CN112241844B - 饮用水水源地环境风险源本底清单确定及更新方法和装置 - Google Patents
饮用水水源地环境风险源本底清单确定及更新方法和装置 Download PDFInfo
- Publication number
- CN112241844B CN112241844B CN202011130020.2A CN202011130020A CN112241844B CN 112241844 B CN112241844 B CN 112241844B CN 202011130020 A CN202011130020 A CN 202011130020A CN 112241844 B CN112241844 B CN 112241844B
- Authority
- CN
- China
- Prior art keywords
- risk
- source
- information
- point
- drinking water
- 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
- 239000003651 drinking water Substances 0.000 title claims abstract description 95
- 235000020188 drinking water Nutrition 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000007613 environmental effect Effects 0.000 title claims abstract description 69
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 58
- 238000007689 inspection Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 90
- 210000002569 neuron Anatomy 0.000 claims description 79
- 238000009826 distribution Methods 0.000 claims description 48
- 238000003062 neural network model Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 42
- 239000002689 soil Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 238000009360 aquaculture Methods 0.000 claims description 12
- 244000144974 aquaculture Species 0.000 claims description 12
- 238000009395 breeding Methods 0.000 claims description 12
- 230000001488 breeding effect Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 244000144972 livestock Species 0.000 claims description 12
- 244000144977 poultry Species 0.000 claims description 12
- 239000002699 waste material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 230000004720 fertilization Effects 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 230000035558 fertility Effects 0.000 claims description 6
- 239000003337 fertilizer Substances 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 6
- 239000002910 solid waste Substances 0.000 claims description 6
- 239000002912 waste gas Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种饮用水水源地环境风险源本底清单确定及更新方法和装置,属于水源地监测领域。该方法融合卫星遥感信息与现场信息获取水源地环境风险源的更新数据,自动更新水源地环境风险源本底清单,形成真实的风险源清单,该清单可用于水源地环境整治、现场执法、现场督查。一方面充分发挥卫星遥感专题信息覆盖面广,空间定位准确的优势,省时省力,另一方面发挥现场核查时便于收集风险源各种属性信息及现场照片的优势。本发明可以生成全面反映水源地情况的真实风险源,全面反映水源地全域情况,风险源数据获取难度和成本更低,时效性好,提高了水源地环境风险源获取的便捷性、经济性、真实性,是可以用于水源地环境执法、环境监督的问题清单。
Description
技术领域
本发明涉及水源地监测领域,特别是指一种饮用水水源地环境风险源本底清单确定及更新方法和装置。
背景技术
解决饮用水水源地突出环境问题,是我国饮用水水源地环境保护工作的首要任务,可用于环境执法管理的风险源清单是进行水源地保护的工作起点,是保证保护效果的基础数据。现在的环境风险源清单形成方法有两种:第一种为行政单位根据现场信息、逐级上报形成;第二种为基于卫星遥感提取的问题清单。
行政单位根据现场信息、逐级上报的方式形成的水源地环境风险源清单的准确性完全依赖最低一级行政单位的问题清单确定方式。通常环境风险源清单确定方法为以地方日常环境监管名单内的工业企业为代表的点源类环境问题。因为成规模且手续齐全,一直是环境保护工作监管的重点,名单内的点源类风险源可以较为准确的进入名单。但是由于饮用水水源保护区面积较大、地处偏远,在整个水源地“面”上的规模较小、不在名单的“小散乱污”类企业与排污口,发现困难,此类环境问题,通常不能全面进入清单。所以,行政单位根据现场信息、逐级上报形成风险源清单在“点”上的信息表达的比较准确,在“面”上的信息难以全面覆盖,且时效性较差、成本高、客观性差、全面性不能保证。
基于卫星遥感提取的风险源问题清单可以兼顾到水源保护区面上的信息,但受限于遥感影像看不到目标内部的情况,导致有些信息类别判断有误,或是某些污染类管理信息在卫星影像上没有反映,即遥感信息存在“易定位,难定性”的特点。
发明内容
为解决上述技术问题,本发明提供一种饮用水水源地环境风险源本底清单确定及更新方法和装置,本发明可以科学、全面、快速的获取水源保护区环境风险源问题清单,为水源地环境保护执法监管提供技术支撑。
本发明提供技术方案如下:
第一方面,本发明提供一种饮用水水源地环境风险源本底清单确定及更新方法,所述方法包括:
S1:获取覆盖饮用水水源地的遥感影像并在所述遥感影像上提取得到环境风险源空间分布图,所述环境风险源空间分布图包括风险源斑块以及风险源斑块的类别;
