CN113706127A - 一种水域分析报告的生成方法及电子设备 - Google Patents

一种水域分析报告的生成方法及电子设备 Download PDF

Info

Publication number
CN113706127A
CN113706127A CN202111232568.2A CN202111232568A CN113706127A CN 113706127 A CN113706127 A CN 113706127A CN 202111232568 A CN202111232568 A CN 202111232568A CN 113706127 A CN113706127 A CN 113706127A
Authority
CN
China
Prior art keywords
pollution
target
area
areas
candidate
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.)
Granted
Application number
CN202111232568.2A
Other languages
English (en)
Other versions
CN113706127B (zh
Inventor
全绍军
林格
陈小燕
梁少玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Longse Technology Co ltd
Original Assignee
Longse Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Longse Technology Co ltd filed Critical Longse Technology Co ltd
Priority to CN202111232568.2A priority Critical patent/CN113706127B/zh
Publication of CN113706127A publication Critical patent/CN113706127A/zh
Application granted granted Critical
Publication of CN113706127B publication Critical patent/CN113706127B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/10—Office automation; Time management
    • 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)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用于数据处理技术领域，提供了一种水域分析报告的生成方法及电子设备，包括：获取目标水域对应多个关联区域对应的环境信息集合；将所有所述关联区域的所述环境信息集合导入到预设的时空特征分析网络，在所有所述关联区域中确定存在水资源污染的目标污染区域以及污染类型；根据所述目标污染区域对应的环境信息集合以及所述污染类型，确定所述目标污染区域对应的目标污染源；基于所述所有所述目标污染区域包含的目标污染源生成所述目标水域的分析报告。采用本发明能够通过目标污染区域的环境信息集合以及对应的污染类型，自动确定造成污染的目标污染源，并输出对应的分析报告，提高了目标污染源识别的及时性以及准确性。

Description

一种水域分析报告的生成方法及电子设备
技术领域
本发明属于数据处理技术领域，尤其涉及一种水域分析报告的生成方法及电子设备。
背景技术
近年来，随着社会的飞速发展，人类对于自然资源的使用需求不断增加，其中与人类息息相关的水资源需求量尤为突出。但由于人类活动的介入，水资源的质量一直在恶化，影响和损害群众健康，不利于经济社会持续发展。因此，如何防止水资源污染以及对水资源的防治的工作迫在眉睫。其中，对存在水资源污染的水域进行识别以及污染源的定位，水资源的保护以及管理上都发挥着十分重要的作用。
现有的水资源的污染源的识别方法，一般是通过安排工作人员在受污染的水域进行现场勘查，以在现场获取与水资源污染相关的线索，因此，往往需要耗费大量的人力在水域现场进行蹲伏，由于污染源的排放周期以及排放方式不固定，蹲伏时间较长，从而降低了污染源识别的效率，不利于水资源的污染防治以及水域管理，人力成本较高。
发明内容
有鉴于此，本发明实施例提供了一种水域分析报告的生成方法及电子设备，以解决现有的水资源的污染源的识别方法，需要耗费大量的人力在水域现场进行蹲伏，由于污染源的排放周期以及排放方式不固定，蹲伏时间较长，从而降低了污染源识别的效率，不利于水资源的污染防治以及水域管理，人力成本较高的问题。
本发明实施例的第一方面提供了一种水域分析报告的生成方法，包括：
获取目标水域对应多个关联区域对应的环境信息集合；所述环境信息集合包含在多个预设的采集时间点获取的环境信息；
将所有所述关联区域的所述环境信息集合导入到预设的时空特征分析网络，在所有所述关联区域中确定存在水资源污染的目标污染区域以及污染类型；
根据所述目标污染区域对应的环境信息集合以及所述污染类型，确定所述目标污染区域对应的目标污染源；
基于所述所有所述目标污染区域包含的目标污染源生成所述目标水域的分析报告。
本发明实施例的第二方面提供了一种水域分析报告的生成装置，包括：
环境信息集合获取单元，用于获取目标水域对应多个关联区域对应的环境信息集合；所述环境信息集合包含在多个预设的采集时间点获取的环境信息；
目标污染区域识别单元，用于将所有所述关联区域的所述环境信息集合导入到预设的时空特征分析网络，在所有所述关联区域中确定存在水资源污染的目标污染区域以及污染类型；
目标污染源识别单元，用于根据所述目标污染区域对应的环境信息集合以及所述污染类型，确定所述目标污染区域对应的目标污染源；
分析报告生成单元，用于基于所述所有所述目标污染区域包含的目标污染源生成所述目标水域的分析报告。
本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面的各个步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面的各个步骤。
实施本发明实施例提供的一种水域分析报告的生成方法及电子设备具有以下有益效果：
本发明实施例通过采集在目标水域的多个关联区域在不同的采集时间点的环境信息，得到各个关联区域对应的环境信息集合，并通过预设的时空特征分析网络对上述环境信息集合进行处理，自动识别出目标水域中存在水资源污染的目标污染区域，以及各个目标污染区域对应的污染类型，通过目标污染区域以及对应的污染类型确定造成对应的水资源污染的目标污染源，继而基于所有目标污染区域对应的目标污染源，生成目标水域的分析报告，能够实现自动识别目标水域的目标污染源的目的。与现有的污染源的识别技术相比，可以定时定点获取目标水域的环境信息，并自动识别出存在污染的目标污染区域，无需在检测到水资源污染后，才安排人员进行信息采集，提高了污染线索采集的及时性，也减少了人员蹲伏所耗费的人力成本以及时间成本，并通过目标污染区域的环境信息集合以及对应的污染类型，自动确定造成污染的目标污染源，并输出对应的分析报告，提高了目标污染源识别的及时性以及准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的一种水域分析报告的生成方法的实现流程图；
图2是本发明第二实施例提供的一种水域分析报告的生成方法S103具体实现流程图；
图3是本发明第三实施例提供的一种水域分析报告的生成方法S103具体实现流程图；
图4是本发明第四实施例提供的一种水域分析报告的生成方法S102具体实现流程图；
图5是本申请一实施例提供的目标污染源的识别示意图；
图6是本发明一实施例提供的一种水域分析报告的生成装置的结构框图；
图7是本发明一实施例提供的一种电子设备的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
河流是人类聚集地的血脉，对生态有重要影响，流经人类聚集地河流既具有防汛、航运等功能，又承担着环境保护、调节气候、旅游景观等生态与经济功能。近年来，随着城镇化快速发展，在发展的过程中江河湖海等各种水域的水资源污染问题日益凸显。受污染的水资源会破坏水域生态，造成水域内的生物大面积死亡，渗入地下水对人民生活健康产生长远危害。因此，水域中水质状况检查、污染源识别源与定位对河流污染防治具有重要作用。现有的污染源识别的技术，需要耗费大量的人力在水域现场进行蹲伏，采集水资源污染时遗留下的线索，对污染线索进行识别并定位出污染源，耗费时间较长；可以看出，其精确度和时效性还有待提高。因此，一种可以快速对污染源进行判别成为了亟待解决的问题。
本发明实施例通过采集在目标水域的多个关联区域在不同的采集时间点的环境信息，得到各个关联区域对应的环境信息集合，并通过预设的时空特征分析网络对上述环境信息集合进行处理，自动识别出目标水域中存在水资源污染的目标污染区域，以及各个目标污染区域对应的污染类型，通过目标污染区域以及对应的污染类型确定造成对应的水资源污染的目标污染源，继而基于所有目标污染区域对应的目标污染源，生成目标水域的分析报告，能够实现自动识别目标水域的目标污染源的目的，解决了现有的水资源的污染源的识别方法，需要耗费大量的人力在水域现场进行蹲伏，由于污染源的排放周期以及排放方式不固定，蹲伏时间较长，从而降低了污染源识别的效率，不利于水资源的污染防治以及水域管理，人力成本较高的问题。
