CN116362595A - 一种地表水氮污染的评价方法 - Google Patents
一种地表水氮污染的评价方法 Download PDFInfo
- Publication number
- CN116362595A CN116362595A CN202310234118.XA CN202310234118A CN116362595A CN 116362595 A CN116362595 A CN 116362595A CN 202310234118 A CN202310234118 A CN 202310234118A CN 116362595 A CN116362595 A CN 116362595A
- Authority
- CN
- China
- Prior art keywords
- nitrogen pollution
- evaluation
- index
- surface water
- nitrogen
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 63
- 239000002352 surface water Substances 0.000 title claims abstract description 23
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 title claims description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 120
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 239000003086 colorant Substances 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 description 15
- 238000011109 contamination Methods 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 3
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地表水氮污染的评价方法，属于环境检测领域，本发明根据SOM运算方法获得输入数据集的U‑矩阵和所有参数可视化图，根据各参数在图上的位置、距离和颜色显示出它们之间的关系，选择出代表性指标，将数据样本划分为n个等价类，完成数据预处理，据运算方法计算各个指标的熵权，作为HDT技术的重要参数之一，利用HDT完成聚类排序获得氮污染评价等级图，进而进行氮污染综合评价，该方法，具有聚类有效、收敛快速等优点，可以对数据样本与各个变量之间的内部关联进行分析，进而达到可视化的聚类目的。
Description
技术领域
本发明涉及环境检测领域，具体涉及一种地表水氮污染的评价方法。
背景技术
水环境质量评价结果直接反映污染程度，其理论与应用科学发展是保护水生态环境的重要基础。《地表水环境质量标准》(GB3838-2002)中针对河流水体的氮污染评价指标仅有NH3-N，TN指标针对的是湖库并非河流，饮用水中虽有对
质量浓度的约束(≤10mg/L)，但范围宽泛，传统的分析方法更多是定性描述，这些都给氮污染评价带来了困扰。
传统的单因子和综合评价法对数据量大的水环境污染评价工作不友好，传统的PCA和对应分析(CA)难以处理季节间的聚类重叠问题，网络分析(AHP)和TOPSIS(Techniquefor Order Preference by Similarity to an Ideal Solution)法在权重方面不够理想。面对水质管理目标的压力提升，大量历史监测数据以及自动站数据的分析难度增加，亟需科学高效的水环境污染评价方法。因此，兼具可视化目的的人工神经网络和哈斯图技术的研究与应用成为未来发展趋势之一。
SOM技术作为一种非线性科学，具有自主性和包容性等优点，但其聚类结果之间缺乏可比性，限制其在环境管理中的实际应用。HDT是一种基于偏序集的方法，该方法保留了评估和决策过程中的重要元素，仅需评价指标的权重顺序即可进行，从而解决了其他水质评价方法中赋权的争议。但是，HDT具有不耐“噪声”的缺点，因此其对数据预处理要求高。前人研究已经意识到将SOM和HDT技术结合进行水环境污染评价可以充分发挥二者的优势，并互相弥补不足，从而获取更清晰、易解读的数据结果。但事实上，这些研究或多或少存在两种方法无法有机结合的缺陷，未来在环境管理实际应用中还需继续探索。
发明内容
针对现有技术中的上述不足，本发明提供了一种地表水氮污染的评价方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种地表水氮污染的评价方法，包括如下步骤：
S1、获取多个监测断面的多年地表水氮污染监测数据作为输入数据集，利用自组织映射模型进行输入数据集的数据样本预处理，得到数据样本的自适应模型聚类结果输出；
S2、根据S1所得到的自适应模型聚的输出结果，对其中地表水氮污染评价指标进行熵权计算并根据计算结果进行排序；
S3、利用哈斯图技术对排序后的评价指标进行聚类，得到氮污染评价等级图；
S4、对氮污染评价等级图中个元素的联系分析氮元素属性的进阶关系，得到氮污染的时空变化特征。
进一步的，所述S1中数据样本预处理的具体方式为：
S11、根据自组织映射运算方法获取输入数据集的U-矩阵和所有氮污染参数的可视化图；
S12、根据各氮污染参数在图上的位置、距离和颜色显示出其关系；
S13、根据各氮污染参数之间的关系，将输入数据集中的各样本数据划分为多个等价类，输出自适应模型的聚类结果。
进一步的，所述S2中熵权计算的具体过程为：
S21、利用输入数据集中氮污染监测数据及对应的指标数构建评价矩阵；
S22、对S21所构建的评价矩阵进行归一化计算；
S23、利用归一化后的评价矩阵进行熵权计算。
进一步的，所述S21中评价矩阵表示为：
其中，n为样本数，m为指标数，Xij为第j项指标的第i个样本的值。
进一步的，所述S23中熵权计算方式为：
其中，ρij为第j项指标中第i个样本的权值；ej为第j项指标的熵值；k为玻尔兹曼常数；wj为第j项指标的熵权，Xij为第j项指标的第i个样本的值，n为样本数，m为指标数。
进一步的，所述S3具体包括如下步骤：
S31、对研究周期内所选取的所有水质参数进行排序，得到包含N个对象和R个变量的哈斯图矩阵；
S32、根据所得到的哈斯图矩阵判断任意其中任意两个对象间是否存在覆盖关系，若没有被其它对象覆盖则判定为极大元，若不覆盖其它对象则判定为极小元；
S33、根据极大元和极小元之间的链与反链的关系输出哈斯图，得到评价指标的聚类排序结果；
S34、根据所得到的评价指标的聚类排序结果划分氮污染评价等级图。
本发明具有以下有益效果：
(1)在不依靠地表水评价标准的基础上，应用SOM和HDT技术实现但污染等级划分。
(2)SOM和HDT技术相结合进行河流污染评价虽有报道，却仍有不足。多是运用两个方法独立进行水污染评价，最终获得复杂的Hasse图像，信息解译十分有限。或者是样本的等价类划分仍然依靠当地地表水水质标准。本发明采用SOM同时进行参数及样本的等价类划分，省去繁琐的人工分类过程，且完成了数据的“降噪”处理，最终获得简洁、清晰的Hasse图，明确样本的氮污染程度排序关系，并结合二项技术的结果挖掘大数据集元素的时空分布规律，充分发挥了两个方法的优点，相互弥补不足。
(3)研究表明区域氮的各形态时空分布是复杂的，依靠传统单一的评估手段往往得出的结论不够准确。通过SOM的无组织学习可以对大量样本进行初步聚类，结果提供定性意义上的水质评价，但却无法给出确定的污染水平排序，而HDT技术可以在聚类的同时明确排序关系。HDT技术不受国家水质标准制约，可以进行任何标准的水质评价研究，适合实际情况。SOM对数据的预处理一定程度上解决了HDT不耐“噪声”的问题。
附图说明
图1为本发明一种地表水氮污染的评价方法流程示意图。
图2为本发明实施例输入数据集的U-矩阵和所有参数可视化图。
图3为本发明实施例水质参数的平面排序图。
图4为本发明实施例聚类结果示意图，其中a为聚类数与DBI指数之间的关系，b为DBI指数最小原则下的聚类，c为神经元编号，d为各神经元所包含的样本数。
图5为本发明实施例中生成的哈斯图。
图6为本发明实施例丰枯水期和上中下游各聚类样本数目与比例图，其中a为聚类样本数目图，b为比例图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
一种地表水氮污染的评价方法，如图1所示，包括如下步骤：
S1、获取多个监测断面的多年地表水氮污染监测数据作为输入数据集，利用自组织映射模型进行输入数据集的数据样本预处理，得到数据样本的自适应模型聚类结果输出，具体包括如下步骤：
S11、根据自组织映射运算方法获取输入数据集的U-矩阵和所有氮污染参数的可视化图；
本实施例采用75个监测断面12个月的多年平均值(共891个样本)作为数据集，依据竞争层最少节点
的原则，确定SOM图的神经元个数为150个，根据数据分析方法进行统计运算。图2显示输入数据集的U-矩阵和所有参数可视化图。U-矩阵上可体现各神经元间的距离，用以确定SOM图的聚类结构，每个神经元所对应指标参数的属性值大小，可以用颜色深浅来表示。换言之，TN和NH3-N值较高的神经元位于SOM平面图的上中部，/>
和DON值较高的神经元位于SOM平面图的右下部。由图1可知部分神经元受NH3-N污染的同时，也受到一定程度的/>
和DON污染。
S12、根据各氮污染参数在图上的位置、距离和颜色显示出其关系；
水质参数的平面排序如图3所示，根据各参数在图上的位置、距离和颜色显示出它们之间的关系。由此可分为3组：第一组为NH3-N；第二组为TN；第三组为
和DON，且这3个参数的图像呈现出高度一致性，表明它们之间存在显著的相关性。/>
是河流水体中氮素的主要赋存形态，相比/>
和DON更具代表性，于是将/>
视为
和DON的等价类参数。TN、NH3-N和/>
参数具有相当特殊的分布，为数据集对象提供了不同的信息。因此，基于HDT的水体氮污染评价可选取TN、NH3-N和/>
这3个参数为评价指标。
S13、根据各氮污染参数之间的关系，将输入数据集中的各样本数据划分为多个等价类，输出自适应模型的聚类结果。
本实施例中891个对象分布在142个神经元中8个神经元未填充对象如图4(d)所示，最终将数据样本分成8个聚类类别，如图4(a)，记为Ci(i＝1，2，……，8)。图4(b)中不同的聚类类别对应了不同的颜色分区，数字则代表聚类类别编号(i)。图4(c)中指示出了不同聚类类别所包含相应的神经元，数字为神经元的编号(1至150)，依据从左到右、从上到下的原则依次填充。图4(d)指示出了各个神经元中所包含的样本数。以C1为例，其包含了119，120，13，133，134，135，146，147，148，149和150共11个神经元，共78个样本数据，以此类推。
S2、根据S1所得到的自适应模型聚的输出结果，对其中地表水氮污染评价指标进行熵权计算并根据计算结果进行排序；
本实施例里，具体包括如下步骤：
S21、利用输入数据集中氮污染监测数据及对应的指标数构建评价矩阵；
式中，n代表样本数；m代表指标数；"X"_"ij"代表第j项指标的第i个样本的值。
S22、对S21所构建的评价矩阵进行归一化计算，
N＝[Xij]n×m
S23、利用归一化后的评价矩阵进行熵权计算。
计算熵权wj的具体方式为：
式中，ρij代表第j项指标中第i个样本的权值；ej为第j项指标的熵值；k为玻尔兹曼常数(Boltzmann)，k＝1/ln(n)，(0≤ej＜1)；wj为第j项指标的熵权。
由于Hasse的解译依赖于图形的清晰度，太复杂或结构太差的图形存在较多不可比元素，为后续数据分析带来许多不确定性，因此数据等价类的预处理十分重要，需通过多元统计等技术进行标准化缩减。本研究采用SOM进行数据预处理，再由HDT对聚类结果进行偏序分析，获得哈斯图(Hasse)图像。
数据集等价类与评价指标权重排序的确定。为减少对象之间的不相关差异，SOM中的每个填充节点都将用作等价类。因此在142个神经元中包含了891个对象，再根据各节点间的质量参数特征又将142个神经元分为8个类别(元素)，作为最终的等价类进行HDT聚类分析。在划分数据集等价类的同时，还需考虑评价指标的权重排序。依据评价指标的选取结果以及计算方法，计算评价指标的权重，如图表1所示，
表1评价指标的熵权
S3、利用哈斯图技术对排序后的评价指标进行聚类，得到氮污染评价等级图，具体而言，包括如下步骤：
S31、对研究周期内所选取的所有水质参数进行排序，得到包含N个对象和R个变量的哈斯图矩阵；
利用HDT获取哈斯图矩阵(Hasse)。在计算过程中，对象E(研究周期内采样数据)的排序是针对所有变量(选取的水质参数)来实现的。称为“信息数据库”(InformationBasis，IB)。处理后的数据矩阵Q(N×R)包含N个对象和R个变量。Q中yir代表第i个对象(元素)的第r个变量(属性)的数值，两个对象s和t在以下情况是可比较的：
S32、根据所得到的哈斯图矩阵判断任意其中任意两个对象间是否存在覆盖关系，若没有被其它对象覆盖则判定为极大元，若不覆盖其它对象则判定为极小元；
如果只存在1个yr(s)>yr(t)，那么对象s和t是不可比较的。哈斯矩阵可以很方便地获得偏序集，进而表达每一对对象间的关系，可表示如下：
S33、根据极大元和极小元之间的链与反链的关系输出哈斯图，得到评价指标的聚类排序结果；
根据哈斯矩阵绘制Hasse图像。两个对象间可存在一个覆盖关系，如果E中不存在对象a，满足s≤a≤t，(a≠s∧a≠t)，则s被t覆盖或t覆盖s。哈斯矩阵中存储的顺序关系可以用哈斯图表示，其构造如下：
a.每个对象或等价类都有一个带有识别标识的圆圈表示，等价元素是不同的对象，它们代表IB中包含的所有变量具有相同价值。
b.若有覆盖关系，则对应的对象间用线连接，代表元素可比较。
c.若s≤t，则s画在t的上方或下方，且所有关系线遵循相同的方向原则。
d.若s≤t∧t≤z，那么s≤z，虽然s与z之间没有连接线，但s和t之间可用直线来表示。
e.若s≤t∨t≤s，则s与t之间不可比较，不能用直线连接。
其中，没有被其他对象覆盖的称之为“极大元”，而不覆盖其他对象的称之为“极小元”。“链”是一组可比较的对象，“反链”是一组不可比较的对象(位于同一层次)，即图的高度代表最长链，宽度代表最长反链。
S34、根据所得到的评价指标的聚类排序结果划分氮污染评价等级图。
将数据集及评价指标的预处理结果输入DART软件，随后输出Hasse(图3)。输入对象最终被分为5个等级(清洁、较清洁、轻污、中污和重污)，并获取极大元C1和C8(不被任何其他元素覆盖)，极小元C6(被任何其他元素覆盖)。在邻阶元素C4和C7、C3和C1间没有连接线，认为它们至少有一个评价指标具有相反属性。邻阶元素间有连接线的，例如C7和C1、C2和C3等，表示它们之间所有评价指标的属性值同步增加，最终样本聚类结果见表2，聚类评价指标属性值见表3。
表2SOM和HDT的聚类结果
表3聚类结果的评价指标属性值(单位：mg/L)
S4、对氮污染评价等级图中个元素的联系分析氮元素属性的进阶关系，得到氮污染的时空变化特征。
在本实施例里，选取成都市的河流为例说明。
成都市河流氮污染主要受硝态氮驱动，并集中于中下游。根据表2，绘制逐层聚类结果中丰枯水期与上中下游的样本数目与比例图，如图4所示，发现成都市氮污染的上中下游较丰枯水期变化显著。中污和重污样本占到30.1％，氮污染问题仍然突出。随着污染级别上升，枯水期样本占比上升至57.0％，上游样本占比大幅度下降，而下游显著增加。中污和重污的上游样本仅占14.9％，中下游样本占到了85.1％。对于NH3-N污染，中游样本占绝对优势，无上游样本，且枯水期样本比丰水期的2倍还多。对于
污染，以下游样本为主，约占近一半，且C1类的丰水期和枯水期样本量相当，C7类的丰水期样本数多于枯水期，而C8类因其显著的NH3-N污染与C7类相反。对于低水平氮污染，以中上游样本为主，丰枯水期样本相当。总体上，多数样品的氮属性值处于较低水平，受/>
影响的样本数量(25.4％)远多于受NH3-N影响(9.2％)。
三条流域氮污染特征略有不同。沱江流域氮污染程度大于其他两条流域，清洁样本仅占到1.0％，重污染样本占到32.0％，而金马河流域与锦江流域的清洁样本占比分别为51.0％和40.3％。沱江流域受
和NH3-N影响的样本分别占47.4％和14.5％，金马河流域分别为16.0％和8.0％，锦江流域分别为20.0％和6.7％。锦江流域NH3-N污染范围虽小但污染程度较高(3.11±1.50mg/L)，且样本全部位于中游。
综上所述，成都市河流氮污染可分为5个等级，硝态氮是驱动研究区域氮污染的主要因子。沱江流域氮污染更为突出，锦江流域氨氮污染范围虽小但污染程度较大。SOM和HDT技术的评价结果与实际情况基本一致，输出结果可靠、清晰，可拓展应用于其他河流氮污染评价
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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种地表水氮污染的评价方法，其特征在于，包括如下步骤：
S1、获取多个监测断面的多年地表水氮污染监测数据作为输入数据集，利用自组织映射模型进行输入数据集的数据样本预处理，得到数据样本的自适应模型聚类结果输出；
S2、根据S1所得到的自适应模型聚的输出结果，对其中地表水氮污染评价指标进行熵权计算并根据计算结果进行排序；
S3、利用哈斯图技术对排序后的评价指标进行聚类，得到氮污染评价等级图；
S4、对氮污染评价等级图中个元素的联系分析氮元素属性的进阶关系，得到氮污染的时空变化特征。
2.根据权利要求1所述的地表水氮污染的评价方法，其特征在于，所述S1中数据样本预处理的具体方式为：
S11、根据自组织映射运算方法获取输入数据集的U-矩阵和所有氮污染参数的可视化图；
S12、根据各氮污染参数在图上的位置、距离和颜色显示出其关系；
S13、根据各氮污染参数之间的关系，将输入数据集中的各样本数据划分为多个等价类，输出自适应模型的聚类结果。
3.根据权利要求1所述的地表水氮污染的评价方法，其特征在于，所述S2中熵权计算的具体过程为：
S21、利用输入数据集中氮污染监测数据及对应的指标数构建评价矩阵；
S22、对S21所构建的评价矩阵进行归一化计算；
S23、利用归一化后的评价矩阵进行熵权计算。
4.根据权利要求3所述的地表水氮污染的评价方法，其特征在于，所述S21中评价矩阵表示为：
其中，n为样本数，m为指标数，Xij为第j项指标的第i个样本的值。
5.根据权利要求3所述的地表水氮污染的评价方法，其特征在于，所述S23中熵权计算方式为：
其中，ρij为第j项指标中第i个样本的权值；ej为第j项指标的熵值；k为玻尔兹曼常数；wj为第j项指标的熵权，Xij为第j项指标的第i个样本的值，n为样本数，m为指标数。
6.根据权利要求1所述的地表水氮污染的评价方法，其特征在于，所述S3具体包括如下步骤：
S31、对研究周期内所选取的所有水质参数进行排序，得到包含N个对象和R个变量的哈斯图矩阵；
S32、根据所得到的哈斯图矩阵判断任意其中任意两个对象间是否存在覆盖关系，若没有被其它对象覆盖则判定为极大元，若不覆盖其它对象则判定为极小元；
S33、根据极大元和极小元之间的链与反链的关系输出哈斯图，得到评价指标的聚类排序结果；
S34、根据所得到的评价指标的聚类排序结果划分氮污染评价等级图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310234118.XA CN116362595A (zh) | 2023-03-10 | 2023-03-10 | 一种地表水氮污染的评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310234118.XA CN116362595A (zh) | 2023-03-10 | 2023-03-10 | 一种地表水氮污染的评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116362595A true CN116362595A (zh) | 2023-06-30 |
Family
ID=86940916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310234118.XA Pending CN116362595A (zh) | 2023-03-10 | 2023-03-10 | 一种地表水氮污染的评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116362595A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020042793A1 (en) * | 2000-08-23 | 2002-04-11 | Jun-Hyeog Choi | Method of order-ranking document clusters using entropy data and bayesian self-organizing feature maps |
| CN113536924A (zh) * | 2021-06-14 | 2021-10-22 | 河海大学 | 一种钢纤维混凝土结构内部损伤类型检测方法 |
| CN114048973A (zh) * | 2021-10-28 | 2022-02-15 | 河海大学 | 一种基于组合赋权的河流水质等级评价方法 |
| CN114781482A (zh) * | 2022-03-18 | 2022-07-22 | 广东电网有限责任公司广州供电局 | 一种基于som-m的业扩项目聚类方法、装置、设备和存储介质 |
-
2023
- 2023-03-10 CN CN202310234118.XA patent/CN116362595A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020042793A1 (en) * | 2000-08-23 | 2002-04-11 | Jun-Hyeog Choi | Method of order-ranking document clusters using entropy data and bayesian self-organizing feature maps |
| CN113536924A (zh) * | 2021-06-14 | 2021-10-22 | 河海大学 | 一种钢纤维混凝土结构内部损伤类型检测方法 |
| CN114048973A (zh) * | 2021-10-28 | 2022-02-15 | 河海大学 | 一种基于组合赋权的河流水质等级评价方法 |
| CN114781482A (zh) * | 2022-03-18 | 2022-07-22 | 广东电网有限责任公司广州供电局 | 一种基于som-m的业扩项目聚类方法、装置、设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 哈斯巴干, 马建文, 李启青, 韩秀珍, 刘志丽: "基于小波融合的ASTER数据自组织特征映射神经网络分类研究", 中国科学D辑, no. 09, pages 895 - 902 * |
| 李伟;姚笑颜;梁志伟;吴一鸣;施积炎;陈英旭;: "基于自组织映射与哈斯图方法的地表水水质评价研究", 环境科学学报, no. 03, pages 893 - 903 * |
| 李伟;姚笑颜;梁志伟;吴一鸣;施积炎;陈英旭;: "基于自组织映射与哈斯图方法的地表水水质评价研究", 环境科学学报, vol. 33, no. 03, 31 March 2013 (2013-03-31), pages 893 - 903 * |
| 赖文哲 等: "基于熵权－偏序集的水质评价方法", 长江科学院院报, vol. 38, no. 3, 31 March 2021 (2021-03-31), pages 32 - 38 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rashidi et al. | Using data envelopment analysis for estimating energy saving and undesirable output abatement: a case study in the Organization for Economic Co-Operation and Development (OECD) countries | |
| Wang et al. | A multidimension cloud model-based approach for water quality assessment | |
| CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| Zhao et al. | Water resources risk assessment model based on the subjective and objective combination weighting methods | |
| Peng et al. | Model research on forecast of second-hand house price in Chengdu based on XGboost algorithm | |
| CN101894270B (zh) | 面向遥感影像分类的样本自动选取方法 | |
| CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
| CN106779418A (zh) | 基于神经网络和证据理论的水污染事件智能决策方法 | |
| CN105469196A (zh) | 一种矿井建设项目过程后评价的综合评价方法及系统 | |
| CN106446478B (zh) | 一种切削加工工艺优选方法 | |
| CN109272500A (zh) | 基于自适应卷积神经网络的织物分类方法 | |
| CN106874948A (zh) | 一种黑臭水自动识别与评估方法 | |
| CN110135354A (zh) | 一种基于实景三维模型的变化检测方法 | |
| CN107609707B (zh) | 一种洪水预报、防灾决策方法及系统 | |
| CN113689183A (zh) | 一种基于海洋生态评价的资源管理分析系统及方法 | |
| Zhang et al. | Linking physical water consumption with virtual water consumption: Methodology, application and implications | |
| CN109697566A (zh) | 机电产品加工工艺评价系统及其评价方法 | |
| CN107133690A (zh) | 一种河湖水系连通工程方案优选排序方法 | |
| CN109300040A (zh) | 基于全媒体大数据技术的海外投资风险评估方法及系统 | |
| CN109272182A (zh) | 一种基于可变模糊决策理论的水资源效益动态评价方法 | |
| Jiang et al. | Application of back propagation neural network in the classification of high resolution remote sensing image: take remote sensing image of Beijing for instance | |
| CN105956747A (zh) | 一种企业信誉评估可视化方法 | |
| CN112381364A (zh) | 一种食品质量抽检的综合评价方法 | |
| CN105844334B (zh) | 一种基于径向基神经网络的温度插值方法 | |
| CN104573862A (zh) | 基于多Agent的湖库、流域的水质监测断面优化布设方法 |
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 |