CN116451167B - 一种地下水污染源的智能辨识方法及系统 - Google Patents
一种地下水污染源的智能辨识方法及系统 Download PDFInfo
- Publication number
- CN116451167B CN116451167B CN202310699325.2A CN202310699325A CN116451167B CN 116451167 B CN116451167 B CN 116451167B CN 202310699325 A CN202310699325 A CN 202310699325A CN 116451167 B CN116451167 B CN 116451167B
- Authority
- CN
- China
- Prior art keywords
- pollution
- point
- characteristic
- points
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003895 groundwater pollution Methods 0.000 title claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 335
- 239000003673 groundwater Substances 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 33
- 238000012216 screening Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011109 contamination Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 16
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 239000013074 reference sample Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Food Science & Technology (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
Abstract
本发明涉及数据处理领域，具体涉及一种地下水污染源的智能辨识方法及系统。该方法包括：获取待检测区域中的污染区域，根据污染区域中污染采样点处的地下水流向作出对应的特征线段，基于污染源的传播特性，在特征线段上根据污染采样点两侧其他污染采样点的分布特征，对污染采样点为污染源的可能性进行分析；在特征线段之间形成的特征点对应的分析线段上，根据分析线段上的污染采样点的相关数据对特征点处的污染指标数据进行预测，并对特征点为污染源的可能性进行分析；最后根据分析结果得到污染源的位置。本发明分析污染采样点和特征点为污染源的可能性，综合对二者的分析结果对污染源位置进行判断，提高了对污染源位置识别的准确性。
Description
技术领域
本发明涉及数据处理领域，具体涉及一种地下水污染源的智能辨识方法及系统。
背景技术
随着人口的日益增长和科技水平的提高，在社会进步的同时也出现了一系列环境污染问题，其中地下水污染是较为严重的问题之一。由于地下水埋藏于地下环境，其受污染情况不易被人们察觉，这就使得地下水污染问题存在隐蔽性和发现滞后性，及修复难度大，费用高的特点，能否准确地得到污染源的相关信息，对于地下水污染的治理具有重要的现实意义。
在对地下水污染源的辨识过程中，现有技术主要根据污染源相对于各个采样点所在的相对区域，将各个相对区域之间的重合区域确定为污染区域，将污染区域的中点或边界交叉点视为污染源所在位置，但由于在污染区域中污染源位置的不确定性，可能位于污染区域中的任何位置，而直接将污染区域的中心或边界交叉点作为污染源会降低对污染源位置辨识的准确性，从而导致预测出的污染源位置与实际污染源位置的偏离程度较大。
发明内容
为了解决在污染区域中，无法对污染源位置精确定位的技术问题，本发明的目的在于提供一种地下水污染源的智能辨识方法及系统，所采用的技术方案具体如下：
本发明提出了一种地下水污染源的智能辨识方法，所述方法包括：
获取待检测区域中的污染区域，所述污染区域中包含污染采样点，所述污染采样点包含污染指标数据、流速和流向；
获得污染区域中的每个污染采样点的特征线段；特征线段在对应污染采样点的流向所在的直线上，且端点在污染区域边界上；特征线段之间的交点为特征点，经过特征点的特征线段记为特征点对应的分析线段；
根据每个污染采样点在对应特征线段上两侧的其他污染采样点分布和污染指标数据分布获得采样点判断值；