在本发明实施例中，流程的执行主体为电子设备，该电子设备包括但不限于：服务器、计算机、智能手机、笔记本电脑以及平板电脑等能够执行水域分析报告的生成流程的设备。图1示出了本发明第一实施例提供的水域分析报告的生成方法的实现流程图，详述如下：
在S101中，获取目标水域对应多个关联区域对应的环境信息集合；所述环境信息集合包含在多个预设的采集时间点获取的环境信息。
在本实施例中，目标水域可以为一河流、溪流、湖泊、江流、出海口等水域，每个目标水域可以包含主流以及支流，具体目标水域的划分可以根据实际需求进行设置。一个水域可以配置有多个监控节点，不同的监控节点用于采集一个关联区域的环境信息。上述关联区域具体为可能会对目标水域造成水资源污染的区域以及能够检测到水资源污染的区域。其中，会对水资源造成污染的区域包括但不限于：城区、农村、工业区等具有人类社会活动的区域；能够检测到水资源污染的区域包括但不限于：目标水域的水域周围，如河岸、河床，对于河岸除了可以获取水域的水资源的环境信息，还可以获取水域附近的植被区域、土壤区域等。不同的关联区域可以根据采集的环境信息的类型不同，配置与之对应的采集模块。
在本实施例中，每个关联区域可以配置有对应的采集模块，该采集模块可以包含有不同的传感器，可以通过传感器获取与之对应维度的信息，采集模块可以将所有维度采集得到的信息进行封装，从而能够生成关于该关联区域对应的环境信息。其中，根据采集时间点的不同，不同的环境信息可以关联与之对应的采集时间点，将在不同采集时间点采集得到的环境信息进行封装，则可以得到关于该关联区域的环境信息集合。
在本实施例中，电子设备可以预先设置一个环境信息的采集周期，并将该采集周期发送给各个关联区域对应的采集模块，采集模块可以基于上述采集周期确定多个采集时间点，并在各个采集时间点采集对应的环境信息。采集模块将获取得到的环境信息反馈给电子设备，反馈的环境信息可以携带有采集模块对应的关联区域的区域标识，电子设备可以根据上述区域标识对环境信息进行分类，将属于相同关联区域的环境信息进行关联存储，从而得到对应的环境信息集合。
在一种可能的实现方式中，电子设备在检测到满足目标水域的分析条件时，可以向各个采集模块发送信息反馈指令，则各个采集模块可以将采集得到的所有环境信息进行封装，得到该关联区域对应的环境信息集合，并发送给电子设备，即环境信息集合是分布式存储于各个采集模块内的，从而可以减少电子设备的数据存储压力。
在本实施例中，上述环境信息包括但不限于：水文地质条件、水化学指标，对各采样监测点水速、温度、溶解氧，（dissolved oxygen，DO ）、电导率、酸碱度PH值、浊度、氨氮、亚硝氮、硝氮、活性磷酸盐、硅酸盐、化学需氧量（Chemical Oxygen Demand ，COD）、总有机碳（Total Organic Carbon，TOC）、总氮量（total nitrogen，TN）等信息。其中，电子设备可以基于采集得到的原始环境信息进行处理，从而确定原始环境信息对应的特征信息，并将特征信息添加到该关联区域对应环境信息集合内。其中，上述处理方式包括，统计季节和年均值、方差、最大值、最小值，并生成表格进行可视化处理等。
在S102中，将所有所述关联区域的所述环境信息集合导入到预设的时空特征分析网络，在所有所述关联区域中确定存在水资源污染的目标污染区域以及污染类型。
在本实施例中，电子设备可以根据各个关联区域对应的环境信息集合，对目标水域的污染情况进行识别，由于上述环境信息集合包含有多个采集时间点对应的环境信息，可以确定不同关联区域在时间维度上的变化特性，而一个目标水域又包含多个关联区域，则可以确定在同一采集时间点在空间维度上的关联特征，基于此，可以确定目标水域在时空两个维度上水资源污染的情况，从而识别出存在水资源污染的区域，即目标污染区域，并根据目标污染区域的持续时间以及范围，可以确定该目标污染区域的污染类型。
在一种可能的实现方式中，污染类型可以根据严重程度进行划分，划分为轻度污染、中度污染以及重度污染等；污染类型还可以根据扩散范围进行划分，划分为小范围的点污染以及大范围的面污染；污染类型还可以根据持续时长进行划分，划分为突发性污染以及持续性污染等。
在一种可能的实现方式中，上述时空特征分析网络具体可以是一聚类分析算法，通过使用聚类分析法对所有关联区域的环境信息集合进行时空分异特征分析，使用聚类分析分别确定目标流域中的各个水质指标，并对各个水质指标时间空间进行特征分析，分别从时间和空间对监测点进行聚类，再将时间空间进行结合进行分析，并进行数据可视化，以直观形式展现水质指标和监测点的时间空间变化关系。
在S103中，根据所述目标污染区域对应的环境信息集合以及所述污染类型，确定所述目标污染区域对应的目标污染源。
在本实施例中，电子设备在确定了存在水资源污染的目标污染区域后，需要各个目标污染区域关联的目标污染源，以便对目标污染源进行排污控制，减少或者避免水资源被污染。其中，目标污染区域对应的环境信息集合，可以确定该目标污染区域对应的污染物浓度，由于一个环境信息集合中包含多个不同采集时间点的环境信息，则电子设备同样可以确定在不同采集时间点对应的污染物浓度。电子设备可以从环境信息集合中识别出多个污染物，并分别确定各个污染在在不同时间点对应的污染物浓度。可选地，电子设备可以根据各个采集时间点对应的污染物浓度，生成不同污染物对应的浓度变化曲线。
在本实施例中，电子设备可以根据目标污染区域的污染类型，选取与之对应的目标污染源的识别算法，并将基于环境信息集合确定的污染物浓度导入到与之对应的目标污染源的识别算法中，可以确定该目标污染区域对应的目标污染源。由于不同的目标污染源，产生的污染物不同，电子设备可以根据目标水域中实际产生的污染物以及相应的浓度，可以识别出对应的目标污染源。例如，若目标水域的某一目标污染区域对应的重金属浓度较高，目标污染区域中包含一重金属冶炼厂，则可以将该目标污染区域中的重金属冶炼厂识别为目标污染源；若某一目标污染区域对应的磷含量较高，目标污染区域中包含一洗衣厂，而洗衣厂在对衣物进行洗涤过程产生的废水会包含大量的磷，则可以将目标污染区域中的洗衣厂识别为目标污染源。
在S104中，基于所述所有所述目标污染区域包含的目标污染源生成所述目标水域的分析报告。
在本实施例中，电子设备可以根据已经识别得到的目标污染源，确定造成目标水域的水资源污染的源头，电子设备可以对所有目标污染源进行整合，由于一个目标污染源可能会是多个目标污染区域的污染源，在该情况下，电子设备可以将识别相同的目标污染源，并建立目标污染源与污染区域的对应关系，并基于所有对应关系生成目标水域的分析报告，用户可以通过该目标水域的分析报告，确定各个目标污染源所污染的区域，以便后续对目标水域进行相关治理。当然，根据实际的需求，上述分析报告中也可以包含目标污染区域与目标污染源之间的对应关系，即确定各个目标污染区域对应的目标污染源，以实现对特定区域的水资源的整治。
以上可以看出，本发明实施例提供的一种水域分析报告的生成方法通过采集在目标水域的多个关联区域在不同的采集时间点的环境信息，得到各个关联区域对应的环境信息集合，并通过预设的时空特征分析网络对上述环境信息集合进行处理，自动识别出目标水域中存在水资源污染的目标污染区域，以及各个目标污染区域对应的污染类型，通过目标污染区域以及对应的污染类型确定造成对应的水资源污染的目标污染源，继而基于所有目标污染区域对应的目标污染源，生成目标水域的分析报告，能够实现自动识别目标水域的目标污染源的目的。与现有的污染源的识别技术相比，可以定时定点获取目标水域的环境信息，并自动识别出存在污染的目标污染区域，无需在检测到水资源污染后，才安排人员进行信息采集，提高了污染线索采集的及时性，也减少了人员蹲伏所耗费的人力成本以及时间成本，并通过目标污染区域的环境信息集合以及对应的污染类型，自动确定造成污染的目标污染源，并输出对应的分析报告，提高了目标污染源识别的及时性以及准确性。
图2示出了本发明第二实施例提供的一种水域分析报告的生成方法S103的具体实现流程图。参见图2，相对于图1所述实施例，本实施例提供的一种水域分析报告的生成方法S103包括：S201~S205，具体详述如下：
进一步地，所述根据所述目标污染区域对应的环境信息集合以及所述污染类型，确定所述目标污染区域对应的目标污染源，包括：
在S201中，将所述污染类型为面污染类型的目标污染区域识别为一类污染区域。
在本实施例中，电子设备可以将目标污染区域分为面污染与点污染，面污染源是以城区、农村、工业区为主的人们生产生活工作所产生的污染，点污染是河段突发性的河流污染。基于此，通过时空特征分析，在识别得到某一关联区域属于持续性或大面积的污染区域，则可以将该目标污染区域的污染类型设置为面污染类型，并将该目标污染类型识别为一类污染区域。
在S202中，分别确定各个所述一类污染区域对应的区域类型，并基于同一所述区域类型的所述一类污染区域的环境信息集合，构建所述区域类型对应的环境数据矩阵。
