CN105184370A - 一种基于som分类技术的河口流域水环境质量评价方法 - Google Patents
一种基于som分类技术的河口流域水环境质量评价方法 Download PDFInfo
- Publication number
- CN105184370A CN105184370A CN201510703421.5A CN201510703421A CN105184370A CN 105184370 A CN105184370 A CN 105184370A CN 201510703421 A CN201510703421 A CN 201510703421A CN 105184370 A CN105184370 A CN 105184370A
- Authority
- CN
- China
- Prior art keywords
- data
- water quality
- vector
- sample
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于SOM分类技术的河口流域水环境质量评价方法,包括以下步骤:收集河口流域水质数据及空间地理数据,编制为数据表格;对地理图层预处理形成水质分析底图,再通过数据处理模块导入上述数据表格,并生成为点数据图层;利SOM分类功能对上述水质数据进行计算,并将分类结果以表格形式导出为分类数据;根据分类数据的经纬度生成分类数据图层;将分类数据图层进行反距离权重插值分析,生成插值图层;将插值图层和底图进行调整,进行修饰,得到水质分布图。本发明实现了水质数据评价与可视化的有机统一,直接快速地将数据分析并实现结果可视化,并且使分析的结果与实际情况更为接近,极大地提高了分析精度。
Description
技术领域
本发明涉及河口水环境质量评价方法,属于水环境水质分类评价技术领域。
背景技术
在水质量评价中,最重要也最难处理的是水的物理、化学、生物等特征分析。目前国内的常用的方法有分级加权平均法、模糊数学法、灰色系统理论方法、主成分分析法等,这些方法都是基于一定的数学基础和理论依据,其结果也大都是以数字的形式给出。如果想要以可视化的方法将结果直观的显示出来就要借助其他的软件工具,如GIS、PowerBuilder等,并且需要在应用前先将结果或部分结果计算出来再导入该软件中进行可视化,步骤较多,而且往往不便于一个较大的区域的水质评价,因为评价区域越大,水质情况越复杂,需要设置的采样站点和采样的项目也越多。此外,上述方法分析的主观性强,定量化程度不高,结果精度严重依赖于研究者的经验能力,且对数据深层次的挖掘不够。
在神经网络中,SOM网络全称自组织特征映射网络(self-organizingfeaturemap),是由芬兰赫尔辛基大学神经网络专家Kohonen教授在1981年提出。他认为当一个神经网络接受外界输入模式时将会自动分为不同的对应区域,而各区域对输入模式也都有各自不同的响应特征,这就是SOM网络的建立基础。
SOM算法是一种无导师聚类法,在没有指引示范的情况下,它能将任意维输入模式(矢量)在输出层映射成一维或者二维的离散图,并保持其拓扑结构不变。再通过对输入模式的反复学习,可以使连接权值空间分布密度与输入模式的概率分布趋于一致,从而反应输入模式的统计特征。它具有自稳定性,无需外界给出评价函数,能够识别向量空间中最有意义的特征,抗噪音能力强。SOM网络作为一种竞争型神经网络,主要特点为:处理的数据量大、复杂数据的降维简化、拓扑有序、数据的分类、可视化的结果显示、过程的可控制性。
SOM网络自诞生以来,已经得到了大量的应用,应用SOM分类方法可以有助于城市功能人口分类,也可以提高遥感影像的分类解译精度和高光谱影像混合像元的分解精度。由于SOM较高的分类精度,其技术方法已经逐渐引入对环境质量的评价中。SOM具有的一种以拓扑有序的方式将任意维输入模式变换为一维或者二维特征映射的特点,这在水质分析中具有一定的优势,加上MATLAB软件的SOM工具箱的应用,其过程更为方面,结果更为直观,因而在水环境评价中也得到了不错的应用。
但应当指出,目前国内在对河口湿地水生态环境研究中,尚未有将SOM神经网络模型与GIS进行系统级别的无缝集成,生成具有生态环境智能评价、并能将成果快速以电子地图方式显示和输出等功能的实用电子自动化系统出现。
发明内容
针对上述问题,本发明提供了一种基于SOM算法集成GIS技术的流域水环境质量评价系统的构建方法,其是通过开发平台搭建系统基本框架,集成GIS处理地理信息的功能,模块化SOM分类技术,提高水质分类评价精度,实现对水环境信息快速处理、评价和地图可视化并输出的功能,为水质评价提供科学依据。
为达到上述目的,本发明采取的具体技术方案为:
一种基于SOM分类技术的河口流域水环境质量评价方法,其特征在于,包括以下步骤:
步骤一、利用数据采集设备收集河口流域水质数据,并获取相应河口流域的空间地理数据;
步骤二、对上述获取的水质数据和相应的空间地理数据进行预处理,编制为数据表格,该数据表格包括站位的点号和对应的经纬度数据;
