CN105913411B - 一种基于因子定权模型的湖泊水质评价预测系统及方法 - Google Patents

一种基于因子定权模型的湖泊水质评价预测系统及方法 Download PDF

Info

Publication number
CN105913411B
CN105913411B CN201610121972.5A CN201610121972A CN105913411B CN 105913411 B CN105913411 B CN 105913411B CN 201610121972 A CN201610121972 A CN 201610121972A CN 105913411 B CN105913411 B CN 105913411B
Authority
CN
China
Prior art keywords
water quality
lake
factor
model
index
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.)
Expired - Fee Related
Application number
CN201610121972.5A
Other languages
English (en)
Other versions
CN105913411A (zh
Inventor
康雁
柳青
胡雁
林英
李媛
王春惠
戴笠
张一凡
普佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN201610121972.5A priority Critical patent/CN105913411B/zh
Publication of CN105913411A publication Critical patent/CN105913411A/zh
Application granted granted Critical
Publication of CN105913411B publication Critical patent/CN105913411B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于因子定权模型的湖泊水质评价预测系统及方法，包括：通过不同湖泊区域污染热力图着色情况，了解到各湖泊污染对比度；通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息和各天气指数；改进的因子定权模型成果展示；结合相关分析算法对当前各项超标水质指标和预测超标指标向用户发出警报。本发明建立了能够更加准确的对水质做出评定的因子定权评价模型。通过对该模型大量数据测试，证明其算法运行效率和对水质评价的准确率大大提高。本发明建立基于因子权重的评定模型，合理的预测分析未来湖泊水质及环境发展趋势，从而给予用户最直观的水质变化和湖泊区域差异，为九湖流域可持续发展提供水环境管理建议。

