CN106920044B - 基于模糊综合评价模型的农药残留风险评估方法 - Google Patents
基于模糊综合评价模型的农药残留风险评估方法 Download PDFInfo
- Publication number
- CN106920044B CN106920044B CN201710130383.8A CN201710130383A CN106920044B CN 106920044 B CN106920044 B CN 106920044B CN 201710130383 A CN201710130383 A CN 201710130383A CN 106920044 B CN106920044 B CN 106920044B
- Authority
- CN
- China
- Prior art keywords
- pesticide residue
- comprehensive evaluation
- pesticide
- risk factor
- risk
- 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.)
- Active
Links
- 239000000447 pesticide residue Substances 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012502 risk assessment Methods 0.000 title claims abstract description 29
- 238000013210 evaluation model Methods 0.000 title claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 163
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000012800 visualization Methods 0.000 claims abstract description 6
- 238000007794 visualization technique Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000000007 visual effect Effects 0.000 claims description 15
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000000575 pesticide Substances 0.000 description 23
- 238000013461 design Methods 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 231100000419 toxicity Toxicity 0.000 description 3
- 230000001988 toxicity Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- 231100000605 Toxicity Class Toxicity 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 239000003905 agrochemical Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000020788 dietary exposure Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 231100000727 exposure assessment Toxicity 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000010794 food waste Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 231100000086 high toxicity Toxicity 0.000 description 1
- 231100000053 low toxicity Toxicity 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了一种农药残留风险评估方法，该方法根据对各地区农产品中农药残留的检测分析结果，采用模糊综合评估模型、基于规则的分类和可视化方法，实现对农药残留在农产品、地域、时间三个维度上的自动定量风险评估。该方法首先根据专家经验选择风险因子、确定因子权重；然后通过模糊综合评估模型得到多维度的农药残留风险综合评估值，应用基于规则的分类方法对得到的多维度综合评估值进行分类，得到每个维度下的单维度综合评估值；最后采用信息可视化技术展示评估结果，并结合属性筛选、多视图联动等交互手段，方便观察者从多个维度分析查看评估结果。从而实现对农药残留污染情况的客观评估和展现。