步骤三、利用图像处理模块对步骤一中所述的地理图层做颜色修饰和叠放顺序调整,形成水质分析底图,再通过数据处理模块导入步骤二中所述的数据表格,根据站位的经纬度数据将水质数据生成为点数据图层;
步骤四、利用SOM分类功能对步骤一中所述的水质数据进行计算分类,具体计算过程为:
(1)将每个站位点的指标数据存入数组,使样本数据转换为样本向量,设样本数量为m,样本指标数为n,即样本向量为n维,转换公式如下:
Xi=(xi1,xi2,...,xin)T,i=1,2,...,m(1)
(2)用计算机随机生成初始权值矩阵W,设分类类别为s:
Wi=(xi1,xi2,...,xin)T,i=1,2,...,s(2)
(3)根据公式(3)对样本向量和每一个权值向量进行归一化处理,得到结果和
其中:
(4)对于样本向量Xi,计算其与每一个权值矩阵的欧式距离d,公式如下:
(5)在得到与向量距离最短的权值矩阵后,取其编号为a,利用墨西哥草帽函数对所有权值矩阵进行调整:
并随之根据训练次数t调整训练速率speed与训练半径radius:
(6)计算样本向量与调整后的权值矩阵之间的欧式距离,将与之距离最短的权值矩阵的编号赋予样本向量,成为其分类类别;
步骤五、将步骤四得到的分类结果以表格形式导出,生成新数据,即分类数据;
步骤六、利用数据处理模块,根据分类数据的经纬度生成分类数据图层;
步骤七、将步骤六中得到的分类数据图层进行反距离权重插值分析,生成插值图层;
步骤八、将插值图层和底图进行调整,并进行比例、大小、方向修饰,得到水质分布图,最后导出该图片即可。
步骤二中所述的数据表格为Excel表格。
步骤三中对地理图层做颜色修饰和叠放顺序调整,具体是针对河流模块设置颜色和线型,以及修改图层的上下叠放顺序。
在操作步骤四时,如果有标准参照数据,首先对标准数据进行如步骤四中前5步的操作,然后计算调整后的权值向量与各标准向量之间的欧式距离,获取距离最短的标准向量的级别号为其分类级别,最后进行第6步操作。
在步骤四中,在样本数据分类结束后,首先对单组数据进行分类,先将单组的数据转换为向量,根据样本数据计算分类的结果,计算单组向量和权值矩阵的欧式距离,将距离最短的权值向量编号赋予样本向量,即单组向量的分类类别。
本发明的有益效果为:本发明基于SOM神经网络分类算法,SOM网络无需外界给出评价函数,能够根据数据自身特征进行分类,具有自稳定性、处理的数据量大、拓扑有序的特点,将其应用在水质评价中可以提高分类精度;根据是否有标准对照数据,又将SOM分类功能分为了两种方式,可以满足实际使用中的不同需求;本发明将SOM算法与GIS功能集成到了一个系统中,形成了一个完整的实用自动化评价系统;本发明实现了水质数据评价与可视化的有机统一,能够直接快速地将数据分析并实现结果可视化,应用范围更具有普遍性,更为简便地对水质特征进行分析和可视化,并且使分析的结果与实际情况更为接近,极大地提高了分析精度。
附图说明
图1为本发明的总流程图。
具体实施方式
如图1所示,本发明包括以下步骤:
步骤一、利用数据采集设备收集河口流域水质数据,并获取相应河口流域的空间地理数据;
步骤二、对上述获取的水质数据和相应的空间地理数据进行预处理,编制为数据表格,该数据表格包括站位的点号和对应的经纬度数据;
步骤三、利用图像处理模块对步骤一中所述的地理图层做颜色修饰和叠放顺序调整,形成水质分析底图,再通过数据处理模块导入步骤二中所述的数据表格,根据站位的经纬度数据将水质数据生成为点数据图层;
步骤四、利用SOM分类功能对步骤一中所述的水质数据进行计算分类,具体计算过程为:
(1)将每个站位点的指标数据存入数组,使样本数据转换为样本向量,设样本数量为m,样本指标数为n,即样本向量为n维,转换公式如下:
Xi=(xi1,xi2,...,xin)T,i=1,2,...,m(1)
(2)用计算机随机生成初始权值矩阵W,设分类类别为s:
Wi=(xi1,xi2,...,xin)T,i=1,2,...,s(2)
(3)根据公式(3)对样本向量和每一个权值向量进行归一化处理,得到结果和
其中:
(4)对于样本向量Xi,计算其与每一个权值矩阵的欧式距离d,公式如下:
(5)在得到与向量距离最短的权值矩阵后,取其编号为a,利用墨西哥草帽函数对所有权值矩阵进行调整:
并随之根据训练次数t调整训练速率speed与训练半径radius:
(6)计算样本向量与调整后的权值矩阵之间的欧式距离,将与之距离最短的权值矩阵的编号赋予样本向量,成为其分类类别;
步骤五、将步骤四得到的分类结果以表格形式导出,生成新数据,即分类数据;
步骤六、利用数据处理模块,根据分类数据的经纬度生成分类数据图层;
步骤七、将步骤六中得到的分类数据图层进行反距离权重插值分析,生成插值图层;
步骤八、将插值图层和底图进行调整,并进行比例、大小、方向修饰,得到水质分布图,最后导出该图片即可。
以下通过具体本实施例进一步说明本发明,以大辽河流域某航次5月测得水质数据为实例。
步骤1:准备大辽河流域某航次5月的水质excel表数据、相应流域范围的空间地理数据,该数据具备地理坐标且被GIS识别,选用中国政区图及全国范围的河流分布图;
