CN115424143A - 水源污染溯源方法、装置、存储介质和计算机设备 - Google Patents

水源污染溯源方法、装置、存储介质和计算机设备 Download PDF

Info

Publication number
CN115424143A
CN115424143A CN202211040931.5A CN202211040931A CN115424143A CN 115424143 A CN115424143 A CN 115424143A CN 202211040931 A CN202211040931 A CN 202211040931A CN 115424143 A CN115424143 A CN 115424143A
Authority
CN
China
Prior art keywords
water quality
water
real
pollutant
time
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
CN202211040931.5A
Other languages
English (en)
Other versions
CN115424143B (zh
Inventor
邓应彬
荆文龙
杨骥
胡泓达
胡义强
舒思京
孙嘉
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.)
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
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 Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Priority to CN202211040931.5A priority Critical patent/CN115424143B/zh
Publication of CN115424143A publication Critical patent/CN115424143A/zh
Application granted granted Critical
Publication of CN115424143B publication Critical patent/CN115424143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • 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
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biochemistry (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)

Abstract

本申请提供一种水源污染溯源方法、装置、存储介质和计算机设备，所述方法包括：对水体区域的水质采样点进行采样分析，得到实时水质污染物种类和实时污染物浓度；将水体区域的遥感图像输入到实时水质污染物种类对应的浓度分布识别模型，得到实时水质污染物种类在水体区域的浓度分布区域；将实时污染物浓度与包括浓度分布区域的数据的水质指纹数据库的历史数据进行数据匹配，得到匹配率；若匹配得到的最高匹配率高于预设的匹配阈值，从最高匹配率对应的历史数据中，获取对应的污染源头位置。本申请通过遥感影像和浓度分布识别模型进行大范围的筛选，再根据水质指纹数据库确定污染源头位置，可应用于大范围的水污染溯源，并提高溯源准确性。