Description
技术领域
本发明属于风险评估领域，涉及模糊综合评价方法，尤其涉及农药残留的风险评估方法。
背景技术
农药主要用于防治病虫以及调节植物生长，被广泛应用于农业种植和生产中。然而如果过度或非法使用则会造成残留污染，给人体带来危害。为此各国政府每年都会对农产品中的农药残留定期检测，以了解残留污染的状况。如何根据检测结果对农残污染进行定量的评价、以客观反映农残状况是一个亟待解决的问题。
农药残留检测主要是对农产品中所含的农药种类和含量进行检测，一条检测数据主要包括：农产品名称、采样时间、采样地点、农药名称、农药检出量等。通过与农药残留限量标准、农产品分类、农药特性等信息融合统计，可以得出农药检出品种数、农药检出频次、农药超标品种数、农药超标频次等结果。这些统计结果应该说从某一个方面反映了农药残留污染的状况，但不够全面。为此，我们希望提出一种能够从农产品、地域和时间几个维度综合反映农残污染程度的定量综合评估方法。
目前的综合评估法主要有专家评估法、层次分析法、因子分析法、模糊数学评价法、灰色关联评价方法和神经网络。其中模糊数学评价法是是目前比较成熟的系统评价方法，它能应用模糊关系合成原理，用多个因素对被评判事物隶属等级进行综合评判，其结果综合了多种因素，更加科学合理。
国内外科技界对农产品安全风险评估的研究逐步发展，目前由美国Palisade公司开发的基于蒙特卡洛(Monte Carlo)模拟技术的风险分析软件@Risk己被应用于农产品安全定量风险评估工作中，该方法的计算不再依赖于维度和参数的复杂性，是一种似然性概率评估法(钱永忠.应用于农药残留对人体暴露评估的蒙特卡洛方法及其进展[J].农业质量标准,2007(5):43-46)。美国EPA采取假设正态分布的方法分析其变异性,并利用软件如Crystal BallTM等进行分析,用Monte-Carlo方法对蔬菜、水果上农药残留的膳食暴露评估。Chen采用基于熵和层次分析法的三层模糊数学模型综合评价，得出试验样品的安全等级。该方法可以有效地克服传统单因素评价并具有定性和定量评价的优势(Chen T,Jin Y,QiuX,et al.A hybrid fuzzy evaluation method for safety assessment of food-wastefeed based on entropy and the analytic hierarchy process methods[J].ExpertSystems with Applications An International Journal,2014,41(16):7328-7337.)。
综上所述，现有评估方法可为用户提供一维数据的综合评估结果，但无法同时对多维数据进行多维分析的定量评估，同时，现有方法缺少直观展示评估结果的工具，面对大量的评估结果数据，用户很难直观的观察到评估结果中的重要信息和数据特征。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于模糊综合评价的农药残留风险评估方法，根据农药残留检测数据对农残污染进行风险评估。首先确定风险因子和各风险因子的权重，权重越大表示该风险因子对污染风险的影响越大；然后通过模糊综合评估模型得到农药残留污染的综合评估值，再利用基于规则的分类方法对其进行分类,得到各类别下的分类综合评估值；最后采用可视化的方法展示评估结果，并配以属性筛选等交互手段，方便用户观察评价结果在农产品、时间和地域等类别下的分布，为食品安全监管提供决策支持。
本发明提供的技术方案是：
一种基于模糊综合评价的风险评估方法，根据农药残留检测数据进行农药残留风险评估和可视化展示，包括如下步骤：
A.对原始数据集进行预处理，确定各风险因子及其权值，得到待评估数据集；
本发明实施例根据农药残留检测数据对农药残留污染程度进行风险评估，原始数据集为农药残留检测数据集；
B.采用模糊综合评估模型，对待评估数据集中的每一条记录计算其综合评估值，从而得到多维度综合评估集；
针对农药残留风险评估问题，此步骤得到的综合评估值为未按农产品、时间、地域等维度分类的多维度综合评估值，对每一条记录计算综合评估值，从而得到多维度综合评估集；
C.采用基于规则的分类方法对上述多维度综合评估集进行分类，得到单维度综合评估集；
本发明实施例中针对农药残留风险评估问题，所述单维度综合评估集为按农产品、时间、地域等各维度分类的单维度综合评估集；