Description

一种基于因子定权模型的湖泊水质评价预测系统及方法
技术领域
本发明属于计算机应用技术领域，尤其涉及一种基于因子定权模型的湖泊水质评价预测系统及方法。
背景技术
云南省九大高原湖泊(滇池、洱海、抚仙湖、程海、泸沽湖、杞麓湖、星云湖、阳宗海、异龙湖)及其流域具有独特的自然地理特征和重要的经济地位。九大高原湖泊湖面海拔最低的1501m、最高的2690.8m，平均水深最浅的3.9m、最深的158.9m，湖面面积最小的31km2、最大的300余km2，蓄水量最少的1亿m3、最多的206亿m3；既有宽浅型湖泊，也有深水型湖泊，均属封闭、半封闭湖泊。九湖流域面积8110km2，湖面面积1042km2，湖容量302亿m3，流域总人口505万人。流域人口约占全省人口数的11％，面积占全省国土面积的2.1％，但创造的国内生产总值却占全省经济总量的34％。2006年创造的GDP占全省的三分之一强。作为云南省社会经济发展的集中区域，九大高原湖泊承受的环境压力已显著高于全省平均水平。并且随着全省社会经济的快速增长，九大高原湖泊及其流域将进一步承受经济规模和土地利用扩张造成的生态压力，湖泊流域环境将因此遭受更大的影响。因此，建立针对云南地区高原湖泊环境监测与水质评定模型以及针对相似性湖泊水质发展趋势的分析至关重要。世界上第一个水质模型是1925年由美国工程师Strecter和PhelPs提出的氧平衡水质模型，即经典的S-P水质模型，自1925年以来，水质模型已被研究了80多年，许多学者对水质模型的发展阶段给出了不同的分类方法。目前，水污染评价应用较多的有等标污染评价法、污染贡献法、代数叠加法、算术平均法、加权平均法、综合加权法等多种评价方法。近些年，模糊聚类分析法、灰色关联分析法、物元可拓集法、人工神经网络法等方法也被众多学者应用到水污染评价中。每个水体污染都有其各自的特点，这也说明对于不同的水污染情况不能有完全统一的评价方法，但是即使如此，也应该建立一种公众认为较为客观、合理的反映水体污染情况的评价方法。我国50％以上的大型湖泊、近90％流经城市的河流、七大水系38.1％的断面为Ⅳ类和V类水质，控制水污染已经成为我国社会和经济发展中的重大资源环境问题。因而，建立科学合理的水质评价方法学，为水污染控制与水环境保护提供科学依据，具有重要意义。在水质评价中，一般要涉及多项指标、多个检测点和多个评价对象，由于每项指标都从不同的角度反映水质的污染状况，如何能综合其不同指标所反映的污染特征，对水质做出全面、客观和合理的评价至关重要。水质分析的目的不仅是为了区分水质的好坏，更重要的是要掌握主要污染物的种类及其时空变化规律，目前方法没有提供这方面的作用。
目前研究水质评价的数学模型有很多种，比如因子分析模型、模糊数学模型、聚类模型等。但是这些传统的水质评价模型并没有很好地解决水质观测指标与水质污染级别之前的非线性关系。水质评价的目的不只是简单地分类出各指标的污染等级，不能综合合理地评价出水质等级。
发明内容
本发明的目的在于提供一种基于因子定权模型的湖泊水质评价预测系统及方法，旨在解决传统的水质评价模型并没有很好地解决水质观测指标与水质污染级别之前的非线性关系；水质评价不能综合合理地评价出水质等级的问题。
本发明将图像去噪模型应用到同一区域水质样本预处理中，通过总结各类去噪模型的优缺点，参考自适应维纳滤波器去噪模型提出了适应水质样本预处理的“高斯平滑去噪模型”。本发明首先建立带权的高斯平滑滤波器矩阵模型，然后计算高斯平滑中心点的左右阀值的和，最后计算高斯平滑处理后的样本值。高斯平滑去噪模型对于前期采集的样本数据处理起到重要作用，为后期水质评价的数据准确性需求作保障。
本发明将数学模型中因子分析模型和模糊数学模型结合所得“改进的因子定权模型”，能更高效准确的综合评价出水质等级。本发明首先将因子分子与模糊数学隶属度结合得到单项指标的因子隶属度，得到对水质单项指标评价；然后计算综合权重，得到不同物质浓度对应的综合评定权重；最后使用模糊模型中统一化权重计算，得到水质综合权重矩阵，计算得到水质状况。
区域性分析模块给用户最直观的云南九大高原湖泊地域性污染情况反馈。用户可以通过不同湖泊区域污染热力图着色情况，了解到各湖泊污染对比度，从而能够从宏观角度对水质污染做到实时掌控，及时处理。通过湖泊名称关键字索引，调用百度LBS定位API接口，实时定位云南九大高原湖泊经纬度。服务器端调用水质评价模块完成水质数据处理、评定。结合湖泊经纬度，转换成能提供百度热力图使用的JSON格式数据包。调用百度热力图模块的SDK，实现动态实时刷新热力图。
通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息；天气分析模块通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息。用户可以直观地了解到各湖泊区域的天气状况以及对天气时间向量的未来预测。该模块将方便相关考察人员考察出行计划制定和准备，方便信息分析人员人文地理信息的宏观掌控。
改进的因子定权模型成果展示，展示主要分为三个子模块：各项指标评价子模块对前期水质预处理结果进行呈现，将海量数据通过“高斯去噪模型”处理后，得到合理指标数据；通过因子定权模型分析，将数据经傅立叶加权变换转换成对应污染度的污染值，得到最后水质污染等级；水质基础信息子模块实时显示水质预处理和评价过程中的关键数据信息，让用户直观了解水质评价中各项指标动态因子权重和污染等级因子隶属概率。