Description

水源污染溯源方法、装置、存储介质和计算机设备
技术领域
本申请涉及污染溯源的技术领域，具体涉及一种水源污染溯源方法、装置、存储介质和计算机设备。
背景技术
水污染对自然环境、以及自然环境中的动植物都存在极大的危害。污水中的致病微生物会引起传染病的蔓延，水污染还会给渔业生产带来巨大损失，不仅会导致鱼虾大量死亡，还干扰鱼类洄游和繁殖，使鱼虾的产量和质量大大下降，水污染还可能会污染农田和农作物，使农业减产。而检测水污染的源头有利于保护水资源，减少水污染的出现，但目前水污染的溯源技术十分单一，存在着溯源范围小，溯源准确性低等多种问题。
发明内容
本申请的目的在于克服现有技术中的缺点与不足，提供一种水源污染溯源方法、装置、存储介质和计算机设备，可以应用于大范围的水污染溯源，并提高溯源准确性。
本申请实施例的第一方面提供一种水源污染溯源方法，包括：
对水体区域的水质采样点进行采样分析，得到对应的实时水质污染物种类和实时污染物浓度；
将所述水体区域的遥感图像输入到所述实时水质污染物种类对应的浓度分布识别模型，以得到所述实时水质污染物种类在所述水体区域的浓度分布区域；
获取包括所述浓度分布区域的数据的水质指纹数据库；所述水质指纹数据库存储有水质采样点的历史数据，所述历史数据包括历史水质污染物数据，以及对应的污染源头位置；
将所述实时污染物浓度与所述水质指纹数据库的历史数据进行数据匹配，得到匹配率；
若匹配得到的最高匹配率高于预设的匹配阈值，从最高匹配率对应的历史数据中，获取对应的所述污染源头位置。
本申请实施例的第二方面提供一种水源污染溯源装置，包括：
采样分析模块，用于对水体区域的水质采样点进行采样分析，得到对应的实时水质污染物种类和实时污染物浓度；
浓度分布区域获取模块，用于将所述水体区域的遥感图像输入到所述实时水质污染物种类对应的浓度分布识别模型，以得到所述实时水质污染物种类在所述水体区域的浓度分布区域；
水质指纹数据库获取模块，用于获取包括所述浓度分布区域的数据的水质指纹数据库；所述水质指纹数据库存储有水质采样点的历史数据，所述历史数据包括历史水质污染物数据，以及对应的污染源头位置；
匹配模块，用于将所述实时污染物浓度与所述水质指纹数据库的历史数据进行数据匹配，得到匹配率；
污染源头位置获取模块，若匹配得到的最高匹配率高于预设的匹配阈值，从最高匹配率对应的历史数据中，获取对应的所述污染源头位置。
本申请实施例的第三方面提供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如上所述的水源污染溯源方法的步骤。
本申请实施例的第四方面提供一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的水源污染溯源方法的步骤。
相对于相关技术，本申请首先对水质采样点进行采样分析，得到对应的实时水质污染物种类和实时污染物浓度，然后通过所述实时水质污染物种类对应的浓度分布识别模型，对所述水体区域的遥感图像进行识别，得到水体区域的浓度分布区域，再利用包括所述浓度分布区域的数据的水质指纹数据库，与实时污染物浓度进行匹配，从而判断出污染源头位置。通过遥感影像和浓度分布识别模型可以进行大范围的筛选，然后再根据水质指纹数据库进一步准确确定污染源头位置，实现了可应用于大范围的水污染溯源，并提高溯源准确性的技术效果。
为了能更清晰的理解本申请，以下将结合附图说明阐述本申请的具体实施方式。
附图说明
图1为本申请一个实施例的水源污染溯源方法的流程图。
图2为本申请一个实施例的水源污染溯源方法的浓度分布识别模型训练流程图。
图3为本申请一个实施例的水源污染溯源装置的模块连接示意图。
100、水源污染溯源装置；101、采样分析模块；102、浓度分布区域获取模块；103、水质指纹数据库获取模块；104、匹配模块；105、污染源头位置获取模块。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，其是本申请一个实施例的水源污染溯源方法的流程图，包括：
S1：对水体区域的水质采样点进行采样分析，得到对应的实时水质污染物种类和实时污染物浓度。
水体区域是指地表水的区域，包括各种液态的和固态的水体，主要有河流、湖泊、沼泽等。对水体区域的水质采样点进行采样分析，是指在各个水质采样点，采集约1升的水，进行实验室分析，主要分析水样中总氮、总磷、化学需氧量、叶绿素的含量，然后根据分析结果判断出实时水质污染物种类和实时污染物浓度。其中，若水质污染物种类还可以是重金属、酸、碱、无机盐等污染物。
S2：将所述水体区域的遥感图像输入到所述实时水质污染物种类对应的浓度分布识别模型，以得到所述实时水质污染物种类在所述水体区域的浓度分布区域。
其中，水体区域的遥感图像是指对水体区域的遥感影像进行拼接形成的正射影像，优选地，还对水体区域的正射影像进行了辐射定标和大气校正，以提高水体区域的正射影像的信息准确度。其中，遥感影像的获取方式可以是通过卫星采集，也可以通过多光谱无人机或者高光谱无人机采集得到。