在本实施例中，电子设备可以确定该一类污染区域对应的区域类型，区域类型可以根据该一类污染区域所包含的建筑或者所从事的人类活动进行区分，举例性地，可以根据所包含的建筑以及植被类型划分为：城区类型、农村类型以及工业类型。电子设备可以基于上述区域类型对所有环境信息集合进行划分，将属于相同的区域类型的环境信息集合，构建一个环境数据矩阵。例如，基于上述建筑以及植被类型进行分类后，可以构建城区的环境数据矩阵、农村的环境数据矩阵以及工业区域的环境数据矩阵。示例性地，基于所有目标污染区域构建的数据矩阵可以为一M*N的矩阵，其中M用于标识目标污染区域的总数，N表示环境信息中包含的指标总数，例如，基于区域类型对目标污染区域进行分类后，可以将上述M*N的矩阵划分为三种矩阵，分别为对应城区的第一环境数据矩阵（NumA*N），对应农村的第二环境数据矩阵（NumB*N）以及对应工业区域的第三环境数据矩阵（NumC*N），其中，NumA+NumB+ NumC=M。
在一种可能的实现方式中，上述环境数据矩阵中的列用于标识某一目标污染区域对应的环境指标，上述环境指标指标可以包括温度、DO、电导率、pH、浊度、硅酸盐、COD等指标浓度、各个采样点的各污染物浓度、监测点坐标等，在一种可能的实现方式中，在生成上述环境数据矩阵时，可以将以上指标进行标准化，去除量纲影响，并计算各个指标对应的协方差。
在S203中，将所述环境数据矩阵导入到污染源识别网络，确定所述区域类型对应的候选污染源。
在本实施例中，由于上述环境数据矩阵是基于所有目标污染区域对应的环境信息集合生成的，属于相同类型的区域其对应的污染特征是相似的，往往是由于相同的污染源导致该区域的水资源造成污染，因此，可以存在相似污染行为的环境数据矩阵导入到污染源识别网络，从而能够确定与该区域类型的候选污染源。
进一步地，作为本申请的另一实施例，上述S203具体可以包含以下5个步骤，即S203.1~S203.5，具体描述如下：
在S203.1中，确定所述环境数据矩阵对应的分布类型。
在本实施例中，电子设备可以查询环境数据矩阵中各个环境指标对应的分布类型，不同的环境指标对应的分布类型可以是固定的，也可以根据该环境数据矩阵中各个目标污染区域对应的数值确定其分布类型。其中，分布类型包括有服从正态分布的类型，以及不服从正态分布类型两种。对于服从正态分布的环境数据矩阵，则无需进行高维投影，而是可以直接生成该环境数据矩阵对应的转置矩阵，并基于环境数据矩阵以及其对应的转置矩阵，构建对应的相关系数矩阵，即跳转至执行S203.4的操作；反之，若某一环境数据矩阵中各个数据并不服从正态分布，即属于非正态分布，则需要进行高维投影，即执行S203.2的操作。
在S203.2中，若所述分布类型为非正态分布，则构建所述环境数据矩阵对应的高维投影矩阵；所述高维投影矩阵具体为：
Figure 820476DEST_PATH_IMAGE001
其中，
Figure 990121DEST_PATH_IMAGE002
为第i个所述区域类型中所述高维投影矩阵第j个元素；
Figure 601624DEST_PATH_IMAGE003
为第i个所述区域类型的所述环境数据矩阵中第j个元素；exp为自然常数；r为投射到所述高维投影预设的半径。
在本实施例中，电子设备为了确定环境数据矩阵中各个环境指标之间的自相关性，需要对属于非正态分布的矩阵进行高维投影，并转换为对应的高维投影矩阵。
在S203.3中，基于所述高维投影矩阵以及所述高维投影矩阵对应的转置矩阵，建立所述区域类型对应的指标相关系数矩阵；所述指标相关系数矩阵具体为：
Figure 350137DEST_PATH_IMAGE004
其中，
Figure 9658DEST_PATH_IMAGE005
为第i个所述区域类型的所述指标相关系数矩阵；
Figure 188354DEST_PATH_IMAGE006
为第i个所述区域类型的所述高维投影矩阵；
Figure 707060DEST_PATH_IMAGE007
为第i个所述区域类型的高维投影矩阵对应的转置矩阵；
Figure 993685DEST_PATH_IMAGE008
为第i个所述区域类型包含的所述一类污染区域的个数。
在本实施例中，电子设备可以根据高维投影矩阵，确定与之对应的转置矩阵，并基于上述两个矩阵进行矩阵相乘，从而得到该区域类型对应的指标相关系数矩阵。
在S203.4中，通过所述指标相关系数矩阵，确定所述一类污染区域的水资源污染的污染成分信息。
在本实施例中，由于上述指标相关系数矩阵能够用于标识该区域类型中不同环境指标之间的相关程度，从而能够确定该区域类型中所发生的水资源污染主要体现在哪些环境指标上，即相关度较大的环境指标，即存在异常的环境指标，继而通过异常的环境指标确定该水资源污染中主要包含的污染成分信息。
进一步地，作为本申请的另一实施例，上述S203.4具体可以包含以下步骤：
步骤1：根据所述指标相关系数矩阵，确定在多个预设的候选成分维度对应的候选特征值，并生成所述成分特征值对应的单位特征向量。
步骤2：基于预设的损失阈值，从所有所述候选成分维度中确定出所述区域类型对应的有效成分维度；所述有效成分维度满足以下条件；
Figure 383078DEST_PATH_IMAGE009
其中，
Figure 933008DEST_PATH_IMAGE010
为基于数值从大到小排列的前k个有效成分维度的候选特征值；
Figure 876693DEST_PATH_IMAGE011
为候选成分维度对应的候选特征值；p为候选成分维度的总数；
Figure 232588DEST_PATH_IMAGE012
为所述损失阈值。
步骤3：分别根据各个有效成分维度对应的单位特征向量，计算各个所述有效成分维度对应的污染得分值；所述污染得分值具体为：
Figure 679750DEST_PATH_IMAGE013
其中，
Figure 197319DEST_PATH_IMAGE014
为第z个所述有效成分维度对应的所述污染得分值；
Figure 362721DEST_PATH_IMAGE015
为第z个所述有效成分维度对应的候选特征值；
Figure 259657DEST_PATH_IMAGE016
为第z个所述有效成分维度对应的单位特征向量。
步骤4：基于各个所述有效成分维度对应的污染得分值，确定所述一类污染区域对应的目标污染成分。
步骤5：根据所有所述目标污染成分以及所述目标污染成分的所述污染得分值，生成所述污染成分信息。
在本实施例中，上述指标相关系数矩阵中，可以确定不同的列对应不同的环境指标，电子设备可以通过特征值提取算法，确定该指标相关系数中关于各个环境指标对应的特征值，即候选特征值，并基于构建该候选特征值对应的数据，生成该环境指标对应的单位特征向量。其中，上述指标相关系数矩阵中的候选特征值可以表示为：
Figure 92484DEST_PATH_IMAGE017
，其中，p为候选成分维度，即环境指标的总数。对应地，上述第j个候选特征值对应的单位特征向量可以表示为：
Figure 718638DEST_PATH_IMAGE018
。为了提高计算效率以及减少不必要的计算操作，可以对候选成分维度进行筛选，确定出有效成分维度，即有效的环境指标，具体地，可以选取前k个候选特征值较大的候选成分维度作为有效成分维度，且有效成分维度的比重较大，会不小于上述的损失阈值，如有效成分维度的比值要大于85%，即上述损失阈值为85%，从而选取使得方差贡献达到85%前k个候选成分维度，即有效成分维度。然后，电子设备可以将各有效成分维度对应的特征值（即候选特征值）的标准化数据代入各主成分表达式中，可以得到有效成分维度对应的污染得分值，电子设备可以设置对应的得分阈值，从而能够从有效成分维度中识别出目标污染得分大于上述得分阈值的有效成分维度作为目标污染成分，即造成水资源污染所表征的污染成分，得到对应的污染成分信息。电子设备可以根据各个目标污染成分对应的污染得分值，计算该区域类型对应的综合得分，即
Figure 636915DEST_PATH_IMAGE019
，其中
Figure 334613DEST_PATH_IMAGE020
。
在S203.5中，根据预设的污染成分与污染源的对应关系以及所述污染成分信息，确定所述一类污染区域关联的至少一个所述候选污染源。
在本实施例中，不同的污染源所产生的污染成分往往是固定的，因此，电子设备可以建立污染成分与污染源之间的对应关系。电子设备在确定了该区域类型对应的污染成分信息后，可以通过查询上述对应关系，确定该一类污染区域关联的至少一个候选污染源。具体地，电子设备可以分别对主成分中的正负荷载进行分析可以确定候选污染源，例如通过人工调研水体中所监测主要离子的来源，可推测出城区、农村区、工业区的主要污染物产生源头，将城区污染物归类为生活污水、公厕污水、市政污水、商业污水、工业污水；农村区域主要污染物归类为生活污水、农业面源污染；工业区主要污染物为废金属液、工业废水等。电子设备通过污染成分信息，可对主成分中的因子载荷进行正负分析，进一步推断出该目标水域中的一类污染区域所产生的污染源来自于哪种污水。如此便可以有针对性的进行污染源识别，确定某区域中的主要污染源。
在本申请实施例中，通过指标相关系数矩阵确定不同候选成分维度对应的候选特征值，继而选取出有效成分维度，并通过污染得分值确定污染成分信息，能够提高污染成分信息识别的准确性。
在S204中，构建关于所有所述候选污染源的多元回归模型，并通过所述多元回归模型计算各个所述候选污染源对应的污染贡献率。
在本实施例中，电子设备可以构建多元回归模型，从而能够确定不同候选污染源对于水资源污染的贡献，通过控制变量法观察各个污染物的变化情况，并基于变化情况与实际情况进行比对，从而能够确定出各个候选污染源对应的污染贡献率。
进一步地，作为本申请的另一实施例，上述S204具体可以包括：S204.1~S204.5，具体描述如下：
在S204.1中，基于所述环境数据矩阵，确定所述候选污染源对应的多个目标污染成分的污染得分值以及成分浓度。