结合相关分析算法对当前各项超标水质指标和预测超标指标向用户发出警报。以水质评价模块计算数据为基础，设置污染警报指数，根据BP神经网络预测算法，预测下一时间节点的湖泊水质各项污染指标值，根据监控数据实时自动向用户发出警报。
本发明是这样实现的，一种基于因子定权模型的湖泊水质评价预测方法，所述基于因子定权模型的湖泊水质评价预测方法包括：
通过不同湖泊区域污染热力图着色情况，了解到各湖泊污染对比度；
通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息；
改进的因子定权模型成果展示；
结合相关分析算法对当前各项超标水质指标和预测超标指标向用户发出警报。
进一步，所述通过不同湖泊区域污染热力图着色情况，了解到各湖泊污染对比度实现过程如下：
通过湖泊名称关键字索引，调用百度LBS定位API接口，实时定位云南九大高原湖泊经纬度；
服务器端调用水质评价模块完成水质数据处理、评定；
结合湖泊经纬度，转换成能提供百度热力图使用的JSON格式数据包；
调用百度热力图模块的SDK，实现动态实时刷新热力图。
进一步，所述通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息实现过程如下：
结合百度地图关键字搜索引擎定位，获取云南九大高原湖泊的经纬度；
根据经纬度信息向中国天气官网发送url信息查询指令，利用爬虫技术获取并解析返回的资源信息；
通过对解析后的资源信息进行模式匹配，模型分析，建立相关视图信息；
将视图信息已AJAX访问的形式反馈给前台数据。
进一步，所述改进的因子定权模型成果展示包括：
将海量数据通过高斯去噪模型处理后，得到合理指标数据；
将预处理之后的数据通过因子定权模型分析，得到最后水质污染等级；
以指标评价和因子定权模型评价为基础，实时显示水质预处理和评价过程中的关键数据信息。
进一步，所述计算高斯平滑处理后的样本值的步骤如下：
步骤一，建立带权的高斯平滑滤波器矩阵模型：
式中:Q为滤波器矩阵，Q为1*n的矩阵；
n为滤波器矩阵大小；
i为距离中心坐标点的相对坐标值，即Q[i]所得为距离中心坐标点的相对坐标值为i的坐标点相对中心点的权重差；
步骤二，计算高斯平滑中心点的左右阀值的和；
式中:s[k]为中心点的左右阀值的和；
buf[k]为中心点的样本测量值；
步骤三，计算高斯平滑处理后的样本值：
式中:buf′[k]为中心点处理后的值；
buf[k]为中心点的样本测量值；
所述因子定权模型的算法步骤如下：
步骤一，将因子分子与模糊数学隶属度结合得到因子隶属度，如公式(3.6)：
式中：x0代表水质指标前一个污染等级；
x1代表水质指标后一个污染等级；
x代表当前水质样本值；
步骤二，根据公式(3.8)对水质单项指标评价；
W为水质各项指标样本集合，L为水质各项指标污染等级集合，建立如下公式(3.7)：
式中：A为样本数值；
n为指标数目；
m为污染等级个数据；
通过公式(3.8)计算出单项指标的因子隶属度，得到对水质单项指标评价，对应n个水质指标得到m*n的矩阵R；
步骤三，计算综合权重；
水质污染是由多个指标引起的，不同物质浓度应当对综合评定权重有影响，单个指标的权重计算如公式(3.9)：
式中：Ai代表当前指标数值；
Lk代表指标等级；
使用模糊模型中统一化权重计算，得到如下公式(3.10)：
式中：Wk代表单一指标权重；
有n个水质指标，即可得到水质综合权重矩阵B，如公式(3.11)：
步骤四，将矩阵R与水质综合权重矩阵B复合计算，计算得到水质状况。
进一步，所述结合相关分析算法对当前各项超标水质指标和预测超标指标向用户发出警报实现过程如下：
设置当前未超标发警报指数，该指数为当前指标警报的阀值；
以未超标发警报指数为界限，向上取当前污染数据，该部分为污染警报数据，向用户发出警报；
根据BP神经网络预测算法，预测下一时间节点的湖泊水质各项污染指标值，重复上述步骤，向用户发出警报。
本发明的另一目的在于提供一种基于因子定权模型的湖泊水质评价预测系统，包括：
区域性分析模块，通过不同湖泊区域污染热力图着色情况，了解到各湖泊污染对比度；
天气分析模块，用于通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息；
水质评价模块，用于改进的因子定权模型成果展示；
水质预测模块，用于结合相关分析算法对当前各项超标水质指标和预测超标指标向用户发出警报。
所述区域性分析模块进一步包括：
定位单元，用于通过湖泊名称关键字索引，调用百度LBS定位API接口，实时定位云南九大高原湖泊经纬度；
数据处理单元，服务器端调用水质评价模块完成水质数据处理、评定；
转换单元，结合湖泊经纬度，转换成能提供百度热力图使用的JSON格式数据包；
调用单元，调用百度热力图模块的SDK，实现动态实时刷新热力图；
天气分析模块进一步包括：
获取单元，结合百度地图关键字搜索引擎定位，获取云南九大高原湖泊的经纬度；
解析单元，根据经纬度信息向中国天气官网发送url信息查询指令，利用爬虫技术获取并解析返回的资源信息；
分析单元，通过对解析后的资源信息进行模式匹配，模型分析，建立相关视图信息；
将反馈单元，视图信息已AJAX访问的形式反馈给前台数据；
水质评价模块进一步包括：
