CN110570046B - 环境监测站点的选址方法及系统 - Google Patents

Abstract

本发明提供的一种环境监测站点的选址方法，包括如下步骤：获取多个已建环境监测站的已建站选址点，以及这些已建站选址点各自的相关因素，相关因素中包括多种环境因素；使用机器学习的方式对相关因素进行筛选，得出已建站选址点和相关因素之间的关联度，再根据关联度得出关键环境因素；使用网格将待选址区域划分成多个子区域，通过机器学习的方式生成多个网格选址点；获取多个网格选址点各自的关键环境因素，通过深度学习的方式得出各网格选址点的选址评分；将选址评分最高的网格选址点定为目标选址点；本发明可以对环境监测站点起到指导作用；本发明还提供了一种环境监测站点的选址系统。

Description

环境监测站点的选址方法及系统

技术领域

本发明涉及环境监测技术领域，具体涉及一种环境监测站点的选址方法及系统。

背景技术

随着国民环境保护意识的逐步提升，近年来，国家环保机构对生态环境进行了大力整顿治理。在生态环境治理的过程中，首先需要对生态环境进行有效的监测，这样治理才有依据。

目前的现状是，在国家层面，对环境监测站点的选址一般都是进行了充分的论证，比如国控站的选址。而在地方层面，基于专家对每个待选点都进行现场评估，其可操作性较低，加之论证过程较复杂，因而在地方层面，对环境监测站点的选址随意性较大，不能准确反映出该区域内的实际环境污染情况。

所以，现在需要一种环境监测站点的选址方法和系统，可以结合现有国控站的选址，提取出相关数据，使用机器学习的方式，对这些数据进行挖掘分析，建立一个选址模型，对环境监测站点的选址起到指导作用。

发明内容

针对现有技术中的缺陷，本发明提供一种环境监测站点的选址方法和系统，以解决现有技术对环境监测站点的选址随意性较大，不能准确反映出该区域内的实际环境污染情况的技术问题。

本发明采用的技术方案是，一种环境监测站点的选址方法，包括以下步骤：

S1.获取多个已建环境监测站的已建站选址点，以及这些已建站选址点各自的相关因素，相关因素中包括多种环境因素；

S2.使用机器学习的方式对相关因素进行筛选，得出已建站选址点和相关因素之间的关联度，再根据关联度得出关键环境因素；

S3.使用网格将待选址区域划分成多个子区域，通过机器学习的方式生成多个网格选址点；

S4.获取多个网格选址点各自的关键环境因素，通过深度学习的方式得出各网格选址点的选址评分；

S5.将选址评分最高的网格选址点定为目标选址点。

进一步的，在S2中使用机器学习的方式，包括关联规则算法或深度学习。

进一步的，关联规则算法为Apriori算法，具体包括：

S21.根据支持度，结合阈值，从相关因素找出频繁相关因素；

S22.根据置信度，从频繁相关因素中找出关联度。

进一步的，深度学习包括使用LSTM网络或Conv-LSTM网络进行训练。

进一步的，在S3中使用机器学习的方式为决策树算法或随机森林算法。

进一步的，决策树算法使用了蒙特卡洛关联搜索。

进一步的，在S4中通过深度学习的方式包括使用LSTM网络或Conv-LSTM网络进行训练。

进一步的，环境监测站点的选址方法，在步骤S5后还包括以下步骤：

S6.人工对目标选址点进行数据标注，得到实际选址点；

S7.以目标选址点以及其它环境因素作为输入，以实际选址点作为输出，使用深度学习的方式对目标选址模型进行训练；

S8.训练收敛后形成实际选址模型，可用于后续实际选址。

本发明还提供一种环境监测站点选址系统，包括：信息输入单元、筛选单元、区域划分单元、选址评分单元；

信息输入单元用于输入信息，包括多个已建站选址点以及这些已建站选址点各自的相关因素，多个网格选址点各自的环境因素；

筛选单元用于使用机器学习的方式对相关因素进行筛选，得出已建站选址点和相关因素之间的关联度；还用于根据关联度得出关键环境因素；

区域划分单元用于对待选址区域进行划分，并通过机器学习的方式生成多个网格选址点；

选址评分单元用于通过使用深度学习的方式计算出各网格选址点的选址评分。

进一步的，环境监测站点的选址系统包括深度学习训练单元，深度学习训练单元用于对目标选址模型进行训练并形成实际选址模型。

由上述技术方案可知，本发明的有益技术效果如下：

1.将待选址区域进行划分成多个子区域，得出多个网格选址点，建立目标选址模型，得出每个网格选址点的选址评分，确定目标选址点。通过这种方式，杜绝了选址的随意性，能更为准确的反映出该区域内的实际环境污染情况。