在本实施例中，上述确定目标污染成分可以参见S203的步骤，在此不再赘述。其中，由于环境信息矩阵中可以确定了该区域类型中各个环境指标对应的数值，通过对相应的环境指标进行提取以及相关的计算，可以确定各个目标污染物对应的成分浓度。
在S204.2中，根据所述污染得分值以及所述成分浓度，为每个所述目标污染成分构建关于所有所述候选污染源对应的多元回归方程；所述多元回归方程具体为：
Figure 490787DEST_PATH_IMAGE021
其中，
Figure 615738DEST_PATH_IMAGE022
为第a个所述目标污染成分的所述成分浓度；
Figure 755733DEST_PATH_IMAGE023
为第b个所述候选污染源对应的污染贡献；
Figure 194804DEST_PATH_IMAGE024
为第b个候选污染源与第a个所述目标污染成分之间的关联系数；
Figure 533382DEST_PATH_IMAGE025
为第a个目标污染成分对应的基准系数；B为所述候选污染源的总数。
在S204.3中，对所有所述目标污染成分对应的所述多元回归方程中的所述污染贡献进行训练学习，以使所有所述候选污染源对应的所述污染贡献对应的损失函数达到最小值；所述最小值为：
Figure 375041DEST_PATH_IMAGE026
其中，
Figure 392544DEST_PATH_IMAGE027
为所述多元回归方程对应的损失值；argmin（）为最小值函数；A为目标污染成分的总数；
Figure 963203DEST_PATH_IMAGE028
为预设的预测值；α为惩罚因子；
在S204.4中，将所述损失函数达到所述最小值时各个所述候选污染源对应的所述污染贡献作为目标贡献值。
在S204.5中，基于各个所述候选污染源对应的所述目标贡献值，计算各个所述候选污染源对应的所述污染贡献率。
在本实施例中，通过为不同的候选污染源构建不同目标污染物对应的多元回归方程，能够确定不同的候选污染源对于上述目标污染物对应的污染贡献情况，由于一个污染物可能是由不同的污染源排放后得到的，是多个污染源共同作用后得到的结果，在该情况下，为了能够分别确定不同候选污染源对于目标污染物的贡献，构建多元回归方程，并联立多个多元回归方程求解得到各个污染贡献值，能够实现多个候选污染源之间的解耦，实现各污染源的贡献分离。电子设备可以通过预设的损失函数计算不同的污染贡献值对应的损失量，从而确定出损失函数达到最小值时各个候选污染源对应的污染贡献值作为目标贡献值，由于损失函数数值最小，则表示与实际情况越接近，此时确定的目标贡献值的准确率越高。电子设备在计算得到各个候选污染源对应的目标贡献值后，可以计算与之对应的污染贡献率，其中，污染贡献率具体可以表示为：
Figure 687445DEST_PATH_IMAGE029
在本申请实施例中，通过多元回归方式现实多个候选污染源之间的贡献解耦，能够分别确定不同候选污染源对于水域的污染贡献率，提高了污染贡献率的计算的准确性。
在S205中，基于所述污染贡献率，从所有所述候选污染源中确定所述目标污染源。
在本实施例中，电子设备可以将污染贡献率大于预设的贡献阈值的候选污染源作为目标污染源。
在本申请实施例中，针对不服从正态分布的数据，我们提出使核方法将其映射到高维空间，在高维空间中进行主成分降维;由于主成分降维后会带来信息损失，在回归引久预设的损失函数作为变量限制，以此来将一些不重要的因子给去除，能够提高目标污染源识别的准确性，并对于面积较大且持续时间较长的污染区域，进行精准的目标污染源识别。
图3示出了本发明第三实施例提供的一种水域分析报告的生成方法S103的具体实现流程图。参见图3，相对于图1所述实施例，本实施例提供的一种水域分析报告的生成方法中S103包括：S301~S306，具体详述如下：
在S301中，将所述污染类型为点污染类型的目标污染区域识别为二类污染区域。
在S302中，根据已采集得到所述二类污染区域对应的水域图像数据，识别出污染时间段，并从所述二类污染区域对应的环境信息集合中选取出在所述污染时间段对应的目标环境信息。
在S303中，基于所有所述目标环境信息，确定所述污染时间段对应的化学指标数据。
在S304中，根据所有所述化学指标数据以及所述基于所述水域图像信息提取得到的图像特征数据，确定所述二类污染区域包含的污染事件。
在S305中，根据属于同一所述污染事件的多个所述二类污染区域在所述目标水域上的位置关系，建立污染扩散轨迹。
在S306中，将所述污染扩散轨迹导入到所述目标水域的流体扩展模型，确定所述二类污染区域对应的所述目标污染源。
在本实施例中，电子设备若检测到某一目标污染区域的污染类型属于点污染类型，即表示该目标污染区域属于突发性的小范围的点污染。一般情况下，对于点污染，并非持续性大面积的污染情况，往往是由于该区域内发生事故或人为造成的水域的资源污染，变现为污染区域范围小，持续时间短，甚至存在时间上以及空间上发生的不规则性。与面污染不同的是，面污染产生范围广，而点污染则不然，点污染极有可能涉及到非法偷排。基于此，电子设备可以获取该目标水域对应的水域图像数据，如河滩图谱数据，以及基于多个历史采集时间点获取得到的化学数据，上述的化学指标数据，通过对水域图像数据进行分析，可以确定因为目标水域的点污染时间所导致的环境变化，如植被发生变化或河流颜色发生变化，因此可以对水域图像进行图像特征数据提取，以确定该二类污染区域中存在的污染事件。在一种可能的实现方式中，电子设备可以确定该区域中报道过的所有污染事件，对之前发生过的污染事故进行分类，发生过点污染的数据标记为1，未发生过的标记为0。
在本实施例中，电子设备可以将水域图像数据输入到神经网络模型中提取特征，再将化学指标数据与提取的特征进行融合（相加或拼接），将融合的数据输入逻辑回归中进行训练，确定是否发生点污染。电子设备可以基于存在相同的污染事件的各个第二污染区域之间的相对位置关系，生成该污染事件对应的污染扩展轨迹，并通过流体扩展模型，对该污染扩散轨迹进行溯源，从而确定出生成该污染事件对应的目标污染源，即作为该第二污染区域对应的污染源。
在本申请实施例中，通过对突发性的目标污染区域，采用流体分析的方式确定对应的目标污染源，能够实现突然性污染事件的溯源，对偷排污水进行识别，从而提高了水域管理的准确性。
图4示出了本发明第四实施例提供的一种水域分析报告的生成方法S102的具体实现流程图。参见图4，与图1-3任一项的实施例相比，本实施例提供的一种水域分析报告的生成方法中S102具体包括S1021~S1024，具体详述如下：
在S1021中，将所有所述关联区域的所述环境信息集合，导入到空间特征分析网络，确定关于所述目标水域多个污染物的空间特征信息；所述空间特征分析网络用于对不同所述关联区域在相同所述采集时间点内的环境信息进行聚类分析，得到所述空间特征信息。
在S1022中，将所有所述关联区域的所述环境信息集合，导入到时间特征分析网络，确定关于所述目标水域多个污染物的时间特征信息；所述时间特征分析网络用于对相同所述关联区域在不同所述采集时间点的环境信息进行聚类分析，得到所述时间特征信息。
在S1023中，以各个所述关联区域作为第一坐标轴，以各个采集时间作为第二坐标轴，建立时空特性坐标系，并根据所述空间特征信息以及所述时间特征信息，在所述时空特性坐标系中绘制多条污染物浓度曲线。
在S1024中，根据所有所述污染物浓度曲线，识别所述目标污染区域以及所述污染类型。
在本实施例中，电子设备可以根据所有关联区域的环境信息集合进行空间特异性分析。在空间特异性分析时，电子设备会固定时间，而改变空间，即选取采集时间点相同，但从不同关联区域获取得到的环境信息进行分析，例如选择某个月的所有关联区域的环境信息，对该时期内的不同关联区域使用层次聚类算法对空间进行聚类，可以得出该时间段内哪个关联区域出现污染，进而对污染区域进行划定。其中，层次聚类可以采用欧式距离，在该情况下，电子设备需要对将环境数据先进行标准化处理，然后再进行层次聚类。在聚类完成后，电子设备可以对环境信息进行可视化处理，对空间变化进行展示。以横轴为空间位置（监测点），以纵轴为环境信息中各个环境指标的标准化浓度值，将预设的合格标准中的各离子浓度值作为临界值，以虚线形式绘入纵轴，如此便可对各观测点的各标进行对比，即得到空间特征信息。
在本实施例中，电子设备可以根据所有关联区域的环境信息集合进行时间特异性分析。在进行时间特征性分析时，电子设备会固定空间不变，而改变时间，即选取相同关联区域在不同采集时间点对应的环境信息进行分析，例如选择一个关联区域，获得该关联区域的所有采集时间点（例如各个月份）的环境信息，使用层次聚类可以得出针对某个关联区域在哪个时期最容易出现污染。数据可视化时，以时间为横轴，以污染物离子浓度为纵轴，将预设的合格水标准以纵轴画虚线，可以获得时间变化的污染物特征图，即得到时间特征信息。
在本实施例中，电子设备在确定了空间特征信息以及时间特征信息后，可以将时间与空间融合，进行时空分异特征分析。电子设备可以构建对应的时空特性坐标系，横轴表示不同的关联区域，纵轴表示采集时间（单位可以为月），选取所有记录时间内某一离子浓度，将离子深度随时间的变化情况依次在纵轴上绘制，同一时间内的数据连成线。依次将不同时间的指标（离子浓度）绘制成曲线，可以得到多条曲线，并对使用不同的颜色。电子设备还可以将上述合格水标准作为参考，以虚线绘入图中。基于此，电子设备则生成了时空融合的污染物浓度曲线。相似地，对于不同的污染物可以构建对应的污染物浓度曲线。与合格水标准作对比，从横轴看可以在空间尺度上识别出重污染河段和轻污染河段，从纵轴看在时间序列上识别出水质差异性较大的月份，从而能够实现目标污染区域以及污染类型的识别。