S3：获取包括所述浓度分布区域的数据的水质指纹数据库；所述水质指纹数据库存储有水质采样点的历史数据，所述历史数据包括历史水质污染物数据，以及对应的污染源头位置。
水质指纹数据库是预构建的数据库，是利用遥感卫星影像、区域统计数据，排查研究区内的潜在污染源，分别对工业性污染源、农业污染源、生活用水污染源等进行排查，然后针对每一个污染源进行水体采样，并标记好采样样本对应的位置，以及对应的污染源类型，对应的排放区域或水体区域，再对采样样本进行荧光分析，根据各个采样样本的荧光分析结果构建的数据库。优选地，水质指纹数据库是的数据是实时更新的，会随着发现的污染源的增加而更新数据。
S4：将所述实时污染物浓度与所述水质指纹数据库的历史数据进行数据匹配，得到匹配率。
匹配率用于表示实时污染物浓度与水质指纹数据库的各个历史数据的历史水质污染物数据的相关性，从而体现实时污染物浓度与各个历史数据的污染源头位置是否存在关联。
S5：若匹配得到的最高匹配率高于预设的匹配阈值，从最高匹配率对应的历史数据中，获取对应的所述污染源头位置。
相对于相关技术，本申请首先对水质采样点进行采样分析，得到对应的实时水质污染物种类和实时污染物浓度，然后通过所述实时水质污染物种类对应的浓度分布识别模型，对所述水体区域的遥感图像进行识别，得到水体区域的浓度分布区域，再利用包括所述浓度分布区域的数据的水质指纹数据库，与实时污染物浓度进行匹配，从而判断出污染源头位置。通过遥感影像和浓度分布识别模型可以进行大范围的筛选，然后再根据水质指纹数据库进一步准确确定污染源头位置，实现了可应用于大范围的水污染溯源，并提高溯源准确性的技术效果。其中，所述匹配阈值由用户决定，可选地，所述匹配阈值至少为50％。
在一个可行的实施例中，所述S1：对水体区域的水质采样点进行采样分析，得到对应的实时水质污染物种类和实时污染物浓度的步骤之前，还包括：
S101：获取目标地区的遥感影像。
遥感影像的获取方式可以是通过卫星采集，也可以通过多光谱无人机或者高光谱无人机采集得到。
S102：对所述遥感影像进行拼接操作，得到目标地区的正射影像。
优选地，得到目标地区的正射影像后，还对目标地区的正射影像进行辐射定标和大气校正，以提高正射影像的信息准确度。
S103：根据目标地区的正射影像的波段，对所述目标地区进行水体提取，得到所述水体区域。
在本实施例中，可以通过目标地区的正射影像的波段，从目标地区中提取出水体区域的位置和范围。
在一个可行的实施例中，所述S103：根据目标地区的正射影像的波段，对所述目标地区进行水体提取，得到所述水体区域的步骤，包括：
通过以下公式，计算出所述正射影像的各个像素点的归一化水指数：
Figure BDA0003820854050000051
其中，NDWI为所述归一化水指数，Bgreen为各个像素点的绿光波段值，BNIR为各个像素点的近红外波段值；
根据各个像素点的归一化水指数，以及预设的用于区分水体和费水体的阈值，判断对应的像素点是否属于水体像素点；
根据所述水体像素点的分布，提取得到所述水体区域。
在搬实施例中，通过目标地区的正射影像的各个像素点的归一化水指数，可以判断出目标地区中的水体像素点，进而得到由水体像素点构成的若干个水体区域，可以准确提取得到目标地区中的水体区域。
请参阅图2，在一个可行的实施例中，所述S2的浓度分布识别模型通过以下步骤训练得到，包括：
S201：获取多个样本采样点的样本水质，以及样本采样点所在区域的样本遥感图像。
其中，样本采样点均匀设置，其中，样本采样点的数量至少为5个，可选地，可以是5个、10个、15个、20个等。
S202：对所述样本水质进行分析，得到样本水质的污染物种类和污染物浓度。
S203：根据污染物种类对样本水质进行分组，得到若干个样本水质分组。
例如，样本水质A包括了氮污染物，样本水质B包括了氮和磷两种污染物，样本水质A及其对应的氮污染物浓度会分到污染物种类为氮的样本水质分组，样本水质B及其对应的氮污染物浓度分到污染物种类为氮样本水质分组中，且样本水质B及其对应的磷污染物浓度分到污染物种类为磷样本水质分组中。
S204：将各个所述样本水质分组和所述样本遥感图像，输入到对应的随机森林模型进行训练，得到与各个所述样本水质分组对应的若干个所述浓度分布识别模型。
其中，各个样本水质分组对应的有一个浓度分布识别模型，且各个各个样本水质分组对应的浓度分布识别模型的模型参数，可能会基于污染物种类的不同而存在差异。
在一个可行的实施例中，所述实时水质污染物数据包括实时水质荧光特征；所述历史水质污染物数据包括历史水质荧光特征；
所述S4中：将所述实时污染物浓度与所述水质指纹数据库的历史数据进行数据匹配，得到匹配率的步骤，包括：
S41：将所述实时水质荧光特征与所述历史水质荧光特征进行相关性分析，得到相关性分析结果。
通过以下公式，计算出实时水质荧光特征与所述历史水质荧光特征的相关性分析结果：
Figure BDA0003820854050000061
其中，ρX，Y为相关性分析结果；X为实时水质荧光特征；Y为历史水质荧光特征；σ为标准差；μ为数学期望。