在每条分析线段上，将位于特征点同一侧预设邻域范围内的其他污染采样点作为参考采样点，根据参考采样点的污染指标数据、流向和流速，获取特征点在分析线段上的污染指标预测值；根据分析线段对应的污染采样点的采样点判断值获得对应分析线段的权重，根据权重将特征点对应的污染指标预测值加权求和，获得特征点的污染指标数据；
以特征点在对应分析线段上的采样点判断值作为特征点判断值；获得分析线段上距离特征点最远的污染采样点和特征点之间的污染指标数据差异，根据特征点对应的所有分析线段上的污染指标数据差异和特征点判断值，获得特征点筛选值；
根据采样点判断值对污染采样点进行筛选，根据特征点筛选值对特征点进行筛选，获得污染源位置。
进一步地，所述获得采样点判断值包括：
在特征线段上，将特征线段对应的污染采样点作为特征线段的中心点，在所述中心点两侧的污染采样点中获取相对对称采样点，所述相对对称采样点包含两个污染采样点，所述相对对称采样点到中心点的距离之间的差异最小，所述中心点与自身组成相对对称采样点；
将所述相对对称采样点的污染指标数据的差异值进行负相关映射，获取相对对称采样点对应的指标差异映射值；将所有相对对称采样点的指标差异映射值的和值，作为整体指标差异映射值；
将中心点两侧其他污染采样点之间的数量差异进行负相关映射，获得数量差异映射值，将所述数量差异映射值和所述整体指标差异映射值的乘积作为所述采样点判断值。
进一步地，所述获得特征点的污染指标数据包括：
所述预设邻域范围内包括两个其他污染采样点，将距离特征点最近的其他污染采样点作为主参考采样点，将距离主参考采样点最近的其他污染采样点作为次参考采样点；
根据所述主参考采样点与所述次参考采样点之间的位置距离、污染指标数据差异、流向差异、流速，获取特征点与主参考采样点之间的指标偏离值；
根据主参考采样点的污染指标数据和所述指标偏离值的和值，获取特征点在分析线段上的污染指标预测值；
将分析线段对应的污染采样点的采样点判断值作为所述污染指标预测值的权重，根据权重对所述污染指标预测值进行加权求和并求平均，获取特征点的污染指标数据。
进一步地，所述获取特征点与主参考采样点之间的指标偏离值包括：
将所述次参考采样点的流速与主次参考采样点之间距离的乘积作为第一乘积值；将主次参考采样点之间的污染指标数据差异与所述第一乘积值的比值作为主次参考采样点之间污染指标的平均变化值；
将所述主参考采样点的流速与特征点和主参考采样点之间距离的乘积作为第二乘积值；将所述平均变化值与所述第二乘积值的乘积作为初始偏离值；
将主参考采样点与次参考采样点之间的流向的角度差异作为流向差异，将所述流向差异进行负相关映射并归一化，获得流向差异映射值；
以所述初始偏离值与所述流向差异映射值的乘积，作为特征点与主参考采样点之间的指标偏离值。
进一步地，所述获得特征点筛选值包括：
将在分析线段上获取特征点对应的采样点判断值作为特征点判断值；
获取特征点和所述分析线段上距离特征点最远的污染采样点之间的污染指标数据差异；
将所述特征点判断值与所述污染指标数据差异的乘积作为分析线段上的乘积值；将所有分析线段上的所述乘积值进行累加，获得累加值；
根据分析线段总数量与特征线段总数量的比值和所述累加值的乘积，获取特征点筛选值。
进一步地，所述获得污染源位置包括：
在采样点判断值和特征点筛选值中筛选出最大值，将最大值对应的位置视为污染源位置。
进一步地，所述获取待检测区域中的污染区域包括：
根据采样点的污染指标数据，使用K-means聚类的方式对采样点进行分组，获得所述污染采样点；
对污染采样点进行连通域分析，获取连通区域；
对连通区域中所述污染采样点作最小外接区域，获取所述污染区域。
进一步地，所述最小外接区域为最小外接圆。
本发明还提出了一种地下水污染源的智能辨识系统，所述系统包括：
包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明任意一项所述方法的步骤。
本发明具有如下有益效果：
本发明实施例在污染区域中根据污染采样点的流向获取的特征线段能够有效的反映出污染源位置所在的相对方向，基于污染源的传播特性，在特征线段上，根据特征线段对应的污染采样点两侧的其他污染采样点的分布特征获取的采样点判断值可以有效的反映出污染采样点为污染源的可能性；考虑到特征线段之间形成的特征点也有可能是污染源，在经过特征点的特征线段上，将特征点邻域内多个污染采样点作为特征点的参考采样点，根据参考采样点的地下水相关数据预测得到的特征点的地下水污染指标数据与实际污染指标数据更加接近；根据特征点两侧的污染采样点的分布特征和特征点的污染指标数据得到的特征点筛选值同样能够有效的反映出特征点为污染源的可能性，结合采样点判断值和特征点筛选值，分别在其中进行筛选，将筛选出来的值所对应的位置作为污染源，使得预测出来的污染源位置与实际污染源位置的偏离程度更小，有效的提高了对污染源定位的精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种地下水污染源的智能辨识方法流程图。