步骤2:规范excel表中的数据格式,将表头前三列调整为:站位号、经度、纬度,检测指标共有7个,各指标名称调整为:yd、DO、COD、Chl-a、TN、TP、xuanfu;
步骤3:利用图像处理模块对步骤一中所述的地理图片做颜色修饰处理,调整图层叠放顺序形成底图,再通过数据处理模块导入步骤二中所述的数据Excel表,根据经纬度数据将水质数据生成为点数据图层,即将excel表格中的5月数据以shp矢量图层的形式添加到视图中,将视图的范围调整为最适宜的比例尺,检验显示效果,最后保留底图;
步骤4:利用SOM分类功能对步骤一中所述的水质excel表数据按照上述的具体算法进行计算分类;首先检验数据显示的正确性,有无缺少或错误数据,然后设分类数为5进行分类,完成后进一步调整指标数据,检验数据分类的稳定性;
步骤5:将步骤4中得到的分类结果数据导出为excel表,再通过如步骤3的数据处理方式,生成分类数据图层;
步骤6:将步骤5中得到的分类数据图层进行反距离权重插值分析,待评价数据共有16个站位,将插值半径定为16,即分析过程中16个站位点将受到其他每一个站位的影响,分析完成后生成的插值图层以红色过渡到绿色之间的五种颜色显示分类类别,同时视图中也添加了这一图层,在以16个站位点为边界形成的矩形中,不同的颜色区域显示了其对应的类别;
步骤7:将步骤6得到的插值图层和上述底图进行调整,并用比例尺、图例、指北针等进行修饰,得到水质分布图,最后导出为图片即可。
本实施例所得图片中含有背景地图信息、站位分布信息、分类信息、图例和指北针、比例尺等信息,可以清晰分辨站位信息、图例标志等,可以用于后期的分析报告或其他用途。
本实施例评价使用的是无标准参照数据的SOM分类,分类结果可以显示哪些区域站位为同一类别,但无法确定每一个区域对应的水质情况。使用本发明时可以根据已有的标准参照数据,进行SOM分类分析,所得图片结果就可以直接地直观地显示该区域的水质分布状况。
本发明能够应用在河口或者其他的水环境质量评价中,为科研工作者提供一个简便有效的评价方法。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替代,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于SOM分类技术的河口流域水环境质量评价方法,其特征在于,包括以下步骤:
步骤一、利用数据采集设备收集河口流域水质数据,并获取相应河口流域的空间地理数据;
步骤二、对上述获取的水质数据和相应的空间地理数据进行预处理,编制为数据表格,该数据表格包括站位的点号和对应的经纬度数据;
步骤三、利用图像处理模块对步骤一中所述的地理图层做颜色修饰和叠放顺序调整,形成水质分析底图,再通过数据处理模块导入步骤二中所述的数据表格,根据站位的经纬度数据将水质数据生成为点数据图层;
步骤四、利用SOM分类功能对步骤一中所述的水质数据进行计算分类,具体计算过程为:
(1)将每个站位点的指标数据存入数组,使样本数据转换为样本向量,设样本数量为m,样本指标数为n,即样本向量为n维,转换公式如下:
Xi=(xi1,xi2,...,xin)T,i=1,2,...,m(1)
(2)用计算机随机生成初始权值矩阵W,设分类类别为s:
Wi=(xi1,xi2,...,xin)T,i=1,2,...,s(2)
(3)根据公式(3)对样本向量和每一个权值向量进行归一化处理,得到结果和
其中:
(4)对于样本向量Xi,计算其与每一个权值矩阵的欧式距离d,公式如下:
(5)在得到与向量距离最短的权值矩阵后,取其编号为a,利用墨西哥草帽函数对所有权值矩阵进行调整:
并随之根据训练次数t调整训练速率speed与训练半径radius:
(6)计算样本向量与调整后的权值矩阵之间的欧式距离,将与之距离最短的权值矩阵的编号赋予样本向量,成为其分类类别;
步骤五、将步骤四得到的分类结果以表格形式导出,生成新数据,即分类数据;
步骤六、利用数据处理模块,根据分类数据的经纬度生成分类数据图层;
步骤七、将步骤六中得到的分类数据图层进行反距离权重插值分析,生成插值图层;
步骤八、将插值图层和底图进行调整,并进行比例、大小、方向修饰,得到水质分布图,最后导出该图片即可。
2.根据权利要求1中所述的河口流域水环境质量评价方法,其特征在于,步骤二中所述的数据表格为Excel表格。
3.根据权利要求1中所述的河口流域水环境质量评价方法,其特征在于,步骤三中对地理图层做颜色修饰和叠放顺序调整,具体是针对河流模块设置颜色和线型,以及修改图层的上下叠放顺序。
4.根据权利要求1中所述的河口流域水环境质量评价方法,其特征在于,在操作步骤四时,如果有标准参照数据,首先对标准数据进行如步骤四中前5步的操作,然后计算调整后的权值向量与各标准向量之间的欧式距离,获取距离最短的标准向量的级别号为其分类级别,最后进行第6步操作。
