CN116091941B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116091941B CN116091941B CN202310055687.8A CN202310055687A CN116091941B CN 116091941 B CN116091941 B CN 116091941B CN 202310055687 A CN202310055687 A CN 202310055687A CN 116091941 B CN116091941 B CN 116091941B
- Authority
- CN
- China
- Prior art keywords
- water source
- protection area
- source protection
- area
- scattered
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000003651 drinking water Substances 0.000 title claims abstract description 31
- 235000020188 drinking water Nutrition 0.000 title claims abstract description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 142
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 210000002569 neuron Anatomy 0.000 claims description 97
- 238000009826 distribution Methods 0.000 claims description 59
- 238000000605 extraction Methods 0.000 claims description 44
- 239000003344 environmental pollutant Substances 0.000 claims description 37
- 231100000719 pollutant Toxicity 0.000 claims description 37
- 238000010586 diagram Methods 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 239000010865 sewage Substances 0.000 claims description 12
- 238000011835 investigation Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 239000002912 waste gas Substances 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000012512 characterization method Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 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
- 239000007789 gas Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005108 dry cleaning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种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，属于遥感技术领域。本发明基于高分卫星遥感影像快速、全面、准确地获得了整个水源保护区生活面源污染负荷清单及定量表征，可以全面反映水源保护区内生活面源污染负荷定量结果及空间精准定位图。与传统方法相比，本发明一方面可以提高获取水源保护区生活面源污染负荷清单的科学性和全面性，通过本发现确定的生活面源污染负荷清单，可以全面反映水源保护区生活面源污染负荷状况，为饮用水水源保护区污染防治环境监管提供技术支撑。另一方面，通过卫星遥感影像监测大范围生活面源污染状况，获取难度和成本更低，时效率好，精度更高，提高了数据获取的便捷性和经济性。
Description
技术领域
本发明涉及遥感技术领域，特别是指一种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。
背景技术
随着城市和工业点源污染逐步得到有效控制，山区农村生活面源污染已成为导致水环境恶化的主要原因之一。量化分散居民区生活面污染负荷，以确定水源地排查重点区域，同时，也能够为制定精准、高效整治措施提供科学依据。
