CN116187204B - 一种水域遥感反演水环境污染的风险决策方法 - Google Patents
一种水域遥感反演水环境污染的风险决策方法 Download PDFInfo
- Publication number
- CN116187204B CN116187204B CN202310436348.4A CN202310436348A CN116187204B CN 116187204 B CN116187204 B CN 116187204B CN 202310436348 A CN202310436348 A CN 202310436348A CN 116187204 B CN116187204 B CN 116187204B
- Authority
- CN
- China
- Prior art keywords
- water
- risk
- value
- area
- grid
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 302
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims description 20
- 238000003912 environmental pollution Methods 0.000 claims description 15
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 14
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 8
- 229930002875 chlorophyll Natural products 0.000 claims description 7
- 235000019804 chlorophyll Nutrition 0.000 claims description 7
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 7
- 229910052757 nitrogen Inorganic materials 0.000 claims description 7
- 229910052698 phosphorus Inorganic materials 0.000 claims description 7
- 239000011574 phosphorus Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 239000008235 industrial water Substances 0.000 claims description 3
- 238000001579 optical reflectometry Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen(.) Chemical compound [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 231100001267 hazard identification Toxicity 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000012038 vulnerability analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06Q50/265—Personal security, identity or safety
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种水域遥感反演水环境污染的风险决策方法，包括：获取水域的遥感光谱数据，其中，水域划分有多个网格单元；获取网格单元临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值；针对各个网格单元，将对应的遥感光谱数据输入预先建模所得的人工智能水质反演模型中得到对应的水质浓度；根据对应的水质浓度，计算得到对应的现况危险度；根据对应的网格单元临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值，计算得到对应的脆弱度；根据对应的现况危险度及现况脆弱度，计算对应的现况风险值；根据多个网格单元的风险值，确定对应的水域水环境污染风险决策结果。
Description
技术领域
本发明涉及水环境污染治理技术领域，特别涉及一种水域遥感反演水环境污染的风险决策方法。
背景技术
在人口资源环境的持续加大以及工业进步发展的过程中，日趋严重的水环境污染所衍生的问题，在未来必将反噬成为我国社会和经济发展的制约因素。另外，在水环境污染治理的投资资源有限的前提下，水环境污染管理设施建成后却未能有效运营，发挥应有的作用。然而随着云计算、大数据、无人机、机器人、卫星遥感、AI人工智能、三维可视化等天空地一体化技术的成熟与完善，可借助相关技术推动水环境污染治理工作的发展，例如以下现有专利。