图2为本发明一个实施例所提供的一种污染区域示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种地下水污染源的智能辨识方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种地下水污染源的智能辨识方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种地下水污染源的智能辨识方法流程图，该方法包括：
步骤S1：获取待检测区域中的污染区域。
在待检测区域的不同位置均匀设置一定数量的采样点并获取待检测区域的二维平面图像，图像中采样点的位置反映了采样点在待检测区域的空间位置。在本发明的一个实施例中设置的采样点数量为200；在采样点处通过多参数水质传感器检测地下水各个污染指标的数据，污染指标包括如重金属含量，氮化物含量等，以采样点Q为例，检测的Q点的污染指标数据为，其中/>表示采样点Q处第i个污染指标数据，M为污染指标的数量，在本发明的一个实施例中检测的污染指标的数量设置为20；同时在采样点处通过地下水流速计检测地下水的流速和流向，采样点可实时获取地下水的相关数据。需要说明的是，在本发明的其他实施例中也可设置其他数量的采样点和污染指标，在此不做限定。需要说明的是，污染指标数据可为一个集合或单个数值，在本发明实施例中为单个数值，即在后续分析过程中需要对序列中的每个数据单独进行分析。
由于污染源影响的区域大小不固定，所以设置的采样点往往有两种，一种是受到污染源影响的采样点，即污染采样点，另一种是未受到污染源影响的采样点，即未污染采样点，而本发明实施例只需要对污染采样点进行分析，所以需要对设置的采样点进行分组获取污染采样点，而污染采样点的污染指标数据相比于未污染采样点的污染指标数据较大。
优选地，本发明的一个实施例使用k-means聚类的方式对采样点进行分组，分组数量k=2，距离量度为，其中/>表示采样点Q处第i个污染指标数据，/>表示聚类中心的第i个污染指标数据，M表示污染指标数据的数量，在本发明的一个实施例中M设置为20。需要说明的是，k-means聚类是本领域技术人员熟知的技术手段，在此不做赘述。
由于污染源数量的不确定性，在待检测区域中可能存在多个距离很远的污染源，为了将多个受污染源影响的区域分离出来。优选地，在本发明的一个实施例中对污染采样点进行连通域分析，得到多个连通区域，并对连通区域中的污染采样点作最小外接区域得到多个污染区域。需要说明的是，最小外接区域可选用最小外接圆或最小外接矩形或者其他图形，在此不做限定，在本发明的一个实施例中选用最小外接圆作为最小外接区域。需要说明的是连通域分析和作最小外接区域是本领域技术人员熟知的技术手段，在此不做赘述。
步骤S2：获得污染区域中的每个污染采样点的特征线段。
污染源在地下水中传播时，呈现以污染源为中心，向周围进行传播的规律，而污染区域中污染采样点处地下水的流动方向能够体现出污染物在采样点的主要传播方向，所以在污染采样点处以地下水的流向作出的特征线段能够体现出污染源的相对位置，从而可以初步确定污染源的所在方向。
如图2所示，Q1~Q8为污染采样点；线段ab是污染采样点Q1所对应的特征线段，线段cd是污染采样点Q2所对应的特征线段，线段ef是污染采样点Q3所对应的特征线段，在图2中仅以污染采样点Q1、Q2和Q3对应的这三条特征线段为例。
具体特征线段的获取方法包括：
在污染区域中的污染采样点处作通过污染采样点的直线，其中直线的角度和污染采样点处的地下水流向的角度相同，所作直线与污染区域的边界会存在两个交点，则交点就是特征线段的两个端点，将端点之间的直线部分作为污染采样点对应的特征线段。
需要说明的是，在本发明实施例中将特征线段之间的交点作为特征点，如图2所示的U1~U3为特征点，将所有经过特征点的特征线段作为特征点对应的分析线段，如图2所示的特征线段ab和ef为特征点U1对应的分析线段。由于特征线段能够反映出污染源相对于污染采样点的所在方向，所以特征线段之间形成的交点也有可能是污染源所在位置，所以后续还需要对交点为污染源的可能性进行分析。
步骤S3：根据每个污染采样点在对应特征线段上两侧的其他采样点分布和污染指标数据分布获得采样点判断值。
在污染区域内设置的污染采样点也有可能是污染源，需要进一步对污染采样点进行分析，由于地下水的流速相对比较低，所以地下水的流动对污染物传播的影响比较小，假设将污染采样点视为污染源，由于污染源以自身为中心向周围传播的特性，故以污染源为中心的对称位置处的污染指标数据差异会比较小，需要说明的是，本发明的实施例中污染采样点是均匀设置的，所以特征线段上也会存在其他的污染采样点。所以可在污染采样点对应的特征线段上，根据以污染采样点为中心的两侧的其他污染采样点的位置分布和污染指标数据差异，判断污染采样点为污染源的可能性，即获取污染采样点对应的采样点判断值，如果两侧对称位置的污染采样点的污染指标数据的差异越小，并且两侧的其他污染采样点数量差异越小，则对应的采样点判断值就越大，对应的污染采样点为污染源的可能性就越大。