2.使用机器学习的方式，结合已建站选址点以及这些选址点的相关因素，可以得出环境监测站点选址的关键环境因素，比人工计算效果更好。

3.通过机器学习的方式，使用决策树算法或随机森林算法生成多个网格选址点，可以实现根据已建站选址点，来最优的生成后续的几个、十几个、几十个选址点，而不需要对所有的子区域进行判定，简化运算效果。

4.通过深度学习的方式，使用LSTM网络或Conv-LSTM网络进行训练得出各网格选址点的选址评分，就可以将某一个选址点先前一段时间内的关键环境因素连接到当前的选址任务上，将该选址点前面的环境因素信息进行记忆并应用于当前选址的评分计算中，能将时序上前后各时间点的关键环境因素关联起来进行一个综合评分，这样就可以得出一个更加客观、科学的评分分数。

5.人工对目标选址点进行数据标注，完成校正后，再使用深度学习的方式，对目标选址模型进行训练，可以进一步优化选址效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为本发明的方法流程图。

图2为本发明的系统架构框图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

实施例1

如图1所示，本发明提供一种环境监测站点的选址方法，包括以下步骤：

S1.获取多个已建环境监测站的已建站选址点，以及这些已建站选址点各自的相关因素，相关因素中包括多种环境因素；

S2.使用机器学习的方式对相关因素进行筛选，得出已建站选址点和相关因素之间的关联度，再根据关联度得出关键环境因素；

S3.使用网格将待选址区域划分成多个子区域，通过机器学习的方式生成多个网格选址点；

S4.获取多个网格选址点各自的关键环境因素，通过深度学习的方式得出各网格选址点的选址评分；

S5.将选址评分最高的网格选址点定为目标选址点。

以下对实施例1的工作原理进行详细说明：

本发明一种环境监测站点的选址方法，按以下步骤实现：

1.获取已建成监测站的数据

因我国地大物博，各个省、市、自治区的实际生态环境情况不一样，所以某一个区域因为要新建环境监测站而进行选址的，首先获取该区域内已经建设好的环境监测站的地点。已建好的环境监测站点，包括国控站、省控站、移动监测站等。在本实施例中，将这些地点定义为已建站选址点。为保证数据分析的有效性，已建站选址点应为多个，在本实施例中，可选四川省300个国控站、省控站的地点设为已建站选址点。然后从四川省人民政府相关行政管理部门，获取这些已建站选址点各自的相关因素，相关因素包括这些已建站选址点周边各种环境因素，比如交通因素、人口流动因素、气象因素、地形因素、绿地覆盖因素、工厂因素。在本实施例中，优选的，选取以已建站选址点为中心，半径为300米的圆形区域内的各种环境因素作为相关因素。

2.使用机器学习的方式对相关因素进行筛选，得出已建站选址点和相关因素之间的关联度，再根据关联度得出关键环境因素

在本步骤使用机器学习的方式，可以使用关联规则算法或深度学习；关联规则算法优选为Apriori算法，深度学习包括但不局限于使用LSTM网络或Conv-LSTM网络进行训练。

在本实施例中，选取其中一种方法进行详细说明，以Apriori算法为例。下面先对一些基本概念进行阐述：

项目：某一个具体的数据，在本实施例中，项目为相关因素中的某一个环境因素，比如交通因素、人口流动因素、气象因素、地形因素、绿地覆盖因素、工厂因素等。

项集：包含若干个项目的集合，一般大于0个。比如，项集X包括了交通因素、人口流动因素；项集Y包括了人口流动因素、气象因素和工厂因素。在本实施例中，项集为某一个相关因素，对于交通因素、人口流动因素、气象因素、地形因素、绿地覆盖因素、工厂因素这6个环境因素，某一个相关因素可能包括这6个环境因素，也可能只包括6个环境因素中的部分环境因素。

支持度：某一个项集在所有项集中出现的概率。在本实施中，即为某一个相关因素在所有相关因素中出现的概率。

频繁项集：某个项集的支持度大于设定阈值时，这个项集为频繁项集，这个阈值一般是根据数据分布和人为经验来设定的。在本实施例中，频繁项集为频繁相关因素；阈值范围设定为0.7-1，优选的，设为0.9。