各项指标评价子模块，将海量数据通过高斯去噪模型处理后，得到合理指标数据；
因子定权模型评价子模块，将预处理之后的数据通过因子定权模型分析，得到最后水质污染等级；
水质基础信息子模块，实时显示水质预处理和评价过程中的关键数据信息；
水质预测模块进一步包括：
设置单元，以水质评价模块计算数据为基础，设置当前未超标发警报指数，该指数为当前指标警报的阀值；
数据单元，以未超标发警报指数为界限，向上取当前污染数据，该部分为污染警报数据，向用户发出警报；
警报单元，根据BP神经网络预测算法，预测下一时间节点的湖泊水质各项污染指标值，重复上述步骤，向用户发出警报。
本发明的另一目的在于提供一种应用所述基于因子定权模型的湖泊水质评价预测方法的地理信息分析系统。
本发明的另一目的在于提供一种应用所述基于因子定权模型的湖泊水质评价预测方法的环境监测与水质分析系统。
本发明提供的基于因子定权模型的湖泊水质评价预测系统及方法，基于因子定权模型的云南高原湖泊的水质评定预测系统主要针对历年九大高原湖泊水质质量变化作时间和空间上的比较，建立基于因子权重的评定模型，合理的预测分析未来湖泊水质及环境发展趋势，从而给予用户最直观的水质变化和湖泊区域差异，为九湖流域可持续发展提供水环境管理建议。本发明提出了适应水质样本预处理的“高斯平滑去噪模型”。作者受到图像去噪的启发，将图像去噪模型改进后，应用到同一区域水质样本数据处理中；综合因子分析模型和模糊模型优点，提出了改进的基于因子定权模型的水质评价算法。经实验测试，改进后的因子定权模型其算法运行效率更高，评定结果更准确，更符合云南九大高原湖水质评定；建立了基于百度热力图的污染区域性分析模，给用户最直观的云南九大高原湖泊地域性污染情况反馈；建立了湖泊流域天气信息预测和时间性趋势分析模块。该模块方便相关考察人员出行计划的制定和信息分析人员人文地理信息的宏观掌控。本发明的研究目的是建立适用于云南省九大高原湖泊的水质样本预处理和水质评价模型，最终实现基于因子定权的云南九大高原湖评价预测系统。云南九大高原湖对云南地区有重要的经济、自然地位，建立合理的云南九大高原湖评价预测系统旨在为云南地区环境、经济的可持续发展做出贡献。本发明结合云南九大高原湖水环境研究成功案例，制定了基于因子定权模型的云南九大高原湖水质评价预测系统的设计方案和系统结构；受到图像去噪研究的启发，结合当前流行图像去噪模型，建立了适用于水质预处理的高斯平滑去噪模型。通过数据测试和相识模型对比，得出结论，作者提出的该模型提高了计算效率和数据预处理的准确度，减少了测试误差；在了解和分析了常规的水质评价模型后，总结各个模型的优缺点，将因子分析模型和模糊模型优点结合，提出了改进的因子定权水质评价模型。对该模型，我进行了相关计算和模拟测试，将得到的数据、图表与其他模型和原始值对比，证明了改进的基于因子定权模型的水质评价方法的科学性和正确性；在相关水质处理核心模型研究取得成功和开发技术学习熟练后，设计并初步完成了基于因子定权模型的云南高原湖泊水质评价预测系统，并将提出的高斯平滑去噪模型和改进的因子定权模型转换成可执行算法应用到实际系统中；实现了天气预测、水质评价、区域性污染分析、水质预测等功能。本发明建立了能够更加准确的对水质做出评定的因子定权评价模型。通过对该模型大量数据测试，证明其算法运行效率和对水质评价的准确率大大提高，为最终的系统实现做好了准备工作。本发明分析了九大湖泊的天气质量和时间内敛关系，重叠显示地理和天气信息，实现云南九大高原湖泊地理位置定位和天气预测和趋势分析系统；通过分析和处理海量测量数据，建立与定权因子耦合相关的数学分析模型，挖掘历史知识，通过科学合理的水质评定系统；对数学模型分析成果的进一步升华，通过湖泊之间水质因素分析，实现湖泊水质区域性对比和时间关联的预测分析，提供湖泊超标污染指标报警系统。
附图说明
图1是本发明实施例提供的基于因子定权模型的湖泊水质评价预测方法流程图。
图2是本发明实施例提供的基于因子定权模型的湖泊水质评价预测系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例的基于因子定权模型的湖泊水质评价预测方法包括以下步骤：
S101：将图像去噪模型应用到同一区域水质样本预处理中，建立带权的高斯平滑滤波器矩阵模型，计算高斯平滑中心点的左右阀值的和，最后计算高斯平滑处理后的样本值；
S102：将因子分子与模糊数学隶属度结合得到单项指标的因子隶属度，得到对水质单项指标评价；计算综合权重，得到不同物质浓度对应的综合评定权重；最后使用模糊模型中统一化权重计算，得到水质综合权重矩阵，计算得到水质状况；
S103：区域性分析，通过不同湖泊区域污染热力图着色情况，了解到各湖泊污染对比度，通过湖泊名称关键字索引，调用百度LBS定位API接口，实时定位经纬度；服务器端调用水质评价模块完成水质数据处理、评定；结合湖泊经纬度，转换成能提供百度热力图使用的JSON格式数据包；调用百度热力图模块的SDK，实现动态实时刷新热力图；
S104：通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息；天气分析通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息；用户直观地了解到各湖泊区域的具体天气状况以及对天气时间向量的未来预测；