在本申请实施例中，通过分别进行空间以及时间分析，能够提高目标污染区域识别的准确性，并且根据污染的扩散范围以及持续时间，对目标污染区域进行分类，能够提高污染区域分类的准确性。
示例性地，图5示出了本申请一实施例提供的目标污染源的识别示意图。参见图5所示，电子设备首先对目标水域进行信息采集，采集的内容包括确定目标水域对应的关联区域，即确定各个关联区域对应的位置确定对应的地理分布（包括：提供目标水域的各个关联区域的坐标、干流、支流，提供沿岸城市、农村和工业区地理分布），与此同时，电子设备可以采集各个关联区域对应的环境信息集合，并将得到的环境信息集合导入到时空分析网络内，确定对应的目标污染区域以及对应的污染类型，对于面污染类型，则可以通过面污染识别以及解析算法进行处理，确定目标污染源，而对于点污染类型，则可以通过获取对应的河流图像数据并导入到神经网络进行特征提取，继而进行通过流体扩展模型确定目标污染源。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图6示出了本发明一实施例提供的一种水域分析报告的生成装置的结构框图，该电子设备包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1与图1所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。
参见图6，所述水域分析报告的生成装置包括：
环境信息集合获取单元61，用于获取目标水域对应多个关联区域对应的环境信息集合；所述环境信息集合包含在多个预设的采集时间点获取的环境信息；
目标污染区域识别单元62，用于将所有所述关联区域的所述环境信息集合导入到预设的时空特征分析网络，在所有所述关联区域中确定存在水资源污染的目标污染区域以及污染类型；
目标污染源识别单元63，用于根据所述目标污染区域对应的环境信息集合以及所述污染类型，确定所述目标污染区域对应的目标污染源；
分析报告生成单元64，用于基于所述所有所述目标污染区域包含的目标污染源生成所述目标水域的分析报告。
可选地，所述目标污染源识别单元63包括：
一类污染区域响应单元，用于将所述污染类型为面污染类型的目标污染区域识别为一类污染区域；
环境数据矩阵构建单元，用于分别确定各个所述一类污染区域对应的区域类型，并基于同一所述区域类型的所述一类污染区域的环境信息集合，构建所述区域类型对应的环境数据矩阵；
候选污染源确定单元，用于将所述环境数据矩阵导入到污染源识别网络，确定所述区域类型对应的候选污染源；
污染贡献率确定单元，用于构建关于所有所述候选污染源的多元回归模型，并通过所述多元回归模型计算各个所述候选污染源对应的污染贡献率；
第一目标污染源确定单元，用于基于所述污染贡献率，从所有所述候选污染源中确定所述目标污染源。
可选地，所述候选污染源确定单元包括：
分布类型确定单元，用于确定所述环境数据矩阵对应的分布类型；
分布类型响应单元，用于若所述分布类型为非正态分布，则构建所述环境数据矩阵对应的高维投影矩阵；所述高维投影矩阵具体为：
Figure 953866DEST_PATH_IMAGE001
其中，
Figure 802873DEST_PATH_IMAGE030
为第i个所述区域类型中所述高维投影矩阵第j个元素；
Figure 583747DEST_PATH_IMAGE031
为第i个所述区域类型的所述环境数据矩阵中第j个元素；exp为自然常数；r为投射到所述高维投影预设的半径；
指标相关系数矩阵生成单元，用于基于所述高维投影矩阵以及所述高维投影矩阵对应的转置矩阵，建立所述区域类型对应的指标相关系数矩阵；所述指标相关系数矩阵具体为：
Figure 896917DEST_PATH_IMAGE004
其中，
Figure 472255DEST_PATH_IMAGE005
为第i个所述区域类型的所述指标相关系数矩阵；
Figure 933192DEST_PATH_IMAGE006
为第i个所述区域类型的所述高维投影矩阵；
Figure 48916DEST_PATH_IMAGE007
为第i个所述区域类型的高维投影矩阵对应的转置矩阵；
Figure 154275DEST_PATH_IMAGE008
为第i个所述区域类型包含的所述一类污染区域的个数；
污染成分信息确定单元，用于通过所述指标相关系数矩阵，确定所述一类污染区域的水资源污染的污染成分信息；
候选污染源识别单元，用于根据预设的污染成分与污染源的对应关系以及所述污染成分信息，确定所述一类污染区域关联的至少一个所述候选污染源。
可选地，所述污染成分信息确定单元包括：
特征信息确定单元，用于根据所述指标相关系数矩阵，确定在多个预设的候选成分维度对应的候选特征值，并生成所述成分特征值对应的单位特征向量；
有效成分维度确定单元，用于基于预设的损失阈值，从所有所述候选成分维度中确定出所述区域类型对应的有效成分维度；所述有效成分维度满足以下条件；
Figure 697252DEST_PATH_IMAGE032
其中，
Figure 320519DEST_PATH_IMAGE033
为基于数值从大到小排列的前k个有效成分维度的候选特征值；
Figure 239933DEST_PATH_IMAGE034
为候选成分维度对应的候选特征值；p为候选成分维度的总数；
Figure 199799DEST_PATH_IMAGE035
为所述损失阈值；
污染得分值计算单元，用于分别根据各个有效成分维度对应的单位特征向量，计算各个所述有效成分维度对应的污染得分值；所述污染得分值具体为：
Figure 913677DEST_PATH_IMAGE036
其中，
Figure 286889DEST_PATH_IMAGE037
为第z个所述有效成分维度对应的所述污染得分值；
Figure 947678DEST_PATH_IMAGE038
为第z个所述有效成分维度对应的候选特征值；
Figure 558788DEST_PATH_IMAGE039
为第z个所述有效成分维度对应的单位特征向量；
目标污染成分确定单元，用于基于各个所述有效成分维度对应的污染得分值，确定所述一类污染区域对应的目标污染成分；
目标污染成分封装单元，用于根据所有所述目标污染成分以及所述目标污染成分的所述污染得分值，生成所述污染成分信息。
可选地，所述污染贡献率确定单元包括：
污染浓度确定单元，用于基于所述环境数据矩阵，确定所述候选污染源对应的多个目标污染成分的污染得分值以及成分浓度；
多元回归方程构建单元，用于根据所述污染得分值以及所述成分浓度，为每个所述目标污染成分构建关于所有所述候选污染源对应的多元回归方程；所述多元回归方程具体为：
Figure 177988DEST_PATH_IMAGE040
其中，
Figure 772917DEST_PATH_IMAGE041
为第a个所述目标污染成分的所述成分浓度；
Figure 237397DEST_PATH_IMAGE042
为第b个所述候选污染源对应的污染贡献；
Figure 971522DEST_PATH_IMAGE024
为第b个候选污染源与第a个所述目标污染成分之间的关联系数；
Figure 10891DEST_PATH_IMAGE043
为第a个目标污染成分对应的基准系数；B为所述候选污染源的总数；
多元回归方程求解单元，用于对所有所述目标污染成分对应的所述多元回归方程中的所述污染贡献进行训练学习，以使所有所述候选污染源对应的所述污染贡献对应的损失函数达到最小值；所述最小值为：
Figure 561958DEST_PATH_IMAGE044
其中，
Figure 361287DEST_PATH_IMAGE027
为所述多元回归方程对应的损失值；argmin（）为最小值函数；A为目标污染成分的总数；
Figure 203779DEST_PATH_IMAGE028
为预设的预测值；α为惩罚因子；
目标贡献值计算单元，用于将所述损失函数达到所述最小值时各个所述候选污染源对应的所述污染贡献作为目标贡献值；
污染贡献率计算单元，用于基于各个所述候选污染源对应的所述目标贡献值，计算各个所述候选污染源对应的所述污染贡献率。
可选地，所述目标污染源识别单元63包括：
二类污染区域识别单元，用于将所述污染类型为点污染类型的目标污染区域识别为二类污染区域；
目标环境信息确定单元，用于根据已采集得到所述二类污染区域对应的水域图像数据，识别出污染时间段，并从所述二类污染区域对应的环境信息集合中选取出在所述污染时间段对应的目标环境信息；
化学指标数据确定单元，用于基于所有所述目标环境信息，确定所述污染时间段对应的化学指标数据；
污染事件识别单元，用于根据所有所述化学指标数据以及所述基于所述水域图像信息提取得到的图像特征数据，确定所述二类污染区域包含的污染事件；
污染扩散轨迹生成单元，用于根据属于同一所述污染事件的多个所述二类污染区域在所述目标水域上的位置关系，建立污染扩散轨迹；
污染扩散轨迹分析单元，用于将所述污染扩散轨迹导入到所述目标水域的流体扩展模型，确定所述二类污染区域对应的所述目标污染源。
可选地，所述目标污染区域识别单元包括：
空间特征信息确定单元，用于将所有所述关联区域的所述环境信息集合，导入到空间特征分析网络，确定关于所述目标水域多个污染物的空间特征信息；所述空间特征分析网络用于对不同所述关联区域在相同所述采集时间点内的环境信息进行聚类分析，得到所述空间特征信息；