发明专利[CN115685853A] 本发明公开了一种基于大数据的水环境污染分析管理系统及方法。所述分析管理系统包括大数据获取单元、河道区域划分单元、大数据分析单元、建模单元和可视化输出单元；所述大数据获取单元，用于获取水环境基础数据和污染源数据；所述河道区域划分单元，用于对河道水环境通过空间立体网格的划分方式划分为若干体积相同且相互连接的检测区域，所述大数据分析单元用于接收大数据获取单元的水环境基础数据和污染源数据进行整理、分析和诊断，所述可视化输出单元通过显示终端接收建模单元分析得出的各数据展示模型并进行显示输出分析的结果。该发明通过多重大数据获取单元配合大数据分析更加全面，有助于提高水环境污染分析管理水平。
发明专利[CN113280858A] 本发明公开了一种流域水环境生态安全预警方法，包括以下步骤：S1：准备硬件设施：内置有数据处理系统的电脑、水质检测仪、水流速检测器、水准仪、控制器、报警器和遥感卫星；S2：首先利用遥感卫星对流域监测区域进行实时统一监测，遥感卫星将监测数据传递给电脑，电脑内的数据处理系统对监测的数据进行预处理。本发明中，通过遥感卫星便于对多个流域监测区域进行统一监测，能够将不符合标准的区域单独筛选出进行具体监测和等级划分，提高监测效率，且便于根据流域监测区域的情况进行不同程度的针对性报警，便于人员直观判断出流域监测区域的情况，满足使用需求。
发明专利[CN114386771A] 本发明公开了一种基于遥感的水环境污染“源-汇”风险识别方法及系统包括以下步骤：1.遥感影像预处理、解译得到土地利用；2.选取影响面源污染的土地利用、地形地貌、人口、植被指数、土壤等阻力因子构建阻力评价体系；3.根据阻力因子评价体系建立，使用栅格计算器计算研究区的阻力基面和阻力面；4.在阻力面的基础上，划分“源-汇”风险等级，识别水体面源污染“源-汇”风险格局，利用风险转移矩阵分析研究区的风险转移变化。此本发明利用遥感技术，构建阻力评价体系，通过GIS的空间分析功能对面源污染“源-汇”风险格局进行划分，预测风险转移方向，实现了对水环境污染“源-汇”高风险区域的自动识别，为保护湖泊流域生态环境提供了实践借鉴。
发明专利[CN114239290A] 本发明涉及湖泊水环境监测技术领域，具体为一种基于多技术交互的湖泊水环境监测预警系统，包括数据查询模块、数据分析模块、图形化展示模块、预估评测模块和预警与决策模块，数据查询模块包括实时监测数据单元和遥感数据单元，数据分析模块包括统计分析单元和遥感批处理单元。本发明，在传统湖泊预警系统的内部，套入了遥感反演和数值模拟技术，可以对湖泊水环境进行实时监测的同时，也可以构建模块，对湖泊水环境的发展趋势做出评估，克服了单独利用实时监测站点来获取单一数据源的缺陷，并与实时数据进行优化比对，确保风险评估更加真实有效，进而实现了多技术交互的水环境监测和预警，保证对湖泊水环境的精确监测和预警。
发明专利[CN102750589A] 本发明提供一种水环境与水生态安全保障管理系统，包括：安全评价模型、风险评价模型、危机预警模型、水位水质生物量监管模型、突发事故应急反应预案模块、事故后评估模型、安全保障措施模块和综合处理模块。因此，是一种具有从安全隐患辨识、薄弱环节预警、关键要素监管、突发事故应急处置到事故后评估分析的全局保障处理管理系统，加强了对存在安全隐患的重点区域、关键要素进行重点监控和防范的针对性，从而能够加强对监测水域水环境和水生态安全的综合管理；并且，有效降低了对水环境与水生态全面积均衡监管的成本，提高了对水环境与水生态进行监管的效率，对于保障湖泊的水环境与水生态安全，促进社会经济与生态环境和谐发展具有重要意义。
发明专利[CN111861274A] 本发明涉及一种水环境风险预测预警方法，基于水环境模型预测流域内所有污染源的排污信息；选出需要进行环境风险预测预警的污染源；划分为不同的风险预测预警等级；从环境监测部门资料及文献调研中初步确定环境污染风险评价的要素污染要素；获得影响污染事件的主要要素污染要素；生成多个环境风险预测预警模型；选择性能最好的几个风险预测预警模型联合形成模糊综合风险预测预警模型；将主要要素污染要素的值输入联合形成的模糊综合风险预测预警模型，预测污染源污染事件的风险值。本发明实现了流域污染风险的预测，弥补了现有的流域污染风险预测和预警的空缺；提高了流域污染风险预测的污染预测覆盖率，提升了风险预测的准确率。
上述现有专利对于水环境污染能够起到一定的监测治理作用，但是并没有对治理水域进行有效合理划分，对各个区域的水环境污染的治理风险成本进行综合考量，在水污染治理能力有限的前提下，治理效果偏向于理想化。因此，急需一种提升水环境污染治理的决策方案，实现数字化场景、智慧化模拟以及精准化决策。
发明内容
为解决上述问题，本发明旨在提出一种水域遥感反演水环境污染的风险决策方法，通过收集到水域遥感光谱数据，使用反演技术测报出水域（包括但不限于河道、湖泊、水库、海洋）的各种水质浓度指标（包括但不限于叶绿素、透明度、水温、总磷、总氮），然后使用得到的测报成果对水域分析出现况危险度，使用网格单元临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值等资料分析出现况脆弱度，最后基于现况危险度和现况脆弱度，确定水域水环境污染风险决策，以便为水域水环境污染问题提供精准部署决策建议。
为达到上述目的，本发明的技术方案是这样实现的：