S2:为每个风险源斑块生成现场核查任务清单,所述现场核查任务清单包括每个风险源斑块中心点的经纬度信息、每个风险源斑块外围边界的空间位置信息以及每个风险源斑块的类别;
S3:获取根据每个风险源斑块的现场核查任务清单核查得到的现场风险源信息,所述现场风险源信息包括现场核查得到的风险点的位置信息、风险点的类别、风险点的影响范围以及风险点的照片;
S4:以风险点的位置信息为基准,将所述现场风险源信息融合到所述环境风险源空间分布图上;
S5:确定风险点的影响范围包含于对应的风险源斑块中的比例,若所述比例超过设定的阈值,则认为遥感影像提取的风险源斑块与现场核查得到的现场风险源信息为同一风险源,并建立风险源斑块与现场风险源信息的联系;
S6:若所述比例未超过设定的阈值,则遍历该风险源斑块周围的风险源斑块,并重复S5,直至查找到与现场核查得到的现场风险源信息为同一风险源的风险源斑块;
S7:将建立联系的风险源斑块与现场风险源信息更新到饮用水水源地环境风险源历史本底清单中。
进一步的,所述风险点的影响范围通过如下模型确定:
Di=Sm(Cm,xi,yi);
其中,Di为第i个风险点的影响范围,Sm为风险点影响范围计算模型,Cm为风险点的风险类型,m=1,2,3,m为1对应点源类风险,m为2对应面源类风险,m为3对应移动类风险;xi与yi分别为第i个风险点的经度与纬度;
点源类风险的风险点影响范围计算模型为S1=G1(a,b,c,d,e,f1,g1);
其中,G1为点源类风险确定模型;
a表示风险点与饮用水水源地的关系,包括风险点位于饮用水水源地一级保护区、二级保护区或准保护区;
b表示水系信息,包括水系空间分布、水系流向和水系流量;
c表示降雨信息,包括降雨频率、降雨时间分布和降雨量;
d表示路网信息,包括路宽、路网分布和路网密度;
e表示交通管控信息,包括是否允许危、废品运输、运输频次和防范措施;
f1表示企业信息,包括原材料、产品信息、生产工艺、生产过程的排放信息,所述生产过程的排放信息包括废气、废液、固废的排放量和排放地点;
g1表示风向信息,指常年主要风向及风速;
面源类风险的风险点影响范围计算模型为S2=G2(a,b,c,f2,g2,h2,k2,u2,v2);
其中,G2为面源类风险确定模型;
f2表示面源类型及规模,所述面源类型包括农业类、居民区类、畜禽养殖类和水产养殖类,所述农业类的规模为农业种植面积,所述居民区类的规模为居民区面积及人口数量,所述畜禽养殖类与水产养殖类的规模为养殖数量;
g2表示土壤性质,包括土壤类型、土壤酸碱度和土壤肥力;
h2表示施肥信息,肥料类型及年均施用量;
k2表示坡度信息;
u2表示种植信息,包括种植类型和种植结构;
v2表示平均产污量,对应不同类型面源的平均产污量;
移动类风险的风险点影响范围计算模型为S3=G3(a,b,d,e);
其中,G3为移动类风险确定模型。
进一步的,所述风险点的影响范围为圆形,所述圆形以风险点的位置为圆心,并以特定的尺寸为半径。
进一步的,所述S1包括:
获取覆盖饮用水水源地的遥感影像;
对所述遥感影像进行预处理,所述预处理包括正射校正、大气校正和图像融合;
利用已知的饮用水水源地边界对所述遥感影像进行图像裁剪运算,得到饮用水水源地的遥感影像;
对所述饮用水水源地的遥感影像,利用环境风险源提取神经网络模型,获得饮用水水源地的环境风险源空间分布图。
进一步的,所述环境风险源提取神经网络模型的输入层神经元个数为i,隐含层神经元节点数为j,输出层神经元数目为m;输入层神经元与隐含层神经元的连接权值为w,隐含层神经元与输出层神经元的连接权值为v;隐含层神经元阈值为θ,输出层神经元阈值为u;所述w、v、u、θ基于引力智能优化算法自适应更新;
所述输入层神经元的输入为饮用水水源地的遥感影像的光谱信息xi和空间纹理信息yi;
所述隐含层神经元的输出为:Oj=f(Ij-θj)=f(netj);
所述输出层神经元的输出为:Om=f(Im-um)=f(netm);
其中,所述输出层神经元的输出即为饮用水水源地的环境风险源空间分布图,f为环境风险源提取神经网络模型使用的函数。
进一步的,所述环境风险源提取神经网络模型通过如下过程训练得到:
将饮用水水源地的遥感影像的光谱信息xi和空间纹理信息yi输入所述输入层神经元;
建立引力智能优化算法与环境风险源提取神经网络模型中w、v、u、θ之间的映射关系,其中,引力智能优化算法中各个粒子k(k=1,2,…,NP)的维度为i*j+j*m+j+m,NP为粒子个数,各个粒子的位置向量为
确定引力智能优化算法的参数,构造种群:包括粒子个数NP;通过随机初始化每个粒子的位置向量Pk初始化w、v、u、θ;初始化每个粒子的速度向量Vk=0;最大适应度值计算次数Tmax;引力常量初始值为G0;
利用初始化的每个粒子的位置向量Pk,计算得到所述输出层神经元输出Om;
对每一个粒子k,计算其质量Mk、引力Fk、加速度ak、速度Vk,对每一个粒子k的位置向量Pk进行更新,调节环境风险源提取神经网络模型的w、v、u、θ;
所述引力Fk计算公式为:表示粒子s对粒子k的引力,Rk,s=||Pk,Ps||2,为当前时刻粒子k和s间的欧氏距离;ε为常数,G为当前时刻的万有引力常数,随着时间的增大而变小,α为引力衰减因子,t为当前迭代次数;
所述质量Vk计算公式为:Vk=λ×Vk+ak,其中,λ为速度的惯性权重,设置为[0,1]内的均匀随机数;
粒子k的位置向量Pk的更新公式为:Pk=Pk+Vk;
重复上述过程,对各个粒子的位置向量Pk不断进行修正,直到达到最大迭代次数,将Ek最小的粒子对应的w、v、u、θ作为环境风险源提取神经网络模型训练后的参数,完成环境风险源提取神经网络模型的训练。
第二方面,本发明提供一种饮用水水源地环境风险源本底清单确定及更新装置,所述装置包括:
遥感风险源数据获取模块,用于获取覆盖饮用水水源地的遥感影像并在所述遥感影像上提取得到环境风险源空间分布图,所述环境风险源空间分布图包括风险源斑块以及风险源斑块的类别;
现场核查任务清单生成模块,用于为每个风险源斑块生成现场核查任务清单,所述现场核查任务清单包括每个风险源斑块中心点的经纬度信息、每个风险源斑块外围边界的空间位置信息以及每个风险源斑块的类别;
现场风险源信息获取模块,用于获取根据每个风险源斑块的现场核查任务清单核查得到的现场风险源信息,所述现场风险源信息包括现场核查得到的风险点的位置信息、风险点的类别、风险点的影响范围以及风险点的照片;
数据融合模块,用于以风险点的位置信息为基准,将所述现场风险源信息融合到所述环境风险源空间分布图上;
第一判断模块,用于确定风险点的影响范围包含于对应的风险源斑块中的比例,若所述比例超过设定的阈值,则认为遥感影像提取的风险源斑块与现场核查得到的现场风险源信息为同一风险源,并建立风险源斑块与现场风险源信息的联系;
第二判断模块,用于若所述比例未超过设定的阈值,则遍历该风险源斑块周围的风险源斑块,并重复第一判断模块,直至查找到与现场核查得到的现场风险源信息为同一风险源的风险源斑块;
更新模块,用于将建立联系的风险源斑块与现场风险源信息更新到饮用水水源地环境风险源历史本底清单中。
进一步的,所述风险点的影响范围通过如下模型确定:
Di=Sm(Cm,xi,yi);
其中,Di为第i个风险点的影响范围,Sm为风险点影响范围计算模型,Cm为风险点的风险类型,m=1,2,3,m为1对应点源类风险,m为2对应面源类风险,m为3对应移动类风险;xi与yi分别为第i个风险点的经度与纬度;
点源类风险的风险点影响范围计算模型为S1=G1(a,b,c,d,e,f1,g1);
其中,G1为点源类风险确定模型;
