比较；

若所述重合度大于预设重合度，则将该实时子土壤养分数据集标记为正常子土壤养分数据集，则将与该实时子土壤养分数据集对应的土壤养分标记为正常土壤养分；若所述重合度不大于预设重合度，则将该实时子土壤养分数据集标记为异常子土壤养分数据集，则将与该实时子土壤养分数据集对应的土壤养分标记为异常土壤养分；

重复以上步骤，直至将各监测点中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均比较完毕，得到各监测点中土壤的异常土壤养分。

需要说明的是，所述预设子土壤养分数据集由技术人员提前制定得到，预设子土壤养分数据集表征的是土壤中适合微生物生长的理想数据。根据实时土壤养分线状图与预设土壤养分线状图相重合的线段长度与不相重合的线段长度计算得到重合度；若所述重合度大于预设重合度，说明该实时子土壤养分数据集与预设子土壤养分数据集重合度高，说明该实时子土壤养分数据集的变化情况与预设情况偏差不大，则将该实时子土壤养分数据集标记为正常子土壤养分数据集，则将与该实时子土壤养分数据集对应的土壤养分标记为正常土壤养分；若所述重合度不大于预设重合度，说明该实时子土壤养分数据集与预设子土壤养分数据集重合度低，说明该实时子土壤养分数据集的变化情况与预设情况偏差较大，则将该实时子土壤养分数据集标记为异常子土壤养分数据集，则将与该实时子土壤养分数据集对应的土壤养分标记为异常土壤养分。

通过本步骤能够将实时子土壤养分数据集与相应的预设子土壤养分数据集可视化后进行比较，从而判断出各监测点中相应的土壤养分与理想数据的偏差情况，从而快速分析出各监测点的异常土壤养分。

具体地，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，具体为：

获取各监测点中的异常土壤养分，并将在最后预设时间节点所采集到的实时土壤养分数据记录为对应异常土壤养分的异常养分数据；将各异常土壤养分的异常养分数据进行组合，得到对应监测点的异常养分数据组合；

通过大数据网络获取土壤在各种预设养分数据组合条件之下目标微生物的培养方案，构建知识图谱，并将土壤在各种预设养分数据组合条件之下目标微生物的培养方案导入所述知识图谱中；

将所述异常养分数据组合导入所述知识图谱中，通过灰色关联分析法计算所述异常养分数据组合与各种预设养分数据组合之间相关联度，得到多个关联度；

在多个所述关联度中筛选出最大关联度，获取与最大关联度对应的预设养分数据组合，根据与最大关联度对应的预设养分数据组合生成检索标签，基于所述检索标签在知识图谱中检索出相应的培养方案；

重复以上步骤，直至检索出各监测点的培养方案后，将各监测点的培养方案推荐至预设平台上显示。

其中，所述目标微生物即是监测点中修复污染物所需的微生物。

需要说明的是，在微生物修复污染土壤的过程中，确保土壤中养分适合微生物生长是至关重要的，如果土壤中的养分不适合微生物的生长，微生物的代谢活动将受到限制，从而影响修复效果，通过合理调控土壤养分可以使土壤中的生态系统达到一个平衡状态，有利于微生物与植物之间的良好相互作用，促进土壤生态系统的恢复。因此，若各个监测点中存在数据异常的土壤养分，则需要通过人为调节这个区域的土壤养分数据，从而为微生物生长创造适宜条件，从而培养出活性更好、种群丰富度更高的微生物，提高修复效果与效率。通过本步骤能够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。

此外，本方法还包括以下步骤：

通过大数据网络获取目标微生物在各种预设土壤生长环境组合条件之下的各种土壤养分的消耗速率；其中，土壤生长环境包括温度、湿度、氧气浓度；

基于深度学习网络构建预测模型，并将目标微生物在各种预设土壤生长环境组合条件之下的各种土壤养分的消耗速率导入所述预测模型中进行训练，得到训练好的预测模型；

获取各监测点中在预设时间段内土壤的实际环境信息，将所述实际环境信息导入所述训练好的预测模型中进行预测，得到相应监测点中各种土壤养分的预设消耗速率；

分别在第一预设时间节点与第二预设时间节点获取相应监测点中各种土壤养分的实际养分数据，根据所述实际养分数据计算得到监测点中各种土壤养分的实际消耗速率；

将所述实际消耗速率与相应的预设消耗速率进行比较，若所述实际消耗速率小于预设消耗速率，则说明该监测点的微生物活度不符合要求，则对该监测点生成生物刺激方案，并将所述生物刺激方案推荐至预设平台上显示。

其中，所述生物刺激方案即是使用生物刺激剂，如激素或生长因子，来刺激微生物的生长和活性。

需要说明的是，微生物在不同土壤环境下对养分的消耗速率有所不同，如土壤的酸碱度（pH）对微生物活动具有重要影响，不同类型的微生物对pH的适应能力不同，某些微生物在酸性土壤中更活跃，而另一些在碱性土壤中更活跃，这将直接影响它们对养分的消耗速率。因此，首先需要确定出监测点中微生物在实际环境信息条件之下的各种土壤养分的预设消耗速率，并且分别在第一预设时间节点与第二预设时间节点获取相应监测点中各种土壤养分的实际养分数据，根据所述实际养分数据计算得到监测点中各种土壤养分的实际消耗速率，若所述实际消耗速率小于预设消耗速率，该监测点的微生物活性较低，则说明该监测点的微生物活度不符合要求，此时需要通过生物刺激的方式来进一步提高该监测点中微生物活性，以确保微生物的修复效果与效率。通过本方法能够通过无损方式快速推算出微生物的活性，不需要通过采样挖掘土壤等复杂方式确定微生物活性，从而快速制定出相应的生物刺激方案，提高响应速度。

此外，本方法还包括以下步骤：

通过大数据网络获取相关植被与目标微生物共生后的标准光谱图像，构建图像库，并将相关植被与目标微生物共生后的标准光谱图像导入所述图像库中；

通过卫星遥感技术获取各个监测点区域的遥感数据，根据所述遥感数据提取出各监测点区域中植被的光谱特征； 对所述光谱特征进行提取，得到光谱数据，根据所述光谱数据得到各个监测点区域的实际光谱图像；

将所述实际光谱图像导入所述图像库中，通过欧几里得距离算法计算所述实际光谱图像与标准光谱图像之间的配对率；并将所述配对率与预设配对率进行比较；

所述配对率不大于预设配对率，则将该监测点标记为异常点，并对该异常点生成微生物补充计划。

需要说明的是，植被光谱与土壤微生物之间存在密切的关系，因为土壤微生物的活动和存在通常受植被的健康状况和生态系统的影响，通过植被光谱可以提供有关土壤和植被之间的相互作用以及土壤质量和健康状况的信息。因此，在步骤中，通过监测点区域植被的光谱数据信息，从而快速无损的进一步分析出在投放微生物后，微生物是否能够在土壤中存活，即所述配对率不大于预设配对率，则说明该监测点区域植被并没有与目标微生物共生，则需要对该监测点进一步补充目标微生物，以确保污染修复有效进行。

如图4所示，本发明第二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系统，所述微生物培养方案推荐系统包括存储器22与处理器28，所述存储器22中存储有微生物培养方案推荐方法程序，当所述微生物培养方案推荐方法程序被所述处理器28执行时，实现如下步骤：

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；

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；

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；

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；

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。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。