现有生活面源污染负荷调查通常是以市(地、州、盟)行政区域为单元核算，并依赖地面各级管理部门逐级上报。同一行政区域内，无法精准定位污染负荷的空间分布。饮用水水源保护区面积较大、地处偏远且交通可达性差，导致地面样点的覆盖率通常较差，个别饮用水水源地生活面源污染负荷估算，采用实地调研获取小范围样点数据方式进行计算，误差大。并且同样的方法无法快速精准计算另一水源地生活面源污染负荷，同时，也不能反应生活面源污染空间分布。
所以，传统的以地面调查方法为主的获取饮用水水源地分散居民区生活面源污染负荷的技术方法，存在效率低、时间滞后、时效性低、成本高、主观性强、客观性差、误差大、不能移植等缺点，无法满足新形势下水源地快速、精准、科学的监督管理需求。
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保护区生活面源污染负荷快速调查方法和装置，可以科学、全面、快速地获取水源保护区生活面源污染状况清单，为饮用水水源保护区污染防治环境监管提供技术支撑。
本发明提供技术方案如下：
一种饮用水水源保护区生活面源污染负荷快速调查方法，所述方法包括：
S1：获取覆盖饮用水水源保护区全域的遥感影像；
S2：对所述遥感影像进行预处理；
S3：利用已知的水源保护区边界对所述遥感影像进行图像裁剪运算，得到水源保护区遥感影像；
S4：利用构建的水源保护区分散居民区提取模型对所述水源保护区遥感影像进行分散居民区提取，得到分散居民区空间分布图；
S5：利用构建的分散居民区人口估算模型对所述分散居民区空间分布图进行人口估算，得到水源保护区分散居民区人口空间分布状况清单；
S6：基于所述水源保护区分散居民区人口空间分布状况清单，利用构建的生活面源污染负荷估算模型，获取水源保护区生活面源污染负荷清单及空间分布图。
进一步的，所述水源保护区分散居民区提取模型R＝f(x,y)；
其中，R表示水源保护区分散居民区监测指标，x表示所述水源保护区遥感影像的光谱信息，y表示所述水源保护区遥感影像的空间纹理信息，f表示所述水源保护区分散居民区提取模型使用的模型函数。
进一步的，所述水源保护区分散居民区提取模型的输入层神经元个数为i，隐含层神经元个数为j，输出层神经元个数为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；
所述输入层神经元的输入为所述水源保护区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入为：
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入为：
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水源保护区分散居民区监测指标。
进一步的，所述水源保护区分散居民区提取模型通过如下过程训练得到：
S10：将所述水源保护区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，在所述输出层神经元输出Om；
S20：计算输出误差函数E；
其中，Rm为所述水源保护区遥感影像真实的水源保护区分散居民区监测指标；
S30：计算输出层节点误差δm；
S40：计算隐含层神经元误差δj；
S50：计算输出层权值修正值；
vmj(k+1)＝vmj(k)+Δvmj＝vmj(k)+ηm(Rm-Om)f'(netm)Oj
其中，ηm为设定的学习率；
S60：计算输出层阈值修正值；
um(k+1)＝um(t)+Δum＝um(t)+ηm(Rm-Om)f'(netm)
S70：计算隐含层权值修正值；
S80：计算隐含层阈值修正值；
S90：重复上述过程，对各个神经元的权值和阈值不断进行修正，完成所述水源保护区分散居民区提取模型的训练。
进一步的，所述分散居民区人口估算模型P＝F(s,M)；
其中，P表示所述分散居民区空间分布图的图斑对应的人口数量，s表示所述分散居民区空间分布图的图斑的面积，F表示所述分散居民区人口估算模型使用的模型函数；
M表示影响人口分布的机制模型，M＝g(n,m,h)，n表示自然因素，m表示社会经济因素，h表示历史因素。
进一步的，所述生活面源污染负荷估算模型L＝Lw+Lg；
其中，L表示水源保护区生活面源污染负荷，Lw表示生活污水污染物排放量，Lg表示生活污染物及废气污染物排放量；
Lw＝P×Ic×365×(1-RP×Rc)
Ic表示人日均产污强度，RP表示生活污水进行处理的人口比例，Rc表示污染物综合去除率；
Lg＝Ec×Ie1+P×Ie2+C×Ie3
Ec表示能源消费量，Ie1表示废气污染物排放系数，Ie2表示生活污染物排放系数，C表示汽车保有量，Ie3表示汽车修补类排放系数。
进一步的，所述预处理包括正射校正、大气校正和图像融合。
一种饮用水水源保护区生活面源污染负荷快速调查装置，所述装置包括：
影像获取模块，用于获取覆盖饮用水水源保护区全域的遥感影像；
预处理模块，用于对所述遥感影像进行预处理；
影像裁剪模块，用于利用已知的水源保护区边界对所述遥感影像进行图像裁剪运算，得到水源保护区遥感影像；
分散居民区提取模块，用于利用构建的水源保护区分散居民区提取模型对所述水源保护区遥感影像进行分散居民区提取，得到分散居民区空间分布图；
人口估算模块，用于利用构建的分散居民区人口估算模型对所述分散居民区空间分布图进行人口估算，得到水源保护区分散居民区人口空间分布状况清单；
