CN111950942B - 基于模型的水污染风险评估方法、装置和计算机设备 - Google Patents
基于模型的水污染风险评估方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111950942B CN111950942B CN202011114395.XA CN202011114395A CN111950942B CN 111950942 B CN111950942 B CN 111950942B CN 202011114395 A CN202011114395 A CN 202011114395A CN 111950942 B CN111950942 B CN 111950942B
- Authority
- CN
- China
- Prior art keywords
- risk assessment
- reservoir
- water
- factor
- model
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 218
- 238000003911 water pollution Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 172
- 238000009826 distribution Methods 0.000 claims description 97
- 238000011160 research Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 52
- 238000010586 diagram Methods 0.000 claims description 39
- 239000002689 soil Substances 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 230000035945 sensitivity Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004162 soil erosion Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013210 evaluation model Methods 0.000 abstract 2
- 230000008569 process Effects 0.000 description 27
- 238000012937 correction Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
- G06Q10/0635—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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能技术领域,提供一种基于模型的水污染风险评估方法、装置、计算机设备和存储介质,其中方法包括:获取与指定水库对应的影响因子的数值,其中,影响因子根据与水库水污染相关的污染因素数据生成;调用预先训练好的风险评估模型,其中,风险评估模型基于预先收集的历史水库监测数据以及影响因子,对预设的BP神经网络模型进行训练后生成;将影响因子的数值输入至风险评估模型中,以通过风险评估模型对指定水库进行风险评估处理;获取风险评估模型输出的输出结果,并将输出结果作为指定水库的风险评估结果。本申请能够基于与指定水库对应的影响因子的数值,利用风险评估模型来智能便捷地实现对于指定水库的水污染风险评估。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种基于模型的水污染风险评估方法、装置和计算机设备。
背景技术
水库是我国防洪广泛采用的工程措施之一。在防洪区上游河道适当位置兴建能调蓄洪水的综合利用水库,利用水库库容拦蓄洪水,削减进入下游河道的洪峰流量,达到减免洪水灾害的目的。
传统的水库建设在勘探时会做详细的调查,但是水库建设使用中缺少持续性的水污染检测,容易出现“污染事后”的黑臭水体调查,而缺少对“污染事前”的水库水污染风险评估。现有通常是以人工进行勘探的方法,或者勘测点的方法来评估水库的水污染风险,这样难以满足时间和空间的连续性,即不能用单个或几个的监测点数据概括整片水质状况,更难以用每隔半月、每月或者每季度的检测数据来概括水库每天的检测状况。因此,现有的基于人工勘探的评价水库的水污染风险的方法存在检测处理效率低,评估结果准确度低的问题。
发明内容
本申请的主要目的为提供一种基于模型的水污染风险评估方法、装置、计算机设备和存储介质,旨在解决现有的基于人工勘探的评价水库的水污染风险的方法存在检测处理效率低,评估结果准确度低的技术问题。
本申请提出一种基于模型的水污染风险评估方法,所述方法包括步骤:
获取与指定水库对应的影响因子的数值,其中,所述指定水库为需要进行水污染风险评估的水库,所述影响因子根据与水库水污染相关的污染因素数据生成;
调用预先训练好的风险评估模型,其中,所述风险评估模型基于预先收集的历史水库监测数据以及所述影响因子,对预设的BP神经网络模型进行训练后生成;
将所述影响因子的数值输入至所述风险评估模型中,以通过所述风险评估模型对所述指定水库进行风险评估处理;
获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果。
可选地,所述影响因子包括水污染可能性指数因子、水源涵养功能性指数因子、水土流失敏感性指数因子以及水体色度指数因子,所述获取与指定水库对应的影响因子的数值的步骤,包括:
获取与所述指定水库对应的指定遥感图像数据;
根据所述指定遥感图像数据,生成对应的水体矢量分布图;
根据所述水体矢量分布图,生成除所述指定水库范围外的研究区域图;
对所述研究区域图进行地理编码,将所述研究区域图划分为多个研究分块;
计算出各个所述研究分块对于水库环境的水污染可能性指数因子的数值、各个所述研究分块内的水源涵养功能性指数因子的数值、各个所述研究分块内的水土流失敏感性指数因子的数值;以及,
根据与所述指定遥感图像对应的水体分布栅格图像,计算出水体色度指数因子的数值。
可选地,所述根据所述指定遥感图像数据,生成对应的水体矢量分布图的步骤,包括:
对所述指定遥感图像数据进行预处理,得到处理后的指定遥感图像;
对所述处理后的指定遥感图像进行水体提取处理,得到对应的所述水体分布栅格图像;
对所述水体分布栅格图像进行转换处理,得到转换后的所述水体矢量分布图。
可选地,所述根据所述水体矢量分布图,生成除所述指定水库范围外的研究区域图的步骤,包括:
根据预设的扩张数值对所述水体矢量分布图进行扩张处理,得到对应的水体缓冲区面积矢量图;
对所述水体缓冲区面积矢量图进行裁剪处理,得到除所述指定水库范围外的研究区域图。
可选地,所述根据与所述指定遥感图像对应的水体分布栅格图像,计算出水体色度指数因子的数值的步骤,包括:
根据所述水体分布栅格图像,调用公式,将所述处理后的指定遥感图像中的RGB坐标转换为国际照明委员会坐标,得到对应的三刺激值,其中,R、G、B分别为所述处理后的指定遥感图像数据在红、绿、蓝三个波段的光谱反射率;
可选地,所述调用预先训练好的风险评估模型的步骤之前,包括:
获取预先收集的样本数据,并将所述样本数据划分成训练数据与测试数据,其中,所述样本数据根据所述历史水库监测数据生成;
构建BP神经网络模型,其中,所述BP神经网络模型由输入层、第一隐含层、第二隐含层与输入层构成,第一隐含层与输入层连接,输入层输入的是需要评估的水库对应的影响因子的数值,第二隐含层位于第一隐含层与输出层之间,输出层输出相应的风险评估结果;
利用所述样本数据并采用随机梯度下降算法对所述BP神经网络模型进行训练,得到训练后的BP神经网络模型;
采用所述测试数据对所述训练后的BP神经网络模型进行验证,并判断是否验证通过;
若验证通过,则将所述训练后的BP神经网络模型确定为所述风险评估模型;