D.采用可视化方法对步骤C中得到的各单维度综合评估结果进行展示。
本发明实施例中针对农药残留风险评估问题，对步骤C中得到的按农产品、时间、地域各单维度综合评估集进行可视化展示。
本发明实施例中，步骤A的实现方法如下：
A1、对农残检测数据集进行统计分析，得到分析结果，根据专家经验从结果中选择得到用于综合评估的风险因子，并确定因子权重；
A2、将A1中得到的风险因子作为一级风险因子xi(i＝1,2,3...n)，对存在分类的风险因子(检出农药毒性等级、农药残留含量程度)按照其分类作为二级风险因子xij(j＝1,2,3...m)，n表示一级风险因子个数，m表示某一级风险因子下二级风险因子的个数，按照专家评估法确定权重。其中一级风险因子权重wi(i＝1,2,3...n)，满足
二级风险因子权重wij(j＝1,2,3...m),满足
专家估测法是由专家以打分等方式对待评估项做出定量评价。先请10位领域专家根据各自的经验对风险因子设置权值，对污染程度影响越大的风险因子设置的权值越大，之后将每个风险因子的权值求平均得到最终的风险因子权值。
A3、对含有分级的风险因子先对其二级风险因子加权求和
得到该一级风险因子属性值；
A4、定义待评估数据集V＝(A X)，其中A是一个(q*k)的矩阵，X为(q*n)的矩阵
本发明实施例中，待评估集V是具有农产品、时间和地域三个维度的农残数据检测统计结果,即在一段时间里对某地区的某种农产品中检出农药残留状况的统计。其中A是定性特征的属性值，即分类维度；X是定量特征的属性值，即各一级风险因子数据集。
A5、根据专家经验，给出各风险因子的权值，得到一级风险因子的权重向量W＝[w1w2 ... wn]。
步骤B的实现方法如下：
B1、利用隶属度函数对一级风险因子数据集X归一化，得到归一化的风险因子数据集Z。；
定义一级风险因子的隶属度函数为式1：
其中，xmin表示该一级风险因子里的最小值，xmax表示该一级风险因子里的最大值。
将相应的风险因子属性值代入隶属度函数，得到评估矩阵Z如式2：
其中，Yq等于通过隶属度函数C(xi)求得的归一化后的各个待评估对象的风险因子属性值的矩阵，yqn表示第q个评估对象的第n个风险因子经过隶属度函数归一化后的值，n表示风险因子数量，q表示评估对象的数量。其中矩阵的每一行表示一条待评估对象所对应的归一化后的风险因子属性值，每一列表示一种风险因子；
B2、采用模糊评价模型(式3)对归一化的风险因子数据集Z中每一条记录计算其多维度综合评估值EM：
其中，待评估集V各个评估对象的多维度综合评估值EM＝[e1 e2 ... eq]，EM表示待评估集V的多维度综合评估值向量，eq表示第q个评估对象的多维度综合评估值，W是一级风险因子的权重向量，Z是评估矩阵，n是风险因子的个数。
B3、将得到的多维度综合评估矩阵EM＝[e1 e2 ... eq]与属性矩阵A合并，即令
得到多维度综合评估集E；
步骤C的实现方法如下：
C1、建立基于规则的分类模型；
使用基于规则的分类方法，目的是对多维度综合评估集E分类，得到k个单维度综合评估集D1，D2，…，Dk。
根据B3得到的多维度综合评估集
是一个q*(k+1)的矩阵，形式为
数据集包含q条数据，k个维度类别，1个评估值列。经过分类过程可以得到数据集D＝[D1,D2,....,Dk]，其中D1,....,Dk是的多个(q*2)的独立矩阵，形式为
每个独立数组的第一列为类别信息，第二列为该类别的单维度综合评估值。
具体分类方法如下：
S1)将数据集D1,D2,....,Dk赋初值为0；
S2)从E中按维度挑选各分类元素，依次填入数据集D1,D2,....,Dk；
S3)用D中各个数据集D1,D2,....,Dk中的元素与E进行对比，将相同子类的评估值加和求平均，得到单维度评估值。
C2、对多维度综合评估集结果进行分类计算，得到待评估集V的单维度综合评估集；
将多维度综合评估集E代入C1步骤中基于规则的分类器计算，得到不同类别的单维度综合评估集D1，D2，…，Dk。
步骤D的实现方法如下：
D1、将综合评估结果用可视化的形式展示；
实施例中，采用条形图来显示农药残留污染在农产品维度上的综合评价排序情况，采用基于地图的热图展现农残污染在地域维度上的分布情况，用折线图显示在时间维度上的农药残留污染分布情况。即可视化结果包括：可视化界面最上面是地图，中间是条形图，下面是折线图。
D2、交互操作设计；
实施例中，交互操作包括对农产品、地域、时间的筛选，多视图联动，提示框。这些交互手段帮助用户快速定位想要关注的信息，方便用户分析观察评估结果。具体设计是：(1)属性筛选，对原始数据进行属性筛选，如可以选择一个农产品，则地图只对具有该农产品的地域进行评估值的颜色映射，折线图也只显示具有该农产品的时间点的评估值；选择一个地区，显示该地区的全部农产品和时间的评估结果；选择一段时间，则会显示这段时间的农产品和地域的评估结果。(2)多视图联动，点击地图上的某个区域，条形图和折线图随之变化成该地区的数据。(3)提示框，鼠标点击地图，条形图或折线图，鼠标点击位置会出现提示框并写明该属性的具体属性值。