时间特征信息确定单元，用于将所有所述关联区域的所述环境信息集合，导入到时间特征分析网络，确定关于所述目标水域多个污染物的时间特征信息；所述时间特征分析网络用于对相同所述关联区域在不同所述采集时间点的环境信息进行聚类分析，得到所述时间特征信息；
污染物浓度曲线确定单元，用于以各个所述关联区域作为第一坐标轴，以各个采集时间作为第二坐标轴，建立时空特性坐标系，并根据所述空间特征信息以及所述时间特征信息，在所述时空特性坐标系中绘制多条污染物浓度曲线；
污染物浓度曲线匹配单元，用于根据所有所述污染物浓度曲线，识别所述目标污染区域以及所述污染类型。
因此，本发明实施例提供的电子设备同样可以定时定点获取目标水域的环境信息，并自动识别出存在污染的目标污染区域，无需在检测到水资源污染后，才安排人员进行信息采集，提高了污染线索采集的及时性，也减少了人员蹲伏所耗费的人力成本以及时间成本，并通过目标污染区域的环境信息集合以及对应的污染类型，自动确定造成污染的目标污染源，并输出对应的分析报告，提高了目标污染源识别的及时性以及准确性。
图7是本发明另一实施例提供的一种电子设备的示意图。如图7所示，该实施例的电子设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如水域分析报告的生成程序。所述处理器70执行所述计算机程序72时实现上述各个水域分析报告的生成方法实施例中的步骤，例如图1所示的S101至S104。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各单元的功能，例如图6所示模块61至64功能。
示例性的，所述计算机程序72可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述电子设备7中的执行过程。
所述电子设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述电子设备7的内部存储单元，例如电子设备7的硬盘或内存。所述存储器71也可以是所述电子设备7的外部存储设备，例如所述电子设备7上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital， SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器71还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述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精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种水域分析报告的生成方法，其特征在于，包括：
获取目标水域对应多个关联区域对应的环境信息集合；所述环境信息集合包含在多个预设的采集时间点获取的环境信息；
将所有所述关联区域的所述环境信息集合导入到预设的时空特征分析网络，在所有所述关联区域中确定存在水资源污染的目标污染区域以及污染类型；
根据所述目标污染区域对应的环境信息集合以及所述污染类型，确定所述目标污染区域对应的目标污染源；
基于所述所有所述目标污染区域包含的目标污染源生成所述目标水域的分析报告。
2.根据权利要求1所述的生成方法，其特征在于，所述根据所述目标污染区域对应的环境信息集合以及所述污染类型，确定所述目标污染区域对应的目标污染源，包括：
将所述污染类型为面污染类型的目标污染区域识别为一类污染区域；
分别确定各个所述一类污染区域对应的区域类型，并基于同一所述区域类型的所述一类污染区域的环境信息集合，构建所述区域类型对应的环境数据矩阵；
将所述环境数据矩阵导入到污染源识别网络，确定所述区域类型对应的候选污染源；
构建关于所有所述候选污染源的多元回归模型，并通过所述多元回归模型计算各个所述候选污染源对应的污染贡献率；
基于所述污染贡献率，从所有所述候选污染源中确定所述目标污染源。
3.根据权利要求2所述的生成方法，其特征在于，所述将所述环境数据矩阵导入到污染源识别网络，确定所述区域类型对应的候选污染源，包括：
确定所述环境数据矩阵对应的分布类型；
若所述分布类型为非正态分布，则构建所述环境数据矩阵对应的高维投影矩阵；所述高维投影矩阵具体为：
Figure 348751DEST_PATH_IMAGE001
其中，
Figure 381736DEST_PATH_IMAGE002
为第i个所述区域类型中所述高维投影矩阵第j个元素；
Figure 427053DEST_PATH_IMAGE003
为第i个所述区域类型的所述环境数据矩阵中第j个元素；exp为自然常数；r为投射到所述高维投影预设的半径；
基于所述高维投影矩阵以及所述高维投影矩阵对应的转置矩阵，建立所述区域类型对应的指标相关系数矩阵；所述指标相关系数矩阵具体为：
Figure 884579DEST_PATH_IMAGE004
其中，
Figure 26847DEST_PATH_IMAGE005
为第i个所述区域类型的所述指标相关系数矩阵；
Figure 114889DEST_PATH_IMAGE006
为第i个所述区域类型的所述高维投影矩阵；
Figure 709818DEST_PATH_IMAGE007
为第i个所述区域类型的高维投影矩阵对应的转置矩阵；
Figure 174298DEST_PATH_IMAGE008
为第i个所述区域类型包含的所述一类污染区域的个数；
通过所述指标相关系数矩阵，确定所述一类污染区域的水资源污染的污染成分信息；
根据预设的污染成分与污染源的对应关系以及所述污染成分信息，确定所述一类污染区域关联的至少一个所述候选污染源。
4.根据权利要求3所述的生成方法，其特征在于，所述通过所述指标相关系数矩阵，确定所述一类污染区域的水资源污染的污染成分信息，包括：
根据所述指标相关系数矩阵，确定在多个预设的候选成分维度对应的候选特征值，并生成所述成分特征值对应的单位特征向量；
基于预设的损失阈值，从所有所述候选成分维度中确定出所述区域类型对应的有效成分维度；所述有效成分维度满足以下条件；
Figure 905493DEST_PATH_IMAGE009
其中，
Figure 226753DEST_PATH_IMAGE010
为基于数值从大到小排列的前k个有效成分维度的候选特征值；
Figure 46329DEST_PATH_IMAGE011
为候选成分维度对应的候选特征值；p为候选成分维度的总数；
Figure 845658DEST_PATH_IMAGE012
为所述损失阈值；
分别根据各个有效成分维度对应的单位特征向量，计算各个所述有效成分维度对应的污染得分值；所述污染得分值具体为：
Figure 634623DEST_PATH_IMAGE013
其中，
Figure 392363DEST_PATH_IMAGE014
为第z个所述有效成分维度对应的所述污染得分值；
Figure 899568DEST_PATH_IMAGE015
为第z个所述有效成分维度对应的候选特征值；
Figure 502587DEST_PATH_IMAGE016
为第z个所述有效成分维度对应的单位特征向量；
基于各个所述有效成分维度对应的污染得分值，确定所述一类污染区域对应的目标污染成分；
根据所有所述目标污染成分以及所述目标污染成分的所述污染得分值，生成所述污染成分信息。
5.根据权利要求2所述的生成方法，其特征在于，所述构建关于所有所述候选污染源的多元回归模型，并通过所述多元回归模型计算各个所述候选污染源对应的污染贡献率，包括：
基于所述环境数据矩阵，确定所述候选污染源对应的多个目标污染成分的污染得分值以及成分浓度；
根据所述污染得分值以及所述成分浓度，为每个所述目标污染成分构建关于所有所述候选污染源对应的多元回归方程；所述多元回归方程具体为：
Figure 411637DEST_PATH_IMAGE017
其中，
Figure 74700DEST_PATH_IMAGE018
为第a个所述目标污染成分的所述成分浓度；
Figure 69201DEST_PATH_IMAGE019
为第b个所述候选污染源对应的污染贡献；
Figure 679174DEST_PATH_IMAGE020
为第b个候选污染源与第a个所述目标污染成分之间的关联系数；
Figure 242398DEST_PATH_IMAGE021
为第a个目标污染成分对应的基准系数；B为所述候选污染源的总数；
对所有所述目标污染成分对应的所述多元回归方程中的所述污染贡献进行训练学习，以使所有所述候选污染源对应的所述污染贡献对应的损失函数达到最小值；所述最小值为：
Figure 341941DEST_PATH_IMAGE022
其中，
Figure 558158DEST_PATH_IMAGE023
为所述多元回归方程对应的损失值；argmin（）为最小值函数；A为目标污染成分的总数；
Figure 971822DEST_PATH_IMAGE024
为预设的预测值；α为惩罚因子；
将所述损失函数达到所述最小值时各个所述候选污染源对应的所述污染贡献作为目标贡献值；
基于各个所述候选污染源对应的所述目标贡献值，计算各个所述候选污染源对应的所述污染贡献率。
6.根据权利要求1所述的生成方法，其特征在于，所述根据所述目标污染区域对应的环境信息集合以及所述污染类型，确定所述目标污染区域对应的目标污染源，包括：
将所述污染类型为点污染类型的目标污染区域识别为二类污染区域；