将所述风险评估模型存储至区块链网络中。
可选地,所述获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果的步骤之后,包括:
根据所述风险评估结果,查询预设的风险评估映射表,将所述指定水库划分至相应的指定污染等级;
获取与所述指定污染等级对应的处理策略信息;
展示所述处理策略信息。
本申请还提供一种基于模型的水污染风险评估装置,包括:
第一获取模块,用于获取与指定水库对应的影响因子的数值,其中,所述指定水库为需要进行水污染风险评估的水库,所述影响因子根据与水库水污染相关的污染因素数据生成;
调用模块,用于调用预先训练好的风险评估模型,其中,所述风险评估模型基于预先收集的历史水库监测数据以及所述影响因子,对预设的BP神经网络模型进行训练后生成;
处理模块,用于将所述影响因子的数值输入至所述风险评估模型中,以通过所述风险评估模型对所述指定水库进行风险评估处理;
第一确定模块,用于获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本申请中提供的基于模型的水污染风险评估方法、装置、计算机设备和存储介质,具有以下有益效果:
本申请中提供的基于模型的水污染风险评估方法、装置、计算机设备和存储介质,首先根据与水库水污染相关的污染因素数据,确定出水污染风险评估的影响因子,并通过将水库水污染的风险评估与水污染风险评估的影响因子建立对应关系,进而可以根据与水库对应的影响因子的数值,利用训练好的风险评估模型来对水库进行风险评估处理,从而可以快速的输出关于水库的风险评估结果。通过本申请,能够基于训练好的风险评估模型来智能准确地实现对于水库水污染的风险评估,提高了生成的水库水污染的风险评估结果的准确性,提高了生成水库水污染的风险评估结果的处理效率,在时间上大大减少人力劳动,大大减少了工作成本。另外,同时也提高了对水库水污染的观测效率及观测能力,为更好的持续性水资源保护做出更加科学的决策提供数据支持。
附图说明
图1 是本申请一实施例的基于模型的水污染风险评估方法的流程示意图;
图2是本申请一实施例的基于模型的水污染风险评估装置的结构示意图;
图3是本申请一实施例的计算机设备的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
1)交易(Transaction),等同于计算机术语“事务”,交易包括了需要提交到区块链网络执行的操作,并非单指商业语境中的交易,鉴于在区块链技术中约定俗成地使用了“交易”这一术语,本发明实施例遵循了这一习惯。
例如,部署(Deploy)交易用于向区块链网络中的节点安装指定的智能合约并准备被调用;调用(Invoke)交易用于通过调用智能合约在区块链中追加交易的记录,并对区块链的状态数据库进行操作,包括更新操作(包括增加、删除和修改状态数据库中的键值对)和查询操作(即查询状态数据库中的键值对)。
2)区块链(Blockchain),是由区块(Block)形成的加密的、链式的交易的存储结构。
例如,每个区块的头部既可以包括区块中所有交易的哈希值,同时也包含前一个区块中所有交易的哈希值,从而基于哈希值实现区块中交易的防篡改和防伪造;新产生的交易被填充到区块并经过区块链网络中节点的共识后,会被追加到区块链的尾部从而形成链式的增长。
3)区块链网络(Blockchain Network),通过共识的方式将新区块纳入区块链的一系列的节点的集合。
4)账本(Ledger),是区块链(也称为账本数据)和与区块链同步的状态数据库的统称。
其中,区块链是以文件系统中的文件的形式来记录交易;状态数据库是以不同类型的键(Key)值(Value)对的形式来记录区块链中的交易,用于支持对区块链中交易的快速查询。
5)智能合约(Smart Contracts),也称为链码(Chaincode)或应用代码,部署在区块链网络的节点中的程序,节点执行接收的交易中所调用的智能合约,来对账本数据库的键值对数据进行更新或查询的操作。
6)共识(Consensus),是区块链网络中的一个过程,用于在涉及的多个节点之间对区块中的交易达成一致,达成一致的区块将被追加到区块链的尾部,实现共识的机制包括工作量证明(PoW,Proof of Work)、权益证明(PoS,Proof of Stake)、股份授权证明(DPoS,Delegated Proof-of-Stake)、消逝时间量证明(PoET,Proof of Elapsed Time)等。
应当理解,此处所描述的具体实施例仅仅用于解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
参照图1,本申请一实施例的基于模型的水污染风险评估方法,包括:
S1:获取与指定水库对应的影响因子的数值,其中,所述指定水库为需要进行水污染风险评估的水库,所述影响因子根据与水库水污染相关的污染因素数据生成;
S2:调用预先训练好的风险评估模型,其中,所述风险评估模型基于预先收集的历史水库监测数据以及所述影响因子,对预设的BP神经网络模型进行训练后生成;
S3:将所述影响因子的数值输入至所述风险评估模型中,以通过所述风险评估模型对所述指定水库进行风险评估处理;
S4:获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果。
如上述步骤S1至S4所述,本方法实施例的执行主体为一种基于模型的水污染风险评估装置。在实际应用中,上述基于模型的水污染风险评估装置可以通过虚拟装置,例如软件代码实现,也可以通过写入或集成有相关执行代码的实体装置实现,且可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。本实施例能够基于训练好的风险评估模型来智能准确地实现对于水库水污染的风险评估,有效地提高了生成水库水污染的风险评估结果的处理效率,也提高了对水库水污染的观测效率及观测能力,在时间上大大减少人力劳动,大大减少了工作成本。具体地,首先获取与指定水库对应的影响因子的数值,其中,上述指定水库为需要进行水污染风险评估的水库,上述影响因子根据与水库水污染相关的污染因素数据生成。具体可以根据收集到的与水库水污染相关的包含污染因素数据的资料数据,例如与水库水污染相关的论文数据,来初步确定出水污染风险评估的相关影响因子,例如该相关影响因子可包括水污染可能性指数因子、水源涵养功能性指数因子、水土流失敏感性指数因子、水体色度指数因子、降雨量因子、水位因子等等。另外,可对初步确定的相关影响因子进行筛选,得到主要影响水库水污染的影响因子。具体可通过计算初步确定后的各相关影响因子与水库水污染之间的相关系数,再从所有相关影响因子中剔除掉与水污染风险的相关系数低于预设的相关系数阈值的特定影响因子,从而可以得到上述影响因子。例如水污染风险评估的影响因子最终可包括:水污染可能性指数因子、水源涵养功能性指数因子、水土流失敏感性指数因子以及水体色度指数因子。以及,对于上述预设的相关系数阈值不作具体限定,可根据实际需求进行设置。此外,可以先获取与上述指定水库对应的指定遥感图像数据,再根据该指定遥感图像数据,调用预设的与影响因子对应的计算公式来计算得到与指定水库对应的影响因子的数值。在获得了与指定水库对应的影响因子的数值后,再调用预先训练好的风险评估模型,其中,上述风险评估模型基于预先收集的历史水库监测数据以及上述影响因子,对预设的BP神经网络模型进行训练后生成。其中,在确定出上述水污染风险评估的影响因子后,通过采集与历史水库监测数据,并根据上述历史水库监测数据以及上述影响因子,对预设的BP(Back Propagation,反向传播)神经网络模型进行训练,生成训练后的风险评估模型。上述历史水库监测数据可从预存储的历史水库数据库中进行获取,该历史水库数据库中包含以往的与水库相关的所有监测数据,该监测数据至少包括与水污染风险评估的影响因子的所有相关数据。上述历史水库数据库内包含的数据可从国内外各个对地观测数据提供平台进行获取或下载,上述对地观测数据提供平台包括但不限于:国家地理信息公众服务平台、EarthExplore、遥感集市等。另外,可将上述历史水库监测数据中的80%相关数据作为训练样本数据,剩余的20%相关数据作为测试样本样本来对上述预设的BP神经网络模型进行训练,来确保训练生成的风险评估模型的准确性。在完成了对于上述风险评估模型的调用后,再将上述影响因子的数值输入至上述风险评估模型中,以通过上述风险评估模型对上述指定水库进行风险评估处理。其中,上述风险评估模型可通过预设的计算公式,计算得到上述指定水库的风险评估结果,其中,为上述指定水库的风险评估结果,为各影响因子的影响权重,为各影响因子的数值。最后获取上述风险评估模型输出的输出结果,并将上述输出结果作为上述指定水库的风险评估结果。通过本实施例,能够基于训练好的风险评估模型来智能准确地实现对于水库水污染的风险评估,提高了生成的水库水污染的风险评估结果的准确性,提高了生成水库水污染的风险评估结果的处理效率,在时间上大大减少人力劳动,大大减少了工作成本。另外,同时也提高了对水库水污染的观测效率及观测能力,为更好的持续性水资源保护做出更加科学的决策提供数据支持。