生活面源污染负荷估算模块，用于基于所述水源保护区分散居民区人口空间分布状况清单，利用构建的生活面源污染负荷估算模型，获取水源保护区生活面源污染负荷清单及空间分布图。
进一步的，所述水源保护区分散居民区提取模型R＝f(x,y)；
其中，R表示水源保护区分散居民区监测指标，x表示所述水源保护区遥感影像的光谱信息，y表示所述水源保护区遥感影像的空间纹理信息，f表示所述水源保护区分散居民区提取模型使用的模型函数。
进一步的，所述水源保护区分散居民区提取模型的输入层神经元个数为i，隐含层神经元个数为j，输出层神经元个数为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；
所述输入层神经元的输入为所述水源保护区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入为：
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入为：
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水源保护区分散居民区监测指标。
进一步的，所述水源保护区分散居民区提取模型通过如下过程训练得到：
将所述水源保护区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，在所述输出层神经元输出Om；
计算输出误差函数E；
其中，Rm为所述水源保护区遥感影像真实的水源保护区分散居民区监测指标；
计算输出层节点误差δm；
计算隐含层神经元误差δj；
计算输出层权值修正值；
vmj(k+1)＝vmj(k)+Δvmj＝vmj(k)+ηm(Rm-Om)f'(netm)Oj
其中，ηm为设定的学习率；
计算输出层阈值修正值；
um(k+1)＝um(t)+Δum＝um(t)+ηm(Rm-Om)f'(netm)
计算隐含层权值修正值；
计算隐含层阈值修正值；
重复上述过程，对各个神经元的权值和阈值不断进行修正，完成所述水源保护区分散居民区提取模型的训练。
进一步的，所述分散居民区人口估算模型P＝F(s,M)；
其中，P表示所述分散居民区空间分布图的图斑对应的人口数量，s表示所述分散居民区空间分布图的图斑的面积，F表示所述分散居民区人口估算模型使用的模型函数；
M表示影响人口分布的机制模型，M＝g(n,m,h)，n表示自然因素，m表示社会经济因素，h表示历史因素。
进一步的，所述生活面源污染负荷估算模型L＝Lw+Lg；
其中，L表示水源保护区生活面源污染负荷，Lw表示生活污水污染物排放量，Lg表示生活污染物及废气污染物排放量；
Lw＝P×Ic×365×(1-RP×Rc)
Ic表示人日均产污强度，RP表示生活污水进行处理的人口比例，Rc表示污染物综合去除率；
Lg＝Ec×Ie1+P×Ie2+C×Ie3
Ec表示能源消费量，Ie1表示废气污染物排放系数，Ie2表示生活污染物排放系数，C表示汽车保有量，Ie3表示汽车修补类排放系数。
进一步的，所述预处理包括正射校正、大气校正和图像融合。
本发明具有以下有益效果：
本发明基于高分卫星遥感影像快速、全面、准确地获得了整个水源保护区生活面源污染负荷清单及定量表征，确定了生活面源污染负荷及其空间分布，可以全面反映水源保护区内生活面源污染负荷定量结果及空间精准定位图。与传统方法相比，本发明一方面可以提高获取水源保护区生活面源污染负荷清单的科学性和全面性，通过本发现确定的生活面源污染负荷清单，可以全面反映水源保护区生活面源污染负荷状况，为饮用水水源保护区污染防治环境监管提供技术支撑。另一方面，通过卫星遥感影像监测大范围生活面源污染状况，获取难度和成本更低，时效率好，精度更高，提高了数据获取的便捷性和经济性。
附图说明
图1为本发明的饮用水水源保护区生活面源污染负荷快速调查方法的流程图；
图2为水源保护区分散居民区提取模型的示意图；
图3为本发明的饮用水水源保护区生活面源污染负荷快速调查装置的示意图。
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。
本发明实施例提供一种饮用水水源保护区生活面源污染负荷快速调查方法，如图1所示，该方法包括：
S1：获取覆盖饮用水水源保护区全域的遥感影像，遥感影像可以是高分卫星影像。
S2：对遥感影像进行正射校正、大气校正和图像融合等预处理，
S3：利用已知的水源保护区边界对遥感影像进行图像裁剪运算，得到水源保护区遥感影像。
S4：利用构建的水源保护区分散居民区提取模型对水源保护区遥感影像进行分散居民区提取，得到分散居民区空间分布图。
在其中一个示例中，水源保护区分散居民区提取模型R＝f(x,y)。
其中，R表示水源保护区分散居民区监测指标，x表示水源保护区遥感影像的光谱信息，y表示水源保护区遥感影像的空间纹理信息，f表示水源保护区分散居民区提取模型使用的模型函数。
水源保护区分散居民区提取模型可以为神经网络模型，其示例如图2所示，包括输入层神经元、隐含层神经元和输出层神经元，输入层神经元个数为i，隐含层神经元个数为j，输出层神经元个数为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。