S42：将相关性分析结果确定为所述匹配率。
在本实施例中，通过对实时水质荧光特征与历史水质荧光特征进行相关性分析，可以准确得到水质荧光特征与历史水质荧光特征的匹配率。
在一个可行的实施例中，还包括S6：若匹配得到的最高匹配率低于所述匹配阈值，将所述浓度分布区域中，浓度值最高的位置确定为污染源头位置。
在本实施例中，若匹配得到的最高匹配率低于所述匹配阈值，表示水体区域的水质采样点的水质污染物与水质指纹数据库中的保存的历史数据相关性低，可能是新的污染源头位置造成的，因此，并且新的污染源头位置的污染物浓度应当是最高的，因此可以通过浓度分布识别模型识别出的浓度分布区域，寻找到新的污染源头位置。
请参阅图3，本申请的一个实施例还提供了一种水源污染溯源装置100，包括：
采样分析模块101，用于对水体区域的水质采样点进行采样分析，得到对应的实时水质污染物种类和实时污染物浓度；
浓度分布区域获取模块102，用于将所述水体区域的遥感图像输入到所述实时水质污染物种类对应的浓度分布识别模型，以得到所述实时水质污染物种类在所述水体区域的浓度分布区域；
水质指纹数据库获取模块103，用于获取包括所述浓度分布区域的数据的水质指纹数据库；所述水质指纹数据库存储有水质采样点的历史数据，所述历史数据包括历史水质污染物数据，以及对应的污染源头位置；
匹配模块104，用于将所述实时污染物浓度与所述水质指纹数据库的历史数据进行数据匹配，得到匹配率；
污染源头位置获取模块105，若匹配得到的最高匹配率高于预设的匹配阈值，从最高匹配率对应的历史数据中，获取对应的所述污染源头位置。
水体区域是指地表水的区域，包括各种液态的和固态的水体，主要有河流、湖泊、沼泽等。对水体区域的水质采样点进行采样分析，是指在各个水质采样点，采集约1升的水，进行实验室分析，主要分析水样中总氮、总磷、化学需氧量、叶绿素的含量，然后根据分析结果判断出实时水质污染物种类和实时污染物浓度。其中，若水质污染物种类还可以是重金属、酸、碱、无机盐等污染物。
其中，水体区域的遥感图像是指对水体区域的遥感影像进行拼接形成的正射影像，优选地，还对水体区域的正射影像进行了辐射定标和大气校正，以提高水体区域的正射影像的信息准确度。其中，遥感影像的获取方式可以是通过卫星采集，也可以通过多光谱无人机或者高光谱无人机采集得到。
水质指纹数据库是预构建的数据库，是利用遥感卫星影像、区域统计数据，排查研究区内的潜在污染源，分别对工业性污染源、农业污染源、生活用水污染源等进行排查，然后针对每一个污染源进行水体采样，并标记好采样样本对应的位置，以及对应的污染源类型，对应的排放区域或水体区域，再对采样样本进行荧光分析，根据各个采样样本的荧光分析结果构建的数据库。优选地，水质指纹数据库是的数据是实时更新的，会随着发现的污染源的增加而更新数据。
匹配率用于表示实时污染物浓度与水质指纹数据库的各个历史数据的历史水质污染物数据的相关性，从而体现实时污染物浓度与各个历史数据的污染源头位置是否存在关联。
相对于相关技术，本申请首先对水质采样点进行采样分析，得到对应的实时水质污染物种类和实时污染物浓度，然后通过所述实时水质污染物种类对应的浓度分布识别模型，对所述水体区域的遥感图像进行识别，得到水体区域的浓度分布区域，再利用包括所述浓度分布区域的数据的水质指纹数据库，与实时污染物浓度进行匹配，从而判断出污染源头位置。通过遥感影像和浓度分布识别模型可以进行大范围的筛选，然后再根据水质指纹数据库进一步准确确定污染源头位置，实现了可应用于大范围的水污染溯源，并提高溯源准确性的技术效果。其中，所述匹配阈值由用户决定，可选地，所述匹配阈值至少为50％。
本申请的一个实施例还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如上所述的水源污染溯源方法的步骤。
本申请的一个实施例还提供了一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的水源污染溯源方法的步骤。
以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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选定的功能的装置。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选定的功能。
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选定的功能的步骤。
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。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种水源污染溯源方法，其特征在于，包括：
对水体区域的水质采样点进行采样分析，得到对应的实时水质污染物种类和实时污染物浓度；
将所述水体区域的遥感图像输入到所述实时水质污染物种类对应的浓度分布识别模型，以得到所述实时水质污染物种类在所述水体区域的浓度分布区域；