进一步地,本申请一实施例中,所述影响因子包括水污染可能性指数因子、水源涵养功能性指数因子、水土流失敏感性指数因子以及水体色度指数因子,上述获取与指定水库对应的影响因子的数值的步骤S1,包括:
S100:获取与所述指定水库对应的指定遥感图像数据;
S101:根据所述指定遥感图像数据,生成对应的水体矢量分布图;
S102:根据所述水体矢量分布图,生成除所述指定水库范围外的研究区域图;
S103:对所述研究区域图进行地理编码,将所述研究区域图划分为多个研究分块;
S104:计算出各个所述研究分块对于水库环境的水污染可能性指数因子的数值、各个所述研究分块内的水源涵养功能性指数因子的数值、各个所述研究分块内的水土流失敏感性指数因子的数值;以及,
S105:根据与所述指定遥感图像对应的水体分布栅格图像,计算出水体色度指数因子的数值。
如上述步骤S100至S105所述,上述影响因子包括水污染可能性指数因子、水源涵养功能性指数因子、水土流失敏感性指数因子以及水体色度指数因子。上述获取与指定水库对应的影响因子的数值的步骤,具体可包括:首先获取与上述指定水库对应的指定遥感图像数据。其中,上述指定遥感图像数据的获取方式可包括:可从国内外各个对地观测数据提供平台,例如国家地理信息公众服务平台、EarthExplore、遥感集市等进行获取或下载对应的高分辨率遥感数据。在得到了上述指定遥感图像数据后,再根据上述指定遥感图像数据,生成对应的水体矢量分布图。其中,可以通过先对指定遥感图像进行水体提取处理,得到对应的水体分布栅格图像,再对上述水体分布栅格图像进行转换处理,以得到转换后的水体矢量分布图。并在得到了上述水体矢量分布图,再根据上述水体矢量分布图,生成除上述指定水库范围外的研究区域图。其中,可以先按照预设的扩张数值对上述水体矢量分布图进行扩张处理,得到对应的水体缓冲区面积矢量图,再对上述水体缓冲区面积矢量图进行裁剪处理,以得到上述研究区域图。在生成了上述研究区域图后,再对上述研究区域图进行地理编码,划分为多个研究分块。其中,对上述研究分块的分块规格不作具体限定,可根据实际需求进行设置,例如可设置为。在完成了对于研究区域图的划分之后,再计算出各个上述研究分块对于水库环境的水污染可能性指数因子的数值、各个上述研究分块内的水源涵养功能性指数因子的数值、各个上述研究分块内的水土流失敏感性指数因子的数值。具体地,可通过调用预设的第一计算公式,计算出各个研究分块对于水库环境的水污染可能性指数因子的数值。其中,先根据上述研究区域图,得到相应的目标地物分布栅格图,该目标地物分布栅格图分别可包括植被分布栅格图、城镇分布栅格图、裸地分布栅格图及重点污染源分布栅格图。再调用第一计算公式,计算出各个研究分块对于水库环境的水污染可能性指数因子的数值,其中,为各项目标地物的影响权重,为各个目标地物在单块研究区域,即每一个研究分块的分布面积。另外,重点污染源分布栅格图的生成过程可包括:通过以上述研究区域图为基础,根据一定样本数量以及各类地物目标的属性信息,使用K邻近法进行特征提取,分别得到植被、城镇、裸地的分类栅格图。再使用实际调查法,确定重点污染源地理位置,得到重点污染源分布矢量图,由于点状、线状、污染源影响区域不仅是污染源本身的面积,因此需要对污染源进行缓冲区分析,得到污染源缓冲矢量图。并在对上述污染源缓冲矢量图进行矢栅变换后,便可以得到污染源缓冲区分布栅格图。以及,可通过调用预设的第二计算公式,计算出各个研究分块内的水源涵养功能性指数因子的数值。其中,水源涵养能力与植被类型、盖度、枯落物组成、土层厚度及土壤物理性质等因素密切相关,可通过调用第二计算公式,来计算出各个研究分块对于水库环境的水源涵养功能性指数因子的数值。其中,为总水源涵养量(),对应水源涵养功能性指数因子的数值,为降雨量(mm),为地表径流量(mm),为蒸散发(mm), 为i类生态系统面积(),i为研究分块中第i类生态系统类型,j为研究分块中生态系统类型数。以及,可通过调用预设的第三计算公式,计算出各个研究分块内的水土流失敏感性指数因子的数值。其中,水土流失是指由于自然或人为因素的影响、雨水不能就地消纳、顺势下流、冲刷土壤,造成水分和土壤同时流失的现象。主要原因是地面坡度大、土地利用不当、地面植被遭破坏、耕作技术不合理、土质松散、滥伐森林、过度放牧等。根据通用水土流失方程的基本原理,选取降水侵蚀力、土壤可蚀性、坡度坡长和地表植被覆盖等指标,能够计算出水土流失敏感性指数因子的数值,具体可通过调用第三计算公式,计算出各个研究分块内的水土流失敏感性指数因子的数值,其中,为 i 空间单元水土流失敏感性指数,为降雨侵蚀力因子,土壤可蚀性因子,为坡长坡度因子,为地表植被覆盖因子。以及,可根据与上述指定遥感图像对应的水体分布栅格图像,计算出水体色度指数因子。其中,可根据上述水体分布栅格图像,调用相关的水体色度指数计算公式来计算出水体色度指数因子。本实施例通过调用与求取影响因子相关的计算公式,能够快速地计算出上述影响因子的数据值,有利于后续通过将上述影响因子的数值输入至上述风险评估模型中,从而得到智能方便地得到风险评估模型输出的上述指定水库的风险评估结果。
进一步地,本申请一实施例中,上述根据所述指定遥感图像数据,生成对应的水体矢量分布图的步骤S101,包括:
S1010:对所述指定遥感图像数据进行预处理,得到处理后的指定遥感图像;
S1011:对所述处理后的指定遥感图像进行水体提取处理,得到对应的所述水体分布栅格图像;
S1012:对所述水体分布栅格图像进行转换处理,得到转换后的所述水体矢量分布图。
如上述步骤S1010至S1012所述,上述根据上述指定遥感图像数据,生成对应的水体矢量分布图的步骤,具体可包括:首先对上述指定遥感图像数据进行预处理,得到处理后的指定遥感图像。其中,对于上述指定遥感图像数据的预处理主要包括四个步骤:辐射定标、几何校正、大气校正及影像融合。辐射定标是依据光谱辐射亮度值与成像光谱仪输出的数字量化值之间的定量关系,将遥感影像的数字量化值转化为真实的辐射值;几何校正是依据系统几何校正模型及几何精校正模型,来改变原始图像中地物目标的几何畸变;大气校正是依据几何校正模型以获取精确的地表真实反射率。经过此三项处理后遥感影像上像素点与实际地面点可以完成高精度的地理配准,再使用高分辨率的全色影像数据对多光谱数据进行影像融合,在保证光谱分辨率的同时以提高遥感影像的空间分辨率,以最终得到处理后的指定遥感图像。在生成了上述处理后的指定遥感图像时,然后对上述处理后的指定遥感图像进行水体提取处理,得到对应的水体分布栅格图像。其中,在遥感图像中,NDWI(Normalized Difference Water Index,归一化水指数)是凸显遥感图像中水体信息的重要指标之一,NDVI(Normalized Difference Vegetation Index,归一化差分植被指数,)是反映植被覆盖状态的重要指标。依据水体与植被的反射特性,即结合NDVI与NDWI的求取公式可以初步的提取出高光谱影像中的植被与水体。通过建立分类决策树,来从上述处理后的指定遥感图像提取水体,便可以得到相应的水体分布栅格图像。另外,对于上述NDVI与NDWI的求取公式可参照现有的公开公式,在此不再赘述。由于矢量图像图形显示质量好、精度高,数据结构紧凑、冗余度低,有利于网络和检索分析。因此最后在得到了上述水体分布栅格图像时,再对上述水体分布栅格图像进行栅矢转换处理,得到转换后的水体矢量分布图,从而有利于后续能够根据该水体矢量分布图来快速地生成除上述指定水库范围外的研究区域图。