水源保护区分散居民区提取模型在使用前需要进行训练，训练前，需要制作训练用的水源保护区遥感影像，并在训练用的水源保护区遥感影像上标注出真实的水源保护区分散居民区监测指标(即分散居民区空间分布图)。然后通过如下方法进行训练：
S10：将训练用的水源保护区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，在输出层神经元输出Om。
其中，隐含层神经元的输入为：
隐含层神经元的输出为：Oj＝f(Ij-θj)＝f(netj)。
输出层神经元的输入为：
输出层神经元的输出为：Om＝f(Im-um)＝f(netm)。
输出层神经元的输出即为水源保护区分散居民区监测指标。
S20：计算输出误差函数E。
其中，Rm为水源保护区遥感影像真实的水源保护区分散居民区监测指标。
S30：计算输出层节点误差δm。
S40：计算隐含层神经元误差δj。
S50：计算输出层权值修正值。
vmj(k+1)＝vmj(k)+Δvmj＝vmj(k)+ηm(Rm-Om)f'(netm)Oj
其中，ηm为设定的学习率；
S60：计算输出层阈值修正值。
um(k+1)＝um(t)+Δum＝um(t)+ηm(Rm-Om)f'(netm)
S70：计算隐含层权值修正值。
S80：计算隐含层阈值修正值。
S90：迭代重复上述S10～S80的过程，对各个神经元的权值和阈值不断进行修正，直至迭代次数达到设定次数或输出误差函数小于设定值，完成水源保护区分散居民区提取模型的训练。
水源保护区分散居民区提取模型训练完毕后，将待调查的水源保护区遥感影像的光谱信息和空间纹理信息输入水源保护区分散居民区提取模型，即可输出水源保护区分散居民区监测指标，形成分散居民区空间分布图。
S5：利用构建的分散居民区人口估算模型对分散居民区空间分布图进行人口估算，得到水源保护区分散居民区人口空间分布状况清单。
构建分散居民区人口估算模型时，可以基于前述提取得到的水源保护区的分散居民区空间分布图，通过现场调查抽样，选取部分居民区开展现场调查，根据现场调查的数据构建分散居民区人口估算模型。
在其中一个示例中，分散居民区人口估算模型P＝F(s,M)。
其中，P表示分散居民区空间分布图的图斑对应的人口数量，s表示分散居民区空间分布图的图斑的面积，F表示分散居民区人口估算模型使用的模型函数。
M表示影响人口分布的机制模型，M＝g(n,m,h)，n表示自然因素，包括纬度、地形地势及气候等自然因子；m表示社会经济因素，包括土地产量、工业及交通状况等社会经济因子；h表示历史因素，包括发展历史、人口迁移等历史因子。
通过现场部分抽样调查构建分散居民区人口估算模型后，将前述提取得到的水源保护区的分散居民区空间分布图作为输入量，即可估算得到分散居民区空间分布图的各个图斑对应的人口数量，形成水源保护区分散居民区人口空间分布状况清单。
S6：基于水源保护区分散居民区人口空间分布状况清单，利用构建的生活面源污染负荷估算模型，获取水源保护区生活面源污染负荷清单及空间分布图，支撑制定生活面源污染防治政策及相关规划。
在其中一个示例中，生活面源污染负荷估算模型L＝Lw+Lg。
其中，L表示水源保护区生活面源污染负荷，Lw表示生活污水污染物排放量，污染物类型包括：化学需氧量、氨氮、总氮、总磷共五类。Lg表示生活污染物及其他废气污染物排放量，污染物类型包括：二氧化硫、氮氧化物、颗粒物、挥发性有机物共四类。
Lw＝P×Ic×365×(1-RP×Rc)
Ic表示人日均产污强度，RP表示生活污水进行处理的人口比例，Rc表示污染物综合去除率；
Lg＝Ec×Ie1+P×Ie2+C×Ie3
Ec表示能源消费量，包括生活及其他燃煤与生活及其他天然气两种类型；Ie1表示废气污染物排放系数，排放类型包括二氧化硫、氮氧化物、颗粒物、挥发性有机物共四类。Ie2表示生活污染物排放系数，排放类型包括建筑装饰类、餐饮油烟类、家庭日化用品类、干洗类共四类。C表示汽车保有量，Ie3表示汽车修补类排放系数。
本发明基于高分卫星遥感影像快速、全面、准确地获得了整个水源保护区生活面源污染负荷清单及定量表征，确定了生活面源污染负荷及其空间分布，可以全面反映水源保护区内生活面源污染负荷定量结果及空间精准定位图。与传统方法相比，本发明一方面可以提高获取水源保护区生活面源污染负荷清单的科学性和全面性，通过本发现确定的生活面源污染负荷清单，可以全面反映水源保护区生活面源污染负荷状况，为饮用水水源保护区污染防治环境监管提供技术支撑。另一方面，通过卫星遥感影像监测大范围生活面源污染状况，获取难度和成本更低，时效率好，精度更高，提高了数据获取的便捷性和经济性。
本发明实施例还提供一种饮用水水源保护区生活面源污染负荷快速调查装置，如图3所示，该装置包括：
影像获取模块1，用于获取覆盖饮用水水源保护区全域的遥感影像。
预处理模块2，用于对遥感影像进行预处理。
影像裁剪模块3，用于利用已知的水源保护区边界对遥感影像进行图像裁剪运算，得到水源保护区遥感影像。
分散居民区提取模块4，用于利用构建的水源保护区分散居民区提取模型对水源保护区遥感影像进行分散居民区提取，得到分散居民区空间分布图。
人口估算模块5，用于利用构建的分散居民区人口估算模型对分散居民区空间分布图进行人口估算，得到水源保护区分散居民区人口空间分布状况清单。