本发明上述评估结果展示的可视化方法还可以应用到其他的综合评估中，如大学综合评估，教学质量综合评估等。
本发明上述风险评估方法可应用于农药残留污染程度的风险评估。针对上述农药残留风险评估方法，进一步地，在本发明实施例中，采用农药残留检测模拟数据，所述风险因子可以是农产品中农药检出品种、农药超标频次、检出农药毒性占比和农药残留含量程度等。
与现有技术相比，本发明的有益效果是：
本发明提供一种基于模糊综合评价模型的农药残留风险评估方法，根据农药残留检测数据对农残污染进行风险评估。该方法首先确定风险因子和各风险因子的权重，权重越大表示该风险因子对污染风险的影响越大；然后通过模糊综合评估模型得到农药残留污染的综合评估值，再利用基于规则的分类方法对其进行分类,得到各类别下的分类综合评估值；最后采用可视化的方法展示评估结果，并配以属性筛选等交互手段，方便用户观察评价结果在农产品、时间和地域等类别下的结果分布。
附图说明
图1为本发明实施例针对农药残留的风险评估方法流程框图。
图2为本发明实施例中基于模糊综合评价的风险评估过程的具体流程框图。
图3为本发明实施例中二级风险因子及其各自权值的示意图；
其中，X为风险因子；W为风险因子权值；xi(i＝1,2,3...n)为一级风险因子；xij(j＝1,2,3...m)为二级风险因子；n表示一级风险因子个数；m表示某一级风险因子下二级风险因子的个数；wi(i＝1,2,3...n)为一级风险因子权重；wij(j＝1,2,3...m)为二级风险因子权重。
图4为本发明实施例采用的可视化算法设计的流程框图。
图5为本发明实施例中的农药残留风险评估系统结果的截图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明实施例提供一种基于模糊综合评价的农药残留风险评估方法，该方法针对农药残留数据，首先确定风险因子和各风险因子的权重，权重越大表示该风险因子对风险的影响越大。通过模糊综合评估模型得到农残污染程度的多维度综合评估值，再利用基于规则的分类模型对该综合评估值进行分类得到每个维度下的单维度综合评估值，采用可视化的方法展示评估结果，并结合属性筛选的交互手段，方便用户观察综合评价结果，快速定位自己要关注的内容，方法流程如图1所示。
首先，针对本发明的模糊综合评价风险评估模型做以下描述:
在确定了风险因子和其权重后，首先确定待评估集，采用隶属度函数对待评估集的风险因子进行归一化，得到评价矩阵，再与风险因子的权值矩阵相乘得到每个待评估对象的多维度综合评估值，之后利用基于规则的分类方法将多维度综合评估值按照农产品、地域和时间三个维度分类得到各个维度下的单维度综合评估值。具体如图2所示。
此外，对农药残留检测结果做一说明，农药残留检测结果是一个具有时间、地理、多维和层次特征的复杂数据集。根据数据确定风险因子，由于有些风险因子具有层次特性，所以定义二级风险因子。风险因子X的示意图如图3所示。
本发明实施例中，利用农药残留风险评估方法对农药残留的风险进行综合评估和可视化展示，具体包括如下步骤：
A.对农药残留检测数据集进行预处理，确定各风险因子及其权值，得到待评估数据集；
B.采用模糊综合评估模型，对待评估数据集中的每一条记录计算其综合评估值，该评估值为未按农产品、时间、地域等维度分类的多维度综合评估值，从而得到多维度综合评估集；
C.采用基于规则的分类方法对上述多维度综合评估集进行分类，得到按农产品、时间、地域等各维度分类的单维度综合评估集；
D.采用可视化方法对步骤C中得到的各单维度综合评估结果进行展示。
实施的具体操作步骤为：
A1、对原始模拟数据进行统计分析，假设选取全国10个省市，2012年-2014年的检测结果数据。原始模拟数据示例如表1所示，得到每种风险因子的属性值，如表2所示；
A2、对步骤A1中得到的风险因子及其评价指标通过专家评估法确定权值，一、二级风险因子及各自权重如表3所示；
A3、对含有分级的风险因子先对其二级风险因子加权求和，得到该一级风险因子属性值。农药毒性二级风险因子综合评估值为(1.05 2.75 2.05 0.95 1 1.05 2.75 2.052.05 0.95 1 1.05 2.75 2.05 0.95 1 1.05 2.75 2.05 0.95 1)，农药残留含量程度二级风险因子综合评估值为(2.5 4.4 4.4 1.2 2.1 3.2 3.8 1.8 5 2.5 3.2 5 3.6 3.8 3.83.1 3.2 5.6 2.4 2.6)
A4、定义待评估数据集V，如表4所示。；
B1、检出农药品种的隶属度函数
超标频次的隶属度函数
农药毒性隶属度函数