a表示风险点与饮用水水源地的关系,包括风险点位于饮用水水源地一级保护区、二级保护区或准保护区;
b表示水系信息,包括水系空间分布、水系流向和水系流量;
c表示降雨信息,包括降雨频率、降雨时间分布和降雨量;
d表示路网信息,包括路宽、路网分布和路网密度;
e表示交通管控信息,包括是否允许危、废品运输、运输频次和防范措施;
f1表示企业信息,包括原材料、产品信息、生产工艺、生产过程的排放信息,所述生产过程的排放信息包括废气、废液、固废的排放量和排放地点;
g1表示风向信息,指常年主要风向及风速;
面源类风险的风险点影响范围计算模型为S2=G2(a,b,c,f2,g2,h2,k2,u2,v2);
其中,G2为面源类风险确定模型;
f2表示面源类型及规模,所述面源类型包括农业类、居民区类、畜禽养殖类和水产养殖类,所述农业类的规模为农业种植面积,所述居民区类的规模为居民区面积及人口数量,所述畜禽养殖类与水产养殖类的规模为养殖数量;
g2表示土壤性质,包括土壤类型、土壤酸碱度和土壤肥力;
h2表示施肥信息,肥料类型及年均施用量;
k2表示坡度信息;
u2表示种植信息,包括种植类型和种植结构;
v2表示平均产污量,对应不同类型面源的平均产污量;
移动类风险的风险点影响范围计算模型为S3=G3(a,b,d,e);
其中,G3为移动类风险确定模型。
进一步的,所述风险点的影响范围为圆形,所述圆形以风险点的位置为圆心,并以特定的尺寸为半径。
进一步的,所述遥感风险源数据获取模块包括:
遥感影像获取单元,用于获取覆盖饮用水水源地的遥感影像;
预处理单元,用于对所述遥感影像进行预处理,所述预处理包括正射校正、大气校正和图像融合;
图像裁剪单元,用于利用已知的饮用水水源地边界对所述遥感影像进行图像裁剪运算,得到饮用水水源地的遥感影像;
风险源提取单元,用于对所述饮用水水源地的遥感影像,利用环境风险源提取神经网络模型,获得饮用水水源地的环境风险源空间分布图。
进一步的,所述环境风险源提取神经网络模型的输入层神经元个数为i,隐含层神经元节点数为j,输出层神经元数目为m;输入层神经元与隐含层神经元的连接权值为w,隐含层神经元与输出层神经元的连接权值为v;隐含层神经元阈值为θ,输出层神经元阈值为u;所述w、v、u、θ基于引力智能优化算法自适应更新;
所述输入层神经元的输入为饮用水水源地的遥感影像的光谱信息xi和空间纹理信息yi;
所述隐含层神经元的输出为:Oj=f(Ij-θj)=f(netj);
所述输出层神经元的输出为:Om=f(Im-um)=f(netm);
其中,所述输出层神经元的输出即为饮用水水源地的环境风险源空间分布图,f为环境风险源提取神经网络模型使用的函数。
进一步的,所述环境风险源提取神经网络模型通过如下过程训练得到:
将饮用水水源地的遥感影像的光谱信息xi和空间纹理信息yi输入所述输入层神经元;
建立引力智能优化算法与环境风险源提取神经网络模型中w、v、u、θ之间的映射关系,其中,引力智能优化算法中各个粒子k(k=1,2,…,NP)的维度为i*j+j*m+j+m,NP为粒子个数,各个粒子的位置向量为
确定引力智能优化算法的参数,构造种群:包括粒子个数NP;通过随机初始化每个粒子的位置向量Pk初始化w、v、u、θ;初始化每个粒子的速度向量Vk=0;最大适应度值计算次数Tmax;引力常量初始值为G0;
利用初始化的每个粒子的位置向量Pk,计算得到所述输出层神经元输出Om;
对每一个粒子k,计算其质量Mk、引力Fk、加速度ak、速度Vk,对每一个粒子k的位置向量Pk进行更新,调节环境风险源提取神经网络模型的w、v、u、θ;
所述引力Fk计算公式为:其中表示粒子s对粒子k的引力,Rk,s=||Pk,Ps||2,为当前时刻粒子k和s间的欧氏距离;ε为常数,G为当前时刻的万有引力常数,随着时间的增大而变小,α为引力衰减因子,t为当前迭代次数;
所述质量Vk计算公式为:Vk=λ×Vk+ak,其中,λ为速度的惯性权重,设置为[0,1]内的均匀随机数;
粒子k的位置向量Pk的更新公式为:Pk=Pk+Vk;
重复上述过程,对各个粒子的位置向量Pk不断进行修正,直到达到最大迭代次数,将Ek最小的粒子对应的w、v、u、θ作为环境风险源提取神经网络模型训练后的参数,完成环境风险源提取神经网络模型的训练。
本发明具有以下有益效果:
本发明融合卫星遥感信息与现场信息获取饮用水水源地环境风险源的更新数据,并自动更新水源地环境风险源本底清单,形成真实的风险源清单,该清单可用于水源地环境整治、现场执法、现场督查。该方法一方面充分发挥卫星遥感专题信息覆盖面广,空间定位准确的优势,省时省力,另一方面发挥现场核查时便于收集风险源各种属性信息及现场照片的优势。本发明可以生成全面反映水源地情况的真实风险源,全面反映水源地全域情况,水源地风险源数据获取难度和成本更低,时效性好,提高了水源地环境风险源获取的便捷性、经济性、真实性,是可以用于水源地环境执法、环境监督的问题清单。
附图说明
图1为本发明的饮用水水源地环境风险源本底清单确定及更新方法的流程图;
图2为环境风险源提取神经网络模型的示意图;
图3为本发明的饮用水水源地环境风险源本底清单确定及更新装置的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
实施例1:
本发明实施例提供一种饮用水水源地环境风险源本底清单确定及更新方法,如图1所示,该方法包括:
S1:获取覆盖饮用水水源地的遥感影像并在遥感影像上提取得到环境风险源空间分布图,该环境风险源空间分布图包括各个风险源斑块以及风险源斑块的类别。
本步骤获取的遥感影像为高分辨率卫星遥感影像,数据分辨率为米级或亚米级。将遥感影像输入设计好的提取模型,即可得到风险源斑块以及对应的类别,即为环境风险源空间分布图。
通过遥感影像得到风险源分布不仅可以提高获取水源保护区风险源的科学性和全面性,而且通过遥感影像监测大范围环境问题,省时省力,提高了数据获取的便捷性和经济性,另外,卫星遥感影像对风险源的空间定位准确。
S2:为每个风险源斑块生成现场核查任务清单,现场核查任务清单包括每个风险源斑块中心点的经纬度信息、每个风险源斑块外围边界的空间位置信息以及每个风险源斑块的类别。
由于遥感影像看不到目标内部的情况,导致有些信息类别判断有误,所以需要对遥感影像获取的风险源进行核查。本步骤通过生成现场核查任务清单的方式分配核查任务,以风险源斑块为基本单元,生成现场核查任务清单,现场核查任务清单包括风险源斑块中心点的经纬度信息、风险源斑块外围边界的空间位置信息以及每个风险源斑块的类别等。
S3:获取根据每个风险源斑块的现场核查任务清单核查得到的现场风险源信息,现场风险源信息包括现场核查得到的风险点的位置信息、风险点的类别、风险点的影响范围以及风险点的照片。
工作人员根据现场核查任务清单,开展现场核查,收集每个风险源斑块对应的现场的风险点类别、位置、影响范围和照片等信息,并将收集到的信息反馈。
S4:以风险点的位置信息为基准,将现场风险源信息融合到环境风险源空间分布图上。
遥感影像得到的环境风险源空间分布图与现场风险源信息为异构数据,其数据格式不同,很难统一管理。本步骤以位置信息为共同字段,形成融合数据集,解决多源异构数据统一管理问题。
S5:确定风险点的影响范围包含于对应的风险源斑块中的比例,若比例超过设定的阈值,则认为遥感影像提取的风险源斑块与现场核查得到的现场风险源信息为同一风险源,并建立风险源斑块与现场风险源信息的联系。
本步骤用于对比遥感数据与现场数据,自动筛选确定疑似风险源数据集,生成待更新风险源数据集。