置信度：在先决条件X发生的条件下，由关联规则{X->Y}推出Y的概率。在本实施例中，置信度是指在已建站选址点对应的相关因素为X的情况下，在该已建站选址点处、另一个相关因素Y发生的概率。

Apriori算法的原理是利用向下封闭属性生成频繁项目集。如果某一个相关因素是频繁相关因素，那么它的非空子集必定也是频繁相关因素，可以根据k-频繁相关因素生成(k+1)-频繁相关因素。

具体的，Apriori算法会先循环扫描一次所有的相关因素，统计出每个相关因素的支持度，然后根据设定的支持度阈值进行筛选，即可得到1号频繁相关因素，再根据1号频繁相关因素生成2号频繁相关因素，然后根据2号频繁相关因素生成3号频繁相关因素；依次类推，直至生成所有的频繁相关因素。

得到由所有频繁相关因素组成的频繁相关因素集之后，可以找出符合条件的关联规则。具体的，先遍历所有的频繁相关因素，然后从每个相关因素中依次取1、2、...k个环境因素作为后件，该相关因素中的其它环境因素作为前件，这些环境因素包括交通因素、人口流动因素、气象因素、地形因素、绿地覆盖因素、工厂因素等。依据置信度进行筛选，筛选出的结果为强关联规则，强关联规则也就是关联度。以某一个频繁相关因素生成关联规则的过程举例说明。对于3号频繁相关因素{人口流动因素，气象因素，工厂因素}，后件的关联规则为：

(人口流动因素，气象因素)—>工厂因素，置信度＝3/4；

(人口流动因素，工厂因素)—>气象因素，置信度＝3/5，置信度低于阈值下限0.7，不满足要求，所以剔除掉；

(气象因素，工厂因素)—>人口流动因素，置信度＝3/3；

所以对于3号频繁相关因素生成的强关联规则为：(人口流动因素，气象因素)—>工厂因素和(气象因素，工厂因素)—>人口流动因素。

也就是说，对于已建站选址点，出现较多的频繁相关因素{人口流动因素，气象因素，工厂因素}，工厂因素和人口流动因素是关联度较高的环境因素，而气象因素不是。

通过关联度，可以体现出相关因素中的各种环境因素和已建站选址点之间关系；也就是已建站在选址时，选址地点与周边交通因素、人口流动因素、气象因素、地形因素、绿地覆盖因素、工厂因素之间的关系。对于关联度强的相关因素，就是关键相关因素，即关键环境因素。

通过上述方法，可以得出进行选址时的需要参考的关键环境因素；在本实施例中，为便于说明，设关键环境因素为人口流动因素和工厂因素。

3.对待选址区域进行划分，生成多个网格选址点

将待设立环境监测站点的区域作为一个整体区域，为方便后续建模和计算，将其划分为若干个子区域，这样在整体区域内就有多个子区域。在本实施例中，优选的，使用连续网格的形式对整体区域进行划分。从平面图上来看，整体区域就被划分成了以阵列形式排列的多个网格。

在对待选址区域进行了网格划分后，根据这些网格里已建好的已建站位置，使用机器学习的方式，生成多个网格选址点。一般的，这些网格选址点并不是布满所有网格，而是根据需要生成几个、十几个或者几十个。本发明采用决策树算法或者随机森林算法进行网格选址点的生成。

在本实施例中，选取其中一种方法进行详细说明，以决策树算法为例，优选的，决策树算法结合蒙特卡洛关联搜索，即蒙特卡洛决策树算法。该机器学习的训练过程如下：

对于已经建设好的环境监测站，其建设有时间先后顺序。在使用蒙特卡洛决策树算法时，先将划分好的网格中、从时间上看最先建设的环境监测站选址地点作为根节点；然后按建设时间的先后顺序，将第二个、第三个直到第N个建设好的环境监测站选址地点作为子节点。从根节点开始，选择下一个子节点的位置时，蒙特卡洛决策树算法会对每个未建站网格的关键环境因素进行测试，决策树模型上每个分支都代表某一个关键环境因素在选址上的信息增益。