农药残留含量隶属度函数
将表4相应的风险因子属性值带入隶属度函数，得到评估矩阵
B2、用模糊评价模型RM＝W·ZT得到评估集V各个评估对象的多维度综合评估向量RM＝[0.3817 0.6592 0.5875 0.1658 0.23 0.4517 0.5042 0.4575 0.2458 0.5460.3917 0.5342 0.6725 0.5358 0.49 0.4417 0.5542 0.7475 0.3658 0.31]，评估对象的隶属度向量和多维度综合评估值结果如表5所示；
C1、建立基于规则的分类模型；
具体分类算法如下：
①数据集D1,D2,....,Dk赋初值为0；
②从E中按维度挑选各分类元素依次填入数据集D1,D2,....,Dk；
③用D中各个数据集中的元素和E进行对比，使相同子类的评估值加和平均得到单维度评估值。
本实施例中，数据集为D1,D2,D3；具体分类算法如下：
①数据集D1,D2,D3赋初值为0；
②E中按维度挑选各分类元素依次填入数据集D1,D2,D3；
③用D中各个数据集中的元素和E进行对比，使相同子类的评估值加和平均得到单维度评估值。
C2、将表4数据带入到分类器，按照规则计算得到农产品、地域和时间这三个维度各自的单维度综合评估值，如表6、7、8所示，其中EP表示农产品的综合评估值，ET表示时间的综合评估值，EA表示地域的综合评估值；
D1、将综合评估结果用可视化的形式展示，将这三个维度(农产品、地域、时间)综合评估值排序映射到相应的可视化效果图中显示，可视化设计如图4所示。
基于地图的热图农残污染综合评估EA情况将数值范围划分为N段,将最大值Rmax对应某种颜色,最小值Rmin对应另一种颜色，计算第i段颜色Ci的公式如下：
Ci＝Rmin+(Rmax-Rmin)/N×i,i∈[1,N]
基于条形图的农产品的农药残留污染综合评估根据评估值EP的大小映射条形图的高矮，基于折线图的时间的农药残留污染综合评估根据评估值ET的大小映射折线图的高矮；
D2、可通过界面进行交互操作，通过交互操作属性筛选。
经过上述步骤的操作，得到最终可视化结果。本发明实施例中，最终可视化结果如图5所示：最上面是基于地理热图的地域农药残留污染综合评估结果，中间为基于条形图的农产品农药残留汚染综合评估结果；最下面是基于折线图的时间农药残留汚染综合评估结果；右侧是用于进行交互操作的数据筛选框。
表1农产品农药残留原始数据示例
表2农产品农药残留风险因子统计数据
表2中，X1表示检出农药品种数，X2表示超标频次，X31表示低毒农药检出频次，X32表示中毒农药检出频次，X33表示高毒农药检出频次，X34表示剧毒农药检出频次，X41表示农药1级污染检出频次，X42表示农药2级污染检出频次，X43表示农药3级污染检出频次。
表3.农产品农药残留各风险因子权值分配
表4.待评估数据集
表5.模糊综合评价的评估对象的多维度综合评估值结果
表6.农产品综合评估情况
表7.地域综合评估情况
表8.时间综合评估情况
本发明的可视化方法还可以应用到其他的综合评估中。如大学综合评估，教学质量综合评估等。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (5)
1.一种基于模糊综合评价的农药残留风险评估方法，根据农药残留检测数据进行农药残留风险评估和可视化展示；包括如下步骤：
A.对原始数据集进行预处理，所述原始数据集为农药残留检测数据集，确定各农残风险因子及农残风险因子的权值，得到待评估农残数据集；所述农残风险因子为一级农残风险因子或包含分级的多级农残风险因子；农残风险因子的权值越大表示该风险因子对风险的影响越大；
B.通过采用农残模糊综合评估模型，对待评估农残数据集中的每一条记录，计算得到表示农残污染程度的农残综合评估值，所述农残综合评估值为未按农产品、时间、地域维度分类的多维度农残综合评估值，由此得到多维度农残综合评估集E；所述多维度农残综合评估集E为包含q条数据、k个维度类别、1个评估值列的矩阵；
具体包括如下步骤：
B1、利用隶属度函数对一级农残风险因子数据集X归一化，得到归一化的农残风险因子数据集Z；其中定义一级农残风险因子的隶属度函数为式1：
式1中，xmin表示该一级农残风险因子里的最小值，xmax表示该一级农残风险因子里的最大值；
将相应的农残风险因子属性值代入隶属度函数，得到农残评估矩阵Z如式2：
其中，Yq等于通过隶属度函数C(xi)求得的归一化后的各个农残待评估数据的农残风险因子属性值的矩阵，yqn表示第q个农残评估对象的第n个农残风险因子经过隶属度函数归一化后的值，n表示农残风险因子数量，q表示农残评估对象的数量；其中矩阵的每一行表示一条农残待评估对象所对应的归一化后的农残风险因子属性值，每一列表示一种农残风险因子；
B2、采用农残模糊评价模型(式3)对归一化的农残风险因子数据集Z中每一条记录计算得到多维度农残综合评估值EM：