风险点的影响范围为以风险点为中心的一片区域,可以是规则圆形,也可以是不规则的形状,该影响范围根据风险点的种类等确定。
设y=f2(B2,B1),B1为遥感影像提取的风险源斑块,B2为现场核查得到的风险点的影响范围,f2为判断B1与B2空间位置关系及面积关系的函数,y为f2函数的运算结果。
若风险点的影响范围完全包含于风险源斑块中,或者包含于对应的风险源斑块中的比例超过设定的阈值(例如60%),则y的结果为真,表示现场核查的风险源与遥感监测斑块所对应的风险源为同一个环境问题,建立此斑块数据与现场数据的联系。
S6:若比例未超过设定的阈值,则遍历该风险源斑块周围的风险源斑块,并重复S5,直至查找到与现场核查得到的现场风险源信息为同一风险源的风险源斑块。
若风险点的影响范围包含于对应的风险源斑块中的比例小于60%,即风险点的影响范围B2超过40%位于风险源斑块B1之外,则y的结果为假,启动遍历B1斑块周边斑块对比规则,查找满足条件的斑块,直至找到为止,并建立找到的斑块与B2的联系。
S7:将建立联系的风险源斑块与现场风险源信息更新到饮用水水源地环境风险源历史本底清单中。
本步骤中,对比为B2,B1与历史本底清单的相似程度,确定B2,B1是否为需要更新的数据,如果为待更新数据,则保留B2,B1斑块对应的任务数据,将其更新到历史本底清单中,否则,舍弃处理。
本发明融合卫星遥感信息与现场信息获取饮用水水源地环境风险源的更新数据,并自动更新水源地环境风险源本底清单,形成真实的风险源清单,该清单可用于水源地环境整治、现场执法、现场督查。该方法一方面充分发挥卫星遥感专题信息覆盖面广,空间定位准确的优势,省时省力,另一方面发挥现场核查时便于收集风险源各种属性信息及现场照片的优势。本发明可以生成全面反映水源地情况的真实风险源,全面反映水源地全域情况,水源地风险源数据获取难度和成本更低,时效性好,提高了水源地环境风险源获取的便捷性、经济性、真实性,是可以用于水源地环境执法、环境监督的问题清单。
本发明中,所述风险点的影响范围通过如下模型确定:
Di=Sm(Cm,xi,yi)。
其中,Di为第i个风险点的影响范围,Sm为风险点影响范围计算模型,Cm为风险点的风险类型,m=1,2,3,m为1对应点源类风险,m为2对应面源类风险,m为3对应移动类风险;xi与yi分别为第i个风险点的经度与纬度。
点源类风险的风险点影响范围计算模型为S1=G1(a,b,c,d,e,f1,g1)。
其中,G1为点源类风险确定模型。
a表示风险点与饮用水水源地的关系,包括风险点位于饮用水水源地一级保护区、二级保护区或准保护区。
b表示水系信息,包括水系空间分布、水系流向和水系流量。
c表示降雨信息,包括降雨频率、降雨时间分布和降雨量。
d表示路网信息,包括路宽、路网分布和路网密度。
e表示交通管控信息,包括是否允许危、废品运输、运输频次和防范措施。
f1表示企业信息,包括原材料、产品信息、生产工艺、生产过程的排放信息,所述生产过程的排放信息包括废气、废液、固废的排放量和排放地点。
g1表示风向信息,指常年主要风向及风速。
可见,点源类风险确定模型G1与风险点与饮用水水源地的关系、水系信息、降雨信息、路网信息、表示交通管控信息、企业信息和风向信息有关。至于G1的具体形式和参数,本发明不做限定,在其中一个优选示例中,可以通过深度学习的方式确定G1的具体形式和参数。
面源类风险的风险点影响范围计算模型为S2=G2(a,b,c,f2,g2,h2,k2,u2,v2)。
其中,G2为面源类风险确定模型。
a、b、c的含义参见点源类风险确定模型。
f2表示面源类型及规模,所述面源类型包括农业类、居民区类、畜禽养殖类和水产养殖类,所述农业类的规模为农业种植面积,所述居民区类的规模为居民区面积及人口数量,所述畜禽养殖类与水产养殖类的规模为养殖数量。
g2表示土壤性质,包括土壤类型、土壤酸碱度和土壤肥力。
h2表示施肥信息,肥料类型及年均施用量。
k2表示坡度信息。
u2表示种植信息,包括种植类型和种植结构。
v2表示平均产污量,对应不同类型面源的平均产污量。
可见,面源类风险确定模型G2与风险点与饮用水水源地的关系、水系信息、降雨信息、面源类型及规模、土壤性质、施肥信息、坡度信息、种植信息和平均产污量有关。至于G2的具体形式和参数,本发明不做限定,在其中一个优选示例中,可以通过深度学习的方式确定G2的具体形式和参数。
移动类风险的风险点影响范围计算模型为S3=G3(a,b,d,e)。
其中,G3为移动类风险确定模型。
可见,移动类风险确定模型G3与风险点与饮用水水源地的关系、水系信息、降雨信息和路网信息有关。至于G3的具体形式和参数,本发明不做限定,在其中一个优选示例中,可以通过深度学习的方式确定G3的具体形式和参数。
风险点的影响范围还可以通过其他方式确定,在一个简单的示例中,风险点的影响范围为圆形,圆形以风险点的位置为圆心,并以特定的尺寸为半径。
例如,风险点的影响范围为S1=f1(p,r),p代表风险点的位置,以经度、纬度标识;r=100米,为圆的半径。f1为圆面积计算函数,S1为圆面积,也就是风险点的影响范围。
作为本发明的一种改进,前述的S1包括:
S11:获取覆盖饮用水水源地的遥感影像。
S12:对遥感影像进行预处理,预处理包括正射校正、大气校正和图像融合。
正射校正:遥感成像的时候,由于飞行器的姿态、高度、速度以及地球自转等因素的影响,造成图像相对于地面目标发生几何畸变,这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等,针对几何畸变进行的误差校正即为正射校正。
正射校正主要包括校正方法确定、控制点输入、像素重采样和精度评价。
1)校正方法确定:可以根据遥感影像几何畸变的性质和遥感影像数据源的不同确定几何校正的方法,例如可以选择多项式校正方法
2)控制点输入:一般要求控制点均匀分布在整幅遥感影像上,尽量选择明显、清晰的定位识别标志作为控制点,如道路交叉点等特征点。
3)重采样:对原始遥感影像进行重采样,得到消除几何畸变后的影像,例如可以选用双线性内插法进行重采样。
4)精度评价:将消除几何畸变后的遥感影像与控制影像套合,检验精度,要求正射校正的精度在1个像元以内。
大气校正:卫星传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映,其中包含了由大气吸收,尤其是散射作用造成的辐射量误差,大气校正就是消除这些由大气影响所造成的辐射误差,反演地物真实的表面反射率的过程。
图像融合:对于面积较大的待检测区域而言,需要多景遥感影像才能覆盖,因此需要进行图像融合。
S13:利用已知的饮用水水源地边界对遥感影像进行图像裁剪运算,得到饮用水水源地的遥感影像。
S14:对饮用水水源地的遥感影像,利用环境风险源提取神经网络模型,获得饮用水水源地的环境风险源空间分布图。
该环境风险源提取神经网络模型如图2所示,其输入层神经元个数为i,隐含层神经元节点数为j,输出层神经元数目为m;输入层神经元与隐含层神经元的连接权值为w,隐含层神经元与输出层神经元的连接权值为v;隐含层神经元阈值为θ,输出层神经元阈值为u;所述w、v、u、θ基于引力智能优化算法(Gravitational Search Algorithm,GSA)自适应更新。
输入层神经元的输入为饮用水水源地的遥感影像的光谱信息xi和空间纹理信息yi,该环境风险源提取神经网络模型的处理过程为:
S14.2:隐含层神经元的输出为:Oj=f(Ij-θj)=f(netj)。
S14.4:输出层神经元的输出为:Om=f(Im-um)=f(netm)。