获取包括所述浓度分布区域的数据的水质指纹数据库；所述水质指纹数据库存储有水质采样点的历史数据，所述历史数据包括历史水质污染物数据，以及对应的污染源头位置；
将所述实时污染物浓度与所述水质指纹数据库的历史数据进行数据匹配，得到匹配率；
若匹配得到的最高匹配率高于预设的匹配阈值，从最高匹配率对应的历史数据中，获取对应的所述污染源头位置。
2.根据权利要求1所述的水源污染溯源方法，其特征在于，所述实时水质污染物数据包括实时水质荧光特征；所述历史水质污染物数据包括历史水质荧光特征；
所述将所述实时污染物浓度与所述水质指纹数据库的历史数据进行数据匹配，得到匹配率的步骤，包括：
将所述实时水质荧光特征与所述历史水质荧光特征进行相关性分析，得到相关性分析结果；
将相关性分析结果确定为所述匹配率。
3.根据权利要求2所述的水源污染溯源方法，其特征在于，所述将所述实时水质荧光特征与所述历史水质荧光特征进行相关性分析，得到相关性分析结果的步骤，包括：
通过以下公式，计算出实时水质荧光特征与所述历史水质荧光特征的相关性分析结果：
Figure FDA0003820854040000011
其中，ρX，Y为相关性分析结果；X为实时水质荧光特征；Y为历史水质荧光特征；σ为标准差；μ为数学期望。
4.根据权利要求1所述的水源污染溯源方法，其特征在于，所述浓度分布识别模型通过以下步骤训练得到，包括：
获取多个样本采样点的样本水质，以及样本采样点所在区域的样本遥感图像；
对所述样本水质进行分析，得到样本水质的污染物种类和污染物浓度；
根据污染物种类对样本水质进行分组，得到若干个样本水质分组；
将各个所述样本水质分组和所述样本遥感图像，输入到对应的随机森林模型进行训练，得到与各个所述样本水质分组对应的若干个所述浓度分布识别模型。
5.根据权利要求1所述的水源污染溯源方法，其特征在于：若匹配得到的最高匹配率低于所述匹配阈值，将所述浓度分布区域中，浓度值最高的位置确定为污染源头位置。
6.根据权利要求1所述的水源污染溯源方法，其特征在于，所述对水体区域的水质采样点进行采样分析，得到对应的实时水质污染物种类和实时污染物浓度的步骤之前，还包括：
获取目标地区的遥感影像；
对所述遥感影像进行拼接操作，得到目标地区的正射影像；
根据目标地区的正射影像的波段，对所述目标地区进行水体提取，得到所述水体区域。
7.根据权利要求6所述的水源污染溯源方法，其特征在于，所述根据目标地区的正射影像的波段，对所述目标地区进行水体提取，得到所述水体区域的步骤，包括：
通过以下公式，计算出所述正射影像的各个像素点的归一化水指数：
Figure FDA0003820854040000021
其中，NDWI为所述归一化水指数，Bgreen为各个像素点的绿光波段值，BNIR为各个像素点的近红外波段值；
根据各个像素点的归一化水指数，以及预设的用于区分水体和费水体的阈值，判断对应的像素点是否属于水体像素点；
根据所述水体像素点的分布，提取得到所述水体区域。
8.一种水源污染溯源装置，其特征在于，包括：
采样分析模块，用于对水体区域的水质采样点进行采样分析，得到对应的实时水质污染物种类和实时污染物浓度；
浓度分布区域获取模块，用于将所述水体区域的遥感图像输入到所述实时水质污染物种类对应的浓度分布识别模型，以得到所述实时水质污染物种类在所述水体区域的浓度分布区域；
水质指纹数据库获取模块，用于获取包括所述浓度分布区域的数据的水质指纹数据库；所述水质指纹数据库存储有水质采样点的历史数据，所述历史数据包括历史水质污染物数据，以及对应的污染源头位置；
匹配模块，用于将所述实时污染物浓度与所述水质指纹数据库的历史数据进行数据匹配，得到匹配率；
污染源头位置获取模块，若匹配得到的最高匹配率高于预设的匹配阈值，从最高匹配率对应的历史数据中，获取对应的所述污染源头位置。
9.一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任一项所述的水源污染溯源方法的步骤。
10.一种计算机设备，其特征在于：包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的水源污染溯源方法的步骤。
CN202211040931.5A 2022-08-29 2022-08-29 水源污染溯源方法、装置、存储介质和计算机设备 Active CN115424143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211040931.5A CN115424143B (zh) 2022-08-29 2022-08-29 水源污染溯源方法、装置、存储介质和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211040931.5A CN115424143B (zh) 2022-08-29 2022-08-29 水源污染溯源方法、装置、存储介质和计算机设备