其中，农残待评估集V各个农残评估对象的多维度农残综合评估值EM＝[e1 e2 ... eq]，EM表示农残待评估集V的多维度农残综合评估值向量，eq表示第q个农残评估对象的多维度农残综合评估值，W是一级农残风险因子的权重向量，Z是农残评估矩阵，n是农残风险因子的个数；
B3、将得到的多维度农残综合评估矩阵EM＝[e1 e2 ... eq]与属性矩阵A合并，即令
由此得到多维度农残综合评估集E；
C.建立分类模型，对农残综合评估值进行分类，得到农残污染程度每个维度的综合评估值；
对所述多维度农残综合评估集E进行分类，得到k个单维度综合评估集D1，D2，…，Dk；所述单维度综合评估集为按农产品、时间、地域各维度分类的单维度农残综合评估集；具体执行如下步骤：
所述多维度农残综合评估集
是一个q*(k+1)的矩阵，表示为：
将农残数据集中包含的q条数据、k个维度类别、1个农残评估值列进行分类，得到数据集D＝[D1,D2,....,Dk]，其中D1,....,Dk为多个(q*2)的独立矩阵，
每个独立矩阵的第一列为农残类别信息，第二列为该类别的单维度农残综合评估值；
D.采用可视化方法对步骤C中得到的按农产品、时间、地域各单维度综合评估结果进行展示。
2.如权利要求1所述的农药残留风险评估方法，其特征是，步骤A具体执行如下步骤：
A1、对原始数据集进行统计分析，得到统计分析结果，根据专家经验从统计分析结果中选择得到综合评估的风险因子，作为一级风险因子xi(i＝1,2,3...n)，n表示一级风险因子个数；并确定一级风险因子权重wi(i＝1,2,3...n)，且
A2、对A1中的一级风险因子，若一级风险因子存在分类，则按照分类将所述一级风险因子再分为一个或多个二级风险因子xij(j＝1,2,3...m)，m表示某一级风险因子下二级风险因子的个数；并确定二级风险因子权重为wij(j＝1,2,3...m),满足
A3、对含有分级的风险因子，先对其二级风险因子加权求和
得到该一级风险因子属性值；
A4、定义待评估数据集V＝(A X)，其中A是一个(q*k)的矩阵，X为(q*n)的矩阵：
A5、根据各风险因子权值，得到一级风险因子的权重向量W＝[w1 w2 ... wn]。
3.如权利要求1所述的农药残留风险评估方法，其特征是，分类过程包括如下步骤：
S1)将数据集D1,D2,....,Dk赋初值为0；
S2)从E中按维度挑选各分类元素，依次填入数据集D1,D2,....,Dk；
S3)用D中各个数据集D1,D2,....,Dk中的元素与E进行对比，将相同子类的评估值加和求平均，得到单维度评估值。
4.如权利要求1所述的农药残留风险评估方法，其特征是，步骤D中，所述展示包括可视化展示和可交互操作展示。
5.如权利要求4所述的农药残留风险评估方法，其特征是，可视化展示形式包括条形图、基于地图的热图、折线图；可交互操作展示的操作包括维度筛选、多视图联动和提示框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710130383.8A CN106920044B (zh) | 2017-03-07 | 2017-03-07 | 基于模糊综合评价模型的农药残留风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710130383.8A CN106920044B (zh) | 2017-03-07 | 2017-03-07 | 基于模糊综合评价模型的农药残留风险评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106920044A CN106920044A (zh) | 2017-07-04 |
| CN106920044B true CN106920044B (zh) | 2021-01-12 |
Family
ID=59461858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710130383.8A Active CN106920044B (zh) | 2017-03-07 | 2017-03-07 | 基于模糊综合评价模型的农药残留风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106920044B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146242A (zh) * | 2018-07-13 | 2019-01-04 | 中国水产科学研究院淡水渔业研究中心 | 一种养殖水产品中抗生素残留的膳食风险评估方法 |