上述S14.1-14.4为从输入层到输出层的前向传递过程,该过程也是网络完成训练后,执行分类处理的过程。其中,输出层神经元的输出即为饮用水水源地的环境风险源空间分布图,f为环境风险源提取神经网络模型使用的函数。
在训练时,环境风险源提取神经网络模型通过如下过程训练得到:
将饮用水水源地的遥感影像的光谱信息xi和空间纹理信息yi输入输入层神经元。
建立引力智能优化算法与环境风险源提取神经网络模型中权值w、v与阈值u、θ之间的映射关系,其中,引力智能优化算法中各个粒子k(k=1,2,…,NP)的维度为i*j+j*m+j+m,NP为粒子个数,各个粒子的位置向量为
确定引力智能优化算法的参数,构造种群:包括粒子个数NP;通过随机初始化每个粒子的位置向量Pk的方式初始化权值w、v与阈值u、θ;初始化每个粒子的速度向量Vk=0;最大适应度值计算次数Tmax;引力常量初始值为G0。
利用初始化的每个粒子的位置向量Pk(即初始化的权值w、v与阈值u、θ),通过前述的前向传递过程(S14.1-14.4)计算得到所述输出层神经元输出Om。
对每一个粒子k,计算其质量Mk、引力Fk、加速度ak、速度Vk,对每一个粒子k的位置向量Pk进行更新,调节环境风险源提取神经网络模型的权值w、v与阈值u、θ。
所述引力Fk计算公式为:其中表示粒子s对粒子k的引力,Rk,s=||Pk,Ps||2,为当前时刻粒子k和s间的欧氏距离;ε为常数,G为当前时刻的万有引力常数,随着时间的增大而变小,α为引力衰减因子,t为当前迭代次数。
所述质量Vk计算公式为:Vk=λ×Vk+ak,其中,λ为速度的惯性权重,设置为[0,1]内的均匀随机数。
粒子k的位置向量Pk的更新公式为:Pk=Pk+Vk。
重复上述过程,对各个粒子的位置向量Pk不断进行修正,直到达到最大迭代次数,将Ek最小的粒子对应的权值w、v与阈值u、θ作为环境风险源提取神经网络模型训练后的参数,完成环境风险源提取神经网络模型的训练。
上述根据遥感影像确定的环境风险源空间分布图(即风险源环境问题清单),可以全面反映水源地内点源类环境问题,获取难度和成本更低,时效率好,更能说明水源保护区环境安全总体状况。
实施例2:
本发明实施例提供一种饮用水水源地环境风险源本底清单确定及更新装置,如图3所示,该装置包括:
遥感风险源数据获取模块1,用于获取覆盖饮用水水源地的遥感影像并在遥感影像上提取得到环境风险源空间分布图,环境风险源空间分布图包括风险源斑块以及风险源斑块的类别。
现场核查任务清单生成模块2,用于为每个风险源斑块生成现场核查任务清单,现场核查任务清单包括每个风险源斑块中心点的经纬度信息、每个风险源斑块外围边界的空间位置信息以及每个风险源斑块的类别。
现场风险源信息获取模块3,用于获取根据每个风险源斑块的现场核查任务清单核查得到的现场风险源信息,现场风险源信息包括现场核查得到的风险点的位置信息、风险点的类别、风险点的影响范围以及风险点的照片。
数据融合模块4,用于以风险点的位置信息为基准,将现场风险源信息融合到环境风险源空间分布图上。
第一判断模块5,用于确定风险点的影响范围包含于对应的风险源斑块中的比例,若比例超过设定的阈值,则认为遥感影像提取的风险源斑块与现场核查得到的现场风险源信息为同一风险源,并建立风险源斑块与现场风险源信息的联系。
第二判断模块6,用于若比例未超过设定的阈值,则遍历该风险源斑块周围的风险源斑块,并重复第一判断模块,直至查找到与现场核查得到的现场风险源信息为同一风险源的风险源斑块。
更新模块7,用于将建立联系的风险源斑块与现场风险源信息更新到饮用水水源地环境风险源历史本底清单中。
所述风险点的影响范围通过如下模型确定:
Di=Sm(Cm,xi,yi)。
其中,Di为第i个风险点的影响范围,Sm为风险点影响范围计算模型,Cm为风险点的风险类型,m=1,2,3,m为1对应点源类风险,m为2对应面源类风险,m为3对应移动类风险;xi与yi分别为第i个风险点的经度与纬度。
点源类风险的风险点影响范围计算模型为S1=G1(a,b,c,d,e,f1,g1)。
其中,G1为点源类风险确定模型。
a表示风险点与饮用水水源地的关系,包括风险点位于饮用水水源地一级保护区、二级保护区或准保护区。
b表示水系信息,包括水系空间分布、水系流向和水系流量。
c表示降雨信息,包括降雨频率、降雨时间分布和降雨量。
d表示路网信息,包括路宽、路网分布和路网密度。
e表示交通管控信息,包括是否允许危、废品运输、运输频次和防范措施。
f1表示企业信息,包括原材料、产品信息、生产工艺、生产过程的排放信息,所述生产过程的排放信息包括废气、废液、固废的排放量和排放地点。
g1表示风向信息,指常年主要风向及风速。
面源类风险的风险点影响范围计算模型为S2=G2(a,b,c,f2,g2,h2,k2,u2,v2);
其中,G2为面源类风险确定模型。
f2表示面源类型及规模,所述面源类型包括农业类、居民区类、畜禽养殖类和水产养殖类,所述农业类的规模为农业种植面积,所述居民区类的规模为居民区面积及人口数量,所述畜禽养殖类与水产养殖类的规模为养殖数量。
g2表示土壤性质,包括土壤类型、土壤酸碱度和土壤肥力。
h2表示施肥信息,肥料类型及年均施用量。
k2表示坡度信息。
u2表示种植信息,包括种植类型和种植结构。
v2表示平均产污量,对应不同类型面源的平均产污量。
移动类风险的风险点影响范围计算模型为S3=G3(a,b,d,e)。
其中,G3为移动类风险确定模型。
风险点的影响范围还可以通过其他方式确定,在其中一个示例中,风险点的影响范围为圆形,圆形以风险点的位置为圆心,并以特定的尺寸为半径。
本发明的遥感风险源数据获取模块包括:
遥感影像获取单元,用于获取覆盖饮用水水源地的遥感影像。
预处理单元,用于对遥感影像进行预处理,预处理包括正射校正、大气校正和图像融合。
图像裁剪单元,用于利用已知的饮用水水源地边界对遥感影像进行图像裁剪运算,得到饮用水水源地的遥感影像。
风险源提取单元,用于对饮用水水源地的遥感影像,利用环境风险源提取神经网络模型,获得饮用水水源地的环境风险源空间分布图。
该环境风险源提取神经网络模型的输入层神经元个数为i,隐含层神经元节点数为j,输出层神经元数目为m;输入层神经元与隐含层神经元的连接权值为w,隐含层神经元与输出层神经元的连接权值为v;隐含层神经元阈值为θ,输出层神经元阈值为u;所述w、v、u、θ基于引力智能优化算法自适应更新。
输入层神经元的输入为饮用水水源地的遥感影像的光谱信息xi和空间纹理信息yi。
隐含层神经元的输出为:Oj=f(Ij-θj)=f(netj)。
输出层神经元的输出为:Om=f(Im-um)=f(netm)。
其中,输出层神经元的输出即为饮用水水源地的环境风险源空间分布图,f为环境风险源提取神经网络模型使用的函数。
环境风险源提取神经网络模型通过如下过程训练得到:
将饮用水水源地的遥感影像的光谱信息xi和空间纹理信息yi输入输入层神经元。
建立引力智能优化算法与环境风险源提取神经网络模型中w、v、u、θ之间的映射关系,其中,引力智能优化算法中各个粒子k(k=1,2,…,NP)的维度为i*j+j*m+j+m,NP为粒子个数,各个粒子的位置向量为
确定引力智能优化算法的参数,构造种群:包括粒子个数NP;通过随机初始化每个粒子的位置向量Pk初始化w、v、u、θ;初始化每个粒子的速度向量Vk=0;最大适应度值计算次数Tmax;引力常量初始值为G0。
利用初始化的每个粒子的位置向量Pk,计算得到所述输出层神经元输出Om。
