© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
浙江同博科技发展有限公司
企业浙江同博科技发展有限公司成立于2008年，属研究和试验发展，主营货物进出口。面向海洋监测、环境分析、海洋生态监测等领域提供数据服务，开放海洋浮标实时COD数据（海洋监测、环境分析）、海洋浮标实时浑浊度数据（海洋生态监测、水质分析）、海洋浮标实时叶绿素A数据（海洋环境监测、机器学习），支撑监测研判与运维优化。
海洋监测环境分析海洋生态监测研发服务高新技术企业
数据集列表
敏感区域预警数据
通过对报位信息数据的实时分析，反映船只在敏感区域中的航行情况，基于对误入敏感区域或即将误入的船舶做出预警，对于预防和减少事故的发生、提高安全防范意识、加强事故调查等方面都具有重要意义，为海洋大数据服务平台等提供数据支持。1.数据收集与处理：收集和整理船只的实时报位信息。对数据进行清洗、校正和统一处理，确保数据的准确性和一致性。
2.特征提取与选择：通过对报位信息数据中标识符的比对，剔除不匹配的报位数据。
3.预警模型建立：利用收集的船只实时报位信息和预设的敏感区域信息，根据多监督学习模型建立预警模型。预警模型通过对船舶报位信息的进行线性回归的船舶轨迹预测建模。
4.预警规则设定：基于建立的预警模型，设定规则组合的预警规则，当预测轨迹必定经过敏感区域时触发预警。
5.预警输出和反馈：根据预警规则船只的实时报位信息和轨迹预测进行实时监测和分析，当触发预警条件时，通过模型预测提供船舶敏感区域的预测，及时生成预警信息反馈给用户，以便决策者能够及时采取相应的措施。
浙江省数据知识产权登记平台2023-12-14 更新280
事故多发区预警数据
通过对报位信息数据的实时分析，反映船只在事故多发区中的航行情况，基于对事故多发区的船舶数量，密度，进入时间，对长期逗留船舶做出预警，以便决策者能够及时采取相应的措施，为海洋大数据服务平台等提供数据支持。1.数据收集与处理：收集和整理船只的实时报位信息。对数据进行清洗、校正和统一处理，确保数据的准确性和一致性。
2.特征提取与选择：通过对报位信息数据中标识符的比对，剔除不匹配的报位数据。
3.预警模型建立：利用收集的船只实时报位信息及往期报警数据，根据多元统计模型建立预警模型。预警模型通过对事故发生频率、船舶交通流量密度、航路类型等重要因素进行以事故发生频率为主的主成分分析，使用历史数据对选定的多元统计模型进行训练和参数估计。使用交叉验证的方法评估模型的性能和准确度，并进行必要的调整和改进。利用训练好的多元统计模型对新的渔船事故数据进行预测和分析，以提高预警的准确性
4.预警规则设定：使用历史数据建立一个基线模型，通过聚类分析识别出渔船事故多发区的分布规律。再根据基线模型的结果和事故密度、事故频率，设定触发预警的阈值。
5.预警输出和反馈：根据预警规则船只的实时报位信息进行实时监测和分析，当触发预警条件时，通过模型预测提供船舶事故多发区的预测，及时生成预警信息反馈给用户，以便决策者能够及时采取相应的措施。
浙江省数据知识产权登记平台2023-10-04 更新220
海洋浮标实时ORP数据
通过ORP传感器信息来监控观测点的实时数据，明确了解海水的氧化还原潜力，从而预测水体的适宜度，保证水产养殖的顺利进行，为大黄鱼养殖平台及海洋大数据服务平台等提供数据支持。1.校准：在采集ORP数据之前，需要对浮标的传感器进行校准，以保证数据的准确性。 2.采集：浮标会定时采集海水的ORP数据，并将其发送到地面站或卫星上。 3.预处理：接收到ORP数据后，需要进行crc校验，以提高数据的可靠性和稳定性。 4.转换：由于ORP与海水中的氧化还原物质浓度有关，先通过RTU通讯模式进行信息帧解析获取16字节数据，在进行温度补偿后计算氧化还原电极的电势，使用相应的反应式计算氧化还原剂的浓度并进行验证。 5.存储和分析：转换后的数据可以存储在数据库中，通过计算平均值、波动范围，采用神经网络模型，根据数据的不同特征，提取数据的均值、方差、最大值、最小值等特征。根据提取的特征，设计神经网络结构，并利用已有数据对神经网络进行训练。使用已有数据对模型进行测试，并与实际数据进行比较，以验证模型的准确性和稳定性。根据测试结果，对模型进行优化调整，以提高模型的预测精度和稳定性以供后续的数据分析和应用使用。
浙江省数据知识产权登记平台2023-07-25 更新160