蒙特卡洛决策树算法将现有的、按时间先后顺序已经建设好的环境监测站的选址点作为决策树模型上的各个节点，将这些选址点各自的关键环境因素作为特征属性，通过蒙特卡洛决策树算法就可以得出：从上一个子节点到下一个子节点的路径，是根据哪一个或哪几个关键环境因素来决定的。比如：对于上一个节点，会按照关键环境因素，比如人口流动因素，工厂因素形成两个分支，其中某一个分支比如工厂因素会对应下一个节点；就这样，每个节点往下层层分解，直到分解到叶节点也就是最后一个已建站的选址点，这样就形成了一个决策结果。也就是说通过蒙特卡洛决策树算法，在网格中上一个环境监测站选好地址后，网格中的下一个环境监测站的选址可以根据关键环境因素，由决策结果推断出来。

这样，结合各网格的各自的关键环境因素，通过蒙特卡洛决策树算法可以预测出，在区域内还未建站的网格中，可以作为建站选址点的网格有哪些网格，进而生成网格选址点。这些网格选址点并不是布满所有网格，而是根据需要生成几个、十几个或者几十个。这样后续的计算就不需要对所有的子区域进行判定，简化运算效果。

4.获取多个网格选址点各自的关键环境因素，通过深度学习的方式得出各网格选址点的选址评分

在待选址区域内，对于根据蒙特卡洛决策树算法生成的多个网格选址点，获取每个网格选址点对应网格区域内的关键环境因素。在本实施里中为举例说明，关键环境因素选为人口流动因素和工厂因素，也就是获取以每个网格选址点所在区域的人口流动因素和工厂因素。

通过深度学习的方式包括但不局限于使用LSTM网络或Conv-LSTM网络进行训练并对选址点进行评分。评分之所以不选用加权平均算法，是因为关键环境因素在时序上是实时变动的，加权平均算法只能反映其中某一个时间点的情况，不能从整个时序上评判这个选址点的情况。而使用LSTM网络或Conv-LSTM网络，就可以将某一个选址点先前一段时间内的关键环境因素连接到当前的选址任务上，将该选址点前面的环境因素信息进行记忆并应用于当前选址的评分计算中。具体的讲，以LSTM网络为例，在评分时会把各个选址点各自的、在一定时间周期内的关键环境因素作为评分输入，LSTM网络在评分时，会将时序上前后各时间点的关键环境因素关联起来进行一个综合评分，这样就可以得出一个更加客观、科学的评分分数。

在本实施例中，由步骤1、步骤2、步骤3、步骤4可得出一个选址模型，为目标选址模型，步骤1-步骤4就是目标选址模型的建模过程。

5.将选址评分最高的网格选址点定为目标选址点

根据目标选址模型可以得出整个区域内每个网格选址点的选址评分。选址评分得分越高，那么说明该网格选址点发生环境污染的可能性越大，越需要进行环境监测，所以选择选址评分最高的网格选址点，作为目标选址点。

实施例2

根据实施例1的技术方案得到的目标选址点，在实际情况中可能会遇到该选址点并不好布置环境监测点，比如受到地形因素的影响，目标选址点位于工厂内的大烟囱处。在这种情况下，就需要人工对目标选址点进行校正，选取目标选址点附近的、便于架设环境监测点的位置，作为实际选址点。

为在后续规避类似问题，让目标选址模型得出的目标选址点尽可能具有实际工程的可施工性，在实施例1的基础上进一步优化。技术方案为：

将目标选址模型得出的目标选址点，以及其它环境因素比如地形因素，这二者作为输入；将人工校正得到的实际选址点作为输出；使用深度学习的方式对目标选址模型进行训练。深度学习包括但不局限于使用神经网络进行训练，比如LSTM网络或Conv-LSTM网络。以下对其工作原理进行说明：

使用神经网络对目标选址模型进行训练。神经网络的训练本质，就是已知输入，已知输出，求解位于各层的、每个连接的权值和每个神经元上的偏差值。

具体的，将目标选址模型得出的目标选址点作为第一层，将关键环境因素作为第二层，将其它环境因素作为第二层，将人工在选址地图上进行数据标注、校正得到的实际选址点作为第四层，通过第四层往第三层、第三层往第二层、第二层往第一层的反向传输以及梯度下降相结合，一开始用网格数初始化每个联结的权值，然后通过神经网络计算出来的实际选址点跟真实的实际选址点做比对；如果这个值相差比较大，则修改当前的联结的权重；当发现这个值相差不大时，则修改更低一层的权重。这个步骤一直重复，逐步传递到第一层的权值。