对每一个粒子k,计算其质量Mk、引力Fk、加速度ak、速度Vk,对每一个粒子k的位置向量Pk进行更新,调节环境风险源提取神经网络模型的w、v、u、θ。
所述引力Fk计算公式为:其中表示粒子s对粒子k的引力,Rk,s=||Pk,Ps||2,为当前时刻粒子k和s间的欧氏距离;ε为常数,G为当前时刻的万有引力常数,随着时间的增大而变小,α为引力衰减因子,t为当前迭代次数。
所述质量Vk计算公式为:Vk=λ×Vk+ak,其中,λ为速度的惯性权重,设置为[0,1]内的均匀随机数。
粒子k的位置向量Pk的更新公式为:Pk=Pk+Vk。
重复上述过程,对各个粒子的位置向量Pk不断进行修正,直到达到最大迭代次数,将Ek最小的粒子对应的w、v、u、θ作为环境风险源提取神经网络模型训练后的参数,完成环境风险源提取神经网络模型的训练。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例1中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
需要说明的是,本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照方法实施例的描述,在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类、存储介质+程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定按照要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是,术语“包括”、“包含”或者其任何其他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、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本底和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种饮用水水源地环境风险源本底清单确定及更新方法,其特征在于,所述方法包括:
S1:获取覆盖饮用水水源地的遥感影像并在所述遥感影像上提取得到环境风险源空间分布图,所述环境风险源空间分布图包括风险源斑块以及风险源斑块的类别;
S2:为每个风险源斑块生成现场核查任务清单,所述现场核查任务清单包括每个风险源斑块中心点的经纬度信息、每个风险源斑块外围边界的空间位置信息以及每个风险源斑块的类别;
S3:获取根据每个风险源斑块的现场核查任务清单核查得到的现场风险源信息,所述现场风险源信息包括现场核查得到的风险点的位置信息、风险点的类别、风险点的影响范围以及风险点的照片;
S4:以风险点的位置信息为基准,将所述现场风险源信息融合到所述环境风险源空间分布图上;
S5:确定风险点的影响范围包含于对应的风险源斑块中的比例,若所述比例超过设定的阈值,则认为遥感影像提取的风险源斑块与现场核查得到的现场风险源信息为同一风险源,并建立风险源斑块与现场风险源信息的联系;
S6:若所述比例未超过设定的阈值,则遍历该风险源斑块周围的风险源斑块,并重复S5,直至查找到与现场核查得到的现场风险源信息为同一风险源的风险源斑块;
S7:将建立联系的风险源斑块与现场风险源信息更新到饮用水水源地环境风险源历史本底清单中;
所述风险点的影响范围通过如下模型确定:
Di=Sm(Cm,xi,yi);
其中,Di为第i个风险点的影响范围,Sm为风险点影响范围计算模型,Cm为风险点的风险类型,m=1,2,3,m为1对应点源类风险,m为2对应面源类风险,m为3对应移动类风险;xi与yi分别为第i个风险点的经度与纬度;
点源类风险的风险点影响范围计算模型为S1=G1(a,b,c,d,e,f1,g1);
其中,G1为点源类风险确定模型;
a表示风险点与饮用水水源地的关系,包括风险点位于饮用水水源地一级保护区、二级保护区或准保护区;
b表示水系信息,包括水系空间分布、水系流向和水系流量;
c表示降雨信息,包括降雨频率、降雨时间分布和降雨量;
d表示路网信息,包括路宽、路网分布和路网密度;
e表示交通管控信息,包括是否允许危、废品运输、运输频次和防范措施;
f1表示企业信息,包括原材料、产品信息、生产工艺、生产过程的排放信息,所述生产过程的排放信息包括废气、废液、固废的排放量和排放地点;
g1表示风向信息,指常年主要风向及风速;
面源类风险的风险点影响范围计算模型为S2=G2(a,b,c,f2,g2,h2,k2,u2,v2);
其中,G2为面源类风险确定模型;
f2表示面源类型及规模,所述面源类型包括农业类、居民区类、畜禽养殖类和水产养殖类,所述农业类的规模为农业种植面积,所述居民区类的规模为居民区面积及人口数量,所述畜禽养殖类与水产养殖类的规模为养殖数量;
g2表示土壤性质,包括土壤类型、土壤酸碱度和土壤肥力;
h2表示施肥信息,肥料类型及年均施用量;
k2表示坡度信息;
u2表示种植信息,包括种植类型和种植结构;
v2表示平均产污量,对应不同类型面源的平均产污量;
移动类风险的风险点影响范围计算模型为S3=G3(a,b,d,e);
其中,G3为移动类风险确定模型;
所述S1包括:
获取覆盖饮用水水源地的遥感影像;
对所述遥感影像进行预处理,所述预处理包括正射校正、大气校正和图像融合;
利用已知的饮用水水源地边界对所述遥感影像进行图像裁剪运算,得到饮用水水源地的遥感影像;
对所述饮用水水源地的遥感影像,利用环境风险源提取神经网络模型,获得饮用水水源地的环境风险源空间分布图。
2.根据权利要求1所述的饮用水水源地环境风险源本底清单确定及更新方法,其特征在于,所述风险点的影响范围为圆形,所述圆形以风险点的位置为圆心,并以特定的尺寸为半径。
3.根据权利要求2所述的饮用水水源地环境风险源本底清单确定及更新方法,其特征在于,所述环境风险源提取神经网络模型的输入层神经元个数为i,隐含层神经元节点数为j,输出层神经元数目为m;输入层神经元与隐含层神经元的连接权值为w,隐含层神经元与输出层神经元的连接权值为v;隐含层神经元阈值为θ,输出层神经元阈值为u;所述w、v、u、θ基于引力智能优化算法自适应更新;
所述输入层神经元的输入为饮用水水源地的遥感影像的光谱信息xi和空间纹理信息yi;
所述隐含层神经元的输出为:Oj=f(Ij-θj)=f(netj);
所述输出层神经元的输出为:Om=f(Im-um)=f(netm);
其中,所述输出层神经元的输出即为饮用水水源地的环境风险源空间分布图,f为环境风险源提取神经网络模型使用的函数。
4.根据权利要求3所述的饮用水水源地环境风险源本底清单确定及更新方法,其特征在于,所述环境风险源提取神经网络模型通过如下过程训练得到:
将饮用水水源地的遥感影像的光谱信息xi和空间纹理信息yi输入所述输入层神经元;
建立引力智能优化算法与环境风险源提取神经网络模型中w、v、u、θ之间的映射关系,其中,引力智能优化算法中各个粒子k(k=1,2,…,NP)的维度为i*j+j*m+j+m,NP为粒子个数,各个粒子的位置向量为
确定引力智能优化算法的参数,构造种群:包括粒子个数NP;通过随机初始化每个粒子的位置向量Pk初始化w、v、u、θ;初始化每个粒子的速度向量Vk=0;最大适应度值计算次数Tmax;引力常量初始值为G0;
利用初始化的每个粒子的位置向量Pk,计算得到所述输出层神经元输出Om;
对每一个粒子k,计算其质量Mk、引力Fk、加速度ak、速度Vk,对每一个粒子k的位置向量Pk进行更新,调节环境风险源提取神经网络模型的w、v、u、θ;