根据已采集得到所述二类污染区域对应的水域图像数据，识别出污染时间段，并从所述二类污染区域对应的环境信息集合中选取出在所述污染时间段对应的目标环境信息；
基于所有所述目标环境信息，确定所述污染时间段对应的化学指标数据；
根据所有所述化学指标数据以及所述基于所述水域图像信息提取得到的图像特征数据，确定所述二类污染区域包含的污染事件；
根据属于同一所述污染事件的多个所述二类污染区域在所述目标水域上的位置关系，建立污染扩散轨迹；
将所述污染扩散轨迹导入到所述目标水域的流体扩展模型，确定所述二类污染区域对应的所述目标污染源。
7.根据权利要求1-6任一项所述的生成方法，其特征在于，所述将所有所述关联区域的所述环境信息集合导入到预设的时空特征分析网络，在所有所述关联区域中确定存在水资源污染的目标污染区域以及污染类型，包括：
将所有所述关联区域的所述环境信息集合，导入到空间特征分析网络，确定关于所述目标水域多个污染物的空间特征信息；所述空间特征分析网络用于对不同所述关联区域在相同所述采集时间点内的环境信息进行聚类分析，得到所述空间特征信息；
将所有所述关联区域的所述环境信息集合，导入到时间特征分析网络，确定关于所述目标水域多个污染物的时间特征信息；所述时间特征分析网络用于对相同所述关联区域在不同所述采集时间点的环境信息进行聚类分析，得到所述时间特征信息；
以各个所述关联区域作为第一坐标轴，以各个采集时间作为第二坐标轴，建立时空特性坐标系，并根据所述空间特征信息以及所述时间特征信息，在所述时空特性坐标系中绘制多条污染物浓度曲线；
根据所有所述污染物浓度曲线，识别所述目标污染区域以及所述污染类型。
8.一种水域分析报告的生成装置，其特征在于，包括：
环境信息集合获取单元，用于获取目标水域对应多个关联区域对应的环境信息集合；所述环境信息集合包含在多个预设的采集时间点获取的环境信息；
目标污染区域识别单元，用于将所有所述关联区域的所述环境信息集合导入到预设的时空特征分析网络，在所有所述关联区域中确定存在水资源污染的目标污染区域以及污染类型；
目标污染源识别单元，用于根据所述目标污染区域对应的环境信息集合以及所述污染类型，确定所述目标污染区域对应的目标污染源；
分析报告生成单元，用于基于所述所有所述目标污染区域包含的目标污染源生成所述目标水域的分析报告。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202111232568.2A 2021-10-22 2021-10-22 一种水域分析报告的生成方法及电子设备 Active CN113706127B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111232568.2A CN113706127B (zh) 2021-10-22 2021-10-22 一种水域分析报告的生成方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111232568.2A CN113706127B (zh) 2021-10-22 2021-10-22 一种水域分析报告的生成方法及电子设备

Publications (2)

Publication Number Publication Date
CN113706127A true CN113706127A (zh) 2021-11-26
CN113706127B CN113706127B (zh) 2022-02-22

Family

ID=78646925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111232568.2A Active CN113706127B (zh) 2021-10-22 2021-10-22 一种水域分析报告的生成方法及电子设备

Country Status (1)

Country Link
CN (1) CN113706127B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511181A (zh) * 2021-12-31 2022-05-17 中国环境科学研究院 基于电网及税收数据融合的水污染环保校验方法和装置
CN115001931A (zh) * 2022-05-25 2022-09-02 湖南亚信软件有限公司 报文的处理方法、装置、设备、介质及程序产品
CN116610921A (zh) * 2023-06-14 2023-08-18 深圳市顶尖传诚科技有限公司 一种基于大数据的智慧园区信息管理系统及方法
CN117314705A (zh) * 2023-10-11 2023-12-29 青海省生态环境监测中心 一种基于遥感影像的环境综合评估预测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999664A (zh) * 2012-11-20 2013-03-27 天津大学 一种室内污染源位置识别方法
CN105631203A (zh) * 2015-12-27 2016-06-01 北华航天工业学院 识别土壤中重金属污染源的方法
CN106442420A (zh) * 2016-09-21 2017-02-22 河海大学 一种定性与定量结合的水质监测方法
CN107563139A (zh) * 2017-09-06 2018-01-09 郑州大学 一种点源突发性水污染源事故溯源贡献程度计算方法
CN109084840A (zh) * 2018-08-16 2018-12-25 天狼联盟材料科技研究（广东）有限公司 一种基于物联网的河涌水域污染监控和分段管理方法
CN111189990A (zh) * 2020-01-15 2020-05-22 广西国宏智鸿环保科技集团有限公司 一种远程水质智能检测系统
CN111258334A (zh) * 2020-03-23 2020-06-09 安徽工业大学 一种环境污染自动寻源方法
US10706484B1 (en) * 2016-06-15 2020-07-07 Resource Environmental Solutions, LLC Methods, systems, and computer readable media for combining pollution source information with geographic and/or temporal information for a land disturbing construction site
CN111461167A (zh) * 2020-03-02 2020-07-28 平安国际智慧城市科技股份有限公司 基于大数据的污染源定位方法、装置、设备及存储介质
CN111932146A (zh) * 2020-09-01 2020-11-13 平安国际智慧城市科技股份有限公司 污染成因的分析方法、装置、计算机设备和可读存储介质
CN111985567A (zh) * 2020-08-21 2020-11-24 河北先河环保科技股份有限公司 一种基于机器学习的污染源类型自动识别方法
CN112417788A (zh) * 2020-11-30 2021-02-26 重庆市生态环境大数据应用中心 基于大数据的水环境污染分析系统及方法
CN112949680A (zh) * 2021-01-26 2021-06-11 北华航天工业学院 一种基于对应分析和多元线性回归的污染源识别方法
CN112964659A (zh) * 2021-03-11 2021-06-15 惠州市新一代工业互联网创新研究院 一种基于紫外光谱法的多污染物水质监测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999664A (zh) * 2012-11-20 2013-03-27 天津大学 一种室内污染源位置识别方法
CN105631203A (zh) * 2015-12-27 2016-06-01 北华航天工业学院 识别土壤中重金属污染源的方法
US10706484B1 (en) * 2016-06-15 2020-07-07 Resource Environmental Solutions, LLC Methods, systems, and computer readable media for combining pollution source information with geographic and/or temporal information for a land disturbing construction site
CN106442420A (zh) * 2016-09-21 2017-02-22 河海大学 一种定性与定量结合的水质监测方法
CN107563139A (zh) * 2017-09-06 2018-01-09 郑州大学 一种点源突发性水污染源事故溯源贡献程度计算方法
CN109084840A (zh) * 2018-08-16 2018-12-25 天狼联盟材料科技研究（广东）有限公司 一种基于物联网的河涌水域污染监控和分段管理方法
CN111189990A (zh) * 2020-01-15 2020-05-22 广西国宏智鸿环保科技集团有限公司 一种远程水质智能检测系统
CN111461167A (zh) * 2020-03-02 2020-07-28 平安国际智慧城市科技股份有限公司 基于大数据的污染源定位方法、装置、设备及存储介质