优选地，在本发明的实施例中将特征线段对应的污染采样点视为中心点，在中心点两侧的其他污染采样点中获取相对对称采样点，然后根据相对对称采样点污染指标数据的差异和中心点两侧的污染采样点之间的数量差异获取中心点对应的采样点判断值，具体包括：
在中心点的两侧选择到中心点的距离差异最小的两个污染采样点作为相对对称采样点，需要说明的是，为了消除相对对称采样点的数量为零这一特殊情况，将中心点与自身组成相对对称采样点，以保证至少存在一对相对对称采样点；如图2所示，在污染采样点Q1对应的特征线段ab上，Q1为中心点，在Q1两侧的其他污染采样点Q4~Q8中，Q5与Q6组成一对相对对称采样点，Q4与Q7组成一对相对对称采样点，Q1与Q1组成一对相对对称采样点，没有污染采样点与Q8组成相对对称采样点。
将相对对称采样点的污染指标数据的差值的绝对值作为污染指标数据的差异值，将污染指标数据的差异进行负相关映射，得到相对对称采样点对应的指标差异映射值，将所有相对对称采样点的指标差异映射值的和值作为整体指标差异映射值；将中心点两侧其他污染采样点之间的数量差异进行负相关映射，获得数量差异映射值，将所述数量差异映射值和所述整体指标差异映射值的乘积作为所述采样点判断值，在本发明的一个实施例中，因为污染指标数据的格式为一个序列，因此具体的表达式为：
其中，K表示采样点判断值；和/>分别为中心点两侧污染采样点的数量，若/>为中心点一侧的污染采样点的数量，则/>为另一侧的污染采样点的数量；/>和/>表示第j对相对对称采样点，/>和/>为第j对相对对称采样点的第i个污染指标数据；N表示相对对称采样点的数量；M表示污染指标数据的数量，在本发明实施例中M为20；/>为常数，在本发明实施例中/>设置为0.001。
其中的表示中心点两侧污染采样点之间的数量差异，其值越小说明中心点两侧污染采样点的分布越均匀，则中心点为污染源的可能性就越大，即K值就越大，因此用反比例函数对/>进行负相关处理，考虑到/>可能为零，在此设置一个较小常数/>以保证公式有意义；/>表示相对对称采样点之间的第i个污染指标数据的差异，其值越小说明中心点两侧对称位置处的污染采样点的污染指标数据之间的差异越小，则中心点为污染源的可能性就越大，即K值越大，因此用以自然常数为底数的指数函数对进行负相关处理并归一化。
步骤S4：在每条分析线段上，将位于特征点同一侧预设邻域范围内其他污染采样点作为参考采样点，根据参考采样点的污染指标数据、流向和流速，获取特征点在分析线段上的污染指标预测值；根据分析线段对应的污染采样点的采样点判断值获得对应分析线段的权重，根据权重将特征点对应的污染指标预测值加权求和，获得特征点的污染指标数据。
在步骤S3分析污染采样点为污染源可能性的过程中，当污染采样点与污染源的位置相近时，则在特征线段上，污染采样点两侧的其他污染采样点之间的数量和污染指标数据也会出现对称性的特点，所以可能会将污染采样点误判为污染源，为了避免这种误判现象需要进一步对特征点进行分析，但由于特征点处地下水的污染指标数据是未知的，而采污染样点处地下水的相关数据是已知的，所以需要通过污染采样点的相关数据对特征点的污染指标数据进行预测。
污染采样点的污染指标数据是已知的，可根据特征点邻域内的污染采样点的污染指标数据对特征点的污染指标数据进行预测，而不同污染采样点的流向和流速都存在差异，需要考虑这两个因素对预测结果的影响；对特征点的污染指标数据进行预测时，是将特征点假设为污染源，以特征点为中心向周围传播时污染指标数据是逐渐降低的，并且特征点对应多条分析线段，所以可在每条的分析线段上，将特征点同一侧邻域内的污染采样点作为参考采样点，根据参考采样点的污染指标数据、流向和流速，获得特征点在对应的每条分析线段上的污染指标预测值，使得特征点有多个污染指标预测值作为参考，对污染指标预测值加权求和获得特征点的污染指标数据，以保证预测的结果与实际偏差较小；污染采样点对应的采样点判断值能够反映污染采样点为污染源的可能性，而污染采样点与分析线段也是一一对应的，所以将采样点判断值作为分析线段上污染指标预测值的权重，分析线段上的采样点判断值越大则相应的分析线段上的污染指标预测值的参考性就越强。
优选地，在本发明的一个实施例中，将每条分析线段上位于特征点同一侧且距离特征点最近的两个其他污染采样点作为参考采样点，根据两个参考采样点的污染指标数据、流向和流速，获取特征点在每条分析线段上对应的污染指标预测值，然后对特征点对应的所有分析线段上的污染指标预测值进行加权求和并求平均，得到特征点的污染指标数据，具体包括：