一种水域遥感反演水环境污染的风险决策方法，包括以下步骤：
S1：获取水域的遥感光谱数据，其中，所述水域划分有多个网格单元；
S2：获取网格单元临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值；
S3：针对各个网格单元，将对应的遥感光谱数据输入预先建模所得的人工智能水质反演模型中，输出得到对应的水质浓度；
S4：针对各个网格单元，根据对应的水质浓度，计算得到对应的现况危险度；
S5：针对各个网格单元，根据对应的网格单元临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值，计算得到对应的脆弱度；
S6：针对各个网格单元，根据对应的现况危险度及现况脆弱度，计算对应的现况风险值；
S7：针对各个网格单元，根据多个网格单元的风险值，确定对应的水域水环境污染风险决策结果。
进一步的，在所述步骤S1中，所述水域为河道、湖泊、水库、海洋中的至少一种，所述网格单元基于经纬数据进行划分，所述遥感光谱数据用于反映水域的太阳光反射率随入射波长而变化的规律。
进一步的，在所述步骤S2中，所述网格单元临近陆域的人口密度为水域的网格单元最临近陆域一定范围内的人口密度情况（），所述网格单元临近陆地的距离为水域的网格单元距离最临近陆域的距离（/>）；
所述水域生态资产价值的计算公式如下：
式中，表示水域生态资产价值，/>表示水域生态资产直接价值，/>表示水域生态资产间接价值；
所述水资源资产价值的计算公式如下：
式中，表示水资源资产价值，/>表示水资源资产可计算价值，/>表示水资源资产不可计算价值。
进一步的，所述水域生态资产直接价值通过综合考虑水域物种多样性指数、水域生态经济产值、稀有物种数量因素而确定，所述水域生态资产间接价值/>通过综合考虑水源涵养价值、固碳释氧价值、气候调节价值因素而确，所述水资源资产可计算价值通过综合考虑给水、发电、游憩所获得的直接收入因素而确定，所述水资源资产不可计算价值/>通过综合考虑农业用水、工业用水、民生用水所获得的间接生产总值因素而确定。
进一步的，在所述步骤S3中，所述人工智能水质反演模型为基于大数据及人工智能方法而得的测报模型，通过输入基于网格单元的遥感光谱数据后输出得到对应的水域的水质浓度测报结果，其中，水质浓度包括叶绿素（）、透明度（/>）、水温（/>）、总磷（/>）、总氮（/>）。
进一步的，所述人工智能水质反演模型的建模过程为：
S31：获取第一样本网格单元的遥感光谱数据和经过实地调查而得的水质浓度，其中，所述第一样本网格单元的数目有多个;
S32：将所述第一样本网格单元的遥感光谱数据作为输入项，以及将所述第一样本网格单元的水质浓度作为输出项，对基于支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络的人工智能水质反演模型进行率定验证建模。
进一步的，在所述步骤S4中，所述水质浓度用于反映对应网格单元因水环境污染造成的冲击情况，针对所述各个网格单元，根据对应的水质浓度，按照如下公式计算得到对应的现况危险度：
式中，表示归一化的叶绿素浓度，/>表示归一化的透明度深度，/>表示归一化的水温，/>表示归一化的总磷浓度，/>表示归一化的总氮浓度，/>、/>、/>、/>和/>分别表示预设的权重系数且有/>。
进一步的，在所述步骤S5中，针对所述各个网格单元，根据对应的临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值，按照如下公式计算得到对应的现况脆弱度：
式中，表示归一化的网格单元临近陆域的人口密度，/>表示归一化的网格单元临近陆地的距离，/>表示归一化的水域生态资产价值，/>表示归一化的水资源资产价值，/>、/>、/>和/>分别表示预设的权重系数且有/>。
进一步的，在所述步骤S6中，所述的现况风险值是将各个网格单元根据对应的现况危险度和现况脆弱度，按照如下公式计算得到对应的现况风险值：
进一步的，在所述步骤S7中，由于所述各个网格单元现况风险值R已知，基于风险顺序和常规的水域水环境污染决策逻辑，快速辨别、确定所述水域水环境污染风险因素的严重性,形成水环境污染风险决策地图，呈现对所述各个水域水环境污染风险预报结果进行输出展示。
有益效果：
本发明通过收集到遥感光谱数据，使用反演技术测报出水域水污染的情况，可实时、远程、大范围的监测水域水环境状况，降低人员现场巡查监测的时间成本及安全风险；减少设备施工安装及运营维修成本。
本发明通过现况危险度分析可知道水域不同位置的水环境污染致灾情况，例如水域中某一区域发生高危险度时，可能会造成水环境情况造成不可复原。通过现况脆弱度分析可知道水域不同位置对经济影响情况，意味着越脆弱的地方发生水环境污染时，会造成较大的经济损失。这两功能可以使用地理信息化挖掘出可视化的关键位置，协助管理人员快速了解现况。
本发明基于现况危险度和现况脆弱度，确定水域水环境污染风险决策，在资源有限的情况下，重点处理现况水环境污染风险较大的地方，一方面有效及快速的针对问题响应部署，另一方面可以进行早期预防水环境污染的工作。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的水域遥感反演水环境污染的风险决策方法的整体步骤流程图；
图2为本发明实施例所述的水域遥感反演水环境污染的风险决策方法中的人工智能水质反演模型建模过程图；