进一步地,本申请一实施例中,上述根据所述水体矢量分布图,生成除所述指定水库范围外的研究区域图的步骤S102,包括:
S1020:根据预设的扩张数值对所述水体矢量分布图进行扩张处理,得到对应的水体缓冲区面积矢量图;
S1021:对所述水体缓冲区面积矢量图进行裁剪处理,得到除所述指定水库范围外的研究区域图。
如上述步骤S1020至S1021所述,为了更好的评估水库的水污染风险,不仅应该对水库本身进行研究,更需要对周边区域进行研究分析,因此需要进一步扩大与水库水污染风险评估相关的研究区域的面积。具体地,上述根据上述水体矢量分布图,生成除上述指定水库范围外的研究区域图的步骤,包括:首先按照预设的扩张数值,对上述水体矢量分布图进行扩张处理,得到水体缓冲区面积矢量图。其中,为了更好的包含水源保护区面积,因此在水体矢量分布图的基础上,使用缓冲区分析,将水体矢量分布图往外扩张预设的扩张数值,来生成对应的水体缓冲区面积矢量图。另外,对上述扩张数值不作具体限定,在满足大于1km的基础上按需设置,例如可设置为5km。在得到了上述水体矢量分布图后,再对上述水体缓冲区面积矢量图进行裁剪处理,得到除上述指定水库范围外的研究区域图,以便后续能够方便快捷地根据该研究区域图划分生成对应的多个研究分块,进而能够调用相应公式计算出与该研究分块对应的多个影响因子的数值。
本申请一实施例中,上述对所述水体缓冲区面积矢量图进行裁剪处理,得到除所述指定水库范围外的研究区域图的步骤S107,包括:
S1070:根据所述水体分布栅格图像,调用公式,将所述处理后的指定遥感图像中的RGB坐标转换为国际照明委员会坐标,得到对应的三刺激值,其中,R、G、B分别为所述处理后的指定遥感图像数据在红、绿、蓝三个波段的光谱反射率;
如上述步骤S1070至S1072所述,上述根据与上述指定遥感图像对应的水体分布栅格图像,计算出现有水体色度指数因子的步骤,具体可包括:首先根据上述水体分布栅格图像,调用预设的第四公式,将上述处理后的遥感图像中的RGB坐标转换为国际照明委员会(CIE)坐标,得到三刺激值。其中,R、G、B分别为上述处理后的指定遥感图像数据在红、绿、蓝三个波段的光谱反射率。然后根据上述三刺激值,调用预设的第五公式计算出色度坐标。在得到了上述色度坐标时,最后根据上述色度坐标,调用预设的第六公式计算出上述水体色度指数因子的数值,以便后续通过将该水体色度指数因子的数值,以及其他影响因子对应的数值一起输入至上述风险评估模型中,来智能方便地得到上述指定水库的风险评估结果。
进一步地,本申请一实施例中,上述调用预先训练好的风险评估模型的步骤S2之前,包括:
S200:获取预先收集的样本数据,并将所述样本数据划分成训练数据与测试数据,其中,所述样本数据根据所述历史水库监测数据生成;
S201:构建BP神经网络模型,其中,所述BP神经网络模型由输入层、第一隐含层、第二隐含层与输入层构成,第一隐含层与输入层连接,输入层输入的是需要评估的水库对应的影响因子的数值,第二隐含层位于第一隐含层与输出层之间,输出层输出相应的风险评估结果;
S202:利用所述样本数据并采用随机梯度下降算法对所述BP神经网络模型进行训练,得到训练后的BP神经网络模型;
S203:采用所述测试数据对所述训练后的BP神经网络模型进行验证,并判断是否验证通过;
S204:若验证通过,则将所述训练后的BP神经网络模型确定为所述风险评估模型;
S205:将所述风险评估模型存储至区块链网络中。
如上述步骤S200至S205所述,在进行调用上述风险评估模型之前,还包括对于该风险评估模型的创建过程。具体地,上述调用预先训练好的风险评估模型的步骤之前包括:首先获取预先收集的样本数据,并将上述样本数据划分成训练数据与测试数据,其中,上述样本数据根据上述历史水库监测数据生成。上述历史水库监测数据可从国内外各个对地观测数据提供平台进行获取或下载,上述对地观测数据提供平台包括但不限于:国家地理信息公众服务平台、EarthExplore、遥感集市等。另外,上述样本数据具体为根据上述历史水库监测数据计算出的与水库对应的影响因子的数值。此外,上述将上述样本数据划分成训练数据与测试数据的步骤,可以从上述样本数据中随机抽取出预设比例的数据作为训练数据,再将剩余的其他数据作为测试数据。对于上述预设比例不作具体限定,可根据实际需求进行设定,举例地,预设比例可设为80%,即可从上述样本数据中随机抽取出80%的数据作为训练数据,并将上述样本数据中剩余的20%的数据作为测试数据。然后构建BP神经网络模型,其中,上述BP神经网络模型由输入层、第一隐含层、第二隐含层与输入层构成,第一隐含层与输入层连接,输入层输入的是需要评估的水库对应的影响因子的数值,第二隐含层位于第一隐含层与输出层之间,输出层输出相应的风险评估结果。在完成了对于上述BP神经网络模型的构建后,之后利用上述样本数据并采用随机梯度下降算法对上述BP神经网络模型进行训练,得到训练后的BP神经网络模型。其中,将根据采集到的上述历史水库监测数据生成样本数据,以来对上述构建的BP神经网络模型进行训练的过程中,在采集到该历史水库监测数据后,还可以对历史水库监测数据进行预处理,例如进行清洗处理以剔除掉无用数据。另外,对于历史水库监测数据,获取与水库对应的影响因子的数值作为BP神经网络模型的输入,相应的水库的风险评估数值作为BP神经网络模型的输出,采用随机梯度下降算法不断地对上述BP神经网络模型进行训练,以使损失函数达到预期值,从而可以生成训练后的BP神经网络模型。此外,随机梯度下降法就是随机取样一些训练数据,替代整个训练集,如果样本量很大的情况(例如几十万),那么可能只用其中几万条或者几千条的样本,就已经迭代到最优解了,可以有效地提高模型的训练速度。以及,使用上述随机梯度下降法进行对于BP神经网络模型的训练流程可参照现有的模型训练流程,在此不再赘述。在得到了上述训练后的BP神经网络模型后,再采用上述测试数据对上述训练后的BP神经网络模型进行验证,并判断是否验证通过。如果验证通过,则将上述训练后的BP神经网络模型确定为上述风险评估模型,以便后续能够使用该风险评估模型来根据输入的影响因子的数值,智能地对指定水库进行风险评估处理,从而得到上述指定水库的风险评估结果。进一步地,上述将上述训练后的BP神经网络模型确定为上述风险评估模型的步骤之后,还可包括:将上述风险评估模型存储至区块链网络,通过使用区块链来对训练生成的上述风险评估模型进行存储和管理,能够有效地保证上述风险评估模型的安全性与不可篡改性。
进一步地,本申请一实施例中,上述获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果的步骤S4之后,包括:
S400:根据所述风险评估结果,查询预设的风险评估映射表,将所述指定水库划分至相应的指定污染等级;
S401:获取与所述指定污染等级对应的处理策略信息;
S402:展示所述处理策略信息。
如上述步骤S400至S402所述,在得到了上述风险评估结果后,还可以根据该风险评估结果的内容,进一步生成与指定水库对应的处理策略信息以供相关用户参考。具体地,上述获取上述风险评估模型输出的输出结果,并将上述输出结果作为上述指定水库的风险评估结果的步骤之后,包括:首先根据上述风险评估结果,查询预设的风险评估映射表,将上述指定水库划分至相应的指定污染等级。其中,预先创建包含有风险评估结果与相应的污染等级之间的映射关系的风险评估映射表,并可根据该风险评估映射表来查询得到与风险评估结果相对应的污染等级。在得到了上述指定污染等级时,然后获取与上述指定污染等级对应的处理策略信息。其中,对于不同的污染等级,会预先设置有与各个污染等级相对应的处理策略信息。在得到了上述处理策略信息后,再展示上述处理策略信息,以便用相关户能够清楚了解到对应于指定水库当前所需的处理策略。进一步地,在得到了上述风险评估结果后,还可以进一步生成与该风险评估结果对应的水污染风险评估图。具体地,上述获取上述风险评估模型输出的输出结果,并将上述输出结果作为上述指定水库的风险评估结果的步骤之后,包括:首先根据上述风险评估结果,生成对应的水污染风险评估图。在得到了上述水污染风险评估图,再展示该水污染风险评估图,以便用户能够根据该水污染风险评估图,清楚明了地知悉指定水库当前真实的水污染评估情况,并能够根据该水污染评估情况来合理地定制后续相应的水库处理计划。