（1）在特征点对应的每条分析线段上，将两个其他污染采样点中距离特征点最近的其他污染采样点作为主参考采样点，另一个其他污染采样点作为次参考采样点；由于地下水的流速相对较小且变化不明显，在本发明实施例中将主参考采样点处的流速近似特征点与主参考采样点之间的地下水流速，将次参考采样点处的流速近似主次参考采样点之间的地下水流速。考虑到距离和流速对污染指标数据的变化都存在影响，所以将次参考采样点的流速与主次参考采样点之间距离的乘积作为第一乘积值，将主参考采样点的流速与特征点和主参考采样点之间距离的乘积作为第二乘积值；用主次参考采样点之间污染指标的差异值与第一乘积值的比值作为主次参考采样点之间污染指标的平均变化值，将主次参考采样点之间污染指标的平均变化值近似为特征点和主参考采样点之间污染指标的平均变化值；然后将平均变化值与第二乘积值的乘积作为特征点与主参考采样点之间污染指标的初始偏离值；考虑到主次参考采样点处地下水流向的差异会对初始偏离值有一定的影响，将主次参考采样点处流向的角度的差异进行负相关映射并归一化获取流向差异映射值；将初始偏离值与流向差异映射值的乘积值作为特征点与主参考采样点之间的指标偏离值，然后将主参考采样点的污染指标数据和指标偏离值的和值作为特征点在这条分析线段上的污染指标预测值。如图2所示，对于特征点U1，在分析线段ab上可选用Q1作为主参考采样点Q5作为次参考采样点，也可选用Q6作为主参考采样点Q7作为次参考采样点。具体表达式为：
其中，表示特征点U与主参考采样点z之间第i个污染指标数据的指标偏离值；/>表示特征点U在分析线段上第i个污染指标数据的污染指标预测值；/>表示主参考采样点z的第i个污染指标数据；/>表示次参考采样点c的第i个污染指标数据；/>表示主次参考采样点之间的距离；/>表示主参考采样点z与特征点U之间的距离；/>表示主参考采样点z的流速；/>表示次参考采样点c的流速；/>表示主参考采样点z的流向的角度；/>表示次参考采样点c的流向的角度。
其中的表示主次参考采样点之间第i个污染指标数据的平均变化值，也可近似认为是特征点与主参考采样点之间第i个污染指标数据的平均变化值；/>表示特征点与主参考采样点之间第i个污染指标数据的初始偏离值，在平均变化值不变的情况下，而主参考采样点的流速/>可近似为特征点与主参考采样点之间的流速，所以/>越大说明特征点到主参考采样点的污染指标数据的变化幅度越大，则特征点与主参考采样点之间的初始偏离值就越大；/>表示特征点与主参考采样点之间的距离，/>越大说明特征点到主参考采样点的污染指标数据的变化幅度越大，则特征点与主参考采样点之间的初始偏离值就越大；/>表示主次参考采样点之间流向的角度的差异，其值越小说明对初始偏离值的预测越准确，则对初始偏离值的调整就越小，得到的指标偏离值就越大，因此用以自然常数为底数的指数函数对/>进行负相关处理并归一化。
（2）特征点在每条分析线段上都有一个对应的污染指标预测值，将分析线段对应的污染采样点的采样点判断值作为分析线段上污染指标预测值的权重，对特征点对应的所有分析线段上的污染指标预测值进行加权求和并求平均，得到特征点对应的污染指标数据。具体表达式为：
其中，表示特征点第i个污染指标的污染指标数据；/>表示特征点在第j条分析线段上第i个污染指标的污染指标预测值；/>表示第j条分析线段对应的污染采样点的采样点判断值；T表示经过特征点的分析线段的数量。
步骤S5：以特征点在对应分析线段上的采样点判断值作为特征点判断值；获得分析线段上距离特征点最远的污染采样点和特征点之间的污染指标数据差异，根据特征点对应的所有分析线段上的污染指标数据差异和特征点判断值，获得特征点筛选值。
将特征点邻域内多个污染采样点作为特征点的参考采样点，综合考虑参考采样点的地下水污染指标数据、流速和流向影响因素，根据参考采样点的地下水相关数据预测得到的特征点的地下水污染指标数据与实际污染指标数据更加接近，从而保证对特征点为污染源的可能性的预测更加有效；并且将特征点在对应分析线段上的采样点判断值作为特征点判断值，使得最终获取的特征点筛选值与采样点判断值之间具有更好的可比较性。
与分析污染采样点为污染源的可能性相同，同样可以在分析线段上，根据特征点两侧污染采样点之间的对称性分布情况，对特征点为污染源的可能性进行分析，使用采样点判断值表达式计算得到特征点为污染源的可能性；考虑到特征点有多条对应的分析线段，可以以相同的方式在多条分析线段上分别求出特征点在该分析线段上的特征点判断值，并且由于特征点在不同的分析线段上所能传播的最远距离不同，需要对特征点判断值做出不同程度的调整，而分析线段上距离特征点最远的污染采样点和特征点之间的污染指标数据差异能够反映出特征点所能传播的最远距离，差异越大所能传播的最远距离就越大，所以可根据特征点对应的所有分析线段上的污染指标数据差异和特征点判断值获得特征点筛选值。
优选地，在本发明的一个实施例中，具体获取特征点筛选值包括：
在特征点对应的分析线段上，将特征点作为分析线段上的中心点，根据步骤S3的公式，将特征点在分析线段上获取的采样点判断值作为特征点对应的特征点判断值；获取特征点与分析线段上距离特征点最远的污染采样点之间污染指标数据差异，其中污染指标数据差异越大说明特征点为污染源的可能性就越大；根据特征点对应的特征点判断值和污染指标数据差异的乘积，获取特征点在分析线段上的乘积值，计算特征点对应的所有分析线段上的乘积值的和值；计算特征点对应的分析线段的总数量与特征线段总数量的比值，将乘积值的和值与比值的乘积作为特征点对应的特征点筛选值。在本发明一个实施例中，因为污染指标数据的格式为一个序列，因此具体表达式为：