所述引力Fk计算公式为:其中表示粒子s对粒子k的引力,Rk,s=||Pk,Ps||2,为当前时刻粒子k和s间的欧氏距离;ε为常数,G为当前时刻的万有引力常数,随着时间的增大而变小,α为引力衰减因子,t为当前迭代次数;
所述质量Vk计算公式为:Vk=λ×Vk+ak,其中,λ为速度的惯性权重,设置为[0,1]内的均匀随机数;
粒子k的位置向量Pk的更新公式为:Pk=Pk+Vk;
重复上述过程,对各个粒子的位置向量Pk不断进行修正,直到达到最大迭代次数,将Ek最小的粒子对应的w、v、u、θ作为环境风险源提取神经网络模型训练后的参数,完成环境风险源提取神经网络模型的训练。
5.一种饮用水水源地环境风险源本底清单确定及更新装置,其特征在于,所述装置包括:
遥感风险源数据获取模块,用于获取覆盖饮用水水源地的遥感影像并在所述遥感影像上提取得到环境风险源空间分布图,所述环境风险源空间分布图包括风险源斑块以及风险源斑块的类别;
现场核查任务清单生成模块,用于为每个风险源斑块生成现场核查任务清单,所述现场核查任务清单包括每个风险源斑块中心点的经纬度信息、每个风险源斑块外围边界的空间位置信息以及每个风险源斑块的类别;
现场风险源信息获取模块,用于获取根据每个风险源斑块的现场核查任务清单核查得到的现场风险源信息,所述现场风险源信息包括现场核查得到的风险点的位置信息、风险点的类别、风险点的影响范围以及风险点的照片;
数据融合模块,用于以风险点的位置信息为基准,将所述现场风险源信息融合到所述环境风险源空间分布图上;
第一判断模块,用于确定风险点的影响范围包含于对应的风险源斑块中的比例,若所述比例超过设定的阈值,则认为遥感影像提取的风险源斑块与现场核查得到的现场风险源信息为同一风险源,并建立风险源斑块与现场风险源信息的联系;
第二判断模块,用于若所述比例未超过设定的阈值,则遍历该风险源斑块周围的风险源斑块,并重复第一判断模块,直至查找到与现场核查得到的现场风险源信息为同一风险源的风险源斑块;
更新模块,用于将建立联系的风险源斑块与现场风险源信息更新到饮用水水源地环境风险源历史本底清单中;
所述风险点的影响范围通过如下模型确定:
Di=Sm(Cm,xi,yi);
其中,Di为第i个风险点的影响范围,Sm为风险点影响范围计算模型,Cm为风险点的风险类型,m=1,2,3,m为1对应点源类风险,m为2对应面源类风险,m为3对应移动类风险;xi与yi分别为第i个风险点的经度与纬度;
点源类风险的风险点影响范围计算模型为S1=G1(a,b,c,d,e,f1,g1);
其中,G1为点源类风险确定模型;
a表示风险点与饮用水水源地的关系,包括风险点位于饮用水水源地一级保护区、二级保护区或准保护区;
b表示水系信息,包括水系空间分布、水系流向和水系流量;
c表示降雨信息,包括降雨频率、降雨时间分布和降雨量;
d表示路网信息,包括路宽、路网分布和路网密度;
e表示交通管控信息,包括是否允许危、废品运输、运输频次和防范措施;
f1表示企业信息,包括原材料、产品信息、生产工艺、生产过程的排放信息,所述生产过程的排放信息包括废气、废液、固废的排放量和排放地点;
g1表示风向信息,指常年主要风向及风速;
面源类风险的风险点影响范围计算模型为S2=G2(a,b,c,f2,g2,h2,k2,u2,v2);
其中,G2为面源类风险确定模型;
f2表示面源类型及规模,所述面源类型包括农业类、居民区类、畜禽养殖类和水产养殖类,所述农业类的规模为农业种植面积,所述居民区类的规模为居民区面积及人口数量,所述畜禽养殖类与水产养殖类的规模为养殖数量;
g2表示土壤性质,包括土壤类型、土壤酸碱度和土壤肥力;
h2表示施肥信息,肥料类型及年均施用量;
k2表示坡度信息;
u2表示种植信息,包括种植类型和种植结构;
v2表示平均产污量,对应不同类型面源的平均产污量;
移动类风险的风险点影响范围计算模型为S3=G3(a,b,d,e);
其中,G3为移动类风险确定模型;
所述遥感风险源数据获取模块包括:
遥感影像获取单元,用于获取覆盖饮用水水源地的遥感影像;
预处理单元,用于对所述遥感影像进行预处理,所述预处理包括正射校正、大气校正和图像融合;
图像裁剪单元,用于利用已知的饮用水水源地边界对所述遥感影像进行图像裁剪运算,得到饮用水水源地的遥感影像;
风险源提取单元,用于对所述饮用水水源地的遥感影像,利用环境风险源提取神经网络模型,获得饮用水水源地的环境风险源空间分布图。
6.根据权利要求5所述的饮用水水源地环境风险源本底清单确定及更新装置,其特征在于,所述风险点的影响范围为圆形,所述圆形以风险点的位置为圆心,并以特定的尺寸为半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011130020.2A CN112241844B (zh) | 2020-10-21 | 2020-10-21 | 饮用水水源地环境风险源本底清单确定及更新方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011130020.2A CN112241844B (zh) | 2020-10-21 | 2020-10-21 | 饮用水水源地环境风险源本底清单确定及更新方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241844A CN112241844A (zh) | 2021-01-19 |
CN112241844B true CN112241844B (zh) | 2021-07-13 |
Family
ID=74169506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011130020.2A Active CN112241844B (zh) | 2020-10-21 | 2020-10-21 | 饮用水水源地环境风险源本底清单确定及更新方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241844B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082793B (zh) * | 2022-06-28 | 2023-02-17 | 生态环境部卫星环境应用中心 | 水源地林草空间本底状况快速调查方法和装置 |
CN116091941B (zh) * | 2023-01-18 | 2023-10-27 | 生态环境部卫星环境应用中心 | 饮用水水源保护区生活面源污染负荷快速调查方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2881755A1 (en) * | 2013-12-05 | 2015-06-10 | Honeywell International Inc. | Unmanned aircraft systems sense and avoid sensor fusion track initialization |
CN109617888A (zh) * | 2018-12-24 | 2019-04-12 | 湖北大学 | 一种基于神经网络的异常流量检测方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129614A (zh) * | 2011-02-28 | 2011-07-20 | 中国环境科学研究院 | 一种饮用水源地突发污染事故风险诊断及分级方法 |