生活面源污染负荷估算模块6，用于基于水源保护区分散居民区人口空间分布状况清单，利用构建的生活面源污染负荷估算模型，获取水源保护区生活面源污染负荷清单及空间分布图。
本发明基于高分卫星遥感影像快速、全面、准确地获得了整个水源保护区生活面源污染负荷清单及定量表征，确定了生活面源污染负荷及其空间分布，可以全面反映水源保护区内生活面源污染负荷定量结果及空间精准定位图。与传统方法相比，本发明一方面可以提高获取水源保护区生活面源污染负荷清单的科学性和全面性，通过本发现确定的生活面源污染负荷清单，可以全面反映水源保护区生活面源污染负荷状况，为饮用水水源保护区污染防治环境监管提供技术支撑。另一方面，通过卫星遥感影像监测大范围生活面源污染状况，获取难度和成本更低，时效率好，精度更高，提高了数据获取的便捷性和经济性。
在其中一个示例中，水源保护区分散居民区提取模型R＝f(x,y)。
其中，R表示水源保护区分散居民区监测指标，x表示水源保护区遥感影像的光谱信息，y表示水源保护区遥感影像的空间纹理信息，f表示水源保护区分散居民区提取模型使用的模型函数。
该水源保护区分散居民区提取模型的输入层神经元个数为i，隐含层神经元个数为j，输出层神经元个数为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。
输入层神经元的输入为水源保护区遥感影像的光谱信息xi和空间纹理信息yi。
隐含层神经元的输入为：
隐含层神经元的输出为：Oj＝f(Ij-θj)＝f(netj)。
输出层神经元的输入为：
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水源保护区分散居民区监测指标。
前述的水源保护区分散居民区提取模型通过如下过程训练得到：
将水源保护区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，在输出层神经元输出Om。
计算输出误差函数E。
其中，Rm为水源保护区遥感影像真实的水源保护区分散居民区监测指标。
计算输出层节点误差δm。
计算隐含层神经元误差δj。
计算输出层权值修正值。
vmj(k+1)＝vmj(k)+Δvmj＝vmj(k)+ηm(Rm-Om)f'(netm)Oj
其中，ηm为设定的学习率；
计算输出层阈值修正值。
um(k+1)＝um(t)+Δum＝um(t)+ηm(Rm-Om)f'(netm)
计算隐含层权值修正值。
计算隐含层阈值修正值。
重复上述过程，对各个神经元的权值和阈值不断进行修正，完成水源保护区分散居民区提取模型的训练。
作为一个示例，分散居民区人口估算模型P＝F(s,M)。
其中，P表示分散居民区空间分布图的图斑对应的人口数量，s表示分散居民区空间分布图的图斑的面积，F表示分散居民区人口估算模型使用的模型函数。
M表示影响人口分布的机制模型，M＝g(n,m,h)，n表示自然因素，m表示社会经济因素，h表示历史因素。
作为一种改进，生活面源污染负荷估算模型L＝Lw+Lg。
其中，L表示水源保护区生活面源污染负荷，Lw表示生活污水污染物排放量，Lg表示生活污染物及废气污染物排放量。
Lw＝P×Ic×365×(1-RP×Rc)
Ic表示人日均产污强度，RP表示生活污水进行处理的人口比例，Rc表示污染物综合去除率。
Lg＝Ec×Ie1+P×Ie2+C×Ie3
Ec表示能源消费量，Ie1表示废气污染物排放系数，Ie2表示生活污染物排放系数，C表示汽车保有量，Ie3表示汽车修补类排放系数。
前述的预处理可以包括正射校正、大气校正和图像融合等。
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)
1.一种饮用水水源保护区生活面源污染负荷快速调查方法，其特征在于，所述方法包括：
S1：获取覆盖饮用水水源保护区全域的遥感影像；
S2：对所述遥感影像进行预处理；
S3：利用已知的水源保护区边界对所述遥感影像进行图像裁剪运算，得到水源保护区遥感影像；
S4：利用构建的水源保护区分散居民区提取模型对所述水源保护区遥感影像进行分散居民区提取，得到分散居民区空间分布图；
S5：利用构建的分散居民区人口估算模型对所述分散居民区空间分布图进行人口估算，得到水源保护区分散居民区人口空间分布状况清单；
S6：基于所述水源保护区分散居民区人口空间分布状况清单，利用构建的生活面源污染负荷估算模型，获取水源保护区生活面源污染负荷清单及空间分布图；
所述分散居民区人口估算模型P＝F(s,M)；
其中，P表示所述分散居民区空间分布图的图斑对应的人口数量，s表示所述分散居民区空间分布图的图斑的面积，F表示所述分散居民区人口估算模型使用的模型函数；
M表示影响人口分布的机制模型，M＝g(n,m,h)，n表示自然因素，m表示社会经济因素，h表示历史因素；
所述生活面源污染负荷估算模型L＝Lw+Lg；
其中，L表示水源保护区生活面源污染负荷，Lw表示生活污水污染物排放量，Lg表示生活污染物及废气污染物排放量；
Lw＝P×Ic×365×(1-RP×Rc)
Ic表示人日均产污强度，RP表示生活污水进行处理的人口比例，Rc表示污染物综合去除率；
Lg＝Ec×Ie1+P×Ie2+C×Ie3