图3为本发明实施例所述的水域遥感反演水环境污染的风险决策方法中的水域现况的水环境污染现况危险度地图；
图4为本发明实施例所述的水域遥感反演水环境污染的风险决策方法中的水域现况的水环境污染现况脆弱度地图；
图5为本发明实施例所述的水域遥感反演水环境污染的风险决策方法中的水环境污染风险决策地图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
实施例1
参见图1-5：一种水域遥感反演水环境污染的风险决策方法，包括以下步骤：
S1：获取水域的遥感光谱数据，其中，所述水域划分有多个网格单元；
在所述步骤S1中，所述水域包括但不限于河道、湖泊、水库、海洋，所述水域即为进行水环境污染的目标，可基于经纬数据进行所述多个网格单元的常规划分，例如将划分大小为50M*50M的正方形区域作为所述网格单元。所述遥感光谱数据用于反映水域的太阳光反射率随入射波长而变化的规律，可以但不限于由卫星、无人机通过常规方式采集得到，例如先设定无人机光谱采集飞行路径，然后基于全球定位系统GPS（Global PositioningSystem）及实时动态差分定位技术RTK（Real Time Kinematic，RTK测量系统是GPS测量技术与数据传输技术构成的组合系统）进行飞行，对所述水域进行遥感光谱信息采集工作。此外，所述遥感光谱数据可以但不限于由可见光谱、不可见光谱、多光谱、高光谱所组成，例如光谱波段1、光谱波段2、……、光谱波段等/>个波段的光反射值。所述水域遥感光谱数据成果供步骤S3使用；
S2：获取网格单元临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值；
在所述步骤S2中，所述网格单元临近陆域的人口密度是指水域的网格单元最临近陆域一定范围内的人口密度情况（），例如水域上的某网格单元距离最临近陆域点的方圆1公里内的人口密度。所述网格单元临近陆地的距离是指水域的网格单元距离最临近陆域的距离（/>）。所述水域生态资产价值的计算公式如下：
式中，表示水域生态资产价值，/>表示水域生态资产直接价值，/>表示水域生态资产间接价值。详细地，所述水域生态资产直接价值/>可以但不限于综合考虑水域物种多样性指数、水域生态经济产值、稀有物种数量等因素而确定，所述水域生态资产间接价值/>可以但不限于综合考虑水源涵养价值、固碳释氧价值、气候调节价值等因素而确定。所述水资源资产价值的计算公式如下：
式中，表示水资源资产价值，/>表示水资源资产可计算价值，/>表示水资源资产不可计算价值。详细地，所述水资源资产可计算价值/>可以但不限于综合考虑给水、发电、游憩所获得的直接收入等因素而确定，所述水资源资产不可计算价值/>可以但不限于综合考虑农业用水、工业用水、民生用水所获得的间接生产总值等因素而确定。所述的网格单元临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值供步骤S5使用；
S3：针对各个网格单元，将对应的遥感光谱数据输入预先建模所得的人工智能水质反演模型中，输出得到对应的水质浓度；
在所述步骤S3中，所述人工智能水质反演模型为本实施例提出的基于大数据及人工智能方法而得的测报模型，可以基于网格单元的遥感光谱数据，在输入模型后输出得到对应的水域的水质浓度测报结果。所述人工智能水质反演模型建模过程如图2所示，包括但不限于有如下步骤S31至S32。所述水质浓度包括但不限于叶绿素（）、透明度（/>）、水温（/>）、总磷（/>）、总氮（/>）。
S31：获取第一样本网格单元的遥感光谱数据和经过实地调查而得的水质浓度，其中，所述第一样本网格单元的数目有多个。
在所述步骤S31中，所述第一样本网格单元是指与所述网格单元具有相同属性的一个特定样本，其对应的遥感光谱数据同样可提前基于卫星或无人机采集而得，而其对应的水质浓度需要提前通过实地调查而得。
S32：将所述第一样本网格单元的遥感光谱数据作为输入项，以及将所述第一样本网格单元的水质浓度作为输出项，对基于诸如支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络等的人工智能水质反演模型进行率定验证建模。
在所述步骤S32中，所述支持向量机、所述K最邻近法、所述随机梯度下降法、所述多变量线性回归、所述多层感知机、所述决策树、所述反向传播神经网络和所述径向基函数网络均为现有人工智能方法中的常见方案。所述率定验证建模的具体过程包括有模型的率定过程和校核过程，即是先通过对比模型模拟结果与实测数据，然后根据对比结果调整模型参数，使得模拟结果与实际吻合的过程，因此可以通过常规的率定验证建模方式，尽可能的完善人工智能水质反演模型测报准确性能。
通过人工智能水质反演模型测报的各个网格单元的水质浓度供步骤S4使用。
S4：针对各个网格单元，根据对应的水质浓度，计算得到对应的现况危险度；
在所述步骤S4中，所述水质浓度用于反映对应网格单元因水环境污染造成的冲击情况，例如叶绿素浓度越小对环境越好、透明度深度越大对环境越好、水温越低对环境越好、总磷浓度越小对环境越好、总氮浓度越小对环境越好。针对所述各个网格单元，根据对应的水质浓度，按照如下公式计算得到对应的现况危险度：