S105：改进的因子定权模型成果展示，各项指标评价子模块对前期水质预处理结果进行呈现，将海量数据通过高斯去噪模型处理后，得到合理指标数据；通过因子定权模型分析，将数据经傅立叶加权变换转换成对应污染度的污染值，得到最后水质污染等级；水质基础信息子模块实时显示水质预处理和评价过程中的关键数据信息，让用户直观了解水质评价中各项指标动态因子权重和污染等级因子隶属概率；
S106：结合相关分析算法对当前各项超标水质指标和预测超标指标向用户发出警报，以水质评价模块计算数据为基础，设置污染警报指数，根据BP神经网络预测算法，预测下一时间节点的湖泊水质各项污染指标值，根据监控数据实时自动向用户发出警报。
本发明实施例的基于因子定权模型的湖泊水质评价预测系统主要包括：
区域性分析模块，用于给用户最直观的云南九大高原湖泊地域性污染情况反馈，通过不同湖泊区域污染热力图着色情况，了解到各湖泊污染对比度，从而能够从宏观角度对水质污染做到实时掌控，及时处理。
天气分析模块，用于通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息；用户可以直观地了解到各湖泊区域的具体天气状况以及对天气时间向量的未来预测；将方便相关考察人员考察出行计划制定和准备，方便信息分析人员人文地理信息的宏观掌控。
水质评价模块，用于改进的因子定权模型成果展示。
水质预测模块，用于结合相关分析算法对当前各项超标水质指标和预测超标指标向用户发出警报，为相关工作人员及时发现水质环境隐患和污染防范处理提供保障。
本发明实施例的区域性分析模块，实现过程如下：
通过湖泊名称关键字索引，调用百度LBS定位API接口，实时定位云南九大高原湖泊经纬度。
服务器端调用水质评价模块完成水质数据处理、评定。
结合湖泊经纬度，转换成能提供百度热力图使用的JSON格式数据包。
调用百度热力图模块的SDK，实现动态实时刷新热力图。
污染热力图以云南九大高原湖各湖泊经纬度为区域性目标点定位坐标，不同深度的颜色遮罩为各湖泊的污染程度。其中污染程度在显示过程中，通过傅立叶加权变换(Fouriertransform)，转换成污染度为0-100的污染值。
本发明实施例的天气分析模块，实现过程如下：
结合百度地图关键字搜索引擎定位，获取云南九大高原湖泊的经纬度；
根据经纬度信息向中国天气官网发送url信息查询指令，利用爬虫技术获取并解析返回的资源信息；
通过对解析后的资源信息进行模式匹配，模型分析，建立相关视图信息；
将视图信息已AJAX访问的形式反馈给前台数据。
本发明实施例的水质评价模块分为以下三个子模块：
各项指标评价子模块，是前期水质预处理结果的呈现，将海量数据通过“高斯去噪模型”处理后，得到合理指标数据。
因子定权模型评价子模块，将预处理之后的数据通过因子定权模型分析，得到最后水质污染等级。
水质基础信息子模块，该模块以指标评价子模块和因子定权模型评价子模块为基础，实时显示水质预处理和评价过程中的关键数据信息，让用户直观了解水质评价中各项指标动态因子权重和污染等级因子隶属概率。
本发明实施例的水质预测模块，实现过程如下：
以水质评价模块计算数据为基础，设置当前未超标发警报指数，该指数为当前指标警报的阀值；
以未超标发警报指数为界限，向上取当前污染数据，该部分为污染警报数据，向用户发出警报；
根据BP神经网络预测算法，预测下一时间节点的湖泊水质各项污染指标值，重复上述步骤，向用户发出警报。
本发明的水质评价模块进一步包括以下模型：
1水质样本预处理模型
1.1图像去噪模型
现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像，减少数字图像中噪声的过程称为图像去噪。受到图像去噪的启发，作者将图像去噪模型应用到同一区域水质样本预处理中。
目前主要有以下几类去噪模型：
均值滤波器
均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值。其模型如下：
g(x，y)＝1/mΣf(x，y)(3.1)
式中：(x，y)代表当前像素点；
g(x，y)代表灰度；
f(x，y)代表相邻点的均值；
m代表累计值。
小波去噪
小波去噪，将信号映射到小波域，根据噪声和噪声的小波系数在不同尺度上具有不同的性质和机理，对含噪信号的小波系数进行处理。实质是减少剔除噪声产生的小波系数，最大限度的保留真实信号的系数。
小波去噪的基本步骤是，将含噪信号进行多次度小波变换，从时域变换成小波域，然后各尺度下提取出小波系数，而除去噪声中的小波系数，最后小波逆变换重构信号。
自适应维纳滤波器
自适应维纳滤波器，根据图象的局部方差来调整滤波器的输出，局部方差越大，滤波器的平滑作用越强。通过研究该方法作用在水质样本的滤波效果比均值滤波器效果要好，对保留图像的边缘和其他高频部分很有用，不过计算量较大。
最终目的为求出最小的均方误差：
e2＝E[(f(x，y)-f^(x，y)2](3.2)
式中：f(x，y)代表原始图像；
f^(x，y)代表恢复图像。
改进的高斯平滑去噪模型
模型算法步骤如下：
步骤一，建立带权的高斯平滑滤波器矩阵模型。
式中:Q为滤波器矩阵，Q为1*n的矩阵。
n为滤波器矩阵大小。
i为距离中心坐标点的相对坐标值，即Q[i]所得为距离中心坐标点的相对坐标值为i的坐标点相对中心点的权重差。
步骤二，计算高斯平滑中心点的左右阀值的和；