Ec表示能源消费量，Ie1表示废气污染物排放系数，Ie2表示生活污染物排放系数，C表示汽车保有量，Ie3表示汽车修补类排放系数。
2.根据权利要求1所述的饮用水水源保护区生活面源污染负荷快速调查方法，其特征在于，所述水源保护区分散居民区提取模型R＝f(x,y)；
其中，R表示水源保护区分散居民区监测指标，x表示所述水源保护区遥感影像的光谱信息，y表示所述水源保护区遥感影像的空间纹理信息，f表示所述水源保护区分散居民区提取模型使用的模型函数。
3.根据权利要求2所述的饮用水水源保护区生活面源污染负荷快速调查方法，其特征在于，所述水源保护区分散居民区提取模型的输入层神经元个数为i，隐含层神经元个数为j，输出层神经元个数为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；
所述输入层神经元的输入为所述水源保护区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入为：
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入为：
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水源保护区分散居民区监测指标。
4.根据权利要求3所述的饮用水水源保护区生活面源污染负荷快速调查方法，其特征在于，所述水源保护区分散居民区提取模型通过如下过程训练得到：
S10：将所述水源保护区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，在所述输出层神经元输出Om；
S20：计算输出误差函数E；
其中，Rm为所述水源保护区遥感影像真实的水源保护区分散居民区监测指标；
S30：计算输出层节点误差δm；
S40：计算隐含层神经元误差δj；
S50：计算输出层权值修正值；
vmj(k+1)＝vmj(k)+Δvmj＝vmj(k)+ηm(Rm-Om)f'(netm)Oj
其中，ηm为设定的学习率；
S60：计算输出层阈值修正值；
um(k+1)＝um(t)+Δum＝um(t)+ηm(Rm-Om)f'(netm)
S70：计算隐含层权值修正值；
S80：计算隐含层阈值修正值；
S90：重复上述过程，对各个神经元的权值和阈值不断进行修正，完成所述水源保护区分散居民区提取模型的训练。
5.根据权利要求1-4任一所述的饮用水水源保护区生活面源污染负荷快速调查方法，其特征在于，所述预处理包括正射校正、大气校正和图像融合。
6.一种饮用水水源保护区生活面源污染负荷快速调查装置，其特征在于，所述装置包括：
影像获取模块，用于获取覆盖饮用水水源保护区全域的遥感影像；
预处理模块，用于对所述遥感影像进行预处理；
影像裁剪模块，用于利用已知的水源保护区边界对所述遥感影像进行图像裁剪运算，得到水源保护区遥感影像；
分散居民区提取模块，用于利用构建的水源保护区分散居民区提取模型对所述水源保护区遥感影像进行分散居民区提取，得到分散居民区空间分布图；
人口估算模块，用于利用构建的分散居民区人口估算模型对所述分散居民区空间分布图进行人口估算，得到水源保护区分散居民区人口空间分布状况清单；
生活面源污染负荷估算模块，用于基于所述水源保护区分散居民区人口空间分布状况清单，利用构建的生活面源污染负荷估算模型，获取水源保护区生活面源污染负荷清单及空间分布图；
所述分散居民区人口估算模型P＝F(s,M)；
其中，P表示所述分散居民区空间分布图的图斑对应的人口数量，s表示所述分散居民区空间分布图的图斑的面积，F表示所述分散居民区人口估算模型使用的模型函数；
M表示影响人口分布的机制模型，M＝g(n,m,h)，n表示自然因素，m表示社会经济因素，h表示历史因素；
所述生活面源污染负荷估算模型L＝Lw+Lg；
其中，L表示水源保护区生活面源污染负荷，Lw表示生活污水污染物排放量，Lg表示生活污染物及废气污染物排放量；
Lw＝P×Ic×365×(1-RP×Rc)
Ic表示人日均产污强度，RP表示生活污水进行处理的人口比例，Rc表示污染物综合去除率；
Lg＝Ec×Ie1+P×Ie2+C×Ie3
Ec表示能源消费量，Ie1表示废气污染物排放系数，Ie2表示生活污染物排放系数，C表示汽车保有量，Ie3表示汽车修补类排放系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310055687.8A CN116091941B (zh) | 2023-01-18 | 2023-01-18 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310055687.8A CN116091941B (zh) | 2023-01-18 | 2023-01-18 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116091941A CN116091941A (zh) | 2023-05-09 |
| CN116091941B true CN116091941B (zh) | 2023-10-27 |
Family