式中，表示归一化的叶绿素浓度，/>表示归一化的透明度深度，/>表示归一化的水温，/>表示归一化的总磷浓度，/>表示归一化的总氮浓度，/>、/>、/>、/>和/>分别表示预设的权重系数且有/>。此外，还可以汇总所述多个网格单元的现况危险度，绘制得到如图3所述水域现况的水环境污染现况危险度地图。通过本步骤获得的现况危险度供步骤S6使用。
S5：针对各个网格单元，根据对应的网格单元临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值，计算得到对应的脆弱度；
在所述步骤S5中，针对所述各个网格单元，根据对应的临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值，按照如下公式计算得到对应的现况脆弱度：
式中，表示归一化的网格单元临近陆域的人口密度，/>表示归一化的网格单元临近陆地的距离，/>表示归一化的水域生态资产价值，/>表示归一化的水资源资产价值，/>、/>、/>和/>分别表示预设的权重系数且有/>。此外，还可以汇总所述多个网格单元的现况脆弱度，绘制得到如图4所述水域现况的水环境污染现况脆弱度地图。通过本步骤获得的现况脆弱度供步骤S6使用。
S6：针对各个网格单元，根据对应的现况危险度及现况脆弱度，计算对应的现况风险值；
在所述步骤S6中，所述的现况风险值是将各个网格单元根据对应的现况危险度和现况脆弱度，按照如下公式计算得到对应的现况风险值：
通过本步骤获得的现况风险值供步骤S7使用。
S7：针对各个网格单元，根据多个网格单元的风险值，确定对应的水域水环境污染风险决策结果；
在所述步骤S7中，由于所述各个网格单元现况风险值R已知，基于风险顺序和常规的水域水环境污染决策逻辑，快速辨别、确定所述水域水环境污染风险因素的严重性,形成如图5所述水环境污染风险决策地图，呈现对所述各个水域水环境污染风险预报结果进行输出展示，以便在水环境污染发生时间及空间加强治理准备，使得在污染灾害来临前能够提早精准应对冲击，以及针对可能发生的水域水环境污染，进行及时的治理响应，确保不发生重大水域水环境污染的经济损失。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种水域遥感反演水环境污染的风险决策方法，其特征在于，包括以下步骤：
S1：获取水域的遥感光谱数据，其中，所述水域划分有多个网格单元；
S2：获取网格单元临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值；
S3：针对各个网格单元，将对应的遥感光谱数据输入预先建模所得的人工智能水质反演模型中，输出得到对应的水质浓度；
S4：针对各个网格单元，根据对应的水质浓度，计算得到对应的现况危险度；在所述步骤S4中，所述水质浓度用于反映对应网格单元因水环境污染造成的冲击情况，针对所述各个网格单元，根据对应的水质浓度，按照如下公式计算得到对应的现况危险度：
式中，表示归一化的叶绿素浓度，/>表示归一化的透明度深度，/>表示归一化的水温，/>表示归一化的总磷浓度，/>表示归一化的总氮浓度，/>、/>、/>、/>和/>分别表示预设的权重系数且有/>；
S5：针对各个网格单元，根据对应的网格单元临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值，计算得到对应的脆弱度；在所述步骤S5中，针对所述各个网格单元，根据对应的临近陆域的人口密度、网格单元临近陆地的距离、水域生态资产价值、水资源资产价值，按照如下公式计算得到对应的现况脆弱度：
式中，表示归一化的网格单元临近陆域的人口密度，/>表示归一化的网格单元临近陆地的距离，/>表示归一化的水域生态资产价值，/>表示归一化的水资源资产价值，、/>、/>和/>分别表示预设的权重系数且有/>；
S6：针对各个网格单元，根据对应的现况危险度及现况脆弱度，计算对应的现况风险值；在所述步骤S6中，所述的现况风险值是将各个网格单元根据对应的现况危险度和现况脆弱度，按照如下公式计算得到对应的现况风险值：/>；
S7：针对各个网格单元，根据多个网格单元的风险值，确定对应的水域水环境污染风险决策结果；在所述步骤S7中，由于所述各个网格单元现况风险值R已知，基于风险顺序和常规的水域水环境污染决策逻辑，快速辨别、确定所述水域水环境污染风险因素的严重性，形成水环境污染风险决策地图，呈现对各个水域水环境污染风险预报结果进行输出展示。
2.根据权利要求1所述的水域遥感反演水环境污染的风险决策方法，其特征在于，在所述步骤S1中，所述水域为河道、湖泊、水库、海洋中的至少一种，所述网格单元基于经纬数据进行划分，所述遥感光谱数据用于反映水域的太阳光反射率随入射波长而变化的规律。
3.根据权利要求1所述的水域遥感反演水环境污染的风险决策方法，其特征在于，在所述步骤S2中，所述网格单元临近陆域的人口密度为水域的网格单元最临近陆域一定范围内的人口密度情况，所述网格单元临近陆地的距离为水域的网格单元距离最临近陆域的距离/>；
所述水域生态资产价值的计算公式如下：
式中，表示水域生态资产价值，/>表示水域生态资产直接价值，/>表示水域生态资产间接价值；
所述水资源资产价值的计算公式如下：
式中，表示水资源资产价值，/>表示水资源资产可计算价值，/>表示水资源资产不可计算价值。