其中，表示特征点筛选值；T表示特征点对应的分析线段的数量；Y表示特征线段的总数量；/>表示将特征点U作为第j条分析线段上的中心点获取的采样点判断值，即特征点对应的特征点判断值；/>表示特征点U的第i个污染指标数据；/>表示在第j条分析线段上距离特征点最远的污染采样点的第i个污染指标数据；M表示污染指标数据的数量，在本发明实施例中M为20。
其中的特征点判断值是根据特征点两侧的污染采样点的对称性分布情况得出的，/>越大说明特征点两侧污染采样点的位置和污染指标数据的对称性就越强，则特征点为污染源的可能性就越大，即特征点筛选值/>越大；/>表示特征点U与第j条分析线段上距离特征点U最远的污染采样点之间第i个污染指标数据差异，其值越大，说明特征点假设为污染源时传播的距离越远，则特征点为污染源的可能性越大；/>是特征点对应的分析线段数量与特征线段总数量的比值，其值越大说明特征点对应的分析线段数量占特征线段总数量的比重越大，特征点对应的分析线段的数量就越多，则特征点为污染源的可能性越大。
步骤S6：根据采样点判断值对污染采样点进行筛选，根据特征点筛选值对特征点进行筛选，获得污染源位置。
采样点判断值和特征点筛选值都能够反映出对应位置为污染源的可能性，所以可以根据采样点判断值和特征点筛选值对污染源的位置进行判断，数值越大说明所对应的位置为污染源的可能性就越大。
优选地，在本发明的一个实施例中通过在采样点判断值和特征点筛选值中筛选出最大值，将最大值对应的位置视为污染源位置。
本发明一个实施例提供了一种地下水污染源的智能辨识系统，该系统包括存储器、处理器和计算机程序，其中存储器用于存储相应的计算机程序，处理器用于运行相应的计算机程序，计算机程序在处理器中运行时能够实现步骤S1~S6所描述的方法。
综上所述，本发明实施例首先获取待检测区域中的污染区域，根据污染区域中污染采样点处的地下水流向数据作出对应的特征线段，基于污染源的传播特性，在特征线段上根据污染采样点两侧的其他污染采样点的分布特征，对污染采样点为污染源的可能性进行分析；然后在特征线段之间形成的特征点对应的分析线段上，将分析线段上的污染采样点作为参考采样点，根据参考采样点的地下水相关数据对特征点处的污染指标数据进行预测，并对特征点为污染源的可能性进行分析；最后根据对污染采样点和特征点的分析结果得到污染源的位置。本发明分析污染采样点为污染源的可能性及特征点为污染源的可能性，综合对污染采样点和特征点的分析结果对污染源位置进行判断，提高了对污染源位置识别的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.一种地下水污染源的智能辨识方法，其特征在于，所述方法包括：
获取待检测区域中的污染区域，所述污染区域中包含污染采样点，所述污染采样点包含污染指标数据、流速和流向；
获得污染区域中的每个污染采样点的特征线段；特征线段在对应污染采样点的流向所在的直线上，且端点在污染区域边界上；特征线段之间的交点为特征点，经过特征点的特征线段记为特征点对应的分析线段；
根据每个污染采样点在对应特征线段上两侧的其他污染采样点分布和污染指标数据分布获得采样点判断值；
在每条分析线段上，将位于特征点同一侧预设邻域范围内的其他污染采样点作为参考采样点，根据参考采样点的污染指标数据、流向和流速，获取特征点在分析线段上的污染指标预测值；根据分析线段对应的污染采样点的采样点判断值获得对应分析线段的权重，根据权重将特征点对应的污染指标预测值加权求和，获得特征点的污染指标数据；
以特征点在对应分析线段上的采样点判断值作为特征点判断值；获得分析线段上距离特征点最远的污染采样点和特征点之间的污染指标数据差异，根据特征点对应的所有分析线段上的污染指标数据差异和特征点判断值，获得特征点筛选值；
根据采样点判断值对污染采样点进行筛选，根据特征点筛选值对特征点进行筛选，获得污染源位置；
所述获得采样点判断值包括：
在特征线段上，将特征线段对应的污染采样点作为特征线段的中心点，在所述中心点两侧的污染采样点中获取相对对称采样点，所述相对对称采样点包含两个污染采样点，所述相对对称采样点到中心点的距离之间的差异最小，所述中心点与自身组成相对对称采样点；
将所述相对对称采样点的污染指标数据的差异值进行负相关映射，获取相对对称采样点对应的指标差异映射值；将所有相对对称采样点的指标差异映射值的和值，作为整体指标差异映射值；
将中心点两侧其他污染采样点之间的数量差异进行负相关映射，获得数量差异映射值，将所述数量差异映射值和所述整体指标差异映射值的乘积作为所述采样点判断值。
2.根据权利要求1所述的一种地下水污染源的智能辨识方法，其特征在于，所述获得特征点的污染指标数据包括：
所述预设邻域范围内包括两个其他污染采样点，将距离特征点最近的其他污染采样点作为主参考采样点，将距离主参考采样点最近的其他污染采样点作为次参考采样点；