式中:S[k]为中心点的左右阀值的和；
buf[k]为中心点的样本测量值；
步骤三，计算高斯平滑处理后的样本值：
式中:buf′[k]为中心点处理后的值；
buf[k]为中心点的样本测量值。
根据湖泊实地水质模拟年总氮水质数据，如表1模拟总氮原始表所示，将数据代入上述高斯平滑去噪模型，测试结果如表2模拟总氮测试结果表。
表1模拟总氮原始表
表2模拟总氮测试结果表
2水质评价模型—因子定权模型
模型算法步骤如下：
步骤一，将因子分子与模糊数学隶属度结合得到因子隶属度，如公式(3.6)。
式中：x0代表水质指标前一个污染等级；
x1代表水质指标后一个污染等级；
x代表当前水质样本值；
步骤二，根据公式(3.8)对水质单项指标评价。
假设W为水质各项指标样本集合，L为水质各项指标污染等级集合，建立如下公式(3.7)。
式中：A为样本数值；
n为指标数目；
m为污染等级个数据。
通过公式(3.8)计算出单项指标的因子隶属度，得到对水质单项指标评价，对应n个水质指标可以得到m*n的矩阵R。
步骤三，计算综合权重；
水质污染是由多个指标引起的，因此，不同物质浓度应当对综合评定权重有影响，单个指标的权重计算如公式(3.9)。
式中：Ai代表当前指标数值；
Lk代表指标等级。
使用模糊模型中统一化权重计算，得到如下公式(3.10)。
式中：Wk代表单一指标权重。
假设有n个水质指标，即可得到水质综合权重矩阵B，如公式(3.11)。
步骤四，将矩阵R与水质综合权重矩阵B复合计算，计算得到水质状况。
权重矩阵B与关系矩阵R复合计算类似普通矩阵乘机运算，只需将普通矩阵运算的X号改为︿号，表示两数值中取小，将+号改为﹀号，表示两数中取大。
数据验证测试如下，表3为模拟测试样本数据，表4为模拟污染等级划分数据。通测试，达到表5测试结果表的效果。样本一中，因子定权评价指数Y1＝[0.0140.0220.02300.974]，所以水质等级根据因子定权结果是5级污染水质。样本二中因子定权评价指数Y2＝[0.1830.359000]，所以水质等级根据因子定权结果是2级污染水质。若干次数据测试结果证明，改进后的因子定权模型水质评价运行效率更好，评定结果准确率更高，更符合云南九大高原湖水质评定。
表3模拟测试样本表
模拟样本 总氮 总氮 高锰酸钾 COD 氨氮
样本一 10 20 10 15 1005
样本二 10 15 8 7 9
表4模拟污染等级划分表
1级 2级 3级 4级 5级
总氮 20 40 60 80 100
总氮 10 15 30 70 100
高锰酸钾 25 50 69 88 99
COD 12 23 56 77 89
氨氮 10 30 45 80 100
表5测试结果表
测试结果 1级 2级 3级 4级 5级
样本一 0.014 0.022 0.023 0 0.947
样本二 0.183 0.359 0 0 0
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于因子定权模型的湖泊水质评价预测方法，其特征在于，所述基于因子定权模型的湖泊水质评价预测方法包括：
将图像去噪模型应用到同一区域水质样本预处理中，建立带权的高斯平滑滤波器矩阵模型，计算高斯平滑中心点的左右阀值的和，最后计算高斯平滑处理后的样本值；
将因子分子与模糊数学隶属度结合得到单项指标的因子隶属度，得到对水质单项指标评价；计算综合权重，得到不同物质浓度对应的综合评定权重；最后使用模糊模型中统一化权重计算，得到水质综合权重矩阵，计算得到水质状况；
区域性分析，通过不同湖泊区域污染热力图着色情况，了解到各湖泊污染对比度，通过湖泊名称关键字索引，调用百度LBS定位API接口，实时定位经纬度；服务器端调用水质评价模块完成水质数据处理、评定；结合湖泊经纬度，转换成能提供百度热力图使用的JSON格式数据包；调用百度热力图模块的SDK，实现动态实时刷新热力图；
通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息；天气分析通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息；用户直观地了解到各湖泊区域的具体天气状况以及对天气时间向量的未来预测；
改进的因子定权模型成果展示，各项指标评价子模块对前期水质预处理结果进行呈现，将海量数据通过高斯去噪模型处理后，得到合理指标数据；通过因子定权模型分析，将数据经傅立叶加权变换转换成对应污染度的污染值，得到最后水质污染等级；水质基础信息子模块实时显示水质预处理和评价过程中的关键数据信息，让用户直观了解水质评价中各项指标动态因子权重和污染等级因子隶属概率；
结合相关分析算法对当前各项超标水质指标和预测超标指标向用户发出警报，以水质评价模块计算数据为基础，设置污染警报指数，根据BP神经网络预测算法，预测下一时间节点的湖泊水质各项污染指标值，根据监控数据实时自动向用户发出警报。
2.如权利要求1所述的基于因子定权模型的湖泊水质评价预测方法，其特征在于，所述通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息实现过程如下：
结合百度地图关键字搜索引擎定位，获取云南九大高原湖泊的经纬度；
根据经纬度信息向中国天气官网发送url信息查询指令，利用爬虫技术获取并解析返回的资源信息；
通过对解析后的资源信息进行模式匹配，模型分析，建立相关视图信息；