4.根据权利要求3所述的水域遥感反演水环境污染的风险决策方法，其特征在于，所述水域生态资产直接价值通过综合考虑水域物种多样性指数、水域生态经济产值、稀有物种数量因素而确定，所述水域生态资产间接价值/>通过综合考虑水源涵养价值、固碳释氧价值、气候调节价值因素而确定，所述水资源资产可计算价值/>通过综合考虑给水、发电、游憩所获得的直接收入因素而确定，所述水资源资产不可计算价值/>通过综合考虑农业用水、工业用水、民生用水所获得的间接生产总值因素而确定。
5.根据权利要求1所述的水域遥感反演水环境污染的风险决策方法，其特征在于，在所述步骤S3中，所述人工智能水质反演模型为基于大数据及人工智能方法而得的测报模型，通过输入基于网格单元的遥感光谱数据后输出得到对应的水域的水质浓度测报结果，其中，水质浓度包括叶绿素、透明度/>、水温/>、总磷/>、总氮/>。
6.根据权利要求1所述的水域遥感反演水环境污染的风险决策方法，其特征在于，所述人工智能水质反演模型的建模过程为：
S31：获取第一样本网格单元的遥感光谱数据和经过实地调查而得的水质浓度，其中，所述第一样本网格单元的数目有多个;
S32：将所述第一样本网格单元的遥感光谱数据作为输入项，以及将所述第一样本网格单元的水质浓度作为输出项，对基于支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络的人工智能水质反演模型进行率定验证建模。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310436348.4A CN116187204B (zh) | 2023-04-23 | 2023-04-23 | 一种水域遥感反演水环境污染的风险决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310436348.4A CN116187204B (zh) | 2023-04-23 | 2023-04-23 | 一种水域遥感反演水环境污染的风险决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116187204A CN116187204A (zh) | 2023-05-30 |
| CN116187204B true CN116187204B (zh) | 2023-08-04 |
Family
ID=86452344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310436348.4A Active CN116187204B (zh) | 2023-04-23 | 2023-04-23 | 一种水域遥感反演水环境污染的风险决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187204B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116754738B (zh) * | 2023-08-16 | 2023-11-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 水域碳动态监测方法、设备、机器人及计算机存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869689A (zh) * | 2021-09-18 | 2021-12-31 | 陇东学院 | 一种基于遥感和地理信息系统的生态环境动态监测方法 |
| CN114548812A (zh) * | 2022-03-01 | 2022-05-27 | 武汉鸟瞰天下科技有限公司 | 一种森林草原火灾风险预报决策方法、装置及计算机设备 |
| US11513244B1 (en) * | 2020-04-22 | 2022-11-29 | Earthsystems Technologies, Inc. | System and method for predictive monitoring geological and meteorological effects on subsurface infrastructure systems and reporting emergency conditions |
| WO2022252242A1 (zh) * | 2021-06-04 | 2022-12-08 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
-
2023
- 2023-04-23 CN CN202310436348.4A patent/CN116187204B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11513244B1 (en) * | 2020-04-22 | 2022-11-29 | Earthsystems Technologies, Inc. | System and method for predictive monitoring geological and meteorological effects on subsurface infrastructure systems and reporting emergency conditions |