将目标选址模型训练收敛后形成实际选址模型，在后续再次进行选址时，将待选址区域的环境因素输入到实际选址模型中，即可以进行实际选址。

实施例3

本发明还提供一种使用实施例1或实施例2所用选址方法的环境监测站点选址系统。如图2所示，该系统包括：信息输入单元、筛选单元、区域划分单元、选址评分单元；

信息输入单元用于输入信息，包括多个已建站选址点以及这些已建站选址点各自的相关因素，多个网格选址点各自的环境因素；

筛选单元用于使用机器学习的方式对相关因素进行筛选，得出已建站选址点和相关因素之间的关联度；还用于根据关联度得出关键环境因素；

区域划分单元用于对待选址区域进行划分，并通过机器学习的方式生成多个网格选址点；

选址评分单元用于通过使用深度学习的方式计算出各网格选址点的选址评分。

在本实施例的基础上进一步优化，环境监测站点的选址系统包括深度学习训练单元，深度学习训练单元用于对目标选址模型进行训练并形成实际选址模型。优选的，使用神经网络对目标选址模型进行训练。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (4)

1.一种环境监测站点的选址方法，其特征在于，包括以下步骤：

S1.获取多个已建环境监测站的已建站选址点，以及这些已建站选址点各自的相关因素，所述相关因素中包括多种环境因素；

S2.使用Apriori关联规则算法对相关因素进行筛选，得出已建站选址点和相关因素之间的关联度，再根据关联度得出关键环境因素；具体包括：

S2-1.循环扫描所有的相关因素，统计出每个相关因素的支持度；

S2-2.使用设定的支持度阈值对支持度进行筛选，得到多个频繁相关因素；

S2-3.遍历所有的频繁相关因素，从每个频繁相关因素中取不同数量的环境因素分别作为后件、前件；

S2-4.根据置信度对后件、前件进行筛选，得出关联度；

S2-5.选取关联度强的相关因素作为关键环境因素；

S3.使用网格将待选址区域划分成多个子区域，使用决策树算法生成多个网格选址点；具体包括：

S3-1.将多个子区域中，建设完成时间最先的环境监测站选址地点作为根节点；

S3-2.按建设时间的先后顺序，将建设完成的其它环境监测站选址地点作为子节点；

S3-3.使用蒙特卡洛决策树算法对每个未建站子区域的关键环境因素进行测试，得出决定从上一个子节点到下一个子节点路径的关键环境因素；每个节点往下层层分解，直到分解到叶节点，形成决策结果；

S3-4.结合上一个环境监测站的网格选址点，根据决策结果推断出下一个环境监测站的网格选址点；

S4.获取多个网格选址点各自的关键环境因素，把各个选址点各自的、在一定时间周期内的关键环境因素作为输入，使用深度学习训练好的LSTM网络，输出得到各网格选址点的选址评分；

S5.将选址评分最高的网格选址点定为目标选址点。

2.根据权利要求1所述一种环境监测站点的选址方法，其特征在于，在S5后还包括以下步骤：

S6.人工对目标选址点进行数据标注，得到实际选址点；

S7.以目标选址点以及环境因素作为输入，以实际选址点作为输出，使用LSTM网络或Conv-LSTM网络对目标选址模型进行训练；

S8.训练收敛后形成实际选址模型，使用实际选址模型进行后续实际选址。

3.一种环境监测站点的选址系统，其特征在于，使用权利要求1-2中任意一种环境监测站点选址方法进行站点选址，所述系统包括：信息输入单元、筛选单元、区域划分单元、选址评分单元；

所述信息输入单元用于输入信息，包括多个已建站选址点以及这些已建站选址点各自的相关因素，多个网格选址点各自的环境因素；

所述筛选单元用于使用Apriori关联规则算法对相关因素进行筛选，得出已建站选址点和相关因素之间的关联度；还用于根据关联度得出关键环境因素；

所述区域划分单元用于对待选址区域进行划分，并通过决策树算法生成多个网格选址点；

所述选址评分单元用于通过使用深度学习训练好的LSTM网络计算出各网格选址点的选址评分。

4.根据权利要求3所述一种环境监测站点的选址系统，其特征在于：还包括深度学习训练单元，所述深度学习训练单元用于对目标选址模型进行训练并形成实际选址模型。

Images