Publications (2)

Publication Number Publication Date
CN115424143A true CN115424143A (zh) 2022-12-02
CN115424143B CN115424143B (zh) 2024-05-28

Family

ID=84200834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211040931.5A Active CN115424143B (zh) 2022-08-29 2022-08-29 水源污染溯源方法、装置、存储介质和计算机设备

Country Status (1)

Country Link
CN (1) CN115424143B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639159A (zh) * 2022-12-08 2023-01-24 航天宏图信息技术股份有限公司 一种基于多光谱影像的废水污染监测方法和装置
CN115994694A (zh) * 2023-03-22 2023-04-21 北京埃睿迪硬科技有限公司 一种污水溯源的方法、装置及设备
CN116008495A (zh) * 2022-12-28 2023-04-25 廊坊卓筑建筑工程有限公司 一种用于地表水的水体数据采集与分析系统及方法
CN116451167A (zh) * 2023-06-14 2023-07-18 中交天航环保工程有限公司 一种地下水污染源的智能辨识方法及系统
CN117171675A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 基于多源数据的水环境微生物检测方法、系统及介质
CN117373556A (zh) * 2023-12-04 2024-01-09 山东清控生态环境产业发展有限公司 一种基于多维数据的溯源仪器及系统
CN117911054A (zh) * 2024-03-15 2024-04-19 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种黑臭水体底泥污染物溯源识别方法
CN117911054B (zh) * 2024-03-15 2024-06-07 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种黑臭水体底泥污染物溯源识别方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254081A (zh) * 2011-04-06 2011-11-23 北方工业大学 基于随机概率模型的突发河流水污染的统计定位方法
CN104103005A (zh) * 2014-08-05 2014-10-15 环境保护部华南环境科学研究所 一种有限条件下突发性水环境事件污染源的溯源方法
WO2016082568A1 (zh) * 2014-11-25 2016-06-02 中兴通讯股份有限公司 一种短信安全处理方法及装置
CN105868533A (zh) * 2016-03-23 2016-08-17 四川理工学院 基于物联网和3s技术江河流域水环境集成感知与应用方法
US20170351790A1 (en) * 2016-06-06 2017-12-07 The Climate Corporation Data assimilation for calculating computer-based models of crop growth
CN109711674A (zh) * 2018-12-03 2019-05-03 北京师范大学 一种用于湖库水体污染溯源的指纹图谱库构建方法及装置
CN110376343A (zh) * 2019-06-04 2019-10-25 中国环境科学研究院 污染源精准诊断方法、装置以及电子装置
US20200077574A1 (en) * 2018-09-11 2020-03-12 The Climate Corporation Risk-adjusted hybrid seed selection and crop yield optimization by field
CN111091082A (zh) * 2019-12-09 2020-05-01 北京空间机电研究所 一种基于高分辨率遥感数据的流域污染溯源方法
CN111861421A (zh) * 2020-08-01 2020-10-30 生态环境部南京环境科学研究所 一种流域突发水污染快速溯源方法
CN112198144A (zh) * 2020-09-16 2021-01-08 安徽泽众安全科技有限公司 一种快速污水溯源的方法及系统
CN112418426A (zh) * 2020-11-19 2021-02-26 中科三清科技有限公司 排污口污染物排放溯源方法、装置、计算设备及存储介质
CN113034013A (zh) * 2021-03-31 2021-06-25 深圳市宇驰检测技术股份有限公司 污染溯源方法、装置、电子设备及存储介质
CN113419024A (zh) * 2021-06-17 2021-09-21 恒天益科技（深圳）有限公司 一种同位素丰度溯源排污企业的方法及计算机设备
CN113603166A (zh) * 2021-08-09 2021-11-05 中节能环保投资发展(江西)有限公司 一种工业园区水污染物溯源管控系统
CN114384015A (zh) * 2022-01-12 2022-04-22 中国环境科学研究院 一种基于多源遥感和机器学习的水环境监测方法
CN114742272A (zh) * 2022-03-10 2022-07-12 浙江大学 一种基于时空交互关系的土壤镉风险预测方法
CN114818391A (zh) * 2022-06-28 2022-07-29 北京化工大学 一种基于多溯源模型的污染源浓度智能分析方法
CN114821287A (zh) * 2021-01-21 2022-07-29 中国石油天然气股份有限公司 基于时序遥感图像的油田污染水体识别方法及装置