海洋浮标实时蓝藻类含量数据
通过蓝藻类传感器信息来监控观测点的实时数据，实时监测海洋中蓝藻的浓度和分布情况，提高养殖和渔业生产的效益和安全性，为大黄鱼养殖平台及海洋大数据服务平台等提供数据支持。1.校准：在采集蓝藻类含量数据之前，需要对浮标的传感器进行校准，以保证数据的准确性。 2.采集：浮标会定时采集海水的蓝藻类含量数据，经过AD转换后得到准确的数字数据，并将其发送到地面站或卫星上。 3.预处理：接收到蓝藻类含量数据后，需要进行预处理，需要进行crc校验，以提高数据的可靠性和稳定性。 4.转换：由于蓝藻类含量与海水中的蓝藻类浓度有关，根据计算公式，将藻细胞数转化为蓝藻类密度，根据密度和相关物理量之间的关系进行计算，并将密度转化为相应的物理量。5.存储和分析：转换后的数据可以存储在数据库中，通过计算平均值、波动范围，采用支持向量机（SVM）模型，根据提取的特征，设计SVM的核函数和其他参数，并利用已有数据对SVM进行训练。进行时序分析、趋势分析以供后续的数据分析和应用使用。
浙江省数据知识产权登记平台2023-07-25 更新250
海洋浮标实时酸碱度数据
通过hp值传感器信息来监控观测点的实时数据，以观察海洋中的PH值变化趋势，评估海洋生态环境的健康状况，为大黄鱼养殖平台及海洋大数据服务平台等提供数据支持。海洋浮标实时酸碱度数据的统计学模型采用回归分析方法，通过建立酸碱度数据与其它相关变量之间的关系模型。
1.数据准备：收集和整理海洋浮标实时酸碱度数据及其它相关变量数据，包括温度、氧含量、盐度等。同时，对数据进行预处理，包括缺失值填补、异常值处理、数据平滑等操作。
2.变量选择：根据与酸碱度有关的因素，如温度、氧含量、盐度等，选择与酸碱度相关的独立变量。常用的变量选择方法包括相关性分析、主成份分析等。
3.模型选择：根据变量选择结果，选择合适的回归分析方法和模型结构。常用的回归分析方法包括线性回归、非线性回归、多元回归等。
4.模型训练：利用已有数据对所选定的回归模型进行训练，并通过交叉验证等方法对模型的准确性和泛化能力进行评估。
5.模型优化：根据模型训练和测试结果，对模型的参数和结构进行优化调整，以提高模型的预测能力和稳定性。
6.数据应用：根据建立的酸碱度统计学模型，对未来一段时间内海洋浮标实时酸碱度进行预测和分析。
通过以上规则算法描述，可以对海洋浮标实时酸碱度数据进行统计学模型的建立，采用合适的方法和技术，提高模型的准确性和可靠性，为海洋环境监测、水资源管理等领域提供决策依据。
浙江省数据知识产权登记平台2023-07-13 更新90
渔船沉船预警数据
通过对报位信息的标识数据的实时分析，反映船只当前的航行情况，当发生渔船沉船事件时，预警系统可以追踪渔船位置、研判沉船原因，并提供搜救行动的方向和目标区域，海洋大数据服务平台等提供数据支持。1.数据收集与处理：收集和整理船只的实时报位信息。对数据进行清洗、校正和统一处理，确保数据的准确性和一致性。
2.特征提取与选择：通过报位信息数据中的特殊标识，实现报位数据的特征提取。
3.预警模型建立：利用收集的船只实时报位信息，根据以是沉船为因变量，航速、航向、经纬度变化及设备报位时间间隔为自变量进行多元线性回归分析，建立线性回归预警模型。多元线性回归模型可以表示为 y = β0 + β1x1 + β2x2 + ... + βn*xn，其中y是因变量，β0是截距（起始数据点），β1至βn是自变量的系数，x1至xn是自变量。预警模型会对特征进行训练和学习，通过最小化残差平方和来估计模型的参数，以识别和预测渔船沉船的可能性。同时通过设备的航速信息对船舶随洋流移动的轨迹预测进行分析处理。
4.预警规则设定：根据基线模型的结果，基于渔船沉船几率，设定触发预警的阈值。
5.预警输出和反馈：根据预警规则船只的实时报位信息进行实时监测和分析，当触发预警条件时，通过模型预测提供船舶随洋流移动的轨迹预测，为追踪渔船位置、研判沉船原因，并提供搜救行动的方向和目标区域提供数据支持。
浙江省数据知识产权登记平台2023-10-04 更新520
海洋浮标实时COD数据