| CN109344194B (zh) * | 2018-09-20 | 2021-09-28 | 北京工商大学 | 基于子空间聚类的农药残留高维数据可视分析方法与系统 |
| CN111461576A (zh) * | 2020-04-27 | 2020-07-28 | 宁波市食品检验检测研究院 | 一种食品中化学危害物安全风险模糊综合评价方法 |
| CN111667122B (zh) * | 2020-06-16 | 2023-05-26 | 国研软件股份有限公司 | 一种农产品品种农药残留的风险评估方法 |
| CN112258069B (zh) * | 2020-10-30 | 2021-07-30 | 中国农业科学院农业质量标准与检测技术研究所 | 一种基于风险熵的农产品安全评价方法与系统 |
| CN112613703A (zh) * | 2020-12-10 | 2021-04-06 | 北京电子工程总体研究所 | 一种太空安全风险辨识的分类分级设计方法 |
| CN113011796B (zh) * | 2021-05-06 | 2024-02-02 | 北京工商大学 | 一种基于“层次分析-神经网络”的食用油安全预警方法 |
| CN115758888B (zh) * | 2022-11-17 | 2024-04-23 | 厦门智康力奇数字科技有限公司 | 一种基于多机器学习算法融合的农产品安全风险评估方法 |
| CN116227982B (zh) * | 2022-12-30 | 2023-10-31 | 中国矿业大学(北京) | 一种煤炭粉尘污染程度的量化方法及装置 |
| CN116452020B (zh) * | 2023-06-14 | 2023-09-15 | 中国农业科学院农业质量标准与检测技术研究所 | 一种农产品安全性评价方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999709A (zh) * | 2012-12-20 | 2013-03-27 | 中国环境科学研究院 | 一种农业活动区地下水风险分级分区评价方法 |
| CN105809578A (zh) * | 2016-05-30 | 2016-07-27 | 北京师范大学 | 一种区域水环境风险评估和分区方法 |
| CN106021946A (zh) * | 2016-05-30 | 2016-10-12 | 北京师范大学 | 一种区域水环境风险模糊综合评价方法 |
| CN106294298A (zh) * | 2016-07-27 | 2017-01-04 | 北京工商大学 | 基于多属性排序的数据可视分析方法和应用 |
| CN106354760A (zh) * | 2016-08-18 | 2017-01-25 | 北京工商大学 | 基于变形统计地图的多视图时空数据可视化方法与应用 |
-
2017
- 2017-03-07 CN CN201710130383.8A patent/CN106920044B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999709A (zh) * | 2012-12-20 | 2013-03-27 | 中国环境科学研究院 | 一种农业活动区地下水风险分级分区评价方法 |
| CN105809578A (zh) * | 2016-05-30 | 2016-07-27 | 北京师范大学 | 一种区域水环境风险评估和分区方法 |
| CN106021946A (zh) * | 2016-05-30 | 2016-10-12 | 北京师范大学 | 一种区域水环境风险模糊综合评价方法 |
| CN106294298A (zh) * | 2016-07-27 | 2017-01-04 | 北京工商大学 | 基于多属性排序的数据可视分析方法和应用 |
| CN106354760A (zh) * | 2016-08-18 | 2017-01-25 | 北京工商大学 | 基于变形统计地图的多视图时空数据可视化方法与应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106920044A (zh) | 2017-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106920044B (zh) | 基于模糊综合评价模型的农药残留风险评估方法 | |
| Rogan et al. | Mapping land-cover modifications over large areas: A comparison of machine learning algorithms | |