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254081A (zh) * 2011-04-06 2011-11-23 北方工业大学 基于随机概率模型的突发河流水污染的统计定位方法
CN104103005A (zh) * 2014-08-05 2014-10-15 环境保护部华南环境科学研究所 一种有限条件下突发性水环境事件污染源的溯源方法
WO2016082568A1 (zh) * 2014-11-25 2016-06-02 中兴通讯股份有限公司 一种短信安全处理方法及装置
CN105868533A (zh) * 2016-03-23 2016-08-17 四川理工学院 基于物联网和3s技术江河流域水环境集成感知与应用方法
US20170351790A1 (en) * 2016-06-06 2017-12-07 The Climate Corporation Data assimilation for calculating computer-based models of crop growth
US20200077574A1 (en) * 2018-09-11 2020-03-12 The Climate Corporation Risk-adjusted hybrid seed selection and crop yield optimization by field
CN109711674A (zh) * 2018-12-03 2019-05-03 北京师范大学 一种用于湖库水体污染溯源的指纹图谱库构建方法及装置
CN110376343A (zh) * 2019-06-04 2019-10-25 中国环境科学研究院 污染源精准诊断方法、装置以及电子装置
CN111091082A (zh) * 2019-12-09 2020-05-01 北京空间机电研究所 一种基于高分辨率遥感数据的流域污染溯源方法
CN111861421A (zh) * 2020-08-01 2020-10-30 生态环境部南京环境科学研究所 一种流域突发水污染快速溯源方法
CN112198144A (zh) * 2020-09-16 2021-01-08 安徽泽众安全科技有限公司 一种快速污水溯源的方法及系统
CN112418426A (zh) * 2020-11-19 2021-02-26 中科三清科技有限公司 排污口污染物排放溯源方法、装置、计算设备及存储介质
CN114821287A (zh) * 2021-01-21 2022-07-29 中国石油天然气股份有限公司 基于时序遥感图像的油田污染水体识别方法及装置
CN113034013A (zh) * 2021-03-31 2021-06-25 深圳市宇驰检测技术股份有限公司 污染溯源方法、装置、电子设备及存储介质
CN113419024A (zh) * 2021-06-17 2021-09-21 恒天益科技（深圳）有限公司 一种同位素丰度溯源排污企业的方法及计算机设备
CN113603166A (zh) * 2021-08-09 2021-11-05 中节能环保投资发展(江西)有限公司 一种工业园区水污染物溯源管控系统
CN114384015A (zh) * 2022-01-12 2022-04-22 中国环境科学研究院 一种基于多源遥感和机器学习的水环境监测方法
CN114742272A (zh) * 2022-03-10 2022-07-12 浙江大学 一种基于时空交互关系的土壤镉风险预测方法
CN114818391A (zh) * 2022-06-28 2022-07-29 北京化工大学 一种基于多溯源模型的污染源浓度智能分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOYING OUYANG等: "A Generalized Evaluation Scheme for Comparing Temperature Products from Satellite Observations, Numerical Weather Model, and Ground Measurements Over the Tibetan Plateau", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 56, no. 7, pages 3876 - 3894 *
杨东上: "星载大气痕量气体差分吸收光谱仪NO2反演算法研究及应用", 中国博士学位论文全文数据库 (工程科技Ⅰ辑), vol. 2021, no. 09, pages 027 - 62 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639159A (zh) * 2022-12-08 2023-01-24 航天宏图信息技术股份有限公司 一种基于多光谱影像的废水污染监测方法和装置
CN115639159B (zh) * 2022-12-08 2023-04-11 航天宏图信息技术股份有限公司 一种基于多光谱影像的废水污染监测方法和装置
CN116008495A (zh) * 2022-12-28 2023-04-25 廊坊卓筑建筑工程有限公司 一种用于地表水的水体数据采集与分析系统及方法
CN115994694A (zh) * 2023-03-22 2023-04-21 北京埃睿迪硬科技有限公司 一种污水溯源的方法、装置及设备
CN116451167A (zh) * 2023-06-14 2023-07-18 中交天航环保工程有限公司 一种地下水污染源的智能辨识方法及系统
CN116451167B (zh) * 2023-06-14 2023-08-22 中交天航环保工程有限公司 一种地下水污染源的智能辨识方法及系统
CN117171675A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 基于多源数据的水环境微生物检测方法、系统及介质
CN117171675B (zh) * 2023-11-02 2024-01-12 北京建工环境修复股份有限公司 基于多源数据的水环境微生物检测方法、系统及介质
CN117373556A (zh) * 2023-12-04 2024-01-09 山东清控生态环境产业发展有限公司 一种基于多维数据的溯源仪器及系统
CN117373556B (zh) * 2023-12-04 2024-02-13 山东清控生态环境产业发展有限公司 一种基于多维数据的溯源仪器及系统
CN117911054A (zh) * 2024-03-15 2024-04-19 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种黑臭水体底泥污染物溯源识别方法
CN117911054B (zh) * 2024-03-15 2024-06-07 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种黑臭水体底泥污染物溯源识别方法