CN111258334A (zh) * 2020-03-23 2020-06-09 安徽工业大学 一种环境污染自动寻源方法
CN111985567A (zh) * 2020-08-21 2020-11-24 河北先河环保科技股份有限公司 一种基于机器学习的污染源类型自动识别方法
CN111932146A (zh) * 2020-09-01 2020-11-13 平安国际智慧城市科技股份有限公司 污染成因的分析方法、装置、计算机设备和可读存储介质
CN112417788A (zh) * 2020-11-30 2021-02-26 重庆市生态环境大数据应用中心 基于大数据的水环境污染分析系统及方法
CN112949680A (zh) * 2021-01-26 2021-06-11 北华航天工业学院 一种基于对应分析和多元线性回归的污染源识别方法
CN112964659A (zh) * 2021-03-11 2021-06-15 惠州市新一代工业互联网创新研究院 一种基于紫外光谱法的多污染物水质监测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511181A (zh) * 2021-12-31 2022-05-17 中国环境科学研究院 基于电网及税收数据融合的水污染环保校验方法和装置
CN115001931A (zh) * 2022-05-25 2022-09-02 湖南亚信软件有限公司 报文的处理方法、装置、设备、介质及程序产品
CN116610921A (zh) * 2023-06-14 2023-08-18 深圳市顶尖传诚科技有限公司 一种基于大数据的智慧园区信息管理系统及方法
CN116610921B (zh) * 2023-06-14 2024-02-09 深圳市顶尖传诚科技有限公司 一种基于大数据的智慧园区信息管理系统及方法
CN117314705A (zh) * 2023-10-11 2023-12-29 青海省生态环境监测中心 一种基于遥感影像的环境综合评估预测方法
CN117314705B (zh) * 2023-10-11 2024-04-16 青海省生态环境监测中心 一种基于遥感影像的环境综合评估预测方法

Also Published As

Publication number Publication date
CN113706127B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN113706127B (zh) 一种水域分析报告的生成方法及电子设备
WO2021174751A1 (zh) 基于大数据的污染源定位方法、装置、设备及存储介质
Ji et al. Comparison of seven water quality assessment methods for the characterization and management of highly impaired river systems
Sattari et al. Estimation of water quality parameters with data‐driven model
Hou et al. An early warning and control system for urban, drinking water quality protection: China’s experience
Xin et al. Evaluation, prediction, and protection of water quality in Danjiangkou Reservoir, China
Wang et al. An integrated method for the control factor identification of resources and environmental carrying capacity in coastal zones: A case study in Qingdao, China
Kang et al. Data-driven water quality analysis and prediction: A survey
Priyadarshini et al. Water pollution reduction for sustainable urban development using machine learning techniques
Mitrović et al. Virtual water quality monitoring at inactive monitoring sites using Monte Carlo optimized artificial neural networks: A case study of Danube River (Serbia)
Fabian et al. Modeling, challenges, and strategies for understanding impacts of climate extremes (droughts and floods) on water quality in Asia: a review
Sun et al. A new model for evaluating sustainable utilization of coastline integrating economic output and ecological impact: A case study of coastal areas in Beibu Gulf, China
CN113125659A (zh) 水质监测平台
Zhang et al. Impacts of land use at multiple buffer scales on seasonal water quality in a reticular river network area
Imen et al. Developing a model-based drinking water decision support system featuring remote sensing and fast learning techniques
Chen et al. Evaluation and prediction of water quality in the dammed estuaries and rivers of Taihu Lake
Zhang et al. Insights into spatiotemporal variations of the water quality in Taihu Lake Basin, China
Ejaz et al. Monitoring the Industrial waste polluted stream-Integrated analytics and machine learning for water quality index assessment
Rohmana et al. Increased transparency and resource prioritization for the management of pollutants from wastewater treatment plants: a national perspective from Australia
Nichols et al. Evaluating AUSRIVAS predictive model performance for detecting simulated eutrophication effects on invertebrate assemblages
Yang et al. Strategy for management of lake-catchment system integrated with natural and anthropogenic factors in China
Avakul et al. Spatio-temporal variations in water quality of the Chao Phraya River, Thailand, between 1991 and 2008
Hu et al. The scale identification associated with priority zone management of the Yangtze River Estuary
Zhang et al. Spatiotemporal Evolution and Influencing Factors for Urban Resilience in China: A Provincial Analysis
Zeng et al. Environmental DNA metabarcoding reveals the effect of environmental selection on phytoplankton community structure along a subtropical river

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