参照图2,本申请一实施例中还提供了一种基于模型的水污染风险评估装置,包括:
第一获取模块1,用于获取与指定水库对应的影响因子的数值,其中,所述指定水库为需要进行水污染风险评估的水库,所述影响因子根据与水库水污染相关的污染因素数据生成;
调用模块2,用于调用预先训练好的风险评估模型,其中,所述风险评估模型基于预先收集的历史水库监测数据以及所述影响因子,对预设的BP神经网络模型进行训练后生成;
处理模块3,用于将所述影响因子的数值输入至所述风险评估模型中,以通过所述风险评估模型对所述指定水库进行风险评估处理;
第一确定模块4,用于获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果。
本实施例中,上述基于模型的水污染风险评估装置中的第一获取模块、调用模块、处理模块与第一确定模块的功能和作用的实现过程具体详见上述基于模型的水污染风险评估方法中对应步骤S1至S4的实现过程,在此不再赘述。
进一步地,本申请一实施例中,所述影响因子包括水污染可能性指数因子、水源涵养功能性指数因子、水土流失敏感性指数因子以及水体色度指数因子,上述第一获取模块,包括:
获取子模块,用于获取与所述指定水库对应的指定遥感图像数据;
第一生成子模块,用于根据所述指定遥感图像数据,生成对应的水体矢量分布图;
第二生成子模块,用于根据所述水体矢量分布图,生成除所述指定水库范围外的研究区域图;
划分子模块,用于对所述研究区域图进行地理编码,将所述研究区域图划分为多个研究分块;
第一计算子模块,用于计算出各个所述研究分块对于水库环境的水污染可能性指数因子的数值、各个所述研究分块内的水源涵养功能性指数因子的数值、各个所述研究分块内的水土流失敏感性指数因子的数值;以及,
第二计算子模块,用于根据与所述指定遥感图像对应的水体分布栅格图像,计算出水体色度指数因子的数值。
本实施例中,上述基于模型的水污染风险评估装置中的获取子模块、第一生成子模块、第二生成子模块、划分子模块、第一计算子模块与第二计算子模块的功能和作用的实现过程具体详见上述基于模型的水污染风险评估方法中对应步骤S100至S105的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述第一生成子模块,包括:
处理单元,用于对所述指定遥感图像数据进行预处理,得到处理后的指定遥感图像;
提取单元,用于对所述处理后的指定遥感图像进行水体提取处理,得到对应的所述水体分布栅格图像;
转换单元,用于对所述水体分布栅格图像进行转换处理,得到转换后的所述水体矢量分布图。
本实施例中,上述基于模型的水污染风险评估装置中的处理单元、提取单元与转换单元的功能和作用的实现过程具体详见上述基于模型的水污染风险评估方法中对应步骤S1010至S1012的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述第二生成子模块,包括:
扩张单元,用于根据预设的扩张数值对所述水体矢量分布图进行扩张处理,得到对应的水体缓冲区面积矢量图;
裁剪单元,用于对所述水体缓冲区面积矢量图进行裁剪处理,得到除所述指定水库范围外的研究区域图。
本实施例中,上述基于模型的水污染风险评估装置中的扩张单元与裁剪单元的功能和作用的实现过程具体详见上述基于模型的水污染风险评估方法中对应步骤S1020至S1021的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述第四计算子模块,包括:
第一计算单元,用于根据所述水体分布栅格图像,调用公式,将所述处理后的指定遥感图像中的RGB坐标转换为国际照明委员会坐标,得到对应的三刺激值,其中,R、G、B分别为所述处理后的指定遥感图像数据在红、绿、蓝三个波段的光谱反射率;
本实施例中,上述基于模型的水污染风险评估装置中的第一计算单元、第二计算单元与第三计算单元的功能和作用的实现过程具体详见上述基于模型的水污染风险评估方法中对应步骤S1050至S1052的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述基于模型的水污染风险评估装置,包括:
第二获取模块,用于获取预先收集的样本数据,并将所述样本数据划分成训练数据与测试数据,其中,所述样本数据根据所述历史水库监测数据生成;
构建模块,用于构建BP神经网络模型,其中,所述BP神经网络模型由输入层、第一隐含层、第二隐含层与输入层构成,第一隐含层与输入层连接,输入层输入的是需要评估的水库对应的影响因子的数值,第二隐含层位于第一隐含层与输出层之间,输出层输出相应的风险评估结果;
训练模块,用于利用所述样本数据并采用随机梯度下降算法对所述BP神经网络模型进行训练,得到训练后的BP神经网络模型;
验证模块,用于采用所述测试数据对所述训练后的BP神经网络模型进行验证,并判断是否验证通过;
第二确定模块,用于若验证通过,则将所述训练后的BP神经网络模型确定为所述风险评估模型;
存储模块,用于将所述风险评估模型存储至区块链网络中。
本实施例中,上述基于模型的水污染风险评估装置中的第二获取模块、构建模块、训练模块、验证模块、第二确定模块与存储模块的功能和作用的实现过程具体详见上述基于模型的水污染风险评估方法中对应步骤S200至S205的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述基于模型的水污染风险评估装置,还包括:
查询模块,用于根据所述风险评估结果,查询预设的风险评估映射表,将所述指定水库划分至相应的指定污染等级;
第三获取模块,用于获取与所述指定污染等级对应的处理策略信息;
展示模块,用于展示所述处理策略信息。
本实施例中,上述基于模型的水污染风险评估装置中的查询模块、第三获取模块与展示模块的功能和作用的实现过程具体详见上述基于模型的水污染风险评估方法中对应步骤S400至S402的实现过程,在此不再赘述。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、输入装置和数据库。其中,该计算机设备设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储影响因子、历史水库监测数据、风险评估模型、与指定水库对应的影响因子的数值以及指定水库的风险评估结果等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的显示屏是计算机中必不可少的一种图文输出设备,用于将数字信号转换为光信号,使文字与图形在显示屏的屏幕上显示出来。该计算机设备的输入装置是计算机与用户或其他设备之间进行信息交换的主要装置,用于把数据、指令及某些标志信息等输送到计算机中去。该计算机程序被处理器执行时以实现一种基于模型的水污染风险评估方法。
上述处理器执行上述基于模型的水污染风险评估方法的步骤:
获取与指定水库对应的影响因子的数值,其中,所述指定水库为需要进行水污染风险评估的水库,所述影响因子根据与水库水污染相关的污染因素数据生成;
调用预先训练好的风险评估模型,其中,所述风险评估模型基于预先收集的历史水库监测数据以及所述影响因子,对预设的BP神经网络模型进行训练后生成;
将所述影响因子的数值输入至所述风险评估模型中,以通过所述风险评估模型对所述指定水库进行风险评估处理;
获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的装置、计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种基于模型的水污染风险评估方法,具体为:
获取与指定水库对应的影响因子的数值,其中,所述指定水库为需要进行水污染风险评估的水库,所述影响因子根据与水库水污染相关的污染因素数据生成;
调用预先训练好的风险评估模型,其中,所述风险评估模型基于预先收集的历史水库监测数据以及所述影响因子,对预设的BP神经网络模型进行训练后生成;
将所述影响因子的数值输入至所述风险评估模型中,以通过所述风险评估模型对所述指定水库进行风险评估处理;
获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果。
综上所述,本申请实施例中提供的基于模型的水污染风险评估方法、装置、计算机设备和存储介质,获取与指定水库对应的影响因子的数值,其中,所述指定水库为需要进行水污染风险评估的水库,所述影响因子根据与水库水污染相关的污染因素数据生成;调用预先训练好的风险评估模型,其中,所述风险评估模型基于预先收集的历史水库监测数据以及所述影响因子,对预设的BP神经网络模型进行训练后生成;将所述影响因子的数值输入至所述风险评估模型中,以通过所述风险评估模型对所述指定水库进行风险评估处理;获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果。通过本申请实施例,能够基于训练好的风险评估模型来智能准确地实现对于水库水污染的风险评估,提高了生成的水库水污染的风险评估结果的准确性,提高了生成水库水污染的风险评估结果的处理效率,在时间上大大减少人力劳动,大大减少了工作成本。另外,同时也提高了对水库水污染的观测效率及观测能力,为更好的持续性水资源保护做出更加科学的决策提供数据支持。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种基于模型的水污染风险评估方法,其特征在于,包括:
获取与指定水库对应的影响因子的数值,其中,所述指定水库为需要进行水污染风险评估的水库,所述影响因子根据与水库水污染相关的污染因素数据生成;
调用预先训练好的风险评估模型,其中,所述风险评估模型基于预先收集的历史水库监测数据以及所述影响因子,对预设的BP神经网络模型进行训练后生成;
将所述影响因子的数值输入至所述风险评估模型中,以通过所述风险评估模型对所述指定水库进行风险评估处理;
获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果;
其中,所述影响因子包括水污染可能性指数因子、水源涵养功能性指数因子、水土流失敏感性指数因子以及水体色度指数因子,所述获取与指定水库对应的影响因子的数值的步骤,包括:
获取与所述指定水库对应的指定遥感图像数据;
根据所述指定遥感图像数据,生成对应的水体矢量分布图;
根据所述水体矢量分布图,生成除所述指定水库范围外的研究区域图;
对所述研究区域图进行地理编码,将所述研究区域图划分为多个研究分块;
计算出各个所述研究分块对于水库环境的水污染可能性指数因子的数值、各个所述研究分块内的水源涵养功能性指数因子的数值、各个所述研究分块内的水土流失敏感性指数因子的数值;以及,
根据与所述指定遥感图像对应的水体分布栅格图像,计算出水体色度指数因子的数值;
其中,所述计算出各个所述研究分块对于水库环境的水污染可能性指数因子的数值、各个所述研究分块内的水源涵养功能性指数因子的数值、各个所述研究分块内的水土流失敏感性指数因子的数值的步骤,包括:
根据所述研究区域图,得到相应的目标地物分布栅格图,所述目标地物分布栅格图分别包括植被分布栅格图、城镇分布栅格图、裸地分布栅格图及重点污染源分布栅格图,调用第一计算公式,计算出各个研究分块对于水库环境的水污染可能性指数因子的数值,其中,为各类目标地物的影响权重,为各类目标地物在单块研究区域,即每一个研究分块的分布面积,所述目标地物包括与所述目标地物分布栅格图对应的植被、城镇、裸地及重点污染源四类地物,四种所述目标地物分布栅格图基于所述研究区域图与四类所述目标地物的属性信息构建生成;
通过调用第二计算公式,来计算出各个研究分块对于水库环境的水源涵养功能性指数因子的数值,其中,为总水源涵养量(),对应水源涵养功能性指数因子的数值,为降雨量(mm),为地表径流量(mm),为蒸散发(mm),为i类生态系统面积(),i为研究分块中第i类生态系统类型,j为研究分块中生态系统类型数;
其中,所述根据与所述指定遥感图像对应的水体分布栅格图像,计算出水体色度指数因子的数值的步骤,包括:
根据与所述指定遥感图像对应的水体分布栅格图像,计算出水体色度指数因子的数值的步骤,包括:
根据所述水体分布栅格图像,调用公式,将处理后的指定遥感图像中的RGB坐标转换为国际照明委员会坐标,得到对应的三刺激值,其中,所述处理后的指定遥感图像为对所述指定遥感图像数据进行预处理后得到的图像,R、G、B分别为所述处理后的指定遥感图像数据在红、绿、蓝三个波段的光谱反射率;
2.根据权利要求1所述的基于模型的水污染风险评估方法,其特征在于,所述根据所述指定遥感图像数据,生成对应的水体矢量分布图的步骤,包括:
对所述指定遥感图像数据进行预处理,得到处理后的指定遥感图像;
对所述处理后的指定遥感图像进行水体提取处理,得到对应的所述水体分布栅格图像;
对所述水体分布栅格图像进行转换处理,得到转换后的所述水体矢量分布图。
3.根据权利要求1所述的基于模型的水污染风险评估方法,其特征在于,所述根据所述水体矢量分布图,生成除所述指定水库范围外的研究区域图的步骤,包括:
根据预设的扩张数值对所述水体矢量分布图进行扩张处理,得到对应的水体缓冲区面积矢量图;
对所述水体缓冲区面积矢量图进行裁剪处理,得到除所述指定水库范围外的研究区域图。
4.根据权利要求1所述的基于模型的水污染风险评估方法,其特征在于,所述调用预先训练好的风险评估模型的步骤之前,包括:
获取预先收集的样本数据,并将所述样本数据划分成训练数据与测试数据,其中,所述样本数据根据所述历史水库监测数据生成;
构建BP神经网络模型,其中,所述BP神经网络模型由输入层、第一隐含层、第二隐含层与输入层构成,第一隐含层与输入层连接,输入层输入的是需要评估的水库对应的影响因子的数值,第二隐含层位于第一隐含层与输出层之间,输出层输出相应的风险评估结果;
利用所述样本数据并采用随机梯度下降算法对所述BP神经网络模型进行训练,得到训练后的BP神经网络模型;
采用所述测试数据对所述训练后的BP神经网络模型进行验证,并判断是否验证通过;
若验证通过,则将所述训练后的BP神经网络模型确定为所述风险评估模型;
将所述风险评估模型存储至区块链网络中。
5.根据权利要求1所述的基于模型的水污染风险评估方法,其特征在于,所述获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果的步骤之后,包括:
根据所述风险评估结果,查询预设的风险评估映射表,将所述指定水库划分至相应的指定污染等级;
获取与所述指定污染等级对应的处理策略信息;
展示所述处理策略信息。
6.一种基于模型的水污染风险评估装置,其特征在于,包括:
第一获取模块,用于获取与指定水库对应的影响因子的数值,其中,所述指定水库为需要进行水污染风险评估的水库,所述影响因子根据与水库水污染相关的污染因素数据生成;
调用模块,用于调用预先训练好的风险评估模型,其中,所述风险评估模型基于预先收集的历史水库监测数据以及所述影响因子,对预设的BP神经网络模型进行训练后生成;
处理模块,用于将所述影响因子的数值输入至所述风险评估模型中,以通过所述风险评估模型对所述指定水库进行风险评估处理;
第一确定模块,用于获取所述风险评估模型输出的输出结果,并将所述输出结果作为所述指定水库的风险评估结果;
其中,所述影响因子包括水污染可能性指数因子、水源涵养功能性指数因子、水土流失敏感性指数因子以及水体色度指数因子,所述第一获取模块,包括:
获取子模块,用于获取与所述指定水库对应的指定遥感图像数据;
第一生成子模块,用于根据所述指定遥感图像数据,生成对应的水体矢量分布图;
第二生成子模块,用于根据所述水体矢量分布图,生成除所述指定水库范围外的研究区域图;