通过COD传感器信息来监控观测点的实时数据，反映了水体中有机物质的含量和污染程度，监测海洋中有机物质的浓度、水体污染程度，为大黄鱼养殖平台及海洋大数据服务平台等提供数据支持。1.校准：在采集COD数据之前，需要对浮标的传感器进行校准，以保证数据的准确性。 2.采集：浮标会定时采集海水的COD数据，并将其发送到地面站或卫星上。 3.预处理：接收到COD数据后，需要进行预处理，包括去除异常值、平滑数据等操作，以提高数据的可靠性和稳定性。 4.转换：由于COD与海水中的有机污染物浓度有关，因此需要将COD数据通过COD-BOD计算模型转换为相应的物理量。 5.存储和分析：转换后的数据可以存储在数据库中，通过计算平均值、波动范围，根据时间序列分解结果，对COD数据的自相关函数（ACF）和偏自相关函数（PACF）进行分析，采用ARIMA时间序列模型，进行时序分析、趋势分析以供后续的数据分析和应用使用。
浙江省数据知识产权登记平台2023-07-25 更新970
海洋浮标实时溶氧量数据
通过含氧量传感器信息来监控观测点的实时数据，反映出海洋生态环境的基本情况，进而评估海洋生物群落的健康状况并及时预警环境污染，为大黄鱼养殖平台及海洋大数据服务平台等提供数据支持。1.校准：在采集溶氧量数据之前，需要对浮标的传感器进行校准，以保证数据的准确性。 2.采集：利用氧分子对荧光的影响以及其吸光度的不同来测量水体中溶解氧量定时采集海水的溶氧量数据，并将其发送到地面站或卫星上。 3.预处理：接收到溶氧量数据后，需要进行crc校验，以提高数据的可靠性和稳定性。 4.转换：由于溶氧量与海水中的溶解氧含量有关，因此需要将溶氧量数据通过使用温度和海拔高度的组合修正公式来计算溶氧饱和度，根据溶氧饱和度和溶氧含量之间的关系，使用公式将溶氧含量转化为溶氧量。 5.存储和分析：转换后的数据可以存储在数据库中，通过计算平均值、波动范围，采用ARIMA模型，对数据进行可视化分析，识别数据中的趋势、周期、季节性等特征并与实际数据进行比较，以验证模型的准确性和稳定性，根据测试结果，对模型进行优化调整，以提高模型的预测精度和稳定性。以供后续的数据分析和应用使用。
浙江省数据知识产权登记平台2023-07-25 更新210
海洋浮标实时叶绿素A数据
通过叶绿素A传感器信息来监控观测点的实时数据，可以监测海洋环境中叶绿素A的变化趋势，并及时预警环境污染，为大黄鱼养殖平台及海洋大数据服务平台等提供数据支持。海洋浮标实时叶绿素A数据的统计学模型可以采用机器学习方法，通过对已有数据进行训练，建立起叶绿素A浓度与其它变量之间的关系模型，对未来叶绿素A浓度进行预测和分析。
1.数据准备：收集和整理海洋浮标实时叶绿素A数据及其它相关变量数据，包括温度、盐度、光照强度等。同时，对数据进行预处理，包括缺失值填补、异常值处理、数据平滑等操作。
2.特征选择：根据与叶绿素A浓度有关的因素，如温度、盐度、光照强度等，选择与叶绿素A相关的特征。常用的特征选择方法包括相关性分析、主成份分析等。
3.模型选择：根据特征选择结果，选择合适的机器学习模型和算法。常用的机器学习模型包括决策树、支持向量机、神经网络等。
4.模型训练：利用已有数据对所选定的机器学习模型进行训练，并通过交叉验证等方法对模型的准确性和泛化能力进行评估。
5.模型优化：根据模型训练和测试结果，对模型的参数和结构进行优化调整，以提高模型的预测能力和稳定性。
6.数据应用：根据建立的叶绿素A统计学模型，对未来一段时间内海洋浮标实时叶绿素A浓度进行预测和分析。
通过以上规则算法描述，为海洋环境监测、水资源管理等领域提供决策依据和参考。
浙江省数据知识产权登记平台2023-07-13 更新570
海洋浮标实时浑浊度数据
通过浊度水质传感器信息来监控观测点的实时数据，监测海洋中的悬浮物浓度、水体污染程度，评估海洋生态系统的健康状况，为大黄鱼养殖平台及海洋大数据服务平台等提供数据支持。1.校准：在采集浑浊度数据之前，需要对浮标的传感器进行校准，以保证数据的准确性。 2.采集：浮标会定时采集海水的NTU值数据，并将其发送到地面站或卫星上。 3.预处理：接收到浑浊度数据后，需要进行去除异常值、滤波平滑预处理，以提高数据的可靠性和稳定性。 4.转换：由于浑浊度与海水中的悬浮颗粒物浓度有关，通过NTU数学模型计算将浑浊度数据转换为相应的物理量。 5.存储和分析：转换后的数据可以存储在数据库中，通过对海洋浮标实时浑浊度数据进行分析，确定该数据序列是否具有平稳性、季节性或趋势性等特征，建立浑浊度统计学模型，进行时序分析、趋势分析以供后续的数据分析和应用使用。
浙江省数据知识产权登记平台2023-07-13 更新610