CN116362569B - 一种场地污染的多维度评估方法及系统 - Google Patents
一种场地污染的多维度评估方法及系统 Download PDFInfo
- Publication number
- CN116362569B CN116362569B CN202310644497.XA CN202310644497A CN116362569B CN 116362569 B CN116362569 B CN 116362569B CN 202310644497 A CN202310644497 A CN 202310644497A CN 116362569 B CN116362569 B CN 116362569B
- Authority
- CN
- China
- Prior art keywords
- pollution
- site
- target
- acquiring
- evaluation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 92
- 238000009826 distribution Methods 0.000 claims abstract description 71
- 238000012216 screening Methods 0.000 claims abstract description 34
- 238000013210 evaluation model Methods 0.000 claims abstract description 27
- 230000008439 repair process Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 39
- 239000003344 environmental pollutant Substances 0.000 claims description 38
- 231100000719 pollutant Toxicity 0.000 claims description 38
- 230000007246 mechanism Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000005012 migration Effects 0.000 claims description 14
- 238000013508 migration Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 10
- 239000002689 soil Substances 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000005295 random walk Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 8
- 229910001385 heavy metal Inorganic materials 0.000 description 6
- 238000011109 contamination Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种场地污染的多维度评估方法及系统,包括:获取目标污染场地的多源数据,进行预处理,根据预处理后的多源数据提取污染信息;根据污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征;基于多维度特征筛选目标污染场地的污染指标,构建场地污染评估模型,获取目标污染场地的评估结果;根据评估结果生成目标污染场地的污染预警,并基于评估结果及污染预警生成差异性的修复策略。本发明通过多维度污染特征筛选评价评价指标,能够快速准确的反应出污染场地的污染现状,为场地污染治理提供精准的决策依据,保证污染处理的及时性和准确性。
Description
技术领域
本发明涉及污染评估技术领域,更具体的,涉及一种场地污染的多维度评估方法及系统。
背景技术
随着我国城镇化步伐的推进,城市生态文明建设成为评价中国城市化进展程度的关键指标,城市中大批工业企业因环境污染问题被关停或迁出,从而产生了较多的污染场地,同时这些污染场地土壤中还存在众多重金属元素,导致土壤存在一定范围的重金属污染。土壤是一切生命活动的载体,一旦土壤被污染,将会对人类和生态环境带来巨大的危害,因此, 对场地污染进行修复与治理刻不容缓。急需对遗留场地的污染情况进行分析和评估,并以此为依据对场地进行修复和治理。
为保障对原有土地的安全开发及利用,便需针对工业企业的污染场地进行环境调查,并将风险评估做好,为后续修复治理方案的确定提供真实信息,保障场地后续的用地安全性,而在对场地污染进行调查、评估和修复等工作时面临着诸多问题,例如,数据多源异构、无法快速从大规模的场地数据中提取污染特征和钻孔取样选点难等等。因此,如何整合多维污染数据,进行检测快速、成本低的指示性指标筛选,通过指示性指标的对比实现对场地污染现状的快速评估是亟需解决的问题。
发明内容
为了解决上述技术问题,本发明提出了涉及一种场地污染的多维度评估方法及系统。
本发明第一方面提供了一种场地污染的多维度评估方法,包括:
获取目标污染场地的多源数据,对所述多源数据进行预处理,根据预处理后的多源数据提取污染信息;
根据所述污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征;
基于所述多维度特征筛选目标污染场地的污染指标,构建场地污染评估模型,根据所述污染指标获取指标数据,通过所述场地污染评估模型及指标数据目标污染场地的评估结果;
根据所述评估结果生成目标污染场地的污染预警,并基于所述评估结果及污染预警生成差异性的修复策略。
本方案中,获取目标污染场地的多源数据,对所述多源数据进行预处理,根据预处理后的多源数据提取污染信息,具体为:
获取目标污染场地的土壤、地下水及空气中污染物的多源数据,对所述多源数据进行数据清洗剔除异常值;
将所述目标污染场地划分为若干网格单元,将数据清洗后的多源数据与各网格单元进行匹配,利用所述多源数据获取污染类别及污染浓度,通过所述污染类别及污染浓度设置网格单元的数据标签;
当网格单元中存在多种污染类别时,判断多种污染类别的污染浓度,将不符合污染浓度要求的污染类别进筛选行移除,获取筛选后多种污染类别在预设时间内污染浓度变化序列;
判断各污染类别对应污染浓度变化序列的相关性,提取相关性大于预设相关性阈值的污染类别,在所述污染类别中提取易测污染类别,将所述易测污染类别作为网格单元的特征污染类别。
本方案中,根据所述污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征,具体为:
根据目标污染场地当前时间戳各网格单元的特征污染类别及对应的污染浓度获取目标污染场地的污染分布,根据预设时间内污染浓度变化序列及污染分布获取污染源所在网格单元;
获取以污染源所在网格单元为中心的预设区域内的地理水文特征及敏感目标,根据所述地理水文特征及敏感目标结合污染分布获取污染分布特征;
将污染分布区域内各类别污染在预设时间内的污染浓度变化序列导入注意力机制优化后的LSTM单元,根据当前时刻的污染浓度与上一隐藏层状态,经过注意力机制获取当前时间单元状态,得到时间特征;
根据目标污染场地的网格单元中的污染浓度变化序列利用皮尔逊相关系数获取网格单元的空间相关网格,将所述空间相关网格导入注意力机制优化后的ConvLSTM单元,融合其他网格单元中污染浓度变化序列的信息;
通过重构空间输入的表示,通过注意力机制的隐藏层学习空间信息,获取空间特征,将所述时间特征与空间特征进行融合获取污染时空特征;
基于当前污染分布利用所述污染时空特征预测预设时间后的预测污染分布,获取所述预测污染分布与所述当前污染分布的偏差获取污染趋势特征。
本方案中,基于所述多维度特征筛选目标污染场地的污染指标,构建场地污染评估模型,具体为:
根据所述多维度特征通过大数据方法在预设搜索空间中进行检索,获取相似度符合预设标准的污染评估数据,根据所述污染评估数据读取对应的污染指标;
将污染指标进行层次聚类,将相似的污染指标进行聚类,聚类结果与指标形成层次关系,利用层次分析法计算每个类簇中污染指标的重要程度,根据所述重要程度筛选预设数量的污染指标;
基于深度学习方法及选取的污染指标构建场地污染评估模型,获取指标数据导入所述污染评估模型,设置污染程度等级,并根据污染程度等级对应各评价指标的临界值设置评价等级矩阵;
判断目标污染场地的指标数据对应的数据矩阵与所述评价等级矩阵的欧氏距离,获取目标污染场地的评估结果。
本方案中,根据所述评估结果生成目标污染场地的污染预警,具体为:
根据目标污染场地的评估结果将网格单元进行划分,若网格单元的评价结果大于预设阈值,则将所述网格单元划分为热点网格,获取热点网格在目标污染场地的占比,当所述占比大于预设比例时,则生成污染预警;
根据历史预设时间内热点网格的分布获取目标污染场地中污染物的迁移特征,根据所述迁移特征在热点网格的邻域网格中筛选污染重点监测网格,并将筛选的网格进行标记;
根据热点网格的历史预设时间内的污染物浓度变化获取标记网格的污染物浓度变化基准值,若标记网格中当前污染物浓度变化大于所述污染物浓度变化基准值,则生成新增污染源预警;
在新增污染源预警的网格的邻域网格中进行污染物浓度对比,根据对比结果在所述邻域网格中进行新增污染源溯源,将溯源结果与所述新增污染源预警进行匹配;
将所述污染预警及所述新增污染源预警按照预设方式进行发送。
本方案中,基于所述评估结果及污染预警生成差异性的修复策略,具体为:
通过大数据手段获取场地污染类别、污染特征、污染场地特征及污染修复策略,将获取的数据进行预处理生成三元组格式,基于所述三元组格式构建场地污染知识图谱;
根据网格单元的污染评估结果、污染类别及地理水文特征对任意两网格单元进行相似度计算,将相似度大于预设相似度阈值的网格单元作为同类别网格单元;
将不同类别网络单元的污染评估结果射到知识空间,通过污染评估结果与所述场地污染知识图谱中各知识节点的曼哈顿距离获取目标节点;
基于随机游走对知识图谱进行表示学习,将目标节点作为采样起点,根据污染修复策略的使用频次设置相关知识节点的权重;
根据污染特征对应节点在知识图谱中是否存在关系路径筛选知识节点,保留存在关系路径的知识节点,生成对应的特征集合,通过所述特征集合生成路径约束条件;
根据所述约束条件利用随机游走生成包含目标节点的元路径,获取元路径中各知识节点的总权重,利用总权重进行排序,将最高总权重对应的元路径作为当前类别网格单元的污染修复策略。
本发明第二方面还提供了一种场地污染的多维度评估系统,该系统包括:存储器、处理器,所述存储器中包括场地污染的多维度评估方法程序,所述场地污染的多维度评估方法程序被所述处理器执行时实现如下步骤:
获取目标污染场地的多源数据,对所述多源数据进行预处理,根据预处理后的多源数据提取污染信息;
根据所述污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征;
基于所述多维度特征筛选目标污染场地的污染指标,构建场地污染评估模型,根据所述污染指标获取指标数据,通过所述场地污染评估模型及指标数据目标污染场地的评估结果;
根据所述评估结果生成目标污染场地的污染预警,并基于所述评估结果及污染预警生成差异性的修复策略。
本发明公开了一种场地污染的多维度评估方法及系统,包括:获取目标污染场地的多源数据,进行预处理,根据预处理后的多源数据提取污染信息;根据污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征;基于多维度特征筛选目标污染场地的污染指标,构建场地污染评估模型,获取目标污染场地的评估结果;根据评估结果生成目标污染场地的污染预警,并基于评估结果及污染预警生成差异性的修复策略。本发明通过多维度污染特征筛选评价评价指标,能够快速准确的反应出污染场地的污染现状,为场地污染治理提供精准的决策依据,保证污染处理的及时性和准确性。
附图说明
图1示出了本发明一种场地污染的多维度评估方法的流程图;
图2示出了本发明获取目标污染场地的多维度特征的方法流程图;
图3示出了本发明生成目标污染场地的污染预警的方法流程图;
图4示出了本发明一种场地污染的多维度评估系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种场地污染的多维度评估方法的流程图。
如图1所示,本发明第一方面提供了一种场地污染的多维度评估方法,包括:
S102,获取目标污染场地的多源数据,对所述多源数据进行预处理,根据预处理后的多源数据提取污染信息;
S104,根据所述污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征;
S106,基于所述多维度特征筛选目标污染场地的污染指标,构建场地污染评估模型,根据所述污染指标获取指标数据,通过所述场地污染评估模型及指标数据目标污染场地的评估结果;
S108,根据所述评估结果生成目标污染场地的污染预警,并基于所述评估结果及污染预警生成差异性的修复策略。
需要说明的是,获取目标污染场地的土壤、地下水及空气中污染物的多源数据,对所述多源数据进行数据清洗剔除异常值,并进行数据降维、综合分析,实现庞杂检测数据的快速简化;根据目标污染场地中的监测站点或预设污染取样点将所述目标污染场地划分为若干网格单元,将数据清洗后的多源数据与各网格单元进行匹配,利用所述多源数据获取污染类别及污染浓度,通过所述污染类别及污染浓度设置网格单元的数据标签;当网格单元中存在多种污染类别时,判断多种污染类别的污染浓度,将不符合污染浓度要求的污染类别进筛选行移除,获取筛选后多种污染类别在预设时间内污染浓度变化序列;判断各污染类别对应污染浓度变化序列的相关性,提取相关性大于预设相关性阈值的污染类别,在所述污染类别中提取易测污染类别,将所述易测污染类别作为网格单元的特征污染类别。
图2示出了本发明获取目标污染场地的多维度特征的方法流程图。
根据本发明实施例,根据所述污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征,具体为:
S202,根据目标污染场地当前时间戳各网格单元的特征污染类别及对应的污染浓度获取目标污染场地的污染分布,根据预设时间内污染浓度变化序列及污染分布获取污染源所在网格单元;
S204,获取以污染源所在网格单元为中心的预设区域内的地理水文特征及敏感目标,根据所述地理水文特征及敏感目标结合污染分布获取污染分布特征;
S206,将污染分布区域内各类别污染在预设时间内的污染浓度变化序列导入注意力机制优化后的LSTM单元,根据当前时刻的污染浓度与上一隐藏层状态,经过注意力机制获取当前时间单元状态,得到时间特征;
S208,根据目标污染场地的网格单元中的污染浓度变化序列利用皮尔逊相关系数获取网格单元的空间相关网格,将所述空间相关网格导入注意力机制优化后的ConvLSTM单元,融合其他网格单元中污染浓度变化序列的信息;
S210,通过重构空间输入的表示,通过注意力机制的隐藏层学习空间信息,获取空间特征,将所述时间特征与空间特征进行融合获取污染时空特征;
S212,基于当前污染分布利用所述污染时空特征预测预设时间后的预测污染分布,获取所述预测污染分布与所述当前污染分布的偏差获取污染趋势特征。
根据所述地理水文特征及敏感目标结合污染分布获取污染分布特征,所述敏感目标例如目标在产化工园区附近的居民区域,需要考虑人体健康风险,土壤中的重金属污染,部分重金属具备迁移属性,需要考虑迁移风险等等;
时间特征与空间特征用于表征污染分布区域的污染浓度变化序列的时间相关性及空间相关性,引入注意力机制优化后的LSTM单元及ConvLSTM单元进行时间特征与空间特征的提取,通过注意力机制优化后的LSTM单元获取污染浓度变化序列的长期依赖关系,LSTM单元中门控结构的循环依赖于当前污染浓度和过去状态的交互进行更新;注意力机制优化后的ConvLSTM单元能够获取长期明显的空间相关特征,通过注意力交互的隐藏层和空间记忆单元确定空间特征,在ConvLSTM单元中,遗忘门、输入门、更新门及输出门均采用卷积操作,优选的通过LSTM网络预测预设时间后的预测污染分布。
需要说明的是,根据所述多维度特征通过大数据方法在预设搜索空间中进行检索,获取相似度符合预设标准的污染评估数据,根据所述污染评估数据读取对应的污染指标;将污染指标进行层次聚类,将相似的污染指标进行聚类,在聚类过程中将每个评价指标作为单独的初始类簇,根据评价指标的功能属性的欧式距离计算相似度;进行聚类的迭代计算,获取欧式距离小于预设距离阈值的两个类簇,合并形成新的簇,计算新的簇与其它簇的欧式距离,通过不断迭代获取层次聚类结果,聚类结果与指标形成层次关系,利用层次分析法计算每个类簇中污染指标的重要程度,根据所述重要程度筛选预设数量的污染指标;层次分析法中建立层次结构,根据层次结构比较污染指标相对于决策目标的综合性指标的重要关系构建判断矩阵,根据预设策略进行筛选,利用污染指标的重要性权值排序。基于深度学习方法及选取的污染指标构建场地污染评估模型,获取指标数据导入所述污染评估模型,设置污染程度等级,并根据污染程度等级对应各评价指标的临界值设置评价等级矩阵;判断目标污染场地的指标数据对应的数据矩阵与所述评价等级矩阵的欧氏距离,获取目标污染场地的评估结果。
图3示出了本发明生成目标污染场地的污染预警的方法流程图。
根据本发明实施例,根据所述评估结果生成目标污染场地的污染预警,具体为:
S302,根据目标污染场地的评估结果将网格单元进行划分,若网格单元的评价结果大于预设阈值,则将所述网格单元划分为热点网格,获取热点网格在目标污染场地的占比,当所述占比大于预设比例时,则生成污染预警;
S304,根据历史预设时间内热点网格的分布获取目标污染场地中污染物的迁移特征,根据所述迁移特征在热点网格的邻域网格中筛选污染重点监测网格,并将筛选的网格进行标记;
S306,根据热点网格的历史预设时间内的污染物浓度变化获取标记网格的污染物浓度变化基准值,若标记网格中当前污染物浓度变化大于所述污染物浓度变化基准值,则生成新增污染源预警;
S308,在新增污染源预警的网格的邻域网格中进行污染物浓度对比,根据对比结果在所述邻域网格中进行新增污染源溯源,将溯源结果与所述新增污染源预警进行匹配;
S310,将所述污染预警及所述新增污染源预警按照预设方式进行发送。
需要说明的是,通过大数据手段获取场地污染类别、污染特征、污染场地特征及污染修复策略,将获取的数据进行预处理生成三元组格式,基于所述三元组格式构建场地污染知识图谱;根据网格单元的污染评估结果、污染类别及地理水文特征对任意两网格单元进行相似度计算,将相似度大于预设相似度阈值的网格单元作为同类别网格单元;将不同类别网络单元的污染评估结果射到知识空间,通过污染评估结果与所述场地污染知识图谱中各知识节点的曼哈顿距离获取目标节点;基于随机游走对知识图谱进行表示学习,将目标节点作为采样起点,根据污染修复策略的使用频次设置相关知识节点的权重;根据污染特征对应节点在知识图谱中是否存在关系路径筛选知识节点,保留存在关系路径的知识节点,生成对应的特征集合,通过所述特征集合生成路径约束条件;根据所述约束条件利用随机游走生成包含目标节点的元路径,获取元路径中各知识节点的总权重,利用总权重进行排序,将最高总权重对应的元路径作为当前类别网格单元的污染修复策略。
根据本发明实施例,构建污染修复策略数据库,所述污染修复策略数据库包括各个污染区域的地理特征、历史污染类别、历史污染特征及历史污染修复策略;
根据当前污染场地的污染特征及地理特征在所述产品数据库中进行相似度对比,获取相似度符合预设值要求的历史污染修复数据;将所述历史污染修复数据对应的历史污染修复策略作为当前污染场地的污染修复策略基准,根据当前污染场地的地理特征及环境特征进行策略可行性分析,若可行性大于预设阈值,则根据污染修复策略基准进行适应性修改设置当前污染场地的修复策略,若不大于,则根据知识图谱检索当前污染场地的修复策略。
图4示出了本发明一种场地污染的多维度评估系统的框图。
本发明第二方面还提供了一种场地污染的多维度评估系统4,该系统包括:存储器41、处理器42,所述存储器中包括场地污染的多维度评估方法程序,所述场地污染的多维度评估方法程序被所述处理器执行时实现如下步骤:
获取目标污染场地的多源数据,对所述多源数据进行预处理,根据预处理后的多源数据提取污染信息;
根据所述污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征;
基于所述多维度特征筛选目标污染场地的污染指标,构建场地污染评估模型,根据所述污染指标获取指标数据,通过所述场地污染评估模型及指标数据目标污染场地的评估结果;
根据所述评估结果生成目标污染场地的污染预警,并基于所述评估结果及污染预警生成差异性的修复策略。
需要说明的是,获取目标污染场地的土壤、地下水及空气中污染物的多源数据,对所述多源数据进行数据清洗剔除异常值,并进行数据降维、综合分析,实现庞杂检测数据的快速简化;根据目标污染场地中的监测站点或预设污染取样点将所述目标污染场地划分为若干网格单元,将数据清洗后的多源数据与各网格单元进行匹配,利用所述多源数据获取污染类别及污染浓度,通过所述污染类别及污染浓度设置网格单元的数据标签;当网格单元中存在多种污染类别时,判断多种污染类别的污染浓度,将不符合污染浓度要求的污染类别进筛选行移除,获取筛选后多种污染类别在预设时间内污染浓度变化序列;判断各污染类别对应污染浓度变化序列的相关性,提取相关性大于预设相关性阈值的污染类别,在所述污染类别中提取易测污染类别,将所述易测污染类别作为网格单元的特征污染类别。
根据本发明实施例,根据所述污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征,具体为:
根据目标污染场地当前时间戳各网格单元的特征污染类别及对应的污染浓度获取目标污染场地的污染分布,根据预设时间内污染浓度变化序列及污染分布获取污染源所在网格单元;
获取以污染源所在网格单元为中心的预设区域内的地理水文特征及敏感目标,根据所述地理水文特征及敏感目标结合污染分布获取污染分布特征;
将污染分布区域内各类别污染在预设时间内的污染浓度变化序列导入注意力机制优化后的LSTM单元,根据当前时刻的污染浓度与上一隐藏层状态,经过注意力机制获取当前时间单元状态,得到时间特征;
根据目标污染场地的网格单元中的污染浓度变化序列利用皮尔逊相关系数获取网格单元的空间相关网格,将所述空间相关网格导入注意力机制优化后的ConvLSTM单元,融合其他网格单元中污染浓度变化序列的信息;
通过重构空间输入的表示,通过注意力机制的隐藏层学习空间信息,获取空间特征,将所述时间特征与空间特征进行融合获取污染时空特征;
基于当前污染分布利用所述污染时空特征预测预设时间后的预测污染分布,获取所述预测污染分布与所述当前污染分布的偏差获取污染趋势特征。
需要说明的是,根据所述地理水文特征及敏感目标结合污染分布获取污染分布特征,所述敏感目标例如目标在产化工园区附近的居民区域,需要考虑人体健康风险,土壤中的重金属污染,部分重金属具备迁移属性,需要考虑迁移风险等等;
时间特征与空间特征用于表征污染分布区域的污染浓度变化序列的时间相关性及空间相关性,引入注意力机制优化后的LSTM单元及ConvLSTM单元进行时间特征与空间特征的提取,通过注意力机制优化后的LSTM单元获取污染浓度变化序列的长期依赖关系,LSTM单元中门控结构的循环依赖于当前污染浓度和过去状态的交互进行更新;注意力机制优化后的ConvLSTM单元能够获取长期明显的空间相关特征,通过注意力交互的隐藏层和空间记忆单元确定空间特征,在ConvLSTM单元中,遗忘门、输入门、更新门及输出门均采用卷积操作,优选的通过LSTM网络预测预设时间后的预测污染分布。
需要说明的是,根据所述多维度特征通过大数据方法在预设搜索空间中进行检索,获取相似度符合预设标准的污染评估数据,根据所述污染评估数据读取对应的污染指标;将污染指标进行层次聚类,将相似的污染指标进行聚类,在聚类过程中将每个评价指标作为单独的初始类簇,根据评价指标的功能属性的欧式距离计算相似度;进行聚类的迭代计算,获取欧式距离小于预设距离阈值的两个类簇,合并形成新的簇,计算新的簇与其它簇的欧式距离,通过不断迭代获取层次聚类结果,聚类结果与指标形成层次关系,利用层次分析法计算每个类簇中污染指标的重要程度,根据所述重要程度筛选预设数量的污染指标;层次分析法中建立层次结构,根据层次结构比较污染指标相对于决策目标的综合性指标的重要关系构建判断矩阵,根据预设策略进行筛选,利用污染指标的重要性权值排序。基于深度学习方法及选取的污染指标构建场地污染评估模型,获取指标数据导入所述污染评估模型,设置污染程度等级,并根据污染程度等级对应各评价指标的临界值设置评价等级矩阵;判断目标污染场地的指标数据对应的数据矩阵与所述评价等级矩阵的欧氏距离,获取目标污染场地的评估结果。
根据本发明实施例,根据所述评估结果生成目标污染场地的污染预警,具体为:
根据目标污染场地的评估结果将网格单元进行划分,若网格单元的评价结果大于预设阈值,则将所述网格单元划分为热点网格,获取热点网格在目标污染场地的占比,当所述占比大于预设比例时,则生成污染预警;
根据历史预设时间内热点网格的分布获取目标污染场地中污染物的迁移特征,根据所述迁移特征在热点网格的邻域网格中筛选污染重点监测网格,并将筛选的网格进行标记;
根据热点网格的历史预设时间内的污染物浓度变化获取标记网格的污染物浓度变化基准值,若标记网格中当前污染物浓度变化大于所述污染物浓度变化基准值,则生成新增污染源预警;
在新增污染源预警的网格的邻域网格中进行污染物浓度对比,根据对比结果在所述邻域网格中进行新增污染源溯源,将溯源结果与所述新增污染源预警进行匹配;
将所述污染预警及所述新增污染源预警按照预设方式进行发送。
需要说明的是,通过大数据手段获取场地污染类别、污染特征、污染场地特征及污染修复策略,将获取的数据进行预处理生成三元组格式,基于所述三元组格式构建场地污染知识图谱;根据网格单元的污染评估结果、污染类别及地理水文特征对任意两网格单元进行相似度计算,将相似度大于预设相似度阈值的网格单元作为同类别网格单元;将不同类别网络单元的污染评估结果射到知识空间,通过污染评估结果与所述场地污染知识图谱中各知识节点的曼哈顿距离获取目标节点;基于随机游走对知识图谱进行表示学习,将目标节点作为采样起点,根据污染修复策略的使用频次设置相关知识节点的权重;根据污染特征对应节点在知识图谱中是否存在关系路径筛选知识节点,保留存在关系路径的知识节点,生成对应的特征集合,通过所述特征集合生成路径约束条件;根据所述约束条件利用随机游走生成包含目标节点的元路径,获取元路径中各知识节点的总权重,利用总权重进行排序,将最高总权重对应的元路径作为当前类别网格单元的污染修复策略。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括场地污染的多维度评估方法程序,所述一种场地污染的多维度评估方法程序被处理器执行时,实现如上述任一项所述的场地污染的多维度评估方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到变化或替换,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)
1.一种场地污染的多维度评估方法,其特征在于,包括以下步骤:
获取目标污染场地的多源数据,对所述多源数据进行预处理,根据预处理后的多源数据提取污染信息;
根据所述污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征;
基于所述多维度特征筛选目标污染场地的污染指标,构建场地污染评估模型,根据所述污染指标获取指标数据,通过所述场地污染评估模型及指标数据目标污染场地的评估结果;
根据所述评估结果生成目标污染场地的污染预警,并基于所述评估结果及污染预警生成差异性的修复策略;
根据所述污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征,具体为:
根据目标污染场地当前时间戳各网格单元的特征污染类别及对应的污染浓度获取目标污染场地的污染分布,根据预设时间内污染浓度变化序列及污染分布获取污染源所在网格单元;
获取以污染源所在网格单元为中心的预设区域内的地理水文特征及敏感目标,根据所述地理水文特征及敏感目标结合污染分布获取污染分布特征;
将污染分布区域内各类别污染在预设时间内的污染浓度变化序列导入注意力机制优化后的LSTM单元,根据当前时刻的污染浓度与上一隐藏层状态,经过注意力机制获取当前时间单元状态,得到时间特征;
根据目标污染场地的网格单元中的污染浓度变化序列利用皮尔逊相关系数获取网格单元的空间相关网格,将所述空间相关网格导入注意力机制优化后的ConvLSTM单元,融合其他网格单元中污染浓度变化序列的信息;
通过重构空间输入的表示,通过注意力机制的隐藏层学习空间信息,获取空间特征,将所述时间特征与空间特征进行融合获取污染时空特征;
基于当前污染分布利用所述污染时空特征预测预设时间后的预测污染分布,获取所述预测污染分布与所述当前污染分布的偏差获取污染趋势特征;
基于所述多维度特征筛选目标污染场地的污染指标,构建场地污染评估模型,具体为:
根据所述多维度特征通过大数据方法在预设搜索空间中进行检索,获取相似度符合预设标准的污染评估数据,根据所述污染评估数据读取对应的污染指标;
将污染指标进行层次聚类,将相似的污染指标进行聚类,聚类结果与指标形成层次关系,利用层次分析法计算每个类簇中污染指标的重要程度,根据所述重要程度筛选预设数量的污染指标;
基于深度学习方法及选取的污染指标构建场地污染评估模型,获取指标数据导入所述污染评估模型,设置污染程度等级,并根据污染程度等级对应各评价指标的临界值设置评价等级矩阵;
判断目标污染场地的指标数据对应的数据矩阵与所述评价等级矩阵的欧氏距离,获取目标污染场地的评估结果。
2.根据权利要求1所述的一种场地污染的多维度评估方法,其特征在于,获取目标污染场地的多源数据,对所述多源数据进行预处理,根据预处理后的多源数据提取污染信息,具体为:
获取目标污染场地的土壤、地下水及空气中污染物的多源数据,对所述多源数据进行数据清洗剔除异常值;
将所述目标污染场地划分为若干网格单元,将数据清洗后的多源数据与各网格单元进行匹配,利用所述多源数据获取污染类别及污染浓度,通过所述污染类别及污染浓度设置网格单元的数据标签;
当网格单元中存在多种污染类别时,判断多种污染类别的污染浓度,将不符合污染浓度要求的污染类别进筛选行移除,获取筛选后多种污染类别在预设时间内污染浓度变化序列;
判断各污染类别对应污染浓度变化序列的相关性,提取相关性大于预设相关性阈值的污染类别,在所述污染类别中提取易测污染类别,将所述易测污染类别作为网格单元的特征污染类别。
3.根据权利要求1所述的一种场地污染的多维度评估方法,其特征在于,根据所述评估结果生成目标污染场地的污染预警,具体为:
根据目标污染场地的评估结果将网格单元进行划分,若网格单元的评价结果大于预设阈值,则将所述网格单元划分为热点网格,获取热点网格在目标污染场地的占比,当所述占比大于预设比例时,则生成污染预警;
根据历史预设时间内热点网格的分布获取目标污染场地中污染物的迁移特征,根据所述迁移特征在热点网格的邻域网格中筛选污染重点监测网格,并将筛选的网格进行标记;
根据热点网格的历史预设时间内的污染物浓度变化获取标记网格的污染物浓度变化基准值,若标记网格中当前污染物浓度变化大于所述污染物浓度变化基准值,则生成新增污染源预警;
在新增污染源预警的网格的邻域网格中进行污染物浓度对比,根据对比结果在所述邻域网格中进行新增污染源溯源,将溯源结果与所述新增污染源预警进行匹配;
将所述污染预警及所述新增污染源预警按照预设方式进行发送。
4.根据权利要求1所述的一种场地污染的多维度评估方法,其特征在于,基于所述评估结果及污染预警生成差异性的修复策略,具体为:
通过大数据手段获取场地污染类别、污染特征、污染场地特征及污染修复策略,将获取的数据进行预处理生成三元组格式,基于所述三元组格式构建场地污染知识图谱;
根据网格单元的污染评估结果、污染类别及地理水文特征对任意两网格单元进行相似度计算,将相似度大于预设相似度阈值的网格单元作为同类别网格单元;
将不同类别网络单元的污染评估结果射到知识空间,通过污染评估结果与所述场地污染知识图谱中各知识节点的曼哈顿距离获取目标节点;
基于随机游走对知识图谱进行表示学习,将目标节点作为采样起点,根据污染修复策略的使用频次设置相关知识节点的权重;
根据污染特征对应节点在知识图谱中是否存在关系路径筛选知识节点,保留存在关系路径的知识节点,生成对应的特征集合,通过所述特征集合生成路径约束条件;
根据所述约束条件利用随机游走生成包含目标节点的元路径,获取元路径中各知识节点的总权重,利用总权重进行排序,将最高总权重对应的元路径作为当前类别网格单元的污染修复策略。
5.一种场地污染的多维度评估系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括场地污染的多维度评估方法程序,所述场地污染的多维度评估方法程序被所述处理器执行时实现如下步骤:
获取目标污染场地的多源数据,对所述多源数据进行预处理,根据预处理后的多源数据提取污染信息;
根据所述污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征;
基于所述多维度特征筛选目标污染场地的污染指标,构建场地污染评估模型,根据所述污染指标获取指标数据,通过所述场地污染评估模型及指标数据目标污染场地的评估结果;
根据所述评估结果生成目标污染场地的污染预警,并基于所述评估结果及污染预警生成差异性的修复策略;
根据所述污染信息提取污染分布特征、污染时空特征及污染趋势特征获取目标污染场地的多维度特征,具体为:
根据目标污染场地当前时间戳各网格单元的特征污染类别及对应的污染浓度获取目标污染场地的污染分布,根据预设时间内污染浓度变化序列及污染分布获取污染源所在网格单元;
获取以污染源所在网格单元为中心的预设区域内的地理水文特征及敏感目标,根据所述地理水文特征及敏感目标结合污染分布获取污染分布特征;
将污染分布区域内各类别污染在预设时间内的污染浓度变化序列导入注意力机制优化后的LSTM单元,根据当前时刻的污染浓度与上一隐藏层状态,经过注意力机制获取当前时间单元状态,得到时间特征;
根据目标污染场地的网格单元中的污染浓度变化序列利用皮尔逊相关系数获取网格单元的空间相关网格,将所述空间相关网格导入注意力机制优化后的ConvLSTM单元,融合其他网格单元中污染浓度变化序列的信息;
通过重构空间输入的表示,通过注意力机制的隐藏层学习空间信息,获取空间特征,将所述时间特征与空间特征进行融合获取污染时空特征;
基于当前污染分布利用所述污染时空特征预测预设时间后的预测污染分布,获取所述预测污染分布与所述当前污染分布的偏差获取污染趋势特征;
基于所述多维度特征筛选目标污染场地的污染指标,构建场地污染评估模型,具体为:
根据所述多维度特征通过大数据方法在预设搜索空间中进行检索,获取相似度符合预设标准的污染评估数据,根据所述污染评估数据读取对应的污染指标;
将污染指标进行层次聚类,将相似的污染指标进行聚类,聚类结果与指标形成层次关系,利用层次分析法计算每个类簇中污染指标的重要程度,根据所述重要程度筛选预设数量的污染指标;
基于深度学习方法及选取的污染指标构建场地污染评估模型,获取指标数据导入所述污染评估模型,设置污染程度等级,并根据污染程度等级对应各评价指标的临界值设置评价等级矩阵;
判断目标污染场地的指标数据对应的数据矩阵与所述评价等级矩阵的欧氏距离,获取目标污染场地的评估结果。
6.根据权利要求5所述的一种场地污染的多维度评估系统,其特征在于,根据所述评估结果生成目标污染场地的污染预警,具体为:
根据目标污染场地的评估结果将网格单元进行划分,若网格单元的评价结果大于预设阈值,则将所述网格单元划分为热点网格,获取热点网格在目标污染场地的占比,当所述占比大于预设比例时,则生成污染预警;
根据历史预设时间内热点网格的分布获取目标污染场地中污染物的迁移特征,根据所述迁移特征在热点网格的邻域网格中筛选污染重点监测网格,并将筛选的网格进行标记;
根据热点网格的历史预设时间内的污染物浓度变化获取标记网格的污染物浓度变化基准值,若标记网格中当前污染物浓度变化大于所述污染物浓度变化基准值,则生成新增污染源预警;
在新增污染源预警的网格的邻域网格中进行污染物浓度对比,根据对比结果在所述邻域网格中进行新增污染源溯源,将溯源结果与所述新增污染源预警进行匹配;
将所述污染预警及所述新增污染源预警按照预设方式进行发送。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310644497.XA CN116362569B (zh) | 2023-06-02 | 2023-06-02 | 一种场地污染的多维度评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310644497.XA CN116362569B (zh) | 2023-06-02 | 2023-06-02 | 一种场地污染的多维度评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362569A CN116362569A (zh) | 2023-06-30 |
CN116362569B true CN116362569B (zh) | 2023-08-01 |
Family
ID=86910976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310644497.XA Active CN116362569B (zh) | 2023-06-02 | 2023-06-02 | 一种场地污染的多维度评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362569B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700016B (zh) * | 2023-08-07 | 2023-09-29 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地修复设备的管理方法及系统 |
CN116821386B (zh) * | 2023-08-30 | 2023-11-21 | 深圳巨湾科技有限公司 | 一种基于多源异构数据结构化的单一特征评估控制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020398175A1 (en) * | 2019-12-04 | 2022-06-16 | Tempus Ai, Inc. | Systems and methods for automating RNA expression calls in a cancer prediction pipeline |
CN112163724A (zh) * | 2020-08-05 | 2021-01-01 | 宁夏无线互通信息技术有限公司 | 环境信息数据资源整合集成系统 |
CN116151488B (zh) * | 2023-04-19 | 2023-07-04 | 中科三清科技有限公司 | 一种污染数据分析方法、系统及设备 |
CN116186566B (zh) * | 2023-04-27 | 2023-07-21 | 北京建工环境修复股份有限公司 | 基于深度学习的扩散预测方法及系统 |
-
2023
- 2023-06-02 CN CN202310644497.XA patent/CN116362569B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116362569A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116362569B (zh) | 一种场地污染的多维度评估方法及系统 | |
CN116186566B (zh) | 基于深度学习的扩散预测方法及系统 | |
CN114742272B (zh) | 一种基于时空交互关系的土壤镉风险预测方法 | |
Sarkar et al. | An optimization-based decision tree approach for predicting slip-trip-fall accidents at work | |
CN116384754B (zh) | 一种基于深度学习的在产化工园区环境污染风险评估方法 | |
CN116385689B (zh) | 一种场地污染数据的可视化信息管理方法、系统及介质 | |
Zamarrón-Mieza et al. | A systematic review of application of multi-criteria decision analysis for aging-dam management | |
CN116629619B (zh) | 一种土壤新污染物赋存状况预测方法及系统 | |
CN115578015A (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN112288247B (zh) | 一种基于空间交互关系的土壤重金属风险识别方法 | |
Ding et al. | A framework for regional association rule mining and scoping in spatial datasets | |
CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
CN114997546A (zh) | 基于多源数据的监测井综合调查评价方法、系统及介质 | |
Cuzzocrea et al. | An innovative framework for supporting big atmospheric data analytics via clustering-based spatio-temporal analysis | |
Negara et al. | Riau forest fire prediction using supervised machine learning | |
Prathap et al. | Geospatial crime analysis to determine crime density using Kernel density estimation for the Indian context | |
CN115828508A (zh) | 基于gis平台的地下水环评自动预测方法 | |
Han et al. | Construction and application of the knowledge graph method in management of soil pollution in contaminated sites: A case study in South China | |
Bode et al. | Search space representation and reduction methods to enhance multiobjective water supply monitoring design | |
CN116384775B (zh) | 一种污染场地监测设备的管理方法、系统及存储介质 | |
Ren et al. | Visual analytics of air pollution propagation through dynamic network analysis | |
CN115810409A (zh) | VOCs污染物分析方法及其装置、电子设备、存储介质 | |
Mohammadzadeh et al. | Spatiotemporal integration of GCN and E-LSTM networks for PM2. 5 forecasting | |
Cuzzocrea et al. | Clustering-based spatio-temporal analysis of big atmospheric data | |
Mirzaei-Nodoushan et al. | Optimization and development of groundwater-level monitoring network in Eshtehard plain |
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 |