划分子模块,用于对所述研究区域图进行地理编码,将所述研究区域图划分为多个研究分块;
第一计算子模块,用于计算出各个所述研究分块对于水库环境的水污染可能性指数因子的数值、各个所述研究分块内的水源涵养功能性指数因子的数值、各个所述研究分块内的水土流失敏感性指数因子的数值;以及,
第二计算子模块,用于根据与所述指定遥感图像对应的水体分布栅格图像,计算出水体色度指数因子的数值;
其中,所述第一计算子模块,具体包括:
根据所述研究区域图,得到相应的目标地物分布栅格图,所述目标地物分布栅格图分别包括植被分布栅格图、城镇分布栅格图、裸地分布栅格图及重点污染源分布栅格图,调用第一计算公式,计算出各个研究分块对于水库环境的水污染可能性指数因子的数值,其中,为各类目标地物的影响权重,为各类目标地物在单块研究区域,即每一个研究分块的分布面积,所述目标地物包括与所述目标地物分布栅格图对应的植被、城镇、裸地及重点污染源四类地物,四种所述目标地物分布栅格图基于所述研究区域图与四类所述目标地物的属性信息构建生成;
通过调用第二计算公式,来计算出各个研究分块对于水库环境的水源涵养功能性指数因子的数值,其中,为总水源涵养量(),对应水源涵养功能性指数因子的数值,为降雨量(mm),为地表径流量(mm),为蒸散发(mm),为i类生态系统面积(),i为研究分块中第i类生态系统类型,j为研究分块中生态系统类型数;
所述第二计算子模块,具体包括:
根据与所述指定遥感图像对应的水体分布栅格图像,计算出水体色度指数因子的数值的步骤,包括:
根据所述水体分布栅格图像,调用公式,将处理后的指定遥感图像中的RGB坐标转换为国际照明委员会坐标,得到对应的三刺激值,其中,所述处理后的指定遥感图像为对所述指定遥感图像数据进行预处理后得到的图像,R、G、B分别为所述处理后的指定遥感图像数据在红、绿、蓝三个波段的光谱反射率;
7.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114395.XA CN111950942B (zh) | 2020-10-19 | 2020-10-19 | 基于模型的水污染风险评估方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114395.XA CN111950942B (zh) | 2020-10-19 | 2020-10-19 | 基于模型的水污染风险评估方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950942A CN111950942A (zh) | 2020-11-17 |
CN111950942B true CN111950942B (zh) | 2021-01-19 |
Family
ID=73357634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011114395.XA Active CN111950942B (zh) | 2020-10-19 | 2020-10-19 | 基于模型的水污染风险评估方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950942B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766664B (zh) * | 2020-12-31 | 2023-05-23 | 中国科学院生态环境研究中心 | 基于gis平台的城市面源污染风险识别方法及装置 |
CN112907096B (zh) * | 2021-03-08 | 2024-06-21 | 江苏维诗环境科技有限公司 | 一种重金属污染风险评估系统 |
CN113139745A (zh) * | 2021-05-13 | 2021-07-20 | 生态环境部南京环境科学研究所 | 一种生态破坏影响评估方法 |
CN113469127B (zh) * | 2021-07-23 | 2024-06-07 | 平安国际智慧城市科技股份有限公司 | 河流敏感性等级划分方法、装置、设备及存储介质 |
CN113610167B (zh) * | 2021-08-10 | 2022-06-24 | 宿迁旺春机械制造有限公司 | 基于度量学习与视觉感知的设备风险检测方法 |
CN117422195A (zh) * | 2023-10-08 | 2024-01-19 | 曙光云计算集团有限公司 | 水质评估方法、装置、计算机设备和存储介质 |
CN117195135B (zh) * | 2023-11-01 | 2024-02-27 | 潍坊德瑞生物科技有限公司 | 一种水污染异常溯源检测方法及系统 |
CN117664888B (zh) * | 2024-01-31 | 2024-05-03 | 北京英视睿达科技股份有限公司 | 基于水质预测模型库的水质监测方法、装置、设备及介质 |
CN118396575A (zh) * | 2024-06-28 | 2024-07-26 | 广东省林业科学研究院 | 一种基于多维数据的湿地植物智能化监管系统与方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830489A (zh) * | 2018-06-21 | 2018-11-16 | 环境保护部南京环境科学研究所 | 一种区域生态系统水源涵养功能评估方法 |
CN208335253U (zh) * | 2018-07-17 | 2019-01-04 | 淮阴师范学院 | 一种基于改进ga-bp在工业污水监测系统 |
CN111028255A (zh) * | 2018-10-10 | 2020-04-17 | 千寻位置网络有限公司 | 基于先验信息与深度学习的农田区域预筛选方法及装置 |
CN111414927A (zh) * | 2019-01-05 | 2020-07-14 | 邵泽东 | 一种海水水质评价的方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913411B (zh) * | 2016-05-10 | 2019-06-04 | 云南大学 | 一种基于因子定权模型的湖泊水质评价预测系统及方法 |
CN107991243B (zh) * | 2016-10-27 | 2020-06-19 | 核工业北京地质研究院 | 一种基于航空高光谱遥感数据的高海拔地区水体提取方法 |
CN106651723B (zh) * | 2016-12-29 | 2020-08-14 | 生态环境部南京环境科学研究所 | 一种水源涵养功能保护红线的划定方法 |
CN107527298A (zh) * | 2017-08-26 | 2017-12-29 | 辽宁大学 | 一种北方大型水库流域水质目标控制方法 |
CN107886216A (zh) * | 2017-10-12 | 2018-04-06 | 天津大学 | 一种基于土地利用适宜性评价的土地承载力分析方法 |
CN208188883U (zh) * | 2018-03-23 | 2018-12-04 | 佛山科学技术学院 | 一种远程的水产养殖水体质量监测系统 |
CN109446934A (zh) * | 2018-10-12 | 2019-03-08 | 北京英视睿达科技有限公司 | 水环境监管方法和系统 |
CN111380836B (zh) * | 2020-03-04 | 2024-08-16 | 平安国际智慧城市科技股份有限公司 | 基于遥感影像的黑臭水定位方法、装置及其相关设备 |
CN111582689B (zh) * | 2020-04-27 | 2024-03-01 | 生态环境部南京环境科学研究所 | 一种生态保护红线保护成效的评估方法及系统 |
-
2020