| WO2022252242A1 (zh) * | 2021-06-04 | 2022-12-08 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
| CN113869689A (zh) * | 2021-09-18 | 2021-12-31 | 陇东学院 | 一种基于遥感和地理信息系统的生态环境动态监测方法 |
| CN114548812A (zh) * | 2022-03-01 | 2022-05-27 | 武汉鸟瞰天下科技有限公司 | 一种森林草原火灾风险预报决策方法、装置及计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 住房和城乡建设部城乡规划司，中国城市规划设计研究院编著.《长江三角洲城镇群规划 2007-2020年下》.北京：商务印书馆,2016,第1042-1043页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116187204A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11335179B1 (en) | Water environment risk prediction and early warning method | |
| CN103456136B (zh) | 物联网构架水利水电工程重大事故安全隐患监测预警系统 | |
| CN101719298B (zh) | 森林草原火灾遥感监测预警方法 | |
| CN106204392A (zh) | 环境风险源预警系统 | |
| CN108982792A (zh) | 一种生态环境监测监管系统 | |
| CN104408900A (zh) | 基于动态优化的神经网络洪水预警装置及其方法 | |
| CN113434565A (zh) | 基于cim平台的水利防洪抗旱防涝综合减灾平台系统 | |
| CN110457829A (zh) | 一种基于集成大气扩散模型的源项释放反演和扩散预测方法 | |
| CN116187204B (zh) | 一种水域遥感反演水环境污染的风险决策方法 | |
| CN101976061A (zh) | 重大环境风险源监控系统构建方法 | |
| Li et al. | Real‐Time Warning and Risk Assessment of Tailings Dam Disaster Status Based on Dynamic Hierarchy‐Grey Relation Analysis | |
| CN116109462B (zh) | 一种自然灾害后饮水水源地污染监测预警方法及系统 | |
| CN113344408B (zh) | 民航交通管制运行多尺度态势感知流程的处理方法 | |
| Guo et al. | Monitoring and simulation of dynamic spatiotemporal land use/cover changes | |
| CN114548812A (zh) | 一种森林草原火灾风险预报决策方法、装置及计算机设备 | |
| CN115994685A (zh) | 一种国土空间规划现状评估方法 | |
| CN115688032A (zh) | 基于多源数据融合的台风灾害下电网风险预警方法及系统 | |
| Luo et al. | Drought grade assessment method based on grey cloud incidence clustering model | |
| CN106022663A (zh) | 一种面向输电线路的山火临近风险评估系统 | |
| CN206021512U (zh) | 一种暴雨型稀性泥石流的检测预报预警装置 | |
| CN116090696A (zh) | 适用于山区铁路沿线的滑坡地质灾害风险分类预测方法 | |
| Zhang et al. | Urban waterlogging prediction and risk analysis based on rainfall time series features: A case study of Shenzhen | |
| Nefedov et al. | The model of the regional environmental monitoring system organization | |
| Yang et al. | An integrated space-air-ground monitoring and early warning system of landslide disaster | |
| Işınkaralar | Simulation of urban growth’s pressure on urban blue-green space using the CORINE Database for Kocaeli, Türkiye |
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 |