5.根据权利要求1中所述的河口流域水环境质量评价方法,其特征在于,在步骤四中,在样本数据分类结束后,首先对单组数据进行分类,先将单组的数据转换为向量,根据样本数据计算分类的结果,计算单组向量和权值矩阵的欧式距离,将距离最短的权值向量编号赋予样本向量,即单组向量的分类类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510703421.5A CN105184370B (zh) | 2015-10-26 | 2015-10-26 | 一种基于som分类技术的河口流域水环境质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510703421.5A CN105184370B (zh) | 2015-10-26 | 2015-10-26 | 一种基于som分类技术的河口流域水环境质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184370A true CN105184370A (zh) | 2015-12-23 |
CN105184370B CN105184370B (zh) | 2018-01-23 |
Family
ID=54906433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510703421.5A Expired - Fee Related CN105184370B (zh) | 2015-10-26 | 2015-10-26 | 一种基于som分类技术的河口流域水环境质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184370B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631055A (zh) * | 2016-03-11 | 2016-06-01 | 中国环境科学研究院 | 一种展示流域水环境质量研究数据的方法及装置 |
CN105865585A (zh) * | 2016-04-22 | 2016-08-17 | 湖南威铭能源科技有限公司 | 电子式水表的误差调校方法 |
CN106777987A (zh) * | 2016-12-20 | 2017-05-31 | 南京大学 | 基于水动力、水质和som的河流水量聚类及水质评价方法 |
CN112800038A (zh) * | 2021-01-08 | 2021-05-14 | 长春市万易科技有限公司 | 一种水环境数据分析方法 |
CN113592328A (zh) * | 2021-08-06 | 2021-11-02 | 呼和浩特市生态环境科技推广中心 | 基于综合污染指数法的城市水环境质量评价方法 |
CN118013312A (zh) * | 2024-04-08 | 2024-05-10 | 国家海洋局南海规划与环境研究院 | 一种海陆统筹一体化三维空间仿真规划方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104453875A (zh) * | 2014-10-29 | 2015-03-25 | 中国石油集团川庆钻探工程有限公司 | 基于自组织竞争神经网络的页岩气储层识别方法 |
-
2015
- 2015-10-26 CN CN201510703421.5A patent/CN105184370B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104453875A (zh) * | 2014-10-29 | 2015-03-25 | 中国石油集团川庆钻探工程有限公司 | 基于自组织竞争神经网络的页岩气储层识别方法 |
Non-Patent Citations (3)
Title |
---|
刘飞等: "自组织特征映射网络在水质分类中的应用", 《露天采矿技术》 * |
牛志广: "近岸海域水环境容量的研究", 《中国博士学位论文全文数据库(工程科技I辑)》 * |
陈燕平: "基于GIS的贵州省滑坡地质灾害易发性多模型综合评价", 《中国优秀硕士学位论文全文数据库(基础科学辑)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631055A (zh) * | 2016-03-11 | 2016-06-01 | 中国环境科学研究院 | 一种展示流域水环境质量研究数据的方法及装置 |
CN105865585A (zh) * | 2016-04-22 | 2016-08-17 | 湖南威铭能源科技有限公司 | 电子式水表的误差调校方法 |
CN106777987A (zh) * | 2016-12-20 | 2017-05-31 | 南京大学 | 基于水动力、水质和som的河流水量聚类及水质评价方法 |
CN106777987B (zh) * | 2016-12-20 | 2019-05-10 | 南京大学 | 基于水动力、水质和som神经网络的河流水量聚类及水质评价方法 |
CN112800038A (zh) * | 2021-01-08 | 2021-05-14 | 长春市万易科技有限公司 | 一种水环境数据分析方法 |
CN112800038B (zh) * | 2021-01-08 | 2022-12-13 | 长春市万易科技有限公司 | 一种水环境数据分析方法 |