- 2020-10-19 CN CN202011114395.XA patent/CN111950942B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830489A (zh) * | 2018-06-21 | 2018-11-16 | 环境保护部南京环境科学研究所 | 一种区域生态系统水源涵养功能评估方法 |
CN208335253U (zh) * | 2018-07-17 | 2019-01-04 | 淮阴师范学院 | 一种基于改进ga-bp在工业污水监测系统 |
CN111028255A (zh) * | 2018-10-10 | 2020-04-17 | 千寻位置网络有限公司 | 基于先验信息与深度学习的农田区域预筛选方法及装置 |
CN111414927A (zh) * | 2019-01-05 | 2020-07-14 | 邵泽东 | 一种海水水质评价的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111950942A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950942B (zh) | 基于模型的水污染风险评估方法、装置和计算机设备 | |
Bechtel et al. | Generating WUDAPT Level 0 data–Current status of production and evaluation | |
Lu et al. | Detection and prediction of land use/land cover change using spatiotemporal data fusion and the Cellular Automata–Markov model | |
Koch et al. | Revealing areas of high nature conservation importance in a seasonally dry tropical forest in Brazil: Combination of modelled plant diversity hot spots and threat patterns | |
Wu et al. | Monitoring and predicting land use change in Beijing using remote sensing and GIS | |
Baker et al. | The r. le programs for multiscale analysis of landscape structure using the GRASS geographical information system | |
Verburg et al. | A method to analyse neighbourhood characteristics of land use patterns | |
Austin | An ecological perspective on biodiversity investigations: examples from Australian eucalypt forests | |
Pindozzi et al. | Using historical maps to analyze two hundred years of land cover changes: case study of Sorrento peninsula (south Italy) | |
Stone | Forest-type mapping by photo-interpretation: A multi-purpose base for Tasmania's forest management | |
Kocur-Bera | Data compatibility between the Land and Building Cadaster (LBC) and the Land Parcel Identification System (LPIS) in the context of area-based payments: A case study in the Polish Region of Warmia and Mazury | |
Wang et al. | A review of regional and Global scale Land Use/Land Cover (LULC) mapping products generated from satellite remote sensing | |
Pelletier | Evaluating nonpoint pollution using remotely sensed data in soil erosion models | |
Cochrane et al. | Representative hillslope methods for applying the WEPP model with DEMs and GIS | |
Kumar et al. | A multi-layer perceptron–Markov chain based LULC change analysis and prediction using remote sensing data in Prayagraj district, India | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
CN113793023A (zh) | 一种基于卫星遥感的区域绿色发展指标评价方法 | |
SAHDEV et al. | Land Use Planning for Hillside Development Using GIS Based Analytic Hierarchy Process. | |
Mubea et al. | Spatial effects of varying model coefficients in urban growth modeling in Nairobi, Kenya | |
Shifaw et al. | Farmland dynamics in Pingtan, China: understanding its transition, landscape structure and driving factors | |
Ogunbadewa | Developing natural resources database with Nigeriasat-1 satellite data and geographical information systems | |
Jayasinghe et al. | Comparative Evaluation of Open Source Urban Simulation Models Applied to Colombo City and Environs in Sri Lanka. | |
Chakraborti et al. | Assessing dynamism of urban built-up growth and landuse change through spatial metrics: a study on Siliguri and its surroundings | |
McPherson | Landscape scale species distribution modeling across the Guiana Shield to inform conservation decision making in Guyana | |
Maithani et al. | An artificial neural network based approach for modelling urban spatial growth |
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 |