根据所述主参考采样点与所述次参考采样点之间的位置距离、污染指标数据差异、流向差异、流速，获取特征点与主参考采样点之间的指标偏离值；
根据主参考采样点的污染指标数据和所述指标偏离值的和值，获取特征点在分析线段上的污染指标预测值；
将分析线段对应的污染采样点的采样点判断值作为所述污染指标预测值的权重，根据权重对所述污染指标预测值进行加权求和并求平均，获取特征点的污染指标数据。
3.根据权利要求2所述的一种地下水污染源的智能辨识方法，其特征在于，所述获取特征点与主参考采样点之间的指标偏离值包括：
将所述次参考采样点的流速与主次参考采样点之间距离的乘积作为第一乘积值；将主次参考采样点之间的污染指标数据差异与所述第一乘积值的比值作为主次参考采样点之间污染指标的平均变化值；
将所述主参考采样点的流速与特征点和主参考采样点之间距离的乘积作为第二乘积值；将所述平均变化值与所述第二乘积值的乘积作为初始偏离值；
将主参考采样点与次参考采样点之间的流向的角度差异作为流向差异，将所述流向差异进行负相关映射并归一化，获得流向差异映射值；
以所述初始偏离值与所述流向差异映射值的乘积，作为特征点与主参考采样点之间的指标偏离值。
4.根据权利要求1所述的一种地下水污染源的智能辨识方法，其特征在于，所述获得特征点筛选值包括：
将在分析线段上获取特征点对应的采样点判断值作为特征点判断值；
获取特征点和所述分析线段上距离特征点最远的污染采样点之间的污染指标数据差异；
将所述特征点判断值与所述污染指标数据差异的乘积作为分析线段上的乘积值；将所有分析线段上的所述乘积值进行累加，获得累加值；
根据分析线段总数量与特征线段总数量的比值和所述累加值的乘积，获取特征点筛选值。
5.根据权利要求1所述的一种地下水污染源的智能辨识方法，其特征在于，所述获得污染源位置包括：
在采样点判断值和特征点筛选值中筛选出最大值，将最大值对应的位置视为污染源位置。
6.根据权利要求1所述的一种地下水污染源的智能辨识方法，其特征在于，所述获取待检测区域中的污染区域包括：
根据采样点的污染指标数据，使用K-means聚类的方式对采样点进行分组，获得所述污染采样点；
对污染采样点进行连通域分析，获取连通区域；
对连通区域中所述污染采样点作最小外接区域，获取所述污染区域。
7.根据权利要求6所述的一种地下水污染源的智能辨识方法，其特征在于，所述最小外接区域为最小外接圆。
8.一种地下水污染源的智能辨识系统，其特征在于，所述系统包括：
包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310699325.2A CN116451167B (zh) | 2023-06-14 | 2023-06-14 | 一种地下水污染源的智能辨识方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310699325.2A CN116451167B (zh) | 2023-06-14 | 2023-06-14 | 一种地下水污染源的智能辨识方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116451167A CN116451167A (zh) | 2023-07-18 |
| CN116451167B true CN116451167B (zh) | 2023-08-22 |
Family
ID=87130532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310699325.2A Active CN116451167B (zh) | 2023-06-14 | 2023-06-14 | 一种地下水污染源的智能辨识方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116451167B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140016031A (ko) * | 2012-07-30 | 2014-02-07 | 서울대학교산학협력단 | 오염원 확인 시스템 및 방법 |
| CN115424143A (zh) * | 2022-08-29 | 2022-12-02 | 南方海洋科学与工程广东省实验室(广州) | 水源污染溯源方法、装置、存储介质和计算机设备 |
| CN116110006A (zh) * | 2023-04-13 | 2023-05-12 | 武汉商学院 | 一种用于智慧旅游系统的景区游客异常行为识别方法 |
-
2023
- 2023-06-14 CN CN202310699325.2A patent/CN116451167B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140016031A (ko) * | 2012-07-30 | 2014-02-07 | 서울대학교산학협력단 | 오염원 확인 시스템 및 방법 |