CN113592328A (zh) * | 2021-08-06 | 2021-11-02 | 呼和浩特市生态环境科技推广中心 | 基于综合污染指数法的城市水环境质量评价方法 |
CN118013312A (zh) * | 2024-04-08 | 2024-05-10 | 国家海洋局南海规划与环境研究院 | 一种海陆统筹一体化三维空间仿真规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105184370B (zh) | 2018-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184370A (zh) | 一种基于som分类技术的河口流域水环境质量评价方法 | |
Salvi et al. | High‐resolution multisite daily rainfall projections in India with statistical downscaling for climate change impacts assessment | |
CN103063202B (zh) | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 | |
CN114547017B (zh) | 一种基于深度学习的气象大数据融合方法 | |
CN102646164B (zh) | 一种结合空间滤波的土地利用变化建模方法及其系统 | |
CN106228030A (zh) | 一种基于小波变换的精细粒度自学习集成预测方法 | |
CN103886220B (zh) | 基于bp网络和基尼系数定权重的用水数据离散化方法 | |
Stryhal et al. | Classifications of winter atmospheric circulation patterns: validation of CMIP5 GCMs over Europe and the North Atlantic | |
CN102521624A (zh) | 一种土地利用类型分类的方法和系统 | |
Arnold et al. | The need to quantify spatial variability | |
CN111310623B (zh) | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 | |
CN114398951A (zh) | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 | |
CN113515798B (zh) | 一种城市三维空间扩张模拟方法及装置 | |
CN113807278A (zh) | 一种基于深度学习的土地利用分类及变化预测方法 | |
CN103886519B (zh) | 基于rbf神经网络的经济用水数据空间离散化方法 | |
CN116563672B (zh) | 一种岩土体分类模型构建方法及岩土体分类方法 | |
CN115392137B (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟系统 | |
CN102880753A (zh) | 基于分形维数的土地利用空间特征尺度转换方法 | |
CN115759291B (zh) | 一种基于集成学习的空间非线性回归方法及系统 | |
Friehat et al. | Modeling urban sprawls in Northeastern Illinois | |
CN114202551B (zh) | 一种喀斯特石漠化的分级制图方法及装置 | |
Kolukula et al. | Improving cyclone wind fields using deep convolutional neural networks and their application in extreme events | |
Ouyang et al. | A Bayesian approach to mapping the uncertainties of global urban lands | |
Chun et al. | Spatial Statistics and Geostatistics: Theory and Applications for Geographic Information Science and Technology | |
WO2022257189A1 (zh) | 一种基于量子游走的海面高度模拟方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180123 Termination date: 20181026 |
|
CF01 | Termination of patent right due to non-payment of annual fee |