Also Published As

Publication number Publication date
CN115424143B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN115424143B (zh) 水源污染溯源方法、装置、存储介质和计算机设备
Lu et al. How to automate timely large-scale mangrove mapping with remote sensing
Kalantar et al. A deep learning system for single and overall weight estimation of melons using unmanned aerial vehicle images
Wang et al. Tea picking point detection and location based on Mask-RCNN
Albahli et al. DCNet: DenseNet-77-based CornerNet model for the tomato plant leaf disease detection and classification
CN114898097B (zh) 图像识别方法及系统
CN113378785A (zh) 森林类型识别方法及装置
CN109859057A (zh) 一种农田数据处理方法、服务器及存储介质
Palacios et al. Early yield prediction in different grapevine varieties using computer vision and machine learning
CN115424142A (zh) 基于遥感影像的海岸线类型判别方法、装置、介质和设备
CN111898677A (zh) 一种基于深度学习的浮游生物自动检测方法
Rahim et al. Comparison of grape flower counting using patch-based instance segmentation and density-based estimation with convolutional neural networks
Al-Rahbi et al. Analysis of true-color images from unmanned aerial vehicle to assess salinity stress on date palm
Rominger et al. Drones, deep learning, and endangered plants: A method for population-level census using image analysis
Yilmaz et al. Marine mucilage mapping with explained deep learning model using water-related spectral indices: a case study of Dardanelles Strait, Turkey
Murray et al. Using fractal analysis of crown images to measure the structural condition of trees
CN113255440B (zh) 一种基于机器学习的农作物叶片异常检测方法及系统
WO2022137242A1 (en) Deep learning system for estimating object volume, weight and crop yields based on remote imaging
CN114782519A (zh) 基于点云信息的球形或类球形物体定位方法、装置及介质
Hu et al. Estimation of wheat tiller density using remote sensing data and machine learning methods
Raluy et al. Water Footprint of Forest and Orchard Trees: A Review
Stanski et al. Flower detection using object analysis: new ways to quantify plant phenology in a warming tundra biome
CN110991333A (zh) 一种地上生物量预警方法
CN112700453B (zh) 一种基于物联网的农业用水水质监管方法及设备、介质
CN117171675B (zh) 基于多源数据的水环境微生物检测方法、系统及介质

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