US9579700B2 (en) * | 2014-05-30 | 2017-02-28 | Iteris, Inc. | Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities |
CN105608697B (zh) * | 2015-12-24 | 2018-04-13 | 电子科技大学 | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 |
CN106127144B (zh) * | 2016-06-21 | 2019-02-01 | 沈阳航空航天大学 | 采用时谱空一体化特征模型的点源风险源自动提取方法 |
CN109447347B (zh) * | 2018-10-29 | 2020-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于环境风险规避的水源地优化选址方法 |
-
2020
- 2020-10-21 CN CN202011130020.2A patent/CN112241844B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2881755A1 (en) * | 2013-12-05 | 2015-06-10 | Honeywell International Inc. | Unmanned aircraft systems sense and avoid sensor fusion track initialization |
CN109617888A (zh) * | 2018-12-24 | 2019-04-12 | 湖北大学 | 一种基于神经网络的异常流量检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于引力优化神经网络的高分辨率遥感影像分类研究;马萍;《中国优秀硕士学位论文全文数据库基础科学辑》;20200715(第07期);论文第二章至第四章 * |
饮用水源地生态环境现场监察技术研究;姚延娟等;《生态与农村环境学报》;20131231;第29卷(第5期);文章第1-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112241844A (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200065968A1 (en) | Joint Deep Learning for Land Cover and Land Use Classification | |
Bárdossy et al. | Fuzzy rule-based classification of remotely sensed imagery | |
CN109829399A (zh) | 一种基于深度学习的车载道路场景点云自动分类方法 | |
CN101149843B (zh) | 一种数字城市的继承式自动生成及实时更新方法 | |
Silvan-Cardenas et al. | Assessing fine-spatial-resolution remote sensing for small-area population estimation | |
CN106250812A (zh) | 一种基于快速r‑cnn深度神经网络的车型识别方法 | |
Maithani | A neural network based urban growth model of an Indian city | |
CN112241844B (zh) | 饮用水水源地环境风险源本底清单确定及更新方法和装置 | |
CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN110991497A (zh) | 一种基于bsvc方法的城市土地利用变化模拟元胞自动机方法 | |
CN112668461B (zh) | 一种具有野生动物识别的智能监管系统 | |
Pradhan et al. | Data mining-aided automatic landslide detection using airborne laser scanning data in densely forested tropical areas | |
Moya et al. | Disaster intensity-based selection of training samples for remote sensing building damage classification | |
Borana et al. | Prediction of land cover changes of Jodhpur city using cellular automata Markov modelling techniques | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
CN116595121A (zh) | 一种基于遥感技术数据显示监测系统 | |
CN112800827A (zh) | 高光谱图像分类实验方法 | |
Wang et al. | Simulating large-scale urban land-use patterns and dynamics using the U-Net deep learning architecture | |
Guo et al. | Safety monitoring in construction site based on unmanned aerial vehicle platform with computer vision using transfer learning techniques | |
Van der Sande | River flood damage assessment using IKONOS imagery | |
CN104008376A (zh) | 基于可能性中心点聚类的多光谱遥感影像混合像元分解方法 | |
Raju et al. | Object Recognition in Remote Sensing Images Based on Modified Backpropagation Neural Network. | |
Dornik et al. | Knowledge-based soil type classification using terrain segmentation | |
Vandaele et al. | Calibrated river-level estimation from river cameras using convolutional neural networks | |
Balajee et al. | RETRACTED ARTICLE: Drought prediction and analysis of water level based on satellite images using deep convolutional neural network |
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 |