| CN115424143A (zh) * | 2022-08-29 | 2022-12-02 | 南方海洋科学与工程广东省实验室(广州) | 水源污染溯源方法、装置、存储介质和计算机设备 |
| CN116110006A (zh) * | 2023-04-13 | 2023-05-12 | 武汉商学院 | 一种用于智慧旅游系统的景区游客异常行为识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘晓东等."地表水污染源识别方法研究进行".《水科学进展》.2020,第31卷(第2期),第302-308页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116451167A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932480A (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
| CN111222743B (zh) | 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 | |
| CN116522270B (zh) | 用于智慧海绵城市的数据处理系统 | |
| CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| CN116258086B (zh) | 一种燃气管道风险评估方法及系统 | |
| CN112348290B (zh) | 河流水质预测方法、装置、存储介质及设备 | |
| Rushton | Improving the geographic basis of health surveillance using GIS | |
| CN103134433B (zh) | 一种利用位移监测鉴别边坡失稳致滑因子的方法 | |
| Ke et al. | New framework for automatic identification and quantification of freeway bottlenecks based on wavelet analysis | |
| CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
| CN116451167B (zh) | 一种地下水污染源的智能辨识方法及系统 | |
| Hu | Methods of generating surfaces in environmental GIS applications | |
| CN105654042A (zh) | 玻璃温度计的检定温度字符识别方法 | |
| CN115459868B (zh) | 一种复杂环境下的毫米波通信性能评估方法及系统 | |
| CN113702612B (zh) | 基于人工智能的河岸污染检测及考察地点选址方法及系统 | |
| D’Angelo et al. | A new picking algorithm based on the variance piecewise constant models | |
| CN105629254B (zh) | 一种目标微动特征相干激光探测效果量化评价方法 | |
| Stapanian et al. | Finding suspected causes of measurement error in multivariate environmental data | |
| Jeong et al. | Toward real-world implementation of deep learning for smartphone-crowdsourced pavement condition assessment | |
| Pei | A nonparametric index for determining the numbers of events in clusters | |
| CN111882135A (zh) | 一种物联网设备入侵检测方法及相关装置 | |
| CN116539831B (zh) | 一种基于大数据分析水环境数据监测处理方法 | |
| CN115424097A (zh) | 三维目标检测算法的评估方法、系统、电子设备及介质 | |
| CN108416773A (zh) | 一种基于配准点的超定方程组的pcb孔检验方法及系统 | |
| US20230237664A1 (en) | Method for detecting spatial coupling |
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 |