将视图信息已AJAX访问的形式反馈给前台数据。
3.如权利要求1所述的基于因子定权模型的湖泊水质评价预测方法，其特征在于，所述计算高斯平滑处理后的样本值的步骤如下：
步骤一，建立带权的高斯平滑滤波器矩阵模型：
式中:Q为滤波器矩阵，Q为1*n的矩阵；
n为滤波器矩阵大小；
i为距离中心坐标点的相对坐标值，即Q[i]所得为距离中心坐标点的相对坐标值为i的坐标点相对中心点的权重差；
步骤二，计算高斯平滑中心点的左右阀值的和；
式中:S[k]为中心点的左右阀值的和；
buf[k]为中心点的样本测量值；
步骤三，计算高斯平滑处理后的样本值：
式中：buf′[k]为中心点处理后的值；
所述因子定权模型的算法步骤如下：
步骤一，将因子分子与模糊数学隶属度结合得到因子隶属度，如公式(3.6)：
式中：x0代表水质指标前一个污染等级；
x1代表水质指标后一个污染等级；
x代表当前水质样本值；
步骤二，根据公式(3.8)对水质单项指标评价；
W为水质各项指标样本集合，L为水质各项指标污染等级集合，建立如下公式(3.7)：
式中：A为样本数值；
n为指标数目；
m为污染等级个数据；
通过公式(3.8)计算出单项指标的因子隶属度，得到对水质单项指标评价，对应n个水质指标得到m*n的矩阵R；
步骤三，计算综合权重；
水质污染是由多个指标引起的，不同物质浓度应当对综合评定权重有影响，单个指标的权重计算如公式(3.9)：
式中：Ai代表当前指标数值；
Lk代表指标等级；
使用模糊模型中统一化权重计算，得到如下公式(3.10)：
式中：Wk代表单一指标权重；
有n个水质指标，即得到水质综合权重矩阵B，如公式(3.11)：
步骤四，将矩阵R与水质综合权重矩阵B复合计算，计算得到水质状况。
4.如权利要求1所述的基于因子定权模型的湖泊水质评价预测方法，其特征在于，所述结合相关分析算法对当前各项超标水质指标和预测超标指标向用户发出警报实现过程如下：
设置当前未超标发警报指数，该指数为当前指标警报的阀值；
以未超标发警报指数为界限，向上取当前污染数据，该部分为污染警报数据，向用户发出警报；
根据BP神经网络预测算法，预测下一时间节点的湖泊水质各项污染指标值，重复上述步骤，向用户发出警报。
5.一种基于因子定权模型的湖泊水质评价预测系统，采用如权利要求1所述基于因子定权模型的湖泊水质评价预测方法，其特征在于，包括：
区域性分析模块，通过不同湖泊区域污染热力图着色情况，了解到各湖泊污染对比度；
天气分析模块，用于通过获取湖泊流域天气指数，向用户反馈时间向量性天气温度信息；
水质评价模块，用于改进的因子定权模型成果展示；
水质预测模块，用于结合相关分析算法对当前各项超标水质指标和预测超标指标向用户发出警报。
6.如权利要求5所述的湖泊水质评价预测系统，其特征在于，所述区域性分析模块进一步包括：
定位单元，用于通过湖泊名称关键字索引，调用百度LBS定位API接口，实时定位云南九大高原湖泊经纬度；
数据处理单元，服务器端调用水质评价模块完成水质数据处理、评定；
转换单元，结合湖泊经纬度，转换成能提供百度热力图使用的JSON格式数据包；
调用单元，调用百度热力图模块的SDK，实现动态实时刷新热力图；
天气分析模块进一步包括：
获取单元，结合百度地图关键字搜索引擎定位，获取云南九大高原湖泊的经纬度；
解析单元，根据经纬度信息向中国天气官网发送url信息查询指令，利用爬虫技术获取并解析返回的资源信息；
分析单元，通过对解析后的资源信息进行模式匹配，模型分析，建立相关视图信息；
将反馈单元，视图信息已AJAX访问的形式反馈给前台数据；
水质评价模块进一步包括：
各项指标评价子模块，将海量数据通过高斯去噪模型处理后，得到合理指标数据；
因子定权模型评价子模块，将预处理之后的数据通过因子定权模型分析，得到最后水质污染等级；
水质基础信息子模块，实时显示水质预处理和评价过程中的关键数据信息；
水质预测模块进一步包括：
设置单元，以水质评价模块计算数据为基础，设置当前未超标发警报指数，该指数为当前指标警报的阀值；
数据单元，以未超标发警报指数为界限，向上取当前污染数据，该部分为污染警报数据，向用户发出警报；
警报单元，根据BP神经网络预测算法，预测下一时间节点的湖泊水质各项污染指标值，重复上述步骤，向用户发出警报。
7.一种应用权利要求1-4任意一项所述基于因子定权模型的湖泊水质评价预测方法的地理信息分析系统。
8.一种应用权利要求1-4任意一项所述基于因子定权模型的湖泊水质评价预测方法的环境监测与水质分析系统。
CN201610121972.5A 2016-05-10 2016-05-10 一种基于因子定权模型的湖泊水质评价预测系统及方法 Expired - Fee Related CN105913411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610121972.5A CN105913411B (zh) 2016-05-10 2016-05-10 一种基于因子定权模型的湖泊水质评价预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610121972.5A CN105913411B (zh) 2016-05-10 2016-05-10 一种基于因子定权模型的湖泊水质评价预测系统及方法