ID=86205970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310055687.8A Active CN116091941B (zh) | 2023-01-18 | 2023-01-18 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091941B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101702019A (zh) * | 2009-11-26 | 2010-05-05 | 上海电机学院 | Sar图像中居民区的提取方法 |
| AU2020100440A4 (en) * | 2020-01-21 | 2020-04-23 | Institute Of Agricultural Resources And Environment Hebei Academy Of Agriculture And Forestry Sciences | The high-risk area identification method and differential processing method for land agricultural product producing areas |
| CN112241844A (zh) * | 2020-10-21 | 2021-01-19 | 生态环境部卫星环境应用中心 | 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 |
| CN114611756A (zh) * | 2022-02-11 | 2022-06-10 | 长江生态环保集团有限公司 | 基于遥感技术的城市合流制排水系统水量负荷预测方法 |
| CN115082793A (zh) * | 2022-06-28 | 2022-09-20 | 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 |
-
2023
- 2023-01-18 CN CN202310055687.8A patent/CN116091941B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101702019A (zh) * | 2009-11-26 | 2010-05-05 | 上海电机学院 | Sar图像中居民区的提取方法 |
| AU2020100440A4 (en) * | 2020-01-21 | 2020-04-23 | Institute Of Agricultural Resources And Environment Hebei Academy Of Agriculture And Forestry Sciences | The high-risk area identification method and differential processing method for land agricultural product producing areas |
| CN112241844A (zh) * | 2020-10-21 | 2021-01-19 | 生态环境部卫星环境应用中心 | 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 |
| CN114611756A (zh) * | 2022-02-11 | 2022-06-10 | 长江生态环保集团有限公司 | 基于遥感技术的城市合流制排水系统水量负荷预测方法 |
| CN115082793A (zh) * | 2022-06-28 | 2022-09-20 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| 灵台县城区饮用水水源地保护区污染源现状调查及预测分析;杨勇;王毓森;;甘肃水利水电技术(第08期);第22-25页 * |
| 辽河流域非点源污染空间特征遥感解析;王雪蕾;蔡明勇;钟部卿;姚延娟;殷守敬;吴迪;;环境科学(第10期);第64-72页 * |
| 饮用水水源保护区高尔夫球场卫星遥感监察技术研究;姚延娟;刘思含;高彦华;王晨;;环境与可持续发展(第06期);第52-56页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116091941A (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Predictive analysis of the air quality indicators in the Yangtze River Delta in China: An application of a novel seasonal grey model | |
| Simonovic et al. | A new modeling approach for water resources policy analysis | |