| Rollins | LANDFIRE: a nationally consistent vegetation, wildland fire, and fuel assessment | |
| CN102629271B (zh) | 一种基于堆叠树图的复杂数据可视化方法及设备 | |
| Hargrove et al. | Mapcurves: a quantitative method for comparing categorical maps | |
| Kou et al. | An integrated expert system for fast disaster assessment | |
| Marsboom et al. | Using dimension reduction PCA to identify ecosystem service bundles | |
| CN111461576A (zh) | 一种食品中化学危害物安全风险模糊综合评价方法 | |
| CN106294298B (zh) | 基于多属性排序的数据可视分析方法和应用 | |
| Pérez-Hoyos et al. | Integrating multiple land cover maps through a multi-criteria analysis to improve agricultural monitoring in Africa | |
| Estes et al. | High resolution, annual maps of field boundaries for smallholder-dominated croplands at national scales | |
| CN113326472B (zh) | 一种基于时序多变量数据的模式提取与演化可视分析方法 | |
| CN108280191B (zh) | 多地区mrl标准的对比可视分析方法与系统 | |
| CN112034104A (zh) | 一种农作物危害物残留检测平台 | |
| Sarmiento et al. | Methodology for classification of geographical features with remote sensing images: Application to tidal flats | |
| Aldi et al. | University Student Satisfaction Analysis on Academic Services by Using Decision Tree C4. 5 Algorithm (Case Study: Universitas Putra Indonesia “yPTK” Padang) | |
| CN117575171B (zh) | 一种基于数据分析的粮食形势智能评估系统 | |
| Vakili et al. | Spatial variability of surface fuels in treated and untreated ponderosa pine forests of the southern Rocky Mountains | |
| CN111930957A (zh) | 实体间亲密度的分析方法、装置、电子设备以及存储介质 | |
| CN110321914A (zh) | 一种油品质量分析管控系统 | |
| Duan et al. | Risk assessment approaches for evaluating cumulative exposures to multiple pesticide residues in agro-products using seasonal vegetable monitoring data from Hainan, China: a case study | |
| Bregaglio et al. | The hades yield prediction system–a case study on the turkish hazelnut sector | |
| Jin et al. | Mapping Chinese land system types from the perspectives of land use and management, biodiversity conservation and cultural landscape | |
| CN109255724B (zh) | 一种基于多因子和ahp-e模型的农药残留污染评价方法 | |
| CN110008279B (zh) | 一种基于“关系-权值”有序矩阵的可视分析方法与应用 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |