CN116385689B - 一种场地污染数据的可视化信息管理方法、系统及介质 - Google Patents

一种场地污染数据的可视化信息管理方法、系统及介质 Download PDF

Info

Publication number
CN116385689B
CN116385689B CN202310645630.3A CN202310645630A CN116385689B CN 116385689 B CN116385689 B CN 116385689B CN 202310645630 A CN202310645630 A CN 202310645630A CN 116385689 B CN116385689 B CN 116385689B
Authority
CN
China
Prior art keywords
data
pollution
site
early warning
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310645630.3A
Other languages
English (en)
Other versions
CN116385689A (zh
Inventor
张家铭
李书鹏
高月昆
王思敏
孙静
丁浩然
郭丽莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BCEG Environmental Remediation Co Ltd
Original Assignee
BCEG Environmental Remediation Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BCEG Environmental Remediation Co Ltd filed Critical BCEG Environmental Remediation Co Ltd
Priority to CN202310645630.3A priority Critical patent/CN116385689B/zh
Publication of CN116385689A publication Critical patent/CN116385689A/zh
Application granted granted Critical
Publication of CN116385689B publication Critical patent/CN116385689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised 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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Geometry (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Operations Research (AREA)

Abstract

本发明公开了一种场地污染数据的可视化信息管理方法、系统及介质，包括：获取目标污染场地的多源异构数据，构建目标污染场地的三维可视化模型；利用图卷积神经网络进行数据融合，获取时空关联特征，提取当前时间步长的污染物时空分布；根据目标污染场地的历史多源监测数据进行半监督学习，得到风险信息预警模型，获取污染特征与土壤及地下水环境质量的相关性；将污染物时空分布导入所述风险信息预警模型，进行污染风险识别，并获取污染风险预警及土壤及地下水环境质量预警；在三维可视化模型中进行标注显示。本发明对场地环境风险进行智能识别、评估预测，并实现场地污染历史过程、趋势变化及预警信息的可视化表达，增加了污染信息管理的直观性。

Description

一种场地污染数据的可视化信息管理方法、系统及介质
技术领域
本发明涉及污染数据管理技术领域，更具体的，涉及一种场地污染数据的可视化信息管理方法、系统及介质。
背景技术
工业化和城市化的高速进程导致了日益突出的工业场地污染问题。这些污染场地如不进行修复或风险管控，不仅无法进行再开发利用而造成浪费，同时会对周边地区环境质量、人体健康及社会经济价值产生严重危害。因此，开展污染场地修复与风险管控，保障生态环境，已成为目前重大现实需求。
通常情况下，污染场地是通过污染物经泄漏、沉降或其它途径进入土壤而形成污染源，在重力或地表水渗入的作用下向下迁移进入地下水，并随地下水流动不断向下游或周边扩散而逐渐形成的。针对污染场地的处置主要包括修复和风险管控这两种方式。污染场地修复是通过对污染源、污染介质的去除和处理，降低土壤和地下水中污染物总量及浓度，达到可接受的健康风险水平，从而恢复场地的功能性。风险管控则是通过在污染扩散途径上安装、实施阻隔措施，阻断污染扩散途径即污染物在污染源与受体之间的传播途径，在污染源无法得到去除的情况下，保护人体或生态环境的健康安全。无论是修复和风险管控均需要调查监测、污染评估数据的数据支持，而数据多源异构、无法快速从大规模的场地数据中提取污染特征均是污染调查监测的障碍，因此如何对场地污染的多源异构数据进行高效管理及特征提取是当前亟需解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种场地污染数据的可视化信息管理方法、系统及介质。
本发明第一方面提供了一种场地污染数据的可视化信息管理方法，包括：
获取目标污染场地的多源异构数据，将所述多源异构数据进行预处理，基于三维重建获取目标污染场地的三维可视化模型；
基于多源异构数据的数据源构建异构图，利用图卷积神经网络将所述多源异构数据进行数据融合，获取不同特征数据的时空关联特征，提取当前时间步长的污染物时空分布；
根据目标污染场地的历史多源监测数据进行半监督学习，训练深度学习网络得到风险信息预警模型，基于所述风险信息预警模型获取污染特征与土壤及地下水环境质量的相关性；
将目标污染场地当前时间步长的污染物时空分布导入所述风险信息预警模型，进行污染风险识别，并获取污染风险预警及土壤及地下水环境质量预警；
将所述污染物时空分布、污染风险预警及土壤及地下水环境质量预警在所述三维可视化模型中进行标注显示。
本方案中，获取目标污染场地的多源异构数据，将所述多源异构数据进行预处理，基于三维重建获取目标污染场地的三维可视化模型，具体为：
获取目标污染场地中多源异构数据，所述多源异构数据包括土壤、地下水及空气三相环境监测信息、地理信息、水文地质信息及污染源信息；
将所述多源异构数据进行数据清洗及结构化处理，获取预处理后的多源异构数据；
根据目标污染场地的地理信息、水文地质信息获取岩土特征、水文分布特征及地形特征，通过获取特征结合二维图像信息重建目标污染场地的三维可视化模型；
将预处理后多源异构数据通过数据插值方法嵌入三维可视化模型，形成实时监测数据结合的三维可视化模型。
本方案中，利用图卷积神经网络将所述多源异构数据进行数据融合，获取不同特征数据的时空关联特征，提取当前时间步长的污染物时空分布，具体为：
获取多源异构数据对应各数据源的污染监测数据，通过各数据源的污染监测数据计算相似度，根据所述相似度判断各数据源之间的关系，根据数据源及数据源之间的关系构建异构图；
利用卷积神经网络对各数据源的污染监测数据序列进行时间维度的特征提取，通过图卷积神经网络对所述异构图进行学习表示，获取各数据源的拓扑结构，引入空洞卷积基于所述拓扑结构将邻居数据源的污染监测数据进行聚合，获取空间特征表示；
通过两个全连接层获取不同时刻时间特征的相互关系，获取时间注意力权重，通过所述时间注意力权重对时间特征进行加权处理，与池化操作后的空间特征进行融合，生成时空关联特征；
根据当前时间步长的多源异构数据获取时空关联特征，基于历史污染物时空分布通过图卷积神经网络进行时空分布预测，输出当前时间步长的污染物时空分布。
本方案中，根据目标污染场地的历史多源监测数据进行半监督学习，训练深度学习网络得到风险信息预警模型，具体为：
获取目标污染场地在历史预设时间段的多源异构数据，与对应时间步进行匹配生成历史多源监测数据序列，根据所述历史多源监测数据序列提取污染时空关联特征序列；
根据目标污染场地中环境监测井或预设环境取样点获取历史土壤及地下水环境数据，将所述历史土壤及地下水环境数据的监测时间戳与对应时间步长的污染时空关联特征序列进行匹配，生成匹配序列；
基于大数据检索在预设搜索空间或知识图谱中检索土壤及地下水环境质量评估标准，通过所述土壤及地下水环境质量评估标准生成不同等级对应的基准评估矩阵；
根据历史土壤及地下水环境数据构建评估矩阵，判断所述评估矩阵与不同等级对应的基准评估矩阵之间的欧式距离，获取不同监测时间戳的环境等级，基于所述环境等级设置匹配序列中样本数据的数据标签；
通过GRU网络及注意力机制构建风险信息预警模型，利用带数据标签的匹配序列对所述风险信息预警模型进行半监督训练，所述风险信息预警模型包括A-GRU层、全连接层及SVM分类器，训练符合预设要求后将模型进行输出。
本方案中，还包括：利用聚类算法对匹配序列中的样本数据进行聚类更新，具体为：
获取匹配序列中数据样本的土壤及地下水环境质量评估信息，利用K-means算法对数据样本进行聚类，根据预设污染风险等级设置聚类簇数；
根据所述土壤及地下水环境质量评估信息随机选取初始聚类中心，通过欧式距离计算各数据样本到所述初始聚类中心的距离，根据所述距离将数据样本归于最近的聚类中心生成聚类结果；
经过多次迭代后，将匹配序列中的所有样本数据划分结束，将聚类结果中每个类簇进行均值处理，获取每个类簇的均值作为新聚类中心；
当迭代次数满足预设要求时，则获取最终聚类结果，根据所述最终聚类结果中的每个类簇构建与预设污染风险等级的映射关系，生成更新后的匹配序列；
通过所述更新后的匹配序列对SVM分类器进行训练，获取匹配序列中数据样本对应的污染风险等级，建立污染时空关联特征与污染风险的相关关系。
本方案中，获取污染风险预警及土壤及地下水环境质量预警，具体为：
获取目标污染场地当前时间步长的污染物时空分布，作为所述风险信息预警模型的输入，利用分类器识别污染风险区域，生成污染风险预警；
并利用污染特征与土壤及地下水环境质量的相关性，预测当前时间步长的土壤及地下水环境质量等级，基于当前时间步长的土壤及地下水环境质量等级进行判断，获取地下水环境质量预警；
在三维可视化模型中将当前时间步长的污染物时空分布，赋予预设颜色进行可视化显示，并将所述污染风险预警及地下水环境质量预警在可视化显示的基础上进行标注；
将所述污染风险预警及地下水环境质量预警结合预警位置通过预设方式进行发送。
本发明第二方面还提供了一种场地污染数据的可视化信息管理系统，该系统包括：存储器、处理器，所述存储器中包括场地污染数据的可视化信息管理方法程序，所述场地污染数据的可视化信息管理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异构数据，将所述多源异构数据进行预处理，基于三维重建获取目标污染场地的三维可视化模型；
基于多源异构数据的数据源构建异构图，利用图卷积神经网络将所述多源异构数据进行数据融合，获取不同特征数据的时空关联特征，提取当前时间步长的污染物时空分布；
根据目标污染场地的历史多源监测数据进行半监督学习，训练深度学习网络得到风险信息预警模型，基于所述风险信息预警模型获取污染特征与土壤及地下水环境质量的相关性；
将目标污染场地当前时间步长的污染物时空分布导入所述风险信息预警模型，进行污染风险识别，并获取污染风险预警及土壤及地下水环境质量预警；
将所述污染物时空分布、污染风险预警及土壤及地下水环境质量预警在所述三维可视化模型中进行标注显示。
本发明公开了一种场地污染数据的可视化信息管理方法、系统及介质，包括：获取目标污染场地的多源异构数据，构建目标污染场地的三维可视化模型；利用图卷积神经网络进行数据融合，获取时空关联特征，提取当前时间步长的污染物时空分布；根据目标污染场地的历史多源监测数据进行半监督学习，得到风险信息预警模型，获取污染特征与土壤及地下水环境质量的相关性；将污染物时空分布导入所述风险信息预警模型，进行污染风险识别，并获取污染风险预警及土壤及地下水环境质量预警；在三维可视化模型中进行标注显示。本发明对场地环境风险进行智能识别、评估预测，并实现场地污染历史过程、趋势变化及预警信息的可视化表达，增加了污染信息管理的直观性。
附图说明
图1示出了本发明一种场地污染数据的可视化信息管理方法的流程图；
图2示出了本发明利用图卷积神经网络提取当前时间步长的污染物时空分布的方法流程图；
图3示出了本发明训练深度学习网络得到风险信息预警模型的方法流程图；
图4示出了本发明一种场地污染数据的可视化信息管理系统的框图。
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数据的可视化信息管理方法的流程图。
如图1所示，本发明第一方面提供了一种场地污染数据的可视化信息管理方法，包括：
S102，获取目标污染场地的多源异构数据，将所述多源异构数据进行预处理，基于三维重建获取目标污染场地的三维可视化模型；
S104，基于多源异构数据的数据源构建异构图，利用图卷积神经网络将所述多源异构数据进行数据融合，获取不同特征数据的时空关联特征，提取当前时间步长的污染物时空分布；
S106，根据目标污染场地的历史多源监测数据进行半监督学习，训练深度学习网络得到风险信息预警模型，基于所述风险信息预警模型获取污染特征与土壤及地下水环境质量的相关性；
S108，将目标污染场地当前时间步长的污染物时空分布导入所述风险信息预警模型，进行污染风险识别，并获取污染风险预警及土壤及地下水环境质量预警；
S110，将所述污染物时空分布、污染风险预警及土壤及地下水环境质量预警在所述三维可视化模型中进行标注显示。
需要说明的是，获取目标污染场地中多源异构数据，所述多源异构数据包括土壤、地下水及空气三相环境监测信息、地理信息、水文地质信息及污染源信息；因为可能不同相环境监测信息的污染物的名称记法、测量单元可能不统一，并且存在监测点的监测数据为空值的问题将所述多源异构数据进行数据清洗及结构化处理，获取预处理后的多源异构数据；根据目标污染场地的地理信息、水文地质信息获取岩土特征、水文分布特征及地形特征，通过获取特征结合二维图像信息重建目标污染场地的三维可视化模型；将现有的资料和现场踏勘的数据进行整理分类，将获取的二维图像信息进行预处理后进行视觉转换，按照体素的梯度值、灰度值及梯度方向计算体素的不透明度及颜色，然后按照对象空间或图像空间完成累加并通过光线投射进行像素的采样及色彩累积的操作，完成污染场地的三维模型，将获取的数据信息通过数据插值的方式嵌入污染场地的三维模型，并且将插值处理的数据进行加工，形成实时监测数据结合的污染场地的三维模型。同时，采用多场信息耦合的方法的更新污染场地的三维模型，包括生成地质构造、污染场地三维模型以及拟合生成物性信息的分界面，同时将工程勘察数据库和污染场地三维模型联合，建立目标污染场地的三维可视化模型服务器。
图2示出了本发明利用图卷积神经网络提取当前时间步长的污染物时空分布的方法流程图。
根据本发明实施例，利用图卷积神经网络将所述多源异构数据进行数据融合，获取不同特征数据的时空关联特征，提取当前时间步长的污染物时空分布，具体为：
S202，获取多源异构数据对应各数据源的污染监测数据，通过各数据源的污染监测数据计算相似度，根据所述相似度判断各数据源之间的关系，根据数据源及数据源之间的关系构建异构图；
S204，利用卷积神经网络对各数据源的污染监测数据序列进行时间维度的特征提取，通过图卷积神经网络对所述异构图进行学习表示，获取各数据源的拓扑结构，引入空洞卷积基于所述拓扑结构将邻居数据源的污染监测数据进行聚合，获取空间特征表示；
S206，通过两个全连接层获取不同时刻时间特征的相互关系，获取时间注意力权重，通过所述时间注意力权重对时间特征进行加权处理，与池化操作后的空间特征进行融合，生成时空关联特征；
S208，根据当前时间步长的多源异构数据获取时空关联特征，基于历史污染物时空分布通过图卷积神经网络进行时空分布预测，输出当前时间步长的污染物时空分布。
需要说明的是，通过卷积神经网络提取时间维度的特征后，通过图卷积神经网络对拓扑结构对应的空间特征进行获取，根据图卷积神经网络获取各数据源对应监测数据的初始向量表示，通过邻居聚合机制对邻居数据源进行聚合操通过其他数据源的数据特征作更新所述初始化向量表示，通过两个全连接层考虑不同时刻之间的相互关系，获取时间注意力权重q，，其中，/>分别为两个全连接层的激活函数，/>分别为两个全连接层的参数矩阵，/>为时间特征。
图3示出了本发明训练深度学习网络得到风险信息预警模型的方法流程图。
根据本发明实施例，根据目标污染场地的历史多源监测数据进行半监督学习，训练深度学习网络得到风险信息预警模型，具体为：
S302，获取目标污染场地在历史预设时间段的多源异构数据，与对应时间步进行匹配生成历史多源监测数据序列，根据所述历史多源监测数据序列提取污染时空关联特征序列；
S304，根据目标污染场地中环境监测井或预设环境取样点获取历史土壤及地下水环境数据，将所述历史土壤及地下水环境数据的监测时间戳与对应时间步长的污染时空关联特征序列进行匹配，生成匹配序列；
S306，基于大数据检索在预设搜索空间或知识图谱中检索土壤及地下水环境质量评估标准，通过所述土壤及地下水环境质量评估标准生成不同等级对应的基准评估矩阵；
S308，根据历史土壤及地下水环境数据构建评估矩阵，判断所述评估矩阵与不同等级对应的基准评估矩阵之间的欧式距离，获取不同监测时间戳的环境等级，基于所述环境等级设置匹配序列中样本数据的数据标签；
S310，通过GRU网络及注意力机制构建风险信息预警模型，利用带数据标签的匹配序列对所述风险信息预警模型进行半监督训练，所述风险信息预警模型包括A-GRU层、全连接层及SVM分类器，训练符合预设要求后将模型进行输出。
需要说明的是，将所述风险信息预警模型与所述图卷积神经网络进行连接，将图卷积神经网络的污染物时空分布作为风险信息预警模型的输入，所述A-GRU层获取当前输入与前序输出相结合，拥有记忆功能，能够保存时序迭代的状态，并根据保存的状态进行动态预测,采用注意力机制优化的循环神经网A-GRU对输入数据的每个部分赋予不同的权重，提取出更关键和更重要的信息用于污染风险的识别和土壤及地下水环境质量预警；
利用聚类算法对匹配序列中的样本数据进行聚类更新，具体为：获取匹配序列中数据样本的土壤及地下水环境质量评估信息，利用K-means算法对数据样本进行聚类，根据预设污染风险等级设置聚类簇数；根据所述土壤及地下水环境质量评估信息随机选取初始聚类中心，通过欧式距离计算各数据样本到所述初始聚类中心的距离，根据所述距离将数据样本归于最近的聚类中心生成聚类结果；经过多次迭代后，将匹配序列中的所有样本数据划分结束，将聚类结果中每个类簇进行均值处理，获取每个类簇的均值作为新聚类中心；当迭代次数满足预设要求时，则获取最终聚类结果，根据所述最终聚类结果中的每个类簇构建与预设污染风险等级的映射关系，生成更新后的匹配序列；通过所述更新后的匹配序列对SVM分类器进行训练，获取匹配序列中数据样本对应的污染风险等级，建立污染时空关联特征与污染风险的相关关系。例如，所述预设污染风险等级划分为正常、低风险、中风险及高风险，土壤及地下水环境质量评估信息为水质较好，则与预设污染风险等级中的正常类别重合度高，则将水质较好对应的样本数据最多的类簇更新为正常标签。
需要说明的是，获取目标污染场地当前时间步长的污染物时空分布，作为所述风险信息预警模型的输入，利用分类器识别污染风险区域，生成污染风险预警；并利用污染特征与土壤及地下水环境质量的相关性，根据当前污染物时空分布的时空特征预测当前时间步长的土壤及地下水环境质量等级，基于当前时间步长的土壤及地下水环境质量等级进行判断，获取地下水环境质量预警；在三维可视化模型中将当前时间步长的污染物时空分布，赋予预设颜色进行可视化显示，并将所述污染风险预警及地下水环境质量预警在可视化显示的基础上进行标注；将所述污染风险预警及地下水环境质量预警结合预警位置通过预设方式进行发送。
根据本发明实施例，将目标污染场地划分为若干格栅区域，并在所述三维可视化模型中进行显示，利用目标污染场地的污染物时空分布将格栅区域进行分类；
将污染特征相似度大于预设标准的格栅区域划分为同一类别区域，所述污染特征包括污染物浓度及污染物类别，在不同类别区域中利用污染特征在相关知识图谱中获取场地污染修复方法；
通过所述场地污染修复方法判断是否需要施工人员，若需要，在类别区域划分的基础上根据污染风险预警的预警位置筛选危险格栅，在场地修复过程中，获取施工人员的行动轨迹，将所述行动轨迹利用目标污染场地的格栅地图进行显示；
当施工人员到危险格栅距离小于预设距离阈值时，则生成向区域内施工人员发送危险预警，若施工人员进入危险格栅且进入时长大于预设时间阈值，则生成危险预警，按照预设方法进行预警广播。
图4示出了本发明一种场地污染数据的可视化信息管理系统的框图。
本发明第二方面还提供了一种场地污染数据的可视化信息管理系统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数据的可视化信息管理方法程序，所述场地污染数据的可视化信息管理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异构数据，将所述多源异构数据进行预处理，基于三维重建获取目标污染场地的三维可视化模型；
基于多源异构数据的数据源构建异构图，利用图卷积神经网络将所述多源异构数据进行数据融合，获取不同特征数据的时空关联特征，提取当前时间步长的污染物时空分布；
根据目标污染场地的历史多源监测数据进行半监督学习，训练深度学习网络得到风险信息预警模型，基于所述风险信息预警模型获取污染特征与土壤及地下水环境质量的相关性；
将目标污染场地当前时间步长的污染物时空分布导入所述风险信息预警模型，进行污染风险识别，并获取污染风险预警及土壤及地下水环境质量预警；
将所述污染物时空分布、污染风险预警及土壤及地下水环境质量预警在所述三维可视化模型中进行标注显示。
需要说明的是，获取目标污染场地中多源异构数据，所述多源异构数据包括土壤、地下水及空气三相环境监测信息、地理信息、水文地质信息及污染源信息；因为可能不同相环境监测信息的污染物的名称记法、测量单元可能不统一，并且存在监测点的监测数据为空值的问题将所述多源异构数据进行数据清洗及结构化处理，获取预处理后的多源异构数据；根据目标污染场地的地理信息、水文地质信息获取岩土特征、水文分布特征及地形特征，通过获取特征结合二维图像信息重建目标污染场地的三维可视化模型；将现有的资料和现场踏勘的数据进行整理分类，将获取的二维图像信息进行预处理后进行视觉转换，按照体素的梯度值、灰度值及梯度方向计算体素的不透明度及颜色，然后按照对象空间或图像空间完成累加并通过光线投射进行像素的采样及色彩累积的操作，完成污染场地的三维模型，将获取的数据信息通过数据插值的方式嵌入污染场地的三维模型，并且将插值处理的数据进行加工，形成实时监测数据结合的污染场地的三维模型。同时，采用多场信息耦合的方法的更新污染场地的三维模型，包括生成地质构造、污染场地三维模型以及拟合生成物性信息的分界面，同时将工程勘察数据库和污染场地三维模型联合，建立目标污染场地的三维可视化模型服务器。
根据本发明实施例，利用图卷积神经网络将所述多源异构数据进行数据融合，获取不同特征数据的时空关联特征，提取当前时间步长的污染物时空分布，具体为：
获取多源异构数据对应各数据源的污染监测数据，通过各数据源的污染监测数据计算相似度，根据所述相似度判断各数据源之间的关系，根据数据源及数据源之间的关系构建异构图；
利用卷积神经网络对各数据源的污染监测数据序列进行时间维度的特征提取，通过图卷积神经网络对所述异构图进行学习表示，获取各数据源的拓扑结构，引入空洞卷积基于所述拓扑结构将邻居数据源的污染监测数据进行聚合，获取空间特征表示；
通过两个全连接层获取不同时刻时间特征的相互关系，获取时间注意力权重，通过所述时间注意力权重对时间特征进行加权处理，与池化操作后的空间特征进行融合，生成时空关联特征；
根据当前时间步长的多源异构数据获取时空关联特征，基于历史污染物时空分布通过图卷积神经网络进行时空分布预测，输出当前时间步长的污染物时空分布。
需要说明的是，通过卷积神经网络提取时间维度的特征后，通过图卷积神经网络对拓扑结构对应的空间特征进行获取，根据图卷积神经网络获取各数据源对应监测数据的初始向量表示，通过邻居聚合机制对邻居数据源进行聚合操通过其他数据源的数据特征作更新所述初始化向量表示，通过两个全连接层考虑不同时刻之间的相互关系，获取时间注意力权重q，，其中，/>分别为两个全连接层的激活函数，/>分别为两个全连接层的参数矩阵，/>为时间特征。
根据本发明实施例，根据目标污染场地的历史多源监测数据进行半监督学习，训练深度学习网络得到风险信息预警模型，具体为：
获取目标污染场地在历史预设时间段的多源异构数据，与对应时间步进行匹配生成历史多源监测数据序列，根据所述历史多源监测数据序列提取污染时空关联特征序列；
根据目标污染场地中环境监测井或预设环境取样点获取历史土壤及地下水环境数据，将所述历史土壤及地下水环境数据的监测时间戳与对应时间步长的污染时空关联特征序列进行匹配，生成匹配序列；
基于大数据检索在预设搜索空间或知识图谱中检索土壤及地下水环境质量评估标准，通过所述土壤及地下水环境质量评估标准生成不同等级对应的基准评估矩阵；
根据历史土壤及地下水环境数据构建评估矩阵，判断所述评估矩阵与不同等级对应的基准评估矩阵之间的欧式距离，获取不同监测时间戳的环境等级，基于所述环境等级设置匹配序列中样本数据的数据标签；
通过GRU网络及注意力机制构建风险信息预警模型，利用带数据标签的匹配序列对所述风险信息预警模型进行半监督训练，所述风险信息预警模型包括A-GRU层、全连接层及SVM分类器，训练符合预设要求后将模型进行输出。
需要说明的是，将所述风险信息预警模型与所述图卷积神经网络进行连接，将图卷积神经网络的污染物时空分布作为风险信息预警模型的输入，所述A-GRU层获取当前输入与前序输出相结合，拥有记忆功能，能够保存时序迭代的状态，并根据保存的状态进行动态预测,采用注意力机制优化的循环神经网A-GRU对输入数据的每个部分赋予不同的权重，提取出更关键和更重要的信息用于污染风险的识别和土壤及地下水环境质量预警；
利用聚类算法对匹配序列中的样本数据进行聚类更新，具体为：获取匹配序列中数据样本的土壤及地下水环境质量评估信息，利用K-means算法对数据样本进行聚类，根据预设污染风险等级设置聚类簇数；根据所述土壤及地下水环境质量评估信息随机选取初始聚类中心，通过欧式距离计算各数据样本到所述初始聚类中心的距离，根据所述距离将数据样本归于最近的聚类中心生成聚类结果；经过多次迭代后，将匹配序列中的所有样本数据划分结束，将聚类结果中每个类簇进行均值处理，获取每个类簇的均值作为新聚类中心；当迭代次数满足预设要求时，则获取最终聚类结果，根据所述最终聚类结果中的每个类簇构建与预设污染风险等级的映射关系，生成更新后的匹配序列；通过所述更新后的匹配序列对SVM分类器进行训练，获取匹配序列中数据样本对应的污染风险等级，建立污染时空关联特征与污染风险的相关关系。例如，所述预设污染风险等级划分为正常、低风险、中风险及高风险，土壤及地下水环境质量评估信息为水质较好，则与预设污染风险等级中的正常类别重合度高，则将水质较好对应的样本数据最多的类簇更新为正常标签。
需要说明的是，获取目标污染场地当前时间步长的污染物时空分布，作为所述风险信息预警模型的输入，利用分类器识别污染风险区域，生成污染风险预警；并利用污染特征与土壤及地下水环境质量的相关性，根据当前污染物时空分布的时空特征预测当前时间步长的土壤及地下水环境质量等级，基于当前时间步长的土壤及地下水环境质量等级进行判断，获取地下水环境质量预警；在三维可视化模型中将当前时间步长的污染物时空分布，赋予预设颜色进行可视化显示，并将所述污染风险预警及地下水环境质量预警在可视化显示的基础上进行标注；将所述污染风险预警及地下水环境质量预警结合预警位置通过预设方式进行发送。
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数据的可视化信息管理方法程序，所述场地污染数据的可视化信息管理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数据的可视化信息管理方法的步骤。
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 (7)

1.一种场地污染数据的可视化信息管理方法，其特征在于，包括以下步骤：
获取目标污染场地的多源异构数据，将所述多源异构数据进行预处理，基于三维重建获取目标污染场地的三维可视化模型；
基于多源异构数据的数据源构建异构图，利用图卷积神经网络将所述多源异构数据进行数据融合，获取不同特征数据的时空关联特征，提取当前时间步长的污染物时空分布；
根据目标污染场地的历史多源监测数据进行半监督学习，训练深度学习网络得到风险信息预警模型，基于所述风险信息预警模型获取污染特征与土壤及地下水环境质量的相关性；
将目标污染场地当前时间步长的污染物时空分布导入所述风险信息预警模型，进行污染风险识别，并获取污染风险预警及土壤及地下水环境质量预警；
将所述污染物时空分布、污染风险预警及土壤及地下水环境质量预警在所述三维可视化模型中进行标注显示；
获取目标污染场地的多源异构数据，将所述多源异构数据进行预处理，基于三维重建获取目标污染场地的三维可视化模型，具体为：
获取目标污染场地中多源异构数据，所述多源异构数据包括土壤、地下水及空气三相环境监测信息、地理信息、水文地质信息及污染源信息；
将所述多源异构数据进行数据清洗及结构化处理，获取预处理后的多源异构数据；
根据目标污染场地的地理信息、水文地质信息获取岩土特征、水文分布特征及地形特征，通过获取特征结合二维图像信息重建目标污染场地的三维可视化模型；
将预处理后多源异构数据通过数据插值方法嵌入三维可视化模型，形成实时监测数据结合的三维可视化模型；
利用图卷积神经网络将所述多源异构数据进行数据融合，获取不同特征数据的时空关联特征，提取当前时间步长的污染物时空分布，具体为：
获取多源异构数据对应各数据源的污染监测数据，通过各数据源的污染监测数据计算相似度，根据所述相似度判断各数据源之间的关系，根据数据源及数据源之间的关系构建异构图；
利用卷积神经网络对各数据源的污染监测数据序列进行时间维度的特征提取，通过图卷积神经网络对所述异构图进行学习表示，获取各数据源的拓扑结构，引入空洞卷积基于所述拓扑结构将邻居数据源的污染监测数据进行聚合，获取空间特征表示；
通过两个全连接层获取不同时刻时间特征的相互关系，获取时间注意力权重，通过所述时间注意力权重对时间特征进行加权处理，与池化操作后的空间特征进行融合，生成时空关联特征；
根据当前时间步长的多源异构数据获取时空关联特征，基于历史污染物时空分布通过图卷积神经网络进行时空分布预测，输出当前时间步长的污染物时空分布。
2.根据权利要求1所述的一种场地污染数据的可视化信息管理方法，其特征在于，根据目标污染场地的历史多源监测数据进行半监督学习，训练深度学习网络得到风险信息预警模型，具体为：
获取目标污染场地在历史预设时间段的多源异构数据，与对应时间步进行匹配生成历史多源监测数据序列，根据所述历史多源监测数据序列提取污染时空关联特征序列；
根据目标污染场地中环境监测井或预设环境取样点获取历史土壤及地下水环境数据，将所述历史土壤及地下水环境数据的监测时间戳与对应时间步长的污染时空关联特征序列进行匹配，生成匹配序列；
基于大数据检索在预设搜索空间或知识图谱中检索土壤及地下水环境质量评估标准，通过所述土壤及地下水环境质量评估标准生成不同等级对应的基准评估矩阵；
根据历史土壤及地下水环境数据构建评估矩阵，判断所述评估矩阵与不同等级对应的基准评估矩阵之间的欧式距离，获取不同监测时间戳的环境等级，基于所述环境等级设置匹配序列中样本数据的数据标签；
通过GRU网络及注意力机制构建风险信息预警模型，利用带数据标签的匹配序列对所述风险信息预警模型进行半监督训练，所述风险信息预警模型包括A-GRU层、全连接层及SVM分类器，训练符合预设要求后将模型进行输出。
3.根据权利要求2所述的一种场地污染数据的可视化信息管理方法，其特征在于，还包括：利用聚类算法对匹配序列中的样本数据进行聚类更新，具体为：
获取匹配序列中数据样本的土壤及地下水环境质量评估信息，利用K-means算法对数据样本进行聚类，根据预设污染风险等级设置聚类簇数；
根据所述土壤及地下水环境质量评估信息随机选取初始聚类中心，通过欧式距离计算各数据样本到所述初始聚类中心的距离，根据所述距离将数据样本归于最近的聚类中心生成聚类结果；
经过多次迭代后，将匹配序列中的所有样本数据划分结束，将聚类结果中每个类簇进行均值处理，获取每个类簇的均值作为新聚类中心；
当迭代次数满足预设要求时，则获取最终聚类结果，根据所述最终聚类结果中的每个类簇构建与预设污染风险等级的映射关系，生成更新后的匹配序列；
通过所述更新后的匹配序列对SVM分类器进行训练，获取匹配序列中数据样本对应的污染风险等级，建立污染时空关联特征与污染风险的相关关系。
4.根据权利要求1所述的一种场地污染数据的可视化信息管理方法，其特征在于，获取污染风险预警及土壤及地下水环境质量预警，具体为：
获取目标污染场地当前时间步长的污染物时空分布，作为所述风险信息预警模型的输入，利用分类器识别污染风险区域，生成污染风险预警；
并利用污染特征与土壤及地下水环境质量的相关性，预测当前时间步长的土壤及地下水环境质量等级，基于当前时间步长的土壤及地下水环境质量等级进行判断，获取地下水环境质量预警；
在三维可视化模型中将当前时间步长的污染物时空分布，赋予预设颜色进行可视化显示，并将所述污染风险预警及地下水环境质量预警在可视化显示的基础上进行标注；
将所述污染风险预警及地下水环境质量预警结合预警位置通过预设方式进行发送。
5.一种场地污染数据的可视化信息管理系统，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数据的可视化信息管理方法程序，所述场地污染数据的可视化信息管理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异构数据，将所述多源异构数据进行预处理，基于三维重建获取目标污染场地的三维可视化模型；
基于多源异构数据的数据源构建异构图，利用图卷积神经网络将所述多源异构数据进行数据融合，获取不同特征数据的时空关联特征，提取当前时间步长的污染物时空分布；
根据目标污染场地的历史多源监测数据进行半监督学习，训练深度学习网络得到风险信息预警模型，基于所述风险信息预警模型获取污染特征与土壤及地下水环境质量的相关性；
将目标污染场地当前时间步长的污染物时空分布导入所述风险信息预警模型，进行污染风险识别，并获取污染风险预警及土壤及地下水环境质量预警；
将所述污染物时空分布、污染风险预警及土壤及地下水环境质量预警在所述三维可视化模型中进行标注显示；
获取目标污染场地的多源异构数据，将所述多源异构数据进行预处理，基于三维重建获取目标污染场地的三维可视化模型，具体为：
获取目标污染场地中多源异构数据，所述多源异构数据包括土壤、地下水及空气三相环境监测信息、地理信息、水文地质信息及污染源信息；
将所述多源异构数据进行数据清洗及结构化处理，获取预处理后的多源异构数据；
根据目标污染场地的地理信息、水文地质信息获取岩土特征、水文分布特征及地形特征，通过获取特征结合二维图像信息重建目标污染场地的三维可视化模型；
将预处理后多源异构数据通过数据插值方法嵌入三维可视化模型，形成实时监测数据结合的三维可视化模型；
利用图卷积神经网络将所述多源异构数据进行数据融合，获取不同特征数据的时空关联特征，提取当前时间步长的污染物时空分布，具体为：
获取多源异构数据对应各数据源的污染监测数据，通过各数据源的污染监测数据计算相似度，根据所述相似度判断各数据源之间的关系，根据数据源及数据源之间的关系构建异构图；
利用卷积神经网络对各数据源的污染监测数据序列进行时间维度的特征提取，通过图卷积神经网络对所述异构图进行学习表示，获取各数据源的拓扑结构，引入空洞卷积基于所述拓扑结构将邻居数据源的污染监测数据进行聚合，获取空间特征表示；
通过两个全连接层获取不同时刻时间特征的相互关系，获取时间注意力权重，通过所述时间注意力权重对时间特征进行加权处理，与池化操作后的空间特征进行融合，生成时空关联特征；
根据当前时间步长的多源异构数据获取时空关联特征，基于历史污染物时空分布通过图卷积神经网络进行时空分布预测，输出当前时间步长的污染物时空分布。
6.根据权利要求5所述的一种场地污染数据的可视化信息管理系统，其特征在于，根据目标污染场地的历史多源监测数据进行半监督学习，训练深度学习网络得到风险信息预警模型，具体为：
获取目标污染场地在历史预设时间段的多源异构数据，与对应时间步进行匹配生成历史多源监测数据序列，根据所述历史多源监测数据序列提取污染时空关联特征序列；
根据目标污染场地中环境监测井或预设环境取样点获取历史土壤及地下水环境数据，将所述历史土壤及地下水环境数据的监测时间戳与对应时间步长的污染时空关联特征序列进行匹配，生成匹配序列；
基于大数据检索在预设搜索空间或知识图谱中检索土壤及地下水环境质量评估标准，通过所述土壤及地下水环境质量评估标准生成不同等级对应的基准评估矩阵；
根据历史土壤及地下水环境数据构建评估矩阵，判断所述评估矩阵与不同等级对应的基准评估矩阵之间的欧式距离，获取不同监测时间戳的环境等级，基于所述环境等级设置匹配序列中样本数据的数据标签；
通过GRU网络及注意力机制构建风险信息预警模型，利用带数据标签的匹配序列对所述风险信息预警模型进行半监督训练，所述风险信息预警模型包括A-GRU层、全连接层及SVM分类器，训练符合预设要求后将模型进行输出。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括场地污染数据的可视化信息管理方法程序，所述场地污染数据的可视化信息管理方法程序被处理器执行时，实现如权利要求1至4中任一项所述的场地污染数据的可视化信息管理方法步骤。
CN202310645630.3A 2023-06-02 2023-06-02 一种场地污染数据的可视化信息管理方法、系统及介质 Active CN116385689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310645630.3A CN116385689B (zh) 2023-06-02 2023-06-02 一种场地污染数据的可视化信息管理方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310645630.3A CN116385689B (zh) 2023-06-02 2023-06-02 一种场地污染数据的可视化信息管理方法、系统及介质

Publications (2)

Publication Number Publication Date
CN116385689A CN116385689A (zh) 2023-07-04
CN116385689B true CN116385689B (zh) 2023-08-04

Family

ID=86966010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310645630.3A Active CN116385689B (zh) 2023-06-02 2023-06-02 一种场地污染数据的可视化信息管理方法、系统及介质

Country Status (1)

Country Link
CN (1) CN116385689B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629619B (zh) * 2023-07-25 2023-09-22 北京建工环境修复股份有限公司 一种土壤新污染物赋存状况预测方法及系统
CN116662307A (zh) * 2023-07-25 2023-08-29 苏州盈天地资讯科技有限公司 一种基于多源数据融合的智能预警方法、系统及设备
CN116776183B (zh) * 2023-08-18 2023-11-03 北京建工环境修复股份有限公司 一种六价铬污染场地识别与评价方法及系统
CN117010217B (zh) * 2023-10-07 2023-12-26 北京建工环境修复股份有限公司 基于模型分析的地下水污染可视化方法及系统
CN117078021A (zh) * 2023-10-13 2023-11-17 北京建工环境修复股份有限公司 基于安全运营和保护的在产园区人体健康风险预警方法
CN117556984A (zh) * 2023-10-13 2024-02-13 生态环境部环境规划院 一种基于机器学习的场地地下水和土壤污染风险诊断与管控方法
CN117171675B (zh) * 2023-11-02 2024-01-12 北京建工环境修复股份有限公司 基于多源数据的水环境微生物检测方法、系统及介质
CN117894400A (zh) * 2023-12-25 2024-04-16 山东师范大学 一种基于大数据分析的新污染物毒性等级评估方法及系统
CN117829614B (zh) * 2024-03-06 2024-05-07 四川国蓝中天环境科技集团有限公司 一种基于多源数据融合的工业企业排污风险分级计算方法
CN118114185B (zh) * 2024-04-28 2024-07-16 长江空间信息技术工程有限公司(武汉) 一种水工程安全监测数据处理方法、系统、设备及介质
CN118365499B (zh) * 2024-06-19 2024-09-06 深圳市浩瑞泰科技有限公司 一种基于生态环境监测数据大模型的水质污染物预警方法及相关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950047A (zh) * 2021-03-18 2021-06-11 京师天启(北京)科技有限公司 一种疑似污染场地的渐进识别方法
CN113804829A (zh) * 2021-08-20 2021-12-17 重庆市生态环境监测中心 一种大气污染天空地一体化实时监测系统及方法
CN115578015A (zh) * 2022-12-07 2023-01-06 华南理工大学 基于物联网的污水处理全过程监管方法、系统及存储介质
CN116013047A (zh) * 2022-12-28 2023-04-25 上海大学 基于图注意力网络和长短期记忆网络的浓雾短临趋势预警系统与方法
CN116109462A (zh) * 2023-04-11 2023-05-12 乐百氏(广东)饮用水有限公司 一种自然灾害后饮水水源地污染监测预警方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11631022B2 (en) * 2018-03-29 2023-04-18 Daybreak, Llc Forecasting soil and groundwater contamination migration

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950047A (zh) * 2021-03-18 2021-06-11 京师天启(北京)科技有限公司 一种疑似污染场地的渐进识别方法
CN113804829A (zh) * 2021-08-20 2021-12-17 重庆市生态环境监测中心 一种大气污染天空地一体化实时监测系统及方法
CN115578015A (zh) * 2022-12-07 2023-01-06 华南理工大学 基于物联网的污水处理全过程监管方法、系统及存储介质
CN116013047A (zh) * 2022-12-28 2023-04-25 上海大学 基于图注意力网络和长短期记忆网络的浓雾短临趋势预警系统与方法
CN116109462A (zh) * 2023-04-11 2023-05-12 乐百氏(广东)饮用水有限公司 一种自然灾害后饮水水源地污染监测预警方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于物联网的城市环境风险监测预警技术的研究;王元平;吕宗磊;祝辰;;科技资讯(第11期);全文 *

Also Published As

Publication number Publication date
CN116385689A (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
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
Majidifard et al. Deep machine learning approach to develop a new asphalt pavement condition index
CN116186566B (zh) 基于深度学习的扩散预测方法及系统
CN115578015B (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
Musa et al. A review of geospatial-based urban growth models and modelling initiatives
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
CN112288247B (zh) 一种基于空间交互关系的土壤重金属风险识别方法
CN114997546B (zh) 基于多源数据的监测井综合调查评价方法、系统及介质
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
CN116403092B (zh) 一种基于图像学习的地下水napl污染程度判定方法及系统
CN116359218B (zh) 一种工业聚集区大气污染移动监测系统
CN116485202B (zh) 一种基于物联网工业污染实时监测方法及系统
CN112084240B (zh) 一种群租房智能识别、联动治理方法及系统
CN116362569B (zh) 一种场地污染的多维度评估方法及系统
Hoang et al. Fast local Laplacian‐based steerable and Sobel filters integrated with adaptive boosting classification tree for automatic recognition of asphalt pavement cracks
CN117196350B (zh) 一种矿山地质环境特征监测与恢复治理方法及系统
Guo et al. Monitoring and simulation of dynamic spatiotemporal land use/cover changes
CN118015839B (zh) 一种高速公路路域风险预测方法及装置
CN117992861B (zh) 一种电力数据精准度稽查方法及系统
CN116824513A (zh) 基于深度学习的钻探过程自动识别监管方法及系统
CN116486240A (zh) 图像识别算法在输电线路无人机智能巡检方法上的应用
Cano-Ortiz et al. An end-to-end computer vision system based on deep learning for pavement distress detection and quantification
CN116384775B (zh) 一种污染场地监测设备的管理方法、系统及存储介质
CN117172996A (zh) 一种用于生态环境修复的微生物活性识别监测方法及系统
Alshawabkeh et al. Automated Pavement Crack Detection Using Deep Feature Selection and Whale Optimization Algorithm.

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