Publications (2)

Publication Number Publication Date
CN105913411A CN105913411A (zh) 2016-08-31
CN105913411B true CN105913411B (zh) 2019-06-04

Family

ID=56744492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610121972.5A Expired - Fee Related CN105913411B (zh) 2016-05-10 2016-05-10 一种基于因子定权模型的湖泊水质评价预测系统及方法

Country Status (1)

Country Link
CN (1) CN105913411B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503107A (zh) * 2016-10-17 2017-03-15 深圳市清时捷科技有限公司 应用于水质数据统计的热力图生成系统及方法
CN107122195B (zh) * 2017-05-08 2023-08-11 云南大学 主客观融合的软件非功能需求评价方法
CN108280131A (zh) * 2017-12-22 2018-07-13 中山大学 一种气象影响下的大气污染转变关系定量估计方法
CN108832478A (zh) * 2018-06-21 2018-11-16 广东水利电力职业技术学院（广东省水利电力技工学校） 一种高效激光控制系统及控制方法
CN108893644A (zh) * 2018-07-17 2018-11-27 集美大学 电缆用石墨烯高导电性复合铝合金制备方法、控制方法
CN109146158A (zh) * 2018-08-03 2019-01-04 青海大学 一种高寒草甸草地生态系统健康分析方法、计算机
CN109122291A (zh) * 2018-08-20 2019-01-04 湖南妙音农业开发有限公司 观光型白花甘蓝型油菜的选育方法、信息数据分析方法
CN109255168B (zh) * 2018-08-27 2023-04-18 广州资源环保科技股份有限公司 一种预测和模拟浅水湖泊生态系统总磷循环的方法
CN109490072B (zh) * 2018-10-09 2021-07-27 广东交通职业技术学院 一种土木工程建筑用检测系统及其检测方法
CN109295967A (zh) * 2018-10-23 2019-02-01 中国水利水电第四工程局有限公司 一种5000千牛顿米能级强夯方法
CN109540741A (zh) * 2018-10-30 2019-03-29 迈博瑞生物膜技术（南通）有限公司 无需外接压缩空气的手动加压测试针头滤器泡点值的装置
CN109307749A (zh) * 2018-11-06 2019-02-05 重庆大学 一种曝气扰动下黑臭河道水质指标的相关性分析方法
CN109548128A (zh) * 2018-11-09 2019-03-29 湖南城市学院 基于大数据的建筑综合防灾数据处理方法及系统、计算机
CN109739274A (zh) * 2018-12-12 2019-05-10 修水县畜牧水产局 一种二氧化碳浓度控制装置及控制方法、终端
CN110287275A (zh) * 2019-05-19 2019-09-27 中国地质调查局西安地质调查中心 一种基于负面清单法的地下空间资源信息处理系统及方法
CN110222698B (zh) * 2019-05-24 2020-12-29 广东沁华智能环境技术股份有限公司 一种基于色彩信息处理进行水质分析的方法及系统
CN111950942B (zh) * 2020-10-19 2021-01-19 平安国际智慧城市科技股份有限公司 基于模型的水污染风险评估方法、装置和计算机设备
CN112881601B (zh) * 2021-01-13 2023-05-30 淮阴工学院 一种基于云平台的水分检测系统
CN112966969A (zh) * 2021-03-29 2021-06-15 武汉神州地理软件开发有限公司 水质监测与评价信息服务系统
CN113109281B (zh) * 2021-04-13 2022-11-29 中国科学院成都生物研究所 一种基于高光谱遥感的水质参数定量反演模型及其构建方法
CN113702609A (zh) * 2021-08-27 2021-11-26 武汉虹信技术服务有限责任公司 一种水质检测方法及系统
CN114858987B (zh) * 2022-03-30 2024-06-11 河海大学 一种基于物联网河湖水量水质监测与管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012220426A (ja) * 2011-04-13 2012-11-12 Hitachi Ltd 水質評価方法
CN103023023A (zh) * 2012-11-28 2013-04-03 安徽省电力科学研究院 基于综合因子的电气化铁路监测点电能质量总体评价方法
CN103400044A (zh) * 2013-08-12 2013-11-20 青岛理工大学 一种改进的水环境安全评价分析方法
CN105550515A (zh) * 2015-12-10 2016-05-04 山东科技大学 一种对空气质量数据进行多级综合评判的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012220426A (ja) * 2011-04-13 2012-11-12 Hitachi Ltd 水質評価方法
CN103023023A (zh) * 2012-11-28 2013-04-03 安徽省电力科学研究院 基于综合因子的电气化铁路监测点电能质量总体评价方法
CN103400044A (zh) * 2013-08-12 2013-11-20 青岛理工大学 一种改进的水环境安全评价分析方法
CN105550515A (zh) * 2015-12-10 2016-05-04 山东科技大学 一种对空气质量数据进行多级综合评判的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Entropy method for determination of weight of evaluating indicators in fuzzy synthetic evaluation for water quality assessment;Zou Zhihong等;《Journal of Environmental Sciences》;20061031;第18卷(第5期);第1020-1023页
基于因子分析定权的水质评价模型;李文生，许士国;《辽宁工程技术大学学报（自然科学版）》;20080630;第27卷(第3期);第444-446页

Also Published As

Publication number Publication date
CN105913411A (zh) 2016-08-31

Similar Documents

Publication Publication Date Title
CN105913411B (zh) 一种基于因子定权模型的湖泊水质评价预测系统及方法
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
Liao et al. Urban sprawl scenario simulations based on cellular automata and ordered weighted averaging ecological constraints
CN109146158A (zh) 一种高寒草甸草地生态系统健康分析方法、计算机
CN109448361A (zh) 居民交通出行流量预测系统及其预测方法
CN110533007A (zh) 一种桥梁车载应变影响线特征智能识别与提取方法
Fassò et al. Spatiotemporal variable selection and air quality impact assessment of COVID-19 lockdown
CN113298439A (zh) 基于人口分布的环境风险评估方法、装置及计算机设备
Zhao et al. Innovative spatial-temporal network modeling and analysis method of air quality
Qiao et al. Prediction of PM 2.5 concentration based on weighted bagging and image contrast-sensitive features
CN110471131B (zh) 高空间分辨率的精细化大气水平能见度自动预报方法及系统
Huang et al. Large scale air pollution prediction with deep convolutional networks
CN114511061A (zh) 基于深度神经网络的岸滨地区海雾能见度预报方法
Fortes et al. Water quality indices: Construction, potential, and limitations
CN115879498A (zh) 一种基于图神经网络的海洋环境参数快速精细化预报方法
Zhang et al. The GPS trajectory data research based on the intelligent traffic big data analysis platform
CN117131991A (zh) 基于混合神经网络的城市降雨量预测方法及平台
Wang et al. A GIS and remote sensing-based analysis of land use change using the asymmetric relation analysis method: A case study from the City of Hangzhou, China
Mirzadeh et al. Developing a wavelet-AI hybrid model for short-and long-term predictions of the pollutant concentration of particulate matter10
Wang et al. Real-time rapid prediction of variations of Earth’s rotational rate
Deng et al. Exploring the effects of local environment on population distribution: Using imagery segmentation technology and street view
Olaniyi et al. Characterization of drivers of agricultural land use change
Yang et al. Simulation System of Lake Eutrophication Evolution based on RS & GIS Technology—a Case Study in Wuhan East Lake
Fernández et al. Answering environmental European directives through information systems
Jin et al. Urban Residential Land Price Assessment Based on Transfer Learning

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190604

Termination date: 20200510