| Li et al. | Sustainable decision-making for contaminated site risk management: A decision tree model using machine learning algorithms | |
| CN110727717A (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
| Hoang et al. | Artificial intelligence in pollution control and management: status and future prospects | |
| CN112163367A (zh) | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 | |
| Mostafavi et al. | Waste load allocation using non-dominated archiving multi-colony ant algorithm | |
| Weber et al. | Machine learning based system identification tool for data-based energy and resource modeling and simulation | |
| CN106355268A (zh) | 一种基于环境承载力的城市产业结构优化方法 | |
| CN112034801A (zh) | 挥发性有机污染物总量排污系数计算方法、系统、介质及终端 | |
| CN112990111B (zh) | 臭氧生成高值区的识别方法、装置、存储介质及设备 | |
| Ma et al. | Simulation modeling for wetland utilization and protection based on system dynamic model in a coastal city, China | |
| Xiong et al. | Coupling degree evaluation of heavy metal ecological capacity and enterprise digital transformation in river basins | |
| CN111062549A (zh) | 评价环境因素的方法、评价环境因素的装置及服务器 | |
| Lim et al. | Air pollution matter prediction using recurrent neural networks with sequential data | |
| Wang et al. | A Fusion Water Quality Soft‐Sensing Method Based on WASP Model and Its Application in Water Eutrophication Evaluation | |
| Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
| Yan et al. | Spatio-temporal variation and daily prediction of PM 2.5 concentration in world-class urban agglomerations of China | |
| Jiang et al. | Deep-reinforcement-learning-based water diversion strategy | |
| CN116091941B (zh) | 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 | |
| Yuan et al. | Prediction of PM2. 5 time series by seasonal trend decomposition-based dendritic neuron model | |
| Latif et al. | Developing an innovative machine learning model for rainfall prediction in a semi-arid region | |
| Ruan | Ambient Air Quality Evaluation and Prediction Model based on Data Mining. | |
| Ma et al. | Comprehensive evaluation of renewable energy for power projects based on CA-DEA model | |
| Russell | Application of microeconomic models to regional environmental quality management |
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 |